KIM을 위한 지상 기반 GNSS 자료 동화 체계 개발 및 효과

2.1 지상 기반 GNSS 관측 자료

본 연구에서 사용되는 관측 자료는 기상청이 제공하는 Binary Universal Form for the Representation of meteorological data (BUFR) 형식의 현업 수치 예보 모델 사용 관측 자료이다. 기상청은 종관 관측 자료와 다양한 위성 관측 자료를 Global Telecommunications System (GTS)과 다른 기상 선진국 및 선진 기관 등을 통해서 수집하고 있다. 기상청에서 수집한 다양한 형태의 원시 관측 자료들은 몇 단계의 전처리 작업을 통해 BUFR 형식의 파일로 변환되고 슈퍼컴퓨터에 저장되어 최종적으로 수치 예보 모델에 사용된다(Han et al., 2019). 기상청에서 제공하는 지상 기반 G NSS 관측 자료의 경우, GTS를 통해 입수된 전구 및 유럽 자료만 사용 가능했으나, 근래 국가기상위성센터에서 국내 자료 수집을 File Transfer Protocol (FTP) 방식에서 Network Transport of RTCM via Internet Protocol (NTRIP) 방식으로 개선하면서 국내 자료(한국천문연구원, Korea Astronomy and Space Science Institute, KASI; 국토지리정보원, National GeographicInformation Institute, NGII; 국가기상위성센터, National Meteorological Satellite Center, NMSC; 국립해양측위 정보원, National Maritime PNT Office, NMPT; 서울특별시, SOUL)를 1시간 또는 15분 간격으로 실시간 입수/처리하여 사용할 수 있게 되었다. 뿐만 아니라 2020년 겨울부터 일본과 중국의 자료를 추가로 입수하면서 동아시아 지역의 지상 기반 GNSS 관측 자료를 더욱 조밀하게 사용할 수 있게 되었다.

Figure 1은 품질 검사를 하기 전 ZTD 관측값(Observed ZTD 또는 O)의 여름(2020년 6월 26일 0000UTC)과 겨울(2020년 12월 16일 0000 UTC)의 전구 분포 및 통계값이다. 본 연구에 사용된 ZTD 관측값은 지구 전역에 분포하고 있으나, 주로 유럽과 동아시아 지역에 집중적으로 분포하며, 그 값의 크기는 대부분 2.3~2.5 m 사이의 값을 가진다. 여름과 겨울 동아시아 지역의 관측 분포 차이는 기상청의 중국 ZTD 관측값 수집 시작 시점이 2020년 겨울이기 때문에 나타나는 차이다. ZTD 관측값은 연직건조지연량(Zenith Hydrostatic Delay 또는 Zenith Dry Delay, ZHD)과 연직습윤지연량(Zenith Wet Delay, ZWD)의 합으로 나타낼 수 있다(Bevis et al., 1992). 이중 ZHD는 90%로 ZTD의 대부분을 차지하고, 건조 공기가 정역학적 평행상태에 있기 때문에 지상 관측만으로도 정확한 계산이 가능하다. 반면, ZWD는 ZHD에 비해 10% 정도로 매우 작은 편이지만, 지상 관측만으로는 정확한 결정이 어렵고, 대기 속의 수증기가 많을수록 더 큰 지연을 보이는 특성을 가진다. 이러한 ZTD 관측 특성에 따라 고위도 지역이나 관측 고도가 높은 지역보다 상대적으로 수증기가 많은 저위도 지역이나 관측 고도가 낮은 지역에서 더 큰 ZTD 관측값을 보인다.

Fig. 1.

Global distribution of ZTD and its statistics before KPOP processing for (a) summer (2020.06.26 0000 UTC) and (b) winter (2020.12.16. 0000 UTC). The histogram shows the cumulative number of observations based on ZTD.

2.2 관측 연산자의 개발 및 검증

ZTD 관측값은 수치 예보 모델에 사용하는 기상 변수가 아니기 때문에 ZTD 관측값을 직접적으로 자료 동화에 반영하기 위해서는 관측 연산자가 필요하다. 이는 주어진 관측 지점에서 모델 추정 대기장값에 의해 정의되는 배경값을 계산하는 비선형 모델(nonlinear model, NLM 또는 forward model)과 NLM을 기반으로 접선선형모델(tangent linear model, TLM) 및 수반 모델(adjoint model, ADM)을 개발하여 자료 동화 과정에서 관측값에 따른 자료 동화의 효과를 모델의 기상 변수에 전달해주기 위한 자코비안(jacobian)을 계산하는 모델로 구성된다. 위성 복사 자료 동화를 위한 관측 연산자에는 복사전달모델 Radiative Transfer for TOVS (RTTOV, Saunders et al., 1999)나, Global Navigation Satellite System Radio Occultation (GNSSRO) 자료 동화를 위한 Radio Occultation Processing Package (ROPP, Culverwell et al., 2015) 등의 관측 연산자 패키지가 공개되어 있으나, ZTD 관측값에 대한 관측 연산자는 공개된 패키지가 없기 때문에 본 연구에서는 NLM을 비롯하여 TLM과 ADM을 개발하여 ZTD 관측값을 위한 관측 연산자를 직접 개발하였다.

