The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 31, No. 5, pp.473-488
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 31 Dec 2021
Received 09 Jul 2021 Revised 07 Sep 2021 Accepted 30 Sep 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.5.473

고해상도 지상 기온 상세화 모델 개발

이두일1) ; 이상현1), * ; 정형세2) ; 김연희2)
1)공주대학교 자연과학대학 대기과학과
2)국립기상과학원 미래기반연구부
Development of a High-Resolution Near-Surface Air Temperature Downscale Model
Doo-Il Lee1) ; Sang-Hyun Lee1), * ; Hyeong-Se Jeong2) ; Yeon-Hee Kim2)
1)Department of Atmospheric Science, Kongju National University, Gongju, Korea
2)National Institute of Meteorological Sciences, Jeju, Korea

Correspondence to: * Sang-Hyun Lee, Department of Atmospheric Science, Kongju National University, 56 Gongjudaehak-ro, Gongju 32588, Korea. Phone: +82-41-850-8526, Fax: +82-41-856-8527 E-mail: sanghyun@kongju.ac.kr

Abstract

A new physical/statistical diagnostic downscale model has been developed for use to improve near-surface air temperature forecasts. The model includes a series of physical and statistical correction methods that account for un-resolved topographic and land-use effects as well as statistical bias errors in a low-resolution atmospheric model. Operational temperature forecasts of the Local Data Assimilation and Prediction System (LDAPS) were downscaled at 100 m resolution for three months, which were used to validate the model’s physical and statistical correction methods and to compare its performance with the forecasts of the Korea Meteorological Administration Post-processing (KMAP) system. The validation results showed positive impacts of the un-resolved topographic and urban effects (topographic height correction, valley cold air pool effect, mountain internal boundary layer formation effect, urban land-use effect) in complex terrain areas. In addition, the statistical bias correction of the LDAPS model were efficient in reducing forecast errors of the near-surface temperatures. The new high-resolution downscale model showed better agreement against Korean 584 meteorological monitoring stations than the KMAP, supporting the importance of the new physical and statistical correction methods. The new physical/statistical diagnostic downscale model can be a useful tool in improving near-surface temperature forecasts and diagnostics over complex terrain areas.

Keywords:

2-m temperature, downscale model, physical correction, statistical correction, KMAP

1. 서 론

고해상도 지상 기온 예측 정보는 폭염/한파 경보체계(e.g., Masato et al., 2015)나 냉방 에너지 수요예측(e.g., Morakinyo et al., 2019) 등 다양한 사회경제 분야에서 활용되고 있어, 정확한 지상 기온 예측의 필요성이 증가하고 있다(e.g., Verkade et al., 2013; Giannaros et al., 2018; Jänicke et al., 2020). 일반적으로 현업 날씨 예보는 대기에서 발생하는 다양한 물리 과정들을 현실적으로 고려할 수 있는 기상 수치 모형의 예측 자료를 기반으로 이루어진다. 하지만 현업 예측에 사용되는 기상 수치 모형의 공간해상도 제약으로 인해 수백 m급 고해상도 기상 정보 수요에 부합하는 상세 영역의 예측 정보를 산출하는데 한계가 있다(e.g., Jayakumar et al., 2018; Prasanna et al., 2018). 이러한 한계를 보완하기 위해 기상 수치 모형을 이용한 역학적 상세화 방안과 지표 특성을 반영한 물리 보정 방안이나 인공지능 기법을 활용한 다양한 통계적 상세화 방안들이 개발되고 있다(e.g., Liu et al., 2018; Hrisko et al., 2020). 이 중 물리 보정 기반 통계적 상세화 방안은 현업 예측 모형에서 표현하지 못하는 상세 지역의 지표 특성과 이와 연관된 물리 효과를 경험식에 기반하여 반영하는 방안으로(e.g., Sheridan et al., 2010, 2018), 적은 전산 자원으로 고해상도 기상 예측 자료의 산출이 가능하다.

기상청은 영국 기상청 Met Office의 UM (Unified Model) 모형을 기반으로 한 국지예보모형(Local Data Assimilation and Prediction System, LDAPS)을 이용하여 한반도 전 영역을 대상으로 국지기상 예측 정보를 제공하고 있다(KMA, 2011; Prasanna et al., 2018). LDAPS 모형은 1.5 km 격자 해상도로 예측 정보를 산출하고 있지만, 지형 고도와 지면 피복의 공간 변화가 높은 지역(예, 도시, 산악)에서는 현실적인 지표 정보가 반영되지 못한다(Kim et al., 2020). 국립기상과학원에서는 사회적 수요에 부합하는 고해상도 기상정보 산출을 위해 LDAPS 예측 자료를 이용한 규모 상세화 모형(Korea Meteorological Administration Post processing, KMAP)을 개발하여 현업 운영하고 있으며, 남한 전 영역에 대해 100 m 격자 해상도의 상세 바람, 기온, 습도, 일사량 등 기상정보를 생산하고 있다(NIMS, 2017). Yun et al. (2021)은 KMAP 모형 체계의 고해상도 풍속 산출 정보를 활용하여 남한 지역의 풍력기상자원 특성을 분석하였고, Seok et al. (2020)은 한반도 지역을 대상으로 저고도 항공 난류 진단 연구를 수행하였다. 또한 Keum et al. (2021)은 KMAP 모형 체계의 풍속 예측 성능을 향상시키기 위해 지형 입력 정보의 산정 방식을 개선하였고, 복잡 지형 지역에서 예측 성능을 평가하였다.

본 연구에서는 물리/통계 보정 기법을 기반으로 한 고해상도 지상 기온 상세화 모형을 개발하고자 한다. 기온 상세화 모형의 검증을 위해 남한 지역의 LDAPS 예측 기온을 100 m 격자 해상도로 상세화하고, 기상청 지상측정소의 지상 기온 자료를 이용하여 물리/통계 보정 방안의 예측 성능을 검증하였다. 또한, KMAP 모형과의 예측 성능 비교를 통해 현업 모형의 한반도 지상 기온 예측 성능 향상 방안을 검토하였다. 제2장에는 고해상도 지상 기온 상세화 모형의 공간 내삽 방안, 물리/통계 보정 방안, 그리고 남한 지역의 모형 지면 정보 산출 과정을 기술하고, 제3장에서는 지상 기온 상세화 모형의 검증 결과와 KMAP 모형과의 예측 성능 비교 결과를 제시하였다. 제4장에는 연구를 요약하였다.


2. 지상 기온 상세화 모형

지상 기온 상세화 모형은 저해상도 기상 모형의 3차원 예측 정보를 고해상도 지상 기온 정보로 산출하기 위해 공간 내삽 과정과 물리/통계 보정 과정을 순차적으로 수행한다(Fig. 1). 공간 내삽은 저해상도 예측 기상 정보를 상세화 모형의 고해상도 격자점으로 변환하는 과정으로, 내삽 변수의 시공간적 분포 특성과 격자 크기에 따라 적절한 방안을 선택할 수 있다. 지표 부근 기온은 지면 피복 조건이나 지형 고도의 변화에 따라 공간 분포가 크게 달라질 수 있기 때문에 지표 특성을 반영할 수 있는 공간 내삽 방안이 요구된다. 본 연구에서는 지면 피복 조건과 지형 고도의 변화가 큰 육지 지역은 지표 특성(지면 피복과 지형 고도)을 반영할 수 있는 지능형 격자점 선택(intelligent grid point selection, IGPS) 방안(Sheridan et al., 2010)을, 상대적으로 균일한 지면 특성을 가진 해양에서는 선형 내삽(bi-linear interpolation) 방안을 적용하였다. 물리/통계 보정 과정은 복잡 지형 지역에서의 고해상도 지형 고도 정보를 이용한 고도 보정(height correction), 협곡 효과 보정(valley effect correction), 산악 효과 보정(mountain effect correction), 도시 지역에서의 고해상도 지면 피복 정보를 이용한 도시 효과 보정(urban effect correction), 그리고 저해상도 기상 모형의 기온 예측 계통 오차를 이용한 계통 오차 보정(systematic bias correction)을 포함한다. 고도 보정, 협곡 효과 보정, 산악 효과 보정의 지형 효과 보정 방안은 Sheridan et al. (2010)Sheridan et al. (2018)에 제시된 기온 상세화 방안을 채택하였다. 다음에서 지상 기온 상세화 모형의 공간 내삽 방안과 물리/통계 보정 방안을 상술하고, 남한 지역의 기온 상세화를 위한 모형 격자 구성과 지면 정보 산출 과정을 기술한다.

