ATMOS fm

Transcription

1 Atmosphere. Korean Meteorological Society Vol. 28, No. 4 (2018) pp pissn eissn 기술노트 (Technical Note) PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 안중배 1) 심교문 2) 정명표 2) 정하규 1) * 김영현 1) 김응섭 1) 1) 부산대학교지구환경시스템학부, 2) 농촌진흥청국립농업과학원 ( 접수일 : 2018 년 8 월 17 일, 수정일 : 2018 년 9 월 18 일, 게재확정일 : 2018 년 9 월 19 일 ) Predictability of Temperature over South Korea in PNU CGCM and WRF Hindcast Joong-Bae Ahn 1), Kyo-Moon Shim 2), Myung-Pyo Jung 2), Ha-Gyu Jeong 1) *, Young-Hyun Kim 1), and Eung-Sup Kim 1) 1) Division of Earth Environmental System, Pusan National University, Busan, Korea 2) National Academy of Agricultural Science, RDA, Wanju, Korea (Manuscript received 17 August 2018; revised 18 September 2018; accepted 19 September 2018) Abstract This study assesses the prediction skill of regional scale model for the mean temperature anomaly over South Korea produced by Pusan National University Coupled General Circulation Model (PNU CGCM)-Weather Research and Forecasting (WRF) chain. The initial and boundary conditions of WRF are derived from PNU CGCM. The hindcast period is 11 years from 2007 to The model s prediction skill of mean temperature anomaly is evaluated in terms of the temporal correlation coefficient (TCC), root mean square error (RMSE) and skill scores which are Heidke skill score (HSS), hit rate (HR), false alarm rate (FAR). The predictions of WRF and PNU CGCM are overall similar to observation (OBS). However, TCC of WRF with OBS is higher than that of PNU CGCM and the variation of mean temperature is more comparable to OBS than that of PNU CGCM. The prediction skill of WRF is higher in March and April but lower in October to December. HSS is as high as above 0.25 and HR (FAR) is as high (low) as above (below) 0.35 in 2-month lead time. According to the spatial distribution of HSS, predictability is not concentrated in a specific region but homogeneously spread throughout the whole region of South Korea. Key words: PNU CGCM, WRF, dynamical downscaling, hindcast, prediction skill 1. 서론 장기기상및기후예측을위해서는열용량이큰해양의상태를예측하는것이매우중요한데, 해양의상태는대기와해빙등지구아시스템 (subsystem) 들과의상호작용에의해결정된다. 따라서정확한장기예 *Corresponding Author: Ha-Gyu Jeong, Division of Earth Environmental System, Pusan National University, Busandaehak-ro 63beon-gil 2, Geumjeong-gu, Busan 46241, Korea. Phone: , Fax: hagyu@pusan.ac.kr 측을위해서는지구아시스템들의상호작용을고려하는접합대순환모형의사용이필수적이다 (Meehl and Washington, 1995; IPCC, 2014). 그동안중장기계절예측의정확성을향상시키기위한연구가국내 외에서활발히진행되고있다. 예를들어 MacLachlan et al. (2015), Jung et al. (2015), Lee et al. (2016) 은 GloSea5 (Global Seasonal forecast system version 5) 를이용하여대기의주요경년변동모드인 El Niño Southern Oscillation (ENSO), North Atlantic Oscillation (NAO), Arctic Oscillation (AO) 의성능을검증하거나, Indian Ocean Dipole (IOD), 몬순 1

