Journal Archive

기상예보는 예보대상기간에 따라 크게 초단기, 단기, 중기, 그리고 장기예보로 구분된다. 여기서 초단기, 단기, 그리고 중기예보는 각각 6시간, 3일, 그리고 10일 이내의 예보대상기간으로 정의되고, 장기예보는 10일 이상의 기간으로 정의된다. 기상예보는 현재의 상태를 이해할 수 있는 기상관측으로부터 시작된다. 기상관측에서 나타난 특징을 분석하여 현재와 미래의 상태를 진단하고 예상하며, 또한 수치모델 입력자료로 활용되어 미래를 예측할 수 있기 때문이다. 대한 민국 기상청은 지상 및 고층기상관측, 기상레이더, 기상위성, 이동형 기상관측차량, 기상항공기, 해양 기상관측선(기상1호), 그리고 수치예보모델 등을 운영하여 예보대상기간, 기상현상, 그리고 현상의 시공간적 규모에 따라 적절하게 활용하고 있다.

건설, 레저, 항공, 항만 물류 등 사회 여러 분야에서 예보 정확도 향상과 예보기간 확장 등 기상정보에 대한 사회적 요구사항이 증가하고 있다. 현재 중기예보 시 앙상블(ensemble) 예측자료의 의존도가 높은 실정이다. 기상청은 수치모델의 초기상태를 달리하여 다양한 앙상블 자료를 생산하여 예보 판단 자료로 활용하고 있다. 그러나 예보관이 중기예보를 생산할 때, 전체 앙상블 결과를 상세하게 분석하기에는 시간적으로 한계가 존재한다. 따라서 앙상블 예측자료의 활용성을 높이기 위해 간소화된 앙상블 예측자료의 제공이 요구된다. 따라서 유사 앙상블 자료를 그룹화하여 간소화된 시나리오 기반의 예보판단 자료 산출이 필요하다.

날씨유형 연구는 폭염, 호우, 가뭄, 대기질 등 다양한 기상현상에서 연구가 수행되어 왔다(Park and Lee, 1998; Goodess and Jones, 2002; Esteban et al., 2005; Hoinka et al., 2006; Vicente-Serrano and López-Moreno, 2006; Casola and Wallace, 2007; Kyselý, 2007; Huth et al., 2008; Fleig et al., 2010; Mukougawa and Mabuchi, 2012; Hisashi et al., 2013; Hsu and Cheng, 2016; Zhang et al., 2016). Yoon et al. (2018)은 종관기상관측장비(Automated Synoptic Observing System, ASOS)의 지상기온과 K-평균 군집분석(K-means clustering analysis)을 이용하여 한반도 폭염과 관련된 세가지 날씨유형을 분류하였고, 유형별로 폭염의 공간적 분포를 조사하였다. 이 연구결과는 날씨유형을 통해 폭염 지속시간, 영향 범위 등 예보에 직접적으로 활용될 수 있다. Lim and Seo (2018)는 인공신경망(artificial neural network)기법인 자기조직화지도(Self-Organizing Map, SOM; Kohonen, 1982) 기법을 이용하여 한반도 여름철 극한 온도와 관련된 북서태평양과 북대서양의 해수면온도 아노말리 두 가지 중요 원격상관패턴을 분류하였다.

Ohba et al. (2015)은 150mm day⁻¹ 이상 강수와 관련된 날씨유형을 분류하였고, 지역별로 상위 50위에 해당되는 집중호우 날씨유형 발생빈도를 조사하였다. Nguyen-Le et al. (2017)은 큐슈 북부지역의 집중호우예보 정확도 향상을 위해 장마기간 동안 100mm day⁻¹ 이상의 집중호우 사례에 대해 날씨유형 연구를 수행하였다. 대기질 날씨유형 연구로 Zhang et al. (2016)은 중북 북부지역의 계절별 대기질 변화를 분석하였고, Hsu and Cheng (2016)은 대만 윈린(Yunlin)의 Particle Matter 2.5 (PM 2.5) 농도에 영향을 미치는 기상조건을 조사하기 위해 바람장 자료를 이용해 군집분석을 수행하였다.

