현업 국지모델기반 2018년 여름철 기상 1호 특별 고층관측자료의 관측 민감도 실험

1. 서 론

한반도는 지리적으로 삼면이 바다로 둘러싸여 있고, 집중호우, 폭설, 태풍 등 위험기상 현상에 영향을 주는 시스템이 주로 해상을 통해 유입되므로 해상 관측이 중요하다. 기상청은 해상 관측공백을 해소하고 위험기상을 감시하며 수치모델의 위험기상 예측 정확도를 높이고자 선박을 이용한 해상 고층관측 뿐만 아니라 해상의 고층관측자료가 수치예보모델에 미치는 영향에 대한 연구를 지속적으로 하고 있다(Kim et al., 2010; Hwang et al., 2011; Lee et al., 2013; Choi et al., 2014, 2015).

국립기상과학원은 아시아-태평양 지역 태풍 국제특별관측 캠페인 T-PARC (THORPEX-Pacific Asian Regional Campaign) 2008에 참여한 바 있다. T-PARC 2008 기간의 드롭존데 특별관측자료는 태풍 실라코(0813)와 장미(0815) 사례에서 태풍의 진로와 중심기압의 예측 성능을 향상시켰다(Jeon et al., 2009; Kim et al., 2010). 또한 해상 관측공백지역이 수치예보에 미치는 영향을 조사하고자 ProbeX (PRedictability and OBservation EXperiment of Korea)-2009 프로그램에도 참여하였다. 이 관측 프로그램은 기상청의 기상 2000호와 국립해양연구원의 이어도호를 이용하여 남서해상 관측공백지역에서 고층관측을 수행하였고, Hwang et al. (2011)은 관측시스템실험(Observation System Experiment, OSE)에서 남서해상 관측공백지역 고층관측자료가 강수의 단기 예측 성능을 향상시킴을 보였다.

Lee et al. (2013)은 통합모델(Unified Model) 기반의 기상청 현업 지역예보모델(UM v7.9, 12 km)/4D-VAR(Four Dimension VARiational data assimilation)을 이용하여 기상 1호 고층관측자료에 대한 수치예측 민감도를 분석하였다. 그 결과 2013년 7월의 장마전선으로 인한 강수 사례에서 초기 12시간 누적 강수량이 5 mm 이하인 경우, ETS (Equitable Threat Score) 지수의 증가로 강수 예측 정확도가 향상되었다. 기상청은 2014년, 2015년 여름철에 기상 1호와 육지 3~4개 지점을 추가하여 특별고층관측을 수행하였고, Choi et al. (2014, 2015)은 통합모델 기반의 현업 지역예보모델(UM v7.9)/4D-VAR와 현업 국지예보모델(UM v8.2)/3D-VAR을 이용하여 장마전선에 의한 강수 사례에 대해 관측시스템실험을 수행하였다. 그 결과 두 사례에서 고층관측자료가 활용됨에 따라 강수 ETS 지수는 2014년에 약 27.4%, 2015년에 약 27.9% 향상되었다.

선행연구에서 살펴본 바와 같이 해상 고층관측자료는 모델 해상도, 모델 버전, 자료동화기법 등이 달라도 태풍과 강수의 예측 성능이 향상되는 긍정적인 결과를 보여주었다. 이 연구에서는 최근 기상청 현업 국지예보모델(Local Data Assimilation Prediction System, LDAPS)의 버전이 갱신됨에 따라 자료동화, 역학 및 물리과정 등이 변경된 수치예보모델을 이용하여 해상 관측공백지역에서 관측한 기상 1호 고층관측자료의 영향을 확인하기 위해 2018년 제 7호 태풍 쁘라삐룬(PRAPIROON)을 대상으로 수행된 고층관측자료를 이용한 관측시스템실험을 수행하고 그 영향을 살펴보았다.

2. 자료 및 방법

이 연구에서는 기상 1호에서 관측한 고층관측자료의 적용여부에 따른 관측시스템실험을 수행하기 위해 통합모델 10.1k 버전의 국지예보모델을 이용하였다. 이 모델은 관측자료데이터베이스(ODB), 관측자료전처리(OPS), 자료동화(VAR), 수치예보, 후처리 과정으로 구성되어 있다. 순환 분석 간격은 3시간으로 1일 8회 운영한다. 상세한 구성에 대한 설명은 Table 1과 같다. 모델 영역은 Fig. 1과 같이 한반도 중심으로 1.5~4 km인 가변격자로 이루어진 동아시아 영역이며 연직은 39 km까지 70층이다. 예측 시간은 36시간이고 적분 간격은 60초이다. 자료동화와 초기화 과정은 3차원 변분법, 적시 배경장 기법(First Guess at Appropriate Time, FGAT) (Lorenc and Rawlins, 2005), 증분 갱신(Incremental Analysis Update, IAU) 기법을 적용하고 있다(Weston, 2014; Lee et al., 2016). 이는 3차원 변분법의 시간에 대한 약점을 보완하기 위해 분석증분을 점진적으로 모델에 입력하여 모델의 초기 충격을 완화하고, 증분의 효과를 증대하기 위함이다. 또한 레이더반사도는 잠열너징(Latent Heat Nudging, LHN) 기법을 적용하여 동화하고 있다. 경계장은 수평해상도가 10 km인 전구 모델로부터 생성하고 입력된다.

Table 1.

The configuration of LDAPS based on the Unified Model.

Fig. 1.

Horizontal domain of LDAPS. Red square shape area shows the inner domain with 1.5 km equal grid spacing. Black square shape area shows the outer domain with 1.5~4 km multi-grid spacing.

