The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 30 , No. 3

[ Article ]
Atmosphere - Vol. 30, No. 3, pp.257-276
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Sep 2020
Received 31 May 2020 Revised 10 Aug 2020 Accepted 21 Aug 2020
DOI: https://doi.org/10.14191/Atmos.2020.30.3.257

WRF 모형의 수도권 지역 상세 국지 기상장 모의 성능 평가
오준서1) ; 이재형1) ; 우주완1) ; 이두일1) ; 이상현1), * ; 서지현2) ; 문난경2)
1)공주대학교 자연과학대학 대기과학과
2)한국환경정책·평가연구원

Performance Evaluation of the High-Resolution WRF Meteorological Simulation over the Seoul Metropolitan Area
Jun-Seo Oh1) ; Jae-Hyeong Lee1) ; Ju-Wan Woo1) ; Doo-Il Lee1) ; Sang-Hyun Lee1), * ; Jihyun Seo2) ; Nankyoung Moon2)
1)Department of Atmospheric Science, Kongju National University, Gongju, Korea
2)Korea Environment Institute, Sejong, Korea
Correspondence to : * Sang-Hyun Lee, Department of Atmospheric Science, Kongju National University, 56 Gongjudaehak-ro, Gongju 32588, Korea. Phone: +82-41-850-8526, Fax: +82-41-856-8527 E-mail: sanghyun@kongju.ac.kr

Funding Information ▼

Abstract

Faithful evaluation of the meteorological input is a prerequisite for a better understanding of air quality model performance. Despite the importance, the preliminary meteorological assessment has rarely been concerned. In this study, we aim to evaluate the performance of the Weather Research and Forecasting (WRF) model conducting a year-long high-resolution meteorological simulation in 2016 over the Seoul metropolitan area. The WRF model was configured based on a series of sensitivity simulations of initial/boundary meteorological conditions, land use mapping data, reanalysis grid nudging method, domain nesting method, and urban canopy model. The simulated results of winds, air temperature, and specific humidity in the atmospheric boundary layer (ABL) were evaluated following statistical evaluation guidance using the surface and upper meteorological measurements. The statistical evaluation results are presented. The model performance was interpreted acceptable for air quality modeling within the statistical criteria of complex conditions, showing consistent overestimation in wind speeds. Further statistical analysis showed that the meteorological model biases were highly systematic with systematic bias fractions (fSB) of 20~50%. This study suggests that both the momentum exchange process of the surface layer and the ABL entrainment process should be investigated for further improvement of the model performance.


Keywords: Local meteorology, model performance criteria, Seoul, WRF

1. 서 론

기상(meteorology)은 대기질(air quality)을 결정하는 중요한 요소이다. 실외 대기오염(outdoor air pollution)은 인간과 생태계에 중대한 영향을 미치며(e.g., Laden et al., 2000; Ostro et al., 2006; Son et al., 2012), 2013년 세계보건기구(World Health Organization)에서 실외 대기오염과 주요 구성 물질인 미세먼지를 1급 발암물질로 분류하면서(IARC, 2013) 전 세계적으로 이에 대한 사회·보건적 관심이 폭발적으로 증가하였다. 대기오염의 진단과 예측을 위해 다양한 규모의 대기질 모형이 여러 분야에서 중요한 도구로 활용되고 있다(e.g., Cohen et al., 2009; Lang et al., 2013). 대기질 모형은 대기오염 물질의 배출(emission), 수송(transport), 화학 변환(chemical transformation), 침적(deposition) 과정을 수치적 방법으로 모수화하여 대기오염 물질 농도의 시·공간 변화를 계산하며(e.g., Grell et al., 2005; Byun et al., 2006), 기상장은 이들 물리·화학 과정에 직간접적으로 중요한 영향을 미친다(e.g., Choi et al., 2019).

기상장은 대기질 모형의 입력 정보로, 대기 확산 예측 정확도를 좌우하는 중요한 요소 중 하나이다(e.g., Angevine et al., 2014; NIER, 2014; Srinivas et al., 2016; Choi et al., 2019). Angevine et al. (2014)는 중규모 기상 모형 Weather Research and Forecasting (WRF)과 라그랑지안 입자 확산 모형 FLEXible PARTicle dispersion model (FLEXPART) 을 이용한 북미 지역의 라그랑지안 입자 확산 모의 실험을 통해 추적자 확산 모의 농도는 입력 기상장에 포함된 불확실성에 의해서만 최소 30~40%의 불확실성을 보일 수 있음을 보였다. Srinivas et al. (2016)는 FLEXPART 모형에서 기상 모형 내에 포함된 대기 경계층 모수화 방안에 따라 추적자 확산 모의 농도와 시·공간 분포가 달라질 수 있음을 보였으며, Woo et al. (2019)은 WRF-FLEXPART 모형에 포함된 입자수에 따른 무작위 오차는 대기 경계층 내의 난류 모의와 관련됨을 보였다. Choi et al. (2019)는 대표적인 지역규모 오일러리안 대기질 모형인 Weather Research and Forecasting-Chemistry (WRF-Chem) (Grell et al., 2005)과 WRF/Community Multiple Air Quality model (CMAQ) (Byun et al., 2006) 모형의 동아시아 PM2.5 모의 성능 평가를 통해 동일한 배출량 조건에서 두 모형 간의 모의성능에 큰 편차(53% ± 30%)가 존재함을 보였으며, 이에 대한 원인으로 대기질 모형 내에 포함된 화학 변환 과정들의 기상장에 대한 높은 민감도를 지적하였다.

기상 모형의 예측 정확도 향상을 위해 전세계적으로 많은 연구들이 수행되어 오고 있다(e.g., Lott and Miller, 1997; Masson, 2000; Kusaka et al., 2001; Martilli et al., 2002; Beljaars et al., 2004; Lee and Park, 2008; Salamanca and Martilli, 2010; Lee et al., 2011, 2016). 특정 지역의 예측 정확도 향상을 목적으로 기상 모형 내에 포함되어 있는 물리 과정이나 모형 입력 정보의 민감도 실험을 통해 대상 지역의 최적 물리 옵션을 선정하고자 하는 연구도 종종 수행되었다(e.g., Baker et al., 2013; García-Díez et al., 2013). Borge et al. (2008)은 이베리아 반도의 국지 기상장의 생산을 위해 대기 경계층 난류 교환 과정, 격자 규모 구름 물리 과정 등 5종의 물리 옵션에 따른 민감도 실험을 수행한 후, 그 결과를 바탕으로 대상 지역의 최적 물리 옵션을 구성하였다. Mun et al. (2017)은 미국 NCEP (National Center for Environmental Prediction)과 유럽 ECMWF (European Centre for Medium-Range Weather Forecasts)의 전지구 기상 분석장 자료를 이용하여 기상/초기 경계 조건에 따른 지상 기온과 풍속의 모의 성능을 비교하였으며, 4차원 자료 동화(four dimensional data assimilation: FDDA) 분석 너징 기법(analysis nudging technique)의 적용을 통해 한반도 영역의 기상장 예측 오차를 20~30% 감소시킬 수 있음을 보였다.

기상 모형의 지속적인 예측 성능 향상에서 불구하고 예측 기상장은 초기/경계 조건, 수치차분, 물리과정 등 다양한 불확실성 요소를 포함하며(e.g., Palmer, 2000), 이는 기상장의 예측 오차로 나타난다. 기상장의 예측 오차는 대기질 모형에 의한 농도 예측 오차로 이어지므로(e.g., Sistla et al., 1996; Zhang et al., 2009; Angevine et al., 2014; Woo et al., 2019) 입력 기상장의 검증은 대기질 모형의 예측 결과의 이해를 위한 매우 중요한 단계이며, 이를 위해서는 기상 모형에 의해 생산된 기상장이 대기질 모의에 적합한지 판단하기 위한 기준이 요구된다. Emery et al. (2001)은 미국 휴스턴 지역의 오존 농도 예측에 사용되는 기상장의 품질을 평가하기 위해 주요 기상 변수의 통계 검증 지표를 이용한 모형 성능 평가 통계 기준(statistical standard)을 제시하고, 이를 대기질 모형의 입력 기상장의 품질 평가를 위해 활용하였다. 통계 검증 지표의 기준값은 대상 지역에 적용된 기상 모델들의 예측 성능을 종합적으로 평가하여 산정하였다. 평탄 지역의 기상 예측 결과를 기준으로 제시된 Emery et al. (2001)의 검증 지표 기준값은 도시 지역, 연안 지역, 산악 지역 등 복잡 조건(complex condition)에 적용할 경우 다소 완화된 통계 검증값으로 조정되어 사용되고 있다(e.g., Borge et al., 2008; McNally, 2009; Miglietta et al., 2012; Kryza et al., 2012).

