Current Issue

GloSea5가 5개 종류의 EASM 지수를 예측하는 성능을 알아보기 위해서 20년 동안의 과거기후 모의자료에서 산출된 지수와 ERA-Interim으로부터 산출한 지수를 각각 비교하였고, 이들의 상관관계를 산출하였다(Figs. 2, 3). 상관관계는 3월, 4월, 5월을 초기시간으로 하는 선행시간에 따라 각각 비교되었다.

Fig. 2. 
Distribution (green dots) of the EASM index (a) WNPMI, (b) EAMI, (c) WYI, (d) GUOI and (e) SAHI for GloSea5 12 ensemble members in each year during 1991~2010. The EASM index of GloSea5 ensemble mean and ERA-Interim are portrayed in green line and black line, respectively. The first, second, and third column denote the hindcasts run from May, April, and March, respectively.

Fig. 3. 
Correlation coefficients of 5 EASM indices between GloSea5 and ERA-Interim with respect to lead time.

WNPMI에 대해서는 선행시간이 길어짐에 따라 지수 예측성은 하락하고 있으나, 다른 지수들보다 상대적으로 높은 예측성을 보여준다(Figs. 2a, 3). 몬순이 상대적으로 강하거나 약해진 해들을 비교적 잘 모의하고 있고, 특히 1998년의 강한 엘니뇨 시기의 약한 몬순도 GloSea5는 ERA-Interim과 거의 같게 WNPMI 지수를 모의하고 있다. 엘니뇨가 보통 수준으로 발생했던 1994/1995, 2002/2003, 2009/2010 해와 강하게 발생했던 1991/1992, 1997/1998 여름 모두에서도 예측성이 높은 것으로 모의되었다. 이것은 엘니뇨 발생이 해양-대기 상호작용 및 열대-중위도 원격상관을 통해 동아시아 지역 기후 시스템에 영향을 준다는 선행연구 결과에 따라(Webster and Yang, 1992; Webster et al., 1998; Wang et al., 1999; Alexander et al., 2002; Min et al., 2015) 엘니뇨 해에 동아시아 지역 기후의 예측 성능이 향상되고, WNPMI 지수는 이를 잘 반영하고 있음을 나타낸다. 또한, 앞 장에서 설명한 바와 같이 WNPMI가 양의 값을 나타낼 때 아열대 서태평양 몬순 기압골이 발달하는데, 엘니뇨가 발생했던 해에는 WNPMI가 음의 값을 나타내므로 이때에는 아열대 서태평양 몬순기압골이 약화됨을 알 수 있다. 즉, 이 지역에서의 저기압 순환 편차가 약해 진다는 것을 의미하므로 이 지역의 대류활동이 약해진다고 해석할 수 있다. 이것은 잘 알려진 바와 같이 엘니뇨에 의해 서태평양 지역의 대류활동이 감소하는 것과 일치한다(Wang et al., 1999). WNPMI를 사용하여 EASM의 예측 성능을 검증한 선행연구로서 1960~2005 기간 ECMWF를 비롯한 4개 모형 MME (multi-model ensemble) 예측의 WNPMI를 NCEP/NCAR 재분석자료의 WNPMI와 비교했을 때 1개월과 4개월 선행 예보 시 상관관계가 각각 0.69, 0.66으로 나타났으며(Lu et al., 2012), 10개의 AGCM 사용한 MME에 대한 WNPMI의 상관관계가 0.77이었다(Feng et al., 2014). ECMWF와 NCEP 기후예측시스템과 ERA-Interim간 WNPMI의 상관계수는 각각 0.77과 0.57 이었다(Kim et al., 2012). 위 선행 연구들과 동등한 조건에서 비교될 수는 없으나, GloSea5는 선행시간 평균 WNPMI의 상관계수가 0.84로서 위의 결과들과 비슷하거나 다소 높은 값을 나타냈다.

