Home

현업의 지면초기화 과정은 Kim et al. (2021)에 도식적으로 기술되어 있지만, 여기서 좀 더 자세히 설명하도록 한다(Fig. 1a). 지면모델에 의해 모의된 토양수분은 모델 의존도(model-dependent quantity)가 매우 높기 때문에 특정 지면모델에서 생산된 토양수분 정보가 다른 지면모델에서 사용되면 모델의 불일치가 발생될 수 있다(Koster et al., 2009). 기후모델의 계통적 오차를 제어하기 위해서 기상청에서는 자체 토양수분 생산시스템을 구축하여 GloSea6의 초기값으로 사용한다. 자체 토양수분 생산시스템의 지면모델은 JULES v5.6을 사용하고 있으며, 총 3단계로 구분된다(Fig. 1a).

Fig. 1. 
Schematic diagram of the land-initialization process in (a) current operational GloSea6 and (b) newly-developed data assimilation system in GloSea6. Green circled numbers indicate the product of soil moisture in each step.

첫 번째는 전처리 단계이다. JULES 입력자료는 강수, 기온, 습도, 기압, 풍속 자료이며, 6시간 간격의 ECMWF 재분석 자료 ERA5 (the fifth generation of ECMWF Re-Analysis; Hersbach and Dee, 2016)를 사용한다. ERA5는 실시간으로 제공되지 않기 때문에 현업에서는 4~5일 지연된 자료를 활용하고 있다. ERA5 격자 체계를 GloSea6 대기지면 모델 격자해상도 N216 (0.83° × 0.56°)으로 변형하기 위하여 기온, 습도, 기압, 풍속은 선형 보간법으로 내삽하고, 강수 및 장·단파 복사에너지는 mass conserving method를 활용하여 내삽한다. 또한 CMAP (The CPC Merged Analysis of Precipitation; Xie and Arkin, 1997) 강수 관측자료를 활용하여 입력 강수의 월평균이 CMAP과 동일하게 조정하는 선형 비례(linear scaling) 방법 기반의 강수 편차보정을 수행한다.

두 번째 단계는 지면모델 구동이다. 이를 위해 사용한 보조자료(ancillary data)는 GloSea6와 동일하게 사용하였다. Spin-up 과정을 위해 1981년부터 10년간 적분하였다. 하지만, 재분석 자료를 활용하여 생산된 토양수분을 기후모델에 직접 처방하는 경우, 사용된 기후값에 따라 오차가 발생하며, 이는 기후표류(climate drift)를 발생시키는 원인이 된다(Seo et al., 2016). 따라서, 지면모델로부터의 토양수분과 기후모델의 토양수분 값 사이의 큰 불일치를 보정(bias correction)하는 작업이 필수적이다. 이를 위해서 3번째 단계를 수행한다. 이는 후처리로서 두 번째 단계에서 생산된 토양수분의 기후값과 GloSea6를 장기 적분하여 산출된 토양수분 기후값을 CDF (Cumulative Distribution Functions) matching (Reichle and Koster, 2004; Scipal et al., 2008)을 활용하여 오차를 줄인다(Fig. 1a). 본 연구에서는 CDF matching을 위해 offline JULES는 1993.01.01~2020.12.31 자료를 활용하였으며, GloSea6 기후값을 위하여 GloSea6를 8년(1994.01.01~2001.12.31) 장기적분한 자료를 사용하였다. 토양수분은 시공간적 변동성이 매우 크기 때문에 모델에서 나타내는 토양수분의 통계적인 특성을 반영시키기 위해 365일에 대한 CDF 곡선을 생산한다. 이때 다양한 표본이 확보될 수 있도록 현업에서는 적용되는 날 기준으로 앞 뒤 15일, 총 31일에 해당하는 토양수분정보를 확보한다. 즉, CDF 곡선은 일별 및 격자별로 산출되므로, 매일 다른 CDF 곡선을 활용하게 된다.

다음 본 연구에서 GloSea6에 새롭게 적용된 지면초기화 방법에 대해서 기술하도록 한다. 현재의 현업시스템에서 offline JULES에서 생산된 토양수분을 배경장으로 하여 SMAP 위성관측자료를 LETKF 기법에 의해 자료동화하는 체계를 추가하였고, 여기서 생산된 토양수분 분석장은 현업과 마찬가지로 CDF matching을 수행하여 최종적으로 GloSea6의 초기장으로 입력된다(Fig. 1b). 자료동화시스템 LETKF 및 SMAP 관측자료에 대한 설명은 다음 장에서 각각 설명하도록 한다.

