A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

열대 저기압은 따뜻한 해수면 위에서 소용돌이치며 해안 지역에 강력한 바람과 폭우를 쏟아부어, 지구상에서 가장 강력하고 파괴적인 힘 중 하나로 꼽힙니다. 폭풍이 정확히 어디로 이동할지, 그리고 얼마나 강해질지를 예측하는 것은 기상학자들에게 끊임없는 과제입니다. 전통적인 방식은 복잡한 물리 방정식을 해결하는 거대한 컴퓨터 시뮬레이션에 의존하지만, 이러한 시스템은 속도가 느리고 막대한 컴퓨팅 파워를 필요로 하며, 폭풍이 진화함에 따라 빠르게 업데이트되는 데 어려움을 겪는 경우가 많습니다. 최근 몇 년 동안 과학자들은 역사적인 기상 데이터에서 패턴을 인식하도록 컴퓨터 프로그램을 훈련시켜 이 과정을 가속화하기 위해 인공지능을 활용해 왔습니다. 그러나 이러한 많은 디지털 모델은 '블랙박스'처럼 작동합니다. 즉, 예측은 할 수 있지만 왜 그런 예측을 했는지에 대해서는 설명하지 못하며, 때로는 폭풍이 어떻게 이동하고 강화되는지를 지배하는 근본적인 물리 법칙을 무시하기도 합니다.

베이징 사범대학교와 모나쉬 대학교의 연구진은 이러한 격차를 메우는 새로운 접근 방식을 개발했습니다. 그들은 현대 인공지능의 패턴 인식 능력과 지구물리학의 엄격한 규칙을 결합한 정교한 컴퓨터 모델을 만들었습니다. 세계에서 가장 활발한 열대 저기압 발생 지역인 서태평양에 특화되어 설계된 이 모델은 수십 년간의 역사적 폭풍 기록과 대기 데이터를 학습합니다. 폭풍을 단순한 숫자의 나열로 취급했던 이전의 시도들과 달리, 이 새로운 시스템은 '지구물리학적으로 제약(geophysically constrained)'되어 있습니다. 즉, 폭풍과 그 주변 환경 사이의 실제 물리적 관계에 의해 유도된다는 의미입니다. 연구진은 이 모델을 두 가지 다른 유형의 일반적인 예측 도구, 즉 시간에 따른 데이터 시퀀스를 학습하는 모델과 과거 사례를 바탕으로 의사결정 나무를 구축하는 모델과 비교 테스트했습니다. 연구 결과, 물리적 실체를 존중함으로써 이들의 모델이 폭풍의 경로와 강도를 더 높은 정확도와 안정성으로 예측할 수 있음이 밝혀졌으며, 특히 폭풍 생애의 중요한 초기 며칠 동안 그러했습니다.

연구진은 매년 세계 열대 저기압의 3분의 1 이상이 형성되며 동아시아 국가들을 빈번하게 위협하는 광활한 해양 분지인 서태평양에 초점을 맞췄습니다. 모델을 훈련시키기 위해 연구진은 1949년부터 2024년까지 기록된 폭풍의 경로와 강도뿐만 아니라, 해당 폭풍들을 둘러싼 대기와 해양 상태의 상세한 스냅샷을 포함한 방대한 기록 보관소를 모델에 입력했습니다. 모델은 폭풍의 현재 상태(위치, 풍속, 중심 기압)와 주변 환경(해수면 온도 및 고도별 상층 풍계 등)을 살펴보는 법을 배웠습니다. 그런 다음 이 정보를 사용하여 향후 최대 36시간 동안 단계별로 폭풍이 어디에 있을지, 그리고 얼마나 강해질지를 예측했습니다.

연구진이 이 새로운 모델을 테스트했을 때, 모델은 비교 대상으로 사용된 표준 도구들보다 뛰어난 성능을 보였습니다. 6시간 후의 단기 예보에서 모델은 폭풍의 위치를 평균 약 200km의 오차로 예측했는데, 이는 다른 방법들보다 유의미한 개선입니다. 36시간 후를 내다볼 때도 모델은 약 357km의 평균 오차를 기록하며 높은 신뢰도를 유지했습니다. 강도(최대 지속 풍속으로 측정)를 예측하는 측면에서도 모델은 매우 인상적이었습니다. 6시간 후 예측 시 평균 오차는 단 2.59m/s였으며, 36시간 후에는 오차가 7.54m/s로 증가했습니다. 이러한 결과는 위치와 풍속 모두에서 더 큰 실수를 범했던 다른 모델들보다 눈에 띄게 우수했으며, 특히 예보의 결정적인 초기 시간대에서 그러했습니다.

이 연구가 특히 가치 있는 이유는 단순히 정확성 때문만이 아니라, 모델이 결론에 도달하는 과정의 명확성 때문입니다. 연구진은 인공지능의 층을 벗겨내어 어떤 정보가 가장 중요한지를 확인하는 방법을 사용했습니다. 그들은 모델이 두 가지 특정 요소, 즉 폭풍 중심의 기압과 풍속에 크게 의존한다는 것을 발견했습니다. 이 두 요소는 모델 의사결정 능력의 절반 이상을 차지했습니다. 이는 기상학자들이 오랫동안 알고 있었던 사실, 즉 폭풍의 강도가 내부 기압 및 바람 구조와 밀접하게 연결되어 있다는 점과 완벽하게 일치합니다. 모델은 또한 거대한 대기 패턴과 해양 온도를 고려했지만, 이들은 주연이라기보다는 조연으로서 보조적인 역할을 수행했습니다. 이러한 발견은 모델이 단순히 데이터를 암기하는 것이 아니라, 폭풍이 어떻게 행동하는지에 대한 물리적 논리를 실제로 학습하고 있음을 시사합니다.

연구진은 또한 복잡한 상황을 모델이 어떻게 처리하는지 확인하기 위해 두 가지 구체적인 실제 사례의 폭풍을 대상으로 시스템을 테스트했습니다. 한 사례에서는 탁 트인 대양을 따라 꾸준히 이동하는 폭풍을 대상으로 했는데, 모델은 높은 정밀도로 경로를 추적했습니다. 또 다른 사례에서는 해안 근처에서 급격히 강화되는 폭풍을 대상으로 했으며, 모델은 강화 추세를 성공적으로 식별했으나 정점의 풍속은 약간 과소평가했습니다. 이러한 실제 테스트는 모델이 예측에서 비정상적이거나 비현실적인 급변 없이 다양한 조건을 처리할 수 있음을 확인시켜 주었습니다. 모델이 완벽하지는 않으며 여전히 가장 극단적이고 급격하게 변하는 폭풍에는 과제가 남아 있지만, 이는 중요한 진전입니다. 인공지능의 속도와 물리 과학의 신뢰성을 결합함으로써, 이 새로운 도구는 조기 경보를 개선하고 해안을 위협하는 강력한 폭풍에 대비해 공동체가 준비할 수 있도록 돕는 유망한 길을 제시합니다.