기상청 현업 기후예측시스템(GloSea5)에서의 극한예측지수를 이용한 여름철 폭염 예측 성능 평가

1. 서 론

최근 급격한 기후변화로 인해 인간 생활과 생태 환경에 사회·경제적인 손실을 야기하는 폭염, 한파, 홍수, 가뭄 등과 같은 극한기상·이상기후 현상의 빈도가 증가하고 발생하는 지역적 편차가 심해지고 있다. 한 예로 기후변화에 관한 정부간 협의체(Intergovernmental Panel on Climate Change: IPCC) 5차 보고서에서는, 20세기 중반 이후 전지구적으로 폭염의 발생빈도가 증가하였으며, 특히 유럽의 경우 최근 수십 년 동안의 폭염 빈도가 기후값 대비 비정상적인 특성을 가진다고 하였다(IPCC, 2014). 뿐만 아니라 앞으로도 이상기후와 함께 동반된 극한현상은 강도가 더욱 강해지고 빈번해지며 더 오래 지속될 가능성이 높을 것으로 전망되고 있어 극한현상에 따른 재해위험을 관리하고 효과적으로 대응하기 위한 체계적인 전략이 요구된다.

극한현상 예측은 주로 기후적인 관점에서 접근되어 왔다. 기후변화로 인하여 과거에 발생하지 않았거나 드물게 발생하던 기상현상을 경험하게 되면서 폭염 및 한파와 같은 극한현상에 대한 장기간의 발생빈도와 지속시간 등에 대한 연구가 진행되었다. 장기간의 관측과 수치모델자료를 활용한 기온 및 강수량의 경향성 연구와 평균값의 변동성 분석, 그리고 극한현상을 정량적으로 측정하여 해석하기 위한 지수 연구 등이 활발히 이루어졌다. 이를 위해 주로 확률적으로 미래를 예측하는 앙상블 자료가 활용되었으며, 지난10년 동안 기후값 대비 비정상적 범위의 극한기상(단·중기, 계절규모)을 정의하고 예측하려는 연구들이 활발히 진행 중이다(Lalaurette, 2003; Zsoter, 2006; Zhu and Cui, 2007; Hamill et al., 2013). 이 중 유럽중기예보센터(European Centre for Medium-Range Weather Forecast, ECMWF)에서 개발된 극한예측지수(Extreme Forecast Index, EFI)는 앙상블모델의 기후분포와 예측확률분포 간의 차이를 통해 극한기상 발생 가능성을 예측하는 지수로(Lalaurette, 2003; Persson, 2015) ECMWF, 캐나다 기상센터(Canadian Meteorological Centre, CMC) 및 미국 해양대기청(National Oceanic and Atmospheric Administration, NOAA)의 지구시스템 연구소(Earth System Research Laboratory, ESRL)에서 기온, 바람 및 강수에 대해 적용 중이다(Hamill et al., 2013, 2014). 또한 이 자료는 세계기상연구프로그램(World Weather Research Program, WWRP)과 세계기후연구프로그램(World Climate Research Program, WCRP)에 의해 계절내 및 계절규모의 예측성 향상에 초점을 둔 S2S (Sub-seasonal to Seasonal) 프로젝트 데이터베이스에서 산출되어 준실시간으로 제공 중이며, 수치예보모델의 성능 개선에 따라 긴 선행시간을 가지는 S2S 기간까지 극한현상 예측이 시도되고 있다. 최근에는 대류시스템에 영향을 미치는 CAPE(Convective Available Potential Energy), 해상풍, IVT(Integrated water Vapor Transport)까지 EFI의 적용 및 활용범위가 확대되고 있다(Dutra et al., 2013; Bauer et al., 2015; Lavers et al., 2016, 2017).

국내에서는 기상청에서 단기 앙상블 확률예보의 보조자료로서 모델의 기후분포에 대한 앙상블 예측값의 편차를 정량화하여 각종 기상재해 가능성 정보를 EFI 통해 백분율로 제공하고 있다(Jeon et al., 2006; Lee et al., 2013). 72시간 예측 정보를 활용하여 모델기후(3년: 2009~2011) 대비 24개 앙상블 멤버를 이용하여 강수, 기온, 풍속에 대한 EFI를 산출하여 활용하고 있으나 이는 단기예측으로 중·장기로 확대하려는 시도는 아직 이뤄지고 있지 않은 실정이다. 따라서 극한현상의 확률론적인 예측전망을 제시하기 위해 기상청에서 현업 운영 중인 기후예측시스템(Global Seasonal forecasting system version 5, GloSea5) 자료를 이용하여 실제 현업자료 생성과 동일하게 4주까지의 주별 예측과 월 단위의 1개월 전망에 대한 EFI를 산출하여 매년 최고기온을 기록중인 여름철 폭염에 대한 EFI의 적용가능성을 검토하고자 한다. 2장에서는 GloSea5에 대한 소개와 EFI 모의방법에 대해 설명하였으며, 3장에서는 EFI를 적용하고 검증한 결과, 그리고 2018년 폭염사례의 EFI적용 결과를 분석하였다. 마지막으로 4장에서는 요약 및 토의를 기술하였다.

