[ Article ]

Atmosphere - Vol. 28, No. 3, pp.233-245

ISSN: 1598-3560 (Print) 2288-3266 (Online)

Print publication date 30 Sep 2018

Received 22 Feb 2018 Revised 16 May 2018 Accepted 07 Jul 2018

DOI: https://doi.org/10.14191/Atmos.2018.28.3.233

GloSea5 모형의 계절내-계절(S2S) 예측성 검정: Part 1. 북반구 중위도 지위고도

김상욱¹⁾ ; 김혜라¹⁾ ; 송강현¹⁾ ; 손석우¹⁾^{, *} ; 임유나¹⁾ ; 강현석²⁾^{, 3)} ; 현유경²⁾

1)서울대학교 자연과학대학 지구환경과학부
2)국립기상과학원 지구시스템연구과
3)기상청 수치모델링센터 수치모델개발과

Subseasonal-to-Seasonal (S2S) Prediction Skills of GloSea5 Model: Part 1. Geopotential Height in the Northern Hemisphere Extratropics

Sang-Wook Kim¹⁾ ; Hera Kim¹⁾ ; Kanghyun Song¹⁾ ; Seok-Woo Son¹⁾^{, *} ; Yuna Lim¹⁾ ; Hyun-Suk Kang²⁾^{, 3)} ; Yu-Kyung Hyun²⁾

1)School of Earth and Environmental Sciences, Seoul National University, Seoul, Korea
2)Earth System Research Division, National Institute of Meteorological Sciences, Jeju, Korea
3)Numerical Model Development Division, Numerical Modeling Center, Korea Meteorological Administration, Seoul, Korea

Correspondence to: ^* Seok-Woo Son, School of Earth and Environmental Sciences, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Korea. Fax: +82-2-883-4972 E-mail: seokwooson@snu.ac.kr

Abstract

This study explores the Subseasonal-to-Seasonal (S2S) prediction skills of the Northern Hemisphere mid-latitude geopotential height in the Global Seasonal forecasting model version 5 (GloSea5) hindcast experiment. The prediction skills are quantitatively verified for the period of 1991~2010 by computing the Anomaly Correlation Coefficient (ACC) and Mean Square Skill Score (MSSS). GloSea5 model shows a higher prediction skill in winter than in summer at most levels regardless of verification methods. Quantitatively, the prediction limit diagnosed with ACC skill of 500 hPa geopotential height, averaged over 30^oN~90^oN, is 11.0 days in winter, but only 9.1 days in summer. These prediction limits are primarily set by the planetary-scale eddy phase errors. The stratospheric prediction skills are typically higher than the tropospheric skills except in the summer upper-stratosphere where prediction skills are substantially lower than upper-troposphere. The lack of the summer upper-stratospheric prediction skill is caused by zonal mean error, perhaps strongly related to model mean bias in the stratosphere.

Keywords:

GloSea5, Subseasonal-to-Seasonal (S2S) prediction, prediction skill

1. 서 론

2주~2개월에 걸친 계절내-계절(Subseasonal-to-Seasonal; S2S) 시간규모에 대한 예보는 현업예측의 미개척 영역으로 알려져 있다. S2S 시간규모는 대기 초기조건의 메모리가 사라지는데 충분히 긴 시간임과 동시에, 해양이나 계절 변화와 같은 경계조건의 시간적 변화에 대한 영향을 받기에는 다소 짧은 시간이다. 때문에 그 동안 수치모형을 이용해 S2S 시간규모를 예측하고자 하는 시도는 상당한 어려움을 겪어왔다. 그럼에도 불구하고 단기 및 중기예보와 계절 단위 장기예보 사이의 이음새 없는 예보에 대한 수요가 증가하고, 위험기상 발생시 조기 대응을 위한 S2S 예측의 중요성이 강조되면서 S2S 시간규모 예측에 대한 관심은 지속적으로 확대되고 있다(Vitart et al., 2017). 이러한 사회경제적인 요구에 따라 2014년부터 WMO (World Meteorological Organization) WCRP (World Climate Research Programme) 등 국제기구의 주도 아래 S2S 시간규모의 예측능력 향상을 위한 국제 연구 프로젝트가 진행 중이다(WMO, 2013).

이러한 국제적 연구 흐름에 맞춰 국내에서는 기상청 현업 기후예측모형인 GloSea5 (Global Seasonal Forecasting Model Version 5)가 S2S 연구 프로젝트에 참여하고 있다. GloSea5 모형은 영국 MetOffice에서 개발한 HadGEM (Hadley Center Global Environment Model)을 기반으로 하는 앙상블 계절예측시스템이다(MacLachlan et al., 2015). 한국 기상청 및 국립기상과학원에서는 2010년 도입 이래 한ㆍ영 공동으로 계절예측시스템을 운용하고 있으며, 지속적인 개선을 통해 GloSea5-GC2 (Global Coupled Model 2.0)를 현업에 사용하고 있다.

모형의 예측자료를 현업에 활용하고 지속적인 개선 계획을 수립하기 위해, 수치모형의 예측능력을 정량화된 방법으로 평가 및 검증하려는 노력이 지속되고 있다. 기존 선행연구들에서는 주요 기후인자에 대한 GloSea5 모형의 6개월 장기예측성을 검정하였으며(Jung et al., 2015), GloSea5 모형의 성층권 예측성이 대류권에 비해 뛰어나다고 평가한 바 있다(Jung et al., 2016). 또한 Lee et al. (2016)은 GloSea5 모형과 기상청 현업 중기예측모형인 UM의 예측성을 비교하여 단기 및 중기 예측에서도 GloSea5 모형의 예측성능이 상당히 우수함을 확인하였으며, 이같은 결과를 바탕으로 GloSea5 모형이 S2S 시간규모 예측에 충분히 활용 가능할 것으로 평가하였다.