Offline-JULES 시스템에서 토양수분 생산을 위해 CMAP 자료를 활용하여 강수 보정을 수행하지만, 관측 및 CMAP 자료 생산을 위한 모델의 불확실성 등으로 오차가 발생되며, 이는 추후 GloSea6에 초기장으로 사용될 때 입력 자료의 오차를 발생시킬 수 있다. 이를 경감시키기 위한 한 방법으로 자료동화를 통해 관측 토양수분의 크기와 경향이 토양수분 초기장에 반영될 수 있는 방법들이 사용되는데, 본 연구에서 사용한 자료동화시스템은 LETKF (Hunt et al., 2007; Miyoshi and Yamane, 2007)으로서, Seo et al. (2021)과 동일하다. LETKF는 계산적으로 효율적이고 지점별로 제공되는 관측을 활용하여 고차원 모델 시스템에 쉽게 적용가능한 장점이 있다(Hutt, 2020). LEKTF에 대한 상세한 설명은 Seo et al. (2021)을 참고하도록 한다.

본 연구에서는 지면모델 4개층 중에 표층에 대해서만 자료동화를 수행하였다. LETKF에서 사용된 SMAP의 관측 오차는 0.038 m³ m^–3 (Chan et al., 2016)로 고정하여 사용하였으며, 별도의 스케일링을 적용하지 않았다. 한편, 배경장 오차 설정을 위해서 GloSea6에서 생산되는 앙상블 퍼짐(spread)을 불확실성으로 반영하였다. GloSea6에서 생산된 1~5일 지연된 4개의 앙상블 예측 토양수분 자료를 활용하였는데, 특정 분석일의 토양수분 배경오차를 산정하기 위해서 그 분석일을 예측한 1일에서 5일 전의 토양수분 예측자료의 앙상블 자료를 활용하였다(Fig. 2). 예를 들어, 2020년 5월 19일에 자료동화를 수행하기 위해 2020년 5월 13일부터 2020년 5월 18일(5일)에 GloSea에서 생산된 4개의 앙상블 멤버에서 산출된 총 20개의 2020년 5월 19일의 예측 토양수분 자료를 확보하여 앙상블 평균값을 제외한 섭동만을 추출한 후 offline JULES의 평균에 더하여 배경 오차를 구축하였다.

Fig. 2. 
Schematic figure of ensemble configuration of operational GloSea6 suite for generating background error at time T.

미국 National Aeronautics and Space Administration (NASA)에서 2015년에 발사한 SMAP (Entekhabi et al., 2010; 2012)의 복사계는 전지구 토양수분을 관측한다. SMAP은 단일 관측시스템으로 통합된 측정을 위해 L-band 레이더와 L-band 라디오미터(radiometer)를 사용한다. 수동형 마이크로파로 지표 토양수분을 9 km 및 36 km 해상도로 측정하도록 설계되었으며, 2015년 3월 31일부터 1일 간격의 전지구 토양수분 정보를 제공하고 있다. 토양 침투 깊이는 0~5 cm 깊이의 토양을 투과한다. 본 연구에서는 GloSea6에서 사용되는 지면초기장 자료와 유사한 시공간 해상도를 가지는 L-band 라디오미터에서 측정한 36 km 해상도를 가지는 level-3 (L3) 자료를 사용하였으며, 별도의 품질검사(QC) 과정을 수행하지 않았다.

본 연구에서는 현업 토양수분 생산시스템 대비 새롭게 적용된 지면초기화 과정의 효과를 보기 위해 두가지의 실험을 수행하여 분석하였다. 첫 번째 실험으로서, 가능한 장기간인 2018~2021년 4년간의 여름철에 대해 관측자료와 자료동화 효과의 통계적 특성을 분석하였다. 현업시스템의 offline JULES에서 생산된 토양수분을 배경장(Fig. 1 ①), SMAP 위성토양수분을 관측장(Fig. 1 ②), 이를 동화한 토양수분을 분석장(Fig. 1 ③)이라 명명하고, 배경장과 관측장의 기후적 특성 및 자료동화의 효과를 분석하였다. 실험은 여름철 기간 동안 일단위로 실시되었다. 이때 위성 관측자료를 활용하여 지면모델 기반의 표층 토양수분이 매일 동화되나 동화된 정보가 다음 스텝에서 다시 offline JULES에 반영되지는 않는다.