EAMI는 5월 초기장을 사용한 선행시간이 짧은 모의에서 상관계수가 0.63으로 비교적 높게 나타난다(Fig. 2b). 또한, 몬순이 강한 해나, 1998년 엘리뇨 시기의 약한 몬순도 비교적 잘 모의하고 있으나, 선행시간이 길어질수록 예측성은 급격히 떨어져 5개 EASM 지수 중 가장 큰 하락률을 보인다(Fig. 3). EAMI는 WNPMI가 양의 값(음의 값)을 나타낼 때 음의 값(양의 값)을 보이며 반대 위상으로 증감한다. 이것으로부터 아열대 서태평양 몬순이 강화되면 동아시아 몬순은 약화되는 것을 알 수 있다. 이것은 Choi et al. (2016a)의 분석 결과와 일치한다. EAMI를 사용하여 EASM의 예측 성능을 검증한 선행연구로서 Zhu et al. (2005)는 1979~2003 기간의 NCEP 재분석 자료를 이용하여, 500 hPa 고도 및 강수에 대한 EAMI와의 동아시아 지역의 공간적 상관도는 WNPMI의 상관도와 유사하였고, EAMI와 WNPMI 간의 상관관계는 0.5로 유의한 것으로 분석하였다.

남아시아 지역 몬순 변동성을 설명하는 EASM 지수 WYI는 선행시간이 짧을 때 상관계수가 0.74로 나타났으며 이는 WNPMI에 이어 두번째로 높다(Fig. 2c). WYI도 몬순이 강하거나 약하게 나타날 때, 비교적 잘 모의를 하는 편으로 나타났다. Wang et al. (2001b)는 1976~1998 기간의 NCEP/NCAR 관측자료를 이용하여 동아시아 여름 몬순이 발달하였을 때, 열대 지역 500 hPa 중층 대기에는 고기압성 순환이 발달하여 WYI와 EAMI가 음의 상관관계(-0.41)를 갖는다는 것을 밝히고, 인도양 지역의 남아시아 여름 몬순 및 ENSO가 동아시아 여름 몬순에 미치는 영향에 대해 시사하였다. 그러나 위 선행연구에서 사용한 자료와 연구기간이 상이하기 때문에 동등한 조건에서 비교하기는 어렵지만, 본 연구기간에서 계산된 WYI와 EAMI의 연변동 패턴 상관계수는 ERA-Interim이 -0.17, GloSea5가 -0.09로 유의미한 상관관계가 보이지 않았다. 이는 1990년대 중후반을 기점으로 기후변화에 따라 열대, 아열대, 중위도 간의 대기-해양 상호작용 특성이 더 복잡해지기 때문인 것으로 사료된다(NIER, 2010). WYI를 사용하여 EASM의 예측 성능을 검증한 선행연구에서 1958~2013 기간 동안 17개의 몬순 지수에 대해 EASM의 중국-한국-일본의 장마전선에서 강수에 대한 회귀분석 결과, WYI는 강수(상관계수: -0.1)를 잘 반영하지 못한다는 점을(Zhao et al., 2015), 11개의 AGCM 모형에 대해 몬순 지수를 NCEP-NCAR 재분석 자료로 검증했을 때, 대부분의 모형에서 WYI의 상관계수(0.34)가 WNPMI (0.65)보다 낮게 나왔다는 점을 지적하였다(Wang et al., 2004). 반면, Kim et al. (2012)의 15개 앙상블 멤버로 5월을 초기치로 해서 예측한 연구에서는 ECMWF 및 NCEP과 ERA-Interim간 WYI의 상관계수가 각각 0.78 및 0.74으로 나타나, 위의 WNPMI보다 ECMWF 시스템은 0.01, NCEP은 0.17 더 높게 나와 WYI가 더 큰 상관성을 보인 점이 특징이다. 본 연구의 GloSea5 WYI 예측 결과는 한반도와 가장 멀리 떨어진 지역에서 계산된 몬순 지수임에도 불구하고, 모든 선행시간에 대해서 WNPMI 다음으로 높은 예측 성능을 보였다(Fig. 3).

