The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 31, No. 3

[ Technical Note ]
Atmosphere - Vol. 31, No. 2, pp.229-240
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Jun 2021
Received 30 Mar 2021 Accepted 26 Apr 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.2.229

기상청 전지구 해양자료동화시스템(GODAPS) : 개요 및 검증
장필훈 ; 황승언* ; 추성호 ; 이조한 ; 이상민 ; 부경온
국립기상과학원 현업운영개발부

Global Ocean Data Assimilation and Prediction System in KMA : Description and Assessment
Pil-Hun Chang ; Seung-On Hwang* ; Sung-Ho Choo ; Johan Lee ; Sang-Min Lee ; Kyung-On Boo
Operational Systems Development Department, National Institute of Meteorological Sciences, Jeju, Korea
Correspondence to : * Seung-On Hwang, Operational Systems Development Department, National Institute of Meteorological Sciences, 33 Seohobuk-ro, Seogwipo-si, Jeju 63568 Korea. Phone: +82-64-780-6665, Fax: +82-64-738-6514 E-mail: compassion@korea.kr

Funding Information ▼

Abstract

The Global Ocean Data Assimilation and Prediction System (GODAPS) in operation at the KMA (Korea Meteorological Administration) is introduced. GODAPS consists of ocean model, ice model, and 3-d variational ocean data assimilation system. GODAPS assimilates conventional and satellite observations for sea surface temperature and height, observations of sea-ice concentration, as well as temperature and salinity profiles for the ocean using a 24-hour data assimilation window. It finally produces ocean analysis fields with a resolution of 0.25 ORCA (tripolar) grid and 75-layer in depth. This analysis is used for providing a boundary condition for the atmospheric model of the KMA Global Seasonal Forecasting System version 5 (GloSea5) in addition to monitoring on the global ocean and ice. For the purpose of evaluating the quality of ocean analysis produced by GODAPS, a one-year data assimilation experiment was performed. Assimilation of global observing system in GODAPS results in producing improved analysis and forecast fields with reduced error in terms of RMSE of innovation and analysis increment. In addition, comparison with an unassimilated experiment shows a mostly positive impact, especially over the region with large oceanic variability.


Keywords: Ocean data assimilation, GODAPS, NEMO, NEMOVAR, GloSea5

1. 서 론

기상청은 단·중기(~2주) 이후의 기후 전망 등을 목적으로 한영 공동 기후예측시스템(KMA-Met Office Joint Seasonal Forecasting System; Kang et al., 2011)을 운영하고 있다. 이와 관련하여, 기상청은 영국기상청에서 개발한 GloSea5 (Global Seasonal Forecast System version 5; MacLachlan et al., 2015)를 2016년부터 현업에 도입하여 활용하고 있다. GloSea5는 대기, 해양, 해빙, 지면 모델로 구성되어 있고, 각각의 모델로 Unified Model (UM v.8.6; Walters et al., 2011; Brown et al., 2012), Nucleus for European Modeling of the Ocean (NEMO v.3.4; Madec, 2008), Los Alamos Sea-ice Model (CICE v.4.1; Hunke and Lipscomb, 2010), Joint UK Land Environment Simulator(JULES v.8.6; Best et al., 2011)을 채택하고 있다. 기상청에서는 GloSea5를 이용하여 매일 4개 앙상블의 7일 초기장, 28개 앙상블의 1개월 예측, 매일 2개 앙상블의 3주 초기장, 42개 앙상블의 3개월 예측 등을 수행하고 있으며, 이를 영국기상청의 앙상블 멤버와 공유하여 예측 정확도를 높이고 있다. 그리고, 국내에서는 GloSea5의 개선, 검증, 활용에 관한 다양한 연구가 수행되고 있다(e.g., Lee et al., 2018; Lim et al., 2018; Kim et al., 2019; Lee et al., 2020).

기후예측을 수행하는데 있어서 대기와 해양의 초기화 과정이 중요한 것은 잘 알려져 있다(e.g., Balmaseda and Anderson, 2009). 기상청에서 운영 중인 GloSea5 시스템은 외부의 대기모델과 해양모델의 자료동화 과정을 통해 각각 계산된 대기와 해양 초기장을 이용하는 비결합 자료동화(non-coupled data assimilation) 방법을 채택하고 있다. 즉, 대기 초기장은 기상청 현업수치예보(Numerical Weather Prediction; NWP) 시스템의 대기모델이 생산한, 해양-해빙 초기장은 영국기상청의 현업 시스템인 해양자료동화 예측모델(Forecasting Ocean Assimilation Models, FOAM; Blockley et al., 2014)이 생산한 해양-해빙 초기장을 각각 활용하고 있다.

기상청에서는 GloSea5의 해양-해빙 초기장을 자체생산할 목적으로 영국기상청과의 공동연구를 통해 FOAM의 일부 시스템인 NEMO와 NEMOVAR (Avariational data assimilation system for the NEMO ocean model)를 도입하여, 전지구 해양자료동화시스템(Global Ocean Data Assimilation and Prediction System; GODAPS)을 구축하였고, 2018년부터 현업으로 운영하고 있다.