본 연구에서는 수도권 지역의 대기질 모델링을 위해 2016년 1년 전체 기간을 대상으로 WRF 모형을 이용하여 수도권 지역의 고해상도 국지 기상장 모의를 수행하고, 지상 기상 측정 자료를 이용하여 모의 결과를 정량적으로 검증하고자 한다. 또한, 통계 검증 기준(statistical evaluation guidance)에 근거하여 모의 국지 기상장이 수도권 대기질 모델링에 적합한지를 평가하고, WRF 모형의 수도권 국지 기상장 모의 성능 향상 방안을 제시하고자 한다. 기상장은 대기질 예측에 중요한 영향을 미치지만, 국내 대기질 모델링 연구에서 입력 기상장에 대한 성능 평가는 중요하게 다루어지지 않는 경우가 많다. 본 연구에서는 WRF 모형의 수도권 지역 고해상도 진단 기상장의 예측 성능을 제시하며, 이는 향후 유사 연구의 모형 성능의 비교 기준으로 활용될 수 있을 것이다. 논문의 구성은 다음과 같다. 제 2 절에서는 수도권 지역의 고해상도 기상장 모의를 위한 WRF 모형의 구성, 민감도 실험 설계, 모의 결과 검증을 위한 측정 자료, 그리고 통계 검증 방안을 기술하였다. 제 3 절에서는 민감도 실험분석 결과와 1년 기간의 장기간 기상장 모의 결과의 검증 분석 결과를 제시하였으며, 본 연구의 요약과 결론은 제 4 절에 기술하였다.


2. 연구 방법
2.1 수치 모형 및 민감도 실험 설계

본 연구에서는 수도권 지역의 국지 기상장 모의를 위해 WRF version 3.9.1을 사용하였다. WRF 모형은 압축(compressible) 비정역학(nonhydrostatic) 대기의 지배 방정식계를 기반으로 하며 연직 좌표계는 시그마(sigma) 기압 좌표계를 채택하고 있다. 수치 차분 방정식은 Arakawa-C 격자 체계를 기반으로 구성되어 있다. 단파/장파 복사 과정, 격자 규모와 아격자 규모 구름물리 과정, 대기 경계층 난류 교환 과정, 지표-대기 상호 작용에 대한 다양한 대기 물리 과정의 모수화 옵션을 포함하고 있다. 다중 규모의 대기 현상의 수치 모의에 적합하도록 개발되어 왔으며(Skamarock et al., 2008), 국내에서 대기질 모델의 입력 기상장 생산을 위해 가장 많이 사용되고 있는 모형이다.

수도권 영역의 국지 기상장 모의를 위한 모의 영역은 둥지 격자 방안을 이용하여 구성하였다. 첫번째 모의 영역은 종관 규모의 기상 현상을 모의 영역 내에서 충분히 고려할 수 있도록 중국, 한반도, 그리고 일본을 넓게 포함하는 동아시아 지역으로 구성하였으며, 두번째와 세번째 모의 영역은 한반도와 주변 해양 지역을 포함하고 있다. 네번째 모의 영역은 경기만과 수도권 영역을 포함하는 지역으로 설정하였다(Fig. 1). 수평 격자 해상도는 27, 9, 3, 그리고 1 km로 설정하였으며, 연직 대기층은 지표에서 연직 방향으로 격자 크기가 증가하는 비균등 격자로 구성하였으며 최하층 격자(~16 m)부터 50 hPa 고도까지 35층으로 표현하였다. 모의 영역은 대기질 모형의 입력 기상 정보를 생산하기 위한 목적으로 구성되었으며, 첫번째와 두번째 모의 영역은 환경부 국립환경과학원의 현업 대기질 모형의 모의 영역과 유사하다(NIER, 2013). 단파 복사 전달 과정은 Goddard 방안(Chou and Suarez et al., 1998), 장파 복사 전달 과정은 Rapid Radiative Transfer Model (RRTM) (Mlawer et al., 1997), 지면 물리 과정은 NoahLSM (Chen and Dudhia, 2001), 대기 경계층 난류 과정은 YSU 방안(Hong et al., 2006), 격자 규모와 아격자 규모 구름물리 과정은 각각 WSM3(Hong et al., 2004)와 Kain-Fritsch (Kain, 2004) 방안을 적용하였다(Table 1). 일반적으로 아격자 규모 구름물리 과정은 격자 해상도가 10 km 이상인 경우에 적용하는 것을 권고하고 있으나(Skamarock et al., 2008), 본 연구에서는 모형의 모의 성능 평가 결과(특히, 여름 강수)를 기반으로 전체 모의 영역에 대해 동일하게 적용하였다. 한반도 영역을 대상으로 한 선행연구에서도 격자 해상도 3 km의 수치 모의에서 아격자 규모 구름물리 과정을 적용하는 경우에 강수 현상을 보다 현실적으로 설명할 수 있음이 제시된 바 있다(Lee and Lee, 2011).


Fig. 1. 
Domain configuration of the Weather Research and Forecasting (WRF) model for a fine-resolution simulation of local meteorology over the Seoul metropolitan area. Shaded contours denote the topographic heights.

Table 1. 
Grid configuration and physical options of the WRF model.
D01 D02 D03 D04
Horizontal grid
(grid spacing)
174 × 128
(ΔX = 27 km)
69 × 90
(ΔX = 9 km)
180 × 225
(ΔX = 3 km)
183 × 168
(ΔX = 1 km)
Vertical layer 35 (stretched)
Shortwave radiation Goddard (Chou and Suarez et al., 1998)
Longwave radiation RRTM (Mlawer et al., 1997)
Land surface process Noah LSM (Chen and Dudhia, 2001)
PBL process YSU (Hong et al., 2006)
Microphysics WSM3 (Hong et al., 2004)
Cumulus parameterization Kain-Fritsch (Kain, 2004)

WRF 모형을 이용한 대상 지역의 국지 기상장 모의 성능 향상을 위해 고해상도 환경부 중분류 지면 피복 자료(5 m)와 위성 지형 고도 자료(~90 m)를 이용하여 모의 영역의 지표 입력 정보를 현실적으로 갱신하였으며, 주요 물리 모수화 방안과 기상장 초기/경계 조건은 민감도 실험을 통해 설정하였다. 민감도 실험은 초기/경계 입력 기상장 종류, 지면 피복 자료 종류, FDDA 분석장 너징 기법 적용 여부, 둥지 격자 방안 종류, 그리고 도시 모수화 모형(urban canopy model)의 적용 여부로 구성하였다(Table 2). 먼저, 기상장 초기/경계 조건 자료는 NCEP에서 제공하는 전지구 재분석 자료인 FNL과 ECMWF의 ERA-Interim 자료를 이용하였다(EXP1과 EXP2). FNL 재분석 자료는 GFS (Global Forecast System)에 비해 약 10% 많은 관측 자료를 포함한 자료 동화를 통해 생산되며, 산출 기상 변수(바람, 기온, 습도)의 수평 해상도와 시간 해상도는 각각 1o × 1o와 6시간이다(NCEP, 2014). ECMWF의 ERA-Interim 자료는 0.75o × 0.75o의 수평해상도와 6시간 간격의 시간 해상도를 가지며, 1979년부터 2019년 8월까지 자료가 활용 가능하다(Dee et al., 2011). 지면 피복 자료에 대한 민감도 실험은 WRF 모형에서 제공하고 있는 MODIS (Moderate Resolution Imaging Spectroradiometer) 지면 피복 자료와 USGS(United States Geological Survey) 지면 피복 자료를 이용하였다(EXP2와 EXP3). 여기서, 수도권 대상 영역의 USGS 지면 피복 자료는 고해상도 환경부 중분류 지면 피복 자료를 이용하여 갱신하였다. FDDA 분석장 너징 기법은 첫번째 모의 영역에서부터 세 번째 모의 영역까지 수평 바람, 기온, 습도에 대해 연직 격자 10층 이상의 고도(~400 m)에 대해서만 적용하였으며, 민감도 실험은 너징 기법의 적용 여부로 구성하였다(EXP3과 EXP4). FDDA 분석장 너징 기법은 각 격자점에서 WRF 모형의 예측 기상장과 전지구 재분석 기상장 사이의 차이를 강제항으로 포함하여 예측 기상장과 분석 기상장의 편차를 줄이는 방안으로, 너징 계수(nudging coefficient)에 따라 모의 결과가 크게 영향을 받는다. 본 연구에서는 첫번째 모의 영역의 수평 바람, 기온, 비습 변수에 적용한 너징 계수는 각각 4 × 10-4, 3 × 10-4, 3 × 10-4 s-1이며, 두번째 모의 영역은 1.5×10-4, 1.5 × 10-4, 1.0 × 10-4 s-1, 세번째 모의 영역은 2 × 10-5, 2 × 10-5, 1 × 10-5 s-1 값을 적용하였다. 둥지 격자 방안 실험은 단방향 둥지 격자 방안(one-way nesting approach)과 양방향 둥지 격자 방안(two-way nesting approach)을 비교하였다(EXP3과 EXP5). 단방향 둥지 격자 방안에서는 최외각 모의 영역에서 계산된 기상 정보가 둥지 격자의 경계 조건으로 순차적으로 사용되며, 양방향 둥지 격자 방안에서는 상세 모의 영역에서 계산된 기상 정보를 바탕으로 상위 모의 영역의 예측 값을 갱신함으로써 기상장 적분 과정에서 각 모의 영역 사이에 상호 영향을 주는 방식으로 구분된다(NCAR, 2005). 마지막으로, 도시 모수화 모형은 단일층 도시 모수화 모형을 적용하여 도시 지표의 지면-대기 상호 작용을 계산하였으며(Kusaka et al., 2001), 민감도 실험은 도시 모수화 모형의 적용 여부로 구성하였다(EXP4와 EXP6). 도시 모수화 모형의 구동을 위해 필요한 도시 지표 특성 파라미터(예, 건물 평균 높이, 외관비 등)는 수도권 대상 지역에 맞도록 설정하는 것이 필요하나 본 연구에서는 민감도 실험 목적으로 WRF 모형에 포함되어 있는 기준 설정값을 그대로 적용하였다. 도시 모수화 모형은 도시 격자에 한해 적용되며, 도시 모수화 모형이 사용되지 않은 실험(EXP6)에서 도시 지표와 대기의 상호 작용은 NoahLSM 모형에 포함되어 있는 총체 모수화 방안에 따라 계산된다(Liu et al., 2006; Lee et al., 2011). 민감도 실험은 2016년 7월 한 달 기간에 대해 수치 적분을 수행하였다. 전체 대상 기간(1년)에 대해 민감도 실험을 수행한 후 모형의 최적 물리 옵션을 선정하는 것이 바람직하나 이는 많은 계산 자원과 시간을 요구하는 단점이 있다. WRF 모형을 이용한 민감도 실험을 수행한 선행 연구를 보면 국지 기상장 모의 성능은 선택된 물리 옵션에 따른 계절적 민감도가 존재하나 상대적으로 높은 모의 성능을 보이는 물리 옵션이 계절에 관계없이 연중 모의 정확도가 대체로 높은 특징을 보였다(Borge et al., 2008; Jeong et al., 2016).