GUOI는 선행기간이 짧은 경우 상관관계가 0.63으로 EAMI와 동일하게 나타났다. 2000년 전까지는 GloSea5가 ERA-Interim의 수치를 비교적 잘 따라왔으나, 2000년 이후에는 특히 몬순이 약화된 해를 거의 모의하지 못하고 있다(Fig. 2d). 1991년부터 2000년까지의 변동성의 상관관계는 0.83, 2000년 이후의 상관관계는 0.49로 나타났는데, 이는 1998/99년의 regime shift 시기의 열대 서태평양의 SST의 큰 변화(Yeo et al., 2012; Jo et al., 2015)로 인한 기후 변화(Kim et al., 2018)와 관련하여, 2000년대를 기점으로 열대 태평양 지역의 평균장 변화와 최근 수십 년 기간 동안 열대 서태평양 지역의 해수면 온도 증가에 의한 해양-대기 상호작용 특성의 변화(NIMS, 2018; Noh et al., 2020)를 GloSea5가 잘 모의하지 못하고 있는 것으로 사료된다. 한편, 두 지수 EAMI와 GUOI 변동 패턴의 상관계수는 0.62로 나타나 동아시아 몬순의 변동성에 대해서는 비슷한 패턴을 보이나 선행시간이 길어질수록 예측 성능은 차이가 크게 나고 있다. GUOI를 사용하여 EASM의 예측 성능을 검증한 선행연구로서 Zhou and Zou (2010)는 1958~2000 기간 동안 NCAR의 CAM3 (Community Atmosphere Model)의 모의 결과를 ERA-40 재분석 자료와 비교했을 때, 이 둘 사이의 상관계수가 -0.02로 나타나 예측 성능이 매우 낮은 결과를 보였는데, 그 이유 중 하나를 GUOI 정의에 사용되는 변수인 해면기압이 해양보다는 대륙에서 복잡한 양상을 띄기 때문일 것이라고 분석하였다. 반면, 본 연구의 GloSea5는 평균 0.59의 상관계수를 보이며, 위의 선행연구 결과 보다는 GUOI를 잘 예측하고 있는 것으로 나타났다.

마지막으로 SAHI의 경우, GloSea5와 ERA-Interim의 상관계수가 0.57로서 모든 지수 중에 가장 낮게 나타났으며 예측성도 급격히 떨어졌다(Fig. 2e). 또한, SAHI는 위 4개 지수의 변동패턴과의 상관분석에서도 유의미한 결과가 나타나지 않았다. 재분석장을 이용하여 SAHI가 고려하는 남아시아 상층 고기압의 연변동 및 동아시아 지역 강수량에 미치는 영향에 대한 선행 연구 결과는 꽤 많으나(Wei et al., 2015; Choi et al., 2016b; Ning et al., 2017), 여러 기후예측모형의 SAHI 예측 성능을 검증한 선행 연구는 부족하다. Xue et al. (2015)에서 GISS-E2-R (NASA Goddard Institute for Space Studies) 및 CanAM4 (the Canadian Fourth Generation Atmospheric Global Climate Model) 기후예측모형으로 남아시아 상층 고기압을 모의하였을 때, 두 모형 결과 모두 재분석자료(ERA-40 또는 NCEP-NCAR) 보다 중심 기압을 40~160 gpm 정도 과소모의 하는 것으로 나타났다. 이와 관련하여 GloSea5의 상층 대기 모의성능은 다음 장에서 더 살펴볼 것이다.

이상의 결과를 종합적으로 살펴보면, GloSea5의 몬순 지수 예측성은 1달 선행 초기장(5월 초기장)에서 약 0.6에서 0.9 이상의 상관 값을 보이며, 신뢰할 만한 성능을 보였다. WNPMI에 대한 예측성이 가장 뛰어났으며, 선행시간이 길어져도 상관계수가 0.7 이상의 예측성을 유지하였으므로, GloSea5가 예측한 지수를 이용하여 EASM를 판단하고자 할 때 모든 지수 중에서 WNPMI를 참고하는 것이 가장 적절할 것이다(Fig. 3). 다음으로 남아시아 지역의 열적 차이를 토대로 구한 WYI에 대한 예측성이 좋았고 그 예측성도 지속되는 특성을 보였으며, SAHI에 대해서 가장 낮은 예측성을 보였다. 5개 지수 중 선행시간이 길어질수록 예측성이 가장 크게 감소한 지수는 한반도에서 가장 가까운 지역에서 계산되는 EAMI였으며, 이를 통해 GloSea5에서 이 지역 남북 바람에 대한 예측성이 좋지 못하고, 시간에 따라 급격히 떨어지고 있는 것을 알 수 있었다.

이 지수들을 활용하여 EASM에 의한 강수량 변동성을 예측할 수 있는지 확인해보기 위해 동중국 지역과 한반도, 일본 남부지역을 포함하는 동아시아 지역(25-40^oN, 100-145^oE)에서 강수량 관측값(GPCP)을 이용하여 강수량 편차를 구하고 GloSea5가 계산한 각 지수와의 상관관계를 구하였다(Fig. 4). 앞서 Fig. 2에서 지수별로 시기에 따라 상관값에 큰 차이가 나타나는 경우가 있어, 전체 기간(Fig. 4a)과 1991~2000년의 전반 10년(Fig. 4b) 그리고 2001~2010년의 후반 10년(Fig. 4c)을 나누어 살펴 보았다.

