DBPIA-NURIMEDIA

Transcription

1 Atmosphere. Korean Meteorological Society Vol. 26, No. 1 (2016) pp pissn eissn 연구논문 (Article) 2014 년계절예측시스템과중기예측모델의예측성능비교및검증 이상민 * 강현석 김연희 변영화 조천호기상청국립기상과학원 ( 접수일 : 2015 년 12 월 3 일, 수정일 : 2016 년 2 월 1 일, 게재확정일 : 2016 년 2 월 1 일 ) Verification and Comparison of Forecast Skill between Global Seasonal Forecasting System Version 5 and Unified Model during 2014 Sang-Min Lee*, Hyun-Suk Kang, Yeon-Hee Kim, Young-Hwa Byun, and ChunHo Cho National Institute of Meteorological Sciences, Korea Meteorological Administration, Jeju, Korea (Manuscript received 3 December 2015; revised 1 February 2016; accepted 1 February 2016) Abstract The comparison of prediction errors in geopotential height, temperature, and precipitation forecasts is made quantitatively to evaluate medium-range forecast skills between Global Seasonal Forecasting System version 5 (GloSea5) and Unified Model (UM) in operation by Korea Meteorological Administration during In addition, the performances in prediction of sea surface temperature anomaly in NINO3.4 region, Madden and Julian Oscillation (MJO) index, and tropical storms in western north Pacific are evaluated. The result of evaluations appears that the forecast skill of UM with lower values of root-mean square error is generally superior to GloSea5 during forecast periods (0 to 12 days). The forecast error tends to increase rapidly in GloSea5 during the first half of the forecast period, and then it shows down so that the skill difference between UM and GloSea5 becomes negligible as the forecast time increases. Precipitation forecast of GloSea5 is not as bad as expected and the skill is comparable to that of UM during 10-day forecasts. Especially, in predictions of sea surface temperature in NINO3.4 region, MJO index, and tropical storms in western Pacific, GloSea5 shows similar or better performance than UM. Throughout comparison of forecast skills for main meteorological elements and weather extremes during medium-range, the effects of initial and model errors in atmosphere-ocean coupled model are verified and it is suggested that GloSea5 is useful system for not only seasonal forecasts but also short- and medium-range forecasts. Key words: Global seasonal forecasting system version 5, unified model, medium-range forecast skill 1. 서론 기상현상은일반적으로 2 주이상예측이불가능하다. 이는대기가혼돈상태여서초기상태의작은오차일지라도며칠안에크게성장하기때문이다 (Lorenz, *Corresponding Author: Sang-Min Lee, Climate Research Division, National Institute of Meteorological Sciences, Korea Meteorological Administration, Jeju-do 63568, Korea. Phone: , Fax: lsmin9@gmail.com 1963). 그러나대기는기후로연장되어변화를이끄는예측가능하고느리게변하는인자들에의해영향을받는다. 예를들어열대태평양지역 El-Nino and Southern Oscillation (ENSO) 기간동안매년해수면온도의변동은많은지역에서계절적온도분포와강수량에영향을미친다 (e.g., Trenberth and Caron, 2000; Alexander et al., 2002; Smith et al., 2012). 이러한시간규모의기상현상은해수면온도뿐만아니라 Madden and Julian Oscillation (MJO), 몬순시스템, 중위도블로킹, 적도파등이해당하며, 대규모몬순시스템과 59

