복잡 지형 지역에서의 KMAPP 지상 풍속 예측 성능 평가와 개선

1. 서 론

고해상도 기상 예측 정보는 다양한 사회 경제 분야에서 널리 활용되는 기반 정보로서 정확한 기상 예측 정보의 산출에 대한 요구가 지속적으로 증가하고 있다(e.g., Pelland et al., 2013; Sheridan et al., 2018; Seok et al., 2020). 기상 수치 모형은 예측 기상 정보의 산출을 위해 널리 활용되는 도구이며, 다양한 종류의 기상 수치 모형이 기상 현상에 대한 연구 목적이나 기상 정보 제공을 위한 현업 목적으로 활용되고 있다. 일반적으로 기상 수치 모형은 결정론적 대기 운동 지배 방정식에 기초하고 있으나 초기/경계 조건, 수치 차분법, 물리 과정 모수화 등 다양한 불확실성요소를 가지며(e.g., Palmer, 2000), 예측 기상 정보는 필연적으로 오차를 포함하게 된다. 기상 수치 모형의 개선을 위한 다양한 연구들이 수행되고 있으나(e.g., Lott and Miller, 1997; Beljaars et al., 2004; Lee and Park, 2008; Lee et al., 2011), 모형의 예측 오차는 피할 수 없는 요소로 볼 수 있다. 따라서, 기상 수치 모형의 예측 정보는 활용 목적에 맞게 다양한 방법을 통해 후처리 과정(post processing)을 거치게 된다(e.g., Howard and Clark, 2007; Sheridan et al., 2010; Pelland et al., 2013; Sheridan et al., 2018).

국립기상과학원의 KMAPP (Korea Meteorological Administration Post Processing) 모형 체계는 기상청 국지예보모형(Local Data Assimilation and Prediction System: LDAPS)의 국지 기상장 예측 정보(1.5 km 격자 해상도)를 이용하여 한반도 전 영역에 대해 100m 격자 해상도의 고해상도 기상 정보를 산출하고 있다. KMAPP 모형은 영국 기상청 Met Office에서 UM (Unified Model) 모형의 수치 예측 정보의 활용도를 높이고 초단기 현업 예보에 활용하기 위해 개발한 규모 상세화 모형인 UKPP (United Kingdom Post Processing)를 기반으로 하고 있다. 현업 예보 모형에서 표현하지 못하는 아격자규모의 지형과 지표 정보의 영향을 예측 결과에 반영함으로써 상세한 공간 규모의 기상요소를 산출하는 방안이다. 현재 KMAPP 체계는 기상청 국지 예보 모델의 예측 주기를 따라 일 4회 주기적으로 일사, 기온, 풍속의 예측 정보를 생산하고 있다. 이들 정보는 태양광 에너지와 풍력 에너지 등 신재생 에너지 분야의 기상 지원을 위해 활용되고 있으며, 공항 주변의 항공 기상 정보 제공 등 다양한 분야에 고해상도 지상 정보를 제공하고 있다(Seok et al., 2020; Yun et al., 2021). 또한, KMAPP 모형의 예측 기상 정보의 신뢰도 향상을 위해 모형 예측 체계의 지속적인 검증을 수행하고 있다.

ICE-POP (International Collaborative Experiment for Pyeongchang Olympic and Paralympics)은 2018년 2월에 개최된 동계 평창 올림픽 지원을 위해 수행된 국제 협력 연구 프로그램으로, 평창 지역을 대상으로 전세계 12개국의 28개 기관이 국지 기상의 집중 관측과 수치 모델링을 수행하였다(e.g., Chandrasekar et al., 2018; In et al., 2018; Jung et al., 2020). 지상 자동기상관측소(automatic weather station: AWS), 라디오존데, 강수/바람 라이다 등 다양한 플랫폼의 현장 및 원격 측정 장비들이 주요 지역에 배치되어 운용되었으며, 현업 국지예보모델을 포함하여 다양한 기관의 모형으로부터 수치 예보 자료가 생산되었다. 이들 정보를 바탕으로 동계 올림픽 운용을 위한 기상 정보를 지원하였다. 이 외에도 산악 지형에 의한 대기 경계층 3차원 바람 구조 변화, 해양-대기 상호 작용을 통한 강설 기작 분석 등 복잡 지형과 연계된 다양한 과학적 연구 주제들도 목표로 함께 제시되었다. ICEPOP 2018 캠페인 특별 측정 자료는 산악과 해양을 포함하는 복잡 지형 지역에서 수집되어 기상 현상 연구뿐 아니라 복잡 지형 지역에서의 수치 모형의 예측성능을 평가할 수 있는 좋은 정보를 제공한다.

본 연구에서는 ICE-POP 2018 캠페인 기간 동안 수집된 지상 측정 자료를 이용하여 KMAPP 모형의 겨울철 복잡 지형 지역에서의 지상 풍속 예측 성능을 평가하고, 모형 지면 입력 정보의 갱신과 물리 과정의 효과 분석을 바탕으로 예측 성능을 개선하고자 한다. ICE-POP 2018 캠페인 측정 자료는 기상청에서 현업으로 운영하고 있는 지상 측정망의 밀도가 성긴 영동 복잡 지형 지역에서의 측정 정보를 제공하고 있어 KMAPP 예측 성능뿐 만 아니라 현업 LDAPS 모형의 지상 풍속 예측 성능을 평가할 수 있는 유용한 기회를 제공한다. 논문의 구성은 다음과 같다. 제2장에서는 KMAPP 풍속 예측 독립 모듈(‘KMAPP-Wind’) 개발과 주요 지면 파라미터의 개선 사항을 기술하고, 물리 보정 방안에 대한 민감도 실험 구성과 복잡 지형 지역에서의 풍속 예측 성능 검증을 위한 모의 영역과 검증 방안을 제시하였다. 제3장에서는 KMAPP와 KMAPP-Wind 모형의 지면 파라미터를 비교하고 물리 보정 방안에 대한 민감도 실험 결과를 기술하였다. 제4장에서는 2018년 2월 ICE-POP 캠페인 기간에 대한 LDAPS, KMAPP, KMAPP-Wind 모형의 지상 풍속 예측 성능을 평가하고 통계 검증을 통해 모형의 개선 결과를 정량적으로 분석하였다. 마지막으로, 요약 및 결론은 제5장에 제시하였다.

