인공지능을 활용한 기상 예측의 혁신
최근 인공지능(AI)을 활용하여 기상 예측과 기후 변화를 예측하는 새로운 시스템이 개발되었습니다. 이 시스템은 기존 모델과 유사한 수준의 예측 성능을 발휘하면서도 훨씬 적은 컴퓨터 자원을 사용하여 주목받고 있습니다.
- AI 기반 기상 예측 모델은 연간 기온 변화를 1도 이하의 오차 범위 내에서 예측할 수 있는 능력을 보이고 있으며, 이는 기존 방식 대비 계산 속도를 40% 이상 향상시킵니다.
- 이러한 AI 활용의 장점은 빠른 데이터 처리 시간으로 인해 더 신속한 기상 정보 제공이 가능하다는 점입니다. 특히, 위급한 기상 상황에서는 빠른 정보가 대처와 대비에 큰 역할을 합니다.
구글과 MIT 등 연구진의 새로운 접근법
구글, MIT, 하버드, 그리고 유럽 중기예보센터 연구진은 Nature에 발표한 논문에서 이 새로운 모델이 “계산 비용을 크게 절감”하며 “지구 시스템 이해와 예측에 필수적인 대규모 물리적 시뮬레이션을 향상시킬 수 있다”고 주장했습니다.
- 이 모델은 머신러닝을 통해 10년치 기상 데이터를 학습하여 서비스를 개선하였습니다. 연구에 따르면 원가를 최대 25%까지 절감할 수 있는 능력을 제공합니다.
- 해당 연구진은 전 세계적으로 매년 기상 예측에 사용되는 전력의 약 2%를 절감할 수 있다고 추정하며, 이는 환경적으로도 긍정적인 효과로 이어질 수 있습니다.
전통적 모델과 기계 학습의 융합
NeuralGCM 모델은 전통적인 예측 모델의 장점과 기계 학습의 접근법을 결합하여 설계되었습니다. 이 모델은 지구 대기의 물리적 상태를 수학적으로 설명하고, 복잡한 방정식을 풀어 미래를 예측합니다.
- 예를 들어, 수학적 모델은 일반적인 대기 순환 패턴을 파악하는 데 효과적이고, 인공지능은 이러한 패턴 속의 세부적인 변화를 예측하는 데 능통합니다.
- 기계 학습의 데이터 처리 속도가 일반적인 수식 모델보다 빠르며, 이는 하루 20번 이상 실시간 예측을 가능하게 합니다.
클라우드 형성 등 복잡한 과정에 기계 학습 활용
특히, NeuralGCM은 클라우드 형성과 같은 덜 이해된 물리적 과정을 기계 학습을 통해 예측합니다. 이러한 하이브리드 접근법은 물리 법칙과 일치하는 결과를 생성하도록 보장합니다.
- 클라우드 형성은 기후 모델링에서 가장 복잡한 문제 중 하나로, 주요 학습 데이터는 파장 및 습도 변화에서 얻어집니다.
- 이러한 복잡한 데이터 세트를 효과적으로 분석할 수 있는 AI는 데이터의 흐름과 조합을 분석하여 예상 외의 기상 변화도 고려할 수 있습니다.
기상 및 기후 예측에서의 성능 평가
연구진은 NeuralGCM을 WeatherBench 2라는 표준화된 테스트를 사용해 다른 모델들과 비교했습니다. 3일 및 5일 예측에서는 다른 기계 학습 모델과 비슷한 성능을 보였으며, 10일 및 15일 이상의 장기 예측에서는 기존의 전통 모델과 비슷한 정확성을 나타냈습니다.
- WeatherBench 2는 30년 이상의 기상 데이터를 기반으로 한 테스트 벤치마크로, 모델 성능을 평가할 때 표준으로 사용됩니다.
- 최신 연구에 따르면 NeuralGCM의 경우 매 예측이 평균 10배 더 빠르게 실행될 수 있으며, 이는 기상 관측소의 리소스 절감에 이바지합니다.
극한 기상 현상 예측에서도 성공적
NeuralGCM은 열대 사이클론이나 대기강과 같은 드문 기상 현상 예측에서도 상당한 성공을 거두었습니다. 기계 학습 모델은 데이터에서 패턴을 학습하여 예측을 수행하며, 기상 및 기후 시스템이 매우 복잡하기 때문에 대량의 역사적 관측치와 위성 데이터를 필요로 합니다.
- 예를 들어, 열대 사이클론의 경우 바람의 속도와 방향 변화 데이터를 수집하여 임계적인 패턴을 분석하여 예측합니다.
- 이러한 데이터는 NOAA(미국 해양대기청)와 같은 기관에서 제공하는 고해상도 위성 이미지에서 수집되며, 분석은 매순간 갱신됩니다.
기계 학습 모델의 한계와 미래 가능성
기계 학습 모델은 익숙하지 않은 상황, 즉 극한 또는 전례 없는 기상 조건에서는 어려움을 겪을 수 있습니다. NeuralGCM은 물리 기반의 코어 덕분에 이점이 있어, 예측에서 더 나은 성능을 보입니다. 아직 기계 학습 기반 모델이 일상적 기상 예보에 사용되지는 않지만, 이 분야는 매우 활발한 연구 영역으로, 미래의 예보에는 기계 학습이 중요한 역할을 할 것입니다.
- 기계 학습 모델의 한계는 과거 데이터에 존재하지 않는 새로운 패턴이나 조건을 학습할 수 없기 때문에 생깁니다. 하지만 지속적인 데이터 업데이트와 피드백 루프 구축을 통해 이러한 문제를 최소화할 수 있습니다.
- 세계 기상 기구(WMO)는 AI 기반 예측의 발전 속도가 매우 빠르다고 평가하며, 향후 5년 내에 상업 및 공공 기상 서비스의 표준이 될 것으로 예상합니다.
출처 : 원문 보러가기