국지예보모델(LDAPS)의 역학코어는 E NDGame (Even Newer Dynamics for General Atmospheric Modelling of the Environment) (Staniforth and Wood, 2008)이고, 미세물리과정은 Wilson and Ballard (1999)을 사용하며, 경계층 물리과정은 Lock et al. (2000)을 사용하고 있다. 지표면 물리과정은 JULES (the Joint UK Land Environment Simulator) 지면 모델(Best et al., 2011)을 사용하고, 복사물리과정은 Edwards and Slingo (1996)을 사용한다. 중력파 항력과정은 Webster et al. (2003)이 적용되었다.

관측자료 데이터베이스 및 관측자료 전처리 과정에서 수치모델에 입력되는 관측자료는 AWS, 레이더, 고층(TEMP, PILOT, WIND PROFILER), 항공기(AIRCRAFT), 지상(SYNOP, SHIP, BOUY), 위성관측자료(AMSUB, GroundGPS, Scatwind)이다. 국지예보모델에 활용되는 고층관측지점(Fig. 2의 파란색 계열 네모)은 백령도, 오산, 광주, 북강릉, 울진, 창원, 흑산도, 태풍센터로 총 8개지만 백령도, 오산, 광주는 이 연구에서 활용되지 않았다. 기상 1호 지점은 Fig. 2의 빨간색 네모로 표시하였다.

Fig. 2.

Upper-air observing network in the inner domain of LDAPS. Blue stations are assimilated into LDAPS. Navy stations unused in LDAPS. Red points are observed in the Gisang 1 from 29 June to 4 July 2018.

이 연구에서 규준실험(이하, OPER 실험)은 기상 1호 고층관측자료를 적용한 실험이고, EXPR 실험은 OPER 실험과 동일하며 기상 1호 고층관측자료만 비적용 되었다. 실험기간은 2018년 6월 29일부터 7월 4일까지이고, 0000 UTC 기준으로 분석은 3시간 간격으로 수행하며, 예측은 6시간 간격으로 36시간까지 수행하였다. 기상 1호 고층관측자료는 6시간 간격으로 21회 수집되어 OPER 실험에 사용되었다.

3. 결 과

3.1 기상 1호 고층관측자료의 효과

이 절에서는 먼저 기상 1호 고층관측자료의 효과를 확인하기 위해 첫 분석 시점(2018년 6월 29일 0000 UTC)의 기상 1호 관측지점(126.2^oE, 34.1^oN)에서 수치예보모델에 동화되는 요소인 온도, 습도, 동서·남북 바람에 대해 관측증분과 분석잔차의 연직 분포의 변화를 분석하였다(Fig. 3). 관측증분과 분석잔차는 0에 가까울수록 동화와 분석이 최적의 상태임을 의미하고 관측증분과 분석잔차의 차이가 뚜렷한 층에 대해서 설명하였다. 첫 분석 시점은 실험 시작 시점으로 OPER 실험과 EXPR 실험의 관측증분(빨간 파선) 값은 같다.

Fig. 3.

Vertical profiles of the innovation (OmB, dashed line) and analysis residuals (OmA, solid line) of OPER (blue) and EXPR (red) in the GISANG 1 point at 0000 UTC 29 June 2018. Plots are (a) temperature, (b) relative humidity, (c) U wind, and (d) V wind. OPER is including upper-air observation data in the GISANG 1 and EXPR is without it.

온도(Fig. 3a)는 850, 700 hPa의 변화를 살펴보았다. 850 hPa 관측증분은 1 K로 관측이 배경보다 온난하였다. 850 hPa 분석잔차는 EXPR 실험(빨간 실선)에서 1.1 K로 한랭한 배경을 더 한랭하게 분석하였고 OPER 실험(파란 실선)은 0.9 K로 한랭한 배경을 온난하게 분석하였다. EXPR 실험에서 모델이 이전보다 더 한랭하게 분석하고자 할 때 OPER 실험은 EXPR 실험과 달리 온난하게 분석하였다. 700 hPa 관측증분은 -1.5 K로 관측이 배경보다 한랭하였다. 700 hPa 분석 잔차는 EXPR 실험에서 -1.3 K로 온난한 배경을 한랭하게 분석하였고 OPER 실험은 -1.1 K로 온난한 배경을 한랭하게 분석하였다. 두 실험에서 모델이 이전보다 한랭하게 분석하고자 할 때 OPER 실험은 EXPR 실험보다 0.2 K 더 한랭하게 분석하였다. OPER 실험은 850 hPa 온도에서 EXPR 실험과 반대로 온난하게 분석함으로써 모델이 관측과 같은 방향으로 분석되도록 유도하였고, 700 hPa 온도에서는 EXPR 실험에 비해 더 한랭하게 분석함으로써 분석과 관측의 차이를 감소시켰다.

습도(Fig. 3b)는 700 hPa 변화를 살펴보았다. 관측증분은 20.3%로 관측이 배경보다 습하였다. 분석잔차는 EXPR 실험에서 19.1%로 건조한 배경을 습하게 분석하였고, OPER 실험은 16%로 건조한 배경을 습하게 분석하였다. 두 실험에서 모델이 이전보다 더 습하게 분석하고자 할 때 OPER 실험은 EXPR 실험보다 3.1% 더 습하게 분석하였다. OPER 실험은 EXPR 실험에 비해 건조한 배경을 더 습하게 분석함으로써 분석과 관측의 차이를 감소시켰다.

