국지성 집중호우 감시를 위한 천리안위성 2A호 대류운 전조 탐지 알고리즘 개발

1. 서 론

대류운은 지면 가열 및 상하층 기온 차, 대기 하층의 따뜻하고 습윤한 공기의 발생 및 유입, 대기 하층에서의 바람 수렴 등 다양한 요인에 의해 대기가 불안정해지고, 이로 인해 연직 운동이 발생하여 형성된다(Park et al., 2003; Collier, 2003). 이는 급격히 발달하여 짧은 시간 동안 좁은 지역에 강한 강수를 발생시켜 인적 및 사회 경제적 피해를 일으키므로 대류운 발생에 대한 정확한 예측이 요구된다(Cintineo et al., 2014).

그러나 대류운은 시∙공간적 규모가 작기 때문에 정확한 강우 지점과 강우 시기를 예보하는데 어려움이 있다(Jung et al., 2014). 수치예보모델의 경우 전지구 예측모델의 수평해상도가 약 10 km로 Meso-γ의 수평 규모(2~20 km)에 속하는 대류운의 발생을 예측하기 어렵다. 그리고 레이더의 경우 정지궤도위성보다 시∙공간 해상도가 높고 3차원 구조를 분석할 수 있는 장점으로 인해 대류운의 성장을 감시하기에 유용하나 레이더의 해발고도와 빔 차폐에 의해 1 km 이하의 저층을 관측하는데 한계가 있고(Jung et al., 2016), 일정 크기 이상의 수상체로 성장해야 레이더에서 감지하기 때문에 대류운 전조 및 초기 대류운의 관측이 어렵다(Keat et al., 2019). 반면 정지궤도위성 자료는 가시, 적외 등 다양한 채널의 복사 특성을 이용하여 구름의 물리적 특성을 파악 가능하며, 같은 지역을 연속적으로 관측하기 때문에 구름의 발생부터 소멸까지의 과정 감시 및 추적할 수 있어 레이더보다 먼저 초기 대류운에 대한 정보를 얻을 수 있다(Roberts and Rutledge, 2003; Sieglaff et al., 2011). 다만 정지궤도위성은 적도 상공에 위치하기 때문에 지구의 곡률 효과로 인한 기하적 관측 오차가 존재하고 구름의 상부(운정)를 관측하기 때문에 다층운이나 구름 하부를 관측하기 어려우나 관측 지점이 육상으로 제한되어 있는 지상 관측에 비해 관측 영역이 넓고 공백 없이 객관적인 정보가 생산된다는 장점이 있다. 2018년 12월 5일에 발사된 정지궤도 기상위성 천리안위성 2A호(GEO-KOMPSAT-2A, 이하 GK2A)의 기상탑재체(Advanced Meteorological Imager, 이하 AMI)는 16개의 채널을 가지고 있으며, 10분 간격의 전구 관측과 2분 한반도 확장 영역에 대한 관측을 수행하므로 대류운 전조 탐지에 유용하게 활용할 수 있다.

위성 자료를 활용한 대류운 전조(Convective Initiation, 이하 CI) 탐지에 대한 연구는 미국, 유럽, 일본 등 다양한 국가에서 수행되어왔다(Roberts and Rutledge, 2003; Mecikalski and Bedka, 2006; Mecikalski et al., 2010, 2015; Siewert et al., 2010; Sieglaff et al., 2011; Walker et al., 2012; Khandan et al., 2018). Mecikalski and Bedka (2006)는 GOES 위성의 가시 및 적외 채널 자료를 통해 CI를 탐지하는 연구를 수행하였으며, 그 결과 레이더보다 30~45분 전에 CI를 탐지할 수 있음을 밝혔다. 이를 바탕으로 미국 NOAA에서는 GOES-R 위성의 CI 알고리즘을 개발하였으며(Walker and Mecikalski, 2011), 일본 기상위성센터에서는 Himawari-8 위성을 이용하여 1시간 이내에 뇌우로 발달할 것으로 예상되는 적운 지역을 탐지하는 Rapidly Developing Cumulus Areas (RDCA) 알고리즘을 개발하였다(Sumida et al., 2017). 또한 유럽 기상위성센터에서는 초단기 예보를 지원하기 위해 정지궤도위성을 활용한 대류 시스템의 모니터링, 식별 및 추적과 급격하게 발달하는 대류운의 탐지를 위해 Rapid Development Thunderstorms (RDT) 산출물을 개발하였다. 이 산출물은 대류운의 탐지 및 추적과 함께 구름의 냉각 및 팽창 속도, 구름 높이 등 다양한 매개변수를 제공한다(Autonès and Moisselin, 2013). 또한 RDT 뿐만 아니라 추가적으로 CI를 탐지하기 위한 알고리즘을 개발하고 있다(Autonès and Claudon, 2019).

국내에서는 태풍, 장마 전선 등의 호우 시스템에 대한 연구에 비해 열적 불안정 등으로 발생하는 국지성 대류운에 대한 연구가 부족한 실정이며(Jung et al., 2014), 특히 대류운 전조에 대한 연구가 미비하다. 과거 천리안위성 1호(COMS)을 이용한 CI 탐지 연구가 수행되었으나, COMS의 채널 수가 적고 시공간 해상도가 커 대류운의 전조를 탐지하기에 다소 어려움이 있었으며(Han et al., 2015), Lee et al. (2017)과 Han et al. (2019)은 기계 학습을 이용하여 CI를 탐지하는 알고리즘을 개발하였으나 일본의 Himawari-8 위성에 최적화 되어있어 활용이 어렵다. 따라서 이 연구에서는 일본 Himawari-8 및 미국 GOES-16/17과 동급인 GK2A 위성을 이용하여 향후 2시간 이내에 급격하게 발달하여 위험기상을 유발할 가능성이 있는 국지성 대류운의 전조를 사전에 탐지하기 위한 알고리즘을 개발하고자 하였다.

본 연구에서 개발한 GK2A 대류운 전조 탐지 알고리즘은 대기 불안정 지수와 위성 휘도온도(Brightness temperature, 이하 BT) 및 휘도온도 차(Brightness temperature difference, 이하 BTD)를 이용하였으며, 불안정한 대기 영역에서의 미성숙한 구름 영역을 구분하는 대류형 구름 분류 단계와 분류된 화소들을 군집하여 객체로 만드는 구름 객체화 및 현재와 과거 객체의 시간적 중첩을 이용한 구름 객체 추적 단계, 구름의 물리적 특성을 이용한 대류운 발생 가능성 판별 단계, 마지막으로 비대류성 구름 객체를 제거하기 위한 후처리 과정으로 이루어져 있다. 한반도에서 발생하는 대류운의 특성을 반영하기 위해 2019년 6월에서 9월까지 발생한 대류운 사례를 바탕으로 대류운이 발생하기 전의 대기 상태나 구름 특성을 분석하여 알고리즘의 임계값으로 이용하였다. 알고리즘 성능은 레이더와 낙뢰 자료를 이용하여 2020년 발생한 대류운 사례에 대해 정성적, 정량적 검증을 수행하였으며, 이 연구를 통해 수치예보모델, 레이더 등으로 예측하기 어려운 국지성 대류운의 전조를 탐지하여 소낙성 호우에 대한 초단기 예보에 기여하고자 한다. 이 논문의 2장에서는 연구에 사용된 자료에 대해 설명하고 3장에서는 이 연구에서 개발한 대류운 전조 탐지 알고리즘에 대해 자세히 기술하였다. 4장에서는 알고리즘의 산출 결과와 성능에 대해 설명하였으며, 마지막으로 5장에는 요약과 결론을 기술하였다.

2. 연구 자료

주요 연구 자료로는 GK2A의 AMI 센서 자료를 이용하였다. GK2A AMI는 전구 영역에서 10분, 한반도 확장 영역에서 2분마다 관측을 수행하며, 가시 채널 3개와 근적외를 포함한 적외 채널 13개를 가지고 있다. GK2A AMI의 채널 정보는 Table 1에 자세하게 나타냈으며, 여기서 가시 채널의 경우 0.5 km 또는 1 km, 적외 채널은 2 km의 공간 해상도를 가지고 있다. 또한 GK2A 위성은 이러한 16개의 채널 정보를 기반으로 지면, 대기, 복사, 구름과 관련된 총 52종의 기상 산출물을 생산하고 있다.

Table 1.

Information of GK2A AMI sensor and channels used in this algorithm.

이 연구에서는 GK2A AMI의 0.64 μm 가시 채널과 6.3 μm 수증기 채널, 8.7, 10.5, 11.2, 12.3, 13.3 μm 적외 채널을 이용하였으며, 이 채널들은 구름의 상, 유형, 높이 등 구름의 물리적 특성을 판별하는데 활용된다. 또한 대류운이 발생하기 이전의 대기 불안정도를 살피기 위해 GK2A 기상 산출물 52종 중 대기 불안정 지수(CAPE, LI, KI, SSI, TTI) 자료를 이용하였으며, 이 자료는 6 km의 공간해상도로 10분 간격으로 산출되고 있다. 여기서 Convective Available Potential Energy (CAPE)는 기온과 수증기의 연직 분포로부터 대류를 발생시킬 수 있는 잠재 에너지를 수치화 한 것으로 호우 및 돌풍 예측에 주로 활용되는 자료이며(Moncrieff and Miller, 1976), Showalter Stability Index (SSI)는 지면 가열에 의한 열적 대기 불안정을 진단하기 위한 지수이고(Showalter, 1953), Lifted Index(LI)는 850 hPa을 지나는 역전층 또는 수증기가 급격하게 감소하는 층이 있는 경우의 대기 불안정을 진단하기 위한 지수이다(Galway, 1956). 또한 K-Index (KI)는 중층 이하의 대기층에서 불안정을 진단하기 위한 지수이며(George, 1960), Total Totals Index (TTI)는 대기 하층과 중층의 기온 감률, 하층 수증기와 중층 기온을 고려하여 뇌우의 강도를 예측하기 위한 지수로 중상층에 한기 핵을 가진 기압골의 영향이 있을 때 높은 정확도를 보인다(Miller, 1975).

