전역 데이터 기반 모델(data-driven models)이 연속적인 대기 변수를 예측하는 데 탁월한 성능을 보이는 반면, 3차원 수문기상(hydrometeor) 예측은 해당 변수들의 제로-팽창(zero-inflated) 및 롱테일(long-tailed) 분포 특성으로 인해 여전히 어려운 과제로 남아 있습니다. 표준적인 딥러닝 최적화는 종종 지나치게 매끄러운(smooth) 예측 결과를 생성하여, 극단적인 사건(extreme events)과 공간적 질감(spatial textures)을 약화시키는 경향이 있습니다. 본 연구에서는 이러한 평활화 현상을 완화하기 위해 물리 가이드 기반 이중 디코딩(physics-guided dual-decoding) 프레임워크인 PredHydro-Net을 제안합니다. 다변수 최적화 충돌을 해결하기 위해, 이 모델은 거시적인 열역학적(thermodynamic) 및 역학적(dynamic) 장(fields)이 수문기상 생성을 단방향으로 조절하는 분리된 구조(decoupled architecture)를 채택합니다. 웨이브릿 기반 주파수 분리(wavelet-based frequency decoupling), 스펙트럼 진폭 매칭(spectral amplitude matching), 그리고 적대적 학습(adversarial training)을 통합함으로써, 모델은 정량적 정확도와 공간적 충실도(spatial fidelity) 사이의 유리한 절충안을 달성합니다. 72시간 전역 평가에서 PredHydro-Net은 극단적 사건 탐지 및 스펙트럼 표현 측면에서 시공간 딥러닝 베이스라인(Earthformer 및 PredRNNv2)과 운영 중인 전역 예측 시스템(Global Forecast System, GFS) 모두를 능가합니다. 또한, Global Precipitation Measurement (GPM) 위성 회수 데이터와 강력한 기후학적 일관성을 보여줍니다. 이 모델은 허리케인 이안(Hurricane Ian)과 같은 극한 기상 현상에서 3차원 구름 구조를 합리적으로 재현합니다. 특성 기여도(Feature attribution) 분석을 통해 상대 습도 및 바람 수렴(wind convergence)과 같은 물리적 전조(physical precursors)에 대한 의존성을 확인하였으며, 이는 롱테일 대기 예측을 위한 강력하고 물리 정보 기반(physics-informed)인 접근 방식을 제공합니다.