본 논문은 기존의 심층 학습 기반 날씨 예측 프레임워크가 물리적 제약을 명시적으로 고려하지 않아 비현실적인 결과를 초래하는 문제점을 해결하기 위해, 물리 기반 심층 학습 하이브리드 프레임워크인 FuXi-RTM을 제안합니다. FuXi-RTM은 기본 예측 모델(FuXi)과 심층 학습 기반 복사 전달 모델(DLRTM) 서러게이트를 통합하여 기존의 복사 매개변수화 기법을 효율적으로 대체합니다. 이는 물리적 과정 모델링을 명시적으로 통합한 최초의 심층 학습 기반 날씨 예측 프레임워크입니다. 5년간의 데이터셋을 이용한 평가 결과, FuXi-RTM은 3320개 변수 및 리드 타임 조합 중 88.51%에서 기존 모델보다 성능이 우수하며, 복사 플럭스 예측 개선을 보였습니다. 추가적인 물리적 과정을 통합함으로써, 정확하고 물리적으로 일관된 차세대 날씨 예측 시스템을 위한 길을 열었습니다.