Fig. 1.

Flowchart of the physical/statistical diagnostic downscale model for near-surface air temperature forecasts.

2.1 공간 내삽

2.1.1 IGPS 내삽

IGPS 내삽은 상세화 격자점 위치의 지형 고도와 주변에 위치한 저해상도 기상 모형의 지형 고도의 차가 가장 작은 격자값을 선택하는 방안으로, 상세화 격자점 위치에 가장 근접한 저해상도 기상 모형의 격자값을 선택하는 최근접점 내삽(nearest grid point interpolation) 방안과 구별된다. IGPS 내삽은 복잡 지형 지역에서 상세화 격자점 위치의 지형 고도 특성을 현실적으로 반영하기 위해 제안된 방안으로(Sheridan et al., 2010; Moseley, 2011), 상세화 격자점에서의 내삽값은 선정 조건을 만족하는 저해상도 기상 모형의 격자값으로 결정된다(Fig. 2a). 본 연구에서 적용한 IGPS 선정 조건은 Sheridan et al. (2010)과 같다: 내삽 지점에서 두 모형의 지형 고도 차이가 25 m 이상인 경우에는 저해상도 기상 모형의 3 × 3 격자점 중 지형 고도 차이가 가장 작은 격자점을 선택하고, 그렇지 않은 경우에는 최근접점을 선택한다.

Fig. 2.

Schematic diagrams of (a) intelligent grid-point selection (IGPS) and (b) bi-linear interpolation. In (a), solid circles denote the center point of a low-resolution atmospheric model grid cells and soild square stand for a grid cell of the physical/statistical diagnostic downscale model. Topographic height of each grid cell is shaded in a grey scale. Solid arrow indicates the IGPS grid cell. In (b), T11, T21, T12, and T22 are the air temperatures of the low-resolution atmospheric model, and A11, A21, A12, and A22 are the area values divided linearly by the grid point of the physical/statistical diagnostic downscale model (solid square).

2.1.2 선형 내삽

선형 내삽은 상세화 격자점 주변의 위치한 저해상도 기상 모형의 2 × 2 격자점 예측 기온을 이용하여 역거리 가중 평균으로 다음과 같이 계산할 수 있다.

TFxp,yp=T11A22+T21A12+T12A21+T22A11x2-x1y2-y1(1) 

여기서 TF(xp, yp)는 상세화 격자점 위치(xp, yp)에서의 기온, TA는 각각 저해상도 기상 모형의 예측 기온과 2 × 2 영역의 분할 면적을 나타낸다(Fig. 2b). 선형 내삽 방안은 해양 상세화 격자점에 대해 적용하고, 저해상도 기상 모형의 2 × 2 격자점 내에 육지 격자점이 포함될 경우에는 이를 제외한 해양 격자점만을 이용하여 선형 내삽을 수행한다.

2.2 물리/통계 보정

2.2.1 고도 보정(height correction)

기온의 고도 보정 효과는 상세화 격자점 위치의 지형 고도와 해당 위치의 저해상도 기상 모형의 지형 고도의 차이와 주변 기온 감률을 이용하여 다음과 같이 나타낼 수 있다.

THC=HdTdz(2) 

여기서 ΔTHC는 고도 보정 기온(oC)을 나타내고, ΔHdT/dz는 각각 지형 고도차(m)와 주변 기온감률(oC m-1)을 나타낸다. ΔH는 상세화 격자점 위치의 지형 고도와 IGPS 내삽에서 선택된 저해상도 기상 모형 격자점의 지형 고도 차이(HDM - HCM)로 계산되며, dT/dzSheridan et al. (2010)을 따라 저해상도 기상 모형의 지표 부근 예측 기온을 이용하여 다음과 같이 결정된다.

dTdz=1ni=1nHiCMTiCM-HCM¯TCM¯1ni=1nHiCM2-HCM2¯(3) 

여기서 HiCMTiCM는 각각 IGPS 내삽에서 선택된 저해상도 기상 모형 격자점 주변 i 격자점의 지형 고도와 최하층 예측 기온이고, HCM¯TCM¯은 각각 주변 격자점 정보를 이용하여 공간 평균된 지형 고도와 기온을 의미한다. Sheridan et al. (2010)은 복잡 지형 지역에서 UK 4 km 모형의 최하층 예측기온과 지형 고도 분포로부터 기온감률을 계산하였으며, 주변 영역의 기온 공간분포를 현실적으로 반영할 수 있도록 32 × 32 km2(8 × 8 격자) 이내에 위치한 격자값을 계산에 이용하였다. 대기 하층의 기온감률은 지면-대기 상호작용에 의해 결정되므로 복잡지형 지역에서 기온감률은 시/공간 변화가 크게 나타나므로 건조단열감률(= -0.0098oC m-1)을 이용한 고도 보정 방안(e.g., Lalas and Einaudi, 1974; Walland and Simmonds, 1996; Glover, 1999)은 오차 발생 가능성이 높다(Sheridan et al., 2010). 상세화 격자점에서의 기온감률을 현실적으로 추정하기 위해서는 적절한 영역 범위 내에 위치한 저해상도 기상 모형의 예측 기온과 지형 고도 자료를 이용해야 한다. 적절한 영역의 크기는 해당 격자점 주변 국지 영역 내 기온 분포의 대표성을 가질 수 있도록 선택되어야 하며, 본 연구에서는 Sheridan et al. (2010)에서 적용한 공간 범위를 참고하여 25.5 × 25.5 km2 (17 × 17 격자) 영역 내 LDAPS 모형 격자점의 예측 기온과 지형 고도 값을 이용하였다.

2.2.2 협곡 효과 보정(valley effect correction)

산악 지역에서 야간에 차가운 공기가 협곡 지역에 모여 냉기호(cold air pool, CAP)가 형성되는 경우에는 단순 고도 보정은 기온의 과대 보정을 야기할 수 있다(Vosper and Brown 2008; Sheridan et al., 2018). 따라서 과대 고도 보정을 줄이기 위해 CAP 영향을 반영한 기온 보정이 필요하다. 본 연구에서 CAP 효과 보정 기온은 Sheridan et al. (2018)을 따라 협곡 내부의 바람과 대기 안정도 조건을 이용하여 다음과 같이 계산된다.

THC=0ND/U¯<0.2-3ND/U¯-2/0.40.2<ND/U¯<0.6-3ND/U¯0.6(4) 

여기서 U¯와 N은 각각 하층 대기의 평균 풍속과 Brunt-Väisälä 진동수를 나타내며, U¯=Uk-U12는 저해상도 기상 모형의 첫번째 연직층과 k층 사이의 평균 풍속으로 정의되고, N=gθ¯θk-θ1zk-z1은 두 고도 사이의 온위 연직 분포로부터 계산된다. 본 연구에서 k는 100 m 높이에 상응하는 연직 격자를 이용하였다. D는 협곡의 깊이를 의미하며, 상세화 격자점 위치의 지형 고도와 주변 4 × 4 km2 영역의 평균 지형 고도의 차이로 정의된다(Fig. 3a). 협곡 효과 보정은 D가 양수인 지점에서 고도 보정 후 적용하며, 본 연구에서는 계산 효율을 위해 협곡 깊이가 10 m 이상인 격자점에만 적용하였다.

