한국형모델의 항공기 관측 온도의 정적 편차 보정 연구

1. 서 론

3차원 기상정보는 정확한 기상 예측을 위해 유용한 정보로 3차원 기상정보를 관측하는 장비는 라디오존데, 항공기, 레이더 등이 있다. 이 중 항공기는 전 지구적으로 고르게 분포하며 이착륙 및 비행경로에 따라 기상정보를 관측 및 수집하고 있어 수치예보모델의 예측성에 영향이 큰 것으로 알려져 있다(Joo et al., 2012; Ota et al., 2013; Petersen, 2016; Soldatenko et al., 2018). 그러나 항공기 관측 온도는 상승과 하강 시 비행속도의 차이, 받음각(Angle of attack)의 차이, 하강 시 습윤 및 응결 효과 등에 의해 편차(bias)를 가지고 있다. 국내·외 연구에서 항공기 관측 온도가 라디오존데에 비해 양의 편차임을 확인하였고(Park and Kim, 2002; Cardinali et al., 2003; Ballish and Kumar, 2008; Kwon et al., 2018), 항공기 관측 온도의 편차 보정이 수치예보모델의 편차를 감소시켜 긍정적인 영향을 주는 것으로 나타났다(Cardinali et al., 2003, Rienecker et al., 2011).

항공기 관측 온도의 편차 보정 방법으로는 모델 배경장을 기준으로 편차를 산출하여 보정하는 방법과 자료동화 시스템 내 변분법을 이용하는 방법(변분 편차 보정 기법)이 있다(Schwartz and Benjamin, 1995; Isaksen et al., 2012). 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, 이하 ECMWF)는 변분 편차 보정 기법을 이용하여 북반구에서 항공기 관측 온도의 관측증분(O-B, innovation or departure)과 관측잔차(O-A, analysis residuals)가 감소함을 확인하였다(Isaksen et al., 2012). 기상청 현업 전지구 수치예보시스템(Global Data Assimilation and Prediction System, 이하 GDAPS)인 통합모델(Unified Model, 이하 UM)에서는 일정기간의 관측과 배경장의 차를 이용하여 종관관측자료 품질정보 진단체계(Hwang et al., 2016)를 통해 항공기별로 상·중·하층(150~300, 300~700, 700~1050 hPa) 구간별 온도 편차 계수를 산출하여 보정하고 있다.

기상청에서 UM과 동시에 현업 GDAPS로 운영하고 있는 한국형모델(Korean Integrated Model, 이하 KIM; Hong et al., 2018)의 관측자료 전처리 시스템(KIAPS Package for Observation Processing, 이하 KPOP; Kang et al., 2018)에서는 항공기 관측 온도의 편차를 보정하지 않는다. Kwon et al. (2018)은 KPOP의 항공기 관측자료 전처리 과정에 항공기 관측 온도의 단일 편차 보정 계수를 연직 구간별(200~300 hPa, 300~500 hPa, 500~850 hPa, 850 hPa~지표면)로 적용한 결과, 양의 편차는 전반적으로 감소하였으나 음의 편차는 일부 지역에서 증가하였다. 이는 각 항공기의 온도 편차가 다름에도 모든 항공기에 편차 보정 계수를 연직 구간별로 동일하게 적용함으로써 각 항공기 및 지역적 특성이 반영되지 않았기 때문인 것으로 판단된다.

이 연구에서는 KIM의 KPOP 항공기 관측자료 전처리 과정에 각 항공기 및 지역적 특성을 반영한 온도의 편차 보정 알고리즘을 개발하고 그 영향과 예측 성능을 살펴보고자 한다. 항공기 온도의 편차 보정 알고리즘은 각 항공기의 상·중·하층 구간별로 정적 편차 보정을 적용하여 지역별 특성이 나타나게 반영하였다. 정적 편차 보정을 위한 온도 편차 계수 산출은 종관관측자료 품질정보 진단체계에서 적용하는 기준을 이용하여 개발하였다. 2장에서는 사용한 항공기 관측자료, KPOP의 항공기 관측자료 전처리 과정, 온도 편차 보정 계수의 산출 방법에 대해 소개하였고, 3장에서는 KIM의 구성과 실험의 설계에 대해 설명하였다. 4장에서는 항공기 관측 온도의 편차를 보정한 영향을 분석하였고, 5장에서는 요약 및 결론을 서술하였다.

2. 항공기 관측자료와 온도 편차 보정 방법

2.2 KPOP의 항공기 관측자료 전처리 과정

KPOP의 항공기 관측자료 전처리 과정은 변수 변환, 과대오차 검사(Gross QC), 블랙리스트 기반의 사전 품질 검사, 경로 추적 검사(Track Check), 배경장 검사, 솎아내기 검사로 구성된다. Figure 1은 KPOP의 항공기 관측자료 전처리 과정을 나타낸 모식도이다. 변수 변환 과정은 비행 고도, 풍향·풍속에서 기압, 바람벡터로 변환한다. 과대오차 검사는 관측자료 자체의 적정성을 검사한다. 블랙리스트 기반의 사전 품질 검사는 품질진단정보(StationList)를 이용하여 항공기의 고도 범위 또는 관측 변수의 제거 여부를 그룹 단위 혹은 개별 단위로 결정한다. 경로 추적 검사는 항공기의 경로에 따라 관측의 유효성을 검사한다. 배경장 검사는 관측과 배경장의 차이(O-B)를 이용하여 자료동화에 사용할 관측을 선별한다. 마지막으로 솎아내기 검사는 수평과 연직에 대해 관측을 솎아낸다.

Fig. 1.

Flow chart for aircraft observations preprocessing in KPOP.

