기상 레이더 지도에서 1~2km 높이가 비어 있는 이유 — 빈칸을 다시 채우는 확산 모델(RadarFill)

태풍이 상륙하는 밤, 기상청 예보관의 화면에는 3차원 레이더 반사도 격자가 떠 있다. 10km 상공의 빗방울은 촘촘히 찍히는데, 지상에서 1~2km 사이만 유독 비어 있다. 관측이 실패한 것이 아니다. 레이더 빔이 지형과 건물, 그리고 안테나 자체의 최소 고도각 때문에 가까운 거리의 낮은 층을 비스듬히 지나가면서 생기는 구조적인 구멍, 이른바 체계적 블라인드 존(systematic blind zone)이다. 문제는 그 구멍이 하필 비가 가장 세게 쏟아지는 고도에 있다는 점이다.

arXiv에 2026년 11월 3일 올라온 논문 「RadarFill: Observation-Constrained Gap Filling of Systematic Blind Zones in 3-D Weather Radar Reflectivity Mosaics」(Xin Huang 외 6인, arXiv:2611.04768)는 이 빈칸을 메우는 문제를 정면으로 다룬다. 저자들은 이 구멍을 "검증할 원본 관측이 존재하지 않는 결측"이라고 규정한다. 다른 말로 하면, 정답지가 없는 문제를 푸는 척하지 않으려면 평가 설계 자체를 새로 짜야 한다는 뜻이다.

고도 1~2km, 지도가 비어 있는 층

논문이 지목한 무대는 3차원 레이더 반사도 모자이크, 즉 여러 대의 지상 기상 레이더 관측을 하나의 격자로 합친 산출물이다. 모자이크는 개별 레이더의 스캔을 이어 붙이기 때문에, 각 레이더가 가진 기하학적 결측이 겹치며 특정 고도대에 반복적으로 나타난다. 저자들은 이를 "고도 의존적 결측 통계"와 "블라인드 존의 수직 중첩(nesting)"으로 설명한다. 우연한 통신 장애가 아니라, 안테나를 어디에 두고 어떤 각도로 돌렸는지에서 결정론적으로 따라 나오는 빈칸이라는 것이다.

이 결측이 까다로운 이유는 두 가지다. 첫째, 결측 자체가 저층에 몰려 있어 강수 구조의 핵심부를 가린다. 둘째, 저층은 지형 클러터와 지상 관측소가 가장 밀집한 곳이기도 해서, 단순히 위쪽 고도의 값을 아래로 늘어뜨리는 방식이 쉽게 틀린다. 논문은 이 빈칸을 "관측이 부족한 영역"이 아니라 "대응하는 완전한 관측이 존재하지 않는 영역"으로 정의하며, 그 정의가 이후 평가 방식 전체를 규정한다.

빈칸을 메우는 조건부 확산 모델

RadarFill의 골격은 조건부 확산(conditional diffusion) 모델이다. 부분적으로만 관측된 반사도장과 관측 마스크(어디가 실제 관측이고 어디가 빈칸인지 표시한 격자)를 조건으로 받아, 결측 영역의 값을 생성한다. 확산 모델은 보통 노이즈에서 시작해 조금씩 걷어내며 표본을 만드는데, 이 논문의 핵심 장치는 역방향 샘플링 과정 전체에 걸쳐 "이미 관측된 값"을 계속 주입한다는 점이다.

미국 오클라호마 노먼의 도플러 기상 레이더. 이런 레이더의 빔 기하학이 저층 블라인드 존을 만든다 — NOAA Photo Library, Public domain (Wikimedia Commons)

저자들이 내세우는 두 번째 장치는 보존성이다. 최종 산출장에서 실제 측정값은 그대로 유지된다. 생성 모델이 관측값까지 "그럴듯하게 다시 그려" 원래 측정을 훼손하는 흔한 실패 모드를 막으려는 설계다. 표현은 완곡하지만, 이는 곧 확산 모델의 창의성이 이 문제에서는 적이 될 수 있다는 자기 진단이기도 하다.

합성 결측으로 만든 통제 실험, 4,384개 시각

정답지가 없는 문제를 평가하려면 인위적으로 정답지를 만들어야 한다. 저자들은 운영 중인 3차원 레이더 모자이크 산출물에서 관측된 고도 의존 결측 통계와 블라인드 존의 수직 중첩 구조를 그대로 측정한 뒤, 그 통계를 따라 구조화된 합성 결측을 실제 관측장 위에 덧씌웠다. 실제로 비어 있는 모양과 같은 모양으로 구멍을 뚫고, 가려진 부분의 원래 값을 정답으로 남겨 두는 방식이다.

평가는 4,384개의 홀드아웃 테스트 시각과 대표적인 대류성 사례·태풍 사례로 구성됐다. 광범위한 저층 결측 조건에서 RadarFill은 주요 강수 구조와 중~강도 에코를 복원했고, 논문은 기존 보간법과 학습 기반 참조 모델보다 대체로 우수한 성능을 보였다고 주장한다. 여기서 "대체로"라는 표현이 중요하다. 모든 지표에서 압승했다는 서술이 아니라, 평균적으로 앞선다는 서술이다.

