Learning skillful medium-range global weather forecasting

Motivation

Known: 전통적인 수치 기상 예보(NWP)는 물리 방정식을 풀기 위해 슈퍼컴퓨터를 사용하며, 증가된 계산 자원으로 정확도를 개선할 수 있다. 최근 기계학습 기반 기상 예보는 강수 나우캐스팅이나 부계절 열파 예측 같은 특정 영역에서 NWP를 개선했다.
Gap: 중기 기상 예보(10일 전)에서는 ECMWF의 IFS 같은 NWP 시스템이 여전히 가장 정확하지만, 과거 기상 데이터를 직접 활용하여 모델을 개선하는 방식의 기계학습 접근법이 필요하다. 0.25° 해상도에서 NWP를 능가하는 기계학습 방법은 아직 제한적이다.
Why: 정확한 중기 기상 예보는 개인, 산업, 정책 결정에 매우 중요하며, 기계학습 기반 방법은 NWP보다 빠르고 효율적이면서도 과거 패턴으로부터 학습하여 예측 정확도를 개선할 수 있다.
Approach: Graph Neural Network 기반 encoder-processor-decoder 구조로 설계된 GraphCast 모델을 사용하여, ERA5 재분석 데이터(1979-2017년)로 학습시키고, 입력으로부터 6시간 앞의 날씨 상태를 예측하는 autoregressive 방식을 적용한다.

입력: 현재 시각과 6시간 이전의 두 가지 최근 날씨 상태를 0.25° 위도-경도 격자로 표현
Encoder: 단일 GNN 레이어를 사용하여 입력 격자를 multimesh 그래프 표현의 노드 속성으로 변환
Multimesh: 정이십면체(icosahedron)를 6번 반복적으로 정제하여 40,962개 노드를 가진 공간적으로 균질한 그래프 생성
Processor: 16개의 비공유(unshared) GNN 레이어로 multimesh 상에서 learned message-passing 수행하여 효율적인 지역 및 장거리 정보 전파
Decoder: 단일 GNN 레이어를 사용하여 처리된 특징을 위도-경도 격자로 역변환하고 잔차 업데이트로 출력 예측
Autoregressive 롤아웃: 이전 예측을 입력으로 재투입하여 임의의 길이의 날씨 상태 시계열 생성
학습 목표: N 단계의 autoregressive 예측과 ERA5 상태 간의 평균 제곱 오차(MSE)를 수직 레벨로 가중치화하여 계산, 훈련 과정에서 N을 1에서 12로 점진적 증가

Autoregressive 오류 누적: 장시간 예측에서 이전 예측의 오류가 누적되어 7일 이후 성능 저하 가능성
재분석 데이터 의존성: 학습이 ERA5 재분석 데이터에 의존하므로, 재분석 데이터의 편향과 오류가 모델에 전파될 수 있음
극한 사건 예측의 한계: 열대 저기압, 대기 강 등 극한 기상 현상은 개별 사건의 스케일과 특이성으로 인해 통계적 학습의 어려움 존재
실시간 관측 데이터 미통합: 모델이 재분석 데이터로만 학습되며, 최신 실시간 관측 동화(data assimilation)가 구현되지 않음
후속 연구: 앙상블 예측, 확률적 불확실성 정량화, 극한 사건 특화 손실 함수, 실시간 관측 통합, 타 사이트 일반화 성능 향상 필요