DBPIA-NURIMEDIA

Transcription

1 Atmosphere. Korean Meteorological Society Vol. 28, No. 4 (2018) pp pissn eissn 기술노트 (Technical Note) PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 안중배 이준리 조세라 * 부산대학교지구환경시스템학부 ( 접수일 : 2018 년 10 월 17 일, 수정일 : 2018 년 11 월 23 일, 게재확정일 : 2018 년 11 월 24 일 ) Evaluation of PNU CGCM Ensemble Forecast System for Boreal Winter Temperature over South Korea Joong-Bae Ahn, Joonlee Lee, and Sera Jo* Division of Earth Environmental System, Pusan National University, Busan, Korea (Manuscript received 17 October 2018; revised 23 November 2018; accepted 24 November 2018) Abstract The performance of the newly designed Pusan National University Coupled General Circulation Model (PNU CGCM) Ensemble Forecast System which produce 40 ensemble members for 12-month lead prediction is evaluated and analyzed in terms of boreal winter temperature over South Korea (S. Korea). The influence of ensemble size on prediction skill is examined with 40 ensemble members and the result shows that spreads of predictability are larger when the size of ensemble member is smaller. Moreover, it is suggested that more than 20 ensemble members are required for better prediction of statistically significant inter-annual variability of wintertime temperature over S. Korea. As for the ensemble average (ENS), it shows superior forecast skill compared to each ensemble member and has significant temporal correlation with Automated Surface Observing System (ASOS) temperature at 99% confidence level. In addition to forecast skill for inter-annual variability of wintertime temperature over S. Korea, winter climatology around East Asia and synoptic characteristics of warm (above normal) and cold (below normal) winters are reasonably captured by PNU CGCM. For the categorical forecast with 3 3 contingency table, the deterministic forecast generally shows better performance than probabilistic forecast except for warm winter (hit rate of probabilistic forecast: 71%). It is also found that, in case of concentrated distribution of 40 ensemble members to one category out of the three, the probabilistic forecast tends to have relatively high predictability. Meanwhile, in the case when the ensemble members distribute evenly throughout the categories, the predictability becomes lower in the probabilistic forecast. Key words: PNU CGCM, seasonal prediction, ensemble forecast, probabilistic forecast, deterministic forecast 1. 서론 날씨및기후는사회및경제에영향을줄뿐만아니라인간활동과도밀접한연관이있기에 (IPCC, 2013), *Corresponding Author: Sera Jo, Division of Earth Environmental System, Pusan National University, Busandaehak-ro 63beon-gil, Geumjeong-gu, Busan 46241, Korea. Phone: , Fax: seta43@pusan.ac.kr 질높은예측자료를생산하는것은기상학분야에있어서가장중요한주제중하나이다. 접합대순환모형 (Coupled General Circulation Model, CGCM) 은지구시스템의대기현상을이해하고예측하기위한주요한수단으로 (Meehl, 1995), 유럽의 European Centre for Medium-Range Weather Forecasts (ECMWF) (Molteni et al., 2011), 호주의 Predictive Ocean Atmosphere Model for Australia (POAMA) (Lim et al., 2012), 영국의 Meteorological Office (MacLachlan et al., 2015), 509

