The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 30, No. 4, pp.377-390
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 31 Dec 2020
Received 19 Aug 2020 Revised 28 Sep 2020 Accepted 14 Oct 2020
DOI: https://doi.org/10.14191/Atmos.2020.30.4.377

한반도 대기정체의 특성 및 지역기후모델 HadGEM3-RA를 이용한 미래 전망

김도현* ; 김진욱 ; 김태준 ; 변재영 ; 김진원 ; 권상훈 ; 김연희
국립기상과학원 미래기반연구부
Characteristics of Air Stagnation over the Korean Peninsula and Projection Using Regional Climate Model of HadGEM3-RA
Do-Hyun Kim* ; Jin-Uk Kim ; Tae-Jun Kim ; Jae-Young Byon ; Jin-Won Kim ; Sang-Hoon Kwon ; Yeon-Hee Kim
Innovative Meteorological Research Department, National Institute of Meteorological Sciences, Seogwipo, Korea

Correspondence to: * Do-Hyun Kim, Innovative Meteorological Research Department, National Institute of Meteorological Sciences, 33 Seohobuk-ro, Seogwipo-si 63568, Korea. Phone: +82-64-780-6642, Fax: +82-64-738-9072 E-mail: dall201@korea.kr

Abstract

Not only emissions, but also atmospheric circulation is a key factor that affects local particulate matters (PM) concentrations in Korea through ventilation effects and transboundary transports. As part of the atmospheric circulation, air stagnation especially adversely affects local air quality due to weak ventilation. This study investigates the large-scale circulation related to air stagnation over Korea during winter and projects the climate change impacts on atmospheric patterns, using observed PM data, reanalysis and regional climate projections from HadGEM3-RA with Modified Korea Particulate matter Index. Results show that the stagnation affects the PM concentration, accompanied by pressure ridge at upper troposphere and weaken zonal pressure gradient at lower troposphere. Downscaling using HadGEM3-RA is found to yield Added-Value in the simulated low tropospheric winds. For projection of future stagnation, SSP5-8.5 and SSP1-2.6 (high and low emission) scenarios are used here. It has been found that the stagnation condition occurs more frequently by 11% under SSP5-8.5 and by 5% under SSP1-2.6 than in present-day climate and is most affected by changes in surface wind speed. The increase in the stagnation conditions is related to anticyclonic circulation anomaly at upper troposphere and weaken meridional pressure gradient at lower troposphere. Considering that the present East Asian winter monsoon is mainly affected by change in zonal pressure gradient, it is worth paying attention to this change in the meridional gradient. Our results suggest that future warming condition increase the frequency of air stagnation over Korea during winter with response of atmospheric circulation and its nonlinearity.

Keywords:

Air stagnation, Modified Korea Particulate matter Index, regional climate model, HadGEM3-RA

1. 서 론

인간의 활동으로 인하여 여러 오염물질이 지속적으로 배출되고 있으며, 이러한 오염물질은 고농도의 미세먼지를 포함하고 있다. 미세먼지는 산란을 통하여 시정을 악화시키는 연무현상을 일으킬 뿐만 아니라 호흡기 및 순환계 질환을 유발하게 되어 이에 대한 관심이 높은 상황이다(Bai et al., 2007; Kan et al., 2007; Kim et al., 2015; Jo et al., 2017). 고농도 미세먼지 발생은 미세먼지 배출원의 영향이 크지만 대기패턴, 특히 대기정체도 연무현상에 기여할 수 있다는 여러 연구들이 존재한다(Lee et al., 2001; Horton et al., 2012; Cai et al., 2017; Lee et al., 2018; Hong et al., 2019). 대기정체는 상하층의 풍속이 약하여 공기의 순환이 원활하지 않은 대기 상태를 말하며, 이는 외부로부터 유입된 미세먼지가 쉽게 빠져나가지 못하게 하는 역할을 한다. 특히 겨울철에는 한반도 주변에 대기정체가 자주 발생하는 동시에 중국으로부터 고농도의 미세먼지가 유입되어 한반도에 연무 현상이 자주 발생한다(Lee et al., 2011). 따라서 미세먼지에 대한 정확한 예측 및 효율적인 대책 수립을 위해서는 미세먼지의 배출원뿐만 아니라 대기정체에 대한 연구도 반드시 필요하다.

산업혁명 이래로 인위적인 활동에 의해 온실가스(Green House Gases; 이하 GHGs)가 누적되고 있으며, 그 중 이산화탄소의 농도는 산업혁명 전의 280 ppm에서 최근에는 증가세가 빨라지며 400 ppm을 돌파하였다. 높은 농도의 온실가스는 동아시아의 기온과 강수뿐만 아니라 바람에도 영향을 주고 있는 것으로 확인되었다. 예를 들어, Yang et al. (2016)은 온실가스 농도 증가로 인하여 1980년부터 2014년의 동안의 겨울철에 중국 동부 하층에 고기압성 순환이 생기며 지상 풍속이 유의미하게 감소되었음을 보여주었다. 또한 현 추세대로 온실가스를 배출할 경우를 가정한 RCP (Representative Concentration Pathway) 8.5 시나리오에 따르면, 21세기 후반부에는 이산화탄소의 농도가 800 ppm을 넘게 될 것으로 예상되고 있다(van Vuuren et al., 2011). 따라서 고농도의 온실가스는 동아시아의 바람 및 대기정체에 영향을 줄 것으로 예상되며, 이에 대하여 전망들이 이루어진 바 있다. 그 중, Xu et al. (2016)은 CMIP5 (Coupled Model Intercomparison Project 5 phase)의 전지구기후모델(Global Climate Model; 이하 GCM) 26종을 이용하여 동아시아 겨울 몬순의 미래 전망을 분석하였으며, RCP8.5 시나리오 하에서 한반도 주변의 북서풍이 다소 약화될 것으로 예상하였다. 또한, Cai et al. (2017)Lee et al. (2018)도 CMIP5의 GCM 모의 자료를 이용하여 RCP8.5 시나리오 하에서 중국 및 한반도의 대기정체가 증가할 것으로 전망하였다.

하지만 GCM을 이용한 연구들은 GCM의 낮은 해상도 때문에 상세한 지역에 대한 분석은 힘들다는 한계를 가진다. 따라서 GCM의 모의 자료를 경계장으로 하여 역학적 상세화를 거쳐 만들어지는 지역기후 모델(Regional Climate Model; 이하 RCM)의 개념이 나오게 되었다. RCM은 지형 및 지표 효과 등을 고려하여 역학적 상세화가 된 고해상도의 모델이기 때문에 GCM에 비하여 더 상세한 해상도의 기후 현상을 모사할 수 있다(즉, Added-Value; 이하 부가 정보). 그렇기 때문에 RCM은 GCM에 비해 상세한 지역에 대한 강수 및 기온을 더 잘 모의하며(Torma et al., 2015; Park et al., 2016; Im et al., 2017), 바람에 대해서도 해안선 및 복잡한 지형을 중심으로 부가 정보가 나타나는 것으로 알려져 있다(Kulkarni et al., 2019). 바람은 대기정체와 밀접한 관계가 있는 요소이므로, RCM을 이용함으로써 대기정체에 대한 더 나은 모의 결과를 기대할 수 있다. 한편, 여러 RCM의 효율적인 자료 관리 및 모델 평가를 위하여 WCRP (World Climate Research Program) 산하에서 CORDEX (Coordinated Regional Climate Downscaling Experiment) 프로젝트가 출범하였다(Giorgi et al., 2009). CORDEX 프로젝트는 여러 지역을 도메인으로 두고 이루어졌으며, 그 중 동아시아 지역에 대해서는 CORDEX-동아시아(East Asia; 이하 EA)가 존재한다. 최근에는 기존 CORDEX-EA에 비하여 모델 해상도를 높인 CORDEX-EA II가 출범하였으며, 본 연구에서는 해당 프로젝트의 산출물 중 하나인 지역기후모델 HadGEM3-RA (Hadley Centre Global Environmental Model version 3 regional model)의 모의자료를 이용하였다(Davies et al., 2005).