2.3 항공기 관측 온도의 편차 보정 계수 산출

GDAPS (UM)에서는 항공기 관측자료를 상(150~300 hPa), 중(300~700 hPa), 하(700~1050 hPa)층의 연직 구간으로 구분하여 관측자료의 수, 관측증분의 평균, 표준편차, 과대오차 비율 등의 기준으로 품질을 진단하고 온도 편차 보정 계수를 산출하여 항공기 관측 온도를 보정하고 있다. 이 연구에서 KIM의 항공기 관측 온도의 편차를 보정하기 위해 온도 편차는 항공기별 관측과 배경장의 차이인 관측증분으로 정의하였다. 편차 계수 산출 기준은 GDAPS (UM)에서 적용하는 편차 계수를 구하는 방식처럼 상·중·하층으로 나눈 후, 통계적 신뢰성을 확보하기 위해 1개월 동안의 관측자료 수가 30개 이상인 각 항공기에 대해 편차의 평균값을 상·중·하층 구간별로 구하고, 편차의 평균값을 상·중·하층 구간별로 구한 모든 항공기의 평균값으로 계산한 표준편차의 3배 이내에 속하는 항공기에 대해서만 편차를 정적으로 보정하도록 적용하였다. 이때 온도의 편차 보정 계수는 각 항공기의 상·중·하층 구간별 온도 편차의 1개월 평균값을 사용하며, 편차 보정은 항공기 관측 온도 값에서 편차 보정 계수를 빼거나 더하는 것으로 정의하였다. 이 연구의 편차 보정 계수 산출에 사용한 자료는 2018년 7월의 항공기 관측 온도와 3.3a 버전의 KIM 배경장이다. Figure 2는 2018년 7월 1일 0000UTC에 각 항공기의 상·중·하층 구간별 온도 편차 보정 계수가 산출되어 보정이 가능한 항공기에 대해 수평과 연직으로 나타낸 분포이다. Figure 2의 수평 분포와 같이 편차 보정 계수가 각 항공기의 경로에 따라 다르게 나타나고, 편차보정 계수가 상·중·하층 구간별로 다르게 나타남을 알 수 있다. KPOP의 항공기 관측자료 전처리 과정에서 각 항공기의 상·중·하층 구간별 온도 편차 보정은 2.2절에서 설명한 품질검사 중에 변수 변환과 과대오차 검사 사이에서 수행되도록 개발하였다.

Fig. 2.

Global horizontal distribution (upper) and zonal profile (bottom) of temperature bias correction coefficients for aircraft observations at 0000 UTC 1 July 2018. Dots denote all aircraft observations available temperature bias correction.

3. 한국형모델의 구성 및 실험 설계

KIM은 육면체구 격자 기반이고 관측자료 전처리(KPOP), 자료동화, 예측 모델로 구성된다. KPOP은 버퍼(BUFR) 형태의 관측자료 해독(Decoding), 자코비안(Jacobian)을 활용한 품질검사, 실시간 배경장에 맞춘 편차 보정, 육면체구 격자에서의 솎아내기 등이 적용되었고 총 6개 유형, 15개 관측종에 해당하는 종관/비종관 관측자료 및 위성관측자료를 처리할 수 있다(Kang et al., 2018). 자료동화는 하이브리드 4차원 앙상블-변분 자료동화(Hybrid-4DEnVar) 기법으로 다중 해상도 외부 순환(Song et al., 2018), 다중 규모 국지화(Ying et al., 2018), 초기 모델 균형을 위한 점진적 분석증분 적용법(IAU, Bloom et al., 1996) 등이 적용되었다. 또한 앙상블 초기 섭동(LETKF)은 국지 앙상블 변환 칼만 필터(Local Ensemble Transform Kalman Filter, 이하 LETKF; Hunt et al., 2007) 기반으로 4차원-LETKF를 개발 및 적용되었다. 예측모델은 분광요소법(Spectral element method)을 사용하는 비정역학 모델로(Choi et al., 2014; Choi and Hong, 2016), SAS (Simplified Arakawa-Schubert) 기반의 격자 적응형 질량속 깊은/얕은 대류 물리과정, RRTMG (Iacono et al., 2008) 복사물리과정, Noah 지면 모델(Koo et al., 2017), 격자적응 방법(Shin and Hong, 2015)과 난류 혼합 과정(Lee et al., 2018)이 추가된 대기경계층 물리과정 방안, 아격자 산악 항력 모수화(Choi and Hong, 2015; Koo et al., 2018) 등이 적용되었다.

이 연구에서는 3.3b버전의 KIM을 이용하여 항공기 관측 온도의 편차 보정이 분석과 예측에 미치는 영향을 살펴보았다. 예측 모델의 수평해상도는 약 25 km이고 자료동화의 수평해상도는 약 50 km이다. 예측모델의 연직층은 91개로 최상층 기압은 1 hPa이다. 자료동화에 사용된 관측자료는 항공기 관측자료 외에도 라디오존데, Pibal 및 윈드프로파일러 관측, 지표 관측, 위성 관측으로부터 도출된 대기 운동 벡터와 해상풍 관측, AMSU-A (Advanced Microwave Sounding Unit A), ATMS (Advanced Technology Microwave Sounder), MHS (Microwave Humidity Sounder), IASI (Infrared Atmospheric Sounding Interferometer), CrIS (Cross-track Infrared Sounder), COMS/CSR (Communication Ocean and Meteorological Satellite/Clear Sky Radiance)의 위성 복사량, GPSRO (Global Positioning System Radio Occultation)의 차폐 관측, 태풍 보거싱 자료다.

이 연구에서는 규준 실험(이하, CTL)과 항공기 관측 온도의 편차를 보정한 실험(이하, EXP)을 수행하였다. 첫 번째 자료동화에 사용된 배경장은 GDAPS (UM)의 분석장으로부터 6시간 예측한 KIM의 결과이고, 두 번째 배경장부터는 항공기 관측 온도의 편차를 보정한 영향이 반영되었다. 실험 기간은 2018년 6월 23일부터 7월 14일까지 6시간 간격의 순환으로 수행하였고, 6월 23일부터 6월 30일까지 7일간은 스핀업 기간으로 설정하였다. 항공기 관측 온도의 편차 보정이 예측에 미치는 영향을 분석하기 위해 예측은 실험 기간 동안 12시간 간격으로 5일까지 수행하였다. 예측 검증 기간은 5일 예측까지 검증하기 위해 2018년 7월 6일부터 14일까지로 설정하였다.