본 연구에서는 기상청에서 운영 중인 GODAPS를 소개하고, 1년(2015년 2월~2016년 1월) 동안 GODAPS의 수행 결과를 분석하여 해양자료동화의 특성과 해양 초기장의 성능을 정량적으로 평가하고자 한다. 2장에서는 GODAPS의 구성과 요소에 대해 소개하고, 3장에서는 자료동화에 사용되는 관측자료에 대해 기술한다. 4장에서는 분석증분과 관측증분을 통해 GODAPS의 특성을 분석하고, 자료동화를 하지 않은 실험과 비교검증한 결과를 설명한다. 마지막 5장에서는 본 연구의 내용을 간단히 요약하였다.


2. 전지구 해양자료동화시스템의 구성과 요소

전지구 해양자료동화시스템 GODAPS는 기상청 슈퍼컴퓨터에서 매일 1회 수행되고, 자료동화를 통해 분석장을 생산한 후 24시간 예측을 수행한다. 모델의 첫번째 층의 결과(i.e. 해수면고도, 수온, 염분, 유속, 혼합층 깊이)들은 3시간 간격으로 저장된다. GODAPS 시스템은 첫째, 관측자료의 입전, 전처리, 품질관리 부분, 둘째, 해양-해빙 모델 수행 시 사용되는 대기 경계자료의 전처리 부분, 셋째, 해양-해빙 모델링에 의한 관측증분 산출, 자료동화, 분석증분을 배분하고 예측장을 생산하는 부분 등 총 3 부분으로 구성되어 있다.

Figure 1은 GODAPS 내에서 자료동화가 완료되기까지의 주요한 과정을 나타낸 모식도로서, 각 단계의 구동 시스템과 자료의 흐름을 보여준다. 이를 간단히 설명하면, 입전된 5 종류의 관측자료들이 기본적인 품질관리를 거치는데, 그 중 특별히 위성관측에 의한 SST는 NEMOVAR에 의한 편차보정을 거친다. 관측자료와 더불어, 모델의 해수면 경계자료도 기상청 전 지구 수치예보시스템(GDAPS; Global Data Assimilation and Prediction System)으로부터 추출하여 모델 격자(i.e., ORCA025)로 내삽하여 준비해 둔다. 전일 생산 된 restart 파일을 초기장으로 삼아 NEMO 해양-해빙모델이 24시간 수행되면서, 관측시각의 관측자료들과 의 관측증분(innovation, observation increment, orbackground departure; o-b)을 계산한다. 이 관측증분이 자료동화시스템인 NEMOVAR에서 쓰이며, 최종적으로 분석증분(analysis increment; a-b)이 계산된다. 다음 분석증분갱신기법(Incremental Analysis Update; IAU)을 통해 또다시 NEMO 모델이 -24 h부터 분석시각(0 h)까지 24시간 동안 수행되면서 분석증분을 분배함으로써 모델 배경장에 점진적으로 반영된 분석장을 생산하며, 이 분석장은 기상청 GloSea5의 초기 입력자료로 이용된다. 연속해서 NEMO는 1일 더 수행되어 예측장(0~+24 h)을 생산하고, 이 해양-해빙 예측장은 다음날 restart 파일로 사용되고, 관측자료 품질관리 과정에도 이용된다. 다음 장에서는 GODAPS를 구성하고 있는 모델의 핵심적인 내용을 서술하고자한다. GODAPS에 적용된 해양-해빙모델과 자료동화기법에 관한 상세한 내용은 Megann et al. (2014), Rae et al. (2015), 그리고 Waters et al. (2015)을 참고하기 바란다.


Fig. 1. 
Schematic diagram of the GODAPS.

2.1 해양-해빙모델(NEMO-CICE)

해양순환모델(NEMO)은 3극(tripole)의 ORCA 격자체계로서 약 1/4°의 수평해상도를 가진다. 격자는 적도에서 약 27 km의 해상도를, 고위도로 갈수록 해상도가 증가해서 위도 ± 60° 부근에서는 약 13 km의 해상도를 나타낸다. 연직방향으로는 75개의 z-level로 구성되고, 해저면에서는 수심 두께를 고려한 partial step (Barnier et al., 2006)으로 표현된다. 모델 수심은 ETOPO 1 (Amante and Eakins, 2009)을 기반으로 하고, 연안해역의 수심은 GEBCO (General Bathymetric Chart of the Oceans; GEBCO, 2003)를 이용하여 보정한다. NEMO 수행 시 모델 적분시간 간격(∆t)은 20분으로 설정되었다.

본 모델은 선형 자유표면(linear free surface)을 사용하고, 운동량 이류 연직혼합 모수화로는 Gaspar et al. (1990)가 제시한 t u rbulent k inetic e nergy (TKE) 기법을 사용하는데, 이것은 Blanke and Delecluse (1993)에 의해 NEMO에 포함되었다. 이것은 지역 밀도 프로파일(local density profile)에 기초한 혼합길이(mixing length)를 대수식으로 표현한 단일 방정식이다. 또한, 열 염 보존방정식에서 수온과 염분 계산시의 급격한 밀도변화를 고려하기 위해 TVD (total-variation-diminishing)이류 기법을 사용한다(Zalesak, 1979).

모델의 구동을 위한 해수면 경계조건으로 Coordinated Ocean-Ice Reference Experiment (CORE) bulk formulae(Large and Yeager, 2004) 기법을 이용하고, 계산에 필요한 복사플럭스, 기온, 비습, 해상풍 등의 대기 경계조건은 10 km 공간해상도를 가진 기상청 전지구 수치예보시스템(GDAPS)의 3시간(해상풍은 1시간) 간격의 예측결과를 사용한다. 해수면 염분의 경우, 모델과 기후값의 차이에 기반한 약한 넛징(nudging)이 적용된다(Haney, 1971). 또한, 하천은 모델 하구에서 해수면의 담수 플럭스 유입으로 고려되며, 하구에서의 연직혼합계수를 증가시켜 담수-해수 혼합을 강화시킨다. 하천 유량은 Bourdallé-Badie and Treguier (2006)가 작성한 월평균 기후값을 사용한다.