2 2 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 Table 1. Description of PNU-CGCM. Component model Resolution Reference Atmosphere Land Ocean Sea-ice Horizontal Spectral truncation T42 Community Climate Model Vertical 18 hybrid sigma-pressure levels (top: 2.917mb) [CCM3, Kiehl et al., 1996] Horizontal Spectral truncation T42 Land Surface Model Vertical 6 Levels [LSM, Bonan, 1998] o longitude, ~0.7 o (low lat.), Horizontal ~1.4 o (mid lat) and ~2.8 o (high lat) latitude Modular Ocean Model [MOM3, Pacanowski and Griffies, 2000] Vertical 40 levels (top: 10 m, bottom: 5258 m) Horizontal Vertical o longitude, ~0.7 o (low lat.), ~1.4 o (mid lat) and ~2.8 o (high lat) latitude Elastic-Viscous-Plastic Model [EVP, Ahn and Lee, 2001] 3 levels 지수등과같은주요지수들을통하여 GloSea5 의 6 개월기후예측능력을평가하였다. 또한, Ahn et al. (2012), Sun and Ahn (2015), Ahn and Lee (2015), Kim and Ahn (2015) 는 PNU CGCM (Pusan National University Coupled General Circulation Model) 을이용하여 12 개월앙상블예측시스템을개발하고검증하였으며, AO 의예측성을평가하였고지면초기조건및해양자료동화에따른북반구겨울철기온과해수면온도의예측성을연구하였다. 한반도의경우산악지형이많고해안선이복잡하여다양한규모의기상현상이복합적으로나타나므로, 전지구접합대순환모형 (Coupled General Circulation Model, CGCM) 을이용한기후예측을하는것에한계가있다 (Hong and Kanamitsu, 2014). 이러한한계를극복하고자지역기후모형 (Regional Climate Model, RCM) 을통한역학적규모축소법을이용하여고해상도의기후자료를생산하는방법들이이용되고있다. 또한지역기후모형의특징을파악하고모형을개선하는연구가활발하게진행되고있다 (Im et al., 2008; Lee et al., 2013; Ahn et al., 2016b). Ahn et al. (2014) 과 Lee et al. (2014) 은각각 WRF 와 GRIMs-RPM 을이용하여 21 세기한반도및동아시아기후변화를 RCP 4.5, 8.5 시나리오를적용하여전망하였고, Im et al. (2015) 는 HadGEM2-AO 를 WRF 의초기조건으로처방하여 RCP 시나리오에따른남한지역의기후를전망하기도하였다. 또한, Ahn et al. (2016b) 및 Lee et al. (2017) 은 Multi-RCM 을이용하여남한지역이나동아시아지역의여름철강수및극한강수변화를 RCP 시나리오에적용시켜전망했다. Im et al. (2017) 은미래기후에서의남한지역 heat stress 변화에대하여연구하기도하였다. Lee and Hong (2014) 은지역기후모형의공간해상도증가에따른한반도영역의극한기후모의능력상승에대해연구하였다. 이밖에도 Ahn et al. (2016a), Hur and Ahn (2017) 은 WRF 를사용하여동아시아농업기후를전망하거나 Multi-RCM 을이용하여한반도주요과수작물의개화일을예측하는등지역기후모형은한반도영역에대한다양한분야의연구에서사용되어왔다. 상세장기예측을수행함에있어서 CGCM 의해상도한계와 RCM 의장기예측성의한계를동시에극복하기위해서는 CGCM 과 RCM 의 chain 을통한예측이필요하다. Kim et al. (2011) 의연구에서는 AGCM (Atmospheric General Circulation Model) 인 GDAPS (Global Data Assimilation and Prediction System) 와 RCM 인 RegCM3 (Regional Climate Model 3) 를이용하여 3 개월의계절예측을수행하였으며남한지역겨울철에대해분석하였다. Ratnam et al. (2017) 은 Scale Interaction Experiment (SINTEX)-Frontier Research Center for Global Change (FRCGC) version 2.0 (SINTEX-F2v) 을 WRF 를통해역학적규모축소하여남반구여름철호주의기후예측을하였다. 선행연구에서는특정계절에대한예측및분석을수행한것이므로 CGCM-RCM chain 을이용하여매달의초기조건으로부터상세장기예측을실시하고검증한연구는국내 외적으로부재하다. 본연구에서는 PNU CGCM 을이용하여적분한전지구장기예측결과를지역기후모형인 WRF 의초기및경계조건으로처방하여한반도지역에대해고해상도의예측자료를생산하고, 남한지역평균기온의예측성능을살펴보고자한다. 2. 자료및방법 2.1 전지구접합대순환모형본연구에서사용된전지구접합대순환모형은 PNU CGCM (Pusan National University Coupled general circulation model; Sun and Ahn, 2011, 2015; Ahn and 한국기상학회대기제 28 권 4 호 (2018)

3 안중배 심교문 정명표 정하규 김영현 김응섭 3 Lee, 2015) 이다. PNU CGCM 은 APEC Climate Center (APCC) 의장기예측을위한다중모형앙상블 (Multi- Model Ensemble) 시스템의참여모형이다. 각성분모형인 NCEP Community Climate Model version 3 (CCM3; Kiehl et al., 1996) AGCM, GFDL Modular Ocean Model version 3 (MOM3; Pacanowski and Griffies, 2000) OGCM, Los Alamos National Laboratory (LANL) Elastic-Viscous-Plastic Model (EVP) Sea-Ice Model (Ahn and Lee, 2001) 으로구성된다. 대기성분모형 CCM3 는 T42 의수평해상도 ( 동서방향 o ) 를가지며연직으로는 18 층으로구성된다. 