Home

이 과정은 Fig. 1에서 ‘Step#1’에 해당되며 레이더 자료의 사전 처리, 연직 반사도 프로파일(Vertical Profile of Reflectivity, VPR) 생성 및 밝은 띠 보정(Bright Band Correction, BBC), 하이브리드 스캔 반사도(Hybrid Scan Reflectivity, HSR) 수행으로 이루어지며, 자세한 사항은 다음과 같다(Korea Meteorological Administration, 2012).

2.1.1 레이더 자료의 사전처리

레이더 자료를 이용하기 위한 전처리 과정으로 데이터 포맷변환(format transformation)과 품질관리(quality control)를 수행하게 된다. 데이터 포맷변환은 기상청의 레이더 사이트에서 서버로 전송한 UF(Universal Format) 형식의 파일을 NetCDF 형식의 파일로 변환하여 이후 과정의 알고리즘 적용에 용이하도록 하는 과정이다. 레이더 사이트별 UF 자료의 생성 주기는 일반적으로 8~10분이므로, 10분마다 UF 형식의 자료를 NetCDF 형식으로 변환한다. 다음으로 품질관리는 레이더 자료에서 지형클러터(ground clutter) 등의 비기상에코를 자동화된 과정을 통하여 제거하는 과정이다(Fig. 2). 품질관리를 위해 신경망(neural network) 기법(Lakshmanan et al, 2007, 2010)을 기반으로 구성된 WDSS (Warning Decision Support System)-II의 품질관리 알고리즘(Zhang et al., 2011)을 적용하였다. 레이더 반사도, 스펙트럼 폭, 지형자료 등에 대한 기상/비기상 에코의 통계적 특성을 품질관리 신경망에 입력하여 최종적으로 비기상 에코를 걸러내는 과정을 거치게 된다. 이렇게 각 레이더 사이트별로 품질관리된 자료를 이용하여 고도별 반사도 CAPPI를 생성하게 된다.

Fig. 2. 
A quality control procedure using the neural network technique (Korea Meteorological Administration, 2012).

2.1.3 하이브리드 스캔 반사도 기법

HSR 기법은 단일 레이더 자료에서 지형의 영향을 최소로 받는 최저 고도각(elevation)의 반사도 자료를 조합하여 하나로 만드는 기법이다(O’Bannon, 1997). 단일 HSR (Single HSR, SHSR)은 가장 낮은 고도각 4개의 자료를 선택적으로 합성해 만들어지며, Fig. 3은 SHSR의 합성 과정을 나타낸다. Figure 3에서 보는 바와 같이, 처음에는 가장 낮은 고도각에서 반사도를 취하게 되며, 산이나 건물 등의 장애물에 의해 차폐되어 반사도가 존재하지 않거나 품질이 낮다면 그 다음 거리부터는 바로 위 고도각의 반사도를 취하는 방법을 반복수행하게 된다. 최종적으로 4개의 가장 낮은 고도각에서 반사도 자료를 선택·조합하는 방법으로 SHSR을 만들게 된다. 모든 레이더 사이트의 SHSR이 만들어지면, HSR 합성(서로 다른 레이더의 SHSR을 합성) 과정을 수행하게 된다. HSR 합성을 위해 다음과 같은 식과 가중치를 적용하게 된다(Zhang et al., 2011).

Fig. 3. 
A concept of the hybrid scan reflectivity method(Maddox et al., 2002).

여기서 w는 i번째 레이더의 가중치, L과 H는 스케일지수, d는 레이더로부터의 거리, h는 반사도 고도를 나타내며 본 연구에서 L은 50 km, H = 2 km로 적용되었다.

사전처리 단계에서 품질관리된 각 레이더 사이트별 자료는 3차원 격자 공간과 빔의 각도 차이, 거리와 시간 차이를 보정하고 이러한 과정을 통해 얻은 가중치를 이용해 각 레이더 사이트의 반사도별 가중평균을 구해 3차원 반사도 합성 자료를 생성한다(Fig. 1의 Step#2). 레이더 자료는 거리, 방위각, 고도각으로 이루어진 구좌표계이므로 이를 위도와 경도로 이루어진 위경도 좌표계로 바꾸어야 한다. 좌표계 변환을 위해 아래 식을 이용한다(Korea Meteorological Administration, 2012).

