잠들 땐 약한 폭풍, 눈뜨니 5등급 괴물 허리케인
2026년 9월 21일 밤, 멕시코 태평양 연안 주민들은 잠자리에 들기 전 스마트폰 기상 앱을 확인했다. 화면 속 예보에 나타난 인근 열대성 저기압 ‘폴로(Polo)‘는 위력이 미미한 열대 폭풍에 불과했다.
하지만 이튿날 아침 잠에서 깨어 문을 열었을 때, 창밖은 이미 무시무시한 폭풍우에 휩싸여 있었다. 따뜻한 해수면에서 엄청난 열에너지를 급속도로 흡수한 폭풍은 밤새 몇 단계를 단숨에 뛰어넘어 최고 등급인 ‘5등급’ 초대형 허리케인으로 돌변해 있었다. 해안가 주민들에게 남겨진 대피 시간은 고작 서너 시간에 불과했다.
기상학에서는 이처럼 24시간 이내에 최대 풍속이 시속 55킬로미터(약 30노트) 이상 폭증하는 현상을 ‘급격한 강화(Rapid Intensification)‘라고 부른다. 2018년 허리케인 ‘마이클(Michael)’ 역시 미국 플로리다 상륙 직전 폭발적으로 발달하며 참혹한 궤멸적 피해를 남겼다. 현대의 기상 수치 모델은 허리케인이 내일 어디로 이동할지 경로는 정확하게 짚어내지만, 상륙 순간 얼마만큼의 파괴력을 지닐지 ‘강도’를 예측하는 대목에서는 번번이 치명적인 오판을 내린다.
최근 몇 년간 세계 유수의 기상 기관과 빅테크 기업들은 인공지능 기반 예보 시스템을 앞다투어 선보였다. 방대한 기상 빅데이터와 전례 없는 연산 능력을 결합하면 허리케인 강도 예측이라는 오랜 난제도 단숨에 풀릴 것이라 믿었다. 그러나 대기물리학의 냉혹한 현실은 완전히 다른 답을 내놓고 있다.
전 지구 기온은 맞춰도 국지적 폭풍 강도는 난공불락
최근 몇 년간 인공지능이 기상 예보 분야에서 이뤄낸 도약은 눈부시다. 수십 년간 축적된 전 지구 기상 재분석 데이터를 학습한 딥러닝 모델은 불과 수 초 만에 향후 며칠 동안의 지구 전체 기온, 기압, 바람장 변화를 시뮬레이션해 낸다. 거시적인 전 지구 순환 예측에 있어서 AI는 이미 최고 수준의 슈퍼컴퓨터 물리 시뮬레이션과 어깨를 나란히 한다.
그러나 시야를 행성 규모에서 국지적인 좁은 구역으로 좁히는 순간 예측 난이도는 기하급수적으로 치솟는다. 전 지구 예보는 거대한 대기 대순환의 흐름을 추적하는 작업이다. 이는 도도하게 흐르는 거대한 강의 본류를 지켜보는 것과 같아서 큰 줄기를 파악하기 쉽다. 반면 허리케인의 강도는 국지적인 물리 현상이다. 거센 강물 속 어느 한 지점에서 튀어 오르는 물보라가 어떻게 소용돌이칠지 미세하게 예측하는 일에 가깝다.
그림: 기상 위성이 포착한 허리케인의 적외선 영상. 태풍의 눈 주위로 복잡하게 형성된 구름 꼭대기 구조를 보여준다. 출처: The Conversation / NASA
인공지능 신경망은 거시적인 패턴을 포착하는 데 탁월하지만, 국지적이고 비선형적인 급변 앞에서는 취약성을 드러낸다. 허리케인의 진행 경로는 대규모 대기 순환의 기류에 이끌려 움직이므로 AI가 이동 궤적을 매우 정밀하게 예측할 수 있다. 하지만 허리케인의 강도는 불과 수십 킬로미터 반경의 핵심부에서 일어나는 열역학적 에너지 교환에 의해 좌우된다. 이 미시적 영역이 딥러닝 모델의 맹점을 정통으로 찌른다.
대양 한가운데 관측 공백: 최강 AI도 들여다보지 못하는 구름 밑바닥
허리케인 강도 예측을 가로막는 첫 번째 장벽은 심각한 데이터 결핍이다. 육지와 해안선을 따라서는 지상 기상 관측소와 해양 부표가 촘촘하게 깔려 있다. 연안에서는 도플러 레이더를 가동해 강수 입자의 속도와 3차원 대기 구조를 실시간으로 측정할 수 있다.
하지만 허리케인이 가장 폭발적으로 발달하는 핵심 단계는 육지에서 수백 킬로미터 떨어진 망망대해 위에서 일어난다. 이 광활한 공해상에는 직접 관측할 수 있는 물리적 센서가 거의 없다. 기상 위성이 구름 꼭대기 온도를 촬영하거나 강우량을 추정할 수는 있지만, 위성의 궤도 센서는 두텁게 발달한 허리케인 벽운을 투과하지 못해 해수면 부근 경계층의 실제 풍속을 직접 관측할 방법이 없다.
