Short-Term Regional Precipitation Forecasting over Dublin Using ERA5 Reanalysis: Robustness, Probabilistic Reliability, and Predictor Attribution

강우를 예측하는 것은 기상학에서 가장 까다로운 과제 중 하나입니다. 해가 일정하게 떠오르거나 조수가 예측 가능한 대로 움직이는 것과 달리, 강우는 기압, 바람, 습도의 혼돈스러운 결합에 의해 구동되며 몇 분 만에도 변할 수 있는 불규칙한 현상입니다. 이러한 예측 불가능성은 대서양의 기상 체계가 끊임없이 육지로 밀려들어와 날씨가 급격히 변하는 환경을 만드는 아일랜드와 같은 지역에서 특히 심각합니다. 더블린과 같은 도시에서 향후 몇 시간 동안의 예보를 정확히 맞추는 것은 단순히 편의의 문제가 아니라 안전의 문제입니다. 정확한 단기 예측은 도시 홍수를 관리하고, 운전자의 도로 안전을 지키며, 수자원 관리자들이 미래를 계획할 수 있도록 돕습니다. 수십 년 동안 과학자들은 대기를 시뮬레이션하기 위해 거대하고 물리 기반인 컴퓨터 모델에 의존해 왔지만, 이러한 시스템은 무겁고 느립니다. 최근 몇 년 사이, 과거의 기상 데이터를 통해 패턴을 학습하여 전통적인 방식보다 더 빠르고 효율적으로 다가오는 폭풍의 신호를 포착하고자 하는 인공지능을 활용한 새로운 접근 방식이 등장했습니다.

유니버시티 칼리지 더블린(UCD)과 트리니티 칼리지 더블린의 연구진은 이러한 현대적인 머신러닝 도구들이 자신들의 앞마당에서 단기 강우 예측을 위해 실제로 얼마나 잘 작동하는지 테스트하기 위해 나섰습니다. 그들은 구체적인 질문에 집중했습니다. 컴퓨터가 더블린 지역의 6시간 후 평균 강수량을 예측하는 법을 배울 수 있는지, 만약 그렇다면 날씨가 악화될 때 그 예측이 얼마나 신뢰할 수 있는지였습니다. 이를 위해 그들은 단순히 하나의 모델을 구축하고 요행을 바라는 대신, 2004년부터 2021년까지의 모든 6시간 간격을 포함하는 유럽 중기 예보 센터(ECMWF)의 방대한 역사적 기상 데이터 라이브러리를 수집했습니다. 그들은 이 데이터를 단순한 통계적 벤치마크부터 과거의 날씨 패턴을 기억하고 이를 현재의 조건과 비교하여 가중치를 둘 수 있는 정교한 딥러닝 네트워크에 이르기까지 여러 유형의 예측 시스템에 입력했습니다.

연구진은 이를 단순한 시연이 아닌 엄격한 과학적 실험으로 취급했습니다. 결과가 단순히 운이 좋아서 나타난 것이 아님을 보장하기 위해 다양한 초기 조건으로 실험을 여러 번 반복 수행했습니다. 또한 평균적인 성능 그 이상을 살펴보았습니다. 기상 예보에서는 가벼운 이슬비는 잘 예측하더라도 폭우가 쏟아질 때는 처참하게 실패할 수 있기 때문입니다. 연구팀은 각 모델이 비가 오는 날들을 어떻게 처리하는지, 그리고 무엇보다도 가장 강렬한 강우 사건들을 어떻게 다루는지 구체적으로 점검했습니다. 또한 모델들에게 단일한 수치가 아닌 불확실성의 범위를 제공하도록 요청하여, 예보관들이 자신의 예측에 대해 얼마나 확신할 수 있는지 알 수 있게 했습니다. 마지막으로, 연구진은 인공지능이라는 '블랙박스' 내부를 들여다보며 컴퓨터가 실제로 어떤 기상 요인에 주목하고 있는지 확인하였고, 단순히 강우와 상관관계가 있는 변수와 모델의 예측 능력을 진정으로 향상시키는 데 도움이 되는 변수를 구분했습니다.

결과는 단순히 '최고'와 '최악'을 나누는 순위보다 더 미묘한 성능의 지형을 드러냈습니다. 모든 유형의 날씨에 걸친 전반적인 그림을 볼 때, 어텐션 메커니즘(attention mechanism)이 적용된 BiLSTM이라는 특정 유형의 딥러닝 네트워크가 경쟁 모델들보다 약간 더 우수한 성능을 보였습니다. 과거의 일련의 기상 데이터를 되돌아보고 가장 관련 있는 순간에 집중할 수 있는 이 모델은 약 0.24mm의 매우 낮은 평균 오차를 달ach했습니다. 그러나 이 최고 성적 모델과 강력한 트리 기반 알고리즘인 XGBoost 사이의 차이는 매우 작아서, 통계적으로 일반 테스트 세트에 대해서는 사실상 동등한 수준이었습니다. 연구진은 비가 오는 날을 포함한 대다수의 날에 대해 이 두 가지 매우 다른 접근 방식이 거의 동일한 결과를 낸다는 것을 발견했습니다.