이 연구에서는 Table 2에 나타낸 2019년 6~9월 한반도 주변에서 발생한 총 45개의 대류운 사례에 대해 발생한 모든 CI 건을 이용하였으며, 총 167개 CI 발생 건수에 대해 통계 분석하여 알고리즘에 활용하였다. 여기서 CI 발생 건수는 해당 날짜에 발생한 대류운에 대한 전조이므로 CI 발생 건이 5개라면 시간대와 발생 지역이 서로 다른 5개의 대류운이 발생했다는 것을 의미한다. 본 연구는 열적 불안정에 의한 국지성 대류운을 사전에 탐지하는 것이지만 열적 불안정으로 발생하는 대류운의 사례만을 이용하기에는 사례의 수가 너무 적고 대류운이 열적인 경우와 역학적인 경우가 혼합되어 나타나는 경우가 많으므로 특정 유형의 대류운 사례가 아닌 열적 불안정, 태풍 전면 수렴대, 고기압 가장자리 등의 대류 불안정으로 발생한 사례를 종합적으로 활용하였다. 따라서 이 사례를 이용하여 일반적으로 대류운이 발생하기 전의 대기 불안정 지수와 위성 휘도온도 값의 특징을 분석하여 알고리즘에 적용하였다.

Table 2.

Cases of convective clouds on the Korean Peninsula in 2019 and counts of identified convective initiation (CI) events by case.

개발한 알고리즘의 성능 분석을 위해 1.5 km 고도의 레이더 강수합성자료와 낙뢰 자료를 이용하였다. 여기서 1.5 km 고도의 레이더 강수합성자료는 1.5 km 고도의 레이더 반사도 관측 값을 2차원 평면으로 표출한 것으로 강수의 수평적인 해석에 주로 활용되며(Yoo and Yoon, 2012), 1 km의 공간해상도로 10분 마다 산출되고 있다. 낙뢰 자료는 기상청 낙뢰관측망 자료를 이용하였으며, 대류에 의한 레이더 에코인지를 구분하기 위해 낙뢰관측장비에서 관측된 전체 방전(구름방전, 대지방전) 정보를 이용하여 레이더 반사도가 35 dBZ 이상인 셀 주변 영역 내에서 발생한 낙뢰 횟수 이용하였다. 즉, 레이더 반사도 35 dBZ 이상인 셀 중에서 1시간 이내에 낙뢰가 2회 이상 발생한 경우를 대류에 의한 레이더 에코로 간주하여 연구에 사용하였다. 그리고 성능 분석을 위한 사례로는 2020년 여름철 발생한 국지성 대류운 사례를 사용하였다. 그러나 2020년은 장마가 6월 중순부터 시작하여 8월 중순까지 지속되었으며, 8월 하순부터는 태풍 3개가 연속적으로 발생하여 비교적 국지성 대류운의 사례가 적었다(KMA, 2021). 따라서 장마, 태풍 등에 의한 강수 사례를 제외하고 국지적 소낙성 강수를 유발한 총 5개의 대류운 사례를 알고리즘 분석에 사용하였으며 Table 3에 자세하게 나타냈다.

Table 3.

Cases of convective clouds on the Korean Peninsula in summer 2020, and counts of identified CI events by case, and causes of CI occurrence.

3. 대류운 전조 탐지 알고리즘

CI 탐지 알고리즘을 개발하기 위해서는 대류 전조 환경과 특징을 활용해야 한다. 대류운의 가장 일반적인 특징은 불안정한 대기에서 발생한다는 것과 강한 연직 상승류가 존재한다는 것이다(Weisman and Klemp, 1982; McNulty, 1995; Doswell et al., 1996; Schultz and Schumacher, 1999; Craven and Brooks, 2004; Jeong and Ryu, 2008, Kwon and Lee, 2013). 그리고 대류운이 발달하기 전이므로 미성숙한 중∙하층운에 포함된다는 특징을 고려하였다. 따라서 이 연구에서는 이러한 특징을 이용하여 CI를 탐지하는 알고리즘을 개발하였으며, Fig. 1에 알고리즘 흐름도를 나타냈다.

Fig. 1.

Flowchart of the GK2A convective initiation algorithm.

3.1 대류형 구름 분류

3.1.1 대기 불안정 영역 분류

이 알고리즘의 첫번째 단계는 대류형 구름 분류(Convective cloud mask, CCM)이다(Fig. 1, STEP1). CCM은 CI 탐지를 위한 자체 구름 분류 단계로, 먼저 대류운이 발생할 가능성이 있는 불안정한 대기 영역을 구분하는 과정을 거친다. 이 연구에서는 GK2A 대기 불안정 지수를 이용하여 불안정한 대기 영역을 구분하며, 각 지수의 임계값은 Table 2에 표시한 2019년 6월부터 9월까지 한반도에서 발생한 대류운 사례를 이용하여 결정하였다. Figure 2는 각 대류운 사례에 대해 대류운 발생하기 3시간 전부터 발생한 시각까지의 CAPE, KI, LI, SSI 및 TTI 값을 상자 그림으로 나타낸 결과이다. 여기서 대류운이 발생한 시각은 레이더에서 대류셀을 판별하는 기준인 레이더 반사도 35 dBZ 이상이 처음 감지된 시각을 이용하였으며, 이는 여러 선행연구에서 대류운 발생 및 대류 시작의 정의로써 사용하고 있다(Dixon and Wiener, 1993; Roberts and Rutledge, 2003; Mueller et al., 2003; Mecikalski and Bedka, 2006; Han et al., 2009; Siewert et al., 2010; Jung et al., 2011; Walker and Mecikalski, 2011; Walker et al., 2012; Jung and Lee, 2015). 대류운이 발생하기 전 대기 불안정 지수 값을 살펴보면, CAPE의 경우 대부분의 값들이 500 J kg^-1 이상에 분포함을 확인할 수 있고 KI는 30K 이상, LI는 -2 K 이하, SSI는 2 K 이하 그리고 TTI는 42K 이상에 분포하고 있다. 따라서 이러한 통계적 분석과 정성적 장면 분석을 통해 불안정한 대기 영역을 구분하는 알고리즘 임계값을 결정하였으며, 대류운으로 발달할 가능성이 있는 영역을 최대한 포함하기 위해 5가지 불안정도 지수 주건 중 하나라도 만족하는 경우 불안정한 대기 영역으로 분류하였다.

Fig. 2.

Box plot showing the statistical values of (a) CAPE, (b) KI, (c) SSI, (d) LI, and (e) TTI for total CI events in 2019. Here the blue dotted line indicates the threshold value. In the whisker-box plot, the whiskers above and below the box represent the maximum and minimum values. The top and bottom of the gray box indicate the 25th and 75th percentiles, respectively. The solid line in the middle of the box indicates the median, whereas the star in the middle indicates the mean value.

3.1.2 미성숙한 구름 분류

다음으로는 위성 적외 채널의 BT와 채널 간 BTD를 이용하여 미성숙한 구름(중∙하층운)과 이미 발달한 구름, 권운 및 청천 영역을 분류하는 과정을 수행한다. 여기서 미성숙한 구름은 일반적인 중층운과 하층운을 의미한다. 먼저, 이미 발달한 성숙한 구름은 광학 두께가 두꺼우므로 대기와 지표면의 영향을 거의 받지 않으며, 이러한 경우 적외 대기 창에서의 BT는 실제 구름 온도로 가정할 수 있다(Chahine 1974). 따라서 적외 대기 창 채널 중 가장 수증기 흡수가 적은 10.5 μm BT를 이용하여 이미 발달한 구름을 분류하였으며, 구름의 온도가 -40^oC 이하에서는 물리적으로 액체상이 존재할 수 없기 때문에 이를 발달한 구름을 분류하기 위한 임계값으로 사용하였다(Hogan et al., 2003; Wolters et al., 2008). 그리고 청천과 권운을 제거하기 위해 10.5 μm와 12.3 μm의 BTD를 사용하였다. 이는 분리 대기 창 방법(Split-window method)이라고 불리며, 두 채널의 복사 특성을 이용하여 청천과 권운 탐지하는 방법이다(Inoue, 1985). 구름광학두께가 얇고 구름입자유효반경이 작을수록 두 채널 간의 BTD가 커지며, 구름이 발달할수록 차이가 0K에 가까워지는 원리를 이용하여 권운을 탐지한다(Inoue, 1985; Heidinger and Pavolonis, 2009). 또한 청천과 권운은 적운에 비해 표면이 균질한 특성을 가지므로 5 × 5 화소 내 10.5 μm BT의 표준편차가 작은 경우 청천 및 권운 화소로 분류하였다. 추가적으로 6.3 μm과 10.5 μm의 BTD를 이용하여 청천과 권운을 구분하였다. 6.3 μm 상층 수증기 채널은 약 300 hPa 고도에서 가장 민감하게 반응하는 특징을 가지므로 상층의 온도를 반영한다고 볼 수 있다. 따라서 6.3 μm과 10.5 μm의 BTD는 구름의 고도를 추정할 수 있다(Szejwach, 1982). 청천이거나 구름광학두께가 얇은 경우 6.3-10.5 μm BTD의 음수 값이 크며, 구름광학두께가 두껍고 발달한 구름일수록 6.3-10.5 μm BTD가 0K에 가까워지는 특성을 기반으로 권운 및 청천 영역을 구분하였다.

