기상청 기후예측시스템(GloSea6) - Part 2: 기후모의 평균 오차 특성 분석

1. 서 론

재난 대응, 농업과 식량안보, 수자원 등의 부문에서 국가정책 수립을 위한 기반 정보로서 장기 기후예측정보의 중요성이 증가하고 있으며, 최근에는 개인 삶의 질적인 향상 및 기후환경 변화 대응을 위한 필수적인 기상정보로서 기후예측 정보의 정확도에 대한 요구도 점차 더 확대되고 있다.

기상청은 1964년 월간 예보의 대내 시행을 시작으로, 1973년 처음으로 월간 예보를 대외 발표한 이래 1990년대 말까지 주로 통계적인 방법으로 장기 예보를 생산하였다. 1999년부터 국가 기상슈퍼컴퓨터 1호기에서 역학 모델을 도입하여 운영하기 시작하였으며, 이를 기반으로 장기 예보의 생산을 시작하였다. 초기 모델은 일본기상청의 GSM (Global Spectrum Model)을 기반으로 한 기상청 현업 전지구 예측모델 GDAPS (Global Data Assimilation and Prediction System based on GSM) 이었다(KMA, 2015).

2010년부터 기상청은 현업 수치예보 모델로서 영국 기상청(Met Office)의 통합모델(Unified Model, UM)을 도입하였으며, 기후예측 분야를 위해 2010년 6월 영국기상청과 기후예측시스템을 공동으로 구축, 운영하는 협약을 체결하였다. 이 협약을 통해 기상청은 2012년에는 대기-해양 결합모델 기반의 N 96 해상도(~135 km) GloSea4 (Global Seasonal Forecasting System ver. 4; Alberto et al., 2011)를 도입 및 시험운영하였고, 2013년에는 이를 준현업으로 운영하였으며, 2014년에는 해상도가 135 km에서 60 km로 개선된 고해상도 예측시스템 GloSea5 (MacLachlan et al., 2015; Scaife et al., 2014)를 도입하여 현업 운영을 시작하였다(MacLachlan et al., 2015). 한영 협력을 통한 공동현업운영의 일환으로 2016년에는 GloSea5의 결합모델의 과학적 구성(Science Configuration)을 GA3 (Global Atmosphere version 3; 전구 대기모델의 구성 버전)에서 GC2 (Global Coupled version 2; 결합모델의 구성 버전)로 업그레이드하였고, 2021년 말에는 결합모델 구성을 GC2에서 GC3.2로 업그레이드한 GloSea6를 설치하고 GloSea5와 현업 병행운영을 하였고, 2022년 2월말부터는 기상청의 현업 기후예측시스템으로 GloSea6만을 운영 중에 있다. 여기서 전구 결합모델의 구성(GC: Global Coupled)이란 결합모델을 구성하는 대기(GA: Global Atmosphere), 지면(GL: Global Land), 해양(GO: Global Ocean), 해빙(GSI: Global Sea Ice) 각각의 대표 설정 버전을 조합한 결과의 버전을 의미한다. GloSea5와 GloSea6의 결합모델 구성은 2.1절에서 다시 언급할 예정이다.

GloSea5는 이론적인 최고 성능이 5,800 TFlops, 메모리 726 TB, 프로세서 139,392개 코어의 기상청의 국가 기상 슈퍼컴퓨터 4호기에서 하루 약 20,000 코어를 점유하여 9시간 구동되는 시스템이며, GloSea6는 이론 성능 51 PFlops, 메모리 2,604 TB, 프로세서 612,864개 코어의 슈퍼컴퓨터 5호기에서 하루 약 40,000 코어를 점유하여 9시간 구동되는 시스템이다. 이렇게 큰 계산 자원이 필요한 모델인 만큼 세계적인 수준의 기후예측 결과를 생산하고 있다(Hyun et al., 2020).

이 연구에서는 2021년 말 기상청 슈퍼컴퓨터 5호기에 설치∙운영 중인 GloSea6의 과거기후 예측장(Hindcast)의 특성을 분석하고 이전 버전인 GloSea5와 비교하여 과거기후 예측 오차에 대한 기본적인 검증을 진행하였다.