가장 먼저 배경장의 ZTD 값(Background ZTD 또는 B)을 계산하는 NLM은 Rohm et al. (2019)이 제안한 ZTD 계산식을 차용하여 개발하였다:

여기서 식(1)의 p_s는 지상 관측 지점의 지면 기압 [hPa], ϕ는 위도, h는 고도[m]이고, 식(2)의 i, j, k는 각각 동서, 남북, 연직 방향의 모델 격자 좌표, p는 기압[Pa], q는 비습[kg kg^-1], t는 기온[K], Δh는 이웃하는 두 모델층 고도의 차이[m], a_ew = 0.622(건조공기분압/수증기분압), wdk₁ =2.21×10^-7 [K Pa^-1], wdk₃ =3.73×10^-3 [K² Pa^-1]으로 상수이다. 개발된 NLM을 통해 모델 공간에서의 관측값, 즉 배경장의 ZTD 값을 계산할 수 있고 관측 자료의 전처리 과정에서 실제 관측된 ZTD 값과 비교할 수 있게 되었다.

배경장의 ZTD 값을 계산하였더라도 자료 동화의 최소화 과정에서 ZTD 관측값의 영향을 모델에 전달하기 위해서는 개발된 NLM을 기반으로 TLM과 ADM을 개발하고(Vedel and Huang, 2004; Poil et al., 2007; Bennitt and Jupp, 2012; Rohm et al., 2019), 개발된 모델들을 바탕으로 자코비안 계산 모델을 개발해야한다. 본 연구에서는 기존에 널리 알려진 TLM과 ADM의 기본 이론을 바탕으로 Chrust (2020)가 제안한 프랑스 기상청(Météo-France)이나 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)의 TLM과 ADM 코딩 규칙을 차용하여 개발하였다. 개발된 TLM과 ADM에 대한 검증은 Chrust (2020)가 제안한 방법을 사용하였다.

x와 δx를 각각 벡터 형식의 NLM 입력자료, 벡터형식의 TLM 입력자료로 정의하고, NLM을 기반으로 개발된 TLM을 검증하는 방법은 Linear test와 Taylor test 두 가지가 있다. 첫번째로 Linear test는 식(4)와 같이 TLM의 결과에 섭동을 곱하거나 TLM의 입력자료에 섭동을 곱하더라도 그 결과 차이는 없어야 한다는 것이다.

만약 결과의 차이가 있더라도 배정밀도(double precision)로 TLM이 코딩되어 있는 경우, 그 차이는 10^-12 보다 작아야 한다. 여기서 λ는 임의의 섭동(0.1~0.00000001) 값이다. 개발된 TLM은 배정밀도로 코딩되어 있고 Linear test 결과, 그 차이가 10^-16 이하로 나타났다. 두번째로 Taylor test는 식(5)와 같이 섭동이 고려된 입력자료의 변화에 따른 NLM의 결과 차이를 TLM에서 잘 계산할 수 있어야 한다는 것이고, 식(5)의 λ가 작아지더라도 결과는 항상 1.0이 되어야 한다.

개발된 TLM의 Taylor test 결과, λ가 0.1에서 0.00000001까지 작아지더라도 식(5)의 결과는 1.0으로 나타났다. 앞선 Linear test와 Taylor test의 결과가 모두 허용치 이내의 결과값을 보여 본 연구에서 개발된 TLM은 잘 개발되었다고 판단하였다.

δy를 벡터 형식의 ADM 입력자료로 정의하고, 기개발된 TLM을 기반으로 개발된 ADM을 검증하는 방법은 Adjoint identity test가 있다. 이는 식(6)과 같이 TLM의 모든 입력자료와 ADM의 모든 입력자료에 대해 TLM 결과와 ADM 입력자료의 내적은 TLM 입력자료와 ADM 결과의 내적과 같아야 한다는 것이며, 두 내적 간의 비율은 1.0이 되어야 한다.

개발된 ADM의 Adjoint identity test 결과, 두 내적 간의 비율이 1.0으로 나타나 본 연구에서 개발된 ADM은 잘 개발되었다고 판단하였다.

