The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 31, No. 3, pp.327-340
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Sep 2021
Received 01 Aug 2021 Revised 14 Sep 2021 Accepted 16 Sep 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.3.327

현업 기후예측시스템에서의 지면초기화 적용에 따른 예측 민감도 분석

임소민 ; 현유경* ; 지희숙 ; 이조한
국립기상과학원 현업운영개발부 기후모델개발팀
Application of Land Initialization and its Impact in KMA’s Operational Climate Prediction System
Somin Lim ; Yu-Kyung Hyun* ; Heesook Ji ; Johan Lee
Climate Model Development Team, Operational Systems Development Department, National Institute of Meteorological Sciences, Jeju, Korea

Correspondence to: * Yu-Kyung Hyun, Climate Model Development Team, Operational Systems Development Department, National Institute of Meteorological Sciences, 33, Seohobuk-ro, Seogwipo-si, Jeju-do 63568, Korea. Phone: +82-64-780-6573, Fax: +82-64-738-6514 E-mail: ykhyun@korea.kr

Abstract

In this study, the impact of soil moisture initialization in GloSea5, the operational climate prediction system of the Korea Meteorological Administration (KMA), has been investigated for the period of 1991~2010. To overcome the large uncertainties of soil moisture in the reanalysis, JRA55 reanalysis and CMAP precipitation were used as input of JULES land surface model and produced soil moisture initial field. Overall, both mean and variability were initialized drier and smaller than before, and the changes in the surface temperature and pressure in boreal summer and winter were examined using ensemble prediction data. More realistic soil moisture had a significant impact, especially within 2 months. The decreasing (increasing) soil moisture induced increases (decreases) of temperature and decreases (increases) of sea-level pressure in boreal summer and its impacts were maintained for 3~4 months. During the boreal winter, its effect was less significant than in boreal summer and maintained for about 2 months. On the other hand, the changes of surface temperature were more noticeable in the southern hemisphere, and the relationship between temperature and soil moisture was the same as the boreal summer. It has been noted that the impact of land initialization is more evident in the summer hemispheres, and this is expected to improve the simulation of summer heat wave in the KMA’s operational climate prediction system.

Keywords:

GloSea5, seasonal forecasting system, soil moisture initialization

1. 서 론

전 세계적으로 발생하는 기상 이변과 홍수, 가뭄, 태풍, 지구온난화 등의 기상재해는 예측하기 어렵고, 갈수록 피해 규모가 증가하고 있다. 이러한 사회경제적 수요에 대응하고 가치 있는 정보를 제공하기 위해 신뢰할 수 있는 장기예보 자료의 생산은 더욱 중요해지고 있으며, 기상청의 장기예보는 이러한 기상현상을 예측하여 사전에 대비할 수 있게 하는 한편, 다양한 분야의 의사결정 과정에서 중요한 역할을 담당하고 있다(Hyun et al., 2020).

그러나 3개월 이상 계절 규모의 열대 태평양 ENSO 및 중위도 해수면 온도 예측이 수 개월 이전부터 가능한 수준임에도 불구하고, 계절 예측의 수요 및 활용도가 상대적으로 높은 중위도 대륙 지역에서의 기온 및 강수량의 예측 성능은 초기화 이후 1~2개월 이내에 급격히 떨어져 예보 정확도가 실용적인 수준에 미치지 못하고 있다. 이러한 계절 내 규모에서의 예측성의 공백은 단기 예보에서 지배적인 초기값의 영향과 계절 예측 이상 규모에서의 지배적인 강제력의 영향이 섞여 존재하기 때문으로, 초기값과 기후변동 성의 영향이 둘 다 절대적이지 않다고도 할 수 있고, 둘 다 중요한 역할을 하는 구간이라고도 볼 수 있다.

최근 2주 이상부터 2개월 이내의 이른바 계절 내규모의 지배적인 과정을 통해 그 잠재적 예측성을 확보하기 위한 연구들이 활발히 진행되고 있는 중이다(Vitart et al., 2012; Robertson et al., 2015; White et al., 2017). 미국의 ‘차세대 지구시스템 예측–S2S 예보 전략 보고서’에 의하면 계절 내 규모의 예측성을 확보하기 위한 원천으로 El Niño, MJO와 같은 자연의 기후변동성과 우리가 기후 모델의 결합 과정을 통해 초기값을 주고 수행하고 있는 해양, 해빙, 토양수분과 같이 느리게 변하는 과정들을 들고 있다(National Academies of Sciences, Engineering, and Medicine, 2016; Hwang et al., 2020). 또한 WMO의 계절 내 예측성 향상을 위한 S2S 프로젝트 2단계에서는 해양, 지면의 초기화를 계절 내~계절 예측성 향상을 위해 주요하게 봐야 할 과제로 보고 서브 프로젝트를 진행하고 있다. 그리고 각 기후센터들에서는 기후예측 시스템에서의 계절 내 예측 수준을 높이기 위해, 모델 자체의 역학과정이나 물리과정 개선으로 모델의 변동성을 개선하는 방법과 최적 앙상블 생성법, 후처리 보정을 고민하는 등 정확한 초기값을 확보하는 방법들이 고민되고 있다.

한국 기상청은 한영 기상청 간 과학 협약을 맺고 대기-해양-해빙-지면이 결합된 기후예측시스템, GloSea5(Global Seasonal forecast system version 5) (MacLachlan et al., 2015)를 공동 운영 중에 있으며, 대기와 지면, 해양, 해빙 초기화를 통해 계절 내~계절 예측성을 확보하고 있다. 대기와 해양, 해빙 예측장의 초기장으로는 자료동화를 통해 생산된 값을, 과거재현기후장의 경우는 재분석 값을 사용하고 있다. 지면초기값 중 토양수분의 경우는 2018년 이전까지는 ECMWF의 ERA Interim 재분석 자료(Berrisford et al., 2009)로부터 얻어진 매 월 기후값과 연도별 월 평균값을 이용하여 예측장과 과거재현기후장을 위한 초기장을 생산하였다. 그러나 앞서 언급한 바와 같이 최근 계절 내 예측성 향상을 위한 연구가 주목받으면서, 지면과정의 초기 상태 지속성이 수 개월 이내의 예측 시간 규모와 유사하여, 지면초기화로 인한 효과가 상대적으로 크다는 것이 주목되고, 토양수분, 적설량 등의 초기화 과정이 계절 내 기술 향상에 있어 중요한 과정으로 알려지고 있기 때문에(Entin et al., 2000; Dirmeyer, 2003; Koster et al., 2004, 2010, 2011; Jeong et al., 2013, 2017) 기상청에서는 지면초기화 방법 중 토양수분 초기화를 기후예측시스템에 적용시켰다.

토양수분의 현장 관측 값은 전세계적으로도 많지 않고 주로 북아메리카 지역에만 집중되어 있어, 관측 자료가 거의 없는 지역에서의 재분석 값은 불확실성은 매우 크다고 할 수 있다. 이에 따라 토양수분 초기값은 재분석 자료 대신 신뢰도 높은 관측 강수 자료를 지면모델의 입력값으로 사용하여 토양수분 값을 생산하고 그 자료를 GloSea5의 초기장으로 사용하는 방법을 현업에 적용하였다. 기상청 기후예측시스템에 초기화 방법을 적용한 효과와 영향에 대해서는 기존 선행연구(Seo et al., 2016, 2019, 2020)에서 보인바 있으며, 이 연구에서는 토양수분의 정확도 측면을 검증하기 보다는 20년간의 과거재현기후 자료를 이용하여 현업 앙상블 예측 측면에서의 민감도를 살펴보고자 하였다. 생산된 토양수분 초기값의 전지구적인 분포와 변동 특성을 분석하였으며, 토양수분 초기값 변화시, 공간 규모의 영향을 정량화하여 분석하고자 하였다. 이를 통해 계절 내 예측에 주요한 역할을 한다고 알려진 토양수분 분포와 그 영향에 대한 이해를 높이고자 하였으며, 또한 향후 다른 재분석 자료가 이용되거나 위성자료동화 기반으로 토양수분 초기장이 개선 될 때에도 그 영향을 가늠해 보는 기반 자료로 이용될 수 있을 것으로 생각된다.