해빙모델(CICE)은 동역학, 열역학, 그리고 리징(ridging) 등 동역학적 재분산(mechanical redistribution)에 의한 ice thickness distribution (ITD)의 시공간 변화를 모델링한다(Thorndike et al., 1975; Hunke and Lipscomb, 2010). ITD를 모델링하기 위해, 각 격자점에서 부빙군(ice pack)은 5개의 카테고리(0, 0.6, 1.4, 2.4, 3.6 m)로 나뉘어져 계산된다. 열역학적 과정에 의한 해빙의 성장이나 소멸은 Semtner (1976)가 제시한 zero-layer thermodynamic model을 사용한다. 또한, 빙역학(Ice dynamics)은 elastic-viscous-plastic (EVP) 방법을 사용하여 계산된다.

2.2 해양자료동화 시스템(NEMOVAR)

해양자료동화는 NEMO 모델에 최적화되어 개발된 NEMOVAR를 이용한다. NEMOVAR는 OPAVAR(Océan Parallélisé VAR; Weaver et al., 2003; Ricci et al., 2005)를 기반으로 개발된 자료동화 프로그램으로 3차원 변분법(3D-VAR)과 4차원 변분법(4D-VAR)을 함께 지원한다. GODAPS의 NEMOVAR에서는 3D-VAR를 채택하였으며, 다변량(multivariate) 자료동화 방법(Weaver et al., 2005)을 적용하고, 증분(incremental) 3-DVAR의 형태를 갖는다. 해당 시스템에서는 적시배경 값(First Guess at Appropriate Time; FGAT)을 이용하는데, 이를 위해 해양모델 NEMO가 예측(-24~0 h)을 수행하면서 적분시간 ∆t(20분) 마다 배경장을 생산하고, 그 시각과 가까운 관측시각에 대한 관측자료와의 차이인 관측증분을 구한다. 이때, 자료동화창(data assimilation window)은 24시간이 된다.

해수면온도와 해수면고도 변이의 배경오차분산은 모델의 장기적분 결과로 계산하는 NMC (National Meteorological Center) 방법으로 추정한다. 반면, 수온과 염분은 이러한 통계오차와 함께 모델의 연직 수온 구배 함수로 연직방향 모수화를 고려하여, 시간에 따른 변화를 고려할 수 있도록 하였다. 해수면고도를 제외한 변수들의 배경오차의 수평 상관은 로스비 반경을 기반으로 주어지고, 연직방향 상관은 혼합층 깊이로 모수화된다. NEMOVAR는 수온, 염분, 해수면고도, 수평유속과 해빙농도를 제어변수(control variable)로 사용하고 있다. 해빙농도를 제외하고, 상태변수들 사이의 상관성을 균형 연산자(balance operator)를 통해 고려한다. 최종적으로, 수온, 염분, 해수면 고도는 균형/비균형(balanced/unbalanced) 성분 모두를 포함한 것으로, 해빙농도는 비균형 성분만으로, 그리고 자료동화되는 관측자료가 없는 수평유속은 균형 성분만으로 제어변수를 구성한다. 최소화(minimization)과정에 쓰이는 알고리즘은 사전조절 공역기울기 기법(preconditioned conjugate gradient; PCG)이며, 비용함수 최소화를 위한 반복(iteration of inner loop) 횟수는 40회까지로 설정되었다.


3. 관측자료

GODAPS는 매일 전세계의 다양한 관측자료를 입수하여 자료동화를 수행한다(Table 1). 현장(in-situ) 관측자료는 Global Telecommunication System (GTS)를 통해 입수되는 해수면온도 자료, Argo 플로트, TAO등의 계류부이와 선박 관측자료 등을 포함하는 수온, 염분 프로파일이 해당된다. 이외에 다양한 위성 관측자료를 수집하는데, AVHRR, AMSR2, 그리고 VIIRS 등에 의해 관측된 해수면온도 자료가 동화되고 있으며, Jason-3, CryoSat2, AltiKa, Sentinal-3A(B)의 해수면고도 아노말리 자료를 동화하고 있다. 해빙농도 자료로는 OSI-SAF의 SSMIS 자료를 동화한다. 일례로, Fig. 2는 2020년 2월 20일의 해양분석장 생산을 위해 자료동화된 관측자료로서 위성관측 해수면온도를 제외한 주요 관측자료들의 공간분포를 보여준다.

Table 1. 
List of observations assimilated by the GODAPS, for June 2018.
Profile Surface Altimeter SeaIce
Variables Temp., Salinity (in-situ) SST (in-situ) SST (satellite) SLA (satellite) Concentration (satellite)
Platform Argo Moored buoy (TAO etc), Ships (XBT, CTD etc) Sfc. drifters Moored buoys (TAO etc) AVHRR (METOP, NOAA19G) AMSR2 (GCOM-W1), VIIRS (Suomi NPP) Jason-3, CryoSat2, AltiKa, Sentinel-3A SSMIS (DMSP)
Provider GTS GTS IFREMER JPL PODDAC COPERNICUS OSI-SAF


Fig. 2. 
Spatial distribution of the assimilated ocean observations in the GODAPS over a 24-hour observation window (e.g., 20 February 2020). (a) in-situ SST data, (b) temperature profile data at 5~15 m depth (c) satellite observed sea level anomalies, and (d) sea-ice concentration.

