The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 31, No. 3, pp.251-265
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Sep 2021
Received 08 Feb 2021 Revised 24 Jun 2021 Accepted 16 Jul 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.3.251

한국형모델의 신규 GNSS RO 자료 활용과 품질검사 개선에 관한 연구

김은희1), * ; 조영순1) ; 이은희1) ; 이용희2)
1)수치모델링센터 수치자료응용과
2)국립기상과학원 재해기상연구부
A Study on Improvement of the Use and Quality Control for New GNSS RO Satellite Data in Korean Integrated Model
Eun-Hee Kim1), * ; Youngsoon Jo1) ; Eunhee Lee1) ; Yong Hee Lee2)
1)Numerical Modeling Center, Korea Meteorological Administration, Seoul, Korea
2)High Impact Weather Research Department, National Institute of Meteorological Sciences, Korea Meteorological Administration, Gangneung, Korea

Correspondence to: * Eun-Hee Kim, Numerical Modeling Center, Korea Meteorological Administration, 61 16-gil Yeouidaebang-ro, Dongjak-gu, Seoul 07062, Korea. Phone: +82-2-2181-0558, Fax: +82-2-2181-0908 E-mail: ehkim2010@korea.kr

Abstract

This study examined the impact of assimilating the bending angle (BA) obtained via the global navigation satellite system radio occultation (GNSS RO) of the three new satellites (KOMPSAT-5, FY-3C, and FY-3D) on analyses and forecasts of a numerical weather prediction model. Numerical data assimilation experiments were performed using a three-dimensional variational data assimilation system in the Korean Integrated Model (KIM) at a 25-km horizontal resolution for August 2019. Three experiments were designed to select the height and quality control thresholds using the data. A comparison of the data with an analysis of the European Centre for Medium-Range Weather Forecasts (ECMWF) integrated forecast system showed a clear positive impact of BA assimilation in the Southern Hemisphere tropospheric temperature and stratospheric wind compared with that without the assimilation of the three new satellites. The impact of new data in the upper atmosphere was compared with observations using the infrared atmospheric sounding interferometer (IASI). Overall, high volume GNSS RO data helps reduce the RMSE quantitatively in analytical and predictive fields. The analysis and forecasting performance of the upper temperature and wind were improved in the Southern and Northern Hemispheres.

Keywords:

GNSS RO, 3D-Var, KIM, quality control, forecast impact

1. 서 론

전지구위성항법시스템 전자차폐(Global Navigation Satellite System Radio Occultation, GNSS RO) 자료는 관측의 사각지대인 해양과 극지방을 포함한 전지구에 고르게 분포하며 편향(bias)이 없는 관측 정보를 제공하기 때문에 전지구모델의 분석 및 예측 성능 향상에 중요한 역할을 하는 것으로 알려져 있다(Healy, 2008; Rennie, 2010; Anthes, 2011; Bauer et al., 2014). 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)에서 수행한 GNS S RO 자료의 영향평가(Healy and Thépaut, 2006) 결과, 남반구 100 hPa 고도의 단기 예측 및 분석장에서 온도 예측 오차가 감소되는 효과가 있는 것으로 나타났고, Cardinali and Healy (2014)는 G NS S R O 자료의 관측 수가 전지구 수치예보모델의 모든 관측 종 중에서 7%를 차지하고 있지만 모델의 오차 감소에는 10% 내외의 기여율을 보이고 있어 G NS S R O 자료가 관측 수 대비 수치예보모델에 미치는 영향이 큰 자료임을 밝힌 바 있다. 또한, Cucurull and Anthes (2015)는 GNSS RO 자료가 앵커(anchor) 관측자료로 순환분석에 사용되어 수치예보모델의 초기장 성능을 개선시키고, 이로 인해 자료동화에 활용될 수 있는 위성 복사량 자료의 수가 증가되어 예측 오차 감소에도 긍정적인 영향을 미치는 것을 확인하였다. 이러한 이유로 ECMWF, 영국기상청(United Kingdom Met Office, UKMO), 미국환경예측센터(National Centers for Environmental Prediction, NCEP), 프랑스기상청(Météo-France), 일본기상청(JMA) 등 대부분의 현업 수치예보센터에서는 GNS S RO 자료를 수치예보모델의 자료동화에 활용하고 있다(Healy, 2008; Rennie, 2010).

기상청은 2010년 영국기상청의 통합모델(Unified Model, UM)을 현업 운영하면서 GNSS RO 자료를 활용하기 시작하였고, 2020년 4월부터 한국형모델(Korean Integrated Model, KIM; Hong et al., 2018)에도 활용하고 있다. Kwon et al. (2015)은 KIM과 동일한 역학체계(National Center for Atmospheric Research Community Atmosphere Model with Spectral Element dynamical core; Dennis et al., 2012)의 앙상블 자료동화시스템(Local Ensemble Transform Kalman Filter, LETKF; Hunt et al., 2007)에 GNSS RO 자료동화 체계를 구축하여 GNSS RO 자료의 성능을 최초로 검증하였고, Jo et al. (2015)은 지표 특성을 고려한 기압을 기반으로 GNS S RO 자료의 연직 국지화 규모를 최적화하였다. 또한, Ha et al. (2018)은 KIM의 3차원 변분 자료동화(three-dimensional variational assimilation, 3D-Var) 시스템을 활용한 GNSS RO 자료의 연직 솎아내기 민감도 평가에서 연직으로 조밀하게 사용할수록 단기 예측 성능이 개선됨을 보였다. 하지만 기존 KIM 연구에서 활용한 G NS S 위성 중에서 COSMIC(Constellation Observing System for Meteorology, Ionosphere & Climate)-1의 6기 중 대부분이 노후화되어 단 1기에서만 자료가 수집되고 있다. 따라서 ECMWF, UKMO 등 수치예보센터에서는 우리나라의 다목적실용위성인 아리랑-5호(Korea Multi-Purpose Satellite-5, KOMPSAT-5)와 중국의 FY-3C/D (Feng-Yun 3C/D)를 현업에 활용하고 있어 기상청에서도 신규 GNS S RO 자료를 활용할 필요성이 대두되었다.

이 연구에서는 신규 GNS S RO 자료의 품질분석 결과를 바탕으로 자료동화에 활용되는 관측의 연직 고도와 품질검사 과정 개선에 대한 민감도 실험을 수행하여 신규 GNSS RO 자료가 모델에 미치는 영향을 분석하였다. 이를 위해 먼저 2장에서는 GNS S RO 관측자료, KIM에서의 전처리 과정 및 본 연구에서의 실험 구성을 설명하였다. 3장에서는 신규 자료 활용 범위에 따른 관측자료 전처리 수행 결과, 자료동화 및 모델의 예측 결과를 분석하였고, 4장에서 요약 및 결론을 기술하였다.