반전은 실제 하늘에서 나왔다

합성 실험만으로는 부족하다는 것을 저자들도 안다. 구멍을 인위적으로 뚫으면 구멍의 통계는 실제와 같아도, 그 구멍 안에 들어 있던 값의 분포는 실제와 다를 수 있다. 그래서 논문은 두 번째 증거를 붙인다. 중국 푸젠성 지역에 RadarFill을 직접 적용하고, 독립적인 위상 배열(phased-array) 레이더로 얻은 90회의 대응 볼륨 스캔과 비교한 것이다.

결과는 이 논문에서 가장 눈여겨볼 대목이다. 주된 1~2km 저층 블라인드 존 안에서 RadarFill은 기존 보간법보다 낮은 반사도 오차를 보였고, 메워 넣은 강수 구조는 독립 관측과 대체로 일치했다. 서로 다른 종류의 레이더, 서로 다른 관측 원리로 얻은 값을 기준으로 삼았다는 점에서, 이는 자기 훈련 데이터로 자기를 채점하는 순환을 피하려는 시도로 읽힌다.

채운 장면은 예보로 이어지는가

빈칸을 메운 장면이 예쁘기만 하고 쓸모가 없다면 의미가 없다. 논문은 두 개의 통제된 나우캐스팅 실험을 추가한다. RadarFill로 초기장을 채운 경우, 그 개선 효과가 이후 예측으로 이어졌다는 것이 저자들의 주장이다. 특히 저층에서, 그리고 리드 타임이 짧을 때 효과가 가장 컸다.

왼쪽은 단일 레이더의 기본 PPI 반사도, 오른쪽은 여러 고도를 합친 합성 반사도. 합성 과정에서 저층 구조가 어떻게 달라지는지 보여준다 — US National Weather Service, Public domain (Wikimedia Commons)

이 대목은 조심해서 읽어야 한다. "개선이 지속됐다"는 서술은 초기장 오차가 예측 오차로 전파되는 경로가 있다는 뜻이지, 예보 정확도가 실무 수준으로 올라갔다는 뜻은 아니다. 논문도 이 실험이 통제된 조건에서 수행됐음을 밝히고 있다. 그래도 저층·단기에서 효과가 집중됐다는 패턴은 물리적으로 납득 가능하다. 블라인드 존이 바로 그 고도에 있기 때문이다.

경쟁 가설 — 보간법은 왜 부족한가

가장 강력한 반론은 "그냥 보간하면 되지 않나"다. 실제로 기존 보간법은 값이 매끄럽고, 관측된 값 사이를 지나가며, 훈련 데이터가 필요 없다. 논문의 반박은 구조에 있다. 보간은 이웃한 관측값 사이를 잇는 것이지, 저층에 수직으로 겹친 결측이 만드는 3차원 구조를 복원하는 것이 아니다. 저자들은 합성 결측과 실제 블라인드 존 양쪽에서 보간법보다 낮은 오차를 보고하며 이 지점을 뒷받침한다.

또 하나의 경쟁 가설은 학습 기반 모델이면 확산 모델이 아니어도 된다는 것이다. 논문은 학습 기반 참조 모델과의 비교에서도 RadarFill이 대체로 앞섰다고 서술한다. 다만 확산 모델 특유의 위험, 즉 관측되지 않은 영역에 그럴듯하지만 존재하지 않는 구조를 만들어 넣을 가능성은 남는다. 관측값 보존 장치가 이 위험을 줄이지만 없애지는 않는다. 메워진 영역은 언제나 "관측된 사실"이 아니라 "조건부로 생성된 추정"이다.

논문이 스스로 인정한 한계, 그리고 남는 질문

저자들이 명시한 한계는 분명하다. 실제 블라인드 존 평가는 비교 대상인 독립 위상 배열 레이더가 존재하는 한 지역, 푸젠성의 90회 볼륨 스캔에 한정된다. 독립 관측 자체도 오차를 가진다. 즉 "독립 관측과 일치했다"는 것은 두 추정이 서로 가까웠다는 뜻이지, 참값에 도달했다는 증명은 아니다. 합성 결측 실험 역시 실제 결측의 통계적 모양을 모사했을 뿐, 실제 결측이 품은 값 분포까지 재현했다고 단정하지 않는다.

그래서 남는 질문은 성능 수치가 아니라 신뢰의 문제다. 예보관이 화면에서 메워진 영역을 볼 때, 그 픽셀이 관측인지 생성인지 구분할 수 있어야 하지 않을까. 구분 표시 없이 매끄럽게 채워진 지도는 보기에 좋지만, 어디까지가 측정이고 어디부터가 추정인지 잊게 만든다. 레이더의 빈칸을 메우는 기술이 성숙할수록, 우리가 함께 설계해야 할 것은 아마 알고리즘이 아니라 그 알고리즘의 출력을 읽는 규칙일 것이다. 여러분은 생성 모델이 채운 일기예보 지도를, 어디까지 믿고 읽으시겠는가.

참고 자료

Xin Huang, Haofei Sun, Wei Han, Yunfan Yang, Huaguan Chen, Xingtao Song, Dong Xiao, "RadarFill: Observation-Constrained Gap Filling of Systematic Blind Zones in 3-D Weather Radar Reflectivity Mosaics", arXiv:2611.04768 (2026-11-03). https://arxiv.org/abs/2611.04768v1

이미지 출처: NOAA Photo Library(Public domain), US National Weather Service(Public domain), 모두 Wikimedia Commons 경유.