본문으로 건너뛰기
Park JiHo Research notes · Seoul
#frontier-one#ai-weather#weather-forecasting#google-deepmind

WeatherNext 3, 날씨 AI가 관측을 직접 먹기 시작했다

Google DeepMind의 WeatherNext 3가 저지연 위성 관측으로 전 지구 예보를 매시간 갱신한다. 핵심 구조와 성능, 실제 배포, 그리고 극한 강수와 재현성 한계를 함께 검증한다.

Frontier One · 2026-09-05 편집 점수: 96 / 100 증거 등급: INDUSTRY_TRIGGER + EARLY_SIGNAL Google의 실제 제품·Cloud 통합 발표는 산업 트리거다. 다만 핵심 성능을 설명하는 논문 arXiv:2609.03582v1은 2026년 9월 3일 공개된 preprint이며, 현재 동료평가(peer review) 게재는 확인되지 않았다.

#1. 한 문장 결론

WeatherNext 3의 핵심은 단순히 더 큰 날씨 AI가 아니라, 수치예보 분석장(analysis)을 기다리던 전 지구 예보 파이프라인에 저지연 위성 관측을 직접 넣어 매시간 새로운 예보를 시작하게 만든 것이다.

#2. 왜 이 문제가 어려운가

운영 기상예보에서는 정확도만큼 관측이 얼마나 최신인가가 중요하다. 기존 전 지구 AI 예보는 수치예보(Numerical Weather Prediction, NWP)가 만든 분석장을 초기조건으로 쓰는 경우가 많다. WeatherNext 3 논문은 운영 분석장이 6시간 단위로 생성되고 공개 지연까지 더해지면 최신 상태가 실제 대기보다 6~12시간 뒤처질 수 있다고 설명한다.

이 차이는 강수, 지표 온도, 폭풍처럼 짧은 시간에 빠르게 변하는 변수에서 특히 중요하다. 동시에 전 지구를 높은 공간 해상도와 시간 해상도로 예측하면서 15일짜리 확률 앙상블까지 유지하려면 계산량과 데이터 종류가 크게 늘어난다.

#3. 기존 방식은 무엇이 부족했나

WeatherNext 2는 Functional Generative Network(FGN)를 이용해 강한 중기 확률예보 성능을 보였지만 기본적으로 0.25° 공간 격자와 6시간 단위 구조에 의존했다. 시간 해상도를 높이는 과정에는 별도 업샘플러도 필요했다.

WeatherNext 3는 같은 FGN 계열을 확장하되, 서로 다른 해상도의 분석장·위성·강수·관측소·태풍 데이터를 하나의 모델 안에서 직접 다루는 방향으로 바꿨다.

#4. 새 방법을 3단계로 설명

#① 최신 위성 관측을 직접 입력한다

모델은 11채널 정지궤도 위성(geostationary satellite) 모자이크를 0.1° 공간 해상도, 1시간 간격으로 입력받는다. 가장 최근 위성 프레임의 운영 지연은 약 1시간이다. 분석장만 기다리는 것보다 최신 대기 상태를 더 빨리 반영할 수 있다.

WeatherNext 3 모델 입력·출력 구조

그림 1. WeatherNext 3의 입력·출력 구조. 출처: Rasp et al., arXiv:2609.03582v1, Figure 1. 논문 라이선스 CC BY 4.0.

#② 서로 다른 해상도를 공통 mesh에서 결합한다

0.25°와 0.1° 입력은 각각 encoder/decoder를 거쳐 공통 icosahedral processor mesh에서 상호작용한다. WeatherNext 3는 15일, 64-member ensemble을 생성하며 일부 지표 변수는 시간당 0.1° 출력으로 직접 예측한다.

#③ 격자 밖 실제 관측값도 직접 예측한다

관측소용 sparse head는 위도·경도뿐 아니라 고도와 육해 정보까지 이용해 2 m 온도와 이슬점(dew point)을 임의 위치와 시간에 질의할 수 있도록 만든다. 학습에 사용하지 않은 관측소에서도 일반화 성능을 평가했다.

#5. 핵심 실험과 수치

2024년 hold-out 평가에서 중기 상층 변수는 WeatherNext 2보다 대략 5% CRPS 개선을 보였고, 논문은 이를 같은 skill에서 약 6시간의 추가 forecast lead time에 해당한다고 해석한다.

학습에 사용되지 않은 METAR 관측소에서 짧은 lead time의 2 m 온도 CRPS는 WeatherNext 2 대비 최대 30%, ECMWF ENS 대비 최대 40% 낮았다. CRPS는 낮을수록 좋은 확률예보다.

학습에 사용하지 않은 METAR 관측소 평가

그림 2. Held-out METAR station 평가. 출처: Rasp et al., arXiv:2609.03582v1, Figure 3. CC BY 4.0.

