The Korean Meteorological Society
[ Technical Note ]
Atmosphere - Vol. 27, No. 2, pp.235-249
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Jun 2017
Received 16 Feb 2017 Revised 24 May 2017 Accepted 05 Jun 2017
DOI: https://doi.org/10.14191/Atmos.2017.27.2.235

SYNOP 지상관측자료를 활용한 수치모델 전구 예측성 검증

이은희* ; 최인진 ; 김기병 ; 강전호 ; 이주원 ; 이은정 ; 설경희
(재) 한국형수치예보모델개발사업단
Verification of the Global Numerical Weather Prediction Using SYNOP Surface Observation Data
Eun-Hee Lee* ; In-Jin Choi ; Ki-Byung Kim ; Jeon-Ho Kang ; Juwon Lee ; Eunjeong Lee ; Kyung-Hee Seol
Korea Institute of Atmospheric Prediction Systems, Seoul, Korea

Correspondence to: * Eun-Hee Lee, Korea Institute of Atmospheric Prediction Systems, 4F, Hankuk Computer Bldg., 35 Boramae-ro 5-gil, Dongjak-gu, Seoul 07071, Korea. Phone: +82-2-6959-1683, Fax: +82-2-6919-2121 E-mail: eh.lee@kiaps.org

Abstract

This paper describes methodology verifying near-surface predictability of numerical weather prediction models against the surface synoptic weather station network (SYNOP) observation. As verification variables, temperature, wind, humidity-related variables, total cloud cover, and surface pressure are included in this tool. Quality controlled SYNOP observation through the pre-processing for data assimilation is used. To consider the difference of topographic height between observation and model grid points, vertical inter/extrapolation is applied for temperature, humidity, and surface pressure verification. This verification algorithm is applied for verifying medium-range forecasts by a global forecasting model developed by Korea Institute of Atmospheric Prediction Systems to measure the near-surface predictability of the model and to evaluate the capability of the developed verification tool. It is found that the verification of near-surface prediction against SYNOP observation shows consistency with verification of upper atmosphere against global radiosonde observation, suggesting reliability of those data and demonstrating importance of verification against in-situ measurement as well. Although verifying modeled total cloud cover with observation might have limitation due to the different definition between the model and observation, it is also capable to diagnose the relative bias of model predictability such as a regional reliability and diurnal evolution of the bias.

Keywords:

Near-surface predictability, numerical weather prediction, SYNOP surface observation, verification

1. 서 론

수치모델의 검증은 현업수치예보에 있어서 매우 중요한 분야로 검증을 통한 예측성능 진단을 통하여 수치모델의 지속적인 개선과 예보정확도의 향상이 가능하다. 일반적으로 현업 전구모델의 검증은 세계기상기구(World Meteorological Organization, WMO)의 기준(WMO, 2012)에 근거하여, 자체 초기장에 대비한 분석 검증과 전구 라디오존데 관측에 대비한 관측 검증을 통해 대기 예측성을 진단하고 있다. 이 중 분석 검증의 경우 예측시간에 따른 오차의 증가를 모델 초기장을 기준으로 상대적으로 평가하기 때문에, 모델의 초기장 오차를 포함한 예측 오차의 절대적 평가를 위해서는 ‘참’이라고 생각할 수 있는 관측자료에 대비한 성능 검증이 반드시 동반되어야 한다. 그러나 현장(in-situ) 관측자료의 공간적 제약과 불균질한 자료 분포 등의 한계로 인하여 현장 관측에 대한 검증은 전구 영역에 대한 검증에 활용되기보다는 지역에 국한된 분석에 적극적으로 사용되어 왔고, 전구모델의 예측성을 진단하는데 있어서는 각종 재분석 및 분석 자료와 위성자료가 선호되고 있는 것이 사실이다. 예를 들어 강수 예측성능 검증을 위해서 지상의 강수량 관측자료와 직접 비교하는 방법은 주로 특정 지역에 국한되고 전구 예측 성능은 위성 산출물에 기반을 둔 전구 강수자료를 통해 진단한다.

Global Telecommunication System (GTS)을 통해 수집해오고 있는 종관 지상관측자료(이하 SYNOP)는 세계기상기구에서 권고하는 지침에 따라 관측 품질이 관리되므로 라디오존데 관측자료와 함께 수치모델의 예측성을 검증하는데 활용할 수 있는 주요한 직접 관측자료이다. 지상관측자료에서 관측되는 대기 온도, 습도, 바람, 기압 등 대기 변수와 강수, 기상현상은 지역적으로 다양한 연구에 활용되어 그 활용가능성이 충분하다. 전구 영역에 대한 검증자료로서는 주로 기후 변동성에 대한 진단에 사용되거나(Simmons et al., 2004), 위성산출물에 대한 검증(Bréon and Colzy, 1999; Meerkötter et al., 2004), 전구 재분석자료의 검증 등에 활용되어 왔다. Ma et al. (2008)은 중국 지역의 지상기온 관측자료를 이용하여 다양한 재분석자료들의정확성을 비교하였는데, 공통적으로 중국 서부지역에 음의 냉각오차를 보였으며 각 자료의 편차가 유의미한 수준인 것을 확인하였다. 해당 연구에서는 이러한 전구 재분석자료들의 차이를 보이는 한 요인으로 각 자료에서 고려하는 지형고도와 관련성이 있음을 제시하였다. 또한 많은 선행연구들에서 언급된 바와 같이 전구 영역에서의 기상, 기후 진단에 널리 사용되는 재분석자료 혹은 수치모델의 분석자료의 질은 결국 모델의 예측자료를 배경장으로 관측자료를 동화하는 과정에서 발생하는 수치모델의 예측오차와 동화되는 관측자료의 수에 영향을 받을 수 밖에 없다. 이러한 이유로 관측 밀도가 낮은 지역에서, 예를 들면 히말라야 지역(Zhu et al., 2014) 또는 티벳 고원(You et al., 2013), 고위도 및 극지역(Bromwich et al., 2005; Wilson et al., 2011)에서 직접 관측을 이용한 연구가 활발하게 진행되고 있다.

전구수치모델들이 점차 진화되면서 좀더 높은 정확도 달성을 목표하는 현 시점에서 이러한 직접 관측에 대비한 정밀한 검증의 필요성은 자연스럽게 대두되고 있고, 이미 현업기관들은 기존의 라디오존데 관측과 더불어 지상관측자료를 통한 검증을 기본으로 수행하고 있다(ECMWF, 2015). 수치예측모델에서 최종적으로 목적하는 지상 부근의 날씨 요소를 검증하는 것은 기존의 현업 관측 검증에서 모델의 전반적 예측 성능진단을 목적으로 하는 대기 중층에서의 검증(예, 500 hPa 지위고도 예측 성능)에 비해 좀더 직관적이며 직접적인 성능 검증을 가능하게 할 수 있으며, 특히 지면 부근의 물리과정이 수치모델의 예측 오차에 상당 부분 직접적으로 영향을 미침을 고려할 때 지상변수의 성능 검증은 모델의 개선과 개발에 유용하게 활용될 수 있는 장점이 있다.

