The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 34 , No. 1

[ Technical Note ]
Atmosphere - Vol. 31, No. 3, pp. 341-359
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Sep 2021
Received 11 Aug 2021 Revised 25 Aug 2021 Accepted 14 Sep 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.3.341

기상청 기후예측시스템(GloSea6) - Part 1: 운영 체계 및 개선 사항
김혜리 ; 이조한 ; 현유경 ; 황승언*
국립기상과학원 현업운영개발부

The KMA Global Seasonal Forecasting System (GloSea6) - Part 1: Operational System and Improvements
Hyeri Kim ; Johan Lee ; Yu-Kyung Hyun ; Seung-On Hwang*
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

This technical note introduces the new Korea Meteorological Administration (KMA) Global Seasonal forecasting system version 6 (GloSea6) to provide a reference for future scientific works on GloSea6. We describe the main areas of progress and improvements to the current GloSea5 in the scientific and technical aspects of all the GloSea6 components - atmosphere, land, ocean, and sea-ice models. Also, the operational architectures of GloSea6 installed on the new KMA supercomputer are presented. It includes (1) pre-processes for atmospheric and ocean initial conditions with the quasi-real-time land surface initialization system, (2) the configurations for model runs to produce sets of forecasts and hindcasts, (3) the ensemble statistical prediction system, and (4) the verification system. The changes of operational frameworks and computing systems are also reported, including Rose/Cylc - a new framework equipped with suite configurations and workflows for operationally managing and running Glosea6. In addition, we conduct the first-ever run with GloSea6 and evaluate the potential of GloSea6 compared to GloSea5 in terms of verification against reanalysis and observations, using a one-month case of June 2020. The GloSea6 yields improvements in model performance for some variables in some regions; for example, the root mean squared error of 500 hPa geopotential height over the tropics is reduced by about 52%. These experimental results show that GloSea6 is a promising system for improved seasonal forecasts.


Keywords: Seasonal forecasting system, GloSea6, new supercomputer, Rose/Cylc

1. 서 론

기상청 국립기상과학원은 계절예측과 장기예보 서비스 지원을 목적으로 전지구 기후예측시스템(Global Seasonal forecasting system version 5, GloSea5)을 영국기상청으로부터 도입하여 2016년부터 현업 운영하고 있으며, GloSea5의 예측 성능을 검증하거나 개선하기 위한 목적으로 다양한 연구를 수행하고 있다(e.g. Lee et al., 2018; Lim et al., 2018; Kim et al., 2019; Lee et al., 2020). GloSea5는 대기, 지면, 해양, 해빙 모델로 구성되어 있으며, 이들은 결합자(coupler)를 통해 서로 연결된다. 각 모델의 종류와 버전은 Unified Model (UM vn.8.6; Walters et al., 2011; Brown et al., 2012), Joint UK Land Environment Simulator (JULES vn.4.7; Best et al., 2011), Nucleus for European Modeling of the Ocean (NEMO vn.3.4; Madec, 2008), Los Alamos Sea-ice Model (CICE vn.4.1; Hunke and Lipscomb, 2010)이고, 결합자로는 Ocean Atmosphere Sea Ice Soil 3 (OASIS3; Valcke, 2013)을 사용한다. 또한, 상세한 과학적 설정 방법으로는 영국기상청이 구축한 전지구 결합 구성의 2.0 버전(Global Coupled configuration 2.0; GC2.0; Williams et al., 2015)을 적용하고 있다.

2021년 8월 현재, 국립기상과학원에서는 GC3.2를 적용한 GloSea6를 차기 기후예측시스템으로 도입하여, 새로 설치된 기상청 슈퍼컴퓨터 5호기(Lenovo Group Ltd.)에 현업 운영을 위한 구축 작업을 마치고 안정화 작업을 진행 중에 있다. GloSea6는 GloSea5의 개선 버전으로, 각 모델 구성요소들에 대하여 기존에 비해 더 발전된 사항들이 적용되었기 때문에, 앞으로 이를 활용할 사용자의 편의를 위하여 그 내용들을 소개할 필요가 있다.

이에 본 연구에서는 기상청 현업 기후예측시스템의 운영 체계와, GloSea6에서 수정되거나 새롭게 적용되어 변경된 사항들을 소개하고, 시험적으로 수행한 최초의 모델 수행 결과를 간단히 분석하고자 한다. 제2장에는 현업 기후예측시스템의 운영 체계를 기술하였고, 제3장에서는 GloSea5에서 GloSea6로 향상되면서 과학적 측면에서 개선된 사항들을 모델 구성 요소별로 설명하였다. 제4장에서는 GloSea6 구축 후 시험적으로 단기간 수행한 모델 결과를 바탕으로, 기존의 GloSea5 예측장과 비교하여 GloSea6 예측장의 특징을 분석하였다. 마지막으로 본 연구의 내용을 요약하여 제5장에 담았다. 이 후 장기간 기후모의자료 생산을 통한 GloSea6의 기후모의 특성 검증은 이 논문의 Part 2에서 이루어질 예정이다.


2. GloSea6 기후예측시스템 운영체계 및 개선

기후예측시스템을 통해 제공하는 기상청의 장기예보 서비스는 주 단위, 월·계절 단위의 비교적 긴 시간규모의 평균 상태에 대하여 평년 대비 경향성을 예보하는 것으로, 기후예측시스템이 산출한 예측값과 기후값(평년값) 사이의 편차(anomaly)를 분석하여 미래날씨의 확률적인 정보를 제공한다. 따라서, 현업 기후예측시스템은 미래의 상태를 산출해내는 예측장(forecast, FCST) 생산과, 과거의 상태를 다시 재현해내는 기후장(hindcast, HCST) 생산의 두 과정을 모두 수행하도록 구성되어 있다.

또한, 전체 기후예측시스템은 크게 네 부분으로 이루어져 있다. 모델 수행에 필요한 입력장을 준비하는 전처리 과정, 수치모델의 적분 과정을 통해 실제 예측을 수행하는 모델 수행 과정, 수치예보모델의 불확실성을 보완하기 위한 앙상블 확률예측 과정, 관측값을 이용하여 모델의 예측성 및 정확도를 평가하는 검증 과정 등으로 구성되어 있다. 이 장에서는 이상의 네 가지 부분을 설명하고, 이들 과정을 Fig. 1Fig. 2에 도식적으로 나타내었다. 이에 더해서, 전체 시스템의 구동 체계와 계산 환경에 대한 내용을 마지막절에 기술하였다.


Fig. 1. 
Schematic diagram of the operational structures of GloSea6 model runs.


Fig. 2. 
Schematic diagram of the operational architectures for GloSea6 FCST and HCST ensemble runs to produce one (six)-month predictions.

2.1 전처리 과정

모델 수행에 앞서, 해당 날짜에 사용되는 초기자료 및 보조자료(ancillary data)를 수집하여 기후예측시스템의 입력자료로서 기능할 수 있도록 전처리하는 과정이 필요하다(Fig. 1의 상단: Preprocess).

해양모델의 경우, 예측장 생산 시에는 해수면온도, 수온과 염분의 프로파일, 해수면고도, 해빙 등의 관측자료와 대기모델에서 추출된 바람, 복사, 기온, 습도, 강수, 강설 자료를 사용하여, 해양모델의 자료동화시스템인 NEMOVAR (Variational data assimilation system for the NEMO ocean model; Mogensen et al., 2009)를 통해 산출한 해양·해빙 초기장을 사용한다(Fig. 1). 현재 GloSea5는 영국기상청의 해양자료 동화시스템인 FOAM (Forecast Ocean Assimilation Model; Blockley et al., 2014)에 포함된 NEMOVAR에서 산출한 해양·해빙 분석장을 입수하여 사용하고 있으나, 향후 GloSea6의 현업 운영 시에는 기상청 전지구 해양자료동화시스템2(Global Ocean Data Assimilation and Prediction System 2; GODAPS2)로 산출한 분석장을 사용할 예정이다. 기후장 생산 시에는 FOAM을 통해 생산된 ODA (Ocean modeling and Data Assimilation) 재분석장을 영국으로부터 입수하여 초기자료로 사용한다(Fig. 1). 해양·해빙 분석장과 재분석장에 관한 더 자세한 정보는 MacLachlan et al. (2015)에서 확인할 수 있다.

해양모델의 경우, 초기자료가 병렬 프로세서 별로 나뉜 여러 개의 파일로 제공되기 때문에, 이들을 한데 모아서 전지구 격자를 가지는 한 개의 파일로 만들어주는 재병합(rebuild) 과정을 거쳐야 한다. 또한, 해빙모델은 Arakawa-C 격자 체계(Arakawa, 1966)인 해양모델과 달리 Arakawa-B 격자 체계를 가지므로 u-, v-해류 성분 변수를 취급할 때, 중심점 평균을 사용하여 B 및 C 격자 체계로 변환하는 과정을 거쳐야 한다. 한편, 해양모델 자료는 병렬 계산의 halo 영역을 포함하고 있는데 반해, 해빙모델 자료는 halo 영역이 없는 자료임에 주의하여야 한다.