마지막으로 자코비안을 위한 모델은 관측 자료의 채널 유무에 따라 기개발된 ADM 프로그램에 채널에 대한 배열을 추가하는 작업으로 개발할 수 있지만, 지상 기반 GNSS는 채널이 없는 관측 자료이므로 ADM 그대로 자코비안 모델을 대신할 수 있다(Kleespies, 2006). 따라서 앞선 과정들을 통해 얻어진 ADM을 자코비안 모델로 그대로 사용하고 그 결과물인 ZTD 관측값에 대한 기온(T)와 습도(q) 자코비안을 살펴보았다. 이때 자코비안을 계산하기 위한 입력값 ztd_k는 ZTD 관측값의 전구 분포에 대한 표준편차 근사값인 +0.1 m로 정하였다. 2020년 6월 26일 0000UTC 모든 관측 지점에서 산출된 T와 q 자코비안을 연직으로 누적하여 그려보면 Fig. 2와 같다. 정의된 ztd_k 값에 대한 ZTD 관측값의 연직 T 자코비안은 음의 값을, 연직 q 자코비안은 양의 값을 보였다. 이는 ZTD 관측값의 관측 증분(O-B innovation)이 자료 동화 과정에서 양의 값을 갖는 경우, 수치 예보 모델 초기장의 ZTD 관측 지점에서 연직 T는 감소시키고 연직 q는 증가시키게 됨을 의미한다. 또, 연직 T 자코비안 값이 연직 q 자코비안 값에 비해 매우 작기 때문에, 수치 예보 모델 초기장에 대한 T의 민감도가 q의 민감도에 비해 매우 작을 것이다.

Fig. 2.

Jacobian profile value and its count at each model level for (a) T and (b) q (2020.06.26. 0000 UTC). Value of ztd_k to calculate jacobian for T and q was +0.1 m.

2.3 관측 자료 전처리

최적의 관측 자료를 자료 동화 과정에 제공하기 위해서 ZTD 관측 자료들은 크게 편향 보정, 품질 검사, 솎아내기 과정을 거치게 된다.

수치 모델의 지형은 실제와 다르기 때문에 지표면에서 관측된 ZTD와 배경장으로부터 구한 배경장 ZTD를 비교하기 위해서 ZTD 관측값에 대한 고도 보정이 필요하다. 첫번째로 ZTD 관측이 모델의 지면 고도에서 이루어졌다는 가정하에 ZTD 고도 보정을 수행하였다. 고도 변화에 따른 ZTD 관측값 변화 상관관계를 살펴보기 위해 2020년 6월 26일 0000UTC를 기준으로 지상 관측 고도와 모델 지면 고도의 차이 대비 O-B ZTD 값의 회귀계수를 구해보았다. 이때 산출된 회귀계수는 0.0003이었고, R² 값은 0.9로 높게 나타났다(그림 생략). 또 산출된 회귀계수는 여름 및 겨울 사례에서도 일관되게 계산되었다. 회귀 계수를 통해 지상 관측 고도와 모델 지면 고도 차이가 +1 m라면, ZTD 관측값은 0.0003 m씩 감소하는 관계가 있음을 알 수 있었고, 이러한 관계를 감률(lapse rate)로 정의하여, 모든 관측 지점별로 지상 관측 고도와 모델 지형 고도 차이에 따른 ZTD 관측값 고도 보정을 수행하였다. 두번째로 개별 지점에서 가지고 있는 편향을 제거하였다. 이를 위해 각 지점의 장기간 O-B ZTD 평균값을 편향 보정 계수로 사용하는 많은 선행연구의 방법을 사용하였다(Poil et al., 2007; Bennitt and Jupp, 2012, Bennitt et al., 2017, Rohm et al., 2019, Hdidou et al., 2020). Figure 3은 각 관측 지점 및 자료 생산 기관별 여름(2020년 6월 26일 0600 UTC~2020년 8월 12일 1200 UTC)과 겨울(2020년 12월 15일 1800 UTC~2021년 2월 1일 0000 UTC)의 O-B ZTD 통계값을 나타낸 것이다. 이 중 O-B ZTD의 평균값(Fig. 3 검은색 실선)을 편향 보정을 위한 계수로 사용하였다. 하지만 이 계수를 그대로 적용하기에는 너무 큰 편향 보정 계수값들이 포함되어 있다. 과대 편향 보정을 피하기 위해 편향 보정 계수값들의 평균(-0.003118282)과 표준편차(0.0125)를 구하고, 편향 보정 계수값의 평균 기준 표준편차의 2배 범위 안에 들어오는 경우(-0.028118282~0.021881718)에만 편향 보정하고 나머지 자료들은 제거하였다. 추가적으로 편향 보정 계수를 구하는데 있어 샘플 자료의 표준편차가 0.03보다 크거나 개수가 100개 보다 작은 경우, 산출된 편향 보정 계수의 대표성을 장담할 수 없는 것으로 판단해서 제거하였다. 앞서 설명한 방법으로 고도 보정과 각 지점별 편향 보정을 완료한 ZTD 값(Corrected ZTD 또는 C)를 산출하였다.