2. 연구 방법

2.1 GNSS RO 개요

극궤도 위성의 GNS S RO 센서로부터 송신된 마이크로파는 지구 대기층을 통과하여 저궤도 위성(Low Earth Orbit, LEO)의 수신기에 도달하는 과정에서 대기의 연직 밀도차에 의한 굴절 현상이 발생하고, 이 정보는 관측자료 전처리 과정을 통해 굽힘각(Bending Angle, BA), 굴절률(Refractivity), 온도, 기압, 수증기압 등의 산출물로 생산된다(Melbourne et al., 1994).

GNSS RO는 해양, 극지방 등에서 발생하는 관측 공백을 해소할 수 있고 기상 조건에 상관없이 지면에서 1 km 고도까지는 0.1 km 간격, 대류권계면에서는 약 1 km 간격으로 조밀하게 관측할 수 있는 자료이다. 이에 따라 온도, 수증기, 기압에 대해 높은 정확도의 정보가 제공될 수 있어, 주로 대류권 상부와 성층권 하부의 초기장 성능에 영향을 미치는 것으로 알려져 있다(Kursinski et al., 1997; Anthes, 2011; Bauer et al., 2014). 또한, GNSS RO 관측자료는 편향이 없기에(Ho et al., 2020) 위성 복사량 자료의 편향보정에 긍정적인 영향을 주며 온도와 수증기의 분석장과 예측 편향을 개선시키는 것으로 나타났다(Cucurull and Anthes, 2015).

KIM의 GNSS RO 관측 자료동화에는 굽힘각 자료를 사용하고 있으며 이를 위해 기존에 활용하고 있는 위성은 COSMIC-1, Metop (Meteorological operational satellite)-A/B/C, TerraSAR-X, TanDEM-X (TerraSARX Add-oN for Digital Elevation Measurement) 6개이다. 이 연구에서는 기존 6개 위성자료에 신규 관측자료인 KOMPSAT-5, FY-3C/D 위성의 GNSS RO 자료를 추가로 활용하였다.

2.2 KIM의 GNSS RO 관측자료 전처리

KIM의 자료동화 과정에서 사용되는 모든 관측자료는 KPOP (KIAPS Package for Observation Processing)을 통해 전처리 과정을 거치는데(Kang et al., 2018), GNSS RO 자료 또한 BUFR (Binary Universal Form for the Representation of meteorological data) 형태로 수집한 자료를 KPOP을 활용하여 전처리 과정을 거친다. KPOP을 통한 GNS S RO의 전처리 과정(Fig. 1)은 입전 자료의 이상 유무를 판단하는 과대오차(Gross Error) 제거, 여러 기관들로부터 중복 수집되는 자료를 확인하여 자료동화 과정에서 특정 지역에 관측의 효과가 중복되거나 집중되는 현상을 방지하기 위한 중복 관측자료 확인(Duplicate check), 모델 값의 변수 변환 및 관측 공간으로의 이동을 위한 ROPP (Radio Occultation Processing Package) 수행, 고도정보 확인(Height check), 관측오차(Observation Error) 설정, 양질의 자료를 선택하기 위한 품질검사(Quality Control) 등 일련의 과정으로 이루어진다.

Fig. 1.

Flowchart of GNSS RO pre-processing system in KPOP.

전처리 과정 중에서 자료동화에 직접적으로 영향을 미치는 중요한 두 가지 요인으로는 관측오차와 품질검사가 있으며, 관측오차는 자료동화 과정에서 관측과 배경장의 가중치를 결정하는 데 활용되고, 품질검사는 관측자료의 품질을 바탕으로 관측의 허용 범위를 설정하는데 활용된다. GNSS RO의 관측오차는 굽힘각과 관측오차의 비율을 활용하여 계산하는데 여기서 관측오차의 비율은 지면에서 최대 20%를 적용하고, 이후 선형적으로 감소하여 10 km 고도 이상에서는 최저 1%의 비율을 적용하고 있다. 관측오차를 이와 같이 사용하고 있는 것은 G NS S RO 관측자료의 품질 특성을 반영한 결과라고 할 수 있다. 일반적으로 G NS S RO의 품질 확인에는 관측증분(innovation, O-B)의 통계값을 활용하고 KIM의 자료동화 체계에서는 GNS S RO 자료동화에 굽힘각 자료가 활용됨에 따라 GNS S RO의 굽힘각과 해당 지점에서 모델값 간의 차이가 일정 기준을 넘어가면 자료동화에서 제외한다. Figure 2는 기존에 활용되고 있는 자료를 기반으로 초기 분석 시각 관측증분의 평균과 표준편차를 동서 평균한 연직 분포를 나타낸 것으로 10 km 이하 대류권에서 위도대별 관측증분의 특징이 다른 것을 확인할 수 있다. 적도지역에서는 약 10 km 고도까지 통계값이 크게 나타나는 반면에 중위도와 극 지역에서는 5 km 이상 고도에서 표준편차가 작게 나타나고 있다. 35 km 이상 성층권 고도에서는 전지구적으로 관측증분의 평균과 표준편차가 10~35 km 고도에 비해 훨씬 크게 나타나고 있으며 특히 남극 상층에서 두드러져 보인다. 이에 따라 KPOP에서는 대류권 이하에서 1% 오차가 시작되는 고도를 위도별로 다르게 적용하고 있고 남극 상층의 관측오차는 지수적으로 크게 적용되고 있다. 실제 관측자료와 KPOP에 적용된 관측오차를 확인해 보기 위해 적도, 중위도, 남극지점의 자료를 임의로 선택하여, 세 지점의 굽힘각, 관측오차의 비율, 실제 자료동화에 사용하는 관측오차에 대한 연직 정보를 조사하였다(Fig. 3). Figure 3a에서 세 지점의 굽힘각은 적도 하층에서 가장 크게 나타나고 중위도와 남극에서는 유사한 분포를 보이는데, 이는 적도 하층에 분포하는 다량의 수증기에 의한 굴절 현상에서 야기된 것으로 보인다. 관측오차의 비율(Fig. 3b)은 10 km 이하 고도에서 관측자료의 특성에 따라 위도별로 서로 다르게 적용되고 있는 것을 확인 할 수 있으며, 남극 상층에서는 Fig. 2a에서 확인한 바와 같이 관측증분의 평균이 큰 특징을 반영하기 위해 관측오차의 비율을 고도에 따라 지수적으로 증가하도록 설정한 것을 볼 수 있다. 이러한 자료의 특성을 기반으로 자료동화에서 활용하는 관측오차 값(Fig. 3c)은 굽힘각과 관측오차의 비율을 곱하여 적용하였다.

Fig. 2.

The zonal mean bending angle innovation mean bias (upper) and standard deviation (lower) as a function of latitude and impact height at 0600 UTC on July 25, 2019. The O and B are bending angles of observation and background, respectively.

Fig. 3.

Vertical distribution of a profile each latitude for (a) bending angle, (b) fractional error, and (c) observation error. Each color lines indicate for region of latitude for Antarctica (red), Middle-latitude (green), and Tropics (blue).