2 510 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 일본의 Japan Meteorology Agency (JMA) (Takaya et al., 2010), 미국의 National Centers for Environmental Prediction (NCEP) (Saha et al., 2014) 과같은세계여러현업기관에서도접합대순환모형을이용하여장기예측을수행하고있다. 현재국내에서는기상청, Asia- Pacific Economic Cooperation Climate Center (APCC), 부산대학교기후예측연구실에서접합대순환모형을이용하여실시간장기예보자료를생산하고있다 (e.g., Jeong et al., 2008; Ahn et al., 2012; Williams et al., 2015). 이중부산대학교기후예측연구실은자체적으로접합대순환모형인 PNU CGCM 을개발및개선하여매달 12 개월전망자료를생산하고있으며 (e.g., Kim and Ahn, 2015), 이러한예측자료는 APCC 에제공되고있다. 뿐만아니라 PNU CGCM 과지역기후모형및통계적방법을이용한규모축소 (downscaling) 를실시하여우리나라및미국, 중국등의주요국가에대한상세기후예측자료를생산하여농촌진흥청등에제공하고있다 (e.g., RDA, 2014; RDA, 2018). 많은선행연구들은접합대순환모형과같은수치모형에서생산된예측자료의성능을높이기위하여모형내의물리적과정에대한모수화 (parameterization) 를개선하거나 (e.g., Collins et al., 2001; Kiehl and Gent, 2004), 모형의해상도 (resolution) 를조밀하게하는등 (e.g., Guilyardi et al., 2004) 수치모형을개선하는방향으로노력을하거나, 자료동화 (data assimilation) (Alves et al., 2004; Balmaseda and Anderson, 2009) 및앙상블기법 (ensemble method) (e.g., Lu et al., 2007) 등을이용하여초기조건 (initial condition) 에대한불확실성을줄여예측성능을향상시키려고노력을하고있다. 또한, 모형개발자들은모형에서생산된자료의경향성과계절별변동성을분석하는등예측자료의특성파악과검증을통해예측성능을향상하고자하였다. 예를들어기상청의경우현업으로사용하고있는 Global Seasonal Forecast System version 5 Global Coupled configuration 2 (GloSea5GC2) (Williams et al., 2015) 에대하여과거기후장의경향성이나기후시스템의계절별변동성을파악하는기후변동지수의예측성능을검증하였고, 지속적으로관련연구들을수행하고있으며 (e.g., Lee et al., 2016; Ham et al., 2017) 이러한연구를기반으로장기예측시스템을구축하고운영중이다. 또한 Ahn et al. (2012) 은 2000 년대초부터개발을시작한 PNU CGCM 이 12 개월예측기간동안적분기간이길어짐에도해수면온도 (sea surface temperature, SST) 의예측성이크게떨어지지않는것과적도태평양및중위도중앙태평양영역에대하여특히높은신뢰도를유지함을보였다. PNU CGCM 의예측결과는북반구겨울철의지배적인현상중하나인북극진동 (Arctic oscillation) 에대하여도높은예 측성능을나타내었으며 (e.g., Kim and Ahn, 2015; Sun and Ahn, 2015), 이를통해접합적분시자료동화를이용한해양초기화의중요성을보여주었다. 겨울철의한파, 폭설, 난동등과같은이상기후현상은인명및재산등에직접적인피해를줄뿐만아니라사회 경제전반에걸쳐다양한영향을미치므로정확한겨울철기온전망은매우중요한문제이다 (KMA, 2018). 최근부산대학교기후예측연구실은 PNU CGCM 의앙상블예보시스템을개발및개선함에따라 40 개의앙상블멤버를이용한예보자료가새롭게완성하게되었다. 본연구에서는새로운앙상블시스템을이용하여 PNU CGCM 의겨울철남한의기온에대하여앙상블예측자료의정확도및예측결과의특징을분석하여장기예측에활용할가이드라인을제시하고자하였다. 본연구는남한을중심으로한북반구겨울철기온에대하여초점을맞추었다. 2. 자료및분석방법 2.1 자료본연구에서는새롭게구축된 PNU CGCM 앙상블예보시스템에서생산된예측자료를분석하였다. PNU CGCM 은 APCC 의장기기후예측을위한다중모형앙상블에참여하고있는모형으로대기성분모형은 NCEP CCM3 (Community Climate Model version 3; Kiehl et al., 1996; Bonan, 1998), 해양성분모형은 GFDL MOM3 (Modular Ocean Model version 3; Pacanowski and Griffies, 1999), 해빙모형은 LANL (Los Alamos National Laboratory) 의 EVP (Elastic-Viscous-Plastic) Sea-Ice Model (Hunke and Dukowicz, 1997; Ahn and Lee, 2001) 으로구성된접합대순환모형이다 ( apcc21.org/attach/ser/data_description-pnu.pdf). 대기성분모형인 CCM3 의수평해상도는 T42 ( o ) 이고해양성분모형의수평해상도는경도방향으로 o, 위도방향으로는가변격자체제로적도부근에서약 0.7 o, 중위도에서는약 1.4 o, 고위도에서는약 2.8 o 의해상도를가진다 (Kim and Ahn, 2015). 본연구에사용한 PNU CGCM 앙상블예보시스템에서생산된예측자료는기상청의 2017 년여름철기후전문가회의부터새롭게제공된예보자료로 (Fig. 1), Kim and Ahn (2015) 에서소개한모형과동일하지만다양한초기화방안을통해서앙상블개수가확장된자료이다. 새로운앙상블예보시스템은총 4 종류의접합모형초기조건그룹으로구성되어있다. 대기와해양의초기조건은 Atmospheric Model Intercomparison Project (AMIP) 타입및 Ocean Model Intercomparison Project (OMIP) 타입초기화방안 (Ahn and Lee, 2015) 에의해초기화되는데, 이때변분법을이용한자료 한국기상학회대기제 28 권 4 호 (2018)

3 안중배 이준리 조세라 511 Fig. 1. Schematic diagram of PNU Global Long-term Seasonal Ensemble Prediction System of which produce 40 ensemble members on monthly basis. 동화(Variational Analysis using a Filter; Huang, 2000; Ahn et al., 2012)를 적용하는 방법에 따라서 각각 두 가지로 나뉘어진다. 각 초기조건 그룹은 시간 지연 방 법(time-lag method)을 이용해 10개의 앙상블멤버를 생 산하여(Branković et al., 1990), 총 40개의 앙상블 멤버 로 구성되어 있다. 이 가운데 5개의 앙상블 멤버는 부 산대학교에서 생산한 초기조건을 이용하여 몽골 기상 청(National Agency Meteorology and the Environmental Monitoring)에서 매월 8개월 전망자료를 생산하고 있 고, 부산대학교에서는 35개의 앙상블멤버의 12개월 전 망자료를 생산하며, 이는 몽골 기상청의 계절전망을 위해 최종 제공되고 있다(Fig. 1). 