CORDEX-동아시아 2단계 영역에 대한 다중 RCM의 모의성능 및 불확실성 평가

3.1 평균 오차 평가

이 절에서는 기후실험결과와 관측간 기온, 강수의 편차에 대한 공간분포와 산포도(scatter diagram)를 통해 기후모형의 평균적인 오차를 평가하였다. Figures 2, 3은 관측(APHRODITE)의 극동아시아 지역의 연평균 기온, 연 강수량과 20가지 기후실험 결과 및 앙상블 평균(simple averaging)과 관측간 편차의 공간분포이다. 그림에서 1번행은 20년 동안의 관측 기후평균값이고 3번행은 H2, 4번행은 MP, 5번행은 UK를 사용한 앙상블 멤버이며, 2번행은 3~5번행의 앙상블 평균을 나타낸다. 관측을 제외한 1번열은 경계조건으로 사용된 3개의 GCM 경계조건, 2번열은 같은 GCM을 사용한 3개 앙상블 멤버의 앙상블 평균을 나타낸다. 3번열은 H3, 4번열은 CC, 5번열은 M5를 사용한 앙상블 멤버를 표출하였다. 또한 20가지 기후실험결과의 좌측 하단에는 관측과의 편차(Bias)는 B, 평균 제곱근 오차(Root Mean Square Error, RMSE)는 R, 공간상관계수(Pattern Correlation Coefficient)는 C로 표시하였다.

Fig. 2.

The observed (APHRODITE reanalysis) annual mean temperature climatology (oC) (a). Difference of annual mean temperature climatology (oC) between observations and climate simulations (b-u). At the bottom left in the figure, B means Bias, R means RMSE, C means Correlation Coefficient.

Fig. 3.

The same as in Fig. 2, but for annual total precipitation climatology (mm d-1).

Figure 2에서 GCM 앙상블(EnGCM)은 극동아시아의 연평균 기온을 관측에 비해서 -0.2^oC로 다소 낮게 모의한다. 지역별로는 동해에 인접한 한반도 동부, 블라디보스톡, 일본에서 기온을 높게 모의하고 황해에 인접한 한반도 서부과 만주 등에서는 기온을 낮게 모의하여 영역 평균에서는 두 영역의 기온편차들이 서로 상쇄된다(Fig. 2b). RCM 앙상블(EnRCM)은 중국의 화남지역을 제외한 대부분의 지역에서 (-)편차가 나타나지만 편차의 강도가 약해서 관측과의 연평균기온 편차는 -0.2^oC로 GCM 앙상블과 동일하며, 공간상관계수는 0.99로 관측의 공간분포를 비교적 잘 재현한다(Fig. 2c). 개별 GCM을 살펴보면 공간상관계수는 모두 0.95 이상으로 관측의 연평균기온 공간분포를 잘 모의하며, 기온 편차는 MP (+0.6^oC), H2 (-0.1^oC), UK(-1.1^oC) 순으로 높게 나타난다(Figs. 2g, l, q). GCM은 공통적으로 동해안에 (+)편차, 황해안과 만주에 (-) 편차가 공통적으로 나타나며, MP는 한반도 대부분의 지역과 화남지역까지 (+)편차가 나타나고 UK는 대부분의 지역에서 (-)편차를 보인다. Figure 2에서 9개의 RCM 앙상블 멤버는 GCM에 비해 전반적으로 기온이 다소 낮고 관측과의 RMSE가 작으며, 공간상관계수는 더 높은 것을 확인할 수 있다. H3 앙상블은 대부분의 지역에서 (-)기온 편차를 보이고 한반도 동해안, 일본에서 (-)편차가 뚜렷하며, 영역평균 기온 편차는 -0.9^oC로 기온을 매우 낮게 모의한다(Fig. 2d). 특히 UK-H3는 관측과의 기온 편차가 –1.3^oC로 모든 앙상블 멤버 중 기온을 가장 낮게 모의한다(Fig. 2s). M5 앙상블은 한반도의 북쪽 내륙은 (-)기온 편차가 강하고 화남과 일본은 (+)기온 편차가 강해서 두 영역의 기온 편차가 서로 상쇄됨에 따라 영역평균 기온편차는 0^oC로 나타난다(Fig. 2f). CC 앙상블은 화남지역에 강한 (+)기온 편차, 그 외 지역은 (-)기온 편차가 주를 이루며 영역평균 기온 편차는 +0.4^oC로 비교적 기온을 높게 모의하며, 특히 MP-CC는 관측과의 기온 편차가 +0.7^oC로 앙상블 멤버 중 기온을 가장 높게 모의한다(Figs. 2e, o).