동서바람(Fig. 3c)은 850, 400 hPa의 변화를 살펴보았다. 850 hPa 관측증분은 7 m s^-1로 관측이 배경보다 더 강하게 나타났다. 850 hPa 분석잔차는 EXPR 실험에서 2.9 m s^-1로 약한 배경을 강하게 분석하였고, OPER 실험은 4.0 m s^-1로 약한 배경을 강하게 분석하였다. 두 실험에서 모델이 이전보다 강하게 분석하고자 할 때 OPER 실험은 EXPR 실험보다 1.1 m s^-1 더 약하게 분석하였다. 400 hPa 관측증분은 -13.0 m s^-1로 관측이 배경보다 약하게 나타났다. 400 hPa 분석잔차는 EXPR 실험에서 -14.0 m s^-1로 강한 배경을 더 강하게 분석하였고, OPER 실험은 -12.0 m s^-1로 강한 배경을 약하게 분석하였다. EXPR 실험에서 모델이 이전보다 더 강하게 분석하고자 할 때 OPER 실험은 EXPR 실험과 달리 약하게 하는 방향으로 분석하였다. OPER 실험은 EXPR 실험의 850 hPa 동서바람에서 약한 배경을 강하게 분석하고자 할 때 약하게 분석하여 분석과 관측의 차이를 증가시켰고 400 hPa 동서바람에서 강한 배경을 더 강하게 분석하고자 할 때 EXPR 실험과 달리 약하게 분석하여 모델의 분석 방향을 관측과 유사하도록 유도하였다.

남북바람(Fig. 3d)은 850, 300 hPa의 변화를 살펴보았다. 850 hPa 관측증분은 4.0 m s^-1로 관측이 배경보다 강하게 나타났다. 850 hPa 분석잔차는 EXPR 실험에서 5.0 m s^-1로 약한 배경을 더 약하게 분석하였고, OPER 실험은 4.2 m s^-1로 약한 배경을 더 약하게 분석하였다. 두 실험에서 모델이 이전보다 더 약하게 분석하고자 할 때 OPER 실험은 EXPR 실험보다 0.8 m s^-1 더 강하게 분석하였다. 300 hPa 관측증분은 -10.6 m s^-1로 관측이 배경보다 약하게 나타났다. 300 hPa 분석잔차는 EXPR 실험에서 -13.8 m s^-1로 강한 배경을 더 강하게 분석하였고, OPER 실험은 -12.4 m s^-1로 강한 배경을 더 강하게 분석하였다. 두 실험에서 모델이 이전보다 더 강하게 분석하려고 할 때 OPER 실험은 EXPR 실험보다 1.4 m s^-1 더 약하게 분석하였다. OPER 실험에서는 EXPR 실험에서 커지는 분석과 관측의 차이를 완화시켜 주었다.

다음은 기상 1호 고층관측자료가 분석장에 미치는 영향을 정량적으로 검증하고자 기온, 지위고도(GeoPotential Height, GPH), 습도, 풍속에 대해 EXPR 실험 대비 OPER 실험의 RMSE 개선율을 연직에 따라 분석하였다(Fig. 4). 검증에 사용한 관측자료는 모델 영역 내 위치하는 라디오존데 관측자료이고, 기상 1호는 제외하였다. 검증 기간은 2018년 6월 29일 0000 UTC부터 2018년 7월 4일 0000 UTC로 12시간 간격이다. RMSE 개선율이 양이면 기상 1호 고층관측자료가 분석오차를 감소시켜 분석성능이 향상함을 의미하고, RMSE 개선율이 음의 값이면 기상 1호 고층관측자료가 분석오차를 증가시켜 분석성능이 저하됨을 의미한다. 온도의 RMSE 개선율은 1000, 700, 400, 150 hPa에서 약 1.28~10.26% 향상되었고 특히 1000 hPa에서는 약 10.26%로 다른 세 층보다 최대 약 8배 가량 향상되었다. 즉 기상 1호 고층관측자료가 이 층의 분석오차를 다른 층에 비해 최대 약 8배가량 감소시켰다. 지위고도의 RMSE 개선율은 1000 hPa을 제외한 모든 층에서 약 0.34~3.19% 감소하였다. 기상 1호 고층관측자료는 지위고도의 최하층에서만 분석오차를 감소시켰다. 풍속의 RMSE 개선율은 700, 200 hPa을 제외한 모든 층에서 약 0.22~5.43% 향상되었다. 기상 1호 고층관측자료는 풍속의 대부분의 층에서 분석오차를 감소시켰다. 습도의 RMSE 개선율은 1000, 700, 400, 100 hPa에서 약 0.04~4.6% 향상되었다. 기상 1호 고층관측자료는 습도의 일부 표준 고도에서 분석오차를 감소시켰다. 라디오존데 관측검증을 통해 분석장의 성능은 1000 hPa인 최하층의 모든 변수에서 향상을 보이나 RMSE 개선율은 변수에 상관없이 고도에 따라 양과 음이 함께 존재하였다. 이와 같은 결과는 모델 내 동화되는 라디오존데의 위치 변화를 연직에 따라 고려하지 않고 최하층의 위치를 고정적으로 사용하기 때문으로 보인다.

Fig. 4.

Averaged OPER improvement rate profiles against EXPR during the period from 0000 UTC 29 June to 0000 UTC 4 July 2018. Plots are (a) temperature, (b) geopotential height (c) wind speed, and (d) relative humidity.

