앙상블 예보

편집 역사 토론
시뮬레이션 통계 계산물리 마지막 수정: 2026-07-26 04:31:09

1. 개요[편집]

앙상블 예보(ensemble forecasting)는 단 하나의 예보를 내는 대신, 초기조건과 모형을 조금씩 다르게 흔든 여러 개의 예측을 동시에 돌려 결과의 확률분포 자체를 예보하는 방법이다. “내일 오후 강수확률 60%“라는 문장 뒤에는 예외 없이 수십 개의 모의가 돌아가고 있다.

발상은 단순하다. 초기장에도 오차가 있고 모형에도 오차가 있는데, 그 오차를 무시하고 소수점 아래까지 찍어 주는 예보는 정직하지 않다. 그럴 바에는 그럴듯한 초기장 후보 여럿을 병렬로 굴려서 “이 정도로 갈릴 수 있습니다”를 같이 내놓자는 것이다. 이건 사실상 시간 적분에 얹은 몬테카를로 방법이며, 그래서 앙상블 예보는 기상학의 특산품이면서 동시에 불확실성 정량화의 가장 규모 큰 실전 사례이기도 하다.

기상 모형 자체(원시방정식, 역학코어, 파라미터화, 현업 모델 목록)는 수치기상예보, 관측을 초기장에 녹이는 절차는 자료동화, 앙상블 기반 동화 기법 자체는 앙상블 칼만 필터 문서에 있다. 여기서는 앙상블을 어떻게 설계하고, 그것이 좋은 앙상블인지 어떻게 채점하느냐만 다룬다.

2. 예측 가능성의 벽[편집]

출발점은 로렌츠다. 1963년의 3변수 대류 모형에서 그는 초기값의 미세한 차이가 지수적으로 벌어지는 것을 확인했고(로렌츠 시스템), 1969년 논문에서는 더 나쁜 소식을 덧붙였다. 대기처럼 작은 규모일수록 시간 규모도 짧은 계에서는, 관측 못 하는 소규모의 오차가 상위 규모로 유한한 시간 안에 올라온다. 즉 초기 오차를 아무리 줄여도 예측 가능 기간이 무한히 늘지는 않는다.

현재 통용되는 추정치는 종관 규모에서 대략 2주다. 최근 연구들도 완벽한 모형과 거의 완벽한 초기장을 가정한 이상적 실험에서 한계를 2주 언저리로 본다. 뇌우 규모는 몇 시간, 대류계는 하루 남짓이다. 그래서 예보의 목표는 어느 순간부터 “정답 맞히기”에서 “갈라질 수 있는 폭을 정확히 말하기”로 바뀐다.

중요한 건 이 폭이 매일 같지 않다는 점이다. 대기 상태에 따라 어떤 날은 오차가 거의 안 자라고(고기압 정체), 어떤 날은 하루 만에 시나리오가 두 갈래로 갈린다(저기압 발달, 태풍 진로). 이 흐름 의존적 예측 가능성을 잡아내는 것이 앙상블의 존재 이유다. 기후값에서 뽑은 고정된 오차 통계로는 절대 표현할 수 없다.

3. 초기조건 앙상블을 만드는 법[편집]

무작정 초기장에 백색잡음을 뿌리면 안 된다. 대기 역학이 금방 걸러내 버리는 방향(불균형 성분, 중력파)에 섭동을 쓰면 멤버들이 곧 하나로 수렴해 앙상블이 죽는다. 섭동은 실제로 자랄 방향에 넣어야 한다.

  • 육성 벡터(bred vector). 토스와 칼네이가 1993년 NCEP에서 도입. 임의 섭동을 준 뒤 짧게 적분하고, 커진 만큼 다시 원래 크기로 되돌려 넣기를 반복한다. 그러면 섭동이 그 시점 그 지역에서 가장 빨리 자라는 방향(국소 리아푸노프 방향)으로 저절로 정렬된다. 접선 모형도 수반 모형도 필요 없이 예보 모형만 있으면 되는 것이 최대 장점이라 계산이 싸다.
  • 특이 벡터(singular vector). ECMWF가 1990년대에 채택한 방식. 접선 선형 모형의 전파 연산자에 대해 정해진 최적화 시간(보통 48시간) 동안 특정 노름(전에너지 노름) 기준으로 성장률이 최대가 되는 방향을 특이값 분해로 찾는다. 육성 벡터가 “과거에 자란 방향”이라면 특이 벡터는 “앞으로 자랄 방향”이라, 유한 시간 성장에 최적이다. 대신 접선 모형과 수반 모형이 필요하고, 결과가 노름과 최적화 구간 선택에 의존한다는 약점이 있다.
  • EDA(Ensemble of Data Assimilations). 관측·해수면온도·모형을 섭동한 채로 자료동화 자체를 수십 번 반복해, 분석장의 불확실성을 직접 표본으로 얻는다. 현대 현업 시스템은 EDA로 초기 불확실성을 잡고 특이 벡터로 성장 방향을 보강하는 식으로 둘을 섞어 쓴다.
  • 앙상블 동화 기반 섭동. 앙상블 칼만 필터를 돌리고 있다면 분석 앙상블이 곧 초기조건 앙상블이다. 별도 섭동 생성기가 필요 없다는 점에서 구조적으로 가장 깔끔하다.