대기·지면모델의 경우에는 조금 더 복잡한 전처리 과정이 요구된다. 예측장 생산 시에는 초기자료로 전지구 수치예보모델인 UM GDAPS (Global Data Assimilation and Prediction System) 분석장의 0000 UTC 자료를 사용하고 있다. 기후장 생산 시에는 유럽중기예보센터(European Centre for Medium-range Weather Forecasts, ECMWF)에서 제공하는 ERA-Interim (ECMWF Re-Analysis-Interim) 재분석장(Dee et al., 2011)을 초기자료로 사용하고 있는데, 추후 ERA-Interim보다 최신 버전인 ERA5 (the fifth generation of ECMWF Re-Analysis; Hersbach and Dee, 2016)로 교체하여 사용할 예정이다(Fig. 1).

예측장 생산에 사용하는 UM GDAPS 분석장은 2560 × 1920 × 70개의 격자(N1280L70)를 가지며, 기후장 생산에 쓰이는 ERA-Interim 재분석장의 경우 480 × 241 × 60개의 격자(T255L60)를 가진다(Fig. 1). 반면, 기후예측시스템의 대기모델 해상도는 중위도 지역에서 약 60 km의 수평해상도를 가지는 N216L85로, 432 × 324 × 85개의 격자를 가지고 있다. 따라서, 이러한 초기 자료를 기후예측시스템 대기모델의 해상도에 맞도록 내삽 처리함과 동시에, 필요한 보조자료들을 모아서 하나의 입력장으로 만들어주는 재구성(reconfiguration) 과정을 거쳐야한다(Fig. 1). 이 때 사용되는 보조자료들 중 하나인 토양수분(soil moisture content in a layer) 자료를 생산하기 위해 준실시간 지면초기화 과정이 재구성 과정에 앞서 수행된다.

계절내·계절(sub-seasonal to seasonal, S2S) 시간 규모의 예측에 있어서 정확한 토양수분값 처방에 의해 모델의 예측성능 향상을 기대할 수 있다는 것이 선행 연구들에서 밝혀진 바 있다(e.g. Paolino et al., 2012; Hirsch et al., 2014; Prodhomme et al., 2016). 이러한 점을 반영하여, 기후예측시스템에서는 개별적인 off-line JULES 지면모델을 통해 준실시간으로 토양수분 값을 생산하여 지면모델 수행을 위한 입력자료로 사용하고 있다(Fig. 1). JULES는 기후예측시스템의 대기모델 내에서 지면과정을 담당하는 시스템이기도 하지만, 대기모델 없이 독립형(stand-alone)으로도 사용할 수 있다. 이 때, 대기 강제력(atmospheric forcings)을 입력해주어야 하는데, 현재 GloSea5의 준실시간 지면초기화 과정에서는 JRA-55 (Japanese 55-year Reanalysis; Kobayashi et al., 2015) 재분석장의 기상변수들(6시간 간격의 지상기온, 바람, 기압, 강수 및 복사자료)을 강제력으로 사용한다. 단, 강수량의 경우 CMAP [Climate Prediction Center (CPC) Merged Analysis of Precipitation; Xie and Arkin 1997] 자료의 기후값을 이용하여 보정하는 과정을 거친 후 입력해 준다. 향후 JRA-55를 ERA5로 교체 사용할 예정이다. Off-line JULES의 적분 기간은 24시간이며, 적분이 끝나고 토양수분 값이 netCDF 형식의 산출물로 생산되면, 이것을 UM 보조자료 파일 형식으로 변환하여 기후예측시스템의 대기·지면모델에 입력해준다.

2.2 결합모델 수행 과정

기후예측시스템 모델 수행 단계를 위한 초기자료들의 전처리 과정이 모두 끝나고, 각 모델에 사용할 입력장 파일이 완성되면 수치모델 적분을 시작한다(Fig. 1의 중앙: Model run). 대기·지면모델의 적분 시간(∆t)은 15분이며, 해양·해빙모델은 20분이다. 대기·지면모델은 중위도에서 60 km 정도의 해상도(N216)인 반면, 해양·해빙모델은 25 km의 상대적으로 고해상도(eORCA025)로 수행되며, 이들은 OASIS 결합자를 통해 1시간 간격으로 대기와 해양 간에 변수들을 교환한다. GloSea6에서는 통신 부하를 개선하기 위해 sparse-matrix 연산법을 활용하여 성분 모델 프로세스 간 직접 교환을 수행하는 OASIS3-MCT (Model Coupling Toolkit; Larson et al., 2005) 버전을 결합자로 사용한다(Fig. 1). 현업 기후예측시스템의 모의기간은 짧게는 75일, 길게는 255일까지 지속되지만, 운영의 안정성 확보를 위해 이 기간을 한 번에 수행하지는 않는다. 즉, 적분 시작 후 15일 간격(1 step)으로 restart dump 파일을 생산하고, 이것을 초기자료로 사용하여 적분을 재시작하는 방식을 취하고 있다. 따라서 75일 모의의 경우 5 step, 255일 모의의 경우 17 step에 걸쳐서 적분이 이루어진다. 대기·지면모델의 산출물은 ff (field file) 파일 형식으로, 해양·해빙모델의 산출물은 netCDF 파일 형식으로 생산된다.

2.3 앙상블 확률예측 과정

모델 산출물이 확보되면, 장기예보 서비스에 사용되는 실질적 자료를 생산하기 위한 후처리 과정(Fig. 1의 하단: Postprocess)을 수행한다. 먼저, 수치예보모델이 가지는 불확실성을 보완하기 위해 여러 앙상블멤버의 평균을 이용하는 앙상블 확률예측 과정이 수행된다. 장기예보는 3분위 확률예보(높음, 비슷, 낮음)를 기본으로 하기 때문에, 예측장을 기후장과 비교하여 어느 부분에 얼마나 포진되어 있는지를 확률값으로 나타내는 앙상블 예측자료를 생산한다.

2.3.1 예측장(FCST)

현재 GloSea5의 예측장 생산은 매일 0000UTC에 대해서 4개의 앙상블 멤버로 수행되는데, 75일 후까지 예측하는 2개 멤버와 240일 후까지 예측하는 2개 멤버로 구성되어 있다(Fig. 2의 상단: FCST). 이 때, 추계적 운동에너지 후방 산란(Stochastic Kinetic Energy Backscattering version 2, SKEB2; Tennant et al., 2011)기법을 이용하여 4개의 멤버들이 각각 조금씩 다른 초기 상태로부터 적분이 진행되도록 한다. 일주일 치의 초기날짜에 걸쳐 4개 멤버씩 수행한 총 28개의 예측장을 평균하여 1개월 전망 산출을 위한 앙상블 평균 예측장을 만들고, 3주 치의 초기날짜에 걸쳐 2개 멤버씩으로 240일 적분을 수행한 총 42개 예측장을 평균하여 6개월 전망 산출을 위한 앙상블 평균 예측장을 만든다(Fig. 2). 향후 GloSea6의 현업 운영 시에는 매일 생산하는 앙상블 멤버의 개수를 8개로 증가시킬 계획이며, 이에 따라 앙상블 평균 예측장 생산을 위한 구성 또한 변경될 예정이다.

2.3.2 기후장(HCST)

기후장은 과거를 재현하여 1년 중 특정 날짜의 과거 평균 상태(기후값)에 대한 정보를 얻기 위해 생산한다. 기후장과 비교하여 예측장이 어떤 값을 가지는지에 따라서 미래 날씨가 평년과 비교해서 어떠할지 판단할 수 있게 된다. 이렇게 예측 편차장을 이용하는 것은 모델 자체가 가지고 있는 계통적 오차를 배제하고 결과를 해석할 수 있게 해준다는 장점이 있다. GloSea6에서 기후값 산출 시에 적용하는 기후기간은 1993년부터 2016년까지로 총 24년간이다. 기후장 생산은 예측장과는 달리 매일을 초기날짜로 삼지 않고, 매달 1, 9, 17, 25일만을 초기날짜로 사용하여 수행된다(Fig. 2의 하단: HCST). 현재 GloSea5에서는 매 초기날짜마다 SKEB2 기법을 이용하여 3개의 앙상블 멤버로 예측을 수행하는데, 이 또한 GloSea6에서는 7개 멤버로 늘릴 예정이다. 모든 멤버는 초기날짜로부터 255일 후까지 예측한다(Fig. 2). 기후장은 매달 특정 초기날짜에 대해서만 생산되지만 예측 편차장은 매일 생산되어야 하므로, 앙상블 평균 기후장 또한 매일 계산되어야 한다. 따라서 기후장이 생산되지 않는 날짜의 앙상블 평균 기후장을 만들 때에는 해당 날짜 전후로 가까운 기후장 날짜를 찾아서 가중 평균하는 방법으로 산출한다.

2.4 검증 과정

앞서 앙상블 확률예측 과정을 통해 앙상블 예측자료가 산출되면, 이를 관측자료와 비교하는 검증 과정이 수행된다(Fig. 1의 하단: Postprocess). 먼저, SST, 강수량, 기온 등 여러가지 관측자료들을 입수하고, 해상도 변환 과정 등을 거쳐 모델 결과와 비교할 수 있도록 처리한다. 이때, 자료들은 주별, 월별, 계절별 등의 기간에 대한 평균값으로 계산되고, bias, RMSE, correlation등의 결정론적 검증과 Brier Skill Score, Reliability Diagram 등의 확률론적 검증으로 나뉘어 각종 검증 지표가 생산된다. 이러한 검증 지표들은 최종적으로 png 포맷의 그래픽 파일로 생산되며, 이들은 모니터링 서버에 보내져 웹 상에서 표출된다.