2. 연구 방법

2.1 KMAPP-Wind 풍속 예측 독립 모듈 개발

본 연구에서는 국립기상과학원의 현행 KMAPP 모형을 기반으로 풍속 예측 독립 모듈인 KMAPP-Wind 모형을 개발하였다. KMAPP-Wind 모형은 KMAPP 모형의 풍속 예측 기능만을 분리한 모형으로, KMAPP 모형의 효율적인 성능 평가와 개선을 위한 방안을 제공하고 독립적인 풍속 예측 모듈로 활용할 수 있도록 고안하였다. Figure 1은 KMAPP-Wind 모형의 지상 풍속 계산 흐름도를 나타낸다. LDAPS 1.5 km 격자 해상도의 예측 바람장은 Arakawa-C 격자계에서 Arakawa-B 격자계로 좌표 변환한 후 KMAPP 수평/연직 격자 해상도에 맞게 공간 내삽을 수행한다. 좌표계 변환 과정은 Arakawa-B 격자계를 기반으로 하는 KMAPP 모형의 입력 정보 생산을 위해 필요하다. 내삽된 예측 바람장은 해당 예측 지점의 지표 특성을 반영한 거칠기 보정(roughness adjustment)와 고도 보정(height correction) 과정을 순차적으로 거친 후 100m 수평 해상도의 최종 예측 풍속이 산출된다. 물리 보정 과정은 Howard and Clark (2007)에 제시된 방안을 기반으로 하며, 다음은 거칠기 보정과 고도 보정 과정을 상술한다.

Fig. 1.

Flowchart of the KMAPP-Wind model.

2.1.1 거칠기 보정

거칠기 보정은 중립 대기에서 지상 부근의 풍속이 고도가 감소함에 따라 로그 함수 형태로 감소한다는 관측에 기반을 두고 있다(Grant and Mason, 1990). 현업 예측 모형은 각 격자에서 산정된 지표면 식생 거칠기 길이를 지표 상사 이론에 적용하여 운동량 교환 과정을 모의한다. 일반적으로 고해상도 모형이라고 할지라도 격자 내 평균 식생 거칠기 길이는 실제 지표 특성값과 차이를 보이므로 예측 지점의 지표면 식생 거칠기 길이를 반영한 풍속의 보정이 요구된다. 해당 지점의 식생 거칠기 길이를 반영한 풍속의 연직 분포는 다음의 식으로 나타낼 수 있다.

$\[ u_{RA}\left(z\right)=\frac{u_{\text{*}}}{k}\ln \left(\frac{z}{z_0}\right)=u\left(h_{RA}\right)=\frac{\ln \left(z/z_0\right)}{\ln \left(h_{RA}/z_0\right)} \]$

(1)

여기서 u_RA(z)는 연직 고도 z에서의 거칠기 보정 풍속이며, u_*는 마찰 속도(friction velocity), k는 von Karman 상수(= 0.4)이다. u(h_RA)은 LDAPS 모형의 예측 풍속을 나타내고, h_RA는 거칠기 보정 기준 고도(reference height)로 풍속 연직 대수 분포의 상단을 의미한다. z는 풍속 보정 고도이며, z₀는 해당 지점의 식생 거칠기 길이를 나타낸다.

2.1.2 고도 보정

바람장의 고도 보정은 예보 모형의 격자 지형 고도와 해당 지점의 실제 지형 고도의 차에 의한 풍속 효과를 보정한다(Howard and Clark, 2007). 이는 이상화된 지형 위에서의 중립 대기 경계층 흐름에 대한 선형 이론을 기반으로 하고 있다(Jackson and Hunt, 1975; Mason and King, 1985). 중립 대기 조건에서 삼각 함수 형태의 단순화된 지형을 가정한 운동 방정식의 해석해로부터 고도별 풍속 보정항은 다음과 같이 나타낼 수 있다.

$\[ \text{Δ}{u}_{HC}\left(z\right)=u\left(h_{HC}\right)e^{-\kappa z}\text{Δ}H, \]$

(2)

여기서 Δu_HC(z)는 연직 고도 z에서 보정 풍속 크기를 나타내며, u(h_HC)은 고도 보정 기준 고도(h_HC)에서 LDAPS 모형의 예측 풍속을 의미한다. 또한 κ는 지형 파수(wave number)를 의미하며, ΔH_HC(= H_KMAPP - H_LDAPS)는 KMAPP-Wind와 LDAPS 모형의 지형 고도차를 나타낸다. 고도 보정 기준 고도(h_HC)와 지형 파수(κ)는 국지 지역의 지형 고도 특성 값으로부터 정의되며, 각각 다음과 같이 계산한다.

$\[ h_{HC}=\frac{1}{\kappa }, \]$

(3)

$\[ \kappa =\pi \frac{A/S}{H/2}, \]$

(4)

여기서 H/2는 지형 피크 고도(orographic peak height)를 의미하고, A/S는 지형 실루엣 거칠기(orographic silhouette roughness)를 나타낸다. h_RA와 h_HC는 거칠기 보정과 고도 보정의 크기를 결정하는 중요한 인자로, KMAPP-Wind에서 h_RA는 h_HC에 산악 효과를 반영한 스케일링 인자(scaling factor)를 적용하여 산정한다.

