WeatherNext 3 최대 5km·1시간 예보: AI는 기후변화까지 감시하고 예측할 수 있을까

WeatherNext 3는 무엇이 달라졌나

Google DeepMind와 Google Research가 2026년 9월 3일 WeatherNext 3를 공개했다. 최대 15일 앞까지 내다보는 글로벌 기상예보 AI다. 발표 당일부터 Google Search, Gemini 앱, Google Maps, Earth Engine에 결과가 반영되기 시작했다.

이전 세대와 견줘 달라진 점은 크게 세 가지다.

첫째, 예보를 새로 시작하는 간격이 짧아졌다. WeatherNext 2는 하루 네 번 초기화했지만 WeatherNext 3는 매시간, 하루 24번 다시 시작한다. 정지궤도 위성이 한 시간 단위로 만들어내는 구름·수증기 영상을 모델 입력으로 직접 받기 때문이다. 빠르게 발달하는 비구름이나 전선은 몇 시간 전 자료로 계산을 시작하면 이미 현실과 어긋나 있는 경우가 많다. 00·06·12·18 UTC의 주 실행은 15일까지, 그 사이 매시간 실행은 지상 변수를 48시간까지 예측한다.

둘째, 지상 관측소 자료를 직접 학습한다. 기존 AI 예보 모델은 대체로 재분석 격자 자료를 배웠다. 균질해서 학습에는 좋지만, 산악이나 해안, 도시처럼 짧은 거리에서 기온이 크게 갈리는 곳의 실제 측정값은 뭉개진다. WeatherNext 3는 관측소 지점을 별도의 예측 대상으로 삼아 지상 2m 기온과 이슬점을 직접 맞춘다.

셋째, 하나의 예측값 대신 64개의 시나리오를 계산한다. 대기는 초기 상태의 작은 차이가 시간이 갈수록 크게 벌어지는 계라, 현대 예보는 조금씩 다른 여러 미래를 함께 돌린다. 이를 앙상블이라고 한다. 덕분에 “비가 몇 mm 올 것인가”뿐 아니라 특정 수준 이상의 강수나 고온이 발생할 가능성을 확률로 판단할 수 있다. 평균 최저기온보다 서리 기준선 아래로 떨어질 확률이 중요한 농가, 평균 풍속보다 작업 중단 기준을 넘길 확률이 중요한 현장에서는 이 차이가 크다. 출처: WeatherNext 3 모델 사양, WeatherNext 3 연구 논문(PDF)

여기까지는 날씨 이야기다. 그렇다면 이렇게 지구 대기를 더 자주, 더 촘촘히 계산하는 AI는 기후변화까지 감시하거나 예측할 수 있을까. 이 글이 답하려는 질문이다.

‘최대 5km’는 모든 날씨를 5km로 본다는 뜻이 아니다

제목에 붙은 ‘최대 5km’는 눈에 띄는 만큼 오해하기도 쉽다. WeatherNext 3의 해상도는 기상 변수마다 다르다.

정리하면 약 5km는 관측소 자료에 맞춰 학습한 지상 기온과 이슬점에 해당한다. 비가 얼마나 올지, 바람이 얼마나 셀지는 약 10km 격자이고, 상층 대기 구조는 약 25km다.

해상도가 높아진다고 정확도가 그만큼 따라 오르는 것도 아니다. 5km 격자는 25km 격자보다 지형 차이를 더 잘 담아내지만, 그 안에서 벌어지는 소나기 구름이나 골짜기 바람을 실제로 계산했다는 뜻은 아니다. 관측소가 드문 지역이나 학습 자료에 거의 없던 극단적인 상황에서는 촘촘한 지도가 오히려 과한 확신을 줄 수 있다.

