발표에서 확인된 핵심 사실

기존 기상 예보 모델은 6시간 간격의 업데이트와 25km 격자 단위의 낮은 해상도로 인해 국지적인 날씨 변화를 포착하는 데 한계가 있었다. 웨더넥스트 3는 이를 매시간 업데이트와 최대 5km 해상도의 예보 체계로 전환하여 정밀도를 높였다. 6시간이라는 시간적 공백과 넓은 격자 범위가 만들던 예측 오차를 줄여, 기상 변화가 급격한 지역의 사용자가 더 정확한 실시간 정보를 얻도록 설계했다.

웨더넥스트 3는 기상 변수의 특성에 따라 공간 해상도를 다르게 적용한다. 체감도가 높은 기온과 습도 등 주요 지표면 변수는 5km 해상도로 제공하며, 그 외 지표 변수는 10km, 풍속과 같은 상공 대기 변수는 25km 해상도로 시각화한다. 이는 6시간 간격으로 25km 격자 예보를 제공했던 이전 모델인 웨더넥스트 2와 비교했을 때, 전 세계 기상 상황을 약 5배 더 높은 해상도로 파악할 수 있는 수치다.

공간 해상도는 예보 구역을 나누는 격자의 크기를 의미하며, 수치가 작을수록 더 세밀한 예측이 가능하다. 기온과 습도는 해안가나 산골짜기, 산간 지대처럼 불과 몇 킬로미터 거리에서도 수치가 크게 달라지는 특성이 있다. 이전 모델은 세부 정보가 부족한 데이터를 학습해 이러한 국지적 편차를 잡지 못하고 픽셀화되거나 과도하게 뭉개지는 스무딩 현상이 나타났다. 웨더넥스트 3는 복잡한 지형을 세밀하게 반영해 열 표현을 개선하며 지구 전체의 대기 흐름부터 지역 지형지물까지 물리 법칙의 일관성을 유지한다.

구글은 이 모델의 고해상도 예보 기능을 자사 서비스 전반에 통합했다. 구글 검색과 제미나이(Gemini, 멀티모달 AI 모델)는 물론 구글 지도와 구글 맵스 플랫폼(Google Maps Platform, 지도 API 서비스), 구글 클라우드에 해당 기능이 적용된다. 연구실 단계의 기술을 넘어 실제 서비스 환경에서 매시간 업데이트되는 정밀 기상 데이터를 제공함으로써 다양한 애플리케이션에서 기상 정보를 활용하는 방식을 바꾼다.

NWP 지연을 없앤 FGN 메시 트랜스포머 구조

수치 예보(NWP, 물리 시뮬레이션 기반 예보) 데이터를 기반으로 학습하는 기존 방식은 슈퍼컴퓨터 시뮬레이션 과정에서 최대 6시간의 데이터 지연이 발생한다. 비구름의 이동이나 지표면 온도처럼 변동성이 큰 기상 변수를 예측할 때 이러한 시간 차는 결과값의 편향을 일으키는 주요 원인이 된다. 웨더넥스트 3는 학습 데이터의 소스를 수치 예보 결과물이 아닌 정지궤도 위성의 실시간 모자이크 데이터로 전환해 이 지연 문제를 해결했다.

모델의 핵심은 FGN(Functional Generative Network, 기능적 생성 네트워크) 메시 트랜스포머 아키텍처다. 이 시스템은 1시간 간격으로 업데이트되는 실시간 위성 모자이크 데이터와 과거의 기상 분석 데이터를 동시에 입력받는 엔드-투-엔드(End-to-End, 입력부터 출력까지 단일 공정으로 처리하는 방식) 구조로 설계되었다. 단일 네트워크가 입력 데이터를 처리해 고밀도 격자형 기상도와 태풍 이동 경로를 직접 도출하며, 개별 지상 관측소 단위의 국지 예보까지 한 번에 산출하는 체계를 갖췄다.

데이터 입력 주기와 처리 구조의 최적화로 가장 최근의 위성 관측 정보를 예보에 즉시 반영할 수 있다. 물리 시뮬레이션의 연산 시간을 기다릴 필요 없이 매시간 새로운 예보를 생성하는 방식이다. 이는 기존 물리 시뮬레이션 방식만으로는 모델링하기 어려웠던 작은 규모의 구름 움직임이나 강한 비구름대의 경계선을 포착하는 능력을 높인다. 결과적으로 실시간 대기 정보의 밀도를 높여 예측의 정밀도를 확보하며, 데이터 지연으로 인한 예측 오차를 물리적으로 제거한 구조다.