Fig. 3.

Schematic diagrams of (a) valley effect correction and (b) mountain effect correction. HDM and HCM are the topographic heights of the physical/statistical diagnostic downscale model and the low-resolution atmospheric model, respectively. HDM¯ is the areal mean topographic height of 4 km2. D and h are valley depth and mountain height, respectively, and θ and U are the potential temperature and wind speed profiles of the low-resolution atmospheric model, respectively. θ0 is the potential temperature at the height of the downscale model grid cell, and UP and θenv are the wind speed and potential temperature at the internal boundary layer (IBL) height (hIBL), respectively. xifc is the mountain patch distance.

2.2.3 산악 효과 보정(mountain effect correction)

단순 고도 보정 과정은 상세화 격자점의 지형 고도가 저해상도 기상 모형의 지형 고도보다 높은 산악 지역에서 주변 공기의 이류와 내부 경계층(internal boundary layer) 발달로 인한 기온 변화를 반영하지 못하므로 이에 따른 기온 보정 과정이 요구된다. Sheridan et al. (2018)을 따라 산정 지역에서의 온위 연직 분포는 다음과 같이 나타낼 수 있다.

θz=θ0+zhIBLnθ(5) 

여기서 hIBL는 내부 경계층 높이, θ(z)는 고도 z에서의 온위, θ0는 지표 부근의 온위, 그리고 n는 지수 형태 매개변수이다. Δθ는 주변 환경 온위 분포 θenvθ0의 차이를 나타낸다. 내부 경계층 높이는 다음과 같이 계산할 수 있다(Garratt, 1987).

u*=κUzlnzz0(6) 
hIBL2=2AR¯fCDUp2gθθenv-1xf(7) 
CD=u*2Up2(8) 

여기서 κ는 von Kármán 상수(= 0.4), u*는 마찰속도, xf는 산악 패치 거리를 나타낸다. xf는 상세화 격자점 위치에서 저해상도 기상 모형의 지형 고도 평균값에 이르는 거리로 정의되며, 4 방위(동, 서, 남, 북) 값으로 계산하였다(Fig. 3b). 거칠기 길이 z0는 0.5 m를 적용하였으며, A = 1.8 (Garratt, 1987), R¯f = 0.15 (Nieuwstadt and Tennekes, 1981), n = 0.5 (Garratt and Ryan, 1989)를 적용하였다. hIBLu*식(6)~(8)으로부터 반복법을 통해 계산된다. 산악 효과 보정은 산악 높이(h)가 양수인 지점에서 고도 보정 후 적용하며, 본 연구에서는 계산 효율을 위해 산악 높이가 10 m 이상인 격자점에만 적용하였다.

2.2.4 도시 효과 보정(urban effect correction)

도시 지표의 물리적 특성은 자연 지표와 뚜렷하게 구별되며, 이로 인해 뚜렷한 기온 차이가 나타날 수 있다(e.g., Lee et al., 2011). 도시 지역에서 저해상도 기상 모형의 성긴 해상도와 부정확한 지면 피복 적용으로 인한 예측 오차를 고려한 기온 상세화를 위해 현실적인 고해상도 지면 피복 정보와 이를 이용한 기온 보정 방안을 적용하였으며, 도시 효과 보정 기온(TDM)은 다음과 같이 계산한다.

TDM=i=1N=2fiT¯iCM(9) 

여기서 fiT¯iCM는 각각 상세화 격자 내 패치 i의 지면 피복 비율과 저해상도 기상 모형의 예측 평균 기온을 나타낸다. 해당 지점의 기온 발자국의 크기를 고려하여 fi는 상세화 격자를 중심으로 500 × 500 m2 영역 내 지면 피복 비율로 결정하고, 해당 영역 내 상대적 비율이 높은 2가지 지면 피복으로 상세 격자의 지면 피복을 할당하였다. T¯iCM는 상세화 격자를 중심으로 주변 6 × 6 km2 영역 내에 위치한 저해상도 기상 모형의 예측 기온의 평균값으로 동일 지면 피복을 가진 격자값으로 계산한다. 본 연구에서 LDAPS 모형의 성긴 지면 피복 구분으로 인해 상세화 격자점 주변 대상 영역 내에 동일 지면 피복이 존재하지 않는 경우에는 도시 효과 보정을 적용하지 않았다.

2.2.5 계통 편의 보정(Systematic bias correction)

저해상도 기상 모형은 필연적으로 예측 오차를 지니며, 모형의 예측 오차는 계통 편의 오차(systematic bias error)와 무작위 편의 오차(random bias error)로 구분할 수 있다(Willmott, 1981; Lee, 2011). 저해상도 기상 모형이 가지는 계통 편의 오차를 기온 상세화 과정에 반영하기 위해 계통 오차 보정을 적용하였다. 기온 상세화 모형에서 저해상도 기상 모형이 가진 계통 오차 보정 효과를 적용하기 위해서 저해상도 기상 모형의 계통 오차 분석 과정이 선행되어야 한다. 계통 오차 분석 과정은 장기간 저해상도 기상 모형 예측 자료와 지점 측정 자료를 이용한 지점 계통 편의 오차(site-specific systematic bias error) 산출 과정과 상세화 격자에서 적용하기 위한 계통 편의 오차의 공간 보간 과정으로 구성된다. 먼저, 저해상도 기상 모형의 i 지점에서의 예측 기온 계통 편의 오차(TSB,iCM)는 다음과 같이 계산할 수 있다.

TSB,iCM=TMBE,iCM×fSB,i(10) 

여기서 TMSB,iCM는 저해상도 기상 모형의 예측기온 평균편의오차(mean bias error: MBE)를 나타내며, fSB, ii 지점에서의 계통 오차 비율(systematic bias fraction)을 나타낸다. fSB는 평균 제곱근 오차(root mean square error, RMSE)와 RMSE의 계통 오차 성분(systematic bias component, RMSEs)의 비율로 다음과 같이 정의된다(Lee, 2011; Oh et al., 2020).

fSB=RMSEs2RMSE2(11) 

RMSERMSEs는 다음과 같이 계산할 수 있다(Willmott, 1981).

RMSE=i=1nPi-Oi2n0.5(12) 
RMSEs=i=1nP^i-Oi2n0.5(13) 
P^i=a+bOi(14) 

여기서 PiOi는 각각 매시간 예측과 측정 기온을 나타낸다. 계통 편의 오차의 공간 보간 과정은 저해상도 기상 모형의 지점 계통 편의 오차를 상세 격자로 격자화하는 과정으로, 본 연구에서는 크리깅 내삽 기법을 이용하여 객관분석을 수행하였다.

저해상도 기상 모형의 계통 편의 오차를 보정한 상세화 기온(TSBDM)은 간단한 산술식으로 다음과 같이 계산할 수 있다.

TSBDM=TDM-TSBCM(15) 

여기서 TDM는 계통 편의 보정 적용 전 기온 상세화 모형의 예측 기온을 나타낸다. 저해상도 기상 모형의 예측 기온 계통 오차는 모형의 장기간 예측 자료와 지점 측정 자료를 이용하여 매 예측 시간별 자료로 DB (database)화하여 활용할 수 있다. 저해상도 기상 모형의 계통 편의 오차 산출을 위한 시간 범위는 경험적으로 결정할 수 있다. 본 연구에서는 월별 LDAPS 모형의 +36 hr 예측 자료를 이용하여 월별 예측 시간별 계통 편의 오차를 DB로 산정하고 이를 기온 상세화 모형의 계통 편의 보정에 적용하였다.