두 번째 실험으로서, 특정 폭염 사례를 선정하여 토양수분이 GloSea6 예측장에 미치는 영향을 분석하였다. 기존 현업과 마찬가지로 새로운 시스템에서 산출된 분석장에서 CDF 과정을 적용한 토양수분(초기장)을 NEW (Fig. 1 ⑤)라 명하였다. 반면, 기존 현업과정에서 생산되는 초기장은 CTL이라 명명하였다(Fig. 1 ④). 사례 선정을 위해 세계적으로 극한 폭염이 오랫동안 지속된 2020년 여름철에 주목하였다. 2020년의 경우 전지구적으로 기준기간(1981~2010년)보다 지면 평균온도가 0.6도 더 높았으며, 유럽과 유라시아 지역에서 기록적인 폭염이 기록되었다(Lopez, 2021). 따라서, 유럽을 포함한 유라시아지역(위도: 30~75°N; 경도: 10~180°E)을 대상으로 초기 토양수분에 따른 예측 변수에 대한 영향을 분석하였다. 이를 위해 현업과 동일한 환경을 설정하여 GloSea6를 구동하였다. 적분 기간은 3개월까지 설정하고 주별로 예측성을 분석하였다. 2020년 5월 19~25일(7일) 적분을 시작하고, 5월 14일부터 20일까지의 초기 토양수분 자료를 사용하였다. 7일간 생산된 예측장 정보는 일별 예측자료를 주별 평균하여 예측 정보의 공간장의 변화를 분석하였다.

본 장에서는 새롭게 개발된 지면초기화 시스템에서 사용된 2018~2021년 여름철 평균 SMAP 관측장을 offline JULES 배경장과 비교하였다(Fig. 3). 관측장(Fig. 3a)과 배경장(Fig. 3b)의 여름철 토양수분 전지구 평균의 차이는 –0.09 m³ m^–3으로 나타나 배경장에서 건조 편차가 나타난다(Fig. 3c). 즉, GloSea6의 JULES는 관측보다 지면을 건조하게 모의하고 있다는 사실을 보여준다. 지역적 차이를 보기 위해 Giorgi and Francisco (2000)가 분류한 지역 기준을 사용하여 평균적인 차이를 계산하였다. 관측장과 배경장의 차이가 가장 큰 지역은 동북아메리카(ENA), 그린랜드(GRL), 서북아메리카(WNA) 지역에서 각각 –0.13, –0.11, –0.06 m³ m^–3이다(Fig. 3c). 유럽의 경우 북유럽(NEU)에서 –0.06 m³ m^–3, 아시아의 경우 동남아시아(SEA), 남아시아(SAS), 동아시아(EAS)에서 각각 –0.06 m³ m^–3, –0.05 m³ m^–3, –0.02 m³ m^–3 차이를 나타냈다. 토양수분의 관측장이나 배경장은 공간적으로 경년 변화를 하나 전체적인 지역적 특성은 유사하게 나타났다.

Fig. 3. 
Global distributions of the averaged soil moisture contents from (a) SMAP observation and (b) background produced by offline JULES during July to August for 2018–2021. (c) denotes the averaged difference between background and SMAP observation. Green circled numbers are referred to those in Fig. 1.

이 장에서는 LETKF 자료동화를 수행해서 얻어진 분석장(Fig. 1b: ③)을 관측장 및 배경장과 통계적으로 비교하기 위해 4년 분석기간의 토양수분 분포를 확률밀도함수(pdf)로 도식하였다(Fig. 4). 먼저 전지구적인 분포를 살펴보면, 관측장의 경우 0.04~0.70 m³ m^–3 범위로 분포되며, 비교적 건조한 구간인 0.08~0.22 m³ m^–3의 범위에서 높은 빈도를 나타냈다(Fig. 4a). 반면, 배경장의 경우 매우 건조한 구간인 0.00~0.01 m³ m^–3에서 빈도가 가장 높게 나타났는데, 이렇게 매우 건조한 구간에서의 높은 빈도가 자료동화를 통하여 낮아진 결과를 확인할 수 있다. 유라시아 지역의 경우에서도 자료동화를 통해 분석장이 관측장의 통계적 특성을 유사하게 반영하게 된 것을 알 수 있다(Fig. 4b). 유라시아에서는 0.2 m³ m^–3 전후의 건조한 지역이 많이 분포하는 것으로 나타났고, 이를 중심으로 한 토양수분량 대부분 구간에서 자료동화는 낮은 배경장에 토양수분을 더해주는 효과를 보여주고 있다.