2 년계절예측시스템과중기예측모델의예측성능비교및검증 열대지역변동은지역의일기시스템에영향을미치는것으로알려져있다 (Xavier et al., 2014). 최근들어 2 주에서 2 개월규모의예측성향상이이슈가되고있다. 이는 2 주이상의시간규모를가진기상현상이인간의삶과지역사회에미치는영향이크지만수치기상예측모델로 2 주이상을예측하기는힘들고, 기후예측모델로계절규모이하를예측하기어렵기때문이다. 이렇듯단기예측과계절예측사이예측공백기간의이음새없는예측에대한관심이높아지면서국제기상기구는 2 주에서 2 개월간예측성향상을위해 Subseasonal to Seasonal (S2S) 라는슬로건을내걸고 2014 년부터 10 년간프로젝트를추진중에있다 (WMO, 2013). 한편, 영국기상청은 2009 년 9 월부터 Hadley Centre Global Environmental Model Version 3 (HadGEM3) 기반의전지구결합모델인계절예측시스템 Global Seasonal Forecasting System version 4 (GloSea4) 을운용하고있으며 (Arribas et al., 2011) 2013 년 7 월에는공간해상도등을업그레이드한 5 번째버전인 Global Seasonal Forecasting System version 5 (GloSea5) 를운용중에있다. GloSea5 는영국기상청 Unified Model (UM) 대기모델, Nucleus for European Modelling of the Ocean (NEMO) 해양모델, Los Alamos Sea-ice Model (CICE) 해빙모델, Met Office Surface Exchange Scheme (MOSES-II) 지면모델로구성되며, 앙상블예측시스템으로 HadGEM3 전지구기후모델의고해상도버전이다 (MacLachlan et al., 2015). 한국기상청과국립기상과학원도영국기상청과계절규모의한영공동기후예측시스템을정착하고, 2010 년부터 GloSea4 를도입하고, 2014 년부터는안정화된 GloSea5 를현업으로활용중에있다. GloSea5 를이용한계절규모의예측성능을검증한대표적인연구로고해상도 GloSea5 를이용하여대기의주요경년변동모드 (ENSO, 북아틀란트진동과북극진동 ) 의성능을검증하고, 북서태평양아열대고기압을이용한동아시아여름강수예측성을검증한연구 (MacLachlan et al., 2015) 와남동아시아극한강수현상에 MJO 의영향에대한예측성을검증한연구 (Xavier et al., 2014), 열대성저기압의계절예측성능을검증한연구 (Camp et al., 2015) 등이있다. 이러한연구들은고해상도로업그레이드된 GloSea5 가계절규모에서예측성능이다른모델에비해우수하다는것을검증하였다. 그러나아직까지단중기기간동안대기기본변수들과강수예측성능등 GloSea5 의초기관측오차와대기, 해양자료동화, 모델균형상태를위한스핀업기간등모델오차의예측성능에대해검증을수행한연구는찾아보기어렵다. 비록 GloSea5 는 HadGEM3 기반의전지구기후예 측모델이지만대기모델로 UM 을사용하기때문에초기치의정확도가뛰어나고, 해양과해빙자료동화가수행되기때문에해양의영향을많이받는지역기상현상이나대기 - 해양상호작용으로발생하는기상현상예측에있어우수한성능을보일것으로예상되지만, 기존의중기예측모델과예측성능이정량적으로얼마나차이를보이는지비교하고검증해볼필요가있다. 실제적으로 GloSea4 의경우서태평양에서 ENSO 강수아노말리의과대모의가나타난다 (MacLachlan et al., 2015). 이것은대부분의계절예측시스템과결합기후모델에서나타나는일반적인모델오차이다 (Luo et al., 2005; Guilyardi et al., 2009). 따라서본연구는한국기상청계절예측시스템인 GloSea5 의단중기예측성능을검증하기위해대기의기본변수들과일강수량, 열대해수면온도아노말리, MJO, 열대성저기압등기상변수및기상현상들에대해중기예측모델인 UM 전구모델과의전반적인예측성능을정량적으로비교하고검증하였다. 이를통해대기와해양결합모델이단중기기간동안가지는해양과해빙자료의동화효과를검증하고스핀업기간동안 GloSea5 가가지는모델오차등을분석하였다. 2. 사용된모델과검증방법 2.1 Global Seasonal Forecast System Version 5 (GloSea5) and Unified Model (UM) GloSea5 예측장은대기 - 해양이결합된 General Circulation Model (GCM) 을이용한예측장으로부터산출된다. 이것은 HadGEM3 기후모델버전으로 UM 대기, NEMO 해양과 MOSES 지표면을사용한다. GloSea5 는대기는 N216( 위도 0.8 도, 경도 0.5 도, 중위도에서수평적으로약 50 km 해상도 ), 해양은 ORCA0.25 (0.25 도 ) 를사용한다. 연직해상도는 GloSea4 와유사하게대기 85 층, 해양 75 층이다. 기후강제력 ( 에어로졸, 메탄, 이산화탄소농도등 ) 은과거모의기후기간동안관측값이며 A1B 시나리오를따른다. 오존은관측된기후값이며, 계절사이클을포함한다 (Mogensen et al., 2009). UM 은단일대기모델로 4-dimensional variational data assimilation (4D-Var) 로자료동화하며, 수평해상도에따라 Global Data Assimilation and Prediction System (GDAPS, 25 km), Regional Data Assimilation and Prediction System (RDAPS, 12 km), Local Data Assimilation and Prediction System (LDAPS, 1.5 km) 로전구, 지역, 국지모델로나누어운용된다. 한국기상청은단중기기상을예측하기위해 UM 을 2010 년 5 월이후현재까지현업모델로이용하고있으며, 전 한국기상학회대기제 26 권 1 호 (2016)

