MIT의 연구 과학자인 유다 코헨(Judah Cohen)은 북극의 기후 지표에 집중한 새로운 인공지능(AI) 기반 접근법을 통해 예보가 까다로운 계절 내(subseasonal) 기상 예측의 한계를 극복하고 있다. 전통적으로 겨울철 기상 예보는 엘니뇨 남방진동(ENSO)에 크게 의존해 왔으나, 코헨 연구원은 시베리아의 적설량, 해빙 범위, 그리고 극소용돌이의 안정성과 같은 북극 진단 지표를 통합하는 방식을 택했다. 이러한 시도는 기존 통계 방식이나 일반적인 AI 모델이 포착하지 못했던 복잡한 대기 패턴을 읽어내는 데 결정적인 역할을 했다.

실제로 이 모델은 2025 AI 웨더퀘스트(WeatherQuest) 경진대회에서 1위를 차지하며 그 실효성을 증명했다. 특히 이 시스템은 기온 패턴을 최소 2주에서 최대 6주 전부터 미리 파악할 수 있는 고도의 정밀함을 보여주었다. 이는 머신러닝 패턴 인식 기술을 활용해 고위도 지역의 기상 지표를 심층적으로 해석한 결과이다. 또한 기존 모델들이 열대 지방의 데이터에 치중했던 것과 달리, 북극 특화 데이터를 결합함으로써 예측의 리드 타임을 획기적으로 연장하는 성과를 거두었다.

이번 겨울 시즌에는 엘니뇨 현상이 미미했음에도 불구하고, 해당 AI 모델은 12월 중순 미국 동부 해안에 닥칠 한파를 일반적인 예보 신호가 나타나기 수주 전부터 정확히 감지해냈다. 이에 따라 공공 안전 확보와 에너지 수급 계획 수립에 있어 전례 없는 시간적 여유를 확보할 수 있게 되었다. 특히 전력 및 교통 분야의 인프라 준비 과정에서 이러한 조기 경보는 극심한 기상 이변에 따른 피해를 최소화하는 데 핵심적인 지표로 활용될 전망이다.

한편 연구팀은 북극 전용 데이터와 고도화된 AI의 결합이 극단적인 기상 현상의 발생 원인을 미리 식별하는 데 매우 효과적임을 강조했다. 이를 통해 유틸리티 기업과 교통 당국은 충분한 대비 시간을 가질 수 있으며, 이는 결과적으로 기상 재난에 따른 사회적 비용을 절감하는 데 크게 기여한다. 다만 기상 예측의 불확실성을 완전히 해소하기 위해 다양한 기후 변수를 지속적으로 보완하고 학습 모델을 고도화하는 작업은 앞으로도 계속될 예정이다.

MIT의 연구 과학자인 유다 코헨(Judah Cohen)은 북극의 기후 지표에 집중한 새로운 인공지능(AI) 기반 접근법을 통해 예보가 까다로운 계절 내(subseasonal) 기상 예측의 한계를 극복하고 있다. 전통적으로 겨울철 기상 예보는 엘니뇨 남방진동(ENSO)에 크게 의존해 왔으나, 코헨 연구원은 시베리아의 적설량, 해빙 범위, 그리고 극소용돌이의 안정성과 같은 북극 진단 지표를 통합하는 방식을 택했다. 이러한 시도는 기존 통계 방식이나 일반적인 AI 모델이 포착하지 못했던 복잡한 대기 패턴을 읽어내는 데 결정적인 역할을 했다.

실제로 이 모델은 2025 AI 웨더퀘스트(WeatherQuest) 경진대회에서 1위를 차지하며 그 실효성을 증명했다. 특히 이 시스템은 기온 패턴을 최소 2주에서 최대 6주 전부터 미리 파악할 수 있는 고도의 정밀함을 보여주었다. 이는 머신러닝 패턴 인식 기술을 활용해 고위도 지역의 기상 지표를 심층적으로 해석한 결과이다. 또한 기존 모델들이 열대 지방의 데이터에 치중했던 것과 달리, 북극 특화 데이터를 결합함으로써 예측의 리드 타임을 획기적으로 연장하는 성과를 거두었다.

이번 겨울 시즌에는 엘니뇨 현상이 미미했음에도 불구하고, 해당 AI 모델은 12월 중순 미국 동부 해안에 닥칠 한파를 일반적인 예보 신호가 나타나기 수주 전부터 정확히 감지해냈다. 이에 따라 공공 안전 확보와 에너지 수급 계획 수립에 있어 전례 없는 시간적 여유를 확보할 수 있게 되었다. 특히 전력 및 교통 분야의 인프라 준비 과정에서 이러한 조기 경보는 극심한 기상 이변에 따른 피해를 최소화하는 데 핵심적인 지표로 활용될 전망이다.

한편 연구팀은 북극 전용 데이터와 고도화된 AI의 결합이 극단적인 기상 현상의 발생 원인을 미리 식별하는 데 매우 효과적임을 강조했다. 이를 통해 유틸리티 기업과 교통 당국은 충분한 대비 시간을 가질 수 있으며, 이는 결과적으로 기상 재난에 따른 사회적 비용을 절감하는 데 크게 기여한다. 다만 기상 예측의 불확실성을 완전히 해소하기 위해 다양한 기후 변수를 지속적으로 보완하고 학습 모델을 고도화하는 작업은 앞으로도 계속될 예정이다.