Fig. 3.

O-B ZTD statistics for each site and production institute based on long-term background (2020.06.26 0600 UTC~2020.08.12 1200 UTC, 2020.12.15 1800 UTC~2021.02.01 0000 UTC). Each line means average (black solid line), standard deviation (gray dot line), and count (red dot line) of O-B ZTD.

ZTD 관측값의 고도 및 편향 보정을 수행한 이후에도 지상 관측 고도와 모델 지면 고도의 차이가 너무 크거나 C-B ZTD 값이 너무 큰 자료의 경우, 자료 동화 과정에서 악영향을 줄 수 있기 때문에 이러한 자료를 제거하는 추가 품질 검사를 수행하였다. 첫번째로 지상 관측 고도와 모델 지면 고도의 차이의 절대값이 Bennitt et al. (2017)이 제안한 300 m 보다 크면 제거하였다. 고도의 차이가 큰 경우, 이미 과도한 고도 보정이 수행되었을 수 있고, 관측 연산자에서도 좋은 결과를 줄 것이라는 기대를 하기 어렵기 때문이다. 두번째로 C-B ZTD의 절대값이 0.1 m 보다 큰 자료를 제거하였는데, 이는 Bennitt and Jupp (2012)이 제안한 장기간 O-B ZTD 표준편차 3배수의 근사값에 해당한다.

많은 수의 관측 자료를 한꺼번에 동화하면 계산 비용이 많이 증가할 뿐만 아니라 관측 오차의 상관성이 증가하게 된다. ZTD 관측 자료의 경우 Fig. 1에서 보인 바와 같이 유럽이나 동아시아 지역에서 공간적으로 서로 조밀하게 위치하고 있고, 시간 해상도가 높아 시공간적 솎아내기를 적용할 필요가 있다. 공간 솎아내기의 경우, 위도별 고른 관측 자료 분포를 위해 Kang et al. (2018)이 제안한 등거리 솎아내기 격자(equidistance thinning grid box)를 사용하였고, 그 격자의 크기는 2.0^o로 적용하였다. 또 시간 솎아내기의 경우, 분석시간(0000, 0600, 1200, 1800 UTC) 기준 -3.5시간에서 +3.5시간까지의 자료 동화 시간대에 대해 각 지점에서 매 정시에 가장 가까운 한 개의 자료만을 사용하도록 하였다.

2.4 자료 동화 순환예측 실험 설계

지상 기반 ZTD 관측의 자료동화 효과를 분석하기 위하여 KIM 기반 수치 예보 모델(Hong et al., 2018)을 이용하였다. 관측 자료 전처리 시스템인 KPOP은 현업 수치 예보 모델에 사용되는 관측 자료를 읽어들여 각각의 관측종에 맞춰진 전처리 방법에 따라 관측 자료를 처리한다(Kang et al., 2018). 자료 동화는 3차원 변분 자료 동화에 기반하여 LETKF 기법을 조합한 H4DEV (Kwon et al., 2018)를 사용하고, 1시간 간격의 배경장을 사용하여 분석장을 만든다. 전지구수치 예보 모델로서 KIM은 자료 동화 과정에서 만들어진 분석장을 바탕으로 5일까지 예측장을 예보한다.

KIM 기반 수치 예보 모델에서 ZTD 관측 자료의 효과를 살펴보기 위해 ZTD 활용에 따라 두 가지 실험을 수행하였다. 기상청 현업 관측 자료를 활용한 실험을 CTL이라 하고, CTL 실험에 ZTD 관측 자료 활용을 추가한 실험을 EXP라 하였다. 이때 사용되는 KIM은 KIM3.6a를 사용하였고, 매일 0000 UTC와 1200 UTC마다 약 25 km의 수평해상도를 가진 5일 예측장을 산출하도록 수행하였다. 두 예보 실험은 2020년 6월 26일 0000 UTC를 초기 시간으로 하고 2020년 7월 31일 1800UTC를 종료 시간으로 하여 약 36일 동안 수행하였다.

본 연구에서는 지상 기반 ZTD 관측 자료의 효과를 분석하고 검증하기 위해 ECMWF의 분석장(Integrated Forecasting System, IFS)을 참값이라 가정하였다.