강수에서는 WN3의 PARDIG head가 초기 lead time 기준으로 IMERG 평가에서 최대 60%, MRMS에서 30%, rain gauge에서 10% 수준의 CRPS 감소를 보고했다. 또한 매시간 초기화(hourly initialization)는 6시간 초기화와 비교해 운영 lead time을 약 2~3시간 더 확보했다.

WeatherNext 3 강수 평가와 hourly initialization

그림 3. 강수 CRPS·Brier score·hourly initialization·reliability 평가. 출처: Rasp et al., arXiv:2609.03582v1, Figure 4. CC BY 4.0.

Google은 별도의 공식 발표에서 WeatherNext 3를 Search, Gemini, Google Maps, Google Maps Platform Weather API, Earth Engine 등에 적용하기 시작했다고 밝혔다. 이 부분은 Google 자체의 제품 배포 발표이며, 논문의 동료평가 결과와 동일하게 취급하면 안 된다.

#6. 논문의 한계와 반대 증거

가장 중요한 제한은 세 가지다.

첫째, 논문은 아직 arXiv v1 preprint다. 둘째, 저자들은 극한 강수에서 충분한 true positive를 확보하기 어렵기 때문에 평가는 4 mm / 6 h 이하의 중간 수준 강수에 제한하고, 극한 강수 평가는 향후 과제로 남겼다. 따라서 “폭우까지 해결했다”는 결론은 근거가 없다.

셋째, 개별 ensemble sample에서는 모델 mesh 구조가 드러나는 육각형 artifact와 6시간 outer step 경계의 시간 불연속이 관찰된다. 저자들은 이런 현상이 precipitation과 station output에서 특히 뚜렷하다고 직접 보고한다.

WeatherNext 3의 spatial·temporal artifact

그림 4. 강수의 mesh artifact와 6시간 경계의 temperature discontinuity. 출처: Rasp et al., arXiv:2609.03582v1, Figure 7. CC BY 4.0.

2026년 quasi-real-time 비교도 7월 1일부터 8월 11일까지 약 6주이므로 작은 차이를 장기간 성능으로 확대 해석하면 안 된다. WN3 전체 모델 가중치와 완전한 재현 코드 공개도 이번 확인 범위에서는 확인되지 않았다.

#7. 실제로 무엇이 달라질 수 있나

AI weather의 경쟁축이 “기존 분석장을 얼마나 잘 모사하느냐”에서 “실제 관측을 얼마나 빨리 예보 모델 안으로 넣느냐”로 이동할 가능성이 있다.

관측 → 데이터 동화(data assimilation) → 예보 → 후처리(post-processing)로 나뉘던 전통적인 단계를 하나의 확률 모델 안에서 더 직접적으로 연결한다면, 기상 AI는 단순한 NWP surrogate를 넘어 운영 예보 시스템 자체의 구조를 바꿀 수 있다.

100 m wind, cloud cover, solar radiation 같은 출력은 풍력·태양광 운영에도 유용할 수 있다. 그러나 실제 발전량 오차 또는 전력망 비용을 줄였다는 독립적인 운영 근거는 이번 자료에서 확인되지 않았다.

#8. 다음에 확인할 트리거

다음 판단 기준은 명확하다.

  • 동료평가(peer review) 정식 게재
  • 1년 이상 독립적인 실시간 운영 비교
  • 극한 강수와 재해성 기상에 대한 별도 검증
  • 전체 모델 가중치·코드 또는 재현 가능한 공개 implementation
  • 재생에너지·물류·재난 대응에서의 실제 운영 성과

이 항목들이 확인되면 WeatherNext 3는 단순한 신형 AI 모델을 넘어 기상 인프라 변화로 평가할 근거가 더 강해진다.

#9. 출처

  1. Stephan Rasp et al., WeatherNext 3: Increasing resolution and performance of global weather models with raw observations, arXiv:2609.03582v1, 2026-09-03.
  2. Google, Introducing WeatherNext 3, our most advanced and accurate global weather AI model, 2026-09-03.
  3. Google Korea, 더 정밀하고 강력해진 차세대 글로벌 기상 예측 AI 모델, ‘웨더넥스트 3’를 소개합니다, 2026-09-03.
  4. Google DeepMind, WeatherNext.

#공식 사이트 이미지 원본 링크

아래 Google Blog 이미지는 글을 이해하기 좋은 공식 시각자료 후보다. 다만 Google Blog 페이지에서 별도의 재사용 라이선스를 확인하지 못했으므로 이 draft에서는 직접 재배포하지 않고 원본 링크만 기록한다.

#본문에 사용한 CC BY 4.0 논문 Figure 링크

Connect