수치 예보(Numerical Weather Prediction)에서 불확실성의 진화를 정량화하는 것은 확률적 예측(Probabilistic Forecasting)과 데이터 동화(Data Assimilation) 모두에 매우 중요합니다. 본 연구에서는 최근 머신러닝 (ML) 방법론인 Conformal Prediction (CP)의 적용 가능성을 통제된 이상적인 환경에서 조사합니다. 우리는 대류 과정을 모방하도록 설계된 1차원 수정 얕은 물 모델(Modified Shallow Water Model)을 사용합니다. CP는 선택된 신뢰 수준(Confidence Level)에 따라 가능한 결과의 집합을 제공합니다. 본 연구에서는 세 가지 CP 변형 방식, 즉 a) Standard CP, b) Normalized CP, c) Conformalized Quantile Regression에 대해 평균 경험적 커버리지(Average Empirical Coverage), 평균 구간 길이(Average Interval Length), Miss Low, Miss High 및 평균 구간 점수 손실(Average Interval Score Loss, AISL)을 비교 및 평가합니다. 나아가 이러한 CP 기반 불확실성 추정치를 표준 편차 구간(Standard Deviation Intervals) 및 앙상블 확산(Ensemble Spread)과 같은 전통적인 앙상블 기반 측정치와 비교합니다. 또한, CP 유도 불확실성(CP-derived uncertainty)을 CP 섭동(CP Perturbations)을 통해 데이터 동화 주기 내에 통합하는 방법을 조사합니다. 우리의 결과는 각 접근 방식의 강점과 한계를 강조하며, 단순화된 대기 모델에서 일반적인 앙상블 기반 불확실성 정량화(Uncertainty Quantification)를 보완하는 CP의 효과에 대한 통찰을 제공합니다.