공개 데이터의 시차도 함께 봐야 한다. 개발자에게 공개되는 Cloud Storage·BigQuery·Earth Engine 자료는 초기화 시각으로부터 대체로 7~8시간 뒤에 배포된다. 매시간 새 예보가 만들어진다는 사실과, 그 예보를 외부에서 언제 받을 수 있는지는 다른 문제다. 공개 데이터만으로 초단기 경보 시스템을 구성하려면 이 지연을 고려해야 한다. 출처: WeatherNext 배포 일정

WeatherNext 3는 어디에서 사용되나

WeatherNext 3는 연구 모델을 넘어 구글의 실제 서비스에 들어가기 시작했다. 검색창에 날씨를 물어볼 때, Gemini 앱에 주말 계획을 물어볼 때, Google Maps에서 경로를 확인할 때 이 모델의 결과가 쓰인다. Google Maps Platform의 Weather API를 이용하는 배달·여행·물류 앱도 같은 예보를 끌어다 쓸 수 있다. 사용자는 모델 이름을 몰라도 그 결과를 접하는 셈이다.

개발자와 연구자를 위한 통로는 세 갈래다. Earth Engine에서는 위성·토지피복·수문 자료와 겹쳐 볼 수 있고, BigQuery에서는 사내 데이터와 함께 질의할 수 있으며, Cloud Storage에서는 64개 앙상블 전체를 내려받아 직접 후처리할 수 있다.

한 가지는 짚어둘 필요가 있다. 구글은 재난 경보와 공공안전 정보에 대해서는 각국 기상기관의 공식 예보를 따르라고 명시한다. 민간 AI 예보는 유용한 참고 신호이지 공식 특보를 대신하지 않는다.

날씨예보와 기후예측은 무엇이 다른가

이제 제목의 질문으로 돌아가자. 먼저 분명히 해둘 것이 있다. WeatherNext 3는 기후모델이 아니다.

날씨예보는 “지금 대기 상태에서 앞으로 며칠 동안 실제로 무슨 일이 벌어질까”를 묻는다. 현재 상태를 정확히 아는 것이 중요하고, 작은 오차가 빠르게 불어나기 때문에 열흘을 넘어가면 개별 사건의 경로는 흐릿해진다.

기후전망은 질문 자체가 다르다. “온실가스 배출이 이런 식으로 이어지면 수십 년 뒤 평균과 극한의 통계가 어떻게 달라질까”를 계산한다. 2045년 8월 3일에 비가 올지 맞히는 일이 아니라, 폭염일수와 계절 강수, 가뭄 위험의 분포가 어느 쪽으로 이동하는지를 보는 일이다. 그래서 기후전망에는 배출 시나리오가 전제로 들어가고, 대기뿐 아니라 해양과 해빙, 토양, 식생, 탄소순환이 맞물려 돌아가는 지구시스템 모델이 필요하다. IPCC가 기후 ‘예측’ 대신 기후 ‘전망’이라는 말을 쓰는 것도 결과가 어떤 시나리오를 가정했는지에 달려 있기 때문이다. 출처: IPCC AR6 WG1 4장, 시나리오 기반 기후전망

WeatherNext 3의 15일 예보를 계속 이어 붙인다고 2050년의 기후가 나오지는 않는다.

물론 날씨와 기후가 단절된 것은 아니다. 기후변화는 폭염과 호우가 나타날 배경 확률을 바꾸고, 개별 날씨는 그 확률에서 뽑혀 나온 사건이다. 자주 갱신되는 정확한 예보는 이미 달라진 기후에서 당장의 위험을 관리하는 데 도움이 된다. 다만 그것은 적응의 영역이지 장기 전망은 아니다.

AI는 이미 기후변화를 감시하고 있다

AI가 기후 문제에서 맡는 역할은 세 갈래로 나눠 보면 정리가 쉽다. 지금의 지구를 관측해 감시하는 일, 며칠에서 몇 주 앞의 위험을 예측하는 일, 수십 년 규모의 기후를 시뮬레이션하는 일이다. WeatherNext 3는 이 가운데 두 번째에 해당한다.

감시부터 보자. 위성은 쉬지 않고 자료를 보내지만, 센서와 촬영 시점이 제각각인 방대한 자료를 일관된 지도와 변화 신호로 바꾸는 일이 어렵다. Google DeepMind의 AlphaEarth Foundations는 여러 지구관측 자료를 묶어 육지와 연안을 10m 단위로 표현하고, 연도별 결과를 Earth Engine에 공개한다. 산림 훼손, 토지 이용 변화, 도시 확장, 수자원 변화를 같은 기준으로 추적할 수 있다.