Figure 3에서 GCM 앙상블의 연강수량은 관측에 비해 대부분의 영역에서 (+)편차를 보이고 한반도 남부와 일본 해안에서는 (-)편차를 보여 영역평균 편차는 +0.4 mm day^-1이다. 공간상관계수는 0.946으로 관측의 강수 공간분포를 잘 재현하고 있다(Fig. 3b). RCM 앙상블은 GCM 앙상블보다 모든 영역에서 강수의 (-) 편차가 강화되어 관측과의 영역평균 편차는 0mm day^-1으로 나타난다(Fig. 3c). 즉, RCM 앙상블은 GCM 앙상블보다 관측 강수의 기후평균을 더 잘 재현한다고 할 수 있다. 개별 GCM을 살펴보면 MP, H2, UK와 관측간의 영역평균 강수 편차는 각각 +0.7 mm day^-1, +0.3 mm day^-1, +0.3 mm day^-1으로 모든 GCM이 연강수량을 과대 모의한다(Figs. 3g, l, q). 지역별로는 H2와 MP는 우리나라와 일본해안 지역에서 (-)강수 편차를 보이고 그 외 대부분의 지역에서는 (+)강수 편차를 보인다. UK는 다른 두 GCM과 다르게 우리나라에서 (+)강수 편차가 나타난다. 개별 GCM의 공간상관계수는 모두 0.94 이하로, GCM 앙상블에 비해 관측의 연 강수량 공간분포 재현 능력이 다소 떨어진다. 9개의 RCM 앙상블 멤버는 GCM에 비해 전반적으로 강수량이 다소 적고 관측과의 RMSE는 비슷하거나 크며, 공간상관계수는 비교적 낮은 것을 확인할 수 있다. H3 앙상블과 CC 앙상블은 내륙 북부에서 (+)강수 편차가 나타나고 중국의 화남과 우리나라, 일본 해안에서 (-)강수 편차가 나타난다(Figs. 3d, e). 이는 CORDEX 동아시아 1단계 실험에서 확인된 우리나라 인근이 관측보다 다소 건조하다는 연구결과와도 유사한 결과이다(Oh et al., 2014). CC 앙상블은 공간상관계수가 비교적 낮으며, 특히 MP-CC의 공간상관계수는 0.813으로 모든 앙상블 멤버 중 가장 낮다(Fig. 3o). M5 앙상블은 대부분의 지역에서 (+)강수 편차가 나타나고 영역평균 강수 편차는 +0.4 mm day^-1이며, H2-M5에서만 한반도 서부와 만주 일부 지역에서 (-)편차가 나타난다(Figs. 3f, k).

관측의 기후평균을 기준으로 GCM과 RCM의 오차를 정량적으로 분석하기 위하여 Fig. 4에 8가지 기후실험의 기온과 강수에 대한 편차와 RMSE를 제시하였다. 8가지 기후실험은 GCM 앙상블, RCM 앙상블, H2 앙상블, MP 앙상블, UK 앙상블, H3 앙상블, CC 앙상블, MP 앙상블이다. 앙상블 평균은 각 앙상블 멤버의 편차 및 RMSE를 구한 후 평균(simple averaging)을 취하여 계산하였다. 다만, RMSE는 앙상블 평균된 기후실험과 관측간의 RMSE도 추가적으로 표출하여, 앞서 계산된 앙상블 결과와 비교하였다(Figs. 4b, d, f). 이 연구에서는 전자는 앙상블(EnRCM), 후자는 앙상블*(EnRCM*)로 명명하였다. Figure 4에서 사각형은 GCM, 원은 RCM 앙상블, 삼각형은 RCM 앙상블*을 의미하고 검정색은 전체 앙상블평균, 파란색은 H2계열, 빨간색은 MP계열, 녹색은 UK계열 기후실험의 앙상블평균을 나타낸다. 그림의 1열은 편차, 2열은 RMSE를 나타내며, 1행은 연평균(ANN, Annual mean), 2행은 겨울철(DJF, December-January-February), 3행은 여름철(JJA, June-July-August)을 의미한다. Figure 4을 통해서 확인할 수 있는 기후실험의 가장 큰 특징은 여름철 강수를 제외하면, 전반적으로 RCM 앙상블은 GCM 앙상블과 비교하여 관측과의 편차와 RMSE가 비슷하거나 작다는 것이다.

Fig. 4.