영국 기상청(Met Office)에서는 북대서양과 유럽지역을 포함하는 70^oW~50^oE, 25^oN~70^oN 영역(North Atlantic and European, NAE)에 대해 30개 날씨유형을 분류하여 중기예보 도구(medium-range forecasting tool) 및 수치모델 검증자료로 활용하고 있다(Fig. 1; Neal et al., 2016). 좌측 상단이 1번 유형, 우측 하단이 30번 유형을 나타내고, 유형 번호가 증가할수록 겨울철에 주로 발생하였다. 또한 유형에 따라 기압의 배치와 기류의 특징을 요약하였다. 30개 날씨유형 선정시 객관성을 위해 K-평균 군집분석을 사용하였고, 유형의 일관성을 확보하기 위해 1850~2003년(154년) 기간 동안의 장기간 European and North Atlantic daily to MULti-decadal climATE variability (EMULATE) MSLP (EMSLP) 자료를 활용하여 연구가 수행되었다.

Fig. 1. 
Definitions of 30 weather patterns. Shaded and contour indicate the Mean Sea Level Pressure (MSLP) anomalies and MSLP mean values (2 hPa intervals), respectively (Neal et al., 2016).

이 연구결과를 기초로 현상에 대한 분석과 예측 정확도 향상을 위해 영국기상청에서는 호우 및 가뭄, 산사태, 영국 해안가의 홍수 예보, 해양기상 등 다양한 예보 활용연구를 시도하고 있다(Neal et al., 2018; Richardson et al., 2018; Robbins et al., 2018; Steele et al., 2018). Neal et al. (2018)은 영국 해안가 홍수와 관련된 특정 날씨유형에 대한 정보를 활용하면 상대적으로 정확한 중기, 장기예보가 가능함을 보였다. Richardson et al. (2018)은 객관적으로 분류된 날씨유형을 이용하여 유럽 강수량 및 가뭄 경향 분석을 수행하였다. 이 연구결과는 예보 기초 정보로 활용하고 있고, 날씨유형 정보가 대규모 대기순환 분석에 유용함을 확인하였다. Robbins et al. (2018)은 7~30일 사이에 발생할 스코틀랜드 산사태 조기 경보를 위해 특정 날씨유형에서 발생하는 산사태를 분석하였다. 또한 파고, 해류 변화 등 해상 날씨정보를 제공하기 위한 연구가 날씨유형을 기초로 수행되었다(Steele et al., 2018).

한반도에서는 대설, 강풍, 가뭄, 폭염, 그리고 집중호우 등 특정 위험기상이 계절에 따라 뚜렷하게 발생한다. 따라서 장기간의 기상자료를 이용하여 계절별로 한반도 날씨를 결정하는 기압배치 등 동아시아 지역의 날씨유형을 이해하는 것이 중요하다. 그러나 과거 날씨유형 연구는 주로 위험기상과 관련된 사례 중심으로 수행되었고, 객관적 분석기법을 활용한 날씨유형 분류 연구는 아직까지 미흡한 실정이다. 본 연구에서는 장기간 재분석 자료와 객관적 분석기법(K-means clustering)을 활용하여 동아시아 지역의 대표 날씨유형을 분류하는데 목적이 있다. 이러한 결과는 기상청 중기예보 시 앙상블 자료의 효율적인 활용을 위해 시나리오 기반의 앙상블 예측자료 생산을 위한 자료로 활용될 것이다.

중기예보 시 앙상블 예측결과의 분류기준이 되는 동아시아 지역 대표 날씨유형 분류를 위해 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)에서 제공하는 ERA-Interim (ECMWF ReAnalysis-Interim; Dee et al., 2011) 평균해면기압(Mean Sea Level Pressure, MSLP) 자료를 이용하였다. 기간은 1981~2010년(30년)이고, 시공간적 분해능은 각각 일 간격 그리고 1.5^o 격자해상도이다(Table 1). 군집분석에 사용된 입력자료는 해면기압 값의 계절적 차이를 제거하기 위해 해면기압 아노말리(해당일-해당일 30년 평균)를 사용하였다. 또한 아노말리 계산시 평년치는 일 변동성을 줄이기 위해 1-2-1 이항필터링(binomial filtering) 기법을 적용하였다(Fereday et al., 2008).

연구방법은 객관적 군집분석 방법 중 K-평균 군집분석(K-means clustering analysis)을 활용하였다. K-평균 군집분석은 비계층적(non-hierarchical) 군집분석 기법 중 하나로 계산 속도가 빠르고 대용량 자료를 활용하여 군집을 분류하는데 효과적인 것으로 알려져 있다. K-평균 군집분석은 k개의 중심 값과 각 개별 데이터간의 거리를 계산하여 중심에서 가장 가까운 k개의 군집으로 묶는 알고리즘이다(MacQueen, 1967; Everitt, 1993; Lee and Park, 1999; Choi et al, 2009).