2. 모델 및 관측 자료

GloSea6는 GloSea5와 같은 전지구 기후모델인 HadGEM3 (Hadley Center Global Environmental Model Version 3)를 기반으로 개발된 앙상블 예측시스템으로, 해상도는 대기/지면에 대해 N216(위도 0.83^o, 경도 0.56^o, 중위도 약 60 km), 해양/해빙에 대해서는 eORCA025 (0.25^o)를 사용한다. 연직 해상도는 대기의 경우 85층, 해양의 경우 75층이다. GloSea5와 GloSea6의 대기/지면 격자 체계 및 해상도는 동일하다. GloSea6의 해양/해빙 모델의 해상도는 GloSea5와 거의 유사하나, GloSea6에 사용된 eORCA025는 GloSea5의 ORCAR025를 남극 대륙까지 확장시킨 extended ORCA 격자로 격자의 체계에서 차이를 보인다. 또한, GloSea6는 Williams et al. (2018)에서 설명된 결합 모델 GC3.1을 기반으로 하고 있으나, 기후예측시스템 개발 시 다층 적설 모수화 및 추가적으로 세부적인 개선을 통하여 GC3.2로 업그레이드되었다(Davis et al., 2020; Kim et al., 2021a; Kim et al., 2021b).

GloSea5 대비 GloSea6의 과학적 구성, 해상도, 초기장, 앙상블의 개선사항에 대하여는 Table 1에 정리하였으며, 다음 항에서도 간단히 설명하였다. Table 1에서는 Forecast와 Hindcast의 변경 사항을 모두 설명하였으나, 이 논문에서는 Hindcast의 기후특성을 분석한 것임을 알려 둔다. 더 세부적인 GloSea6의 개선사항은 이 논문의 Part 1 (Kim et al., 2021a)에서 자세하게 기술하고 있다.

Table 1.

Updates of model configurations, resolution, initials and ensembles of GloSea6 comparing to GloSea5. Upcoming main changes in 2022 for GloSea6 are written in Italic separately.

3. 결 과

3.1 기후 평균장 오차

3.1.1 연직분포

Figure 1은 GloSea6와 5의 여름과 겨울의 경도 평균한 지위고도의 위도별 연직 고도장으로 GloSea6와 5 각각의 오차와 두 시스템 사이의 절댓값 오차 차이로 개선 유무를 나타낸 그림이다. 여름(Fig. 1a)과 겨울(Fig. 1b)의 예측 결과로서 왼쪽부터 각각 GloSea6와 GloSea5의 오차이며, 가장 오른쪽에는 두 예측시스템 간 오차의 절댓값 차이를 나타낸다. 초록색이 진할수록 오차의 절댓값 크기가 감소하여 개선된 것을 의미한다.

Fig. 1.

Zonal averaged vertical structure for geopotential height biases during (a) JJA and (b) DJF. Left and middle panels are biases of GloSea6 and GloSea5, and right panels are the differences of absolute biases between GloSea6 and 5.

Figures 1a와 b에서 GloSea5 고도장의 연직분포 오차를 살펴보면 열대 중위도 중층에서부터 대류권계면이 위치한 100 hPa 고도까지 80 m 이상의 음의 오차가 나타나고 있으며, 이러한 오차를 GloSea6에서 큰 폭 개선하여 열대 중위도 대류권에서의 오차는 20 m 내외로 줄어들었다. 이러한 고도장의 개선은 이 논문의 Part 1 (Kim et al., 2021a)에서도 설명한 바와 같이 GloSea6에서의 복사 플럭스 모의 개선을 통해 열대 대류권계면의 기온 오차를 개선한 결과로 해석된다.

또한 극 지역 특히 여름 반구 성층권에서의 지위고도가 여름과 겨울 모두 GloSea5에서는 100 m 이상 낮게 나타나는 오차를 GloSea6에서는 50 m 이상 개선하고 있다. 특히 Fig. 1a의 GloSea5의 경우 여름철 북반구 고위도 60~80^oN 부근에서 성층권의 오차는 성층권-대류권의 결합 과정에 의해 대류권 하부까지 내려와 지위고도 오차에 영향을 주고 있다. Kim et al. (2018)은 이러한 오차가 성층권 상부에서 복사와 관련된 물리과정에서 발생한 오차로 인해 제트와 연직운동에 대한 예측능력의 한계로 이어졌을 가능성을 지적하고 있는데, GloSea5에서는 기후 평균값으로 처방하고 있던 성층권 오존 강제력을 대신하여 GloSea6에서는 CMIP6 과거기후 재현(Historical) 오존 변동값을 반영하여 이를 개선하였다. 그러나 GloSea6의 100 hPa 이상 성층권 지역에서는 최대 60 m의 양의 오차가 나타나는 경향이 나타나 하부 성층권 과정의 개선이 추가적으로 필요함을 보인다.