모형의 예측성능은 앙상블 멤버 수 및 모형의 특징 을 바탕으로 어떠한 앙상블 방법을 사용하는가에 따 라 앙상블 예측결과가 달라진다(Seong et al., 2017; Oh and Suh, 2017). 본 연구에서는 각 앙상블 멤버들 의 결과를 simple composite method (SCM)을 이용하 여 평균한 앙상블 평균(ENS)과 개별 앙상블 멤버들 의 예측성능을 함께 비교하였다. 여기서 사용된 SCM 은 각 앙상블 멤버들에게 동일한 가중치를 주어 평균 하는 보편적인 방법으로, 앙상블 평균 방법 중 가장 간단하면서 효과적이기 때문에 대부분의 현업기관에 서 기본적으로 사용하는 방법이다(Min et al., 2014; Ahn and Lee, 2016). 본 연구에서는 11월 초기조건을 이용 하여 생산된 1980년부터 2017년까지 총 38년의 40개 앙상블 예측자료를 이용하여 겨울철(DEC-JAN-FEB) Atmosphere, Vol. 28, No. 4. (2018)

4 512 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 남한의기온예측에초점을두고분석하였다 (Fig. 1). 본연구에서는기상청의지상기상관측 (Automated Surface Observing System, ASOS) 지점들에서관측된자료를남한의평균기온검증자료로사용하였으며, 모형의분석기간과동일한 1980 년부터 2017 년까지연속적으로관측된 60 개지점의 ASOS 자료를사용하였다 (Lee et al., 2017). 또한, 모형검증을위한자료로 NCEP-Department of Energy Reanalysis 2( 본연구에서는편의를위해 R2 라명명 ) 를사용하였다 (Kanamitsu et al., 2002). R2 에서사용된변수는 2m 기온 (2 m air Temperature, T2m), 해면기압 (Sea Level Pressure, SLP), 500 hpa 지위고도 (500 hpa geopotential height, Z500), 850 hpa 동서바람 (850 hpa zonal wind, U850), 850 hpa 남북바람 (850 hpa meridional wind, V850), 300 hpa 동서바람 (300 hpa zonal wind, U300) 이다. 재분석자료의해상도는모형과의비교를위해모형의수평및연직해상도와동일하게내삽하여사용하였다. 2.2 분석방법본연구에서는대표적인결정적분석방법 (deterministic analysis) 인시간상관계수 (temporal correlation coefficient, TCC) 와오차제곱근 (root mean square error, RMSE), 관측자료를이용하여정규화된표준편차 (normalized standard deviation, NSTD) 를사용하였다 (Jolliffe and Stephenson, 2003). 또한, 범주형결정적분석방법 (categorical deterministic analysis) 인정답률 (hit rates, HR) 과오답률 (false alarm rates, FR) 그리고모형에의한예측이임의예측보다나은정도를나타내는하이드게스킬스코어 (Heidke skill score, HSS) 도분석에사용하였다 (Wilks, 2006). 범주형결정적분석에는평년기온을기준으로 평년과비슷, 평년보다높음, 평년보다낮음 세가지범주를사용하는삼분위예보의예측성을평가하였으며이때사용된기준은표준정규분포를 33%, 34%, 33% 로나누는 ±0.43σ 을기준으로하였고, 여기서 σ 는표준편차를나타낸다 (Ahn and Lee, 2016; Jo and Ahn, 2017). 앙상블개수에따른예측성능변화를살펴보기위하여부트스트랩기법 (bootstrap method) 을사용하였다. 부트스트랩기법은주어진데이터세트로부터무작위재추출한자료를이용해새로운통계량을얻는방법으로 (e.g., Wilks, 2006), 본연구에서는중복을허용하지않고 1,000,000 번의재샘플링 (resampling) 과정을수행하였다. 과거 PNU CGCM 장기예측시스템에서는 5 개앙상블멤버만생산했지만 (Kim and Ahn, 2015), 현재새롭게구축된 PNU CGCM 앙상블예보시스템에서 40 개앙상블멤버의전망자료가생산됨에따라기존 의결정론적예보 (Deterministic forecast) 뿐만아니라확률론적예보 (Probabilistic forecast) 가가능해졌다. 이에본연구에서는겨울철남한의기온에대하여결정론적예보와확률론적예보의예측성능및각예보의특징을살펴보고자하였다. 보편적으로사용되는확률론적예보는크게두가지로, 비모수화방법 (nonparametric method) 과모수화방법 (parametric method) 이사용된다. 비모수화의대표적인방법인서열기법 (Ranking method) 에의한확률론적예보는영국의 Met office 나유럽의 ECMWF 에서사용하고있으며, 모수화에의한대표적인방법인가우시안기법 (Gaussian method) 에의한확률론적예보는일본기상청과 APCC 에서사용하고있다. 그리고기상청에서는두가지방법을동시에사용하여확률론적예보를수행하고있다 (KMA, 2012). 본연구에서는가우시안기법을이용하여확률론적예보를수행하였다. 가우시안기법은예측결과의확률분포함수에대해 ±0.43σ 값을높음과낮음의기준값으로정하여삼분위지점을결정하고, 모형이예측한결과가확률분포함수의어느구간에위치하는지계산하여확률로서나타내는방법이다. 3. 결과 북반구겨울철남한의기온에대하여앙상블멤버수에따른모형의예측성능차이를살펴보기위해 Fig. 2 에서는부트스트랩기법을이용해 PNU CGCM 40 개앙상블멤버에서선택가능한앙상블조합의평균과 ASOS 기온사이의시간상관계수를상자그림 (box plot) 으로나타내었다 ( 남한영역 : 위도 35~38 o N, 경도 125~131 o E). Figure 2 의 x 축은사용되는앙상블개수를나타내고, 아래쪽파란색점선은 95% 신뢰수준 (confidence level) 을, 위쪽은 99% 신뢰수준을나타낸다. 상자그림의수염은각각최댓값과최솟값을나타내고박스의범위는각각 25, 75 퍼센타일 (percentile) 값을, 박스가운데선은중간값 (median) 을나타낸다. 먼저앙상블멤버의수가작을수록어떤앙상블멤버를선택하느냐에따라예측성의차이가매우크게나타났으며중간값도상대적으로낮은것을알수있다. 반대로앙상블멤버의수가증가할수록시간상관계수의최솟값은점차높게나타났으며, 특히 20 개이상의앙상블멤버를사용할때에는중간값이 99% 이상의신뢰수준을나타내고 30 개이상의앙상블멤버에서는 75% 이상의조합이 99% 신뢰수준에서통계적으로유의한예측성을보였다. 이는과거 5 개앙상블멤버를생산한 PNU CGCM 장기예측시스템비교하여현재의 PNU CGCM 앙상블예보시스템이남한의기온예측에있어서보다안정적이면서높은예측 한국기상학회대기제 28 권 4 호 (2018)