2.3 민감도 실험 구성

KMAPP-Wind 모형의 물리 보정 방안에 따른 지상 풍속 예측 성능을 평가하기 위해 민감도 실험을 구성하였다. KMAPP-Wind 모형의 내삽 과정(‘INTP’), 거칠기 보정(‘RA’), 고도 보정(‘HC’)의 적용 여부에 따라 6가지의 모의를 각각 수행하였다. 고도 보정의 경우, LDAPS와 KMAPP 모형의 지형 고도차(ΔH_HC)가 양의 값을 가지는 지점(‘언덕’)에서만 풍속 보정을 수행하는 실험(‘HC (ΔH > 0)’)을 모든 지점에서 고도 보정을 적용하는 실험과 구분하여 구성하였다. Table 1은 민감도 실험의 구성을 요약하여 보여준다. 민감도 실험은 2월 전체 기간에 대해 예측을 수행하였으며 지상 측정 풍속 자료를 이용하여 모의 성능을 평가하였다.

Table 1.

Configuration of the six sensitivity simulations of the KMAPP-Wind model. ‘INTP’, ‘RA’, and ‘HC’ denote the interpolation, roughness adjustment, and height correction processes in the KMAPP-Wind model. ‘HC (ΔH > 0)’ indicates height correction applied only for ΔH > 0.

2.4 모의 영역과 측정 자료

Figure 2는 KMAPP와 KMAPP-Wind의 예측 성능 평가를 위한 지상 풍속 모의 영역과 지상 측정 지점의 위치를 나타낸다. 모의 영역은 ICE-POP 캠페인이 있었던 영동 지역으로 설정하였으며, 2018년 2월 1일부터 28일 기간에 대해 매일 0000 UTC 기준 1시간 간격의 +36 h 예측을 수행하였다. KMAPP와 KMAPP-Wind 모형의 예측 자료는 LDAPS와 동일한 시각에 거칠기/고도 보정된 예측 정보를 생산한다. Table 2는 모형 예측 성능의 검증을 위해 사용한 지상 측정소 지점을 나타낸다. ICE-POP 2018 기간 동안 AWS 측정소는 28개소가 운영되었으며, 동계 올림픽 경기장과 주변의 기상 상태를 주로 관측하였다. 겨울철 열악한 산악 기상 조건과 주변 지형 지물의 영향으로 측정 오류를 포함한 AWS 지점을 제외한 16개소 자료를 검증에 사용하였다. 산악-협곡 지형 지역에서 여러 측정 지점이 집중되어 있으며 측정 지점 고도는 390 m부터 1416 m까지 넓게 분포하고 있어 복잡 지형 지역의 예측 성능을 평가하기에 유용한 정보를 제공한다. 지상 풍속은 10분 평균 풍속 자료를 사용하였으며, LDAPS 예측 자료는 측정 자료와의 비교를 위해 측정 지점으로 선형 내삽을 수행하였으며 KMAPP과 KMAPP-Wind 예측 자료는 100 m의 높은 수평 해상도로 산출되므로 최근접 내삽을 적용하였다. 윈드라이다는 메이힐즈 산악 지역에서 운용되었으며, 분석 기간동안의 대기 경계층(1 km 이내) 내 고도별 풍속의 시간에 따른 변동을 파악하기 위해 활용하였다.

Fig. 2.

(a) Simulation domain of the Korea Meteorological Administration Post Processing (KMAPP) system for the ICE-POP 2018 field campaign. Shaded contours denote the topographic heights. (b) Location of the automatic weather station (AWS) and wind lidar measurement sites with three sub-regions shown in (c) R1, (d) R2, and (e) R3.

Table 2.

Surface automatic weather system (AWS) sites deployed during the ICE-POP 2018.

Figure 3은 지상 AWS 측정 지점의 지형 고도와 LDAPS와 KMAPP 모형의 지형 고도를 비교하고 있다. 고해상도 지형 고도 자료를 기반으로 작성된 KMAPP 모형의 지형 고도는 측정 지점의 실제 고도를 대체로 잘 표현하고 있다. 반면, LDAPS 모형의 지형 고도는 측정 지점 고도에 비해 -192 m에서 42m까지 상대적으로 큰 차이를 보여주고 있다. LDAPS 모형의 경우, 지형 고도가 낮은 협곡 지역의 지형 고도는 실제 고도보다 높게 나타나며, 지형 고도가 높은 산악 지역의 지형 고도는 실제 고도보다 낮게 나타난다(Fig. 3a). 이는 모형 격자 해상도 영향과 산악 지형 지역에서의 수치 불안정을 피하기 위해 적용된 지형 평활화 과정의 영향으로 분석된다(e.g., Webster et al., 2003). KMAPP과 LDAPS 모형의 고도차(ΔH_HC)는 LDAPS 모형의 협곡 지형 평활화가 이루어진 지점에서는 음의 값을 가지며 산악 지형 평활화가 이루어진 지점에서는 양의 값을 가진다(Fig. 3c). 해당 지점에서는 협곡 지형 평활화가 산악 지형 평활화보다 크게 나타나고 있으며, 이는 복잡 지형 지역에서 전반적으로 보여지는 특징이다.

Fig. 3.

(a) Topographic elevation of the 16 AWS sites and corresponding topographic heights represented by the KMAPP and LDAPS models. (b) Topographic height difference between the model and the measurement at each AWS site. (c) Topographic height difference between the KMAPP and LDAPS models (HKMAPP - HLDAPS) at each AWS site.