위험기상과 관련된 날씨유형을 분석하기 위해 1981~2010년(30년) 동안 95개 지점의 ASOS (Automated Synoptic Observing System) 자료를 이용하였다(Fig. 2). 본 연구에서는 극한 강수 그리고 기온과 관련된 위험기상 사례를 선정하기 위해 ASOS의 일 강수량, 최심 신적설, 일 최고기온, 그리고 최저기온 기상변수를 사용하였다(Table 1). 위험기상 선정기준은 극값 1%에 해당하는 사례로 선정되었다. 극값 1%는 일 강수량, 최심 신적설, 일 최고기온, 그리고 최저기온이 각각 > 110 mm day⁻¹, > 24 cm day⁻¹, > 34^oC, 그리고 < −14^oC에 해당하는 수치이다.

Fig. 2. 
Locations of 95 Automated Synoptic Observing Systems (ASOSs) over South Korea.

본 연구에서는 1981~2010년(30년) 동안의 ERA-IMSLP 아노말리 자료와 K-평균 군집분석을 활용하여 동아시아 지역의 대표 날씨유형을 분류하였다. 최적연구영역과 군집수를 설정하기 위해 EV와 ECV를 계산하였다. 최적 연구영역은 제시된 두 영역 중 EV 수치가 상대적으로 높은 값을 보인 20~60^oN, 100~150^oE(기상청 분석일기도 영역)을 선정하였다. 최적 군집수는 ECV 값이 포화되는 30개(k = 30)로 정의되었다. 선정된 연구영역에 대해 동아시아 지역을 대표하는 30개 날씨유형을 선정하였다(Fig. 5). 날씨유형 1번에서 유형 30번까지 발생빈도가 높은 순서에 따라 순차적으로 배치하였다. 날씨유형 번호가 증가할수록 해면 기압 아노말리의 강도가 강하게 나타났고, 반면 발생빈도는 상대적으로 낮았다. 낮은 날씨유형 번호는 전 계절에 걸쳐 발생하였지만 주로 여름철에 많이 발생하였다. 날씨유형 1번의 경우 주로 여름철(6~9월)에 발생빈도가 약 56%로 높게 발생하였다. 반면 높은 날씨유형 번호(25번 이상)는 겨울철에 발생빈도가 상대적으로 높았다.

날씨유형에 따른 위험기상의 발생일수를 조사하였다. 여기서 위험기상은 연구기간(30년) 동안 관측된 극값 1%에 해당하는 극한 강수현상과 극한 기온현상이다. 호우와 관련된 날씨유형은 1, 4, 9번 유형으로 10%(84, 51, 48일) 이상의 발생일수를 보였고, 주로 열적 대류성 강수현상 그리고 전선에 동반된 강수현상으로 판단된다. 또한 대설과 관련된 날씨유형은 28, 29번 유형으로 4%(9일) 그리고 6%(10일) 발생일수를 보였고, 시베리아 고기압과 관련이 있었다. 고온과 저온현상과 관련된 유형은 각각 날씨유형 1~4번 그리고 28~29번과 관련이 있었고, 발생일수는 각각 약 14~18%(73~131일) 그리고 27~29%(49~60일)로 분석되었다. 이러한 고온과 저온현상은 주로 여름철 북태평양고기압의 확장 그리고 겨울철 시베리아 고기압의 확장과 관련이 있었다.

이 연구 결과를 통해 계절별로 주로 발생하는 날씨유형을 확인할 수 있었고, 위험기상과의 관련성이 높은 날씨유형을 확인할 수 있었다. 이러한 결과는 향후 기상청 중기예보 시 시나리오 기반의 앙상블 예측자료 생산을 위해 활용될 것으로 기대된다. 그러나 본 연구에서는 일년 동안의 모든 날짜에 대해 군집분석을 수행하였기 때문에 폭염, 한파, 호우, 그리고 대설 등 위험기상 현상에 대해 직접적으로 적용하기에는 한계가 있을 것으로 판단된다. 향후 계절을 구분하거나 또는 위험기상을 현상별로 구분하여 날씨유형을 상세하게 분류하는 연구가 수행되어야 할 것이다.