그러나 관측자료의 특성과 모델이 산출한 예측자료의 특성은 상이하므로 두 자료의 상호 비교 검증에 있어서 충분한 고찰이 필요하다. 따라서 본 연구를 통해 수치모델의 예측정확도에 대한 신뢰할 수 있는 평가를 위해 SYNOP 관측자료를 근거로 전구모델 지상 예측의 검증 방법을 제시하고자 한다. 특히 지상관측 자료 중 수치모델의 검증자료로서 적용 가능한 범위를 제시하고, 모델과 관측의 서로 상이한 자료 특성에 따라 고려해야 할 부분에 대해서 고찰하며, 이를 바탕으로 일반적인 전구수치모델 검증에의 활용 가능성에 대하여 논의하고자 한다.

본 연구에서는 먼저 사용한 자료와 전구모델을 소개하고(2절), 지상관측자료를 활용한 검증 도구 구축에 대해서 3절에서 상세히 기술하였다. 우선 관측자료의 품질관리 과정에 대해 제시하였고, 전구모델에서 산출하는 예측변수와 SYNOP 관측자료를 고려하여 상호 비교 가능한 검증 변수를 결정하였으며, 지상변수 검증 과정으로서 자료처리 및 검증값 산출 과정에 대해 구체적으로 기술하였다. 마지막으로 구축된 검증 도구를 이용하여 전구수치모델의 중기예측 성능을 진단하였으며, 추가적으로 서로 다른 모델의 특성 진단에 있어서 활용가능성을 확인할 수 있도록, 동일모델에서 물리과정 개선에 따른 성능 차이를 진단하는데 적용하였다(4절).


2. 관측자료 및 모델

2.1 SYNOP 자료

본 연구에 사용된 지상관측자료는 기상청에서 현업 수치예보에 활용되고 있는 SYNOP 관측자료로 지상관측(synop), 선박(ship), 부이(buoy) 및 공항(metar) 관측자료를 포함한다. 지상관측자료는 기압, 기온, 노점온도, 바람(풍향, 풍속), 운량 등의 관측정보를 포함하고 있으며, 6시간 간격으로 하루 4회(00, 06, 12, 18 UTC)의 기준시간에 대해 전후 3시간 자료를 포함하는 분할된 Binary Universal Form for the Representation of meteorological data (BUFR) 형식의 자료이다.

각 날짜의 관측 수는 2016년 8월 15일 00 UTC 자료의 경우 94,749개로, 이 중 지상관측 20,830개(22%), 선박 4,874개(5%), 부이 60,921개(64%) 및 공항관측 8,124개(9%)로 구성된 것으로 나타났다. 관측 변수별로 기압 83,307개, 기온 82,060개, 바람성분 78,320개로 나타나 각각 전체 관측의 88%, 86% 및 83%에서 관측값이 제공되는 것으로 확인되었다. 부이 관측의 경우 시간적으로 짧은 관측 주기로 인하여 관측 수가 절대적으로 많으나, 다른 관측 유형에 비해 그 분포가 비균질하고, 저위도를 제외한 지역에서의 품질을 신뢰하기 어렵기 때문에 검증에 포함하지 않았다.

Figure 1은 부이 관측을 제외한 지상관측, 선박, 공항관측의 위치를 나타낸 것이다. 육지의 경우 지형고도가 높은 지역을 제외한 유럽, 아시아, 북미에 관측밀도가 상대적으로 크게 나타나고, 해양의 경우 북반구 중위도를 중심으로 북태평양 및 북대서양에 관측 지점이 주로 분포되어 있음을 알 수 있다.

Fig. 1.

Locations of SYNOP surface observation stations.

2.2 모델 및 예측실험 설계

한국형수치예보모델개발사업단(Korea Institute of Atmospheric Prediction Systems, KIAPS)에서 개발한 전구수치예측모델(이하 KIAPS Global Model, KGM)을 사용하여 지상변수 검증에 적용하였다. KGM은 육면체구 격자의 비정역학 역학코어(Choi and Hong, 2016)를 사용하는 전구모델로 hybrid sigma 연직격자를 사용하고 있으며 상단 0.3 hPa까지 고려한다. 본 연구에서는 KGM의 Version 2.4 (V2.4)를 이용하여 중기예측모의 실험을 수행하였다. KGM (V2.4)의 물리과정 방안은 Table 1에 제시하였다.

Physics schemes of KGM V2.4 and modification in V2.5.

중기예측실험의 수평해상도는 약 50 km를 사용하였으며, 이는 육면체구 수평격자 체계에서는 ne60np4에 해당한다(Choi and Hong, 2016). 연직으로는 50층을 사용하였다. 실험은 2013년 7월과 2014년 2월 각 한달 기간 동안 일일 간격의 매 00 UTC에 대하여 수행하였고, 각 실험에 대해 240시간(10일)의 예측모의를 수행하였다. 초기장은 미 국립환경예측센터(National Centers for Environmental Prediction, NCEP)에서 운영하는 전구예측모델(Global Forecasting System)의 분석장을 사용하였으며 NCEP에서 제공하는 해수면 온도 및 해빙 정보와 지면 초기장 정보를 사용하였다. 매 6시간 예측 산출물은 육면체구 격자 상에서 0.5도 간격의 등위경도 격자 산출물로 격자변환하였으며 이때 이중선형내삽(bilinear interpolation) 방법을 사용하였다.

본 연구는 모델의 버전 업데이트에 따른 성능 변화에 대한 진단 과정을 포함하고 있다. KGM의 업데이트된 물리과정Version 2.5 (V2.5)를 추가로 사용하여 중기예측모의 실험을 수행하였으며 수정된 물리과정 및 이에 따른 주요 예측특성 변화는 Table 1에 제시하였다.


3. 지상관측자료를 이용한 검증

3.1 관측자료 품질 관리

SYNOP 관측자료를 수치모델의 지상변수 검증에 활용하기 위해 양질의 관측자료를 결정하기 위한 전처리 및 품질검사를 수행하였다. 품질검사 과정은 KGM의 자료동화를 위한 관측 전처리 내의 과정을 사용하였다. 관측값 또는 관측지점 정보를 검사하는 과대오차검사(gross-error quality control) 과정에서는 결측(missing), 관측값 또는 변수변환을 통해 산출된 습도 및 바람 변수값의 타당성을 비롯해서, 관측지점의 위치정보(위/경도), 관측지점번호(station ID) 및 관측시간 등에 대한 검사를 수행한다. 이 때, 노점온도로부터 상대습도(또는 비습)를 산출하며, 풍향/풍속은 동서/남북방향 바람성분으로 변환한다. 이러한 변수변환 과정은 관측변수와 수치모델의 모의변수가 다르기 때문에 수치모델의 모의성능 검증뿐만 아니라 자료동화를 위한 관측자료의 품질검사를 위해서도 반드시 필요한 과정이다. 또한, 해면기압으로 보고되는 공항관측은 표준대기의 기압공식(barometric formula)을 이용하여 관측지점고도의 기압으로 변환한다.