2. 자료 및 방법

2.1 GloSea5

GloSea5 (MacLachlan et al., 2015; Lea et al., 2015)는 전지구 기후모델인 HadGEM3 (Hadley Center Global Environmental Model Version 3)를 기반으로 개발된 앙상블 예측시스템으로 이전 버전인 GloSea version 4 (GloSea4)에서 수평해상도 향상과 지면모델 교체과정을 거쳐 2016년 5월 역학과정과 물리과정이 GA3 (Global Atmosphere 3.0)에서 GC2 (Global Coupled modeling configuration 2.0)로 개선되었다. GloSea5 는 대기, 지면, 해양, 해빙 모델들과 각 모델을 결합하는 커플러에 의해 구성된 결합 모델로 대기모델은 Met Office Unified Model version 8.6 (Met UM; Brown et al., 2012; Walters et al., 2011)을 사용하고, 지면모델은 Joint UK Land Environment Simulator version 4.7 (JULES; Best et al., 2011)이다. 해양과 해빙 모델은 각각 Nucleus for European Modelling of the Ocean version 3.4 (NEMO; Madec, 2008), Los Almos sea ice model version 4.1 (CICE; Hunke and Lipscomb, 2010)이며 각 모델들의 대기-해양 플럭스 교환을 위해 Ocean Atmosphere Sea Ice Soil3 (OASIS3, Valcke, 2013) 커플러에 의해 하나의 시스템으로 결합되어 있다. 대기모델의 수평해상도는 0.83^o × 0.56^o(432 × 325, 약 56 km)이고 연직으로 전체 85개의 층(최상층 고도 약 85 km)이며, 해양모델은 수평으로 약 0.25^o의 해상도를 가지고, 연직으로는 총 75개 층으로 구성되어 있다. GloSea5는 과거 기후모의를 통해 얻어진 기후장(Hindcast data, HCST)과 예측장(Forecast data, FCST)을 생산하며 기후장은 1991년부터 2010년(20년)에 대해 매 달 특정일(1일, 9일, 17일, 25일)에 초기화 되어 7개월동안 적분 수행되며, 모델의 불확실성을 고려한 앙상블 멤버산출을 위해 확률적 운동에너지 후방산란(Stochastic Kinetic Energy Backscattering; SKEB2; Bowler et al., 2009) 기법을 사용하여 각 초기시간에 대해 3개의 앙상블 멤버를 생산한다. 예측장은 초기장에 대해 1개월 전망을 위한 75일 예측과 3개월 전망을 위한 240일 예측이 매일 수행되며 각각 2개씩 총 4개의 앙상블 멤버로 수행된다.

이 연구에서 사용한 자료는 현업 운영하여 제공 중인 1개월 전망 앙상블 예측자료이다. 앙상블 예측은 기후장과 예측장을 활용하여 매주 1회 생산되는데 예측장은 최근 7일 동안 매일 생산된 앙상블 멤버 4개의 모델예측자료를 취합하여 총 28개 멤버를 사용한다. 기후장은 특정일에 대해 자료를 생산하기 때문에 예측장 날짜를 기준으로 가장 가까운 기후장 초기시간을 찾아 거리에 따른 가중평균을 하여 총 멤버 120~180개로 예측장 날짜에 준하는 주별 앙상블 기후장을 생산한다(Ham et al., 2017). EFI는 기후값 대비 예측값의 앙상블 확률 분포를 가지고 산출하나 현 버전의 GloSea5는 2016년부터 업데이트 되어 2011년부터 2016년 사이의 폭염사례에 대해 적용할 수 없다. 따라서 과거 20년 동안의 기후장만을 이용하여 알고자 하는 해당연도 기후장을 제외한 나머지 19년을 기후값으로 가정하고 해당연도를 예측값으로 사용하는 ‘교차검증(Leave-One-Out Cross-Validation, Elsner and Schmertmann, 1994; Wilks, 1995; ICPO, 2011)’을 통해 과거 폭염사례에 대한 EFI를 주/월 단위로 모의하였다. 예를 들어 1994년 7월 11일 예측에 필요한 기후장은 1994년 기후장을 제외한 19년 7월 1일, 7월 9일, 7월 17일의 초기시간으로 총 171개 멤버로 구성되며, 예측장은 1994년 7월 1일, 7월 9일, 7월 17일 초기시간의 기후장으로 총 9개 멤버를 사용하게 된다(Table 1). 이 자료를 이용하여 1994년 우리나라와 2003년 유럽 폭염에 대해 주 단위 및 월 단위 EFI를 산출하였으며, 자료검증을 위해 약 0.75^o × 0.75^o 해상도를 가진 ECMWF의 ERA-Interim 재분석자료(Dee et al., 2011)를 GloSea5와 동일한 해상도로 내삽하여 사용하였다. 분석변수는 2 m 기온자료이며, 추가로 GloSea5 앙상블 예측장을 이용하여 최근 발생한 2018년 여름 폭염발생 사례에 대해서도 EFI를 생산하고 적용 가능성을 평가하였다.