3.2 태풍 쁘라삐룬 사례의 예측성

이 절의 분석기간은 국지예보모델의 영역에 태풍 쁘라삐룬의 중심이 완전히 들어오는 2018년 7월 2일 1200 UTC부터 7월 4일 0000 UTC까지다. 태풍 진로 추적은 현업에서 사용하는 알고리즘을 사용하였다. 태풍의 예측 성능은 등급에 따라 태풍의 예측 경향을 평가하고 정량적 검증은 RSMC (Regional Specialized Meteorological Center) 전문을 기준으로 분석하였다.

Figure 5는 각 실험과 RSMC 전문의 최대풍속과 중심기압의 분포를 산점도로 표현하고 그 관계를 선형으로 나타냈으며 기상청에서 정한 태풍 등급(x축 기준 파란색 파선과 글씨로 표시)을 함께 표시하였다. 태풍 등급은 태풍의 최대풍속에 의해 결정되고 태풍의 최대풍속은 중심기압과 연관성이 있다. 기압과 바람 간의 역학적 관계는 선형으로 나타낼 수 있고, 이 관계는 수치예보모델의 태풍 예측 강도의 경향성을 비교할 수 있다(Knaff and Zehr, 2007; Short and Petch, 2018). 수치예보모델에서 예측한 중심기압과 최대풍속 간의 선형 기울기는 RSMC 선형 기울기(검은 실선)와 유사하고 가까울수록 예측오차를 감소시켜 예측 성능이 좋아졌음을 의미한다. 각 실험의 선형 기울기는 RSMC 선형 기울기와 함께 비교하였다. OPER 실험의 선형 기울기(파란 실선)는 EXPR 실험의 선형 기울기(빨간 실선)보다 RSMC 선형 기울기에 더 가깝게 기울어져 있다. 이는 태풍 강도의 예측 경향이 EXPR 실험에 비해 OPER 실험이 실제 태풍에 근사하게 모의하였음을 의미한다. 또한 RSMC 전문의 태풍 등급은 STS급에서 TY급까지로 나타나나 두 실험이 예측한 태풍 등급은 TS급에서 TY급까지로 나타났다. 이는 국지모델에서 약한 태풍을 과소하게 모의하고 강한 태풍은 실제 태풍보다 바람을 강하게, 기압을 약하게 모의함을 의미한다. 수치예보모델은 태풍을 과소 혹은 과대하게 모의하므로 이에 대한 원인을 분석하고 해결하기 위한 연구가 필요해 보인다.

Fig. 5.

Scatterplot of maximum wind speed and central pressure of typhoon PRAPIROON during the period from 1200 UTC 2 July to 0000 UTC 4 July 2018. Black, blue, and red mean RSMC, OPER, and EXPR, respectively. Lines are linear slopes and dots are values. Blue dashed lines and letters denote typhoon categories of KMA.

다음은 예측시각에 따른 태풍 예측 성능을 정량적으로 검증하기 위해 태풍의 중심기압(최소해면기압)과 최대풍속, 중심위치의 평균 오차를 분석하였다(Fig. 6). 평균 오차는 RSMC 전문과 모델의 분석 혹은 예측 간의 차이로 분석기간만큼 평균하였다. 중심기압과 최대풍속은 평균 절대 오차(Mean Absolute Error)로 표시하였다. 또한 OPER 실험의 평균 오차는 파란 막대로, EXPR 실험의 평균오차는 빨간 막대로 표시하였다. 평균 오차는 0에 가까울수록 RSMC 전문과 예측의 차이가 감소하여 예측 성능이 향상함을 의미한다. 태풍 강도의 예측 성능을 비교하면 중심기압 평균 오차는 예측 12시간까지 OPER 실험이 EXPR 실험에 비해 0.3~0.8 hPa 감소하여 OPER 실험의 중심기압 예측 성능이 EXPR 실험보다 약 5.7~35.2% 향상되었다. 그러나 예측 18시간 이후 OPER 실험의 중심기압 평균 오차는 EXPR 실험보다 0.7~1.3 hPa 증가하여 OPER 실험의 중심기압 예측 성능이 EXPR 실험에 비해 예측시간에 따라 약 12.9~35.9% 저하되었다. 최대풍속 평균 오차는 예측 6, 24시간을 제외하고 예측 30시간까지 OPER 실험이 EXPR 실험보다 0.08~1.0 m s^-1 작아져 OPER 실험의 최대풍속 예측 성능이 EXPR 실험에 비해 약 15.8~77% 향상되었다. 최대풍속 평균 오차에서 예측 24시간은 중립이었고 예측 6, 36시간에는 OPER 실험에서 EXPR 실험보다 각각 0.1, 1.1 m s^-1 증가하여 OPER 실험의 최대풍속 예측 성능이 저하되었다. 태풍 진로의 예측 성능을 비교하면 중심위치 평균 오차는 예측 24시간까지 OPER 실험이 EXPR 실험보다 2.6~8.4 km 작아져 OPER 실험의 중심위치 예측 성능이 EXPR 실험에 비해 약 7.7~19.8% 향상되었다. 중심위치 평균 오차에서 예측 36시간은 중립이고 예측 30시간에는 OPER 실험의 중심위치 예측 성능이 EXPR 실험에 비해 약 0.8% 향상되었다. 이 태풍 사례에서 강도 예측의 평균 오차는 중심기압이 예측 12시간이내, 최대풍속이 예측 30시간(예측 6시간 제외)까지 감소하였고 진로 예측의 평균 오차는 예측 24시간까지 감소하였다. 따라서 태풍 진로와 강도의 예측 성능이 예측 초반에 향상되는 경향을 보였다.

Fig. 6.