공간적으로 비균질한 분포를 갖는 관측지점에서 수치모델의 모의결과를 이용한 관측자료의 품질검사를 수행하였다. 이를 위해 수치모델의 격자로부터 수평공간내삽 및 연직고도보정을 통한 관측지점에서의 모의값 추정이 필요하다. 수평적으로는 관측지점을 둘러싸는 4개의 모델격자에 이중선형내삽법을 적용하여 관측위치로 수평이동하였다. 변수에 따라 연직고도보정 방법이 다른데, 관측지점과 모델지형의 고도차가 500 m 이내인 경우에만 고도보정하고 그 이상인 경우에는 관측값을 사용하지 않는 것으로 하였다. 기압의 고도보정에는 정역학 방정식에 기인한 기압공식을 이용하였고, 상대습도는 지면 근처 습윤대기의 평균 습도감률(−0.01% m−1)을 적용하였으며, 온도는 표준대기의 기온감률(−0.0065 K m−1)을 적용하여 고도보정하였다. 비습은 직접 고도보정하지 않고 고도보정된 상대습도와 기온, 기압으로부터 변환하는 Liljequist and Cehak (1990)의 방법을 이용하였다.

관측지점에서 관측값과 모의값 사이의 차이를 구하고 그 차이가 일정 수준 이상으로 큰 경우 해당 관측 값을 제거하는 품질검사를 수행하였다. 이 때 기준값은 기상청 현업용 관측자료처리 시스템에 적용된 관측오차(observation error) 값을 이용하였는데, 각 관측 종별 변수에 따라 정의된 관측오차에 3배한 값을 이용하였다. 모의값을 기준으로 관측종별 관측값의 신뢰도(quality index)를 0부터 7까지의 범위에서 제공하도록 하였다. 전운량의 경우 품질검사가 제한적으로 수행될 수 밖에 없어 0~100% 범위의 값을 갖는 경우에는 정상으로 간주하고, 그 이외의 관측값은 모두 제거하였다.

관측자료 전처리의 다음 단계는 시간적 솎아내기(thinning)이다. 관측자료에 따라 시간적 관측주기가 다를 뿐만 아니라 선박, 공항관측의 경우에는 주기가 1시간 이내로 짧기 때문에 특정 시점 및 지점의 모의 결과 검증에 있어 동일 위치에서 짧은 시간주기로 관측된 2개 이상의 관측이 동시에 사용될 수 있다. 시간적 솎아내기는 이러한 문제를 방지하기 위하여 각 관측지점별로 한 시간 단위 또는 모의시간에 가장 가까우며 품질이 가장 우수한 한 개의 관측을 선택하는 방법이다. 본 연구에서는 기준 시각과 일치하는 시각에서의 자료만을 사용하여 검증을 수행하도록 설계하였다.

3.2 검증 변수

수치모델 산출물 중 SYNOP 자료를 활용하여 검증이 가능한 변수는 지상기압, 지상온도, 지상바람(u와 v)과 습기 관련 변수(노점 온도, 비습 또는 상대습도), 그리고 전운량으로 확인되었다. 수치모델마다 산출되는 습기 변수의 종류 (비습 또는 상대습도)와 노점온도의 산출 여부 등은 달라질 수 있으나 해당 변수들은 타 산출물들과의 물리적 관계로부터 도출이 가능하다. 본 연구에서는 KGM에서 산출하는 변수를 기준으로 하여 지상기압, 지상온도, 지상바람, 지상비습과 전운량의 검증을 수행하였다.

3.3 지상변수의 검증 과정

지상검증 과정은 다음의 두 과정으로 진행하였는데, 관측자료 및 모델자료를 비교 가능한 형태로 정리하는 자료 처리 과정과 두 자료의 비교를 통한 검증값 산출 과정이다. 자료 처리 과정에서는 관측자료의 경우 육지 및 해양으로 구분하여 최종 검증값을 산출할 수 있도록 지상 및 공항관측은 육지 관측자료로, 선박 관측은 해양 관측자료로 구분하였다. 모델자료의 경우 KGM 산출물 중 검증에 필요한 변수를 추출하고, 이를 사용하여 관측 지점으로의 수평 공간내삽 및 관측지점의 고도와 모델 지형고도의 차이를 고려해주는 연직 고도보정 과정을 수행하였다. 연직 고도보정 과정에서 지상바람은 모델과 관측의 고도차에 상관없이 모델값을 그대로 사용하였고, 지상기압은 정역학 방정식에 기인한 기압공식을 사용하여 보정하였다. 지상온도의 경우 모델의 두 층 사이에 관측이 존재하는 경우 고도차를 이용한 선형내삽을 수행하였고, 모델최하층보다 관측이 아래에 존재하는 경우 표준대기의 기온감률(−0.0065 K m−1)을 적용하여 외삽하였다. 지상비습은 모델의 두 층 사이에 관측이 존재하는 경우 지상온도와 마찬가지로 고도차를 이용한 선형내삽을 수행하였고, 모델 최하층보다 아래에 존재하는 경우 연직 고도보정을 수행하지 않았다. Figure 2은 모델과 관측의 고도차와 연직 고도보정 전후 지상온도 차이의 관계를 나타낸 것으로, 고도차가 양수일 경우(관측고도 >모델지형고도) 선행내삽을 수행하기 때문에 연직 고도보정에 의한 지상온도의 차이가 고도차에 상관없이 산재되어 있으나, 고도차가 음수일 경우(관측고도 <모델지형고도) 상수의 기온감률을 적용하여 외삽하므로 고도차와 연직 보정에 의한 지상온도차가 선형적인 관계를 보임을 알 수 있다. 전체 관측 중 선형내삽으로 보정되는 관측지점의 비율은 약 15~20% 정도이고, 기온감률을 적용하여 외삽으로 보정되는 관측지점은 약 60% 정도로, 외삽에 의한 연직 고도보정의 비율이 다소 크게 나타난다.

Fig. 2.

Scatterplot between T2m difference (before vs. after vertical adjustment) and height difference (model topography vs. SYNOP observation height).

검증값 산출 과정에서는 Eq. (1)(2)에 제시한 대로 검증 변수별, 예측시간별 관측 대비 오차(Bias) 및 평균제곱근오차(RMSE)를 계산하고 검증 기간 및 검증 지역에 대해 평균하는 과정을 거친다.

Bias=1ni=1nxm-xoi(1) 
RMSE=1ni=1nxm-xoi2(2) 

여기서 xm은 모델값, xo은 관측값이고, n은 검증 변수별, 예측시간별 관측지점 개수이다. 마지막으로 검증 변수별, 지역별 오차 및 평균제곱근오차의 6시간 간격 통계값을 산출하고, 예측시간에 따른 시계열 및 공간 분포를 가시화하여 최종 산출물로 제공한다. 검증 지역은 WMO에서 제시하는 전구 라디오존데 관측에 대비한 관측 검증 지역과 동일하게 적용하였으며, 상세한 위경도 정보는 Table 2에 기술하였다.

