NeuralGCM: AI가 바꾸는 장거리 강수 예측의 미래

비가 “언제, 어디에, 얼마나” 올지를 아는 일은 생각보다 훨씬 어렵습니다. 특히 1~2주 뒤의 전 세계 강수량을 정확하게 예측하는 건, 현재 슈퍼컴퓨터로도 쉽지 않은 숙제죠.

최근 이 판을 뒤흔드는 새로운 플레이어가 등장했습니다. 바로 물리학과 인공지능을 결합한 하이브리드 대기 모델, NeuralGCM(뉴럴 GCM)입니다.

이 글에서는 NeuralGCM이 무엇인지, 기존 기상·기후 모델과 뭐가 다른지, 그리고 이 기술이 실제로 우리 삶에 어떤 변화를 가져올 수 있는지까지 한 번에 정리해보겠습니다.

NeuralGCM이란? 물리 모델 위에 AI를 얹은 하이브리드 뇌

전통적인 전 지구 대기 모델은 거대한 계산기로 비유할 수 있습니다.
지구 대기를 바둑판처럼 잘게 나누고, 각 칸마다 온도·습도·바람 같은 값을 넣은 뒤, 물리 법칙을 나타내는 방정식을 계속 풀어가며 미래 상태를 계산합니다.

문제는 이 방식이 너무 비싸고 느리다는 겁니다. 해상도를 촘촘하게 할수록 계산량이 폭발적으로 늘어납니다. 그래서 전 세계 기상센터들은 해상도와 계산비용 사이에서 늘 타협을 해야 했죠.

NeuralGCM은 이 구조를 통째로 버리지는 않습니다.
대신, 이렇게 합니다.

지구 대기를 도는 큰 규모의 흐름(바람, 압력 등)은 여전히 전통적인 역학(다이내믹 코어)로 계산합니다.
그 안에서 일어나는 복잡한 물리 과정(구름 생성, 강수, 복사, 난류 등)을 신경망(Neural Network)이 대신 배우고 처리합니다.¹²

쉽게 말해:

“큰 틀의 물리법칙은 그대로 두고, 그 안에서 일어나는 복잡하고 애매한 부분은 AI에게 맡긴다”

는 전략입니다.

이 접근법은 다른 분야에서도 이미 쓰이고 있습니다. 예를 들어 작물 수확량을 예측하는 NeuralCrop 모델도, 기존 작물 모델(광합성, 토양 수분 등 물리 과정)을 유지하면서, 잘 모르는 부분만 머신러닝으로 채워 넣는 방식으로 성능을 크게 끌어올렸습니다.³

NeuralGCM도 마찬가지로, “물리 + AI” 하이브리드 구조를 통해 순수 AI 모델과 순수 물리 모델의 단점을 동시에 줄이고자 하는 시도라고 볼 수 있습니다.

AI가 바꾼 강수 예측: 평균뿐 아니라 ‘극단적인 비’까지 잡는다

그럼 NeuralGCM이 실제로 얼마나 잘할까요?

연구 결과를 보면, 특히 강수량(비·눈) 쪽에서 인상적인 개선이 나타납니다.¹⁴

1. 전 지구 평균 강수 예측 오차, 40% 감소

NeuralGCM은 약 280km 해상도로 전 세계를 커버하면서 일일 평균 강수량 오차가 하루에 0.5mm도 안 되도록 줄이는 데 성공했습니다.

이건 최근 기후변화 보고서(IPCC 등)에 사용되던 전통적 대기 모델들과 비교했을 때 오차가 약 40% 줄어든 수준입니다.¹

강수량 0.5mm는 체감하기 힘들 정도로 작은 양입니다.
기후 통계 관점에서 보면, 이 정도는 “관측에 거의 맞게 떨어진다”고 말할 수 있는 수준입니다.

2. “한 번 쏟아지는 비” 같은 극단 강수도 더 잘 맞춘다

과거 AI 기반 기상 모델들은 자주 이런 비판을 받았습니다.

“평균은 맞는데, 한 번 크게 쏟아지는 비는 못 잡는다”
“필드를 너무 매끈하게 만들어서, 실제보다 덜 요동치는 것 같다”²⁵

이는 대부분 AI 모델이 평균 제곱 오차(MSE) 위주로 학습되면서, 극단값(폭우, 집중호우)을 희생하고 평균적인 값에 맞추는 쪽으로 최적화되는 경향 때문입니다.³⁶

NeuralGCM은 위성 기반 강수 관측(GPCP 등)으로 꾸준히 보정하면서,
다음과 같은 부분에서 특히 나아졌습니다.¹⁴

특정 지역의 극단 강수 빈도와 강도 분포를 더 잘 재현
“하루 중 언제 비가 내리는가”라는 일주기 사이클(daily cycle) 재현 정확도 향상
열대 몬순, 대류성 폭우 같은 강한 강수 사건의 타이밍과 크기를 더 현실적으로 모사

비슷한 연구에서 남미나 미국 서부 등 특정 지역을 대상으로 LSTM, CNN 같은 딥러닝을 썼을 때, 극단 강수 예측에서 전통 모델보다 나은 성능을 보였다는 결과도 나오고 있습니다.⁷² NeuralGCM은 이런 장점을 전 지구 규모, 장기간 시뮬레이션으로 확장한 셈입니다.