해양성분모형 MOM3 는 CCM3 와같은 o 의동서방향해상도를가지고있고남북방향으로는저위도에서는 ~0.7 o, 중위도에서는 ~1.4 o, 고위도에서는 ~2.8 o 의가변격자를가지고있으며연직으로는 40 층으로구성된다. PNU CGCM 의성분모형및해상도에대한정보는 Table 1 에나타내었다. PNU CGCM 의대기초기장은 NCEP Reanalysis 2 자료를이용하여생산하였으며, AMIP-type 적분을통해지면초기장을생산하였다. 해양초기장은 Global Ocean Data Assimilation System (GODAS) 의자료를사용했으며, Variational Analysis using a Filter (VAF) 로해양의각 40 층에대하여자료동화를적용하였다. PNU CGCM 에사용되는대기, 해양및지면초기장생산방법에대한자세한설명은 Ahn and Lee (2015) 에나타나있다. 2.2 지역기후모형지역기후모형으로는 WRF version 3.5 (Weather Research and Forecasting model; Skamarock et al., 2008) 을사용하였다. WRF 적분의수평해상도는 5km 로한반도를포함하는동서방향 150 개, 남북방향 245 Fig. 1. The topography heights (in meters) of the WRF domain and locations of ASOS (bigger dots) and AWS (smaller dots) in South Korea. 개의격자로구성된다 (Fig. 1). 사용된물리방안은구름물리과정에 WRF Single-Moment 3-class (WSM3) scheme (Hong et al., 2004), 단파복사모수화에 Dudhia scheme (Dudhia, 1989), 장파복사모수화에 Rapid Radiative Transfer Model (RRTM) scheme (Mlawer et al., 1997), 지표층에 Monin-Obukhov scheme (Paulson, Table 2. WRF configuration used in this study. Contents Description Horizontal dimensions Horizontal resolution 5 5 km Configuration Vertical layer (top) 30 eta levels (50 hpa) Lateral boundary condition PNU-CGCM Relaxation zone 4 Integration time step 40 s Microphysics WSM3 [Hong et al., 2004] Shortwave radiation Dudhia Scheme [Dudhia, 1989] Longwave radiation RRTM scheme [Mlawer et al., 1997] Schemes Surface layer MM5 Monin-Obukhov Scheme [Paulson, 1970; etc.] Land surface Noah Land-Surface Model [Chen and Dudhia, 2001] Planetary boundary layer Yonsei University [Hong et al., 2006] Cumulus Kain-Fritsch [Kain, 2004] Atmosphere, Vol. 28, No. 4. (2018)

4 4 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 Fig. 2. Lead-times in 5-month lead hindcast experiment. Left column indicates initialized month and top line indicates predicted month. Lead2~4 (dark-gray shaded) are dynamically downscaled by WRF. 1970), 지면과정에 Noah Land-Surface Model (Chen and Dudhia, 2001), 행성경계층에 Yonsei University (YSU) scheme (Hong et al., 2006), 적운모수화에 Kain-Fritsch scheme (Kain, 2004) 이다 (Table 2). 2.3 실험방법본연구에서는 PNU CGCM 으로전구예측자료를생산하고그결과를초기및경계조건으로하여 WRF 로한반도지역에대한역학적규모축소를수행함으로써남한지역상세예측자료를생산하였다. PNU CGCM 은매월초기화하여 5 개월의 lead (lead 0~lead 4) 로적분을수행하였다. 본논문에서는 1 월초기장으로부터예측을시작 (RUN) 하는적분을 01RUN, 2 월초기장으로부터시작하는적분을 02RUN 등으로명명하기로한다. PNU CGCM 을이용한 Hindcast 는 2007 년부터 2017 년까지 11 년에대해수행하였으며시간별 (hourly) 로자료를생산하였다. PNU CGCM 의적분결과는역학적규모축소를하는 lead 2~lead 4 에대해서만분석하였다 (Fig. 2). WRF 는 PNU CGCM 의 hindcast 결과중매달시작된적분의 lead 2~lead 4 에대하여역학적규모축소를하였으며, 각 lead 의 1 일부터 1 개월의연속적분을하였고 4 일의 spin-up 을수행하였다. 예를들어 01RUN 의경우 2007~2017 년 3 월과 4 월, 5 월에대해 WRF 적분을수행하며, 적분시작일은 spin-up 을위해각각 2 월 25 일 ( 윤년의경우 26 일 ), 3 월 28 일, 4 월 27 일이다. PNU CGCM 의결과로부터생산된경계조건은 WRF 적분에 1 시간간격으로처방되고, 후처리를통하여일별 (daily) 자료를생산하였다. WRF 의적분결과도매달생산된 lead 2~lead 4 에대하여분석하였다. 본연구에서는남한지역의일평균기온예측성검증을위하여기상청의 72 개지점의 ASOS (Automated Surface Observing System) 와 352 개지점의 AWS (Automatic Weather System) 자료를사용하였다 (Fig. 1). 자료기간은 2007 년부터 2017 년까지의일평균기온자료이다. 