Current Issue

겨울철 지표 강수 형태는 기상 조건에 따라 비, 진눈깨비, 눈, 그리고 우박 등으로 다양하게 존재하며, 강수는 그 양에 관계없이 사고나 재해를 유발할 가능성이 크기 때문에, 강수 형태 판단은 겨울철 강수 예보에 중요한 요소이다(Won et al., 2010). 특히, 한파를 동반한 어는 비나 얼음싸라기와 같은 강수 형태는 도로 교통을 마비시키고 막대한 인명 피해를 초래할 수 있기 때문에, 강수량뿐만 아니라 강수 형태에 대한 적절한 예보가 절실히 요구된다(Ho et al., 2023).

다양한 기상 요소 중, 기온과 습도는 대기 수상체의 상변화에 영향을 미쳐 지표 강수 형태 판별에 중요한 역할을 하며(Harpold et al., 2017), 층후는 해당 층이 가지는 평균 기온과 직접적으로 관련이 있어 지표 강수 형태 판별에 중요한 인자로 예보에 활용되고 있다(Bourgouin, 2000). 기상 요소의 특정 임곗값이나 선형식을 활용해 지표 강수 형태를 판별한 다양한 선행연구가 있는데, Keeter and Cline (1991)은 1,000-700, 850-700, 그리고 1,000-850 hPa 층후를 활용해 특정 임곗값을 기준으로 한 지표 강수 형태 판별을 제안하였고, Matsuo et al. (1981)은 지표 강수 형태를 구분할 수 있는 선형식을 지상 기온과 상대습도를 통해 표현하였다. Casellas et al. (2021)은 지상 기온, 상대습도, 그리고 습구 온도를 활용하여 지표 강수 형태 판별을 위한 임곗값을 조정한 결과, 습구 온도 0.7^oC를 기준으로 판별했을 때 판별 성능이 높음을 보였다. 최근에는 특정 몇 가지의 기상 요소만을 사용하여 지표 강수 형태를 판별하는 전통적인 판별 방법에서, 여러 기상 요소를 복합적으로 사용하거나 기계학습 방법을 사용하는 판별법까지 다양한 방향으로 진화하고 있다(Pham et al., 2023).

한반도 겨울철 강수는 발생 기작에 따라 다양한 유형으로 분류될 수 있으며, 유형별로 한반도 주변의 종관장 및 기상 조건에 차이가 존재한다(Cheong et al., 2006). 이러한 기상 조건의 차이는 지표 강수 형태에 영향을 주기 때문에 강수 유형에 따른 지표 강수 형태 판별에 주의가 필요하다. 한국 기상청(Korea Meteorological Administration; KMA)에서는 기존의 지표 강수 형태 판별법 중 습구 온도를 활용한 방법, 층후를 활용한 방법, 그리고 Matsuo 방법(Matsuo et al., 1981) 등을 한반도 고층 및 지표 자료에 적용하고 일부 수정된 임곗값들을 제시하였으며, 현재 1,000-700 hPa 층후를 활용한 판별법을 지표 강수 형태 판별에 사용하고 있다(KMA, 2014). 한편, 한반도 겨울철 지표 강수 형태 판별 성능 개선을 위해, Lee et al. (2014)은 우리나라 관측자료를 기반으로 Matsuo 방법에서 사용하는 기준식을 보정하고, 강수 형태가 혼재된 구간에 대한 명확한 판별을 위해 새로운 기준식을 추가하였다. 그리고 Shin et al. (2022)은 기계학습 방법에 따른 한반도 겨울철 지표 강수 형태 판별 성능에 대한 연구를 수행하고, 습구 온도와 1,000-850 hPa 층후가 판별에 중요한 요소임을 보였다.