2. 실험 방법

2.1 기후예측시스템

전 지구 기후예측시스템인 GloSea5는 Hadley Centre Global Environmental Model version 3 (HadGEM3)를 기반으로 하는 전 지구 대기-해양/해빙 결합 시스템이다(MacLachlan et al., 2015; Lea et al., 2015). 대기과정은 Met Office Unified Model (UM) 8.6 (Walters et al., 2011; Brown et al., 2012)에 기반하고 있으며, 해양과정은 Nucleus for European Modelling of the Ocean (NEMO) 3.2 (Madec, 2008), 지면과정은 Joint UK Land Environment Simulator (JULES) 4.7 (Best et al., 2011), 해빙과정은 Los Alamos sea ice model (CICE) 4.1 (Hunke et al., 2010)의 컴포넌트 모델들을 사용한다. 대기모델의 수평해상도는 0.83° × 0.56°이며,연직으로 hybrid-sigma 좌표계를 이용하여 지면으로부터 85 km까지 총 85층의 연직층을 가지고 있다. JULES 지면모델은 지표에서 지중 3 m 깊이까지 4개의 층(0.1, 0.25, 0.65, 2.0 m)을 가지며 각 층별로 에너지와 물수지 예단방정식을 이용하여 예측한다.

GloSea5는 실시간 예측장(forecast)와 과거재현기후 장(hindcast)을 동시에 생산하며, 과거재현기후장을 이용하여 만들어진 기후값을 통해 모델이 가지고 있는 구조적인 오차를 제거한다. 앙상블 멤버는 수치적 이류 및 수평 확산에 의한 과도한 에너지 소산을 상쇄시키기 위해 모델에 운동 에너지의 일부를 재도입하는 추계적 기법 중 하나인 확률적 운동에너지 후방산란 방법(Stochastic Kinetic Energy Backscattering, SKEB2)을 고려하여 만들어지며, 예측장은 매일 총 4개의 앙상블 멤버가 생산된다(Bowler et al., 2009; Tennant et al., 2011). 과거재현기후장의 경우는 한 달 동안 매 월 4일(1, 9, 17, 25일)에 대한 자료를 기후 기간(1991년부터 2010년)에 맞춰 생산하는데, 각 날짜의 초기장을 이용하여 한 초기장 당 3개의 앙상블 멤버가 만들어진다. 따라서 매 월 12개의 앙상블 멤버가 생산되며 기후기간(20년)을 고려한다면 총 240개의 앙상블 멤버가 한 달 동안 생산된다.

2.2 자료

기상청은 과거 기후 대비 현재 혹은 미래의 기후를 예측하기 위해 기후예측시스템을 운영하고 예측장과 과거재현기후장으로 만들어진 기후값의 편차를 장기 예보에 활용 중이다. 예측장은 시간지연 앙상블 기법을 사용하여 만드는데, 앙상블 수행 날짜를 기준으로 주별 예측을 위해 최근 1주일, 월별 예측을 위해 최근 3주일간 생산된 예측자료를 사용하여 예측하고자 하는 기간에 대해 앙상블 평균하는 방식이다. 하지만 과거재현기후장은 앞서 설명하였듯이 매일 생산되지 않고 매 월 1, 9, 17, 25일에 대해서만 자료를 생산하기 때문에 예측 편차를 제공하기 위해서는 일별로 생산되는 예측장에 준하는 기후장을 재생산할 필요가 있다. 이를 위해 예측장 초기날짜를 기준으로 앞뒤 가까운 2~4개의 과거재현기후장 초기날짜를 찾고, 해당되는 초기날짜를 예측장 초기날짜 기준으로 날짜 거리를 계산하여 가중 평균하는 기법을 사용한다. 가중치를 계산하는 식은 아래의 식(1)과 같으며, ω는 가중치, d는 예측장 날짜와의 거리, hmem은 기후장 날짜 별 전체 멤버 개수, hnum는 실제 사용된 파일의 개수를 의미한다.

ω=e-d2100×hnumhmen(1) 

예측장과 기후장은 주별 예측을 위해서는 8주 예측 선행 시간(lead time)을 가지는 주평균 예측자료를 생산하고, 월별 예측을 위해서는 6개월의 예측 선행 시간(lead time)을 갖는 월평균 예측자료가 생산되어 이값들의 편차가 장기예보용으로 제공되고 있다. 이 과정은 매주 월요일 2300 UTC에 1회 생산이 되며, 앙상블 예측자료가 생산되는 월요일을 기준으로 주별111~180멤버, 월별 300~420멤버가 사용된 주별(월별) 기후장이 생산된다. 본 연구에서는 가중 평균 앙상블 기법이 적용된 기후장 결과와 초기장에 사용된 토양수분 자료를 이용하여 분석을 실시하였다.

2.3 지면초기화

기후예측시스템의 지면초기화를 위해서는 오프라인 지면모델을 이용하여 토양수분 재분석 자료를 생산하였다. 사용한 지면모델은 JULES이며 오프라인 JULES를 JRA55 (Japanese 55-years Reanalysis project; Ebita et al., 2011)의 기상장을 강제력으로 이용하여 구동시킨다. JRA55 자료의 수평해상도는 1.25°이며, 6시간 간격의 강수, 기온, 습도, 기압, 풍속, 복사 자료를 이용하였다. 기상 강제력은 자료동화 과정을 거쳐 다양한 종류의 관측 자료들과 기후 재분석 자료들이 포함되어 있다. 이 가운데 강수 자료는 CMAP (The CPC Merged Analysis of Precipitation; Xie and Arkin, 1997) 전지구 월평균 강수 자료를 이용하여 보정을 실시하였다. CMAP은 5종류의 위성관측(GPI, OPI, SSM/I scattering, SSM/I emission and MSU)과 지상관측을 바탕으로 생산된 정밀 강수량 자료이다. 보정 방법은 JRA55와 CMAP의 월평균 강수량 비(ratio)를 이용하였으며 식(2)와 같다.

Precipscaled JRA=Precipmonthly CMAPPrecipmonthly JRA×Precip6horuly JRA(2) 

강수 보정을 하는 이유는 토양수분 양에 절대적인 영향을 차지하는 강수량에 대해 관측과 재분석자료간의 편차를 제거하고 관측에서 나타나는 변동성(day to day variability)을 적절하게 유지시키기 위함이다. 보정된 강수량은 CMAP과 월 평균이 동일하고 JRA55와 일변동성이 거의 비슷하게 나타나며, 공간장은 CMAP과 유사하다.