Figures 2와 3은 Fig. 1과 동일한 방식으로 기온, 동서바람 그리고 비습의 연직 오차 분포를 보였다. 먼저, 여름 및 겨울철 기온과 동서 바람의 연직분포를 살펴보면, 대류권 전반에 1.5^oC까지 나타나던 한랭 오차가 개선되었으며(Figs. 2a, 3a), 중위도 제트와 대류권계면에서의 상층 바람이 개선되었다(Figs. 2b, 3b). 다만 100 hPa 부근에서 여름철 남북반구 고위도 및 겨울철 남반구 중위도 부근에서 기온 오차가 증가하는 경향이 나타난다. GloSea5 비습의 연직 오차분포의 큰 특징 중 하나는 여름∙겨울 계절에 상관없이 대기 하층과 적도 대류권의 뚜렷한 건조 오차가 나타나는 것이다(Figs. 2c, 3c). 이러한 GloSea5의 오차는 대류권 한랭 오차와 함께 대기의 불안정을 만들어 강한 대류를 만드는 조건을 가질 수 있다. GloSea6에서는 온난 강우(warm rain) 강수물리과정의 새로운 모수화 방안(Boutle et al., 2014)을 채택해 비습 모의를 개선하였으며, 6A Convection Scheme을 새롭게 도입해 적운모수화 과정을 개선했다. 이러한 영향으로 GloSea6에서의 건조 오차가 크게 개선된 것을 알 수 있다.

Fig. 2.

Same as Fig. 1 except but (a) temperature, (b) zonal wind and (c) specific humidity during JJA. Contours are model climatologies, and shadings are biases.

Fig. 3.

Same as Fig. 2 except for DJF.

기후모델에서 건조 오차 특히 해양성 대륙에서의 건조 오차는 MJO (Madden-Julian Oscillation) 모의 성능에 영향을 미치는 것으로 알려져 있다(Kim et al., 2019; Ahn et al., 2020; Yang et al., 2021). 특히 Gonzalez and Jiang (2017), Ahn et al. (2020), Kang et al. (2021)은 MJO 전파에 수분의 수평 이류가 중요하며, 따라서 모형의 평균 수분 값과 수평 경도 분포가 모형 MJO 모의 성능을 좌우함을 밝히고 있다. Figure 4에 850 hPa의 해양성 대륙에서의 하층 비습의 공간 분포를 나타내었다. 관측과 비교해 보았을 때, GloSea6에서 GloSea5에 비해 하층 수분량과 수평 경도가 관측과 유사하게 개선되었을 알 수 있다. Williams et al. (2018)에서 GloSea6와 거의 동일한 과학적 구성인 GC3.1의 기후모델 제어 적분(Control Simulation) 평가 결과에서도 MJO 모의 결과 개선을 확인할 수 있다.

Fig. 4.

DJF mean specific humidity over 850 hPa for (a) ERA-Interim, (b) GloSea5 and (c) GloSea6.

3.1.2 공간분포

Figure 5는 GloSea6와 5의 여름과 겨울철 전지구 500 hPa 지위고도와 상층 200 hPa에서의 상층 제트 기류의 공간 분포이며, 가장 오른쪽 칼럼에서 Fig. 1과 같이 두 시스템 사이의 절댓값 오차 차이로 개선 유무를 나타내고 있다. GloSea5의 500 hPa 지위고도 분포에서 적도와 중위도 대양을 중심으로 한 음의 오차가 10에서 20 m 이상 줄어들었으며, 양 극 지역으로는 양의 오차가 증가하는 지역이 나타났다(Figs. 5a, b). 200 hPa 제트 기류의 오차에서 보면 중위도 상층 제트 기류 또한 전체적인 오차의 패턴은 유사하나 오차 강도가 전반적으로 감소하였다(Figs. 5c, d). 여름철의 동아시아 제트 출구 쪽의 개선이 뚜렷이 보이나, 여름과 겨울철 모두에서 상층의 적도 동풍 열대 밴드의 모의는 개선되지 못하고 있다.

Fig. 5.

Spatial biases for 500 hPa geopotential height (a) during summer (JJA) and (b) winter (DJF), and for 200 hPa zonal wind (c) during summer (JJA) and (d) winter (DJF). Left and middle are biases of GloSea6 and GloSea5, and rights are differences of absolute biases between GloSea6 and 5 (bias improvements).

Figure 6는 GloSea6와 5의 여름과 겨울 전지구 해수면 온도의 분포이다. GloSea6 해수면 온도에서 가장 눈에 띄는 점은 GloSea5에서의 적도 동태평양 해수면 온도를 2^oC 이상 과소모의하는 라니냐 경향이 개선된 점이다. 적도 동태평양뿐만 아니라 적도 대서양과 인도양에서도 존재하던 한랭 오차가 뚜렷하게 개선되고 있다. 이러한 개선은 태평양의 ENSO (El Niño-Southern Oscillation), 대서양의 AMM (Atlantic Meridional Mode) 등의 주요 해양기후 모드의 모의 개선에 영향을 주었을 것으로 판단된다. 인도양의 경우 여름철에는 동인도양, 겨울철에는 서인도양에서 나타나는 한랭 오차의 개선이 인도양 IOD (Indian Ocean Dipole) 모의 개선에 영향을 주었을 것으로 판단된다. 또한 여름철 북동 태평양 지역에서의 온난 오차가 개선되었는데 이러한 개선은 PMM (Pacific Meridional Mode)과 PDO (Pacific Decadal Oscillation) 모의 개선에 영향을 줄 것으로 판단된다. 향후 GloSea6의 모든 월에 대한 과거기후 예측 모의가 모두 수행되고 나면 이러한 기후변동성에 대한 성능 평가를 수행할 예정이다.