메탄 감시는 더 구체적인 사례다. Google Research가 2026년 9월 미국국립과학원회보(PNAS)에 발표한 MAPL-EMIT는 국제우주정거장에 실린 NASA의 EMIT 초분광 관측에서 메탄 플룸을 자동으로 찾아내고 배출원 위치와 농도를 추정한다. 전문가가 직접 표시한 플룸의 84%를 찾아냈다는 것이 연구진의 설명이다.

이 모델은 기후변화를 예측하지 않는다. 대신 “지금 어디에서 메탄이 새고 있는가”, “감축 조치 이후 실제로 줄었는가”를 확인하는 측정과 검증 작업을 자동화한다. 사람이 위성 영상을 일일이 확인하던 단계에서 벗어났다는 점이 이 사례의 의미다.

다음 단계는 장기 기후 시뮬레이션이다

세 번째 갈래인 장기 시뮬레이션은 아직 연구 단계에 가깝다. 대기만 잘 흉내 내는 것으로는 부족하고, 해양의 열 저장과 순환, 빙상, 토양수분, 식생, 탄소순환이 수십 년 동안 안정적으로 맞물려 돌아가야 하기 때문이다.

NeuralGCM은 그 방향의 대표적인 시도다. 대규모 대기 운동은 물리 방정식으로 풀되, 구름이나 강수처럼 격자보다 작아 직접 계산하기 어려운 과정은 신경망이 학습해 맡는다. 2024년 Nature 논문은 1~15일 날씨예보부터 장기 기후 통계까지 함께 평가했고, 2026년 후속 연구는 NASA 위성 강수 관측을 학습에 직접 넣어 극한 강수와 하루 주기의 재현을 개선했다. 관건은 내일 비가 어디에 내리는지가 아니라, 수십 년을 돌렸을 때 강수의 통계적 성질이 현실과 비슷하게 유지되는가다.

다운스케일링은 다른 병목을 다룬다. 전 지구 기후모델은 여러 시나리오를 수십 년씩 계산해야 해서 격자가 거칠다. 그런데 도시 배수나 산불, 농업, 전력망 투자에는 산맥과 해안, 도시 열섬이 드러나는 지역 단위 정보가 필요하다. Google Research의 R2D2는 지역 물리모델로 중간 해상도를 만든 뒤 확산 모델이 세부를 생성하는 2단계 방식이다. 연구진은 서부 미국 자료에서 여름 극한 고온 오차를 20% 이상, 겨울 강수 오차를 10% 이상 줄였다고 보고했다.

다만 다운스케일링 결과는 새로운 독립 전망이 아니다. 상류의 전 지구 모델과 배출 시나리오에 딸린 상세화다. 상류 모델이 강수대 위치를 틀리면 AI가 아무리 정교한 지역 지도를 그려도 전제가 틀린 그림이 된다.

AI 날씨예보는 기존 수치예보를 대체하는 기술이 아니다

전통적인 수치예보는 대기의 물리 법칙을 방정식으로 계산해 미래 상태를 구한다. AI 기상모델은 과거의 관측과 예보 자료를 학습해 다음 대기 상태를 빠르게 추정한다. 계산 비용이 낮아 앙상블을 여러 번 돌리고 자주 갱신하는 데 유리하다.

그런데 실제 예보 현장에서 두 방식은 분리돼 있지 않다. WeatherNext 3만 해도 입력에 ECMWF의 분석 자료가 들어가고, 학습에는 ERA5 재분석과 관측소·위성 자료가 쓰인다. 물리 기반 수치예보가 수십 년간 쌓아 올린 관측망과 자료동화 위에서 AI가 갱신 속도와 출력 방식을 다시 짠 셈이다.