Table 1.

Information on initial dates used for EFI in 1994 and 2003.

2.2 EFI 산출방법

기상요소에 대한 장기간의 자료가 존재하는 경우 기후패턴 분석이 가능하여 어떤 기간에 대해 기후값이라 표현되는 기준보다 높거나 낮을 경우 극한현상 발생 가능성을 고려할 수 있다. EFI는 이러한 관점에서 개발된 지수로 극한현상을 확률론적인 방법으로 접근하여 모델 앙상블분포와 과거 기후분포의 누적분포함수를 통해 두 분포 차이를 정량화하여 다양한 극한현상의 가능성을 지수로 표현한다. 모델 예측분포가 과거 기후분포와의 편차가 클수록 극한현상 발생 가능성 확률이 높아지기 때문에 EFI를 통해 이상 신호를 제공하는 것이다. 기후값과 관측값의 차이를 통해 나타내는 아노말리의 개념과 유사하지만 아노말리의 경우 평년대비 높거나 낮음의 정보로 제공 가능한 반면, EFI는 공간 및 시간에 따라 미리 제시된 임계값의 범위 내에서 제시된 지수를 통해 극한현상에 대한 조기경보가 가능하다는 장점이 있다. EFI는 다음 식(1)을 통해 −1~1 사이의 범위 내에서 양과 음의 값으로 구별되어 산출된다(Lalaurette, 2003; Zsoter, 2006).

$\[ EFI=\frac{2}{\pi }{\int }_0^1\left(\frac{p-F_f\left(p\right)}{\sqrt{p\left(1-p\right)}}\right)dp \]$

(1)

식에서 p는 각 기후 값의 분위수를 나타나며, F_f(p)는 이 p 분위수를 통해 앙상블 예측에서의 확률을 의미한다. Figure 1은 GloSea5의 모델 기후장 대비 앙상블 예측장(2016년~2018년 8월)에 대한 기온 누적분포함수를 나타낸 것으로 2018년 8월 예측의 경우 과거 기후장과 비교하여 가장 큰 차이가 발생한 것을 알 수 있다. 이와 같이 만약 두 과거 기후장과 예측장의 두 분포가 유사하면 EFI는 0에 가까운 값으로 나타나고, 예측값이 기후값보다 높게(낮게) 분포할수록 +1(−1)에 가까워진다. ±1에 가까운 EFI 값은 평소보다 극단적인 이벤트가 나타날 가능성이 높음을 나타내지만 값 자체가 극한현상이 발생할 확률을 의미하는 것은 아니다. 또한 EFI는 과거 기후분포와 예측분포의 편차로 표현되기 때문에 공간적으로 동일한 EFI 값이 나타나도 계절 및 위치에 따라 발생하는 기상현상의 강도는 차이가 존재할 수 있다는 점에 유의해야 한다. 선행연구에 따르면 EFI 범위가 0.5~0.8 일 경우 ‘비정상적인’ 날씨일 가능성이 높고, ‘매우 비정상적인’ 또는 ‘극한’ 날씨 발생 가능성은 EFI가 0.8 이상인 경우를 기준으로 제시한다(Persson, 2015). 이 연구에서는 EFI 모의에 있어 우리나라에서 생산된 GloSea5의 자료적용 및 활용 가능성과 EFI 결과가 선행연구 기준과 비교했을 때 어느 정도 범위에서 예측이 가능한지 진단해 보고자 한다.

Fig. 1.

Cumulative Distribution Functions of GloSea5 valid for August in Korea; Black: model climate (1991~2010), Green: 2016, Blue: 2017, Red: 2018. Initial time for model climate and ensemble forecast; HCST: 09 July (lead 1), 17 July (lead 1), 25 July (lead 1) and 01 August (lead 1), FCST: 02 July ~ 21 July (lead 1).

2.3 검증방법

과거 폭염사례에 대한 주 단위 EFI 모의 정확도는 Guan and Zhu (2017)에서 제시된 방법을 사용하였다. 주로 기상분야의 정성적 검증에 활용되는 방법으로 Table 2의 분할표(Contingency Table) 통해 평가하였다(Mason, 1982). Table 2에서 예측은 EFI, 관측은 ERA-Interim 재분석자료의 아노말리로 정의하였으며, 두 값을 비교하여 ‘진실(Yes)’과 ‘거짓(No)’으로 분류한다. 두 값을 비교하기 위한 임계값은 이 연구의 분석사례가 극한현상인 것을 고려하여 자료의 상위 5%에 해당하는 95 퍼센타일에 해당하는 값으로 정의하였다(Table 3; Table 4). 만약 예측과 관측이 모두 조건을 충족하면 ‘성공(Hit, H)’, EFI에서 예측했지만 관측되지 않았으면 ‘잘못된 경보(False alarm, F)’로 나타난다. 그리고 예측하지 못했지만 실제 발생하여 관측된 사건은 ‘놓친 이벤트(Misses, M)’, 예측과 관측에서 발생하지 않았다면 ‘음의 성공(Correct Negatives, C)’이다. 이 4가지 요소를 통해 아래 식과 같이 Probability of Detection (POD)와 False Alarm Ratio (FAR)을 산정한다.