Table 2. 
Configuration of the six sensitivity simulations of the WRF model (IC/BCs: initial and boundary conditions, LULC: land-use land-cover data, FDDA: four-dimensional data assimilation, UCM: urban canopy model).
IC/BCs LULC FDDA Grid nesting UCM
EXP1 FNL MODIS × One-way
EXP2 ERA-Interim MODIS × One-way
EXP3 ERA-Interim USGS × One-way
EXP4 ERA-Interim USGS One-way
EXP5 ERA-Interim USGS × Two-way
EXP6 ERA-Interim USGS One-way ×

2.2 측정 자료와 검증 방법

수도권 지역의 국지 기상장 모의 결과를 검증하기 위해 기상청의 지상 기상 관측소와 고층 기상 관측소의 측정 자료를 이용하였다. 지상 관측소의 측정 기상 자료는 자동기상관측장비(automatic weather station: AWS)에 비해 자료의 신뢰도가 높은 종관기상관측소(automatic synoptic observing system: ASOS) 13개소의 측정 자료와 공항의 활주로 주변에 위치해 있어 주변 지형의 영향이 적은 공항기상관측소(aerodrome meteorological observing system: AMOS) 2개소의 자료를 이용하였다(Fig. 2). 측정 변수 중에서 매시간 10 m 풍속, 10 m 풍향, 2 m 기온, 2 m 비습을 모의 검증 분석에 이용하였다. 상층 기상장은 오산 고층 기상 관측소 지점에서 측정된 6시간 간격의 고층 기상자료를 이용하였다.


Fig. 2. 
Location of surface meteorological measurement stations (solid circle) and an upper meteorological measurement station (solid square) in the Seoul metropolitan area (D04). Shaded contours denote the topographic heights of domain 4. S47095 (Cheolwon), S47098 (Dongducheon), S47099 (Paju), S47101 (Chuncheon), S47108 (Seoul), S47110 (Gimpo airport), S47112 (Incheon), S47113 (Incheon airport), S47119 (Suwon), S47129 (Seosan), S47201 (Gangwha), S47202 (Yangpyeong), S47203 (Icheon), S47212 (Hongcheon), S47232 (Cheonan), R47122 (Osan).

수도권 영역의 모의 기상장은 지상 측정 자료를 이용하여 통계 검증을 수행하였다. 통계 검증 변수는 평균 편의 오차(mean bias error: MBE), 평균 절대 오차(mean absolute error: MAE), 평균 제곱근 오차(root mean square error: RMSE), 일치도 지수(Index Of Agreement: IOA), 피어슨 상관 계수(Pearson’s correlation coefficient: R)를 포함한다.

MBE=1NΣi=1NPi-Oi,MAE=1NΣi=1NPi-Oi,RMSE=1NΣi=1NPi-Oi2,IOA=1-Σi=1NPi-Oi2Σi=1NPi-O¯-Oi-O¯2,R=1σpσOΣi=1NPi-P¯Oi-O¯.

여기서, PiOi는 각각 매 시간별 예측값과 측정값을, P¯O¯는 각각 예측값과 측정값의 평균을, σpσO는 예측값과 측정값의 표준 편차를 나타내며, N은 자료 수를 나타낸다. 이들 통계 지수의 정량적 검증 결과를 바탕으로 기존 연구들에서 제시되어 있는 평가 기준을 적용하여 대기질 모형의 입력 자료로써의 WRF 모의 기상장의 품질을 객관적으로 평가하였다. Table 3은 주요 기상 변수의 품질 평가를 위한 평가 통계 기준을 나타낸다(e.g., Emery et al., 2001; Borge et al., 2008; McNally, 2009; Thunis et al., 2011; Miglietta et al., 2012; Kryza et al., 2012). 이들 통계 기준값은 상위 1/3 모델의 통계 지수 평균을 나타내는 수치로, 제시된 오차/일치도를 만족하는 모델은 대기질 모형의 입력 자료의 신뢰도를 확보한 ‘우수’ 모델로 평가될 수 있다(Emery et al., 2001). 기상장 평가 통계 기준은 대기질 모형의 입력 기상장 자료에 대한 정성적인 품질을 검토하는데 유용한 기준 정보를 제공하게 된다.

Table 3. 
Statistical standards for model performance evaluation of meteorology. The values in parentheses denote the model performance criteria for complex conditions such as urban, coastal, complex terrain areas.
10 m wind speed
(m s-1)
10 m wind direction
(deg)
2 m air temperature
(oC)
2 m specific humidity
(g kg-1)
MBE ± 0.5 (± 1.5) ± 10 ± 0.5 (± 2.0) ± 0.8 (± 1.0)
MAE - 30 (50) 2.0 (2.5) 2.0
RMSE 2.0 (2.5) - - -
IOA 0.6 - 0.8 0.6

WRF 모형의 모의 성능 평가 분석과 함께 향후 모의 성능 향상 방안을 제시하기 위해 계통 오차(systematic bias) 통계 분석을 수행하였다. 계통 오차의 분석은 평균 제곱근 오차(RMSE)의 계통 오차 성분(systematic bias component: RMSEs)과 비계통 오차 성분(unsystematic bias component: RMSEu)의 분리를 통해 수행하였으며, 각 성분은 다음과 같이 계산된다:

RMSEs=1NΣi=1NP^i-Oi2,RMSEu=1NΣi=1NPi-P^i2,RMSE2=RMSEs2+RMSEu2.

여기서 P^i (= a + bOi)는 예측값과 측정값의 선형 회귀로 계산되는 값이며, ab는 각각 선형 회귀 계수를 나타낸다. RMSEs는 모형의 물리 과정이나 입력 자료를 통해 수정 가능한 오차를 의미하고, RMSEu는 임의 오차(random error)에 기인하는 것으로 해석된다(Willmott et al., 1981). 본 연구에서 계통 오차 비율(systematic bias fraction: fSB)은 RMSEs2/RMSE2로 정의하였다. fSB는 정의에 따라 0과 1 사이의 값을 가지며, 1에 가까울수록 모형 오차의 개선 가능성이 높음을 의미한다.