현재 GNSS RO 자료의 품질검사는 두 가지로 구성되어 있는데, 그중 하나는 관측증분이 관측오차의 3배보다 작은 자료(|O-B|<3×obserror)만을 활용하여 일정 기준을 초과하는 자료를 동화에서 제외하는 것이다. 다른 하나는 배경장에 대한 관측증분의 비율이 30% 미만(|(O-B)/B×100|<30)인 자료를 활용하여 Fig. 2에서처럼 관측증분의 통계값이 크게 나타나는 35 km이상, 10 km 이하 고도의 자료를 제한적으로 사용하기 위해 이와 같은 방법이 적용되어 있다.

2.3 모델 및 실험 구성

현재 기상청 현업에 활용되고 있는 KIM은 비정역학 육면체구(cubed-sphere) 격자 체계로 수평 해상도는 12 km이고, 연직으로는 80 km (0.01 hPa)까지 91개층으로 구성되어 있으며, 하이브리드 4차원 앙상블 변분 자료동화(Hybrid-4DEnVar)가 적용되어 있다(Kwon et al., 2018). 이 연구에서 수행한 민감도 실험에는 앙상블 섭동을 제외한 3차원 변분 자료동화(3D-Var)와 1시간 간격의 적시배경값(First Guess at Appropriate Time, FGAT)을 결합한 자료동화기법을 적용하여 모델의 수평 해상도는 25 km, 자료동화의 수평 해상도는 50 km, 연직 해상도는 91개 층으로 설정하였다. 이 기법은 앙상블 초기 섭동을 활용하는 자료동화기법에 비해 배경오차공분산의 구조가 상대적으로 간단하여 관측의 영향을 분석하기 쉽고, 계산 자원에 크게 영향을 받지 않는 장점이 있다.

민감도 실험은 Table 1과 같이 4개로 구성하였는데, 규준 실험(CNTL)에는 라디오존데, 지표(surface), 항공기의 종관 관측과 위성 복사량 자료(AMSR2, AMSUA, ATMS, CrIS, IASI, MHS, MWH2, COMS CSR), GNSS RO (COSMIC-1, Metop-A/B/C, TerraSAR-X, TanDEM-X), 바람 자료(AMV, Scatwind)를 동화하였다. CNTL에 활용된 G NS S R O 중에서 COSMIC-1, Metop-A/B/C는 0~60 km의 자료를 활용하였고 TerraSARX와 TanDEM-X는 0~40 km의 자료만을 활용하였다. 실험(EXP1~3)에는 CNTL에서 활용한 모든 관측자료와 함께 신규 G NS S R O 3개 위성을 추가로 동화하였다. Bowler (2019)에 따르면 UKMO 모델 배경장을 활용한 FY-3C/D의 상승과 하강 GNSS RO 자료의 품질분석 결과, FY-3D 하강 G NS S R O 자료의 40 km 이상 고도에서 다른 위성자료들과 관측증분 평균이 반대 방향으로 나타났다. KIM 자료동화에서는 상승과 하강을 구별하여 사용하지 않기 때문에 실험(EXP1~3)에 활용된 FY-3D 자료는 40 km 이상 고도의 자료를 제거하여 동화에 활용되지 않도록 하였다.

Configuration of experiments on satellite utilization height and removal criteria for quality control. The FY-3D used only 0 to 40 km of data in common due to its quality.

신규 관측자료의 동화에 활용되는 연직 고도 선정을 위해 CNTL과 동일한 품질검사 과정을 적용하여 연직 고도만을 변경한 EXP1과 EXP2를 수행하여 비교하였다. EXP1에 추가된 GNSS RO 자료의 고도는 관측 정보량이 많고 품질이 우수한 10~35 km 고도의 핵심 영역(core region; Mi et al., 2019)을 포함하여 표준편차가 4% 이하로 안정적인 품질을 보이는 7~40 km 고도를 활용하였으며 EXP2에서는 0~60 km 고도의 모든 자료를 사용하였다. 다음으로 품질검사 과정변경과 G NS S R O 자료의 활용 확대에 따른 분석장과 예측장 성능을 확인해보기 위해 다음과 같은 내용을 고려하여 EXP3을 구성하였다. 대기 상층에는 관측자료가 드물게 분포하고, 모델의 오차 특성도 확인이 어려우므로 배경장에 대한 관측증분의 비율을 일정 값 미만으로 제한하는 품질검사 방법이 적절하지 않을 수 있다. 따라서, EXP3은 품질검사 과정에서 관측증분이 관측오차의 3배 초과시 제거하는 조건은 유지하고 배경장에 대한 관측증분 비율이 30% 초과시 제거하는 조건은 삭제하여 관측증분이 큰 자료도 활용하도록 설정하였다. 각 실험의 기간은 2019년 7월 25일부터 8월 31일까지 6시간 간격으로 순환 실험을 수행하였으며 12시간 간격으로 5일을 예측하였고, 7일간의 스핀업을 제외하고 8월 1일부터 31일까지 예측장에 대한 검증을 수행하였다.


3. 결 과

3.1 GNSS RO 전처리 결과

관측자료 전처리 과정에서 신규 관측자료의 처리가 정상적으로 수행되었는지 확인하기 위해 G NS S R O자료의 위성별 공간 분포(Fig. 4)와 관측증분의 연직통계(Figs. 5, 6)을 살펴보았다. Figure 4는 순환 실험 첫 시각인 2019년 7월 25일 0600UTC에서 GNS S RO관측자료의 공간 분포로 해당 시각에는 COSMIC-1자료가 누락되어 총 8개 위성만 존재하였다. 그림을 통해 신규 위성을 포함한 G NS S R O 관측자료가 전지구에 고르게 분포하고 있으며, 특히 관측 공백 지역인 남반구 해상과 극지방에도 분포하고 있음을 알 수 있다. 또한 해당 시각에는 전체 GNS S RO 관측자료 중에서 신규 3개 위성의 비율이 약 44%를 차지하여 태평양, 인도양 등 해상에서 보다 높은 해상도의 대기 정보를 제공할 수 있게 되었음을 알 수 있다.

Fig. 4.

Horizontal distribution of the pre-processed GNSS RO observation locations at 0600 UTC on July 25, 2019. The colored dots represent each satellite, and additional three GNSS RO are FY-3C/D (two orange series) and KOMPSAT-5 (pink). The number below each satellite’s name indicates the number of data.