이러한 가운데 한반도를 포함한 북반구 중-고위도 및 고위도 지역은 전세계 인구의 대부분이 밀집해 있기 때문에 현업 예측의 중심이 되는 지역으로 고려된다. 그러나 북반구 중-고위도 및 고위도 지역은 지면과의 상호작용과 계절적인 변화로 인해 중ㆍ장기예측에 많은 어려움이 따르는 지역으로 알려져 있다(Palmer and Anderson, 1994). 또한 S2S 규모 예측에 있어서 계절에 따른 예측성능의 차이는 현업 예측활용에 있어 매우 중요한 정보이나, 계절별 대기 배경장의 차이에 따른 예측성능과 관련된 논의는 다소 부족한 상황이다.

본 연구에서는 GloSea5 모형의 북반구 중-고위도 및 고위도 지역 S2S 시간규모 예측성능을 평가하였으며, 계절에 따른 예측성능 특성 또한 살펴보고자 하였다. 2장은 GloSea5 모형 및 비교에 사용한 재분석자료의 제반사항을 설명하고, 구조적 오차 분석 방법 및 예측성 검정 방법에 대해 기술하였다. 3장에서는 예측성 평가에 앞서 GloSea5 모형의 적분기간 및 계절에 따른 구조적 오차 특성을 확인하였다. 4장에서는 복수의 예측성 검증 방법을 활용하여 계절 및 고도에 따른 예측성능의 차이를 확인하였으며, 대기의 파동활동 규모에 따른 분석을 통해 모형 오차의 원인을 파악하고자 한다. 5장은 전체 내용을 요약하고 추가적인 연구방향에 대해 논의한다.

2. 자료 및 분석방법

2.1 자료

본 연구에서는 현재 기상청 및 국립기상과학원에서 현업으로 사용중인 GloSea5-GC2 모형의 S2S 시간규모 예측자료를 사용하였다. GloSea5는 영국 MetOffice에서 계절 예보를 위해 개발된 대기-지면-해양-해빙 접합 모형이다(Williams et al., 2015). GloSea5-GC2의 대기모형은 GA6 (Global Atmosphere model version 6.0; Walters et al., 2017)이며, JULSE (the Joint UK Land Environment Simulator; Walters et al., 2017) 지면모형, NEMO (Nucleus for European Modelling of the Ocean; Madec, 2008) 해양모형, CICE (Los Alamos Sea Ice Model; Rae et al., 2015) 해빙모형으로 구성된다. 모형의 대기영역은 수평격자 0.83^o × 0.56^o (N216)의 해상도, 연직으로는 85개 층에서 적분이 수행되며, 지면모형은 4개의 연직층으로 이루어져 있다. 해양은 0.25^o × 0.25^o의 수평격자와 75개 연직층으로 구성된다(William et al., 2015).

재분석자료와 비교분석하기 위해 수평격자를 1.5^o × 1.5^o 해상도로 선형 내삽하였으며, 연직방향으로는 S2S 프로젝트에서 표준으로 삼고 있는 1000 hPa-10 hPa 사이의 10개 고도(1000/925/850/700/500/300/200/100/50/10 hPa)만을 사용하였다. 또한 모형의 구조적 오차는 전구 규모에서 확인하였으며, 예측성 검증은 계절 및 계절 내 규모에서 변동성이 큰 북반구 중-고위도 및 고위도 지역에 해당하는 북위 30°~90° 영역으로 공간 규모를 한정하였다. 과거기후모의실험(hindcast experiment)은 1991년부터 2010년까지 이루어졌으며, 월별로 1일, 9일, 17일, 25일에 초기화되어 각 60일 동안 적분을 수행하여 각 초기장에 대해 3개의 앙상블을 갖는다.

예측성 검증을 위한 비교에는 일본 기상청에서 제공하는 JRA-55 (Japanese Reanalysis 55-years) 재분석자료의 지위고도 자료를 사용하였다(Kobayashi et al., 2015). 수평격자는 1.5^o × 1.5^o 해상도이며, 모형과 동일한 10개 고도에서의 값을 사용하였다. 분석에 사용한 공간 및 시간 규모는 상기한 GloSea5 모형의 분석 영역과 동일하다.

2.2 모형의 구조적 오차

본 연구에서는 S2S 시간규모에서 모형이 갖는 구조적인 오차를 파악하고 예측성을 평가한다. 모형은 적분기간이 증가함에 따라 오차를 갖게 되며, 이때의 오차는 랜덤하게 발생하는 것이 아니라 모형 자체가 갖는 일정한 경향성을 따라 움직인다(Gupta et al., 2013). 이러한 경향성을 모형의 구조적 오차라 하며, 외부 강제력 없이도 나타나는 모형의 특성으로서 예측성에 영향을 미치는 중요한 요인이 된다. 따라서 모형의 구조적인 오차를 파악하고 오차의 발생 원인을 찾는 과정은 모형의 예측성을 향상시키기 위한 첫 단계라 할 수 있다. 본 연구에서는 모형의 예측결과와 관측 사이의 오차를 평균오차(Mean Bias; MB)와 평균제곱근오차(Root Mean Squared Error; RMSE) 두 방법으로 분석하였다. 모형의 MB와 RMSE는 각각 아래의 식으로 표현된다.

M B τ = 1 N ∑ n = 1 N e Z M, n τ - Z O, n τ

(1)

R M S E τ = 1 N e ∑ n = 1 N e Z M, n τ - Z O, n τ 2

(2)

위 식에서 τ는 적분기간을 나타내며, n는 각 적분 기간에서의 앙상블 멤버를, N_e은 전체 앙상블 멤버의 수를 의미한다. Z_M과 Z_O는 각각 모형의 예측결과와 재분석자료의 지위고도를 나타낸다. 모형의 MB가 예측결과와 재분석자료를 비교했을 때 나타나는 차이의 방향과 정도를 의미한다면, RMSE는 절대적인 오차의 크기를 평균한 값이다.