2.3 기온 상세화 모형의 모의 영역과 지면 정보 산출

2.3.1 기온 상세화 모의 영역

기온 상세화 모형의 모의 특성과 예측 성능을 검증하기 위해 LDAPS 예측 자료를 이용한 기온 상세화 모의 영역을 설정하였다(Fig. 4). 기온 상세화 영역은 격자 해상도 0.001o (~100 m)로 남한 전체 지역을 포함한다. 해당 모의 영역은 KMAP 모형의 모의 영역과 동일하게 설정하여 예측 결과를 비교할 수 있도록 하였다. LDAPS 모의 영역은 1.5 km 격자 해상도로 한반도 전체 영역을 포함하며, 기온 상세화 모형의 모의 영역은 남한 지역을 주요한 영역으로 포함한다.

Fig. 4.

Simulation domain of the physical/statistical diagnostic downscale model (solid box) for validation of the downscaled near-surface air temperatures. Shaded contours denote the topographic heights represented by the Local Data Assimilation and Prediction System (LDAPS).

2.3.2 지면 정보 산출

기온 상세화 모형은 모의 영역의 고해상도 지형 고도와 지면 피복 정보를 요구한다. 지형 고도 입력 자료는 90 m 해상도의 SRTM (Shuttle Radar Topography Mission) (Rodriguez et al., 2005) 자료를 기반으로 산출하였다. Figure 5는 기온 상세화 모형의 지형 고도 공간 분포와 지형 고도별 격자 빈도 분포를 보여준다. 기온 상세화 모형의 지형 고도(Fig. 5a)는 복잡 지형 지역에서의 상세 지형 공간 분포를 잘 보여주고 있다. 기온 상세화 모형의 지형 고도는 낮은 지형 고도 구간(200 m 이하)과 높은 지형 고도 구간(1000 m 이상)에 대해 각각 54.6%와 1.4%의 비율을 나타내며, LDAPS 모형의 53.4%와 1.1%에 비해 상대적으로 높은 빈도를 보인다(Fig. 5b). 이는 기온 상세화 모형이 지형 고도가 높은 산악 지형이나 낮은 협곡 지역을 보다 현실적으로 표현하고 있음을 보여준다. LDAPS 모형은 1.5 km 격자 평균 지형 고도 자료의 협곡 평활화된 지형 고도를 사용하므로 협곡 지형 지역에서 실제 지형 고도와 보다 큰 차이를 보인다(e.g., Keum et al., 2021).

Fig. 5.

(a) Spatial distribution of topographic heights represented by the physical/statistical diagnostic downscale model at 100 m grid spacing. (b) Comparison of the topographic heights of the physical/statistical diagnostic downscale model and the LDAPS.

지면 피복 입력 자료는 30 m 해상도의 환경부 중분류 지표이용도 자료를 기반으로 산출하였다. 환경부 중분류 지표이용도 자료는 벡터 형식의 자료로 도시지역, 농업지역, 산림지역, 초지, 습지, 나지, 수역 등 22개 항목을 가진다. LDAPS 모형의 지면 피복 정보는 지면 모형 JULES (Joint UK Land Environment Simulator)에서 구분하는 9종의 항목(broadleaf trees, needleleaf trees, C3 grasses, C4 grasses, shrubs, urban, open water, bare soil and permanent land ice)으로 구성된다(Best et al., 2011). 기온 상세화 모형에서는 환경부 지표이용도 자료를 이용하여 LDAPS 모형의 지면 피복 구분을 따라 9종으로 구분하여 상세 격자에 할당하였으며, 각 상세 격자는 면적 비율이 높은 2종의 지면 피복 정보를 포함한다. Figure 6은 산출된 기온 상세화 모형의 지면 피복 공간 분포를 LDAPS 모형의 지면 피복 분포와 함께 나타내고 있다. LDAPS 모형은 9종의 지표 유형을 모자이크 형식으로 구분하고 있으며, 격자 최다 비율 지면 피복 자료를 나타내었다. 기온 상세화 모형의 지면 피복은 주요 도시 지역과 산악 지역을 현실적으로 표현하고 있으며 강 또는 하천과 같은 수역도 잘 반영하고 있다(Fig. 6a). 한반도 지역에 대해 산림과 나지는 두번째로 많은 비율을 차지했다(Fig. 6b). LDAPS 모형은 한반도 대부분 영역에서 산림 지역으로 표현되고 있으며, 도시 지역의 분포는 상세화 모형에서 작은 크기의 도시들까지 뚜렷하게 나타나고 있다(Fig. 6c).

Fig. 6.

Spatial distributions of the (a) first dominant and (b) second dominant landuse types of the physical/statistical diagnostic downscale model and (c) the landuse types of the LDAPS.

Figure 7은 기온 상세화 모형의 지형 고도 자료를 기반으로 산출된 지형 고도 차이(ΔH), 협곡 깊이(D), 산악 높이(h), 그리고 산악 패치 거리(xf)의 빈도 분포를 나타낸다. ΔH는 -700~800 m 범위의 값을 나타내며 전체 격자점의 약 90%는 ± 100 m 이내의 낮은 값을 보인다(Fig. 7a). D는 전체 격자점의 90% 이상에서 100 m 이하의 낮은 값을 보이며, 300 m 이상의 깊은 협곡은 빈도가 매우 낮다(Fig. 7b). h는 전체 격자점의 70% 이상에서 100 m 이내의 값을 보이며, 500 m 이상의 높은 산악 지점의 빈도는 매우 낮다(Fig. 7c). xf는 전체 격자점의 약 50%가 200 m 이하의 산악 패치 길이를 나타내며, 600 m 이상의 산악 패치 거리를 가지는 격자는 약 10%를 차지한다(Fig. 7d).

Fig. 7.

Frequency distributions of the (a) height differences, (b) valley depths, (c) mountain heights, and (d) mountain patch distances represented by the physical/statistical diagnostic downscale model over the South Korea domain.


3. 모형 검증

3.1 실험설계

기온 상세화 모형의 물리/통계 보정 방안의 모의 특성을 검증하기 위해 민감도 실험을 구성하였다(Table 1). LDAPS 모형의 2018년 4월 예측 자료를 이용하여 내삽 과정(INTP), 고도 보정(HC), 협곡 효과 보정(VC), 산악 효과 보정(MC), 도시 효과 보정(UC), 계통 오차 보정(SC)을 적용하여 남한 지역의 10 m 해상도의 상세 예측 기온을 모의하였다. 고도 보정 실험의 경우에는 건조단열감률을 사용한 기온 상세화 결과를 함께 비교하였다. 모형의 예측 성능 검증은 기상청에서 운용하고 있는 자동기상관측소(automatic weather station, AWS) 561 지점과 종관기상관측소(automatic synoptic observing system, ASOS) 106 지점에서 측정된 지상 기온 자료를 이용하였으며, 자료 처리 과정을 거친 584 지점의 측정 자료를 이용하였다(Fig. 8a). 다만 모형의 검증 과정에서 AWS와 ASOS에서 측정된 기온 자료의 개별 특성은 고려하지 않았다. 지상 기상측정소의 약 80%는 해발고도 200 m 미만의 대체로 낮은 지역에 위치하고 있으며, 최고 고도는 제주도 어리목 지점에서 965 m를 보였다(Fig. 8b). 기온 상세화 모형의 물리/통계 보정 방안 중 협곡 효과 보정, 산안 효과 보정, 도시 효과 보정의 검증은 해당 지표 특성을 만족하는 측정소 지점을 선정하여 모의 성능 평가에 사용하였다(Table 1). 기온 상세화 모형은 2018년 4월 한 달 기간에 대해 매일 0000 UTC를 기준으로 1시간 간격의 +36 hr 예측 기온을 산출하였다. 예측 성능 검증은 지상 측정소의 매시간 2 m 기온 자료를 이용하여 MBE와 RMSE를 통한 통계 검증을 수행하였다.