3. 결 과
3.1 민감도 실험

Figure 3은 민감도 실험의 지상 기상 요소별 통계 검증 결과를 보여준다. 기상장 초기/경계 조건에 따른 민감도 실험 결과, 10 m 풍속은 FNL 실험(MBE/RMSE = 1.3/1.9 m s-1)이 ERA-Interim 실험(MBE/RMSE = 1.4/2.0 m s-1)에 비해 평균 0.1 m s-1 낮은 모의 오차를 보였으나, 모의 성능의 두 실험 간 차이는 크지 않았다(Fig. 3a). 동-서 방향과 남-북 방향의 바람 성분에 대해서도 두 실험의 모의 성능은 유사한 결과를 보였다(Figs. 3b-c). 2 m 기온의 평균 MBE는 0.5~0.6oC의 양의 편차를 보였고, 두 실험 간 모의 오차는 평균 0.1oC 내외로 나타났다(Fig. 3d). 2 m 비습의 평균 MBE는 -0.5 g kg-1로 과소모의 경향을 보이며 지점별 편차가 다소 크게 나타났으나, 두 실험 간의 차이는 미미하였다(Fig. 3e). Mun et al. (2017)은 한반도 지역에 대한 3 km 격자 해상도 수치 모의에서 FNL과 ERA-Interim 재분석 자료의 영향을 분석하였다. 3월 한달 기간의 모의 결과와 93개소 ASOS 관측 자료의 비교 결과, 10 m 풍속에 대한 모의 정확도는 FNL 실험(MBE/RMSE = 2.2/3.4 m s-1)이 ERA-Interim 실험(MBE/RMSE = 2.5/3.7 m s-1)에 비해 다소 향상된 결과를 보였으나, 큰 차이를 나타내지는 않았다. 본 연구 결과는 Mun et al. (2017)에 비해 분석 대상 지역의 차이는 있으나 상대적으로 높은 10m 풍속의 모의 정확도를 보여주고 있으며, 기상장 초기/경계 조건에 따른 모의 기상장의 민감도는 기존 연구 결과에 비해 다소 작은 차이를 보였다. 이는 전지구 재분석 기상장이 적용되는 WRF 모형의 첫 번째 도메인이 동아시아의 넓은 영역을 포함하고 있고, 분석 대상 지역이 모의 영역의 경계에서 멀리 떨어져 있는 것에 기인하는 것으로 판단된다.


Fig. 3. 
Statistical evaluation results of six sensitivity simulations for (a) 10 m wind speed, (b) east-west wind component, (c) north-south wind component, (d) 2 m temperature, and (e) 2 m specific humidity. The box and whisker plot represents minimum, 25th percentile, median, 75th percentile, and maximum values, and the red line denotes mean values.

입력 지면 피복 자료에 따른 민감도 실험 결과(EXP2와 EXP3), USGS 실험에서 10m 풍속과 동-서, 남-북 바람 성분의 MBE는 평균 약 0.1 m s-1 감소하였고(Figs. 3a-c), 2 m 기온의 MBE는 평균 약 0.3oC 감소하였다(Fig. 3d). 2 m 비습도 지점별 차이는 있으나 모의 오차는 미미하게 감소하였다(Fig. 3e). MODIS 지면 피복 자료는 수도권 모의 영역 내의 도시 면적을 과대 산정하는 오류를 포함하고 있어 MODIS 실험이 USGS 실험에 비해 상대적으로 높은 현열과 낮은 잠열을 모의하였다(e.g., Lee et al., 2011). USGS 실험이 MODIS 실험에 비해 약간 향상된 모의 결과를 보인 이유는 환경부 중분류 지면 피복 자료를 이용한 수도권 지역의 모형 지면 피복 정보의 현실적 갱신이 제한적으로 영향을 준 것으로 분석된다.

FDDA 분석장 너징 민감도 실험 결과(EXP3과 EXP4), 종관 규모 분석장 너징 강제력의 적용으로 상위 도메인(D01-D03)의 모의 성능은 일부 향상되었지만(not shown), 수도권 모의 영역(D04)의 분석장 너징의 효과는 모든 분석 기상 요소에서 미미한 수준으로 나타났다(Figs. 3a-e). 수도권 모의 영역의 모의 성능에 유의한 차이가 보이지 않는 것은 분석 기상 요소들의 변화가 주로 중규모/미규모의 국지 강제력에 기인함을 암시하며, 이는 기상장 초기/경계 조건에 따른 민감도 실험 결과에서도 유사하게 추론할 수 있다.

둥지 격자 방안에 따른 민감도 실험 결과(EXP3과 EXP5), 10 m 남-북 바람 성분과 2m 비습 변수에서만 유의미한 차이를 보였다. 양방향 둥지 격자 방안을 사용했을 때, 2 m 비습의 RMSE는 평균 0.3 g kg-1 감소하였으나(Fig. 3e), 10 m 남-북 바람 성분의 RMSE는 오히려 평균 0.3m s-1 증가하였고(Fig. 3c) 선형 상관 계수도 0.8에서 0.6으로 감소하였다. Soriano et al. (2004)는 종관 강제력이 강할 때는 둥지 격자 방안에 따른 바람의 모의 성능의 차이가 크지 않지만 중규모 강제력이 지배적일 경우에는 양방향 둥지 격자 방안이 상대적으로 낮은 모의 성능을 보임을 보고한 바 있으며, Lee et al. (2013)는 겨울철 영동 지방의 강수사례 연구에서 둥지 격자 방안에 따른 강수 예측 정확성은 큰 차이를 보이지 않음을 보였다. 본 연구에서 둥지 격자 방안에 따른 국지 기상장 모의 성능은 뚜렷한 차이를 보이지 않았다.

도시 모수화 모형의 적용 여부에 따른 민감도 실험 결과(EXP4와 EXP6), 단일층 도시 모수화 모형을 사용하였을 경우 10 m 풍속과 2m 기온의 RMSE는 평균 0.3 m s-1과 0.2oC 각각 증가하였으며 2m 비습의 과소모의 오차도 다소 증가하였다(Figs. 3a-e). 도시 모수화 모형을 적용한 모의 성능이 다소 낮게 나타난 이유는 모의에 적용된 도시 지표 특성 파라미터에 일부 기인하는 것으로 판단된다. WRF 모형에서 제공하고 있는 도시 지표 특성 파라미터(‘URBPARAM.TBL’) 값들은 미국 도시를 대상으로 작성된 값으로, 수도권 대상 지역의 현실적인 도시 대기 경계층 모의를 위해서는 수도권 지역의 도시 지표 특성 파라미터들의 산정이 선행될 필요가 있다. 도시 모수화 모형을 적용한 국내외 다양한 연구들은 대상 지역의 도시 지표 특성 파라미터들의 현실적 반영이 중요함을 강조하고 있다(e.g., Lee et al., 2011; Hamdi et al., 2012; Zhao et al., 2014).

Figure 4는 전체 민감도 실험의 기상 변수별 통계 검증 결과를 테일러 다이어그램(Taylor diagram)으로 나타낸다. 10 m 풍속의 선형 상관 계수는 0.54-0.64의 범위에서 나타나고 있으며, 동-서 방향 바람 성분의 모의 성능(R = 0.68-0.72)이 남-북 방향 바람 성분(R = 0.48-0.52)에 비해 높은 특징을 보였다(Figs. 4a-c). 바람 변수의 정규화된 표준편차는 1.46-2.08의 값을 나타내어, 모의된 풍속과 바람 성분의 시간 변동이 측정에 비해 높게 나타나는 특징을 보였다. 2 m 기온의 모의 성능은 모든 민감도 실험에서 대체로 0.9 이상의 높은 상관 계수를 보였으며, 정규화된 표준편차와 상관 계수의 민감도 실험 간 차이는 크지 않았다(Fig. 4d). 2 m 비습의 경우, 모든 실험에서 대체로 0.8 이상의 높은 상관 계수를 보였으나 양방향 둥지 격자 방안을 적용한 민감도 실험만 상관 계수가 0.64로 상대적으로 낮은 값을 보였다(Fig. 4e). 모든 실험에서 2m 기온과 비습의 모의 성능이 지상 바람장의 모의 성능에 비해 상대적으로 높게 나타났다.


Fig. 4. 
Performance comparison of six sensitivity simulations for (a) 10 m wind speed, (b) east-west wind component, (c) north-south wind component, (d) 2 m temperature, and (e) 2 m specific humidity.

수도권 지역의 2016년 1년 기간에 대한 장기간 국지 기상장 모의를 위한 WRF 모형의 구성은 민감도 실험 결과를 바탕으로 다음과 같이 설정하였다. 입력 기상장 초기/경계 조건은 ERA-Interim 재분석 자료를 적용하였으며, FDDA 분석장 너징 기법을 상위 도메인(D01-D03)에 적용하였다. 모의 영역별 수치 적분은 단방향 둥지 격자 방안을 적용하여 수행하였으며, 도시 지표의 모수화는 NoahLSM 내에 포함되어 있는 총체 모수화 방안을 이용하였다.