또한 PNU CGCM 과 WRF 의모의성능검증을위한재분석자료로 NCEP/DOE (National Centers for Environmental Prediction/Department of Energy) Reanalysis 2 (Kanamitsu et al., 2002, 이하 NCEP-R2) 지표면기온자료를사용하였으며, 자료기간은 2007 년부터 2017 년이다. 검증을위하여시간상관계수 (Temporal Correlation Coefficient; TCC), 평균제곱근오차 (Root Mean Square Error; RMSE) 및 Heidke 기술점수 (Heidke Skill Score; HSS), 적중률 (Hit Rate; HR), 오경보율 (False Alarm Rate; FAR) 등의 Skill Score 들을활용하였으며, 모형적분결과및관측의아노말리에대해검증하였다. 각 Skill Score 들은관측자료와 WRF 적분결과의아노말리를 ±0.43σ (Standard deviation) 기준으로 normal, above normal, below normal 으로나누어예측성을평가하였다 (Wilks, 1995). 3. 예측성평가 3.1 PNU CGCM 과 WRF 의모의성능 CGCM-WRF chain 에의한예측성검증에앞서 PNU CGCM 과 WRF 의모의성능을검증하였다. Figure 3 은 PNU CGCM 과 WRF 에서모의된 1, 4, 7, 10 월의평균기온공간분포를 NCEP-R2 와함께나타낸그림이다. 각월은 lead time 2 의적분결과이며, 2007~2017 년의 Hindcast 에대한기후값이다. 각그림의오른쪽상단에표기한값은남한지역평균기온의영역평균값 ( o N, o E) 이다. 먼저 PNU CGCM 의공간분포를살펴보면 (Figs. 3e-h), PNU CGCM 에서모 한국기상학회대기제 28 권 4 호 (2018)

5 안중배 심교문 정명표 정하규 김영현 김응섭 5 Fig. 3. Spatial distribution of mean temperature (oc) derived from NCEP-R2 (upper), PNU CGCM (middle) and WRF (bottom) in the WRF domain for the period of hindcast (2007~2017). 의한 1월, 4월, 7월, 10월 남한 지역 평균기온은 각각 1.13oC, 8.40oC, 23.21oC, 15.89oC로 NCEP-R2 (Figs. 3a-d)의 남한 지역 평균기온(1.03oC, 11.01oC, 23.57oC, 16.43oC)과 마찬가지로 계절에 따른 기온 특성이 잘 나타난다. 남북 기온 경도도 잘 나타나며 특히 1월과 10월은 4월과 7월에 비해 위도에 따른 기온 분포가 더 뚜렷하게 나타나는데, 이러한 특징은 NCEP-R2와 일치한다. 하지만 PNU CGCM은 전지구 규모이므로 한반도의 상세한 지형적 특징을 해상도 내에 모의하 는데 한계가 있다. WRF의 결과(Figs. 3i-l)에서는 보 다 상세한 기온 분포가 나타난다. 한반도의 경우 북 동부지역의 개마고원으로부터 동부지역을 따라 태백 Atmosphere, Vol. 28, No. 4. (2018)

6 6 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 Fig. 4. Taylor Diagram of surface temperature ( o C) for the period of hindcast (2007~2017) during (a) MAM, (b) JJA, (c) SON and (d) DJF for 2~4 month lead-times. 산맥이위치하는동고서저의지형적특징이있다. WRF 에서모의된기온은위도에따른분포뿐만아니라지형적특성에따른분포도잘나타난다. 고도및위도에따른기온의분포는겨울철인 1 월에서가장뚜렷하게나타나는데, 이러한특징은 NCEP-R2 의 1 월기온분포 (Fig. 3a) 와한국기후도 (KMA, 2012) 의기온기후값 (1981~2010) 분포에서도유사하게나타난다. WRF 에서모의한 4 월과 10 월의남한지역평균기온은각각 8.65 o C, o C 로 PNU CGCM 에비해평균기온을높게, 1 월과 7 월의남한지역평균기온은각각 0.06 o C, 21 o C 로 PNU CGCM 에비해낮게모의하지만전반적인기온분포, 계절적특성과남한영역평균값이 NCEP-R2 및 PNU CGCM 과유사하게나타 난다. Figure 4 는남한지역평균기온에대한 PNU CGCM 과 WRF 의모의성능을계절별로나타낸 Taylor 다이어그램이다. 관측표준편차에대한모형의표준편차비 (Normalized Standardized Deviations, NSD) 및 TCC (Temporal Correlation Coefficient) 를나타낸그림으로 1 에가까울수록관측과비슷함을의미한다. 즉, 그림에서 OBS 로표시되어있는점에가까울수록모의성능이우수한모형이다 (Taylor, 2001). TCC 의 90% (0.521), 95% (0.602), 99% (0.735) 신뢰수준은파선으로표시하였다. 전반적으로관측과비교한 WRF 와 PNU CGCM 의모의수준은유사하게나타나나, 관측과의상관성은 PNU CGCM 보다 WRF 에서다소높게 한국기상학회대기제 28 권 4 호 (2018)