자료동화 과정에 이용되는 모든 관측자료는 기상청 종합정보시스템(COMIS-5)에 실시간 수집된다. 수집된 관측자료 중, 24시간의 자료동화창 내에 포함되는 관측자료에 대해 포맷변경 등 전처리 과정을 수행하고 품질관리 과정을 수행한다. 관측자료의 품질관리는 Ingleby and Lorenc (1993)가 제시한 방법을 따른다. 처리된 관측자료 중에 위성관측 해수면온도의 경우, 센서의 차이에 따른 오차를 가지고 있기 때문에 현장관측 해수면온도 자료와의 차이를 이용하여 편차(bias)를 계산하고, 자료동화 이전에 각각의 위성관측 자료에서 해당 편차를 제거한다(Waters et al., 2013). 이 과정에서 NEMOVAR가 수행된다.


4. 자료동화 결과의 분석 및 검증

GODAPS의 자료동화 효과를 분석하고 검증하기 위하여 2015년 2월부터 2016년 1월 기간 동안 과거모의 실험(hindcast run)을 수행하여(i.e. godaps-run) 분석증분 및 관측증분을 분석하였다(4.1절과 4.2절). 그리고, 동일한 기간 동안 자료동화 과정을 적용하지 않은 실험(i.e. free-run)을 별도로 수행하여 godaps-run과 비교분석 하였다(4.3절).

4.1 분석증분 평가

본 절에서는 자료동화의 결과로 생산되는 분석증분을 통해 해양-해빙 모델이 가지는 편차를 알아보고, 자료동화 과정으로 인해 관측자료가 모델의 배경장에 어떤 영향을 주는지 살펴보고자 한다.

Figure 3는 godaps-run의 해수면온도와 염분, 아표층(수심 108m) 수온과 염분, 그리고 해수면고도에 대한 연평균 분석증분 분포를 나타낸다. 해수면온도(약 0.5 m 수심)는 거의 전 해역에서 음의 증분이 우세하다(Fig. 3a). 즉, 모델은 양의 편차를 가지고 있으며, 특히 태평양과 대서양의 열대해역, 그리고 걸프만 해류와 남극순환류 해역에서 상대적으로 강한 값을 나타낸다. 참고로, 북반구 하계(JAS)에는 북반구 중위도에서, 동계(DJF) 시에는 남반구 중위도에서 각각 음의 증분이 강해지는 등 성층이 강화되는 시기에 해수면온도의 편차가 증가하는 특징을 보인다(그림 생략). 이러한 결과는 해수면 경계 입력자료의 오차 또는 모델의 혼합과정에서 유도된 결과로 판단된다. 아표층 수온의 분석증분 분포에서는 특히 태평양 적도해역의 서편과 동편에서 각각 강한 양과 음의 값을 보이고있다(Fig. 3b). 즉, 자료동화 과정은 태평양 적도 아표층 부근의 동서방향 수온 배경장의 구배를 높여 적도반류를 강하게 유도하는 것을 알 수 있다. 걸프만 해류와 남극순환류 해역에서도 상대적으로 높은 값이 나타났다. 한편, 수온의 분석증분은 수심 110 m 이하로 가면서 점점 작아진다.


Fig. 3. 
Averaged analysis increments over Feb. 2015~Jan. 2016. Plots of increments are shown for (a) sea surface temperature (SST), (b) temperature at 108 m, (c) sea surface salinity (SSS), (d) salinity at 108m, and (e) sea level anomaly (SLA).

표층염분의 경우, 북대서양, 열대 태평양 중부 등 일부를 제외하고 양의 분석증분이 대체로 우세한데, 특히 열대해역에서 높게 나타난다(Fig. 3c). 이는, 열대해역에서 해양모델의 표층염분 예측결과가 상대적으로 강한 음의 편차를 가지고 있음을 의미하는데, 모델의 해수면 경계를 통해 유입되는 강수량이 많거나 모델의 연직혼합이 약한 것이 그 원인으로 판단된다. 한편, 태평양의 적도 부근의 아표층에서는 음의 분석증분이 우세하게 나타나고, 동일 수심에서의 수온과 유사하게 대체로 중위도 해역에서 증분이 약하게 나타난다(Fig. 3d). 남위 30도 이하 남극해에서는 표층과 유사한 분포를 보이며, 자료동화가 남북방향의 염분 구배를 강화하는 결과를 나타내고 있다. 전반적으로, 염분의 분석증분은 계절적인 차이가 약하게 나타났으며(그림 생략), 수온과 유사하게 표층에서 수심이 깊어질수록 점점 감소하는 패턴을 보인다.

해수면고도의 경우 남극해에서 분석증분이 크게 나타나는데, 자료동화는 해수면고도의 수평구배를 높여서 배경장 대비 분석장의 남극순환류를 강하게 유도한다(Fig. 3e). 이외에도, 태평양 적도 170°E~150°W에서 양의 증분이, 북대서양 고위도에서 강한 양과 음의 증분이 남북으로 분포하는 결과를 보였다. 특히, 북대서양 고위도의 걸프만 해류 부근에서 보이는 양의 증분은 해수면고도의 수평구배를 조정하여 분석장에서 걸프만류가 배경장 대비 강하게 흐르도록 유도한다. 이러한 경향은 수온 변수에서도 나타난다.

