Current Issue

대한민국 기상청으로부터 제공받은 GloSea5의 과거 모의실험(Hindcast experiment)을 분석하였다. 대기 대규모 순환장 및 북반구 원격상관패턴의 주별 예측성능 평가를 위하여 일평균 500-hPa 지위고도 자료가 사용되었다. GloSea5는 영국 기상청(UK Met Office)의 대기모형(Unified Model, UM), 해양모형(Nucleus for European Modelling of the Ocean, NEMO), 지면모형(Joint UK Land Environment Simulator, JULES), 그리고 해빙모형(The Los Alamos Sea Ice Model, CICE)으로 구성되어 있다. 각 모형의 해상도 및 참고문헌은 Table 1에 정리하였다(Maclachlan et al., 2015).

과거기후 모의실험은 1991년 1월부터 2010년 12월까지 총 20년 동안, 매달 1일, 9일, 17일, 25일 4회 초기화되어 각각 60일 동안 적분되었다. 실험은 초기장을 변화시킨 3개의 앙상블 멤버로 구성되었는데, 초기장과 모형의 불확실성을 고려하여 3개의 앙상블 멤버 평균값을 사용하였다. 또한 본 연구의 관심이 원격상관패턴과 같은 대규모 대기순환장에 있기 때문에 실험자료는 위/경도 2.5^o의 수평 해상도로 쌍선형(bilinear) 내삽해 사용하였다.

모형의 예측성 평가를 위한 관측값으로 ECMWF(European Centre for Medium-Range Weather Forecasts) ERA-interim 재분석자료(Dee et al., 2011)의 월평균 및 일평균 500-hPa 지위고도 자료를 사용하였다. 북반구 기후 설명에 용이한 원격상관패턴을 생성하기 위하여 GloSea5 모의자료 기간 보다 긴, 1979년부터 2016년까지 38년의 월평균 자료를 사용했고, 예측성능 평가에는 모의자료와 동일한 기간에 대한 일평균 자료를 사용하였다. 재분석 자료 역시 과거 모의자료와 해상도를 통일하기 위하여 위/경도 2.5^o로 내삽 후 사용하였다.

예측성능 평가는 주별로 이루어졌다. 선행 시간(lead time)은 예측 시점과 초기화 시점의 시간상 차이로서, 선행 시간 1은 모형적분의 초기화 시점부터 1주일까지의 평균을 의미한다(Johansson, 2007). 60일 동안 적분된 일별자료들을 이용하면 선행 시간 8까지 분석이 가능하지만, 6주 이후는 주별 예측성이 거의 동일하고 매우 낮기 때문에 선행 시간 1~6을 분석 기간으로 선택하였다. 이는 대한민국 기상청의 1개월 전망(https://www.weather.go.kr/weather/forecast/long-range1.jsp)과 미국 NOAA/CPC Week 3-4 Outlooks(https://www.cpc.ncep.noaa.gov/products/predictions/WK34/)의 예측 시간을 넉넉히 포함한다.

관측값으로 초기화된 모형이 장시간 적분되면 예측결과가 관측값으로부터 멀어지며, 특히 그 차이가 모형 내부 물리-역학 과정의 특성에 따라 구조적 편이(structural bias)를 보이는, 이른바 기후 표류(climate drift)가 나타난다(Gupta et al., 2013). 따라서 구조적 편이의 제거는 천천히 변화는 경계값에 대한 준평형 반응을 보다 정확하게 관찰할 수 있게 한다. 다만, 평균을 안정적으로 추정하기 위해서는 적당한 크기 이상의 자료수가 필요하다. 본 연구에서는 아래와 같은 보정식을 사용하여 구조적 편이를 제거하는 모형 편이 보정(Bias correction)을 수행하였다.