Scatter diagrams of temperature and precipitation for bias (left column) and RMSE (right column) in the Annual mean (top row), Winter (middle row), and Summer (bottom row). □: GCM, ○: ensemble mean (En) of RCM (ensemble mean of RMSE), △: ensemble mean of RCM (RMSE of ensemble mean).

먼저 편차의 산포도를 살펴보면, 연평균에서 대부분의 기후실험은 (-)기온 편차와 (+)강수 편차를 보이지만 MP와 MP 앙상블은 (+)기온 편차를 보이며, 특히 MP 앙상블은 유일하게 (-)강수 편차가 나타난다(Fig. 4a). MP는 모든 계절에서 다른 GCM과는 다른 특성을 보이나, 역학적 상세화 과정을 거친 MP 앙상블은 다른 지역기후실험결과와 유사한 특성을 보인다. 모든 기후실험에서 RCM은 GCM의 (+)강수 편차를 다소 완화시켜서 비교적 관측과 유사한 결과를 보인다. 겨울에는 강수는 모든 기후실험에서 (+)편차를 보이고 기온은 MP를 제외한 기후모형에서 (-)편차를 보인다(Fig. 4c). 겨울 강수는 연평균 강수와 마찬가지로 RCM에서 GCM의 (+)편차가 다소 감소되고 기온 편차도 RCM에서 다소 완화된다. MP는 MP 앙상블과 겨울철 기온차가 약 2.2^oC로 GCM과 RCM간에 차이가 가장 큰 기후모형이다. 여름에는 대부분의 기후모형에서 (+)기온 편차, (-)강수 편차를 보인다(Fig. 4e). MP는 다른 기후모형과는 다르게 (-)기온 편차, (+)강수 편차가 나타나지만, MP 앙상블은 MP와 정반대의 특징이 나타난다. 여름은 겨울과는 다르게 RCM이 GCM의 오차를 보완하는 특성이 뚜렷하지 않으며, 모델에 따라 다른 모습을 보인다. H2 앙상블은 H2의 기온과 강수의 편차를 감소시키지만, UK 앙상블은 UK의 편차를 더욱 증가시킨다. 겨울철 기온과 마찬가지로 MP는 MP 앙상블과 여름철 강수량 차이가 약 1.2 mm day^-1으로 GCM과 RCM간 차이가 가장 크다.

기후실험과 관측간의 평균 제곱근 오차(RMSE)는 겨울에는 기온, 여름에는 강수에서 크며, 대체로 RCM은 GCM보다 기온과 강수의 오차가 작다(Figs. 4b, d, f). 또한 RCM 앙상블*은 RCM 앙상블보다 모든 계절에서 기온과 강수의 오차가 작다. RCM 앙상블은 GCM 앙상블에 비해 기온의 RMSE는 모든 계절에서 작고 강수의 RMSE는 연평균과 여름에 작고 겨울에 다소 크다. 기후모형 별로 GCM과 RCM의 오차를 살펴보면 MP는 GCM 중에서 연평균 기온과 강수 RMSE가 가장 크며, 이와 비교하여 MP 앙상블에서는 기온과 강수의 RMSE가 각각 0.6^oC, 0.1 mm day^-1 감소된다(Fig. 4b). UK는 겨울 기온과 강수의 RMSE가 가장 큰 GCM이며, UK 앙상블에서는 이 RMSE가 각각 0.4^oC, 0.3mm day^-1 감소된다(Fig. 4d). 여름에 GCM 중에서 기온 오차가 가장 큰 기후모형은 H2이고 강수 오차가 가장 큰 기후모형은 MP이며, 이들의 오차는 H2 앙상블과 MP 앙상블에서 다소 감소되는 경향을 보인다(Fig. 4f).

3.2 공간패턴 모의성능 평가

이 절에서는 기온과 강수에 대한 기후모형의 공간패턴 모의성능을 평가하기 위하여 Taylor (2001)에서 사용된 Taylor skill-score와 Taylor diagram을 활용하여 관측과 기후모형의 공간 변동성을 비교하였다. Taylor skill-score는 공간상관계수(pattern correlation coefficient)와 공간표준편차(standard deviations)를 기반으로 기후모형의 공간 변동성을 평가하는 지수이며, 다음과 같이 정의된다:

TSS는 Taylor skill-score, R은 기후모형과 관측간의 공간상관계수 이고 σ_m과 σ_o는 각각 기후모형과 관측의 공간표준편차이다. R₀은 기후모형 앙상블 멤버 공간상관계수의 평균이다. Taylor skill-score는 0에 가까울수록 낮은 성능, 1에 가까울수록 높은 성능을 의미한다. Figure 5는 20가지의 기후실험 결과 및 앙상블 평균(simple averaging) 기온과 강수에 대한 Taylor skill-score를 나타내며, 그래프에서 회색막대는 연평균(ANN), 파란색은 겨울철(DJF), 오렌지색은 여름철(JJA)을 의미한다. 앙상블 평균은 3.1절과 마찬가지로 각 앙상블 멤버의 공간상관계수와 공간표준편차를 구한 후 평균(simple averaging)을 취하여 나타내었다. 또한, GCM과 RCM의 앙상블 평균을 취한 후, 공간상관계수와 공간표준편차를 계산하여 Taylor skill-score를 표출한 결과도 각각 GCM 앙상블*(EnGCM*), RCM 앙상블*(EnRCM*)로 나타내었다.

Fig. 5.

Taylor Skill Score of temperature (a) and precipitation (b). Gray: Annual mean, blue: Winter, orange: Summer. *: ensemble mean (Taylor Skill Score of ensemble mean).

기온의 Taylor skill-score는 모든 기후실험결과에서 0.9 이상으로, 관측의 기온 공간분포를 잘 모의하고 있다(Fig. 5a). GCM 앙상블의 계절별 기온 Taylor skill-score는 연평균, 겨울, 여름 순으로 높게 나타났으며, 계절간에 큰 차이가 존재하지는 않았다. RCM 앙상블은 GCM 앙상블보다 모든 계절에서 Taylor skill-score가 높으며, 특히 여름에 +0.02로 공간변동성의 모의성능이 가장 높다. 계절에 따라서 GCM 앙상블*은 GCM 앙상블보다 Taylor skill-score가 0.004~0.016 높고 RCM 앙상블*은 RCM 앙상블보다 Taylor skill-score가 0.006~0.020 높다. 이러한 차이가 나타나는 원인을 분석하기 위하여 기온의 Taylor diagram을 살펴보면, GCM 앙상블*과 RCM 앙상블*은 GCM 앙상블과 RCM 앙상블보다 공간상관계수는 크나 공간표준편차는 작은 것이 확인된다(Figs. 6a, c, e), 이는 앙상블 평균된 결과가 평활 효과에 의해 변동성이 작아지는 것과 관련 있다(Kim et al., 2013).

Fig. 6.

Taylor diagram of temperature (left column) and precipitation (right column) in the Annual mean (top row), Winter (middle row), and Summer (bottom row). Black: ensemble mean, blue: HadGEM2-AO, red: MPI-ESM-LR, green: UKESM. *: ensemble mean (Taylor diagram of ensemble mean).

연평균 Taylor skill-score를 자세하게 살펴보면 GCM 중에서는 H2 (0.98)가 가장 높고 UK (0.96)가 가장 낮으며, RCM 앙상블 중에서도 H2 앙상블(0.99)이 가장 높고 UK 앙상블(0.98)이 가장 낮다. 개별 RCM에서 Taylor skill-score가 가장 낮은 기후모형은 UK-M5(0.96)이고 가장 높은 기후모형은 H2 계열이 아닌 MP-H3(0.99)으로 나타났다. 이는 RCM간 연평균 기온의 공간표준편차의 차이와 관련 있다(Fig. 6a). 개별 RCM은 연평균 기온 공간상관계수의 범위는 0.982~0.989로 큰 차이가 없으나 공간표준편차는 1.04~1.23으로 비교적 큰 차이가 있으며, 이는 RCM이 GCM보다 공간 변동성을 과대모의 한다는 기존 연구들과도 동일한 유사한 결과이다(Kim et al., 2014). Taylor skill-score가 가장 큰 MP-H3의 공간표준편차는 1.04로 관측에 가장 가깝고 가장 작은 UK-M5의 공간표준편차는 1.23으로 관측과의 차이가 가장 크다. 여름은 RCM과 GCM간 Taylor skill-score 차이가 가장 크며, GCM 중에서는 UK가 가장 높고 H2가 가장 낮으며, RCM 앙상블 중에서는 H2 앙상블이 가장 높고 UK 앙상블이 가장 낮아, 정반대의 특성을 보인다. 이는 여름철에 RCM은 GCM보다 공간상관계수가 높아지고 공간표준편차가 증가하는 것과 관련 있다(Fig. 6e). 더 자세하게 설명하면, H2는 관측에 비해 공간표준편차를 과소 모의 하지만 H2 앙상블에서는 증가하여 관측에 가까워지고, UK의 공간표준편차는 관측과 유사하나 UK 앙상블에서는 증가하여 관측과 차이가 더 커지기 때문이다.