3.1 분석장에서의 효과 분석

가장 먼저, 배경장이 서로 같은 예보 실험 수행 첫날, 각각 두 실험에서 생산한 분석 증분을 비교하여, 지상 기반 GNSS 관측 자료가 잘 동화되었는지, 모델의 초기장에 어떤 영향을 미치는지 살펴보았다. Figure 4a는 예보 실험 수행 첫날 두 실험의 850 hPa 전구 q분석 증분의 차이고, Fig. 4b와 4c는 Fig. 4a에 대해 각각 유럽과 동아시아 지역의 확대 그림이다. 그림에서 붉은색으로 나타난 부분은 CTL에 비해 EXP가 더 큰 q 분석 증분을 보인 지역을 나타내며, 결국, CTL 대비 지상 기반 GNSS 관측 자료의 자료 동화로 더 많은 수증기를 분석한 지역을 의미한다. Figure 1a의 ZTD 관측 자료가 위치한 지역과 동일한 지역에서 분석 증분의 차이가 크게 나타나는 것으로 보아, 지상기반 G NSS 관측 자료는 그 효과가 잘 동화되었음을 알 수 있다. 많은 관측 자료가 위치해 있던 유럽과 동아시아의 경우, 그와 마찬가지로 유럽과 동아시아 지역에서 상대적으로 큰 분석 증분의 차이를 보인다(Fig. 4b and 4c). 이러한 분석 증분의 차이는 T의 경우 모든 고도에서 거의 나타나지 않았고(그림 생략), q의 경우 연직 q 자코비안의 최대값이 나타나는 고도에 해당하는 850 hPa 부근에서 가장 크게 나타났다(Fig. 2 참고). 모의 실험 첫날, 그리고 이후 실험이 진행되면서 나타날 지상 기반 G NSS 관측 자료로 인한 분석 증분의 차이가 수치 예보 모델의 결과에 긍정적인 효과를 주는지는 예보 실험이 종료된 후 분석장과 예보장을 비교 분석하여 알 수 있다.

Fig. 4.

Analysis increment difference (EXP-CTL) of q at 850 hPa for (a) Global, (b) Europe, and (c) East Asia (2020.06.26 0000 UTC).

예보 실험들은 배경장으로부터 시작하여 관측 자료를 바탕으로 자료 동화가 이뤄지고 모델의 분석장을 만들게 되는데, 이때 본 연구에서는 IFS 분석장을 참으로 가정하고 두 실험의 배경장과 분석장의 평균제곱근편차(root-mean-square difference, RMSD)값을 계산하여 지상 기반 G NSS 관측 자료가 분석장에 어떠한 영향을 미치는지 살펴보았다.

Figure 5는 IFS 분석장과 두 예보 실험 분석장과의 1000 hPa에서 10 hPa까지의 동서 바람(u), 남북 바람(v), 지상 기압(Ps), 기온(T), 습도(q), 및 지위고도(HGT)의 전구 평균 RMSD 시계열이다. RMSD 값이 작을수록 예보 실험에서의 분석장은 IFS와 더 가깝게 모의되었다는 것을 의미하며, 결국 RMSD 값이 더 작은 예보 실험이 더 좋은 분석장을 만들어 냈다는 것을 의미한다. 모든 기상 변수에서 CTL과 EXP의 RMSD 값은 큰 차이를 보이지 않았는데, 이는 지상 기반 GNSS 관측 자료가 동화되더라도 수치 예보 실험의 분석장에 큰 영향을 미치지 않는다는 것을 의미한다. 이를 정량적으로 살펴보기 위해 실험 기간 동안 각 기상 변수별 RMSD의 평균과 CTL 대비 EXP의 개선율을 살펴보면 Table 1과 같다. Figure 5의 그림에서 보였던 것처럼 두 실험간 각 기상 변수별 평균 RMSD의 차이는 작았지만, CTL 대비 EXP의 개선률을 살펴보면 u를 제외한 대부분의 기상 변수에서 양의 값이 나타났고, 특히 H G T의 개선률이 0.527%로 가장 크게 나타났다. 이러한 결과는 지상 기반 GNSS 관측 자료가 동화되었을때 수치 예보 모델의 분석장에 미치는 영향이 전혀 없는 것이 아니고, 비록 큰 개선은 없지만 H G T의 약한 개선을 비롯하여 다른 기상 변수에도 약하지만 긍정적인 영향을 준다는 것을 알 수 있다.

Fig. 5.

Global mean (vertically 1000~10 hPa) RMSD of analysis against IFS for u, v, Ps, T, q, and HGT during 36 day (from 2020.06.26 0000 UTC to 2020.07.31 1800 UTC).

Table 1.