Bar charts of mean absolute error for (a) central pressure and (b) maximum wind speed, and (c) mean error of direct position for OPER (blue) and EXPR (red) over forecast lead times. Three errors averaged during the period from 1200 UTC 2 July to 0000 UTC 4 July 2018.

태풍 예측 성능이 예측 초반에 향상됨에 따라 기상 1호 고층관측자료가 태풍 구조에 미치는 영향을 수평분포로 살펴보았다(Fig. 7). 분석은 태풍 중심이 모델 영역에 완전히 들어오는 2018년 7월 2일 1200 UTC의 분석장을 이용하여 500 hPa 지위고도, 온도, 상대와도와 850 hPa 유선, 등풍속선을 함께 분석하였다. 500 hPa 지위고도, 온도, 상대와도의 수평분포(Figs. 7a, b)에서 태풍 중심 주변의 온도는 EXPR 실험이 -24^oC, OPER 실험이 -22^oC로 습한 대기상태에서 OPER 실험의 공기가 EXPR 실험보다 온난하였다. 태풍 중심 주변의 온난 다습한 공기는 대기불안정을 증가시키고 상승류를 강하게 형성하므로 OPER 실험의 태풍이 EXPR 실험에 비해 발달했음을 짐작할 수 있다. 모델의 미세물리과정은 태풍 주변의 대기가 온난 다습한 상태에서 태풍의 잠열을 크게 방출하게 되면 태풍 발달에 영향을 준다고 하였다(Li and Pu, 2008; Tao et al., 2011). 상대와도가 16 E^-5 s^-1 이상인 영역은 EXPR 실험보다 OPER 실험에서 태풍 중심으로부터의 영역이 더 넓게 분포한다. 이러한 변화는 OPER 실험에서 태풍의 회전력을 증가시키고 태풍의 구조가 EXPR 실험보다 더 대칭적으로 변하여 태풍이 발달했음을 보여준다. 850 hPa 유선과 등풍속선의 수평분포(Figs. 7c, d)를 살펴보면 태풍의 우측에서 OPER 실험의 37.5 m s^-1 이상인 등풍속선 영역(진한 노란색 계열 영역)이 EXPR 실험에 비해 남북방향으로 좁아지면서 태풍 내부 코어에서 OPER 실험의 유선 흐름이 EXPR 실험보다 강해졌다. 모델의 경계층 과정은 태풍 와도의 성장, 하층 바람 구조의 변화와 연관이 있다(Smith and Thomsen, 2010; Islam et al., 2015). 태풍의 수치모의는 경계층 과정에서 지표면으로부터의 열, 수분, 운동량 등의 연직 혼합을 표현하기 때문이다(Braun and Tao, 2000). 또한 Smith and Thomsen (2010)은 와도 중심에서의 스핀업 현상이 이론적으로 경계층의 역학과 밀접하여 하층 바람의 구조에 상당히 민감함을 보인 바 있다.

Fig. 7.

Analysis charts of geopotential height, temperature, and relative vorticity at 500 hPa for (a) EXPR and (b) OPER, and streamline and isotach (>= 25 kt) at 850 hPa of (c) EXPR and (d) OPER at 1200 UTC 2 July 2018.

태풍의 수평 구조 변화는 OPER 실험이 EXPR 실험에 비해 태풍이 발달하여, 최대풍속과 중심위치의 오차가 EXPR 실험에 비해 각각 0.2 m s^-1, 3 km 정도 감소하였다. 따라서 OPER 실험에서 기상 1호 고층관측자료의 동화는 3차원 기상정보를 제공하고 모델의 미세물리과정과 경계층 과정에 의해 열과 운동량 등이 변하면서 태풍의 구조가 열역학적으로 변하게 되어 강도와 진로의 예측까지 영향을 미친 것으로 보인다.

3.3 한반도 호우의 변화

2018년 기상 1호 특별관측기간에는 장마와 태풍에 의한 강수가 관측되었다(Fig. 8). 장마는 특별관측이 수행되기 전부터 시작되었고 전선이 제주도 남쪽 해상에 머물다 많은 양의 수증기와 함께 북상하면서 불안정한 대기 상태에서 7월 1일에 강한 비구름대를 형성하였다. 이 비구름대의 영향으로 일 강수가 150 mm 이상인 지역이 관측되었고 최대 일강수는 군산 선유도 지점에서 398.5 mm를 기록하였다. 태풍 쁘라삐룬이 북북동쪽과 북동쪽을 향해 이동하면서 제주도는 7월 3일에 태풍의 영향권에 들어갔고 최대 일강수는 울산 매곡 지점에서 168.5 mm를 기록하였다. 최대순간 풍속이 30 m s^-1 내외의 매우 강한 바람과 시간당 20 mm 이상의 강한 비가 제주도와 경상해안, 일부 경상내륙 지역에서 나타났다.

Fig. 8.

Surface analysis charts (upper panels) at (a) 0000 UTC 1 July 2018 and (b) 0000 UTC 3 July 2018. The 1 day accumulated precipitation of AWS (bottom panels) at (c) 0000 UTC 1 July 2018 and (d) 0000 UTC 3 July 2018.