Table 2.

Contingency table used to evaluate forecasts of EFI.

Table 3.

The 95th percentile threshold of ERA-Interim anomaly and EFI from 11 July to 07 August 1994.

Table 4.

Same as Table 3, except for the period from 18 July to 14 August 2003.

$\[ Probability of Detection \left(POD\right)=\frac{H}{\left(H+M\right)} \]$

(2)

$\[ False Alarm Ratio \left(FAR\right)=\frac{F}{\left(F+H\right)} \]$

(3)

POD는 ERA-Interim 아노말리의 임계값 이상에 해당하는 관측 이벤트만을 사용하기 때문에 놓친 이벤트(M)에 민감하고 잘못된 경보(F)에는 민감하지 않지만, FAR은 관측에서 발생하지 않은 이벤트와 잘못 예측된 EFI의 비로 표현되기 때문에 놓친 이벤트(M)에 민감하지 않고 잘못된 경보(F)에는 민감하다. 따라서 POD는 1, FAR는 0에 가까울 때 가장 이상적이지만 높은 POD와 함께 FAR도 높게 나타날 수 있기 때문에 POD와 FAR는 함께 해석하여야 한다. 또한 EFI 모의 성능을 도식적으로 비교·평가하기 위해 performance diagram (Roebber, 2009)을 이용하였다. Performance diagram은 확률예보에서 어떤 현상을 얼마나 잘 예측하였는지를 시각적으로 쉽게 판단하기 위해 POD와 FAR, Bias, Critical Success Index (CSI)을 통해 각 검증지수간의 상관성과 오차 그리고 자료변동성에 분포를 2차원 그래프로 표현한 것으로 기후모델의 성능비교 및 평가 시 활용되고 있는 Taylor diagram (Taylor, 2001)과 개념적인 접근법이 유사하다.

$\[ Bias=\frac{\left(H+F\right)}{\left(H+M\right)} \]$

(4)

$\[ Critical Success Index \left(CSI\right)=\frac{H}{\left(H+F+M\right)} \]$

(5)

완벽한 예측일수록 POD, success ratio (SR = 1 − FAR), CSI, Bias가 1에 접근하므로 검증자료는 오른쪽 상단에 분포하고, 만약 특정 방향으로 편차가 나타난다면 POD와 SR의 상대적인 차이를 나타내는 것으로 각 검증자료에 대한 Bias와 CSI가 즉각적으로 시각화된다.