7 안중배 심교문 정명표 정하규 김영현 김응섭 7 Fig. 5. The (a) temporal correlation coefficient (TCC) and (b) root mean squared error (RMSE) of WRF prediction result. The upper x-axis indicates initialized month, lower x-axis indicates predicted month. Each line indicates prediction from lead-time 2 to lead-time 4 of initialized month. Filled (open) circle of (a) TCC indicates the values that are statistically significant at the 95% (90%) confidence level. 나타나고, 기온의변동성은 WRF 가 PNU CGCM 에비해더크게모의한다. 계절별모의특성을살펴보면, 봄철평균기온의경우 PNU CGCM 과 WRF 의 TCC 가신뢰수준 90% 또는 95% 이상인지점에많이분포하여관측과관련성이높은편이고, NSD 는비교적 1 근처에많이분포하여변동성이관측과유사하게나타난다. 여름철평균기온의경우 NSD 가 6 월의 lead 3 WRF 결과를제외하고모두 0.75 미만으로변동성이관측에비해작고, TCC 는 PNU CGCM 은모든경우, WRF 는 8 월의 lead 2 를제외한모든경우에신뢰수준 90% 이하로낮게나타난다. 가을철에도전반적으로기온의변동성이관측보다낮고, TCC 도 0.5 이하로나타나나, 9 월의경우에는 PNU CGCM 과 WRF 의 lead 2 에서관측과의상관성이각각 99% 신뢰수준이상인 0.782, 로 12 개월중가장높게나타난다. 겨울의평균기온변동성은 WRF 와 PNU CGCM 모두 NSD 가 1 이하로관측보다작게나타나고 TCC 도 1 월 lead 2 를제외하고 PNU CGCM 과 WRF 에서모두 0.5 미만으로나타난다. 따라서 WRF 가 PNU CGCM 결과를잘따라가면서유사하게모의하나 WRF 에의해모의된자료는지역적특성을잘반영하여 PNU CGCM 에비해다소예측성이높게나타나며, 3~5 월 ( 봄철 ) 과 9 월의평균기온의모의성능이다른달보다높음을알수있다. 3.2WRF 의예측성평가 Figure 5 는 WRF 아노말리와관측아노말리의 TCC 와 RMSE 를나타낸그림이다. 각각의실선들은 lead 2 에서 lead 4 까지의결과를연결하여나타냈으며, TCC (Fig. 5a) 의경우통계적으로 95% (90%) 유의한경우채워진원 ( 빈원 ) 으로표시하였다. 예를들어 TCC 결과의가장왼쪽의실선을살펴보면 01RUN 의 TCC 를 lead 2(3 월 ) 에서 lead 4(5 월 ) 까지나타낸것이며 lead 2(3 월 ) 의 TCC 는 95% 신뢰수준에서통계적으로유의함을의미한다. RUN 별예측성을살펴보면 01RUN, 02RUN, 06RUN, 07RUN 그리고 11RUN 의 lead 2 에서 TCC 가통계적으로 90% 이상신뢰수준으로높게나타난다. 02RUN, 06RUN, 07RUN 그리고 08RUN 에서는 lead time 이증가함에따라 TCC 가낮아졌고, 나머지 RUN 들은 lead time 이증가함에따라 TCC 가높아지거나, 불규칙한패턴이나타난다. 3~4 월을예측하는 01RUN 과 02RUN 에서는 TCC 가비교적높게나타나고, 10~12 월을예측하는 08RUN, 09RUN 그리고 10RUN 에서는 TCC 가비교적낮게나타난다. Atmosphere, Vol. 28, No. 4. (2018)

8 8 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 Fig. 6. Same as Fig. 5 but for (a) Heidke Skill Score (HSS), (b) Hit Rate (HR) and (c) False Alarm Rate (FAR). RMSE (Fig. 5b) 는 0 에가까울수록예측성이높음을의미한다. RUN 별예측성을살펴보면 03RUN, 04RUN, 07RUN, 08RUN, 09RUN 그리고 10RUN 이 lead 2 에서가장낮은 RMSE 를보인다. 이 RUN 들중 09RUN 을제외한나머지 RUN 들은 lead time 이증가함에따라 RMSE 가증가한다. 이밖에 lead time 이증가함에따라 06RUN 은 RMSE 가감소하고, 01RUN, 02RUN, 05RUN, 11RUN, 12RUN 은 RMSE 가증가하다가감소하는등불규칙한패턴을보인다. RMSE 는겨울예측결과를제외하면전반적으로 1.5 미만으로비교적낮은값을나타낸다. TCC 와 RMSE 를종합해보면, WRF 예측성의변화는 lead time 의영향보다는계절및월별 (10~12 월 ) 영향이더큰것으로보인다. 이와같은특징은 Ahn et al. (2012) 에서도유사하게나타난다. Figure 6 은 WRF 의 HSS, HR, FAR 을나타낸그림이다. Figure 5 와마찬가지로각각의실선들은 lead 2 에서 lead 4 까지의결과를연결하여나타냈다. HSS 는정확한예측일수록 1 의값을가지며, 0 은 no skill 을나타낸다. HSS 역시 RUN 별로살펴보면 01RUN, 02RUN, 04RUN, 06RUN, 07RUN, 08RUN 그리고 11RUN 에서 lead 2 의예측성이 lead 3 과 lead 4 에비해상대적으로좋게나타난다. 07RUN 과 11RUN 은 lead time 이증가할수록 HSS 가감소하는모습을보이고, 01RUN, 02RUN, 04RUN, 08RUN 그리고 12RUN 은 lead 3 까지는 HSS 값이감소하다가 lead 4 까지는 HSS 값이다시증가하는모습을보인다. HSS 는다른검증결과들과는다르게계절및월별특성이뚜렷하게나타나지않았고, 03RUN, 05RUN, 09RUN 그리고 10RUN 을제외한모든 RUN 의 lead 2 에서 0.25 이 한국기상학회대기제 28 권 4 호 (2018)

9 안중배 심교문 정명표 정하규 김영현 김응섭 9 Fig. 7. Spatial distribution of Heidke Skill Score (HSS) for surface temperature in March (top), April (middle) and May (bottom). The values at the top right of each figure are mean HSS. 상으로예측성이비교적높게나타난다. Figure 6b-c 는 HR 과 FAR 을나타낸그림이다. HR 이높으면서 FAR 이낮을수록예측성이좋음을의미한다. Figure 6b 와 6c 를살펴보면, HR 과 FAR 은 05RUN, 09RUN, 10RUN 그리고 12RUN 을제외한모 든 RUN 의 lead 2 에서상대적으로높은예측성을보인다. 01RUN, 02RUN, 03RUN, 04RUN, 06RUN, 07RUN, 08RUN 그리고 11RUN 은 lead time 이증가함에따라 HR (FAR) 이낮아 ( 높아 ) 지거나같다. 나머지 RUN 들의 HR 과 FAR 은 lead time 의증가에따라 Atmosphere, Vol. 28, No. 4. (2018)