3 Table 1. Simple description of GloSea5 and UM. 이상민 강현석 김연희 변영화 조천호 61 GloSea5 Resolution Atmosphere (UM): 60 km (N216L85) Ocean (NEMO): 25 km (ORCA 0.25 L75) 25 km (N512L70) Grid 432 X X 768 Layers Atmosphere: 85 levels Ocean: 75 levels 70 vertical levels Coupler OASIS - Data Assimilation Ocean: 3D-VAR 4D-VAR Land Surface Scheme MOSES (Met Office Surface Exchange Scheme) JULES UM Table 2. Used atmospheric variables, phenomenon and verification area and index. Variables Analysis Data Verification Area Verification Index Z500, T850 and U200 1-day Precipitation SST & SSTA (ENSO) MJO (RMM) Tropical Stroms Z500, T850 and U200 of ECMWF analysis data (global) Global Telecommunication System and Global Precipitation Measurement Skin temperature of ECMWF analysis data (global) (Mean data: NCEP/NCAR reanalysis data) OLR, U850 and U200 of ECMWF analysis data (global) (Mean data: NCEP/NCAR reanalysis data) Best track of RSMC Tokyo Global East Asia NINO3.4 region Tropical region Western North Pacific Root-mean Square Error Success Ratio Probability of Detection BIAS Critical Success Index Anomaly Correlation Correlation Skill RMSE Detection rate Direct Position Error Maximum central wind speed Minimum central pressure 구모델은 240 시간예측장이생산된다. 두예측시스템의간략한설명은 Table 1 과같다. 2.2 검증변수및영역과사용된분석자료본연구에서예측성능을비교하기위해사용된대기변수와현상은 Table 2 와같다. 대기기본변수 ( 지위고도, 온도, U 성분바람 ) 에대한모델예측장의오차분석에는 the European Center for Medium range Weather Forecasting (ECMWF) 전구분석장이사용되었으며, 일강수량검증에는동아시아영역 Global Teleconnection System (GTS) 관측망에서수집된강수자료와 Global Precipitation Measurement (GPM) 고해상도위성자료가이용되었다. 해수면온도검증은 NINO3.4 지역해수면온도아노말리를검증하여 ENSO 예측성능을분석하였고, 대기와해양상호작용인 MJO 의실시간위치와강도에대한검증도이루어졌다. 마 지막으로북서태평양지역열대성저기압의위치와강도에대한검증도수행하였다. 2.3 검증방법 Root-Mean Square Error (RMSE) 예측성능평가를위해기본적으로예측장과관측장의차이는 Root-Mean Square Error (RMSE) 가사용되었다 (Eq. 1). RMSE 는실제관측된값과모델에의해예측된값사이차이를측정하는데주로사용된다. RMSE = 1 N ---Σ N m=1 ( y m o m ) 2 (1) Performance Diagram 1 일누적강수예측성능을검증하기위해 Performance Diagram 을이용하였다. 접근방법은개념적으로 Taylor Atmosphere, Vol. 26, No. 1. (2016)

4 년계절예측시스템과중기예측모델의예측성능비교및검증 Table 3. Contingency table. OBSERVATION FORECAST YES NO YES Hits Misses H+M NO False alarm Correct Rejections F+R H+F M+R Fig. 1. Time-averaged RMSE distribution between forecast of GloSea5 (blue lines), UM (red lines) and analysis of ECMWF during 365 days in Lines are expressed seasonally using boxplots. Four lines indicate the period of January to March, April to June, July to September, and October to December, respectively. Bottom figure appears p-value distribution at significance level of (2001) 도표와유사하며양분된예측성능의 4 가지측정사이기하학적관계를활용하는것이가능하다. 4 가지검증지수는 probability of detection (POD), false alarm ratio (FAR), the success ratio (SR), critical success index (CSI) 이다. 각각의지수는분할표 (Table 3) 를이용하여다음과같이산출된다. H Success Ratio ( SR) = H + F H Probability of Detection ( POD) = H + M BIAS = H H + M + F (2) (3) (4) H Critical Success Index ( CSI) = H + F (5) Anomaly Correlation (AC) Anomaly Correlation (AC) 은 NINO3.4 지역해수면온도아노말리의예측성능을평가하기위해사용되었다 (Eq. 6). M Σ AC = m=1 ( y'm y' )( o' m o' ) M Σ m=1 [ ( y'm y' ) 2 Σ m=1 ( o'm o' ) 2 ] M (6) 여기서, y' 과 o' 은각각기후적평균에서예측과관측해수면온도아노말리, y' 과 o' 은주어진 M 격자지 한국기상학회대기제 26 권 1 호 (2016)

5 이상민 강현석 김연희 변영화 조천호 63 Fig. 2. Spatial distribution of RMSE Difference of geopotential height at 500 hpa between GloSea5 and UM system during 12day forecast time in The dotted areas represent significance level of 0.05 or better according to a Student s t test. 점에서 평균된 아노말리를 나타낸다. AC는 기후적인 평균장으로부터 시작되는 패턴의 유사성을 탐지하도 록 고안되었으며(Wilks, 2006), 관측된 값과 모의된 변 동성 사이 완벽한 상관은 1.0이다. 본 연구에서는 특 정 격자 지점에서 시간 변동성의 유사성을 평가하는 데 사용되었다 hpa 지위고도, 850 hpa 온도, 200 hpa U 바람 예측성능 3.1 시간 평균된 RMSE 분포 대기 주요 기상변수인 500 hpa 고도(Z500), 850 hpa 온도(T850), 200 hpa U 성분 바람장(U200)에 대해 ECMWF 전구 분석장을 이용하여 GloSea5와 UM 초 기장부터 12일 예측장까지 일별 RMSE를 산출하였다 (Fig. 1). 3개월씩으로 구분하여 일별 RMSE를 boxplot 으로 나타내었다. 그 결과 3개 변수에 대한 GloSea5 와 UM의 RMSE 패턴은 모두 유사한 분포를 보였다. Z500에 대한 RMSE 분포의 경우, 예측기간이 길어질 수록 RMSE는 증가하는 일반적인 패턴과 초기 관측 의 불확실성과 모델의 불확실성이 나타난다. GloSea5 는 초단기 예측기간 동안 UM에 비해 RMSE의 증가 율이 크게 나타나 두 시스템의 RMSE 차이가 증가하 는 패턴을 보이다가, 예측기간이 길어질수록 RMSE 차이는 감소하는 패턴을 보인다. 3개월씩 구분한 RMSE 의 계절 분포의 경우 UM 4~6월은 다른 계절에 비해 Atmosphere, Vol. 26, No. 1. (2016)

