데이터 기반 확률적 중기 기상 예측의 원리 규명

Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting

최근 데이터 기반 기상 예측 방법의 발전은 복잡하고 맞춤화된 아키텍처와 학습 전략으로 이어지면서, 예측 정확도의 근본적인 원인을 가리고 있습니다. 본 연구에서는 최첨단 확률 예측 성능을 달성하기 위해 복잡한 아키텍처 제약이나 특수한 학습 기법이 필요하지 않음을 보여줍니다. 우리는 직접 다운샘플링된 잠재 공간과 과거 데이터를 활용하여 고해상도 물리 현상을 반영하는 로컬 프로젝터를 결합한 확장 가능한 프레임워크를 소개합니다. 우리의 프레임워크 설계는 확률 추정 방법 선택에 강인하며, 확률적 보간법, 확산 모델, CRPS 기반 앙상블 학습 등 다양한 방법을 원활하게 지원합니다. 통합 예측 시스템과 딥러닝 확률 모델 GenCast에 대한 검증 결과, 우리의 프레임워크는 대부분의 변수에서 통계적으로 유의미한 성능 향상을 보였습니다. 이러한 결과는 범용 모델의 확장이 최첨단 중기 예측을 달성하기에 충분하며, 맞춤형 학습 전략이 필요 없으며, 다양한 확률적 프레임워크에서 효과적임을 시사합니다.

The recent revolution in data-driven methods for weather forecasting has lead to a fragmented landscape of complex, bespoke architectures and training strategies, obscuring the fundamental drivers of forecast accuracy. Here, we demonstrate that state-of-the-art probabilistic skill requires neither intricate architectural constraints nor specialized training heuristics. We introduce a scalable framework for learning multi-scale atmospheric dynamics by combining a directly downsampled latent space with a history-conditioned local projector that resolves high-resolution physics. We find that our framework design is robust to the choice of probabilistic estimator, seamlessly supporting stochastic interpolants, diffusion models, and CRPS-based ensemble training. Validated against the Integrated Forecasting System and the deep learning probabilistic model GenCast, our framework achieves statistically significant improvements on most of the variables. These results suggest scaling a general-purpose model is sufficient for state-of-the-art medium-range prediction, eliminating the need for tailored training recipes and proving effective across the full spectrum of probabilistic frameworks.