Fig. 4. 
The probability distribution function of surface soil moisture content as a fraction of saturation from SMAP retrievals (black), background (blue) and analysis (red) during summer season of 2018–2021.

전지구, 유라시아 지역 모두 배경장과 관측장의 차이는 비교적 건조한 곳에서 가장 크게 나타나고 있지만, 비교적 습한 곳에서도 관측장이 배경장보다 높은 빈도를 나타내고 있어서 토양수분의 대부분 구간에서 JULES가 토양수분을 상대적으로 건조하게 모의하고 있다는 것을 알 수 있다. 자료동화를 통해 생산된 분석장은 전지구 평균 0.13 m³ m^–3으로 배경장보다 8% 증가하여서 SMAP 관측자료의 동화 효과가 잘 반영되고 있음을 보여주며, 가장 빈도가 높게 나타난 구간은 0.06~0.09 m³ m^–3이다. 자료동화를 통해 여름철 분석장의 통계 특성이 관측장과 유사해졌으며, 전반적으로 여름철의 토양수분이 증가한 것을 알 수 있다.

SMAP 자료동화를 통해 생산된 분석장에 배경장을 뺀 분석 증분(analysis increments)을 분석해 보면, Fig. 3c에서 나타난 관측 증분의 형태가 대체로 반영되고 있다(Fig. 5a). 유럽, 알래스카, 일부 유라시아 지역에서 건조하게, 사막지역을 포함한 그 외 지역에서는 습윤하게 변화하였는데, 전반적으로 사막이나 산악지대에서는 습하게 변화시키고 있는 것으로 나타났다. 동화 효과는 평균적으로 사막지역에서 0.03 m³ m^–3, 북아메리카와 유럽지역은 0.02 m³ m^–3, 아시아는 0.01 m³ m^–3로 나타났다.

Fig. 5. 
(a) Analysis increment (analysis – background) and (b) different ratio (analysis increment/background) of soil moisture content averaged during summer season of 2018–2021. Green circled numbers are referred to those in Fig. 1.

또한, 배경장 토양수분 크기 대비 자료동화를 통한 효과를 분석하기 위하여 different ratio를 계산하였다(Fig. 5b). Different ratio는 변화의 정도를 측정하기 위한 것으로서 배경장 대비 분석장과 배경장의 차이를 비율로 나타낸 값이다. 그 결과, 자료 동화를 통해 배경장과 분석장의 차이는 사막지역을 제외한 지역에서 10%의 차이가 발생되는 것으로 나타났으며, 사막 지역은 배경장 평균 토양수분 자체가 매우 낮기 때문에 different ratio가 50% 이상으로 매우 크게 나타난다. 사막지역 외에 북유럽, 유라시아, 북아메리카 지역에서 그 차이가 크게 나타났으며, 사막 지역과 달리 건조하게 변화되었다.

지면초기화의 최종 산출물로서 GloSea6의 초기장으로 사용되는 토양수분의 위성관측 자료동화의 적용 유무에 따라 CTL과 NEW를 비교하였고, 또한 지면초기화 과정 중간 단계에서의 토양수분 변화를 표출하였다(Fig. 6). 이때, 1개월 장기예보에서 사용하는 것과 동일하게 1주일 동안(2020년 5월 14~20일)의 초기장을 분석하였다. 먼저, 현재 현업시스템의 지면초기화 과정을 통한 CTL의 산출 과정을 살펴본다. 유라시아 지역에서 offline-JULES에서 생산된 토양수분 배경장(Fig. 6a)과 CTL (Fig. 6b)을 비교하면, 대부분 지역에서 매우 습윤하게 변화한 모습이 나타난다(Fig. 6c). CDF matching 과정을 거친 결과, 전반적으로 상당히 큰 정도로 토양수분을 더해주는 방향으로 변화시킨 것을 알 수 있는데, 이는 offline JUELS가 GloSea6보다 건조했기 때문에 CDF matching을 통해 보정된 것으로 볼 수 있다.