Fig. 4. 
Correlation coefficients between 5 EASM indices of GloSea5 and rainfall over East Asia (25-40^oN, 100-145^oE) of GPCP with respect to lead time during (a) the whole period 1991~2010, (b) the first half period 1991~2000, and (c) the last half period 2001~2010.

전체 기간 다섯 가지의 지수 중 예측성이 가장 좋았던 WNPMI가 강수량 변동성과의 상관계수 분석에서도 -0.64로 가장 큰 상관도를 보였고, 선행시간이 길어져도 그 크기가 유지되었다(Fig. 4a). 이는 GloSea5로 예측한 강수량 편차와 관측값으로 계산한 강수량 편차 연변동 패턴의 상관계수인 0.58보다도 높았다. EAMI와 강수량 변동성의 상관계수는 0.59로 나타났으며 Fig. 4b에서 전반 10년 기간에는 이보다도 더 높은 상관을 보였다. 앞서 Fig. 3에서 재분석과 비교한 GloSea5의 몬순 지수 상관값은 비교적 낮았으나, 그래도 타겟으로 보고자 하는 동아시아/한반도 지역을 포함한 남북 바람을 직접적으로 이용하여 몬순 강수를 예측하는 것이 유리함을 알 수 있었다. 다음으로는 GUOI가 0.38로 높게 나타났으며, WYI와 SAHI는 각각 0.04, -0.04로 상관관계가 거의 없는 것으로 나타났다. WYI와 SAHI는 상대적으로 동아시아 지역과는 멀리 떨어진 지역으로, 동아시아 지역과 원거리로 떨어져 있는 지역을 기준으로 마련된 지수가 동아시아의 강수를 보기에는 적절치 못하다고 생각할 수 있으며, 한편으로는 GloSea5에서 원거리 상관 등의 간접적인 영향이 잘 반영되기 힘든 이유에서 일 수도 있다. 또한 이들 지수가 만들어질 때 분석된 관측자료나 시기 등에 따라 이들 지수와 강수의 상관이 민감하게 바뀔 수도 있음을 시사한다. 일반적으로 선행시간이 길어짐에 따라 상관도가 감소하지만, WYI와 GUOI는 선행시간이 길어짐에 따라 예측 성능이 소폭 좋아지는 경향을 보였다. 결론적으로, 우리나라를 포함한 동아시아 지역에서 여름 몬순에 의한 강수량 변동은 남아시아 지역보다는 아열대 서태평양 및 북서태평양 지역에서 계산된 몬순 지수들과 더 관련이 있는 것으로 사료된다.

한편, 분석기간의 전반부와 후반부를 분리하여 상관계수를 계산했을 때, WNPMI와 EAMI, GUOI는 2000년 이전 기간에 대해서는 상관계수가 각각 -0.84, 0.79, 0.64로 나타났는데 2000년 후의 기간에 대해서는 -0.4, 0.18, 0.12까지 모든 지수가 떨어졌다(Figs. 4b, c). 즉, 20세기 후반부보다 21세기 전반부에 상관성이 많이 떨어지고, 또 지수들 간의 예측 성능의 순서에도 많은 변화가 있는 것으로 나타난다. 이는 앞장에서의 재분석자료와의 검증 비교 분석에서도 나타났듯이 1998/99년 전후의 regime shift 시기에서 기후변화의 영향임을 추정할 수 있으며, 21세기 들어 몬순 지수를 통해 동아시아 몬순에 의한 강수의 변동성을 예측하는 것이 더 어려워지고 있음을 의미할 수 있다. 결론적으로 GloSea5가 산출하는 EASM 지수를 통해 강수량의 연변동성을 예측하고 설명하는데 예측성이 가장 높았던 지수인 WNPMI가 상대적으로 더 유용할 것으로 사료된다.