Fig. 6.

Same as Fig. 4 except but SST during (a) JJA and (b) DJF.

또 한가지 주요한 개선 점은 GloSea5에서 나타나던 남반구 특히 고위도 해양에서 전체적으로 1^oC 이상 존재했던 양의 오차의 완화이다. 이는 남반구의 여름철인 DJF 시기에 뚜렷하게 나타나는데, GloSea6에서는 해양모델의 격자 체계가 ORCA025에서 eORCA025 (extended ORCA)로 변경되면서 남극 대륙으로 모의 영역이 확장되어 빙붕 아래 해양 순환의 명시적인 모의가 가능해지게 되었으며, 에디(eddy)에 의한 등밀도 확산 계수를 조정함으로써 남반구 해수면 온도의 온난 편차를 감소시켰다(Williams et al., 2018; Kim et al., 2021a). 남극 대륙의 연안을 따라서는 온난 오차와는 반대로 1^oC 이상 한랭한 해수면 온도가 GloSea6에서 개선되었는데, 이는 해빙이 얼고 녹을 때 해양 염분을 고려함으로써 과도한 해빙의 녹음으로 인한 해수면 온도의 과소 모의를 개선한 것으로 판단된다. 또한 GloSea6에서는 다층 해빙 열역학 과정을 고려함으로써 해빙의 얼고 녹음을 좀 더 현실적으로 반영하게 되었다(Kim et al., 2021a).

Figure 7은 여름과 겨울철 1.5 m 기온의 오차에 대한 개선 정도를 보여준다. 여름철 GloSea5에서 나타났던 북반구 대륙에서의 양의 오차가 2.5^oC 이상 모두 감소하였으며, 이는 토양수분 초기화의 개선으로 인한 것으로 판단된다(Fig. 7a). Lim et al. (2021)에서는 토양수분 초기화에 따른 GloSea5의 기후 특성과 그 영향을 분석하였는데, 북반구 대륙에서의 여름철 온난 오차가 두드러지게 나타남을 확인할 수 있다. GloSea6에서는 재분석자료 값을 직접 반영하였던 토양수분 초기화 과정을 재분석 자료와 모델 기후값의 누적 분포를 비교하여 매칭해 줌으로써, 모델기후 관점에서 과소하게 들어갔던 토양수분이 모델 기후값 분포에 맞추어 입력되도록 개선하였다. 이러한 개선은 북반구 유라시아 대륙과 북미 대륙에서의 해면기압 개선에도 기여하였다(그림 생략).

Fig. 7.

Differences of absolute biases between GloSea6 and 5 (bias improvements) for 1.5 m temperature during (a) JJA and (b) DJF.

반면에 겨울철은 북반구의 눈이 있는 지역에서의 음의 오차가 2^oC 이상 강해지는 특징이 나타났다. 이는 GloSea6의 지면모델에서 단일층으로 모의하던 지표면의 눈을 눈 두께에 따라 여러 층으로 표현하여 눈 녹음과 토양의 단열효과가 반영되도록 하였으나(Walters et al., 2019), 겨울철 토양에서 대기로 전달되는 열 플럭스가 다소 과도하게 감소한 것이 그 원인으로 판단된다. 실제 장기예보 활용 시에는 예측장에서 과거기후 예측장을 뺀 아노말리로써 한랭한 모델의 구조적 오차를 보정하여 사용하므로 장기예보에서는 문제가 두드러지지 않을 것이나, 계절내 예측 활용시에는 문제가 될 수 있으며, 지면 초기화 과정에 토양 온도 변수의 추가 등을 통해 개선할 예정이다.

3.2 동아시아 여름 몬순

GloSea의 오차 특성 중 하나는 여름철 북서태평양 고기압의 과소 모의이다(Lee et al., 2020; Kim et al., 2021b). Figures 8a-c에는 동아시아 영역에 대해 GloSea6의 여름철 해면기압과 동서 바람 그리고 강수의 오차를 나타내고 있다. GloSea6의 전구 기압 모의는 여름철 티벳 주변 유라시아 대륙과 북미 대륙의 기압을 낮게 모의하고, 유라시아 동쪽으로 북서태평양의 몬순 기압골을 낮게 모의하는 오차가 중태평양까지 확장하여 자리하는 특징을 보인다. 그리고 10~20^oN 아시아 몬순 서풍이 강한 오차를 보이고, 북서태평양 고기압이 북동쪽으로 편향되어 나타나는 특징이 있으며, 이는 워커 순환의 오차와 연결되어 동아시아 여름철 강수 오차와도 직접적으로 연관되게 된다.