Fig. 6. 
The initial soil moisture content of (a) background, (b) CTL, (c) the difference between CTL and background, (d) increments from background to analysis (the soil moisture assimilated by LETKF), (e) the difference of NEW from analysis and (f) the difference of NEW from CTL initialized during May 14–20, 2020. Green circled numbers are referred to those in Fig. 1.

다음, 새로운 지면초기화 시스템을 통한 NEW의 생산 과정을 살펴본다. LETKF를 통한 분석증분은 티벳고원과 그 북쪽의 중앙아시아 및 북부 동유럽은 습하게, 유럽이나 유라시아 동북부는 건조하게 변화시키고 있음을 나타내며, 증분의 크기는 Fig. 5a의 여름철 평균 분석증분과 지역적 편차만 있을 뿐 거의 비슷하다(Fig. 6d). 또한, 분석장이 CDF matching을 통해 최종적으로 NEW로 보정될 때, 그 차이(Fig. 6e)는 CTL의 동일한 과정의 결과(Fig. 6c)와 매우 유사한 모습을 보인다. 이들 CDF matching을 거친 크기의 변화들은 LETKF 자료동화 과정을 통해 변화된 분석증분(Fig. 6d)과 비교할 때, 상대적으로 큰 변화라고 볼 수 있다. 즉, CDF matching 과정을 거친 변화가 자료동화과정을 거친 변화보다 정량적인 측면에서 훨씬 크다는 것을 의미한다. 한편, 지면초기화의 최종 산출물인 NEW와 CTL의 차이(Fig. 6f)를 살펴보면, 분석증분(Fig. 6d)보다 평균적으로 크게 나타났는데, 새로운 지면초기화 과정이 티벳고원과 그 북쪽의 중앙아시아 지역의 고산지대는 습하게 만든 반면, 여름철 폭염이 발생한 유럽과 북유라시아 지역은 건조하게 변화시킨 것을 알 수 있다. 이는 초기화과정에서 CDF matching에 의해 토양수분을 GloSea6의 기후적 분포로 크게 변화시켰지만, 자료동화의 효과가 그만한 크기는 아니어도 NEW에 잘 반영되어 있다는 것을 보여준다.

한편, NEW와 CTL을 SMAP에 대해 절대오차를 구하면, NEW와 CTL 각각 0.09 및 0.08 m³ m^–3으로 거의 비슷하게 SMAP보다 습하게 나타나는데, 이는 대부분 CDF matching 과정에 의한 것으로 볼 수 있다. 결과적으로, 두 실험에서 모두 CDF matching으로 크게 습윤하게 변화되지만, NEW는 자료동화를 통해 그 크기는 작지만 중앙아시아와 같이 고도가 높거나 사막지역에서 보다 습윤하게, 유럽 지역 등은 반대로 건조하게 하는 효과를 잘 표현하고 있다. 참고로 유라시아 지역 전체에서의 토양수분은 SMAP은 0.20 m³ m^–3이며, NEW와 CTL은 0.29 m³ m^–3, 0.28 m³ m^–3로 서로 비슷하였다.

이 장에서는 CTL과 NEW를 토양수분 초기장으로 한 각각의 GloSea6 3개월 예측 결과에 대해 지상 기온 및 강수량의 예측성에 대해 평가하였다(Fig. 7). 주간별 규모(weekly time-scale)로 두 실험 간의 1, 5, 9, 12주의 예측장의 차이를 나타냈다. 먼저, 1.5 m 기온의 경우 유럽을 포함한 유라시아 일부 지역 등 NEW가 CTL보다 건조하게 처방된 지역을 중심으로 기온이 높게 나타나 지면의 효과가 1주에서부터 바로 나타나는 것으로 보인다(Fig. 7a). 이 1주 예측장의 차이는 앞 장에서 보인 분석증분(Fig. 6d) 또는 두 실험의 초기장 차이(Fig. 6f)와 유사한 형태를 갖는 것을 알 수 있다. 예측시간이 길어질수록 NEW와 CTL의 차이 및 그 공간 분포는 유사하지만 편차의 크기는 점점 커지고 있으며, 동유럽을 중심으로 한 지역에서 가장 큰 양의 편차가 나타나며, 동아시아에서도 약하게 양의 편차가 나타난다(Figs. 7b–c). 3개월 예측으로 가면서, 동유럽의 큰 양의 편차 지역은 동편으로 점차 이동하며, 동아시아 지역은 그 편차가 강화되는 모습을 보인다(Fig. 7d). 한편, 초기장에서 습윤 편차를 보인 티벳고원 및 그 북쪽의 중앙아시아에서는 오히려 음의 기온편차를 보이지 않는 것이 특징이다. 양의 기온편차가 나타난 지역은 Lim et al. (2021)에서 제시한 GloSea5에서의 여름철 건조한 토양수분량에 민감한 지역(지중해, 중앙아시아, 티벳고원)에 포함된다. GloSea6에서도 건조한 토양수분의 영향이 크게 나타난 것과 더불어 여름철 습윤하게 처방된 토양수분량에는 민감하지 않은 것을 알 수 있다.