오프라인 JULES의 수평해상도는 0.5°이며 연직 해상도는 4층(0.1, 0.25, 0.65, 2.0 m)이다. JULES로부터 생산되는 토양수분 값은 해상도 변환과정을 거쳐 기후 예측시스템의 지면초기값으로 입력된다. 기후예측 시스템의 기후기간은 1991~2010년으로 동일한 기간에 대하여 오프라인 JULES 기반의 토양수분 값을 생산하였고, 앞서 언급한 각 초기날짜에 대하여 지면초기값을 처방하여 과거재현기후장을 생산하였다. 이 연구에서는 사용되지 않았지만 예측장에 처방하기 위한 지면초기값의 경우는 매일 4일 지연된 JRA55 자료를 수신 받아 생산 중이다.


3. 결 과

3.1 초기장 차이

3.1.1 전지구 분포

먼저 기후기간 동안 기후예측시스템에 처방된 전지구 평균 표층 토양수분 값(Figs. 1a, c)과 변동성(표준편차) (Figs. 1b, d)을 확인하였다. 지면초기화 전(GS5)과 후(GS5-LI)의 차이를 비교하였으며(Figs. 1e, f), 계절 변화에 따른 특성을 포함하여 분석하기 위하여 계절별 특성을 제거하지 않았고, 표층 토양수분(0.1 m)에 대해서만 분석하였다. 토양수분의 전지구 평균 분포는 강수 분포와 밀접하게 연관되어 있어 남아시아의 섬 지역과 남, 동아시아 몬순 지역, 중앙아프리카와 남아메리카 북부 열대 우림의 전지구적으로 강수가 가장 많은 지역에서 토양수분 값도 크게 나타난다(Milly and Dunne, 2001; Sehler et al., 2019). 다만 북반구 고위도 지역의 토양수분 값은 앞서 언급한 전지구적으로 강수가 많고 토양수분도 많은 지역에서 0.30 m3 m-3 이상의 값을 가지는데, 이 지역 토양수분이 큰 값을 유지하는 이유는 적도에 비해 눈이나 얼음 등에 의해 얼어 있는 토양에 의해 그 값이 큰 것으로 판단된다. 따라서 얼어 있지 않은 지역의 토양수분 영향을 보기 위해 이후 분석 영역에서 북반구 고위도 지역을 제외하였고, 앞서 서론에서도 언급하였듯 토양수분 값에 대한 불확실성이 큰 점은 고려되어야 한다.

지면초기화 전과 후의 평균 토양수분 값 차이를 보면 초기화 후의 인도, 남미 칠레 일부 지역을 제외한 대부분의 지역에서 토양수분이 적게 처방된 것으로 확인되며, 특히 티벳과 북아메리카 서쪽 지역 그리고 남아메리카 중북부와 중앙아프리카의 고산 지역에서 토양수분이 적게 처방되었다(Fig. 1e).

Figures 1b, df에서는 토양수분 변동성과 그 차이를 살펴보았다. 초기화 이전 ERA-Interim 재분석장이 사용된 토양수분 변동성은 토양수분 값 크기와 완전히 반대되는 경향이 나타난다. 연 강수량이 극히 적어 토양수분 값도 적고 그 변동성도 작을 수 밖에 없는 사하라 사막, 그 동쪽으로 중동, 중앙아시아, 티벳 지역을 제외하고는, 토양수분 값이 큰 곳에서는 변동성이 작게, 값이 작은 지역에서는 변동성이 크게 나타나는 경향이 뚜렷하다(Fig. 1b). 그러나 오프라인 지면모델로 계산된 토양수분 변동성(Fig. 1d)의 가장 큰 변화는 토양수분이 감소한 중위도 지역에서의 변동성 또한 감소한 것으로(Fig. 1f) 지면초기화를 통해 티벳과 같은 높은 지형의 지역과 사하라 사막부터 중동 지역을 제외한 저, 중위도 지역의 토양수분 값은 건조하고 변동성이 작게 처방된 것을 확인할 수 있다.

Fig. 1.

Distribution of mean soil moisture of (a) GloSea5 (GS5) and (c) GloSea5 after land initialization (GS5-LI), and (e) differences between GS5 and GS5-LI (GS5-LI minus GS5). Soil moisture variability (standard deviation) of (b) GS5, (d) GS5-LI, and (f) differences between GS5 and GS5-LI. Unit is m3 m-3.

모델 초기값으로 사용된 토양수분의 분포와 위성에서 추정된 토양수분 값을 비교하여 초기화 이후 토양수분이 위성 관측과 유사한 방향으로 개선되었는지 살펴보았다(Fig. 2). 관측 자료로는 가장 정확한 자료로 여겨지는 SMAP Level-4 Surface and Root Zone Soil Moisture Analysis Update, Version 5 (Reichle et al., 2020)의 표층 토양수분 자료(0.05 m)를 이용하였다. 가용 기간의 한계로 인해 본 연구에서 1월부터 12월까지 자료가 모두 있는 2016년부터 2020년까지의 일 자료를 이용하였는데, 기후예측시스템의 기후기간(1991~2010년)과 차이가 있지만 기후적인 측면에서의 비교는 가능할 것으로 여겨지며, 각 자료들의 표층 깊이가 다르기 때문에 토양수분 단위를 단위부피당 토양수분량을 나타내는 m3 m-3 단위로 변환하여 비교하였다.

Fig. 2.

(a) Regions used in the analysis and spatial distribution of SMAP mean soil moisture and soil moisture differences between (b) GS5 and SMAP, and (c) GS5-LI and SMAP. Unit is m3 m-3 (AUS: Australia, AMZ: Amazon Basin, SSA: Southern South America, CAM: Central America, WNA: Western North America, CNA: Central North America, ENA: Eastern North America, MED: Mediterranean Basin, WAF: Western Africa, EAS: Eastern Africa, SAF: Southern Africa, SAH: Sahara, SEA: Southeast Asia, EAS: East Asia, SAS: South Asia, CAS: Central Asia, TIB: Tibet; Giorgi and Francisco, 2000).

초기화 이전에는 사하라 사막과 인도 등을 제외한 대부분의 지역에서 양의 편차가 나타나는 것을 볼 수 있다(Fig. 2b). 초기화 이후에는 Fig. 1e에서도 보았듯 초기화 이전에 비해 전체적으로 토양수분이 적어지면서 양의 편차가 전반적으로 감소하는 특징을 보인다(Fig. 2c). 특히 Fig. 1에서 언급하였던 티벳 지역에서 지형을 따라 토양수분이 과도했던 오차가 감소하는 모습을 보였고, 사하라 사막과 아프리카 남부 지역에서는 음의 편차가 증가하는 것을 볼 수 있다. 대체로 초기화 이전에 비하면 초기화 이후에 편차가 감소하여 관측과 유사해짐을 확인할 수 있었으나 건조한 방향으로 적용되었고, 이 값 또한 현장 관측이 없는 지역에서의 위성 산출된 값으로 많은 불확실성을 내포하고 있음을 감안해야 한다.

3.1.2 지역별 변동

지역별 특징을 보기 위해서 기후예측시스템의 전지구 토양수분 분포를 북반구 고위도 지역을 제외한 17개 지역으로 구분하고(Giorgi and Francisco, 2000)(Fig. 2a), 지면초기화 전후의 차이를 분석하였다. Figure 3a는 기후기간 동안의 계절 변동을 포함한 각 지역의 영역 평균값을 b ox p lot으로 표시하고, 초기화 이후 값을 기준으로 평균 값이 작은 지역부터 큰 순서대로 나열하였다. 파란 색이 기존에 처방된 ERA-Interim 재분석장의 토양수분 값, 빨간 색이 초기화 이후의 토양수분 값이며, 회색이 SMAP의 토양수분 값이다. 박스의 중간 선이 중간값, 박스 위아래는 75, 25% 값이며, 가장 바깥 선은 최대, 최소값, 동그라미는 평균값을 나타낸다. 그리고 Figs. 3bc는 초기화 개선 전후 평균값과 변동성(표준편차)의 % 변화율을 표시하였으며, 변화율은 식(3)과 같이 구하였다.