본 연구에서는 MKPI 지수와 HadGEM3-RA의 모의 자료를 이용하여 한반도 겨울철 대기정체의 특성과 그 미래전망을 분석하고자 하였다. 다음장인 2장에서는 연구에서 사용된 자료 및 연구 방법을 설명하였다. 3장에서는 한반도 미세먼지와 대기정체의 특성을 분석하고 HadGEM3-RA의 모의 성능을 평가하였으며 이를 바탕으로 미래 대기정체의 빈도를 전망하였다. 마지막으로 4장에서는 본 연구의 내용을 요약하고 결론을 제시하였다.


2. 자료 및 연구 방법

2.1 자료

지역기후모델 HadGEM3-RA의 적분을 위하여 135km의 수평 해상도를 가지는 전지구모델 UKESM (UK Earth System Model)의 모의자료를 경계장으로 사용하였다(Sellar et al., 2019). 적분 영역은 동아시아 전반을 포함하는 CORDEX-EA II 영역을 이용하였으며, 25 km의 수평 해상도를 가진다. HadGEM3-RA의 상세한 내용은 Table 1에 제시되어 있다.

Model configuration and simulation used in this study.

가장 먼저, 지역기후모델의 모의자료를 검증하고 미래기간 동안의 전망에 대한 기준을 설정하기 위해 과거기후 모의 실험(Historical) 자료를 이용하였으며, HadGEM3-RA는 Historical 실험에 대하여 1968년부터 2014년까지 단일 앙상블(ensemble) 멤버의 적분을 수행하였다. 이와 함께, 대기정체의 미래전망을 확인하기 위해서는 특정 환경하에서 기후 요소의 변화를 확인하는 미래 시나리오 자료의 사용이 필요하다. 따라서 CMIP6 (Coupled Model Intercomparison Project 6)에서 새롭게 정의된 공통사회경제경로(Shared Socioeconomic Pathways, 이하 SSP) 시나리오를 이용하였다(Eyring et al., 2016; Riahi et al., 2017). SSP 시나리오는 기후변화 적응 및 완화에 따라 4개의 시나리오로 세분되며, 그 중 HadGEM3-RA는 SSP5-8.5와 SSP1-2.6의 두 시나리오에 대하여 2015년부터 2100년까지 단일 앙상블 멤버의 적분을 수행하였다. SSP5-8.5 시나리오는 기후변화에 대한 적응 능력은 뛰어나지만 화석연료 사용의 의존으로 완화 능력이 낮은 고속성장 경로를 대표하며, 시나리오 중 가장 높은 온실가스 농도를 가정한다. 한편, SSP1-2.6 시나리오는 기후변화에 대한 적응 능력이 뛰어남과 동시에 친환경 기술의 발달로 완화 능력도 높은 지속성장 경로를 대표하며, 시나리오 중 가장 낮은 온실가스 농도를 가정한다. 따라서, 위의 두 SSP 시나리오 하의 HadGEM3-RA 모의자료를 사용함으로써 온실가스 농도에 따른 대기정체의 변화를 살펴보고자 하였다.

대기정체와 관련된 대기패턴 및 지역기후모델 모의 자료의 검증을 위하여 ERA-Interim (European Centre for Medium-Range Weather Forecasts Interim Re-Analysis) 재분석 자료를 사용하였으며, 이 자료는 위도 및 경도에 대하여 0.75°의 수평 해상도를 가진다(Dee et al., 2011). 이 때, HadGEM3-RA, UKESM 및 ERA-Interim의 수평 해상도가 서로 다르므로 자료간 비교를 위하여 세 자료를 HadGEM3-RA의 해상도와 가까운 0.25o × 0.25o의 수평 해상도로 내삽하여 사용하였다. 또한 대기정체와 관련된 분석을 위하여, 모델 모의 자료 및 재분석 자료의 850 hPa, 500 hPa, 지상 동서 및 남북 풍속, 500 hPa 지위고도, 해면기압 등 여러 기후 요소의 일 평균 자료를 사용하였다. 사용한 자료의 기간은 재분석 자료 및 Historical 실험에 대해서는 1985~2014년, SSP5-8.5 및 SSP1-2.6 시나리오에 대해서는 2071~2100년이며, 겨울철 분석을 위하여 12월, 1월 및 2월(DJF)의 자료만 이용하였다.

미세먼지 농도에 따른 사례 분류 및 대기정체와의 관련성을 확인하기 위하여 입경 10 μm 이하 먼지 농도(PM10)의 관측자료를 사용하였다. PM10 자료는 한국환경공단 하의 서울 25개 지점의 자료를 사용하였으며, 2001년부터 2014년까지의 1시간 간격 자료를 이용하였다. 서울 지역의 PM10과 한반도 지역의 PM10 간의 상관계수가 0.74로 크게 나타나므로(Lee et al., 2018), 서울의 25개 지점 자료를 평균하여 한반도 대표 PM10 자료로 사용하였다. 한편, PM10 자료에 대하여 결측 시간이 20% 이상 존재하는 일자는 제외하고 유효한 일자에 대하여 시간 자료를 일 평균하여 사용하였다. 또한, 고농도 사례 중 대기정체와 황사간의 대기패턴은 서로 크게 다르므로(Kim, 2008; Lee et al., 2011; Lee et al., 2018), 황사 발생 시기의 농도 자료는 제외하였다.

2.2 연구 방법

대기정체의 특성 및 미래 전망을 조사하기 위해서는 대기정체를 정의하는 것이 필요하며, 여러 선행연구에서 기후 요소들을 이용하여 대기정체를 정의하기 위한 지수를 고안한 바 있다. Korshover and Angell (1982)은 지상 풍속이 4m s-1 이하, 500 hPa의 풍속이 13m s-1 이하 및 4일 동안의 강수량이 0.01mm 이하의 조건을 충족하는 날을 대기정체 발생일로 정의하였다. 또한 Wang et al. (2018)은 일 강수량 1mm 이하의 임계값을 이용하는 한편 지상 풍속과 경계층 고도의 임계값을 계절과 지역에 따라 달라지게 하여 대기정체 발생일을 정의하였다. 하지만 특정 임계값을 이용한 지수는 대기정체의 발생은 정의할 수 있지만 그 강도는 정량화 할 수 없다는 한계를 가진다. 따라서 대기정체의 발생뿐만 아니라 강도를 정량화하기 위하여 기후 요소의 아노말리를 이용한 연구들이 존재한다. Cai et al. (2017)은 상하층 간의 기온 편차, 850hPa의 남북 풍속 및 500 hPa의 동서 풍속의 아노말리를 이용하여 중국지역의 대기정체 강도를 정량화하였다. 이와 함께 Lee et al. (2018)은 500 hPa 지위고도, 500 hPa 동서 풍속 및 850 hPa 남북 풍속의 아노말리를 이용하여 한반도의 대기정체 강도를 정량화하였다. 위의 연구들은 특정 영역의 아노말리를 평균하여 지수를 산출했기 때문에 사용한 분석 영역에 따라 지수의 대상 지역 및 결과가 달라질 수 있다.