여기서 H와 O는 각각 예측값과 관측값을 의미한다. 또한 t는 선행시간으로 주별로 1부터 6까지의 값을 가지며, y는 각 해에 해당하는 인덱스이다. 즉, H_yt는 각 초기장에 따른 앙상블 평균된 주별 예측값을 의미한다. H¯t와 O¯t는 각 선행시간 별, 연중날짜(day of year)별로 20년에 대하여 평균한 값을 의미한다(n = 20). Hyt'는 구조적 편이H¯t-O¯t가 제거된 예측값이다. 구조 편이 제거 결과는 다음 장에서 설명하였다.

보정된 모델 자료와 관측값을 이용하여 이상상관계수(Anomaly Correlation Coefficient; 이하 ACC)와 평균-제곱근 예측성능지수(Mean-Square Skill Score; 이하 MSSS)를 구함으로써 모형의 주별 예측성능을 평가하였다. 두 검증 지수는 WMO에서 표준화한 지수들에 포함되며 다년 시간규모의 예측성 평가를 위해 제안된 진단기법이다(Goddard et al., 2013). 또한 다수의 선행 연구에서 계절 규모의 예측성 검증을 위해 자주 사용한 평가 방법이다(e.g., Jung et al., 2015; Choi et al., 2016).

ACC는 위의 식으로 계산할 수 있으며, 각 기호의 의미는 앞서 기술한 바와 동일하다. ACC는 관측과 모델이 갖는 선형 상관관계에 대한 예측성 진단 변수이다. 그 값이 1에 가까울수록 모델과 관측이 완전한 선형관계임을 의미하고, 선형 상관성이 없을 때 0의 값을 가지며, 반대로 모의할 때 −1의 값을 갖는다. 경험적으로 0.5 또는 0.6 이하로 떨어질 경우 종관규모에 유용한 예측성이 없다고 판단하며(e.g., Wilks, 2011; Owen and Hewson, 2018), 본 연구에서는 0.5를 기준값으로 하였다.

MSSS는 평균-제곱 오차(Mean-Square Error; 이하 MSE)를 이용해 구한다(Murphy, 1988).

ACC를 사용하여 다시 정리하면 그 의미가 좀더 분명하다.

MSSS는 예측과 관측이 선형 상관관계를 갖더라도 시간에 따른 경향성의 크기가 다를 때 발생하게 되는 조건부 편이(Conditional bias)를 고려하는 예측진단변수이며, 관측과 모형 사이의 분산 차이를 고려하지 못하는 ACC의 단점을 보완한다. MSSS는 1에서 음의 무한대까지의 값을 가지며 ACC와 마찬가지로 1에 가까울수록 예측성이 높고 음의 값을 가질 경우 예측성이 없다고 판단한다.

원격상관패턴 예측성능 평가에 앞서, 전지구의 각 지역별 대기 순환장 예측성능의 특징을 살펴보기 위하여 500-hPa 지위고도의 주별 예측성능을 평가하였다. 2장에서 소개된 바와 같이, 주별로 정의된 모형의 구조적 편이를 각 선행시간에 대하여 제거하였다(Fig. 1). 60^oS-70^oN 지역에 대하여 20년 자료 중 1월 1일에 초기화된 자료의 편이와 수정된 편이를 살펴보면(왼쪽 패널) 과거기후 모의자료의 편이(검은색 선)는 1주차부터 −12 m 정도의 과소모의된 값을 보인다. 모형의 과소모의 경향은 선행시간과 함께 증가하여 3주차 이후로 −18 m 정도의 값으로 수렴한다. 또한 각 해에서 얻어진 구조적 편이의 최댓값과 최솟값의 범위(회색 음영)를 보면, 그 정도가 선행 시간에 따라 최대 6~34 m 정도로 증가함을 볼 수 있다. 2장에서 제시된 보정식을 사용하여 편이 수정된 20년 평균된 편이(빨간색 선)는 모든 선행시간에 대하여 0으로 보정됨을 확인할 수 있다. 각 해의 편이간 분산(분홍색 음영)은 보정되지 않았다. 7월 1일에 초기화된 자료에 대하여 살펴보면(오른쪽 패널), 1월과 비슷한 모형의 과소모의(검은색 선) 경향과 편이 수정 결과(빨간색 선)를 확인할 수 있다. Figure 1는 1월 1일과 7월의 1일에 시작된 결과만을 제시하나 다른 날짜에 대하여도 비슷한 결론을 얻을 수 있다(보이지 않음).