2.3 모형 예측성 평가

모형의 예측성을 객관적ㆍ정량적으로 비교하기 위해 다양한 예측성 분석 기법을 사용한다. 본 연구에서는 전통적인 예측성 평가 인자 중 하나인 이상상관계수(Anomaly Correlation Coefficient; ACC)와 WMO에서 표준 장기예보 평가 방법으로 삼고 있는 평균제곱근 예측성(Mean Squared Skill Score; MSSS)을 예측성 평가 인자로 사용한다(Murphy, 1988; WMO, 2006; Goddard et al., 2013; Choi et al., 2016).

A C C τ ∑ i = 1 N Z M, i' τ Z O, i' τ cos θ i ∑ i = 1 N Z M, i' τ 2 cos θ i ∑ i = 1 N Z O, i' τ 2 cos θ i

(3)

(where Z'_{M, i}(τ)=Z_{M, i}(τ) −Z_{C, i}(τ), Z'_{O, i}(τ) =Z_{O, i}(τ) − Z_{C, i}(τ))

이상상관계수(ACC)는 모형의 예측결과 편차와 재분석자료 편차의 상관성을 기준으로 예측성을 진단하며 위와 같은 식으로 표현된다. Z_M과 Z_O는 앞선 수식 (1), (2)와 동일하게 예측결과와 재분석 자료의 지위고도를 나타내며, Z_C는 재분석자료의 기후값을, Z'_M과 Z'_O는 각각의 지위고도에서 재분석자료의 기후값을 제한 아노말리 값을 의미한다. i와 N은 각각 격자 지점과 전체 격자의 수를 의미한다. 위도(θ_i)에 따른 영역 가중치를 반영하기 위해 각 항에는 cosθ_i를 곱해준다. 예측결과와 재분석자료의 패턴이 완벽하게 일치할 때 ACC의 값은 1이 되며, 모형의 예측성이 가장 뛰어난 것으로 판단한다. 모형이 재분석자료를 제대로 모의하지 못할수록 ACC 값은 작아지며, −1을 하한값으로 갖는다. 진단 기준으로 ACC를 사용하는 경우 보통 0.5~0.8을 임계값으로 사용하며, 경험적으로 ACC가 0.6 이상 값을 가질 때 종관 규모의 패턴을 예측 가능한 수준이라고 판단한다(Persson, 2015). 본 연구에 서는 0.6을 예측성 진단 기준으로 사용하여, ACC 값이 이보다 떨어지는 시점을 ACC 기준의 예측일로 정의하였다.

그러나 ACC는 모형과 관측 사이의 선형적인 상관성만을 기준으로 하기 때문에, 모형과 관측 사이의 오차는 고려할 수 없다. 이러한 한계를 개선한 예측성 검정 방법이 MSSS이다.

M S E O τ = ∑ i = 1 N Z O, i τ - Z C, i τ 2 cos θ i ∑ i = 1 N cos θ i

(4)

M S E M τ = ∑ i = 1 N Z M, i τ - Z O, i τ 2 cos θ i ∑ i = 1 N cos θ i

(5)

M S S S τ = M S E O τ - M S E M τ M S E O τ = 1 - M S E M τ M S E O τ

(6)

위의 식과 같이 MSSS는 모형의 평균제곱오차(Mean Squared Error; MSE) MSE_M(τ)와 관측의 변동성 MSE_O(τ)의 차이를 재차 MSE_O(τ)로 나눈 값으로 구해지며, 1에서 MSE_O(τ)로 정규화된 MSE_M(τ)을 제한 값으로도 계산 가능하다. 따라서 MSSS는 완벽한 예측일 때 1의 값을 갖고, 그 값이 낮을수록 예측성이 떨어짐을 의미한다. 관측의 변동성에 비해 MSE_M(τ)가 커지면 MSSS는 하한없이 낮아진다는 점에서 ACC와 차이를 보인다. 본 연구에서는 MSSS가 모형의 오차가 관측의 변동성과 같아졌을 때를 의미하는 0 값이 될 때를 예측성 진단 기준으로 사용하며, MSSS가 0보다 낮아지는 시점을 예측일로 정의하였다.

M S E M τ M S E O τ = M S E M τ M S E O τ + M S E M a m p * τ M S E O τ + M S E M p h s * τ M S E O τ

(7)

또한 MSE_M(τ)는 동서평균오차와 에디오차로 나눌 수 있으며, 에디오차는 푸리에 변환을 통해 다시 에디의 크기오차 $M S E a m p * τ$ 와 위상오차 $M S E p h s * τ$ 로 나눠진다. 또한 파수별로 에디오차를 구분해 대기 내 파동활동의 규모별로 오차 정도를 파악할 수 있다. 위와 같이 파동관점에서 모형의 MSE를 나누어 분석함으로써, 구조적 오차의 발생 원인을 진단할 수 있다(Stan and Straus, 2009).

3. 모형의 구조적 오차

GloSea5 모형의 구조적인 오차가 일련의 경향성을 보이는지 확인하기 위해 적분기간에 따른 변화와 계절에 따른 차이를 살펴보았다. 우선 적분기간에 따른 구조적인 오차를 분석하기 위해, 전 계절에 걸친 적분기간 0일, 10일, 20일, 30일의 MB와 RMSE를 위도와 고도에 따라 나타냈다(Fig. 1). 두 지표 모두 지역에 따라 상이한 오차가 나타나며 적분기간이 늘어남에 따라 증가함을 확인할 수 있다. 각각의 오차는 적분기간 10일 정도가 되면 지역적인 분포가 구조화되는 경향을 보였으며, 20일에는 오차의 크기도 대부분 포화되는 것으로 나타났다. 극 지역의 상부 성층권에서 나타나는 MB(Fig. 1의 등치선)는 강한 음의 편차를 가지는 것으로 나타났다. 열대 지역의 대류권계면에 해당하는 100 hPa 부근에서도 지위고도를 다소 낮게 모의하고 있으며, 열대 성층권 상부에서는 적분기간 10일에서 강하게 나타났던 음의 편차가 적분기간 증가에 따라 다소 약화되는 경향을 보였다. 적분기간에 따른 RMSE(Fig. 1의 음영)는 극 지역 상부 성층권에서 가장 강하게 나타났으며, 중-고위도 지역 성층권 하부에 해당하는 300 hPa 고도에서도 비교적 높은 값을 갖는 것으로 나타났다.