여기서 h_g는 고도, a_g는 위도, β_g는 경도, h_r는 레이더 지점의 고도, a_r은 레이더 지점의 위도, β_r은 레이더 지점의 경도, R은 지구의 반지름, a는 방위각, e는 고도각, s는 지구 곡면을 따라가며 잰 거리, r은 레이더로부터 물체까지의 직선거리이다. 또한 임의의 중첩되는 단위 공간(voxel)에서 각 레이더 사이트별로 관측한 반사도의 합성은 다음과 같은 방법으로 구하게 된다.

여기서 Z_com은 합성반사도, Z_i는 i번째 레이더 사이트에서 관측한 반사도, δ_i는 i번째 레이더 사이트의 반사도에 대한 가중치이며, 가중치는 거리와 시간차의 함수이다.

이 단계에서는 반사도뿐만 아니라 레이더 볼륨관측자료의 각 열에 존재하는 누적된 수증기량을 나타내는 연직적분 액체수함량(Vertically Integrated Liquid, VIL)과 연직적분 액체수함량 밀도(VIL Density, VILD)도 구한다. 이 두 자료 모두 다음과정인 강수유형 분류에 적용된다.

본 단계는 Fig. 1의 Step#3에 해당하며, 크게 세 가지로 나뉜다. 우선 강수유형을 분류하고, 다음으로 분류된 강수유형에 따라 강수량을 추정하며, 마지막으로 강수량을 보정하는 과정을 거친다.

2.3.1 강수유형 분류

강수유형 분류에서는 전단계에서 산출된 합성 반사도 CAPPI, VIL, VILD, VPR, HSR 반사도 등과 지상관측자료 및 수치예보모델의 자료를 이용하여 강수유형을 분류한다. 관측자료인 지면 온도, 지면 습구온도 등은 AWS (Automatic Weather Station)로부터 구하며, 낙뢰발생 관측자료도 사용한다. 고도별 온도자료는 기상청 동네예보의 기반이 되는 KLAPS (Korea Local Analysis and Prediction System) 초단기예보모델 분석자료에서 취득하여 영하 10의 고도를 구하며, 이는 강수유형 분류의 기준 중 하나가 된다. 또한 10분 단위(레이더 자료 산출 주기 기준)로 수행되는 레이더자료 처리 프로세스와 입력 자료로 사용되는 KLAPS, AWS 등의 자료 생성 주기와 공간 해상도가 다르므로, 레이더 자료를 기준으로 시간(10분)과 공간 해상도(1 × 1 km)가 일치하도록 가공하여 사용한다. RMQ 시스템에서는 강수 유형을 눈(snow), 우박(hail), 열대형(warm), 층상형(stratiform), 대류형(convective)의 5가지로 분류하며, 강수유형 분류에 대한 흐름도는 Fig. 4와 같다(Xu et al., 2008; Zhang et al., 2008).

Fig. 4. 
A flowchart of the precipitation classification method(Zhang et al., 2011).

2.3.2 레이더 강수량 추정

강수량 추정단계에서는 HSR 자료로부터 픽셀별 반사도 Z (dBZ)를 읽어 강수유형 분류에 따라 해당되는 Z-R 관계식에 대입하여 시간당 강수량 R (mm hr⁻¹)을 구하게 된다. 누적 강수량은 시간당 강수량을 시간에 대해 적분하여 추정하게 된다. 각 강수유형별 적용되는 Z-R 관계식은 아래와 같으며, 강수량 추정에서 우박에 대한 Z-R 관계식은 제외한다(Zhang et al., 2011).