하지만 날씨가 악화되자 이야기는 달라졌습니다. 연구진이 가장 강한 강우 사건들, 즉 강도가 상위 5%에 해당하는 사건들을 분리해내자 모델들의 성능이 갈라졌습니다. 이러한 어려운 조건에서 XGBoost 알고리즘은 딥러닝 네트워크보다 더 뛰어난 성능을 보이며 가장 강한 폭우에 대해 더 정확한 예보를 생성했습니다. 이 발견은 복잡한 신경망이 일반적인 패턴을 학습하는 데는 탁월하지만, 홍수 경보에 가장 중요한 희귀하고 극단적인 이상치(outliers)를 처리하는 데는 더 단순한 트리 기반 방식이 더 나을 수 있음을 시사합니다. 더욱이, 모든 모델이 강우 사건을 탐지하는 능력은 강도가 높아짐에 따라 급격히 떨어졌습니다. 비가 온다는 사실 자체는 안정적으로 예측할 수 있었지만, '강한' 비의 기준이 높아질수록 정확히 얼마나 세게 내리는지를 짚어내는 기술은 빠르게 저하되었습니다.

연구는 또한 모델들의 신뢰성을 조사했습니다. 단일한 추측 대신 결과의 범위를 제공하도록 설계된 딥러닝 모델의 확률론적 버전들은 평균적으로 좋은 성능을 보였습니다. 전체 테스트 기간 동안 이들의 예측 범위는 실제 강수량을 약 95%의 확률로 포착하여 의도된 신뢰 수준과 일치했습니다. 그러나 이 신뢰성은 가장 중요한 순간에 무너졌습니다. 가장 강한 강우 사건이 발생했을 때 모델들은 과잉 확신을 보였습니다. 즉, 예측 범위가 너무 좁았고, 실제 폭우를 훨씬 더 자주 놓쳤습니다. 또한, 모델들이 강우가 표준 정규 분포를 따른다고 가정했기 때문에, 물리적으로 불가능한 음수의 강수량을 예측하기도 했습니다. 이는 수학적 가정과 하늘에서 떨어지는 물의 실제 행동 사이의 근본적인 불일치를 보여줍니다.

모델들이 왜 그러한 선택을 했는지 이해하기 위해, 연구진은 각 기상 변수의 영향력을 추적하는 기술을 사용했습니다. 그들은 컴퓨터의 주의가 총 운량, 풍향, 그리고 지표 기압에 가장 강력하게 끌린다는 것을 발견했습니다. 흥가롭게도, 강수량과 가장 강력한 통계적 연결 고리를 가진 변수인 '최대 강수율'은 일단 다른 요인들이 고려되면 모델의 결정에 가장 중요한 동인이 되지 않았습니다. 이는 해당 변수가 다른 변수들과 너무 밀접하게 연관되어 있어 새로운 정보를 거의 제공하지 않기 때문입니다. 반면, 강우와의 원시적인 연결은 더 약했던 총 운량은 모델이 의존하는 독특하고 안정적인 예측 가치를 제공했습니다. 이러한 차이는 단순히 어떤 수치들이 함께 움직이는지를 보는 것만으로는 부족하며, 모델이 결정을 내리기 위해 그 수치들을 어떻게 사용하는지 이해하려면 더 깊이 들여다봐야 한다는 것을 보여주었습니다.

궁극적으로 이 연구는 비를 예측하는 데 있어 단 하나의 '완벽한' 모델은 없다는 점을 강조합니다. 최선의 접근 방식은 무엇을 예측하려 하는지에 달려 있습니다. 일반적인 단기 전망의 경우, 소규모 딥러닝 네트워크와 견고한 트리 기반 알고리즘은 똑같이 우수한 성능을 보입니다. 하지만 격렬한 폭풍을 예측해야 하는 특정 고위험 과제의 경우, 트리 기반 방식이 뚜렷한 우위를 보였습니다. 또한 이 연구는 모델의 전반적인 정확도가 극한 상황에서의 중대한 약점을 숨길 수 있다는 점을 상기시켜 줍니다. 평균적으로는 신뢰할 수 있어 보이는 시스템이 가장 위험한 날씨를 경고하는 데 실패할 수 있습니다. 반복적인 테스트, 극한 사건에 대한 집중, 그리고 모델이 생각하는 방식에 대한 면밀한 검토를 통해, 연구진은 인공지능이 구름이 모여드는 더블린 시민들을 위해 무엇을 할 수 있고 무엇을 할 수 없는지에 대한 더 명확하고 정직한 그림을 제시했습니다.