따라서 본 연구에서는 한반도 지역 대기정체의 강도를 정량화하기 위하여 Lee et al. (2018)이 정의한 KPI (Korean Particulate matter Index)를 채택하였다. KPI 지수는 한반도 주변 영역의 앞서 언급한 세 가지 기후 요소의 값을 이용하여 대기정체와 관련이 있는 대기패턴의 강도를 정량화한다. 즉, 25-40oN, 115-135oE의 850 hPa 남북 풍속(Va850), 45-55oN, 110-140oE 및 30-40oN, 110-140oE의 500 hPa 동서 풍속(Ua500), 35-50oN, 110-140oE의 500 hPa 지위고도(Zg500)의 기후 요소들을 이용하며, 각각 하층 대류권의 북풍 강도, 상층 대류권의 제트기류 강도 및 기압골(기압능)을 나타낸다. 이 때, Ua500에 대해서는 북쪽 영역과 남쪽 영역 평균의 차를 계산함으로써 제트기류의 강도를 나타내었으며, 자세한 계산 방법은 본 절의 마지막 문단에 기술되어 있다.

한편, 한반도에 대기정체가 발생할 때, 대류권 상층 제트기류의 북상과 함께 한반도 상공에 양의 지위고도 아노말리가 나타나며 대기정체가 나타나지 않을 때는 반대의 모습이 나타나는 경향이 있다. 따라서 KPI에 사용된 Ua500과 Zg500은 중복된 기후 요소의 변화를 반영한다고 할 수 있다. 또한 KPI 기반의 대기정체 빈도가 미래 기간에 비현실적으로 크게 나타나는 문제점이 존재하였으며, 이는 지구온난화 하에서 Zg500의 큰 상승이 반영되었기 때문임이 확인되었다. 따라서 대기정체의 정량화에 있어 기후 요소 Zg500 대신에 새로운 기후 요소를 반영하고, 대기정체의 현실적인 빈도 변화를 계산하기 위해서 기존의 KPI를 개선한 지수의 필요성이 제기되었다.

Kim et al. (2017)은 서울 지점의 PM10과 지상 풍속(SurWind)의 관계를 확인하였으며, 두 기후 요소가 서로 뚜렷한 음의 상관관계를 가짐을 나타내었다. 이는 SurWind의 변화가 바람에 의한 환기 효과를 반영할 수 있음을 의미한다. 따라서 본 연구에서는 기후 요소 Zg500을 대신하여 SurWind를 대기정체의 정량화에 사용함으로써 MKPI (Modified KPI)를 고안하였다. 이 때, MKPI의 계산에 Va850과 Ua500에 대해서는 KPI에 사용되었던 영역을, SurWind에 대해서는 Va850과 동일한 영역을 사용하였다(Fig. 1).

Fig. 1.

Areas used to calculate MKPI.

MKPI의 상세한 계산 과정은 다음과 같다. 첫 번째로, 각 기후 요소(i)의 아노말리(anomi) 를 각 격자 및 특정 기간에 대하여 계산한다. 이 때, 아노말리는 기후 요소의 값(vali)에 대하여 1985~2014년(기준 기간) 동안의 평균(meani)으로 나누어 산출되며, 시간(t) 및 공간(x, y)을 가지는 3차원의 값으로 나오게 된다. 즉,

anomit,x,y=valit,x,ymeanix,y(1) 

기후 요소들은 서로 인과관계를 가지며 변화하므로, 각 기후 요소에 대해 표준화를 시킬 필요가 있다(Cai et al., 2017; Lee et al., 2018). 따라서 계산된 아노말리를 기준 기간의 시계열 표준편차(stdi)로 나누어 표준화된 아노말리(normi)를 산출하였으며, 이는 다음과 같다.

normit,x,y=anomit,x,ystdix,y(2) 

세 번째로, 표준화된 아노말리를 기후 요소 별로 정해진 영역(dAi)에 대해서 평균을 하여 영역 평균된 값(FMi)을 산출한다. 이 때, 기후 요소 Ua500에 대해서는 북쪽 영역의 영역 평균 값을 남쪽 영역의 영역 평균값으로 빼준다. 즉,

FMit=Σnormit,x,ydAΣdA(3) 

마지막으로, 기후 요소의 영역 평균된 값들(FMVa850, FMUa500, FMSurWind)을 모두 더해준 뒤, 생성된 시계열의 표준편차(stdMKPI)로 다시 표준화를 시켜준다. 이 때, SurWind는 낮은 값일수록 대기정체 발생에 유리하므로, -1을 곱하여 준다. 곧, MKPI는 다음과 같이 정의된다.

MKPItFMVa850t+FMUa500t+-1*FMSurWindtstdMKPI(4) 

계산된 MKPI는 약 -3에서 3의 값을 갖게 되며, 값이 클수록 대기정체의 강도가 강한 것을 의미한다.


3. 연구 결과

3.1 한반도 미세먼지와 대기정체의 특성

미세먼지와 대기정체간의 연관성을 확인하기 위하여, 겨울철 일별 사례에 대한 PM10 관측자료와 ERA-Interim 재분석자료를 이용하여 계산된 MKPI를 비교하였다. 이 때, PM10 농도를 세계보건기구(WHO)의 권장 기준(일 평균 농도 50 μg m-3 미만)에 따라 구분하였다(WHO, 2016). 즉, ‘좋음’(30 μg m-3 미만), ‘보통’(30 μg m-3 이상, 50 μg m-3 미만), ‘나쁨’(50 μg m-3 이상, 100 μg m-3 미만), ‘매우 나쁨’(100 μg m-3 이상)의 구간으로 나누었으며, ‘나쁨’ 및 ‘매우 나쁨’ 구간에 대해서는 고농도, ‘좋음’ 및 ‘보통’ 구간에 대해서는 저농도 미세먼지 사례로 구분하였다.

Figure 2는 2001~2014년도의 PM10에 따른 MKPI의 히스토그램이며, (a)는 빈도(days), (b)는 비율(%)로 표현되어 있다. 비 대기정체 사례(MKPI 0 미만)에 대해서, 저농도 미세먼지 사례가 더 자주 나타난 것을 확인할 수 있다. 특히, 대기정체 강도가 매우 약한 사례(MKPI -1 미만)에 대해서는 저농도 사례인 경우가 70% 이상을 차지하고 있다. 하지만 대기정체 사례(MKPI 0 이상)에 대해서는 반대의 모습이 나타났으며, 특히 대기정체 강도가 매우 강한 사례(MKPI 1 이상)에 대해서는 고농도 사례인 경우가 80% 이상을 차지하고 있다. 따라서 대기정체가 발생한 경우 대부분 고농도의 미세먼지가 동반되는 것을 확인할 수 있으며, 그 반대의 경우도 마찬가지이다.

Fig. 2.

Distributions of MKPI represented as (a) frequency and (b) ratio. It is for period of 2001~2014 DJF. The MKPI is derived from ERA-Interim. The colors of bar plot indicate observed PM10 criteria of dark red: equal or more than 100 μg m-3, red: 50~99 μg m-3, blue: 30~49 μg m-3 and sky blue: less than 30 μg m-3. The units are (a) days and (b) percent.