4. 항공기 관측 온도의 편차 보정 효과

4.1 전처리 및 자료동화에서의 영향

이 절에서는 항공기 관측 온도의 편차 보정에 따른 영향을 살펴보았다. Figure 3은 스핀업이 끝난 후 첫 번째 시점인 2018년 7월 1일 0000 UTC에 CTL과 EXP에서 온도의 관측증분(O-B)을 상·중·하층의 대표 고도인 200, 500, 850 hPa에 대해 각각 나타낸 분포로 히스토그램의 최소·최대값은 ±4K이고 간격은 약 0.13 K이다. 200 hPa 온도의 관측증분 분포(Figs. 3a, b)에서 EXP의 변화는 태평양과 대서양을 횡단하는 항공기 경로를 따라 CTL에 비해 약 0.1~1.0 K 감소하였고 북미 대륙과 유라시아 대륙에서도 유사한 수준으로 감소하였다. 태평양과 대서양 지역은 주로 장거리 비행 경로로 순항 구간에 속한다. Figure 2에서 이 지역의 편차는 온난한 편으로 EXP에서 온난한 편차 경향이 보정되면서 EXP의 관측증분이 CTL에 비해 감소되었다. EXP의 평균과 표준편차는 전지구적으로 CTL보다 약 0.18 K(CTL: 약 0.21 K, EXP: 약 0.03 K), 0.07 K(CTL: 약 0.65 K, EXP: 약 0.58K) 감소되었다. 자료동화에 사용 가능한 EXP의 항공기 관측 수는 CTL에 비해 446개(CTL: 13,274개, EXP: 13,720개) 증가되었다. 500 hPa 온도의 관측증분 분포(Figs. 3c, d)에서 항공기 관측 분포가 200 hPa에 비해 중위도 지역의 대륙과 섬을 중심으로 나타나고, 북미와 중국 지역에서 EXP의 관측증분이 CTL에 비해 약 0.1K 감소되었다. 항공기의 순항 고도는 보통 약 7.9 km이고, 500 hPa 고도는 약 5.4 km로 상승·하강 구간에 속해 Fig. 2에서 이 지역의 편차는 200 hPa 고도보다 한랭하게 나타났다. EXP 중층에서 한랭한 편차가 보정되면서 EXP의 관측증분은 CTL에 비해 미미하게 감소된 것으로 나타났다. EXP의 평균과 표준편차는 전지구적으로 CTL에 비해 약 0.04 K(CTL: 약 0.07K, EXP: 약 0.03 K), 약 0.03 K(CTL: 약 0.49 K, EXP: 약 0.46 K) 감소되었다. 자료동화에 사용 가능한 EXP의 항공기 관측 수는 CTL보다 18개(CTL: 2,588개, EXP: 2,606개) 증가되었다. 850 hPa 온도의 관측증분 분포(Figs. 3e, f)에서 항공기 관측 분포는 500 hPa과 유사하게 나타났고 북미와 중국 지역에서 EXP의 관측증분이 CTL에 비해 약 0.1 K의 차이를 보였다. 850 hPa 고도는 500 hPa 고도처럼 상승·하강 구간에 속하고, Fig. 2에서 이 지역의 편차는 500 hPa 고도보다 더 한랭하게 나타났다. EXP에서 이런 편차 경향이 보정되면서 EXP의 관측증분이 CTL에 비해 미미하게 감소된 것으로 나타났다. CTL과 EXP의 평균은 약 -0.04 K으로 동일하여 변화가 없었으나 EXP의 표준편차는 CTL에 비해 약 0.07 K(CTL: 약 0.58 K, EXP: 약 0.51K) 감소되었다. 이러한 결과는 공항의 지역적 인프라 차이로 온도 편차 계수 보정의 결과가 지역적 차이를 보여 향후 이를 해결하기 위한 연구가 필요하다. 자료동화에 사용 가능한 EXP의 항공기 관측 수는 CTL 보다 43개(CTL: 597개, EXP: 640개) 증가되었다. CTL과 EXP를 비교한 결과, 상·중·하층별 관측증분의 변화는 각 항공기의 관측 경로를 따라 나타났고, Fig. 2에서 나타난 온도 편차 보정 계수를 이용하여 각 항공기의 상·중·하층 구간별로 보정된 후에 관측증분의 평균과 표준편차가 전지구적으로 감소하였고 자료동화에 사용 가능한 관측 수가 증가하였다. 항공기 관측 온도의 편차 보정은 상층과 중층에서 온난한 편차를 감소시키고 자료동화에 사용 가능한 관측 수가 증가되었다. 또한 상·중·하층의 관측증분과 자료동화에 사용 가능한 관측 수가 변화됨에 따라 편차 보정이 잘되고 있음을 확인할 수 있었고, 스핀업이 끝난 후 첫 번째 시점 이외에도 온도의 상·중·하층에서 관측증분의 평균과 표준편차가 감소됨을 확인하였다(그림 생략).

Fig. 3.

Global horizontal distributions of temperature innovation (OmB) between aircraft observations and each background of CTL (left panels) and EXP (right panels) at (a), (b) 200 hPa, (c), (d) 500 hPa, (e), (f) 850 hPa for each aircraft point at 0000 UTC 1 July 2018. EXP is including aircraft temperature bias correction and CTL is without it.

항공기 관측 온도의 편차 보정 효과는 실험기간에 대해 라디오존데, GPSRO 관측자료를 이용하여 검증해보았다. 라디오존데와 GPSRO 관측자료는 편차 보정 없이 사용이 가능하고 3차원 정보를 제공하므로 신뢰도가 높은 자료이다. Figure 4는 CTL과 EXP에서 전지구를 평균한 항공기 관측 대비 온도의 관측증분을 2018년 7월 1일부터 14일까지 전층, 상층, 중층, 하층별로 나타낸 시계열이다. 실선은 평균이고, 파선은 표준편차이며, 막대는 자료동화에 사용 가능한 관측 수이다. 전층(all)은 표준 고도 중 1000, 925, 850, 700, 500, 300, 200, 100 hPa의 평균이고, 상층(highl-evel)은 300, 200 hPa 고도에 대한 평균, 중층(middle-level)은 700, 500 hPa 고도에 대한 평균이며 하층(low-level)은 1000, 925, 850 hPa에 대한 평균이다. 항공기 관측 대비 온도의 관측증분 시계열(Fig. 4)을 살펴보면 전층(Fig. 4a)에서 EXP (빨간색)의 평균과 표준편차가 CTL (파란색) 보다 시간에 따라 뚜렷하게 감소됨을 보였다. 상·중·하층(Figs. 4b-d)을 함께 비교하면 EXP의 평균과 표준편차의 감소폭은 CTL에 비해 중·하층보다 상층에서 더 크게 나타났고 상층의 큰 감소폭은 시간이 지나도 유지되었다. EXP의 자료동화에 사용 가능한 관측 수는 CTL에 비해 중·하층보다 상층이 더 많았고, 실험기간 동안에 동일한 결과를 유지하였다. 이러한 결과는 상층에 항공기 관측 수가 상대적으로 많이 분포하고 있기 때문이다. 또한 Fig. 4에서 일변화가 나타나고 있다. 이는 대륙마다 항공기의 이착륙이 가능한 공항의 운영 시간과 각 항공기의 이착륙 시간에 따라 입전되는 관측 수의 차이 때문인 것으로 보인다.

