28.38 수치 기상 예보(NWP) 모델의 활용

28.38 수치 기상 예보(NWP) 모델의 활용

수치 기상 예보(numerical weather prediction, NWP) 모델은 대기의 운동방정식, 열역학 방정식, 연속방정식, 수증기 보존방정식 등을 시공간적으로 이산화하여 적분함으로써 미래의 대기 상태를 예측하는 학술적·실무적 도구이다. 본 절에서는 항공 로봇 공학에서 NWP 모델의 활용을 다루며, 이전 절에서 다룬 NWP의 기본 구조와는 달리 항공 로봇 운용 측면의 활용에 초점을 맞춘다.

1. 항공 로봇 공학에서 NWP의 활용 영역

NWP 모델은 항공 로봇 공학에서 다음과 같은 활용 영역을 가진다.

1.1 임무 계획

임무 계획 단계에서 NWP 자료는 다음과 같이 활용된다. 첫째, 비행 영역의 풍속, 풍향, 난류, 강수 분포의 평가. 둘째, 비행 가능 시간 창의 결정. 셋째, 비행 경로와 고도 프로파일의 최적화. 넷째, 페이로드 한계와 항속 거리의 산정. 다섯째, 대안 비행 경로의 사전 정의.

1.2 이착륙 평가

이착륙 단계에서 NWP 자료는 활주로 풍속, 측풍, 윈드 시어, 강수, 가시 거리 등의 평가에 활용된다.

1.3 비행 중 외란 보상

비행 중에는 NWP 자료를 비행 제어 시스템의 외란 모델 갱신에 활용한다. 모델 예측 제어(MPC)의 외란 예측 항으로 직접 활용 가능하다.

1.4 비상 대응

비행 중 비상 상황에서는 NWP 자료를 활용해 안전한 비상 착륙 지점과 안전 회랑(safety corridor)을 결정한다.

2. NWP 자료의 시공간 분해능

NWP 모델의 시공간 분해능은 모델의 종류에 따라 다양하다.

2.1 광역 모델

광역 모델(global model)은 일반적으로 약 5 ~ 30 km의 수평 분해능을 가진다. 예를 들어, ECMWF의 IFS는 약 9 km, NCEP의 GFS는 약 13 km의 분해능을 가진다. 시간 분해능은 일반적으로 1 ~ 6 시간이다.

2.2 지역 모델

지역 모델(regional model)은 광역 모델의 측면 경계 조건을 활용해 더 작은 영역에서의 더 높은 분해능을 제공한다. 일반적으로 1 ~ 5 km의 수평 분해능, 1 시간 이하의 시간 분해능을 가진다. 미국 NCEP의 HRRR(약 3 km), 한국의 LDAPS(약 1.5 km), DWD의 ICON-D2(약 2 km) 등이 대표적이다.

2.3 미시 규모 모델

도심과 산악 환경에서는 미시 규모 모델(microscale model) 또는 LES가 활용된다. 일반적으로 100 m 이하의 수평 분해능을 가진다. PALM, OpenFOAM 기반 CFD 모델이 활용된다.

3. NWP 자료의 항공 로봇 통합

NWP 자료를 항공 로봇 시스템에 통합하는 절차는 다음과 같다.

3.1 자료 형식 변환

NWP 산출 자료는 일반적으로 GRIB2 형식으로 제공된다. 항공 로봇 시스템에서는 이를 시스템의 내부 형식(NetCDF, CSV, JSON, ROS 메시지 등)으로 변환한다.

3.2 좌표계 변환

NWP의 격자 좌표계(회전 위경도, 람베르트, 스테레오그래픽 등)를 항공 로봇의 비행 좌표계(NED, ECEF, WGS84)로 변환한다.

3.3 시공간 보간

비행체 위치와 시간에서의 풍속 벡터, 난류 강도, 기상 변수를 시공간 보간을 통해 산출한다. 일반적으로 삼선형 보간 또는 큐빅 스플라인 보간이 활용된다.

3.4 외란 모델 변환

NWP 자료에서 추출된 풍속 벡터를 비행 동역학 모델의 외란 입력으로 변환한다. 평균 풍속, 시어, 난류 성분을 분리하여 처리할 수 있다.

4. NWP 자료의 갱신 주기

NWP 자료의 갱신 주기는 모델의 운용 사이클에 의해 결정된다.

4.1 광역 모델

광역 모델은 일반적으로 6시간 또는 12시간 간격으로 갱신된다. ECMWF IFS는 12시간 간격으로 결정론적 예보를 발표하고, 6시간 간격으로 앙상블 예보를 발표한다.

4.2 지역 단기 갱신 모델

지역 단기 갱신(rapid refresh) 모델은 1시간 간격으로 갱신된다. NCEP HRRR은 매 시간 자료 동화 사이클을 수행하여 신규 분석장과 단기 예보를 산출한다.