The mean RMSD of experiments and the improvement rate of EXP relative to CTL during 36 days (from 2020.06.26 0000 UTC to 2020.07.31 1800 UTC).

앞선 분석을 연직 고도별로 살펴보기 위해 전체 실험 기간에 대해 IFS의 분석장과 예보 실험들 분석장과의 전구 수평 평균 연직 RMSD를 계산하고, 이에 대한 CTL 실험과 EXP 실험의 차이를 분석하였다(Fig. 6). Figure 6에서 파란색으로 나타난 부분이 EXP 실험이 CTL 실험보다 더 작은 RMSD 값을 보인 부분이고, 이는 EXP 실험의 분석장이 CTL 분석장 보다 IFS 분석장과 유사하여 더 나은 분석장 성능을 보였다는 것을 의미한다. 예보 실험 기간 동안 u, v에 대해서는 눈에 뛸 만한 두 실험간의 차이가 없어 해당 기상 변수에 대해서 지상 기반 GNSS 관측 자료는 분석장에 큰 영향을 주지 않았음을 알 수 있다(Fig. 6a, and 6b). 기온 T의 경우, 실험 중반(2020년 7월 13일부터 20일까지)에 대기 하층에서 지상 기반 GNSS 관측 자료로 인한 긍정적인 영향이 보인다. 습도 q의 경우, 예보 실험이 수행되는 모든 기간에 대해 500 hPa 이하 대기의 중하층에 긍정적인 영향과 부정적인 영향이 혼재되어 나타난다. 이는 지상 기반 G NSS 관측 자료가 지표면에 위치한 관측 자료이며 Fig. 2b로 살펴본 것과 같이 ZTD 자코비안의 q 영향이 모델의 중하층에 집중되기 때문이다. 상대적으로 큰 개선을 보였던 HG T의 경우, 예보 실험의 중반에 100 hPa 이상의 대기 상층에서 큰 개선이 있었음을 알 수 있다.

Fig. 6.

Vertical RMSD difference between CTL and EXP of analysis against IFS for (a) u, (b) v, (c) T, (d) q and (e) HGT. Blue color means that EXP shows better analysis performance than CTL.

이를 다시 위도에 따라 연직적으로 지상 기반 GNSS 관측 자료의 효과를 분석해 보았다. Figure 7은 IFS 분석장 대비 시간 평균 전구 수평 평균 CTL과 EXP의 연직 RMSD 차이이다. Figure 7에서 파란색 부분은 EXP 실험이 CTL 실험의 RMSD 값보다 작아 더 나은 분석장 성능을 보였다는 것을 의미하며, 검은색 점은 신뢰도 구간이 95% 이상인 부분을 표시한 것이다. 앞의 분석 결과들과 일관되게 u, v에서는 지상 기반 G NSS 관측 자료의 영향이 거의 없는 것을 볼 수 있다(Fig. 7a, and 7b). 기온 T의 경우 Fig. 6c의 실험 중반 대기 하층에서 나타났던 긍정적인 영향은 주로 북극과 남극 주변에서 나타남을 확인할 수 있다. 습도 q 분석 결과를 살펴보면(Fig. 7d), 북반구에 많이 위치하고 대기 중하층에 수증기 정보를 주는 지상 기반 G NSS 관측 자료의 영향이 분석장에 그대로 나타나는 것을 볼 수 있다. 다만 긍정적인 부분과 부정적인 부분이 혼재되어 나타나 거의 중립적인 효과를 나타내고 있다. 지위고도 H G T의 경우, 이전 분석에서 지속적으로 나타난 100 hPa 이상 상층에서의 분석장 성능 개선은 주로 북반구와 남반구의 고위도 상층에서 나타났다. 이 부분은 지상 기반 G NSS로 인한 북반구 하층 q의 약한 개선(Fig. 7d의 40^oN-70^oN)과 북극 주변 H G T 개선이 북반구 상층에 긍정적인 영향을 주었고 그 효과가 KIM의 배경오차공분산 특성으로 남반구까지 효과를 준 사례로 판단되었다. ZTD 동화로 인한 상층 HGT 개선은 Vedel and Huang (2004) 및 Poil et al. (2007)의 결과와 유사했으며, Vedel and Huang (2004)에 따르면 그 원인을 이해하기 어렵지만, 분석 체계에서 자료 동화의 다양한 변수 특성과 대기의 여러 물리적 특성을 통해 관측 지점 부근의 다른 변수를 개선할 수도 있다고 서술하였다. 결국, 본 연구에서는 지상 기반 GNSS 관측 자료의 간접적인 효과로 대기 상층의 H G T 성능 개선이 나타난 것으로 판단하였다.

Fig. 7.