6 년계절예측시스템과중기예측모델의예측성능비교및검증 Fig. 3. Meridional Distribution of zonal mean RMSE of GloSea5 and UM system during 12-day forecast time in 더큰 RMSE 값을가진다. 이로인해 9 일이후예측기간동안 UM 은 GloSea5 보다더큰 RMSE 값을가져예측성능이더낮은것으로분석된다. 그러나이러한특징은 Z500 에서만한정되어나타난다. 다른두변수 (T850, U200) 에대한 RMSE 패턴은고도 RMSE 분포와유사한패턴을가진다. 각변수별 RMSE 차이에대한유의성을검증한결과에서도두시스템의 RMSE 차이는초단기기간동안대부분유의수준 5% 에서통계적으로유의한분포를보이나중기이후예측기간이길어질수록몇몇변수와기간에서유의하지않은기간이나타났다 (Z500 4~6 월, 10~12 월등 ). 또한전반적으로두시스템은모두 12 일예측기간동안 RMSE 가일정하게유지되는패턴은나타나지않아불확실성은예측기간이길어질수록지속적으로증가하는패턴을보인다. 초단기예측기간동안 GloSea5 의 RMSE 가 UM 에 비해 ECMWF 분석장과더큰차이를보이는원인은추가적인연구가필요하겠지만 GloSea5 는대기 - 해양 - 해빙결합모델로같은기간동안스핀업기간등모델안정화에시간이소요되기때문인것으로판단된다. 3.2 평균예측기간별 RMSE 의공간분포 Figure 2 와 Fig. 3 은 Z500 에대한예측기간동안일별평균 RMSE 의공간분포를나타낸다. ECMWF 전구분석장과비교하여 GloSea5 와 UM 의 RMSE 차이 (GloSea5 - UM, Fig. 2) 와동서평균된 RMSE 의남북분포 (Fig. 3) 를분석하였다. 공간분포의경우두시스템의차이에대해 95% 신뢰구간에서유의성을검증하였다. RMSE 의차이가유의한영역은점으로표시하였다. 앞절에서검증된 RMSE 결과와유사하게초단기예측기간동안 GloSea5 의 RMSE 증가율이두드러지며이후 UM 의 RMSE 증가율이상승하여예측기 한국기상학회대기제 26 권 1 호 (2016)

7 이상민 강현석 김연희 변영화 조천호 65 Fig. 4. Performance diagram of showing verification statistics for GloSea5 and UM system in using (a) GTS and (b) GPM data in This diagram simultaneously shows POD, 1-FAR, CSI, and Frequency Bias values for 1~10-day forecast times and precipitation thresholds. The best scores are in the upper right corner; bias values close to one are typically considered optimal. Atmosphere, Vol. 26, No. 1. (2016)