Fig. 1.

Vertical structure of zonally-averaged RMSE (shaded) and MB (contour) of GPH in GloSea5 at lead time of (a) 0 day, (b) 10 day, (c) 20 day, and (d) 30 day. Contour intervals are 20 gpm.

GloSea5 모형의 구조적 오차가 계절에 따라 어떤 특성을 갖는지 확인하기 위해, 앞선 그림과 동일한 방식으로 적분기간 10일에서의 MB와 RMSE를 계절별로 그려보았다(Fig. 2). 우선 Fig. 1에서 확인한 극 지역 상부 성층권의 MB와 RMSE는 각기 다른 계절에 나타남을 확인할 수 있다. 극 지역 성층권에서 나타나는 음의 MB는 여름반구에 집중되는 반면, RMSE는 겨울반구에서 크게 나타나는 것을 확인할 수 있다(Figs. 2a, c). 중-고위도 지역 대류권계면 부근에서 나타나는 RMSE는 모든 계절에 걸쳐 나타났다. 열대 대류권계면에서 나타나는 MB는 모든 계절에 존재하지만 북반구 겨울철에 더 큰 값을 보였다.

Fig. 2.

Vertical structure of zonally-averaged RMSE (shaded) and MB (contour) of GPH in GloSea5 at lead time 10 day for (a) DJF, (b) MAM, (c) JJA, and (d) SON. Contour intervals are 20 gpm.

위의 결과로부터 지역과 계절에 따라 나타나는 구조적 오차의 형태와 특성이 상당히 다름을 알 수 있다. 극 지역 성층권은 적분기간에 따라 MB와 RMSE 모두 증가하는 경향을 보이지만, 두 값의 변화 양상은 계절에 따라 서로 다르다. 겨울반구의 경우 MB의 값은 크지 않지만 RMSE의 값이 크게 나타나는데, 이러한 결과는 예측과 관측의 편차가 예측시기에 따라 양의 값과 음의 값을 가지면서 서로 상쇄된 것으로 볼 수 있다. 이러한 겨울철 극 지역 성층권에 대한 예측실패는 성층권 돌연승온이나 극소용돌이 강화현상과 같은 극한현상에 대한 예측성능과 관계가 있는 것으로 추정된다. 선행연구에서는 성층권 돌연승온이나 극소용돌이 강화현상이 발생한 경우 극한현상의 메모리를 통해 성층권 예측성능이 향상됨을 밝힌바 있다(Tripathi et al., 2015). 이러한 맥락에서 GloSea5 모형의 S2S 시간규모 성층권 돌연승온의 예측성능에 대한 논의를 part 2 논문에서 다루고자 한다(Song et al., 2018).

겨울철과 반대로 여름반구에서는 MB의 크기는 크지만 RMSE의 값이 작게 나타난다. 즉 모형이 지위고도를 낮게 모의하고 있으며, 이는 주로 모형의 물리과정과 연관되어 있음을 의미한다. Jung et al. (2016)은 이러한 여름철 성층권 영역의 오차가 GloSea5 모형의 오존에 대한 예측능력과 관련 있을 수 있음을 지적한바 있다. 전 계절에 걸쳐 나타나는 중-고위도 지역 성층권 하부의 구조적 오차는 MB의 값이 크지 않지만 상대적으로 RMSE의 값이 크게 나타난다. 이는 앞선 극 성층권의 겨울 사례와 마찬가지로 에디에 대한 예측 실패로 볼 수 있는데, 대류권계면 혹은 제트의 변화를 정확하게 모의하지 못하는 것이 일부 원인일 것으로 추측된다. 이와 반대로 열대 지역 성층권 하부에서는 음의 MB가 나타나지만 RMSE는 상대적으로 크지 않다. 이 같은 성층권 하부 및 대류권계면에서의 구조적 오차는 연직운동에 대한 예측능력 한계에 기인했을 가능성이 있다(Jung et al., 2016).

정리하면 GloSea5의 구조적 오차는 지역과 계절에 따른 일련의 경향성을 갖고 나타난다. 겨울반구 극 성층권에서는 큰 RMSE가, 여름반구 극 성층권에서는 큰 MB가 주요하게 나타난다. 또한 열대지역 성층권 하부에서는 MB가, 중-고위도 지역 성층권 하부에서는 RMSE가 주요하다. 향후 이러한 구조적 오차의 원인을 명확히 파악하기 위해서는 추가적인 분석이 필요하다.