Figure 9는 장마와 태풍의 호우 사례에 대해 AWS 관측 강수와 두 실험의 예측 강수의 6시간 누적 강수 분포이다. Figure 9의 상단 그림은 6월 30일 0000 UTC에 수행한 예측 24시간인 7월 1일 0000 UTC 사례의 강수 분포이다. 7월 1일 0000 UTC 사례는 장마전선의 영향으로 강수가 발생하였고 강수 영역은 충청, 전라, 경남 지역을 중심으로 관측되었다. AWS 관측 분포(Fig. 9a)에서 15 mm 이상의 6시간 누적 강수대는 서울과 강원도 일부를 제외한 대부분의 지역에서 나타난다. EXPR 실험(Fig. 9b)에서 예측한 15 mm 이상의 6시간 누적 강수대는 경상남도 일부를 제외한 충청, 전라, 경상 지역에서 나타나고, OPER 실험(Fig. 9c)에서 예측한 15 mm 이상의 6시간 누적 강수대는 EXPR 실험에 비해 남쪽으로 내려와 경남 지역에서 비가 오지 않는 영역이 줄어들었다. Figure 9의 하단 그림은 7월 2일 0000 UTC에 수행한 예측 30시간인 7월 3일 0600 UTC의 강수 분포이다. 7월 3일 0600 UTC 사례는 태풍의 영향으로 강수가 발생하였고 강수 영역은 동해안 및 경남 지방을 중심으로 관측되었다. AWS 관측 분포(Fig. 9d)에서 10 mm 이상의 6시간 누적 강수대는 남해안과 제주 동쪽 지방에 주로 위치한다. EXPR 실험(Fig. 9e)에서 예측한 10 mm 이상의 6시간 누적 강수대는 경남과 경북 사이에 위치하고, OPER 실험(Fig. 9f)에서 예측한 10 mm 이상의 6시간 누적 강수대는 EXPR 실험보다 남쪽인 경남과 경남 남해안 지역에 위치하였다. 두 사례에 대해 한반도에서 나타난 주 강수대는 EXPR 실험에 비해 OPER 실험이 AWS 관측 분포와 유사했다.

Fig. 9.

The 6 hours accumulated precipitation of (a), (d) AWS, 24-hour prediction of (b) EXPR and (c) OPER at 0000 UTC 30 June 2018 (upper panels), and 30-hour prediction of (e) EXPR and (f) OPER at 0000 UTC 2 July 2018 (bottom panels).

12.5 m s^-1 이상의 강한 바람은 하층제트라 하는데 하층제트는 저위도에 존재하는 온난 다습한 공기를 고위도로 옮기는 역할을 한다. 태풍, 저기압, 장마전선과 같은 규모의 기상현상으로 나타난 집중호우는 하층제트의 이동과 강우대의 이동에 연관성이 있음을 보인 바 있다(Ha et al., 2003). Figure 10은 850 hPa 유선과 등풍속선의 분포로 이를 분석하면 예측한 강수대의 위치와 강수 분포의 변화된 원인을 알 수 있다. 장마전선으로 인한 호우 사례(7월 1일 0000 UTC)는 하층제트 분포에서 차이를 보였다. 하층제트 영역(Figs. 10a, b)은 EXPR 실험에서 전남과 경북까지 분포하고, OPER 실험은 전남과 경남까지 분포하면서 강수대의 위치가 EXPR 실험보다 남하하였다. 태풍으로 인한 호우 사례(7월 3일 0600 UTC)는 25 m s^-1 이상인 영역의 분포에서 차이를 보였다. 이 영역(Figs. 10c, d)은 EXPR 실험에서 한반도 남쪽 해안 경계선의 동해안 바다까지 분포하고, OPER 실험은 한반도 남쪽 해안 경계선까지만 분포하면서 강수대의 위치가 EXPR 실험에 비해 남하하였다. OPER 실험의 기상 1호 고층관측자료가 하층제트 영역에 영향을 주면서 강수대의 위치를 변화시켜 강수 분포를 EXPR 실험에 비해 관측과 유사하도록 유도하였다.

Fig. 10.

Analysis charts of streamline and isotach (=> 25 kt) at 850 hPa predicted 24 hours by (a) EXPR and (b) OPER at 0000 UTC 30 June 2018 and predicted 30 hours by (c) EXPR and (d) OPER at 0000 UTC 2 July 2018. Color bar is same as Fig. 7d.

기상 1호 고층관측자료가 강수 예측 성능에 미치는 영향을 검증하기 위해 AWS 관측자료를 이용해 정량적 검증을 수행하였다. Figure 11은 초기부터 예측 24시간까지 1시간 간격으로 강우강도에 따른 ETS와 BIAS의 분포이다. 분석 영역은 한반도 남한지역으로 제한하였다. ETS와 BIAS는 각각 1과 0에 각각 가까울수록 강수 예측 성능이 향상함을 의미한다. 두 실험에서 예측 3시각 이내 1 mm 이하의 약한 강수는 ETS 값이 0.4 이상으로 EXPR 실험이 OPER 실험보다 0.04 정도로 ETS 값이 더 크게 나타났다. OPER 실험에서 동일한 강수의 BIAS는 0.75 mm 이상으로 커지면서 ETS 값은 EXPR 실험에 비해 작아졌다. 예측 9~12시간에 강수가 20~30 mm인 강한 강수의 ETS는 EXPR 실험이 0.04, OPER 실험이 0.02로, EXPR 실험이 OPER 실험에 비해 ETS 값이 크게 나타났다. 이 때 BIAS는 EXPR 실험이 1.5 mm 이하, OPER 실험이 3 mm 이하로 나타나 OPER 실험에서 예측과 관측의 편차가 더 커졌다. OPER 실험의 강수량이 강우 강도와 상관없이 EXPR 실험에 비해 과소하게 모의 되면서 BIAS는 증가하고 ETS는 감소하여 강수 예측 성능이 좋지 않았다. 따라서, 이 연구에서 기상 1호 고층관측자료는 강수의 정량적 예측보다 강수대의 위치 예측에 긍정적인 영향을 준 것으로 보인다.

