Weekast: Enhancing Subseasonal-to-Seasonal Prediction with Physics-Informed AI Framework = Weekast: 물리 기반 AI 프레임워크를 활용한 계절내-계절 날씨 예측 향상

국문 초록 (Abstract)

계절내-계절(subseasonal-to-seasonal, S2S) 예측은 대략 2–6주 앞의 기상 상태를 내다보는 것으로, 폭염·한파·집중호우와 같은 고임팩트 기상 현상에 선제적으로 대비하기 위해 필수적이지만, 장기 리드타임에서 물리적으로 일관된 대규모 순환을 유지하기 어렵다는 한계로 인해 수치예보모델(NWP)과 완전 데이터 기반 모델 모두에서 예측 성능이 아직 충분하지 않다. 본 논문에서는 이러한 한계를 보완하기 위해 현대적인 합성곱 신경망 아키텍처에 대기 물리 제약을 결합한 물리 제약 기반 딥러닝 프레임워크 Weekast를 제안한다. Weekast는 위·경도 격자를 그대로 보존하는 ConvNeXt 기반 백본 구조를 채택하고, 과도한 공간 다운샘플링 대신 채널 수를 점진적으로 확장하는 depth scaling과 Squeeze-and-Excitation 모듈을 도입하여 다변수 대기장의 표현력을 향상시킨다. 또한 위도 및 질량 가중을 포함한 정역학 평형 손실을 학습 과정에 포함함으로써, 수직적으로 적분된 불균형을 물리적으로 의미 있는 방식으로 억제하도록 설계하였다. 제안한 모델은 주 평균을 최대 6주 리드타임까지 예측하는 문제를 대상으로 상관계수(ACC)와 평균제곱근오차(RMSE)를 지표로 성능을 평가하고, U-Net 및 ConvNeXt 계열 기준 모델들과 기상청 운영 S2S 시스템인 GloSea6와 비교한다. 실험 결과, 정역학 제약을 포함한 변형 모델은 3–6주 구간에서 더 높은 ACC와 더 낮은 RMSE를 유지하고 광범위한 영역에서 오차를 감소시키는 등 장기 리드타임에서 보다 안정적인 예측 특성을 보인다. 이러한 결과는 비교적 단순하지만 세심하게 설계된 물리 제약을 딥러닝 모델에 도입하는 것만으로도 S2S 예측의 안정성과 유용성을 유의미하게 향상시킬 수 있음을 보여주며, 물리 제약 기반 AI가 장기 예측에서 기존 수치예보를 보완할 수 있는 유망한 접근임을 시사한다.

다국어 초록 (Multilingual Abstract)

Skillful forecasts on the subseasonal-to-seasonal (S2S) timescale, roughly 2–6 weeks ahead, are crucial for anticipating high-impact weather such as heatwaves, cold surges, and heavy precipitation, yet forecast skill at these leads remains limited for both numerical weather prediction (NWP) systems and purely data-driven models. This thesis introduces Weekast, a physics-informed deep learning framework designed to enhance S2S forecast skill by combining a modern convolutional neural network architecture with explicit atmospheric constraints. Weekast adopts a ConvNeXt-based backbone that preserves the native latitude–longitude grid, uses depth scaling instead of aggressive spatial downsampling, and incorporates Squeeze-and-Excitation modules to better represent multi-variable atmospheric fields. Physical knowledge is embedded during training through a hydrostatic balance loss term applied to mid- and upper-tropospheric layers with latitude and mass weighting, so that vertically integrated imbalances are penalized in a physically meaningful way. The model is trained on several decades of reanalysis data and evaluated on weekly-mean anomalies of 500 hPa geopotential height (Z500) and 1000 hPa temperature (T1000) at lead times up to six weeks, using anomaly correlation coefficient (ACC) and root-mean-square error (RMSE) as metrics, and is compared against U-Net and ConvNeXt baselines as well as the Korea Meteorological Administration’s operational S2S system GloSea6. Results show that Weekast is competitive with GloSea6 at short leads and maintains higher ACC and lower RMSE at weeks 3–6, particularly for the hydrostatically constrained variant, demonstrating that relatively simple but carefully designed physical constraints can substantially improve the stability and usefulness of deep-learning-based S2S forecasts and highlighting physics-informed AI as a promising complement to traditional NWP for extended-range prediction.

목차 (Table of Contents)

• Abstract i
• Chapter 1. Introduction １
• Chapter 2. Related Work ４
• 2.1. Physics-Based Models ４
• 2.2. Data-Driven Models ５
• 2.3. Hybrid Models ８
• Chapter 3. Proposed Method １０
• 3.1. Overall Framework １０
• 3.2 Model Description １４
• 3.3 Baseline: Modified ConvNeXt １５
• 3.4 Squeeze-and-Excitation (SENet) Module １９
• 3.5. Loss Function Design ２１
• 3.6. Dataset ２５
• 3.7. Implementation Details ２６
• Chapter 4. Results ２７
• 4.1. Weekly-Basis Metrics ２７
• 4.2. Ablation Studies ２８
• Chapter 5. Conclusion ３７
• 5.1. Discussion ３７
• 5.2. Future Work ４０
• Bibliography ４２
• 국문 요약 ４８