2.5 시스템 구동체계 및 계산환경 변경

GloSea5가 기상청의 슈퍼컴퓨터 4호기에서 운영된 것과 달리, GloSea6의 현업 운영은 새로운 슈퍼컴퓨터 5호기에서 수행될 예정이다. 계산기의 변화와 함께 구동시스템에도 큰 변화가 있다. 지금까지 설명한 모든 현업시스템의 구성요소들을 구동하기 위해서 GloSea5는 shell script (ksh) 기반의 체계를 사용하였으나, GloSea6는 그래픽 인터페이스(GUI) 기반의 Rose/Cylc를 운영체계로 채택하여 현업 운영한다. 이는 그래픽 인터페이스 운영체계를 최초로 기상청 현업시스템에 도입하여 사용하기 시작했다는 의의가 있으며, 이를 통해 보다 직관적으로 현업 운영 현황을 파악하고 오류에 대처할 수 있어, 현업 운영의 안정성을 강화하는데 기여할 것으로 기대된다. Rose는 각 구성 작업들(suite으로 명명)의 인터페이스로서 작업환경 구성 및 운영 설정을 위한 도구이며, Cylc는 작업 스케줄 관리 엔진으로서 작업의 연계성 및 주기적인 작업을 효율적으로 제어한다. 즉, Rose의 suite 편집을 통해 각 구성 작업들을 세세하게 설정한 후, Cylc를 통해 현업의 모든 작업들이 각 작업 간 의존성에 따라 순차적 또는 병렬적으로 수행된다. 각 작업(task)은 suite에 포함된 suite.rc 파일과, app 디렉토리 내에 위치하는 개별 application의 rose-app.conf 파일에 설정된 내용에 따라 수행된다. GloSea6 suite의 작업 순서에 따른 수행 내용과 디렉토리를 Table 1에 간략하게 제시하였고, Rose/Cylc 환경에서 이 과정의 흐름을 Fig. 3에 모식도로 나타내었다. 참고로 install_cold와 fcm_make 작업은 suite을 가장 처음 실행시켰을 때에만 수행되는 작업으로, 현업 운영시에는 포함되지 않는다.

Table 1. 
Descriptions of tasks of GloSea6 Rose/Cylc suite in order of execution. The name of tasks “gsfc” means GloSea6 forecast runs while “gshc” means GloSea6 hindcast runs.
Name of tasks Name of application directories Descriptions
install_cold install_cold Install utilities and configuration of ancillaries
fcm_make_drivers, fcm_make2_drivers fcm_make_drivers Install python scripts
fcm_make_ocean, fcm_make2_ocean fcm_make_ocean Install ocean/sea-ice model
fcm_make_um fcm_make_um Install atmospheric model
gsfc[/gshc]_get_analysis glosea_get_fcst[/hcst]_analyses Get atmospheric/ocean/sea-ice initial data
gsfc[/gshc]_redate_cice glosea_redate_cice Correct meta data of cice dump files
gsfc[/gshc]_recon coupled, um Reconfigure atmospheric initial data
gsfc[/gshc]_model_m1_s01 coupled, um, nemo_cice Run coupled model for member 1 during step 01
gsfc[/gshc]_post_model_m1_s01 - Move/remove output files and dump files
gsfc[/gshc]_ncdf_proc_m1_s01 glosea_ncdf_proc Merge ocean output files
gsfc[/gshc]_process_m1_s01 glosea_process Convert format of output files


Fig. 3. 
The graphic view of the flow of GloSea6 “FCST” jobs in Rose/Cylc environment for 1 ensemble member during 1 step (in case of initial date 0000 UTC May 17 2020).

GloSea6 기후예측시스템의 대기, 해양, 해빙 모델코드는 주로 Fortran 및 C 등의 프로그래밍 언어로 작성되어 있으며, 해양모델의 입출력을 위한 소프트웨어 XIOS (XML-IO-Server)는 C++로 작성되어 있다. 기후예측시스템의 구동을 위한 Rose/Cylc 뿐만 아니라 전·후처리 시스템 등 많은 부분에서 기존의 shell 및 Fortran 프로그램을 대체하여 Python을 활용한다.

GloSea6가 구동되는 기상청 슈퍼컴퓨터 5호기의 CPU는 프로세서 당 38 core를 가지는 최신 Intel의 Ice-Lake가 사용되었으며, 2 socket 또는 2 processor로 구성되는 계산 node의 경우 node 당 76 process core를 가지게 된다. 한편, 각 node 당 메모리는 256GB이다. 총 계산 node 수는 8,064개로 이를 process core로 환산하면 612,864개에 이르며, 총 이론 성능은 51 PF로 슈퍼컴퓨터 4호기의 이론 성능 5.8 PF의 약 8.8배이다.

슈퍼컴퓨터 4호기에서 가동되고 있는 GloSea5의 모델수행시간은 1 step (15일 적분)에 26분이 소요되는 반면, 5호기 초기분에 설치된 GloSea6에서는 22분이 소요되어 적분 시간이 단축되었다. 5호기 최종분에는 아직 GloSea6가 설치되지 않았기 때문에 비교할 수는 없으나, 최종분이 초기분에 비해 CPU 성능이 더 향상되었으므로 수행 시간의 추가적인 단축이 기대된다. 참고로, 기상청 대기모델의 단기예측의 경우 20~30%의 적분 계산 시간의 단축이 있었다고 보고되었다.


3. GloSea6 모델의 개선

앞서 1장에서 언급하였듯이, 기후예측시스템은 영국기상청이 구축한 설정 방식인 GC를 따르고 있다. GC는 결합모델을 구성하는 각 세부모델의 개별적 설정인 GA (Global Atmosphere), GL (Global Land), GO (Global Ocean), GSI (Global Sea Ice)를 하나로 묶은 것인데, 이는 각각 대기, 지면, 해양, 해빙모델의 과학적 세부 설정 방식을 뜻한다. 현재 GloSea5는 GC2.0 버전을 사용하는데, 이는 GA6.0, GL6.0, GO5.0, GSI6.0으로 구성되어 있다. 반면 GloSea6는 2019년 10월에 개발 완료된 GC3.2 버전을 바탕으로 하며, 세부적으로 대기모델은 GA7.2, 지면모델은 GL8.0, 해양모델은 GO6.0, 해빙모델은 GSI8.1을 채택하고 있다. 또한 그에 따라 각 모델의 버전도 GloSea5 보다 상향되었다(Table 2). 이러한 변경에 의해 GloSea6에서 개선된 사항들 중 중요한 내용들(Table 3)을 제시하고, 이에 대해 간략히 설명하고자 한다. 이하 내용들은 영국기상청의 개발 이력(wiki) 페이지에 기술된 내용을 토대로, 대기·지면모델은 Walters et al. (2019), 해양모델은 Storkey et al. (2018), 해빙모델은 Ridley et al. (2018), GC 구성에 대해서는 Williams et al. (2017) 등의 논문을 참조하여 작성하였다.

Table 2. 
Updates of science configurations, model versions, and resolutions of GloSea6.
Model GloSea5®GloSea6 Resolution
Science ver. Model ver.
Atmosphere GA 6.0®GA 7.2 UM vn8.6®vn11.5 N216L85
Land GL 6.0®GL 8.0 JULES vn4.7®vn5.6 N216L4
Ocean GO 5.0®GO 6.0 NEMO vn3.4®vn3.6 eORCA025L75
Sea-Ice GSI 6.0®GSI 8.1 CICE vn4.1®vn5.1.2 eORCA025L75

Table 3. 
Descriptions of major parts of GloSea6 model configurations different to GloSea5.
Atmosphere
Dynamics
Hermite Cubic Vertical Interpolation, Priestley Conservation
Physics
Radiation: Improved treatment of gaseous absorption
McICA upgrades
New ice optical properties
Micorphysics: New ice particle size distribution function. New warm rain microphysics scheme
Cloud physics: Including the radiative impact of convective cores
Consistent treatment of phase change for convective condensate passed to PC2
Turbulence-based critical relative humidity
Removal of redundant complexity when dealing with ice cloud
Turbulent production of liquid water in mixed-phase cloud
Gravity wave drag: Implement heating due to gravity-wave dissipation
Boundary Layer: Revising cloud top entrainment during decoupling
Including forced convective clouds
Cumulus parameterization: Improved updraught numerics in the convection scheme
CAPE closure for deep- and mid-level convection dependent on large-scale vertical velocity
Aerosol: Introduction of UKCA GLOMAP-mode aerosols scheme
Stochastic physics for EPS
Introduction of a standardised stochastic physics package
Land
Introduction of multi-layer snow scheme
Improvements to land surface albedo and ocean surface albedo
Atmospheric rain fractions
Implement roughness length over the sea surface
Revised roughness lengths for sea ice
Ocean
ORCA025 extended grid (eORCA025)
Non-linear free surface and variable volume layers
Modification to momentum advection
Freshwater input from land ice
Half isopycnal diffusion
Tuning of near-surface vertical mixing parameter
Sea-ice
Multi-band albedo. Inclusion of prognostic melt ponds
Multi-layer sea ice
Increased basal drag
Snow conductivity reduction
Salinity dependent freezing
New semi-implicit coupling

3.1 대기모델

이 장에서는 대기모델 UM의 역학, 물리과정, 앙상블 모델의 추계역학에 대한 개선 사항을 기술한다. 또한, GloSea6에서 사용하는 대기모델의 주요 사양을 Table 4에 요약하였다.

