Chris Kent Adam A. Scaife Nick J. Dunstone Doug Smith et al

초록

관측된 대기 조건을 기반으로 학습된 기계학습 기반 날씨 모델은 전통적인 물리기반 모델보다 단기에서 중기(1~14일) 예보 시간 범위에서 뛰어난 성능을 보일 수 있다. 본 연구에서는 대기 변화를 6시간 단위로 예측하도록 학습된 기계학습 모델 ACE2를 활용하며, 이 모델은 장기간 예보에서도 안정성을 유지할 수 있다는 특징을 지닌다. 이를 계절 예보 관점(1~3개월 선도 시간)에서 평가하였다. 매년 11월 1일을 기준으로 지속된 해수면 온도(SST) 및 해빙 이상치를 초기 조건으로 설정하여, 1993/1994년부터 2015/2016년까지의 23년 동안 지연형 앙상블 계절 예보를 수행하였다. 이 기간 동안 ACE2 모델은 주요 물리기반 모델과 유사한 예측 가능성 패턴을 보였으며, 놀라울 정도로 높은 일치도를 보였다. ACE2 모델은 북대서양 진동(North Atlantic Oscillation, NAO)에 대해 상관 계수 0.47(p = 0.02)의 유의미한 예측 능력을 보였으며, 전 세계적인 예측 능력 분포와 앙상블 분산 또한 현실적인 모습을 보였다. 놀랍게도 ACE2 모델은 물리기반 모델에서 관찰되는 신호 대 잡음 오차(Signal-to-noise error) 패턴을 보였는데, 이는 모델이 자신보다 실제 세계를 더 잘 예측하고 있음을 의미한다. 2009/2010년 겨울 예보를 분석한 결과, ACE2 모델이 학습 데이터 외부의 극단적인 계절적 조건을 포착하는 데 한계를 보일 수 있음을 시사하였다. 본 연구는 기계학습 기반 날씨 모델이 전 세계적인 계절 예보에서 유의미한 성능을 발휘할 수 있으며, 단기 기후 예보의 이해, 개발 및 생성을 위한 새로운 기회를 제공할 수 있음을 입증하였다.