2020년 6월 20일 0750UTC의 GK2A 10.5 μm 적외 영상과 CCM 결과를 Fig. 3의 (a)와 (b)에 나타냈다. CCM 결과에서 빨간색 영역은 이미 발달한 구름(Cold cloud)이고 초록색 영역은 청천 및 권운을 의미한다. 하늘색 영역은 미성숙한 구름(중∙하층운)이며, 파란색 영역은 불안정한 대기 영역에서의 미성숙한 구름 화소로 대류가 발생할 가능성이 높은 지역을 의미한다. 같은 시각의 10.5 μm 적외 영상(Fig. 3a)과 비교하여 볼 때 이미 발달한 구름과 중·하층운, 청천 및 권운 영역이 잘 분류된 것을 확인할 수 있으며, 본 연구에서는 파란색 영역인 불안정한 대기 영역에서의 미성숙한 구름 화소를 CI의 후보 화소로써 사용하였다.

Fig. 3.

Example of (a) GK2A IR 10.5 μm image, (b) convective cloud mask, and (c) cloud object at 0750 UTC on June 20, 2020. In Fig. 3c, each color represents a different cloud object, with each color expressed differently according to the object number. The same color does not necessarily mean the same object number.

3.2 구름 객체화 및 추적

3.2.1 구름 객체화

구름의 물리적 특성과 시간적 변화를 살피기 위해서는 화소 단위의 값을 이용하기보다 비슷한 특성을 가진 화소를 군집한 후 하나의 구름 객체로 만들어 활용하는 것이 구름 셀이 가진 복사 특성이나 구름의 움직임을 추적하기에 용이하다. 이 연구에서는 영역 기반의 군집화 기법 중 가장 많이 사용되는 방식인 영역 확장(Region growing) 방법을 사용하였다. 이 방법은 기준 화소에서 인접한 화소를 검사하여 유사한 특성을 가질 경우 화소를 병합하여 객체를 만드는 방법으로 모든 화소가 처리될 때까지 반복되며, 객체화된 화소들은 식별번호가 부여된다(Bins et al., 1996). 이 방법의 장점은 군집화 조건의 변경이나 추가가 쉽다는 점이며, 이 연구에서는 세 가지의 구름 객체화 조건을 적용하였다. 첫번째는 CCM 결과에서 불안정한 대기 영역에서의 미성숙한 구름으로 분류된 화소만을 군집화 하는 조건이고 두번째는 한 구름 객체 내 10.5 μm BT의 최대 온도와 최소 온도의 차이가 30 K 이하가 되도록 하는 조건이다. 이 온도 조건은 객체화 시 하나의 구름셀이 구름 중심부와 주변부가 서로 다른 객체로 분리되는 것을 방지하기 위해 차가운 구름 중심부와 비교적 따뜻한 구름 주변부의 온도 차이를 고려하여 경험적 분석 결과를 통해 결정하였다. 마지막으로는 한 구름 객체 내의 최대 화소 수를 150개로 제한하는 것이다. 본 알고리즘은 대류운의 전조를 탐지하는 것을 목적으로 하기 때문에 초기 대류운의 수평 규모인 Meso-γ (2~20 km)를 고려하여 최대 150개(수평 규모 약 ~25 × 25 km)로 결정하였다. 여기서 구름 객체 내의 10.5 μm BT의 최대 온도와 최소 온도의 차이가 30 K을 초과하거나 최대 화소 수가 150개를 초과하는 경우 객체화를 종료하고 새로운 구름 객체화를 시작한다. 구름 객체화 결과를 Fig. 3c에 나타냈으며, 구름 객체의 식별번호는 매 시각 갱신되므로 현재 시각과 과거 시각의 식별번호가 같다고 해서 동일한 구름 객체를 의미하지 않는다. 또한 매 시각 구름의 모양과 위치, 온도 분포 등이 변화하기 때문에 구름 객체 모양의 변동성이 크며, 군집화 조건에 따라 밀집되어 있는 미성숙한 구름 화소가 여러 개의 객체로 형성되거나 물리적으로 다른 구름이지만 하나의 구름 객체로 군집화 되기도 한다.

3.2.2 구름 객체 추적

군집화 과정을 통해 형성된 각 구름 객체들은 향후 대류운으로 성장할 가능성이 있는지를 판별하기 위해 먼저 객체 추적 과정을 수행한다. 이 과정은 연속적인 두 위성 영상에서 동일한 구름을 식별 및 추적하여 구름의 연직 상승을 계산하기 위함이다. 대류운의 가장 뚜렷한 특징은 구름의 연직 상승이므로 위성 자료를 이용하여 연직 상승을 계산하기 위해서는 현재 시각의 구름 객체 정보뿐만 아니라 과거 시각의 구름 객체에 대한 정보가 필요하다. 본 연구에서는 현재 시각의 구름 객체와 가장 많이 겹치는 과거 시간대 객체를 찾아 동일한 구름 객체로 추적하는 시간적 중첩(Temporal overlap) 방법을 이용하였다. 이 추적 기법은 초기 대류운 또는 대류운으로 성장할 가능성이 있는 미성숙 구름의 수평 이동속도가 이미 발달한 구름에 비해 상대적으로 작고, 대류운의 수평적 이동보다 수직적 상승의 변화가 크다는 특성을 고려하여 현재 구름 객체와 가장 많이 겹치는 과거 객체를 찾는 방법이다. 이 알고리즘에서는 현재와 과거 10분 전의 구름 객체 정보를 이용하였으며, 사용된 객체 추적 기법을 Fig. 4에 나타냈다. Figure 4에서 (a)는 과거 10분 전 구름 객체, (b)는 현재 시각의 구름 객체를 나타낸 그림이며, 현재 시각의 구름 객체와 과거 10분 전의 구름 객체를 시간적 중첩한 경우는 Fig. 4c에 나타냈다. 여기서 현재 구름 객체와 가장 많이 중첩되는 과거 구름 객체를 동일 객체로 추적하나 한개의 화소만 중첩되어도 동일 객체로 추적될 수 있어 이러한 잘못된 객체 추적을 방지하기 위해 최소 5개 이상의 화소가 중첩되는 경우 동일한 구름 객체로 간주하였으며, 이 임계치는 경험적으로 결정하였다. 그리고 이전 시간에 구름 객체가 존재하지 않는 경우는 처음 발생한 구름 객체로 간주한다.

Fig. 4.

The method of cloud object tracking used in this algorithm. (a) Past time (t-10 min), (b) current time (t), and (c) temporal overlap of current time and past time.

3.3 대류운 발생 가능성 판별

객체 추적이 끝나면 해당 구름 객체가 대류운으로 발달할 가능성이 있는지를 살피는 대류운 발생 가능성 판별 테스트를 수행한다(Fig. 1, STEP3). 본 연구에서는 여러 선행연구에서 사용된 관심변수장(Interest field)을 참고(Mecikalski and Bedka, 2006; Lakshmanan et al., 2009; Okabe et al., 2011; Walker et al., 2012)하여 구름의 물리적 특성과 시간적 변화 경향을 고려할 수 있는 단일 채널 및 이중 채널 임계값 검사를 구성하였다(Table 4). 임계값 검사는 총 11개로, 구름의 상이나 높이 등 물리적 특성을 판별하기 위한 검사(Table 4, 1~5번)와 구름의 연직 상승 강도를 계산하기 위한 시간적 변화 검사(Table 4, 6~11번)로 구성하였다. 여기서 연직 상승 강도는 구름의 연직 상승에 따른 온도 차를 이용하며, 현재 시각의 구름 객체 중심부와 과거 10분 전 구름 객체 중심부의 BT 및 BTD의 시간 경향[K (10 min)^-1]을 이용하여 추정할 수 있다. 본 연구에서는 구름 객체 내 화소들의 10.5 μm BT 분포에서 하위 25% (Coldest 25%)에 해당하는 값의 평균을 구름의 중심부로 가정하여 대류운 발생 가능성 테스트를 수행하였다. 앞서 CCM 과정을 통해 후보 화소를 선별하였으나 이 과정에서는 각 구름 객체가 가지고 있는 물리적 특성과 연직 상승 강도를 진단하여 대류운으로 발달할 가능성을 판단한다. 대류운의 가장 중요한 특징은 구름의 연직 상승이기 때문에 구름의 고도 및 연직 상승의 임계값 설정을 위해 Table 2에 나타낸 대류운 사례를 이용하여 통계 분석을 수행하였으며, 그 결과를 Fig. 5에 나타냈다.

Table 4.

Interest fields and thresholds consisting of spectral and temporal trend tests used in this study to determine the likelihood of cloud development into a convective cloud.