280km 해상도, 왜 중요한가? 그리고 왜 아직 “운영용”은 아닌가

NeuralGCM의 현재 해상도는 약 280km입니다.
이게 어느 정도냐면, 한 칸이 서울~부산 거리보다 살짝 긴 수준입니다.

이 정도 해상도는 다음과 같은 특징이 있습니다.

장기 기후 시뮬레이션에는 충분히 유용
- 전 지구 평균 강수량, 기후 패턴, 몬순 시작 시기, 대륙별 강수 변화 등을 통계적으로 분석하기에 적합
실제 일상 예보(“내일 우리 동네 비?”) 수준에는 아직 거칠다
- 동네 예보는 보통 수 km~수십 km(예: 6km, 12km, 25km) 해상도가 필요

그래서 NeuralGCM은 현재 “운영 기상예보 모델”이라기보다는 기후 연구용, 혹은 차세대 예보 모델의 기반 기술에 가깝습니다.¹⁴

하지만 여기서 중요한 건 “지금 당장 왜 안 쓰냐”가 아니라,
이 구조를 더 촘촘한 해상도로 줄였을 때 어떻게 될 수 있느냐입니다.

이미 다른 연구들에서는:

서부 미국에 초점을 맞춘 6km AI 모델로
대기강(Atmospheric Rivers)과 극단 강수 예측을 고해상도 물리 모델 수준으로 구현하거나,²
100km짜리 전지구 AI 모델(ACE2)을 3km까지 다운스케일링하는 HiRO-ACE 같은 프레임워크로
폭우, 태풍, 뇌우까지 세밀하게 재현하는 연구들이 활발히 진행되고 있습니다.⁸

NeuralGCM이 보여준 건:

“물리를 유지한 하이브리드 AI 모델로도, 충분히 안정적인 장기간 시뮬레이션·강수 예측이 가능하다”

는 증거이고,
이제 남은 과제는 이것을 해상도 280km → 수십 km → 수 km로 끌어내리는 일입니다.

장기 기후 시뮬레이션에서 드러난 NeuralGCM의 강점

NeuralGCM의 진짜 매력은 10일짜리 날씨 예보보다, 수십 년짜리 기후 시뮬레이션에서 성능이 무너지지 않는다는 점에 있습니다.⁴⁹

1. “수십 년 뒤까지” 굴려도 망가지지 않는 안정성

순수 AI 기반 대기 모델의 가장 큰 문제 중 하나는,
몇 년짜리 기후 시뮬레이션을 돌리다 보면 기후가 비정상적으로 뜨거워지거나, 특정 지역에서 비가 계속 쏟아지는 등 물리적으로 말이 안 되는 상태로 흐르는 경우가 있다는 점입니다.⁶¹⁰

NeuralGCM은 대규모 흐름을 물리 기반 다이내믹 코어가 책임지고 있기 때문에,

에너지·질량 보존 같은 기본 법칙을 지키면서
수십 년~수백 년짜리 시뮬레이션에서도 통계적 균형 상태(클라이메이트)를 유지

하는 데 유리합니다.

최근 연구에서는 NeuralGCM을 비롯한 여러 ML 대기 모델에 “해양 표면 온도를 일괄 +2℃ 올린 경우” 어떻게 반응하는지 테스트했습니다. 이 실험은 기후 모델의 민감도를 보는 대표적인 벤치마크입니다.⁴⁹

결과적으로:

NeuralGCM은 강수 변화 패턴(어디서 비가 더 오고 덜 오는지)에서 전통 물리 모델과 상당히 유사한 반응을 보였습니다.⁴
육지 쪽 보강 온난화(land–sea warming contrast) 등에서도 비교적 물리적으로 타당한 응답을 보여,
“기후변화 시뮬레이션에 쓸 수 있는 잠재력”을 입증했습니다.

물론 복사(복사 강제력, TOA 복사 균형)나 특정 지역 온난화 패턴에서 완벽하게 일치하지 않는 한계도 드러났지만,
“ML 기반 모델이 기후변화 실험에서 어디까지 신뢰할 수 있는가?”를 보여준 의미 있는 단계였습니다.⁴⁹

2. 일주기 강수 사이클 재현: “하루 중 언제 비가 오느냐”까지 맞춘다

기후 모델이 생각보다 자주 틀리는 부분 중 하나가 일주기 사이클, 즉

오후에 소나기가 쏟아졌다가
새벽에는 고요해지는

이런 하루짜리 리듬입니다.

