본 연구는 인공지능 기반 날씨 예보(특히 Pangu-Weather 모델)의 후처리 과정에 디코더 전용 트랜스포머 네트워크를 활용하여 중기(1-8일) 극한 기상 예측 기술을 향상시키는 새로운 방법을 제시합니다. 기존의 후처리 방법들이 이산적인 예보 샘플을 사용하여 극한 기상의 확률을 예측하는 밀집 신경망을 사용하는 것과 달리, 본 연구의 방법은 예보 리드타임을 순차적인 '토큰'으로 처리하여 트랜스포머가 진화하는 대기 상태 내의 복잡한 시간적 관계를 학습할 수 있도록 합니다. Pangu-Weather AI 모델 사용의 영향을 공정하게 평가하기 위해, 전통적인 밀집 신경망과 트랜스포머를 사용하여 Global Forecast System (GFS)의 후처리 결과와 비교하고, 대류 매개변수를 제외한 구성도 비교 분석합니다. 실험 결과, 트랜스포머 기반 후처리는 밀집 신경망에 비해 예측 기술을 상당히 향상시키는 것으로 나타났습니다. 또한, 고해상도 분석으로 초기화된 Pangu-Weather와 같은 AI 기반 예보는 명시적인 대류 매개변수 없이도 중기 예보에서 GFS보다 우수한 성능을 보였습니다. 본 연구의 접근 방식은 정확도와 신뢰성을 향상시키고, 특징 귀속 분석을 통한 해석력도 제공하여 중기 극한 기상 예측 능력을 발전시킵니다.