4. 모형 예측성 평가

GloSea5 모형의 북반구 중-고위도 및 고위도 영역(북위 30^o~90^o) S2S 시간규모 예측성을 평가하기 위해 계절과 고도에 따른 예측성의 차이를 분석하였다. Figure 3은 성층권을 대표하는 고도인 50 hPa의 지위고도와 대류권을 대표하는 500 hPa 지위고도의 예측성을 ACC와 MSSS 두 가지 방법으로 검증한 그림이다. GloSea5 모형의 ACC와 MSSS는 적분기간이 늘어남에 따라 각각의 값이 감소하는 것으로 나타나고 있다. 이러한 예측성능의 감소는 적분기간에 따라 선형적으로 이뤄지지 않는다. 성층권 영역에서 ACC와 MSSS를 이용해 확인하였을 때, 약 5일 정도 유지되던 예측성능이 20~25일까지 꾸준히 떨어지는 것을 확인할 수 있었다(Figs. 3a, b). 반면 대류권 영역에서는 두 지표 모두 약 3일 정도 유지되던 예측성능이 급격히 감소하여 적분기간 10~15일에는 최저 수준에 도달하는 것으로 나타났다(Figs. 3c, d). 이러한 예측성능의 감소 경향은 앞서 3장에서 확인한 모형의 구조적 오차가 적분기간 20일을 전후로 포화상태에 이르는 것과 일맥상통한다. 계절적으로는 진단 기술과 고도에 관계없이 겨울철(Fig. 3의 파란색 실선) 예측성이 여름철(Fig. 3의 빨강색 실선)에 비해 높은 것으로 나타났다. 또한 모든 계절과 검정 기술에서 공통적으로 성층권의 예측성이 대류권보다 높았으며, 높은 고도에서 계절에 따른 예측성 차이가 큰 것으로 나타났다. GloSea5 모형의 예측일은 ACC를 기준으로 할 때 성층권에서 겨울철 14.3일, 여름철 9.8일로 나타났으며, 대류권에서는 겨울철 8.5일, 여름철 7.1일로 나타났다. 계절과 고도에 따른 예측성 차이가 더욱 분명하게 나타나는 MSSS를 기준으로 할 때, 모형의 예측일은 성층권에서 겨울철 24.4일, 여름철 11.3일로 나타났으며, 대류권에서는 겨울철 11.0일, 여름철 9.1일로 계산되었다.

Fig. 3.

The ACC (left) and MSSS (right) of GPH at (a-b) 50 hPa and (c-d) 500 hPa pressure level in the NH 30o~90o as a function of lead time. Light blue lines indicate the results from the individual ensemble members of DJF, and light red lines indicate those of JJA. All seasons (black), DJF (blue) and JJA (red) ensemble means are represented by bold lines.

계절과 고도에 따른 예측성의 차이를 보다 자세히 살펴보기 위해, 적분기간에 따른 예측성능의 변화를 모든 고도에서 살펴보았다(Fig. 4). 평가 결과 ACC와 MSSS 모두 Fig. 3에서 확인한 결과와 일관된 계절/고도별 특성을 보이고 있다. 겨울철의 예측성능이 여름철보다 뛰어난 것으로 확인되었으며, 고고도에서 이러한 계절적 차이가 더 심하게 나타났다. 그러나 앞선 결과에서는 성층권의 예측성이 대류권에 비해 좋게 나타났던 것에 비해, 여름철의 경우 50 hPa 이상의 성층권 상부에서 대류권보다 이른 시기인 적분기간 5일 전후의 예측일을 보였다(Figs. 4e, f).

Fig. 4.

ACC (left) and MSSS (right) of GPH in the NH 30o~90o for GloSea5 hindcast experiments initialized in (a-b) all seasons, (c-d) DJF, and (e-f) JJA as a function of lead time and pressure level.

특히 ACC와 MSSS의 적분기간에 따른 예측성능 저하는 서로 다른 양상으로 나타났다. 우선 ACC에서는 대류권을 중심으로 급격한 예측성능 저하가 나타났다(Figs. 4a, c, e). 이러한 결과는 모형의 예측 결과와 관측 간의 선형적인 관계에 기반을 둔 지표인 ACC의 특성을 고려할 때, 대류권의 큰 변동성과 관계있는 것으로 판단할 수 있다. 대류권의 예측성 저하의 주요원인은 적분기간이 길어질수록 대류권 역학과정과 지면 및 행성 경계층에 대한 물리과정 모의가 한계에 도달하기 때문인 것으로 추측된다. 모형의 조건부 오차가 반영된 MSSS는 성층권 상부에서 뚜렷한 예측성능 저하를 보이는 것으로 나타났으며(Fig. 4b), 이는 여름철 성층권 예측성과 관련된 것으로 확인되었다(Fig. 4f).

이에 대해 좀더 구체적으로 알아보기 위해 모형의 오차인 MSE_M와 관측의 변동성을 의미하는 MSE_O의 적분기간에 따른 변화를 확인하였다(Fig. 5). 수식 (6)에서 알 수 있듯 MSSS 값은 MSE_O가 작은 경우, 상대적으로 작은 모형의 오차에도 민감하게 반응하는 특성을 갖는다. 두 계절 모두 적분기간이 늘어남에 따라 10 hPa과 300 hPa 면을 중심으로 MSE_M가 크게 나타나며, 여름철에 비해 겨울철의 오차 크기가 10배 이상 크게 나타나는 것을 확인할 수 있다. 반면 MSE_O 값은 적분기간에 따라 눈에 띄는 변화를 보이지 않으며, MSE_M와 마찬가지로 겨울철에 더 큰 값을 갖는 것으로 나타났다. 이는 MSSS 상에서 나타나는 상부 성층권에서의 급격한 예측성능 감소가 여름철만의 특성이 아님을 의미한다. 오히려 겨울철 해당 영역에 여름철보다 매우 큰 오차가 존재함에도 불구하고, 관측의 변동성 또한 매우 크기 때문에 MSSS 상에서 나타나지 않는 것으로 이해될 수 있다.

Fig. 5.

Same as Fig. 4, but for MSEM (left) and MSEO (right). Note that color bar for each season has different intervals.

성층권 상부에서 나타나는 오차의 증가는 Jung et al. (2016)에서 언급한 바 있는 복사와 관련된 물리과정에서 발생한 평균장에 대한 오차의 영향으로 예상된다. 이러한 평균장의 오차는 앞서 확인한 구조적 오차와 연관된다. Murphy (1988)에 따르면 모형의 조건부 오차는 예측결과와 관측 사이의 차이가 갖는 선형적인 변화 경향을 의미한다. 이러한 맥락에서 여름철 성층권 상부에서 나타나는 MSSS 값의 급격한 감소는 해당 고도에서 나타나는 MB가 조건부 오차로 작용한 결과로 분석된다. 아노말리를 이용해 계산되는 ACC는 평균장에 대한 오차가 다소 제거되는 반면, 모형의 평균제곱오차를 이용해 계산하는 MSSS는 평균장의 오차가 그대로 반영되기 때문이다. 향후 모형의 오차 원인에 대한 추가적인 연구를 통해 보다 자세한 예측성 저하의 원인이 분석되어야 할 필요가 있다.