Figure 4는 북극과 남극에서의 해빙농도에 대한 분석증분의 연평균 분포를 나타낸다. 먼저, 북극의 경우, 모델은 특히 캐나다 북쪽연안(Canadian Archipelago)을 포함한 해빙 가장자리(ice edge)에서 관측에 비해 전반적으로 해빙농도를 낮게 모의한다(Fig. 4a). 반면에, 해빙 중앙(main ice-pack)에서는 대체로 음의 증분이 강한 것으로 나타나, 모델이 관측에 비해 해빙을 과대모의하는 경향이 있음을 보였다. 남극의 경우, Weddell Sea, Amundsen Sea, 그리고 Ross Sea에서 모델이 관측에 비해 해빙을 과소모의하는 경향이 강하고, 그 이외 해역에서는 해빙 가장자리에서 대체로 과대모의하는 결과를 보인다(Fig. 4b).


Fig. 4. 
Same as Fig. 3 but for sea-ice concentration at (a) the Arctic and (b) the Antarctic Ocean.

4.2 관측증분 평가

GODAPS는 전세계의 가용한 관측자료를 모두 활용하기 때문에, 전지구 규모의 해양분석장을 관측검증하는 데는 많은 제약이 따른다. 이처럼 GODAPS의 자료동화시스템이 활용하지 않은 독립적인 관측자료를 활용한 관측검증을 시도하기가 어려우므로, 그 대신 godaps-run 자료동화 실험의 결과를 평가하기 위해, 모델 배경값과 관측값과의 차이인 관측증분(o-b)을 분석하였다. 관측증분 값은 NEMO 모델이 전날 분석장으로부터 24시간 동안 예측 수행되면서 계산되는 것이므로, 24시간 동안의 예측성을 관측자료와 비교평가하는 것이라고 볼 수 있다. 관측자료와의 검증시 관측자료가 모두 동일한 상황이라고 고려할 수는 없는데, 예를 들어 Argo 관측자료의 경우는 동일한 Argo 플로트가 어느 지점에서 관측한 후 약 10일 후에 그 곳에서 멀리 떨어진 곳에서 떠오르기 때문에, 비교하는 분석장에 해당 Argo의 영향이 거의 없다고 볼 수 있어 Argo를 이용한 관측검증은 독립적이라할 수 있다. 반면, 표류부이의 경우는 매우 인접한 곳에서 연속적으로 다시 관측하므로, 관측증분이 계산될 때의 배경장은 그 바로 전날 인근에서 그 해당 표류부이에 의한 자료동화가 처리된 것으로서 독립적이라 보기 어렵다는 단점이 있으나, 본 평가에서는 가능한 한 많은 관측자료를 평가에 이용하기 위하여 자료동화에 사용된 모든 관측자료를 평가 대상으로 하였다.

Figure 5는 1년의 실험기간 동안 생산된 관측증분을 이용하여 평균제곱근 오차(RMSE; Root Mean Square Error)와 평균오차(Mean Error; observation - background)를 해역별로 보여준다. 여기서 관측증분은 Fig. 1의 모식도의 관측연산자(observation operator) 과정에서 계산된다. 해수면온도의 경우, 현장관측 자료에 대한 관측증분 값을 이용하였는데, 남극해를 제외한 전 해역에서 0.4°C 이하의 RMSE를 보이는 등, 배경장의 오차는 전반적으로 낮게 나타났다(Fig. 5a). 평균오차는 전지구 평균 약 -0.04°C로 전 해역에서 음의 값이 보이고, 해역 별로는 열대 태평양에서 상대적으로 큰 오차(약 -0.08°C)가 나타났다. 해수면고도의 RMSE는 전지구 평균 약 0.07m이었다(Fig. 5b). 해류의 변동성이 강한 남극해에서 다른 해역에 비해 높은 약 0.1m의 RMSE와 약 -0.012 m의 가장 큰 평균오차를 보였으며, 대서양에서도 상대적으로 높은 RMSE를 나타낸다. 수온 프로파일에 대한 오차는 전 지구 평균 약 0.7°C의 RMSE를 보이고 있으며, 북태평양, 열대태평양, 남대서양에서 평균값보다 높게 나타나고 있으나, 해역별 차이는 크지 않다(Fig. 5c). 평균오차의 경우, 남대서양과 남극해에서 뚜렷한 음의 값(-0.06~-0.08°C)을 보인다. 염분의 오차는 대서양과 인도양에서의 RMSE는 평균(약 0 .11 psu ) 대비 높게 나타났다(Fig. 5d). 해빙농도는 북극과 남극 해빙에서 각각 0.025와 0.028의 RMSE로서 대체로 작은 오차를 보이는데, 남극해에서 상대적으로 큰 RMSE를 보인다(Fig. 5e).


Fig. 5. 
Innovation statistics for (a) in-situ SST, (b) sea level anomaly, (c) temperature, (d) salinity, and (d) sea-ice concentration for one-year experiment period. Mean error indicates observation minus model background.

실험기간에 대한 전지구 수온과 염분 프로파일의 관측증분의 평균 연직 오차통계를 살펴보았다(Fig. 6). 표층수온은 약 0.6°C의 RMSE를 나타내고, 약 100m깊이의 아표층에서는 1.0°C의 최대 RMSE를 나타낸다(Fig. 6a). 표층에서 상대적으로 낮은 RMSE를 보이는 것은 해수면온도의 자료동화 효과로 보여진다. 반면에 염분의 경우, 표층에서 약 0.15 psu의 최대값을 나타내고 수심에 따라 점점 감소하는 경향을 보인다(Fig. 6b).


