고해상도 수치 예보 (NWP) 시스템의 예측 오차는 종종 해결되지 않은 행성 경계층 (PBL) 과정, 대류, 지형 유도 순환 및 기타 수직 구조를 가진 대기 현상과 연관됩니다. 이전 연구에서는 Long Short-Term Memory (LSTM) 네트워크가 메조넷 (mesonet) 관측을 사용하여 High-Resolution Rapid Refresh (HRRR) 모델의 예측 오차를 성공적으로 예측할 수 있음을 보여주었으나, 성능 저하는 복잡한 수직 대기 진화가 발생하는 시기와 연관이 있다고 판단됩니다. 이러한 한계를 해결하기 위해, 우리는 지표 관측으로부터의 시계열 시퀀스 학습과 New York State Mesonet 프로파일러 네트워크의 대기 프로파일을 결합한 하이브리드 LSTM-Vision Transformer (LSTM-ViT) 프레임워크를 개발합니다. LSTM-ViT 프레임워크는 개별 메조넷 관측소에서 HRRR 시간당 강수량, 10m 풍속, 2m 기온 예측 오차를 예측하도록 학습됩니다. 세 가지 예측 변수 모두에서, 프로파일러 유도 대기 구조의 통합은 베이스라인 LSTM 아키텍처에 비해 예측 오차 예측 기술을 향상시키며, 가장 큰 이득은 짧은 예측 리드 타임과 강화된 PBL 활동 기간 동안 발생합니다. 개선 사항은 특히 강수 예측 오차에서 두드러지는데, LSTM-ViT 프레임워크는 베이스라인 LSTM 대비 예측 기술을 약 2배 향상시키는 동시에 대류에 의한 오차 진화를 더 잘 포착하고 PBL 과정과 관련된 성능 저하를 줄입니다. 이러한 결과는 시계열 시퀀스 학습과 수직 정보를 반영한 어텐션 (attention) 메커니즘을 결합하는 것이 운영 중인 NWP 시스템에서 예측 오차 예측을 개선하기 위한 물리적으로 의미 있는 경로를 제공함을 입증합니다. 우리의 연구는 예보관들에게 모델 편향 및 예보 신뢰도에 관한 향상된 가이드를 제공합니다.