Definition of verification domains for surface verification


4. 결 과

4.1 전구모델의 지상검증

KGM의 지상기압, 온도, 습도, 바람의 예측결과를 SYNOP 자료와 비교 검증하였다. Table 3은 아시아, 유럽, 적도, 남반구 지역 평균 및 전구 평균된 지상기압(PSFC), 지상바람(WS10m), 지상온도(T2m), 지상비습(Q2m)의 오차(Bias)와 평균제곱근오차(RMSE)이다. 지상기압오차는 전구 평균의 경우 여름 −5.96 hPa, 겨울 −4.50 hPa 로 평균제곱근오차는 각각 27.31, 23.80 hPa로 나타났다. 그 중 아시아와 유럽에서는 여름과 겨울 모두 약 5~10 hPa 수준의 음의 오차를 보이는 것으로 분석되었다. 지상기압의 경우 대부분의 오차는 육지 지역에서 기인한다. 지상바람의 경우 전구 평균 약 1 m s−1 내외의 양의 오차를 가지는 것으로 나타났으며 전 지역에서 공통적으로 양의 오차가 확인되었다. 지역별로는 겨울 반구에서의 오차가 큰 것으로 파악된다. 해양에서의 지상바람 오차는 육지에서와 반대의 양상을 보이는 경우가 확인되는데, 여름의 경우 아시아 해양에서 −1.61 m s−1의 오차가, 겨울에는 남반구 지역평균 −1.37 m s−1의 오차가 있는 것으로 분석되었다. 지상온도에 대해서는 전구 및 지역적으로 육지와 해양 모두에서 냉각 오차가 확인되었는데 여름철 전구 평균 약 1 K 수준의 냉각 오차가 있는 것으로 나타났다. 지상비습의 경우 지역과 계절에 따른 오차의 변화가 다른 변수들에 비해 상대적으로 크게 나타나는데, 그 중 적도 육지에서의 건조 오차가 비교적 뚜렷하며 아시아 지역에서는 여름철 건조 오차 겨울철은 해양에서 습윤 오차가 있는 것으로 확인되었다.

Bias and RMSE of 120 h forecasts of KGM V2.4 against SYNOP observation for (a) July 2013 and (b) February 2014.(a)

(b)

Figure 3은 2013년 7월과 2014년 2월 각 한 달에 대한 지상 온도, 바람, 비습의 72시간 예측 평균 오차의 전구 수평분포이다. 지상온도의 경우 육지 대부분 지역에서 음의 오차를 확인할 수 있으며, 특히 아시아 및 유럽 지역에서의 겨울철 냉각 오차가 증가하는 것을 알 수 있다. 해양에서의 지상온도 예측 성능 오차는 지역적으로 차이가 나타나는데, 인도양과 대서양 전반에서는 약한 양의 오차가 존재하나, 중위도 태평양 지역에서의 냉각 오차가 있는 것으로 나타났으며 특히 여름철의 경우 육지에서의 오차 수준 이상인 것으로 나타난다. 한반도의 경우 여름철의 냉각 오차와 겨울철의 온난 오차가 뚜렷하게 존재함을 확인할 수 있다(Figs. 3a, d).

Fig. 3.

Horizontal distribution of monthly mean 72 hour prediction bias of surface temperature (T2m, K) (a, d), wind speed (WS10m, m s−1) (b, e), and specific humidity (Q2m, g kg−1) (c, f) by KGM V2.4 for July 2013 (left) and February 2014 (right) based on SYNOP observations.

KGM의 지상 바람의 예측오차는 육지, 해양의 특성이 뚜렷하게 구분된다. 육지의 경우 전반적인 과대 모의 경향을 나타내고 이러한 특성은 여름과 겨울 모두 북반구에 더 뚜렷하게 나타났고, 겨울철에 더 뚜렷한 것으로 확인된다. 반면 해양에서는 바람의 과소모의 경향이 확인되나, 지점별 차이가 매우 큰 것으로 나타났다(Figs. 3b, e). 한편, 한반도에서의 지상바람 과대모의 오차는 여름, 겨울 모두 다른 지역에 비해 매우 뚜렷하게 나타나는 것이 확인된다.

KGM의 지상비습 예측오차는 여름철 유럽과 아시아 육지 지역 전반에서 양의 비습 오차가 확인되는 반면, 겨울철 유럽지역의 건조 오차가 두드러지게 확인되었다. 북미 지역에서는 두 계절 모두에서 습윤 오차가 확인되었으며, 여름철 습윤 오차가 더 크게 나타난다. 해양에서의 오차는 대서양의 경우 두 계절에 습윤 오차가 확인되는 반면 북태평양의 경우 여름철 건조 오차가 나타난다. 한반도 지역은 전반적으로 습윤 오차가 나타나고 그 경향이 겨울철에 더 크게 나타나는 것으로 보이며, 이러한 특성은 중국 남부 해안 지역에 걸쳐서 나타난다(Figs. 3c, f).

지상온도와 지상바람 오차의 일변화 및 예측시간에 따른 특성을 분석하였다. Figure 4는 2013년 7월과 2014년 2월 한 달에 대해 10일 예측된 지상온도와 지상바람을 해당 시각의 관측값과 비교한 것으로 아시아 지역과 전구 평균 시계열이다. 오차의 수평분포에서 확인한 바와 같이 모델은 아시아 및 전구에 대해서 냉각 오차를 보이며 그 차이는 예측시간이 길어질수록 증가하는 경향이 있다. 아시아 지역의 냉각 오차의 경우 겨울철에 예측시간이 지남에 따라 더 크게 나타나며 야간의 오차가 주간에 비해 큰 것을 알 수 있다. 지상 바람의 경우 예측시간 전반에 걸쳐 관측과의 뚜렷한 차이가 나타남을 확인하였다. 2013년 7월 아시아 지역에서는 평균적으로 약 1 m s−1 내외의 오차를 보이는 것으로 확인되며, 그 차이는 주간에 감소하여 06 UTC에서 최소를 보이며 야간에 심화되어 00 UTC에 최대의 오차를 보이는 것으로 확인되며, 예측시간 10일 동안의 오차는 온도에 비해 상대적으로 일정하게 나타나고 있다. 아시아 지역의 지상 바람 오차는 2013년 7월에 비해 2014년 2월에 더 크게 나타나고 있다.

Fig. 4.

Time series of mean predicted surface temperature (T2m, a and c) and wind speed (WS10m, b and d) by KGM V2.4 (red) for 240 hour lead time during July 2013 (left) and February 2014 (right), spatially averaged for Asia region and global. Observation at each valid time is compared (blue).

