# \#weather-forecasting

**URL:** https://discuss.pytorch.kr/tag/weather-forecasting/4137.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [WeatherNext 3: 위성 관측을 직접 읽어 매시간 갱신하는 5km 해상도 기상 예보 AI (feat. Google DeepMind)](https://discuss.pytorch.kr/t/weathernext-3-5km-ai-feat-google-deepmind/11858)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [9월 10, 2026, 2:30오전 UTC](https://discuss.pytorch.kr/t/weathernext-3-5km-ai-feat-google-deepmind/11858 "2026-09-10T02:30:33Z")

</div>

WeatherNext 3 소개 WeatherNext 3는 Google DeepMind와 Google Research가 2026년 9월 3일 발표한 전 지구 기상 예보 AI 모델로, 정지궤도 위성 관측을 모델 입력으로 직접 받아 매시간 새 예보를 만들고 지표 기온과 이슬점을 5km 해상도로 예측합니다. 기존 AI 기상 모델이 6시간마다 25km 격자로 예보를 냈던 것과 비교하면 시간 해상도는 6배, 공간 해상도는 약 5배 촘촘해진 것입니다. 이 글에서는 발표 블로그와 개발자 문서, Earth Engine 데이터셋 카탈로그를 함께 읽고, 모델이 무엇을 바꿨는지와 개발자가 이 데이터를 어떻게 쓸 수 있는지를 정리합니다. 수십 년간 기상 예보는 수치예보(Numerical Weather Prediction, NWP) 가 담당해 왔습니다. 대기의 물리 방정식을 슈퍼컴퓨터로 풀어 미래 상태를 계산하는 방식으로, 유럽중기예보센터(ECMWF)의 결정론적 예보인 HRES(High Resolution Forecast)와 확률 앙상블 예보인 ENS(Ensemble Prediction System)가 대표적인 운영 시스템입니다. 2023년 GraphCast (:pytorch::kr: \[GN\] GraphCast: DeepMind가 공개한 빠르고 정확한 글로벌 기상 예측 모델)가 그래프 신경망(Graph Neural Network, GNN)으로 HRES를 넘어서는 결과를 보인 뒤, 확산 모델 기반의 GenCast, 그리고 함수형 생성 네트워크(Functional Generative Network, FGN) 기반의 WeatherNext 2로 이어지며 AI 기상 모델은 빠르게 성숙했습니다. 이 계열의 모델과 예보를 시각화하는 플랫폼이 Weather Lab (:pytorch::kr: Weather Lab: Google DeepMind가 공개한, Google의 AI 기상 모델 플랫폼)입니다. 그러나 이 모델들에는 공통된 두 가지 약점이 남아 있었습니다. 첫째, 예보의 시공간 해상도가 …

---

## [Weather Lab: Google DeepMind가 공개한, Google의 AI 기상 모델 플랫폼](https://discuss.pytorch.kr/t/weather-lab-google-deepmind-google-ai/7101)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [6월 15, 2025, 9:30오전 UTC](https://discuss.pytorch.kr/t/weather-lab-google-deepmind-google-ai/7101 "2025-06-15T09:30:01Z")