GloSea5 모형의 예측성을 감소시키는 요인에 대해 보다 자세히 파악하기 위해, 모형의 MSE를 동서평균오차와 에디의 크기오차, 위상오차로 세분화하여 분석하였다. Figure 6는 각 고도와 적분기간에 따라 모형의 변동성 MSE_O(τ)로 표준화된 오차의 크기를 나타내고 있다. 그림은 여름철과 겨울철, 그리고 성층권과 대류권에서 모형의 예측능력을 저해하는 요인이 서로 다름을 보여주고 있다. 우선 전 계절에서 나타나는 오차를 성분별로 살펴보면(Figs. 6a-c), 성층권에서 나타나는 동서평균오차와 대류권 영역에서 나타나는 에디오차가 눈에 띈다. 성층권 상부에서 나타나는 예측성의 저하는 주로 여름철 동서평균오차에 의한 것임을 확인할 수 있다(Fig. 6g). 이는 앞서 기술한 모형의 MB와 관련 있으며, Jung et al. (2016)에서 언급한 여름철 성층권의 오존 및 복사 과정의 모의성능과 관계가 있을 것으로 추측된다. 반면 겨울철 성층권의 경우 여름철에 비해 모든 오차들의 성장이 늦게 나타나며, 동서평균오차와 에디오차가 모두 중요한 오차 요인으로 작용하고 있다(Figs. 6d-f). 겨울철 성층권 영역에서는 에디와 관련된 오차들이 먼저 증가하고 이를 뒤따라 적분기간 20일 이후에 동서평균오차가 급격히 증가한다. 이는 모형이 겨울철 성층권의 파동활동을 모의하는 과정에서 에디오차가 증가하고, 에디-평균류 상호작용(eddy-mean flow interaction)에 의해 동서평균오차가 성장하는 것으로 추정된다.

Fig. 6.

Zonal mean error (left), eddy amplitude error (center), and eddy phase error (right) of GPH in (a-c) all seasons, (d-f) DJF, and (g-i) JJA as a function of lead time and pressure level.

대류권 영역에서는 여름철과 겨울철 모두 에디오차가 예측성을 저하시키는 주된 요인으로 작용하고 있다(Figs. 6b, c, e, f, h, i). 이는 모형이 대류권 내의 에디, 즉 파동활동을 제대로 모의하지 못하고 있음을 의미한다. 또한 대류권에서는 에디오차가 5~10일 사이에 빠르게 성장하는 것을 확인할 수 있다. 계절에 상관없이 에디오차의 영향 내에서도 위상오차가 강도오차보다 크게 나타나는데, 이는 GloSea5 모형이 파동현상의 강도를 예측하는 것보다 이동속도를 정확히 예측하는데 한계를 보이고 있음을 암시한다.

에디오차는 각 에디의 파동의 규모에 따라 구분이 가능하다. 따라서 에디의 크기오차와 위상오차를 파동의 규모에 따라, 행성파 규모(k = 1-3), 종관 규모(k = 4-10) 및 중규모 이하의 파동(k > 10)으로 구분하여 나타내었다. Figure 7은 크기오차를 계절과 파수에 따라 나타내고 있으며, Fig. 8은 위상오차에 대한 그림이다. 두 종류의 오차에서 공통적으로 행성파 규모의 파동에서 가장 큰 오차가 생기는 것을 확인할 수 있다. 전체 에디오차 중 대부분을 설명하는 행성파 규모 파동(k = 1-3)의 오차는 주로 대류권 하부 및 성층권 영역에 집중되어 있는 반면, 종관 규모의 파동(k = 4-10)은 주로 대류권 계면 부근을 중심으로 영향을 미치는 것으로 나타났다. 행성파 규모와 종관 규모의 파동은 주로 적분기간 5~15일 사이에 급격히 증가하는 경향을 보였다. 중규모 이하의 파동(k > 10)은 행성파 규모나 종관 규모의 파동에 비해 10분의 1 이하 크기의 매우 작은 오차가 나타났다. 중규모 이하 파동은 지표와 대류권계면 부근을 중심으로 나타나며, 예측 초반부터 증가하기 시작하여 적분기간 5~10일에서 최대 수준에 도달하는 것으로 나타났다.

Fig. 7.

Eddy amplitude error of GPH in (a-c) all seasons, (d-f) DJF, and (g-i) JJA classified by wave number as a function of lead time and pressure level. Each column represents the error of planetary-scale waves (k = 1-3, left), synoptic-scale waves (k = 4-10, center), and the others (k > 10, right). Note that k > 10 has the different color bar intervals.

Fig. 8.

Same as Fig. 7, but for eddy phase error.

대류권에서 발생하는 종관 규모 파동의 대표적인 사례인 고/저기압의 생성 및 소멸 주기가 1주일 내외라는 점을 고려할 때, 5~15일 사이에 나타나는 에디오차의 급격한 증가에 대해 종관규모에서 1~2주 이후 새로운 기압계를 예측해야하는 상황에서 모형의 예측 성능이 떨어지는 것이라 예상할 수 있다. 그러나 지표면 부근에서 에디오차가 대부분 행성파 규모의 파동현상으로 설명된다는 사실은 대류권에서 나타나는 에디오차가 주로 종관 규모 기상 현상으로부터 기인할 것이라는 예상과 상반되는 결과이다. 이러한 결과가 나타나는 원인에 대해서는 향후 추가적인 연구가 필요할 것으로 보인다.