Time averaged zonal mean vertical RMSD difference of analysis between CTL and EXP against IFS for (a) u, (b) v, (c) T, (d) q, and (e) HGT. Blue color means that EXP shows better analysis performance than CTL. Block dot illustrates a confidence level that is greater than or equal to 95 %.

3.2 예보장에서의 효과 분석

지상 기반 GNSS 관측 자료의 적용에 따른 수치 예보 모델의 예보 성능을 분석하고자 수행된 예보 실험들의 예보장 검증을 수행했다. 예보장 검증을 하는데 있어 IFS 모델과 KIM 모델이 서로 다르기 때문에 기인되는 검증과정에서의 예보장 성능 해석의 어려움을 배제하고자 자기분석장 대비 예보 검증을 수행하였고, 예보 실험들의 예보장 자체 성능을 정량적으로 검증해보고자 IFS 분석장 대비 예보 검증을 수행하였다. 뿐만 아니라 Climate Prediction Center (CPC)의 전구일 강수 분석장(Xie et al., 2010)과 같은 강수 자료에 대해서도 예보 실험들의 강수 예보 검증을 수행하여 지상 기반 G NSS 관측 자료가 수치 예보 모델의 강수 예보에 미치는 영향을 분석하였다.

예보장 검증에 있어서 지역 구분은 World Meteorological Organization (WMO)에서 제안한 검증영역을 사용하였고, 다음과 같이 주로 5가지 지역에 집중하여 검증하였다(Northern Hemisphere, NH, 20^o-90^oN; Southern Hemisphere, SH, 20^o-90^oS; Tropics, TR, 20^oS-20^oN; Asia, 60^o-145^oE, 25^o-65^oN; Europe, EU, 10^oW-28^oE, 25^o-70^oN).

지상 기반 G NSS 관측 자료 적용에 따른 수치 예보 모델의 예보 성능을 가늠하고자 예측 시간에 따른 자기 분석장 대비 이상 상관 계수와 RMSD 값을 분석해 보았다. Figure 8은 각 지역별(NH, TR, SH) 고도별(100 hPa, 250 hPa, 500 hPa, 850 hPa) 0000 UTC 기준 HGT의 자기 분석장 대비 예측 시간에 따른 CTL(푸른색 실선)과 EXP(붉은색 실선)의 이상 상관 계수이다. Figure 8을 살펴보면 열대 지방 중하층을 제외하고 예측 시간에 따른 두 예보 실험의 HGT 이상 상관 계수 차이는 거의 나타나지 않는다. 또 같은 분석을 1200UTC 기준으로 했을 경우, 다른 기상 변수(T와 해면기압)를 분석했을 경우, 이상 상관 계수뿐만 아니라 RMSD 값의 결과를 살펴보아도, 자기 분석장 대비 두 실험의 이상 상관 계수 및 RMSD 차이는 거의 나타나지 않는다(그림 생략). 이는 지상 기반 GNSS 관측 자료가 동화되어도 동화되기 전 수치 예보 모델의 예측 성능과 큰 차이가 없다는 것을 의미한다.

Fig. 8.

Mean anomaly correlation of the CTL and EXP against its own analysis for HGT over NH, TR, and SH at each level (100 hPa, 250 hPa, 500 hPa and 850 hPa) based on 0000 UTC.

0000 UTC 및 1200UTC 기준, 지역별 자기 분석장 대비 주요 기상 변수의 RMSD 차이를 살펴보면 Table 2와 같다. Table 2의 결과 해석에 앞서 Table 2의 유의성 검사를 해본 결과, 0000 UTC와 1200UTC 모두 북반구 및 아시아 지역에서 예측 시간이 길어질수록 유의성이 낮은 결과를 보여 72 h 이하 단기 예측 성능에 대해서만 결과 해석을 하였다(그림 생략). Table 2에서 음의 값은 EXP가 CTL 보다 더 작은 RMSD 값을 보여 예보장이 자기 분석장에 더 가깝게 모의되었다는 것을 의미하며, 결국 EXP가 더 나은 예보 성능을 보였다는 것을 의미한다. 72 h 이하의 단기 예측 성능에서 0000UTC와 1200UTC 모두, 북반구와 아시아 지역에서는 거의 모든 예측 시간에 대해 대부분 RMSD 차이값이 음수로 나타나 EXP가 CTL 보다 최소 중립 또는 약한 예측 성능 개선을 보였다. 하지만, 열대 지역이나 남반구의 경우 초기 예측 시간에서는 RMSD 차이값이 주로 양수로 나타나 CTL이 EXP보다 더 나은 예측 성능을 보였다. 이 결과를 지상 기반 G NSS 관측 자료의 분포와 연관지어 생각해보면, 많은 관측 자료가 분포해 있는 북반구나 아시아 지역에서는 수치 예보 모델의 예측 시간 초반부터 지상 기반 G NSS 관측 자료가 최소 중립이거나 약한 긍정적인 영향을 주었음을 알 수 있다.

