AI 허리케인 모델, 경로 예측은 정확하지만 강도 예측에는 어려움

미국 국립허리케인센터(National Hurricane Center)는 2024년과 2025년 동안 새로운 AI 기상 예측 시스템을 전통적인 예보와 함께 시험하고 검증한 뒤, 2025년 허리케인 시즌부터 이를 참고 자료로 활용하기 시작했습니다. 센터의 과학운영책임자(Science Operations Officer)인 Wallace Hogsett은 새로운 AI 도구가 등장하는 속도가 자신의 경력 중 그 어느 때보다 빠르다고 말했습니다. NHC는 Google DeepMind와 직접 협력하여 허리케인 예보 모델을 개발했으며, NOAA의 Environmental Modeling Center와 유럽중기예보센터(European Center for Medium-Range Weather Forecasts)가 구축한 AI 기반 전지구 시스템도 평가해왔습니다.

이 첫 실전 운영 시즌 동안 유독 눈에 띈 폭풍이 하나 있었습니다. Hogsett의 표현을 빌리면 Hurricane Melissa는 예측하기 매우 어렵고 피해가 컸던 폭풍이었는데, AI 모델들은 이 폭풍의 예상 경로와 강도를 초기에 정확히 짚어내어 기존의 물리 기반 예보를 보완했습니다. Google DeepMind 측은 자사 모델이 Melissa의 급격한 강화와 자메이카 상륙을 예측해 허리케인센터 예보관들에게 사전 경고를 제공했고, 현장 대응팀이 대비할 시간을 더 확보할 수 있게 했다고 밝혔습니다. Hogsett은 이는 하나의 사례일 뿐이며, 다른 경우에는 전통적인 모델이 더 나은 성과를 보이기도 했다고 덧붙였습니다.

전통적인 기상 모델은 현재 대기 상태에서 출발해 이를 지배하는 물리 방정식을 풀어내는 방식으로, 예보 한 번을 만들 때마다 대형 슈퍼컴퓨터를 가동해야 합니다. Hogsett에 따르면 AI 기상 예측 모델은 같은 종류의 초기 데이터에서 출발하지만, 이러한 방정식을 직접 풀어내는 대신 수십 년치 과거 대기 데이터를 학습해 얻은 패턴을 활용합니다. 학습 과정에서 AI 시스템은 기압, 바람, 기온 같은 변수들이 공간과 시간에 걸쳐 서로 어떻게 관련되는지를 익히고, 이렇게 학습한 관계를 이용해 다음에 일어날 일을 추정합니다. 매번 다시 계산하는 대신 관계를 미리 학습해두기 때문에, AI 모델은 전통적인 모델보다 훨씬 빠르게 실행됩니다.

Nature에 발표된 논문에서 소개된 Google DeepMind의 WeatherNext Cyclones 모델은 약 20테라바이트에 달하는 전지구 대기 데이터와 거의 5,000개 폭풍에 대한 과거 관측 기록을 함께 사용해 처음부터 끝까지 학습되었습니다. 2023년과 2024년의 과거 사이클론을 기준으로 벤치마크한 결과, 이 모델은 경로, 강도, 바람 구조 예보에서 다른 최상위 기상 모델들보다 하루 이상 앞선 리드타임을 확보했습니다. Google DeepMind는 이러한 도약을 기상학 분야의 통상적인 발전 속도로 따지면 약 10년 치에 해당한다고 설명합니다. 이 모델은 이제 TPU라는 특수 컴퓨터 칩에서 1분 이내에 15일 예보를 생성할 수 있으며, 올해는 급격한 강화처럼 드물지만 중대한 결과를 포착하기 위해 작년의 50개에서 늘어난 1,000개의 가능한 폭풍 시나리오를 동시에 산출하고 있습니다.

Journal of Geophysical Research: Atmospheres에 발표된 Rice University의 한 연구는 다른 접근법을 취했습니다. 대표적인 사례들만 살펴보는 대신, 연구진은 2020년부터 2025년 사이 북대서양과 북서태평양에서 발생한 약 200개의 폭풍을 시뮬레이션했으며, AI 모델이 학습에 사용한 기간 밖의 폭풍들을 의도적으로 선택했습니다. 연구진은 Pangu-Weather와 Aurora라는 두 개의 AI 전지구 기상 모델을 시험하며, 이들의 폭풍 산출값을 과거 관측치를 하나의 일관된 기록으로 통합한 ERA5라는 참조 데이터셋과 비교했습니다. 이 연구를 이끈 Rice University 토목환경공학과 교수 Avantika Gori에 따르면, 폭풍 경로는 좋은 결과를 보였습니다. 즉, 두 모델 모두 폭풍이 이동한 경로와 상륙 지점을 높은 일관성으로 재현했습니다. 강도에 대해서는 결과가 엇갈렸습니다. 이전 세대 AI 시스템들은 폭풍이 얼마나 강해지는지를 과소평가하는 경향이 있었는데, Rice의 시험에서는 Aurora가 참조 데이터의 강도 수준을 더 근접하게 맞춘 반면, Pangu-Weather는 가장 강한 사이클론에서 더 큰 오차를 보였습니다. 연구진은 양쪽 모두에 해당하는 한 가지 주의사항을 지적했는데, 참조 데이터셋 자체가 실제 관측치에 비해 폭풍의 최고 강도를 과소평가하는 경향이 있어, 이 데이터와 일치한다고 해서 모델이 실제 현실과 일치한다는 보장은 없다는 것입니다.

