From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

기상 예보가 방대한 과거 기상 데이터에 학습된 강력한 컴퓨터 프로그램이 전통적인 물리 기반 모델과 대등하게 경쟁하기 시작한 새로운 시대에 접어들었습니다. 이러한 인공지능 시스템은 제1원리로부터 대기를 시뮬레이션하는 대신, 과거의 기록에서 패턴을 학습하여 다음에 올 것을 예측합니다. 이러한 역사적 기록의 가장 신뢰할 수 있는 출처는 전 세계적인 데이터셋인 ERA5로, 이는 기상 관측소가 존재하지 않는 빈틈을 채워주는 상세한 대기 재구성 데이터입니다. 더 높은 해상도를 가진 최신 버전인 ERA5-Land는 지구 표면에 특히 초점을 맞추고 있어, 우리가 걷는 지표면에 대해 더욱 높은 정확도를 약속합니다. 이러한 AI 모델은 전적으로 이 데이터에 의존하여 학습하기 때문에, 재구성의 품질이 매우 중요합니다. 만약 역사적 기록에 숨겨진 오류가 있거나 국지적인 극값을 완만하게 처리해 버린다면, AI는 그 결함을 그대로 물려받아 사회가 꼭 알아야 할 바로 그 위험한 사건들을 예측하는 데 실패할 수 있습니다.

해안 평야에서 높은 산맥과 건조한 사막으로 지형이 급격히 변하는 국가인 모로코에서, 연구진은 이 두 데이터셋의 신뢰성을 테스트하기 위해 연구를 수행했습니다. 그들은 디지털 과거 지도가 지상의 기상 관측소에 기록된 실제 현실과 정말로 일치하는지 알고 싶었습니다. 연구팀은 2016년부터 2024년까지 다양한 기후와 지형을 아우르는 36개 기상 관측소로부터 시간별 관측 데이터를 수집했습니다. 그들은 관측소에서 기록된 기온, 습도, 풍속, 강수량을 표준 ERA5 및 지표 중심의 ERA5-Land가 제공하는 값과 비교했습니다. 목표는 디지털 재구성이 특히 지역의 기후를 정의하는 가장 극심한 폭염, 한파, 강풍 상황에서 미세하고 국지적인 세부 사항을 포착할 수 있는지 확인하는 것이었습니다.

조사 결과, 일반적인 기후 패턴을 이해하는 데 있어서는 두 데이터셋 모두 매우 우수하다는 것이 밝혀졌습니다. 이들은 기온이 하루 동안 어떻게 오르내리는지, 그리고 계절이 어떻게 변하는지를 포착하며 날씨의 일일 리듬을 성공적으로 재현해 냈습니다. 평균적인 조건에 대해서는 두 제품이 대체로 서로 호환 가능하지만, 표준 ERA5가 기온과 습도 측면에서 약간 더 정확한 경향을 보이는 반면, 지표 특화형인 ERA5-Land는 복잡한 산악 지형에서의 풍속 측정에서 작은 이점을 제공합니다. 그러나 연구진이 극한 상황을 살펴보았을 때 이야기는 달라졌습니다. 모델들이 온건한 날씨는 잘 다루지만, 가장 심각한 사건을 예측하는 능력은 해당 사건이 얼마나 희귀한지에 크게 좌우됩니다.

연구진이 극심한 폭염, 한파, 강풍에 대한 임계값에 따라 모델을 테스트했을 때, 명확한 패턴을 발견했습니다. 두 데이터셋 모두 매우 더운 날이나 강한 돌풍과 같은 완만한 극한 상황을 감지하는 데는 뛰어난 성능을 보였습니다. 하지만 사건이 더 희귀해지고 강도가 높아질수록, 모델의 숙련도는 현저히 떨어졌습니다. 가장 더운 날이나 가장 강한 바람의 경우, 모델들이 목표치를 완전히 놓치는 경우가 많았습니다. 연구진은 이러한 실패가 반드시 소프트웨어의 고유한 결함이라기보다는, 광범asc적인 격자 기반의 디지털 지도를 지상의 특정 한 점과 일치시키려는 시도의 근본적인 한계라고 언급했습니다. 기상 관측소는 골짜기나 특정 경사면과 같이 독특한 미기후 속에 위치하지만, 디지털 모델은 그러한 국지적 세부 사항을 평균화하는 넓은 영역을 나타냅니다. 이러한 불일치는 설령 완벽한 모델이라 할지라도, 모델이 볼 수 없는 지역 지형에 의해 발생하는 특정 관측소의 정점(peak) 값을 예측할 수 없게 만듭니다.

또한 이번 연구는 지표 중심 데이터셋에 대한 구체적인 기술적 장애물을 찾아냈습니다. ERA5-Land는 육지에만 설계되었기 때문에 바다를 제외합니다. 이는 해안가나 섬 근처에 위치한 관측소에 문제를 일으키는데, 모델에 일치시킬 유효한 격자점이 존재하지 않기 때문입니다. 어떤 경우에는 해안가 관측소의 데이터가 육지 전용 버전에서 아예 존재하지 않기도 하며, 이는 주의 깊게 확인하지 않으면 누락된 기상 기록으로 오해받을 수 있는 공백입니다. 게다가, 연구진은 지표 데이터셋의 더 높은 해상도가 항상 도움이 되는 것은 아니라는 점을 발견했습니다. 일부 사막과 산악 지역에서는 더 미세한 격자가 오히려 밤 시간대의 기온과 습도 판독에 더 많은 노이즈를 유입시켰으며, 전체적인 정확도를 개선하지 못했습니다.

결론적으로, 본 연구는 이러한 글로벌 데이터셋이 일반적인 기후 추세를 연구하고 AI 모델을 훈련시키는 데는 훌륭한 도구이지만, 국지적 수준에서 발생하는 특정한 생명 위협적인 기상 현상을 예측할 때는 주의해서 사용해야 함을 시사합니다. 모델이 고장 난 것이 아니라, 아주 작은 지형적 세부 사항을 보도록 설계되지 않은 것입니다. 저자들은 이 데이터를 영향 평가나 AI 검증에 사용하는 사람들에게 "45도보다 높은 날"과 같은 절대적 임계값보다는, 지역 평균에 비해 얼마나 이례적인지를 나타내는 상대적 극한값에 집중할 것을 권장합니다. 또한 해안가 근처의 데이터 공백을 명시적으로 확인하고, 바람과 기온의 자연적인 변동성을 고려하여 오류를 보고할 것을 조언합니다. 이러한 한계를 이해함으로써, 과학자와 예보관들은 과거의 디지털 지도를 더 잘 해석할 수 있으며, 이를 통해 차세대 기상 예측이 세상의 복잡한 현실에 더욱 충실히 기반할 수 있도록 할 수 있습니다.