3. 결 과

3.1 EFI 산출 결과

GloSea5 기후장 자료만을 이용한 교차검증 결과를 과거 기간 중 1994년 우리나라와 2003년 유럽 푹염사례에 대해 모의하였다. 1994년은 일 최고기온 33^oC 이상인 날이 16.6일 동안 지속되어 극심한 폭염이 발생한 해로 기록되고 있으며, Fig. 2는 7월 11일부터 8월 7일까지 폭염이 심했던 한 달간의 예측 결과이다. 분석기간은 그림에 표시하였으며 첫 번째 열은 기온분포 비교를 위한 ERA-Interim 아노말리이며, EFI는 분석기간을 기준으로 1개월 전, 그리고 주별로 4주 전부터의 예측 결과이다. 가장 위의 그림은 7월 11일 이전에 생산된 3주간의 앙상블 513개를 사용한 1개월 예측결과이며, 아래는 7월 11일부터 8월 7일의 각 주별 예측으로 1994년 9개 앙상블 멤버를 제외한 19년 기간의 171개 멤버를 사용하여 산출된 결과이다. ERA-Interim의 경우 전체 기간 중 7월 11일은 우리나라와 일본 전역에 최고 6도 이상, 7월 18일은 중국 북동지역까지 4도 정도의 아노말리가 발생하였다. 7월 25일 우리나라는 여전히 양의 아노말리를 유지하며 1~2도 정도 감소하여 나타났고, 중국 북동지역에선 음의 아노말리가 나타났다. 7월 11일 EFI는 예측 2주 전 결과까지 우리나라를 중심으로 일본 및 산동반도에 0.8 이상의 값이 나타나 극한현상 발생 가능성을 예측했지만, 음의 아노말리가 발생한 중국 중부와 남부에서도 양의 EFI 신호가 나타나 부분적으로 서로 상반된 결과가 모의되었다. 그러나 ERA-Interim 아노말리 결과를 바탕으로 최대 3주 전 예측결과까지 우리나라와 일본에 극한현상이 발생 가능할 것으로 예측되는 영역에 EFI 0.8 이상의 값이 나타나면서 높은 예측성을 보였다. 7월 18일의 경우 1주 예측은 중국 남동 및 북동지역, 우리나라, 일본 규수영역까지 0.8 이상의 값이 나타났으나 2주 전 예측부터 중국 북동지역의 EFI가 크게 감소하였다. 7월 25일과 8월 1일 경우에는 2주 전까지 폭염이 나타났던 패턴이 잘 모의된 것으로 확인하였다. Figure 2의 가장 상단 그림은 7월 11일부터 8월 7일까지 4주 동안의 ERA-Interim 아노말리와 같은 기간의 EFI 결과이다. 이 결과는 1개월 예측에 사용되는 현업 운영 시스템과 동일한 방법으로 최근 3주 결과를 이용하여 모의하였다(7월 11일 1주 예측, 7월 4일 2주 예측, 6월 27일 3주 예측). 이 결과에서도 주 단위와 유사한 패턴을 보이고 있으며 다만 중국 북동지역의 양의 아노말리 영역이 EFI에서는 0 이하로 나타나면서 월 단위 분석 시 최소 3~4도 정도의 양의 아노말리 영역에서 양의 EFI가 모의 가능한 것으로 확인하였다. 두번째 사례는 2003년 유럽 폭염 사례로 당시 7만여명이 사망했을 정도로 지금까지 유럽에서 가장 심했던 폭염으로 기록되었으며 특히 서유럽에서 심한 폭염이 나타났던 해이다. 유럽 내 폭염이 가장 심하게 발생했던 7월 18일부터 8월 14일을 분석 기간으로 설정하였으며 결과는 Fig. 3과 같다. 7월 18일과 7월 25일 예측에서 노르웨이를 제외한 북유럽에서 최대 5도 이상의 아노말리가 발생하였으며 EFI 결과에서도 동일한 영역에 0.8 이상의 값이 2주 전까지 나타났으며 3주 전 결과부터는 EFI가 0.6 이하로 감소하였다. 8월 1일부터는 유럽 남서부와 서유럽 전역에 양의 아노말리가 발생했으며 특히 독일과 프랑스 주변에 최대 7도 이상의 아노말리가 나타났다. 8월 1일의 경우 영국을 제외한 서유럽 영역에 극한기상 발생신호가 나타났으나 2주전 예측부터 신호가 현저하게 떨어지는 것을 확인하였다. 8월 8일은 서유럽 영역의 EFI 모의는 가능했지만 음의 아노말리 영역인 북유럽에서 EFI 극한기상 발생신호가 나타나고, 양의 아노말리 영역인 서유럽에선 음의 EFI로 서로 상반된 결과가 나타난 것을 확인하였다. Figure 2와 동일하게 전체 4주에 해당하는 기온 아노말리와 EFI를 모의하였다. 노르웨이를 제외한 북유럽 영역에서 3도 이상, 프랑스 및 독일부근에서 4~5도 이상의 아노말리가 발생하였고, 북유럽 영역은 0.6 이상의 EFI 신호가 확인되었지만 서유럽에서는 발생하지 않았다. 이 결과는 주 단위 자료에서 확인할 수 있듯이 서유럽에서의 EFI 7월 말 음의 신호와 8월 초의 양의 신호가 반영되어 나타난 것으로 확인된다. 두 사례를 통해 ERA-interim의 4도 이상 양의 아노말리가 나타나는 영역과 GloSea5 예측의 EFI 0.8 이상 영역이 대응되고 있음을 확인하였다. 또한 월 단위 EFI 모의 시 기후예측시스템들의 현 특성상 단기예측보다 기후 변동 값이 약하게 모의되는 특성이 반영되는 것과 주 단위 예측성능이 최대 2주~3주에 해당하는 것을 고려하여 EFI의 정보가 우리나라 폭염발생을 예측함에 있어 활용 가능할 것으로 판단된다. 모델의 예측성에는 그 해의 특징적인 역학적 메커니즘을 모델이 잘 모의하는 특성과 관련있기 때문에 앙상블 스프레드와 예측성의 관계를 단정지어 판단하긴 어렵지만, 좀 더 많은 앙상블이 생산되고 과거 기후모의 기간이 길어져 많은 사례를 확보한다면 이러한 관계를 추후 더 뚜렷하게 볼 수 있을 것으로 생각된다.

Fig. 2.

Spatial distribution of ERA-Interim anomalous 2-m temperature (1st column) and 2-m temperature EFI (2nd~5th columns) for heat-wave cases during the period from 11 July 1994 to 07 August 1994 in Korea. Initial time for model climate of monthly EFI (1st column, right panel): 11 July (lead 1 week), 04 July (lead 2 weeks) and 27 June (lead 3 weeks).

Fig. 3.

Same as Fig. 2, except for the period from 18 July 2003 to 14 August 2003 in Europe. Initial time for model climate of monthly EFI (1st column, right panel): 18 July (lead 1 week), 11 July (lead 2 weeks) and 04 July (lead 3 weeks).