Table 4. 
Descriptions of the atmospheric model UM vn11.5.
Speculation
Dynamics ENDGame [Semi-Lagrangian advection, conservative monotone treatment of tracers; semi-implicit time integration, non-hydrostatic, fully compressibe deep-atmosphere (Wood et al., 2014)]
Grid Arakawa-C grid staggering. Charney-Phillips staggering (Terrain-following, hybrid height vertical coordinate)
Radiation SOCRATES radiative transfer scheme (Edwards and Slingo, 1996)
Deep convection Mass-flux scheme (Gregory and Rowntree, 1990) with various extensions to include downdraughts (Gregory and Allen, 1991)
Shallow convection Gregory and Rowntree (1990) with closure based on the diagnosis of subcloud layer plumes (Grant, 2001)
Large-scale cloud Prognostic cloud fraction and prognostic condensate (PC2; Wilson et al., 2008a, b)
Microphysics Single-moment scheme (Wilson and Ballard, 1999) with extensive modifications. Warm rain scheme (Boutle et al., 2014)
PBL Nonlocal mixing (k-profile) scheme for unstable boundary layers (Lock et al., 2000; Lock, 2001), local Richardson number scheme for stable layers (Smith, 1990)
Gravity wave Drag By orography: Lott and Miller (1997)
By non-orography: Scaife et al. (2002), Warner and McIntyre (2001)

3.1.1 역학

현재 기후예측시스템의 대기모델인 UM의 역학 코어는 ENDGame (Even Newer Dynamics for General atmospheric modelling of the environment)으로, 이류계산을 위해 semi-implicit semi-Lagrangian 수치 기법을 사용한다. 이 기법에서 현상의 출발점을 찾을 때, GloSea5의 경우에는 수분 예단변수(moist prognostics)는 수평 방향과 수직 방향의 내삽 방법이 각각 bicubic 내삽법과 quantic (5차) 내삽법으로 서로 다른 반면, 건조 예단변수(dry prognostics)는 두 경우에 동일하게 cubic Hermite 내삽법을 사용한다. 반면 GloSea6에서는 수분 예단변수와 건조 예단변수가 모두 cubic Hermite 내삽법만을 사용한다. ENDGame 역학에서는 파동의 흐름이 차분화(discretization)된 격자에서 보존이 되지 않기 때문에, 질량이 가중된 온위(ρdθvd)의 차분 방정식에서 실재하지 않는 가상의 에너지가 발생하는데, GloSea6에서는 이를 방지하고 보존을 회복시키기 위한 알고리즘으로 최적 보존 필터(optimized conservative filter scheme; OCF, Zerroukat and Allen, 2015) 기법을 채택하였다. 이를 통해 열대 대류권의 온난 편차를 줄일 수 있었다.

3.1.2 물리과정

복사: 기체의 흡수를 처방할 때 쓰는 correlated-k 계수를 HITRAN 2012 분광 데이터베이스(Rothman et al., 2013)에 기반하여 새롭게 유도된 값으로 처방하여, 단파 및 장파복사 플럭스 모의를 크게 개선하였다. UM은 아격자 규모 water content의 변동성에 의한 복사 효과를 모수화하기 위해 McICA (Monte Carlo Independent Column Approximation)를 사용하고 있다(Hill et al., 2011). 여기서 변동성은 격자 내 대기수상체의 부분 표준편차(fractional standard deviation)에 의해 결정되며, 이를 GloSea5에서는 상수(= 0.75)로 설정하였지만, GloSea6에서는 운량, 연직층 두께, 대류 여부 등에 따라 달라지도록 모수화하는 방안(Hill et al., 2015)을 사용하도록 개선하였다. 또한, 빙정에 대한 스칼라 광학 특성(scalar optical properties)을 기술하기 위해 Baran et al. (2016)의 모수화 방안을 채택했고, 이로 인해 열대 대류권계면에서의 기온 오차를 개선하는 효과가 나타났다.

강수물리: 여러 항공특별관측 자료를 기초로 하여, ice cloud 내의 빙정에 대한 입자크기 분포(particle size distribution)를 새롭게 모수화한 방안(Boutle et al., 2014)을 채택하였으며, 이는 대류권 상층의 빙정물량(ice water content)과 비습에 영향을 주었다. 또한, warm rain 과정 내의 autoconversion와 accretion rates에 대한 모수화 방안(Khairoutdinov and Kogan, 2000; Boutle and Abel, 2012)과 이들에 영향을 주는 아격자규모에서의 liquid cloud, rain water content의 공간적 변동성을 관측 자료(항공기, 지상기반 원격탐사, 인공위성 등)를 근거로 하여 모수화한 방안(Boutle et al., 2014) 등을 채택하였다. 이는 warm rain 강수물리과정의 거의 모든 모수화 방안들이 새롭게 작성된 것이라고 할 수 있다. 참고로 강수물리에 적용된 몇몇 모수화 방안들은 복사과정에서도 일관되게 적용될 수 있도록 하였다.

구름 물리: 대규모(large-scale) 구름 모의에는 예단구름비율과 응결물(prognostic cloud fraction and prognostic condensate, PC2) 모수화 기법(Wilson et al., 2008a, b)을 사용한다. 이 PC2에서 대류운이 생겼을 때, 유출(detrained)되는 구름이 복사과정에 영향을 주게 되어 있는데, GloSea6에서는 대류운의 상승기류가 있는 중심부(convective cores) 그 자체가 복사에 주는 영향도 추가적으로 고려한다. 또한 기존에는 적운모수화 과정으로부터 PC2 모수화 과정으로 계산결과가 전달될 때, 대류에 의해 빙정이 생기는 기온이 이 두 과정에서 서로 달랐었는데, 이를 모두 -10°C로 일치시켰다. PC2에서 사용되는 임계 상대습도(critical relative humidity, RHcrit) 값도 기존에는 상수로 처방하였으나, 새 버전에서는 아격자 요란에 의해 결정되도록 변경하였다. 그리고 바람쉬어에 의해 빙정운 비율이 비정상적으로 줄어드는 상황을 방지하기 위해, 권운 확산율 r을 10-3 s-1에서 10-5 s-1으로 줄였다. 많은 수치모델이 과포화된 액체상 및 혼합상 구름은 과소모의하고 빙정만 있는 구름은 과대모의하는 경향이 있는데, 이를 완화하기 위해 대기경계층 모수화에서의 난류 진단값과 강수물리 모수화에서의 빙정 입자크기분포를 사용하여 아격자 확률분포를 규정하는 모수화 방안(Field et al., 2014)을 구현하였다. 이 모수화는 북극 층운의 모의 성능을 향상시키고 남극의 상향 단파복사 편차를 줄이는 효과가 있었지만, 열대지역에서는 오히려 부정적인 영향을 보였기 때문에, 0°C이하의 기온에서만 사용한다.

중력파 항력: 중력파 항력이 기류에 작용할 때, 그 운동에너지가 마찰열(frictional heating)로 전환되는 항을 새롭게 추가하여 모델 내의 에너지 보존성을 향상 시켰다.

대기경계층: 구름 상층에서의 유입(entrainment) 과정은 운정과 지표면에서의 정보에 의해 모수화되는데, 구름 층이 지상과 분리(decoupled)될 때, 이 유입이 급격히 감소하는 문제가 있었다. GloSea6에서는 이 분리과정 동안 유입에 영향을 주는 지표면의 정보에 가중치를 두어 기존보다 조금 더 지속적으로 반영되게 함으로써 유입과정이 완만하게 감소되도록 수정하였고, 이로 인해 낮 동안 층적운이 더 감소할 수 있도록 하였다. 경계층 상단에서 구름이 생성된 후 충분히 두껍지 않아서 LFC (level of free convection)까지 이르지 못하고 capping inversion에 갇혀있다가, 혼합에 의해 강제대류 적운(forced convective cloud)으로 성장하게 되는 경우가 있는데, 이것은 여름철 맑은 날 두껍지 않은 적운이 되어 복사 수지에 큰 영향을 준다. 이를 모의하는 과정에서 capping inversion의 두께와 유입 플럭스를 새롭게 모수화하였고, 관련된 구름비율(cloud fraction)의 프로파일도 모수화하였다. 또한 경계층을 구하는 방정식의 수치해석(numerics) 기법의 안정성 또한 개선하였다.

적운모수화: GloSea6에서는 6A convection scheme을 새롭게 도입하였고, 특징은 다음과 같다. 에너지와 수분 보존성을 좋지 않게 만들었던 이전 버전의 수치해석 기법을 수정하였고, 강제 유출 및 온위를 구하는 방정식을 풀 때의 반복횟수를 늘렸으며, 대류 상승이 유효한지를 진단하도록 하였고, 난류 가열항을 도입하였다. 또한, 이전에는 CAPE 시간규모를 일반적으로는 상수로 처방하고, 연직속도가 매우 강할 때에 한해서만 더 작은 상수 값으로 변경하도록 해왔는데, 관측분석 연구(Pearson et al., 2014)를 토대로 이를 질량으로 가중 평균한 연직속도의 함수로 표현하도록 변경하였다. 이밖에, 강제 유출 계산식을 수정(Derbyshire et al., 2011)하였고, 적응 유출 계수 R_Det의 값을 0.9에서 0.8로 줄였다.