10 10 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 불규칙한변화를보인다. HR (FAR) 은 03RUN 과 09RUN 등을제외한거의대부분의 RUN 에서 0.35 이상 ( 미만 ) 의점수를나타내며, 예측성이높게나타난다. 앞의분석에서예측성이가장높았던봄철 (3~5 월 ) 에대하여각 lead 별 HSS 의분포를 Fig. 7 에나타냈다. 3 월 (Fig. 7a-c) 은 lead 2, lead 3, lead 4 모두지역별로고른 HSS 분포를보이며, 지점평균값은각각 0.26, 0.29, 0.24 로나타난다. 4 월 (Fig. 7d-f) 의경우 lead 2 에서는대부분의지역에서양의 HSS 를보이나, lead 3 에서는경상도지역및강원북부, 경기도북서부지역을제외하고는 0 이하의 HSS 를보인다. 그러나 lead 4 에서는강원도동부및내륙지역을제외하고 0 이상의 HSS 를보인다. 4 월의지점평균값은 lead 2~4 에대하여각각 0.38, 0.02, 0.27 으로나타난다. 5 월 (Fig. 7g-h) 은앞의두달과는달리 lead 2 에서가장낮은 HSS 가나타나며 HSS 가높거나낮은지점이남한전역에산발적으로분포한다. Lead 3 의경우서부및남서부지방을제외하고양의 HSS 가나타난다. Lead 4 에서는일부 0 이하의 HSS 가나타나는지역이존재하나대부분의지역에서양의 HSS 를보인다. 종합적으로살펴보면남한지역내의예측성은지형의영향을받지않고전체지역에걸쳐고르게나타나는경향이있다. 또한같은 RUN (Figs. 7a, e, i) 인경우에도 lead time 이변함에따라예측성이낮은지역이특정지역에만국한되어있지는않은것으로보인다. 4. 요약및결론 정확한장기예측을위해서는대기 - 해양상호작용을고려하는접합대순환모형의사용이필수적이다. 하지만접합대순환모형은전지구규모이므로한반도의상세한지형적특징을해상도내에모의하는데한계가있다. 본연구에서는이를극복하고자 PNU CGCM 으로부터생산된자료를초기및경계조건으로처방한 WRF 를통해한반도지역에대한고해상도의예측자료를매달준실시간생산하고이를검증하고자하였다. PNU CGCM 과 WRF 가모의한한반도영역의평균기온공간분포와 Taylor Diagram 분석을수행한결과 PNU CGCM 과 WRF 의모의수준이유사하지만, WRF 결과에서상세한지역적특성이더잘나타났으며관측과상관성을더높게모의하는것을확인하였다. PNU CGCM 은남한지역평균기온의계절에따른기온특성과남북기온경도는잘모의하지만, 한반도의상세한지형적특성은잘나타나지않았다. 반면, WRF 에서모의된기온은위도에따른분포뿐만아니라지형적특성에따른분포도잘나타났으며, PNU CGCM 과기온의분포및계절적특성등이전반적으로유 사하게나타났다. Taylor Diagram 분석에서관측과비교한 WRF 와 PNU CGCM 의모의수준은전반적으로유사하게나타났으나, 관측과의 TCC 는 PNU CGCM 보다 WRF 에서다소높고, 기온의변동성은 WRF 가 PNU CGCM 에비해관측과유사하게모의했다. 계절별로분석해본결과, PNU CGCM 과 WRF 에서모의된평균기온의예측성은봄철에가장높게나타났다. TCC 와 RMSE 를통해살펴본 WRF 의 RUN 별예측성은대체적으로 lead time 이증가함에따라불규칙한패턴을보였다. 하지만 01RUN 의 lead 2(3 월 ) 과 02RUN 의 lead 2(4 월 ) 등에서예측성이높았고, 10~12 월에대해서는 RUN 에관계없이예측성이낮았다. 이는 WRF 예측성의변화가 lead time 의영향보다계절및월별영향을더크게받은것으로사료된다. Skill Score 들을통해살펴본 WRF 의 RUN 별예측성은 lead time 의증가에따라예측성변화가불규칙하게나타났지만대부분의 RUN 에서 0.25 이상의비교적높은 HSS 값을나타냈고, 0.35 이상 ( 미만 ) 의비교적높은 ( 낮은 ) HR (FAR) 값을나타내면서예측성이높게평가되었다. 비교적예측성이높게나타났던봄철 HSS 의공간분포를살펴보면나타나있다. 예측성이특정지역에만편중되어있지않고남한전체영역에걸쳐고르게나타나는특징이있었다. 동아시아지역의기후는큰계절변동성을가지기때문에시간에따른편차가크므로다른여러기후모델에서도동아시아지역의예측성이낮은것으로알려져있다 (Wang et al., 2009; Lee et al., 2011; Jung et al., 2015). 본연구에서는전지구접합대순환모형의결과를역학적규모축소하여평균기온에대한예측을수행한결과통계적으로유의한예측성이나타나기도하였다. 그러나예측영역이남한지역을대상으로살펴봤을뿐만아니라분석기간이 11 년 (2007~ 2017) 으로기후를분석하기에는다소짧고적분초기장으로부터 2 개월뒤인 lead 2 부터살펴봤기때문에한계가있다. 향후연구에서 hindcast 기간을늘리고, 앙상블예측기법등을활용한다면더정확하고높은예측성능을얻을수있을것으로사료된다. 감사의글 본성과물은농촌진흥청연구사업 ( 세부과제번호 : PJ ) 의지원에의해이루어진것임. 본논문의개선을위해좋은의견을제시해주신두분의심사위원께감사를드립니다. REFERENCES Ahn, J.-B., and J. A. Lee, 2001: Numerical study on the 한국기상학회대기제 28 권 4 호 (2018)