지상관측자료를 통한 전구수치모델 검증결과를 라디오존데 관측자료를 이용한 대기 온도의 연직 오차 분포를 비교하여 두 검증 결과의 일관성을 검토하였다. 사용한 라디오존데 관측 역시 지상관측과 마찬가지로 관측자료 전처리를 통해 품질확인을 통과한 자료를 사용한 것이며, 지상기압 이하의 자료는 결측에 해당하므로 값의 연직 외삽 결과는 없다. Figure 5은 아시아 지역(25N-65N, 60E-145E)에 대해 대해 모델이 예측한 대기 온도와 바람의 오차 및 평균제곱근 오차의 예측 시간에 대한 연직 분포이다. KGM 예측은 대류권 하층에 뚜렷한 냉각 오차를 보이고 있으며 지면 근처로 갈수록 그리고 예측시간이 지날수록 증가한다. 지면근처에서의 냉각 오차는 여름철에 좀더 뚜렷하며, 겨울철에는 다소 완화되나 냉각 오차의 경향은 여전히 뚜렷하다. 풍속의 경우 대류권 전반의 오차는 1.5 m s−1 미만으로 하층에서는 전반적으로 과소모의 특성을 보이나 상층에서의 오차 및 RMSE가 증가한다. 두 계절 모두에서 지면에서 약 900 hPa 고도에 걸쳐 1 m s−1 이상의 과대 모의 특성을 보이며 이는 예측 시간에 걸쳐 나타난다. 이러한 대기의 온도 및 바람 오차 구조는 지상 관측에 대비한 온도 오차 분포의 결과와 일관된 검증 결과를 보인다.

Fig. 5.

Hovmöller diagram of bias (shade) and RMSE (contour) of temperature (K) and WIND (m s−1) predicted by KGM V2.4 over Asia against radiosonde observation for the period of July 2013 (left) and February 2014 (right).

4.2 전운량 예측 특성 진단

KGM에서 예측한 전운량(Total cloud cover)을 지상관측자료와 비교하였다. Figure 6은 2013년 7월 결과에 대한 72시간(00 UTC) 및 60시간(12 UTC) 예측 전운량의 관측 대비 오차의 수평분포이다. 모델에서 진단한 72시간 예측 전운량 분포는 전구에 걸쳐 관측에 비해서 뚜렷한 양의 오차를 가지는 것으로 나타나고 있다. 특히 유럽 전 지역과 동아시아에서 전운량의 과대모의 오차가 큰 것으로 나타난다. 해양에서도 운량 예측의 전반적인 과대모의 특징이 나타나는데, 특히 서태평양 지역과 대서양 전반에서 매우 큰 것으로 나타난다. 지상 관측에서 말하는 전운량의 경우는 관측자를 중심으로 한 천구상의 운량을 모두 고려하는 반면, 모델에서는 해당 수평 격자의 연직 전층의 정보를 이용하여 산출하므로 근본적인 차이가 존재한다. 또한 모델에서의 운량은 모델이 해상하는 온도, 습도에 기반한 모수화를 통하여 산출되므로 실제 대기에서와는 다를 수 있다. 따라서 전운량의 관측 검증은 앞선 대기 온습도 및 바람 검증과는 다른 각도로 활용되어야 할 것이다. 그러나 모델의 운량 진단과정과 관측자의 전운량 관측에 대한 방법적인 차이를 감안하더라도 지역적인 차이에 대한 특성은 모델의 성능을 진단하는데 활용할 수 있다. 한편 72시간 예측 오차와 60시간 예측 오차의 분포를 비교함으로써 운량 예측의 관측에 대한 오차가 뚜렷한 일변화를 보임을 알 수 있다. 추가적으로 매 6시간 간격의 분석 결과를 확인했을 때 아시아 지역의 경우 18, 00 UTC의 운량에 대한 과대모의가 가장 뚜렷하며, 유럽의 경우 오차의 최대값이 00, 06 UTC에 나타나므로 모델이 전반적으로 야간 구름을 좀더 과대 모의함을 확인할 수 있었다(그림 없음).

Fig. 6.

Horizontal distributions of total cloud cover (TCLD) bias of +72 h (a) and +60 h (b) forecasts by KGM V2.4 for July 2013.

4.3 KGM 물리과정 개선에 따른 예측성능 비교

지상관측자료를 활용하여 모델간의 성능을 비교하는데 활용하였다. 앞선 분석에서 사용한 KGM V2.4로부터 지면 및 복사과정을 개선하고 고위도 지역 운량 과대모의가 조절된 V2.5를 사용하여 동일한 중기 예측실험을 수행하여 이를 비교함으로써 두 버전간의 성능 차이를 진단하였다. KGM V2.5의 물리과정별 개선과 모델예측에 미치는 주요 영향에 대해서 Table 1에 제시하였다. V2.5의 물리과정의 수정 중 지상변수 예측결과에 영향을 미친 것은 주로 지면 물리과정으로 토양수분 과다 및 이에 따른 증발량 과다모의를 개선한 토양 수분 초기화 개선 부분과 지면 과정에 사용되는 방출율을 복사 물리과정에서 사용되는 값과 동일하게 사용하도록 수정한 복사-지면과정 방출율 일원화 두 부분이다. V2.5의 증발량 감소는 지면 에너지 평형에 따라 지면온도를 상승시키는 효과가 있고, 방출율 감소의 경우 지면으로부터의 장파복사 전달 비율을 감소함으로써 지면온도를 상승시킨다. 따라서 두 과정 모두 지면온도의 상승에 따른 복사의 직접효과로 대기 하층 온도 증가하는 효과를 주게 된다. Figure 7은 V2.5와 V2.4간의 지표온도와 지표면 상향 장파복사의 72시간 예측차이 분포이다. 여름-겨울 모두 남극을 제외한 대부분의 육지에서 지표 온도가 증가한 것을 알 수 있고(Figs. 7a, d), 이에 따른 상향장파복사 증가가 확인된다(Figs. 7b, e). 한편 해수면 예측온도 또한 전반적으로 상승한 것이 확인되는데 이는 얕은 대류 프로파일 개선이 하층운 확산을 증가하는 방향으로 이루어졌기 때문에 지표면 하향단파복사가 증가했기 때문이다(Figs. 7c, f). 구름 예단에서의 수정은 주로 극지방 및 60도 이상 고위도 지역에서 주로 영향을 주는 수정이었으며 중위도 지역의 하층 변화에 대해서는 큰 영향을 미치지 않는 것으로 파악되었다.

Fig. 7.

Horizontal distributions of monthly mean 72 hour prediction difference between KGM V2.4 and V2.5 for July 2013 (left) and February 2014 (right). (a, d) Surface temperature (K), (b, e) surface upward longwave radiation (W m−2), and (c, f) surface downward shortwave radiation (W m−2).