EASM 지수가 양의 값을 가지는 경우, 즉 각 지수가 정의하는 몬순이 발달하였을 때, 지수 계산에 사용된 변수(하층 및 상층 바람과 해면기압, 상층 지위 고도장)와 강수에 대한 회귀분석을 수행하였다. 그리고 산출된 회귀 식에 다시 20년간 나타난 양의 EASM 지수 평균값을 반영하여 몬순이 발달하였을 때의 평균적인 기상장을 산출하여 비교하였다. 비교에 사용된 자료는 ERA-Interim 재분석자료와 GPCP 강수량 관측자료이며, GloSea5의 경우 5월을 초기시간으로 사용한 예측장을 사용하였다.

GloSea5가 가장 잘 예측하는 것으로 나타난 WNPMI에 대해 850 hPa 고도에서의 바람장 및 강수 편차의 회귀분석을 수행하여 유선도와 배경색으로 나타내었다(Fig. 7a). 이 지수를 계산하는 영역인 동중국해와 남중국해에서 ERA-Interim이 나타내고 있는 저기압성 순환을 GloSea5도 다소 중심이 동쪽으로 치우쳐 있으나 유사하게 표현하고 있다. 그 결과, GloSea5의 WNPMI 지수에 예측성이 높게 나타나는 것으로 보인다. 또한, 남중국해 영역에서의 유선이 밀집되어 있는 강한 서풍 계열의 바람도 GloSea5가 비교적 잘 나타내고 있다. 우리나라 부근에서는 서로 패턴은 다르나 대체로 북동풍 계열의 편차를 보이고 있다. 저기압성 순환의 남쪽에 양의 강수량 편차가, 북쪽에 음의 편차가 나타나고 있으며, 동중국 및 우리나라 부근에 음의 편차가 나타나는 점도 유사하게 모의하고 있다.

Fig. 7. 
Regressed JJA anomalous precipitation (shaded), horizontal winds at 850 hPa or 200 hPa (streamline) and mean sea-level pressure or geopotential height at 200 hPa (solid contour line) against positive (a) WNPMI, (b) EAMI, (c) WYI, (d) GUOI and (e) SAHI.

EAMI에 대해서 850 hPa 수평바람과 강수 편차의 회귀분석을 수행하였다(Fig. 7b). ERA-Interim은 아열대 서태평양 지역에는 고기압성 편차가, 그 위로는 저기압성 편차가 존재하는 쌍극자 구조의 순환 패턴이 나타난다. GloSea5는 아열대 서태평양의 고기압 세력이 ERA-Interim보다 더 서쪽으로 창출해 있다. EAMI는 동중국해와 우리나라 부근의 바람장으로 계산되는 지수로서 ERA-Interim에서는 우리나라 부근에서 저기압성 회전이 나타나고 있지만, GloSea5는 우리나라가 그 북쪽에 중심을 둔 순환의 남서쪽에 위치해 주로 북풍이 나타나고 있다는 점이 다르다. 이러한 점으로 GloSea5는 이 지수에 대한 예측성이 좋지 않은 것으로 보인다. 또한, 이에 따라 우리나라와 일본 부근에서 양의 강수량 관측값의 편차가 나타나는 반면, GloSea5에서는 음의 편차가 나타나고 있다.

WYI의 경우, 벵골만과 아라비아해의 인도양에서 동서풍의 상하층 차이로 정의되는데, 상층 바람 편차를 살펴보면 ERA-Interim에서 이 지역에 강한 동풍이 유입되고 있는 점을 GloSea5가 잘 모의하고 있다(Fig. 7c). 또한, 850 hPa 바람장에서도 이 지역에서 GloSea5가 ERA-Interim과 유사한 패턴을 보여주고 있어서, 이 지수에 대한 GloSea5의 예측성이 높게 나타나는 것으로 보인다. 동아시아 및 아열대 서태평양 부근에서도 중심 위치와 바람의 강도가 조금 다르지만, 남중국해에 위치한 저기압성 회전과 우리나라 근처의 동풍 계열의 회전을 비교적 유사하게 모의하고 있다. 이러한 바람장 편차에 따라 남아시아 지역과 동중국 및 우리나라 부근에서의 강수량 편차의 패턴도 유사하게 나타나는 반면, 아열대 서태평양 지역에서는 GloSea5가 강수량을 상대적으로 적게 모의하였다.