Fig. 4.

Time series of the global averaged temperature innovation (K) between aircraft observations and each background of CTL (blue) and EXP (red) for (a) all level, (b) upper level, (c) middle level, and (d) lower level during the period from 1 July to 14 July 2018. Time interval is 6 hours. Bars, solid lines, and dashed lines are the number of observations, mean, and standard deviation of innovation, respectively. All level is the average of 1000, 925, 850, 700, 500, 300, 200, and 100 hPa levels. The mean values of the upper-, middle-, and low-level are the average of 300 and 200 hPa levels, the average of 700 and 500 hPa levels, and the average of 1000, 925, and 850 hPa levels, respectively.

라디오존데는 상층의 강한 바람으로 인한 표류와 복사로 상층에서 관측한 자료에 대한 신뢰가 부족하고, GPSRO는 수분 등으로 대류권 하층에서 관측한 자료에 대한 신뢰가 부족하다. 따라서 이 연구에서는 항공기 관측 온도의 편차 보정에 대한 중·하층 결과를 라디오존데의 중·하층 관측자료와 비교하였고, 항공기 관측 온도의 편차 보정에 대한 상층 결과는 GPSRO의 중층 굽힘각 관측자료와 비교하였다. Figure 5는 CTL과 EXP에서 전지구를 평균한 라디오존데 관측 대비 온도의 관측증분과 GPSRO 관측 대비 굽힘 각의 관측증분을 2018년 7월 1일부터 14일까지 관측 자료별로 중·하층과 중층으로 나타낸 시계열이다. Figure 5의 설명은 Fig. 4와 동일하다. 라디오존데 관측 대비 온도의 관측증분 시계열(Figs. 5a, b)을 살펴보면 중층(Fig. 5a)에서 두 실험의 표준편차는 유사하나 EXP의 평균이 모든 사례에 대해 CTL에 비해 감소함을 보였다. 하층(Fig. 5b)에서 두 실험의 표준편차는 유사하나 평균이 몇몇 사례에서 감소함을 보였고, 평균의 감소 정도는 중층에 비해 작았다. GPSRO 관측 대비 굽힘각의 관측증분 시계열(Fig. 5c)에서 평균과 표준편차는 대류권 상층과 성층권에서 두 실험 모두 유사한 수준을 보였다.

Fig. 5.

Time series of the global averaged temperature innovation between sonde observations and each background of CTL (blue) and EXP (red) for (a) middle-level, (b) low-level and (c) the time series of the global averaged bending angle innovation between GPSRO observations and each background of those for middle level during the period from 1 July to 14 July in 2018. Time interval of sonde and GPSRO is 12 and 6 hours, respectively. All other descriptions are same in Fig. 4.

항공기 관측자료를 이용한 관측 검증 결과에서 전층과 상층의 시간에 따른 편차의 변화가 항공기 관측 온도의 편차 보정으로 뚜렷하게 감소하였고, 이를 통해 항공기 관측 온도의 편차 보정이 분석 시각마다 잘 수행되어 관측과 배경의 차이를 줄였다. 라디오존데와 GPSRO 관측자료를 이용한 관측 검증 결과에서 중층의 시간에 따른 편차가 상·하층에 비해 뚜렷하게 감소하였다. 항공기 관측 온도의 편차 보정은 항공기 뿐만 아니라 다른 관측과의 편차 감소에도 긍정적이었다.

4.2 분석장 및 예측장에서의 영향

이 절에서는 ECMWF의 IFS (Integrated Forecasting System) 분석장을 실제 대기라 가정하고 CTL과 EXP의 분석장과 예측장에 대한 평균 제곱근 오차(Root Mean Square Error, 이하 RMSE)를 계산하여 항공기 관측 온도의 편차 보정이 분석장과 예측장에 미치는 영향을 살펴보았다.

Figure 6은 분석장의 온도, 동서·남북 바람, 비습에 대해 CTL과 EXP의 RMSE 간의 차이(Difference)를 2018년 7월 1일부터 14일까지 경도를 평균한 연직 분포이다. 두 실험의 RMSE 간의 차이가 양의 값(빨간색 계열)이면 EXP의 분석 오차가 CTL에 비해 감소하여 분석장이 향상되었음을 의미하고, 점은 95% 유의 수준을 나타낸다. 분석 온도(Fig. 6a)는 북반구 중위도 지역의 중층(700~500 hPa)과 상층(200~100 hPa), 남반구 고위도 지역의 하층(850~1000 hPa)에서 두 실험의 RMSE 간의 차이가 약 0.06K 이상으로 EXP의 분석 오차가 CTL에 비해 감소하여 분석장이 향상되었다. 향상 지역은 북반구 중위도 지역(30~60^oN)의 중층(700~500 hPa)과 상층(200~100 hPa)에서 넓게 분포하였고 95% 유의 수준으로 나타났다. 하지만 저위도 지역(30^oS~30^oN)의 상층(300~150 hPa)에서 두 실험의 RMSE 간의 차이가 약 -0.03 K으로 EXP의 분석 오차가 증가되어 EXP의 분석장이 저하되었다. 북반구 중위도 지역의 중·상층에서의 분석장 향상은 Fig. 3과 비교하여 항공기 관측 자료가 이 지역에 집중적으로 분포하고 있어 EXP의 분석 오차를 감소시키는 효과로 나타난 것이다. 북반구와 남반구 지역에서 항공기 관측 온도의 편차 보정이 다르게 나타난 이유는 북반구과 남반구의 항공기 이착륙이 가능한 공항 분포의 차이로 보인다. 이 연구에서 항공기 온도 편차 보정 알고리즘은 각 항공기의 상·중·하층 구간에 따라 동일한 편차 계수를 적용하고 있어 위도대별 배경장과의 편차와 항공기 관측 수를 반영하지 않고 있다. 저위도 지역에서 IFS 분석장 대비 배경장과의 편차가 크게 나타나나(그림 생략) 항공기 관측 수가 북반구 지역에 비해 적어 온도 편차 보정 계수가 적절히 산출되지 않은 것으로 보인다. 이러한 이유로 저위도 지역의 분석장이 저하되었고, 향후에 온도 편차 보정 계수를 위도대별 항공기 관측 분포에 따라 산출하고 고품질 자료를 선별하기 위해 블랙리스트 개선이 필요 할 것이다. 또한 온도 편차의 보정 효과가 상층으로 갈수록 뚜렷한 이유는 KPOP 항공기 관측자료 전처리 결과에서 자료동화에 사용 가능한 항공기 관측 수가 하층에서 상층으로 갈수록 증가하고 특히 항공기 순항 고도인 300~100 hPa에 항공기 관측 수가 집중되어 그 효과가 두드러지게 나타난 것으로 보인다. 따라서 항공기 관측 수와 분포는 고도와 위도에 따라 다르게 나타나므로 분석 온도의 개선 정도가 지역과 상·중·하층에 따라 다르게 나타났다.