다음으로, 미세먼지 농도 및 대기정체 강도에 따른 대기패턴을 비교하였으며, 하층(850 hPa 바람 벡터 및 해면 기압) 및 상층(500 hPa 바람 벡터 및 지위고도)의 표준화된 아노말리를 분석하였다. Figure 3은 고농도 미세먼지 및 대기정체 사례일 때의 상층과 하층의 대기패턴을 나타내고 있다. 고농도 사례에 대하여, 한반도 상층에 양의 아노말리 지위고도(즉, 기압능)가 위치해 있는 것을 확인할 수 있다(Fig. 3a). 하층에 대해서는 한반도 서쪽의 대륙에 음의 해면기압 아노말리가 위치하고, 동쪽의 해양에 양의 해면기압 아노말리가 위치하고 있는 것을 확인할 수 있다(Fig. 3c).

Fig. 3.

Geographical distributions for normalized anomalies of wind vector at (a, b) 500 hPa and (c, d) 850 hPa in cases with (a, c) PM10 equal or more than 50 μg m-3 and (b, d) MKPI equal or more than 0 from 2001~2014 DJF. The field is derived from ERA-Interim. Shadings indicate normalized anomalies of (a, b) geopotential height and (c, d) mean sea level pressure. The anomalies are based on period of 1985~2014 DJF.

이러한 고농도 사례의 대기패턴과 대기정체 사례의 대기패턴을 비교하였다. 대기정체 사례의 상층에 대하여, 고농도 사례와 동일하게 한반도 상공에 기압능아노말리가 확인되었다(Fig. 3b). 기압능은 고기압성 순환을 만들며, 곧 상층의 제트기류를 북쪽으로 움직이게 한다. 그러므로 한반도 상층에는 상대적으로 따뜻한 공기가 위치하게 되며, 이는 대기의 연직 순환을 어렵게 만든다. 또한, 한반도 상층 기압능의 존재는 하층의 고기압과 저기압을 약화시키는 역할을 한다. 하층에 대해서도, 고농도 사례와 동일하게 동서간의 기압경도가 약화되는 해면기압 아노말리 패턴이 확인되었다(Fig. 3d). 동아시아 겨울철에는 대륙과 해양간의 비열 차이로 인하여 대륙에는 고기압이, 해양에는 저기압이 발달하게 된다. 따라서 위와 같은 해면기압 아노말리는 하층 동서 기압경도의 감소를 뜻하며, 곧 한반도의 겨울철 주풍인 북서풍은 약화하게 된다. 하층 북서풍의 약화 또한 대기흐름을 어렵게 만들어 대기정체를 유발한다. 한편, 고농도 미세먼지 사례인 경우와 대기정체 사례인 경우의 표준화된 아노말리의 강도가 다소 다르게 나타나고 있다. 하지만 상층 지위고도 간의 패턴 상관계수가 0.96, 하층 해면기압 간의 패턴 상관계수가 0.92 이므로 고농도 사례와 대기정체 사례는 서로 유사한 대기패턴을 동반하는 것으로 판단하였다.

Figure 4는 저농도 미세먼지 및 비 대기정체 사례일 때의 상층 및 하층의 대기패턴을 나타내고 있다. 저농도 사례에 대해서는 고농도 사례와 반대의 대기 패턴이 나타났다. 즉, 상층에 대해서는 한반도 북동쪽에 음의 지위고도 아노말리(즉, 기압골)가 나타났으며(Fig. 4a), 하층에 대해서는 한반도 서쪽에 양의 해면기압 아노말리, 동쪽에 음의 해면기압 아노말리가 나타났음을 확인하였다(Fig. 4c).

Fig. 4.

Same as Fig. 3, except for in cases with (a, c) PM10 less than 50 μg m-3 and (b, d) MKPI less than 0.

이러한 저농도 사례의 대기패턴과 비 대기정체 사례의 대기패턴을 비교하였다. 먼저, 상층에서 저농도 사례와 동일하게 한반도 상공의 기압골 아노말리를 확인할 수 있다(Fig. 4b). 기압골은 기압능과는 반대로 상층의 제트기류를 남하시켜 한반도 상공에 차가운 공기를 위치하게 만들며, 이는 대기의 연직 순환을 원활하게 한다. 또한, 상층 기압골의 하층에 대한 영향은 기압능의 영향과 반대로 일어나게 되어 하층의 고기압과 저기압을 강화시킨다. 하층에 대해서도 저농도 사례와 동일하게 한반도 서쪽에 양의 해면기압 아노말리, 동쪽에 음의 해면기압 아노말리를 확인할 수 있다(Fig. 4d). 이는 하층의 동서 기압경도 및 북서풍의 강화를 의미한다. 따라서 하층의 바람 순환이 원활해져 대기정체에 불리한 조건이 만들어지게 된다. 한편, 상층과 하층 모두 저농도 사례와 비교하여 표준화된 아노말리의 강도 차이가 나타나고 있다. 하지만 상층 지위고도 아노말리 사이의 패턴 상관계수가 0.8, 하층 해면기압 사이의 패턴 상관계수가 0.93으로 충분히 높은 것을 확인할 수 있다. 따라서 저농도 사례와 비 대기정체 사례도 서로 유사한 대기패턴을 동반하는 것으로 판단하였다.

이번 절에서는 2001~2014년 동안의 일별 사례를 통하여 한반도 미세먼지와 대기정체의 특성을 분석하였다. 그 결과, 대기정체가 발생하였을 때는 대부분 고농도 미세먼지가 동반되는 것으로 나타났다. 또한 고농도 사례와 대기정체 사례의 대기패턴이 서로 비슷함을 확인하였으며, 이러한 동시 발생 및 대기패턴의 유사성은 저농도 사례와 비 대기정체 사례의 사이에서도 동일하게 나타났다. 따라서 한반도 주변의 대기정체는 미세먼지 농도에 큰 영향을 끼치는 요소임을 확인할 수 있다.

3.2 지역기후모델 HadGEM3-RA의 모의 성능 평가

3.1절에서 나타낸 바와 같이, 대기정체는 상하층의 약한 바람 조건에서 발생한다. 그러므로 모델이 대기정체를 정확하게 정량화하기 위해서는 약한 바람을 포함한 상하층의 바람을 관측과 유사하게 모의하여야 한다. 따라서 이번 절에서는 대기정체 정량화에 사용된 기후 요소(SurWind, Va850, Ua500)에 대한 HadGEM3-RA의 모의 성능을 평가하려고 한다. 이를 위하여, HadGEM3-RA와 지역기후모델의 경계장으로 사용되었던 전지구기후모델(UKESM)의 모의자료 중 Historical 실험 및 관측자료로써 재분석자료(ERA-Interim)를 이용하였다. 해당 평가에는 앞서 대기정체 정량화에 언급되었던 기후 요소에 따른 사용 영역 및 기간을 동일하게 이용하였다.

Figure 5는 시간(time steps) 및 격자(grid points)에 대한 세 가지 기후 요소[(a) SurWind, (b) Va850, (c) Ua500]의 빈도 분포도이며, HadGEM3-RA, UKESM, ERA-Interim에 대하여 각각 하늘색 막대, 오렌지색 막대, 검은색 점으로 표시되어 있다. 가장 먼저, ERA-Interim의 SurWind 빈도 분포는 양의 비대칭도를 가지고 있으며, 2~2.5 m s-1에서 가장 많은 사례를 보이고 있다(Fig. 5a). 그러나 UKESM의 빈도 분포는 이보다 더 큰 양의 비대칭도를 가지며, 1~1.5 m s-1에서 가장 많은 사례를 보이고 있다. HadGEM3-RA의 빈도 분포도 양의 비대칭도를 가지고 있으나, 1.5 m s-1 이하의 빈도에 대해서 ERA-Interim에 좀 더 가까이 빈도를 모의함으로써, 앞선 UKESM과 ERA-Interim간의 빈도 차이를 해소하였다. 이는 HadGEM3-RA가 지상의 약한 풍속 모의에 대하여 부가 정보를 가짐을 의미한다. 곧, 약한 풍속은 대기정체 발생에 큰 역할을 하므로 이러한 부가 정보는 대기정체 정량화에 있어 중요하다고 할 수 있다.