8 년계절예측시스템과중기예측모델의예측성능비교및검증 간이길어질수록두시스템간 RMSE 차이는줄어드는패턴을보인다. 유의성검증에서도예측기간이길어질수록유의한영역이줄어드는패턴을보여, RMSE 차이는감소하는분포를보인다. 특히, RMSE 는중위도지역을중심으로급격히상승하고, 두시스템의 RMSE 차이도중위도지역에서더큰값을가진다. 또한, 예측기간이길어질수록열대해양과중위도지역에서지역적으로 GloSea5 의 RMSE 가 UM 보다적은값을가진다. 따라서 GloSea5 의 Z500 예측성능이 UM 에비해우수한지역이존재함을확인하였다. 이러한결과에서단일대기모델에비해해양과해빙의자료동화효과가중기이후기상예측성능을향상시킬수있으며특히, 대기와해양상호작용에의해발생하는기상현상에대한예측성능의경우단기예측기간동안에도 UM 보다 GloSea5 가더우수한예측성능을가질가능성을시사한다. 4. 동아시아지역 1 일강수의예측성능 1 일누적강수에대한예측성능검증을위해동아시아영역을대상으로 GTS 강수자료 (01.01.~12.31.) 와 GPM 고해상도강수자료 (04.01.~10.31.) 를관측값으로이용하여 performance diagram 을통해검증하였다 (Fig. 4). 강수검증에앞서, GloSea5 와 UM 의모델해상도차이를동일하게조절하기위해해상도가큰 UM 의강수예측장을 GloSea5 에맞게내삽하여해상도를동일하게수정하였다. GTS 강수관측값은동아시아지역에약 1,440 개지점이존재하며, 강수관측값은결측값이많이존재하여일평균 200 개정도의관측값이존재한다. GTS 는모델격자와가장가까운지점값을이용하였고, GPM 은 GloSea5 격자로역시내삽한후비교하였다. 일강수임계치는 1.0, 5.0, 10.0, 30.0 mm d 1 로총 4 개의임계치에대해검증을수행하였다. 검증은 1~10 일예측기간까지총 1 일간격 10 일에대해수행하였으며검증기간동안각예측기간별평균값을산출하였다. 그결과 GTS 와 GPM 모두 GloSea5 와 UM 의예측기간별강수예측성능은유사한분포를보였다. 평균적으로강수임계치가작을수록, 예측기간이짧을수록 SR, POD, BIAS, CSI 는 1 에가까운값을가져우수한성능을보였다. 특히예측기간이증가함에따라모든지수의값이비례적으로낮아져낮은예측성을보였으며 GTS 자료를이용할때보다 GPM 자료를이용하였을때, 예측기간에따른 POD 의변화가더크고, 작은값을가지는것으로분석되었다. 이러한결과는앞절에서도언급하였듯이 GTS 자료의결측값이많이존재하여자료의해상도가낮기때문이다. 또한일강수임계치가낮을수록 SR 의변화보다는 POD Fig. 5. (a) Distribution of Sea surface temperature and its anomaly in 2014 and climatological value in NINO3.4 region, (b) 5-day running means and (c) time averaged values of anomaly correlation in GloSea5 and UM during 1 to 12-day forecast time in 의변화가더큰폭으로낮아지는특징을보였다. 결과적으로앞절에서분석된대기 - 해양결합모델의초기모델오차에도불구하고 GloSea5 는동아시아영역에서단중기기간동안 UM 과유사한강수예측성능을보이는것으로확인되었다. 5. NINO3.4 지역해수면온도아노말리의예측성능 열대태평양지역해수면온도아노말리분포로 ENSO 예측성능을검증하기위해 NINO3.4 지역 (5 o S-5 o N, 170 o W-120 o W) 해수면온도아노말리의예측성능을 Anomaly Correlation (AC) 를이용하여분석하였다. NINO3.4 지역은적도 cold tongue 지역으로적도대류 한국기상학회대기제 26 권 1 호 (2016)

9 이상민 강현석 김연희 변영화 조천호 67 Fig. 6. Spatial distribution of time-averaged RMSE of Sea surface temperature anomaly in NINO3.4 region at GloSea5 and UM system during 1 to 12-day forecast time in 와대기순환패턴변화를보여주는해수면온도와해수면온도의기울기변화를측정하는중요한지역에해당하기때문에모델의성능을검증하는데주로사용되는영역중하나이다. 먼저 AC 산출을위해평년에대한 2014 년일별평균해수면온도아노말리를계산하고 GloSea5 와 UM 예측값과평균해수면온도를이용하여 1~12 일예측장에대한아노말리를산출하였다. 30 년평균자료는 NCEP/NCAR 재분석자료를이용하였으며, 2014 년일별분석장은 ECMWF 표면온도를이용하였다 년일별해수면온도아노말리의분포를보면, 3 월말음에서양의아노말리로, 7 월말단기간음의아노말리분포를보이고있으며, ENSO 판정기준치와비교해볼때 2014 년의경우엘니뇨또는라니냐현상은발생하지않았다 (Fig. 5a). NINO3.4 지역해수면온도아노말리에대한 365 일동안의 AC 를산출한결과는 Fig. 5b 와같다. 먼저연변동분포의경우, 3~4 월 GloSea5 와 UM 은모두 AC 의낮은값이산출되었으며, 이는해수면온도아노말리값이같은기간음에서양으로아노말리의위상변화영 향뿐만아니라해수면온도예측에있어나타나는봄철예측장벽과관련된것으로판단된다. 5 일이동평균된 GloSea5 와 UM 의예측기간별변동분포를보면, GloSea5 가 UM 에비해작은변동폭을가진다. 여기서비록 UM 의해수면온도는초기입력장으로만이용되고이후예측장에서는변화가없지만초기장부터 3 일예측기간까지는 GloSea5 에비해관측값과더유사한값을가진다. 그러나 4 일예측기간이후부터는 GloSea5 의 NINO3.4 지역해수면온도아노말리예측성능이우수한분포를가지는것이확인되었다 (Fig. 5c). NINO3.4 지역 GloSea5, UM 해수면온도예측장과 ECMWF 분석장차이의예측시간별로평균된 RMSE 공간분포를검증한결과, 단기예측기간동안은 UM 의예측장이분석장과유사하지만, 예측기간이길어질수록 GloSea5 의예측성능이더우수한분포가 AC 분포와유사하게나타난다 (Fig. 6). UM 시스템은예측기간이길어질수록 NINO3.4 지역동쪽해역에서분석장과의차이가크게나타나기시작하여 RMSE 가증가하는분포를보였다. 이번연구결과에서제시는하지않았지만, 한반도 Atmosphere, Vol. 26, No. 1. (2016)