종합하면 모형의 예측성은 적분기간 3~5일까지는 유지되지만 이후 급격히 낮아지는 것으로 나타났으며, 적분기간 15~25일부터는 비록 값은 작지만 예측성능이 유지되는 것으로 확인되었다. 여름철 성층권 상부에서 나타나는 예측성 감소는 MSSS에서 뚜렷하게 나타나며, 주로 동서평균오차에 의한 것으로 분석되었다. 모형의 에디오차는 겨울철 성층권과 전 계절 대류권 영역에서 중요하게 작용하고 있으며, 특히 행성파 규모의 에디에 대한 오차가 큰 비중을 차지하고 있다.

5. 요약 및 토의

본 연구에서는 GloSea5 모형의 S2S 시간규모 예측성을 ACC와 MSSS 두 가지 평가 인자를 이용해 검정하였다. 평가에 앞서 모형의 구조적인 오차를 파악하기 위해 모형의 MB와 RMSE의 적분기간에 따른 변화와 계절에 따른 차이를 확인하였다. 모형의 MB는 여름철 극 지역 성층권 상부와 열대 성층권 하부 및 대류권계면 부근에서 큰 음의 편차를 보였다. 모형의 RMSE는 겨울철 극 지역 성층권 상부와 중-고위도 대류권계면 부근에서 상대적으로 큰 값을 갖는 것으로 나타났다.

본문에서는 오차의 연직구조에 대해 주로 서술하였으나, 수평적인 오차의 분포 또한 확인하였다. 연직구조에서와 마찬가지로 오차의 수평 분포 또한 적분기간에 따라 증가하는 경향을 보였다. 성층권의 경우 주로 겨울반구의 위도 60^o 부근을 중심으로 집중적으로 오차가 분포하며, 대륙 주변부에서 높은 오차를 보였다. 대류권에서도 위도 60^o 부근에 주로 오차가 위치하며, 여름 반구에서도 비교적 강도는 약하지만 오차가 나타나는 것을 확인할 수 있다. 또한 대류권의 오차는 해양에 중심을 두고 나타나는 것으로 나타났다(not shown). 이러한 오차의 수평적 구조에 대한 구체적인 분석과 발생원인에 대해서는 향후 추가적인 분석이 필요하다.

북반구 중-고위도 및 고위도 영역에서 계절에 따른 모형의 예측성은 ACC와 MSSS 모두 여름철보다 겨울철에 높은 예측성을 보였다. 대류권보다 성층권 영역에서 예측성능이 좋은 것으로 나타났으며, 계절에 따른 예측성의 차이 또한 성층권에서 더 큰 것으로 나타났다. 그러나 MSSS를 이용해 여름철의 예측성을 평가하였을 때는 성층권 상부 영역에서 급격한 예측성의 저하가 나타났다. 이러한 예측성의 저하는 여름철 극 지역을 중심으로 나타나는 모형의 MB와 관련이 있으며, MSE를 세분화하여 분석하였을 때 동서평균오차의 형태로 나타난다. 반면 대류권에서의 예측성 저하는 모든 계절에서 에디오차로 대부분 설명되며, 크기오차에 비해 위상오차가 더 큰 비중을 차지했다. 이는 모형이 대기에서 나타나는 파동현상의 강도는 비교적 잘 모의하고 있으나, 그 진행속도를 정확히 예측하고 있지 못함을 의미한다. 또한 에디오차를 파동현상의 규모에 따라 분류하였을 때, 행성파 규모의 파동에 대한 예측과정이 가장 큰 제한점으로 나타났다. 이러한 결과는 당초 대류권에서 주요한 에디현상인 종관 규모의 파동에 대한 예측에 어려움이 나타날 것이라는 예상과 상반된 결과이다. 대류권에서 종관 규모 에디현상에 대한 모형의 예측성능이 비교적 준수함에도 불구하고 행성파 규모 파동의 예측에 실패하면서 대류권에서의 예측한계가 나타난다는 점은 향후 모형의 예측자료 활용 및 개선계획 수립에 있어 주목할 만한 점이며, 이러한 결과가 나타나는 원인과 개선방안에 대한 추가적인 연구가 필요하다.

추가적으로 GloSea5 모형의 계절 및 고도에 따른 예측성 특성이 남반구에서도 동일하게 나타나는지 확인하였다. 북반구에서와 마찬가지로 남반구 겨울철(6~8월) 기간의 예측일이 여름철(12~2월)에 비해 길게 나타났으며, 겨울철 성층권 영역의 예측성이 가장 좋은 것으로 나타났다. 다만 북반구 겨울철에 비해 남반구 겨울철 예측일은 모든 고도에서 더 짧았으며, 반대로 여름철은 북반구에서보다 장기간 예측가능한 것으로 확인되었다. 계절에 따른 예측성 차이 또한 북반구에 비해 작았다. 이 같은 결과는 북반구에 비해 남반구에서 대류권 및 성층권 하부의 에디오차가 크게 나타나는 것과 관련 있을 것으로 추정된다(not shown).

본 연구에서 사용된 GloSea5-GC2 모형의 초기장은 ERA-Interim (ECMWF Reanalysis-Interim, Dee et al., 2011) 자료가 사용된다. 때문에 모형의 초기장과 검증에 사용한 JRA-55 자료 사이의 차이가 검증 결과에 영향을 미쳤을 가능성이 있다. 두 재분석자료 사이의 평균적인 차이는 적분기간 0일의 MB와 RMSE를 통해 확인할 수 있다(Fig. 1a). 모형 결과와 재분석자료 사이의 차이에 비해서 재분석자료 간의 차이가 크지 않음을 확인할 수 있다. 또한 이와 관련하여 Vitart(2017)은 모형의 S2S 기간 MJO 예측결과를 검정할 때 재분석자료의 종류에 따른 차이가 심하지 않음을 밝힌 바 있으며, GloSea5 모형의 6개월 이상 장기 예측성능 검정에서도 JRA-55 자료가 활용된 바 있다(Jung et al., 2016).