Figure 5는 4개 실험의 2019년 8월 한 달간 위성별 관측증분의 통계값[(O-B)/B×100]을 나타낸 것으로 실선은 평균(Mean), 긴 파선은 표준편차(Standard deviation, Stdev), 짧은 파선은 자료 개수(Count)이며, 각 위성은 선의 색으로 구분하였다. Figure 5a는 CNTL의 결과로 COSMIC-1, Metop-A/B/C, TanDEM-X, TerraSARX 6개 위성에 대한 정보만이 표출되어 있다. GNSS RO 관측자료 전처리 과정에서는 위성별 자료의 품질을 고려하여 연직 활용 고도를 다르게 적용하고 있는데, COSMIC-1과 Metop-A/B/C는 0∼60 km, TanDEMX와 TerraSAR-X는 0~40 km의 자료를 선택적으로 활용하고 있기 때문에 40 km 이상 고도에서는 COSMIC-1과 Metop-A/B/C 정보만 확인할 수 있다. 또한, GNSS RO의 일반적인 특성인 핵심 영역(10~35 km 고도)에서 통계값의 평균과 표준편차가 작게 나타나고 있는 것을 확인할 수 있다. Figure 5b는 기존 위성들 이외 에 신규 3개 위성을 추가할 때 7~40 km 고도의 자료만 선택적으로 활용한 결과로 Fig. 5a와 비교해 주황색 계열의 FY-3C/D와 분홍색의 KOMPSAT-5가 추가 되었다. 신규 3개 위성자료들의 핵심 영역에서 Metop등 다른 위성자료와 전반적으로 유사하게 나타났으나 15~20 km 고도 부근에서는 신규 3개 위성, 20~25 km 고도 부근에서는 FY-3C/D의 표준편차가 다른 위성에 비해 크게 나타났으며 자료 수는 Metop, FY-3, KOMPSAT-5 위성 순으로 많이 분포하고 있다. Figure 5c는 신규 3개 위성의 연직 활용 고도를 0~60 km 고도로 적용한 결과로 Fig. 5b와 비교했을 때, 7 km 이하 고도와 40 km 이상 고도의 통계값이 추가된 것을 알 수 있다. 특히, 40 km 이상 고도에서 Metop-A/B/C에 비해 FY-3C, KOMPSAT-5의 신규 위성과 COSMIC-1에서 표준편차가 눈에 띄게 커지고 있다. 이는 ECMWF 모델에서 Metop-A와 FY-3C 위성의 표준편차를 비교했을 경우에도 Metop-A에 비해 FY-3C의 표준편차가 크게 나타나는 결과(Mi et al., 2019)와 유사한 경향을 보인다. 하지만, Mi et al. (2019)에서 ECMWF 모델을 사용했을 때 관측증분의 표준편차 통계값이 본 논문에 비해 더 크게 나타났는데 이것은 KIM 자료동화의 경우 좀 더 모델에 근접한 자료만 선별적으로 사용하기 때문인 것으로 보인다. Figure 5dFig. 5c와 신규 3개 위성의 연직 활용 고도는 동일하나 배경장에 대한 관측증분을 활용한 품질검사 조건[|(O-B)/B×100|>30]을 제거하여 더 많은 자료를 활용하도록 한 실험의 결과이다. 이에 따라 EXP3은 EXP2에 비해 2~5 km 고도에서 303개, 47~60 km 고도에서는 1570개의 관측자료 개수가 증가하였다. 특히, 50 km 이상 고도에서 두 실험 간의 관측증분이 크게 나타나는 것을 알 수 있었고 품질검사 조건 변경으로 인해 관측 증분이 큰 자료도 활용되었기 때문에 표준편차 역시 증가한 것을 볼 수 있다. 위성별 관측증분의 연직 통계뿐만 아니라 지역적 특징을 살펴보기 위해 EXP1~3과 CNTL의 2019년 8월 한 달 동안 동서 평균한 관측증분과 관측증분의 표준편차를 Fig. 6에 나타내었다. Figure 6a는 CNTL의 결과로 Fig. 2와 같이 다른 지역에 비해 남극 상층에서 관측증분의 평균이 3% 이상(주황색)으로 나타났고, 적도 대류권 하층과 전지구 상층의 표준편차가 크게 나타났으며, EXP1의 결과에서는(Fig. 6b) 신규 자료 추가로 인해 Fig. 6a에서와 같이 관측증분의 평균은 남극 상층, 표준편차는 전지구 상층(50 km 이상), 적도와 북반구 중위도 대류권 하층에서 Fig. 6a에 비해 증가한 것을 볼 수 있다. Figure 6c에서는 신규 위성의 상층 자료 추가에 따라 남극 50 km 이상 고도에서 관측증분의 평균은 줄어들고, 표준편차는 더 커지는 특징을 보이는데, 이는 Fig. 5c에서 보았던 신규 위성자료의 특징과 일치한다. Figure 6d는 4개 실험결과 중에서 상하층 관측증분의 평균이 가장 크게 나타났는데, 이는 품질검사 기준 변경에 따라 관측증분이 큰 자료도 동화에 활용됨에 따른 것으로 판단된다. 신규 자료 추가로 인해 주로 남극 상공 30~35 km 고도에서는 관측증분의 평균이 음의 값을 보이고 50 km 이상 고도에서는 양의 값을 보였으며 표준편차는 35 km 이상 고도에서 EXP1, EXP2, EXP3 순으로 증가된 것으로 나타났다. 이로써 Fig. 5Fig. 6을 통해 4개의 실험이 적절하게 구현된 것을 확인하였다.

Fig. 5.

The global bending angle innovation mean (solid line), standard deviation (long dash) and number (short dash), as a function of impact height, for (a) CNTL, (b) EXP1, (c) EXP2, and (d) EXP3 on August 2019. Eight rainbow colors indicate each satellite. The x-axis of bottom is (O-B)/B and the x-axis of top is the number of data. The O and B are bending angles of observation and background, respectively.

Fig. 6.

The zonal mean bending angle innovation mean (upper) and standard deviation (lower), as a function of latitude and impact height, for (a) CNTL, (b) EXP1, (c) EXP2, and (d) EXP3 during August 2019. The O and B are bending angles of observation and background, respectively.