Fig. 11.

The ETS (Equitable Threat Score) and bias distribution for precipitation prediction in terms of various thresholds over forecast lead times.

4. 요약 및 결론

기상청 기상관측선 기상 1호는 2018년 제 7호 태풍 쁘라삐룬(PRAPIROON)으로 인한 위험기상 대응 및 예상 진로 감시를 위해 제주 남쪽 해상 및 남해 서부 해상지역을 항해하면서 특별고층관측을 실시하였다.

이 연구는 통합모델(v10.1k)/3D-VAR 기반의 현업 국지예보모델을 이용하여 기상 1호 특별고층관측기간 중 2018년 6월 29일부터 7월 4일까지 6시간 간격의 기상 1호 특별관측 고층자료 유무에 따른 관측시스템 실험(OSE)을 수행하고 태풍 사례와 한반도 호우 사례에 대한 영향을 분석하였다.

첫 분석시점의 기상 1호 관측지점에서 분석증분과 분석잔차의 변화를 분석한 결과, 기상 1호 고층관측 자료는 일부 표준 고도에서 효과가 있었다. 모델에 배경장 대비 온난한 관측 온도가 동화되면서 한랭하게 분석하려는 모델 값을 온난한 방향으로 분석하여 온도의 분석과 관측의 차이가 감소되었고, 배경장 대비 습한 관측 습도가 동화되면서 건조하게 분석하려는 모델 값을 습하게 분석하여 습도의 분석과 관측의 차이가 감소되었다. 바람 또한 배경장 대비 강한 관측 바람 혹은 약한 관측 바람이 동화되면서 모델이 더 강하게 분석하거나 더 약하게 분석하려 할 때 바람의 분석과 관측의 차이가 크지 않도록 완화시켜 주었다. 이와 같이 기상 1호 고층관측자료는 변수와 고도에 따라 동화될 때 최적의 분석을 유도하고자 하였다.

라디오존데 관측자료 기준으로 분석장을 검증하여 기상 1호 고층관측자료가 분석장의 개선에 미친 영향을 확인하였다. 온도와 습도는 일부 표준 고도에서 오차가 감소하였고, 지위고도는 최하층에서 오차가 감소하였으며 풍속은 대부분의 층에서 오차가 감소하였다. 전 층의 분석장이 개선되지 못한 이유는 모델이 라디오존데의 관측특성인 연직 표류에 따라 변하는 위치를 고려하고 있지 않기 때문인 것으로 판단되므로 이를 개선하기 위한 검토가 필요하다.

태풍 쁘라삐룬 사례에서 기상 1호 고층관측자료가 태풍 강도와 진로의 예측에 긍정적인 영향을 미치는 것을 확인하였다. 기상 1호 고층관측자료 추가는 예측 초반의 강도와 진로 오차를 감소시켰고, 태풍의 강도와 진로를 관측과 유사하게 모의하였다. 이는 다습한 대기상태에서 태풍의 내부 코어 지역에서 공기의 변화 (온도 상승, 상승류 증가), 와도의 성장, 하층제트의 분포 등이 변했기 때문이다. 결과적으로 기상 1호 고층관측자료의 추가는 초기조건을 지속적으로 변하게 하여 모델의 미세물리과정과 경계층과정에 의해 태풍 구조가 변하면서 강도와 진로의 예측에 영향을 주었다.

한반도 강수 예측에서 기상 1호 고층관측자료는 강수량의 예측보다 강수대의 위치 예측에 긍정적이었다. 기상 1호 고층관측자료가 추가된 실험에서 강수는 과소하게 모의되면서 정량적인 성능이 기대에 미치지 못했으나 강수대의 위치는 하층제트 분포의 변화로 관측과 유사하게 나타났다.

이 연구에서 활용된 해상 관측공백지역의 기상 1호 고층관측자료는 한 지점이지만 3차원 기상정보로써 분석장부터 예측장까지 영향을 주어 태풍과 강수대 위치의 예측에 긍정적으로 기여함을 알 수 있었다. 향후, 태풍, 집중호우 등 위험기상 발생 시, 수치예보모델의 예측성 향상을 위해 기상 1호를 이용한 고층관측이 지속적으로 이루어져야 할 것이다.

Acknowledgments

기상 1호 고층관측자료의 관측과 수집을 위해 노력 해주신 국립기상과학원 지구환경시스템연구과 기상 1호 관측선의 모든 담당자 분들께 깊은 감사를 드립니다. 이 연구는 수치모델링센터 『수치예보 및 자료응용 기술개발(KMA-2018-00721)』 과제의 일환으로 수행되었습니다.