3. 산출 지면 파라미터와 민감도 실험 결과

Figure 4은 모의 영역에 대해 기존 지면 파라미터와 갱신 자료를 비교하고 있다. 기존 자료의 H/2는 복잡 지형 지역을 포함한 모의 영역 대부분 지역에서 수십 m 이내의 낮은 값을 보여주고 있다(Fig. 4a). 반면, 갱신 자료는 복잡 지형 지역에서 100m 내외의 전형적인 값을 보이며(최대 3 11m) , 해안 등 평탄 지역에서는 수십 m 내외의 값을 보인다(Figs. 4b, c). A/S의 경우, 산악 지역에서 평탄 지역에 비해 상대적으로 높은 값을 보이는 공간 분포는 유사하게 보이지만 갱신 자료는 산악 지역이 보다 넓고 뚜렷하게 나타난다(Figs. 4 d, e) . 기존 자료의 A/S는 0.1 이하 구간에서 가장 높은 빈도(~55%)를 보이지만 갱신 자료는 0.1~0.3 구간에서 상대적으로 높은 빈도를 보인다(Fig. 4f). 이는 복잡 지형 지역에서 지형 파라미터의 산정 영역을 확장한 결과로 볼 수 있다. Met Office UK 중규모 모형의 모의 영역에서 산정된 H/2와 A/S의 전형적인 값은 각각 20~500m와 0.02~0.20으로 제시되었다(Howard and Clark, 2007). 두 대상 영역의 지형적 특성 차이가 있지만 갱신 지면 정보가 기존 자료에 비해 정성적인 일치도가 높게 나타난다. 한편, 갱신 자료의 z₀는 기존 자료에 비해 높은 공간 해상도를 보여주고 있으며, 산악 지역에서의 값은 다소 낮은 값을 나타낸다(Figs. 4g, h). z₀의 전반적인 크기 분포는 지형 파라미터에서의 변화에 비해 작은 변화를 보인다(Fig. 4i).

Fig. 4.

Comparison of the original (left panels) and modified (right panels) (a-c) topographic peak height (H/2), (d-f) the silhouette roughness (A/S), and (g-i) vegetation roughness length (z0).

Figure 5은 KMAPP과 KMAPP-Wind 모형에서 계산된 거칠기 보정 기준 고도(h_RA)와 고도 보정 기준 고도(h_HC)의 공간 분포와 모의 영역 내 빈도를 비교하고 있다. KMAPP의 h_RA는 대부분 지역에서 수십 m 이내의 낮은 값으로 산정되고 있으나(Fig. 5a), KMAPP-Wind는 평탄 지역(50~100 m)보다 산악 지역(100~400 m)에서 높은 값을 보였다(Fig. 5b). 모의 영역 내 h_RA 값의 분포는 뚜렷한 차이를 보여주고 있다(Fig. 5c). 한편, KMAPP의 h_HC는 대부분의 지역(약 80%)에서 100m 이하의 낮은 고도를 보이며 약 15%의 지점에서는 1000m 이상의 값을 나타내는 매우 불균일한 분포를 보인다(Figs. 5d, f). KMAPP-Wind의 h_HC는 모의 영역에서 95~477 m의 값을 보이며, 평탄 지역과 산악 지역에 의한 차이가 뚜렷하게 보인다(Figs. 5e-f). 지형 파라미터를 갱신한 KMAPP-Wind는 KMAPP에 비해 현실적인 분포를 보여주는 것으로 판단할 수 있다.

Fig. 5.

Comparison of the original (left panels) and modified (right panels) (a-c) reference height for roughness adjustment (hRA) and (d-f) reference height for height correction (hHC).

Figure 6는 KMAPP과 KMAPP-Wind에서 계산된 측정 지점별 거칠기 보정 풍속과 고도 보정 풍속을 비교하고 있다. KMAPP의 경우, 거칠기 보정 풍속은-2.0~-0.5 m s^-1로 모든 지점에서 음의 풍속 보정을 보였으며 h_RA와 매우 높은 선형 상관 관계를 보였다(Fig. 6a). 고도 보정 풍속은 -9.3~2.4 m s^-1의 범위 값을 보이면서 ΔH_HC와 매우 높은 선형 상관 관계를 보였다(Fig. 6b). 특히, KMAPP의 지형 고도가 LDAPS 지형 고도에 비해 낮은 협곡 지점의 경우에는 고도 보정 풍속이 매우 큰 값(약 -10 m s^-1)을 보여 KMAPP 예측 풍속이 협곡 지역에서 비정상적으로 낮아지는 원인이 되었다. KMAPP에서는 음의 풍속 값을 최소 풍속 한계값(0.1 m s^-1)으로 설정하였다. KMAPP-Wind의 경우, 동일 지점들에 대해 거칠기 보정 풍속은 -0.1~0.6 m s^-1를 보였으며(Fig. 6c), 고도 보정 풍속은 -4.4~7.9 m s^-1의 값을 보였다(Fig. 6d). h_RA의 뚜렷한 증가로 인해 KMAPP에 비해 거칠기 보정 풍속의 선형 상관성과 크기는 낮아졌으며, 대체로 양의 방향으로 보정되는 특징을 보였다. 특히, 협곡 지점에서 고도 보정 풍속은 여전히 음의 방향으로 보정이 일어나고 있으나 고도 보정 풍속의 크기가 감소하여 KMAPP에서 보이는 비정상적인 풍속 과소 예측 문제가 완화될 수 있음을 보였다. 이는 지면 입력 정보의 산출 방식이 지상 풍속의 예측 결과에 큰 영향을 미침을 의미한다.

Fig. 6.

Comparison of the wind speed increments by (a and c) roughness adjustment and (b and d) height correction simulated by the KMAPP model using the original topographic parameters (upper panels) and the modified topographic parameters (lower panels).