한국형 수치예보모델(Korean Integrated Model; KIM; Hong et al., 2018)은 2020년부터 현업모델로 운영을 시작하여 국내 예보에 활용되고 있는 중이다. 수치예보모델은 일기 예보 발전에 중요한 영향을 미치는 요소 중 하나로 위험 기상에 대한 사전 경보에 활용될 수 있으나(Alley et al., 2019), KIM 분석장 및 예측장을 활용한 지표 강수 형태 판별 관련 연구는 부재한 실정이다. 이러한 연구 배경을 바탕으로 본 연구에서는 우리나라 현업 예보모델인 KIM 분석장 및 예측장을 활용해 한반도 겨울철 강수 유형별로 지표 강수 형태 판별법을 적용하고 판별 성능을 비교하고자 하였다. 판별 성능의 비교를 통해 각 판별법이 가지는 문제점을 진단하고 가장 판별 성능이 우수한 판별법을 제시하고자 하였다. 또한 KIM 예측장을 활용해 각 판별법에 대한 강수 유형별 강수 형태의 예보 활용 가능성을 보이고자 하였다. 2장 연구방법에서는 지표 강수 형태 판별법과 한반도 겨울철 강수 유형, 분석에 활용한 모델 및 관측 자료, 그리고 검증 방법에 대해 설명하였다. 3장에서는 겨울철 강수 유형별 KIM 분석장 및 예측장을 활용한 판별 결과 및 성능 비교 결과를 제시하였고, 마지막 4장에서는 요약 및 결론을 기술하였다.

강수 유형별 대표 사례에서 관측된 지표 강수 형태와 ANL 자료를 활용한 각 판별법에 따른 판별 결과를 살펴보았다(Fig. 3). 먼저 BBT_7 사례는 중부지방 포함 일부 내륙에서 눈, 이를 제외한 충청남도와 해안 및 섬에서 비 형태로 관측되었다(Fig. 3a). 판별 결과를 살펴보면, Tw 방법은 관측과 유사하게 중부지방 포함 일부 내륙은 눈, 남부 해안 및 섬은 비 형태로 판별하였고(Fig. 3b), TK500 방법은 서귀포 지점을 제외하고 한반도 전체를 눈(Fig. 3c), TK700 방법은 남부 해안, 흑산도 및 제주는 비, 그리고 나머지 지점은 혼합으로 판별하였다(Fig. 3d). RM 방법은 중동부는 눈, 중서부는 혼합으로 판별하였고, 이외에 남부 해안 및 섬은 비로 판별하였다(Fig. 3e). WAD_3 사례는 대부분 눈 형태로 관측되었고, 제주에서만 비 형태로 관측되었는데(Fig. 3f), Tw 방법으로 판별한 경우, 강화도와 제주, 그리고 울릉도는 비, 그 외 지역은 눈으로 판별하였고(Fig. 3g), TK500 방법은 한반도 전역을 눈(Fig. 3h), TK700 방법은 중부 지방은 눈으로 판별하고, 남부 해안 및 제주는 혼합으로 판별하였다(Fig. 3i). RM 방법은 Tw 방법과 마찬가지로 강화도와 제주, 그리고 울릉도는 비, 그 외 지역은 눈으로 판별하였다(Fig. 3j). MLP_2 사례는 중부지방을 중심으로 강수가 관측된 모든 지점에서 눈 형태로 관측되었는데(Fig. 3k), 해당 사례는 모든 판별법이 관측과 동일하게 눈으로 판별하였다(Figs. 3k-o). 대표 사례에 대한 예측 성능은 Tw 방법이 전반적으로 좋은 성능을 보였고, TK500 방법의 경우 BBT_7 사례는 과대, WAD_3 사례는 과소 판별하였다. TK700 방법의 경우 BBT_7 사례는 중부지방, 그리고 WAD_3 사례는 한반도 남부 및 제주 지역의 강수 형태를 혼합으로 판별하면서, 정확한 판별이 이루어지지 않았다. RM 방법의 경우 WAD_3 사례에서는 좋은 성능을 보이나 BBT_7 사례는 중서부 강수를 혼합으로 판별하면서 정확한 판별이 어려웠다.