강수의 Taylor skill-score는 기온과는 다르게 계절에 따라 큰 차이를 보인다. GCM 앙상블에서는 연평균(0.92), 겨울(0.90), 여름(0.76) 순으로 높으며, RCM 앙상블에서도 연평균(0.96), 겨울(0.94), 여름(0.88) 순으로 높다. RCM 앙상블은 GCM 앙상블보다 모든 계절에서 강수 Taylor skill-score가 뚜렷하게 높으며, 특히 여름에 +0.13으로 강수의 공간 변동성이 가장 크게 보완되었다. 계절에 따른 Taylor skill-score는 GCM 앙상블*은 GCM 앙상블보다 0.059~0.077 높고 RCM 앙상블*은 RCM 앙상블보다 0.042~0.091 높다. Taylor diagram을 통해 자세하게 살펴보면 GCM 앙상블*과 RCM 앙상블*은 GCM 앙상블과 RCM 앙상블보다 공간상관계수는 크나 공간표준편차는 작은 것으로 확인된다(Figs. 6b, d, f). 이는 앞선 기온의 공간 변동성 분석결과와 마찬가지로 앙상블평균을 취한 후, 공간표준편차를 계산하면 개별 모델들에 비해 공간적으로 평활 효과가 작용되어 표준편차가 작아지기 때문이다(Kim et al., 2013).

개별 RCM의 강수 Taylor skill-score는 연평균은 0.84~0.99, 겨울은 0.81~0.99, 여름은 0.66~0.99 사이에 분포한다(Fig. 5b). 연평균 강수를 살펴보면 GCM에서는 H2와 UK가 0.99로 가장 높고 MP가 0.75로 가장 낮으며, RCM 앙상블 에서는 UK 앙상블이 0.96으로 가장 높고 MP 앙상블이 0.94로 가장 낮다. GCM과 RCM 앙상블의 Taylor skill-score를 비교하면 H2 앙상블과 UK 앙상블은 GCM보다 약 0.03 낮아지고 MP 앙상블은 GCM보다 약 0.19 높아진다. MP의 연평균 공간표준편차는 0.58로 공간 변동성이 기온에 비해 매우 낮았으나, MP 앙상블에서는 0.85로 증가함에 따라 Taylor skill-score가 증가하였다. 개별 RCM의 연평균 Taylor skill-score는 MP-M5 (0.99)가 가장 높고 MP-CC (0.84)가 가장 낮다. MP는 공간표준편차가 작고 M5계열 RCM은 공간표준편차가 크므로, MP와 M5가 결합된 MP-M5의 공간표준편차는 관측에 가까워져서 Taylor skill-score가 가장 높게 나타난다(Fig. 6b). 반면, 공간표준편차가 가장 작은 CC계열 RCM과 MP가 결합된 MP-CC의 공간표준편차는 0.7로 가장 작아서 Taylor skill-score가 가장 낮게 나타난다. 즉, RCM 앙상블 멤버에 사용된 RCM과 RCM의 공간 변동성에 대한 오차가 서로 상쇄되는 경우 모의 성능이 다소 높게 나타난다. 여름은 다른 계절에 비해 Taylor skill-score가 작으며, 공간상관계수가 작고 공간표준편차가 전반적으로 관측보다 작다(Figs. 6b, d, f). 기후모형 별 Taylor skill-score는 GCM에서는 UK (0.99)에서 가장 높고 MP (0.45)에서 가장 낮으며, RCM 앙상블에서는 UK 앙상블(0.93)에서 가장 높고 H2 앙상블(0.83)에서 가장 낮다(Fig. 6f). GCM과 RCM 앙상블의 여름철 강수 Taylor skill-score를 비교하면 MP 앙상블(0.90)은 MP (0.45)보다 약 2배 높아진다. 이는 MP의 여름철 강수 공간상관계수는 0.321, 공간표준편차는 0.47로 가장 낮기 때문이며, MP 앙상블은 공간상관계수와 공간표준편차가 각각 0.765, 0.74로 증가하여 비교적 Taylor skill-score가 높아진다. 반면에 UK 앙상블은 UK보다 공간상관계수와 공간표준편차가 모두 감소하여 공간 패턴의 모의성능이 낮아진다.

3.3 지역기후모형의 부가정보(Added Value)

이 절에서는 전지구기후모형(GCM)과 비교하여 지역기후모형(RCM)이 갖는 부가정보를 분석하였다(Fig. 7). 앞서 기후모형 성능평가에 사용된 기후평균의 편차와 Taylor Skill Score의 부가정보를 살펴보았고, 이를 위하여 Kim et al. (2018)에서 사용된 방법을 기반으로 부가정보를 다음과 같이 정의하였다:

Fig. 7.