Configuration of five case simulations of the new physical/statistical diagnostic downscale model for validation of its physical and statistical correction methods. INTP, HC, VC, MC, UC, and SC stand for interpolation, height correction, valley effect correction, mountain effect correction, urban effect correction, and systematic bias correction. Given is the number of surface meteorological stations that are used for validation of each simulation.

Fig. 8.

(a) Location of the ASOS (solid circle) and AWS (open circle) surface measurement stations and (b) distribution of the orographic heights sitting the surface measurement stations.

기온 상세화 모형의 예측 성능을 현업 운용중인 KMAP 모형과 비교를 수행하였다. 이를 위해 2018년 4월, 8월과 2019년 2월의 3개월 기간에 대해 기온 상세화 모형과 KMAP 모형의 모의를 수행하였으며, 지상 기상측정소의 측정 자료를 이용하여 예측 성능의 통계 검증을 수행하였다. KMAP 모형은 Sheridan et al. (2010)에서 제시하는 수평 내삽 방안과 고도 보정 방안을 적용하여 지상 기온을 상세화하고 있으며, 고도 보정에 사용되는 기온 감률은 상세화 격자점을 중심으로 한 13.5 × 13.5 km2 (9 × 9 격자) 영역 내 LDAPS 모형 격자점의 기온과 지형 고도 정보를 이용한다(NIMS, 2017).

3.2 검증결과

Figure 9은 기온 상세화 모형에서 계산된 2018년 4월 1일 0300 UTC와 1500 UTC의 기온 감률의 공간분포를 보여준다. 주간 기온 감률은 -0.010oC m-1 내외의 값을 보이며, 일부 해안 지역에서는 양(positive)의 값을 보인다(Fig. 9a). 야간 기온 감률은 –0.010~0.020oC m-1의 값을 보이고 있으며, 주간과 야간 모두 산악 지역을 지표 부근 대기 안정도 특성을 반영한 공간 분포를 보이고 있다(Fig. 9b). 기온감률의 시/공간적 변동 특성은 복잡 지형 지역에서 뚜렷하게 나타나고 있음을 볼 수 있고, 영국 Devon 지역에서 평가된 기온 감률 0.0093~0.0322oC m-1 (Sheridan et al., 2010)와 유사한 값을 보였다. 이는 평지 지역보다 모형 간 지형 고도차가 크게 나타나는 복잡 지형 지역에서의 기온감률 계산이 중요함을 의미한다. 예측 시간(+0~+36 hr) 동안 전체 측정소 지점에서 계산된 고도 보정값은 -4.0~6.8oC로 나타났으며, 모형간 지형 고도차가 크지 않은 대부분 지점에서는 대체로 1oC 이내의 값을 보였다. 또한 기온감률의 일변동으로 인해 주간의 기온 보정 효과가 야간에 비해 더 큰 특징을 보였다. 한편, 건조단열감률을 적용한 고도 보정값은 –4.5~2.5oC를 보였으며, 시간에 따른 변화없이 대체로 1.5oC 이내의 값으로 계산되었다.

Fig. 9.

Spatial distribution of the model-diagnosed temperature lapse rate at (a) 0300 UTC and (b) 1500 UTC on 1 April 2018.

Figure 10은 기온 상세화 모형의 고도 보정 예측 기온의 모의 성능을 보여준다. 예측 기온은 대부분 측정 지점에서 주간과 야간에 각각 음과 양의 MBE 값을 나타내는 뚜렷한 일변화 특징을 보였다(Fig. 10a). 물리 보정을 수행하지 않은 예측 기온은 LDAPS 모형의 예측 특성을 따르며, 전체 측정 지점에서 MBE는 -3.5~2.8oC의 값을 나타내었다. 고도 보정(Case 1)은 주간 시간대에 기온의 과소모의 경향을 일부 개선하였지만 야간에는 보정 효과가 미미하였다(Fig. 10b). 한편, 건조단열감률을 적용한 고도 보정은 주간 기온의 예측 성능을 일부 개선시켰지만 야간 기온의 예측 오차는 크게 증가시켰다. 이는 고도 보정 과정에서 저해상도 기상 모형의 예측 기온을 기반으로 한 기온감률이 건조단열감률보다 현실적으로 적용될 수 있음을 보여준다(Sheridan et al., 2010).

Fig. 10.

Statistical performance of the height correction (Case 1) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulations of the interpolation only case (INTP) and the height correction case with an adiabatic lapse rate (HCALR) are simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Figure 11는 2018년 4월 1일 1500 UTC의 협곡 효과 기온 보정값의 공간분포를 나타낸다. 협곡 효과에 의한 보정 기온값은 야간 복잡 지형 지역에서 크게 나타나고(최대 3.0oC), 안정 성층화된 깊은 협곡 지역에서 높은 값을 나타낸다. 협곡에 위치하는 289 측정지점에서 산출한 보정 기온값은 야간 시간에 대부분 1oC 이내의 크기를 보였으며 CAP 발달에 좋은 조건이 갖추어지는 1800~2100 UTC에 높은 값을 보였다. Sheridan et al. (2018)은 산악과 협곡 바닥에서 측정된 야간 평균 기온의 차이로 CAP 강도를 정의하고, 이에 따라 영국 Duffryn 깊은 협곡(약 200 m) 지역에서 CAP 강도는 15개월 분석 기간 동안에 최대 6oC의 큰 값이 나타날 수 있음을 보였다. 측정 지점에서 보정 기온값이 영국 Duffryn 지역에 비해 상대적으로 작으며, 이는 남한 지역의 측정 지점에서의 협곡 깊이가 상대적으로 낮은 것에 일부 기인하는 것으로 보인다(Price et al., 2011; Sheridan et al., 2018). 지면 가열로 인해 협곡 냉기호가 형성되기 어려운 주간 시간의 협곡 효과 보정 크기는 미미하여 무시할 수 있다(not shown).

Fig. 11.

Spatial distribution of the correction temperatures by nocturnal cold air pool effect (‘valley effect’) at 1500 UTC on 1 April 2018.

Figure 12은 기온 상세화 모형의 협곡 효과 보정 예측 기온의 모의 성능을 고도 보정 예측 기온과 비교하고 있다. 협곡 효과 보정(Case 2)은 야간 시간대에 CAP 효과의 반영으로 고도 보정 기온(Case 1)을 물리과정 모수화의 조건에 따라 감소시키고 있음을 보여준다. 야간의 협곡 효과 보정 기온 감소는 늦은 밤부터 새벽 시간대(1600~2200 UTC)의 예측 기온 MBE를 전반적으로 감소시키고 있다(Fig. 12a). 그러나 저녁 시간대(1100~1300 UTC)에 협곡 효과 보정으로 인해 예측 성능의 저하가 일부 나타나고 있으며(Fig. 12b), 이는 CAP 효과 모수화 방안이 대기 안정도에 따라 민감하게 반응하는 것에 기인하는 것으로 판단된다. Sheridan et al. (2018)은 협곡 효과의 보정이 영국 Duffryn 지역의 야간 예측 기온 RMSE를 평균 0.67oC 개선시킬 수 있음을 보였다. 남한 지역의 복잡 지형에서 평가된 협곡 보정 효과의 크기는 선행 연구에 비해 작지만 남한 지역에서 평가된 협곡 깊이가 상대적으로 낮은 점을 고려한다면 기온 상세화 모형의 예측 결과는 현실적으로 판단된다.

Fig. 12.