Table 3은 KMAPP-Wind의 물리 보정 방안에 따른 민감도 실험의 예측 성능을 비교하고 있다. 2018년 2월 전 기간에 대해 지점별 모의 성능을 산출한 후 지점 평균값을 제시하였다. 내삽 과정과 고도 보정 과정을 적용한 실험 5의 MBE, RMSE, IOA는 0.05m s^-1, 1.82 m s^-1, 0.53로 나타나 실험군 중에서 가장 좋은 예측 성능을 보였다. 거칠기 보정을 함께 수행한 실험 2는 실험 5에 비해 다소 낮은 예측 성능을 보여, 지상 풍속 예측에 거칠기 보정 효과는 상대적으로 크지 않은 것으로 분석되었다. 고도 보정을 적용하지 않거나(실험 3과 6) 고도 보정을 ΔH_HC > 0 조건에서만 적용한 경우(실험 1과 4)에는 RMSE가 2.4 m s^-1로 증가하였다. 민감도 실험 결과를 바탕으로 KMAPP-Wind의 지상 풍속 예측은 LDAPS 예측 풍속에 공간 내삽과정과 고도 보정을 적용하여 산출하였으며, 이를 LDAPS와 KMAPP 모형과 비교하였다.

Table 3.

Statistical evaluation results of the KMAPP-Wind sensitivity simulations (MBE: mean bias error, RMSE: root mean square error, IOA: index of agreement).

4. 결 과

4.1 측정 풍속과 LDAPS 예측 풍속 비교

분석 기간의 현업 LDAPS 국지예보모형의 풍속 예측 성능을 측정 자료와 비교를 수행하였다. KMAPP 모형에 의한 물리 보정이 적용되기 이전의 예측 모형의 성능을 먼저 평가하였다. Figure 7은 2018년 2월 기간의 윈드라이다 측정 지점(메이힐즈)에서 측정된 풍속과 LDAPS 모형의 예측 풍속의 연직 분포를 비교하고 있다. 종관 기상 조건의 변화에 따라 동 기간의 일별 풍속 변화가 뚜렷하다. 특히, 2월 10~14일 기간과 22~24일 기간에 대기 경계층 상부에서는 30m s^-1 이상의 매우 강한 풍속이 측정되었으며, 대기 경계층 상부의 강한 풍속은 지표 부근까지 연장되어 있는 특징을 보여주었다(Fig. 7a). 지상 400m 고도에서 측정-예측 풍속의 비교는 해당 지점에서의 풍속의 크기와 시간 변화를 대체로 잘 모의하고 있음을 보여주고 있다(Fig. 7b). 이 지점은 산악 상부에 위치하고 있어 모의 영역의 종관 예측이 대체로 잘 이루어졌음을 추정할 수 있다.

Fig. 7.

(a) Time-height section of the wind speed retrieved from the wind lidar deployed at the Mayhills site during February 2018. The wind speed is presented every 3 h time interval. (b) Comparison of the wind lidar-derived and the LDAPS-simulated wind speeds at 400 m altitude above the ground level.

Figure 8은 동일한 기간 동안 지상 AWS 지점에서의 측정된 풍속과 LDAPS 예측 풍속을 비교하고 있다. 측정 지점의 지형 고도를 고려하여 S2560(1416 m), S2553(959 m), S2571(390 m)을 선정하였다. 지점별 측정 풍속의 평균과 표준편차는 S2560에서 5.04 ± 1.63 m s^-1, S2553에서 4.34 ± 1.47m s^-1, S2571에서 1.63 ± 0.98 m s^-1로 나타나, 지점의 고도가 낮아짐에 따라 풍속이 감소하는 특징을 나타내었다. 또한, 윈드라이다 지점에서 측정된 풍속(400 m a.g.l.)과 선형 상관 계수는 0.940, 0.905, 0.676으로 나타나, 지점 고도가 높을수록 지상 풍속과의 상관 관계가 높게 나타났다. LDAPS 예측 풍속은 모형은 S2560에서 4.93 ± 1.20m ^s-1, S2553에서 4.65 ± 1.19m s^-1, S2571에서 3.40 ± 1.38 m s^-1로 나타나, 지형 고도가 높은 지점에서 과소 모의 경향을 나타내고 지형 고도가 낮은 지점에서 과대모의하는 경향을 보였다. 엄밀하게는 LDAPS 모형의 지형 고도와 실제 측정 지점의 지형 고도의 차이(Fig. 3)에 기인한 예측 경향으로 해석할 수 있다. 즉, 산악지역의 과소 평가된 모형 지형 고도는 풍속의 과소모의 편의(bias)를 보이고(e.g., S2560), 협곡 지역의 과대 평가된 모형 지형 고도는 해당 지점의 풍속 과대모의 편의를 보여준다(e.g., S2571). 이는 LDAPS 모형의 지형 평활화가 복잡 지형 지역에서의 풍속 예측에 큰 영향을 미치고 있음을 보여준다. KMAPP과 KMAPP-Wind 모형은 지점의 지표 정보를 반영한 물리 보정 과정을 포함하고 있어 LDAPS 예측 결과를 보정하기 위한 방안을 포함한다.

Fig. 8.

Comparison of the measured and simulated near-ground wind speed during February 2018 at (a) S2560, (b) S2553, and (c) S2571. The wind speed values are presented every 1 h time interval.