멤버 수는 보통 20~100 사이이고, ECMWF의 앙상블은 교란 멤버 50개와 대조(control) 멤버 1개로 51멤버를 쓴다. 해상도를 낮춰 멤버 수를 늘릴지, 해상도를 지키고 멤버를 줄일지는 영원한 예산 싸움이다.1

4. 모형 오차도 앙상블에 넣어야 한다[편집]

초기조건만 흔들면 앙상블은 반드시 과소산포(under-dispersive)가 된다. 모형 자체가 틀렸다는 사실이 표현되지 않기 때문이다. 그래서 현대 시스템은 모형 불확실성을 명시적으로 확률화한다.

  • SPPT(Stochastically Perturbed Parametrization Tendencies): 물리 과정이 만들어낸 시간 경향의 총합에 평균 1인 공간·시간 상관 난수장을 곱한다. 구현이 단순하고 효과가 커서 사실상 표준이 됐다.
  • SKEB(Stochastic Kinetic Energy Backscatter): 격자 이하 규모에서 소산된 에너지의 일부를 유선함수 강제 형태로 해상 규모에 되돌려 준다. 수치 소산이 지나치게 잡아먹은 변동성을 복구한다는 취지.
  • SPP(Stochastically Perturbed Parameters): 경향이 아니라 확률적 파라미터화 상수 자체(연행률, 낙하속도 등)를 분포에서 뽑는다. 물리적으로 더 정직하지만 조율이 까다롭다.
  • 다중모형·다중물리 앙상블: 서로 다른 기관의 모형, 혹은 같은 모형의 다른 물리 조합을 묶는다. 구조적 오차까지 표현되므로 스프레드가 잘 나오지만, 멤버들이 서로 독립도 동등도 아니라 확률 해석이 지저분해진다.

5. 앙상블이 정직한가 — 스프레드·스킬과 검증[편집]

앙상블은 예쁘게 퍼져 있다고 좋은 게 아니다. 좋은 앙상블의 정의는 참값이 멤버들과 통계적으로 구분되지 않는 것이다. 즉 진짜 대기는 앙상블에서 뽑힌 또 하나의 멤버처럼 보여야 한다. 이 조건은 곧 스프레드와 오차가 통계적으로 일치해야 한다는 요구가 된다. 멤버 수 MM 인 완벽한 앙상블이라면

⟨(xˉ−xobs)2⟩  =  M+1M ⟨s2⟩\left\langle (\bar{x} - x_{obs})^2 \right\rangle \;=\; \frac{M+1}{M}\,\left\langle s^2 \right\rangle

즉 앙상블 평균의 평균제곱오차가 앙상블 분산과 (유한 멤버 보정을 포함해) 같아야 한다. 현업 시스템 대부분은 여기서 스프레드가 부족한 쪽으로 치우친다 — 예보가 실제보다 자신만만하다는 뜻이다.

검증 도구들은 그래서 “맞았나”보다 “정직했나”를 본다.