Fig. 5.

Time-series analysis using box plot of (a) 10.5 μm BT, (b) 6.3-10.5 μm BTD, and (c) 13.3-10.5 μm BTD. Here 0 denotes the time at which a radar echo above 35 dBZ was first detected. (d) Box plot showing the statistical values for the 10 min time-trend, used to determine the thresholds for updraft strength.

Figures 5a-c는 대류운이 발생하기 100분 전부터 대류운 발생(레이더 35dBZ 이상이 처음 나타나는 시점)까지 10분 간격의 10.5 μm BT, 6.3-10.5 μm BTD 및 13.3-10.5 μm BTD를 나타낸 그림이며, Fig. 5a는 10.5 μm BT의 시간적 변화를 보여주고 있다. 앞서 3.1.2항에서 언급했듯이 10.5 μm BT는 구름의 온도 및 고도를 추정할 수 있으며, 구름이 성장할수록(x축이 0K에 가까워질수록) 10.5 μm BT가 감소하는 경향을 보인다. Figure 5b에는 6.3-10.5 μm BTD의 구름 발달에 대한 변화를 나타냈으며, 13.3-10.5 μm BTD는 Fig. 5c에 나타냈다. 두 BTD는 구름이 연직으로 발달할수록 두 채널 간의 차이가 작아지므로 점차 0K에 가까워지는 것을 알 수 있다. 이는 구름이 연직으로 상승하고 있음을 의미하며 레이더 반사도 35 dBZ가 발생하기 60분 전부터 온도가 감소하는 폭이 크다는 것을 확인 가능하다. 따라서 연직 상승 강도의 임계값(Table 4, 6~11번)은 대류운이 발생하기 60분 전부터 발생 시각까지 현재와 과거 10분 전 구름 객체와의 10분 시간 경향(10 minutes time-trend)을 이용하였으며, Fig. 5d에 하나의 상자 그림으로 나타냈다. 10.5 μm BT의 경우 구름이 성장할수록 BT가 낮아지기 때문에 10.5 μm BT의 10분 시간 경향은 음수로 나타나고, 6.3-10.5 μm BTD와 13.3-10.5 μm BTD의 경우 구름이 발달함에 따라 온도가 0 K에 가까워지므로 10분 시간 경향은 양수 값을 가진다. 이 연구에서는 구름이 형성될 때 구름 객체의 연직 상승 강도가 상대적으로 약할 수 있으므로 상승 강도를 두 단계로 나누었다. 약한 상승 강도의 임계값은 조금이라도 고도가 높아졌다면 통과할 수 있도록 75번째 또는 25번째 백분위 수를 이용하였으며, 10.5 μm BT의 10분 시간 경향의 경우 -2.25 K 이하, 6.3-10.5 μm BTD와 13.3-10.5 μm BTD의 10분 시간 경향은 각각 1.69K, 0.55 K 이상을 임계값으로 사용하였다. 강한 상승 강도의 임계값은 중간값을 이용하였으며, 10.5 μm BT의 10분 시간 경향은 -4.64 K 이하, 6.3-10.5 μm BTD와 13.3-10.5 μm BTD의 10분 시간 경향은 각각 3.17K, 1.00 K 이상을 임계값으로 하였다.

또한 이 연구에서는 대류운이 발생하기 전에 대류 전조를 탐지하는 것이 목적이므로 레이더 35 dBZ가 발생한 시각을 제외한 과거 시간의 위성 휘도온도 자료를 이용하여 구름 고도에 대한 물리적 특성(Table 4, 1~5번) 임계값을 결정하였다. 10.5 μm BT의 경우 Fig. 5a에서 대류운이 발생하기 전 대부분의 값들이 253 K 이하인 것을 확인할 수 있으며, 이론적으로 253 K 이하에서는 입자가 과냉각액체상일 확률이 27% 정도이며, 그 이후부터는 확률이 급격하게 줄어들기 때문에 알고리즘 임계값으로 결정하였다(Hogan et al., 2003). 그리고 6.3-10.5 μm BTD는 대류운이 발생하기 전 BTD 값이 -15 K 이하 값을 보이므로 발달한 대류운 및 상층운 제거를 위해 -15 K를 임계값으로 사용하였다. Figure 5c의 13.3-10.5 μm BTD도 마찬가지로 대류운 발달 전의 BTD가 -5 K 이하의 값을 보이므로 이 값을 알고리즘 임계값으로 사용하였다. 다음은 권운 제거를 위해 CCM 단계에서 사용했었던 10.5-12.3 μm BTD를 한번 더 적용하여 얇은 권운 객체와 구름 가장자리에서 탐지된 구름 객체를 제거하였으며, CCM과 동일한 임계값을 사용하였다. 그리고 미성숙한 구름 객체의 운상은 액체상이므로 운상을 구분하기 위해 8.7 μm BT와 11.2 μm BT를 차이를 이용하였다. 8.7 μm BT는 11.2 μm BT에 비해 수증기에 대한 흡수는 상대적으로 많지만 빙정에 대한 흡수가 적기 때문에 이 두 채널의 차이를 이용하면 액체상과 얼음상을 구분할 수 있다. 두 채널 간의 BTD가 양수이면 얼음상, 음수이면 액체상을 의미하므로 8.7-11.2 μm BTD의 임계값을 0 K으로 하여 얼음상을 가지는 구름 객체를 제거하였다(Siewert et al., 2010). 여기서 물리적 특성 검사를 모두 만족한 후 각 연직 상승 강도 검사를 통과할 때마다 구름 객체에 점수를 부여하였으며, 점수표는 Table 4 우측의 CI score에 나타냈다. 점수가 높을수록 상승 속도가 빠르고 대류운으로 발달할 가능성이 높다는 것을 의미한다.

3.4 비대류성 구름 제거를 위한 후처리

이 연구에서는 대류운을 사전에 탐지하기 위해 미성숙한 구름 객체가 조금이라도 연직 상승이 있으면 탐지되도록 설계하였다. 그러나 이 과정에서 저기압성 구름 및 구름 가장자리 등의 비대류성 구름이 탐지되는 경향이 있어 이를 제거하기 위해 대류성 구름이 가지는 특징을 이용하여 후처리 과정을 수행하였다. Table 5는 대류성 구름 객체를 제거하기 위한 검사와 임계값을 나타낸 표이며, Table 5에 나타낸 순서대로 후처리 과정이 진행된다.

Table 5.

Post-processing tests to remove non-convective clouds.

먼저 관심변수장에서 연직 상승 강도 검사에 사용되는 10.5 μm BT의 10분 시간 경향 값이 양수이거나 6.3-10.5 μm BTD와 13.3-10.5 μm BTD의 10분 시간 경향 값이 음수인 경우는 구름의 연직 성장을 의미하지 않으므로 이 세 조건 중 하나라도 만족하는 경우 오탐지 객체로 간주하여 제거하였다. 또한 우리나라의 여름철 대류 시스템의 속도는 평균 약 13.9 m s^-1로 나타나며(Baek et al., 2006), 이를 고려했을 때 10분 동안 평균 8.3 km를 이동한다고 볼 수 있다. 따라서, 이 연구에서는 Meso-γ의 수평 규모(2~20 km)와 형성되는 구름 객체의 크기를 고려하여 현재와 과거 10분 전 구름 객체 중심의 거리 차이가 25 km 이상인 경우는 잘못된 객체 추적으로 인한 오탐지 이므로 이를 제거하는 과정을 수행하였다.

다음은 적외 채널만으로 제거되지 않은 권운을 제거하기 위해 0.64 μm 가시 채널의 반사도를 이용하였다. 가시 채널은 구름 내의 수액량이 많고 구름이 두꺼울수록 반사도가 증가하는 특성이 있어 빙정으로 이루어진 상층운의 반사도보다 수적으로 이루어진 하층운의 반사도 크기가 더 크다. 이러한 가시 채널의 특성을 이용하여 0.64 μm 반사도가 0.4 이하인 경우 권운 및 청천으로 간주하여 이를 제거하였으며, 10.5 μm BT가 263.15 K 이하이고 0.64 μm 반사도가 0.6 이상인 조건을 통해 상층운에서 탐지되는 비대류성 구름 객체를 제거하였다. 그리고 대류성 구름은 연직 상승 기류로 인해 구름 상부가 거친 질감을 가지며, 상승 기류가 강한 중심부는 주변부보다 온도가 낮으므로 구름 객체의 10.5 μm BT 평균값과 최솟값의 차이를 활용하여 두 값의 차이가 6 K 이하인 균질한 표면을 가진 구름 객체를 제거하였다. 마지막으로 권운을 포함한 구름 가장자리의 제거를 위해 10.5-12.3 μm BTD가 3K 이상이고 10.5 μm BT가 283.15K 이하인 조건을 추가적으로 활용하였다. 후처리 과정의 임계값은 Table 2의 각 대류운 사례에 대한 정성적 장면 분석을 통해 결정하였다.