4.2 LDAPS/KMAPP/KMAPP-Wind의 지상 풍속 예측 성능 검증

2018년 2월 기간 동안 각 지점별 KMAPP과 KMAPP-Wind 모형의 지상 풍속 예측 결과를 LDAPS 예측과 함께 비교하였다. Figures 9와 10은 각각 LDAPS 모형이 풍속을 과대 예측한 지점과 양호한 예측 성능을 보인 지점에서의 36시간 평균 풍속을 비교하고 있다. 여기서 ‘양호’한 예측 지점은 MBE < ±1m s^-1인 지점으로 정의하였다. S2554 지점에서 KMAPP은 분석 기간 동안 LDAPS의 과대 모의 경향을 적절히 보정하고 있어 예측 성능을 향상을 보여주고 있다. KMAPP-Wind는 LDAPS에 비해 예측 성능이 개선되었으나 KMAPP에 미치지 못하고 있다(Fig. 9a). S2558 지점에서는 KMAPP과 KMAPP-Wind 모두 측정 풍속에 가까운 값으로 예측 성능이 개선되고 있다(Fig. 9b). S2577 지점에서 KMAPP-Wind의 예측 성능은 일부 향상을 보여주나 KMAPP은 LDAPS와 유사한 과대 풍속을 보여준다(Fig. 9c). S2582 지점의 경우, KMAPP은 풍속을 0에 가까운 값(모형 설정 최소값 0.1m s^-1)으로 예측하여 뚜렷한 과대 보정을 보이나 KMAPP-Wind는 이러한 과대 보정 양상을 감소시켜 대체로 좋은 예측 성능을 보이고 있다(Fig. 9d). 풍속 과대 보정은 KMAPP의 지형 고도가 LDAPS 모형의 지형 고도에 비해 낮은 협곡 지역에서 고도 보정 과정에 의해 발생하였다. 복잡 지형 지역에서 KMAPP의 비정상적인 풍속 과대 보정은 개선이 필요한 사항으로, KMAPP-Wind는 이러한 문제를 일부 개선하고 있다. 한편, LDAPS의 풍속 예측이 양호한 지점들에서의 예측 성능을 살펴보면, S879와 S2570 지점에서 KMAPP-Wind는 LDAPS와 유사한 예측을 보여 좋은 성능을 유지하였으나 KMAPP은 풍속의 과대 보정으로 측정 풍속을 과소 모의하는 경향을 보였다(Figs. 10a, b). S2578와 S2560 지점에서 KMAPP과 KMAPP-Wind는 LDAPS와 함께 측정 풍속을 전반적으로 잘 모의하였다(Figs. 10c, d).

Fig. 9.

Comparison of the LDAPS, KMAPP, and KMAPP-Wind simulated near-ground wind speed against the measurements during February 2018 at (a) S2554, (b) S2558, (c) S2577, and (d) S2582.

Fig. 10.

Comparison of the LDAPS, KMAPP, and KMAPP-Wind simulated near-ground wind speed against the measurements during February 2018 at (a) S0879, (b) S2570, (c) S2578, and (d) S2560.

Figure 11은 전체 지점에 대한 LDAPS, KMAPP, KMAPP-Wind의 지점별 지상 풍속 예측 성능을 비교하고 있다. 지점 측정 풍속은 측정 지점 고도에 대체로 비례하여 증가하는 특성을 보여주고 있으며 전체 지점 평균 풍속은 3.54 ± 1.68 m s^-1로 나타났다. 한편, 모형 평균 풍속은 LDAPS 모형이 4.61 ± 0.35 m s^-1, KMAPP이 3.04±1.73m s^-1, KMAPP-Wind 모듈이 3.59 ± 1.69 m s^-1로 나타났다. LDAPS 모형은 측정 지점 고도가 모형 지형 고도에 비해 낮게 위치한 지점에서는 지상 풍속의 과대 모의 경향이 뚜렷한 특성을 보였으며(e.g., S2571-S2559), 측정 지점 고도가 모형 지형 고도와 잘 일치하는 지점들에서는 대체로 좋은 모의 성능을 보였다(e.g., S879-S2560) (Fig. 11a). KMAPP은 LDAPS 모형이 과대 모의하는 지점에서 물리 보정을 통해 지점 풍속이 감소하였으며 대부분 지점에서 예측 오차가 감소하는 것으로 나타났다. 하지만 일부 지점(e.g., S2582, S2582, S2583)에서는 모형 설정 최소값(0.1 m s^-1)이 나타나 과대 보정이 뚜렷하였으며, 이러한 과대 보정 경향은 LDAPS 모형의 예측 성능이 양호한 일부 지점들(e.g., S879, S2570, S2572, S2573)에서도 MBE/RMSE를 오히려 증가시켰다. 반면, KMAPP-Wind는 대부분 지점에서 KMAPP에 비해 좋은 성능을 보였으며, 특히 LDAPS 모형이 과대 모의하는 지점에서 예측 성능의 개선이 뚜렷하였다(Figs. 11b, c). IOA 지수에서도 KMAPP-Wind는 S2554 지점을 제외한 대부분의 지점에서 KMAPP에 비해 향상된 값을 보였다. KMAPP 모형은 일부 지점(e.g., S2582, S879, S2570, S2573)에서 LDAPS 예측보다 낮은 IOA 지수 값을 보였으나 KMAPP-Wind는 이들 지점에서 LDAPS와 유사한 IOA 값을 나타내었다(Fig. 11d). 전반적으로 IOA 값은 지점별 0.3에서 0.7 수준의 값을 보였으며, 복잡 지형 지역에서 지점별 편차가 큰 특징을 보였다. Table 4는 LDAPS, KMAPP, KMAPP-Wind 모형의 지점별 지상 풍속에 대한 예측 성능 검증 결과를 비교하고 있다. KMAPP-Wind의 지점 평균/편차 MBE와 RMSE는 0.05±1.15m s^-1와1.82 ± 0.36 m s^-1로 나타나, LDAPS와 KMAPP에 비해 뚜렷한 성능 개선을 보여주었다. 또한, IOA는 0.53 ± 0.08의 값을 보여서 LDAPS와 KMAPP에 비해 전반적으로 향상된 성능을 나타내었다. KMAPP-Wind의 지상 풍속 예측 성능 향상은 복잡 지형 지역에서 모형 지형 특성 정보(i.e., H/2, A/S)의 현실적인 산출이 예측 성능 향상에 중요함을 보인 결과이다. 한편, KMAPP-Wind의 전반적인 예측 성능 향상에도 불구하고 계통 오차 비율(f_SE)이 여전히 높게 나타나고 있는 것은 향후 추가적인 모형 개선 가능성이 있음을 시사한다.

Fig. 11.

(a) Comparison of the LDAPS, KMAPP, and KMAPP-Wind simulated near-ground wind speeds against the measurements during February 2018. (b-d) Statistical comparison of the LDAPS, KMAPP, and KMAPP-Wind simulated near-ground wind speed in terms of (b) mean bias error (MBE), (c) root mean square error (RMSE), and (d) index of agreement (IOA). Hatched areas in (b) and (c) denote systematic MBE and RMSE, respectively.