  • 순위 히스토그램(rank histogram, 탈라그랑 도표): 관측값이 정렬된 멤버들 사이 몇 번째 칸에 떨어지는지를 누적한다. 평평하면 건강, U자면 과소산포(관측이 자꾸 앙상블 밖으로 나감), 돔형이면 과대산포다.
  • 브라이어 점수: 이진 사건(예: 강수 1 mm 이상)에 대해 BS=1N∑(pi−oi)2BS = \frac{1}{N}\sum (p_i - o_i)^2. 낮을수록 좋고, 신뢰도·해상도·불확실성 세 항으로 분해된다(머피 분해). 기후값 대비 개선도를 보려면 브라이어 스킬 점수를 쓴다.
  • CRPS(연속 순위 확률 점수): 예보 누적분포 FF 와 관측을 계단함수로 본 것 사이의 제곱 거리를 적분한 값. 결정론적 예보에 적용하면 절대오차(MAE)로 환원되므로 확률 예보와 단일 예보를 같은 자로 비교할 수 있다는 것이 큰 장점이다.
  • 신뢰도 다이어그램: 예보 확률 대 실제 관측 빈도. 대각선이면 완벽한 신뢰도. 30%라고 말한 날들 중 실제로 30%에서 비가 왔는지를 묻는 그림이다.
  • ROC 곡선: 사건과 비사건을 구분하는 능력(판별력). 신뢰도가 나빠도 판별력은 좋을 수 있어서, 보정(calibration)으로 구제 가능한지를 판단할 때 본다.

브라이어와 CRPS는 적정 점수 규칙(proper scoring rule)이라는 성질을 갖는다. 예보자가 자기가 진짜로 믿는 확률을 그대로 발표할 때 기대 점수가 최적이 된다는 뜻으로, 점수를 잘 받으려고 확률을 극단으로 밀거나 안전하게 50%로 뭉개는 전략이 손해가 되도록 설계돼 있다. 검증 지표 하나 고르는 일이 예보자의 인센티브 구조를 결정한다.2

6. 자료동화와의 되먹임, 그리고 바깥 세상[편집]

앙상블 예보와 자료동화는 사실 한 몸이다. 앙상블 칼만 필터에서 배경 오차 공분산은 예보 앙상블의 표본 공분산으로 추정되고, 그 동화 결과가 다음 사이클의 예보 앙상블이 된다. 즉 예보 앙상블의 품질이 동화 품질을 결정하고, 동화 품질이 다시 예보 앙상블을 결정하는 폐루프다. 그래서 앙상블이 과소산포에 빠지면 동화가 관측을 덜 신뢰하게 되고, 그러면 분석장이 더 배경에 붙고, 그러면 앙상블이 더 좁아지는 악순환이 생긴다. 공분산 팽창(inflation)과 국소화가 사치가 아니라 생명유지장치인 이유다.

응용은 기상 밖으로도 넓다. 수문·홍수 예측은 강우 앙상블을 그대로 유역 모형에 밀어 넣고, 기후 전망은 CMIP처럼 여러 기관 모형의 다중모형 앙상블로 불확실성 범위를 낸다. 공학 쪽에서는 같은 구조가 불확실성 정량화와 신뢰성 해석이라는 이름으로 돌아가고, 전력 수요·재생에너지 발전량 예측은 아예 확률 예보를 입력으로 받는 최적화 문제로 설계된다.

마지막으로 요즘 판을 흔드는 변수 하나. 데이터 기반 예보 모형이 앙상블을 비용 거의 없이 수백 멤버까지 늘릴 수 있게 만들면서, “멤버가 비싸다”는 반세기짜리 전제가 흔들리고 있다. 다만 학습된 모형의 스프레드가 물리적으로 정직한 스프레드인지는 아직 논쟁 중이고, 그 판정은 결국 위에서 본 순위 히스토그램과 CRPS가 한다. 도구가 바뀌어도 채점표는 그대로다.3

7. 관련 문서[편집]

8. Footnotes[편집]

  1. 멤버 하나 늘리는 비용과 해상도 10% 올리는 비용이 얼추 비슷한 지점에서 매번 회의가 열린다. 경험칙은 “극한 현상 확률이 필요하면 멤버, 지형성 강수처럼 위치가 중요하면 해상도”인데, 예보관은 둘 다 원하고 예산은 하나만 준다. ↩

  2. 그래서 “예보관이 확률을 보수적으로 부른다”는 흔한 의심은 적정 점수 규칙 아래서는 성립하기 어렵다. 물론 점수판이 아니라 민원 게시판을 보고 예보를 조정하는 순간 이 보장은 즉시 사라진다. ↩

  3. 사족이지만 “앙상블”이라는 단어를 통계역학에서 빌려 온 것이 절묘하다. 하나의 계를 여러 번 상상하는 리우빌 정리식 위상공간 사고방식이 그대로 대기에 적용된 셈인데, 다른 점이라면 통계역학의 앙상블은 무한 개고 기상청의 앙상블은 51개라는 것 정도다. ↩