3.2 검증결과

Figure 4는 1994년과 2003년의 선행시간에 따른 주 단위 POD와 FAR이다. 또한 추가로 ERA-interim 아노말리와 EFI의 공간상관을 함께 확인하였다. POD는 Figs. 2, 3의 공간분포에 나타난 것과 동일하게 1994년의 경우 3주 전 예측부터 감소하였으며 2003년은 1주 결과에 비해 2주 전부터 큰 폭으로 감소하였다. 분석 기간 중 ERA-Interim 아노말리가 5도와 7도 이상으로 가장 높았던 1994년 7월 11일과 2003년 8월 8일의 예측 1주 POD가 각각 0.7과 0.9로 높게 나타났으며 이 때 FAR은 0.2 정도로 나타났다. 또한 Table 3과 4와 같이 임계값이 가장 높은 1994년 7월 18일(4.14)과 2003년 8월 1일(5.47)은 가장 낮은 예측성(예측 1주 POD 0.3/0.2)을 보였는데 이는 높은 임계값으로 인해 모든 조건을 충족하는 Hit 수가 적어 낮은 적중률이 나타난 것을 의미한다. 결과적으로 기준 임계값에 따라 적중률은 높아질 수 있지만 그만큼 오보율도 높아짐에 주의하여 최적의 임계값 조정이 필요한 것으로 보인다. 본문에는 첨부하지 않았지만 두 사례 모두 예측 1주부터 예측성의 차이를 보여 90 퍼센타일로 임계값을 조정한 결과를 확인하였으나, 임계값 95 퍼센타일 결과와 비교했을 때 초기시간에 따른 예측성은 큰 차이를 보이지 않았다. EFI의 예측성능은 결국 GloSea5의 예측성능 범위 내에서 나타나기 때문에 예측 1주부터 모든 초기시간의 결과가 차이가 있는 것은 모델 입력자료인 초기장의 영향인지, 모델 자체의 구조적인 문제의 영향일지는 향후 GloSea5 예측성 진단을 통해 확인할 필요가 있다. 공간상관의 경우 모두 0.5 이상으로 최대 0.9까지 나타나 높은 공간 상관성이 있음을 확인하였으며 마찬가지로 예측 선행시간에 따라 공간상관 값이 감소하였다. Figure 4의 결과를 도식화한 performance diagram에서도 완벽한 예측의 이상적인 모습을 보이진 않지만 2003년 유럽 사례(Fig. 5b)보다 1994년 우리나라 폭염사례(Fig. 5a)에서 상대적으로 더 높은 예측성이 나타냈다. 그러나 예측 선행시간이 길수록 낮은 POD와 SR로 좌측하단에 분포하여 성공적인 예측성을 보이지는 않는다.

Fig. 4.

The time series of probability of detection (top), false alarm rate (middle), and spatial pattern correlation (bottom) from 11 July to 07 August 1994 (left panel) and from 18 July to 14 August 2003 (right panel).

Fig. 5.

Performance diagram summarizing the SR (1-FAR), POD, bias and CSI as in Fig. 4. Solid and dashed lines represent CSI and bias scores, respectively. Shown is 1 week forecast of heat wave from the lead 1 (red dots), lead 2 (yellow dots), lead 3 (green dots), and lead 4 (purple dots) results.

3.3 2018년 EFI 예측

앞선 결과에서 GloSea5를 사용하여 EFI를 모의함에 있어 유의미한 결과가 나타남을 확인하였고, 이 결과를 바탕으로 2018년 폭염사례에 적용해 보았다(Fig. 6). 2018년 8월 서울 최고기온은 39.6^oC로 연속관측 통계작성을 시작한 1973년 이래 111년 만에 일 최고기온 극값을 기록하였으며 27.9일 동안 폭염이 지속되어 가장 심한 폭염으로 기록되었다. EFI 산출을 위한 기후값은 과거 EFI 모의방법과 동일하며 전체 GloSea5 기후장 자료가 존재하는 20년기간 동안의 각 3개 앙상블로 총 180개 앙상블 자료를 사용하였다. 예측장도 마찬가지로 주 단위 초기장에 대한 4개 앙상블 멤버로 총 28개 앙상블을 사용하였다. 분석영역은 우리나라를 중심으로 하였으며 분석기간은 폭염 최성기 전·후 기간인 2018년 7월 16일부터 8월 12일까지 일주일 간격으로 예측 선행시간 4주이다. EFI 검증을 위해 동일한 기간에 대한 ERA-Interim 아노말리 공간분포를 함께 비교하였다. 폭염 발생기간 동안 ERA-Interim 아노말리가 4도 이상일 때 EFI 0.8 이상의 값이 나타나면서 극한현상 발생 가능성을 예측하였으며, 가장 심한 폭염이 발생했던 7월 30일 전·후 EFI에서도 우리나라에 선행시간 3주 예측까지 0.8 이상의 높은 EFI가 나타난 것을 확인하였다. 지역적으로 편차가 있긴 하지만 전체 분석기간 동안 2주 예측에서 0.8 이상의 EFI가 모의되었으며 3주 예측에서 0.4 이상의 EFI가 분포하였고, 폭염이 점차 해소되었던 시기인 8월 6일은 0.2~0.6으로 상대적으로 낮은 EFI가 나타났다. 주 단위 GloSea5 예측자료를 이용한 EFI는 2주 예측에서 극한 고온현상 발생 가능성이 예측되었으며, 최대 선행시간 3주까지 높은 예측성을 보여 향후 EFI의 예측도 적용 가능할 것으로 판단된다.