GUOI에 대해 해면기압 회귀분석을 수행한 결과, ERA-Interim에서는 광범위한 서태평양 고기압과 우리나라 부근의 작은 저기압 편차가 나타난다(Fig. 7d). 반면 GloSea5는 서태평양 고기압은 중심 세력이 상대적으로 약하지만, 그 북쪽으로 더 넓게 우리나라까지 확장함에 따라, 우리나라에서는 저기압성 순환이 아니라 서태평양 고기압의 가장자리에 속하는 모습을 보인다. GUOI가 계산되는 영역에서의 기압장 패턴이상이하게 나타나므로, 이 지수에 대한 GloSea5의 예측성이 높지 않게 나타나는 것으로 보인다. 또한, GloSea5에서는 중국 내륙에서 전반적으로 양의 강수 편차가 나타나고 우리나라 부근에는 음의 편차가 나타나며, 일본 남쪽에서도 양의 편차 강도가 작아지는 점에서 GPCP 관측값과 다른 패턴을 보였다.

SAHI에 대해 회귀분석한 200 hPa 상층 기압장 편차를 나타내었다(Fig. 7e). ERA-Interim에서는 이 지수가 계산되는 영역인 티벳고원의 북서쪽과 북동아시아 지역 쪽에는 저기압성 편차가, 티벳고원 위에 고기압성 편차가 나타나 저-고-저 형태의 뚜렷한 삼극(tripole) 구조를 보인다. 발달한 고기압의 발산 바람에 의해 양자강 주변 동중국 지역에서 북서풍은 그 지역에 더 많은 비를 뿌리게 하는 것으로 알려져 있는데(Wei et al., 2015), GloSea5에서는 ERA-Interim이 보여준 삼극 구조는 나타나지 않고, 파동 형태가 아닌 층류(laminar) 흐름의 매우 다른 대기순환의 편차를 보이고 있다. 이러한 특징 때문에 SAHI에 대해 GloSea5가 낮은 예측성을 보이는 것으로 판단된다.

선행연구들에서 EASM 지수를 정의할 때, 대기대순환을 설명하는 기상장의 편차와 강수량의 경년변동과 관련한 주요 모드가 고려된다(Wang et al., 2008). 일정 지역의 평균 강수량 편차는 위도별 편차가 커서 EASM의 변동성을 대변하기는 어렵다는 한계가 있지만, 여름철 중국-한국-일본을 거치는 강수대의 발생은 EASM의 주요 영향으로서(Wang et al., 2008) 많은 선행연구에서 강수량의 변동이 분석되어 왔다(Wang et al., 2001a; Wang et al., 2001b; Liu et al., 2012).

따라서, 이 절에서는 6.1절에서 EASM 지수에 대한 강수량 회귀 분석으로 산출된 기울기 값, 즉 상관 계수를 살펴보았다. 이로써 EASM 지수의 변동에 따른 강수 변동성이 GloSea5와 재분석 및 관측자료에서 어떻게 다른지 비교해 보고자 하였다. Figure 8은 ERA-Interim으로 계산한 EASM 지수와 강수량 관측값(GPCP)간 상관계수 공간장과 GloSea5가 예측한 지수와 강수량의 상관계수 공간장을 비교하였다.

Fig. 8. 
Seasonal (JJA) correlation between the EASM index and precipitation over East Asia for the period 1991~2010 for (a) WNPMI, (b) EAMI, (c) WYI, (d) GUOI and (e) SAHI.

먼저, ERA-Interim의 WNPMI와 강수량 관측값(GPCP)의 상관계수 공간장을 살펴보면, 앞 장의 Fig. 7a의 바람장 패턴에서 북서태평양 지역에 모의된 저기압성 편차 남쪽에 강한 양의 상관계수가 나타나며 중국 내륙에서 한반도와 일본까지 동서방향으로 음의 상관계수가 나타난다(Fig. 8a). Figure 8의 0-45^oN, 80-160^oE에서 평균한 ERA-Interim의 WNPMI와 강수량의 상관도는 약 0.38로, 5개 지수 중에서 전체적으로 가장 높은 상관도를 보인다. GloSea5의 WNPMI와 강수량의 상관계수 공간장에서도 아열대 서태평양 지역에 강한 양의 상관계수가 나타나는 것과 중국 내륙에서 일본 남쪽 해상까지 동서방향의 긴 음의 상관계수가 나타나는 패턴은 ERA-Interim과 매우 유사하게 나타나고 상관도의 값도 0.38로, GloSea5가 WNPMI와 강수량과의 상관성을 전반적으로 잘 모의하고 있음을 알 수 있다. 그러나, 우리나라 부근에서는 반대 부호의 상관도가 나타나기 때문에, 이 지역만을 보기에는 어려움이 있으며, 동아시아 전체 영역의 변동성을 함께 고려할 필요가 있다.