Fig. 7. 
Difference between the 1.5 m air temperatures of GloSea6 summer 2020 forecasts initiated at late May from NEW and CTL for (a) 1-week, (b) 5-week, (c) 9-week, and (d) 12-week lead times in the left panel. The same as but for precipitation in the right panel.

강수 예측장을 분석한 결과, 1주 예측에서는 지역적 특성이 뚜렷하게 보이지는 않으나, 지상기온이 높게 예측된 지역에서 강수가 적게 나타내는 경향을 보이며, 전체적으로 NEW가 CTL보다 강수량이 적다(Fig. 7e). 예측시간이 길어질수록 NEW가 CTL보다 강수를 더 적게 모의하고 있어서 강수 편차는 시간이 지날수록 대체로 증가한다(Figs. 7e–h). 지역적으로 강수 편차는 기온편차와 반비례 관계를 보여, 유럽지역은 일관되게 강수량이 적은 편차를 보이며, 중앙아시아 지역에서는 대체로 강수의 감소가 나타난다. 동아시아 지역은 몬순지역으로서 강수 편차의 크기가 가장 크지만, 매우 국지적인 규모로 큰 차이를 보인다.

이상에서 예측된 지상기온 및 강수량의 편차 공간분포의 시간에 따른 변화를 분석한 바와 같이, 토양수분의 초기 편차에 의해 대기장에 미치는 영향이 예측기간인 2~3개월까지 나타나고 있음을 알 수 있는데, 이는 기후시스템의 중요한 지속성 요소인 토양수분이 관측을 통해 2~3개월 정도(Entin et al., 2000), 기후모델에서는 수주에서 수개월 정도(Koster and Suarez, 2001; Seneviratne et al., 2006)의 시간규모를 갖는다는 선행연구와 같이 GloSea6 예측에서도 토양수분 지속성(soil moisture memory)이 잘 나타나고 있다고 볼 수 있다.

두 실험의 예측성능을 평가하기 위해 ERA5 자료를 기준 근거로 활용하여 지상기온과 강수량에 대해 RMSE (Root Mean Square Error)를 계산하였다. 이때, 모델 자체의 체계적 편차(systematic bias)를 제외하기 위해서, 활용가능한 1993~2016년 기간의 GloSea6 hindcast 및 ERA5 자료를 사용하였다. CTL 및 NEW 각각의 예측 결과에 대해서 GloSea6 hindcast에 대한 아노말리를, ERA5에 대해서는 평균장에 대한 아노말리를 계산한 후 아노말리에 대한 RMSE를 계산하여 유라시아 육지 영역에 대한 월별 예측성능(NEW-CTL)을 산출하였다(Fig. 8). 먼저, 기온의 경우 예측기간 대부분 RMSE가 더 커져 예측성능은 안 좋아진 것을 알 수 있는데, 유라시아 서부에서 예측성능이 가장 떨어졌으며 유럽과 동아시아에서도 지속적으로 성능이 좋지 않았다(Figs. 8a–c). 반면, 3개월째인 8월에는 중앙아시아와 티벳고원 등의 반건조 지역에 긍정적인 효과가 나타났다. 두 실험 간의 편차를 나타낸 Fig. 7과 함께 해석한다면, NEW는 유라시아 대부분 지역에 높은 기온을 유도했고(Figs. 7a–d), 그것이 대체로 예측 오차를 크게 한 것으로 나타났다(Figs. 8a–c). 따라서, 본 사례 실험에서 지면초기화를 적용했을 때 기온에 관해서는 예측성능의 이득이 없다고 평가할 수 있다. 한편, 강수의 경우는 반대의 결과를 보여주는데, 예측기간 내내 유라시아 지역에 전반적으로 RMSE가 줄어들어서 예측성능이 좋아진 것을 알 수 있다(Figs. 8d–f). 특히 유럽지역과 유라시아 중부까지 폭넓게 긍정적인 효과가 있었다. 여름철 몬순지역에 위치한 동아시아 지역에서는 그 영향이 매우 국지적으로 혼재되어 나타나고 있어서 단정적으로 평가하기는 어렵다. 따라서, 본 사례 실험에서 적용한 지면초기화의 효과는 기온보다는 강수에 대해서 긍정적으로 나타나고 있음을 알 수 있다.