3.2 자료동화 결과

자료동화의 결과를 분석하기 위해 CNTL, EXP1~3의 분석장과 ECMWF의 IFS (Integrated Forecasting System) 분석장을 실제 대기로 가정하여 비교하였다. Figure 7은 2019년 8월 1일부터 31일까지 I FS 대비 CNTL, EXP1~3 분석장에 대한 평균 제곱근 오차(Root Mean Square Error, RMSE)를 각각 계산한 후, CNTL과 EXP1~3의 R MS E 간 차이(Root Mean Square Difference, RMSD)를 동서 평균한 동서·남북 바람, 온도와 비습의 연직-위도 분포이다. EXP1~3의 3개 실험과 CNTL 간 RMS D가 양의 값이면 EXP1~3의 오차가 CNTL에 비해 감소하여 분석장의 성능이 IFS 분석장에 가까워진 것을 의미하며, 검정색 점은 95% 유의수준을 나타낸다. EXP1 (Fig. 7a) 결과에서 동서·남북 바람은 주로 적도 상층(100 hPa 이상)과 남반구고위도 지역의 대류권(100 hPa 이하) 전체에서 CNTL과 비교해 EXP1의 분석 오차가 감소하는 것으로 나타났으며 특히, 적도 상공(100~5 hPa)에서는 95% 유의수준을 보였다. 하지만 적도와 북반구 대류권, 남극상공(10 hPa 이상)에서는 EXP1의 분석 오차가 CNTL에 비해 증가하여 분석장이 저하된 것으로 나타났다. 온도는 남반구 대류권(200 hPa 이하), 북반구 고위도(60°N 이상)의 상층(400~200 hPa)에서는 분석장이 향상되었으나, 양극 상공(50 hPa, 3 hPa 부근)에서는 분석장이 저하된 것으로 나타났다. 남극 상공의 100~20 hPa (약 15~25 km 고도에 해당) 고도와 5 hPa 이상 고도(약 38 km 고도에 해당)에서 EXP1~3의 분석 오차가 CNTL에 비해 증가하여 분석장이 IFS 분석장과 멀어졌는데, 이는 Fig. 5에서 나타난 15~25 km 고도와 38 km 이상 고도에서 신규 위성 추가로 인한 관측증분의 표준편차 증가 고도와 일치한다. 양극 상공(100~10 hPa)의 분석장 성능 저하 영역과 10~3 hPa 고도의 분석장 성능 향상 영역인 남반구 20~40°S, 북극(60°N 이상)에서는 분석 오차가 유의함을 보였다. 비습은 적도를 제외한 남반구와 북반구 지역에서 신규 관측을 추가한 실험에서 분석장이 향상되는 것으로 나타났다. EXP2 (Fig. 7b)의 동서 바람에서는 Fig. 7a와 비교해서 남반구의 저위도(0~45°S) 200 hPa 이하 고도에서 분석장의 성능이 향상되었고, 남북 바람은 동서 바람과 유사한 경향을 보였다. 온도는 Fig. 7a와 유사하게 나타났고 대류권 내에서 분석장 성능 변화가 커진 것으로 나타났으며 특히, 북극 하층의 성능이 두드러지게 향상된 것과 반대로 북반구 중위도에서 북극까지 50 hPa 부근의 성능 저하 역시 두드러지는 특성을 보였다. 그리고 남·북반구 저위도(30°S~30°N)의 3 hPa 이상 고도에서 Fig. 7a에서 나타나던 성능 저하가 완화되었다. 비습 또한 Fig. 7a와 유사한 분포를 보였으나 남반구 저위도(0~30°S)와 북반구 고위도(70~80°N) 하층에서 분석 오차가 감소하여 분석장의 성능이 향상 되었으나, 적도 상공(850~500 hPa)에서는 일부 저하되는 영역이 확인되었다. EXP3 (Fig. 7c)은 앞서 두 실험 결과와 유사한 특징을 가지면서 대류권 성능 개선이 두드러진 것을 알 수 있다. 먼저 동서·남북 바람의 경우에 남반구 고위도 상공에서는 EXP1과 유사하고, 저위도(0~45°S)의 200 hPa 이하 고도는 EXP2와 매우 유사한 결과를 보였다. 온도의 경우, 남극 하층을 제외한 남반구 대류권 전체의 분석장 성능이 향상되었고, 95% 유의수준이 나타나는 영역도 세 실험 중에서 가장 넓게 분포하였다. 남·북반구 저위도(30°S~30°N)의 3 hPa 이상 고도에서 Fig. 7b와 비교해 성능 향상 영역이 확대되었음이 확인되었고, 비습의 경우에도 하층(850 hPa 이하)에서의 성능 향상이 세 실험 중에서 가장 뚜렷하게 나타났다.

Fig. 7.

Vertical profiles of zonal mean of the analysis error difference for (a) EXP1, (b) EXP2, and (c) EXP3 compared with CNTL during the period from 1 August to 31 August 2019. The analysis error means the Root Mean Square Difference (RMSD) of each experiment against the IFS analysis. The positive values indicate that the error in the analysis field has decreased due to the addition of new GNSS RO data. The black dots indicate significance at the 95% confidence level.

신규 자료의 추가와 품질검사 방법으로 인해 대류권에서 IFS 대비 RMS D의 감소가 확인되었다. 이는 성층권에서 EXP1~3이 CNTL에 비해 바람장에서는 IFS 대비 RMS D를 감소시키지만, 온도장에서는 일부 영역에서 IFS 대비 RMSD를 증가시키는 결과를 보여준다. 대기 상층은 수치모델 간 특성이 서로 달라 비교에 어려움이 있으므로, 성층권 이상 고도에서 ECMWF 모델을 기반으로 하는 IFS 분석장을 활용한 분석이 적절하지 않을 수 있다. 이에 따라, 대기 상하층에 걸쳐 넓은 관측 스펙트럼을 갖는 IASI 위성자료를 활용하여 신규 관측자료의 활용과 품질검사 과정 개선이 배경장에 어떠한 영향을 미치는지 확인하였다. CNTL 대비 분석장의 RMS E 감소가 가장 크게 나타난 EXP3에 대해 I AS I의 관측증분을 비교하면 신규 GNSS RO의 추가 활용과 품질검사 변경에 따른 효과를 확인할 수 있다. Figure 8은 KPOP에 정의된 112개 IASI 채널 중에서 감시용 채널을 제외하고 자료동화에 활용되는 91개 채널의 파수에 대해 2019년 8월 1일부터 31일까지 CNTL과 EXP3에서 Metop-B 위성에서의 IAS I 관측증분의 평균과 두 실험 간 표준편차의 비율(EXP3/CNTL)을 나타낸 것이다. 표준편차의 비율이 1보다 작으면 CNTL에 비해 EXP3의 표준편차가 더 작은 것을 의미한다. 그림의 가로축은 91개 파수와 이에 대응하는 온도 자코비안의 최대값을 보이는 기압고도를 함께 표시한 것이다. KIM 자료동화에는 주로 이산화탄소 흡수밴드(650~750 cm-1)가 활용되고 있으며 해당 밴드는 온도에 민감하게 반응하는 특성이 있다. 특히, 670~710 cm-1는 대류권 상부와 성층권 하부에서 온도에 민감한 채널에 해당한다(Collard, 2007). 이는 이 채널이 GNSS RO 자료의 영향을 가장 크게 받을 수 있는 채널임을 뜻하며 실제 두 실험 간 평균 관측증분의 차이가 대류권 중하층에 비해 명확하게 나타났다. 이를 통해 두 실험에 동일한 IAS I 관측자료를 사용하였지만 순환 실험을 통해 배경장이 개선됨에 따라 대기 상층으로 갈수록 관측증분 평균이 CNTL에 비해 EXP3에서 0에 근접한 분포를 보여 신규 GNSS RO 자료의 모든 연직 자료 활용과 품질검사 과정 개선이 긍정적인 영향을 미쳤음을 알 수 있다. 50~70 hPa (654.25~686.5 cm-1) 고도 부근에서는 EXP3의 관측증분 평균이 CNTL에 비해 0에 더 근접하게 나타나지만 표준편차는 EXP3에서 더 크게 나타났다. 이는 GNS S RO 자료의 추가 활용시 배경장에 대한 관측증분의 비율로 자료를 제한적으로 활용하던 품질검사 기준을 제거하였기에 표준편차가 증가한 것으로 보인다. 70 hPa (688.0~691.5 cm-1) 고도에서는 EXP3의 관측증분 평균이 0에 가깝게 나타났고 표준편차도 CNTL에 비해 감소하였다. 하지만, 100~600 hPa (693.0~725.5 cm-1) 고도 부근에서는 반대로 CNTL의 관측증분 평균이 EXP3에 비해 0에 더 근접하게 나타나지만 표준편차는 CNTL이 더 크게 나타났다. 이는 EXP3의 온도 분석장(Fig. 7c) RMSD 결과와 비교하여 50 hPa 이상 고도에서는 EXP3에서 관측증분의 평균은 0에 가깝지만 표준편차는 증가하는 방향으로, 100 hPa 이하 대류권에서는 관측증분의 평균은 0과 멀어지지만 표준편차는 감소하는 결과와 일치한다.