Change%=GS5-LI-GS5GS5×100(3) 
Fig. 3.

(a) Box plots of the distribution of soil moisture for 17 regions, and changes of (b) the mean value and (c) the standard deviation. Box boundaries indicate the 25th and 75th percentiles, the line within the box marks the median, whiskers below and above the box indicate the minimum and maximum values, and the dot within the box indicates the mean value. Units are m3 m-3 and %.

Figure 3a를 보면 지역에 따라 최저 0.01m3 m-3 이하의 값에서부터 최대 0.44m3 m-3까지의 값을 가지고 있는데, 토양수분이 가장 적은 지역인 아프리카 북부 SAH는 평균 약 0.04 m3 m-3(초기화 이전)와 약 0.03 m3 m-3(초기화 이후)을 기준으로 -0.02~0.05 m3 m-3 이내의 분포를 보이고 있다. 평균적으로 토양수분이 가장 많은 지역은 동남아시아 해양성대륙이 위치한 SEA이며 초기화 이전에는 평균 0.38m3 m-3에서 ± 6m3 m-3 내외의 분포를 보이고, 초기화 이후에는 평균 0.34m3 m-3를 기준으로 -0.07~0.04 m3 m-3의 분포를 보인다. 최대, 최소값의 분포 범위를 통해 Fig. 1에서 언급하였듯이 토양수분이 극히 적은 SAH 지역을 제외하고는 토양수분이 적게 나타나는 지역에서 변화 폭이 큰 경향을 다시 확인할 수 있다. 또한 초기화 이전과 비교하면 초기화 이후의 토양수분 값이 SMAP 자료와 더 유사한 것을 알 수 있고, SAH, TIB, EAF 지역을 제외하면 초기화 이후의 평균 토양수분 값이 SMAP 자료에 비해 0.01~0.07 m3 m-3 정도 더 큰 경향이 있다. 값의 변화 폭은 지면초기화 전, 후 모두 관측과 비교하면 크게 나타난다.

Figures 3b, c는 각각 평균값과 변동성(표준편차)의 변화율(%)값이다. 식(3)을 통해 구하였으며, 전반적으로 평균 토양수분 값이 작은 지역에서 지면초기화 이후 토양수분의 감소율이 크게 나타났고, 이외에는 -10~-0.1%의 변화가 있었다. 평균값의 % 변화가 가장 큰 지역은 순서대로 SAH 48%, TIB 26%, SAF와 EAF 가 15~16% 내외 그리고 WNA, 티벳에 인접한 CAS 와 AMZ, SEA 지역이 10% 범위에서 감소하는 지역이다(Fig. 3b). 주로 사막이 위치한 지역에서 토양수분 평균값의 변화가 큰 것을 알 수 있다. 토양수분의 변동성은 대부분의 지역에서 20% 내외로 변하였으며, 변동성이 가장 크게 변화한 지역은 EAS, CNA, AMZ 지역으로 30% 이상 변동성이 감소하였고, ENA 지역에서 약 34% 증가하였는데, 모두 평균 토양수분 값이 큰 지역에서 변동성이 감소하거나 증가하는 변화도 크게 나타나는 경향을 보였다(Fig. 3c). 대체로 초기화 이후에 평균 토양수분이 적게 처방된 지역에서는 초기화 이전하고 비교하여 변동성의 변화보다 평균의 변화가 크게 나타났고, 반대로 평균 토양수분이 많이 처방된 지역에서는 초기화 이전에 비해 평균의 변화보다는 변동성의 변화가 크게 나타나는 경향을 보였다.

3.1.3 계절 변동

앞서 보았던 지면초기화 전후에 처방된 초기장 차이를 계절별로 살펴보았다. 지역별로 초기화 이전 대비 이후 토양수분 평균값의 변화율(%)을 식(3)을 통해 구하였고, 여름철(JJA)과 겨울철(DJF) 변화율에 대해 Table 1에 나타냈다. 각 지역에 대해 살펴보면, 사막이 위치한 SAH, TIB, CAS, WNA 지역 등에서 -66.45~-24.00% 범위의 변화율을 나타내어 초기화 이후에 여름철 토양수분이 뚜렷하게 감소함을 알 수 있다. 반면, 계절적으로 겨울철인 남반구 지역 SSA와 AUS는 상대적으로 토양수분의 변화가 거의 없거나(-0.09%) 2.69%로 초기화 이후에 약간 증가함을 알 수 있다. 겨울철에는 여름철에 비해 평균 토양수분 값의 변화가 크지 않음을 확인할 수 있다. 다만 SAH 지역은 여름철 변화율에 비하면 작지만 겨울철에도 -25.92%로 나타나 초기화 이후에 토양수분이 크게 감소함을 확인할 수 있고, SAS 지역의 경우는 여름철과 겨울철 모두 양의 값의 변화율을 나타내어 초기화 이후 두 계절 모두 토양수분이 증가함을 확인하였다. Table 1에 나타내진 않았지만 봄철과 가을철도 함께 살펴보면, 사하라 사막, 고비 사막 지역의 토양수분 값은 초기화 이전에 비해 초기화 이후에 사계절 내내 적게 반영되었고, 마찬가지로 사막이 위치하지만 북아메리카 서부 지역은 초기화 이후 가을을 제외한 봄철, 여름철, 겨울철에 적게 처방되었다. 호주는 남반구 기준 봄철, 여름철, 가을철에 적게 처방되었다.

Mean soil moisture changes (%) of GS5-LI compared to GS5 during the boreal summer (JJA) and the boreal winter (DJF) by region.

Figure 4에서는 여름철과 겨울철에 나타나는 효과를 보기 위해 6월말과 12월말 앙상블 기후장 생산에 사용된 20년 평균 토양수분 초기장 차이를 살펴보았다. 초기화 이후 값에서 초기화 이전 값을 빼주었으며, Table 2를 통해 현업에서 앙상블 기후장 생산이 수행된 날짜를 확인할 수 있다. 각 수행 날짜 별로 주/월별 예측이 수행되는데, 주별 예측을 위해 만들어진 기후장에 처방한 초기장을 분석하였다. 따라서 6월말 앙상블 기후장의 초기장은 1991~2010년 동안의 6월 17일, 6월 25일 초기장, 12월말 앙상블 기후장의 초기장은 1991~2010년 동안의 12월 17일, 12월 25일, 1월 1일 초기장이다. 6월말 앙상블 기후장의 초기장 차이는 TIB 지역에서 최대 -0.36 m3 m-3, 평균 -0.08 m3 m-3에 이르는 것을 볼 수 있는데, 즉 초기화 이후에 토양수분이 뚜렷하게 감소하였음을 나타낸다(Fig. 4a). 남아시아 지역인 SAS 지역에서는 초기화 이후 평균 0.06 m3 m-3, 최대 0.29m3 m-3까지 토양수분이 증가한 특징이 나타나며, 사하라 사막의 경우는 -0.07~-0.02 m3 m-3 정도 감소한 특징을 보인다. 12월말 앙상블 기후장의 초기장은 초기화 이후TIB, WNA, SSA, AMZ, AUS 지역에서 각각 평균 -0.02 m3 m-3, -0.01 m3 m-3, 0.06 m3 m-3, -0.04 m3 m-3, -0.02 m3 m-3의 토양수분 감소를 볼 수 있어, 앞서 Table 1에서 보았던 계절별 변화 결과와 유사한 것을 확인할 수 있다(Fig. 4b).