Fig. 1. 
Black (red) line presents the 20-year average of the difference in the 60^oS-70^oN mean 500-hPa geopotential height between the hindcast raw data (bias-corrected data) and the ERA-interim data where the spread of the difference between the maximum and minimum values among the years is shown by grey (pink) shading. The results for an initial date of January 1 on the left and July 1 on the right.

북반구 겨울철의 전 지구 ACC, MSSS 값을 살펴보면 다음과 같은 특징들이 두드러진다(Figs. 2a, b). 첫째로 중고위도에 비하여 열대지역 예측성능이 초기 선행 시간에서부터 지속적으로 높게 유지된다. 이는 열대 지역이 ENSO (El Niño-Southern Oscillation)와 같이 천천히 변하는 강제력에 대한 반응으로 중층 지위고도에서 대규모적인 변동성이 작게 나타나는 것을 보여준다(Zhu et al., 2014). 반면에 중-고위도 지역은 초기에 존재하는 예측성능이 상대적으로 빠르게 제거됨을 확인할 수 있는데, 이는 중위도에서 강한 온도 경도로 인한 경압 불안정의 시간규모와 관련된 것으로 이해 가능하다(e.g., Eady, 1949). 또한 해양과 대륙의 열용량 차이 등에 의하여, 대륙지역을 중심으로 더욱 급격하게 예측성이 낮아짐을 확인할 수 있다.

Fig. 2. 
ACC and MSSS for the 500-hPa geopotential height from 60^oS to 70^oN for lead time 2, 4, and 6 (see bottom right of each figure) from December to February (DJF, left) and from June to August (JJA, right). The top six figures show the ACC value, and the bottom six figures show the MSSS value.

둘째로, 북반구 겨울철 예측성능이 여름철에 비해 높게 유지됨을 확인할 수 있다(Figs. 2c, d). 이는 기존 계절 시간규모 예측성능에서도 보고된 결과로, 남반구에 비하여 열대지역과 북반구에서 더욱 두드러진다. 북반구 겨울철에 대기 원격상관패턴과 열대 변동성인 매든줄리안진동(Madden Julian Oscillation; Madden and Julian 1971)이나 엘니뇨남방진동(El Niño-Southern Oscillation)의 지속성과 강도가 향상된다는 점과 일치한다. 위와 같은 열대 기후모드는 계절내 혹은 그 이상의 시간규모에서 준정기(quasi-periodic)적으로 변동하며, 로스비 파동 등을 통하여 그 영향이 중-고위도에 전파된다(e.g., Hoskins and Karoly, 1981; Seo and Son, 2012; Seo et al., 2016). 또한 여름철에 비하여 겨울철 강하게 발달하는 경압 시스템이 상대적으로 높은 예측성능에 기여할 수 있다. 남, 북반구 차이의 경우 북반구에서 상대적으로 우수한 초기 조건의 질과 지리적으로 고정된 강제력의 영향이 예측성능을 향상시킬 수 있다.

지역별 평균을 수행하여 ACC 결과(Fig. 3a)를 정량화하면, 열대 지역(20^oS-20^oN; 파란선)은 선행시간 4주차까지 ACC 기준 0.5를 넘는 반면, 북반구 중-고위도 지역(20^oN-70^oN; 초록선)은 선행시간 2주차까지만 유용한 예측성능(i.e., 0.5 이상)이 유지되는 것으로 계산되었다. 북반구 중-고위도의 대륙(빨간선)과 해양(주황선)을 나누어 ACC값을 평가하면, 해양의 예측성능이 3주차 이후에 대략 0.05~0.1 정도 높게 유지됨을 볼 수 있다. 북반구의 계절별 예측 결과를 살펴보면, 봄, 여름, 가을철에는 서로 비슷한 ACC를 보인 반면, 겨울철에는 선행시간 2주차부터 다른 세 계절에 비하여 0.05~0.1 정도 높은 ACC 값이 지속되었다(Fig. 3c). Figure 2에서 확인할 수 있듯 겨울철에 상대적으로 높은 ACC 값은 중고위도 해양과 대륙 위에서 모두 확인된다. 이는 대기의 장주기 변동성이 여름철보다 겨울철에 더 큰 강도를 보이며(Barnston and Livezey, 1987), 해양의 기후모드(e.g., Pacific Decadal Oscillation) 역시 그러하기 때문이다(Mills and Walsh, 2013).