Fig. 8.

The mean (line) and standard deviation (bar) of innovation (O-B) in IASI channels of Metop-B used in data assimilation during the period from 1 August to 31 August 2019. The O-B mean of CNTL (EXP3) indicates by the blue (red) line and the ratio of standard deviation between CNTL and EXP3 as the black (gray) bar. A ratio value less than 1 indicate that the standard deviation of EXP3 is smaller than CNTL. The two X-axis indicate the IASI wavenumber and the corresponding pressure of the peak in temperature Jacobian.

3.3 모델 예측 결과

신규 GNSS RO 자료의 추가와 개선된 품질검사 과정에 의해 분석장의 RMSD가 감소하는 것이 확인됨에 따라, 분석장의 변화가 모델 예측에 미치는 영향을 알아보기 위해 2019년 8월 1일부터 31일까지 IFS 분석장 대비 예측장의 검증 결과를 살펴보았다. 예측 검증은 CNTL 대비 각 실험에 대한 RMSE의 개선율(%)로 나타냈고, RMSE 개선율은 CNTL-EXPsCNTL×100% 로 계산하였다. Table 2는 전지구 영역을 평균한 250 hPa 온도와 바람 두 요소에 대한 RMS E 개선율을 나타낸 표이고, Fig. 9는 검증 지역/변수/고도/시간에 따라 나타낸 결과로 양의 값이 실험의 예측 성능 개선을 의미한다. 검증 지역은 북반구(NH), 적도(TR), 남반구(SH), 아시아(ASIA)이고 검증 변수는 습도(s), 바람(w), 지위고도(z), 온도(t)이다. 검증 고도는 상층(250 hPa), 중층(500 hPa), 중하층(700 hPa), 하층(850 hPa)이고 검증 시간은 예측 24시간부터 120시간까지 24시간 간격이다. Table 2를 통해 GNS S RO 자료가 주로 분포하고 있는 상층에서 온도와 바람이 세 실험 모두 대부분 예측 시각에서 개선되었음을 알 수 있으며 특히, EXP3의 상층 온도 개선율이 0.68~1.38%로 높게 나타났다. 바람의 경우 예측 24시간과 120시간에는 EXP2, 예측 48~96시간에는 EXP3에서 가장 큰 개선율을 보였다. 하지만, EXP3의 예측 24시간과 120시간의 개선율이 EXP2와 차이가 크지 않아서 바람도 기온과 마찬가지로 모든 예측 시간에서 EXP3의 개선율이 가장 높았다. EXP3의 결과에서 상층 요소의 RMS E 개선율이 높게 나타남에 따라, 관측증분이 크더라도 더 많은 자료를 활용하는 것이 KIM 예측 성능을 향상시키는 데에 긍정적인 영향을 미친다는 것을 알 수 있었다. Figure 9에서는 더욱 상세한 영역, 요소, 고도에 대한 예측 결과를 살펴보았다. EXP1은 남반구에서만 주로 개선되고, EXP2는 남반구와 북반구에서 개선되었으며 EXP3은 남반구, 북반구, 아시아 영역의 요소에서도 개선되어 EXP1, EXP2, EXP3 순으로 개선되는 영역이 확장되는 결과를 보였다. GNSS RO 자료의 영향이 가장 크게 나타나는 남반구 영역에 대해서 EXP1에서는 모든 요소와 예측 시간에서 CNTL에 비해 RMS E가 감소되는 결과를 보였고, EXP2와 EXP3에서는 상층 예측 24시간의 지위고도를 제외한 나머지 요소와 예측 시간에서 RMS E가 감소하였다. 북반구에서는 중층 지위고도, 상층 온도와 바람에서 예측 24시간에 주로 개선되는 경향을 보였지만 EXP2에서는 예측 24시간에 중층 지위고도, 중층과 하층 온도를 제외한 나머지 모든 요소에서 CNTL에 비해 개선 되었으며 EXP3은 중하층 습도, 중층 온도를 포함하여 전반적으로 EXP2보다 개선율이 낮게 나타났다. 하지만, 아시아 영역의 온도에서는 예측 96시간 이후, 지위고도에서는 예측 120시간에 EXP2보다 EXP3에서 CNTL 대비 RMSE 개선율이 높게 나타났다. 반면, 적도지역에서는 주로 지위고도에서 세 실험 모두 성능저하를 보였으나, EXP3의 예측 96시간 이후에 하층 온도와 지위고도, 바람 변수에서 일부 개선되었다. 상층 온도의 경우, 남반구에서 Table 2와 마찬가지로 EXP3의 RMS E 개선율이 가장 높게 나타났는데 특히 예측 24시간부터 72시간까지 EXP1은 1.1~1.8%, EXP2는 1.3~2.1%, EXP3에서는 2.0~2.3%의 개선율을 보여 신규 자료 추가에 따른 자료동화의 영향이 예측장에 적절하게 반영된 것으로 보인다. 상층 바람에서도 상층 온도와 마찬가지로 남반구에서 예측 24시간부터 72시간까지 개선율이 높게 나타났는데 EXP1은 0.4~0.9%, EXP2는 1.1~1.6%, EXP3에서는 1.4~1.8%의 RMSE 개선율을 보였다. 하지만 현업모델의 대표 예측 성능 평가 지표인 북반구 500 hPa 지위고도의 5일 예측 개선율은 EXP1에서 EXP3까지 순서대로 -0.3%, 1.1%, 0.6%로 EXP2에서 가장 높게 나타났다.

Global mean improvement rate (%) for RMSE against IFS analysis field for 250 hPa temperature and wind speed of three experiments from forecast time 24 to 120-hour during a month, August 2019. The positive value means that the RMSE of the EXPs is smaller than CNTL, resulting in improved forecast performance. The bold indicate the highest improvement rate among the three experiments.

Fig. 9.

Score card of regional averaged root mean square error (RMSE) of analysis and forecast field for (a) EXP1, (b) EXP2, and (c) EXP3 compared with CNTL against IFS analysis at 0000 UTC during the period from 1 to 31 August 2019. The positive value indicates improvement of EXPs.