4.3 무인기 운용 통합

무인기 운용에서는 일반적으로 1시간 이하의 갱신 주기가 권장되며, 도심 항공 모빌리티(UAM)와 같은 안전 중심 응용에서는 분 단위 갱신이 요구될 수 있다.

5. 앙상블 예보의 활용

대기는 카오스적 비선형 시스템이므로, 결정론적 예보만으로는 예측 불확실성을 충분히 표현할 수 없다. 앙상블 예보(ensemble forecast)는 초기 조건과 모델 매개변수를 섭동시켜 다수의 예측 결과를 산출한다.

5.1 항공 로봇 공학에서의 활용

앙상블 예보는 항공 로봇 운용에서 다음과 같이 활용된다. 첫째, 임무 가능 확률의 산출. 둘째, 위험 임계값 초과 확률의 평가. 셋째, 강건 비행 경로 최적화. 넷째, 확률 제약 최적화의 입력. 다섯째, 모델 예측 제어의 시나리오 기반 의사결정.

5.2 대표적 앙상블 예보 시스템

ECMWF의 ENS, NCEP의 GEFS, 영국 기상청의 MOGREPS, 한국 기상청의 KIM-ENS 등이 운용된다.

6. NWP 자료의 정확도 평가

NWP 자료의 정확도는 다음과 같이 평가된다.

6.1 검증 지표

검증 지표로는 평균 제곱근 오차(root mean square error, RMSE), 평균 절대 오차(MAE), 결정 계수(R^2), 연속 순위 확률 점수(continuous ranked probability score, CRPS) 등이 활용된다.

6.2 검증 자료원

검증 자료원으로는 라디오존데, 윈드 프로파일러, 도플러 라이다, 항공기 관측, 메조네트워크 등이 활용된다.

6.3 정확도 추세

NWP 모델의 정확도는 지속적으로 향상되어 왔다. ECMWF에 따르면 1980년에서 2020년까지 5일 예보의 정확도는 약 1일분 이상 향상되었다.

7. 자료원과 인터페이스

NWP 자료의 주요 자료원과 인터페이스는 다음과 같다.

7.1 공공 자료원

NOAA(미국), ECMWF(유럽), KMA(한국), JMA(일본), Met Office(영국) 등은 다양한 NWP 자료를 공공 또는 유료로 제공한다.

7.2 항공 정보 시스템

미국 FAA의 SWIM(System Wide Information Management)은 항공 기상 정보를 SOA 기반으로 제공한다. 유럽 SESAR의 U-space 정보 서비스도 NWP 기반 기상 정보를 제공한다.

7.3 상업 서비스

DTN, The Weather Company, AccuWeather 등의 상업 서비스는 항공 응용에 특화된 NWP 자료를 제공한다.

8. 학술적 발전 방향

NWP 자료의 항공 로봇 활용에 관한 학술적 발전 방향은 다음과 같다. 첫째, 인공지능 기반 NWP 모델(Pangu-Weather, FourCastNet, GraphCast, AIFS 등)의 활용. 둘째, NWP와 자료 동화의 결합을 통한 정밀도 향상. 셋째, 미시 규모 CFD와의 다중 규모 결합. 넷째, 무인기 자체 측정 자료의 NWP 자료 동화 환류. 다섯째, 5G/6G 기반의 실시간 NWP 자료 갱신.

9. 출처

  • Kalnay, E., Atmospheric Modeling, Data Assimilation and Predictability, Cambridge University Press, 2003.
  • Bauer, P., Thorpe, A., and Brunet, G., “The quiet revolution of numerical weather prediction”, Nature, Vol. 525, pp. 47–55, 2015.
  • Skamarock, W. C., Klemp, J. B., Dudhia, J., Gill, D. O., Liu, Z., Berner, J., et al., A Description of the Advanced Research WRF Model Version 4, NCAR Technical Note NCAR/TN-556+STR, 2019.
  • Benjamin, S. G., Weygandt, S. S., Brown, J. M., Hu, M., Alexander, C. R., Smirnova, T. G., et al., “A North American hourly assimilation and model forecast cycle: The Rapid Refresh”, Monthly Weather Review, Vol. 144, No. 4, pp. 1669–1694, 2016.
  • Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., and Tian, Q., “Accurate medium-range global weather forecasting with 3D neural networks”, Nature, Vol. 619, pp. 533–538, 2023.
  • Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., et al., “Learning skillful medium-range global weather forecasting”, Science, Vol. 382, No. 6677, pp. 1416–1421, 2023.
  • World Meteorological Organization (WMO), Manual on Codes (WMO-No. 306), Volume I.2, 2019 edition updated in 2023.

10. 버전

  • 문서 버전: 1.0
  • 작성일: 2026-04-18