관측 데이터가 턱없이 부족할 때 컴퓨터 물리 시뮬레이션으로 가상 데이터를 채워 넣는 것은 흔한 공학적 접근법이다. AI 모델 학습용 데이터셋에도 수치 모델이 계산해 낸 막대한 양의 모의 데이터가 포함된다. 그러나 모든 수치 시뮬레이션에는 물리적 근사치와 불확실성이 내재해 있다. 근본적인 편향을 품고 있는 가상 데이터로 모델을 학습시키면, 인공지능은 그 결함까지 그대로 학습해 버린다.
폭풍 중심에 숨은 카오스 물리학: 관측이 아무리 정밀해도 뚫지 못하는 예측 한계선
만약 문제가 단순히 데이터 부족 때문이라면, 센서와 드롭존데를 대대적으로 투입해 언젠가 극복할 수 있을 것이다. 그러나 미국 인디애나 대학교 대기과학과 찬 키우(Chanh Kieu) 부교수 연구팀의 분석에 따르면, 예측이 빗나가는 근본 원인은 대기물리학 자체의 카오스적 본성에 숨어 있다.
열대성 저기압이 해수면에서 열에너지를 흡수할 때, 그 세력은 이론적인 물리적 한계치를 향해 다가간다. 기상학에서는 이를 해수면 온도와 바람의 연직 시어를 종합해 산출하는 ‘최대 잠재 강도(Potential Intensity)‘라고 부른다. 바닷물이 따뜻할수록 이 한계선도 함께 올라간다. 그러나 폭풍의 강도가 이 극한값에 근접하면 폭풍 내부에서 미세한 섭동이 연쇄적으로 촉발된다.
키우 교수 연구팀의 발견은 명확하다. 허리케인 강도가 잠재 강도 상한선에 다가서면 시스템은 ‘카오스 강도 끌개(Chaotic Intensity Attractor)‘라는 위상 공간으로 진입한다. 이는 폭풍 강도가 한계치 주변에서 무작위로 요동치는 일련의 예측 불가능한 상태를 뜻한다. 설령 미래에 전 지구 폭풍 데이터를 1초 단위로 샅샅이 측정할 수 있다 해도, 미세 섭동에 따른 강도 변화는 본질적으로 비결정론적이다. 이는 마치 회전하는 사발 안에 구슬을 던져 넣는 것과 같다. 사발의 형태는 정밀하게 측정할 수 있지만, 구슬이 사발 벽면의 어느 지점에 부딪힐지는 계산해 낼 수 없는 것과 같은 이치다.
그림: 컴퓨터 시뮬레이션 결과. 초기 조건이 거의 동일한 두 개의 5등급 허리케인이라도 예측 기간이 길어질수록 세력 발달 궤적이 극적으로 갈라진다. 출처: The Conversation
이러한 물리적 카오스 특성은 AI 모델 학습에 근본적인 딜레마를 안겨준다. 머신러닝 학습 알고리즘은 전체 데이터셋의 예측 오차를 최소화하도록 가중치를 최적화한다. 그 결과 신경망은 통계적으로 가장 무난하고 발생 가능성이 높은 평균적 발달 궤적을 도출하도록 편향된다. 그러나 허리케인의 급격한 강도 폭발은 격렬한 극단치에 해당한다. AI가 평균 오차를 줄이려고 기를 쓸수록, 인명 피해를 좌우하는 이 결정적인 급강도 피크는 오히려 평균치 속으로 매끄럽게 깎여 나가고 만다.
단일 수치 예측을 넘어: 확률 분포와 앙상블로의 전환
물리학이 그어놓은 카오스의 천장은 단호하다. 컴퓨팅 연산력을 아무리 쏟아붓더라도 단일한 확정 풍속 수치를 맞추겠다는 발상은 대기 물리 법칙 앞에서 성립할 수 없다. 대기 경계층의 미시적 요동이 결정론적 예측 정확도에 확고한 자연적 한계선을 긋고 있기 때문이다.
이러한 객관적 한계에 직면하여 기상 예측의 패러다임은 근본적인 전환기를 맞이하고 있다. 단일한 확정 풍속값에 집착하는 대신, 발생 가능한 세력 범위와 포괄적인 ‘확률 분포’를 제시하는 방향으로 전략을 수정하고 있다.
찬 키우 교수는 카오스 메커니즘을 이해하는 것이야말로 예측 가능한 영역과 불가능한 영역의 경계를 긋는 핵심 열쇠라고 강조한다. 단일 수치 예보에서 벗어나 확률 분포와 앙상블 위험 범위를 제시하는 체계로의 전환은 방재 체계의 중대한 진보다. 재난 대응 당국과 해안가 주민들은 단 하나의 숫자가 아니라 최악의 상황을 아우르는 전체 위험 스펙트럼을 파악할 때 비로소 목숨을 지킬 대비를 마칠 수 있다.
참고 링크:
- The Conversation 보도