Fig. 6.

The ERA-Interim anomaly and EFI of 2-m temperature valid for the heat wave from 17 July 2018 to 12 August 2018 in Korea.

4. 요약 및 토의

이 연구에서는 기상청에서 현업 운영되고 있는 기후예측시스템에서의 예측성, 특히 고온 극한현상에 대한 활용도를 높이고자 극한예측지수 EFI를 산출하고, 검증을 통해 실제 장기예보에서의 활용가능성을 검토하고자 하였다. 먼저 EFI 모의에 있어 기후값으로 사용될 GloSea5의 과거 기후장만을 이용하여 교차검증을 통해 실제 발생했던 우리나라와 유럽 폭염 사례에 적용한 결과, ERA-Interim 기온 아노말리가 5도 이상 차이나는 영역과 극한현상 발생 가능성을 의미하는 영역 EFI의 영역이 공간적으로 매우 유사하게 분포한 것을 확인하였다. 공간분포에 대한 통계적 검증은 분할표를 이용한 POD, FAR과 Performance diagram을 통해 선행시간에 따라 확인하였고, 정확도 유·무는 각 자료의 95퍼센타일에 해당하는 값을 임계값으로 설정하여 비교하였다. 검증결과 공간분포와 동일하게 예측 선행시간 2주전까지 유의미한 결과를 얻을 수 있었지만, 그 이상 기간에 대해서는 예측성이 큰 폭으로 감소하였다. 또한 이례적인 폭염이 발생한 2018년 7월에 대해 주 단위 현업자료를 이용하여 EFI를 적용한 결과 폭염 발생일부터 최대 2주 전까지 0.8 이상의 높은 EFI가 나타난 것을 확인하였다. 결국 EFI의 예측성능은 GloSea5의 예측성능에 의존하겠으나 이 연구결과를 통해 현업 운영되고 있는 기상청 기후예측시스템에서의 극한현상, 특히 폭염현상에 대한 EFI의 기준치를 설정하고 그 활용가능성을 확인할 수 있었다. 다만 일반적으로 장기예측자료의 경우 변동성이 적고 전체 앙상블 스프레드가 넓게 분포되는 경향을 보이기 때문에 극한현상의 종류에 따라 예측성능을 높이기 위해 예측발생 유·무를 판단하는 임계값 조정을 고려해야 할 것이다. 극한현상에서의 EFI 적용은 위치나 시간 등의 변동성에 대한 모든 정보의 특성이 포함된 모델 기후를 적용하기 때문에 사용자가 공간 및 시간에 따라 지수화된 정보를 통해 위험 상황을 인지하여 대응할 수 있다는 장점이 있다. 향후 본 연구결과를 바탕으로 기후예측시스템의 과거 기후분포에 대한 예측분포 차이를 정량화하고 분석변수의 범위를 확장하여 주 단위부터 계절단위의 EFI를 제공함으로써 극한현상에 대한 조기경보의 지표로 활용가능할 것으로 기대한다.

Acknowledgments

이 연구는 기상청 국립기상과학원 「장기예측시스템 개발」(1365003054)의 지원으로 수행되었습니다. 세밀한 심사를 해주신 두분의 심사자님들께 깊은 감사를 드립니다.