</div>

Weather Lab 소개 Google DeepMind가 새로운 AI 기반 기상 예측 플랫폼 ‘Weather Lab’을 공개했습니다. 특히 이번에는 사이클론(허리케인, 태풍 등)의 경로와 강도를 최대 15일 앞까지 예측할 수 있는 실험적 모델도 포함되어 있습니다. 이 모델은 미국 국립허리케인센터(NHC)와 협력하여 실제 기상 예보에도 적용되고 있으며, 기존의 물리 기반 예보 시스템보다 더 높은 정확도를 보여주고 있습니다. 기상 데이터를 다루거나 AI 모델의 실제 활용 사례에 관심 있는 개발자라면 반드시 체크해볼 가치가 있는 기술입니다. 기상 예측은 전통적으로 물리 모델에 기반해, 방대한 데이터를 슈퍼컴퓨터로 시뮬레이션하는 방식이었습니다. 하지만 최근에는 딥러닝 기술의 발전에 힘입어, 데이터를 직접 학습해 미래의 날씨를 예측하는 AI 기반 접근법이 주목받고 있습니다. DeepMind는 GraphCast라는 모델을 통해 글로벌 날씨 예보의 가능성을 보여준 바 있으며, 이번에는 사이클론 예측에 특화된 새로운 실험적 모델과 함께 Weather Lab이라는 플랫폼을 선보였습니다. Weather Lab은 인터랙티브 웹사이트 형태로, AI 모델의 예측 결과를 시각적으로 탐색하고, 다른 모델과 비교할 수 있게 구성되어 있습니다. 특히 이 플랫폼은 실시간 예보뿐 아니라 2년치의 히스토리컬 데이터까지 제공하여, 연구자와 전문가들이 자유롭게 분석하고 검증할 수 있도록 설계되었습니다. 기존의 물리 기반 기상 모델은 사이클론의 경로 예측에는 강점을 보이지만, 강도 예측에는 다소 한계를 갖고 있었습니다. 이는 경로가 대규모 대기 흐름에 의해 결정되는 반면, 강도는 사이클론 중심부의 복잡한 미세한 물리 현상에 의존하기 때문입니다. 따라서 기존에는 전지구적 모델(저해상도)과 지역적 모델(고해상도)을 따로 활용하는 방식이 일반적이었습니다. DeepMind의 AI 모델은 하나의 시스템에서 경로와 강도를 동시에 예측할 수 있도록 설계되었습니다. 이 모델은…

---

## [\[2024/12/02 ~ 12/08\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week)](https://discuss.pytorch.kr/t/2024-12-02-12-08-ml-top-ml-papers-of-the-week/5673)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [12월 9, 2024, 1:02오후 UTC](https://discuss.pytorch.kr/t/2024-12-02-12-08-ml-top-ml-papers-of-the-week/5673 "2024-12-09T13:02:53Z")

</div>

\[2024/12/02 ~ 12/08\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week) PyTorchKR​:fire::south\_korea: :thinking::speech\_balloon: 이번 주에 선정된 논문들을 살펴보았을 때, 자연어 처리(NLP) 및 대규모 언어 모델(LLM)에 초점을 맞춘 연구가 눈에 띄게 많습니다. 특히, OpenAI o1, Genie 2, Auto-RAG, Retrieval-Augmented Reasoning for LLMs, 그리고 Procedural Knowledge in Pretraining Drives Reasoning in LLMs와 같은 논문들이 이 범주에 속하며, 인간-에이전트 커뮤니케이션에 관한 논문도 포함되어 있어 다채로운 접근 방식을 제시하고 있습니다. 또한, 'Reverse Thinking'이나 'DataLab'과 같은 논문들을 통해 데이터 활용 및 자동화에 대한 학문적 관심도 엿볼 수 있었습니다. 이러한 트렌드는 인공지능 기술의 발전 방향에 대한 중요한 시사점을 제공합니다. 우선, 자연어 처리 및 언어 모델에서의 연구가 두드러지는 이유는, 인간과 기계 간의 상호작용을 보다 자연스럽고 효율적으로 만들려는 노력이 배경에 깔려 있다고 볼 수 있습니다. 이러한 기술 발전은 고객 서비스나 정보 검색, 그리고 다양화된 대화형 AI 애플리케이션 등 현실적인 문제 해결에 큰 기여를 하고 있습니다. 더불어, 데이터 활용과 자동화는 AI 연구에서 핵심적인 역할을 합니다. 데이터를 어떻게 수집하고, 구성하며, 활용할 것인지가 AI의 성능을 좌지우지할 수 있기 때문입니다. 데이터를 통한 설계 및 학습 자동화는 AI의 정확성을 향상시키고, 새로운 기능을 가능한 한 빠르고 정확하게 개발하도록 도와줍니다. 이러한 트렌드는 AI 연구의 필수 요소로 자리잡고 있으며, 앞으로도 계속 중요한 연구 주제로 남을 것입니다. OpenAI o1 논문 소개 대규모 강화 학습으로 추론하도록 훈련된 모델…