Table 2.

RMSD difference between CTL and EXP against its own analysis for HGT, T, Mean Sea Level Pressure (MLSP), Wind Speed (WS) over Northern Hemisphere (NH), Tropics (TR), Southern Hemisphere (SH), Asia (ASIA), at each forecast time based on 0000 and 1200 UTC. Negative values mean that EXP shows better forecast performance than CTL.

다음은 두 예보 실험의 예보장을 IFS 분석장과 비교하여 지상 기반 GNSS 관측 자료가 예측 성능에 미치는 영향을 정량적으로 분석하였다. Figure 9는 IFS 분석장 대비 지역별 예측 시간별 CTL과 EXP 예보장의 RMSD를 구하고, 주요 기상 변수에 대한 CTL 대비 EXP의 RMSD 개선률을 나타낸 그림이다. 붉은색으로 나타난 부분이 EXP가 CTL에 비해 예보장을 IFS 분석장에 더 유사하게 모의했다는 의미이며, EXP가 CTL에 비해 더 좋은 예측 성능을 보였다고 볼 수 있다. 0000 UTC 기준(Fig. 9a), 대부분의 지역과 예측 시간에서 지상 기반 G NSS 관측 자료가 적용된 EXP가 CTL 보다 더 긍정적인 결과를 보인다. 특히 관측 자료가 많이 위치한 북반구와 아시아 지역에서 더 긍정적인 결과를 보인다. 이러한 결과는 앞서 자기 분석장 대비 예보장 검증 결과와 유사한 결과이다. 한가지 주목할 점은 3.1장의 분석장 검증에서 언급했던 내용으로, 다른 기상 변수 대비 H G T의 분석장 개선이 두드러졌었는데(Fig. 6e and Fig. 7e), 예보장에서도 HGT 개선이 상대적으로 두드러지게 나타난다. 이러한 특징은 분석장의 개선을 통해 예보장을 개선시킬 수 있다는 좋은 증거가 될 수 있다. 0000 UTC 결과에서 보이던 북반구, 아시아 지역의 후반 예측 시간의 EXP 예보 성능 개선(Fig. 9a)은 1200UTC의 결과(Fig. 9b)에서 보이지 않는다. 이는 1200UTC 경우, 지상 기반 G NSS 관측 활용으로 예측 초반은 개선되나 예측 후반 성능 향상에는 크게 기여하지 않는 것으로 나타났다. 본 논문에서 수행한 예측 사례는 31개로 향후 긴 기간에 대해 실험을 수행한 후 결과 분석이 필요할 것으로 생각된다.

Fig. 9.

Improvement rate of RMSD of EXP of analysis against CTL over NH, TR, SH, and ASIA for (a) 0000 UTC and (b) 1200 UTC. Red color means that EXP shows better forecast performance than CTL.

마지막으로 지상 기반 G NSS 관측 자료는 수치 예보 모델에 수증기 정보를 제공하는 관측 자료이므로 두 예보 실험의 예보장 속 강수 예보 성능을 비교해 보았다. Figure 10는 CPC 강수 자료 대비 양분 예보 검증 스코어 중 Equivalent Threat Scores (ETS) 검증 결과이다. ETS 검증은 모델의 예보와 강수 관측이 주어진 임계값을 잘 맞췄는지 검증하는 도구로서 그 결과가 1에 가까울수록 수치 예보 모델이 완벽한 예보를 했다는 것을 의미한다. Figure 10a와 10b를 살펴보면 전구와 북반구에 대해 CTL과 EXP는 서로 유사한 강수 예보 성능을 보인다. 하지만 지상 기반 GNSS 관측 자료가 상대적으로 많이 위치하고 있는 유럽(Fig. 10c)과 아시아(Fig. 10d) 지역의 결과에서는 약한 강수 강도의 사례보다 5 mm 이상 강한 강수 강도의 사례에 대해 ETS 값의 변화량은 크지 않지만 EXP가 CTL에 비해 더 큰 ETS 값을 보였다. 따라서 지상 기반 GNSS 관측 자료 활용으로 ETS가 향상되어 지상 기반 GNSS 관측 자료가 수치 예보 모델의 예보장 강수 예보에 긍정적인 영향을 준다는 것을 알 수 있다.

Fig. 10.

Global mean Equivalent Threat Scores (ETS) of 24 h precipitation for 5-day forecasts period against CPC for (a) global, (b) NH, (c) EU, and (d) ASIA based on 0000 UTC.