Fig. 3. 
(a) ACC and (b) MSSS in the tropical (20^oN-20^oS, blue) and Northern Hemisphere (NH) extratropical regions (20-70^oN, green) calculated for all months. In addition, the scores calculated separately for land (red) and ocean areas (orange) in the NH extratropics are also plotted. (c) ACC and (d) MSSS in the NH extratropics in each season: December to February (DJF, blue), March to May (MAM, green), June to August (JJA, red), and September to November (SON, orange).

MSSS 역시 ACC와 유사한 결과를 제시한다(Figs. 3b, d). 다시 말하면, 열대 지역이 중고위도 지역보다 예측성능이 높게 유지되며, 겨울철 예측성능이 타 계절에 비하여 높다. 앞서 설명하였듯, MSSS는 추가적으로 조건부 편이를 고려한 측도이기 때문에, MSSS와 ACC 간의 유사성은 관측값과 모형예측값 간의 분산의 기울기(Slope)가 1을 크게 벗어나지 않는 것을 의미한다.

본 연구에서 원격상관패턴을 객관적으로 정의하기 위하여 NOAA/CPC의 정의를 따랐으며, 이는 Barnston and Livezey (1987)의 분석방법에 기반한다. 원격상관 패턴을 추출하기 위하여 북반구 지역(20^oN-90^oN) 월평균 500-hPa 지위고도 아노말리를 사용한다. 여기서 아노말리는 계절변동을 고려하여 월별 기후값을 제거한 것을 의미한다. 지위고도장을 먼저 10개의 경험적 직교함수(Empirical Orthogonal Function; 이하 EOF)로 필터링하며, 이후 하나의 요인에 높게 적재하는 변수의 수를 줄여서 요인의 해석에 중점을 둔 ‘Varimax’ 방식으로 회전된 경험적 직교함수(Rotated EOF; 이하 REOF)로 다시 정의한다. 각 패턴을 월별로 정의하는데, 월별 패턴을 위하여 앞뒤 1개월씩의 자료를 추가로 사용한다. 예를 들어, 1월 패턴은 12월부터 2월까지의 3개월 자료를 사용하여 정의한다. 인덱스는 각 월별 패턴에 일별 500-hPa 지위고도 아노말리를 내적한 후 월별 표준편차를 사용하여 표준화하였다.

REOF를 사용하여 객관적으로 정의된 원격상관패턴은 작용 중심(center of action)의 위치에 따라 명명된다. 본 연구에서 평가할 패턴은 대류권 중층에서 정의되는 NAO, EA (East Atlantic), EAWR (East Atlantic/Western Russia), SCAND (Scandinavia), PE(Polar/Eurasia), WP (West Pacific), PNA (Pacific-North American) 패턴이다(Fig. 4). NOAA/CPC는 이들에 추가로 북극 진동(Arctic Oscillation; 이하 AO), 남극 진동(Antarctic Oscillation; 이하 AAO) 등을 포함한 10개의 북반구 대기 원격상관패턴에 대해 월별 인덱스를 제공한다. 이 중 AAO는 남반구의 패턴이므로 분석에서 제외하였다.

Fig. 4. 
Dimensionless NH teleconnection patterns of 500-hPa geopotential height anomalies for NAO (North Atlantic Oscillation), EA (East Atlantic), EAWR (East Atlantic/Western Russia), SCAND (Scandinavia), PE (Polar/Eurasia), WP (West Pacific), and PNA (Pacific/North American) in January, obtained using ERA-interim. The contour interval is 0.01.