Fig. 6. 
Root Mean Square Error (RMSE) and Mean Errors of globally averaged innovation of (a) temperature (°C) and (b) salinity (psu) for one-year experiment period.

GODAPS는 앞에서 살펴보았던 관측증분 뿐 아니라, IAU를 통한 분석장 생산 과정에서 관측과의 오차(observation - analysis; o-a) 또한 계산하여 산출한다. 이 o-a와 앞서 분석한 관측증분(o-b) 두 값을 비교하면, 자료동화를 통해 어느정도 관측이 반영이 되고 관측과의 오차가 감소하는지를 정량적으로 평가해볼 수 있다(Bonavita et al., 2018). 5가지 변수에 대해서 실험기간 평균된 o-b와 o-a 및 이들의 감소율을 계산하였다(Table 2). 모든 변수에서 o-a가 o-b에 비해 RMSE나 평균오차가 모두 감소하는 것으로 나타나서, 관측 정보가 자료동화를 통해 잘 반영되고 있다는 것을 보여준다. 해수면온도의 경우 자료동화 후 48%의 RMSE가 감소된 것을 비롯하여 모든 변수에서 전반적으로 관측과의 오차가 큰 폭으로 감소하였다. 특히 수온과 염분 프로파일 자료들의 오차 감소폭이 큰 것으로 보아, 해양 내부에서 한정적으로 관측되는 자료들(e.g. Argo)이 자료동화시 보다 더 크게 영향을 주고 있는 것으로 판단된다.

Table 2. 
Statistics (RMSE and Mean error) of each departure of background and analysis from observation. Numbers in parentheses are the decrease rate of RMSE.
Before DA (o-b) After DA (o-a)
SLA (cm) RMSE Mean error 6.9 -0.2 4.5 (35%) 0.06
SST (°C) RMSE Mean error 0.375 -0.043 0.195 (48%) -0.001
T. profile (°C) RMSE Mean error 0.6961.7e-3 0.297 (58%) 2.9e-4
S. profile (PSU) RMSE Mean error 0.1051.1e-3 0.033 (69%) 1.4e-5
Sea-Ice concentration. RMSE Mean error 0.0261.9e-3 0.011 (58%) 2.3e-4

4.3 자료동화 없는 실험과의 비교

본 절에서는 자료동화의 영향을 살펴보기 위해, 동일한 실험기간동안 자료동화를 적용하지 않은 실험 free-run을 별도로 수행하여 godaps-run과의 결과를 비교하였다.

자료동화에 의해 개선 정도를 알아보기 위해 관측증분(o-b)의 RMSE를 계산하여 free-run에 대한 godaps-run의 RMSE 감소폭을 변수와 해역별로 나타내었다(Fig. 7). 변수별로는 거의 모든 해역에서 자료동화의 영향이 가장 크게 나타난 변수는 해수면온도였으며, 전지구 평균으로 약 58%의 RMSE 감소효과가 나타났다. 다음으로 개선이 두드러진 변수는 해수면고도 변이로서 태평양과 인도양에서 감소율이 높게 나타났다. 또한, 수온과 염분은 상대적으로 개선폭이 작았지만, 북대서양을 비롯한 북반구 해역에서의 감소폭이 비교적 크게 나타났다. 공간상 감소폭을 보면, 해수면 온도와 해수면고도 변이는 상대적으로 RMSE가 높은 쿠로시오, 걸프만류, 그리고 남극순환류, 수온과 염분 프로파일은 서안경계류 해역과 열대해역 등 변동성이 큰 해역에서 감소폭이 컸다(그림 생략).


Fig. 7. 
Reduction percentage (%) in RMSE of innovation for godaps-run compared to free-run for in-situ SST, sea level anomaly, temperature, salinity, and sea-ice concentration for one-year experiment period.

자료동화를 통하여 관측자료가 어떻게 잘 반영이 되는지를 알아보기 위해, 두 실험의 2015년 7월 5일의 일평균 해수면고도 분석장과 함께, 전후 9일간의 표류부이의 궤적을 각각 나타내었다(Fig. 8). 우선, godaps-run의 결과로부터 표류부이의 위치는 쿠로시오전선과 에디의 위치를 잘 모의하고 있음을 알 수 있다. 하지만 free-run의 결과는 godaps-run과 비교해 볼때 해수면고도 분포의 모습에서 차이를 보이고, 또한 전선과 에디의 위치 등에서 표류부이 궤적과는 다소 차이가 있다. 걸프만 해역에서도 이와 유사한 결과가 나타났다(그림 생략). 이상의 결과로부터, GODAPS는 쿠로시오와 걸프 해역과 같은 변동성이 강한 해역에서 중규모 현상을 잘 재현하고 있는 것으로 보이며, 자료동화가 이들의 재현성에 크게 영향을 미치고 있음을 알 수 있다.


Fig. 8. 
Simulated SSH fields in the northwestern Pacific Ocean on 5 July 2015 for (a) godaps-run and (b) free-run. Also, black dots indicate locations of surface drifters for 1~9 July 2015.


