불확실성 인지 종단간(end-to-end) AI 기상 예보: 관측 및 모델 기여도 분리

초록

종단 간 기상예측 시스템은 원시 지구 관측자료로부터 직접 숙련된 전구 격자 및 지점 예보를 생산하여, 자료동화를 포함한 수치기상예측 파이프라인을 극히 일부의 비용으로 대체한다. 이러한 시스템은 결정론적이며 불확실성을 제시하지 않는다. 본 연구에서는 Aardvark Weather 모델의 각 구성요소에 하나의 확률적 메커니즘을 부착하여 이를 확률론적으로 전환한다: 관측 시스템에서 유래하는 우발적 불확실성을 포착하는 관측 인코더의 학습된 입력 의존적 잡음, 그리고 학습된 역학에서의 인식론적 불확실성을 포착하는 프로세서의 몬테카를로 드롭아웃. 그 결과로 생성된 중첩 앙상블은 전체 분산의 법칙 분해를 통해 예보 스프레드를 두 원인에 귀속시키며, 관측 스트림을 보류함으로써 교차 검증된다. 확률론적 미세조정은 평균 예보를 변수 및 예측 시한에 걸쳐 평균 4.2% 개선한다. 앙상블은 중기 범위까지 ERA5에 대해 보정되며(스프레드-스킬 비율 0.98), 지점 RMSE를 결정론적 모델의 2.4% 이내로 유지하면서 모든 예측 시한에서 CRPS를 능가하고, 운영 중인 ECMWF 앙상블에는 뒤처진다. 인코더 분기는 관측 기반 불확실성으로 작동한다. 구성요소 귀속 불확실성은 종단 간 예보를 더욱 투명하게 만들며, 이는 대기의 관측 기반 디지털 트윈을 향한 한 걸음이다.

English

End-to-end weather forecasting systems produce skillful global gridded and station forecasts directly from raw Earth observations, replacing the numerical weather prediction pipeline, including data assimilation, at a fraction of its cost. These systems are deterministic and issue no uncertainty. Here we render the Aardvark Weather model probabilistic by attaching one stochastic mechanism to each component: learned, input-dependent noise at the observation encoder, capturing aleatoric uncertainty inherited from the observing system, and Monte Carlo dropout in the processor, capturing epistemic uncertainty in the learned dynamics. The resulting nested ensemble attributes forecast spread to the two sources through a law-of-total-variance decomposition, cross-checked by withholding observation streams. Probabilistic finetuning significantly improves the mean forecast, by 4.2% on average across variables and lead times. The ensemble is calibrated against ERA5 through the medium range (spread-skill ratio 0.98), keeps station RMSE within 2.4% of the deterministic model while beating it in CRPS at every lead time, and trails the operational ECMWF ensemble. The encoder branch behaves as observation-driven uncertainty. Component-attributed uncertainty makes end-to-end forecasts more transparent, a step toward observation-driven digital twins of the atmosphere.