5 안중배 이준리 조세라 513 Fig. 2. Temporal correlation coefficients (Y axis) between ASOS and ensemble mean according to ensemble size (X axis). All possible ensemble combinations are calculated without duplication within 40 ensemble members. Fig. 3. Spatial distribution of the ratio of ensemble numbers to 40 ensembles (shaded) which have statistically significant TCC. Dashed areas denote where ENS have statistically significant TCC. Value at Upper-right corner is area averaged TCC of ENS over S. Korea region (Boxed). Statistical significance is evaluated at 95% confidence level. 성능을 가짐을 의미한다. 다음은 40개의 앙상블 멤버들의 남한을 포함한 한 반도 주변 지역에 대한 예측성을 살펴보기 위해, 각 앙상블 멤버와 R2 사이의 시간상관계수를 Fig. 3에 나타내었다. 여기서 40개 앙상블 가운데 95% 신뢰수 준에서 유의한 시간상관계수를 가지는 앙상블 멤버의 수(%)를 색으로 나타내었으며, 빗금 친 영역은 ENS 가 R2와 95% 신뢰수준에서 통계적으로 유의한 시간 상관계수를 나타내는 영역이다. 통계적으로 유의한 예 측성을 가지는 앙상블 멤버가 많은 영역에서 ENS 역 시 유의한 기온 예측성능을 나타내었고, 특히 한반도 와 일본 남쪽의 해상, 그리고 내륙의 몽골지역에서 기 온의 경년 변동을 잘 예측하는 것을 알 수 있다. 남 한의 기온 예측성능을 재분석 자료뿐만 아니라 ASOS 자료를 이용하여 평가해 보면, 박스 영역에 대해 영 역 평균된 ENS의 기온과 ASOS를 이용한 남한 평균 기온간의 시간상관계수가 0.44로, Student s t 검증 결 과 통계적으로 99% 신뢰수준에서 유의한 상관을 가 짐을 의미한다(Wilks, 2006). 남한의 겨울철 기온에 대한 PNU CGCM의 예측성 을 더 상세히 살펴보기 위하여 ENS뿐만 아니라 40개 앙상블 멤버와 관측 간의 시간상관계수, 정규화된 표 준편차 그리고 오차제곱근을 Fig. 4에 나타내었다. Figure 4a는 테일러 다이어그램(Taylor diagram; Taylor, 2001)으로 REF 점에 가까울수록 관측과 유사한 크기 의 표준편차와 높은 시간상관을 가짐을 의미한다. 40 개 앙상블 멤버 가운데 75% 이상이 통계적으로 90% 신뢰구간에 미치지 못하는 시간상관계수를 나타내는 반면 ENS의 경우 99% 신뢰구간에서 통계적으로 유 의한 예측성능을 보여, 앙상블 방법의 장점이 잘 나 타난다(Figs. 4a, b). 오차제곱근 역시 시간상관계수와 마찬가지로 남한의 기온에 대해 ENS가 개별 앙상블 멤버들에 비해 가장 낮은 값을 나타내었다(Fig. 4c). ENS의 표준편차는 다른 멤버들에 비해 다소 작게 나 타났으며, 이는 SCM을 이용한 앙상블 평균에서 나타 나는 전형적인 특징이다(Jo and Ahn, 2014). 남한 기온의 경년 변동성뿐만 아니라 삼분위 예보 의 예측성을 확인하기 위해 Fig. 5에서는 HR, HSS 그 리고 FR을 40개 앙상블 멤버에 대하여 상자그림의 형 태로 나타내었다. HR과 HSS 모두 예측성능이 낮은 쪽에 속하는 하위 50% 앙상블 멤버 보다는 예측성이 높은 쪽에 속하는 상위 50%의 예측성의 스프레드 (spread)가 더 큰 것으로 나타났으며, ENS가 가장 높 Atmosphere, Vol. 28, No. 4. (2018)

6 514 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 Fig. 4. a) Taylor diagram and box plots, b) Temporal Correlation Coefficient and c) Root Mean Square Error (unit: o C) for temperature over S. Korea. Each ensemble member is denoted in grey open circle (a) and box (b, c) and ensemble mean is marked in red closed circle. Fig. 5. Box plot of Hit rate, Heidke skill score, False Alarm Rate for the 40 ensemble members for surface temperature compared with ASOS over South Korea. 은 HR (0.58) 과 HSS (0.37) 를나타내었다. FR 은 ENS 가가장낮은값 (0.21) 을나타내, 범주형결정적분석방법인삼분위예측성능역시 ENS 가가장높은것으로나타났다. 모형이겨울철남한의기온을잘예측하는것과관련하여겨울철의종관변수의기후학적특징을모형이어떻게모의하는지살펴보기위해, Fig. 6 에서는 R2 와 ENS 의해면기압, 850 hpa 수평바람, 500 hpa 지위고도그리고 300 hpa 동서바람기후장을분석해보았다. 먼저하층의기압장및바람장을살펴보면 (Figs. 6a, b) R2 에서는대륙의시베리아고기압과태평양의얄루샨저기압의모습이특징적으로나타나고있으며, 한반도는대륙고기압의가장자리에위치하여북서계절풍의영향을받는것으로나타났다. 이는대륙과해양의비열차에의해나타나는겨울철동아시아몬순의특징으로 (e.g., Zhang et al., 1997; Chan and Li, 2004; Jhun and Lee, 2004; Chang et al., 2006; Wang and Chen, 2010) 남한의겨울철기후시스템이동아시아겨울몬순의한부분임을알수있다. ENS 역시관측과유사한위치에서시베리아고기압과얄루샨저기압의위치및크기를유사하게모의하였고, 시베리아고기압의세력을남중국지역까지다소넓게모의하고얄루샨저기압의중심을관측보다다소강하게모의하는특징이나타났으나, 한반도가시베리아고기압의가장자리에위치하여북서계절풍의영향을받는모습을관측과매우유사하게모의하였다 (Figs. 6a, b). 상층변수를살펴보면 500 hpa 에서나타나는기압골을관측과유사한위치에모의하며그강도는모형이관측보다조금더깊게모의하는것으로나타났고상층제트 (300 hpa 동서바람 ) 의최댓값이나타나는위치역시모형이관측과유사하게잘모의하였다 (Figs. 6c, d). Figure 6 에서모형이겨울철의기후 ( 평년 ) 특징을잘모의하는것을살펴보았으므로 Fig. 7 과 Fig. 8 에서는 한국기상학회대기제 28 권 4 호 (2018)