4. 요약 및 결론

이 연구는 기존에 사용하던 GNSS RO 관측 위성의 노후화로 인한 신규 위성의 관측자료 활용이 필요 해짐에 따라 KIM 자료동화 체계에 3개의 신규 위성(KOMPSAT-5, FY-3C/D) 자료를 최적으로 활용할 수 있도록 민감도 실험을 수행하였다. 신규 관측자료의 최적 활용 고도 선정 및 GNSS RO 관측자료의 활용률 증가에 따른 영향을 보기 위하여 규준 실험과 3개의 민감도 실험을 설계하였고 6시간 주기의 순환분석 체계를 이용하여 2019년 8월에 대해 수행하였다.

신규 GNS S RO 3개 위성의 자료는 전체 GNS S RO관측자료의 약 40%를 차지하며 Metop 위성 다음으로 관측자료 개수가 많고, 해양과 극지방의 관측 공백 해소에 기여하였다. 신규 3개 위성자료의 연직 활용 고도 선정을 위한 실험에서는 일부 고도의 선택적 활용보다는 활용 고도를 확대하여 자료의 활용률을 높이는 것이 자료동화에 긍정적인 효과를 보였고, 주로 상층 자료 활용 확대를 위한 품질검사 과정 개선 실험에서는 관측증분이 큰 상층 자료를 동화에 포함 하는 것이 대류권과 성층권 분석장에서 기온의 RMSE를 감소시키고, 예측 성능 향상에도 긍정적인 영향을 미치는 것으로 나타났다. 한편, 신규 GNS S RO의 대기 상층에서의 효과를 자세히 살펴보기 위해 연직으로 넓은 스펙트럼을 가지는 IAS I 위성자료의 관측증분을 분석하였다. 분석장 성능이 가장 개선된 민감도 실험(EXP3)과 규준 실험의 I AS I 관측증분을 비교한 결과, 70 hPa 이상 성층권에 대해 EXP3에서 관측증분의 평균이 규준 실험에 비해 0에 더 가까워지는 것으로 나타나 신규 G NS S R O 자료의 활용과 품질검사 과정의 개선이 상층 배경장 성능 개선에 영향을 미치는 것을 알 수 있었다. IFS 분석장 대비 세 민감도 실험의 예측 검증 결과에서는 신규 자료에 대해 7~40 km로 고도를 제한하여 활용하였을 때는 남반구에서만 예측 성능이 향상되었고, 신규 자료의 연직 고도를 0~60 km로 확대하였을 때 남반구 및 북반구에서도 예측 성능이 향상되는 것으로 나타나 관측증분이 큰 G NS S R O 관측일지라도 동화에 활용하는 것이 남반구와 북반구에 이어 아시아 지역의 예측 성능까지 전반적으로 개선되는 결과를 보임을 알 수 있었다. GNSS RO 자료는 남반구에 많은 영향을 미치는 것으로 알려져 있는데 본 연구에서도 남반구에서의 모델 예측 오차가 가장 많이 개선되는 것을 확인할 수 있었다.

이 연구를 통해 지상부터 60 km 고도까지 GNS S RO 자료의 연직 활용 고도를 확대하고, 품질검사 개선을 통해 GNS S RO 관측의 활용률을 증대시키는 것이 KIM의 예측 성능을 향상시킨다는 것을 알 수 있었다. 향후에 KIM 자료동화 체계에서 GNSS RO 자료의 최적 관측오차 선정, 1차원 변분법의 활용 등 자료동화 개선에 대한 연구가 지속적으로 진행될 예정이며 COSMIC-2 등 신규 위성자료의 추가 활용도 계획하고 있어 수치모델의 관측자료 활용률 증대 및 양질의 고해상도 관측정보를 토대로 초기장과 예측장 성능 개선에 긍정적 영향을 미칠 것으로 기대한다.

Acknowledgments

본 논문의 개선을 위해 좋은 의견을 제시해 주신 두 분의 심사위원께 감사를 드립니다. 이 연구는 수치모델링센터 『수치예보 및 자료응용 기술개발(KMA2018-00721)』과제의 일환으로 수행되었습니다.

References

  • Anthes, R. A., 2011: Exploring earth’s atmosphere with radio occultation: contributions to weather, climate and space weather. Atmos. Meas. Tech., 4, 1077-1103. [https://doi.org/10.5194/amt-4-1077-2011]
  • Bauer, P., G. Radnoti, S. Healy, and C. Cardinali, 2014: GNSS radio occultation constellation observing system experiments. Mon. Wea. Rev., 142, 555-572. [https://doi.org/10.1175/MWR-D-13-00130.1]
  • Bowler, N. E., 2019: An initial assessment of the quality of RO data from FY-3D. ROM SAF Report 35, 19 pp.
  • Cardinali, C., and S. Healy, 2014: Impact of GPS radio occultation measurements in the ECMWF system using adjoint-based diagnostics. Q. J. R. Meteorol. Soc., 140, 2315-2320. [https://doi.org/10.1002/qj.2300]
  • Collard, A. D., 2007: Selection of IASI channels for use in numerical weather prediction. Q. J. R. Meteorol. Soc., 133, 1977-1991.
  • Cucurull, L., and R. A. Anthes, 2015: Impact of loss of U.S. microwave and radio occultation observations in operational numerical weather prediction in support of the U.S. data gap mitigation activities. Wea. Forecasting, 30, 255-269. [https://doi.org/10.1175/WAF-D-14-00077.1]
  • Dennis, J. M., J. Edwards, K. J. Evans, O. Guba, P. H. Lauritzen, A. A. Mirin, A. St-Cyr, M. A. Taylor, and P. H. Worley, 2012: CAM-SE: A scalable spectral element dynamical core for the Community Atmosphere Model. Int. J. High Perform. Comput. Appl., 26, 74-89. [https://doi.org/10.1177/1094342011428142]
  • Ha, J.-H., J.-H. Kang, and S.-J. Choi, 2018: The impact of vertical resolution in the assimilation of GPS radio occultation data. Wea. Forecasting, 33, 1033-1044. [https://doi.org/10.1175/WAF-D-17-0061.1]
  • Healy, S. B., 2008: Assimilation of GPS radio occultation measurements at ECMWF. Proc. ECMWF GRAS SAF workshop on applications of GPS Radio Occultation Measurements, Shinfield Park, Reading, UK, ECMWF, 99-109.
  • Healy, S. B., and J.-N. Thepaut, 2006: Assimilation experiments with CHAMP GPS radio occultation measurements. Q. J. R. Meteorol. Soc., 132, 605-623.
  • Ho, S.-P., and Coauthors, 2020: The COSMIC/FORMOSAT-3 radio occultation mission after 12 years: Accomplishments, remaining challenges, and potential impact of COSMIC-2. Bull. Amer. Meteor. Soc., 101, E1107-E1136. [https://doi.org/10.1175/BAMS-D-18-0290.1]
  • Hong, S.-Y., and Coauthors, 2018: The Korean Integrated Model (KIM) system for global weather forecasting. Asia-Pac. J. Atmos. Sci., 54, 267-292. [https://doi.org/10.1007/s13143-018-0028-9]
  • Hunt, B. R., E. J. Kostelich, and I. Szunyogh, 2007: Efficient data assimilation for spatiotemporal chaos: A local ensemble transform Kalman filter. Physica D., 230, 112-126.
  • Jo, Y., J.-S. Kang, and H. Kwon, 2015: Optimization of the vertical localization scale for GPS-RO data assimilation within KIAPS-LETKF system. Atmosphere, 25, 529-541. (in Korean with English abstract) [https://doi.org/10.14191/Atmos.2015.25.3.529]
  • Kang, J.-H., and Coauthors, 2018: Development of an observation processing package for data assimilation in KIAPS. Asia-Pac. J. Atmos. Sci., 54, 303-318. [https://doi.org/10.1007/s13143-018-0030-2]
  • Kursinski, E. R., G. A. Hajj, J. T. Schofield, R. P. Linfield, and K. R. Hardy, 1997: Observing earth’s atmosphere with radio occultation measurements using the global positioning system. J. Geophys. Res. Atmos., 102, 23429-23465.
  • Kwon, H., J.-S. Kang, Y. Jo, and J. H. Kang, 2015: Implementation of a GPS-RO data processing system for the KIAPS-LETKF data assimilation system. Atmos. Meas. Tech., 8, 1259-1273. [https://doi.org/10.5194/amt-8-1259-2015]
  • Kwon, I.-H., and Coauthors, 2018: Development of an operational hybrid data assimilation system at KIAPS. Asia-Pac. J. Atmos. Sci., 54, 319-335. [https://doi.org/10.1007/s13143-018-0029-8]
  • Melbourne, W. G., E. S. Davis, C. B. Duncan, G. A. Haji, K. R. Hardy, E. R. Kursinski, T. K. Meehan, L. E. Young, and T. P. Yunck, 1994: The application of spaceborne GPS to atmospheric limb sounding and global change monitoring. NASA, Jet Propulsion Laboratory, JPL94-18, 147 pp.
  • Mi, L., S. Healy, and P. Zhang, 2019: Processing and quality control of FY-3C GNOS data used in numerical weather prediction applications. Atmos. Meas. Tech., 12, 2679-2692. [https://doi.org/10.5194/amt-12-2679-2019]
  • Rennie, M., P., 2010: The impact of GPS radio occultation assimilation at the Met Office. Q. J. R. Meteorol. Soc., 136, 116-131. [https://doi.org/10.1002/qj.521]