Table 4.

Statistical evaluation results of the surface wind speeds simulated by the LDAPS, KMAPP, and KMAPP-Wind models.

5. 요약 및 결론

평창 지역을 중심으로 수행된 ICE-POP 2018 캠페인은 국내 대표적인 복잡 지형 지역인 영동 지역의 3차원 기상 정보를 다양한 측정 플랫폼에서 수집하여 복잡 지형 지역에서의 기상 현상의 이해와 예측 모형의 검증을 위한 중요한 정보를 제공하였다. 본 연구에서는 ICE-POP 측정 자료를 이용하여 국립기상과학원의 기상 자원 예측·분석 시스템인 KMAPP 체계의 겨울철 복잡 지형 지역에서의 지상 풍속 예측 성능을 평가하고 KMAPP-Wind 모형의 개발을 통해 개선하였다.

LDAPS 국지 예보 모형은 산악 지역, 특히 협곡 지역에서 지상 풍속의 과대 모의 경향이 뚜렷하게 나타났으며, KMAPP은 물리 보정(거칠기 보정과 고도 보정)을 통해 과대 모의 풍속을 감소시켰다. 하지만 LDAPS 지형 고도에 비해 낮은 지점에서 풍속의 비정상적인 과대 보정이 일어나는 문제를 보였으며, 반대로 LDAPS 지형 고도에 비해 높은 지점에서는 풍속의 과대 모의가 발생하였다. 산악 지역에서의 KMAPP 예측 성능 향상을 위해 지형 입력 정보의 산정 방식을 개선하고, 이를 풍속 예측을 위한 독립 모듈로 개발한 KMAPP-Wind에 적용하였다. KMAPP-Wind를 이용한 민감도 실험은 지면 입력 정보의 갱신을 통해 거칠기 보정과 고도 보정의 기준 고도를 현실적으로 산정할 수 있고, 또한 산악 지형 지역에서 모형의 지형 고도 차이에 의한 고도 보정 효과가 거칠기 보정 효과에 비해 크게 나타남을 보였다. 복잡 지형 지역에서 거칠기 보정의 효과는 지상 풍속 예측 성능 향상에는 제한적인 것으로 나타났다.

2018년 2월 기간에 대한 16개소 AWS 지점별 LDAPS, KMAPP, KMAPP-Wind의 지상 풍속 예측 성능을 비교한 결과에서 KMAPP-Wind는 LDAPS와 KMAPP에 비해 뚜렷한 예측 성능의 개선을 보여주었다. 전체 기간의 지점 평균 MBE와 RMSE는 각각 0.05 ± 1.15 m s^-1와 1.82 ± 0.36m s^-1로 나타났으며, 이는 산악 지역에서의 지상 풍속 예측 결과로 좋은 성능을 보인 것으로 평가할 수 있다(e.g., Emery et al., 2001; Borge et al., 2008; Oh et al., 2020). 복잡 지형 지역에서 LDAPS 모형의 지상 풍속 예측 오차는 산악 지형의 지형 평활화 효과가 뚜렷하게 보였으며, 이는 높은 f_SE로 나타났다. KMAPP-Wind는 총 16 지점 중 13 지점에서 KMAPP에 비해 좋은 성능을 보였으며, 반면 KMAPP은 2 지점에서 상대적으로 좋은 성능을 보였다. KMAPP-Wind는 KMAPP의 비정상적인 과대 보정을 개선하였으며, 특히 LDAPS의 과대 모의가 컸던 지점을 중심으로 예측 성능의 개선이 뚜렷하게 나타났다.

본 연구에서는 ICE-POP 2018 기간의 겨울철 영동지역에 대해 개선된 KMAPP의 모의 성능을 평가하였다. 향후 계절적 특성을 반영할 수 있는 장기간의 예측 성능 평가가 요구되며, 이를 위해서는 산악 지역에서의 측정 기상 정보의 지속적인 수집이 필요할 것이다. 또한 현행 KMAPP 모형은 중립 대기 조건을 기반으로 한 물리 보정을 적용하고 있으나 보다 현실적인 풍속 상세화를 위해서는 대기 안정도를 고려할 수 있는 풍속 진단 보정 방안에 대한 연구도 필요할 것으로 판단된다. KMAPP-Wind의 예측 결과는 복잡 지형 지역을 포함한 한반도 지역의 상세 바람장 정보의 제공을 위해 활용될 것이다.

Acknowledgments

이 연구는 기상청 국립기상과학원 「('20)수요자 맞춤형 초고해상도 기상정보 산출기술 개발연구」(KMA2018-00622)의 지원으로 수행되었습니다. 도플러 라이더를 이용하여 연직바람프로파일을 산출한 경북대학교 이규원, 김권일님께 감사드립니다.