7 안중배 이준리 조세라 515 Fig. 6. Climatology of sea level pressure (shaded), wind at 850 hpa (vector) (a, b) and geopotential height at 500 hpa (shaded), zonal wind at 300 hpa (contour) (c, d) from R2 (a, c) and ENS (b, d) during boreal winter. Fig. 7. Normalized anomaly composite map of sea level pressure (shaded) and 850 hpa wind (vector) for the case of Warm (a, c) and Cold (b, d) winter in observation (a, b) and PNU CGCM (c, d). Atmosphere, Vol. 28, No. 4. (2018)

8 516 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 Fig. 8. Normalized anomaly composite map of 500 hpa geopotential height (shading with light grey contour) and 300 hpa zonal wind (bold black contour) for the case of Warm (a, c) and Cold (b, d) winter in observation (a, b) and PNU CGCM (c, d). 남한의기온을기준으로평년보다따뜻한겨울 (Above Normal) 과추운겨울 (Below Normal) 의특징을모의할수있는지살펴보기위해 R2 와 ENS 의평년대비따뜻한겨울, 추운겨울합성장분석을실시하였다. R2 의경우 ASOS 기온을, ENS 의경우모델의남한영역평균값을따뜻한겨울과추운겨울의기준으로사용하였다. Figure 7 은정규화된해면기압과 850 hpa 바람장아노말리 (anomaly) 의합성장을나타낸그림이다. 먼저관측에서살펴보면따뜻한겨울에는기후학적으로대륙에발달하는고기압영역에음의해면기압아노말리가나타나고해상에는양의해면기압아노말리가나타나한반도에서는남풍계열의아노말리가발달하여평년보다따뜻한겨울이나타나는것을알수있다 (Fig. 7a). 모형의따뜻한겨울철합성장에서도대륙에나타난음의해면기압아노말리와해상에나타난양의해면기압아노말리가뚜렷히나타난다. 해상에나타나는양의해면기압아노말리는관측에비하여좀더동쪽으로편향되어있어한반도주변에는 850 hpa 에서동남풍계열의아노말러스한바람장이평년보다따뜻한겨울을유도한것으로나타났다 (Fig. 7c). 반대로평년보다추운겨울에는대륙의고기압이강화되고해양에저기압성순환이강화되어 겨울철한반도의주계절풍인북서계절풍을강화시키는바람편차가발생하는것으로나타났으며 (Fig. 7b), 이러한편차장의공간적분포는평년보다따뜻한겨울과상당히대칭적인것을알수있다 (Figs. 7a, b). 모형역시관측과유사한아노말리패턴을나타냈는데, 해양의음의아노말리의중심이관측은위도약 30 o 부근인반면모형은위도 50 o 부근에서나타났다. 대륙의고기압성아노말리의경우관측에서는한반도남쪽해상까지확장하여한반도에북풍아노말리가강한반면모형은북서풍아노말리의발달이뚜렷하였다. 또한, 캄차카반도북쪽의내륙지역에서모형이관측에비해추운겨울과따뜻한겨울모두아노말리의강도를크게모의하였는데, 이는북위 60 o 부근의지위고도의남북경도를모형이관측보다크게모의함을의미한다. Figure 8 에서는겨울철에발달하는한반도상층기압골과제트류 (jet stream) 의차이를살펴보기위해 500 hpa 지위고도장과 300 hpa 동서바람을나타내었다. 관측의경우평년보다따뜻한겨울과추운겨울에대칭적으로한반도상층기압골이약화 / 강화되는형태의아노말리패턴이나타났고, 상층제트는북상 / 남하하여한반도상층의제트류는약화 / 강화되는것으로나타났다. 모형역시이같은구조및대 한국기상학회대기제 28 권 4 호 (2018)

9 안중배 이준리 조세라 517 Table 1. Warm, normal and cold winters classified by the 3 3 contingency table based on the deterministic forecast of PNU CGCM with threshold ± 0.43σ. Hit rate MODEL 58% Hit rate ASOS % % % Table 2. Warm, normal and cold winters classified by the 3 3 contingency table based on the probabilistic forecast of PNU CGCM with threshold ± 0.43σ. Hit rate MODEL 47% Hit rate ASOS % % 71% 칭성을관측과유사하게모의한반면기압골에나타나는아노말리의중심은관측에비해동쪽에위치하였으며다소좁은영역에서약하게모의하는특징이있다. Tables 1 과 2 에서는 PNU CGCM 앙상블예보시스템의예측자료를이용하여각각결정론적그리고확률론적삼분위예보의예측성능을평가해보았다. 먼저결정론적삼분위예보의경우전체정답률이 58% 로나타났고, 평년과비슷한해 (50%) 보다는평년보다기온이낮거나 (67%) 높은겨울 (57%) 에더높은정답률을나타내었다 (Table 1). 확률론적예보의경우전체정답률은 47% 로결정론적예보보다다소낮은결과를보였으나, 평년보다기온이높은겨울의경우 71% 의정답률로매우높게나타내었다. 추운겨울에대해서는 50% 정답률로결정론적예보와비슷한수준의정답률을보인반면평년과비슷한수준의겨울에대해서는 17% 로임의의예측확률 (33%) 보다낮은정답률을나타내었다. 확률론적예보에대해좀더자세히살펴보기위해평년보다높거나낮은해에대하여 40 개앙상블멤버들이 3 개의카테고리에분류된개 Fig. 9. Hit rate (%) of probabilistic prediction (bar) with respect to the distribution of 40 ensemble members and deterministic prediction (line). 수에따라예보정답률이어떻게다른지 Fig. 9 에분석해보았다. 여기서 x 축은기준값과각카테고리의앙상블개수와의차이의절대값평균을나타낸것으로여기서의기준값은 40 개앙상블중 1/3 이되는값을사용하였다. 이는 40 개앙상블멤버들이 3 개의 Atmosphere, Vol. 28, No. 4. (2018)