Figure 8는 V2.5와 V2.4의 72시간 예측결과의 지상 관측검증 수행결과를 비교한 것이다. KGM V2.5에서는 지상온도 전반에서의 뚜렷한 증가가 확인되었다. 이러한 가열효과는 겨울철보다 여름철에 더 뚜렷하게 나타났으며, 육지지역에 가장 큰 가열효과를 보여 기존 모델이 가지고 있는 오차를 크게 개선한 것을 확인할 수 있다. 물리과정의 개선이 주로 대기복사에 따른 지면과정의 차이에 있으므로 전반적인 개선효과는 육지에 국한되어 나타났으며 일부 해양지역에서의 약간의 온도 증가는 얕은 대류 과정의 프로파일 수정에 기인한 것으로 판단된다. KGM V2.5에서 구름양 조절 부분은 주로 고위도 및 남극 지역에서 변화를 보여, 지상검증이 이뤄지는 관측 지역에 대해서는 단기예측(72시간 이내) 기간의 진단 결과에는 큰 영향이 없는 것으로 생각된다. KGM V2.5가 예측한 지상변수의 오차를 정량적으로 평가하여 Table 4에 제시하였다. 개선된 모델에서는 전구 지상온도의 개선이 확인되었고 전구 평균 지상온도 오차를 −0.48 K (July 2013), −0.27 K (February 2014)로 감소시켜 V2.4에 비해 음의 편차가 40~50% 수준으로 감소한 것으로 평가할 수 있다.

Fig. 8.

Horizontal distribution of 72 hour prediction bias of surface temperature (T2m, K) of KGM V2.4 (left) and difference of modified V2.5 from V2.4 (right).

The same as in Table 3 except KGM V2.5.(a)

(b)


5. 요약 및 토의

본 연구에서는 SYNOP 관측자료를 기반으로 전구 모델에서 생산하는 예측자료 중 검증 가능한 변수를 산정하고 각각의 상호비교를 위해 검증 방법을 구축하였다. 구축된 검증 과정을 활용하여 전구모델의 지상변수 중기예측성을 진단하고, 구축된 검증 과정의 활용가능성을 제시하였다. 주요 결과는 다음과 같다.

SYNOP 지상관측자료를 활용하여 모델의 지상온도, 바람, 습도 및 전운량에 대한 검증 과정을 구축할 수 있었으며 이 과정에서 자료의 품질 관리를 위해 자료동화를 위한 관측자료 전처리 과정을 채택하였다. 또한 지상온도의 연직 내외삽 과정에 있어서 고고도 지역에서의 외삽과정은 진단 결과에 큰 영향을 줄 수 있다.

지상관측자료를 활용한 지상변수 검증 결과는 육지지역에서의 라디오존데 관측을 활용한 대기 온도 진단결과와 지상변수를 활용한 지상온도 진단결과가 일관된 양상을 보임을 확인할 수 있었다.

전운량에 대한 진단에 있어서는 관측과 모델에서 운량 변수에 대한 정의가 다르고, 모델의 운량 예측이 구름진단과정에 크게 의존하므로 직접적 비교는 할 수 없다고 판단된다. 그러나 지역적인 오차 분포 차이 및 주야간 분포차이 등 모델의 상대적 특성을 진단하는데 활용 가능하다.

진단된 예측 오차들은 모델의 초기장 오차에 영향을 받을 것으로 생각된다. 본 연구에서 구축한 검증 과정은 모델의 초기시각을 포함하여 예측시간 전체에 대한 검증이 가능하나, 지상변수와 같은 진단변수들은 일반적으로 수치모델에서 초기장에 고려하지 않으므로 모델의 초기 시각에 가지는 오차는 초기장 입력자료(본 연구의 경우 GFS 분석장)의 지상온도를 검증하는 별도 진단이 향후 추가적으로 필요할 것으로 판단된다.

본 방법을 통해 향후 직접 관측자료를 활용하여 모델의 지상변수에 대한 전구예측성에 대하여 신뢰성 있는 정량적 검증자료의 산출이 가능하며, 모델 예측 정확도와 오차에 대한 시공간적 특성을 파악하는데 활용 가능하다. 이를 통해 모델간 성능 비교 및 개선을 위한 근거자료로 활용할 수 있을 것으로 생각된다.

Acknowledgments

이 연구는 기상청의 지원을 받는 한국형수치모델개발사업단의 연구과제를 통해 수행되었습니다.