NAO 패턴은 남북 쌍극자 아노말리 센터로 구성된 것이 특징인데 한 곳은 그린란드에 위치하고 다른 한 곳은 북대서양의 중위도에 걸쳐 있다(Fig. 4). EA 패턴은 NAO 패턴에 비해 아노말리 중심이 남동쪽으로 밀려있으며, 두 패턴의 구조는 매우 유사하다. EAWR 패턴은 동부 대서양에서부터 서부 러시아에 걸쳐 3~4개의 주요 아노말리 센터로 구성된다. SCAND 패턴은 주요 순환 중심이 스칸디나비아 지역에 있고 반대의 약한 신호를 가진 센터가 서유럽과 동부 러시아/서부 몽골 지역에 걸쳐 있다. PE 패턴은 극 지역과 중국 북부 및 몽골에 대해 아노말리 센터가 존재하는 것이 특징이다. WP 패턴은 북태평양의 장주기 변동성의 주요 모드이며 캄차카 반도에 위치한 한 개의 중심과 남동 아시아와 서부 아열대 북태평양의 일부를 덮는 반대 신호의 중심을 포함하는 남북 쌍극자 형태를 하고 있다. PNA 패턴은 4개의 센터를 포함하는 특징이 있는데 하와이 부근과 북아메리카의 중간 산맥 지역에 같은 위상의 아노말리 센터가 존재하고, 알류샨 열도의 남부와 미국 남동부에 걸쳐 반대 위상의 아노말리 센터가 위치한다. 작용 중심만을 보고 패턴을 정의하기가 애매한 경우에는 NOAA/CPC의 월별 인덱스와의 상관계수를 고려하여 결정하였다.

500-hPa 지위고도를 사용했을 때 북반구 기후를 설명하는 원격상관패턴 중 가장 두드러진 NAO에 대하여, 계절별 NAO 패턴을 모델과 관측값에 각각 내적하였다. 예를 들어 겨울철의 경우 12월부터 2월까지의 자료에 그 중간에 해당하는 1월 NAO 패턴을 활용하며 여름철의 경우 6월부터 8월까지의 자료에 7월 패턴을 이용하여 내적한다. 내적한 결과에 대하여 상관성을 관찰할 수 있도록 4년 간(1993년 7월부터 1997년 7월까지)의 자료만을 시계열로 제시하였다(Fig. 5). 결과를 관찰할 시 주의할 점은, 모형이 매월 4번(1, 9, 17, 25일) 초기화 되는데, 그 주기가 일주일이 아니므로 각 선행 시간에 제시된 시계열이 서로 동일한 날짜에 해당하지 않는다. 관측값과 모형값의 상관계수(Fig. 5 각 패널 오른쪽 상단에 표기)는 전체 분석 기간인 20년에 대하여 계산되었다. 선행 시간 1주차 상관계수는 0.8이며, 4주차까지 그 값이 급격히 낮아지고(R = 0.17), 그 이후로 6주차까지 낮은 값을 유지한다. 관측값(빨간 점선)과 모형값(파란색 실선)이 제시하는 NAO 시계열의 주기(frequency)는 선행 시간이 지남에도 크게 다르지 않지만, 모형의 진폭은 선행 시간이 지날수록 다소 줄어드는 경향을 보인다. 진폭의 변화는 ACC에 영향을 주지 않지만, MSSS에는 영향을 미친다.

Fig. 5. 
Time series of the NAO indices obtained for lead time 1-6 from the hindcasts (blue solid) and their corresponding time series from ERA-interim data (red dashed). The indices were constructed by projecting seasonal patterns (January, April, July, October) of NAO onto the 500-hPa geopotential height fields (20^oN-90^oN). The plotting period is from July 1993 to July 1997 to clearly see the relationship. R indicated at the top right of each panel represents the correlation coefficient between the two indices for the entire 20-year period.