10 년계절예측시스템과중기예측모델의예측성능비교및검증 Fig. 7. (a) Correlation skill and (b) RMSE for the bivariate MJO index during 1~12-day forecast time in Blue and red line indicates GloSea5 and UM, respectively. (c) Time-series of MJO strength in Red area shows period of strong MJO events. (d) Correlation skill for MJO strength. Solid (dashed) curves indicate correlation skill for strong (weak) MJO events. 근해 GloSea5 의 persistence 예측결과에서도 UM persistence 예측보다 BIAS 와 RMSE 의성장률이낮은분포를보여더우수한해수면온도예측성능을보이는것을확인하였다. 6. Madden and Julian Oscillation 지수예측성능 해양과대기의상호작용으로나타나는기상현상중 하나인 MJO 는계절안진동인 30~60 일주기를가진열대대기의대기순환과열대대류현상사이대규모결합현상이다. MJO 현상에대한실시간예측성능을분석하기위해 Wheeler and Hendon (2004) 방법인 Real-time Multivariate MJO (RMM) 지수를산출하여 GloSea5 와 UM 의 RMM 예측기술을검증하였다. RMM 지수는 MJO 의위치와강도를실시간으로탐지하는지수로 RMM1, RMM2 로이루어지며, 이를이용하여대류강도, 상하층바람의위치와강도를측정하는방 한국기상학회대기제 26 권 1 호 (2016)

11 이상민 강현석 김연희 변영화 조천호 69 Table 4. List of Typhoons over western North Pacific in TY_number TY Name Period (day) TY_number TY Name Period (day) 1408 NEOGURI KALMAEGI RAMASON PHANFONE MATMO VONGFONG HALONG NURI GENEVIEVE HAGUPIT 5 법이다. RMM 지수의산출은먼저, 15 o N-15 o S 평균된 OLR, 850 과 200 hpa 동서바람의일자료를이용하여경험적직교함수 (Empirical Orthogonal Function, EOF) 분석을수행하였다. EOF 분석이전에각일자료들의기후평균, 계절주기, ENSO 변동성등을제거하기위하여최근 120 일의시간평균을제거한편차장을사용하였다. 이렇게산출된 eigenvectors (EOF1 and EOF2) 와현재일자료를비교하여 MJO 의실시간위치와강도를분석하였다. 6.1 MJO 지수예측성능검증기간동안두시스템의 1~12 일예측장을이용하여 ECMWF 의분석장으로산출된 RMM 지수와비교하여 RMSE 와 Correlation Skill 값을산출하였다 (Fig. 7a, b). 그결과검증기간시간평균된 1~12 일예측기간동안 GloSea5 는 UM 보다낮은 RMSE 분포를, 높은 Correlation Skill 값을가져 2014 년동안 MJO 의위치와강도예측성능이더우수한것으로분석되었다. 두시스템은단기예측기간동안유사한예측성능을보이다가중기 (1 주 ) 이후부터급격히예측성능은떨어지는분포를보였다. 그러나, GloSea5 RMSE 의경우단기예측기간 (1 주 ) 동안은반대로예측성능이향상되는분포를보였다. 이러한패턴은추가적인연구가필요할것으로생각되나검증기간이다소짧고 (365 일 ), 2014 년동안 MJO 가다른기간에비해상대적으로강하지않았기때문인것으로판단된다. 6.2 MJO 강도예측성능검증기간동안 MJO 강도에따른예측성능을분석하였다. MJO 강도는 Eq. (7) 과같이정의된다. AMP = RMM1 2 + RMM2 2 (7) 2014 년의 MJO 를강도별로분석한결과강한 MJO 는 101 일, 약한 MJO 는 264 일로구분되었다 (Fig. 7c). 구분기준은 MJO 강도가 1 보다클 ( 작을 ) 경우강한 ( 약한 ) MJO 로정의하였다. MJO 강도에따른 GloSea5 와 UM 의 12 일예측성능을검증한결과 (Fig. 7d), 강한 MJO 발생에따른 Correlation Skill 은두시스템모두유사한값을가지고, 예측기간이길어질수록예측성능은떨어지는일반적인분포를보였다. 그러나약한 MJO 발생에따른예측성능의경우 GloSea5 의예측성능이 UM 에비해우수한분포를보였다. 또한단기예측기간 (1 주 ) 까지예측성능이다소향상되는결과는앞에서언급한것과같이검증기간이짧은것이그원인으로판단된다. GloSea5 의경우단기 (1 주 ) 이후예측기간동안은 MJO 가약할때예측성능이더우수한분포를보였다. 또한검증기간동안두시스템은모두 0.5 이상의 Correlation Skill 을가지는것으로나타났다. 7. 북서태평양지역열대성저기압예측성능 2014 년북서태평양에서발생한 Tropical Storm (TS) 들중에서중심최대풍속이 64 knots 이상인 Typhoon (TY) 급으로발달한 TS 를대상으로 GloSea5 와 UM 의예측장을이용하여태풍의중심을탐지하고탐지된태풍의위치와강도및이동경로오차를산출하여검증하였다 년동안 TY 급으로발달한 TS 는지역특별기상센터 (Regional Specialized Meteorological Centre, RSMC) 도쿄베스트트랙을이용하여 Table 4 와같이총 10 개태풍이다. 각각태풍으로지속된기간은표와같이다르게나타난다. 검증간격은 24 시간이다. 7.1 TS 중심탐지태풍의중심을탐지하기위해서다음과같은기준을설정하였다. 1) 북서태평양지역 (100 o E~180 o E, 적도 ~40 o N) 최저해면기압지점, 2) 최저해면기압지점 1 도이내지역에서 850 hpa 최대풍속 17 m s 1 이상, 3) 1) 과 2) 의조건을만족하고 850 hpa 상대와도가 /s 이상, 4) 이전관측된 TY 중심으로부터예측된 TY 중심까지거리차가 10 도이내. 이러한중심탐지방법은다른연구들에서제안된조건을반영하여산출하였다 (Bengtsson et al., 1995; Murakami and Wang, 2010; Suzuki-Parker, 2012). RSMC 도쿄베스트트랙과 GloSea5, UM 의예측장을이용하여 10 개 TY 에대해예측한결과, 전반적으 Atmosphere, Vol. 26, No. 1. (2016)