3.2 장기간 모의 기상장 검증
3.2.1 지상 기상장

2016년 1년 기간에 대한 WRF 모의 기상장은 수도권 영역 내에 위치한 15개 지상 관측소 지점 자료를 이용하여 모의 성능을 평가하였다. Figure 5는 지상 기상 변수별 MBE의 공간 분포를 일 전체, 주간, 그리고 야간 기간으로 구분하여 보여준다. 10 m 풍속은 관측에 비해 대체로 과대 모의 경향을 보였으며(MBE = 0.1-1.5 m s-1) (Figs. 5a-c), 지점에 따라 주간에 비해 야간의 과대 모의 경향이 보다 뚜렷하게 나타났다(Figs. 5b-c). 김포공항(S47110), 인천(S47112), 인천공항(S47113) 관측소 지점의 풍속은 다른 관측소 지점에 비해 좋은 풍속 모의 성능을 보였다. 동-서 방향 바람 성분에서는 모형이 대체로 서풍 성분을 다소 높게 모의하는 경향을 보였으며(MBE = 0.1-0.8 m s-1)(Fig. 5d), 이러한 경향은 여러 측정소 지점에서 주간이 야간에 비해 더욱 뚜렷하게 나타났다(Figs. 5e-f). 남-북 방향 바람 성분의 경우 지점별 편차는 있으나 전체 기간에서 대체로 낮은 MBE 값을 보였다(Figs. 5g-i). 2 m 기온의 경우 내륙에 위치한 지점에서 대체로 과대 모의 경향을 보였으며(Fig. 5j), 모형의 과대 모의 경향은 주간에는 다소 완화되고 반면 야간에는 더욱 뚜렷하게 나타나는 특징을 보였다(Figs. 5k-l). 해안 근처 지점에서는 대체로 기온을 과소 모의하는 경향을 보여주고 있으며, 주간 시간의 기온의 과소 모의 경향은 해풍 순환에 의한 경기만 기류의 내륙 유입 영향이 반영된 것으로 판단된다. 2 m 비습의 경우 대부분 지점에서 낮은 평균 편의를 보였으나, 일부 지점에서 다소 높은 과소 모의 경향을 보였다(Figs. 5m-o).


Fig. 5. 
Spatial distributions of annual mean bias errors of (a-c) 10 m wind speed, (d-f) east-west wind component, (g-i) north-south wind component, (j-l) 2 m temperature, (m-o) 2 m specific humidity for all-day (left panels), daytime (middle), and nighttime (right panels). Daytime and nighttime are defined as 0900~1700 LST and 2100~0500 LST, respectively.

Figure 6은 WRF 모형으로 모의된 지상 기상 변수에 대한 2016년 월별 통계 검증 결과를 나타낸다. 각 월별 상자 그림은 수도권 영역 내에 위치한 15개 지상 관측소 지점에 대한 MBE, RMSE, IOA의 통계 분포를 보여준다. 전반적인 모의 성능을 설명하기 위해 MBE 검증 변수를 중심으로 기술하였다. 10 m 풍속의 과대 모의 경향은 거의 모든 지점에서 나타나고 있으며 월별 지점 평균 MBE는 0.7-1.1 m s-1를 보였다(Fig. 6a). 또한, 풍속의 과대 모의 경향은 여름에 비해 겨울에 겨울 기간이 여름 기간에 비해 과대 모의 경향이 약간 크게 나타났다 Kim et al. (2013)은 한반도 전체 지역을 대상으로 한 WRF 모의 결과 분석에서 10 m 풍속의 월 평균 MBE와 RMSE는 각각 1.05m s-1와 1.88m s-1로, 본 연구 결과와 유사한 모의 성능을 보고한 바 있다. 10 m 동-서 방향 바람 성분도 월별 지점 평균 MBE 값이 0.1-0.7m s-1로 연중 과대 모의를 나타냈으며, 모든 월에서 야간에 비해 주간에 서풍 성분의 과대 모의 경향이 뚜렷한 특징을 보여주었다(Fig. 6b). MBE 값의 주/야간 차이는 여름철에 더욱 뚜렷하게 나타나고 있어 여름철 해풍 순환이 대상 지역에서 과대 모의를 보인 결과로 판단된다. 10 m 남-북 방향 바람 성분에서는 주/야간 차이에 비해 계절에 따른 MBE 차이가 크게 나타났다(Fig. 6c). 겨울에는 북풍 성분이 과대 모의되는 경향이 나타나며 반면 여름에는 남풍 성분이 과대 모의되는 것으로 나타났다. 이는 수도권 전체 영역에서 나타나는 특징으로 지상 바람장의 편의가 종관 규모 기상의 계절적 변화에 영향을 받은 것으로 분석된다. 2 m 기온의 월별 지점 평균 MBE는 -0.3~1.4oC로, 겨울에 대체로 높은 양의 편차를 보였다(Fig. 6d). 또한 겨울 기간의 기온의 모의 성능은 주간과 야간에 매우 큰 차이를 보이는 특징을 보였다. 수도권 영역의 2012년 1월에 대한 WRF 모의 성능을 분석한 선행 논문(Jeong et al., 2016)에서도 모형이 일 최저 기온을 높게 모의하는 특성이 보고된 바 있으며, 야간 시간대의 월 평균 MBE는 1.82oC, RMSE는 2.35oC를 나타내었다. 2 m 비습의 월별 지점 평균 MBE는 -0.7~0.2 g kg-1로, 관측-모형의 편차는 비습의 절대값이 상대적으로 높은 여름 기간이 겨울 기간에 비해 높은 특징을 보였다(Fig. 6e). 계절 변화의 특징을 보이지만 기온과는 달리 주간과 야간의 MBE 편차는 크지 않은 특징을 보였다. Table 4는 WRF 모의 기상 변수에 대한 통계 검증 결과를 월별 최대값과 최소값으로 보여준다.


Fig. 6. 
Statistical evaluation results of (a) 10 m wind speed, (b) east-west wind component, (c) north-south wind component, (d) 2 m temperature, and (e) 2 m specific humidity in MBE (left panels), RMSE (middle), and IOA (right panels). Blue and red lines denote, respectively, the statistical criteria for base conditions and complex conditions in Table 3.

Table 4. 
Monthly statistical evaluation results of the WRF simulated meteorological variables over the Seoul metropolitan area in 2016. The statistical minimum/maximum values are presented for the meteorological variables. The numbers in parentheses denote the months for the minimum/maximum values.
MBE RMSE MAE IOA R
10 m wind speed
(m s-1)
0.65/1.13
(09/11)
1.44/1.77
(09/05)
1.10/1.40
(08/01)
0.63/0.77
(07/05)
0.56/0.75
(10/05)
10 m wind direction
(deg)
-2.02/7.32
(08/02)
65.12/78.22
(05/09)
47.66/57.64
(05/09)
0.62/0.69
(06/04)
0.34/0.45
(06/04)
East-west wind component
(m s-1)
0.06/0.72
(10/01)
1.54/1.75
(09/04)
1.17/1.35
(09/02)
0.74/0.84
(07/04)
0.63/0.79
(09/04)
North-south wind component
(m s-1)
-0.63/0.60
(01/07)
1.51/1.86
(09/02)
1.17/1.46
(09/02)
0.65/0.74
(12/05)
0.48/0.63
(08/05)
2 m temperature
(oC)
-0.27/1.43
(06/10)
1.56/2.31
(08/10)
1.22/1.80
(08/12)
0.93/0.96
(12/08)
0.89/0.95
(06/08)
2 m specific humidity
(g kg-1)
-0.76/0.22
(06/12)
0.40/2.05
(01/08)
0.30/1.68
(01/08)
0.83/0.97
(07/11)
0.79/0.96
(07/11)

Figure 7은 월별 모의 기상장을 Table 3에 제시된 대기질 모형에 활용하기 위한 입력 기상장의 품질 평가 기준을 따라 평가한 결과를 보여준다. 10 m 풍속은 연중 RMSE 통계 기준을 대체로 만족하지만 MBE는 복잡 조건 통계 기준 범위에서 만족하고 있다(Figs. 6a, 7a). 10 m 풍향은 모든 월에서 MBE 통계 기준을 만족하나 MAE는 복잡 조건 통계 기준의 범위에서 다소 벗어났다(Fig. 7b). 2 m 기온은 MBE 통계 기준을 봄 기간에 다른 계절에 비해 다수 지점에서 만족하고 대부분 지점이 복잡 조건 통계 기준 범위 내에 있다(Fig. 7c). IOA는 대부분 지점에서 연중 0.9 이상의 높은 값을 보여 IOA 통계 기준을 만족하였다(Fig. 6d). 2 m 비습은 다른 계절에 비해 여름에 상대적으로 낮은 모의 성능을 보이나 대부분의 지점에서 품질 평가 통계 기준을 대체로 잘 만족하였다(Figs. 6e, 7d). 종합적으로, 본 연구에서 생산한 고해상도 WRF 국지 기상장은 대기질 모형의 입력 기상장으로 활용하기에 대체로 적합한 것으로 판단되나, 지상 바람과 기온 변수는 더 나은 모형 성능 기준을 만족하기 위해 추가적인 개선이 필요한 것으로 판단된다.


Fig. 7. 
Soccer plots of the statistical assessments of (a) 10 m wind speed, (b) 10 m wind direction, (c) 2 m temperature, and (d) 2 m specific humidity. The inner line represents the statistical standards in Table 3, and the outer line denotes statistical criteria for complex conditions.