Fig. 6.

Vertical profiles of zonal mean of the analysis error difference between CTL and EXP for (a) temperature, (b) zonal wind, (c) meridional wind and (d) specific humidity during the period from 1 July to 14 July 2018. The analysis error is defined as the Root Mean Square (RMS) difference against the verifying IFS analysis. Positive values signify an error reduction due to the correction of aircraft temperature bias. The small dots show the regions in which there are RMSE differences with 95% statistical significance, as evaluated with a two-tailed t test.

분석 바람(Figs. 6b, c)은 북반구 지역의 상층(300~50 hPa)을 중심으로 분석 오차가 감소하였고, 특히 동서 바람(Fig. 6b)은 적도 지역을 중심으로 두 실험의 RMSE 간의 차이가 약 0.07m s^-1 증가되어 EXP의 분석장이 향상되었다. 비습(Fig. 6d)은 북위 30도(30^oN)을 중심으로 북반구 저위도 지역의 하층에서 EXP의 분석장이 향상되었다. 이러한 결과는 항공기 관측 온도만 편차를 보정하였지만 분석 시각마다 자료가 동화되고 모델이 예측함에 따라 역학적 균형이 맞춰지면서 간접적인 영향으로 바람과 비습이 향상된 것으로 여겨진다.

앞선 결과에서 항공기 관측 온도의 편차 보정이 분석 오차를 감소시켜 분석장을 향상시켰다. 이에 대한 원인을 파악하기 위해서 온도에 대해 편차 보정 효과가 가장 크게 나타난 상층(250 hPa)에서 IFS 분석장 대비 초기추정치 오차와 분석증분의 변화를 살펴보았다. Figure 7은 순환 시점이 48회인 2018년 7월 13일 0000 UTC에 상층(250 hPa)에서 IFS 분석장 대비 초기 추정치 오차와 각 실험의 분석증분을 CTL과 EXP에 대해 각각 나타낸 분포이다. IFS 분석장 대비 초기추정치 오차는 IFS 분석장과 각 실험의 6시간 예측장을 뺀 것으로, 이 값이 작을수록 모델의 예측장이 IFS 분석장과 유사함을 의미한다. IFS 분석장 대비 초기추정치 오차 분포(Figs. 7a, b)를 살펴보면 IFS 분석장 대비 초기추정치 오차는 북반구 태평양과 대서양 지역에서 차이를 보였다. 이 지역 내 IFS 분석장 대비 초기추정치 오차가 약 0.5 K 이상인 영역은 CTL (Fig. 7a)에 비해 EXP (Fig. 7b)에서 줄어들거나 좁게 나타났다. 이 지역은 항공기 관측이 주로 분포하는 지역으로 EXP에서 스핀업이 끝난 첫 시점부터 온도 편차를 48회 보정하고 동화되면서 모델의 온난한 편차를 감소시킨 것으로 보인다. 북반구 태평양과 대서양 지역에서 CTL의 분석증분이 약 0.2K 이상인 영역(Fig. 7c)은 EXP (Fig. 7d)에서 좁아지는 경향을 보였다. 항공기 관측 온도의 지속적인 편차 보정과 동화가 EXP의 분석증분을 CTL보다 감소시키므로 최적의 분석상태가 되어 초기추정치 오차를 줄이는데 긍정적으로 기여하였다.

Fig. 7.

Global horizontal distributions of (a), (b) temperature first-guess against the verifying IFS analysis and (c), (d) temperature analysis increment at 250 hPa for each CTL (left panels) and EXP (right panels) at 0000 UTC 13 July 2018 when is 48th cycles.