12 년계절예측시스템과중기예측모델의예측성능비교및검증 Table 5. Mean error statics of typhoon forecasts between GloSea5 and UM in Verification Index Possibly verified Detection rate (%) T+00 T+24 T+48 T+72 GloSea5 UM GloSea5 UM GloSea5 UM GloSea5 UM 42/45 (93.3%) /45 (88.9%) 25/35 (71.4%) 28/35 (80.0%) 14/25 (56.0%) 16/25 (64.0%) 4/15 (26.7%) 3/15 (20.0%) DPE (km) Fig. 8. Scatter plot for central minimum pressure (left panel) and maximum wind speed (right panel) between GloSea5 & UM and observation of 10 typhoons over western North Pacific in 로 TY 의지속기간보다더짧게예측하는경향이나타났으며, 13 호태풍 GENEVIEVE 은 11 호태풍 HALONG 발생기간에동시에발생하여중심이탐지되지않았다. 7.2 TS 중심탐지와예측결과 TS 중심탐지와중심최대기압및풍속에대한 GloSea5 와 UM 의예측성능을검증하였다. TY 중심탐지는 GloSea5 와 UM 의초기값부터 72 시간예측장까지검증하였으며, 탐지율과 Direct Position Error (DPE) 를산출하였다 (Table 5). T+00 부터 T+72 까지 best rack 기준각각 45, 35, 25, 15 개의중심이탐지되었으며, 예측시간별탐지율은예측기간이길어질수록낮은탐지율을보이나, 두시스템모두유사한탐지율을보였다. 또한 DPE 는예측기간이길어질수록증가하는일반적인분포를보였으며두시스템모두 DPE 또한유사한결과를보였다. 단, T+72 시간의경우사례가작은 UM 의 DPE 가다소작은값을보였다. 또한두시스템에서 T+48, T+72 시간에도 DPE 가작은이유는실제 48, 72 시간까지관측된태풍의수가작기때문이다. TY 강도검증에서는최저중심기압분포의경우두시스템모두관측보다높은기압분포를보여태풍을더약하게모의하였으며, 특히 GloSea5 가 UM 보다태풍을더약하게모의하는경향을보였다 (Fig. 8). 최대중심풍속분포는 UM 의경우관측보다약한풍속을모의하지만, GloSea5 는관측치에비해더강한풍속을모의하는경우가존재하는것으로분석되었다. 일반적으로해상도가낮은모델일수록풍속을더약하게모의하지만본연구에서는 2014 년동안태풍급으로발생한 10 개의열대성저기압분포에서는 GloSea5 의예측된중심풍속이 UM 보다더강하게모의되었다. 8. 요약및결론 2014 년 1 년동안기상청현업계절예측시스템인 GloSea5 와중기예측모델인 UM 의단중기예측성능을비교하고검증하였다. 그결과, 대기기본변수들 (Z500, T850, U200) 의 12 일예측평균 RMSE 분포의경우, GloSea5 는단기 ( 초기 ~3 일 ) RMSE 의증가율이크게나타나지만, 예측기간이길어질수록 UM RMSE 와의차이는감소하였다. 동아시아영역 1 일누적강수에대 한국기상학회대기제 26 권 1 호 (2016)