Added Value of temperature and precipitation used absolute bias (a, b) and Taylor skill score (c, d). gray: Annual mean, blue: Winter, orange: Summer.

위 식에서 B는 관측과 기후모형간 편차의 절대값(absolute bias)을 의미하며, AV_B는 기후평균 편차 기반의 부가정보를 의미하고 |RCM_B|는 RCM과 관측간의 편차의 절대값, |GCM_B|는 GCM과 관측간의 편차의 절대값을 의미한다. S는 Taylor skill-score를 의미하며, AV_S는 Taylor skill-score을 기반으로 한 공간패턴에 대한 부가정보이다. 또한, RCM_S는 RCM의 Taylor skill-score, GCM_S는 GCM의 Taylor skill-score를 의미한다. 정리하면 AV_B는 기후모형의 평균적인 성능을 평가하고 AV_S는 기후모형의 공간패턴을 평가하는 지수이다. 부가정보가 0 이상이면 RCM이 GCM보다 부가정보가 있음을 뜻한다.

Figure 7은 개별 앙상블 멤버 및 앙상블 평균된 RCM이 GCM 대비 어느 정도의 부가정보가 있는지 나타낸 것이다. 즉, H2-H3, H2-CC, H2-M5, H2 앙상블은 H2와 비교하고 MP-H3, MP-CC, MP-M5, MP 앙상블은 MP와 비교하고 UK-H3, UK-CC, UK-M5, UK 앙상블은 UK와 비교하였으며, RCM 앙상블(EnRCM)은 GCM 앙상블(EnGCM)과 비교하였다. 앙상블 평균은 앞 절과 다르게 기온과 강수에 대해서 먼저 앙상블 평균(simple averaging)을 계산한 후, RCM의 부가정보를 계산하였다. 이는 부가정보는 +1 ~ -∞의 범위에 포함되므로 앞 절과 같이 앙상블 평균을 계산하는 경우(즉, 부가정보를 계산한 후 앙상블 평균을 계산하는 경우), RCM 중 단 하나라도 부가정보가 강한 음의 값을 가지면 앙상블 평균의 부가정보가 무조건 음의 값을 갖게 되기 때문이다. 그래프에서 회색막대는 연평균(ANN), 하늘색은 겨울철(DJF), 오렌지색은 여름철(JJA)을 의미한다.

먼저, 기후평균 편차의 측면에서는 기온은 겨울, 연평균, 여름 순으로 부가정보가 많으며, 사용된 RCM에 따라 뚜렷하게 구분된다(Fig. 7a). H3 기반의 RCM은 부가정보가 가장 적으며, 특히 겨울에는 모든 경우에 부가정보가 없는 것으로 나타난다. 반면에 M5와 CC 기반의 RCM은 겨울에 모든 경우에 부가정보가 나타난다. 즉, 겨울에는 사용된 RCM에 따라 앙상블 멤버의 기온 평균 모의 특성이 달라진다고 할 수 있다. 여름에는 사용된 GCM에 따라 부가정보가 정반대의 특성을 보인다. 여름에 H2기반의 RCM은 부가정보가 나타나며, MP와 UK 기반의 RCM은 부가정보가 나타나지 않는다.

기후평균 편차에서 강수는 전반적으로 기온보다 부가정보가 많이 나타난다(Figs. 7a, b). 즉, RCM은 GCM에 비해 기온보다 강수의 평균적인 오차를 더 잘 보완한다고 할 수 있다. 강수는 대부분의 RCM이 GCM의 강수 과대모의를 개선하여 관측에 가깝게 모의하나, 기온은 H2의 기온 과소모의 특성이 H2 앙상블에서 더욱 강화되어 부가정보가 나타나지 않기 때문이다(Fig. 4a). 계절별로는 연평균과 겨울에 대체로 부가정보가 많고, 반대로 여름에는 부가정보가 적다. 개별 RCM 중 UK-M5는 유일하게 연강수량에서 부가정보가 없으며, 이는 3.1절에서 언급된 GCM의 연강수량 (+)편차를 RCM이 개선하는 특성이 UK-M5에서는 반대로 나타나기 때문이다(Fig. 3u).