Fig. 1.

Fig. 1.
Flowchart of GNSS RO pre-processing system in KPOP.

Fig. 2.

Fig. 2.
The zonal mean bending angle innovation mean bias (upper) and standard deviation (lower) as a function of latitude and impact height at 0600 UTC on July 25, 2019. The O and B are bending angles of observation and background, respectively.

Fig. 3.

Fig. 3.
Vertical distribution of a profile each latitude for (a) bending angle, (b) fractional error, and (c) observation error. Each color lines indicate for region of latitude for Antarctica (red), Middle-latitude (green), and Tropics (blue).

Fig. 4.

Fig. 4.
Horizontal distribution of the pre-processed GNSS RO observation locations at 0600 UTC on July 25, 2019. The colored dots represent each satellite, and additional three GNSS RO are FY-3C/D (two orange series) and KOMPSAT-5 (pink). The number below each satellite’s name indicates the number of data.

Fig. 5.

Fig. 5.
The global bending angle innovation mean (solid line), standard deviation (long dash) and number (short dash), as a function of impact height, for (a) CNTL, (b) EXP1, (c) EXP2, and (d) EXP3 on August 2019. Eight rainbow colors indicate each satellite. The x-axis of bottom is (O-B)/B and the x-axis of top is the number of data. The O and B are bending angles of observation and background, respectively.

Fig. 6.

Fig. 6.
The zonal mean bending angle innovation mean (upper) and standard deviation (lower), as a function of latitude and impact height, for (a) CNTL, (b) EXP1, (c) EXP2, and (d) EXP3 during August 2019. The O and B are bending angles of observation and background, respectively.

Fig. 7.

Fig. 7.
Vertical profiles of zonal mean of the analysis error difference for (a) EXP1, (b) EXP2, and (c) EXP3 compared with CNTL during the period from 1 August to 31 August 2019. The analysis error means the Root Mean Square Difference (RMSD) of each experiment against the IFS analysis. The positive values indicate that the error in the analysis field has decreased due to the addition of new GNSS RO data. The black dots indicate significance at the 95% confidence level.

Fig. 8.

Fig. 8.
The mean (line) and standard deviation (bar) of innovation (O-B) in IASI channels of Metop-B used in data assimilation during the period from 1 August to 31 August 2019. The O-B mean of CNTL (EXP3) indicates by the blue (red) line and the ratio of standard deviation between CNTL and EXP3 as the black (gray) bar. A ratio value less than 1 indicate that the standard deviation of EXP3 is smaller than CNTL. The two X-axis indicate the IASI wavenumber and the corresponding pressure of the peak in temperature Jacobian.

Fig. 9.

Fig. 9.
Score card of regional averaged root mean square error (RMSE) of analysis and forecast field for (a) EXP1, (b) EXP2, and (c) EXP3 compared with CNTL against IFS analysis at 0000 UTC during the period from 1 to 31 August 2019. The positive value indicates improvement of EXPs.

Table 1.

Configuration of experiments on satellite utilization height and removal criteria for quality control. The FY-3D used only 0 to 40 km of data in common due to its quality.

Experiment GNSS RO satellite (used altitude) Quality control
CNTL COSMIC-1 (0~60 km), Metop-A/B/C (0~60 km), TerraSAR-X (0~40 km), TanDEM-X (0~40 km) |(O-B)|>3×obserror, |(O-B)/B×100|>30
EXP1 CNTL+KOMPSAT-5, FY-3C/D (7~40 km) |(O-B)|>3×obserror, |(O-B)/B×100|>30
EXP2 CNTL+KOMPSAT-5, FY-3C/D (0~60 km) |(O-B)|>3×obserror, |(O-B)/B×100|>30
EXP3 CNTL+KOMPSAT-5, FY-3C/D (0~60 km) |(O-B)|>3×obserror

Table 2.

Global mean improvement rate (%) for RMSE against IFS analysis field for 250 hPa temperature and wind speed of three experiments from forecast time 24 to 120-hour during a month, August 2019. The positive value means that the RMSE of the EXPs is smaller than CNTL, resulting in improved forecast performance. The bold indicate the highest improvement rate among the three experiments.

Forecast time (hr) Temperature Wind speed
EXP1 EXP2 EXP3 EXP1 EXP2 EXP3
024 0.59 1.03 1.13 -0.19 0.48 0.46
048 0.90 1.16 1.38 -0.26 0.82 0.91
072 0.70 1.02 1.14 -0.06 0.69 1.06
096 0.13 0.44 0.68 -0.01 0.18 0.62
120 0.49 0.43 0.68 -0.13 0.21 0.20