Fig. 8. 
Difference (NEW – CTL) of RMSEs of GloSea6 summer 2020 forecasts initiated at late May from NEW and CTL on (a) June and (b) July, and (c) August for 1.5 m air temperature anomalies in the left panel. The same as but for precipitation anomalies in the right panel.

Figure 8에서 계산된 RMSE를 유라시아 육지 지역에서 공간 평균하여 CTL과 NEW에 대해서 각각 주 단위로 표출하였다(Fig. 9). 또한, 계산된 CTL과 NEW 각각의 RMSE 차이가 통계적으로 유의한 것인지 알아보기 위해서 RMSE 값에 대해서 two-tailed t-test 99%의 신뢰도로 검증하여 표시하였다. 1.5 m 기온의 RMSE는 두 실험 모두 4주에서 가장 커졌다가, 그 후 대체로 감소하는 추세를 보인다(Fig. 9a). 두 실험의 차이를 보면, NEW가 3개월 예측기간 내내 더 큰 RMSE를 일관되게 나타냈다. 그 차이는 2주 예측에서 0.15℃로 가장 작았고, 9주 예측에서 0.44℃로 가장 컸다. 전체적으로 NEW는 CTL보다 유라시아 지역에서 예측기간 동안 평균적으로 더 높은 기온을 예측한 것으로 나타났고(Fig. 7), 관측과의 오차도 더 클 뿐 아니라, 전 예측기간에서 예측 성능의 차이가 통계적으로 유의하지 않았다. 해당 결과(Fig. 9a)를 통해, 새로운 지면초기화 방법의 적용은 1.5 m 기온 예측에 긍정적인 효과를 보이지 않았다. 반면, 두 실험의 강수에 대한 RMSE의 패턴은 6~7주까지 증가하다가 그 이후 완만히 감소하는 추세를 보이는데, 강수량에 대한 예측성은 지상기온과는 반대의 경향을 보여, NEW의 RMSE가 예측기간 내내 CTL보다 더 적게 나타났다(Fig. 9b). 두 실험의 RMSE 차이는 첫째 주와 10째 주를 제외한 모든 주에서 통계적으로 유의한 것으로 나타났다. 한편, 감소된 예측오차의 크기가 적으나, S2S 기간으로 여겨지는 2개월 예보와 그 이후까지도 새로운 토양수분 초기화과정이 적용된 효과가 나타나는 것으로 볼 수 있다.

Fig. 9. 
The weekly RMSEs of the GloSea6 forecasts averaged on Eurasia, initiated from NEW (red) and CTL (black) against ERA5 for (a) 1.5 m air temperature anomalies and (b) precipitation anomalies (include land region). The week numbers with asterisks are significantly exceeding the 99% confidence level.

한편, 이상의 사례실험의 결과는 한 특정 사례의 경우이고, 3개월까지의 계절 예측을 아노말리가 아닌 단정 예측값 자체로서 평가한 결과이다. 따라서, 기후 모델의 전반적인 예측성 평가를 위해서는 향후 hindcast 실험을 통한 기후기간 전체의 성능평가가 필요할 것이다. 또한, 이번 2020년 폭염 사례에 대한 실험에서 기온과 강수량의 예측성 향상이 서로 상반되는 방향으로 나타나는 것은 새로 적용된 토양수분 지면초기화의 각 과정을 면밀히 검토해봐야 할 사항이 있을 것이라는 것을 시사한다.