Fig. 8.

GloSea6 biases for (a) MSLP, (b) 850 hPa zonal wind and (c) precipitation during summer (JJA), and bias improvements of (d) MSLP, (e) 850 hPa zonal wind, and (f) precipitation when it used the closest single initial date.

한편 Figs. 8d-f는 추계물리에 의한 앙상블 수를 3에서 7개 늘리고, 5월 한달 간의 초기장(1, 9, 17, 25일)을 모두 사용한 것이 아니라 가장 가까운 5월 25일의 초기장 만을 사용하여 6월 한달을 예측했을 때의 해면기압과 850 hPa 동서바람, 강수의 개선도를 나타낸다. JJA 기간의 개선이 아닌 6월 한달 예측을 본 이유는 가까운 25일 초기장을 사용한 효과가 짧은 계절내 규모에서 크게 나타났기 때문이다. 가장 가까운 초기 시간만을 사용하였을 때 적도 서태평양의 강한 서풍과 과도한 강수 오차가 개선되는 것을 볼 수 있어, 가까운 초기장의 효과로 인한 여름철 몬순 강수 모의의 개선 가능성을 보이고 있다(Figs. 8e, f). 다만 해면 기압의 개선 효과는 최대 -5 hPa 오차에 0.5 hPa 정도로 매우 작았다(Fig. 8a). 또한 모든 변수에서 모의가 더 좋지 않은 지역도 함께 나타나는데, 이는 한 날짜의 초기장 만을 사용함으로써 앙상블에 사용되는 멤버 수가 줄어들었기 때문인 것으로 판단된다. 향후 계산 자원이 허락한다면, 한 초기 시간당 생산하는 추계 물리 앙상블 수를 더 늘려 신뢰성을 확보하고, 가까운 초기장만을 사용한다면, 동아시아 여름 예측에 민감한 몬순 모의 오차를 보다 많이 개선할 수 있을 것으로 기대된다.

Figure 9은 GPCP 관측 강수와 GloSea6의 5일 평균 강수를 한반도를 포함하여 경도(115~135^oE) 방향으로 지역 평균한 시간에 따른 위도별 이동 분포를 보여준다. 앞서 여름철 강수의 오차 분포에서도 알 수 있듯이 GloSea6는 아열대 몬순 강수를 과도하게 모의하는 경향을 살펴볼 수 있다. 그러나, 6월 초 한반도로 북상하는 장마 강수대의 시작을 비교적 잘 모의하고 있어, 장마와 관련된 기후예측에 있어서 예보관에게 유의미한 정보를 제공해 줄 수 있을 것으로 기대된다.

Fig. 9.

Time-latitude cross section of precipitation anomalies (mm day-1) over 115~135°E from (a) observation (GPCP) and (b) GloSea6.

3.3 앙상블 확대의 영향

이 절에서는 과거기후 예측장의 앙상블 수 확대에 따른 영향을 기후 평균의 오차와 기후변동성 모의 측면에서 간단히 논의해 보고자 한다.

Figure 10에는 GloSea6의 한 초기 시간당 앙상블 수를 7개로 확대하여 기존 3개일 때와 상관 계수를 해면기압, 850 hPa 동서풍, 지상기온 및 강수에 대해서 비교 결과를 나타내었다. 기후기간 동안의 관측과 모델의 여름(왼쪽 패널)과 겨울(오른쪽 패널) 예측 결과 간의 상관을 구하였을 때에는 상관계수가 0.2~0.4 증가하는 패턴이 뚜렷하였으며, 차이는 있으나 모든 변수에 상관이 증가하는 경향을 보였다. 특히 개선 효과가 큰 기압과 바람 변수에서 적도보다는 극쪽에서의 개선 경향이 크게 나타났는데, 이러한 지역들은 예측 결과의 스프레드도 크고 불확실성이 큰 지역으로, 앙상블을 증가시켰을 때 확연히 불확실성이 작아지고 연간 변동성의 모의가 개선되었다. 그러나 기후 평균 오차의 측면에서 앙상블 확대 효과는 매우 작아서 각 앙상블 평균 간의 오차 차이를 구하였을 때는 값이 거의 나타나지 않았다(그림 생략).

Fig. 10.

Differences of correlations between GloSea6 results for 7 and 3 ensemble members (correlation improvements). From the top, (a) MSLP, (b) 850 hPa zonal wind, (c) 1.5 m temperature and (d) precipitation during JJA (left) and DJF (right).