11 안중배 심교문 정명표 정하규 김영현 김응섭 11 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)., S.-B. Lee, and S.-B. Ryoo, 2012: Development of 12-month ensemble prediction system using PNU CGCM V1.1. Atmosphere, 22, , doi: / Atmos (in Korean with English abstract)., Y.-W. Choi, S. Jo, and J.-Y. Hong, 2014: Projection of 21st century climate over Korean Peninsula: temperature and precipitation simulated by WRFV3.4 based on RCP4.5 and 8.5 scenarios. Atmosphere, 24, , doi: /atmos (in Korean with English abstract)., J.-Y. Hong, and K.-M. Shim, 2016a: Agro-climate changes over Northeast Asia in RCP scenarios simulated by WRF. Int. J. Climatol., 36, , doi: /joc.4423., and Coauthors, 2016b: Changes of precipitation extremes over South Korea projected by the 5 RCMs under RCP scenarios. Asia-Pacific J. Atmos. Sci., 52, , doi: /s 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, Chen, F., and J. Dudhia, 2001: Coupling an advanced land surface-hydrology model with the penn state-ncar MM5 modeling system. Part I: model implementation and sensitivity. Mon. Wea. Rev., 129, Dudhia, J., 1989: Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model. J. Atmos. Sci., 46, Hong, S.-Y., and M. Kanamitsu, 2014: Dynamical downscaling: Fundamental issues from an NWP point of view and recommendations. Asia-Pac. J. Atmos. Sci., 50, , doi: /s , J. Dudhia, and S.-H. Chen, 2004: A Revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Mon. Wea. Rev., 132, , Y. Noh, and J. Dudhia, 2006: A new vertical diffusion package with an explicit treatment of entrainment processes. Mon. Wea. Rev., 134, Hur, J., and J.-B. Ahn, 2017: Assessment and prediction of the first-flowering dates for the major fruit trees in Korea using a multi-rcm ensemble. Int. J. Climatol., 37, , doi: /joc Im, E.-S., J.-B. Ahn, A. R. Remedio, and W.-T. Kwon, 2008: Sensitivity of the regional climate of East/ Southeast Asia to convective parameterizations in the RegCM3 modelling system. Part 1: Focus on the Korean peninsula. Int. J. Climatol., 28, ,, and S.-R. Jo, 2015: Regional climate projection over South Korea simulated by the Had- GEM2-AO and WRF model chain under RCP emission scenarios. Clim. Res., 63, , doi: / cr01292., Y.-W. Choi, and J.-B. Ahn, 2017: Worsening of heat stress due to global warming in South Korea based on multi-rcm ensemble projections, J. Geophys. Res., 122, , doi: /2017jd IPCC, 2014: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of The Intergovernmental Panel on Climate Change. Stocker, T. F. et al. Eds., Cambridge University Press, 1535 pp. Jung, M.-I., S.-W. Son, J. Choi, and H.-S. Kang, 2015: Assessment of 6-month lead prediction skill of the GloSea5 hindcast experiment. Atmosphere, 25, , doi: /atmos (in Korean with English abstract). Kain, J. S., 2004: The Kain-Fritsch convective parameterization: An update. J. Appl. Meteor. Climatol., 43, 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., 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 Technical Note, 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. Climate Dyn., 28, , doi: /jcli-d Kim, M.-H., H.-S. Kang, Y.-H. Byun, S. Park, and W.-T. Kwon, 2011: Construction of the regional prediction system using a regional climate model and validation of its wintertime forecast. Atmosphere, 21, (in Korean with English abstract). KMA, 2012: The Climate Atlas of Korea. Korea Meteoro- Atmosphere, Vol. 28, No. 4. (2018)