Statistical performance of the valley effect correction (Case 2) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Figure 13는 2018년 4월 1일 0300 UTC와 1500 UTC의 산악 효과 기온 보정값의 공간분포를 나타낸다. 산악 효과에 의한 기온 보정값은 약 0.2oC 내외의 작은 값을 보였으며, 야간 시간대의 지형 고도가 높은 지역에서 모수화의 영향이 나타났다. 산악에 위치하는 55 측정 지점에서 산출한 보정 기온값은 야간 시간(1100~2300 UTC)에 주로 0.1~0.3oC 범위에서 나타났다. Figure 14는 기온 상세화 모형의 산악 효과 보정 기온의 모의 성능을 고도 보정 기온과 비교하고 있다. 산악 효과 보정(Case 3)은 작은 기온 보정값으로 인해 고도 보정 기온(Case 1)에 비해 주야간 예측 기온의 변동은 미미하게 나타났다(Fig. 14a). 두 실험의 예측 기온 RMSE 값은 1.2~4.0oC를 보였다(Fig. 14b). Sheridan et al. (2018)은 영국 Springhill 지역에서 산악 효과에 의한 기온 보정으로 예측 기온 RMSE가 평균 0.66oC (지점 최대 1.41oC) 개선되었다고 보고하였으나, 해당 기간 남한 지역에서의 산악 효과 기온 보정 효과는 크지 않았다. 이는 짧은 패치거리(Fig. 7d)로 산악 효과 보정의 내부 경계층 발달이 충분하지 못한 것에 일부 기인하는 것으로 분석된다.

Fig. 13.

Spatial distribution of the correction temperatures by internal boundary layer formation over mountain areas (‘mountain effect’) at (a) 0300 UTC and (b) 1500 UTC on 1 April 2018.

Fig. 14.

Statistical performance of the mountain effect correction (Case 3) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Figure 15은 기온 상세화 모형의 도시 효과 보정 기온을 고도 보정 기온과 비교하고 있다. 2018년 4월 기간의 서울 도심에 위치하는 16 측정 지점에서 도시 효과 보정 기온의 예측 성능을 평가하였다. LDAPS 모형의 고도 보정 기온(Case 1) MBE는 –5.0~2.4oC 범위의 값을 보이며 전반적으로 측정 기온을 1~2oC 내외로 과소모의하는 경향을 보이며, 주간 예측 기온의 과소모의가 야간 예측 기온에 비해 더 크게 나타났다(Fig. 15a). 지면 피복 정보를 이용한 도시 효과 기온 보정값은 지점에 따라 -2~4oC의 큰 값을 보였으나 대부분 ± 1.0oC 이내의 값을 보였다. 도시 효과 적용(Case 4)으로 주야간 모두 기온의 예측 성능이 향상되었으며, MBE와 RMSE는 각각 –3.8~2.0oC와 1.0~5.0oC의 범위를 보였다(Fig. 15b). Case 2의 RMSE는 1.0~6.4oC이고, Case 5는 1.0~5.0oC의 값을 보였다. 이는 도시 지역의 기온 예측의 정확도 향상을 위해서는 대상 지점의 현실적인 지표 특성의 반영이 중요함을 보여준다.

Fig. 15.

Statistical performance of the urban effect correction (Case 4) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Figure 16은 기온 상세화 모형의 계통 편의 보정을 적용한 예측 기온을 고도 보정 기온과 비교하고 있다. 계통 편의 보정 기온(Case 5)은 고도 보정 기온(Case 2)에 비해 뚜렷한 예측 성능 향상을 보였다. 특히, 주간 시간대 기온의 과소 모의 경향이 크게 개선되었으며, 야간 시간대의 과대모의 경향도 일부 개선되었다. 남한 지역 584 측정 지점에서 평가된 계통 편의 보정 기온 MBE와 RMSE는 각각 -1.0~2.0oC와 0.9~3.6oC 범위의 값을 보여 고도 보정 기온에 비해 좋은 예측 성능을 보였다. 계통 편의 보정 방안이 기온 상세화 모형의 예측 성능 향상에 크게 기여한 것은 LDAPS 모형의 지상 예측 기온이 뚜렷한 계통 편의 오차를 가지는 것에 기인하였다. 이는 기온 상세화 모형의 예측 성능 향상을 위해서는 물리 보정 방안 뿐만 아니라 저해상도 기상 모형의 예측 오차를 반영할 수 있는 통계 보정 방안을 함께 적용하는 것이 중요함을 시사한다.

Fig. 16.

Statistical performance of the statistical bias correction (Case 5) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

3.3 기온 상세화 모형과 KMAP 성능 비교

기온 상세화 모형의 예측 성능을 평가하기 위해 국립기상과학원의 현업 운용 모형인 KMAP 예측 기온을 비교하였다. 기온 상세화 모형은 물리 보정(고도 보정, 협곡 효과 보정, 산악 효과 보정, 도시 효과 보정)과 통계 보정(계통 편의 보정)을 모두 적용하였으며, 기온 상세화 모형과 KMAP은 LDAPS 예측 기상장을 이용하여 3개월 기간(2018년 4월과 8월, 2019년 2월)에 대해 매일 +36 hr 예측 기온을 산출하고, 남한 584개소 지상 기상측정소의 2 m 측정 기온을 이용하여 성능을 검증하였다. Figure 17은 기온 상세화 모형과 KMAP 모형의 월별 예측 성능을 비교하고 있다. KMAP 모형은 전반적으로 주간 기온을 과소 모의하고 야간 기온을 다소 과대 모의하는 특징을 보여준다(Figs. 17a, c, e). KMAP 예측 기온의 MBE는 2018년 4월 -2.5~3.2oC, 2018년 8월 -2.2~2.2oC, 그리고 2019년 2월 -2.2~3.0oC의 범위에서 일변화하는 특성을 보였다. KMAP 예측 기온의 RMSE는 2018년 4월 1.0~4.0oC, 2018년 8월 0.8~3.0oC, 그리고 2019년 2월 0.7~4.0oC의 범위를 보였다(Figs. 17b, d, f). KMAP 예측 기온의 MBE 일변화 특성은 LDAPS 모형의 예측 오차 특성에 기인한다. 한편, 기온 상세화 모형의 MBE는 2018년 4월 -1.0~1.2oC, 2018년 8월 -2.2~1.6oC, 그리고 2019년 2월 -2.1~1.0oC의 범위를 보였으며(Figs. 17a, c, e), 4월에 0.9~3.4oC, 8월에 0.7~3.1oC, 그리고 2월에 0.7~3.2oC의 범위를 보였다(Figs. 17b, d, f). 전체 기간에서 기온 상세화 모형이 KMAP 모형에 비해 향상된 예측 성능을 보였으며, 주간 예측 기온의 성능 향상이 뚜렷하게 나타났다.

Fig. 17.

Comparison of the statistical performance of the physical/statistical diagnostic downscale model and the KMAP in terms of MBE (left panels) and RMSE (right panels) for (a-b) April 2018, (c-d) August 2018, and (e-f) February 2019. Shaded is a nighttime period (1000~2200 UTC).


4. 요약 및 결론

지상 부근 기온의 예측 성능 향상을 위해 고해상도 지상 기온 상세화 모형을 개발하였다. 기온 상세화 모형은 고해상도 지형 고도와 지면 피복 정보를 기반으로 지형과 지표 특성을 반영한 물리 보정(고도 보정, 협곡 효과 보정, 산악 효과 보정, 도시 효과 보정)과 저해상도 기상 모형의 계통 편의 오차 보정을 포함한다. 모형의 검증을 위해 2018년 4월, 2018년 8월, 그리고 2019년 2월 기간의 LDAPS 1.5 km 예측 기상장을 이용하여 남한 전역에 대해 100 m 해상도의 +36 hr 예측 기온을 산출하였다. 전국 528 지상 기상 측정소 지점의 2 m 측정 기온을 이용하여 기온 상세화 모형의 내삽 과정과 물리/통계 보정의 예측 특성을 분석하고, 현업 KMAP 모형과 함께 예측 성능을 분석하였다.