5. 요 약

본 연구에서는 기상청에서 2018년부터 운영 중인 전지구 해양자료동화시스템 GODAPS에 대하여 소개하였으며, 2015년 2월부터 2016년 1월까지 일년간의 실험 수행을 통한 결과를 분석하여 이 시스템의 특성을 살펴보았다. GODAPS는 크게 해양-해빙 모델과 3차원 변분법 기반의 자료동화 시스템으로 구성되어있고, 전지구적으로 수집된 현장 및 위성 관측자료를 자료동화하여 매일 1회 분석장과 예측장을 생산한다. 이때 해수면온도, 수온과 염분 프로파일, 해수면고도 변이, 그리고 해빙농도 관측자료를 자료동화한다.

분석증분 및 배경장/분석장으로부터의 관측증분에 대한 분석, 자료동화를 적용하지 않은 실험과의 비교 등을 통해 GODAPS 자료동화 결과를 비교검증하였다. 자료동화는 관측자료들을 효과적으로 활용하고 있었으며, 전지구 규모에서 편차를 줄인 분석장과 예측장을 생산하고 있는 것으로 나타났다. 이외에도, 변동성이 강한 중위도 해역의 쿠로시오와 걸프만 해류의 중규모 현상을 재현하는데 있어서도 결정적인 영향을 미치는 것으로 확인하였다.

해양초기장을 향상시키기 위해서는 모델과 자료동화 기술의 개발과 더불어, 다양한 관측자료를 활용하는 것이 중요하다. 하지만, 현업에서 활용할 수 있는 해양관측자료는 한계가 있으며, 따라서 가용한 자료를 자료동화 과정에 포함시키는 노력이 요구된다. 수온에 비해 염분의 경우 상대적으로 관측자료가 부족한데, 최근에는 SMAP (Soil Moisture Active Passive)등 인공위성을 활용한 표층염분자료가 제공되고 있으며, 기상청에서도 자료동화 과정에 독립적인 위성 염분자료를 활용한 분석장 검증 및 자료동화에 직접 적용하는 연구를 추진하고 있다. 특히, 표층 염분의 자료동화를 통해 열대해역의 혼합층 깊이가 개선되고, 결과적으로 기후예측성을 향상시키는 연구결과(Hackert et al., 2020) 등을 고려할 때, 향후 위성관측 표층염분의 자료동화는 기후예측 분야에 있어서 점차 중요해질 것으로 판단된다. 본 연구의 실험결과에서도 GODAPS의 염분 관측증분 오차가 표층에서 상대적으로 크게 나타나고 있어, 해양초기장의 정확성을 높이고 나아가 기후예측성을 높이는데 위성 염분자료가 효과적으로 사용될 수 있을 것으로 기대된다.


Acknowledgments

이 연구는 기상청 국립기상과학원 「장기예측시스템 개발」(KMA2018-00322)의 지원으로 수행되었습니다. 그리고, 본 시스템의 개발에 있어 자문을 주신 영국기상청 해들리 센터 소속의 Matthew Martine과 Daniel Lea 박사께 깊은 감사말씀 드립니다.


