단기 기상 예보 개선을 위한 물리 제약 신경망 (Physics-Constrained Neural Networks): 남태평양 사례 연구

본 연구는 하이브리드 단기 기상 예보 모델의 정확도와 안정성을 향상시키는 물리 제약 신경망 (Physics-Constrained Neural Networks, PCNNs)의 개선 사항을 소개합니다. WeatherGFT 아키텍처를 기반으로 세 가지 혁신이 제안되었습니다. 첫째, 5차 가중 필수 비진동 (Weighted Essentially Non-Oscillatory, WENO-5) 스킴, 베타 평면 근사 (beta-plane approximation), 그리고 서브그리드 규모 점성 (subgrid-scale viscosity)을 결합하여 업그레이드된 수치 솔버 (numerical solver)를 통해 적분 시간 단계 (integration time step)를 1200초로 4배 증가시키는 동시에 일일 평균 제곱 오차 (mean squared error)를 최대 26%까지 줄였습니다. 둘째, 통합된 자기회귀 (autoregressive) 하이브리드 블록이 기존의 24개 특화 모듈 체인을 대체하여 특정 예측 시간 (lead times)에 대한 과적합 (overfitting)을 제거했습니다. 셋째, 물리적 코어 (physical core)를 두 가지 최첨단 신경망 백본 (neural backbones)과 통합하여 PI-PredFormer 및 PI-IAM4VP를 도출했습니다. 2000년부터 2004년까지의 WeatherBench 남태평양 서브셋에 대한 평가 결과, 이러한 하이브리드 모델은 순수 신경망 모델에 비해 112시간 예측 시간에서의 평균 제곱근 오차 (root mean squared error)를 822% 감소시키는 동시에 물리적 일관성 (physical consistency)을 더 잘 보존하는 것으로 나타났습니다. 이러한 결과는 하이브리드 구성 요소의 점진적인 개선이 더욱 정확하고 효율적인 단기 기상 예보를 향한 실질적인 경로를 제공함을 입증합니다.