12 12 PNU CGCM 과 WRF 를이용한남한지역기온예측성검증 logical Administration, 174 pp (in Korean). Lee, D.-K., D.-H. Cha, C.-S. Jin, and S.-J. Choi, 2013: A regional climate change simulation over East Asia. Asia-Pac. J. Atmos. Sci., 49, , doi: / s Lee, D., and Coauthors, 2017: Thermodynamic and dynamic contributions to future changes in summer precipitation over Northeast Asia and Korea: a multi RCM study. Climate Dyn., 49, , doi: / s Lee, J.-W., and S.-Y. Hong, 2014: Potential for added value to downscaled climate extremes over Korea by increased resolution of a regional climate model. Theor. Appl. Climatol., 117, ,, E.-C. Chang, M.-S. Suh, and H.-S. Kang, 2014: Assessment of future climate change over East Asia due to the RCP scenarios downscaled by GRIMs- RMP. Climate Dyn, 42, , doi: /s Lee, S.-M., H.-S. Kang, Y.-H. Kim, Y.-H. Byun, and C. H. Cho, 2016: Verification and comparison of forecast skill between Global seasonal forecasting system version 5 and unified model during Atmosphere, 26, 59-72, doi: /atmos Lee, S.-S., J.-Y. Lee, K.-J. Ha, B. Wang, and J. K. E. Schemm, 2011: Deficiencies and possibilities for long-lead coupled climate prediction of the Western North Pacific-East Asian summer monsoon. Climate Dyn., 36, , doi: /s MacLachlan, C., and Coauthors, 2015: Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Quart. J. Roy. Meteor. Soc., 141, , doi: /qj.2396 Meehl, G. A., and W. M. Washington, 1995: Cloud albedo feedback and the super greenhouse effect in a global coupled GCM. Climate Dyn., 11, Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A. Clough, 1997: Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave. J. Geophys. Res., 102, Pacanowski, R. C., and S. M. Griffies, 2000: MOM 3.0 Manual. NOAA/Geophysical Fluid Dynamics Laboratory, Princeton, USA 08542, 708 pp. Paulson, C. A., 1970: The mathematical representation of wind speed and temperature profiles in the unstable atmospheric surface layer. J. Appl. Meteor. Climatol., 9, Ratnam, J. V., T. Doi, and S. K. Behera, 2017: Dynamical downscaling of SINTEX-F2v CGCM seasonal retrospective austral summer forecasts over australia. J. Climate, 30, , doi: /jcli-d Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, M. G. Duda, X.-Y. Huang, W. Wang, and J. G. Powers, 2008: A description of the advanced research WRF version 3. NCAR Technical Note NCAR/TN-475+STR, 125 pp. Sun, J.m and J. B. Ahn, 2011: A GCM-Based Forecasting Model for the Landfall of Tropical Cyclones in China. Adv. Atmos. Sci., 28, , and, 2015: Dynamical seasonal predictability of the Arctic Oscillation using a CGCM. Int. J. Climatol., 35, , doi: /joc Taylor, K. E., 2001: Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res., 106, Wang, B., and Coauthors, 2009: Advance and prospectus of seasonal prediction: assessment of the APCC/Cli- PAS 14-model ensemble retrospective seasonal prediction ( ). Climate Dyn., 33, Wilks, D. S., 1995: Statistical Methods in the Atmospheric Sciences. Academic Press, 467 pp. 한국기상학회대기제 28 권 4 호 (2018)