이러한 특성은 앙상블 확대의 효과가 기후 평균 예측에서 보다는 계절 기후 변동성의 예측에 더 효과가 있음을 보인다. 즉 기후 평균 예측을 위하여 사용된 5/11월 한달 간의 4개 초기시간, 각 3개의 추계물리 앙상블 멤버의 24년 간 총 288개 앙상블 멤버는 이미 확률 분포에 있어 평균값을 예측하기에 충분한 수라고 판단할 수 있다. 그러나 앙상블 확대에 따라 확률 분포의 변동성 범위가 더 넓어지고 관측의 기후변동성을 더 가깝게 포함하게 된다.

이와 같은 결과를 GloSea5에서의 앙상블 확대 효과를 연구한 Park et al. (2021)에서도 찾아 볼 수 있다. Park et al. (2021)은 추계물리 앙상블을 한 초기시간당 3개에서 14개까지 증가시켜 총 20년 기후기간 동안 1,120개의 앙상블을 생산하였다. 그리고 앙상블 증가에 따라 최대한 확보할 수 있는 평균과 기후변동성의 예측 개선 정도를 보임으로써 전산 자원이 한정적인 현업 운영에서 선택할 수 있는 앙상블 수에 대한 가이드를 제시하였다. 그 결과에서 앙상블 수가 점차 확대 됨에 따라 지속적으로 평균 오차와 기후변동성이 꾸준히 개선되는 결과를 볼 수 있는데, 상대적으로 예측 변수 값 크기에 비하여 평균 오차의 개선 정도가 상관 계수에 비해 작음을 알 수 있다. 또한 지역과 변수에 따라 앙상블 확대에 따른 효과가 달라 중고위도에서의 개선의 여지가 충분히 남아 있음을 알 수 있었으며, 앞서 Fig. 8에서도 살펴본 바와 같이 가까운 초기장의 사용으로 계절내 예측에서의 추가적인 예측성을 도모할 수 있을 것으로 생각된다. 이러한 영향은 향후 좀 더 심도있게 분석할 계획에 있다.

4. 결 론

이 논문에서는 2021년말 구축되어 테스트를 마친 GloSea6의 24년간 과거 기후 예측장을 활용한 계절 실험 결과로부터 기본적인 변수들의 오차 분포 및 특성을 분석하고 이전 현업 모델인 GloSea5의 과거기후 예측장과의 비교를 통해 성능 개선을 확인하였다.

기상청에서는 영국기상청과 공동으로 현업 운영하고 있는 기후예측시스템의 업그레이드 버전인 GloSea6를 도입하여 구축을 완료하고, 그 상세한 운영체계와 개선사항에 대해서 이 연구의 Part 1논문(Kim et al., 2021a)에서 기술하였다. 이와 연관되어 이 논문에서는 1993년부터 2016년까지의 과거기후 예측을 여름과 겨울철에 대하여 생산하고 기본 변수들에 대한 예측 특성을 분석하였다.

GloSea5에서 GloSea6로 업그레이드 됨에 따라 열대, 중위도 대류권계면과 성층권에서 음의 지위고도 오차가 개선되었으며, 대류권 기온의 한랭 오차와 중위도 제트의 과소모의 오차도 개선되었다. 또한 대류권 하층과 특히 적도 대류권에서의 건조 오차도 감소하여 G loSea6 모의의 전반적인 개선을 확인할 수 있었다. 한편, 적도 해수면 온도의 한랭 오차와 남반구 해수면 온도의 온난 오차가 개선되어, 선행 연구(Williams et al., 2018)에서 확인된 바와 같이 해양에서의 주요 기후변동 모드들의 모의에 긍정적인 영향을 간접적으로 유추할 수 있다.

토양수분 초기화의 개선은 여름철 북반구 대륙에서의 지면온도 모의를 향상시켰으나, 겨울철 북반구 고위도 지역의 한랭한 오차는 여전히 나타나고 있으며, 향후 다층 눈 모의의 개선이나 눈 초기화 등을 통하여 개선해야 할 것으로 판단된다.

GloSea 시스템에서의 주요한 오차로 여겨졌던 여름철 아시아 몬순 서풍의 과대모의와 북서 태평양 고기압의 과소모의 그리고 그로 인한 강수의 과대 모의는 크게 개선되지 못하였다. 그러나 앙상블 확대와 가까운 초기 시간의 사용을 통해 이러한 오차의 모의 개선 가능성을 확인할 수 있었다. 앙상블 확대 영향은 주로 고위도와 극지역의 연변동을 개선하는 방향으로 작용하였다. 국립기상과학원에서는 향후 과거기후 예측장과 예측장의 앙상블 수를 확대하고, 앙상블을 평균하는 일자의 기간을 줄여 예측일에 가까운 초기장의 사용을 통해 기후예측 개선을 계획하고 있다. 향후 GloSea6의 전체 Hindcast 생산이 완료되면 ENSO와 MJO, AO (Arctic Oscillation), SSW (Sudden Stratospheric Warming) 등의 다양한 기후 변동모드에 대한 성능을 확인할 수 있을 것이다.