References

• Bauer, P., A. Thorpe, and G. Brunet, 2015: The quiet revolution of numerical weather prediction. Nature, 525, 47-55. [https://doi.org/10.1038/nature14956]
• 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. [https://doi.org/10.5194/gmd-4-677-2011]
• 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. Roy. Meteor. Soc., 135, 767-776. [https://doi.org/10.1002/qj.394]
• 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. [https://doi.org/10.1175/BAMS-D-12-00018.1]
• Dee, D. P., and Coauthors, 2011: The ERA-interim reanalysis: Configuration and performance of the data assimilation system, Q. J. Roy. Meteor. Soc., 137, 553-597. [https://doi.org/10.1002/qj.828]
• Dutra, E., M. Diamantakis, I. Tsonevsky, E. Zsoter, F. Wetterhall, T. Stockdale, D. Richardson, and F. Pappenberger, 2013: The extreme forecast index at the seasonal scale. Atmos. Sci. Lett., 14, 256-262. [https://doi.org/10.1002/asl2.448]
• Elsner, J. B., and C. P. Schmertmann, 1994: Assessing forecast skill through cross validation. Wea. Forecasting, 9, 619-624. [https://doi.org/10.1175/1520-0434(1994)009<0619:AFSTCV>2.0.CO;2]
• Guan, H., and Y. Zhu, 2017: Development of verification methodology for extreme weather forecasts. Wea. Forecasting, 32, 479-491. [https://doi.org/10.1175/WAF-D-16-0123.1]
• Ham H., D. Won, and Y.-S. Lee, 2017: Performance assessment of weekly ensemble prediction data at seasonal forecast system with high resolution, Atmosphere, 27, 261-276, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2017.27.3.261]
• Hamill, T. M., G. T. Bates, J. S. Whitaker, D. R. Murray, M. Fiorino, T. J. Galarneau Jr., Y. Zhu, and W. Lapenta, 2013: NOAA’s second-generation global medium-range ensemble reforecast dataset. Bull. Amer. Meteor. Soc., 94, 1553-1565. [https://doi.org/10.1175/BAMS-D-12-00014.1]
• Hamill, T. M., and Coauthors, 2014: A recommended reforecast configuration for the NCEP Global Ensemble Forecast System. NOAA White Paper, 24 pp.
• Hunke, E. C., and W. H. Lipscomb, 2010: CICE: The Los Alamos sea ice model documentation and software user’s manual, Version 4.1, LA-CC-06-012 Technical report, Los Alamos National Laboratory, N. M, 76 pp.
• IPCC, 2014: Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. In The Core Writing Team et al. Eds., IPCC, 151 pp.
• ICPO, 2011: Data and bias correction for decadal climate predictions, International CLIVAR Project Office, ICPO Publication Series no. 150, 3 pp.
• Lalaurette, F., 2003: Early detection of abnormal weather conditions using a probabilistic extreme forecast index. Q. J. Roy. Meteor. Soc., 129, 3037-3057. [https://doi.org/10.1256/qj.02.152]
• Lavers, D. A., F. Pappenberger, D. S. Richardson, and E. Zsoter, 2016: ECMWF Extreme Forecast Index for water vapor transport: A forecast tool for atmospheric rivers and extreme precipitation. Geophys. Res. Lett., 43, 11852-11858. [https://doi.org/10.1002/2016GL071320]
• Lavers, D. A., E. Zsoter, D. S. Richardson and F. Pappenberger, 2017: An assessment of the ECMWF Extreme Forecast Index for water vapor transport during boreal winter. Wea. Forecasting, 32, 1667-1674. [https://doi.org/10.1175/WAF-D-17-0073.1]
• Lea, D. J., I. Mirouze, M. J. Martin, R. R. King, A. Hines, D. Walters, and M. Thurlow, 2015: Assessing a new coupled data assimilation system based on the Met Office coupled atmosphere-land-ocean-sea ice model. Mon. Wea. Rev., 143, 4678-4694. [https://doi.org/10.1175/MWR-D-15-0174.1]
• Lee, S.-W., J. Son, S.-O. Moon, and H. Park, 2013: Probabilistic early warnings of severe weather by using the EFI from KMA Ensemble Prediction System. Proc. Abstract, KMS Spring Meeting, Korean Meteorological Society, 16-17.
• Jeon, E.-H., S.-O. Moon, and Y.-Y. Park, 2006: EFI analysis of KMA Ensemble Prediction System. Proc. Abstract, KMS Fall Meeting, Korean Meteorological Society, 256-257 (in Korean).
• MacLachlan, C., and Coauthors, 2015: Global seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Q. J. Roy. Meteor. Soc., 141, 1072-1084 [https://doi.org/10.1002/qj.2396]
• Madec, G., 2008: NEMO ocean engine. Note du Pôle de Modélisation No. 27 Institut Pierre-Simon Laplace (IPSL), 300 pp.
• Mason, I., 1982: A model for assessment of weather forecasts. Aust. Meteor. Mag., 30, 291-303.
• Persson, A., 2015: User Guide to ECMWF forecast products, Version 1.2, ECMWF, 129 pp.
• Roebber, P. J., 2009: Visualizing multiple measures of forecast quality. Wea. Forecasting, 24, 601-608. [https://doi.org/10.1175/2008WAF2222159.1]
• Taylor, K. E., 2001: Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res., 106, 7183-7192. [https://doi.org/10.1029/2000JD900719]
• Valcke, S., 2013: The OASIS3 coupler: A European climate modelling community software. Geosci. Model Dev., 6, 373-388. [https://doi.org/10.5194/gmd-6-373-2013]
• 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. [https://doi.org/10.5194/gmd-4-919-2011]
• Wilks, D. S., 1995: Statistical Methods in the Atmospheric Sciences: Forecast verification. Academic Press, 704 pp.
• Zhu, Y., and B. Cui, 2007: NAEFS mean, spread and probability forecasts. NOAA/NCEP Rep., 4 pp [Available online at http://www.emc.ncep.noaa.gov/gmb/yzhu/imp/i200711/3-Mean_spread.pdf, ].
• Zsoter, E., 2006: Recent developments in extreme weather forecasting. ECMWF Newsletter, 107, 8-17. [https://doi.org/10.21957/kl9821hnc7]