3.2.2 상층 기상장

Figure 8은 2016년 오산 상층기상측정소 지점의 월평균 측정 기상 요소와 모의 기상장의 연직 분포를 비교하고 있다. 라디오 존데 측정 자료와 모형 변수는 지상에서부터 700 hPa 고도까지 10 hPa 간격으로 내삽한 후 비교하였다. 측정 비습은 측정 고도에서 직접 측정된 기온, 이슬점 온도, 그리고 기압을 이용하여 계산한 후 이를 연직 내삽하였다. 오산 측정 지점에서 바람, 기온, 비습 변수의 연직 분포는 뚜렷한 월변화 특성을 보여주고 있다. 풍속의 연직 분포(Fig. 8a)에서 지상 부근 풍속은 1.0~3.0 m s-1 월 변화를 보이는 반면 지표층 상부 대기에서는 풍속 연직 경도의 계절 변화가 뚜렷하게 나타나고 있다. 겨울 기간 동안 풍속 연직 경도가 높게 나타나고 있으며, 6월부터 9월 사이의 여름 기간에는 풍속 연직 경도가 낮아지다 10월 이후 겨울 기간으로 접어들면서 다시 풍속 연직 경도가 높아지는 특징을 보여준다(Fig. 8a). 지표층 상부에서의 풍속 연직 분포의 월별 변화는 동-서 방향 바람 성분의 연직 분포와 밀접하게 연관되어 있으며, 연중 서풍 성분이 주로 나타남을 알 수 있다(Fig. 8c). 한편, 남-북 방향 바람 성분은 겨울 기간에 북풍 성분이 강하게 나타나고, 여름 기간에 남풍 성분이 강하게 나타나는 뚜렷한 계절 변화 특징을 보여 주고 있다(Fig. 8e). 고도별 기온과 비습의 계절 변화는 유사한 양상을 보여주고 있는데, 여름 기간이 겨울 기간에 비해 높은 값을 보이며 고도가 높아짐에 따라 낮은 값을 보인다(Figs. 8g, 8i). 고도에 따른 감소 경향은 대기 경계층 내의 기온과 비습 변화의 원천(source)이 여름(7~8월)의 경우 지표에 위치하기 때문이다. WRF 모의 결과는 모든 기상 요소에서 측정에서 나타난 고도에 따른 계절 변화 특성들을 대체로 잘 모의하였다(right panels in Fig. 8). 모형은 연중 지표 부근의 서풍 성분을 측정에 비해 다소 강하게 모의하는 특성을 보였으며(Fig. 8d), 겨울 기간의 북풍 성분을 보다 강하게 모의하였으며, 여름 기간의 강한 남풍 성분을 측정 고도보다 약간 높은 고도에서 모의하였다(Fig. 8f). 이로 인해 여름 기간의 모형의 풍속 연직 경도는 측정에 비해 다소 낮게 모의됨을 볼 수 있다(Fig. 8b).


Fig. 8. 
Time-height sections of observed and simulated monthly mean (a-b) wind speed, (c-d) east-west wind component, (e-f) north-south wind component, (g-h) air temperature, and (i-j) specific humidity in the upper meteorological measurement station at R47122 (Osan) in 2016.

Figure 9는 동일 지점에서의 모형의 기상장 모의 성능을 정량적으로 비교하고 있다. 월별 MBE와 RMSE의 연직 분포를 나타내며, 계통 오차 비율(fSB)을 RMSE 분포와 함께 나타내었다. 대기 경계층 내의 풍속의 과대 모의 경향은 전 기간 동안 나타나고 있으며, 지상 부근에서 모의 오차가 더 크게 나타나는 것을 알 수 있다(Figs. 9a-b). 여름 기간의 풍속 과대 모의 경향은 서풍 성분의 과대 모의에 기인하며, 겨울 기간의 풍속 과대 모의는 북풍 성분의 과대 모의에 의한 것으로 분석된다(Figs. 9c-f). 지상 바람의 검증 결과(Figs. 6a-c)에서 나타난 모의 오차 경향이 대기 경계층 고도 내에서 대체로 일관되게 나타남을 알 수 있다. 상층 기온의 예측 성능은 대체로 좋은 결과를 보여주고 있으며(Figs. 9g-h), 지상 기온의 월별 모의 오차 변동과 유사하게 나타났다. 하지만 대기 경계층 고도 부근을 중심으로 상부와 하부의 모의 특성이 달리 나타나는 바람 변수와 달리 대기 경계층의 효과가 뚜렷하게 구분되어 나타나지 않는 특징을 보인다. 오산의 상층 비습은 7월 이후 상대적으로 높은 양의 편차를 보여주고 있으며, 모의 오차는 850 hPa 고도 이상의 고도까지 확장되어 나타났다(Figs. 9i-j).


Fig. 9. 
Time-height sections of monthly mean MBE (left panels) and RMSE (right panels) at R47122 (Osan) for (a-b) wind speed, (c-d) east-west wind component, (e-f) north-south wind component, (g-h) air temperature, and (i-j) specific humidity. The line contours in the right panels denote systematic bias fractions (fSB).

모든 기상 요소의 검증 결과에서 월별 고도별 RMSE 분포는 MBE 절대값 분포와 대체로 잘 일치하고 있다(right panels in Fig. 9). 분석 기상 변수의 RMSE 크기는 계통 오차 비율(fSB)과 매우 높은 선형 관계를 보여주고 있는데, 이는 850 hPa 고도 이상에서 나타나는 계통 오차가 대기 경계층 내의 계통 오차와 연계되어 있음을 암시한다. Figure 10은 지상 기상 변수에 나타나는 월별 지점별 계통 오차 비율의 분포를 보여준다. 10 m 풍속의 월별 지점 평균 fSB는 0.32~0.46으로 나타났으며, 각 방위별 바람 성분의 월별 지점 평균 fSB는 각각 0.08~0.24와 0.10~0.30의 값을 보였다(Figs. 10a-c). 2 m 기온과 비습의 월별 지점 평균 fSB는 각각 0.19~0.47과 0.18~0.39로 나타났다(Figs. 10d-e). 지상 풍속과 기온의 계통 오차 비율이 비습과 방위별 바람 성분에 비해 상대적으로 큰 값을 가져, 모형의 개선 가능성이 상대적으로 높게 나타났다. 지상 바람, 기온, 비습 변수의 계통 오차 비율은 월별 변화와 함께 지점간 편차도 크게 나타나는 특징을 보였다. 지상관측소 지점과 오산 지점에서 나타나는 높은 계통 오차 비율(Figs. 9, 10)은 WRF 모형의 개선 가능성을 의미하며, 분석된 계통 오차 특성은 모형의 개선을 위해 지표층의 지표-대기 운동량 교환 과정과 대기 경계층 상부의 유입/유출 과정에 대한 정량적 분석의 필요성을 암시한다.


Fig. 10. 
Distribution of systematic bias fraction (fSB) for (a) 10 m wind speed, (b) east-west wind component, (c) north-south wind component, (d) 2 m temperature, and (e) 2 m specific humidity. The boxes and vertical bars denote the mean and standard deviation values, respectively.


4. 요약 및 결론

본 연구에서는 WRF 모형의 수도권 지역의 고해상도 국지 기상장 모의 성능을 검증하고 대기질 모델링을 위한 입력 기상장으로써의 품질을 평가하였다. 2016년 1년 기간에 대해 1 km 격자 해상도의 상세 국지 기상장 모의를 수행하고, 지상과 상층 기상 측정 자료를 이용하여 통계 검증을 수행하였다. WRF 모형의 모의 정확도 향상을 위해 수도권 지역의 모형 지형 고도와 지면 피복 정보를 현실적으로 갱신하였으며, 2016년 7월 한달 기간을 대상으로 일련의 민감도 실험을 통해 모형 구동 옵션을 설정하였다. 통계 검증 결과를 바탕으로 WRF 모형을 이용한 수도권 지역의 국지 기상장 모의 성능 향상 방안을 제안하였다.

7월 한달 기간의 민감도 실험 결과, 전지구 재분석 기상장 FNL과 ERA-Interim 자료의 선택은 수도권 영역의 고해상도 국지 기상장 모의 성능에 큰 차이를 보이지 않았다. ERA-Interim 자료를 이용한 FDDA 분석장 너징 기법도 모의 성능에 유의한 차이를 보이지 않았다. 이는 대상 지역의 국지 강제력이 고해상도 기상장 모의에 중요함을 암시한다. 현실적인 지형 고도와 지면 피복 정보의 갱신은 국지 기상장의 모의 성능 향상에 기여하였으며, 국지 강제력의 현실적 반영이 중요함을 확인하였다. 고해상도 국지 기상장 모의를 위해 많은 연구에서 자주 채택되고 있는 양방향 둥지 격자 방안은 수도권 지역의 고해상도 국지 기상장 모의에서는 단방향 둥지 격자 방안에 비해 향상된 모의 성능을 보여주지 못하였다. 도시 모수화 모형의 적용 여부에 따른 민감도 실험은 WRF 모형에서 제공되고 있는 도시 지표 특성 파라미터 값들은 미국 도시 지역의 특성을 반영하고 있어 수도권 지역의 국지 기상장 모의 성능 향상에는 효과적이지 못하였으며, 도시 모수화 모형을 이용한 국지 기상장의 모의 성능 향상을 위해서 대상 지역의 도시 형태 변수와 물리 특성 변수들의 최적화가 선행되어야 함을 시사하였다.