이런 흐름은 구글만의 것도 아니다. 유럽중기예보센터(ECMWF)는 2025년 2월 AIFS Single을, 같은 해 7월 앙상블 모델 AIFS ENS를 운영에 넣었고 2026년 5월 AIFS v2로 갱신했다. 눈여겨볼 점은 기존 물리 모델 IFS를 접지 않고 나란히 운영한다는 것이다. AIFS v2가 올라온 날 IFS도 Cycle 50r1로 함께 갱신됐다. 두 계열의 예보가 갈라지는 지점 자체가 예보관에게는 불확실성을 읽는 단서가 된다.

AI가 기존 기후모델을 대체하는 것은 아니다

한계도 분명하다.

먼저 관측이 없는 곳의 예보는 여전히 어렵다. 정지궤도 위성은 극지방 관측에 취약하고 구름 아래 지표면을 직접 보지 못한다. 지상 관측소는 인구와 기반시설이 몰린 지역에 집중돼 있다. 관측이 희소한 곳에서 AI가 내놓는 매끄러운 결과는 정보가 많아서가 아니라 학습된 평균에 기댄 것일 수 있다.

가장 중요한 극단 현상이 학습하기 가장 어렵다는 문제도 있다. 기록적인 해수면온도나 여러 위험이 한꺼번에 닥치는 상황은 과거 자료에 표본이 적다. 평균 성능이 좋아도 분포의 꼬리에서는 어긋날 수 있다.

장기 시뮬레이션에서는 물리적 일관성이 발목을 잡는다. 단기 예보는 매번 최신 관측으로 다시 시작하기 때문에 작은 불일치가 드러나지 않지만, 수십 년을 이어 돌리면 수분과 에너지 수지의 오차가 쌓인다. NeuralGCM이 물리 코어를 남겨 둔 이유이기도 하다.

그래서 AI가 물리 기반 기후모델을 대체한다고 보기는 어렵다. 지금 AI가 잘하는 일은 관측 자료를 분석하고, 계산이 비싼 부분을 빠르게 근사하고, 거친 전망을 지역 규모로 상세화하고, 위험을 확률로 표현하는 쪽이다.

AI는 날씨예보를 넘어 기후 감시로 확장되고 있다

처음의 질문으로 돌아가면 답은 둘로 나뉜다. WeatherNext 3 자체는 기후변화를 예측하지 않는다. 최대 15일짜리 날씨 모델이고, 5km라는 숫자도 지상 기온과 이슬점에 한정된다.

하지만 시야를 넓히면 그림이 달라진다. 위성 관측에서 메탄 배출원과 산림 변화를 찾아내는 AI, 며칠 앞 위험을 더 자주 갱신하는 AI, 물리 모델과 결합해 장기 기후를 시뮬레이션하는 AI가 동시에 발전하고 있다. 하나의 만능 모델로 합쳐지는 것이 아니라 서로 다른 역할의 모델들이 촘촘히 이어지는 중이다.

WeatherNext 3는 날씨 앱의 정확도를 높이는 기술에 그치지 않는다. AI가 지구의 현재 상태를 더 자주 관측하고, 가까운 미래를 예측하며, 장기 기후위험 분석을 보조하는 방향으로 활용 범위가 넓어지고 있음을 보여주는 사례다. 물론 장기 기후전망의 중심에는 여전히 물리 기반 지구시스템 모델과 배출 시나리오, 각국의 관측망이 있다.

참고 출처

• Introducing WeatherNext 3, our most advanced and accurate global weather AI model
• WeatherNext 3 모델 사양
• WeatherNext 3 연구 논문 (Rasp et al., 2026)
• WeatherNext 배포 일정
• WeatherNext 개발자 페이지
• IPCC AR6 WG1 Chapter 4: Future Global Climate — Scenario-Based Projections
• AlphaEarth Foundations helps map our planet in unprecedented detail
• Mapping global methane emissions from space with deep learning (MAPL-EMIT)
• Neural general circulation models for weather and climate (Nature, 2024)
• NeuralGCM harnesses AI to better simulate long-range global precipitation
• Zooming in: Efficient regional environmental risk assessment with generative AI
• ECMWF’s ensemble AI forecasts become operational
• Significant update to ECMWF’s key forecasting systems IFS and AIFS goes live