열대 지역에서는 대류성 강수가 오후~밤에 집중되는데,
기존 모델들은 이 타이밍을 엇나가게 예측해 “너무 이른 시간에 비가 온다”는 문제가 지적되어 왔습니다.¹

NeuralGCM은 위성 강수 관측을 적극 활용해 이런 일주기 패턴을 함께 학습했습니다.
그 결과:

하루 중 강수 피크 시간을 더 현실적으로 재현하고
이 패턴을 수십 년 시뮬레이션에서도 안정적으로 유지

하는 모습을 보여주었습니다.¹

이건 단순히 “비가 얼마나 오느냐”보다 더 어려운 문제입니다.
하루 리듬을 잘 맞춘다는 것은, 대류 발생·소멸, 구름 성장·소멸의 시간 스케일을 비교적 잘 잡고 있다는 의미이기 때문입니다.

실제 활용 사례: 인도 몬순 시작일 예측, 그리고 오픈 소스 생태계

이제 “연구실에서만 좋은 모델”이 아니라, 실제 문제에 어떻게 쓰이느냐가 중요합니다.

1. 인도 몬순 시작일 예측 프로젝트

시카고대와 인도 농업부는 NeuralGCM을 활용해 AI 기반 몬순 시작 예측 도구를 개발했습니다.¹

인도 몬순은 농업, 물 관리, 에너지 수급까지 거의 모든 분야에 영향을 주는 핵심 이벤트입니다.
몬순이 평소보다 일찍 오면:

모내기 시기를 앞당길 수 있고
저수지 운영 계획을 조정할 수 있으며
홍수 대비를 서둘러야 할 수도 있습니다.

반대로 늦게 오면:

파종을 늦추거나 품종을 바꾸는 의사결정이 필요하고
물 부족·가뭄 가능성에 대비해야 합니다.

NeuralGCM 기반 예측 도구는,
전 지구 규모의 대기 흐름과 강수 패턴을 이용해 다가올 몬순 시즌의 시작 시기를 통계적으로 평가합니다.

이런 식의 도메인 특화 AI 예보 도구는 앞으로 농업, 수자원, 재보험(보험 리스크) 업계에서도 점점 중요해질 가능성이 큽니다.

2. 오픈 소스 공개: 누구나 개선에 참여할 수 있는 모델

NeuralGCM의 또 하나의 특징은 오픈 소스로 공개되어 있다는 점입니다.¹

이는 곧:

전 세계 연구자들이 소스 코드를 내려받아
- 새로운 데이터셋으로 재학습하거나
- 특정 지역·변수(예: 폭설, 폭염)에 특화된 버전을 만들고
- 기후변화 시나리오 실험을 자유롭게 수행할 수 있으며
개발자·엔지니어들도
- 기상·기후 스타트업에서 서비스용으로 응용하고
- 기존 예측 시스템에 보조 모델로 붙여 성능을 향상시킬 수 있다는 뜻입니다.

이미 미국 NOAA도 전 지구 AI 예보 시스템(AIGFS, AIGEFS 등)을 운영에 도입하고 있고,⁵
AI 기반 하이브리드·에뮬레이터·다운스케일링 모델 연구가 폭발적으로 증가하며,
“AI+물리” 기후 모델 생태계가 빠르게 확장되고 있습니다.²¹⁰⁸

NeuralGCM은 이 흐름 안에서,
전 지구 강수·기후 시뮬레이션 쪽의 대표적인 오픈 소스 플랫폼 역할을 맡을 가능성이 큽니다.

시사점: NeuralGCM 이후, 우리는 어떤 강수 예측 시대에 들어가는가

내용을 정리해보면 NeuralGCM이 보여주는 그림은 이렇습니다.

물리 모델을 버리는 대신, AI로 강화한다
- 다이내믹 코어(대규모 흐름)는 그대로,
- 복잡한 물리 과정(강수·구름·복사 등)은 AI가 학습
- 그래서 “설명 가능성과 물리 일관성”과 “데이터 기반 정교함”을 동시에 노린다.
평균뿐 아니라 극단 강수, 일주기 패턴까지 개선
- 일일 평균 강수 오차 40% 감소
- 극단적인 폭우·호우 빈도와 강도, 하루 중 강수 리듬 재현 능력 향상
장기 기후 시뮬레이션에서도 안정적인 성능
- +2℃ SST 실험 등 기후변화 시나리오에서
- 전통 GCM과 유사한 강수·온도 응답, 물리적으로 타당한 패턴을 보임
현재 해상도는 280km지만, 더 정교한 모델의 ‘발판’ 역할
- 당장 동네 예보를 NeuralGCM 하나로 해결하진 못하지만
- 향후 고해상도 하이브리드 모델, AI 다운스케일링과 결합해
- “빠르고, 싸고, 정교한” 강수 예측 체계를 만드는 기반이 될 수 있음
실제 응용과 오픈 생태계
- 인도 몬순 시작 예측 도구 등 도메인 특화 응용
- 오픈 소스 공개로 전 세계 연구자·개발자 공동 발전 가능