Fig. 4.

Soil moisture differences in the initial fields based on the dates used for weekly ensemble forecast performed at (a) the end of June (i.e. GS5: 20180625, GS5-LI: 20190624), and (b) the end of December (i.e. GS5: 20181231, GS5-LI: 20191230). The unit is m3 m-3.

Information about the initial date and ensemble members of hindcast data used for ensemble prediction. Each ensemble prediction performs for the weekly and the monthly forecasts on its operating date.

다음 장에서는 이 지역들을 위주로 이렇게 변화된 토양수분의 차이가 기후 예측에 얼마나 민감한 영향을 주었는지 살펴보았다.

3.2 토양수분 변화의 기후값 영향

지면초기화 적용 효과가 어떻게 그리고 얼마나 지속되었는지 알아보기 위해, Figs. 57에 초기화 전 후 6월말과 12월말에 수행된 앙상블 기후장의 평균 지표기온, 해면고도, 상층 500 hPa 고도장의 차이를 주별과 월별로 나타내었다. 초기화 이후 결과에서 초기화 이전 결과를 빼주었고, 격자 표시된 영역은 Student t-test를 통해 95% 이상 유의하게 나타난 지역이다. 각 앙상블 예측에 사용된 과거재현기후장의 초기시간과 앙상블 멤버는 Table 2에 표시하였다.

Fig. 5.

Differences in the ensemble prediction results of (a) the surface temperature, (b) the mean sea level pressure, and (c) the 500 hPa geopotential height between GS5 and GS5-LI predicted at the end of June. Units are oC, hPa, and m. Cross-hatched areas indicate statistically significant values at the 95% confidence level.

토양수분이 증감한 위치(Fig. 4)와 함께 기후값의 변화를 전체적으로 보면 토양수분의 감소(증가) 효과가 예측 1주부터 바로 지표기온에 나타나고 있다(Figs. 5a, 7a). 그러나 이러한 토양수분의 영향이 공간적으로는 내륙지역에 한정되어 예측 기간이 길어짐에 따라 기온과 기압의 영향이 점점 다른 영역으로 확대되는 모습은 보이지 않았다(Figs. 5b, c, 7b, c).

이를 자세히 살펴보면, 6월말 앙상블 기후장에서 토양수분 값이 감소한 SAH, SAF, EAF 지역은 1주 예측부터 전체적으로 1°C 이내의 지표기온의 증가가 보이며, MED에서부터 CAS, TIB, EAS 그리고 WNA 지역에서는 최대 4.38°C까지의 뚜렷한 지표기온의 증가를 볼 수 있다(Figs. 4a, 5a). 토양수분 값이 많이 증가한 SAS 지역은 -1.5°C까지 지표기온의 하강을 확인할 수 있어, 초기화 이후 여름철 토양수분이 적게 처방된 지역에서는 지표기온의 상승을, 토양수분이 많이 처방된 지역에서는 지표기온의 하강이 모의되는 모습을 볼 수 있다. AMZ 지역은 토양수분의 감소와 함께 지표기온이 하강하여 앞서 본 토양수분과 기온의 관계와 반대로 나타났다. 한편, 이 시기에 겨울철인 남반구 AUS 지역과 SSA 지역은 토양수분이 증가하였지만 지표기온에는 약 0.02°C 정도의 상승이 나타나 토양수분의 변화가 거의 영향을 주지 않은 것으로 보인다. 또한 Fig. 3a의 그래프에서 확인하였던 ENA, SEA 지역과 같이 평균적으로 토양수분이 많은 지역에서는 토양수분의 변화로 인한 지표기온의 변화가 0.4°C 이내로 나타나 이 지역들도 거의 영향을 받지 않은 것을 볼 수 있다. 이는 여름철 토양수분이 적어 건조한 지역에서는 일사량이 증가함에 따라 더 빨리 데워져 많은 양의 현열을 지면으로부터 대기로 방출하고 방출된 에너지가 지표 기온을 데우는 역할을 한 것으로 보인다. 앞서 언급했듯이 지표기온의 효과는 바로 기압에 반영되어 기온이 높은(낮은) 경우 저(고)기압이 발생하고, 상층에 고(저)기압이 발생하였으며(Figs. 5b, c) 그 효과는 지표기온 2°C에 해면기압 기준 2기압의 차이를 유의하게 발생시켰다. 이렇게 뚜렷한 효과가 나타나는 MED, CAS, TIB, WNA 지역 등에서는 시간에 따라 기온의 상승이 점점 유의해지며, 그 영향은 3개월까지 지속되는 특징을 보인다. 이는 Fig. 6을 통해서 확인할 수 있는데, 막대 그래프는 해당 지역의 기온 평균값을 주별로 나타낸 것이고, 점과 실선은 월별 기온 평균값을 나타낸다. 막대 그래프와 점의 테두리는 해당 값이 Student t-test 결과 95% 이상 유의함을 의미한다. 주별 및 월별 기온을 보면, 예측하는 주에 따라 기온이 오르내리기는 하지만 변동폭이 크지 않고, 대체로 3개월까지 유의하게 높은 기온이 유지되는 것을 볼 수 있다. 이후 4개월째에 그 차이가 거의 없어지는 것을 확인할 수 있어 지면초기화 효과가 여름철에는 지역에 따라 최대 3~4개월까지 유지되는 것을 확인할 수 있다.

Fig. 6.

Differences in the ensemble prediction results of weekly and monthly surface temperature between GS5 and GS5-LI, predicted at the end of June. Unit is C. Bordered bars and dots indicate statistically significant values at the 95% confidence level.

12월말 앙상블 기후장에서는 앞서 보았던 TIB와 WNA 지역에서 초기화 이후 토양수분의 감소와 지표 기온의 하강이 나타났다(Figs. 4b, 7a). 북반구 보다는 여름철인 남반구 지역에서 좀 더 뚜렷한 효과가 나타났는데, AUS 지역과 SAF 지역에서는 초기화 이후 토양수분의 감소와 함께 지표기온의 증가가 나타났고, SSA 지역과 WAF 지역에서는 일부 토양수분이 증가한 지역에서는 지표기온의 하강을, 토양수분이 감소한 지역에서는 지표기온의 상승을 볼 수 있어 북반구 여름철의 결과와 유사하게 나타났다. 이때도 AMZ 지역은 토양수분이 감소하고 지표기온도 하강하는 모습을 보여 다른 메커니즘이 있을 것으로 추측된다. 겨울철도 마찬가지로 지표기온의 효과가 기압에 반영되어 지표기온이 높(낮)은 지역에서 하층 고(저)기압을 확인할 수 있는데, 유의성은 낮은 편이다(Figs. 7b, c). 12월말 예측 결과는 6월말 예측 결과에 비해 지표기온의 편차가 작게 나타나고, 지속 효과 또한 짧아서 2개월 정도 유지되는 모습을 보였다(Figs. 7a, 8). Figure 8를 보면 6월말 예측 결과에 비해 CAS, WNA 지역 등에서 유의성도 낮고 주별로 기온이 높았다가 낮아지거나 혹은 그 반대의 변동이 큰 것을 확인할 수 있다. 그래서 월평균된 값을 통해서는 지면초기화에 의한 차이가 2개월까지 유지되는 것으로 보이지만, 주별 값으로 보면 그 경향이 일관되지는 않음을 알 수 있다. 이렇게 여름철에 비해 겨울철에 지면초기화 효과가 뚜렷하게 나타나지 않는 이유는 초기화 이후의 평균 토양수분이 겨울철에는 여름철에 비해 증가하거나 감소하는 경향이 작게 처방되었기 때문으로 보인다. 하지만 이때도 계절적으로 여름철인 남반구 지역에서는 북반구 지역에 비하면 상대적으로 유의한 차이를 보여, 지면초기화의 효과는 주로 각 반구의 여름철에 유의하게 나타남을 확인할 수 있다.