국립기상과학원은 국내 연구개발 그룹과의 협력 및 국제 협력 연구를 통해 지속적으로 기후예측시스템을 개선하고 보다 나은 기후예측 정보를 제공하기 위해 향후에도 계속 노력할 것이다.

Acknowledgments

이 연구는 기상청 국립기상과학원 「기후예측 현업 시스템 개발」(KMA2018-00322)의 지원으로 수행되었습니다.

References

• Adler, F. A., and Coauthors, 2018: The Global Precipitation Climatology Project (GPCP) Monthly analysis (new version 2.3) and a review of 2017 global precipitation. Atmosphere, 9, 138. [https://doi.org/10.3390/atmos9040138]
• Ahn, M.-S., D. Kim, D. Kang, J. Lee, K. R. Sperber, P. J. Gleckler, X. Jiang, Y.-G. Ham, and H. Kim, 2020: MJO propagation across the Maritime Continent: Are CMIP6 models better than CMIP5 models? Geophys. Res. Lett., 47, e2020GL087250. [https://doi.org/10.1029/2020GL087250]
• Alberto, A., and Coauthors, 2011: The GloSea4 ensemble prediction system for seasonal forecasting. Mon. Wea. Rev., 139, 1891-1910. [https://doi.org/10.1175/2010MWR3615.1]
• Boutle, I. A., S. J. Abel, P. G. Hill, and C. J. Morcrette, 2014: Spatial variability of liquid cloud and rain: observations and microphysical effects. Q. J. R. Meteorol. Soc., 140, 583-594. [https://doi.org/10.1002/qj.2140]
• Chang, P.-H., S.-O. Hwang, S.-H. Choo, J. Lee, S.-M. Lee, and K.-O. Boo, 2021: Global Ocean Data Assimilation and Prediction System in KMA: Description and assessment. Atmosphere, 31, 229-240, (in Korean with English abstract).
• Davis, P., C. Ruth, A. A. Scaife, and J. Kettleborough, 2020: A large ensemble seasonal forecasting system: GloSea6. Abstract, AGU Fall Meeting 2020, #A192-05, American Geophysical Union.
• Dee, D. P., and Coauthors, 2011: The ERA-interim reanalysis: configuration and performance of the data assimilation system. Q. J. R. Meteorol. Soc., 137, 553-597.
• Gonzalez, A. O., and X. Jiang, 2017: Winter mean lower tropospheric moisture over the Maritime Continent as a climate model diagnostic metric for the propagation of the Madden-Julian oscillation. Geophys. Res. Lett., 44, 2588-2596. [https://doi.org/10.1002/2016GL072430]
• Hyun, Y.-K., J. Park, J. Lee, S. Lim, S.-I. Heo, H. Ham, S.-M. Lee, H.-S. Ji, and Y. Kim, 2020: Reliability assessment of temperature and precipitation seasonal probability in current climate prediction systems. Atmosphere, 30, 141-154, (in Korean with English abstract).
• Kang, D., D. Kim, M.-S. Ahn, and S.-I. Ahn, 2021: The role of the background meridional moisture gradient on the propagation of the MJO over the Maritime Continent. J. Climate, 34, 6565-6581. [https://doi.org/10.1175/JCLI-D-20-0085.1]
• Kim, H., M. A. Janiga, and K. Pegion, 2019: MJO propagation processes and mean biases in the SubX and S2S reforecasts. J. Geophys. Res. Atmos., 124, 9314-9331. [https://doi.org/10.1029/2019JD031139]
• Kim, H., J. Lee, Y.-K. Hyun, and S.-O. Hwang, 2021a: The KMA Global Seasonal forecasting system (GloSea6) - Part 1: Operational system and improvements. Atmosphere, 31, 341-359, (in Korean with English abstract).
• Kim, J.-Y., Y.-K. Hyun, J. Lee, and B.-C. Shin, 2021b: Assessment on the East Asian summer monsoon simulation by improved Global Coupled (GC) model. Atmosphere, 31, 563-576, (in Korean with English abstract).
• Kim, S.-W., H. Kim, K. Song, S.-W. Son, Y. Lim, H.-S. Kang, and Y.-K. Hyun, 2018: Subseasonal-to-seasonal (S2S) prediction skills of GloSea5 model: Part 1. Geopotential height in the Northern Hemisphere extratropics. Atmosphere, 28, 233-245, (in Korean with English abstract).
• KMA, 2015: Long-range Forecast Work Manual, Korea Meteorological Administration, 110 pp [Available online at http://book.kma.go.kr, ] (in Korean).