References

• 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]
• Braun, S. A., and W.-K. Tao, 2000: Sensitivity of high-resolution simulations of hurricane Bob (1991) to planetary boundary layer parameterizations. Mon. Wea. Rev., 128, 3941-3961. [https://doi.org/10.1175/1520-0493(2000)129<3941:SOHRSO>2.0.CO;2]
• Choi, H.-W., S.-H. Won, K.-H. Kim, Y.-H. Kim, and C.-H. Cho, 2014: A study on observing system experiment using special upper-air observations in summer 2014. Proc. of the Autumn Meeting of KMS, Jeju, Korea, Korean Meteorological Society, 122-123 (in Korean).
• Choi, H.-W., Y.-J. Hwang, K.-H. Kim, K.-M. Cho, and S.-W. Joo, 2015: A study on sensitivity experiment using upper-air observations in summer case in 2015. Proc. of the Autumn Meeting of KMS, Seoul, Korea, Korean Meteorological Society, 286-287 (in Korean).
• Edwards, J. M., and A. Slingo, 1996: Studies with a flexible new radiation code. I: Choosing a configuration for a large-scale model. Q. J. Roy. Meteor. Soc., 122, 689-719. [https://doi.org/10.1002/qj.49712253107]
• Ha, K.-J., S.-K. Park, and K.-Y. Kim, 2003: Interannual variability in summer precipitation around the Korean peninsula and its associated east Asian summer circulation. Kor. J. Atmos. Sci., 39, 575-586 (in Korean with English abstract).
• Hwang, Y.-J., J.-C. Ha, Y.-H. Kim, K.-H. Kim, E.-H. Jeon, and D.-E. Chang, 2011: Observing system experiments using KLAPS and 3DVAR for the upper-air observations over the south and west sea during ProbeX-2009. Atmosphere, 21, 1-16 (in Korean with English abstract).
• Islam, T., P. K. Srivastava, M. A. Rico-Ramirez, Q. Dai, M. Gupta, and S. K. Singh, 2015: Tracking a tropical cyclone through WRF-ARW simulation and sensitivity of model physics. Nat. Hazards, 76, 1473-1495. [https://doi.org/10.1007/s11069-014-1494-8]
• Jeon, E.-H., Y.-H. Kim, D.-E. Chang, H.-S. Lee, and S.-W. Lee, 2009: The impact of T-PARC 2008 dropsonde observations on typhoon track forecasting of typhoon Silako (0813) and Rose (0815). Proc. of the Autumn Meeting of KMS, Daegu, Korea, Korean Meteorological Society, 12-13 (in Korean).
• Kim, Y.-H., E.-H. Jeon, D.-E. Chang, H.-S. Lee, and J.-I. Park, 2010: The impact of T-PARC 2008 dropsonde observations on typhoon track forecasting. Asia-Pac. J. Atmos. Sci., 46, 287-303. [https://doi.org/10.1007/s13143-010-1011-2]
• Knaff, J. A., and R. M. Zehr, 2007: Reexamination of tropical cyclone wind-pressure relationships. Wea. Forecasting, 22, 71-88. [https://doi.org/10.1175/WAF965.1]
• Lee, J.-S., J.-K. Shim, J.-C. Ha, and K.-Y. Chung, 2013: A study on sensitivity analysis of regional model using upper-air observations: precipitation cases on July 2013. Proc. of the Autumn Meeting of KMS, Gwangju, Korea, Korean Meteorological Society, 438-439 (in Korean).
• Lee, Y.-H., H.-Y. Lee, K.-H. Lee, J.-S. Lee, J.-Y. Jang, and S.-W. Ju, 2016: The improvement of prediction skill for precipitation based on the convective scale model in the summer 2016. Proc. of the Autumn Meeting of KMS, Busan, Korea, Korean Meteorological Society, 297-298 (in Korean).
• Li, X., and Z. Pu, 2008: Sensitivity of numerical simulation of early rapid intensification of hurricane Emily (2005) to cloud microphysical and planetary boundary layer parameterizations. Mon. Wea. Rev., 136, 4819-4838. [https://doi.org/10.1175/2008MWR2366.1]
• Lock, A. P., A. R. Brown, M. R. Bush, G. M. Martin, and R. N. B. Smith, 2000: A new boundary layer mixing scheme. Part I: Scheme description and single-column model tests. Mon. Wea. Rev., 128, 3187-3199. [https://doi.org/10.1175/1520-0493(2000)128<3187:ANBLMS>2.0.CO;2]
• Lorenc, A. C., and F. Rawlins, 2005: Why does 4D-Var beat 3D-Var? Q. J. Roy. Meteor. Soc., 131, 3247-3257. [https://doi.org/10.1256/qj.05.85]
• Short, C. J., and J. Petch, 2018: How well can the met office unified model forecast tropical cyclones in the western north pacific? Wea. Forecasting, 33, 185-200. [https://doi.org/10.1175/WAF-D-17-0069.1]
• Smith, R. K., and G. L. Thomsen, 2010: Dependence of tropical-cyclone intensification on the boundary-layer representation in a numerical model. Q. J. Roy. Meteor. Soc., 136, 1671-1685. [https://doi.org/10.1002/qj.687]
• Staniforth, A., and N. Wood, 2008: Aspects of the dynamical core of a nonhydrostatic, deep-atmosphere, unified weather and climate-prediction model. J. Comput. Phys., 227, 3445-3464. [https://doi.org/10.1016/j.jcp.2006.11.009]
• Tao, W.-K., J. J. Shi, S. S. Chen, S. Lang, P.-L. Lin, S.-Y. Hong, C. Peters-Lidard, and A. Hou, 2011: The impact of microphysical schemes on hurricane intensity and track. Asia-Pac. J. Atmos. Sci., 47, 1-16. [https://doi.org/10.1007/s13143-011-1001-z]
• Webster, S., A. R. Brown, D. R. Cameron, and C. P. Jones, 2003: Improvements to the representation of orography in the Met Office Unified Model. Q. J. Roy. Meteor. Soc., 129, 1989-2010. [https://doi.org/10.1256/qj.02.133]
• Weston, P., 2014: Assimilating IASI data into the UKV. Met Office SA Tech. Memo., 15, 30 pp.
• Wilson, D. R., and S. P. Ballard, 1999: A microphysically based precipitation scheme for the UK Meteorological Office Unified Model. Q. J. Roy. Meteor. Soc., 125, 1607-1636. [https://doi.org/10.1002/qj.49712555707]