Microsoft 연구진이 2026년 10월 14일 국제 학술지 Nature에 2~6주 뒤 날씨를 예측하는 새 방법을 발표하고 코드를 오픈소스로 공개했다. 이름은 확률적 편향 보정(Probabilistic Bias Correction, PBC)이다. 기존 예보 모델이 내놓은 결과에서 반복되는 체계적 오차를 머신러닝으로 찾아 고치는 방식이다.1,2
PBC는 독립된 예보 모델이 아니라 기존 모델의 출력에 덧붙이는 보정 도구다. 물리 방정식을 슈퍼컴퓨터로 푸는 방식은 자원이 많이 들고 생성형 AI 모델은 고성능 GPU가 필요하지만, PBC는 CPU만으로 돌릴 수 있다고 Microsoft Research New England의 수석 연구원 Lester Mackey가 밝혔다. 코드는 GitHub에 올라 있다.2,3
2주를 넘으면 예보가 무너지는 이유
결정론적 예보 시스템은 1~2주 앞의 날씨는 비교적 정확하게 짚는다. 2주를 넘으면 초기 조건의 작은 차이가 전혀 다른 결과로 이어져서 예보 하나로는 불확실성을 담지 못한다. 그래서 미래 날씨의 분포를 예측하는 확률 예보를 쓴다. 보통은 모델의 입력이나 매개변수, 내부 상태를 흔들어 여러 가능한 날씨를 만드는 앙상블 방식으로 만든다.
앙상블은 15일 안팎까지는 쓸 만하지만, 더 먼 시점에서는 운영 중인 물리 기반 앙상블도 최신 확률 예보 AI도 기후 평균치보다 못한 경우가 많다. 특히 열대 밖에서 그렇다. 예보가 여러 시간 단계를 반복해 만들어지기 때문에 단계마다 생기는 작은 오차가 몇 주에 걸쳐 쌓여 큰 체계적 오차가 된다. 강수는 모델 구성 요소 간 오차가 연쇄적으로 번지고 시공간 변동도 커서 더 심하다. 이 시간대는 오래전부터 '예측 가능성의 사막'으로 불려 왔다.1
물리 기반 모델과 AI 모델은 모두 관측소가 드문 지역이나 과학이 아직 이해하지 못한 대기 현상처럼 데이터에 생기는 공백을 근사치로 메운다. 이 보완 방식이 체계적 편향으로 굳을 수 있다. Mackey가 든 예는 기후 변화다. 화석연료 배출로 지구가 더워졌는데, 과거 기록에 기대 예측하는 모델은 지금 실제보다 낮은 기온 쪽으로 치우칠 수 있다.2
PBC의 작동 방식
PBC는 모델의 과거 예측과 실제 관측을 이용해 예보 분포를 적응적으로 고친다. 기존 연구의 결정론적 편향 보정에서 착안했지만, 관측값이 아니라 확률 분포 자체에 적용해 분포의 중심뿐 아니라 퍼짐과 모양까지 최적화한다. 입력은 지연된 관측, 기후 분위수, 그리고 어떤 물리 기반 모델이나 AI 모델이든 내놓는 결정론적 예보다.
처리 순서는 이렇다. 먼저 앙상블을 과거 관측이나 모델 재예측에서 만든 기후 분위수 구간과 비교해 초기 확률 예보로 바꾼다. 이어 가벼운 머신러닝 모델 두 개가 이 예보를 따로 보정한다. Debias++는 위치, 날짜, 분위수별 보정을 학습해 예보를 조정하고, Persistence++는 예보를 최근 관측과 기후값에 섞어 최근 날씨 추세와 계절 효과를 반영한다. 마지막으로 두 보정 결과를 유효한 누적분포함수로 투영한 뒤 평균해 최종 예측을 만든다.
연구진은 유럽중기예보센터(ECMWF)가 연 AI Weather Quest 대회의 규칙에 맞춰 평가했다. 대상은 육지의 평균 2m 기온, 육지의 총강수량, 평균 해면기압이며, 1.5도 격자에 5분위 구간으로 나눴다. 예보 시점은 3주차(19~25일)와 4주차(26~32일)다. 점수는 기후 평균 대비 개선 정도를 재는 순위 확률 기술 점수(RPSS)로 매겼고, 양수면 기후 평균보다 낫다는 뜻이다. 기준 자료로는 1940년부터 현재까지 전 지구 기상을 담은 ERA5 재분석 데이터셋을 썼다.