더 중요한 발견은 시뮬레이션된 폭풍의 내부 구조, 즉 단순히 폭풍이 얼마나 강한지가 아니라 중심 주변으로 바람이 어떻게 배치되는지에 관한 것이었습니다. 화면상으로는 현실적으로 보이는 바람 패턴이라 해도, 성숙한 사이클론에서 바람과 기압 차이가 어떻게 관계를 맺어야 하는지를 규정하는 물리적 관계인 경도풍 균형(gradient wind balance)과는 항상 부합하지는 않았습니다. 연구진은 폭풍 중심 부근에서 이 관계로부터 벗어나는 뚜렷한 편차를 발견했습니다. 두 AI 모델 모두 폭풍의 내핵 크기를 과대평가하는 경향을 보였으며, 특히 강한 폭풍일수록 그 경향이 두드러졌습니다. 폭풍의 풍해, 강우, 폭풍해일은 단순히 전체 등급이 아니라 바람이 어떻게 조직되어 있는지에 좌우되기 때문에, Gori는 이러한 구조적 불일치가 재난 대응 계획자들이 의존하는 재해 예측에까지 이어질 수 있다고 말했습니다.

별도로, Weather and Forecasting에 발표되고 NOAA에 보관된 2023년 연구는 폭풍의 풍속이 이례적으로 빠르게 강해지는 현상인 급속강화(rapid intensification)를 예측하기 위해 특별히 고안된 머신러닝 시스템을 개발했습니다. 실전 운영 중인 Hurricane Weather Research and Forecasting 모델의 데이터를 이용해 구축된 이 시스템은 급속강화에 대해 56%의 탐지율과 46%의 오경보율을 기록했으며, 이는 비교 대상이었던 실전 운영 모델들의 10~30% 탐지율, 50~60% 오경보율과 대비됩니다. 이 연구는 또한 폭풍 내핵의 습도가 이러한 급속강화를 예측하는 데 특히 유용한 신호라는 사실도 밝혀냈습니다.

국립허리케인센터와 Rice University 연구진 모두 AI를 기존 도구를 대체하는 것이 아니라 보완하는 것으로 규정합니다. Hogsett은 새로운 모델이 많이 등장하고 있지만 그 어느 것도 완벽하지 않으며, 여러 모델을 저울질하는 인간 예보관들이 만들어내는 허리케인센터 자체의 종합 예보가 수많은 폭풍과 시즌에 걸쳐 개별 모델보다 더 정확하고 일관되게 유지되어 왔다고 말했습니다. 그는 AI 시스템이 전통적인 모델보다 그 내부를 검증하기가 더 어렵다고도 말했는데, 명시적인 물리 방정식이 아니라 학습된 패턴을 통해 답을 만들어내기 때문에, 연구자들은 모델이 무엇을 예측하는지뿐 아니라 왜 그렇게 예측하는지를 여전히 파악해가는 중이라는 것입니다. Gori도 비슷한 우려를 제기하며, 이러한 모델은 수백만 혹은 수십억 개의 내부 매개변수를 가지고 있어 연구자들이 이들이 어떻게 예측을 만들어내는지 항상 들여다볼 수 있는 것은 아니며, 이 때문에 열대 사이클론처럼 결과가 중대한 사건에 대해서는 체계적인 평가가 특히 중요하다고 말했습니다.

AI가 결국 인간 허리케인 예보관을 대체할 것인지에 대한 직접적인 질문에, Hogsett은 NHC가 지금까지 파악한 바에 따르면 그 답은 단호히 '아니다'라고 말했습니다. 그는 신뢰받는 전문가들이 계속 늘어나는 모델 산출물을 관찰하고 종합하여 의미를 파악하고, 대중에게 일관된 위험 메시지를 전달하기 위해 여전히 필요하다고 주장했습니다. Gori도 연구자의 입장에서 비슷한 결론에 도달했는데, AI 기상 도구는 대단히 강력하지만 스스로 검증하지는 못하며, 기술이 더 발전해가는 과정에서 모델 산출물이 물리적으로 의미 있는 상태를 유지하려면 대기과학자와 AI 개발자 간의 긴밀한 협력이 필요할 것이라고 말했습니다.