분석장은 항공기 관측 온도의 편차 보정으로 항공기 관측이 주로 분포하는 고도와 위도에 따라 향상됨을 확인하였고 특히 250 hPa 분석장의 향상이 상대적으로 크게 나타났다. 예측장에서 나타나는 항공기 관측 온도의 편차 보정의 영향을 분석하기 위해 CTL과 EXP의 250 hPa 예측장을 이용하였다. Figure 8은 IFS 분석장 대비 EXP와 CTL의 편차(Bias) 간의 차이(Difference)와 RMSE 간의 차이를 예측 24시각부터 120시각까지 48시간 간격으로 나타낸 분포이다. 두 실험의 편차 간의 차이와 RMSE 간의 차이가 모두 음이면 EXP의 편차가 CTL보다 작아 항공기 관측 온도의 편차 보정이 온난한 편차를 줄여 예측 성능을 향상시키는데 긍정적인 영향을 준 것으로 해석할 수 있다. 예측 시각에 따라 살펴보면 예측 24시각(Fig. 8a)에 두 실험의 편차 간의 차이는 대부분의 지역에서 음의 값이 나타났고 두 실험의 RMSE 간의 차이는 약 0.2K 이하를 나타내는 양과 음의 지역이 혼재된 모습을 보였으나 미국 서부의 태평양 연안과 아시아 대륙 지역에서 음의 값이 나타났다. 특히 북태평양 지역에서 두 실험의 편차 간의 차이가 -0.4 K 이하로 그 값이 다른 지역보다 더 크게 나타났고 두 실험의 RMSE 간의 차이가 -0.2~-0.1 K인 지역은 두 실험의 편차 간의 차이를 나타낸 분포만큼 넓게 분포하지 못하고 점처럼 존재하여 두 실험의 RMSE 간의 차이가 두드러지지 않았다. 예측 72시각(Fig. 8b)에서 두 실험의 편차 간의 차이와 RMSE 간의 차이가 모두 음인 지역이 북반구 아시아 대륙과 남반구 호주 근처 지역으로 편차의 감소와 예측 성능의 향상이 나타났다. 예측 120시각(Fig. 8c)에서 두 실험의 편차 간의 차이와 RMSE 간의 차이의 수치가 남위 30도에서 북위 30도까지(30^oS~ 30^oN)를 제외한 모든 지역에서 48시간 전보다 증가하였다. 특히 남반구에서 두 실험의 편차 간의 차이가 양인 지역이 증가하였으나 동일 지역에서 두 실험의 RMSE 간의 차이가 강한 음의 값을 보이므로 이 지역의 예측 오차는 감소하였다. 항공기 관측 온도의 편차 보정은 예측 초반에 항공기 관측 자료가 많은 북반구 지역을 중심으로 예측장의 편차 감소에 영향을 주었으나 오차 감소에는 큰 영향을 주지 못했다. 그러나 예측 시간이 길어짐에 따라 적도를 제외한 지역 곳곳에서 EXP의 편차와 예측 오차가 CTL에 비해 감소하였는데 특히 오차의 감소는 예측 시간이 길어질수록 북반구 태평양과 아시아 지역, 남반구 호주 지역에서 나타났다.

Fig. 8.

Global horizontal distributions of the temporal mean of temperature bias (left panels) and rmse (right panels) between EXP and CTL against the verifying IFS analysis at 250 hPa in forecast (a) 24, (b) 72, and (c) 120 hours during the period from 6 July to 14 July 2018. If the difference of bias and rmse is all negative, it means that the warm bias is reduced and the prediction performance improve in EXP.

항공기 관측 온도의 편차 보정은 상층 온도의 예측 변화에 영향을 주었다. Table 1과 Fig. 9는 항공기 관측 온도의 편차 보정을 통한 상·중·하층별 온도와 지위고도의 예측장에 대해 IFS 분석장 대비 CTL과 EXP의 RMSE를 이용한 정량적 검증 결과로, Table 1은 전지구를 평균한 CTL 대비 EXP의 개선율(%)을 고도과 예측 시간에 따라 나타낸 표이고 Fig. 9는 각 실험의 RMSE를 예측 시간, 고도, 대상 지역에 따라 나타낸 그림이다. 예측 시간은 24시각부터 120시각까지 24시간 간격이고, 고도는 상층(250 hPa), 중층(500 hPa), 하층(850 hPa)으로, 개선율은 $$ \left(\frac{CT{L}_{RMSE}-EX{P}_{RMSE}}{CT{L}_{RMSE}}\right)\times 100$$으로 정의하였다. Figure 9의 대상 지역은 남반구, 북반구, 적도 지역으로 선정하였다. Table 1과 Fig. 9의 결과에서 온도의 경우, 중층 온도는 모든 예측 시각에서 약 0.19~0.94% 향상하였고 상·하층 온도는 예측 72, 120시각에서 약 0.13~0.54% 향상하였다. 특히 중 층 온도의 RMSE는 적도의 예측 120시각을 제외하고 예측 5일까지 북반구, 남반구, 적도 지역에서 CTL과 비교하여 대부분 유사하거나 작게 나타났다(Fig. 9a). 또한 북반구 지역의 중층에서 RMSE 크기가 두 실험 모두 상·하층보다 가장 작게 나타났다. 중층 온도의 예측 경향이 IFS 분석장과 가장 유사하게 모의했으므로 중층의 예측 오차가 상·하층에 비해 작게 나타난 것으로 생각된다. 지위고도의 경우, 상층 지위고도는 모든 예측 시각에서 약 0.07~1.12% 향상하였고, 중층 지위고도는 예측 24시각을 제외한 모든 예측 시각에서 약 0.01~1.28% 향상하였으며, 하층 지위고도는 예측 96시각을 제외한 모든 예측 시각에서 약 0.17~0.65% 향상하였다. 상층 지위고도의 RMSE는 북반구 지역의 예측 48시각과 적도 지역의 예측 96시각을 제외한 모든 예측 시각에 북반구, 남반구, 적도 지역에서 CTL에 비해 유사하거나 감소하였다(Fig. 9b). 중층 지위고도의 RMSE는 북반구 지역의 예측 96시각과 적도 지역의 예측 24, 96시각을 제외한 모든 예측 시각과 남반구 지역의 모든 예측 시각에서 CTL에 비해 유사하거나 감소하였다. 하층 지위고도의 RMSE는 북반구 지역의 예측 96시각과 적도 지역의 예측 72, 120시각을 제외한 모든 예측 시각, 남반구 지역의 모든 예측 시각에서 유사하거나 감소를 보였다.

Table 1.

Global-mean improvement rate (%) for RMSE against IFS analysis for the temperature (t) and geopotential height (gph) of EXP compared with CTL at 850, 500, and 250 hPa from forecast 24 to 120 hours during 9 days (from 6 July to 14 July 2018). The positive value means the improvement of EXP compared with CTL.

Fig. 9.

Comparisons of regional averaged root mean square error (RMSE) of (a) temperature and (b) geopotential height for CTL (deep grey bar) and EXP (grey bar) against the verifying IFS analysis at 850, 500, and 250 hPa as a function of forecasts during the period from 6 July to 14 July 2018. The RMSEs are calculated over the Northern Hemisphere (left), the Southern Hemisphere (middle) and the tropics (right).

항공기 관측 온도의 편차 보정은 중층 온도 뿐만 아니라 상·중·하층 지위고도의 예측 성능을 대부분 향상시켰다. 또한 중층 온도의 예측 오차가 적도 지역의 예측 후반을 제외한 모든 예측 시각의 전지역에서 상·하층에 비해 감소하는 경향을 확인하였고, 지위고도의 예측 오차가 북반구 지역와 적도 지역의 시각을 제외한 모든 예측 시각의 전지역에서 감소하는 경향을 확인하였다. 따라서 항공기 관측 온도의 편차 보정은 지역적으로 예측 오차를 줄여 예측 성능이 전지구적으로 개선되는데 긍정적인 영향을 준 것으로 보인다.