NAO에 대한 ACC 결과를 정량화하면서 지상자료를 활용하여 북반구 기후에 가장 큰 영향을 주는 것으로 알려진 북극 진동(Arctic Oscillation; 이하 AO)에 대한 분석을 병행하였다. 선행 시간 2주차에서 ACC 기준 0.5를 초과한 인덱스가 없었으나(Figs. 6a, c), NAO는 겨울철(~0.5)은 다른 계절(0.2~0.4)보다 예측성이 높았다(Fig. 6a). MSSS 결과에서는 NAO는 여름을 제외한 계절에 대해서 선행 시간 1주까지만 유용한 예측성능(i.e., 0 이상)이 유지되는 것으로 계산되었다(Fig. 6b). AO는 전 계절에 대하여 선행 시간 1주까지 예측성능이 있는 것으로 나타났고 NAO와 마찬가지로 봄의 예측성능이 높았다(Fig. 6d). Feldstein(2000)이 일별 NAO 지수를 사용하여 파워 스펙트럼 분석법(Power spectrum analysis)으로 밝혀낸 NAO의 시간 규모는 9.5일이었고, Kushnir (2006)가 계절별 자기상관 분석을 통해 계산한 전계절 NAO e-folding 시간규모는 10일 미만이다. 이러한 결과를 고려할 때 NAO 예측성능은 Fig. 6에서 보이듯, 1~2주 정도라는 결론을 내릴 수 있다. 다만, NAO는 성층권 극소용돌이 등의 영향으로 강화될 수 있다는 점(Baldwin and Dunkerton, 2001)에서 추가적인 예측성능 확보가 가능하다.

Fig. 6. 
(a) ACC and (b) MSSS of the NAO index for DJF (blue), MAM (green), JJA (red), SON (orange), and all seasons (black). (c) ACC and (d) MSSS of the AO index were presented in the same way.

다른 원격상관패턴에 대한 ACC를 분석하면 다양한 해석이 가능하다(Fig. 7). 전 계절(검은색 선)에 대해서 선행 시간 1주차를 보면 SCAND (0.78), EA (0.72), PE (0.67), WP (0.65), EAWR (0.64), PNA (0.62) 순으로 예측성이 평가되었다. 선행 시간 2에서 ACC의 기준인 0.5를 넘는 인덱스는 PNA의 전 계절(0.50), SCAND 패턴의 봄철(0.53), WP 패턴의 겨울철(0.57)과 PNA 패턴의 겨울철(0.62)이었다. EAWR과 SCAND 패턴에 대해서 여름철 인덱스가 선행 시간 2주차에서 두드러지게 감소하고, 태평양에서 발생하는 두 가지 대표적인 원격상관 패턴인 WP와 PNA가 선행 시간 2주차에서 예측성이 좋은 인덱스로 판정된 것은 흥미로운 결과이다. 더욱이 SCAND, EAWR과 같은 원격상관 패턴은 북대서양에서 시작하여 유라시아를 넘어 동아시아로 향하는 파동의 형태를 갖는 패턴으로 동아시아 계절내 예측에 활용될 수 있다고 보고된 바 있다(Yoo et al., 2018). WP 역시 태평양 서쪽에 위치하여 동아시아 온도 변화에 중요한 영향을 준다(Park and Ahn, 2016).

Fig. 7. 
Same as in Fig. 6, except for the ACC of the other 6 patterns: EA, EAWR, SCAND, PE, WP, and PNA.

MSSS도 ACC와 유사한 결과를 제시하지만 조금 더 심층적인 분석을 가능하게 한다(Fig. 8). PE를 제외한 모든 패턴이 선행 시간 2주 전까지 겨울철(파란색 선) 예측 성능이 여름철(빨간색 선)에 비하여 높다. 태평양 지역에서 발생하는 패턴(WP, PNA)이 대서양이나 대륙 지역에서 발생하는 다른 원격상관 패턴들보다 겨울에 예측성이 높게 나타나는 특성을 좀더 명료하게 확인할 수 있다. PNA의 경우 열대태평양 ENSO에 대해 강제된 반응(forced response)으로 예측성능의 유지가 이해된다. WP의 경우도 해양과 결합된 North Pacific Oscillation으로도 정의가 가능하다는 점(Linkin and Nigam, 2008)에서 겨울철 예측성능 향상이 설명된다.

