SwAIther-Precip: 예측 시점 인지 편향 보정을 통한 스위스 지역 글로벌 AI 강수 예측의 킬로미터 단위 상세화

복잡한 지형에서 킬로미터(km) 규모의 숙련된 중기 강수 예측(medium-range precipitation forecasting)은 여전히 도전적인 과제입니다. 이는 강수가 글로벌 모델이 저렴한 비용으로 명시적으로 해결할 수 없는 다중 규모의 비선형 과정(multiscale nonlinear processes)으로부터 발생하기 때문입니다. 글로벌 AI 기상 모델은 숙련된 중기 예측을 생성할 수 있지만, 모델 고유의 0.25도 해상도는 지역적 위험 관리 애플리케이션에 직접 사용하기에 한계가 있습니다. 통계적 상세화(Statistical downscaling)가 이러한 격차를 메우는 데 도움이 될 수 있지만, 기존 방식들은 글로벌 예측의 상태 의존적(state-dependent), 특히 예측 시점 의존적(lead-time-dependent) 편향(bias)을 해결하는 데 어려움을 겪는 경우가 많습니다.

본 연구에서는 저해상도 AIFS 예측을 스위스 지역의 확률적 킬로미터 규모 강수장(precipitation fields)으로 변환하는 예측 시점 인지 상세화 프레임워크인 SwAIther-Precip을 소개합니다. 먼저, 특징별 선형 변조(feature-wise linear modulation, FiLM)를 통해 예측 시점(lead time)에 따라 조건화된 U-Net이 저해상도에서의 체계적 편향을 결정론적으로 보정합니다. 이러한 표적 보정은 보정된 강수에만 조건화된 더 저렴한 초해상도(super-resolution) 단계를 가능하게 하며, 전체 대기 상태가 아닌 관측값에 직접 학습할 수 있도록 합니다. 그다음, 확산 기반 모델(diffusion-based model)이 예측 시점과 독립적으로 미세 규모의 공간 변동성(spatial variability)을 생성합니다.

AIFS 예측과 CombiPrecip 레이더-계측 관측값을 사용했을 때, SwAIther-Precip은 가공되지 않은 AIFS 대비 CRPS(Continuous Ranked Probability Score)를 48% 감소시켰습니다. 생성된 강수장은 대규모에서는 0.85 이상, 소규모에서는 0.88 이상의 스펙트럼 충실도(spectral fidelity)로 관측된 공간 변동성을 재현하며, 이는 최대 5일의 예측 시점에 대해 1km 격자에서 약 4km의 유효 해상도에 해당합니다. 여러 예측 시점에 걸친 학습은 장기 성능을 더욱 향상시켜, 예측 시점별 특정 모델(lead-time-specific models) 대비 6일째의 CRPS를 13% 감소시켰습니다. 이러한 결과는 생성적 초해상도(generative super-resolution)를 적용하기 전에 예측 시점 의존적 편향을 명시적으로 보정하는 것이 글로벌 AI 강수 예측의 효율적인 킬로미터 규모 확률적 상세화의 핵심임을 보여줍니다.