기상 관측이 일기예보에 미치는 영향은 센서 유형, 위치, 시간 및 기타 환경 요인에 따라 달라진다. 따라서 관측 영향에 대한 정량적 분석은 일기예보 시스템을 효과적이고 효율적으로 개발하는 데 있어 필수적이다. 그러나 기존의 영향 분석 방법은 특정 예측 시스템에 의존하는데, 이는 시스템 고유의 부수(adjoint) 모델을 사용하고 예측에 대한 관측의 민감도를 측정하기 때문이다. 본 연구는 관측과 대기 상태 간의 이질적 관계를 분석하는 데 특화된 새로운 그래프 신경망(GNN) 모델을 개발함으로써, 일기예보 시스템에서 대기 상태 추정에 대한 관측의 영향을 탐구한다. 이후 제안된 GNN 모델에 설명가능한 방법을 적용함으로써, 예측 시스템과 무관하게 관측 영향의 평가가 가능해진다. 더 나아가, 시각화를 통해 개별 관측에 대한 영향 분석을 제공하는 ‘CloudNine’이라는 새로운 응용 프로그램을 개발하였다. 우리의 GNN 모델은 계층적 메시지 전달 모듈로 구성되며, 인접한 위치에서의 관측 간 공간적 상관관계와 인접한 위치에서의 대기 상태 간 공간적 상관관계를 각각 분석한 뒤, 관측과 대기 상태 간의 상관관계를 검토한다. 이러한 상관관계에 영향을 미치는 서로 다른 요인을 고려하기 위해, 모듈의 어텐션 메커니즘에서 특징 벡터와 함께 지리 좌표와 관측 유형을 사용하였다. 그 다음, 추정에서 서로 다른 관측의 중요도를 정량화하기 위해 그래디언트 기반 설명가능성 기법을 적용하였다. 11개 위성 및 지상 기반 관측 데이터로 평가한 결과, 제안된 모델의 효과성과 관측 영향의 시각화가 두드러지며, 이는 일기예보에서 관측 자료에 대한 이해와 최적화를 향상시키는 것으로 나타났다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.