2016년 1년 기간에 대한 수도권 지역의 WRF 국지 기상장 통계 검증 결과, 모의 지상 풍속은 연중 대체로 측정 풍속을 과대 모의하였다(MBE = 0.7-1.1 m s-1). 특히, 서풍 성분의 과대 모의 경향이 연중 뚜렷하게 나타났다. 이는 수도권 지역의 해풍 국지 순환을 강하게 모의하는 특성에 기인하는 것으로 판단된다. 한편, 겨울 기간에는 북풍 성분이 과대 모의되는 경향을 보였으며(1월 MBE=-0.6 m s-1), 여름 기간에는 남풍 성분이 과대 모의되었다(7월 MBE = 0.6 m s-1). 이는 종관규모 기상의 계절적 변화에 기인하는 것으로 분석된다. 2 m 기온은 대체로 양의 편의를 보였으며(MBE = -0.3-1.4oC), 겨울 야간 시간대에 상대적으로 높은 양의 편의를 보였다. 2 m 비습은 계절적으로 비습이 높은 여름 기간에 음의 편의가 크게 나타났다(8월 MBE= -0.7 g kg-1). 본 연구에서 제시된 WRF 모형의 모의 성능은 대상 지역에 대한 기존 모형 연구에 비해 대체로 높은 모의 성능을 보였다(e.g., Kim et al., 2013; Park et al., 2015; Jeong et al., 2016). 또한, 전반적으로 대기질 모형의 입력 기상장으로 활용하기에 대체로 적합한 것으로 평가되었으나, 바람과 기온 변수는 더 나은 모형 성능 기준을 만족하기 위해 추가적인 개선이 필요한 것으로 분석되었다.

한편, 오산 측정 지점의 상층 기상장을 이용한 WRF 모형의 모의 성능 검증 결과, 지상 기상장의 통계 검증에서 보인 모형의 편의 경향이 대기 경계층 고도까지 확대되어 있음을 보여주었다. 특히, 바람 변수의 연직 분포에서 그 경향이 더욱 뚜렷하게 나타났다. 지표와 대기 경계층의 높은 계통 오차 비율(fSB)과 모의 오차의 연직 분포 특성은 WRF 모형의 개선을 위해 지표층의 운동량 교환 과정과 대기 경계층 고도의 유입/유출 과정에 대한 개선이 필요함을 암시하였다.


Acknowledgments

본 논문의 개선을 위해 세심한 검토 의견을 주신 심사위원께 감사드립니다. 이 논문은 2017년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원(No. NRF-2017R1A2B4012975)과 기상청 기상·지진 See-At 기술개발연구사업(KMI2018-05611)의 지원을 받아 수행되었습니다.