5. 요약 및 결론

3차원 자료를 제공하는 항공기 관측은 매우 중요한 관측자료다. 하지만 항공기 관측은 수치예보모델과의 편차를 가지고 있어 자료동화과정에서 관측자료의 영향이 제한된다. 이러한 문제점을 개선하기 위해 다른 현업 기관은 항공기 관측 온도의 편차를 보정하여 사용하고 있으나 KIM은 항공기 관측 온도의 편차를 보정하지 않고 있다. 따라서 이 연구에서는 KIM에 항공기 및 지역적 특성을 반영한 온도 편차 보정 알고리즘을 개발하고 그 영향을 살펴보았다. 이 연구에서 사용한 항공기 온도의 편차 보정은 GDAPS (UM)에서 항공기 관측자료의 품질정보를 진단할 때 사용하는 기준(상·중·하층 구간, 온도 편차 보정 계수의 산출 대상, 보정할 항공기 선정 등)을 동일하게 적용하였고, 방법은 정적 편차 보정 방식의 알고리즘을 각 항공기의 상(150~300 hPa)·중(300~700 hPa)·하층(700~1050 hPa) 구간에 따라 적용하였다.

항공기 관측 온도의 편차 보정의 영향을 평가하기 위해 규준 실험(CTL)과 편차를 보정한 실험(EXP)에 대해 수행하였으며, 스핀업을 제외한 2018년 7월 1일부터 7월 14일까지 6시간 간격으로 분석장을 생성하였고 5일 예측장은 0000과 1200 UTC에 모의하였다.

항공기 관측 온도의 편차 보정 효과는 항공기의 관측증분(편차)과 자료동화에 사용 가능한 관측 수의 변화로 확인하였다. 온도에 대해 CTL 대비 EXP의 관측증분이 감소함으로 관측과 배경장의 차이가 감소하였고 편차 보정 후 품질검사를 통과한 관측 수가 증가하여 자료동화에 활용할 수 있는 수도 증가하였다. 특히 편차 보정의 영향이 중·하층에 비해 상층에서 상대적으로 크게 나타났고 지역적으로는 항공기 관측 분포에 따라 다르게 나타났으며 중·하층의 중위도 지역은 해양보다 대륙과 섬 지역에서 주로 나타났다. 즉, 항공기 관측 온도의 편차를 보정한 효과는 항공기 관측자료의 수가 집중된 고도와 위도대에 따라 다르게 나타남을 알 수 있었다.

항공기 관측 온도의 편차 보정이 다른 관측 자료에 주는 영향은 라디오존데와 GPSRO의 관측증분(편차)으로 확인하였다. 라디오존데와 GPSRO 관측자료로 검증한 결과, 라디오존데 온도의 관측증분이 하층보다 중층에서 감소하는 경향을 보였고 GPSRO 굽힘각의 관측증분은 중층에서 유사하게 나타났다. 항공기 관측 온도의 편차 보정은 배경장을 관측과 가깝게 분석되도록 유도하여 다른 관측 자료와 모델과의 오차를 감소시키는데 긍정적인 역할을 하였다.

온도와 바람, 비습의 분석 성능은 항공기 관측자료의 분포에 따라 향상이 다르게 나타났다. 분석 온도는 북반구의 중위도 대류권 중·상층과 고위도 대류권 하층에서 향상을 보였다. 분석 온도의 향상은 고도와 위도에 따른 항공기 관측 분포와 유사하게 나타나는 경향을 보였다. 분석 바람은 북반구 대류권에서 향상되었고, 분석 비습은 북위 30도 중심의 북반구 대류권 하층에서 향상되었다. 이는 항공기 관측 온도의 편차 보정으로 자료동화와 예측이 계속 진행됨에 따라 역학적 균형이 맞춰지면서 나타난 간접적인 영향이었다.

온도와 지위고도의 예측 성능은 항공기 관측 온도의 편차 보정으로 예측 오차가 유사하거나 향상되었다. 상층 온도는 예측 초기에 두 실험의 예측 오차를 유사하게 나타났으나 예측 시간이 길어짐에 따라 남반구 지역까지 예측 오차가 감소하여 예측 성능이 전지구적으로 개선되는 경향을 확인하였다. 중층 온도의 예측 성능이 대부분의 예측 시각에서 상·하층보다 전지구적으로 유사하거나 개선되었다. 상·중·하층 지위고도의 예측 오차가 지역에 따라 유사하거나 감소를 보여 전지구적 예측 성능은 중립이거나 개선되었다.

향후 상층 온도의 예측 초기 성능과 중·하층 온도의 예측 성능을 향상시키기 위해서는 보정된 항공기 온도를 동화시킬 때 전지구에 일률적으로 동화시키는 것보다 항공기 관측이 분포하는 지역에 따라 편차 보정을 다르게 할 필요가 있다. 또한 저품질 관측자료를 연직적으로 제거하기 위해서는 블랙리스트 처리와 연직 솎아내기 등의 전처리 과정을 개선시켜 자료동화에 사용 가능한 중·하층의 항공기 관측 수의 변화로 나타날 영향도 살펴봐야 할 것이다.

Acknowledgments

이 연구는 수치모델링센터 『수치예보 및 자료응용기술개발(KMA2018-00721)』 과제의 일환으로 수행되었습니다.