13 이상민 강현석 김연희 변영화 조천호 71 해 GTS 강수자료와 GPM 고해상도강수자료를이용하여 1~10 일예측기간의강수예측성능을검증한결과, GloSea5 는모든임계치 (1.0, 5.0, 10.0, 30.0 mm d 1 ) 에서전반적으로 UM 과유사한강수예측성능을보이는것으로평가되었다. 또한 NINO3.4 지역해수면온도와아노말리예측성능을검증한결과, UM 은해수면온도가초기장으로만제공됨에도불구하고, 4 일전예측기간까지 RMSE 가낮은값을가지나, 4 일이후부터예측기간이길어질수록 GloSea5 의예측성능이우수한분포가평균 AC 분포로검증되었다. MJO RMM 지수에대한예측성능검증결과에서는, 강한 MJO 의경우유사한예측성능을보이나약한 MJO 의경우는 GloSea5 의예측성능이더우수하였다. 열대성저기압중 TY 급으로발달한 TS 에대한예측성능검증결과에서는탐지율과중심위치의경우유사한성능을보였으며, 태풍발달정도의경우최대중심기압은두시스템모두약하게태풍을모의하였고, 최대중심풍속은 GloSea5 가과대모의하는경향이나타났다. 이러한결과를토대로계절예측시스템인 GloSea5 는중기예측모델인 UM 과비교할때전반적으로단중기기간동안유사한예측성능을보이는것으로평가된다. 특히해수면온도와대기 - 해양상호작용에의해발생하는대기현상인 MJO 와태풍예측성능에서 UM 과유사하거나우수한성능을보였다. 초단기기간동안스핀업기간등모델이안정화되기까지예측오차의성장률은높으나중기이후로갈수록예측오차는줄어드는패턴을확인하였다. 이를통해 GloSea5 는초기모델오차가크지않아 S2S 시간규모의계절예측뿐만아니라단중기기간기상현상, 특히해양과대기상호작용에의해발생하는태풍과 MJO 현상, 그리고현재 UM 에서수행되지않는해수면온도의예측등에활용가능할것으로판단된다. 감사의글 본연구는국립기상과학원주요사업 기상업무지원기술개발연구 (NIMS ) 의일환으로수행되었습니다. REFERENCES Arribas, A., and Coauthors, 2011: The GloSea4 ensemble prediction system for seasonal forecasting. Mon. Wea. Rev., 139, , doi: 2010MWR Alexander, M. A., I. Bladé, M. Newman, J. R. Lanzante, N. Lau, and J. D. Scott, 2002: The atmospheric bridge: The influence of ENSO teleconnections on air-sea interaction over the global oceans. J. Climate, 15, Bengtsson, L., M. Botzest, and M. Esch, 1995: Hurricanetype vortices in a general circulation model. Tellus, 47A, Camp, J., M. Roberts, C. MacLachlan, E. Wallace, L. Hermanson, A. Brookshaw, A. Arribas, and A. A. Scaife, 2015: Seasonal forecasting of tropical storms using the Met Office GloSea5 seasonal forecast system. Q. J. R. Meteorol. Soc., 141, , doi: / qj Guilyardi, E., A. Wittenberg, A. Fedorov, M. Collins, C. Wang, A. Capotondi, G. J. van Oldenborgh, and T. Stockdale, 2009: Understanding El Nino in ocean atmosphere general circulation models: Progress and challenges. Bull. Am. Meteorol. Soc., 90, , doi: /2008bams Luo, J. J., S. Masson, E. Roeckner, G. Madec, and T. Yamagata, 2005: Reducing climatology bias in an ocean-atmosphere CGCM with improved coupling. Physics. J. Climate, 18, , doi: / JCLI MacLachlan, C., and Coauthors, 2015: Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Q. J. R. Meteorol. Soc., 141, , doi: /qj Mogensen, K. S., M. A. Balmaseda, A. Weaver, M. J. Martin, and A. Vidard, 2009: NEMOVAR: A variational data assimilation system for the NEMO ocean model. ECMWF newsletter 120, summer Murakami, H., and B. Wang, 2010: Future change of North Atlantic tropical cyclone tracks: Projection by a 20- km-mesh global atmospheric model. J. Climate, 23, Smith, D. M., A. A. Scaife, and B. Kirtman, 2012: What is the current state of scientific knowledge with regard to seasonal and decadal forecasting? Environ. Res. Lett., 7, , doi: / /7/1/ Suzuki-Parker, A., 2012: An assessment of uncertainties and limitations in simulating tropical cyclones. Springer Thesis. XIII, 78 pp. Taylor, K. E., 2001: Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res., 106, Trenberth, K. E., and J. M. Caron, 2000: The southern oscillation revisited: Sea level pressures, surface temperatures and precipitation. J. Climate, 13, Wilks, D. S., 2006: Statistical methods in the atmospheric Atmosphere, Vol. 26, No. 1. (2016)

14 년계절예측시스템과중기예측모델의예측성능비교및검증 sciences. 2nd ed. Elsevier Inc., 627 pp. WMO, 2013: Sub-seasonal to seasonal prediction research implementation plan. [Available online at S2S_Implem_plan_en.pdf]. Xavier, P., R. Rahmat, W. K. Cheong, and E. Wallace, 2014: Influence of madden-julian oscillation on southeast Asia rainfall extremes: Observations and predictability. Geophys. Res. Lett., 41, , doi: /2014gl 한국기상학회대기제 26 권 1 호 (2016)