머신러닝 기상 예측 (MLWP) 모델의 등장과 함께 전 지구적 기상 예보의 패러다임이 빠르게 변화하고 있습니다. 이러한 데이터 기반 아키텍처는 놀라운 전 지구적 성능을 보여주지만, 글로벌 사우스 (Global South) 지역의 벤치마크는 여전히 부족하며, 복잡하고 대류 활동이 활발한 환경에서의 효용성은 대부분 검증되지 않은 상태입니다. 본 연구는 브라질의 네 가지 서로 다른 기후 하위 지역을 대상으로, 결정론적 모델인 ECMWF IFS HRES를 베이스라인으로 하여 운영 중인 GraphCast의 성능을 평가합니다. 확장 가능한 클라우드 네이티브 파이프라인과 기상 모델 벤치마킹을 위한 WeatherBench-X 프레임워크를 활용하여, 네 개의 선택된 계절적 창(seasonal windows) 동안 선택된 대류권 변수($T_{850}$, $Q_{850}$, $Z_{500}$)를 평가하며, 운영 중인 IFS 분석을 정답(ground truth)으로 사용하여 두 모델에 대한 통계적 지표를 계산합니다. 결과는 체제 의존적(regime-dependent)인 성능 프로필을 보여줍니다. 남반구의 겨울 동안, GraphCast는 브라질 남부의 빠르게 전파되는 온대 저기압 시스템 (baroclinic systems)을 해결할 때 중기 (리드 타임 2-7일) $Z_{500}$ 성능이 저하되지만, 카오스적인 소규모 변동성을 본질적으로 평활화(smoothing)하는 특성이 결정론적 성능 지표 하에서 이점으로 작용하는 확장된 범위(extended range)에서는 다시 우위를 점합니다. 반대로, 남반구의 여름 우기 동안 GraphCast는 대규모 수증기 수송을 정확하게 포착하는 동시에, 결정론적 수치 예보 모델 (NWP)의 온도 예보 성능을 저하시키는 고주파 대류 변동성을 본질적으로 억제합니다. 이러한 발견은 브라질에 대한 베이스라인을 구축하며, 지역적 회복력을 위해 이러한 기초 AI 모델을 최적화하는 것을 목표로 하는 향후 "열대화 (tropicalization)" 노력의 지침이 될 구체적인 물리적 경계를 정의합니다.