기온 상세화 모형의 내삽 과정을 통해 계산된 고해상도 예측 기온은 주간 과소모의와 야간 과대모의 특성을 보였으며, 이는 LDAPS 모형의 지상 기온의 모의 특성을 따랐다. 이러한 LDAPS 모형의 예측 오차는 기온 상세화 모형의 물리/통계 보정을 통해 효율적으로 감소되었다. 먼저, 복잡 지형 지역에서 고도 보정은 주간/야간, 특히 주간 기온의 예측 성능을 향상시켰으며(MBE 0.5oC 감소), 여기서 저해상도 기상 모형을 이용한 기온감률 산정 방안이 건조단열감률을 적용하는 방안에 비해 개선된 예측 성능을 보였다. 협곡 CAP 효과와 산악 IBL 효과 모수화 방안은 야간 기온 MBE를 평균 0.2~0.5oC 내외로 감소시키며 복잡 지형 지역에서의 예측 성능 향상에 기여하였다. 협곡 깊이(D)와 산악 패치거리(xf) 변수의 크기가 협곡과 산악 효과 보정 기온에 중요한 영향을 미쳤으며, 남한영역에서 산출된 이들 변수는 유럽 산악 지역에 비해 상대적으로 낮은 값을 보였다. 도시 효과 보정 방안은 LDAPS 모형의 서울 지역 주간 기온 과소모의 경향을 크게 개선시켰으며(MBE 1.2oC 감소), 이는 기상 모형에서 정확한 지면 피복 정보의 반영이 도시 기온 예측에 중요함을 시사한다. 계통 편의 보정 방안은 기온 상세화 모형의 다른 보정 방안에 비해 높은 예측 성능 향상을 보였으며, 이는 LDAPS 지상 예측 기온의 높은 계통 편의 오차에 기인하며 저해상도 기상 모형에 포함된 계통 편의 오차를 상세화 과정에서 보정하는 것이 중요함을 의미한다. 현업 KMAP 모형과의 예측 성능 비교 결과, 기온 상세화 모형이 KMAP 모형에 비해 개선된 예측 성능을 보였으며 기온 상세화 모형에 새롭게 적용된 물리/통계 보정 방안이 지상 기온 예측 성능 향상에 기여할 수 있음을 보였다.

본 연구에서는 기온 상세화 모형을 LDAPS 1.5 km 해상도의 예측 기상장을 이용하여 100 m 해상도의 +36 hr 기온 예측에 적용하였다. LDAPS 모형이 기상 예보 모형으로써 높은 공간해상도로 예측 기상장을 생산함에도 불구하고 기온 상세화 모형은 고해상도 지표 정보와 물리/통계 보정을 통해 남한 지역 지상 기온의 예측 성능을 효율적으로 향상시킬 수 있음을 보였다. 이 외에도 기온 상세화 모형의 물리/통계 보정 방안은 다양한 규모의 저해상도 기상 모형의 기온 공간 상세화에 활용 가능하며, 국립기상과학원 KMAP 모형의 고해상도 한반도 예측 기온의 성능 향상에도 적용될 수 있을 것이다.

Acknowledgments

이 연구는 기상청 국립기상과학원 「수요자 맞춤형 기상정보 산출기술 개발연구」(KMA2018-00622)와 2019년 공주대학교 연구년 사업의 지원으로 수행되었습니다.

References

  • 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]
  • Garratt, J. R., 1987: The stably stratified internal boundary layer for steady and diurnally varying offshore flow. Bound.-Lay. Meteorol., 38, 369-394. [https://doi.org/10.1007/BF00120853]
  • Garratt, J. R., and B. F. Ryan, 1989: The structure of the stably stratified internal boundary layer in offshore flow over the sea. Bound.-Lay. Meteorol., 47, 17-40. [https://doi.org/10.1007/978-94-009-0975-5_3]
  • Giannaros, T. M., K. Lagouvardos, V. Kotroni, and A. Matzarakis, 2018: Operational forecasting of human-biometeorological conditions. Int. J. Biometeorol., 62, 1339-1343. [https://doi.org/10.1007/s00484-018-1525-3]
  • Glover, R. W., 1999: Influence of spatial resolution and treatment of orography on GCM estimates of the surface mass balance of the Greenland Ice Sheet. J. Climat., 12, 551-563. [https://doi.org/10.1175/1520-0442(1999)012<0551:IOSRAT>2.0.CO;2]
  • Hrisko, J., P. Ramamurthy, Y. Yu, P. Yu, and D. Melecio-Vazques, 2020: Urban air temperature model using GOES-16 LST and a diurnal regressive neural network algorithm. Remote Sens. Environ., 237, 111495. [https://doi.org/10.1016/j.rse.2019.111495]
  • Jänicke, B., K. R. Kim, and C. Cho, 2020: A simple highresolution heat-stress forecast for Seoul, Korea: coupling climate information with an operational numerical weather prediction model. Int. J. Biometeorol., 64, 1197-1205. [https://doi.org/10.1007/s00484-020-01893-1]
  • Jayakumar, A., E. N. Rajagopal, I. A. Boutle, J. P. George, S. Mohandas, S. Webster, and S. Aditi, 2018: An operational fog prediction system for Delhi using the 330 m Unified Model. Atmos. Sci. Lett., 19, e796. [https://doi.org/10.1002/asl.796]
  • Keum, W.-H., S.-H. Lee, D.-I. Lee, S.-S. Lee, and Y.-H. Kim, 2021: Evaluation and improvement of the KMAPP surface wind speed prediction over complex terrain areas. Atmospher., 31, 85-100, (in Korean with English abstract).
  • Kim, D.-J., G. Kang, D.-Y. Kim, and J.-J. Kim, 2020: Characteristics of LDAPS-predicted surface wind speed and temperature at automated weather stations with different surrounding land cover and topography in Korea. Atmospher., 11, 1224. [https://doi.org/10.3390/atmos11111224]
  • KMA, 2011: Numerical Data Application Manual. Korea Meteorological Administration, 64 pp (in Korena).
  • Lalas, D. P., and F. Einaudi, 1974: On the correct use of the wet adiabatic lapse rate in stability criteria of a saturated atmosphere. J. Appl. Meteorol. Clim., 13, 318-324. [https://doi.org/10.1175/1520-0450(1974)013<0318:OTCUOT>2.0.CO;2]
  • Liu, D., C. S. B. Grimmond, J. Tan, X. Ao, J. Peng, L. Cui, B. Ma, Y. Hu, and M. Du, 2018: A new model to downscale urban and rural surface and air temperatures evaluated in Shanghai, China. J. Appl. Meteorol. Clim., 57, 2267-2283. [https://doi.org/10.1175/JAMC-D-17-0255.1]
  • Lee, S.-H., 2011: Further development of the vegetated urban canopy model including a grass-covered surface parametrization and photosynthesis effects. Bound.-Lay. Meteorol., 140, 315-342. [https://doi.org/10.1007/s10546-011-9603-7]
  • 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]
  • Masato, G., A. Bone, A. Charlton-Perez, S. Cavany, R. Neal, R. Dankers, H. Dacre, K. Carmichael, and V. Murray, 2015: Improving the health forecasting alert system for cold weather and heat-waves in England: a proof-of-concept using temperature-mortality relationships. PLoS On., 10, e0137804. [https://doi.org/10.1371/journal.pone.0137804]
  • Morakinyo, T. E., C. Ren, Y. Shi, K. K.-L. Lau, H.-W. Tong, C.-W. Choy, and E. Ng, 2019: Estimates of the impact of extreme heat events on cooling energy demand in Hong Kong. Renew. Energ., 142, 73-84. [https://doi.org/10.1016/j.renene.2019.04.077]
  • Moseley, S., 2011: From observations to forecasts - Part 12: Getting the most out of model data. Weathe., 66, 272-276. [https://doi.org/10.1002/wea.844]
  • NIMS, 2017: Korea Meteorological Administration Post Processing (KMAPP) system user manual. National Institute of Meteorological Sciences, 36 pp (in Korean).
  • Nieuwstadt, F. T. M., and H. Tennekes, 1981: A rate equation for the nocturnal boundary-layer height. J. Atmos. Sci., 38, 1418-1428. [https://doi.org/10.1175/1520-0469(1981)038<1418:AREFTN>2.0.CO;2]
  • 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. Atmospher., 30, 257-276, (in Korean with English abstract).
  • Prasanna, V., H. W. Choi, J. Jung, Y. G. Lee, and B. J. Kim, 2018: High-resolution wind simulation over Incheon international airport with the Unified Model’s Rose Nesting Suite from KMA operational forecasts. Asia-Pac. J. Atmos. Sci., 54, 187-203. [https://doi.org/10.1007/s13143-018-0003-5]
  • Price, J. D., and Coauthors, 2011: COLPEX: field and numerical studies over a region of small hills. Bull. Amer. Meteor. Soc., 92, 1636-1650. [https://doi.org/10.1175/2011BAMS3032.1]
  • Rodriguez, E., C. S. Morris, J. E. Belz, E. C. Chapin, J. M. Martin, W. Daffer, and S. Hensley, 2005: An assessment of the SRTM topographic products. Tech. Rep. JPL D-31639, Jet Propulsion Laboratory, 143 pp.
  • Sheridan, P., S. Smith, A. Brown, and S. Vosper, 2010: A simple height-based correction for temperature downscaling in complex terrain. Meteorol. 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]
  • 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]
  • Yun, J., Y.-H. Kim, and H.-W. Choi, 2021: Analyses of the meteorological characteristics over South Korea for wind power applications using KMAPP. Atmospher., 31, 1-15, (in Korean with English abstract).
  • Verkade, J. S., J. D. Brown, P. Reggiani, and A. H. Weerts, 2013: Post-processing ECMWF precipitation and temperature ensemble reforecasts for operational hydrologic forecasting at various spatial scales. J. Hydrol., 501, 73-91. [https://doi.org/10.1016/j.jhydrol.2013.07.039]
  • Vosper, S. B., and A. R. Brown, 2008: Numerical simulations of sheltering in valleys: The formation of nighttime cold-air pools. Bound.-Lay. Meteorol., 127, 429-448. [https://doi.org/10.1007/s10546-008-9272-3]
  • Walland, D. J., and I. Simmonds, 1996: Sub-grid-scale topography and the simulation of Northern Hemisphere snow cover. Int. J. Climatol., 16, 961-982. [https://doi.org/10.1002/(SICI)1097-0088(199609)16:9<961::AID-JOC72>3.0.CO;2-R]
  • Willmott, C. J., 1981: On the validation of models. Phys. Geogr., 2, 184-194. [https://doi.org/10.1080/02723646.1981.10642213]