References

• Beljaars, A. C. M., A. R. Brown, and N. Wood, 2004: A new parametrization of turbulent orographic form drag. Q. J. R. Meteorol. Soc., 130, 1327-1347. [https://doi.org/10.1256/qj.03.73]
• Borge, R., V. Alexandrov, J. J. del Vas, J. Lumbreras, and E. Rodríguez, 2008: A comprehensive sensitivity analysis of the WRF model for air quality applications over the Iberian peninsula. Atmos. Environ., 42, 8560-8574. [https://doi.org/10.1016/j.atmosenv.2008.08.032]
• Chandrasekar, V., M. A. Vega, S. Joshil, M. Kumar, D. Wolff, and W. Petersen, 2018: Deployment and performance of the NASA D3R during the Ice-Pop 2018 field campaign in South Korea. Proc., IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, IEEE, 8349-8351. [https://doi.org/10.1109/IGARSS.2018.8517313]
• Emery, C., E. Tai, and G. Yarwood, 2001: Enhanced meteorological modeling and performance evaluation for two Texas ozone episodes. ENVIRON International Corporation, Final Report, 235 pp.
• Grant, A. L. M., and P. J. Mason, 1990: Observations of boundary-layer structure over complex terrain. Q. J. R. Meteorol. Soc., 116, 159-186. [https://doi.org/10.1002/qj.49711649107]
• Howard, T., and P. Clack, 2007: Correction and downscaling of NWP wind speed forecasts. Meteorol. Appl. 14, 105-116. [https://doi.org/10.1002/met.12]
• In, S.-R., H.-G. Nam, J.-H. Lee, C.-G. Park, J.-K. Shim, and B.-J. Kim, 2018: Verification of planetary boundary layer height for Local Data Assimilation and Prediction System (LDAPS) using the winter season intensive observation data during ICE-POP 2018. Atmosphere, 28, 369-382 (in Korean with English abstract).
• Jackson, P. S., and J. C. R. Hunt, 1975: Turbulent wind flow over a low hill. Q. J. R. Meteorol. Soc., 101, 929-955. [https://doi.org/10.1002/qj.49710143015]
• Jung S.-P., C. Lee, J.-H. Kim, H. J. Yang, J. H. Yun, H. J. Ko, S.-E. Hong, and S.-B. Kim, 2020: Thermodynamic characteristics of snowfall clouds using dropsonde data during ICE-POP 2018. Atmosphere, 30, 31-46, (in Korean with English abstract).
• Lee, S.-H., 2011: Further development of the vegetated urban canopy model including a grass-covered surface. Bound.-Layer Meteor., 140, 315-342. [https://doi.org/10.1007/s10546-011-9603-7]
• Lee, S.-H., and S.-U. Park, 2008: A vegetated urban canopy model for meteorological and environmental modelling. Bound.-Layer Meteor., 126, 73-102. [https://doi.org/10.1007/s10546-007-9221-6]
• Lee, S.-H., S.-W. Kim, W. M. Angevine, L. Bianco, S. A. McKeen, C. J. Senff, M. Trainer, S. C. Tucker, and R. J. Zamora, 2011: Evaluation of urban surface parameterizations in the WRF model using measurements during the Texas Air Quality Study 2006 field campaign. Atmos. Chem. Phys., 11, 2127-2143. [https://doi.org/10.5194/acp-11-2127-2011]
• Lott, F., and M. J. Miller, 1997: A new subgrid-scale orographic drag parametrization: Its formulation and testing. Q. J. R. Meteorol. Soc., 123, 101-127. [https://doi.org/10.1002/qj.49712353704]
• Mason, P. J., and J. C. King, 1985: Measurements and predictions of flow and turbulence over an isolated hill of moderate slope. Q. J. R. Meteorol. Soc., 111, 617-640. [https://doi.org/10.1002/qj.49711146818]
• Oh, J.-S., J.-H. Lee, J.-W. Woo, D.-I. Lee, S.-H. Lee, J. Seo, and N. Moon, 2020: Performance evaluation of the high-resolution WRF meteorological simulation over the Seoul metropolitan area. Atmosphere, 30, 257-276, (in Korean with English abstract).
• Palmer, T. N., 2000: Predicting uncertainty in numerical weather forecasts. Int. Geophys., 83, 3-13. [https://doi.org/10.1016/S0074-6142(02)80152-8]
• Pelland, S., G. Galanis, and G. Kallos, 2013: Solar and photovoltaic forecasting through post-processing of the Global Environmental Multiscale numerical weather prediction model. Prog. Photovoltaics: Res. Appl., 21, 284-296. [https://doi.org/10.1002/pip.1180]
• Porson, A., P. A. Clark, I. N. Harman, M. J. Best, and S. E. Belcher, 2010a: Implementation of a new urban energy budget scheme in the MetUM. Part I: Description and idealized simulations. Q. J. R. Meteorol. Soc., 136, 1514-1529. [https://doi.org/10.1002/qj.668]
• Porson, A., P. A. Clark, I. N. Harman, M. J. Best, and S. E. Belcher, 2010b: Implementation of a new urban energy budget scheme into MetUM. Part II: Validation against observations and model intercomparison. Q. J. R. Meteorol. Soc., 136, 1530-1542. [https://doi.org/10.1002/qj.572]
• Seok, J.-H., H.-W. Choi, Y.-H. Kim, and S.-S. Lee, 2020: Diagnosis of low-level aviation turbulence using the Korea Meteorological Administration Post Processing (KMAPP). J. Korean Soc. Aviat. Aeronaut., 28, 1-11, (in Korean with English abstract). [https://doi.org/10.12985/ksaa.2020.28.4.001]
• Sheridan, P., S. Smith, A. Brown, and S. Vosper, 2010: A simple height-based correction for temperature downscaling in complex terrain. Meteor. Appl., 17, 329-339. [https://doi.org/10.1002/met.177]
• Sheridan, P., S. Vosper, and S. Smith, 2018: A physically based algorithm for downscaling temperature in complex terrain. J. Appl. Meteor. Climatol., 57, 1907-1929. [https://doi.org/10.1175/JAMC-D-17-0140.1]
• Yun, J., Y.-H. Kim, and H.-W. Choi, 2021: Analyses of the meteorological characteristics over South Korea for wind power applications using KMAPP. Atmosphere, 31, 1-15 (in Korean with English abstract).
• Webster, S., A. R. Brown, D. R. Cameron, and C. P. Jones, 2003: Improvements to the representation of orography in the Met Office Unified Model. Q. J. R. Meteorol. Soc., 129, 1989-2010. [https://doi.org/10.1256/qj.02.133]
• Willmott, C. J. 1981: On the validation of models. Phys. Geogr., 2, 184-194. [https://doi.org/10.1080/02723646.1981.10642213]