10 518 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 카테고리에분포한모양을나타낸다. 예를들어, x 축의값이 0 에가까울수록총 40 개앙상블이 3 개의카테고리에고르게분포함을의미하며, x 축의값이클수록한쪽으로편중된모양을나타난다. Figure 9 에서알수있듯, 40 개의앙상블이공통적으로하나의카테고리에집중될수록예보예측성이높은것을알수있다. 여기서주목할점은 x 축의범위가 0~2 의경우, 즉 3 개의카테고리에대해매우고르게앙상블멤버들이분포한경우, 결정론적예보를따르는것이좋은것으로나타났다. 결과적으로앙상블이특정카테고리에집중된결과를보였을때 (x 축의값이클때 ) 에는확률론적 3 분위예보의예측성이결정론적예보에비해높고, 앙상블멤버가 3 가지카테고리에 2 개이하의차이를나타내며고르게분포하였을때에는결정론적예측의예측성이높은것을확인하였다. 이러한결정론적예보와확률론적예보의상황별예측성에관한통계는모형의예측결과를해석하는데에가이드라인으로사용될수있을것으로생각된다. 4. 요약및결론 본연구에서는초기화방안의다양화로새롭게구축된 PNU CGCM 앙상블예보시스템의예측자료의결정론적그리고확률론적예측성능평가를수행하였다. 11 월초기조건을이용하여생산된 1980 년부터 2017 년까지총 38 년의 40 개앙상블예측자료를이용하여겨울철 (DEC-JAN-FEB) 남한의기온예측에초점을두고분석하였다 (Fig. 1). 먼저앙상블개수가예측성능에미치는영향을살펴본결과, 앙상블멤버가작을수록어떤앙상블멤버를선택하느냐에따라예측성의차이가매우크게나타났다. 특히, 앙상블멤버의수가 20 개이상부터는중간값의예측성능이 99% 신뢰수준에서통계적으로유의한값을보였으며, 이를통해겨울철남한기온을통계적으로유의하게예측하기위해최소 20 개이상의앙상블멤버가필요함을알수있다. 40 개앙상블멤버를평균하여예측성을평가해본결과시간상관계수가 99% 신뢰수준에서통계적으로유의한값을나타내었고, 개별앙상블멤버보다앙상블평균이높은시간상관계수와낮은오차제곱근, 높은 HR, HSS 와낮은 FR 을보였다. 또한겨울철동아시아몬순의특징인대륙에발달한시베리아고기압과해양의얄루샨저기압, 한반도에나타나는북서계절풍, 상층제트및기압골의발달이관측과유사하게모의하고, 평년보다따뜻하고추운겨울철의합성장에서도관측과유사한구조를나타내었다. 그러므로 PNU CGCM 이동아시아의겨울철기후의기후 ( 평년 ) 장과아노말리종관패턴을관측과유사하게모의함으로써남한의겨울철기온을 예측해낸다는것을확인하였다. 결정론적그리고확률론적으로기온에대한 3 분위예보예측성을살펴본결과전체적인정답률은결정론적예보가높지만평년보다기온이높은겨울의경우확률론적예보의정답률이 71% 로매우높았으며, 평년보다추운겨울의경우결정론적예보의정답률이 67% 로가장높았다. 평년과유사할경우결정론적예보의정답률이 50% 임에반해, 확률론적예보의정답률이 17% 로임의의예측확률 (33%) 보다낮은수준이었다. 그리고확률론적예보는 3 개의카테고리에대해매우고르게앙상블멤버들이분포한경우정답률이매우낮은반면, 한쪽으로편중되어있을때는정답률이매우높았다. 이를통해우리는 11 월초기조건으로남한의겨울철기온을예보할경우, 앙상블멤버들이특정카테고리에집중되었을때에는확률론적예보의결과를따르는반면, 3 개의카테고리에대하여고르게분포할경우결정론적예보의결과를믿는것이정답률이높은것을확인하였다. 이러한본연구의결과는 PNU CGCM 자료를제공받는기상청기후전문가회의등과같은현업에참고자료로활용될수있을것이다. 이와같은확률론적그리고결정론적예보의특징이다른적분에도나타나는지, 나아가다른모형과지역에도나타나는지에대해서는추가적인분석이향후필요할것으로생각된다. 감사의글 이논문은부산대학교기본연구지원사업 (2 년 ) 에의하여연구되었음. REFERENCES Ahn, J.-B., and J. A. Lee, 2001: Numerical study on the role of sea-ice using ocean general circulation model. J. Korean Soc. Oceanogr., 6, (in Korean with English abstract)., and J. Lee, 2015: Comparative Study on the seasonal predictability dependency of boreal winter 2 m temperature and sea surface temperature on CGCM initial conditions. Atmosphere, 25, , doi: /Atmos (in Korean with English abstract)., and, 2016: A new multi-model ensemble method using nonlinear genetic algorithm: An application to boreal winter surface air temperature and precipitation prediction. J. Geophys. Res. Atmos., 121, , doi: /2016jd , S.-B. Lee, and S.-B. Ryoo, 2012: Development of 한국기상학회대기제 28 권 4 호 (2018)

11 안중배 이준리 조세라 month Ensemble Prediction System Using PNU CGCM V1.1. Atmosphere, 22, (in Korean with English abstract). Alves, O., M. A. Balmaseda, D. Anderson, and T. Stockdale, 2004: Sensitivity of dynamical seasonal forecasts to ocean initial conditions. Quart. J. Roy. Meteor. Soc., 130, Balmaseda, M., and D. Anderson, 2009: Impact of initialization strategies and observations on seasonal forecast skill. Geophys. Res. Lett., 36, L Bonan, G. B., 1998: The land surface climatology of the NCAR Land Surface Model (LSM 1.0) coupled to the NCAR Community Climate Model (CCM3). J. Climate, 11, Branković, Č., T. N. Palmer, F. Molteni, S. Tibaldi, and U. Cubasch, 1990: Extended-range predictions with ECMWF models: Time-lagged ensemble forecasting. Quart. J. Roy. Meteor. Soc., 116, Chan, J. C. L., and C. Y. Li, 2004: The East Asia winter monsoon. Chang, C.P., Ed., East Asian Monsoon, World Scientific Publishing Co. Pet. Ltd., Chang, C.