3.1.3 앙상블 모델의 추계역학

앙상블 시스템의 모델 에러를 표현하기 위한 추계물리(stochastic physics) 기법으로서 기존에는 SKEB2 (Tennant et al., 2011)와 물리모수화의 주요 요소들의 구조적인 불확실성을 표현하기 위한 RP2 (random parameters scheme version 2; Bowler et al., 2009)를 사용하여 왔다. GloSea6에서는 이전과 달리 시스템마다 달라지지 않는 표준화된 추계물리 기법을 사용하고자, SKEB2를 개선함과 동시에, RP2 대신 에너지와 수분이 보존되도록 추가적인 조치를 한 SPT (stochastic perturbation of tendencies scheme; Sanchez et al., 2016)를 채택하였다. 그 결과, 통계적으로 앙상블 평균의 에러가 증가하지 않고도 스프레드가 증가하는 효과가 있었고, 지역적으로는 적도에서 가장 긍정적인 영향이 있었다.

3.2 지면 모델

지면모델 JULES는 두 가지 방법으로 지표면의 눈을 모의할 수 있는데(Best et al., 2011), GloSea5는 토양 최상층과 그 곳에 쌓인 눈으로 구성된 단일층으로 표현하는 방법을 사용했으나, GloSea6에서는 전체 눈 두께에 따라 여러 개의 눈 층으로 표현하는 방법으로 변경하였다. 이에 따른 가장 큰 영향은 쌓인 눈 아래에 있는 토양의 단열 효과가 반영된 것으로, 겨울에 토양에서 대기로 전달되는 열 플럭스를 감소시키거나, 봄철에 눈이 녹음으로 인한 플럭스의 변화를 더 잘표현하게 되었다. 한편, 기존에는 육지에서 눈이 없을 때의 단파복사 알베도를 파장과 무관하게 설정했으나, 이를 파장의 변동성에 의존하도록 수정하였다. 또한, 해양 표면 알베도의 경우에도 기존의 10 m 바람, 엽록소 양뿐만 아니라 파장에도 의존하는 Jin et al., (2011)의 모수화로 대체하였다. 격자 내 강수비율의 경우에도, 기존에는 강수물리에 의한 것은 1.0, 대류에 의한 것은 0.3으로 고정하여 적용하였던 것을 Boutle et al. (2014)에 의한 강수물리 방안과 대류 중심의 최대면적에 의해 각각 규정되는 수치를 사용하여 보다 정확하게 표현하도록 개선하였다. 해양 격자에서는 표면의 거칠기 길이를 구하기 위해 COARE4.0 (Coupled Ocean-Atmosphere Response Experiment 4.0; Edson, 2009)에 사용된 벌크 플럭스 모수화를 새롭게 채택하였으며, pack ice에 대한 거칠기 길이를 3.2mm에서 0.5 mm로 변경하였다.

3.3 해양 모델

ORCA025이었던 격자 체계가 eORCA025로 변경되면서 더 남쪽으로 확장된 영역을 포함하게 되었고, 빙붕의 패인 동공(iceshelf cavities)을 모의할 수 있게 되었다. 또한, 남극 대륙붕 주변의 수심 측량값이 갱신 되었다. GloSea5에서는 선형 자유수면파(linear free surface)를 적용했으나, GloSea6에서는 비선형 자유수면파와 가변 체적층(variable volume layers, VVL)을 도입하였다. 이로 인해 수심 층이 해양 고도[Adcroft and Campin (2004)z* 연직 축]에 따라서 움직일 수 있게 되어, 연직 기둥(water column)의 각 셀의 두께(cell thickness)가 시간에 따라 변하게 되는데, 이는 해수면 담수 플럭스를 더 정확하게 표현할 수 있게 한다(Storkey et al., 2018). 또한 비선형 자유수면파에는 파고에 따라 파속이 달라지는 비선형효과가 반영되어 있으며, 이는 염분량(ocean salt content, OSC)이 보존 될 수 있도록 한다(Roullet and Madec, 2000).

운동량 이류의 비회전 부분을 Hollingsworth et al. (1983)에 의해 고안된 방안을 채택하여, 연직적으로 발생하는 수치 불안정을 감소시키고, 적도 태평양에서의 모의를 개선하였다. 남극이나 그린란드 지역의 해안에서 떨어져 나간 빙붕은 해류에 의해 이동하다가 녹는데, 이 때 잠열을 흡수하고 해양에 담수를 공급한다. 이러한 과정이 기존에는 runoff 과정에 포함되어 있었으나, GloSea6에서는 라그랑지안 빙산(Lagrangian iceberg) 모델로 구현되었다(Bigg et al., 1997; Marsh et al., 2015). 또한, 격자 체계가 남극에서 더 확장됨에 따라, 주요한 빙붕 아래의 해양순환을 표현할 수 있게 되었는데, 이 때 빙붕의 패인 동공은 닫혀있다고 가정한다. 따라서, 빙붕의 가장자리 표면으로부터 얼음이 녹아 생성되는 담수의 수심별 플럭스를 미리 정해두어 빙붕 아래의 뒤집히는 순환(overturning circulation)을 모의하도록 하였다(Mathiot et al., 2017).

에디에 의한 등밀도 확산(isopycnal diffusion)에 관련된 계수를 기존값인 300 m2 s-1에 비해 절반인 150 m2 s-1으로 줄여서, 남반구에서의 해수면온도를 낮추어 온난 편차를 감소시킴과 동시에, 북대서양과 북태평양에서는 한랭 편차를 감소시켰다(Williams et al., 2017). 표층부의 연직 혼합은 준-관성파의 파동 절단(near-inertial wave breaking; Rodgers et al., 2014)의 모수화에 의존하는데, 이 모수화는 위도에 따라 달라지는 e-folding 길이규모 변수(nn_htau)와 관련이 있고, GloSea6에서는 이 변수를 좀 더 깊은 수심까지 조절 할 수 있도록 하였다. 그 결과, 여름철 남반구에서는 혼합이 증가되어 해수면온도의 온난 편차를 감소시켰고, 연중 내내 해빙이 증가되어 모의 성능이 향상되었다. GloSea6에서 사용하는 해양모델의 주요 사양은 Table 5에 기술하였다.

Table 5. 
Descriptions of the ocean model NEMO vn3.6.
Speculation
Dynamics Centered 2nd-order finite difference approximation
Grid eORCA 0.25° (~27 km in equator and ~13 km in 60°N). Arakawa-C grid staggering. Geopotential levels using the DRAKKAR 75 vertical level set (Bernie et al., 2005)
Data Assim. 3-d variational method (NEMOVAR, Mogensen et al., 2009)
Tidal mixing Energy transfer from barotropic tides to internal tides and internal tide breaking by rough topography (Simmons et al., 2004) with enhanced tidal dissipation efficiency in the region of Indonesian Throughflow
Vertical mixing Turbulent kinetic energy (TKE) scheme (Gaspar et al., 1990)
Bottom boundary An advective and diffusive bottom boundary layer scheme (Beckmann and Döscher, 1997)
Flux exchange Coordinated Ocean-Ice Reference Experiment (CORE) Bulk formula (Large and Yeager, 2004)

3.4 해빙 모델

기존에는 온도의 함수로 표현된 단일 대역(band)의 알베도를 사용했으나, 새 버전에서는 가시대역과 근적외대역으로 나눈 다중 대역 알베도를 사용한다. 또한 지형을 고려한 melt pond 방안(Flocco et al., 2010)을 채택함으로써 melt pond의 비율과 평균 깊이를 예단하게 하여 melt pond가 알베도에 미치는 영향을 명시적으로 표현하였다. 그 결과, melt pond의 물로 인해 해빙이 녹는 속도가 빨라지게 되어, 여름철 북극의 해빙을 더 감소시키는 효과가 있었다. GloSea5에서는 해빙을 단일층으로 취급하는 열역학 방정식을 사용했으나, GloSea6에서는 이를 4개의 얼음 층과 1개의 눈 층으로 나누어서 처리하는 다층 열역학 방정식(Bitz and Lipscomb, 1999)으로 전환하였다. 또한 해양-해빙 항력 계수를 0.00536에서 0.01로 증가시키고, 눈이 쌓이지 않은 해빙(bare ice)에 대한 가시대역의 알베도를 0.78에서 0.8333으로 증가시켰으며, 눈에 대한 열전도율도 조절하여, 결합되어 있는 지면모델 JULES에서의 값과 일치되도록 하였다(Ridley et al., 2018). 이전에는 해수가 고정된 값(-1.8°C)에 도달하면 얼어서 해빙이 되도록 설정되어 있었으나, 이제는 어는점을 염분의 함수로 표현하도록 개선하였다. 또한, 기존 버전에서는 상대적으로 저해상도인 지면모델로부터 보다 고해상도인 해빙모델로 전도 플럭스(conductive flux) 등과 같은 값을 전달할 때, 격자 면적에만 비례해서 재격자화(regridding) 하였는데, 이 때 공간 분포가 물리적으로 비현실적이게 되고, 에너지도 보존되지 않는 문제점이 있었다. GloSea6에서는 이를 개선하기 위해 빙하 비율(ice fraction)도 고려하여 재격자화해주는 준-암시적 결합(semi-implicit coupling) 기법을 채택하였다(Ridley et al., 2018).

3.5 강제력

GloSea5에서는 태양복사 강제력은 상수로 처방했고, 오존은 기후값(climatology)을 사용한다. 반면, GloSea6에서는 기후장 생산 시에는 CMIP6 (Climate Model Intercomparison Project 6) 결과로부터 얻은 과거(historical)자료를 태양복사 및 오존의 강제력 값으로 사용하고, 예측장 생산 시에는 오존은 최신 5년간의 CMIP6 과거자료 값을, 태양복사 강제력은 CMIP6의 기후 전망(projection) 값을 사용한다.