2.3.3 지상 우량계를 이용한 강수량 보정

본 단계에서는 추정된 강수량을 지상우량계(AWS)를 이용하여 보정하는 기법인 국지우량계보정(Local Gauge Correction, LGC)(Ware, 2005) 기법을 적용하였다. LGC 기법은 역거리가중법(inverse distance weight)을 개선한 방법으로 AWS에서 관측된 강수와 레이더로부터 산출된 강수의 오차에 가중치를 적용하게 되며, 가중치는 관측하는 레이더와 관측반경 안에 존재하는 AWS의 거리에 따라 가중치를 추정한다. LGC 기법을 이용하여 강수량을 보정하는 과정은 다음과 같다.

레이더 반경 안의 어떤 지점(혹은 픽셀) i에서 보정된 강수량 추정치를 r_LGC, 강수량 추정치를 r, 추정된 레이더오차를 R_e라고 하면 다음과 같이 정의할 수 있다.

다음으로 r_LGC와 AWS 관측강수 g_i의 차이를 E_i로 정의하면 식 (6)과 같으며, E_i 역시 b와 D의 함수이다.

오차 E_i에 대한 MSE (Mean Square Error)는 식 (7)과 같으며, MSE 역시 b와 D의 함수이다. 반복수행을 통하여 MSE가 최소가 되는 b와 D를 찾게 되며, 이를 이용하여 최종적인 강수량 추정치 r_LGC를 사용하게 된다.

특히, 식 (5)에서 R_e 계산하기 위하여 가중치가 적용되며, 식 (8)과 같다.

조건1) AWS 수가 충분한 경우, w_i= (if d_j ≤ D) 혹은 0 (if d_j > D)

조건2) AWS 수가 충분하지 않은 경우,

여기서 R_e는 추정된 레이더 가중평균 오차, e는 AWS의 관측강수(g_i)와 레이더로부터 추정된 강수(r_i)의 오차, w는 오차의 가중치, j는 해당되는 AWS의 수, n은 레이더 관측반경 내에 존재하는 AWS의 수, d는 AWS와 레이더 픽셀의 거리, D는 레이더의 영향반경, b는 d의 가중치, α는 영향계수이다. α값이 1보다 크다면 강우보정을 위한 AWS의 수가 충분하는 것이며, α값이 1보다 작다면 강우보정을 위한 AWS의 수가 불충분하다는 의미이기 때문에 가중치에 영향계수 α를 곱하여 수정된 가중치를 적용하게 된다.

식 (5)~식 (7)까지의 과정이 끝나면 주변 예상 오차와 큰 차이를 보이는 우량계를 제외하는 우량계 품질관리 과정을 거치게 된다. 전체 우량계 중 10%의 우량계가 제외되면 과정이 멈추게 되며, 이 때 산출되는 r_LGC는 LGC 기법을 적용한 보정된 레이더 강수량이다. 또한 지상 우량계를 중심으로 반경 10 km 이내의 픽셀에 대해 구해진 오차(R_e)와 AWS 관측강수(g_i)의 오차(E_i)의 차이가 5 mm 이하인 픽셀의 개수가 전체 격자수의 25% 미만인 우량계에 대해 ‘이상(abnormal)’ 우량계로 지정하여 사용하지 않았다. ‘이상’ 우량계를 제외한 나머지 자료를 바탕으로 앞에서 설명한 강수량 보정 과정을 다시 수행하게 된다. 위의 과정을 4회 반복수행한 후 최종적으로 강수량 보정 과정이 종료되나 ‘이상’ 우량계의 비율이 7%가 넘어도 강수량 보정 과정이 멈추게 된다.

본 연구에서 RMQ 시스템의 검증을 위한 적용지역으로 우리나라 전역을 대상으로 하였으며, 적용기간은 2012년 6월부터 8월까지의 강우발생 사례 중 5개의 사례를 선정하였다(Table 2 참조). RMQ 시스템의 입력자료는 AWS 관측강수자료(전국 642개소), KLAPS의 온도자료, 뇌우자료(전국 21개소), 레이더 반사도 자료(전국 11개 사이트: 백령도, 관악산, 오성산, 진도, 고산, 광덕산, 강릉, 면봉산, 구덕산, 성산, 인천)이다. Table 3은 RAR 시스템과 RMQ 시스템의 입력자료를 비교하였다.