Fig. 7.

The same as Fig. 5, but it is predicted at the end of December.

Fig. 8.

The same as Fig. 6, but it is predicted at the end of December.

전반적으로 지면초기화 효과는 여름철 CAS, TIB, WNA 지역에서 민감하게 나타났고, 이 지역에서 평균 -0.09~-0.05 m3 m-3의 토양수분의 감소가 0.43~1.52°C의 유의한 지표기온 상승을 유도하였다. 이 차이는 처음 2달간 유지되다가 점차 감소하여 3~4개월 까지는 효과가 지속되는 것을 볼 수 있었다. 겨울철에는 여름철에 비하면 그 효과가 덜 민감하게 나타났는데, TIB 지역에서 평균 -0.02 m3 m-3의 토양수분 감소와 그 영향으로 인해 지표기온이 -0.68~-0.24°C 범위에서 2개월간 하강하는 것을 확인할 수 있었고, 같은 시기의 남반구 지역(AUS, SAF, SSA, WAF)에서는 북반구에 비해 상대적으로 더 유의한 효과가 나타났다.

이 결과는 토양수분이 많은 지역의 여름철에는 증발이 많이 발생하여 증발에 의한 냉각 효과로 인해 기온이 낮아지고, 겨울철에는 열손실 감소 및 눈덮임에 의한 온실효과로 인해 기온이 상승한다는 선행연구 결과와 많은 지역에서 일치하는 모습을 보였다(Zhang et al., 2001; Koster and Suarez, 2003; Kim et al., 2005; Fischer et al., 2007; Joo et al., 2010). 그림으로 보이지 않았으나 강수량은 지면초기화에 따른 변화가 거의 나타나지 않아서 강수의 개선은 확인하기 어려웠다.


4. 요약 및 결론

이 연구에서는 기상청의 현업 기후예측시스템 GloSea5의 토양수분 초기화 과정 개선에 따른 계절 내 및 계절 예측 민감도에 대해 분석하였다. JRA55의 강수, 기온, 습도 기압, 풍속, 복사 자료를 강제력으로 이용하였고, 그 중 강수는 CMAP 강수 자료를 이용하여 보정을 실시하였다. 강제력을 처방하여 JULES 오프라인 지면모델을 장기간 적분하였으며, 토양수분 자료는 과거재현기후장 생산을 위해서 1991년부터 2010년까지 매 월 1, 9, 17, 25일의 자료를 만들었고, 예측장 생산을 위해서는 4일 지연 시스템을 구축하여 매일 자료를 만든다.

기후기간에 대한 분석을 실시하였으며 초기화 이전과 비교하여 초기화 이후에 평균 토양수분 값은 북반구 고위도 지역과 인도, 남미 일부 지역을 제외하고 전반적으로 적게 처방되었으며, 저, 중위도 지역에서의 변동성 또한 사하라 사막, 중동, 티벳 지역을 제외하고 작게 처방되었다. 북반구 고위도 지역은 눈이나 얼음 등에 의한 영향을 받을 것으로 예상되어 분석에서 제외하였으며, 초기화 이전 대비 초기화 이후의 평균과 변동성의 변화율을 살펴보면, 초기화 이후에 평균 토양수분이 적게 처방된 지역에서는 초기화 이전에 비해 변동성의 변화보다 평균의 변화가 크게 나타나는 경향이 있었고, 반대로 초기화 이후 평균 토양수분이 많이 처방된 지역에서는 평균의 변화보다는 변동성의 변화가 크게 나타나는 경향을 보였다.

초기화 적용 효과가 얼마나 지속되는지 살펴보기 위해, 6월말과 12월말에 예측한 앙상블 기후장을 이용하여 여름철과 겨울철에 대해 살펴보았다. 여름철에는 초기화 이후 토양수분이 적게 처방된 아프리카의 SAH, SAF, EAF 지역 및 유라시아 내륙 지역을 중심으로 한 MED, CAS, TIB, EAS 지역, 북아메리카 서부 WNA 지역에서 지표기온의 증가를 확인할 수 있었고, 토양수분이 증가한 남아시아 SAS 지역은 지표기온의 하강을 확인할 수 있었다. 이렇게 지표기온이 상승(하강)한 곳에서는 하층 저(고)기압 및 상층 고(저)기압이 나타났으며, 이러한 효과는 최대 3~4개월까지 유의하게 유지되었다. 겨울철에는 초기화 이후 토양수분이 감소한 티벳 TIB, 북아메리카 서부 WNA 지역에서 지표기온의 하강이 나타났다. 이때 여름철인 남반구 지역에서의 초기화 효과가 상대적으로 잘 나타났는데, 호주 AUS 지역과 남아프리카 SAF 지역에서는 토양수분의 감소와 지표기온의 증가를 확인 할 수 있었고, 마찬가지로 지표기온의 효과가 기압에 반영되는 모습을 볼 수 있었으나 일부 지역에서만 유의하게 나타났다. 지속기간은 여름철보다는 짧아서 2개월정도 유지되는 것을 볼 수 있었다. 이러한 결과는 선행연구에서 밝혀졌듯이 여름철에는 토양수분과 기온이 반비례 관계를, 겨울철에는 정비례 관계를 갖는다는 결과와 대체로 일치하는 모습을 보였으며, 초기화 효과는 각 반구의 여름철에 잘 나타나는 것으로 확인되었다.

현재 운영하고 있는 기후예측시스템의 과거재현기후장은 한 달에 4번을 초기화 하고 있으므로 초기화하는 일간의 간격이 8일 정도가 되고, 여기에 2장에서 언급하였듯이 앙상블 예측일을 기준으로 2~4개의 초기날짜 자료를 가지고 가중평균을 취하기 때문에, 매일 초기날짜 자료가 반영되었을 경우보다 예측성이 감소하게 된다. 따라서 기후장을 가지고 실시간 예측성이 중요한 과거 폭염 케이스 등의 효과를 보는 것에는 한계가 있었으며, 향후 매일 초기장을 업데이트 하는 예측장을 가지고 사례를 검증한다면 특정 사례에 대한 실시간 지면 초기화의 효과를 살펴볼 수 있을 것이다.

본 연구에서는 지면초기화에 따른 20년간의 과거재현기후 자료를 통해 현업 앙상블 예측에서의 민감도를 살펴보고자 하였으며, 예측성에 대한 비교 및 평가는 이뤄지지 않았다. 추후 토양수분 초기화 과정에 Cumulative Density Function (CDF) matching (Reichle and Koster, 2004)을 적용시킬 것이며, 이때 예측성 평가 또한 함께 이뤄질 예정이다. 개선될 버전인 GloSea6에서는 CDF가 적용된 토양수분 초기화와 더불어 토양온도, 눈 등 다른 지면 변수에 대한 초기화, 위성을 기반으로 한 지면초기화의 업그레이드를 진행시킬 계획에 있다. 이를 통해 기후예측시스템에서의 가뭄이나 폭염 등에 대한 예측성을 개선시키고자 한다.