References
1. Angevine, W. M., J. Brioude, S. Mckeen, and J. S. Holloway, 2014: Uncertainty in Lagrangian pollutant transport simulations due to meteorological uncertainty from a mesoscale WRF ensemble. Geosci. Model Dev., 7, 2817-2829.
2. Baker, K. R., C. Misenis, M. D. Obland, R. A. Ferrare, A. J. Scarino, and J. T. Kelly, 2013: Evaluation of surface and upper air fine scale WRF meteorological modeling of the May and June 2010 CalNex period in California. Atmos. Environ., 80, 299-309.
3. Beljaars, A. C. M., A. R. Brown, and N. Wood, 2004: A new parametrization of turbulent orographic form drag. Q. J. R. Meteorol. Soc., 130, 1327-1347.
4. Borge, R., V. Alexandrov, J. José del Vas, J. Lumbreras, and E. Rodriguez, 2008: A comprehensive sensitivity analysis of the WRF model for air quality applications over the Iberian peninsula. Atmos. Environ., 42, 8560-8574.
5. Byun, D., and K. L. Schere, 2006: Review of the governing equations, computational algorithms, and other components of the models-3 community multiscale air quality (CMAQ) modeling system. Appl. Mech. Rev., 59, 51-77.
6. Chen, F., and J. Dudhia, 2001: Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. PART I: Model implementation and sensitivity. Mon. Wea. Rev., 129, 569-585.
7. Cheng, F.-Y., and D. W. Byun, 2008: Application of high resolution land use and land cover data for atmospheric modeling in the Houston-Galveston metropolitan area, Part I: Meteorological simulation results. Atmos. Environ., 42, 7795-7811.
8. Cheng, F.-Y., Y.-C. Hsu, P.-L. Lin, and T.-H. Lin, 2013: Investigation of the effects of different land use and land cover patterns on mesoscale meteorological simulations in the Taiwan area. J. Appl. Meteor. Climatol., 52, 570-587.
9. Choi, M.-W., J.-H. Lee, J.-W. Woo, C.-H. Kim, and S.-H. Lee, 2019: Comparison of PM2.5 chemical components over East Asia simulated by the WRF-Chem and WRF/CMAQ models: On the models’ prediction inconsistency. Atmosphere, 10, 618.
10. Chou, M.-D., M. J. Suarez, C.-H. Ho, M. M.-H. Yan, and K.-T. Lee, 1998: Parameterizations for cloud overlapping and shortwave single-scattering properties for use in general circulation and cloud ensemble models. J. Climate, 11, 202-214.
11. Cohen, M. A., and Coauthors, 2009: Approach to estimating participant pollutant exposures in the Multi-Ethnic Study of Atherosclerosis and Air Pollution (MESA Air). Environ. Sci. Technol., 43, 4687-4693.
12. 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.
13. Emery, C., E. Tai, and G. Yarwood, 2001: Enhanced meteorological modeling and performance evaluation for two Texas ozone episodes. ENVIRON International Corporation, Final Report, 235 pp.
14. Miglietta, M. M., P. Thunis, E. Georgieva, A. Pederzoli, B. Bessagnet, E. Terrenoire, and A. Colette, 2012: Evaluation of WRF model performance in different European regions with the DELTA-FAIRMODE evaluation tool. Int. J. Environ. Pollut., 50, 83-97.
15. García-Díez, M., J. Fernández, L. Fita, and C. Yagüe, 2013: Seasonal dependence of WRF model biases and sensitivity to PBL schemes over Europe. Q. J. R. Meteorol. Soc., 139, 501-514.
16. Grell, G. A., S. E. Peckham, R. Schmitz, S. A. McKeen, G. Frost, W. C. Skamarock, and B. Eder, 2005: Fully coupled “online” chemistry within the WRF model. Atmos. Environ., 39, 6957-6975.
17. Hamdi, R., D. Degrauwe, and P. Termonia, 2012: Coupling the Town Energy Balance (TEB) scheme to an operational limited-area NWP model: Evaluation for a highly urbanized area in Belgium. Wea. Forecasting, 27, 323-344.
18. 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, 103-120.
19. Hong, S.-Y., Y. Noh, and J. Dudhia, 2006: A new vertical diffusion package with an explicit treatment of entrainment processes. Mon. Wea. Rev., 134, 2318-2341.
20. IARC, 2013: Outdoor air pollution a leading environmental cause of cancer deaths. International Agency for Research on Cancer, World Health Organization, No. 221.
21. Jeon, W.-B., H. W. Lee, S.-H. Lee, H.-J. Choi and H. H. Leem, 2009: Numerical study on the impact of SST spatial distribution on regional circulation. J. Korean Soc. Atmos. Environ., 25, 304-315 (in Korean with English abstract).
22. Jeong, J.-H., I. Oh, Y.-H. Kang, J.-H. Bang, H. An, H.-B. Seok, Y.-K. Kim, J. Hong, and J. Kim, 2016: WRF modeling approach for improvement of air quality modeling in the Seoul metropolitan region: Seasonal sensitivity analysis of the WRF physics options. J. Environ. Sci. Int., 25, 67-83 (in Korean with English abstract).
23. Jimenez-Esteve, B., M. Udina, M. R. Soler, N. Pepin, and J. R. Miro, 2018: Land use and topography influence in a complex terrain area: A high resolution mesoscale modelling study over the eastern Pyrenees using the WRF model. Atmos. Res., 202, 49-62.
24. Jiménez, P. A., and J. Dudhia, 2012: Improving the representation of resolved and unresolved topographic effects on surface wind in the WRF model. J. Appl. Meteor. Climatol., 51, 300-316.
25. Jo, Y.-J., H.-J. Lee, L.-S. Chang, and C.-H. Kim, 2018: Sensitivity study of the initial meteorological fields on the PM10 concentration predictions using CMAQ modeling. J. Korean Soc. Atmos. Environ., 33, 554-569 (in Korean with English abstract).
26. Kain, J. S., 2004: The Kain-Fritsch convective parameterization: an update. J. Appl. Meteor. Climatol., 43, 170-181.
27. Kim, D.-Y., J.-Y. Kim, and J.-J. Kim, 2013: Mesoscale simulations of multi-decadal variability in the wind resource over Korea. Asia-Pac. J. Atmos. Sci., 49, 183-192.
28. Kim, J.-Y., D.-Y. Kim, J.-H. Oh, S. H. Kim, H.-G. Kim, Y.-H. Kang, J.-J. Kim, and C.-H. Cho, 2015: Sensitivity evaluation of surface wind simulations by surface drag parameterization and spatial resolution using WRF model. J. Wind Eng. Inst. Korea, 19, 77-83 (in Korean with English abstract).
29. Kryza, M., M. Werner, A. J. Dore, M. Vieno, M. Błaś, A. Drzeniecka-Osiadacz, and P. Netzel, 2012: Modelling meteorological conditions for the episode (December 2009) of measured high PM10 air concentrations in SW Poland - Application of the WRF model. Int. J. Environ. Pollut., 50, 41-52.
30. Kusaka, H., H. Kondo, Y. Kikegawa, and F. Kimura, 2001: A simple single-layer urban canopy model for atmospheric models: comparison with multi-layer and slab models. Bound.-Layer Meteor., 101, 329-358.
31. Laden, F., L. M. Neas, D. W. Dockery, and J. Schwartz, 2000: Association of fine particulate matter from different sources with daily mortality in six U.S. cities. Environ. Health Perspect., 108, 941-947.
32. Lang, J., S. Cheng, J. Li, D. Chen, Y. Zhou, X. Wei, L. Han, and H. Wang, 2013: A monitoring and modeling study to investigate regional transport and characteristics of PM2.5 pollution. Aerosol Air Qual. Res., 13, 943-956.
33. Lean, H. W., P. A. Clark, M. Dixon, N. M. Roberts, A. Fitch, R. Forbes, and C. Halliwell, 2008: Characteristics of high-resolution versions of the Met Office Unified Model for forecasting convection over the United Kingdom. Mon. Wea. Rev., 136, 3408-3424.
34. Lee, J.-B., and D.-K. Lee, 2011: Impact of cumulus parameterization schemes with different horizontal grid sizes on prediction of heavy rainfall. Atmosphere, 21, 391-404 (in Korean with English abstract).
35. Lee, J. G., and H. M. Sung, 2013: A WRF sensitivity study in precipitation amount over Yeongdong province to the choice of nesting methods: Case study. J. Korean Soc. Hazard Mitig., 13, 105-119, (in Korean with English abstract).
36. Lee, S.-H., and S.-U. Park, 2008: A vegetated urban canopy model for meteorological and environmental modelling. Bound.-Layer Meteor., 126, 73-102.
37. Lee, S.-H., S.-W. Kim, W. M. Angevine, L. Bianco, S. A. McKeen, C. J. Senff, M. Trainer, S. C. Tucker, and R. J. Zamora, 2011: Evaluation of urban surface parameterizations in the WRF model using measurements during the Texas Air Quality Study 2006 field campaign. Atmos. Chem. Phys., 11, 2127-2143.
38. Lee, S.-H., H. Lee, S.-B. Park, J.-W. Woo, D.-I. Lee, and J.-J. Baik, 2016: Impacts of in-canyon vegetation and canyon aspect ratio on the thermal environment of street canyons: numerical investigation using a coupled WRF-VUCM model. Q. J. R. Meteorol. Soc., 142, 2562-2578.
39. Lim, K.-S. S., J.-M. Lim, H. H. Shin, J. Hong, Y.-Y. Ji, and W. Lee, 2019: Impacts of subgrid-scale orography parameterization on simulated atmospheric fields over Korea using a high-resolution atmospheric forecast model. Meteorol. Atmos. Phys., 131, 975-985.
40. Liu, Y., F. Chen, T. Warner, and J. Basara, 2006: Verification of a mesoscale data-assimilation and forecasting system for the Oklahoma City area during the joint urban 2003 field project. J. Appl. Meteor. Climatol., 45, 912-929.
41. Lott, F., and M. J. Miller, 1997: A new subgrid-scale orographic drag parametrization: Its formulation and testing. Q. J. R. Meteorol. Soc., 123, 101-127.
42. McNally, D., 2009: 12km MM5 performance goals. 10th Annual AdHoc Meteorological Modelers Meeting, Boulder, CO, USA, Environmental Protection Agency, 46 pp.
43. Martilli, A., A. Clappier, and M. W. Rotach, 2002: An urban surface exchange parameterisation for mesoscale models. Bound.-Layer Meteor., 104, 261-304.
44. Mass, C., and D. Ovens, 2010: WRF model physics: Problems, solutions and a new paradigm for progress. Preprints, 2010 WRF Users’ Workshop, Boulder, CO, USA, NCAR.
45. Masson, V., 2000: A physically-based scheme for the urban energy budget in atmospheric models. Bound.-Layer Meteor., 94, 357-397.
46. Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A. Clough, 1997: Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave. J. Geophys. Res. Atmos., 102, 16663-16682.
47. Mun, J. H., H. W. Lee, W. B. Jeon, and S.-H. Lee, 2017: Impact of meteorological initial input data on WRF simulation - Comparison of ERA-Interim and FNL data. J. Environ. Sci. Int., 26, 1307-1319.
48. NCAR, 2014: What’s the difference between FNL and GFS? National Center for Atmospheric Research [Available online at https://rda.ucar.edu/datasets/ds083.2/docs/FNLvGFS.pdf].
49. NIER, 2013: Example of air quality modeling report based on air quality modeling guidelines for establishing and evaluating national air policies. National Institute of Environmental Research, NIER-GP, 2013-037, 52 pp (in Korean).
50. NIER, 2014: A study of accuracy improvement for national air quality forecasting (Ⅰ). National Institute of Environmental Research, NIER-RP, 2014-305, 21 pp (in Korean).
51. Ostro, B., R. Broadwin, S. Green, W.-Y. Feng, and M. Lipsett, 2006: Fine particulate air pollution and mortality in nine California counties: Results from CALFINE. Environ. Health Perspect., 114, 29-33.
52. Palmer, T. N., 2000: Predicting uncertainty in numerical weather forecasts. Int. Geophys., 83, 3-13.
53. Park, S.-H., J.-B. Jee, and C. Yi, 2015: Sensitivity test of the numerical simulation with high resolution topography and landuse over Seoul metropolitan and surrounding areas. Atmosphere, 25, 309-322, (in Korean with English abstract).
54. Prabha, T. V., G. Hoogenboom, and T. G. Smirnova, 2011: Role of land surface parameterizations on modeling cold-pooling events and low-level jets. Atmos. Res., 99, 147-161.
55. Salamanca, F., and A. Martilli, 2010: A new building energy model coupled with an urban canopy parameterization for urban climate simulations - Part II. validation with one dimension off-line simulations. Theor. Appl. Climatol., 99, 345-356.
56. Sistla, G., N. Zhou, W. Hao, J.-Y. Ku, S. T. Rao, R. Bornstein, F. Freedman, and P. Thunis, 1996: Effects of uncertainties in meteorological inputs on urban airshed model predictions and ozone control strategies. Atmos. Environ., 30, 2011-2025.
57. Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, M. G. Duda, X.-Y. Huang, W. Wang, and J. G. Powers, 2008: A description of the advanced research WRF version 3. NCAR Tech. Note NCAR/TN-475+STR, 125 pp.
58. Son, J.-Y., J.-T. Lee, K.-H. Kim, K. Jung, and M. L. Bell, 2012: Characterization of fine particulate matter and associations between particulate chemical constituents and mortality in Seoul, Korea. Environ. Health Perspect., 120, 872-878.
59. Soriano, C., O. Jorba, and J. M. Baldasano, 2004: One-way nesting versus two-way nesting: Does it really make a difference? In C. Borrego et al. Eds., Air Pollution Modeling and Its Application XV, Springer, 177-185 pp.
60. Srinivas, C. V., K. B. R. R. Hari Prasad, C. V. Naidu, R. Baskaran, and B. Venkatraman, 2016: Sensitivity analysis of atmospheric dispersion simulations by FLEXPART to the WRF-simulated meteorological predictions in a coastal environment. Pure Appl. Geophys., 173, 675-700.
61. Thunis, P., E. Georgieva, and A. Pederzoli, 2011: The DELTA tool and the benchmarking report template. Concept and Users' guide, Version 2, Joint Research Center, 31 pp.
62. Willmott, C. J., 1981: On the validation of models. Phys. Geogr., 2, 184-194.
63. Woo, J.-W., J.-H. Lee, and S.-H. Lee, 2019: Quantitative analysis of random errors of the WRF-FLEXPART model for backward-in-time simulation over the Seoul metropolitan area. Atmosphere, 29, 551-566, (in Korean with English abstract).
64. Zhang, Y., M. K. Dubey, S. C. Olsen, J. Zheng, and R. Zhang, 2009: Comparisons of WRF/Chem simulations in Mexico City with ground-based RAMA measurements during the 2006-MILAGRO. Atmos. Chem. Phys., 9, 3777-3798.
65. Zhao, W., N. Zhang, J. Sun, and J. Zou, 2014: Evaluation and parameter-sensitivity study of a single-layer urban canopy model (SLUCM) with measurements in Nanjing, China. J. Hydrometeor., 15, 1078-1090.