Fig. 5.

Distribution of frequency for (a) Surwind, (b) Va850 and (c) Ua500. The frequency is from corresponding time step and grid. The orange and navy blue bar indicates results by RCM (HadGEM3-RA) and GCM (UKESM), respectively. The black dot indicates result of reanalysis (ERA-Interim). Period from 1985 to 2014 DJF is used. Unit of abscissa axis is m s-1.

다음으로 Va850를 살펴보면, HadGEM3-RA, UKESM, ERA-Interim의 빈도 분포 모두 양의 비대칭도를 가지고 있다(Fig. 5b). 이 때, HadGEM3-RA의 빈도 분포가 UKESM에 비해 ERA-Interim의 빈도 분포에 더 유사한 것을 확인할 수 있다. 특히, -4~2 m s-1의 약한 풍속에 대해서는 빈도 분포 차이가 더 크게 나타나고 있다. 즉, Va850에 대해서도 HadGEM3-RA가 약한 풍속의 모의에 대해서 부가 정보를 가짐을 의미한다. 위에서 언급한 것처럼, 약한 Va850에 대한 부가 정보도 대기정체를 정량화 하는데 있어 중요하다고 할 수 있다.

마지막으로 Fig. 5c는 Ua500에 대하여 빈도 분포를 비교하고 있다. 양의 비대칭도를 가졌던 SurWind 및 Va850에 비하여, Ua500에 대해서는 15~20 m s-1를 중심으로 정규 분포에 가까운 모습을 띄고 있다. 또한 모의 자료 및 재분석자료의 Ua500에 대한 빈도 분포는 서로 차이가 크지 않은 것을 확인할 수 있다. 즉, HadGEM3-RA와 UKESM 모두 Ua500을 재분석자료와 유사하게 모의하였음을 의미한다.

이번 절에서는 대기정체 정량화에 이용된 기후 요소들에 대하여 HadGEM3-RA와 UKESM 및 ERA-Interim의 빈도 분포를 비교하였다. HadGEM3-RA는 UKESM에 비하여 약한 풍속의 SurWind 및 Va850을 ERA-Interim에 더 유사하게 모의하였다. 즉, HadGEM3-RA의 부가 정보가 하층의 약한 풍속을 중심으로 나타나는 것을 확인할 수 있다. 따라서, HadGEM3-RA는 바람에 대한 모의를 개선시켜 재분석자료와 유사하게 모의하였기 때문에 해당 모델을 사용함으로써 더 정확한 대기정체 정량화가 이루어질 것으로 판단하였다.

3.3 한반도 대기정체의 미래 전망

본 절에서는 MKPI와 HadGEM3-RA의 모의자료를 이용하여 한반도의 미래 대기정체 빈도를 전망하였다. 이 때, 고농도 온실가스 시나리오인 SSP5-8.5와 저농도 온실가스 시나리오인 SSP1-2.6 자료를 사용하여 지구온난화 정도에 따른 빈도 변화를 비교하였다. 또한 대기정체의 지속 시간 및 대기정체와 관련된 대기패턴의 변화도 제시하였다.

Figure 6는 SSP5-8.5 시나리오 조건에서 HadGEM3-RA가 모의한 MKPI 및 Va850, Ua500, SurWind의 빈도 분포를 Historical 실험하의 빈도 분포와 비교하고 있다. Historical 및 SSP5-8.5 조건에서의 MKPI의 빈도 분포는 다소 음의 비대칭도를 가지고 있으며, 이는 MKPI 계산에 사용되었던 세 가지 기후 요소가 제각기 다른 비대칭도를 가지며 지수 계산에 복합적으로 작용하였던 것으로 보인다. 해당 모습은 Lee et al. (2018)의 KPI 분포에서도 확인된 바 있다. Historical 하에서의 MKPI 빈도 분포는 0을 중심으로 이루어져 있으며, MKPI가 0을 넘는 연간 일수가 46.4일로 나타났다. 하지만 SSP5-8.5 조건에서는 MKPI 빈도 분포가 Historical 하의 분포에 비하여 우측으로 이동하며, MKPI가 0 이상인 연간일수가 51.4일로 통계적으로 유의하게 증가할 것으로 예상되었다. 즉, Historical에 비해 SSP5-8.5 조건에서 MKPI가 0 이상인 연간 일수가 5일(약 11%) 증가해 대기정체의 빈도가 크게 증가할 것임을 의미하고 있다. 이러한 대기정체의 빈도 증가에는 세 가지 기후 요소 모두가 통계적으로 유의하게 변화하며 기여를 할 것으로 확인되었으며, 특히 지상 풍속이 크게 영향을 줄 것으로 나타났다. 즉, 표준화된 아노말리가 0이 넘는 연간 일수에 대하여, Va850은 연간 43.1일에서 연간 45일, Ua500은 연간 46.3일에서 47일, SurWind는 연간 48.1일에서 55.7일로 SurWind의 변화가 대기정체 빈도에 가장 크게 영향을 끼칠 것으로 예상되었다.

Fig. 6.

Normalized distribution of frequency for MKPI and three climate components used for the index. The distributions are from simulation by HadGEM3-RA. The distributions are under present (Historical experiment of 1985 to 2014 DJF) and high GHGs (SSP5-8.5 scenario of 2071 to 2100 DJF) climate illustrated as blue and red bar, respectively. MKPI and climate components were normalized by corresponding standard deviation of present climate. Days when each normalized value exceeds 0 under present climate and high GHGs climate are displayed on upper left and right corner. Significance level by the Kolmogorov-Smirnov test is shown on upper right corner as asterisk, ***: 1%, **: 5% and *: 10%.

Figure 7는 SSP1-2.6 하에서의 MKPI 및 세 가지 기후 요소의 빈도를 Historical 하에서의 빈도와 비교하고 있다. SSP1-2.6 조건에서는 MKPI가 0이 넘는 연간 일수가 48.7일로 나타나 통계적으로 유의하게 증가할 것으로 예상되었지만, 그 증가는 2.3일(약 5%)에 그칠 것으로 나타났다. 이러한 빈도 증가의 둔화에는 지상 풍속 증가세의 감소가 크게 영향을 끼친 것으로 확인되었다. 즉, 표준화된 아노말리가 0이 넘는 연간 일수에 대하여, Va850과 Ua500은 각각 연간 44.5일 및 46.7일로 SSP5-8.5와 비교하여 큰 차이가 없었으나, SurWind에 대해서는 연간 51.7일로 SSP5-8.5에 비하여 연간 4일이 크게 감소하였다. 따라서 온실가스 농도에 대하여 Va850 및 Ua500 보다는 SurWind가 가장 민감하게 반응하여 대기정체의 빈도에 영향을 끼칠 것으로 예상되었다.

Fig. 7.

Same as Fig. 6, except for SSP1-2.6 scenario.