Fig. 8. 
Same as in Fig. 7, except for the MSSS.

계절과 선행 시간에 따른 모형의 원격상관 예측성능을 좀 더 이해하기 위하여, 모형이 모사하는 NAO 1월과 7월 패턴의 변화 양상을 관찰하였다(Fig. 9). 선행 시간 1주에서 정의한 NAO 패턴을 기준으로 계산된 패턴 자기상관 계수를 오른쪽 상단에 표시했다. 상단의 그림 6개는 1월 NAO 패턴들로서 모두 0.90을 넘는 높은 상관계수를 보인다. 이는 모형이 선행 시간이 증가함에도 지속적으로 NAO 변동성 패턴을 잘 모사함을 의미한다. 하지만 7월의 경우(하단 그림 6개) 상관계수가 지속적으로 감소할 뿐만 아니라 쌍극 아노말리 센터 중 양의 위상이 선행 시간을 따라 희미해지며 선행 시간 4주차부터는 음의 위상이 북서태평양까지 퍼지는 듯한 모양 변화를 관찰할 수 있다. 이와 같은 결과는, 본 연구에서 수행된 바와 같이, 모형 고유 패턴을 활용하는 것이 정확한 NAO 예측성능 평가에 필요하다는 것을 제시한다. 모형 결과를 관측된 패턴에 내적(또는 투영, projection)하여 평가한다면, 특히 여름철, 예측성능을 과소모의할 수 있다.

Fig. 9. 
The NAO teleconnection patterns produced by using the hindcast results for lead time 1-6, respectively. The R value shown on the top right in each figure is the pattern correlation coefficient with the NAO pattern at lead time 1. The above six are in January, and the below six in July.

Figure 10은 NAO에 다른 6개의 원격상관패턴을 추가하여 Fig. 9에서와 마찬가지로 1월과 7월로 나누어 패턴 자기 상관계수를 구한 결과이다. 1월 패턴들은 선행 시간 2에서 상관계수가 전 패턴에 대하여 0.85를 초과하나, 7월에는 0.65까지 떨어지는 패턴이 발생한다. 선행 시간 3에는 1월 패턴들은 7개 모두 잘 추출되지만, 7월 패턴들 중 EA, PNA, SCAND 패턴들은 처음 패턴에 비해 크게 변형되는 것으로 보아 전반적으로 겨울철의 예측성이 좋다는 것을 뒷받침한다. 앞서 보았듯이, NAO 패턴(빨간색 선)은 1월에 비하여 7월에 선행 시간이 지남에 따라 자기상관계수가 선형적으로 감소한다. SCAND (초록색 선)와 EAWR (노란색 선)이 1월에는 선행 시간 5에서, 7월에는 3주차에 급감하는 것은 이 패턴들도 또한 겨울철의 예측성능이 더 높다는 것을 시사한다. PNA (Fig. 10 보라색 선)는 1월에는 상관계수가 항상 0.75를 넘지만 7월에는 3주차부터 0.5~0.1의 값을 보이며, 이는 PNA가 여름에 분간이 어려운 패턴으로 알려져 있는 것과 일치하는 결과이다. 그러나 WP는 Figs. 7, 8에서 여름철에 비해 겨울철에 선행시간 1~2주차까지 예측성이 두드러지게 좋았으나 패턴 분석에서는 여름철이 겨울철보다 전 구간에 대하여 예측성이 더 좋았다. 이는 모형에서 WP 패턴으로 추정되는 패턴이 관측값 혹은 NOAA/CPC에서 규정하는 패턴과 많이 달라서 발생하는 차이로 분석할 수 있다.

Fig. 10. 
Pattern autocorrelation coefficients of seven teleconnection patterns between lead time 1 and each lead times for (a) January and (b) July.