4. GloSea6 모의 특성 분석

본 장에서는 GloSea6의 설치 후 최초로 45일 모의를 수행한 결과를 기존에 현업 수행하였던 GloSea5의 모의 결과와 비교하여 분석한 내용을 기술하고자 한다. GloSea6의 경우, 아직까지 기후학적 분석에 필요한 기후모의자료(24년 치 hindcast)를 생산하지 않았고, 충분한 수의 앙상블 모의를 수행하지 않았기 때문에, 본 모의 결과에 대한 장기간의 기후학적 해석은 불가능하다. 즉, 수십년 간의 기후모의자료로부터 얻을 수 있는 평균장이나 편차(anomaly) 등을 본 연구에서는 산출할 수 없으므로, 우선 단기/중기 일기예측 규모에서의 모의 결과를 재분석장과 직접적으로 비교 검증하였다. 향후 기후모의자료의 생산과 더불어 GloSea6의 특성을 보여주는 장기간의 기후학적 특성 분석이 이루어질 예정이며, 이를 토대로 체계적인 검증 작업을 거쳐 산출된 결과를 Part 2 논문을 통해 보고할 계획이다.

본 연구에서 모의를 수행한 초기날짜는 2020년 5월 17일과 2020년 5월 25일이며, 각각의 날짜마다 4개의 앙상블 멤버를 사용하여 총 8개의 예측장을 생산하였다. 모의 기간은 시작일로부터 45일이고, 2020년 6월 한달 간의 평균장을 검증 대상으로 하였다. 비교 대상인 GloSea5 산출물 또한 동일한 조건을 적용하였다. 수행 결과 중 5가지 변수(500 hPa 지위고도, 남북풍의 동서평균장, 1.5 m 지상기온, 강수량, 해수면온도)에 대해서만 GloSea5 결과와 비교 검증하였으며, 영국기상청이 장기간 기후모의 검증을 통해 보고한 개선 결과 및 변화 경향과 본 검증 결과가 유사하게 나타나는 특징들을 중심으로 기술하고자 한다. 모델의 오차(bias)를 나타낼 때에는 ERA5 재분석장의 2020년 6월 평균장에 대비하여 그 차이를 계산하였다. 단, 강수 검증의 경우에는 GPCP (Global Precipitation Climatology Project; Adler et al., 2018) 강수량 자료를 사용하였고, 해수면온도는 GHRSST (A Group for High Resolution Sea Surface Temperature)의 Level-4 자료인 OSTIA (Operational Sea Surface Temperature and Sea Ice Analysis; UK Met Office, 2005)를 사용하여 검증하였다. 이 때, 각 변수별로 모델 결과와 관측자료(또는 재분석장)의 해상도를 비교하여 더 낮은 해상도를 가지는 쪽에 맞추어 내삽 처리한 후 분석을 수행하였다.

4.1 500 hPa 지위고도, 남북풍의 동서평균장

먼저, 전체적인 대기 평균장을 볼 수 있는 500 hPa의 지위고도장을 ERA5 평균장과 비교하였다(Figs. 4a-c). GloSea5의 경우와 비교하여 GloSea6에서 가장 두드러진 차이점은 적도지역을 중심으로 넓은 영역에 걸쳐 오차가 감소하였다는 점이다. 이는 영국기상청 내부의 여름철 장기 검증 결과에서도 비슷하게 나타난 특징이기도 하다(그림 생략). 중위도에서는 오차의 증가와 감소가 혼재되어 나타나고 있는데, 한반도 부근에서는 GloSea6가 지위고도를 약간 더 높게 모의하고 있다. 이러한 특징은 GloSea5 및 GloSea6의 ERA5에 대한 오차의 절대값(absolute bias, 이하 AB)의 차이를 계산한 값을 통해 잘 살펴볼 수 있다(Fig. 4c). AB의 차이를 구해서 음의 값이면 GloSea6 모의 결과가 GloSea5의 결과에 비해 ERA5 평균장과 좀 더 유사해진 것으로 해석할 수 있는데, 위에서 언급한 바와 같이 GloSea6의 개선이 적도지역에서 확실하게 나타나고 있다. 15°S에서 15°N에 이르는 지역을 대상으로 ERA5와의 RMSE를 계산해 본 결과, GloSea5는 약 8.1m인 반면, GloSea6는 약 3.9m로 나타나, 약 52%의 큰 개선 효과가 나타났다.


Fig. 4. 
Difference of 500 hPa geopotential height of (a) GloSea5 and (b) GloSea6 compared to ERA5 during June 2020, and (c) difference between absolute bias of Glosea6 to ERA5 and that of Glosea5 to ERA5. (d)-(f) are the same as (a)-(c) but for zonal-mean meridional wind.

남북풍의 동서평균장 또한 마찬가지 형식으로 나타냈다(Figs. 4d-f). 500 hPa 지위고도장과 마찬가지로 적도 지역에서 개선된 부분을 확인할 수 있었으며(Fig. 4f), 15°S부터 15°N까지 지역에서 GloSea6의 RMSE가 GloSea5에 비해 약 0.07 m s-1 감소하여, 약 21%의 개선이 이루어졌다. 이는 영국기상청의 장기 검증 결과에서 적도 지역의 대류권 전 층에 걸쳐 개선이 나타났던 점(그림 생략)과 일치하며, GC3.0을 대상으로 한 선행연구에서 대류권 최하층과 상층에서 큰 개선이 나타났던 결과(Walters et al., 2019)와도 유사하게 나타났다.

4.2 지상(1.5 m) 기온, 강수, 해수면온도

이 절에서는 단일층 변수에 대해 검증한 결과를 소개하고자 한다. 먼저, GloSea5와 GloSea6가 각각 모의한 월평균 1.5m 지상기온의 차이와 AB의 차이를 함께 살펴보면(Figs. 5a, b), GloSea6는 GloSea5보다 북미 대륙과 유럽내륙에서 더 낮은 기온을 모의하고 있는데, 이로 인해 해당 지역의 지상기온 모의 성능이 개선되었음을 알 수 있다. 남미 대륙이나 호주에서는 GloSea6가 더 온난하게 모의하는 경향을 보이는데, 이 또한 오차를 개선하는 방향으로 작동하고 있음을 보여준다. 이러한 개선은 전지구적으로 약 5%의 RMSE가 감소하는 효과로 나타났다. 중국 내륙에서의 GloSea6의 강한 온난모의는 더 나빠진 모의임을 알 수 있는 반면, 우리나라 부근에서는 GloSea6가 여전히 더 온난하게 모의하고 있으나 오차는 더 개선되었음을 살펴볼 수 있다. 분석기간인 2020년 6월은 월 최고기온을 48년만에 갱신할 정도로 초순부터 이른 더위가 나타난 기록적인 폭염이 특징이었다. 물론 단 한 사례의 결과이고 변동성이 큰 지상기온이 그 대상이라는 점을 고려해야 하겠지만, 이 사례에서 GloSea6는 기존의 GloSea5 보다 좀 더 나아진 폭염 예측 성능에 대한 가능성을 보여주었다고 할 수 있다. 참고로 영국기상청의 지상 기온에 대한 장기 검증 결과에서는 우리나라 부근에서 GloSea6가 1994년 여름은 중립적인, 2010년 여름은 개선된, 2016년은 악화된 결과를 보여주었으며, 2003년 유럽 폭염은 매우 개선된 예측을 한 반면, 2010년 러시아 폭염은 그 반대의 결과를 보였다(그림 생략). 이러한 폭염에 대한 예측에 있어, 지면의 토양수분, 토양온도 등의 초기화를 통해 계속 예측성을 개선할 계획이다.


Fig. 5. 
Difference between (a) GloSea6 and GloSea5 for 1.5 m air temperature, and (b) difference between absolute bias of GloSea6 to ERA5 and that of GloSea5 to ERA5 during June 2020. (c) and (d) are the same as (a) and (b) but for precipitation compared to GPCP.

마찬가지로, 2020년 6월 월평균 강수에 대해서 GPCP월평균 자료를 사용하여 검증하였다(Figs. 5c, d). GloSea6는 적도 대류지역에서 GloSea5에 비해서 전지구적으로 강수를 적게 모의하고 있고, 특히 인도양에서 크게 과소모의 하고 있다는 것이 가장 큰 특징이다. 반면, 남반구 태평양이나 북반구 중위도 태평양에서는 전반적으로 과다모의 하고 있다. 전지구 RMSE의 변화를 살펴보면, GloSea5는 약 1.84 mm day-1였고 GloSea6는 약 1.82 mm day-1로 근소한 차이를 보였다. AB의 차이를 살펴보면, GloSea6의 인도양 및 적도 중앙태평양의 과소모의는 더 개선된 결과임을 보여준다. 영국기상청의 장기간 여름철 강수에 대한 검증 결과에서도 인도양에서의 두드러진 개선이 확인된 바 있다(Walters et al., 2019). 또한 매우 국지적이긴 하지만, 한반도 남쪽에 위치한 장마전선과 관련된 강수대에서 GloSea6가 GloSea5에 비해 더 많은 강수를 모의하였는데, 이는 개선된 결과로 이어졌다. 따라서, 2020년 6월 한달로 한정해서 본다면 GloSea6가 한반도 주위의 기온과 강수를 기존의 현업 기후예측시스템보다 더 정확하게 모의했음을 알 수 있다.