Figure 8은 심한 대기정체가 평균적으로 지속되었던 기간을 각 시나리오 및 Historical 실험에 대하여 비교하고 있다. 이 때, 심한 대기정체는 MKPI가 1 이상이었던 사례로 정의하였다. Historical 실험 하에서의 심한 대기정체의 평균 지속기간을 살펴보면, 지속기간 1일이 연간 3.3회, 2일이 연간 2.2회 등 평균적으로 심한 대기정체는 연평균 2.08일 지속되는 것으로 확인되었다. 하지만, SSP5-8.5 하에서는 지속기간 4~5일의 빈도가 크게 늘어날 것으로 나타났다(Fig. 8a). 이에 따라, 연평균 지속기간은 2.32일로 Historical에 비해 약 12% 증가할 것으로 예상되었다. 한편, SSP1-2.6 조건에서는 연평균 지속기간이 2.14일로 Historical에 비해 증가할 것으로 예상되었으나, 그 증가세는 SSP5-8.5에 비해 작을 것으로 나타났다(Fig. 8b). 즉, 미래 시나리오 조건에서는 대기정체의 빈도뿐만 아니라 지속 기간도 늘어날 것으로 예상되었으며, 그 정도는 온실가스의 농도에 비례할 것임을 확인하였다.

Fig. 8.

Distribution of days per extreme air stagnation event simulated by HadGEM3-RA. The distributions are under present and (a) high GHGs and (b) low GHGs climate. The extreme air stagnation event is defined as day when MKPI is equal or more than 1. Blue bar (red bar) indicates under present climate of 1985 to 2014 ((a) high and (b) low GHGs of 2071 to 2100) DJF. Mean days per event under present climate ((a) high and (b) low GHGs) are displayed on upper left (right).

Figure 9은 SSP5-8.5 시나리오 하에서의 500 hPa 바람벡터와 지위고도 및 850 hPa 바람벡터와 해면기압의 아노말리를 나타내고 있으며, 이와 함께 기준 기간에 대한 500 hPa 동서 풍속과 850 hPa 남북 풍속의 기후값을 보여주고 있다. 우선 상층의 아노말리를 살펴보면, 동아시아 전역에서 고농도 온실가스에 의해 지위고도가 상승할 것으로 예상되고 있다(Fig. 9a). 하지만 한반도를 포함한 중위도 지방에서는 지위고도가 비교적 크게 상승하며, 고위도와 저위도 지방에서는 지위고도가 비교적 작게 상승할 것으로 보이고 있다. 따라서 중위도 지방을 중심으로 고기압성 바람 순환이 약하게 생성될 것으로 전망된다. 이 때, 고기압성 순환이 생성됨에 따라 한반도 남쪽의 제트기류가 강한 지역에서는 동풍 아노말리가, 북쪽의 약한 지역에서는 서풍 아노말리가 약하게 나타날 것으로 예상되며, 이는 곧 제트기류가 다소 북상할 것임을 의미한다. 다음으로 대류권 하층의 아노말리를 살펴보면, 한반도를 중심으로 남쪽에서는 해면기압이 증가하고, 북쪽으로는 해면기압이 감소할 것으로 예상되고 있다(Fig. 9b). 앞서 언급했듯이 동아시아 겨울철 몬순은 동서 기압경도로 인해 발생된 북서풍이 주된 특징이다. 하지만 고농도 온실가스 하에서는 한반도 남쪽의 고기압 아노말리와 북쪽의 저기압 아노말리로 인해 남서풍이 강화될 것으로 예상되고 있다. 즉, 북서풍의 약화가 아닌 남서풍의 강화로 인해 동아시아 겨울 몬순 시스템이 변화할 것이라는 점은 주목할 필요가 있다. 기존의 북풍이 우세했던 한반도 지역에서 남서풍의 강화는 상대적으로 북풍을 약화시키므로 해당 지역의 대기정체에 영향을 끼치게 된다. 정리하면, SSP5-8.5 시나리오 조건에서 상층에서는 약한 기압능으로 인한 제트기류의 북상이, 하층에서는 남북 기압경도 강화로 인한 남서풍의 강화가 한반도 대기정체의 빈도에 영향을 끼칠 것으로 확인되었다.

Fig. 9.

Geographical distributions for anomalies of wind vector (m s-1) at (a) 500 hPa and (b) 850 hPa under SSP5-8.5 scenario for period of 2071~2100 DJF. The projections are simulated by HadGEM3-RA. Shadings indicate anomalies of (a) geopotential height (m) at 500 hPa and (b) mean sea level pressure (hPa). Navy blue contours indicate climatologies of (a) 500 hPa zonal and (b) 850 hPa meridional wind speed (m s-1). The anomalies and climatologies are based on Historical experiment for period of 1985~2014 DJF.

앞서 언급됐듯이, CMIP5의 GCM을 이용한 여러 선행연구가 고농도 온실가스 환경이 한반도 대기정체 발생에 유리한 대기패턴을 형성할 것으로 예상한 바 있다(Xu et al., 2015; Cai et al., 2017). 해당 연구에서는 이러한 대기패턴의 변화가 해양에 비해 육지가 더 빨리 가열되는 해양-육지간 온난화 차이에 기인할 것으로 보았다. 해양-육지간 온난화 차이에 의하여 하층 대기에 대하여 북태평양을 중심으로 양의 해면 기압 아노말리, 극지방을 중심으로는 음의 해면 기압 아노말리가 나타나 북반구 중위도와 고위도 전반에 양의 극 진동(Arctic Oscillation) 패턴이 나타날 것으로 예상하였다. 이에 따라 북태평양에는 고기압성 순환이 생기게 되고, 순환의 서쪽에 위치한 한반도 및 중국 동부에는 남풍 또는 남서풍이 강화하게 되는 대기순환이 나타나게 된다. 또한, 해양-육지간 온난화 차이는 상층에 대해서도 기압골의 남하 정도를 줄여 제트기류가 북상하는데 기여할 것으로 예상되었다.


4. 요약 및 결론

본 연구에서는 한반도의 고농도 미세먼지와 관련이 깊은 대기정체 빈도의 미래 변화를 대기패턴의 변화와 연관 지어 전망하였다. 이를 위하여 지역기후모델 HadGEM3-RA의 모의자료를 사용하였으며, 과거 기후를 대표하는 Historical 실험 및 미래의 고농도 온실가스를 가정하는 SSP5-8.5와 저농도 온실가스를 가정하는 SSP1-2.6 시나리오 자료를 이용하였다. 또한 대기정체를 정량화하기 위하여 Lee et al. (2018)에서 쓰였던 KPI를 보완한 MKPI를 사용하였다.

한반도의 미세먼지와 대기정체의 특성을 분석한 결과, 대기정체 사례에 대해서는 대부분 고농도의 미세먼지가 동반되었음을 확인하였다. 또한 고농도 사례 및 대기정체 사례 모두 한반도 상층의 제트기류 북상과 하층의 동서 기압경도 감소 대기패턴 조건에서 발생하였다. 이러한 동시 발생 및 대기 패턴의 유사성은 저농도 및 비 대기정체 사례 사이에서도 동일하게 나타났다. 즉, 대기정체가 미세먼지 농도에 큰 영향을 주는 요소임을 확인할 수 있었다. 다음으로 대기정체 정량화에 사용되는 기후 요소에 대한 HadGEM3-RA의 모의 성능을 평가하였으며, Va850과 SurWind의 약한 풍속을 중심으로 부가 정보가 나타났다. 하층의 약한 풍속에 대한 부가 정보는 대기정체와 연관이 깊으므로 이를 정량화 함에 있어 중요하다고 할 수 있다.