Figure 6a는 후처리 전, Fig. 6b는 후처리 과정을 모두 거친 최종 산출 결과를 나타낸 그림이며, 보라색 원으로 표시한 영역은 1시간 이내에 대류운이 발생하는 영역이다. 여기서 알고리즘 산출 결과의 경우 대류운 발생 가능성 판별 검사에서 구름 객체가 획득한 점수를 이용하여 6점 이상인 경우 강한 상승 강도(빨간색), 4~5점인 경우 중간 상승 강도(진 분홍색), 2~3점인 경우 약한 상승 강도(분홍색)로 표출하였다. Figure 6a의 후처리 전 결과 영상을 살펴보면 대류운이 발생하는 영역 이외에 구름 가장자리 등의 비대류성 구름에서 오탐지된 객체가 상당히 많은 것을 알 수 있다. 반면, Fig. 6b를 살펴보면 후처리 과정을 통해 상당수의 오탐지 객체들이 제거되었다는 것을 확인 가능하다.

Fig. 6.

Result of GK2A convective initiation (CI) algorithm for 0450 UTC on June 6, 2020 (a) before and (b) after post-processing. The purple circle is the area where convective clouds occurred.

4. 결 과

본 연구에서 개발한 알고리즘의 성능을 분석하기 위해 Table 3에 나타낸 2020년 여름철 발생한 국지성 대류운 사례에 대해 정성적, 정량적으로 분석을 수행하였다. 정성적 분석은 낙뢰와 우박을 동반한 사례인 2020년 6월 6일과 하층 바람 수렴 및 열적 불안정에 의해 국지적으로 강하게 발달한 2020년 6월 20일 사례에 대해 분석을 수행하였으며, 정량적 분석의 경우 5개 사례에서 발생한 총 14개의 CI 발생 건에 대해 분석하였다. 이 알고리즘은 적외 채널의 공간 해상도와 동일한 2 km로 2분 마다 산출되며, 이 연구 결과에서 산출된 대류운 전조(CI)는 향후 2시간 이내에 35 dBZ 이상의 레이더 반사도를 가지는 대류운으로 발달할 가능성이 있는 구름 객체를 의미한다.

4.1 정성적 분석

4.1.1 사례 1: 2020.6.6.

2020년 6월 6일은 전라도 동부 지역을 중심으로 낙뢰와 우박을 동반한 강한 소나기가 발생한 사례로 중상층 기압골에 동반된 건조역 유입과 하층 바람 수렴 그리고 열적 불안정에 의해 대류운이 발달한 사례이다. Figure 7에 나타낸 기상청의 UM기반 전지구 수치예보모델(Global Data Assimilation and Prediction System, GDAPS)의 2020년 6월 6일 0600UTC 925 hPa 상세 바람 예측장을 통해 전라도 지역 부근에 하층 바람이 수렴하고 있음을 알 수 있으며, 대기의 열적 불안정 진단에 사용되는 SSI의 값이 -3 K 이하로 나타나 강한 뇌우 강도를 보이고 있다. 이날 0700~0720 UTC에는 경상남도 거창군에서 우박이 발생하였으며, 0633~0817 UTC에는 전라남도 곡성군에서 우박이 발생하여 국지적인 피해를 일으켰다. 이와 같이 국지성 대류운은 피해나 강도에 비해 공간 규모가 작아 수치예보모델로는 예측이 어렵다.

Fig. 7.

GDAPS forecast chart of (a) height, temperature, and wind at 925 hPa and (b) Showalter stability index (SSI) at 0600 UTC on June 6, 2020.

이 사례에 대해 대류운이 발생하기 전인 0436~0500 UTC의 알고리즘 산출 결과를 나타냈으며, 비교 검증을 위해 레이더 0440~0520 UTC의 1.5 km 고도의 레이더 강수합성영상과 낙뢰 영상을 Fig. 8에 함께 나타냈다. 레이더와 낙뢰 영상은 탐지된 CI가 향후 대류운으로 발달하는지를 살피기 위해 CI 탐지 시각 이후 자료를 이용하여 분석하였다. 여기서 1.5 km 고도의 레이더 강수합성영상은 기상레이더센터에서 제공하는 이미지로 레이더 반사도가 강수량으로 환산된 영상이다. 강수량 추정 관계식에 따르면 레이더 반사도 35 dBZ는 시간당 약 5 mm 이상의 강수로 환산되므로(Marshall and Palmer, 1948; Uijlenhoet, 2001), 본 연구에서는 5 mm h^-1 이상의 강수가 내린 지역을 레이더 반사도 35 dBZ 이상 영역으로 간주하였다. 그리고 낙뢰 영상은 영상 시각으로부터 과거 50분 전까지 발생한 낙뢰를 나타낸다. Figure 8의 알고리즘 산출 결과에서 대류운 전조 탐지를 성공한 객체를 보라색원으로 표시하였으며, 레이더 영상에서 35 dBZ 이상의 반사도가 나타난 영역을 파란색 원으로 표시하였다. 먼저 레이더 영상을 보면 0440 UTC에는 레이더 신호가 감지되지 않고 0510UTC에 처음으로 35 dBZ 이상의 레이더 반사도가 감지되고 낙뢰가 발생하였음을 확인할 수 있다. 반면, CI 탐지 결과는 동일한 위치에서 낙뢰와 레이더 에코가 감지되기 약 35분 전인 0436 UTC에 중간 상승 강도의 CI를 탐지하기 시작하였으며, 0510 UTC까지 지속적으로 CI를 탐지하여 전북 동부에 대류운 발생 가능성을 나타냈다.

Fig. 8.

Results for June 6, 2020: (a)-(c) GK2A CI algorithm for the 0436~0500 UTC, (d)-(f) radar rainfall composite at a 1.5 km height for the 0440~0520 UTC, and (g)-(i) lightning (LGT) data for the 0440~0520 UTC. Here, the purple circle is the area where the algorithm successfully detected CI, and the blue circle is the area where lightning and radar reflectivity was 35 dBZ or higher.

또한 Fig. 9의 CI 탐지 결과와 레이더 및 낙뢰 영상을 보면 0750 UTC에 발달한 대류운 주변에 탐지된 CI 영역에서 40분 후 0830UTC에 레이더 반사도가 35 dBZ 이상 발생했으며, 0920 UTC 부터는 낙뢰가 발생하기 시작했다. 또한 0824UTC에는 대류운의 전면에 CI를 탐지하여 지속적인 대류 활동이 있음을 보여준다. 이와 같이 대류운으로 성장한 이후 대류운 주변의 상승기류가 강한 구름 객체를 탐지하여 주변에서 새롭게 발달하는 대류운이나 성장 정도 및 이동방향을 사전에 예상할 수 있다. 여기서 Fig. 9b의 빨간색 원으로 표시한 영역은 오탐지된 결과로써 향후 대류운으로 발달하지 않은 구름 객체이다. 이 알고리즘은 대류운으로 발달할 가능성이 높은 구름을 탐지하기 때문에 탐지된 CI 객체가 대류운으로 발달하지 않을 수 있다. 하지만 앞서 수치예보모델 예측장을 통해 바람 수렴역이나 대기 불안정 등의 분석을 통해 관심 영역을 분류했을 때 빨간색 원으로 표시한 영역에서 탐지된 CI 객체는 대류운으로 발달할 가능성이 낮다고 볼 수 있다.

Fig. 9.

Result for June 6, 2020: (a)-(c) GK2A CI algorithm for the 0750~0824 UTC, (d)-(f) radar rainfall composite at 1.5 km height for the 0830~0920 UTC, and (g)-(i) lightning (LGT) data for the 0920~0940 UTC. The red circle indicates false-alarm objects.

4.1.2 사례 2: 2020.6.20.

2020년 6월 20일은 하층 바람 수렴과 열적 불안정에 의해 강원 산간 지역 및 충북, 전북 지역에 대류운이 발생한 사례이다. Figure 10a의 0600UTC 지상 일기도에서 확인할 수 있듯이 서해와 동해 부근에 고기압이 위치하고 있으며 이 영향에 의해 산맥을 따라 기류가 수렴하는 것을 Fig. 10b의 GDAPS 925 hPa 유선, 풍속 예측장에서 볼 수 있다. 또한 Fig. 11a에 중층 이하의 대기 불안정을 진단하는 KI를 나타냈으며, 기류 수렴 지역과 유사한 위치에 KI가 25K 이상으로 나타나 약한 뇌우 강도를 보이고 있다. 따라서 강원 산간 지역과 충북 및 전북 지역에 대류운이 발달할 것으로 예상할 수 있으며, Fig. 11b에 나타낸 0820 UTC의 0.64 μm 가시 채널 영상을 보면 해당 영역에 대류운이 발달하였음을 알 수 있다. 특히 강원도 산간 지역에서 강하게 발달한 것을 영상에서 확인할 수 있다. 그러나 이러한 수치예보모델 자료는 대류운 발생 가능성이 높은 구역을 대략적으로 알 수 있으나 대류운이 어느 시점에 발달하기 시작할지, 어떤 지역에서 발달할 가능성이 높은 지에 대한 정보를 획득하기 어렵다. 또한 레이더의 경우 에코가 탐지된 시점에서는 어느 정도 구름이 발달한 시점이므로 사전에 예측하기 어렵기 때문에 이 알고리즘을 통해 대류운으로 발달할 가능성이 있는 구름을 사전에 탐지하는 지를 분석하였다.

Fig. 10.

(a) Surface synoptic chart and (b) 925 hPa stream line and isotach (> 25 kt) at 0600 UTC on June 20, 2020.

Fig. 11.

(a) GDAPS forecast chart of K-index at 0600 UTC and (b) GK2A IR 10.5 μm image at 0820 UTC on June 20, 2020.