References
1. Amante, C., and B. W. Eakins, 2009: ETOPO11 Arc-Minute Global Relief Model: Procedures, Data Sources and Analysis. NOAA Technical Memorandum NESDIS NGDC-24, 19 pp.
2. Balmaseda, M., and D. Anderson, 2009: Impact of initialization strategies and observations on seasonal forecast skill. Geophys. Res. Lett., 36, L01701.
3. Barnier, B., and Coauthors, 2006: Impact of partial steps and momentum advection schemes in a global ocean circulation model at eddy-permitting resolution. Ocean Dyn., 56, 534-567.
4. Best, M. J., and Coauthors, 2011: The Joint UK Land Environment Simulator (JULES), model description – part 1: energy and water fluxes. Geosci. Model Dev.,., 4, 677-699.
5. Blanke, B., and P. Delecluse, 1993: Variability of the tropical Atlantic Ocean simulated by a general circulation model with two different mixed-layer physics. J. Phys. Oceanogr., 23, 1363-1388.
6. Blockley, E. W., and Coauthors, 2014: Recent development of the Met Office operational ocean forecasting system: an overview and assessment of the new Global FOAM forecasts. Geosci. Model Dev.,., 7, 2613-2638.
7. Bonavita, M., P. Lean, and E. Holm, 2018: Nonlinear effects in 4D-Var. Nonlin. Processes Geophys., 25, 713-729.
8. Bourdallé-Badie, R., and A. M. Treguier, 2006: A climatology of runoff for the global ocean-ice model ORCA025. Mercator-Ocean Rep. MOO-RP-425-365-MER, 8 pp.
9. Brown, A., S. Milton, M. Cullen, B. Golding, J. Mitchell, and A. Shelly, 2012: Unified modeling and prediction of weather and climate: A 25-year journey. Bull. Amer. Meteor. Soc., 93, 1865-1877.
10. Gaspar, P., Y. Grégoris, and J. M. Lefevre, 1990: A simple eddy kinetic energy model for simulations of the oceanic vertical mixing: Tests at station Papa and long-term upper ocean study site. J. Geophys. Res. Oceans, 95, 16179-16193.
11. Hackert, E., R. M. Kovach, A. Molod, G. Vernieres, A. Borovikov, J. Marshak, and Y. Chang, 2020: Satellite sea surface salinity observations impact on El Nino/Southern Oscillation predictions: Case studies from the NASA GEOS seasonal forecast system. J. Geophys. Res. Oceans, 125, e2019JC015788.
12. Haney, R. L., 1971: Surface thermal boundary condition for ocean circulation models. J. Phys. Oceanogr., 1, 241-248.
13. Hunke, E. C., and W. H. Lipscomb, 2010: CICE: The Los Alamos sea ice model documentation and software user’s manual, version 4.1. Los Alamos National Laboratory, LA-CC-06-012, 76 pp.
14. Ingleby, N. B., and A. C. Lorenc, 1993: Bayesian quality control using multivariate normal distributions. Q. J. R. Meteorol. Soc., 119, 1195-1225.
15. GEBCO, 2003: Centenary Edition of the GEBCO Digital Atlas. General Bathymetric Chart of the Oceans, British Oceanographic Data Centre [Available online at https://www.bodc.ac.uk/projects/data_management/international/gebco/gebco_digital_atlas/].
16. Kang, H.-S., K.-O. Boo, and C. H. Cho, 2011: Introduction to the KMA-Met office joint seasonal forecasting system and evaluation of its hindcast ensemble simulations. Proc., The 36th NOAA Annual Climate Diagnostics and Prediction Workshop, NOAA’s National Weather Service, 78-82.
17. Kim, D.-K., Y.-H. Kim, and C. Yoo, 2019: Predictability of Northern Hemisphere teleconnection patterns in GloSea5 hindcast experiments up to 6 weeks. Atmosphere, 29, 295-309.
18. Large, W. G., and S. Yeager, 2004: Diurnal to decadal global forcing for ocean and sea-ice models: The data sets and flux climatologies. NCAR Tech. Note NCAR/TN-460+STR, 105 pp.
19. Lee, H., P.-H. Chang, K. R. Kang, H.-S. Kang, and Y. Kim, 2018: Assessment of ocean surface current forecasts from high resolution Global Seasonal Forecast System version 5. Ocean Polar Res., 40, 99-114.
20. Lee, S.-J., Y.-K. Hyun, S.-M. Lee, S.-O. Hwang, J. Lee, and K.-O. Boo, 2020: Prediction skill for East Asian summer monsoon indices in a KMA Global Seasonal Forecasting System (GloSea5). Atmosphere, 30, 293-309.
21. Lim, S.-M., Y.-K., Hyun, H.-S., Kang, and S.-W. Yeh, 2018: Prediction skill of East Asian precipitation and temperature associated with El Niño in GloSea5 hindcast data. Atmosphere, 28, 37-51.
22. MacLachlan, C., and Coauthors, 2015: Global seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Q. J. R. Meteorol. Soc., 141, 1072-1084.
23. Madec, G., 2008: NEMO ocean engine. Note du Pôle de modélisation de l'Institut Pierre-Simon Laplace 27, 300 pp.
24. Megann, A., D. Storkey, Y. Aksenov, S. Alderson, D. Calvert, T. Graham, P. Hyder, J. Siddorn, and B. Sinha, 2014: GO5.0: The joint NERC-Met Office NEMO global ocean model for use in coupled and forced applications. Geosci. Model Dev.,., 7, 1069-1092.
25. Rae, J. G. L., H. T. Hewitt, A. B. Keen, J. K. Ridley, A. E. West, C. M. Harris, E. C. Hunke, and D. N. Walters, 2015: Development of the global sea ice 6.0 CICE configuration for the met office global coupled model. Geosci. Model Dev.,., 8, 2221-2230.
26. Ricci, S., A. T. Weaver, J. Vialard, and P. Rogel, 2005: Incorporating state-dependent temperature-salinity constraints in the background error covariance of variational ocean data assimilation. Mon. Wea. Rev., 133, 317-338.
27. Semtner, Jr., A. J., 1976: A model for the thermodynamic growth of sea ice in numerical investigations of climate. J. Phys. Oceanogr., 6, 379-389.
28. Thorndike, A. S., D. A. Rothrock, G. A. Maykut, and R. Colony, 1975: The thickness distribution of sea ice. J. Geophys. Res. Oceans, 80, 4501-4513.
29. Walters, D. N., and Coauthors, 2011: The Met Office Unified Model global atmosphere 3.0/3.1 and JULES global land 3.0/3.1 configurations. Geosci. Model Dev.,., 4, 919-941.
30. Waters, J., D. J. Lea, M. J. Martin, D. Storkey, and J. While, 2013: Describing the development of the new FOAM-NEMOVAR system in the global 1/4 degree configuration. Met Office Forecasting Research Tech. Rep. 578, 45 pp.
31. Waters, J., D. J. Lea, M. J. Martin, I. Mirouze, A. Weaver, and J. While, 2015: Implementing a variational data assimilation system in an operational 1/4 degree global ocean model. Q. J. R. Meteorol. Soc., 141, 333-349.
32. Weaver, A. T., J. Vialard, and D. L. T. Anderson, 2003: Three- and four-dimensional variational assimilation with a general circulation model of the tropical Pacific Ocean. Part I: Formulation, internal diagnostics, and consistency checks. Mon. Wea. Rev., 131, 1360-1378.
33. Weaver, A. T., J. Vialard, and D. L. T. Anderson, C. Deltel, E. Machu, S. Ricci, and N. Daget, 2005: A multivariate balance operator for variational ocean data assimilation. Q. J. R. Meteorol. Soc., 131, 3605-3625.
34. Zalesak, S. T., 1979: Fully multidimensional flux-corrected transport algorithms for fluids. J. Comput. Phys., 31, 335-362.