강수 예측 정확도 최대 60% 향상 및 검증 수치

지상 우량계 측정값과 비교했을 때 초기 예측 시간대에서 10%의 정확도 개선을 기록했다. 구글은 강수 예측의 정밀도를 높이기 위해 성격이 다른 두 가지 고품질 데이터를 학습에 투입했다. 미 항공우주국(NASA)의 위성 기반 강수 관측 데이터인 IMERG(Integrated Multi-satellite Retrievals for GPM)와 구글이 위성 레이더 데이터를 기반으로 자체 분석해 구축한 글로벌 강수 재분석 데이터를 결합해 사용했다. 전 세계에 분산된 기상 관측소의 실제 관측 데이터를 모델 학습에 직접 반영함으로써, 복잡한 실제 지형 조건이 강수 패턴에 미치는 영향까지 모델이 세밀하게 학습하도록 설계했다.

성능 검증은 연속확률점수(CRPS, 확률 예보의 정확도를 측정하는 지표)를 기준으로 수행했다. 전 세계 중기 예보를 대상으로 기준 모델과 비교 평가한 결과, IMERG 대비 최대 60%의 성능 향상을 달성했다. 미국 차세대 기상 레이더망인 MRMS(Multi-Radar Multi-Sensor)와 비교했을 때도 30% 더 뛰어난 예측력을 보였다. 이는 위성 원시 데이터를 직접 활용하는 학습 방식이 기존의 데이터 처리 과정에서 발생하는 정보 손실을 줄이고, 실제 관측값에 더 가까운 확률 분포를 생성하는 결과로 이어졌다.

강수 영역의 시각적 표현에서 나타나던 픽셀화와 스무딩 현상도 해결했다. 25km 해상도의 웨더넥스트 2는 강수 영역이 실제보다 넓게 퍼지거나 격자 형태로 뭉쳐 보이는 픽셀화 현상이 빈번하게 발생했다. 반면 11km 해상도의 웨더넥스트 3는 실제 위성 관측 사진과 거의 동일한 수준으로 선명한 대류성 강수 띠를 정확하게 잡아낸다. 대류성 강수 띠는 좁은 지역에 강한 비를 뿌리는 구름의 흐름을 의미하며, 이를 정확히 예측하는 것이 국지성 호우 대비의 핵심이다. 관측 데이터를 기반으로 학습한 결과 비구름의 세밀한 형태와 이동 경로를 더 정확하게 재현할 수 있게 되었다.

청정에너지 변수 추가와 글로벌 인프라 격차 해소

풍력 터빈 높이에 맞춘 지상 100m 상공의 풍속과 고해상도 구름 분포 및 일사량(지표면에 도달하는 태양 에너지 양) 예측 변수가 새롭게 추가되었다. 풍력 발전량 산출의 정확도를 높이기 위해 지표면이 아닌 실제 터빈 날개가 회전하는 높이의 풍속 데이터를 제공하는 방식이다. 태양광 발전소는 구름의 세밀한 분포와 일사량 수치를 통해 지표면에서 받을 수 있는 햇빛의 양을 사전에 가늠한다. 전력망 운영사(전력 생산과 소비를 조절하는 기관)와 재생에너지 개발사는 이 데이터를 활용해 청정에너지 설비의 전력 생산량을 예측하고, 이를 실시간 전력 수요에 맞춰 조정함으로써 전력망의 안정성을 확보한다.

기존의 고해상도 지역 기상 모델은 모델을 구동하고 유지하는 데 막대한 슈퍼컴퓨팅 자원과 비용이 투입되어야 했다. 이로 인해 하드웨어 인프라 구축과 유지 비용을 감당하기 어려웠던 중남미, 아프리카, 아시아·태평양 지역은 정밀한 예보 혜택에서 소외되었다. 웨더넥스트 3는 이러한 인프라 제약을 해결해 해당 지역의 수십억 명 주민과 현지 기업에 정밀한 지역 맞춤형 일기예보를 제공한다. 현지 기업들은 갑작스러운 폭풍이나 전선 형성 같은 기상 변화에 더 신속하게 대응해 공급망 손실을 줄일 수 있다.

구글은 공간정보 플랫폼과 기후 및 환경 AI 연구를 위해 구글 어스 엔진, 알파어스 파운데이션(AlphaEarth Foundations), 어스 AI(Earth AI)와 같은 연구 체계를 운영한다. 이 플랫폼들은 기상 데이터를 분석하고 이를 실제 환경 보호나 에너지 효율화 모델에 적용하는 기반이 된다. 연구자와 개발자는 이러한 리소스를 통해 글로벌 기상 데이터를 처리하고 지역별 특성에 맞는 환경 분석 모델을 구축할 수 있다.

슈퍼컴퓨팅 인프라가 부족한 지역에서도 5km 격자 단위의 정밀한 지역 맞춤형 예보를 실무에 활용할 수 있다.