다음으로, 공간패턴의 측면에서 기온에 대한 RCM 앙상블 평균은 모든 계절에서 부가정보가 나타난다. 또한 기후평균 편차에 비해 다수의 RCM에서 부가정보가 나타나며, 이러한 특성은 여름에 가장 뚜렷하다(Figs. 7a, c). 즉, RCM은 GCM보다 기온의 공간패턴을 전반적으로 잘 모의함을 의미한다. 기온의 공간패턴 부가정보는 사용된 RCM에 따라 계절별 특성이 구분된다. M5 기반의 RCM은 연평균과 겨울에 모든 경우에 부가정보가 나타나지 않으며, 여름에는 CC 기반의 RCM이 비교적 부가정보가 적다(Fig. 7c).

강수 RCM 앙상블 평균에 대한 공간패턴은 기온과 마찬가지로 모든 계절에서 부가정보가 나타난다(Figs. 7c, d). 계절별로는 겨울, 여름, 연평균의 순으로 부가정보가 많으며, 특히 겨울에는 UK-M5를 제외한 모든 RCM에서 나타난다(Fig. 7d). 즉, 겨울철에 RCM은 GCM보다 강수의 공간패턴을 관측에 가깝게 모의한다. 부가정보는 RCM과 GCM 간의 상대적인 모의성능을 평가하는 지수이므로, GCM의 모의성능이 매우 높은 경우에는 대체로 RCM에 부가정보가 없는 것으로 나타난다. 특히 UK는 연평균과 여름강수의 Taylor skill-score가 0.99로 매우 높기 때문에 UK기반 RCM은 모두 강수 공간패턴에 대한 부가정보가 없다(Fig. 5b). H2기반의 RCM도 같은 이유로 연강수량에서 부가정보가 없는 것으로 나타난다.

3.4 불확실성 평가

이 절에서는 분산을 사용하여 지역기후실험에 사용된 GCM과 RCM이 앙상블 평균에 미치는 불확실성을 평가하였다. 이 연구에서는 이미 다중 기후모형 불확실성 평가에 사용된 바 있는 two-way analysis of variance (2-WAY ANOVA) (Suzuki-Parker et al., 2018)를 3종의 GCM과 3종의 RCM이 결합된 9가지 앙상블멤버에 적용하였으며, 자세한 방법은 다음과 같다:

위 식에서 VAR_tot는 3개의 GCM과 3개의 RCM을 사용하여 산출된 9개 앙상블 멤버의 앙상블 평균인 RCM 앙상블의 전체 불확실성이고 4개의 성분으로 나뉜다. VAR_GCM은 GCM에 의한 불확실성, VAR_RCM은 RCM에 의한 불확실성, VAR_GCMxRCM은 GCM과 RCM의 결합(interactive effect)에 의한 불확실성을 나타낸다. ε는 잔차 항(residual term)이며, 경년 변동(interannual variability)를 의미한다. $$ \overline{x_{gry}}$$에서 g는 GCM, r은 RCM, y는 분석기간(연)을 나타낸다. *은 모든 자료의 평균을 의미하며, $$ \overline{x_{g**}}$$는 각 GCM에 대한 모든 RCM(3종)과 모든 연도(20년)의 평균을 의미한다. $$ \overline{x_{*r*}}$$는 각 RCM에 대한 모든 GCM(3종)과 모든 연도(20년)의 평균을 의미하며, $$ \overline{x_{gr*}}$$는 각 앙상블멤버(9종)의 20년 평균 값을 의미한다. 불확실성 4개의 성분 중 잔차 항이 60~80%대로 매우 큰 값을 보이며(Table 2), 이는 기후모형에서 GCM과 RCM에 의한 불확실성보다 경년 변동의 불확실성이 비교적 크다는 것을 의미한다. 이 연구에서는 앙상블 평균에 미치는 GCM과 RCM의 불확실성을 평가하기 위하여 잔차 항을 제외한 3가지 성분을 각각 Figs. 8, 9에 제시하였다. Figures 8, 9는 각각 기온과 강수에 대하여 3가지 불확실성 성분을 비교하여 각 격자에서 가장 큰 성분만 전체 불확실성에 대한 비율(%)로 표출하였고 좌측하단에는 각 성분 별로 가장 큰 값을 갖는 격자의 수와 전체 격자 격자의 수 대비 비율(%)을 표시하였다. 그림의 1열은GCM, 2열은 RCM, 3열은 GCM과 RCM의 결합에 의한 불확실성이며, 1행은 연평균(ANN), 2행은 겨울(DJF), 3행은 여름(JJA)을 의미한다.

Table 2.

Ratio of variance explained by GCM difference (first columns), RCM difference (second column), and interactive effect between GCM and RCM differences (third column) for climatology of Annual mean (top row), Winter (middle row), and Summer (bottom row). See Equation 3.

Fig. 8.