본격적인 분석으로, MKPI와 HadGME3-RA의 모의자료를 이용하여 한반도 대기 정체의 미래 변화를 전망하였다. Historical 실험 하에서는 대기정체의 빈도가 연평균 46.4일로 확인되었지만, SSP5-8.5 시나리오 하에서는 대기정체의 빈도가 연평균 51.4일로 약 11%가 증가할 것으로 예상되었다. 대기정체 빈도 증가에는 Va850과 Ua500에 비하여 SurWind의 영향이 가장 클 것으로 나타났다. 반면, SSP1-2.6 시나리오 조건에서는 대기정체의 빈도가 SSP5-8.5 조건에서 보다 적게 증가할 것으로 전망되었다. 이와 함께 심한 대기 정체의 지속 기간 변화도 제시하였다. Historical 실험 하에서는 심한 대기정체가 연 평균 2.08일 지속될 것으로 확인되었으나, SSP5-8.5 시나리오 하에서는 연평균 2.32일 지속되어 평균 지속 기간이 약 12% 증가할 것으로 예상되었다. 한편, SSP1-2.6 시나리오 조건에서는 심한 대기정체의 지속 기간도 SSP5-8.5 시나리오에 비해 줄어들 것으로 전망되었다.

위의 대기정체 빈도 변화를 뒷받침하기 위하여 이에 관련된 대기패턴의 미래 변화를 분석하였다. 한반도 상층에서는 약한 기압능이 발생하여 제트기류가 다소 북상할 것으로 전망되었다. 이와 함께 하층에서는 한반도 남북으로 기압경도가 강해져 남서풍이 강화될 것으로 예상되었다. 동아시아 겨울 몬순은 동서기압경도 하에서 북서풍의 변화가 주가 되는 것을 고려하였을 때, 이러한 남서풍의 강화는 주목할 필요가 있다.

정리하면, 보완된 대기정체 지수와 지역기후모델의 모의 자료를 이용하여 한반도 대기정체의 빈도 변화를 전망하였으며, 그 결과 저농도에 비해 고농도 온실가스 시나리오 하에서 대기정체의 빈도 증가가 클 것으로 예상되었다. 이러한 온실가스의 영향과 함께, 상층 바람에 비해 하층 바람이 대기정체 빈도에 더 큰 영향을 주는 등 대기패턴 반응의 비선형성도 예상되었다. 따라서 한반도의 대기정체 연구를 위해서는 온실가스의 영향뿐만 아니라 이에 동반되는 대기패턴 변화의 특성도 함께 고려해야 될 것으로 사료된다.

한편, 본 연구는 단일 지역기후모델의 모의 자료를 사용하여 진행되었다. 이는 연구 결과가 모델의 계통 오차에 큰 영향을 받을 수 있다는 한계를 의미한다. 해당 문제를 해소하기 위해서는 다수의 지역기후모델의 모의 자료를 이용하는 다중 모델 앙상블(Multi Model Ensemble; 이하 MME) 분석이 필요하다. 기온 및 강수에 대하여, 단일 모델에 비해 MME가 관측자료와 더 유사하게 모의하였다는 여러 연구가 있으며(Kim et al., 2014; Park et al., 2016; Im et al., 2017), 이는 대기정체의 정량화에도 해당될 것으로 예상된다. 따라서 향후 연구에서는 다수의 지역기후모델 모의 자료를 사용하여 해당 연구의 불확실성을 줄 일 예정이다.

Acknowledgments

본 논문의 개선을 위해 좋은 의견을 제시해 주신 두 분의 심사위원께 감사를 드립니다. 이 연구는 기상청 국립기상과학원 「AR6 기후변화시나리오 개발·평가」(KMA2018-00321)의 지원을 통해 수행되었습니다.

References

  • Bai, N., M. Khazaei, S. F. van Eeden, and I. Laher, 2007: The pharmacology of particulate matter air pollution-induced cardiovascular dysfunction. Pharmacol. Ther., 113, 16-29. [https://doi.org/10.1016/j.pharmthera.2006.06.005]
  • Cai, W., K. Li, H. Liao, H. Wang, and L. Wu, 2017: Weather conditions conducive to Beijing severe haze more frequent under climate change. Nature Clim. Change, 7, 257-262. [https://doi.org/10.1038/nclimate3249]
  • Davies, T., M. J. P. Cullen, A. J. Malcolm, M. H. Mawson, A. Staniforth, A. A. White, and N. Wood, 2005: A new dynamical core for the Met Office’s global and regional modelling of the atmosphere. Q. J. R. Meteorol. Soc., 131, 1759-1782. [https://doi.org/10.1256/qj.04.101]
  • Dee, D. P., and Coauthors, 2011: The ERA-Interim reanalysis: configuration and performance of the data assimilation system. Q. J. R. Meteorol. Soc., 137, 553-597.
  • Eyring, V., S. Bony, G. A. Meehl, C. A. Senior, B. Stevens, R. J. Stouffer, and K. E. Taylor, 2016: Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geosci. Model Dev., 9, 1937-1958. [https://doi.org/10.5194/gmd-9-1937-2016]
  • Giorgi, F., C. Jones, and G. R. Asrar, 2009: Addressing climate information needs at the regional level: the CORDEX framework. WMO Bulletin, 58, 175-183.
  • Hong, C., and Coauthors, 2019: Impacts of climate change on future air quality and human health in China. Proc. Natl. Acad. Sci., 116, 17193-17200. [https://doi.org/10.1073/pnas.1812881116]
  • Horton, D. E., Harshvardhan, and N. S. Diffenbaugh, 2012: Response of air stagnation frequency to anthropogenically enhanced radiative forcing. Environ. Res. Lett., 7, 044034. [https://doi.org/10.1088/1748-9326/7/4/044034]
  • Im, E.-S., Y.-W. Choi, and J.-B. Ahn, 2017: Worsening of heat stress due to global warming in South Korea based on multi-RCM ensemble projections. J. Geophys. R. Atmos., 122, 444-11461. [https://doi.org/10.1002/2017JD026731]
  • Jo, E.-J., and Coauthors, 2017: Effects of particulate matter on respiratory disease and the impact of meteorological factors in Busan, Korea. Resp. Med., 124, 79-87. [https://doi.org/10.1016/j.rmed.2017.02.010]
  • Kan, H., S. J. London, G. Chen, Y. Zhang, G. Song, N. Zhao, L. Jiang, and B. Chen, 2007: Differentiating the effects of fine and coarse particles on daily mortality in Shanghai, China. Environ. Int., 33, 376-384. [https://doi.org/10.1016/j.envint.2006.12.001]
  • Kim, H.-C., and Coauthors, 2017: Recent increase of surface particulate matter concentrations in the Seoul Metropolitan Area, Korea. Sci. Rep., 7, 4710. [https://doi.org/10.1038/s41598-017-05092-8]
  • Kim, J., 2008: Transport routes and source regions of Asian dust observed in Korea during the past 40 years (1965–2004). Atmos. Environ., 42, 4778-4789. [https://doi.org/10.1016/j.atmosenv.2008.01.040]
  • Kim, J., and Coauthors, 2014: Evaluation of the CORDEX-Africa multi-RCM hindcast: systematic model errors. Clim. Dyn., 42, 1189-1202. [https://doi.org/10.1007/s00382-013-1751-7]
  • Kim, S.-H., and Coauthors, 2015: Effects of particulate matter in ambient air on the development and control of asthma. Allergy Asthma Respir. Dis., 3, 313-319 (in Korean with English abstract). [https://doi.org/10.4168/aard.2015.3.5.313]
  • Korshover, J., and J. K. Angell, 1982: A review of air-stagnation cases in the eastern United States during 1981— Annual summary. Mon. Wea. Rev., 110, 1515-1518. [https://doi.org/10.1175/1520-0493(1982)110<1515:AROASC>2.0.CO;2]
  • Kulkarni, S., M. C. Deo, and S. Ghosh, 2019: Performance of the CORDEX regional climate models in simulating offshore wind and wind potential. Theor. Appl. Climatol., 135, 1449-1464. [https://doi.org/10.1007/s00704-018-2401-0]
  • Lee, H.-J., Y. M. Jeong, S.-T. Kim, and W.-S. Lee, 2018: Atmospheric circulation patterns associated with particulate matter over South Korea and their future projection. J. Climate Change Res., 9, 423-433 (in Korean with English abstract). [https://doi.org/10.15531/KSCCR.2018.9.4.423]
  • Lee, J. H., Y. P. Kim, K.-C. Moon, H.-K. Kim, and C. B. Lee, 2001: Fine particle measurements at two background sites in Korea between 1996 and 1997. Atmos. Environ., 35, 635-643. [https://doi.org/10.1016/S1352-2310(00)00378-2]
  • Lee, S., C.-H. Ho, and Y.-S. Choi, 2011: High-PM10 concentration episodes in Seoul, Korea: Background sources and related meteorological conditions. Atmos. Environ., 45, 7240-7247. [https://doi.org/10.1016/j.atmosenv.2011.08.071]
  • Park, C., and Coauthors, 2016: Evaluation of multiple regional climate models for summer climate extremes over East Asia. Clim. Dyn., 46, 2469-2486. [https://doi.org/10.1007/s00382-015-2713-z]
  • Riahi, K., and Coauthors, 2017: The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environ. Change, 42, 153-168.
  • Sellar, A. A., and Coauthors, 2019: UKESM1: Description and evaluation of the U.K. Earth System Model. J. Adv. Model. Earth Sy., 11, 4513-4558.
  • Torma, C., F. Giorgi, and E. Coppola., 2015: Added value of regional climate modeling over areas characterized by complex terrain—Precipitation over the Alps. J. Geophys. R. Atmos., 120, 3957-3972. [https://doi.org/10.1002/2014JD022781]
  • van Vuuren, D. P., and Coauthors, 2011: The representative concentration pathways: an overview. Climatic Change, 109, 5. [https://doi.org/10.1007/s10584-011-0148-z]
  • Wang, X., R. E. Dickinson, L. Su, C. Zhou, and K. Wang, 2018: PM2.5 pollution in China and how it has been exacerbated by terrain and meteorological conditions. Bull. Amer. Meteor. Soc., 99, 105-119. [https://doi.org/10.1175/BAMS-D-16-0301.1]
  • WHO, 2016: Ambient air pollution: a global assessment of exposure and burden of disease. World Health Organization, 121 pp.
  • Xu, M., H. Xu, and J. Ma, 2016: Responses of the East Asian winter monsoon to global warming in CMIP5 models. Int. J. Climatol., 36, 2139-2155. [https://doi.org/10.1002/joc.4480]
  • Yang, Y., H. Liao, and S. Lou, 2016: Increase in winter haze over eastern China in recent decades: Roles of variations in meteorological parameters and anthropogenic emissions. J. Geophys. Res. Atmos., 121, 13050-13065. [https://doi.org/10.1002/2016JD025136]

