본문 바로가기

1분 이내 10일간의 날씨 예측...구글 딥마인드, 날씨 예보 AI 모델 '그래프캐스트'

반응형

일기 예보에 관심 없는 사람이 있을 수는 있지만 날씨 변화에 자유로운 사람은 그리 많지 않다. 원하는 시점이나 기간의 날씨를 최대한 정확하게 예측할 수 있다면, 그렇지 못했을 때 잃을 수 있는 많은 것을 지킬 수 있다. 다양하고 복잡한 변수를 고려해야 하는 수치예보모델과 엄청난 몸값을 지닌 슈퍼컴퓨터가 현대의 수치예보를 활용한 날씨 예측에 필요한 이유다.

그런 점에서 구글 딥마인드가 최근 사이언스(Science)에 게재한 논문을 통해 발표한 그래프캐스트(GraphCast)는 주목할만하다. 그래프캐스트는 과거 수십 년간의 날씨 데이터를 기계 학습과 GNN(Graph Neural Network)을 활용해 예측하는 AI 모델이다. 유럽중기기상예보센터(ECMWF)의 기상 시뮬레이션 시스템인 고해상도 예보(HRES ; High Resolution Forecast)와 비교할 때 더 빠르고 정확하게 날씨를 예측하는 것으로 논문을 통해 소개했다.

그래프캐스트에는 6시간 전 날씨 상태와 현재 날씨 상태를 입력 입력하면 6시간 후의 날씨를 예측한다. 그런 다음 이 프로세스를 6시간 단위로 롤백하여 최대 10일 전의 최신 예보를 제공한다. (자료 : Google Deepmind)


일반적인 날씨 예측뿐만 아니라 태풍, 홍수, 가뭄 등과 같은 기상 이변에 대한 조기 경고 등을 제공할 수도 있다. 이상 기후로 인해 몸살을 앓고 있는 지구촌의 기후 변화를 예측하고, 이를 기반으로 재난과 재해를 예방하고 피해를 줄일 수 있는 것이다. 이를 위해 구글 딥마인드는 그래프캐스트의 AI 모델 코드를 오픈 소스로 제공해 전 세계 과학자나 기상 전문가들이 자유롭게 활용할 수 있도록 했다.

현재의 날씨 예측은 수치 예보(NWP ; Numerical Weather Prediction)를 기반으로 한다. 복잡하고 다양한 변수를 사용하는 방정식이 포함된 수치예보 알고리즘을 고성능 슈퍼컴퓨터로 계산해서 기압, 온도, 습도, 바람, 강우 등 다양한 기상 요소를 예측한다. 따라서 슈퍼컴퓨터의 성능과 기상 관측소에서 수집한 데이터의 정확성이 예보 속도, 기간, 정확성을 좌우한다.

그래프캐스트는 유럽중기기상예보센터에서 축적한 40년 동안의 날씨 분석 데이터를 학습에 활용했다. 현재 또는 최근에 관측한 기상 데이터가 아니라, 과거의 날씨 정보를 기반으로 인공지능을 학습시킨 것이다. 이렇게 학습한 내용을 기반으로 이전의 수치예보모델에서 불완전했던 부분을 채워 예측하는 방식을 사용한다.

예측 지역 범위는 경위도 0.25도의 해상도, 적도를 기준으로 할 때 가로 세로 각각 28km 범위를 하나의 단위로 날씨를 예측한다. 이는 지구 전체를 100만 개가 넘는 그리드 포인트로 나누어 예측하는 것으로, 각 그리드 포인트에서 온도, 풍속, 풍향, 평균 해수면 기압을 포함한 5개의 지표 변수와 특정 습도, 풍속과 풍향, 온도 등 6가지 대기 변수를 37개 고도 수준별로 예측한다.

구글 딥마인드 그래프캐스트 팀의 레미 람(Remi Lam)은 "그래프캐스트로 10일간의 예측을 생성하는 데는 단일 구글 TPU v4 머신에서 1분도 채 걸리지 않았다. 이에 비해 고해상도 예보와 같은 기존 접근 방식을 사용하여 10일을 예측하려면, 수백 대의 컴퓨터가 있는 슈퍼컴퓨터에서 몇 시간씩 계산해야 한다"고 밝혔다.

"또한, HRES와 비교한 종합적인 성능 평가에서 그래프캐스트는 1,380개 테스트 변수 및 예측 리드 타임의 90% 이상에서 더 정확한 예측을 제공했다(자세한 내용은 사이언스 논문 참조). 정확한 예측이 가장 중요한 대류권, 즉 지구 표면에서 가장 가까운 6~20km 상공의 대기권으로 평가 범위를 제한했을 때, 우리 모델은 미래 날씨에 대한 테스트 변수의 99.7%에서 HRES보다 더 우수한 성능을 보였다"고 전했다.

아울러 그래프캐스트는 심각한 기상 현상을 찾는 훈련을 받지 않았음에도, 기존의 예측 모델보다 더 빨리 악천후를 식별하는 것으로 나타났다. 간단한 사이클론 예측기를 그래프캐스트에 직접 적용하면, 기존의 HRES 모델보다 사이클론 이동을 더 정확하게 예측할 수 있다. 이상 기후로 인한 재해와 재난 대비에도 효과적으로 사용할 수 있을 것으로 기대가 되는 부분이다.

 

Syndicated to WWW.CIOKOREA.COM

반응형