Figure 12는 2020년 6월 20일 GK2A AMI 0.64 μm의 가시 영상과 CI 탐지 결과 그리고 레이더 영상을 나타낸 그림이다. 대류운이 발생하기 전인 0446 UTC의 0.64 μm의 가시영상을 살펴보면 남한 내륙 전체적으로 하층운이 존재하는 것을 확인할 수 있으며, 같은 시각 알고리즘 결과 이미지에서는 강원도와 충북, 전북, 지역에 약한 상승 강도의 구름 객체가 탐지됨을 알 수 있다. 그 이후 0620 UTC까지 지속적으로 CI가 탐지되어 대류운이 발달할 가능성이 높다는 것을 확인할 수 있다(보라색 원). 반면 레이더 영상에서는 0550 UTC부터 레이더 에코가 감지되기 시작하여 레이더보다 약 55분 전에 대류운의 전조를 탐지함을 알 수 있다(파란색 원). 또한 Fig. 13의 낙뢰 영상을 보면 0650 UTC부터 강원도 부근에 낙뢰가 발생하여 0750 UTC에는 강원도 산간지역에서 많은 빈도의 낙뢰가 발생한 것으로 보아 강원도 지역에서 탐지된 CI가 가장 강하게 발달했음을 확인 가능하다.

Fig. 12.

Images for June 20, 2020: (a) GK2A 0.64 μm visible channel for the 0446~0620 UTC, (b) result from GK2A CI algorithm for the 0446~0620 UTC, and (c) radar rainfall composite at a 1.5-km height for the 0450~0720 UTC.

Fig. 13.

Image of lightning at (a) 0650 UTC, (b) 0750 UTC on June 20, 2020.

다만 구름의 형태가 매 시각 변화하고 상승 강도 또한 과거 10분 전 구름 객체와의 BT 변화를 이용하기 때문에 상승 강도나 구름 객체의 모양의 변동성이 존재한다. Figure 12의 CI 영상에서 노란색으로 표시한 영역의 CI 객체는 구름이 발달하여 강수와 레이더 35 dBZ 이상의 반사도가 발생하였으나 강원 산간이나 전북 지역에 비해 강하게 발달하지 않고 소멸한 대류운 객체이다. 즉, 본 연구에서 산출된 CI는 대류운의 발달 가능성과 과거 10분 전 객체와의 상승 강도를 나타내기 때문에 CI가 탐지되었다고 해서 반드시 대류운으로 발달하는 것은 아니며, 상승 강도 또한 향후 지속적으로 구름이 발달한다는 것을 의미하지 않는다. 이 알고리즘은 수치예보모델이나 레이더 등으로 판별하기 어려운 초기 단계의 대류운 및 대류운으로 발달할 가능성이 높은 영역을 선제적으로 탐지하여 대류운 발생 지역과 시간에 대한 정보를 제공하며, 정확한 대류성 강수 예측을 위해 CI 탐지 결과와 대기의 종관적, 국지적 상태를 함께 파악한다면 예측이 어려운 초기 대류운의 탐지가 가능하다.

4.2 정량적 분석

이 알고리즘은 최대 2시간 이내에 레이더 반사도가 35 dBZ 이상 발생하는 지역을 사전에 탐지하는 것을 목표로 하고 있으므로 CI가 탐지된 시각으로부터 20분 후 ~ 2시간 이내의 10분 간격 1.5 km 고도의 레이더 강수합성 자료를 이용하여 검증을 수행하였다. 이미 발달한 구름의 레이더 에코를 제외하기 위해 CI 탐지 시각으로부터 20분 이내의 레이더 자료는 검증에서 제외하였으며, 레이더 자료만을 이용하여 검증을 수행하는 경우 층운형 강수나 저기압성 강수 등 다양한 유형의 강수 에코가 검증에 포함될 수 있으므로 낙뢰 자료를 추가적으로 사용하였다. 낙뢰 자료는 2장에서 언급했듯이 레이더 자료에서 반사도가 35 dBZ 이상인 셀의 최대, 최소 위∙경도를 기준으로 0.1^o의 범위 내에서 1시간 이내에 발생한 낙뢰 빈도를 산정하는데 활용되며, 낙뢰가 2회 이상 발생한 경우를 대류에 의한 레이더 에코로 간주하였다. 다만 낙뢰 자료를 사용하는 경우 낙뢰가 발생하지 않고 강우만 유발한 대류운이 오탐지로 간주되는 문제점이 있으나 정량적 분석에서 비대류성 레이더 에코를 제외하기 위해서는 낙뢰를 사용하는 방법이 효과적이므로 본 연구에서는 레이더 자료와 함께 낙뢰 자료를 검증에 사용하였다.

CI 알고리즘의 정량적 통계 검증은 CI 탐지 영역에서 향후 2시간 이내에 낙뢰를 동반하는 35 dBZ 이상의 레이더 반사도가 최소 20분 이상 나타나는 경우 Hit, CI가 탐지되었으나 2시간 이내에 낙뢰를 동반하는 35 dBZ 이상의 레이더 반사도가 감지되지 않은 경우는 False, 그리고 최소 20분 이상 지속적으로 레이더 35 dBZ 이상의 반사도와 낙뢰가 발생하였으나 알고리즘에서 CI가 탐지되지 않은 경우는 Miss로 판단하였다(Table 6). 이를 통해 탐지율(Probability of detection, 이하 POD)과 오탐지율(False alarm rate, 이하 FAR) 그리고 임계 성공 지수(Critical success index, 이하 CSI)를 계산하여 알고리즘을 성능을 평가하였으며, 식(1)~(3)과 같이 계산된다. 여기서 POD는 실제 대류운이 발생한 사건에 대해 알고리즘에서 예측한 경우이고 FAR는 알고리즘에서 대류운의 발생을 예측했으나 실제로 발생하지 않은 경우이며, CSI는 알고리즘에서 대류운의 발생을 예측한 사건과 예측하지 못했지만 실제로 대류운이 발생한 사건 중 알고리즘이 대류운 발생을 정확하게 예측한 경우이다. POD와 CSI는 1에 가까울수록, FAR는 0에 가까울수록 정확도가 높다는 것을 의미한다.

$\[ \mathrm{P}\mathrm{O}\mathrm{D}=\frac{Hit}{Hit+Miss} \]$

(1)

$\[ \mathrm{F}\mathrm{A}\mathrm{R}=\frac{False}{Hit+False} \]$

(2)

$\[ \mathrm{C}\mathrm{S}\mathrm{I}=\frac{Hit}{Hit+False+Miss} \]$

(3)

Table 6.

Contingency table for validation.

Table 3에 나타낸 2020년 여름철에 발생한 총 14개의 CI 발생 건수에 대해 10분 간격으로 정량적 검증을 수행하였으며, 결과는 Table 7에 나타냈다. 그 결과, POD가 가장 높은 경우는 0.97이고 FAR가 가장 낮은 경우는 0.12로 나타났다. 열적 불안정에 의해 발생하는 경우 비교적 높은 POD와 낮은 FAR를 보이며, 전체 평균 POD가 0.89로 실제 대류운이 발생한 사건에 대해 89% 이상 대류운 발생을 예측하는 결과를 보였다. 반면 알고리즘에서 대류운의 발생을 예측했으나 실제로 발생하지 않은 경우가 전체 평균 0.46으로 나타났으며, CSI는 최고 0.81, 최저 0.42로 FAR가 낮을수록 CSI가 높아지는 경향을 보였다. 전체 평균 CSI는 0.51로 높은 POD에 비해 CSI가 비교적 낮았으며, 이는 False 개수의 영향으로 알고리즘이 다소 과탐지 경향이 있다는 것을 의미한다. Figure 14에 각 사례별 10분 간격의 CI 선행 탐지 시각을 막대 그래프로 나타냈으며, 시간이 지날수록 35 dBZ 발생 시각과 가까워지므로 선행 시간이 짧아진다. 2020년 6월 6일은 열적 불안정과 하층 바람 수렴으로 인해 대류운이 발생한 사례로 선행 탐지 시간이 최대 50분으로 다른 사례에 비해 짧았으며, 2020년 6월 21일은 열적 불안정에 의해 대류운이 발달한 사례로 선행 탐지 시간이 최대 110분으로 가장 길고 POD와 FAR, CSI가 다른 사례에 비해 좋은 성능을 보였다. 14개 CI 이벤트에 대해 평균 선행 시간은 약 39분으로 나타났으며, 열적 불안정에 의해 발달한 대류운의 경우 선행 탐지 시간이 평균 46분 이상으로 길고 POD가 높게 나타났다. 그러나 하층 바람수렴이나 기압골 등의 역학적 요인이 함께 복합적으로 나타나는 경우 선행 탐지 시간이 약 30~40분으로 비교적 짧고 FAR가 다소 높았다. 이 알고리즘은 구름의 수평 이동보다 연직 상승 변화를 고려하기 때문에 이류가 강하여 대류운의 이동속도가 빠른 경우 CI 탐지가 어렵고 탐지가 되더라도 오탐지인 경우가 많다. 또한 정지궤도 위성은 구름의 운정 정보를 이용하기 때문에 권운이나 두꺼운 구름 밑에서 발달하는 대류운의 경우에는 CI의 탐지가 어렵다. 하지만 이 알고리즘을 통해 열적 불안정 및 하층 바람 수렴에 의해 발생하는 국지성 대류운은 레이더보다 약 40분 전에 대류운으로의 발달 전조에 대한 사전 탐지가 가능함을 확인하였다.