• Lee, S.-J., Y.-K. Hyun, S.-M. Lee, S.-O. Hwang, J. Lee, and K.-O. Boo, 2020: Prediction skill for East Asian summer monsoon indices in a KMA Global Seasonal forecasting system (GloSea5). Atmosphere, 30, 293-309, (in Korean with English abstract).
• Lim, S., Y.-K. Hyun, H. Ji, and J. Lee, 2021: Application of land initialization and its impact in KMA’s operational climate prediction system. Atmosphere, 31, 327-340, (in Korean with English abstract).
• MacLachlan C., and Coauthors, 2015: Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system. Q. J. R. Meteorol. Soc., 141, 1072-1084. [https://doi.org/10.1002/qj.2396]
• Megann, A., D. Storkey, Y. Aksenov, S. Alderson, D. Calvert, T. Graham, P. Hyder, J. Siddorn, and B. Sinha, 2014: GO5.0: the joint NERC-Met Office NEMO global ocean model for use in coupled and forced applications. Geosci. Model Dev., 7, 1069-1092. [https://doi.org/10.5194/gmd-7-1069-2014]
• Park, Y.-H., Y.-K. Hyun, S.-I. Heo, and H.-S. Ji, 2021: Assessment of the prediction performance of ensemble size-related in GloSea5 hindcast data. Atmosphere, 31, 511-523, (in Korean with English abstract).
• 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, 2221-2230. [https://doi.org/10.5194/gmd-8-2221-2015]
• Rayner, N. A., D. E. Parker, E. B. Horton, C. K. Folland, L. V. Alexander, D. P. Rowell, E. C. Kent, and A. Kaplan, 2003: Global analyses of sea surface temperature, sea ice, and night marine air temperature since the late nineteenth century. J. Geophys. Res., Atmos., 108, 4407. [https://doi.org/10.1029/2002JD002670]
• Ridley, J. K., E. W. Blockley, A. B. Keen, J. G. L. Rae, A. E. West, and D. Schroeder, 2018: The sea ice model component of HadGEM3-GC3.1. Geosci. Model Dev., 11, 713-723. [https://doi.org/10.5194/gmd-11-713-2018]
• Scaife, A. A., and Coauthors, 2014: Skillful long-range prediction of European and North American winters. Geophys. Res. Lett., 41, 2514-2519. [https://doi.org/10.1002/2014GL059637]
• Seo, E., M.-I. Lee, J.-H. Jeong, H.-S. Kang, and D.-J. Won, 2016: Improvement of soil moisture initialization for a global seasonal forecast system. Atmosphere, 26, 35-45, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2016.26.1.035]
• Seo, E., and Coauthors, 2019: Impact of soil moisture initialization on boreal summer subseasonal forecasts: mid-latitude surface air temperature and heat wave events. Climate Dyn., 52, 1695-1709. [https://doi.org/10.1007/s00382-018-4221-4]
• Storkey, D., and Coauthors, 2018: UK Global Ocean GO6 and GO7: a traceable hierarchy of model resolutions. Geosci. Model Dev., 11, 3187-3213. [https://doi.org/10.5194/gmd-11-3187-2018]
• Waters, J., D. J. Lea, M. J. Martin, I. Mirouze, A. Weaver, and J. While, 2015: Implementing a variational data assimilation system in an operational 1/4 degree global ocean model. Q. J. R. Meteorol. Soc., 141, 333-349. [https://doi.org/10.1002/qj.2388]
• Walters, D., and Coauthors, 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, 1487-1520. [https://doi.org/10.5194/gmd-10-1487-2017]
• Walters, D., and Coauthors, 2019: The Met Office Unified Model Global Atmosphere 7.0/7.1 and JULES Global Land 7.0 configurations. Geosci. Model Dev., 12, 1909-1963. [https://doi.org/10.5194/gmd-12-1909-2019]
• Williams, K. D., and Coauthors, 2018: The Met Office Global Coupled Model 3.0 and 3.1 (GC3.0 and GC3.1) Configurations. J. Adv. Model. Earth Sys., 10, 357-380. [https://doi.org/10.1002/2017MS001115]
• Yang, Y.-M., T. Shim, J.-Y. Moon, K.-Y. Kim, and Y.-K. Hyun, 2021: Diagnosing ISO Forecast from GloSea5 Using Dynamic-Oriented ISO Theory. Atmosphere, 12, 114. [https://doi.org/10.3390/atmos12010114]