PBC가 가벼워서 매일 다시 학습시킬 수 있다. 연구진은 각 예보 발행일에 실제로 볼 수 있었던 재분석과 예보 자료만 써서 실제 운영 상황을 흉내 냈다. 보정 대상은 세 가지였다. ECMWF의 물리 기반 앙상블, ECMWF의 부계절 AI 예보 시스템 AIFS-SUBS, 그리고 ECMWF 앙상블을 합성곱 신경망과 트랜스포머로 후처리하는 하이브리드 모델 POET다.1
성능 결과
2016~2024년 전 지구 기준으로 PBC를 적용하자 ECMWF 원본 앙상블이 강수에서 보인 양의 RPSS 0.023이 세 배가 됐다. 원본에서 기후 평균보다 나빴던 기온과 해면기압 예보는 일관되게 기후 평균을 웃도는 예보가 됐다. 계절별, 지역별로 나눠도 비슷한 개선이 나타났고 전 지구에서 모델 편향이 뚜렷하게 줄었다.
예보 기관은 보통 모델의 재예측에서 만든 분위수와 비교하는 방식으로 운영 예보를 보정한다. 같은 결정론적 예측을 입력으로 비교하면 PBC가 이 운영 보정도 앞섰다. 보정한 ECMWF의 강수 RPSS는 0에 가까웠지만 PBC에서는 일관되게 양수가 됐다. 기온과 해면기압은 보정한 ECMWF의 양의 RPSS(기준 각각 0.07~0.10, 0.06~0.11)가 각각 26~37%, 16~32% 올랐다. 연구진은 PBC를 기존 운영 보정 절차에 그대로 바꿔 끼울 수 있는 개선판이라고 평가했다.1
| 변수 | 개선된 격자 비율 | RPSS 변화 |
|---|---|---|
| 강수 | 98% | 거의 0이던 RPSS가 양수로 바뀜 |
| 기온 | 91~92% | 양의 RPSS 26~37% 상승 |
| 해면기압 | 89~91% | 양의 RPSS 16~32% 상승 |
위 격자 비율은 모두 보정한 ECMWF와 비교한 값이며, 기후학적으로 강수가 없는 건조 격자는 계산에서 뺐다. 통계적 유의성은 239개 목표일에 대한 블록 부트스트랩으로 검정했다. 논문에서 PBC를 적용한 ECMWF는 2017~2021년 시험 연도 전 지구 기준으로 딥러닝 기반 부계절 모델 FuXi-S2S보다 각 변수에서 점수가 크게 높았다. FuXi-S2S는 부계절 시점에서 ECMWF 물리 기반 앙상블을 앞선 모델이다.1
논문 저자들의 분석에서 PBC는 ECMWF 물리 기반 모델 예보를 강수 목표의 98%, 기온 목표의 92%에서 개선했다. ECMWF의 새 AI 예보 시스템은 정확도가 두 배로 올랐다. ECMWF는 AI Weather Quest 대회에서 논문 발표 전에 이미 저자들의 PBC 연구에 상을 줬다.2
활용과 한계
공개된 저장소에는 논문 실험 재현 스크립트가 들어 있다. Rocky Linux 8.10과 Python 3.13.3에서 시험했고, 80GB 메모리 8코어 기기에서 환경 설치는 3분 안에, 데모는 13초에 끝났다. 입력 데이터는 직접 내려받아야 한다. ERA5는 기후 데이터 서비스 API 토큰이 필요하고, ECMWF 예보는 컬럼비아대 IRI 데이터 라이브러리의 무료 계정이나 ECMWF 서버 등록이 필요하다.3
ECMWF에서 머신러닝 전략을 이끄는 Matthew Chantry는 이메일로 이 논문을 두고 "커뮤니티의 이익과 검토를 위해 개발되는 새 아이디어의 좋은 예"라고 평가했다. 그는 "아이디어를 운영 절차로 바꾸는 일은 언제나 가장 어려운 단계"라고도 덧붙였다.
공동 저자 Genevieve Flaspohler는 PBC가 가볍고 학습이 쉬워서 자원이 많지 않은 과학자도 지역에 맞게 설정해 성능을 높일 수 있다고 말했다. 그는 인턴으로 Mackey와 함께 PBC를 연구했고, 지금은 비영리단체 Rhiza Research의 상임이사다. 이 단체는 Gates Foundation의 지원으로 케냐 기상청(Kenya Meteorological Service Authority)과 AI가 더 정확한 조기 경보를 낼 수 있는지 시험 중이며, PBC도 그 방법의 하나다. 기록적인 엘니뇨와 함께 예상되는 더 강한 우기를 앞두고 있다.
Microsoft는 Google, NVIDIA 등과 함께 AI 날씨 예보 도구를 개발하는 회사로 꼽힌다. 이번 연구는 새 모델을 만드는 대신 기존 모델의 편향을 머신러닝으로 보정하는 방식을 택했다. 연구진은 자원이 부족한 기상 기관이 AI를 더 쉽게 활용하게 되기를 기대한다.2