References

  • Bréon, F., and S. Colzy, (1999), Cloud detection from the spaceborne POLDER instrument and validation against surface synoptic observations, J. Appl. Meteor. Climatol., 38, p777-785. [https://doi.org/10.1175/1520-0450(1999)038<0777:cdftsp>2.0.co;2]
  • Bromwich, D. H., A. J. Monaghan, K. W. Manning, and J. G. Powers, (2005), Real-time forecasting for the Antarctic: An evaluation of the Antarctic Mesoscale Prediction System (AMPS), Mon. Wea. Rev., 133, p579-603. [https://doi.org/10.1175/mwr-2881.1]
  • Choi, H.-J., and S.-Y. Hong, (2015), An updated subgrid orographic parameterization for global atmospheric forecast models, J. Geophys. Res., 120, p12445-12457. [https://doi.org/10.1002/2015JD024230]
  • Choi, S.-J., and S.-Y. Hong, (2016), A global non-hydrostatic dynamical core using the spectral element method on a cubed-sphere grid, Asia-Pac. J. Atmos. Sci., 52, p291-307. [https://doi.org/10.1007/s13143-016-0005-0]
  • Chun, H.-Y., and J.-J. Baik, (1998), Momentum flux by thermally induced internal gravity waves and its approximation for large-scale models, J. Atmos. Sci., 55, p3299-3310. [https://doi.org/10.1175/1520-0469(1998)055<3299:mfbtii>2.0.co;2]
  • ECMWF, (2015), Evaluation of ECMWF forecasts, including 2014-2015 upgrades, ECMWF Technical Memorandum, (765), p51.
  • Ek, M. B., K. E. Mitchell, Y. Lin, E. Rogers, P. Grunmann, V. Koren, G. Gayno, and J. D. Tarpley, (2003), Implementation of Noah land surface model advances in the National Centers for Environmental Prediction operational mesoscale Eta model, J. Geophys. Res., 108. [https://doi.org/10.1029/2002JD003296]
  • Han, J., and H.-L. Pan, (2011), Revision of convection and vertical diffusion schemes in the NCEP Global Forecast System, Wea. Forecasting, 26, p520-533. [https://doi.org/10.1175/WAF-D-10-05038.1]
  • Hong, S.-Y., J. Dudhia, and S.-H. Chen, (2004), A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation, Mon. Wea. Rev., 132, p103-120. [https://doi.org/10.1175/1520-0493(2004)132<0103:aratim>2.0.co;2]
  • Hong, S.-Y., J. Choi, E.-C. Chang, H. Park, and Y.-J. Kim, (2008), Lower-tropospheric enhancement of gravity wave drag in a global spectral atmospheric forecast model, Wea. Forecasting, 23, p523-531. [https://doi.org/10.1175/2007WAF2007030.1]
  • Hong, S.-Y., and Coauthors, (2013), The global/regional integrated model system (GRIMs), Asia-Pac. J. Atmos. Sci., 49, p219-243. [https://doi.org/10.1007/s13143-013-0023-0]
  • Iacono, M. J., J. S. Delamere, E. J. Mlawer, M. W. Shepard, S. A. Clough, and W. D. Collins, (2008), Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models, J. Geophys. Res., 113, pD13103. [https://doi.org/10.1029/2008JD009944]
  • Jeon, J.-H., S.-Y. Hong, H.-Y. Chun, and I.-S. Song, (2010), Test of a convectively forced gravity wave drag parameterization in a general circulation model, Asia-Pac. J. Atmos. Sci., 46, p1-10. [https://doi.org/10.1007/s13143-010-0001-8]
  • Kim, E.-J., and S.-Y. Hong, (2010), Impact of air-sea interaction on East Asian summer monsoon climate in WRF, J. Geophys. Res., 115, pD19118. [https://doi.org/10.1029/2009JD013253]
  • Liljequist, G. H., and K. Cehak, (1990), Allgemeine Meteorologie (General Meteorology), Vieweg,, Braunschweig, Germany, p396.
  • Lim, K.-S., S.-Y. Hong, J.-H. Yoon, and J. Han, (2014), Simulation of the summer monsoon rainfall over East Asia using the NCEP GFS cumulus parameterization at different horizontal resolution, Wea. Forecasting, 29, p1143-1154. [https://doi.org/10.1175/WAF-D-13-00143.1]
  • Ma, L., T. Zhang, Q. Li, O. W. Frauenfeld, and D. Qin, (2008), Evaluation of ERA-40, NCEP-1, and NCEP-2 reanalysis air temperatures with ground-based measurements in China, J. Geophys. Res., 113, pD15115. [https://doi.org/10.1029/2007JD009549]
  • Meerkötter, R., C. König, P. Bissolli, G. Gesell, and H. Mannstein, (2004), A 14-year European Cloud Climatology from NOAA//AVHRR data in comparison to surface observations, J. Geophys. Res., 31, pL15103. [https://doi.org/10.1029/2004GL020098]
  • Park, R.-S., J.-H. Chae, and S.-Y. Hong, (2016), A revised prognostic cloud fraction scheme in a global forecasting system, Mon. Wea. Rev., 114, p1219-1229. [https://doi.org/10.1175/MWR-D-15-0273.1]
  • Shin, H. H., and S.-Y. Hong, (2015), Representation of the subgrid-scale turbulent transport in convective boundary layers at gray-zone resolutions, Mon. Wea. Rev., 143, p250-270. [https://doi.org/10.1175/MWR-D-14-00116.1]
  • Simmons, A. J., P. D. Jones, V. da Costa Bechtold, A. C. M. Beljaars, P. W. Kållberg, S. Saarinen, S. M. Uppala, P. Viterbo, and N. Wedi, (2004), Comparison of trends and low-frequency variability in CRU, ERA-40, and NCEP/NCAR analyses of surface air temperature, J. Geophys. Res., 109, pD24115. [https://doi.org/10.1029/2004JD005306]
  • Wilson, A. B., D. H. Bromwich, and K. M. Hines, (2011), Evaluation of Polar WRF forecasts on the Arctic System Reanalysis domain: Surface and upper air analysis, J. Geophys. Res., 116, pD11112. [https://doi.org/10.1029/2010JD015013]
  • World Meteorological Organization, (2012), “WMO: standardised verification system for long-range forecasts,” in Manual on the Global Data-Processing System, WMO no. 485, World Meteorological Organization, Geneva, Switzerland.
  • You, Q., K. Fraedrich, G. Ren, N. Pepin, and S. Kang, (2013), Variability of temperature in the Tibetan Plateau based on homogenized surface stations and reanalysis data, Int. J. Climatol., 33, p1337-1347. [https://doi.org/10.1002/joc.3512]
  • Zhu, J.-H., S.-P. Ma, H. Zou, L.-B. Zhou, and P. Li, (2014), Evaluation of reanalysis products with in situ GPS sounding observations in the Eastern Himalayas, Atmos. Ocean. Sci. Lett., 7, p17-22. [https://doi.org/10.3878/j.issn.1674-2834.13.0050]

Fig. 1.

Fig. 1.
Locations of SYNOP surface observation stations.

Fig. 2.

Fig. 2.
Scatterplot between T2m difference (before vs. after vertical adjustment) and height difference (model topography vs. SYNOP observation height).

Fig. 3.

Fig. 3.
Horizontal distribution of monthly mean 72 hour prediction bias of surface temperature (T2m, K) (a, d), wind speed (WS10m, m s−1) (b, e), and specific humidity (Q2m, g kg−1) (c, f) by KGM V2.4 for July 2013 (left) and February 2014 (right) based on SYNOP observations.

Fig. 4.

Fig. 4.
Time series of mean predicted surface temperature (T2m, a and c) and wind speed (WS10m, b and d) by KGM V2.4 (red) for 240 hour lead time during July 2013 (left) and February 2014 (right), spatially averaged for Asia region and global. Observation at each valid time is compared (blue).

Fig. 5.

Fig. 5.
Hovmöller diagram of bias (shade) and RMSE (contour) of temperature (K) and WIND (m s−1) predicted by KGM V2.4 over Asia against radiosonde observation for the period of July 2013 (left) and February 2014 (right).

Fig. 6.

Fig. 6.
Horizontal distributions of total cloud cover (TCLD) bias of +72 h (a) and +60 h (b) forecasts by KGM V2.4 for July 2013.

Fig. 7.

Fig. 7.
Horizontal distributions of monthly mean 72 hour prediction difference between KGM V2.4 and V2.5 for July 2013 (left) and February 2014 (right). (a, d) Surface temperature (K), (b, e) surface upward longwave radiation (W m−2), and (c, f) surface downward shortwave radiation (W m−2).

Fig. 8.

Fig. 8.
Horizontal distribution of 72 hour prediction bias of surface temperature (T2m, K) of KGM V2.4 (left) and difference of modified V2.5 from V2.4 (right).

Table 1.

Physics schemes of KGM V2.4 and modification in V2.5.

Physics Schemes Version 2.5
Modification Major impact
Radiation RRTMG (Iacono et al., 2008) - -
Land NOAH V3.0 (Ek et al., 2003) Soil moisture initialization & Consistent emissivity of land - Radiation process Land surface to lower atmospheric warming
Ocean mixed layer Kim and Hong (2010) SST daily cycle bug fix -
Boundary layer ShinHong (Shin and Hong, 2015) - -
Gravity wave Orographic: Kim-Arakawa
(Hong et al., 2008; Choi and Hong, 2015)
Convection
(Chun and Baik, 1998; Jeon et al., 2010)
- -
Deep convection SAS (Han and Pan, 2011) with
Scale-aware method (Lim et al., 2014)
- -
Shallow convection Hong et al. (2013) Eddy diffusivity profile modified Low cloud reduction over tropical ocean
Microphysics WSM5 (Hong et al., 2004) - -
Cloudiness Prognostic cloudiness (Park et al., 2016) Cloud diagnosis modified High-latitude cloud reduction

Table 2.