Fig. 1.

Fig. 1.
Areas used to calculate MKPI.

Fig. 2.

Fig. 2.
Distributions of MKPI represented as (a) frequency and (b) ratio. It is for period of 2001~2014 DJF. The MKPI is derived from ERA-Interim. The colors of bar plot indicate observed PM10 criteria of dark red: equal or more than 100 μg m-3, red: 50~99 μg m-3, blue: 30~49 μg m-3 and sky blue: less than 30 μg m-3. The units are (a) days and (b) percent.

Fig. 3.

Fig. 3.
Geographical distributions for normalized anomalies of wind vector at (a, b) 500 hPa and (c, d) 850 hPa in cases with (a, c) PM10 equal or more than 50 μg m-3 and (b, d) MKPI equal or more than 0 from 2001~2014 DJF. The field is derived from ERA-Interim. Shadings indicate normalized anomalies of (a, b) geopotential height and (c, d) mean sea level pressure. The anomalies are based on period of 1985~2014 DJF.

Fig. 4.

Fig. 4.
Same as Fig. 3, except for in cases with (a, c) PM10 less than 50 μg m-3 and (b, d) MKPI less than 0.

Fig. 5.

Fig. 5.
Distribution of frequency for (a) Surwind, (b) Va850 and (c) Ua500. The frequency is from corresponding time step and grid. The orange and navy blue bar indicates results by RCM (HadGEM3-RA) and GCM (UKESM), respectively. The black dot indicates result of reanalysis (ERA-Interim). Period from 1985 to 2014 DJF is used. Unit of abscissa axis is m s-1.

Fig. 6.

Fig. 6.
Normalized distribution of frequency for MKPI and three climate components used for the index. The distributions are from simulation by HadGEM3-RA. The distributions are under present (Historical experiment of 1985 to 2014 DJF) and high GHGs (SSP5-8.5 scenario of 2071 to 2100 DJF) climate illustrated as blue and red bar, respectively. MKPI and climate components were normalized by corresponding standard deviation of present climate. Days when each normalized value exceeds 0 under present climate and high GHGs climate are displayed on upper left and right corner. Significance level by the Kolmogorov-Smirnov test is shown on upper right corner as asterisk, ***: 1%, **: 5% and *: 10%.

Fig. 7.

Fig. 7.
Same as Fig. 6, except for SSP1-2.6 scenario.

Fig. 8.

Fig. 8.
Distribution of days per extreme air stagnation event simulated by HadGEM3-RA. The distributions are under present and (a) high GHGs and (b) low GHGs climate. The extreme air stagnation event is defined as day when MKPI is equal or more than 1. Blue bar (red bar) indicates under present climate of 1985 to 2014 ((a) high and (b) low GHGs of 2071 to 2100) DJF. Mean days per event under present climate ((a) high and (b) low GHGs) are displayed on upper left (right).

Fig. 9.

Fig. 9.
Geographical distributions for anomalies of wind vector (m s-1) at (a) 500 hPa and (b) 850 hPa under SSP5-8.5 scenario for period of 2071~2100 DJF. The projections are simulated by HadGEM3-RA. Shadings indicate anomalies of (a) geopotential height (m) at 500 hPa and (b) mean sea level pressure (hPa). Navy blue contours indicate climatologies of (a) 500 hPa zonal and (b) 850 hPa meridional wind speed (m s-1). The anomalies and climatologies are based on Historical experiment for period of 1985~2014 DJF.

Table 1.

Model configuration and simulation used in this study.

Contents Details
Horizontal resolution
   (number of grid points lat × lon)
25 km (251 × 396)
Vertical layers (top) 63 eta levels (up to 41 km)
Land surface model Joint UK Land Environment Simulator
Convection scheme Revised mass flux
Spectral nudging No
Initial and boundary conditions UKESM
Simulation period Historical experiment: 1968-2014
SSP5-8.5 scenario: 2015-2100
SSP1-2.6 scenario: 2015-2100