-P., Z. Wang, and H. Hendon, 2006: The Asian winter monsoon. Wang, B., Ed., The Asian Monsoon, Praxis Springer Berlin, Collins, M., S. F. B. Tett, and C. Cooper, 2001: The internal climate variability of HadCM 3, a version of the Hadley Centre coupled model without flux adjustments. Climate Dyn., 17, Guilyardi, E., and Coauthors, 2004: Representing El Niño in coupled ocean-atmosphere GCMs: the dominant role of the atmospheric component. J. Climate, 17, Ham, H., D. Won, and Y.-S. Lee, 2017: Performance assessment of weekly ensemble prediction data at seasonal forecast system with high resolution. Atmosphere, 27, , doi: /atmos (in Korean with English abstract). Huang, X.-Y., 2000: Variational analysis using spatial filters. Mon. Wea. Rev., 128, Hunke, E. C., and J. K. Dukowicz, 1997: An elastic-viscous-plastic model for sea ice dynamics. J. Phys. Oceanogr., 27, IPCC, 2013: Climate change 2013: the physical science basis: Working group I contribution to the Fifth assessment report of the Intergovernmental Panel on Climate Change. Cambridge University Press, 1535 pp. Jeong, H. I., K. Ashok, B. G. Song, and Y. M. Min, 2008: Experimental 6-month Hindcast and forecast simulation using CCSM3. APCC 2008 Tech. Rep. APEC Climate Center, Korea. Jhun, J.-G., and E.-J. Lee, 2004: A new East Asian Winter Monsoon Index and associated characteristics of the winter monsoon. J. Climate, 17, Jo, S., and J.-B. Ahn, 2014: Improvement of CGCM prediction for wet season precipitation over Maritime Continent using a bias correction method. Int. J. Climatol., 35, , doi: /joc.4232., and, 2017: Statistical forecast of early spring precipitation over South Korea using multiple linear regression. J. Climate Res., 12, 53-71, doi: /cri (in Korean with English abstract). Jolliffe, I. T., and D. B. Stephenson, 2003: Forecast verification: a practitioner s guide in atmospheric science. Wiley and Sons, 254 pp. Kanamitsu, M., W. Ebisuzaki, J. Woollen, S.-K. Yang, J. J. Hnilo, M. Fiorino, and G. L. Potter, 2002: NCEP- DOE AMIP-II Reanalysis (R-2). Bull. Amer. Meteor. Soc., 83, Kiehl, J. T., and P. R. Gent, 2004: The Community Climate System Model, Version 2. J. Climate, 17, , J. J. Hack, G. B. Bonan, B. A. Boville, B. P. Briegleb, D. L. Williamson, and P. J. Rasch, 1996: Description of the NCAR community climate model (CCM3). NCAR Tech. Note. NCAR/TN-420+STR, 152 pp. Kim, H.-J., and J.-B. Ahn, 2015: Improvement in Prediction of the Arctic Oscillation with a Realistic Ocean Initial Condition in a CGCM. J. Climate, 28, KMA, 2012: Construction of the abnormal climate probability forecast system using the joint seasonal forecast system between KMA and Met Office. Korean Meteorological Administration, Seoul, 97 pp., 2018: 2017 abnormal climate report, Korean Meteorological Administration, 218 pp [Available online at abnormal_climate_report.pdf.]. Lee, J., J.-B. Ahn, M.-P. Jung, and K.-M. Shim, 2017: A Study on the Method of Producing the 1 km Resolution Seasonal Prediction of Temperature Over South Korea for Boreal Winter Using Genetic Algorithm and Global Elevation Data Based on Remote Sensing. Korean J. Remote Sens., 33, , doi: / kjrs (in Korean with English abstract). Lee, S.-M., H.-S. Kang, Y.-H. Kim, Y.-B. Byun, and C. H. Cho, 2016: Verification and comparison of forecast skill between global seasonal forecast system version Atmosphere, Vol. 28, No. 4. (2018)

