25km에서 5km로, 5배 더 정밀해진 WeatherNext 3

기존 6시간 간격이던 기상 예보 업데이트 주기가 1시간으로 단축되었다. 이를 통해 사용자는 폭풍이나 급격한 날씨 변화에 맞춰 실시간으로 계획을 수정할 수 있다. 구글 딥마인드와 구글 리서치가 공개한 WeatherNext 3는 실시간 위성 데이터를 직접 학습해 예보 시차를 줄이고 정밀도를 높인 AI 모델이다. 실시간 관측 데이터를 기반으로 예측하므로 기상 상황 변화에 빠르게 대응하는 정보 제공이 가능하다. 결과적으로 전 세계 어디서든 정밀한 지역화 예보를 확인할 수 있다.

공간 해상도는 기존 25km 그리드에서 최대 5km 그리드로 좁혀졌다. 그리드는 기상 데이터를 나누어 분석하는 격자 단위다. 분석 단위가 약 5배 정밀해지면서 특정 지역의 세밀한 기상 상태를 파악하는 능력이 향상되었다. 이러한 개선 사항은 외부 기관 브라이트밴드(Brightband)의 독립 라이브 평가를 통해 실제 관측치와 비교 검증되었다. 정밀도가 높아진 만큼 지역별 기상 특성을 더 세밀하게 반영할 수 있다.

WeatherNext 3는 구글 검색(Google Search), 제미나이(Gemini), 구글 맵(Maps)에 통합되어 제공된다. 개발자와 기업은 구글 맵 플랫폼(Google Maps Platform)과 구글 클라우드(Google Cloud) 환경에서 이 고해상도 예보 데이터를 호출해 사용할 수 있다. 연구실 단계의 모델을 실제 제품에 통합함으로써 다양한 산업군이 구글 인프라를 통해 정밀 기상 정보를 활용할 수 있는 환경을 마련했다.

물리 시뮬레이션 대신 실시간 위성 데이터를 학습하는 FGN 구조

수치 예보 모델인 NWP(Numerical Weather Prediction) 기반 학습은 슈퍼컴퓨터를 이용한 물리 시뮬레이션을 거치기에 데이터 생성까지 6시간의 지연이 발생한다. 이러한 지연은 강수량이나 지표면 온도처럼 빠르게 변하는 변수의 최신성을 떨어뜨려 예측 오차를 유발한다. WeatherNext 3는 시뮬레이션 결과값이 아닌 실시간 정지궤도 위성 모자이크 데이터를 직접 입력값으로 사용하는 구조를 채택해 이 문제를 해결했다.

핵심 엔진으로는 FGN(Functional Generative Network, 함수 생성 네트워크) mesh transformer를 도입했다. 이 구조는 실시간 위성 모자이크 데이터와 역사적 분석 데이터를 동시에 처리하는 단일 신경망이다. FGN은 격자 형태의 밀집 필드(dense gridded fields)를 생성하는 동시에, 사이클론의 이동 경로와 같은 이산적 데이터를 함께 출력한다. 특히 관측 장비가 부족한 지역의 희소 좌표 데이터를 모델이 자체적으로 예측해 데이터 공백을 메웠다.

예측 변수의 물리적 특성에 따라 해상도를 세분화해 연산 자원을 효율적으로 배분했다. 온도와 습도는 5km, 기타 표면 변수는 10km, 풍속을 포함한 대기 변수는 25km 해상도로 구현했다. 학습 단계에서는 전 세계 기상 관측소(Weather station)의 실제 데이터를 학습시켜 복잡한 지형 특성을 모델에 내재화했다. 이는 수식 기반 시뮬레이션이 생략하기 쉬운 국지적 지형의 영향을 신경망이 실제 관측 패턴으로 학습하게 하여 정밀도를 높인 설계다.

강수 예측 정확도 60% 개선과 재생 에너지 특화 변수

강수 예측 성능을 측정하는 CRPS(Continuous Ranked Probability Score) 기준, NASA의 IMERG 데이터 대비 최대 60%의 오차 개선을 달성했다. CRPS는 확률 예보가 실제 관측값에 얼마나 근접했는지를 나타내는 지표다. 이번 모델은 NASA의 IMERG(GPM 통합 다중 위성 검색) 데이터와 구글의 자체 위성 레이더 재분석 데이터를 함께 학습했다. 그 결과 MRMS(다중 레이더 다중 센서) 대비 30%, 실제 우량계 측정치 대비 10%의 성능 향상을 기록하며 국지적 강수 패턴의 예측 오차를 줄였다.

에너지 산업의 운영 효율을 높이기 위한 재생 에너지 특화 변수도 제공한다. 풍력 발전 터빈의 실제 설치 높이인 상공 100m 지점의 풍속 데이터를 추가해 발전량 예측 오차를 줄였다. 여기에 고해상도 구름 덮개 정보와 지면 태양 복사량 예측치를 함께 제공하여 태양광 발전소의 전력 생산 계획 수립을 돕는다. 이는 단순 기상 알림을 넘어 산업 현장에서 즉각 활용 가능한 정밀 수치 데이터를 제공하는 것이다.

이러한 데이터 세트는 긴급 대응 인력이 풍향 변화를 추적하거나 항공 관제사가 비행 경로를 계획할 때 구체적인 판단 근거가 된다. 농업 종사자 역시 정밀한 강수량과 일사량 데이터를 통해 작물 관리 시점을 결정하고 피해를 최소화할 수 있다. 고도별 풍속과 세밀한 구름 분포를 수치화함으로써 기상 정보가 에너지 생산 최적화와 재난 대응 속도를 높이는 의사결정 도구로 작동하게 했다.

슈퍼컴퓨팅 비용 장벽을 낮춘 아시아-태평양 지역의 정밀 예보

이러한 정밀 데이터의 가치는 인프라 부족으로 고해상도 예보에서 소외되었던 지역에서 더 크게 나타난다. 라틴 아메리카와 아프리카, 아시아-태평양 지역은 막대한 슈퍼컴퓨팅 비용이 발생하는 전통적인 지역 모델 운용 제약으로 인해 정밀 예보 서비스 접근이 어려웠다. WeatherNext 3는 고비용의 물리 시뮬레이션 없이 AI로 이를 대체해 소외 지역에 정밀한 기상 정보를 보급한다.

특히 해안선이나 계곡, 산맥이 많은 지형에서는 기온과 습도가 불과 몇 킬로미터 차이로 급격하게 변한다. WeatherNext 3는 이러한 지역적 특성을 반영해 온도와 습도를 5km 단위의 고해상도로 파악할 수 있게 한다. 이를 통해 인프라가 부족한 지역에서도 AI 기반의 고해상도 데이터를 확보하여 에너지 그리드 운영 효율을 높이고 지역 맞춤형 재난 대응 체계를 구축할 수 있다.

재생 에너지 발전량 예측을 위해 100m 높이 풍속과 태양 복사량 등의 수치 데이터가 필요하다면, Google Cloud나 Gemini 등의 제공 채널에서 해상도별 데이터를 확보해 활용할 수 있다.