본 논문은 대기 역학의 혼돈스러운 특성으로 인해 불확실성을 정량화해야 하는 기상 예측 분야에서, 전통적인 앙상블 예측 (EPS) 방식과 베이지안 딥러닝 (BDL)의 연결을 시도한다. 변분 추론을 통해 학습된 인식적 불확실성과 흐름 의존적 대기 역학을 모델링하는 확률적 섭동 방식을 통해 학습된 우발적 불확실성으로 예측 불확실성을 명시적으로 분해하는 하이브리드 베이지안 딥러닝 프레임워크를 제시한다. 또한, BDL과 EPS를 엄밀하게 연결하는 통합 이론적 프레임워크를 구축하고, 하이브리드 BDL 프레임워크에서 총 예측 불확실성을 인식적 및 우발적 구성 요소로 분해하는 정리를 제공한다. ERA5 재분석 데이터셋을 활용한 실험 결과, 본 연구는 예측 정확도를 향상시키고 불확실성 정량화를 개선하며, 최첨단 확률적 확산 모델보다 뛰어난 계산 효율성을 달성했다.