EAMI는 WNPMI와 반대 위상으로 나타나는 지수인 점에 상응하여 강수량과의 상관분석 결과는 WNPMI와 반대 부호의 유사한 패턴을 보인다(Fig. 8b). WNPMI와 마찬가지로 위도 25-40^oN 대의 중국에서 일본까지 이어지는 동서방향의 양의 상관도 패턴이 보이는데 이는 몬순의 발달에 따라 발생하는 동서방향으로 뻗은 강수대의 형태를 잘 보여주고 있다. 다만 WNPMI보다 상관도는 다소 낮은데, GloSea5 (0.34)가 ERA-Interim과 GPCP 강수량의 상관관계(0.28) 보다 높은 상관도를 보인다. WNPMI에서 나타난 것과 마찬가지로 한반도 부근에서는 반대의 상관이 나타나는 특징을 보인다. 이는 강수 상관도의 패턴은 전반적으로 종관 패턴의 지배를 받는 것으로 보이나 GloSea5에서 한반도 주변에는 국지적인 반응이 나타나는 것으로 사료된다.

Figure 8c는 WYI에 대한 강수량의 상관도 분석 결과이다. ERA-Interim과 GPCP 강수량 간의 상관분석 결과와 GloSea5 모두 북서태평양 지역의 하층 대기에서 모의되는 저기압성 편차(Fig. 7c 참조) 남동쪽 지역에 양의 상관계수가 나타나는데, 전반적으로 상관도 패턴의 지역적 양상은 상당히 상이하다. GloSea5에서는 한반도를 포함하여 한반도 남해와 동중국 해안가에서 음의 상관계수가 나타나고 중국 내륙 및 북서태평양에서 양의 상관계수가 나타나는 차이가 보인다. 또한 GloSea5에서 평균 상관도는 0.27로, ERA-Interim과 GPCP 강수량의 상관도(0.16)보다 크게 나타났다.

GUOI는 EAMI와 유사한 공간 패턴을 보이는데 ERA-Interim에서의 GUOI와 GPCP 강수량의 상관계수는 약 0.24, GloSea5에서는 0.39로 GloSea5가 그 강도를 크게 모의하였다(Fig. 8d). 또한 WNPMI와 EAMI와 같이 뚜렷하진 않지만 중국-한국-일본을 거치는 장마전선대에 양의 상관도 패턴도 나타난다.

SAHI의 경우 ERA-Interim과 GPCP 강수량 상관계수 공간장에서는 티벳고원 지역과 한반도 남쪽 및 일본에 양의 상관이 나타나고 중국의 북쪽과 남쪽에서 음의 상관이 나타난다(Fig. 8e). 반면 GloSea5는 이와 상당히 다른 패턴을 보이고 있는데, 특히 북서태평양 지역에서 강한 상관도가 나타나는 특징을 보이며 한반도에서 동중국 해안가를 따라 인도차이나 반도까지 양의 상관계수가 길게 나타난다. 또한 GloSea5의 상관계수는 0.29로, ERA-Interim과 GPCP 강수량 상관도(0.20)보다 크게 나타나, 결론적으로 WMPMI를 제외한 다른 지수들에서는 GloSea5에서 각 지수에 따른 강수의 변동성이 재분석 및 관측자료의 결과에 비해 더 강하게 나타나고 있었다.

종합해보면, WNPMI가 EAMI, GUOI와 반대의 상관을 보이긴 하지만 모형 자체의 상관 패턴과 그 크기는 세 지수 모두가 유사하게 나타난다. 따라서 GloSea5에서 지수를 사용한 강수량 예측에는 세 지수 중 어떤 것을 사용하여도 유사한 결과를 보일 것으로 판단되나, 그 중 WNPMI가 ERA-Interim과 GPCP 강수량의 상관도 패턴 및 상관값을 가장 비슷하게 모의하고 있어서, GloSea5의 동아시아 지역 강수량 예측에 있어서 WNPMI가 상대적으로 더 유용할 것으로 생각된다. 또한, WNPMI와 EAMI가 몬순 발달에 따라 발생하는 장마전선의 패턴을 유사하게 모의하고 있다.