References

• Ballish, B. A., and V. K. Kumar, 2008: Systematic differences in aircraft and radiosonde temperatures: Implications for NWP and climate studies. Bull. Amer. Meteor. Soc., 89, 1689-1708. [https://doi.org/10.1175/2008BAMS2332.1]
• Bloom, S. C., L. L. Takacs, A. M. da Silva, and D. Ledvina, 1996: Data assimilation using incremental analysis updates. Mon. Wea. Rev., 124, 1256-1271. [https://doi.org/10.1175/1520-0493(1996)124<1256:DAUIAU>2.0.CO;2]
• Cardinali, C., L. Isaksen, and E. Andersson, 2003: Use and impact of automated aircraft data in a global 4DVAR data assimilation system. Mon. Wea. Rev., 131, 1865-1877. [https://doi.org/10.1175//2569.1]
• Choi, H.-J., and S.-Y. Hong, 2015: An updated subgrid orographic parameterization for global atmospheric forecast models. J. Geophys. Res. Atmos., 120, 12445-12457. [https://doi.org/10.1002/2015JD024230]
• Choi, S.-J., and S.-Y. Hong, 2016: A global non-hydrostatic dynamical core using the spectral element method on a cubed-sphere grid. Asia-Pac. J. Atmos. Sci., 52, 291-307. [https://doi.org/10.1007/s13143-016-0005-0]
• Choi, S.-J., F. X. Giraldo, J. Kim, and S. Shin, 2014: Verification of a non-hydrostatic dynamical core using the horizontal spectral element method and vertical finite difference method: 2-D aspects. Geosci. Model Dev., 7, 2717-2731. [https://doi.org/10.5194/gmd-7-2717-2014]
• Hwang, Y.-J., S.-Y. Park, E.-J. Lee, and S.-W. Joo, 2016: Establishment of the quality diagnosis update module for synoptic observation data based on NWP. NIMS-TN-2016-024, National Institute of Meteorological Sciences, 67 pp (in Korean).
• Hong, S.-Y., and Coauthors, 2018: The Korean Integrated Model (KIM) system for global weather forecasting. Asia-Pac. J. Atmos. Sci., 54, 267-292. [https://doi.org/10.1007/s13143-018-0028-9]
• Hunt, B. R., E. J. Kostelich, and I. Szunyogh, 2007: Efficient data assimilation for spatiotemporal chaos: A local ensemble transform kalman filter. Physica D., 230, 112-126. [https://doi.org/10.1016/j.physd.2006.11.008]
• Iacono, M. J., J. S. Delamere, E. J. Mlawer, M. W. Shepherd, S. A. Clough, and W. D. Collins, 2008: Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models. J. Geophys. Res. Atmos., 113, D13103. [https://doi.org/10.1029/2008JD009944]
• Isaksen, L., D. Vasiljevic, D. Dee, and S. Healy, 2012: Bias correction of aircraft data implemented in November 2011. ECMWF Newsletter, No. 131, ECMWF, Reading, United Kingdom, 6-6.
• Joo, S., J. Eyre, and R. Marriott, 2012: The impact of MetOp and other satellite data within the Met Office global NWP system using an adjoint-based sensitivity method. Met Office Forecasting Research Tech. Rep. no. 562, 20 pp.
• Kang, J.-H., and Coauthors, 2018: Development of an observation processing package for data assimilation in KIAPS. Asia-Pac. J. Atmos. Sci., 54, 303-318. [https://doi.org/10.1007/s13143-018-0030-2]
• Koo, M.-S., S. Baek, K.-H. Seol, and K. Cho, 2017: Advances in land modeling of KIAPS based on the Noah land surface model. Asia-Pac. J. Atmos. Sci., 53, 361-373. [https://doi.org/10.1007/s13143-017-0043-2]
• Koo, M.-S., H.-J. Choi, and J.-Y. Han, 2018: A parameterization of turbulent-scale and mesoscale orographic drag in a global atmospheric model. J. Geophys. Res. Atmos., 123, 8400-8417. [https://doi.org/10.1029/2017JD028176]
• Kwon, H.-N., J.-H. Kang, and I.-H. Kwon, 2018: Bias correction for aircraft temperature observation part I: analysis of temperature bias characteristics by comparison with sonde observation. Atmosphere, 28, 357-367 (in Korean with English abstract).
• Lee, E.-H., E. Lee, R. Park, Y.-C. Kwon, and S.-Y. Hong, 2018: Impact of turbulent mixing in the stratocumulus-topped boundary layer on numerical weather prediction. Asia-Pac. J. Atmos. Sci., 54, 371-384. [https://doi.org/10.1007/s13143-018-0024-0]
• Park, O.-R., and Y.-S. Kim, 2002: A study on the verification and sensitivity test for the ACARS data. J. Korean Meteor. Soc., 38, 333-342 (in Korean with English abstract).
• Petersen, R. A., 2016: On the impact and benefits of AMDAR observations in operational forecasting-Part I: A review of the impact of automated aircraft wind and temperature reports. Bull. Amer. Meteor. Soc., 97, 585-602. [https://doi.org/10.1175/BAMS-D-14-00055.1]
• Rienecker, M. M., and Coauthors, 2011: MERRA: NASA’s Modern-Era Retrospective Analysis for Research and Applications. J. Climate, 24, 3624-3648. [https://doi.org/10.1175/JCLI-D-11-00015.1]
• Schwartz, B., and S. G. Benjamin, 1995: A comparison of temperature and wind measurements from ACARS-equipped aircraft and rawinsondes. Wea. Forecasting, 10, 528-544. [https://doi.org/10.1175/1520-0434(1995)010<0528:ACOTAW>2.0.CO;2]
• Shin, H. H., and S.-Y. Hong, 2015: Representation of the subgrid-scale turbulent transport in convective boundary layers at gray-zone resolutions. Mon. Wea. Rev., 143, 250-271. [https://doi.org/10.1175/MWR-D-14-00116.1]
• Soldatenko, S., C.Thingwell, P., Steinle, and B. A. Kelly-Gerreyn, 2018: Assessing the impact of surface and upper-air observations on the forecast skill of the ACCESS numerical weather prediction model over Australia. Atmosphere, 9, 23. [https://doi.org/10.3390/atmos9010023]
• Song, H.-J., J.-H. Ha, I.-H. Kwon, J. Kim, and J. Kwun, 2018: Multi-resolution Hybrid Data Assimilation Core on a Cubed-sphere Grid (HybDA). Asia-Pac. J. Atmos. Sci., 54, 337-350. [https://doi.org/10.1007/s13143-018-0018-y]
• Ota, Y., J. C. Derber, E. Kalnay, and T. Miyoshi, 2013: Ensemble-based observation impact estimates using the NCEP GFS. Tellus A, 65, 20038. [https://doi.org/10.3402/tellusa.v65i0.20038]
• Ying, Y., F. Zhang, and J. L. Anderson, 2018: On the selection of localization radius in ensemble filtering for multiscale quasigeostrophic dynamics. Mon. Wea. Rev., 146, 543-560. [https://doi.org/10.1175/MWR-D-17-0336.1]