관측소 기반 물리 모델링으로 기상 예측 정확도를 높이다
StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting
arXiv다수의 관측소에서 복합적인 기상 변수를 예측하기 위해, 물리적 진화 과정을 반영한 새로운 학습 모델 'StationPDE'가 제안되었습니다.
- 이 모델은 관측소의 이산 데이터를 연속 표면장으로 변환하고, 지표 바람 이동과 상층 대기 추론을 결합하여 예측하는 것이 핵심입니다.
- 단순 데이터 기반 학습을 넘어 기상 물리 역학(PDE) 개념을 도입해 해석 가능성을 높였으며, 기존 최고 성능 대비 평균 9.6%의 오차 감소를 달성했습니다.
- 본 연구는 지표면의 이산 관측소 데이터를 기반으로 하며, 상층 대기의 영향은 모델이 '추론'하는 방식으로 근사화하여 활용한다는 점을 참고해야 합니다.
기존의 다중 관측소 복합 기상 변수 예측 모델들은 이산적인 관측소 간 통계적 의존성을 학습하는 데 그쳐, 명시적인 물리적 진화 과정을 반영하지 못한다는 한계를 가집니다. 반면, PDE 기반 기상 모델은 해석 가능한 물리 역학을 제공하지만, 지표면의 이산 데이터만으로는 필요한 연속장이나 상층 대기 변수를 확보하기 어렵습니다.
이러한 간극을 메우기 위해 StationPDE가 제안되었습니다. 이 모델은 관측소의 이산 데이터를 지형 인지(terrain-aware) 연속 표면장으로 구성하고, 물리적 진화를 '표면 바람 이동'과 '상층 대기 추론' 두 부분으로 분해하여 예측합니다. 특히 상층 대기의 영향이 부족한 경우, 학습 가능한 수평 확산을 사용하여 누락된 변수를 근사화하는 것이 특징입니다.
StationPDE는 또한 병렬 데이터 기반 확산 브랜치를 추가하고 적응형 라우터(adaptive router)를 통합하여 두 예측 결과를 결합함으로써 관측소 수준의 다변수 기상 예측을 수행합니다. Weather2K 및 Meteo 실험에서 StationPDE는 기존 최고 성능 모델 대비 평균 약 9.6%의 MSE 감소를 달성하며 우수한 성능을 입증했습니다.