Table 7.

Validation results of CI algorithm in summer 2020.

Fig. 14.

Frequency distribution of lead times for 14 CI events in summer 2020. The blue line and number indicate the mean value.

5. 요약 및 결론

이 연구에서는 수치예보모델, 레이더 등으로 판별하기 어려운 대류운의 전조를 사전에 탐지하기 위한 알고리즘을 개발하였다. 특히 예측이 어려운 열적 불안정으로 발생하는 국지성 대류운을 사전에 탐지하는 것을 목적으로 하고 있다. 이 알고리즘은 GK2A의 가시 및 적외 채널 자료와 기상산출물인 대기 불안정 지수(CAPE, KI, LI, SSI, KI)를 이용하여 개발되었으며, 대류형 구름 분류 단계, 구름 객체화 및 구름 객체 추적 단계, 대류운 발생 가능성 판별 단계, 그리고 비대류 객체를 제거하기 위한 후처리 단계로 구성된다. 이러한 과정을 통해 산출된 CI는 대류운 발생 가능성 판별 단계에서 획득한 점수에 따라 강도를 구분(약함, 중간, 강함)하여 나타냈다.

알고리즘의 정성적 성능을 살피기 위해 2020년 6월 6일과 6월 20일에 발생한 국지성 대류운 사례에 대해 결과를 분석하였다. 이 사례는 열적 불안정 및 하층 바람 수렴으로 대류운이 발생한 사례이며, 알고리즘 산출 결과에서 두 사례 모두 레이더 에코가 감지되기 전에 CI를 탐지하여 향후 대류운 발달 가능성을 지속적으로 나타냈다. 또한 대류운 주변에서 새롭게 발달하는 대류성 구름을 사전에 탐지하여 성장 정도 및 이동 방향에 대한 정보를 제공한다. 이 알고리즘은 대류운으로 발달할 가능성이 높은 구름을 탐지하기 때문에 탐지된 CI 객체가 모두 대류운으로 발달하지 않는다. 따라서 CI 탐지 결과와 함께 수증기의 분포나 단열 선도를 이용한 대기 연직 정보 등 대기의 종관적, 국지적 상태를 분석한다면 예측이 어려운 국지성 대류운의 조기 탐지가 가능하다.

정량적 검증은 1.5 km 고도의 레이더 강수합성자료와 낙뢰 자료를 이용하였으며, 탐지된 CI가 향후 대류운으로 발달하는지를 살펴야 하기 때문에 CI가 탐지된 시각으로부터 20분 후 ~ 2시간 이내의 레이더와 낙뢰 자료를 이용하여 검증을 수행하였다. 정성적 분석에 사용한 두 사례를 포함한 2020년 여름철에 발생한 14개의 CI 발생 건수에 대해 정량적 성능을 분석하였으며, 전체 POD가 0.89, FAR가 0.46 그리고 CSI가 0.51로 나타났으며, 레이더 보다 선행 탐지한 시간은 평균 39분이다. 열적 불안정에 의해 발달한 대류운의 경우 선행 탐지 시간이 최대 110분으로 가장 길고 POD와 CSI가 높았으며, 하층 바람수렴이나 기압골 등의 역학적 요인이 복합적으로 나타나는 경우 선행 탐지 시간이 약 30~40분으로 비교적 짧았다. 즉, 이 알고리즘을 통해 수치예보모델, 위성 기본 영상 또는 레이더 등으로는 판별하기 어려운 대류운의 전조 및 대류운으로 발달할 가능성이 높은 구름 정보를 사용자에게 제공하여, 정확한 구역 및 시간에 대한 예보가 어려운 국지성 대류운의 초단기 예보에 활용할 수 있다.

다만 이 알고리즘은 구름의 수평 이동보다 연직 상승 변화를 고려하기 때문에 수평 이류가 강하여 대류운의 이동속도가 빠른 경우는 탐지가 어려우며, CI가 탐지되었다고 하더라도 오탐지일 가능성이 높다. 또한 구름의 운정 정보를 이용하기 때문에 권운이나 두꺼운 구름 밑에서 발달하는 대류운의 경우 전조를 탐지하기에 한계가 있다. 그리고 미래에 대류운이 발달할 가능성이 높은 구름 객체를 탐지하기 때문에 오탐지가 다소 많은 경향을 보인다. 특히 대류가 약하거나 구름이 연직으로 성장했음에도 대류운으로 발달하지 않거나 강수를 내리지 않은 경우이며, 이러한 경우는 대기 불안정 지수나 위성 휘도온도만으로는 판별하기 어렵다. 따라서 종관 기상 상태나 수증기의 분포, 열역학적 구조를 파악하여 탐지된 CI가 대류운으로 발달할 가능성이 있는지 분석한다면 대류운 실황 감시에 유용할 것으로 판단된다. 향후 알고리즘 개선을 위해 가강수량 및 바람 정보 등 다양한 자료를 활용하고 인공지능 등의 최신 기술을 적용한 알고리즘 연구를 진행할 예정이다.

Acknowledgments

연구는 기상청 R&D 프로그램 「기상위성 예보지원 및 융합서비스 기술개발」(KMA2020-00120)의 지원으로 수행되었습니다.