Ratio (%) of temperature variance explained by GCM difference (first column), RCM difference (second column), and interactive effect between GCM and RCM differences (third column) for climatology of Annual mean (top row), Winter (middle row), Summer (bottom row). Only areas with highest of the three components.

Fig. 9.

The same as in Fig. 8, but for Precipitation.

기온에 대한 다중 기후모형의 불확실성은 연평균과 겨울은 RCM의 불확실성이 크고 여름은 GCM의 불확실성이 크다. 연평균과 겨울에는 불확실성의 공간분포도 유사한 분포를 보이고 RCM > GCM >결합 불확실성 순으로 크게 나타난다(Figs. 8a-f). 특히 겨울에는 RCM의 불확실성(20.8%)이 GCM의 불확실성(6.1%)보다 3배 이상 크다(Table 2; Figs. 4c, d). 연평균과 겨울에 지역별 불확실성을 살펴보면, RCM의 불확실성은 해양에서 최대 30%이상에 달할 정도로 불확실성이 뚜렷하며 우리나라에서는 서부지역에서 불확실성이 가장 크다(Figs. 8b, c). GCM의 불확실성은 우리나라 영동지역과 동해 일부 지역에서 비교적 불확실성이 크다(Figs. 8a, d). 결합불확실성은 연평균 기온에서 만주지역에서 다소 큰 불확실성을 보인다(Figs. 8c, f). 반면에 여름에는 GCM의 불확실성이 가장 크고 RCM의 불확실성이 가장 작다(Table 2; Figs. 8g, h). 특히 해양과 극동아시아 북부 내륙에서 GCM의 불확실성이 뚜렷하며, 지역별 GCM의 불확실성은 서해에서 최대 25%의 비율을 차지한다. 일본 남쪽의 해상에서도 GCM의 불확실성과 결합불확실성이 모두 10% 이상의 비교적 큰 불확실성을 보인다(Figs. 8g, i). 또한 여름에 우리나라의 불확실성은 전반적으로 결합불확실성이 가장 크고 우리나라의 서쪽은 RCM의 불확실성, 동쪽은 GCM의 불확실성이 비교적 큰 값을 보였다.

강수에 대한 다중 기후모형의 불확실성은 모든 계절에 RCM의 불확실성이 크며, GCM의 불확실성과의 차이는 크지 않다. 연평균과 여름의 불확실성은 유사한 분포를 보이고 RCM > GCM >결합 불확실성 순으로 크게 나타난다(Figs. 9a-c, g-i). 연평균과 여름의 지역별 불확실성을 살펴보면, RCM의 불확실성은 우리나라, 일본, 중국의 화남지역을 포함한 극동아시아 남쪽 지역에서 크고, 지역에 따라 30% 이상의 불확실성이 나타난다(Figs. 9b, h). GCM의 불확실성은 동해와 일본 남부의 강한 강수밴드가 위치하는 지역에서 크고 북한에서도 비교적 크다(Figs. 9a, g). 결합불확실성은 서해 북부와 만주 지역에서 비교적 큰 불확실성을 보인다(Figs. 9c, i). 겨울에는 RCM의 불확실성과 GCM의 불확실성이 비슷해지고 결합불확실성은 가장 작아진다(Figs. 9d-f). 겨울에 GCM의 불확실성은 한반도와 북부 내륙, 그리고 극동아시아 남부 해양에서 뚜렷하게 크고 RCM의 불확실성은 서해부터 중국내륙, 한반도 동해안, 일본지역에서 크다. 결합불확실성은 제주도 인근의 남해 일부와 동해 일부 지역에서만 큰 불확실성을 보인다. 이러한 결과는 GCM의 불확실성이 RCM의 불확실성보다 전반적으로 크다는 선행 연구와는 정반대의 결과이다(Rowell, 2005; Inatsu et al., 2015; Suzuki-Parker et al., 2018). 이는 지역기후실험에 사용된 GCM 과 RCM의 종류, 그리고 모의실험 영역에 따라 불확실성이 달라질 수 있다는 것을 의미한다. 기존의 RCM의 불확실성이 작다는 연구들은 RCM이 GCM의 결과에 종속적이라고 해석될 수 있다. 반면에 RCM의 불확실성이 더 크다는 이 연구의 결과는 RCM 실험 결과가 이 GCM에 종속적이지 않고 RCM만의 특성을 잘 표현한다고 볼 수 있다. 즉, RCM의 큰 불확실성, 뚜렷한 부가정보, 높은 Taylor Skill Score 등은 RCM이 GCM에 비해 이점을 갖는다는 것을 모두 표현한다고 할 수 있다.