Acknowledgments

이 연구는 기상청 국립기상과학원 「기후예측 현업 시스템 개발」(KMA2018-00322)의 지원으로 수행되었습니다.

References

  • Berrisford, P., D. P. Dee, M. Fielding, M. Fuentes, P. W. Kållberg, S. Kobayashi, and S. Uppala, 2009: The ERA-Interim archive. ERA Report Series, Tech. Rep. 16 pp.
  • Best, M. J., and Coauthors, 2011: The Joint UK Land Environment Simulator (JULES), model description – Part 1: Energy and water fluxes. Geosci. Model Dev., 4, 677–699. [https://doi.org/10.5194/gmd-4-677-2011]
  • Bowler, N. E., A. Arribas, S. E. Beare, K. R. Mylne, and G. J. Shutts, 2009: The local ETKF and SKEB: Upgrades to the MOGREPS short-range ensemble prediction system. Q. J. R. Meteorol. Soc., 135, 767-776. [https://doi.org/10.1002/qj.394]
  • Brown, A., S. Milton, M. Cullen, B. Golding, J. Mitchell, and A. Shelly, 2012: Unified modeling and prediction of weather and climate: A 25-year journey. Bull. Amer. Meteor. Soc., 93, 1865-1877. [https://doi.org/10.1175/bams-d-12-00018.1]
  • Dirmeyer, P. A., 2003: The role of the land surface background state in climate predictability. J. Hydrometeor., 4, 599-610. [https://doi.org/10.1175/1525-7541(2003)004<0599:TROTLS>2.0.CO;2]
  • Ebita, A., and Coauthors, 2011: The Japanese 55-year reanalysis “JRA-55”: An interim report. SOLA, 7, 149-152. [https://doi.org/10.2151/sola.2011-038]
  • Entin, J. K., A. Robock, K. Y. Vinnikov, S. E. Hollinger, S. Liu, and A. Namkhai, 2000: Temporal and spatial scales of observed soil moisture variations in the extratropics. J. Geophys. Res. Atmos., 105, 11865-11877. [https://doi.org/10.1029/2000JD900051]
  • Fischer, E. M., S. I. Seneviratne, P. L. Vidale, D. Luthi, and C. Schar, 2007: Soil moisture-atmosphere interactions during the 2003 European summer heat wave. J. Climate, 20, 5081-5099. [https://doi.org/10.1175/JCLI4288.1]
  • Giorgi, F., and R. Francisco, 2000: Uncertainties in regional climate change prediction: a regional analysis of ensemble simulations with the HADCM2 coupled AOGCM. Climate Dyn., 16, 169-182. [https://doi.org/10.1007/PL00013733]
  • Hunke, E. C., and W. H. Lipscomb, 2010: CICE: the Los Alamos sea ice model documentation and software user’s manual, Version 4.1, LA-CC-06-012. Tech. rep., Los Alamos National Laboratory, 76 pp.
  • Hwang, S. O., and Coauthors, 2020: Next Generation Earth System Prediction: Strategies for Subseasonal to Seasonal Forecasts. National Institute Meteorological Sciences, 186 pp [Available online at https://policy.nl.go.kr/search/searchDetail.do?rec_key=SH1_UMO20201209700&kwd=, ] (in Korean).
  • Hyun, Y.-K., J. Park, J. Lee, S. Lim, S.-I. Heo, H. Ham, S.-M. Lee, H.-S. Ji, and Y. Kim, 2020: Reliability assessment of temperature and precipitation seasonal probability in current climate prediction systems. Atmosphere, 30, 141-154. (in Korean with English abstract) [https://doi.org/10.14191/Atmos.2020.30.2.141]
  • Jeong, J.-H., H. W. Linderholm, S.-H. Woo, C. Folland, B.-M. Kim, S.-J. Kim, and D. Chen, 2013: Impacts of snow initialization on subseasonal forecasts of surface air temperature for the cold season. J. Climate, 26, 1956-1972. [https://doi.org/10.1175/JCLI-D-12-00159.1]
  • Jeong, J.-H., and Coauthors, 2017: The status and prospect of seasonal climate prediction of climate over Korea and East Asia: A review. Asia-Pac. J. Atmos. Sci., 53, 149-173. [https://doi.org/10.1007/s13143-017-0008-5]
  • Joo, J. Y., M. Choi, S. W. Jung, and S. O. Lee, 2010: Prediction of soil moisture using hydrometeorological data in Selmacheon. KSCE J. CEER, 30, 437-444 (in Korean with English abstract).
  • Kim, S. O., M.-S. Suh, and K. Chong-Heum, 2005: Climatological characteristics in the variation of soil temperature in Korea. J. Korean Earth Sci. Soc., 26, 93-105 (in Korean with English abstract).
  • Koster, R. D., and M. J. Suarez, 2003: Impact of land surface initialization on seasonal precipitation and temperature prediction. J. Hydrometeor., 4, 16.
  • Koster, R. D., M. J. Suarez, P. Liu, U. Jambor, A. Berg, M. Kistler, R. Reichle, M. Rodell, and J. Famiglietti, 2004: Realistic initialization of land surface states: Impacts on subseasonal forecast skill. J. Hydrometeor., 5, 1049-1063. [https://doi.org/10.1175/JHM-387.1]
  • Koster, R. D., and Coauthors, 2010: Contribution of land surface initialization to subseasonal forecast skill: First results from a multi-model experiment. Geophys. Res. Lett., 37, L02402. [https://doi.org/10.1029/2009GL041677]
  • Koster, R. D., and Coauthors, 2011: The second phase of the Global Land-Atmosphere Coupling Experiment: Soil moisture contributions to subseasonal forecast skill. J. Hydrometeor., 12, 805-822. [https://doi.org/10.1175/2011JHM1365.1]
  • Lea, D. J., I. Mirouze, M. J. Martin, R. R. King, A. Hines, D. Walters, and M. Thurlow, 2015: Assessing a new coupled data assimilation system based on the Met Office coupled atmosphere-land-ocean-sea ice model. Mon. Wea. Rev., 143, 4678-4694. [https://doi.org/10.1175/mwr-d-15-0174.1]
  • MacLachlan, C., and Coauthors, 2015: Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Q. J. R. Meteorol. Soc., 141, 1072-1084. [https://doi.org/10.1002/qj.2396]
  • Madec, G., 2008: NEMO Ocean Engine. Note du Pole de Modelisation, 27, Institute Pierre-Simon Laplace (IPSL), 300 pp.
  • Milly, P. C. D., and K. A. Dunne, 2001: Trends in evaporation and surface cooling in the Mississippi River Basin. Geophys. Res. Lett., 28, 1219-1222. [https://doi.org/10.1029/2000GL012321]
  • National Academies of Sciences, Engineering, and Medicine, 2016: Next Generation Earth System Prediction: Strategies for Subseasonal to Seasonal Forecasts. The National Academies Press. 350 pp. [https://doi.org/10.17226/21873]
  • Reichle, R. H., and R. D. Koster, 2004: Bias reduction in short records of satellite soil moisture. Geophys. Res. Lett., 31, L19501. [https://doi.org/10.1029/2004GL020938]
  • Reichle, R. H., G. De Lannoy, R. D. Koster, W. T. Crow, J. S. Kimball, and Q. Liu. 2020: SMAP L4 Global 3-hourly 9 km EASE-Grid Surface and Root Zone Soil Moisture Analysis Update, Version 5. NASA National Snow and Ice Data Center Distributed Active Archive Center. [https://doi.org/10.5067/0D8JT6S27BS9]
  • Robertson, A. W., A. Kumar, M. Peña, and F. Vitart, 2015: Improving and promoting subseasonal to seasonal prediction. Bull. Amer. Meteor. Soc., 96, ES49-ES53. [https://doi.org/10.1175/BAMS-D-14-00139.1]
  • Sehler, R., J. Li, J. T. Reager, and H. Ye, 2019: Investigating relationship between soil moisture and precipitation globally using remote sensing observations. J. Contemp. Water Res. Edu., 168, 106-118. [https://doi.org/10.1111/j.1936-704X.2019.03324.x]
  • Seo, E., M.-I. Lee, J.-H. Jeong, H.-S. Kang, and D.-J. Won, 2016: Improvement of soil moisture initialization for a global seasonal forecast system. Atmosphere, 26, 35-45. (in Korean with English abstract) [https://doi.org/10.14191/Atmos.2016.26.1.035]
  • Seo, E., and Coauthors, 2019: Impact of soil moisture initialization on boreal summer subseasonal forecasts: mid-latitude surface air temperature and heat wave events. Climate Dyn., 52, 1695-1709. [https://doi.org/10.1007/s00382-018-4221-4]
  • Seo, E., M.-I. Lee, S. D. Schubert, R. D. Koster, and H.-S. Kang, 2020: Investigation of the 2016 Eurasia heat wave as an event of the recent warming. Environ. Res. Lett., 15, 114018. [https://doi.org/10.1088/1748-9326/abbbae]
  • Tennant, W. J., G. J. Shutts, A. Arribas, and S. A. Thompson, 2011: Using a stochastic kinetic energy backscatter scheme to improve MOGREPS probabilistic forecast skill. Mon. Wea. Rev., 139, 1190-1206. [https://doi.org/10.1175/2010MWR3430.1]
  • Vitart, F., A. W. Robertson, and D. L. T. Anderson, 2012: Subseasonal to Seasonal Prediction Project: Bridging the gap between weather and climate. WMO Bulletin, 61, 23-28.
  • Walters, D. N., and Coauthors, 2011: The Met Office Unified Model Global Atmosphere 3.0/3.1 and JULES Global Land 3.0/3.1 configurations. Geosci. Model Dev., 4, 919-941. [https://doi.org/10.5194/gmd-4-919-2011]
  • White, C. J., and Coauthors, 2017: Potential applications of subseasonal-to-seasonal (S2S) predictions. Meteor. Appl., 24, 315-325. [https://doi.org/10.1002/met.1654]
  • Xie, P., and P. A. Arkin, 1997: Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs. Bull. Amer. Meteor. Soc., 78, 2539-2558. [https://doi.org/10.1175/1520-0477(1997)078<2539:GPAYMA>2.0.CO;2]
  • Zhang, T., R. G. Barry, D. Gilichinsky, S. S. Bykhovets, V. A. Sorokovikov, and J. Ye, 2001: An amplified signal of climatic change in soil temperatures during the last century at Irkutsk, Russia. Climatic Change, 49, 41-76. [https://doi.org/10.1023/A:1010790203146]