마지막으로, 2020년 6월 평균 해수면온도 모의에 대한 검증을 수행하였다(Fig. 6). GloSea6는 남미 서안과 아프리카 서안을 제외하면, 열대와 중위도에서 전반적으로 GloSea5보다 더 한랭하게 모의하고 있다. 또한 이러한 한랭모의 지역에서 대체로 GloSea6가 더 개선된 결과를 보인다는 사실을 AB의 차이를 나타낸 그림을 통해 알 수 있다. 단, 적도 동태평양에서의 경우, 더 한랭한 경향을 보이는 것은 동일하나, 오차의 개선은 이루어지지 않았다. 또한, 남태평양의 여러 지역에서는 작은 규모의 차이만을 보이면서 뚜렷한 특징이 없는데, 이는 짧은 모의 기간으로 인해 소규모의 현상들이 미처 걸러지지 않았기 때문일 것으로 보인다. 전지구 RMSE의 경우, GloSea5는 약 0.69°C였고, GloSea6는 약 0.72°C로 나타났다. 한편, 영국기상청의 장기간 여름철 전구 해수면온도 검증 결과에서는 동남아시아 해양성 대륙(maritime continent)을 비롯한 광범위한 지역에서 GloSea6의 개선된 효과가 있음을 밝혔다(그림 생략).


Fig. 6. 
The same as Fig. 5 but for sea surface temperature compared to OSTIA.

지금까지 단기/중기 규모에서의 GloSea6의 모의 특성을 일부 분석하였다. 앞서 설명한 바와 같이, 본 연구의 1개월을 대상으로 한 간단한 검증 결과는 영국기상청의 장기간의 기후학적 검증 결과와 주요 부분에서 대체로 일치하였지만, 이 결과가 GloSea6의 체계적인 검증 통계 자료가 될 수 없다는 점을 다시 한번 강조한다.


5. 요 약

본 연구에서는 기상청의 장기예보 서비스 지원을 목적으로 국립기상과학원에서 운영 중인 현업 기후예측시스템의 운영 체계를 소개하고, 차기 버전인 GloSea6에서 개선된 사항들을 다루었으며, 단기간의 시험적 모델 수행을 통해 GloSea6의 예측 성능 특성을 간략히 분석하였다. 기후예측시스템은 대기, 지면, 해양, 해빙 모델로 구성되어있고 시스템의 세부 설정은 영국기상청이 구축한 GC를 따르고 있다. 기존의 현업기후예측시스템인 GloSea5는 GC2.0을 적용해왔으나, GloSea6는 GC3.2를 적용하여 운영될 예정이며, 그에 따라 기존 버전에 비해 여러가지 사항들이 개선되었다.

기후예측시스템은 다수의 앙상블 멤버로 예측장과 기후장을 생산하여 그 편차장을 통해 1개월 전망, 6개월 전망 등을 예측한다. 예측장 생산 시에는 매일의 초기날짜마다 75일 예측 멤버 4개와 240일 예측 멤버 4개가 함께 수행되며, 기후장 생산 시에는 매월 정해진 4개의 초기날짜마다 255일 예측 멤버 7개가 수행된다. 향후 GloSea6의 현업 운영 시에는 앙상블 멤버 개수가 증가될 예정이다. 모델 수행에 앞서, 토양수분 보조자료를 확보하기 위해 off-line JULES를 이용한 준실시간 지면초기화 과정이 수행되고, 초기 입력자료의 해상도를 기후예측시스템의 해상도에 맞춰 내삽하는 등의 전처리 과정을 거친다. 모델 적분 시에는 OASIS 결합자를 통해 대기와 해양 사이에 변수들이 서로 교환되며, 전체 기간을 15일 간격으로 끊어서 재시작하는 방식을 취한다.

GloSea6는 기존 버전에 비해서 많은 부분에서 개선이 이루어졌는데, 대기모델의 경우 대표적으로 6A convection scheme이 도입되었고, 앙상블 멤버 생산을 위한 추계물리 기법이 보다 개선된 SKEB2와 SPT로 교체되었다. 지면모델에서는 기존에 단일층으로 모의하던 눈을 다중 적설층으로 모의하도록 개선되었다. 해양·해빙모델의 격자 체계가 기존의 ORCA025에서 eORCA025로 확장되었고, 빙붕의 이류를 라그랑지안빙산모델로 새롭게 구현하였다. 또한, 해빙을 기존에는 단일층으로 모의했으나, GloSea6에서는 다층 열역학 방정식이 도입되어 여러 층으로 나누어 처리하게 되었다.

본 연구에서는 8개의 앙상블 멤버를 사용하여 45일 모의를 통해 산출한 2020년 6월의 전지구 월평균장을 대상으로 500 hPa 지위고도장, 남북풍의 동서평균장, 1.5 m 지상기온, 강수, 해수면온도에 대해서 GloSea6의 모의 결과가 보여주는 특성을 GloSea5의 결과와 비교하여 분석하였다. 500 hPa 지위고도장과 남북풍의 동서평균장의 경우, 적도 지역에서 개선을 확인할 수 있었다. 1.5 m 지상기온의 경우에도 미 대륙, 유럽내륙, 호주 등에서 오차가 개선되었으며, 특히 한반도에서는 폭염 예측 성능 개선의 가능성을 확인할 수 있었다. 또한, 강수 모의에서도 인도양, 적도 중앙태평양과 한반도 남쪽의 장마전선 모의에 있어서 더 나아진 결과를 보였다. 해수면온도 모의에서는 적도 동태평양을 제외한 열대와 중위도의 많은 지역에서 개선된 결과를 확인하였다.

GloSea6의 기후학적 특성에 대한 검증은 이 논문의 Part 2에서 장기간 기후모의자료 생산을 통해 이루어질 예정이다. 향후 GloSea6의 현업화를 통해 보다 개선된 예측 정보를 제공함으로써 장기예보 정확도 향상에 기여하고자 한다.


Acknowledgments

이 연구는 기상청 국립기상과학원 「기후예측 현업 시스템 개발」(KMA2018-00322)의 지원으로 수행되었습니다.