Definition of verification domains for surface verification

Region Latitude Longitude
Global All latitude All longitude
Northern Hemisphere extra-tropics 20N-90N All longitude
Southern Hemisphere extra-tropics 20S-90S All longitude
Tropics 20S-20N All longitude
North America 25N-60N 50W-145W
Europe/North Africa 25N-70N 10W-28E
Asia 25N-65N 60E-145E
Australia/New Zealand 10S-55S 90E-180E

Table 3.

Bias and RMSE of 120 h forecasts of KGM V2.4 against SYNOP observation for (a) July 2013 and (b) February 2014.(a)

PSFC
Total/Land/Sea
WS10m
Total/Land/Sea
T2m
Total/Land/Sea
Q2m
Total/Land/Sea
[EA]
BIAS −9.45/−9.57/−0.75 1.41/1.45/−1.61 −1.43/−1.44/−0.49 −0.31/−0.31/−0.31
RMSE 23.18/23.07/11.28 2.88/2.83/4.22 3.38/3.38/2.49 2.13/2.13/2.23
[EU]
BIAS −7.83/−8.91/0.35 0.45/0.53/−0.42 −1.35/−1.39/−1.00 0.02/0.01/0.20
RMSE 23.21/23.83/16.98 2.25/2.17/2.83 2.83/2.90/2.15 1.89/1.89/1.89
[TR]
BIAS 0.69/0.75/−0.09 1.23/1.42/−1.19 −1.06/−1.12/−0.44 −0.83/−0.89/−0.01
RMSE 40.30/41.80/11.89 3.18/3.13/3.54 2.82/2.85/2.07 2.10/2.10/2.17
[SH]
BIAS −3.24/−3.19/−4.07 1.01/1.10/−0.85 −0.17/−0.15/−0.51 −0.03/−0.03/−0.08
RMSE 23.41/23.84/10.92 3.73/3.72/3.73 4.23/4.30/2.23 1.32/1.31/1.35
[GL]
BIAS −5.96/−6.36/−2.42 0.79/0.91/−0.62 −1.23/−1.27/−0.83 −0.30/−0.32/−0.01
RMSE 27.31/27.47/22.79 2.82/2.78/3.15 3.29/3.34/2.65 2.01/2.00/2.19

(b)

PSFC
Total/Land/Sea
WS10m
Total/Land/Sea
T2m
Total/Land/Sea
Q2m
Total/Land/Sea
[EA]
BIAS −5.56/−5.64/0.33 1.94/1.96/−1.09 −0.64/−0.64/−0.71 0.04/0.04/0.27
RMSE 15.77/15.65/9.30 3.24/3.22/4.06 3.72/3.72/3.01 0.96/0.95/1.43
[EU]
BIAS −7.00/−7.87/−0.51 1.26/1.35/0.21 −1.00/−1.02/−0.79 −0.18/−0.22/0.15
RMSE 20.09/20.49/12.59 3.11/3.05/3.69 2.56/2.63/1.73 0.90/0.89/0.97
[TR]
BIAS 0.15/0.20/−0.53 1.12/1.24/−0.69 −1.31/−1.36/−0.55 −1.04/−1.09/−0.15
RMSE 39.33/40.46/10.88 3.02/3.02/2.98 2.95/2.96/2.21 2.41/2.43/2.13
[SH]
BIAS −4.33/−4.33/−4.32 0.56/0.67/−1.37 −0.99/−1.00/−0.88 −0.10/−0.10/−0.07
RMSE 21.41/21.84/11.49 3.06/3.00/3.87 3.45/3.49/2.73 1.98/1.99/1.84
[GL]
BIAS −4.50/−4.81/−0.97 1.24/1.32/−0.20 −0.56/−0.57/−0.45 −0.23/−0.25/0.09
RMSE 23.80/24.28/15.37 3.18/3.15/3.69 3.73/3.80/2.48 1.50/1.49/1.55

Table 4.

The same as in Table 3 except KGM V2.5.(a)

PSFC
Total/Land/Sea
WS10m
Total/Land/Sea
T2m
Total/Land/Sea
Q2m
Total/Land/Sea
[EA]
BIAS −10.87/−11.02/−0.76 0.96/1.00/−1.57 0.12/0.13/−0.41 −0.59/−0.59/4.95
RMSE 25.20/25.11/11.11 2.70/2.65/4.24 3.22/3.23/2.52 2.27/2.27/5.10
[EU]
BIAS −7.88/−8.98/0.53 0.50/0.59/−0.44 −0.76/−0.75/−0.88 −0.44/−0.57/0.59
RMSE 23.02/23.57/17.11 2.27/2.20/2.86 2.63/2.68/2.11 2.69/2.74/2.19
[TR]
BIAS 0.92/1.01/0.04 1.28/1.49/−1.27 −0.68/−0.71/−0.32 −1.36/−1.45/2.46
RMSE 40.77/42.30/12.28 3.23/3.18/3.58 2.68/2.70/2.04 3.59/3.56/2.94
[SH]
BIAS −3.19/−3.15/−4.09 1.03/1.12/−0.89 0.29/0.32/−0.36 −0.65/−0.68/0.27
RMSE 23.40/23.84/10.95 3.75/3.75/3.68 4.22/4.29/2.19 2.00/2.02/1.13
[GL]
BIAS −6.05/−6.47/−2.23 0.72/0.85/−0.62 −0.48/−0.46/−0.67 −0.53/−0.60/0.43
RMSE 27.70/27.94/23.27 2.81/2.77/3.16 3.13/3.18/2.57 2.34/2.35/2.06

(b)

PSFC
Total/Land/Sea
WS10m
Total/Land/Sea
T2m
Total/Land/Sea
Q2m
Total/Land/Sea
[EA]
BIAS −6.23/−6.35/0.16 1.43/1.47/−1.14 −0.69/−0.69/−0.65 −0.17/−0.17/0.38
RMSE 17.08/16.98/9.28 2.94/2.92/4.15 4.14/4.15/2.98 1.11/1.10/1.30
[EU]
BIAS −7.02/−7.93/−0.42 1.25/1.34/0.12 −0.75/−0.76/−0.69 −0.67/−0.75/−0.00
RMSE 20.17/20.59/12.61 3.12/3.05/3.70 2.44/2.51/1.70 1.51/1.56/1.04
[TR]
BIAS 0.20/0.25/−0.46 1.14/1.27/−0.72 −0.81/−0.84/−0.42 −1.65/−1.69/4.49
RMSE 39.40/40.57/11.46 3.04/3.05/2.96 2.73/2.74/2.20 3.24/3.22/4.77
[SH]
BIAS −4.32/−4.32/−4.32 0.63/0.73/−1.36 −0.57/−0.56/−0.75 −0.40/−0.44/0.30
RMSE 21.41/21.85/11.52 3.09/3.04/3.85 3.38/3.41/2.66 2.19/2.22/1.26
[GL]
BIAS −4.56/−4.90/−0.87 1.11/1.21/−0.23 −0.27/−0.26/−0.34 −0.38/−0.42/0.20
RMSE 24.23/24.76/15.43 3.13/3.09/3.69 3.70/3.77/2.47 1.48/1.50/1.27