머신러닝 기반 기상 예측 모델(MLWP)의 부상으로 전통적 수치예보 방식의 패러다임이 빠르게 바뀌고 있다. 그러나 이러한 데이터 중심 모델들의 성능 검증은 주로 전 지구 단위 지표에 집중돼 있고, 열대·아열대를 포함한 글로벌 사우스 지역의 복잡한 대기 환경에서의 유효성은 충분히 검증되지 않은 상태다. 이번 연구는 구글 딥마인드의 그래프캐스트(GraphCast) 운영 버전을 브라질의 4개 기후 소지역에서 유럽중기예보센터(ECMWF) IFS HRES 결정론적 예보 모델과 비교 평가했다.
연구팀은 클라우드 네이티브 파이프라인과 WeatherBench-X 프레임워크를 활용해 850hPa 기온(T₈₅₀), 850hPa 비습도(Q₈₅₀), 500hPa 지위고도(Z₅₀₀) 등 주요 대류권 변수를 계절 구간별로 분석했다. 평가 결과, 그래프캐스트의 성능은 계절과 기상 현상 유형에 따라 뚜렷하게 달라지는 ‘체제 의존형 기술 프로파일’을 보였다. 남반구 겨울(오스트랄 겨울)에는 브라질 남부를 가로지르는 빠른 온대저기압 시스템을 해석하는 중기(예보 2~7일) Z₅₀₀ 구간에서 IFS HRES에 미치지 못했으나, 연장 예보 범위에서는 오히려 우위를 회복했다.
반면 남반구 여름 우기(오스트랄 여름)에는 대규모 수분 수송은 정확히 포착하면서도, 결정론적 수치예보 기온 예측을 저하시키는 고주파 대류 변동성을 내재적으로 완화하는 특성을 보였다. 이는 소규모 혼돈적 변동에 대한 그래프캐스트의 평활화 경향이 여름 우기 환경에서 오히려 결정론적 성능 지표 향상에 기여한다는 것을 의미한다. 연구팀은 이번 결과가 브라질 지역의 첫 기준선(baseline)을 제공하며, 향후 이 AI 기반 기초 모델을 열대 지역에 최적화하는 ‘열대화(tropicalization)’ 연구의 물리적 경계를 규정한다고 밝혔다.
글로벌 사우스 지역은 기상 재난에 취약하면서도 AI 기상 모델의 지역 검증이 가장 미흡한 영역으로 꼽혀 왔다. 이번 브라질 벤치마크는 그래프캐스트가 전 지구적 규모에서 뛰어난 성능을 보이더라도 지역 특유의 대기 역학 환경에서는 추가적인 맞춤 최적화가 필요함을 실증적으로 보여줬다는 점에서 의미가 있다.