12 520 PNU CGCM 앙상블예보시스템의겨울철남한기온예측성능평가 5 and unified model during Atmosphere, 26, 59-72, doi: /atmos (in Korean with English abstract). Lim, E.-P., H. H. Hendon, S. Langford, and O. Alves, 2012: Improvements in POAMA2 for the prediction of major climate drivers and south eastern Australian rainfall. CAWCR Tech. Rep. No. 051, 23 pp [Available online at Lu, C., H. Yuan, B. E. Schwartz, and S. G. Benjamin, 2007: Short-range numerical weather prediction using time-lagged ensembles. Wea. Forecasting, 22, MacLachlan, C., and Coauthors, 2015: Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Quart. J. Roy. Meteor. Soc., 141, Meehl, G. A., 1995: Global coupled general circulation models. Bull. Amer. Meteor. Soc., 76, Min, Y.-M., V. N. Kryjov, and S. M. Oh, 2014: Assessment of APCC multimodel ensemble prediction in seasonal climate forecasting: Retrospective ( ) and real-time forecasts ( ). J. Geophys. Res. Atmos., 119, , doi: / 2014JD Molteni, F., and Coauthors, 2011: The new ECMWF seasonal forecast system (System 4). ECMWF Tech Memo 656, 51 pp [Available online at ecmwf.int/sites/default/files/elibrary/2011/11209-newecmwf-seasonal-forecast-system-system-4.pdf.]. Oh, S.-G., and M.-S. Suh 2017: Comparison of projection skills of deterministic ensemble methods using pseudosimulation data generated from multivariate Gaussian distribution, Theor. Appl. Climatol., 129, , doi: /s Pacanowski, R. C., and S. M. Griffies, 1999: MOM 3.0 manual. Princeton, USA: NOAA/Geophysical Fluid Dynamics Laboratory 08542, 708 pp [Available online at model_development/ocean/mom3_manual.pdf.]. RDA, 2014: The Construction of Agrometeorological Information and Climate Modeling in Major Crop Production Area, Rural Development Administration, 138 pp [Available online at search/detail/report/reportsearchresultdetail.do?cn= TRKO ]., 2018: Production of Dissemination of Agro-climate Information in Major Crop Production Areas. Rural Development Administration, 79 pp [Available online at reportsearchresultdetail.do?cn=trko ]. Saha, S., and Coauthors, 2014: The NCEP climate forecast system version 2. J. Climate, 27, , doi: /JCLI-D Seong, M.-G., M.-S. Suh, and C. Kim, 2017: Intercomparison of Prediction Skills of Ensemble Methods Using Monthly Mean Temperature Simulated by CMIP5 Models. Asia-Pac. J. Atmos. Sci., 53, , doi: /s y. Sun, J., and J.-B. Ahn, 2015: Dynamical seasonal predictability of the arctic oscillation using a CGCM. Int. J. Climatol., 35, , doi: /joc Takaya, Y., T. Yasuda, T. Ose, and T. Nakaegawa, 2010: Predictability of the mean location of typhoon formation in a seasonal prediction experiment with a coupled general circulation model. J. Meteor. Soc. Japan, 88, doi: /jmsj Taylor, K. E., 2001: Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res.-Atmos., 106, Wang, L., and W. Chen, 2010: How well do existing indices measure the strength of the East Asian Winter Monsoon?. Adv. Atmos. Sci., 27, , doi: / s Wilks, D. S., 2006: Statistical methods in the atmospheric sciences, International Geophysics Series, vol 91, 2nd edn. Academic Press, San Diego, 627 pp. Williams, K. D., and Coauthors, 2015: The met office global coupled model 2.0 (GC2) configuration. Geosci. Model Dev., 8, , doi: /gmd Zhang, Y., K. R. Sperber, and J. S. Boyle, 1997: Climatology and interannual variation of the east Asian winter monsoon: Results from the NCEP/NCAR reanalysis. Mon. Wea. Rev., 125, 한국기상학회대기제 28 권 4 호 (2018)