References
1. Adcroft, A., and J.-M. Campin, 2004: Rescaled height coordinates for accurate representation of free-surface flows in ocean circulation models. Ocean Model., 7, 269-284.
2. Adler, R. F., and Coauthors, 2018: The Global Precipitation Climatology Project (GPCP) monthly analysis (New version 2.3) and a review of 2017 global precipitation. Atmosphere, 9, 138.
3. Arakawa, A., 1966: Computational design for long-term numerical integration of the equations of fluid motion: Two-dimensional incompressible flow. Part I. J. Comput. Phys., 1, 119-143.
4. Baran, A. J., P. Hill, D. Walters, S. C. Hardman, K. Furtado, P. R. Field, and J. Manners, 2016: The impact of two coupled cirrus microphysics-radiation parameterizations on the temperature and specific humidity biases in the tropical tropopause layer in a climate model. J. Climate, 29, 5299-5316.
5. Beckmann, A., and R. Döscher, 1997: A method for improved representation of dense water spreading over topography in geopotential-coordinate models. J. Phys. Oceanogr., 27, 581-591.
6. Bernie, D. J., S. J. Woolnough, J. M. Slingo, and E. Guilyardi, 2005: Modeling diurnal and intraseasonal variability of the ocean mixed layer. J. Climate, 18, 1190-1202.
7. 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.
8. Bigg, G. R., M. R. Wadley, D. P. Stevens, and J. A. Johnson, 1997: Modelling the dynamics and thermodynamics of icebergs. Cold Reg. Sci. Technol., 26, 113-135.
9. Bitz, C. M., and W. H. Lipscomb, 1999: An energy-conserving thermodynamic model of sea ice. J. Geophys. Res. Oceans, 104, 15669-15677.
10. 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.
11. Boutle, I. A., and S. J. Abel, 2012: Microphysical controls on the stratocumulus topped boundary-layer structure during VOCALS-Rex. Atmos. Chem. Phys., 12, 2849-2863.
12. Boutle, I. A., S. J. Abel, P. G. Hill, and C. J. Morcrette, 2014: Spatial variability of liquid cloud and rain: observations and microphysical effects. Q. J. R. Meteorol. Soc., 140, 583-594.
13. Bowler, N. E., A. Arribas, S. E. Beare, K. R. Mylne, and G. J. Shutts, 2009: The local ETKF and SKEB: upgrades to the MOGREPS short-range ensemble prediction system. Q. J. R. Meteorol. Soc., 135, 767-776.
14. 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.
15. 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.
16. Derbyshire, S. H., A. V. Maidens, S. F. Milton, R. A. Stratton, and M. R. Willett, 2011: Adaptive detrainment in a convective parametrization. Q. J. R. Meteorol. Soc., 137, 1856-1871.
17. Edson, J. B., 2009: Review of air-sea transfer processes. Conf. Paper, ECMWF workshop on atmosphere-ocean interactions 2008, European Centre for Medium-Range Weather Forecasts, 7-24.
18. Edwards, J. M., and A. Slingo, 1996: Studies with a flexible new radiation code. I: Choosing a configuration for a largescale model. Q. J. R. Meteorol. Soc., 122, 689-719.
19. Field, P. R., A. A. Hill, K. Furtado, and A. Korolev, 2014: Mixed-phase clouds in a turbulent environment. Part 2: Analytic treatment. Q. J. R. Meteorol. Soc., 140, 870-880.
20. Flocco, D., D. L. Feltham, and A. K. Turner, 2010: Incorporation of a physically based melt pond scheme into the sea ice component of a climate model. J. Geophys. Res. Oceans, 115, C08012.
21. 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.
22. Grant, A. L. M., 2001: Cloud-base fluxes in the cumulus-capped boundary layer. Q. J. R. Meteorol. Soc., 127, 407-421.
23. Gregory, D., and P. R. Rowntree, 1990: A mass flux convection scheme with representation of cloud ensemble characteristics and stability-dependent closure. Mon. Wea. Rev., 118, 1483-1506.
24. Gregory, D., and S. Allen, 1991: The effect of convective scale downdraughts upon NWP and climate simulations. 9th conference on numerical weather prediction, Denver, Colorado, Amer. Meteor. Soc., 122-123.
25. Hersbach, H., and D. Dee, 2016: ERA5 reanalysis is in production. ECMWF Newslett., 147, 7.
26. Hill, P. G., J. Manners, and J. C. Petch, 2011: Reducing noise associated with the Monte Carlo Independent Column Approximation for weather forecasting models. Q. J. R. Meteorol. Soc., 137, 219-228.
27. Hill, P. G., C. J. Morcrette, and I. A. Boutle, 2015: A regimedependent parametrization of subgrid-scale cloud water content variability. Q. J. R. Meteorol. Soc., 141, 1975-1986.
28. Hirsch, A. L., J. Kala, A. J. Pitman, C. Carouge, J. P. Evans, V. Haverd, and D. Mocko, 2014: Impact of land surface initialization approach on subseasonal forecast skill: A regional analysis in the Southern Hemisphere. J. Hydrometeor., 15, 300-319.
29. Hollingsworth, A., P. Kållberg, V. Renner, and D. M. Burridge, 1983: An internal symmetric computational instability. Q. J. R. Meteorol. Soc., 109, 417-428.
30. 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.
31. Jin, Z., Y. Qiao, Y. Wang, Y. Fang, and W. Yi, 2011: A new parameterization of spectral and broadband ocean surface albedo. Opt. Express, 19, 26429-26443.
32. Khairoutdinov, M., and Y. Kogan, 2000: A new cloud physics parameterization in a large-eddy simulation model of marine stratocumulus. Mon. Wea. Rev., 128, 229-243.
33. 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. (in Korean with English abstract)
34. Kobayashi, S., and Coauthors, 2015: The JRA-55 reanalysis: General specifications and basic characteristics. J. Meteor. Soc. Japan Ser.Ⅱ, 93, 5-48.
35. 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. No. NCAR/TN-460+STR, 105 pp.
36. Larson, J., R. Jacob, and E. Ong, 2005: The Model Coupling Toolkit: A new fortran90 toolkit for building multiphysics parallel coupled models. Int. J. High Perf. Comp. App., 19, 277-292.
37. Lee, H., P.-H. Chang, K. 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. (in Korean with English abstract)
38. 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. (in Korean with English abstract)
39. 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. (in Korean with English abstract)
40. Lock, A. P., 2001: The numerical representation of entrainment in parameterizations of boundary layer turbulent mixing. Mon. Wea. Rev., 129, 1148-1163.
41. Lock, A. P., A. R. Brown, M. R. Bush, G. M. Martin, and R. N. B. Smith, 2000: A new boundary layer mixing scheme. Part I: Scheme description and single-column model tests. Mon. Wea. Rev., 128, 3187-3199.
42. 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.
43. 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.
44. Madec, G., 2008: NEMO ocean engine. Note du Pôle de modélisation de l'Institut Pierre-Simon Laplace 27, 300 pp.
45. Marsh, R., and Coauthors, 2015: NEMO-ICB (v1.0): interactive icebergs in the NEMO ocean model globally configured at eddy-permitting resolution. Geosci. Model Dev., 8, 1547-1562.
46. Mathiot, P., A. Jenkins, C. Harris, and G. Madec, 2017: Explicit representation and parametrised impacts of under ice shelf seas in the z* coordinate ocean model NEMO 3.6. Geosci. Model Dev., 10, 2849-2874.
47. Mogensen, K. S., M. A. Balmaseda, A. Weaver, M. Martin, and A. Vidard, 2009: NEMOVAR: A variational data assimilation system for the NEMO ocean model. ECMWF Newslett., 120, 17-21.
48. Paolino, D. A., J. L. Kinter III, B. P. Kirtman, D. Min, and D. M. Straus, 2012: The impact of land surface and atmospheric initialization on seasonal forecasts with CCSM. J. Climate, 25, 1007-1021.
49. Pearson, K. J., G. M. S. Lister, C. E. Birch, R. P. Allan, R. J. Hogan, and S. J. Woolnough, 2014: Modelling the diurnal cycle of tropical convection across the ‘grey zone’. Q. J. R. Meteorol. Soc., 140, 491-499.
50. Prodhomme, C., F. Doblas-Reyes, O. Bellprat, and E. Dutra, 2016: Impact of land-surface initialization on sub-seasonal to seasonal forecasts over Europe. Climate Dyn., 47, 919-935.
51. Ridley, J. K., E. W. Blockley, A. B. Keen, J. G. L. Rae, A. E. West, and D. Schroeder, 2018: The sea ice model component of HadGEM3-GC3.1. Geosci. Model Dev., 11, 713-723.
52. Rodgers, K. B., and Coauthors, 2014: Strong sensitivity of Southern Ocean carbon uptake and nutrient cycling to wind stirring. Biogeosciences, 11, 4077-4098.
53. Rothman, L. S., and Coauthors, 2013: The HITRAN2012 molecular spectroscopic database. J. Quant. Spectrosc. Radiat. Transfer, 130, 4-50.
54. Roullet, G., and G. Madec, 2000: Salt conservation, free surface, and varying levels: A new formulation for ocean general circulation models. J. Geophys. Res. Oceans, 105, 23927-23942.
55. Sanchez, C., K. D. Williams, and M. Collins, 2016: Improved stochastic physics schemes for global weather and climate models. Q. J. R. Meteorol. Soc., 142, 147-159.
56. Scaife, A. A., N. Butchart, C. D. Warner, and R. Swinbank, 2002: Impact of a spectral gravity wave parameterization on the stratosphere in the Met Office Unified Model. J. Atmos. Sci., 59, 1473-1489.
57. Simmons, H. L., S. R. Jayne, L. C. S., Laurent, and A. J. Weaver, 2004: Tidally driven mixing in a numerical model of the ocean general circulation. Ocean Modelling, 6, 245-263.
58. Smith, R. N. B., 1990: A scheme for predicting layer clouds and their water content in a general circulation model. Q. J. R. Meteorol. Soc., 116, 435-460.
59. Storkey, D., and Coauthors, 2018: UK Global Ocean GO6 and GO7: a traceable hierarchy of model resolutions. Geosci. Model Dev., 11, 3187-3213.
60. Tennant, W. J., G. J. Shutts, A. Arribas, and S. A. Thompson, 2011: Using a stochastic kinetic energy backscatter scheme to improve MOGREPS probabilistic forecast skill. Mon. Wea. Rev., 139, 1190-1206.
61. UK Met Office, 2005: OSTIA L4 SST Analysis. Ver. 1.0. PO.DAAC, CA, USA. Dataset accessed [2020-06-01].
62. Valcke, S., 2013: The OASIS3 coupler: a European climate modelling community software. Geosci. Model Dev., 6, 373-388.
63. 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.
64. Walters, D. N., and Coauthors, 2019: The Met Office Unified Model Global Atmosphere 7.0/7.1 and JULES Global Land 7.0 configurations. Geosci. Model Dev., 12, 1909-1963.
65. Warner, C. D., and M. E. McIntyre, 2001: An ultrasimple spectral parameterization for nonorographic gravity waves. J. Atmos. Sci., 58, 1837-1857.
66. Williams, K. D., and Coauthors, 2015: The met office global coupled model 2.0 (GC2) configuration. Geosci. Model Dev., 8, 1509-1524.
67. Williams, K. D., and Coauthors, 2017: The Met Office Global Coupled Model 3.0 and 3.1 (GC3.0 and GC3.1) configu rations. J. Adv. Model. Earth Sys., 10, 357-380.
68. Wilson, D. R., and S. P. Ballard, 1999: A microphysically based precipitation scheme for the UK Meteorological Office Unified Model. Q. J. R. Meteorol. Soc., 125, 1607-1636.
69. Wilson, D. R., A. C. Bushell, A. M. Kerr-Munslow, J. D. Price, and C. J. Morcrette, 2008a: PC2: A prognostic cloud fraction and condensation scheme. I: Scheme description. Q. J. R. Meteorol. Soc., 134, 2093-2107.
70. Wilson, D. R., A. C. Bushell, A. M. Kerr-Munslow, J. D. Price, C. J. Morcrette, and A. Bodas-Salcedo, 2008b: PC2: A prognostic cloud fraction and condensation scheme. II: Climate model simulations. Q. J. R. Meteorol. Soc., 134, 2109-2125.
71. Wood, N., and Coauthors, 2014: An inherently mass-conserving semi-implicit semi-Lagrangian discretization of the deep-atmosphere global non-hydrostatic equations. Q. J. R. Meteorol. Soc., 140, 1505-1520.
72. Xie, P., and P. A. Arkin, 1997: Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs. Bull. Amer. Meteor. Soc., 78, 2539-2558.
73. Zerroukat, M., and T. Allen, 2015: On the monotonic and conservative transport on overset/Yin-Yang grids. J. Comput. Phys., 302, 285-299.