Fig. 1.

Fig. 1.
Distribution of mean soil moisture of (a) GloSea5 (GS5) and (c) GloSea5 after land initialization (GS5-LI), and (e) differences between GS5 and GS5-LI (GS5-LI minus GS5). Soil moisture variability (standard deviation) of (b) GS5, (d) GS5-LI, and (f) differences between GS5 and GS5-LI. Unit is m3 m-3.

Fig. 2.

Fig. 2.
(a) Regions used in the analysis and spatial distribution of SMAP mean soil moisture and soil moisture differences between (b) GS5 and SMAP, and (c) GS5-LI and SMAP. Unit is m3 m-3 (AUS: Australia, AMZ: Amazon Basin, SSA: Southern South America, CAM: Central America, WNA: Western North America, CNA: Central North America, ENA: Eastern North America, MED: Mediterranean Basin, WAF: Western Africa, EAS: Eastern Africa, SAF: Southern Africa, SAH: Sahara, SEA: Southeast Asia, EAS: East Asia, SAS: South Asia, CAS: Central Asia, TIB: Tibet; Giorgi and Francisco, 2000).

Fig. 3.

Fig. 3.
(a) Box plots of the distribution of soil moisture for 17 regions, and changes of (b) the mean value and (c) the standard deviation. Box boundaries indicate the 25th and 75th percentiles, the line within the box marks the median, whiskers below and above the box indicate the minimum and maximum values, and the dot within the box indicates the mean value. Units are m3 m-3 and %.

Fig. 4.

Fig. 4.
Soil moisture differences in the initial fields based on the dates used for weekly ensemble forecast performed at (a) the end of June (i.e. GS5: 20180625, GS5-LI: 20190624), and (b) the end of December (i.e. GS5: 20181231, GS5-LI: 20191230). The unit is m3 m-3.

Fig. 5.

Fig. 5.
Differences in the ensemble prediction results of (a) the surface temperature, (b) the mean sea level pressure, and (c) the 500 hPa geopotential height between GS5 and GS5-LI predicted at the end of June. Units are oC, hPa, and m. Cross-hatched areas indicate statistically significant values at the 95% confidence level.

Fig. 6.

Fig. 6.
Differences in the ensemble prediction results of weekly and monthly surface temperature between GS5 and GS5-LI, predicted at the end of June. Unit is C. Bordered bars and dots indicate statistically significant values at the 95% confidence level.

Fig. 7.

Fig. 7.
The same as Fig. 5, but it is predicted at the end of December.

Fig. 8.

Fig. 8.
The same as Fig. 6, but it is predicted at the end of December.

Table 1.

Mean soil moisture changes (%) of GS5-LI compared to GS5 during the boreal summer (JJA) and the boreal winter (DJF) by region.

JJA DJF
SAH -66.45% SAH -25.92%
TIB -38.20% EAF -16.01%
CAS -35.38% SAF -14.62%
MED -24.27% AMZ -12.29%
WNA -24.00% TIB -11.07%
EAF -15.18% AUS -9.67%
SAF -14.74% SEA -9.40%
ENA -10.12% WAF -7.72%
AMZ -9.88% SSA -4.39%
SEA -8.95% MED -4.12%
CAM -7.74% WNA -3.38%
EAS -7.36% CNA -2.03%
WAF -4.28% CAM -0.37%
CNA -1.64% EAS 1.86%
SSA -0.09% ENA 3.71%
SAS 1.35% CAS 3.99%
AUS 2.69% SAS 7.35%

Table 2.

Information about the initial date and ensemble members of hindcast data used for ensemble prediction. Each ensemble prediction performs for the weekly and the monthly forecasts on its operating date.

Information GloSea5 GloSea5-Land Initialization
Ensemble operating date 20180625 20190624
20181231 20191230
Hindcast initial date (1991~2010) Weekly forecast 0617, 0625 0617, 0625
Monthly forecast 0525, 0601,0609, 0617, 0625, 0701 0525, 0601,0609, 0617,0625, 0701
Weekly forecast 1217, 1225, 0101 1217, 1225, 0101
Monthly forecast 1201, 1209, 1217, 1225, 0101, 0109 1201, 1209, 1217, 1225, 0101, 0109
Number of members Weekly forecast 120 111~120
Monthly forecast 360 360
Weekly forecast 171~180 154~180
Monthly forecast 300~360 300~360