References

• Autonès, F., and J.-M. Moisselin, 2013: Algorithm Theoretical Basis Document for “Rapid Development Thunderstorms” (RDT-PGE11 v3.0). METEO-FRANCE, 73 pp.
• Autonès, F., and M. Claudon, 2019: Algorithm Theoretical Basis Document for Convection Product Processors of the NWC/GEO (GEO-CI_v2.0). METEO-FRANCE Toulouse (MFT), 62 pp.
• Baek, S.-K., Y.-J. Choi, C.-Y. Chung, and C.-H. Cho, 2006: The characteristics and predictability of convective system based on GOES-9 observations during the summer of 2004 over East Asia. Atmosphere, 16, 225-234 (in Korean with English abstract).
• Bins, L. S. A., L. M. G. Fonseca, G. J. Erthal, and F. M. Ii, 1996: Satellite imagery segmentation: a region growing approach. Anais VIII Simpósio Brasileiro de Sensoriamento Remoto, Salvador, Brasil, INPE, 677-680.
• Chahine, M. T., 1974: Remote sounding of cloudy atmospheres. Ⅰ. The single cloud layer. J. Atmos. Sci., 31, 233-243. [https://doi.org/10.1175/1520-0469(1974)031<0233:RSOCAI>2.0.CO;2]
• Cintineo, J. L., M. J. Pavolonis, J. M. Sieglaff, and D. T. Lindsey, 2014: An empirical model for assessing the severe weather potential of developing convection. Wea. Forecasting, 29, 639-653. [https://doi.org/10.1175/WAF-D-13-00113.1]
• Collier, C. G., 2003: On the formation of stratiform and convective cloud. Weather, 58, 62-69. [https://doi.org/10.1256/wea.239.02]
• Craven, J. P., and H. E. Brooks, 2004: Baseline climatology of sounding derived parameters associated with deep moist convection. Natl. Wea. Dig., 28, 13-24.
• Dixon, M., and G. Wiener, 1993: TITAN: Thunderstorm identification, tracking, analysis, and nowcasting-A radar-based methodology. J. Atmos. Oceanic Technol., 10, 785-797. [https://doi.org/10.1175/1520-0426(1993)010<0785:TTITAA>2.0.CO;2]
• Doswell III, C. A., H. E. Brooks, and R. A. Maddox, 1996: Flash flood forecasting: An ingredients-based methodology. Wea. Forecasting, 11, 560-581. [https://doi.org/10.1175/1520-0434(1996)011<0560:FFFAIB>2.0.CO;2]
• Galway, J. G., 1956: The lifted index as a predictor of latent instability. Bull. Amer. Meteor. Soc., 37, 528-529. [https://doi.org/10.1175/1520-0477-37.10.528]
• George, J. J., 1960: Weather Forecasting for Aeronautics. Academic Press, 673 pp.
• Han, L., S. Fu, L. Zhao, Y. Zheng, H. Wang, and Y. Lin, 2009: 3D convective storm identification, tracking, and forecasting-An enhanced TITAN algorithm. J. Atmos. Oceanic Technol., 26, 719-732. [https://doi.org/10.1175/2008JTECHA1084.1]
• Han, H., S. Lee, J. Im, M. Kim, M.-I. Lee, M. H. Ahn, and S.-R. Chung, 2015: Detection of convective initiation using meteorological imager onboard communication, ocean, and meteorological satellite based on machine learning approaches. Remote Sens., 7, 9184-9204. [https://doi.org/10.3390/rs70709184]
• Han, D., J. Lee, J. Im, S. Sim, S. Lee, and H. Han, 2019: A novel framework of detecting convective initiation combining automated sampling, machine learning, and repeated model tuning from geostationary satellite data. Remote Sens., 11, 1454. [https://doi.org/10.3390/rs11121454]
• Heidinger, A. K., and M. J. Pavolonis, 2009: Gazing at cirrus clouds for 25 years through a split window. Part Ⅰ: Methodology. J. Appl. Meteor. Climatol., 48, 1100-1116. [https://doi.org/10.1175/2008JAMC1882.1]
• Hogan, R. J., A. J., Illingworth, E. J., O’conner, and J. P. V. Poiares Baptista, 2003: Characteristics of mixed-phase clouds. Ⅱ: A climatology from ground-based lidar. Q. J. R. Meteorol. Soc., 129, 2117-2134. [https://doi.org/10.1256/qj.01.209]
• Inoue, T., 1985: On the temperature and effective emissivity determination of semi-transparent cirrus clouds by bi-spectral measurements in the 10 μm window region. J. Meteor. Soc. Japan, 63, 88-99. [https://doi.org/10.2151/jmsj1965.63.1_88]
• Jeong, G.-Y., and C.-S. Ryu, 2008: The synoptic characteristics of heavy rain in South Korea. J. Chosun Nat. Sci., 1, 89-114 (in Korean with English abstract).
• Jung, S.-H. and G. W. Lee, 2015: Radar-based cell tracking with fuzzy logic approach. Meteor. Appl., 22, 716-730. [https://doi.org/10.1002/met.1509]
• Jung, S.-H., G. W. Lee, H.-W. Kim, and B. J. Kuk, 2011: Development of convective cell identification and tracking algorithm using 3-dimensional radar reflectivity fields. Atmosphere, 21, 243-256, (in Korean with English abstract).
• Jung, S.-P., T.-Y. Kwon, and S.-O. Han, 2014: Thermodynamic characteristics associated with localized torrential rainfall events in the middle west region of Korean peninsula. Atmosphere, 24, 457-470, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2014.24.4.457]
• Jung, S.-P., T.-Y. Kwon, J.-Y. Park, and B.-C. Choi, 2016: A study on the radar reflectivity-snowfall rate relation for Yeongdong heavy snowfall events. Atmosphere, 26, 509-522, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2016.26.4.509]
• Keat, W. J., T. H. M. Stein, E. Phaduli, S. Landman, E. Becker, M.-J. M. Bopape, K. E. Hanley, H. W. Lean, and S. Webster, 2019: Convective initiation and storm life cycles in convection‐permitting simulations of the Met Office Unified Model over South Africa. Q. J. R. Meteorol. Soc., 145, 1323-1336. [https://doi.org/10.1002/qj.3487]
• Khandan, R., S. K. Alavipanah, A. P. Biazar, and M. Gharayloui, 2018: Probabilistic convective initiation nowcasting with reduced satellite - NWP predictors over Iran. Asia-Pac. J. Atmos. Sci., 54, 431-443. [https://doi.org/10.1007/s13143-018-0009-z]
• KMA, 2021: Abnormal Climate Report in 2020, Korea Meteorological Administration, 212 pp (in Korean).
• Kwon, T.-Y., and J.-S. Lee, 2013: Satellite image analysis of convective cell in the Chuseok heavy rain of 21 September 2010. Korean J. Remote Sens., 29, 423-441, (in Korean with English abstract). [https://doi.org/10.7780/kjrs.2013.29.4.8]
• Lakshmanan, V., K. Hondl, and R. Rabin, 2009: An efficient, general-purpose technique for identifying storm cells in geospatial images. J. Oceanic Atmos. Technol., 26, 523-537. [https://doi.org/10.1175/2008JTECHA1153.1]
• Lee, S., H. Han, J. Im, E. Jang, and M.-I. Lee, 2017: Detection of deterministic and probabilistic convection initiation using Himawari-8 Advanced Himawari Imager data. Atmos. Meas. Tech., 10, 1859-1874. [https://doi.org/10.5194/amt-10-1859-2017]
• McNulty, R. P., 1995: Severe and convective weather: A central region forecasting challenge. Wea. Forecasting, 10, 187-202. [https://doi.org/10.1175/1520-0434(1995)010<0187:SACWAC>2.0.CO;2]
• Marshall, J. S., and W. Mc K. Palmer, 1948: The distribution of raindrops with size. J. Meteor., 5, 165-166. [https://doi.org/10.1175/1520-0469(1948)005<0165:TDORWS>2.0.CO;2]
• Mecikalski, J. R., and K. M. Bedka, 2006: Forecasting convective initiation by monitoring the evolution of moving cumulus in daytime GOES imagery. Mon. Wea. Rev., 134, 49-78. [https://doi.org/10.1175/MWR3062.1]
• Mecikalski, J. R., W. M. MacKenzie Jr, M. Koening, and S. Muller, 2010: Cloud-top properties of growing cumulus prior to convective initiation as measured by Meteosat Second Generation. Part 1: Infrared fields. J. Appl. Meteor. Climatol., 49, 521-534. [https://doi.org/10.1175/2009JAMC2344.1]
• Mecikalski, J. R., J. K. Williams, C. P. Jewett, D. Ahijevych, A. LeRoy, and J. R. Walker, 2015: Probabilistic 0-1-h convective initiation nowcasts that combine geostationary satellite observations and numerical weather prediction model data. J. Appl. Meteor. Climatol., 54, 1039-1059. [https://doi.org/10.1175/JAMC-D-14-0129.1]
• Moncrieff, M. W., and M. J. Miller, 1976: The dynamics and simulation of tropical cumulonimbus and squall lines. Q. J. R. Meteorol. Soc., 102, 373-394. [https://doi.org/10.1002/qj.49710243208]
• Mueller, C., T. Saxen, R. Roberts, J. Wilson, T. Betancourt, S. Dettling, N. Oien, and J. Yee, 2003: NCAR Auto-Nowcast System. Wea. Forecasting, 18, 545-561. [https://doi.org/10.1175/1520-0434(2003)018<0545:NAS>2.0.CO;2]
• Miller, R. C., 1975: Notes on analysis and severe-storm forecasting procedures of the Air Force Global Weather Central. Tech. Rep. 200, Headquarters, Air Weather Service, USAF, 190 pp.
• Park, Y.-H., D.-S. Shin, D.-J. Ham, and M.-R. Yook, 2003: Formation and maintenance process of an intense quasi-stationary convective band. Atmosphere, 13, 298-299 (in Korean).
• Roberts, R. D., and S. Rutledge, 2003: Nowcasting storm initiation and growth using GOES-8 and WSR-88D data. Wea. Forecasting, 18, 562-584. [https://doi.org/10.1175/1520-0434(2003)018<0562:NSIAGU>2.0.CO;2]
• Schultz, D. M., and P. N. Schumacher, 1999: The use and misuse of conditional symmetric instability. Mon. Wea. Rev., 127, 2709-2732. [https://doi.org/10.1175/1520-0493(1999)127<2709:TUAMOC>2.0.CO;2]
• Showalter, A. K., 1953: A stability index for thunderstorm forecasting. Bull. Amer. Meteor. Soc., 34, 250-252. [https://doi.org/10.1175/1520-0477-34.6.250]
• Sieglaff, J. M., L. M. Cronce, W. F. Feltz, K. M. Bedka, M. J. Pavolonis, and A. K. Heidinger, 2011: Nowcasting convective storm initiation using satellite-based box-averaged cloud-top cooling and cloud-type trends. J. Appl. Meteor. Climatol., 50, 110-126. [https://doi.org/10.1175/2010JAMC2496.1]
• Siewert, C. W., M. Koening, and J. R. Mecikalski, 2010: Application of Meteosat second generation data towards improving the nowcasting of convective initiation. Meteor. Appl., 17, 442-451. [https://doi.org/10.1002/met.176]
• Sumida, Y., H. Suzue, T. Imai, and A. Sobajima, 2017: Convective cloud information derived from Himawari-8 data. Meoteor. Satellite Center Tech. Note, 62, 19-37.
• Szejwach, G., 1982: Determination of semi-transparent cirrus cloud temperature from infrared radiances: Application to METEOSAT, J. Appl. Meteor. Climatol., 21, 384-393. [https://doi.org/10.1175/1520-0450(1982)021<0384:DOSTCC>2.0.CO;2]
• Uijlenhoet, R., 2001: Raindrop size distributions and radar reflectivity-rain rate relationships for radar hydrology. Hydrol. Earth Syst. Sci., 5, 615-628. [https://doi.org/10.5194/hess-5-615-2001]
• Walker, J. R., and J. R. Mecikalski, 2011: NOAA NESDIS center for satellite applications and research - algorithm theoretical basis document. convective initiation. NOAA NESDIS STAR, 40 pp [Available online at https://www.nsstc.uah.edu/uahci/training.html, ].
• Walker, J. R., W. M. MacKenzie Jr., J. R. Mecikalski, and C. P. Jewett, 2012: An enhanced geostationary satellite-based convective initiation algorithm for 0-2-h nowcasting with object tracking. J. Appl. Meteor. Climatol., 51, 1931-1949. [https://doi.org/10.1175/JAMC-D-11-0246.1]
• Weisman, M. L., and J. B. Klemp, 1982: The dependence of numerically simulated convective storms on vertical wind shear and buoyancy. Mon. Wea. Rev., 110, 504-520. [https://doi.org/10.1175/1520-0493(1982)110<0504:TDONSC>2.0.CO;2]
• Wolters, E. L. A., R. A. Roebeling, and A. J. Feijt, 2008: Evaluation of cloud-phase retrieval methods for SEVIRI on Meteosat-8 using ground-based lidar and cloud radar data. J. Appl. Meteor. Climatol., 47, 1723-1738. [https://doi.org/10.1175/2007JAMC1591.1]
• Yoo, C., and S. Yoon, 2012: The error structure of the CAPPI and the correction of the range dependent error due to the earth curvature. Atmosphere, 22, 309-319, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2012.22.3.309]