본 장에서는 2012년 여름사례 중 선정된 사례에 대하여 RMQ 시스템의 결과를 단계별로 나누어 분석하였다. 다음으로 RMQ 시스템의 강수량 추정 정확성과 개선정도를 평가하기 위해 RAR 시스템의 결과와 비교하였다. RMQ와 RAR 시스템의 강수량 추정 정확성을 검증하기 위해 평가지수로서 제곱근오차(Root Mean Square Error, RMSE)와 상관계수(correlation coefficient)를 이용하였으며, 시각적인 검증을 위해 RMQ와 RAR 시스템에서 생산되는 전국 강수분포 표출 영상을 AWS의 전국 관측 강수분포 영상과 비교·분석하였다.

본 연구에서는 레이더 자료 입력, 자료변환, 품질관리, HSR, 3D 합성, 강수유형분류, 강수산출, 최종적으로 강수보정 단계(Fig. 5 참조)까지 여름철 사례에 대하여 수행하였으며, 우선 2012년 7월 15일에 발생한 강수사례(사례#3)에 대하여 각 단계별 주요 결과에 대하여 살펴보았다. 이 사례는 남해상에 위치한 장마전선으로 인하여 전국적으로 많은 강우가 발생하였고, 특히 부산지역에 누적강수 최고 260 mm가 발생한 사례이다. Figure 6(a)는 2012년 7월 15일 13시 1시간 누적 강수량 분포이다.

Fig. 5. 
A flowchart of the RMQ data processing (Korea Meteorological Administration, 2012).

Fig. 6. 
Simulation results of the RMQ system in Event#3 (1300 LST on 15 July in 2012).

RMQ 시스템에서는 고도별 반사도 CAPPI 영상과 HSR 반사도 영상을 산출한다. Figure 6(b)는 1.5 km와 4.0 km 반사도 CAPPI와 HSR 반사도 영상을 나타낸다. 우선 1.5 km CAPPI와 HSR 반사도 영상을 비교하면, 1.5 km CAPPI 영상에서는 평안도 지역과 동해상 동북부 지역의 반사도(빨간 원)가 잘 나타나지 않으나 HSR 영상에서는 반사도가 넓은 영역에서 강하게 나타난다. 이러한 원인을 살펴보면, 1.5 km CAPPI 영상에서는 지형클러터(ground clutter)의 영향으로 반사도가 차폐되나 4.0 km CAPPI 영상에서는 지형클러터에 의한 차폐영향이 작아 빨간 원 영역에서 반사도가 강하게 표출된다. 하지만 고도상승의 영향으로 4.0 km CAPPI 영상은 경기북부와 강원도 지역(파란점선원 영역)에서 1.5 km CAPPI와 HSR 영상보다 반사도가 약하게 나타난다. 즉, 고도가 낮으면 반사도는 강하지만 지형클러터에 의한 차폐영역이 나타나며, 고도가 높으면 지형클러터에 의한 차폐영향은 감소하나 반사도가 약해지는 단점이 있다. RMQ 시스템에서는 HSR을 적용함으로써 고도별 CAPPI 영상에서 발생하는 단점들을 보완하여 지형클러터에 의한 차폐영향 없이 레이더 반사도를 잘 나타내고 있다.

다음으로 강수유형 분류를 수행하게 된다. Figure 6(c)는 2012년 7월 15일 1300 LST 사례의 강수유형 분류 결과와 낙뢰 영상을 나타낸다. 장마전선에 의해 집중호우가 발생한 경기와 강원도 북부지방, 남해상과 제주도 동쪽 해상 지역에는 반사도가 50 dBZ 이하이나 낙뢰가 발생하여 대류형(convective) 강우가, 다른 지역에서는 층상형(stratiform) 강우가 발생하였다.