Fig. 1.

Fig. 1.
Flowchart of the physical/statistical diagnostic downscale model for near-surface air temperature forecasts.

Fig. 2.

Fig. 2.
Schematic diagrams of (a) intelligent grid-point selection (IGPS) and (b) bi-linear interpolation. In (a), solid circles denote the center point of a low-resolution atmospheric model grid cells and soild square stand for a grid cell of the physical/statistical diagnostic downscale model. Topographic height of each grid cell is shaded in a grey scale. Solid arrow indicates the IGPS grid cell. In (b), T11, T21, T12, and T22 are the air temperatures of the low-resolution atmospheric model, and A11, A21, A12, and A22 are the area values divided linearly by the grid point of the physical/statistical diagnostic downscale model (solid square).

Fig. 3.

Fig. 3.
Schematic diagrams of (a) valley effect correction and (b) mountain effect correction. HDM and HCM are the topographic heights of the physical/statistical diagnostic downscale model and the low-resolution atmospheric model, respectively. HDM¯ is the areal mean topographic height of 4 km2. D and h are valley depth and mountain height, respectively, and θ and U are the potential temperature and wind speed profiles of the low-resolution atmospheric model, respectively. θ0 is the potential temperature at the height of the downscale model grid cell, and UP and θenv are the wind speed and potential temperature at the internal boundary layer (IBL) height (hIBL), respectively. xifc is the mountain patch distance.

Fig. 4.

Fig. 4.
Simulation domain of the physical/statistical diagnostic downscale model (solid box) for validation of the downscaled near-surface air temperatures. Shaded contours denote the topographic heights represented by the Local Data Assimilation and Prediction System (LDAPS).

Fig. 5.

Fig. 5.
(a) Spatial distribution of topographic heights represented by the physical/statistical diagnostic downscale model at 100 m grid spacing. (b) Comparison of the topographic heights of the physical/statistical diagnostic downscale model and the LDAPS.

Fig. 6.

Fig. 6.
Spatial distributions of the (a) first dominant and (b) second dominant landuse types of the physical/statistical diagnostic downscale model and (c) the landuse types of the LDAPS.

Fig. 7.

Fig. 7.
Frequency distributions of the (a) height differences, (b) valley depths, (c) mountain heights, and (d) mountain patch distances represented by the physical/statistical diagnostic downscale model over the South Korea domain.

Fig. 8.

Fig. 8.
(a) Location of the ASOS (solid circle) and AWS (open circle) surface measurement stations and (b) distribution of the orographic heights sitting the surface measurement stations.

Fig. 9.

Fig. 9.
Spatial distribution of the model-diagnosed temperature lapse rate at (a) 0300 UTC and (b) 1500 UTC on 1 April 2018.

Fig. 10.

Fig. 10.
Statistical performance of the height correction (Case 1) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulations of the interpolation only case (INTP) and the height correction case with an adiabatic lapse rate (HCALR) are simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Fig. 11.

Fig. 11.
Spatial distribution of the correction temperatures by nocturnal cold air pool effect (‘valley effect’) at 1500 UTC on 1 April 2018.

Fig. 12.

Fig. 12.
Statistical performance of the valley effect correction (Case 2) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Fig. 13.

Fig. 13.
Spatial distribution of the correction temperatures by internal boundary layer formation over mountain areas (‘mountain effect’) at (a) 0300 UTC and (b) 1500 UTC on 1 April 2018.

Fig. 14.

Fig. 14.
Statistical performance of the mountain effect correction (Case 3) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Fig. 15.

Fig. 15.
Statistical performance of the urban effect correction (Case 4) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Fig. 16.

Fig. 16.
Statistical performance of the statistical bias correction (Case 5) for April 2018 in terms of (a) MBE and (b) RMSE. The case simulation of the height correction (Case 1) is simultaneously compared. Shaded is a nighttime period (1000~2200 UTC).

Fig. 17.

Fig. 17.
Comparison of the statistical performance of the physical/statistical diagnostic downscale model and the KMAP in terms of MBE (left panels) and RMSE (right panels) for (a-b) April 2018, (c-d) August 2018, and (e-f) February 2019. Shaded is a nighttime period (1000~2200 UTC).

Table 1.

Configuration of five case simulations of the new physical/statistical diagnostic downscale model for validation of its physical and statistical correction methods. INTP, HC, VC, MC, UC, and SC stand for interpolation, height correction, valley effect correction, mountain effect correction, urban effect correction, and systematic bias correction. Given is the number of surface meteorological stations that are used for validation of each simulation.

Case Description Number of stations
Case 1 INTP + HC 584
Case 2 INTP + HC + VC 289
Case 3 INTP + HC + MC 55
Case 4 INTP + HC + UC 16
Case 5 INTP + HC + SC 584