Tripathi et al. (2015)에 따르면 겨울철 극 성층권에서 나타나는 극한현상, 즉 성층권 돌연승온(극소용돌이 약화)이나 극 소용돌이 강화가 발생하는 경우 성층권 예측성이 크게 증가하는 것으로 나타났다. 이러한 결과는 일반적으로 큰 변동성을 갖는 겨울철 극성층권 예측성이 비교적 안정한 여름철에 비해 높은 이유를 일부 설명한다. 나아가 성층권 극한현상의 예측성을 향상시키면 장기적으로 성층권-대류권 접합과정을 통해 대류권 영역의 예측성 또한 향상시킬 수 있음을 암시하는 결과이다. 후에 이어질 part 2를 통해 GloSea5 모형의 성층권 돌연승온에 대한 예측성과 돌연승온 이후의 대류권 예측성에 대해 논하고자 한다.

Acknowledgments

이 연구는 기상청 기상업무지원기술개발연구(KMA-2018-00322)의 지원으로 수행되었습니다.

References

Choi, J., S.-W. Son, Y.-G. Ham, J.-Y. Lee, and H.-M. Kim, (2016), Seasonal-to-interannual prediction skills of near-surface air temperature in the CMIP5 decadal hindcast experiments, J. Climate, 29, p1511-1527. [https://doi.org/10.1175/jcli-d-15-0182.1]
Dee, D. P., and Coauthors, (2011), The ERA-Interim reanalysis: configuration and performance of the data assimilation system, Quart. J. Roy. Meteor. Soc, 137, p553-597. [https://doi.org/10.1002/qj.828]
Goddard, L., and Coauthors, (2013), A verification frame work for interannual-to-decadal predictions experiments, Climate Dyn, 40, p245-272. [https://doi.org/10.1007/s00382-012-1481-2]
Gupta, A. S., N. C. Jourdain, J. N. Brown, and D. Monselesan, (2013), Climate drift in the CMIP5 models, J. Climate, 26, p8597-8615. [https://doi.org/10.1175/JCLI-D-12-00521.1]
Jung, M.-I., S.-W. Son, J. Choi, and H.-S. Kang, (2015), Assessment of 6-month lead prediction skill of the GloSea5 hindcast experiment, Atmosphere, 25, p323-337, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2015.25.2.323]
Jung, M.-I., S.-W. Son, Y. Lim, K. Song, D. J. Won, and H.-S. Kang, (2016), Assessment of stratospheric prediction skill of the GloSea5 hindcast experiment, Atmosphere, 26, p203-214, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2016.26.1.203]
Kobayashi, S., and Coauthors, (2015), The JRA-55 Reanalysis: General specifications and basic characteristics, J. Meteor. Soc. Japan, 93, p5-48. [https://doi.org/10.2151/jmsj.2015-001]
Lee, S.-M., H.-S. Kang, Y.-H. Kim, Y.-H. Byun, and C. Cho, (2016), Verification and comparison of forecast skill between global seasonal forecasting system version 5 and unified model during 2014, Atmosphere, 26, p59-72, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2016.26.1.059]
MacLachlan, C., and Coaurhors, (2015), Global seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system, Quart. J. Roy. Meteor. Soc, 141, p1072-1084. [https://doi.org/10.1002/qj.2396]
Madec, G., (2008), NEMO ocean engine, IPSL Tech. Rep, 27, p40.
Murphy, A. H., (1988), Skill scores based on the mean square error and their relationships to the correlation coefficient, Mon. Wea. Rev, 116, p2417-2424. [https://doi.org/10.1175/1520-0493(1988)116<2417:ssbotm>2.0.co;2]
Palmer, T. N., and D. L. T. Anderson, (1994), The prospects for seasonal forecasting—A review paper, Q. J. R. Meteor. Soc, 120, p755-793. [https://doi.org/10.1256/smsqj.51801]
Persson, A., (2015), User guide to ECMWF forecast products Ver. 1.2, ECMWF, p129.
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, p2221-2230. [https://doi.org/10.5194/gmd-8-2221-2015]
Song, K., H. Kim, S.-W. Son, S.-W. Kim, H.-S. Kang, and Y.-K. Hyun, (2018), Subseasonal-to-Seasonal (S2S) prediction of GloSea5 model: Part 2, Stratospheric sudden warming. Atmosphere, 28, p123-139, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2018.28.2.123]
Stan, C., and D. M. Straus, (2009), Stratospheric predictability and sudden stratospheric warming events, J. Geophys. Res, 114, D12103. [https://doi.org/10.1029/2008jd011277]
Tripathi, O. P., and Coauthors, (2015), The predictability of the extratropical stratosphere on monthly time-scales and its impact on the skill of tropospheric forecasts, Quart. J. Roy. Meteor. Soc, 141, p987-1003. [https://doi.org/10.1002/qj.2432]
Vitart, F., and Coaurhors, (2017), The Subseasonal to Seasonal (S2S) prediction project database, Bull. Amer. Meteor. Soc, 98, p163-173. [https://doi.org/10.1175/BAMS-D-16-0017.1]
Walters, D., and Coaurhors, (2017), The Met Office Unified Model Global Atmosphere 6.0/6.1 and JULES Global Land 6.0/6.1 configurations, Geosci. Model Dev, 10, p1487-1520. [https://doi.org/10.5194/gmd-10-1487-2017]
Williams, K. D., and Coauthors, (2015), The Met Office Global Coupled model 2.0 (GC2) configuration, Geosci. Model Dev, 8, p1509-1524. [https://doi.org/10.5194/gmd-8-1509-2015]
WMO, (2006), Standardised verification system (SVS) for long-range forecasts (LRF), [Available online at https://www.wmo.int/pages/prog/www/DPS/LRF/ATTACHII-8SVSfrom%20WMO_485_Vol_I.pdf].
WMO, (2013), Sub-seasonal to seasonal prediction research implementation plan, [Available online at https://www.wmo.int/pages/prog/arep/wwrp/new/documents/S2S_Implem_plan_en.pdf].