마지막으로 강수량을 추정하게 된다. 또한 AWS 관측 강수자료를 이용하여 추정된 강수량을 보정하는 과정을 거치게 되며, 보정 전과 후의 추정 강수량 영상은 Fig. 6(d)와 같다. RMQ 시스템에 의해 추정된 강수량인 Fig. 6(d) 왼쪽 영상은 Fig. 6(b)의 RMQ 시스템 반사도 분포와 잘 일치한다. 그러나 이를 LGC 기법을 이용하여 보정한 결과[Fig. 6(d) 오른쪽 영상], 전체적으로 강수량이 증가하였으며, 특히 강수량 가장 많았던 부산지역을 중심으로 강수량이 상대적으로 강하게 표출되고 있어 AWS 관측 강수 영상과 가장 잘 일치한다. 따라서 약하게 추정되었던 강수량이 LGC 기법을 적용함으로써 지상 관측자료에 의해 보정되었음을 알 수 있다.

본 연구에서는 RMQ 시스템의 정확성과 개선정도를 평가하기 위하여 기존 기상청에서 운영 중인 RAR 시스템의 결과와 비교하였다. 비교사례는 2012년 여름철 사례 중 대표 5개 사례를 선정하였으며, 결과는 Table 4 및 Fig. 7과 같다.

Table 4를 살펴보면, 지상 관측자료와 RAR 시스템 추정 강수량의 평균 RMSE는 8.33 mm hr−1(최소 2.75에서 최대 13.76 mm hr−1), RMQ 시스템 추정 강수량의 평균 RMSE는 2.36 mm hr−1(최소 0.62에서 최대 5.03 mm hr−1)으로 RMQ 시스템의 강수량 추정 정확성이 RAR 시스템에 비하여 상대적으로 우수하였다. 사례별로 보면, RMQ 시스템이 RAR 시스템에 비해 RMSE에서는 58.30%부터 최대 87.44%까지 평균 73.25% 향상되었으며, 상관계수에서는 최소 1.78%부터 최대 49.54%까지 평균 25.56% 정확성이 향상되었다. Figure 7은 사례#3(2012. 7. 15. 1300 LST)에 대하여 AWS, RAR 시스템, RMQ 시스템의 전국 강우합성장 분포이다. Figure 7을 보면, RAR 시스템의 강우 영상의 남해상 영역(빨간 원)에서 AWS 관측강수보다 다소 과대추정(overestimation)되고 있다. AWS 영상이 해상부분까지 나타나지는 않으나 해안을 따라 발생한 강수만 보면, RAR 시스템의 산출 강수량이 AWS보다 최대 10 mm hr⁻¹ 이상 강하게 나타나고 있다. 또한 수도권 부근의 강수도 RAR 시스템이 AWS에 비해 최대 20 mm hr⁻¹ 이상 강하게 표출된다. 이에 반해 RMQ 시스템의 강수는 남해상 부근뿐만 아니라 수도권 영역에서도 상대적으로 AWS 관측 강우에 가깝게 나타난다. 또한 제주도 동해상 부근의 강우 영상에서는 RMQ 시스템이 RAR 시스템에서 과소 추정하는 강우에코도 나타내고 있으며, 제주도 서해상 부근에서는 RAR 시스템이 RMQ 시스템보다 강우를 과대추정하고 있다.

Fig. 7. 
Comparison of precipitation composite images of the AWS, RAR, and RMQ system in Event#3.

따라서 단일편파 레이더로부터 얻은 2차원 반사도 합성장을 이용하여 강수를 산출하는 RAR 시스템보다 HSR, 3차원 반사도 합성, 다양한 관측변수 등을 이용하고 강수유형에 따라 적합한 강수추정식을 적용한 RMQ 시스템의 강수추정 정확성이 기존 RAR 시스템보다 정량적으로 향상된 결과를 나타냈다. 이는 RMQ 시스템을 적용함으로서 보다 정확한 강우 추정이 가능함을 의미한다.