Fig. 3. 
Observed surface precipitation phase from ASOS and classification results using analysis data (ANL) for representative cases for (a-e) BBT_7, (f-j) WAD_3, and (k-o) MLP_2 types, for 0000 UTC 21 December 2022, 1200 UTC 18 December 2021, and 0000 UTC 19 January 2022, respectively. These include (a, f, k) ASOS observations and results obtained through (b, g, l) wet-bulb temperature based method (Tw), (c, h, m) 1,000-500 hPa based mehod (TK500), (d, i, n) 1,000-700 hPa based method (TK700), and (e, j, o) Revised Matsuo method (RM) methods using ANL.

강수 유형별 전체 사례에 대한 ANL자료를 활용한 각 판별법에 따른 판별 성능을 정량적으로 비교하고자 유형별 전체 관측 수 N 대비 U, H, 그리고 O가 차지하는 비율(%)을 Fig. 4에 제시하였다. BBT 유형의 경우, Tw 방법이 가장 우수한 성능을 보이며 83.1%의 H를 나타내었다. 반면, TK700 방법은 69.5%로 가장 낮은 H를 나타내었다. TK500 방법은 O가 27.3%로 다른 판별법 대비 비를 눈으로 상당히 과대 판별하고 있음을 알 수 있다. WAD 유형의 경우, Tw 방법의 H가 86.2%로 가장 높고, TK700 방법이 65.4%로 가장 낮은 값을 나타내었다. TK500 방법은 BBT 유형과 마찬가지로 가장 높은 O (20.8%)를 보였다. MLP 유형의 경우, Tw와 TK500 방법의 H가 85.7%로 가장 높고, TK500 방법은 다른 유형과 마찬가지로 높은 O (14.3%)를 나타내었다. 모든 강수 유형에 대해 Tw 방법이 가장 높은 H를 보였다. 한편, TK500 방법은 모든 사례에서 U가 0%로 나타났으며, O는 15% 이상으로 다른 판별법 대비 가장 높은 과대 판별 비율을 보였는데, 이는 선행 연구(Won et al., 2010)의 결과와 유사하다. TK700과 RM 방법의 경우, BBT와 WAD 유형에서 다른 판별법 대비 U와 O의 합이 낮게 나타난 것을 통해 두 판별법의 전체적인 오차는 상대적으로 적은 것을 알 수 있다.

Fig. 4. 
Underestimation (U), Hit (H), and Overestimation (O) ratios [%] for each method using ANL for (a) BBT, (b) WAD, and (c) MLP types. The red, green, blue, and purple bars represent the results for Tw, TK500, TK700, and RM, respectively.

판별법에 사용된 ANL 자료의 기상 요소(지상 기온, 지상 상대습도, 그리고 층후)가 판별 결과에 어떠한 영향을 미치는지 분석하고자 하였다. 먼저 지상 기온과 상대습도를 사용하는 Tw와 RM 방법에 대한 분석을 위해 강수 유형별 ANL 자료의 지상 기온과 상대습도의 산점도를 Fig. 5에 보였다. Tw 방법의 기준선인 T_w가 1.2^oC인 선(붉은 파선)과 RM 방법의 식(2)와 (3)에 해당하는 기준선(붉은 실선)을 함께 표현하였다. Figure 5에서 각 심볼은 ASOS 지점에서 관측된 강수 형태를 의미한다. BBT 유형의 경우, Tw와 RM 방법 모두 비, 눈으로 판별하는 영역에서 대부분의 관측된 강수 형태가 각 판별 영역이 나타내는 강수 형태와 유사하게 나타났다. 한편, RM 방법에서 혼합으로 판별하는 영역을 포함하여 붉은색 기준선을 따라 강수 형태 판별 영역과 관측된 강수 형태가 불일치하는 경우가 존재하였다(Fig. 5a). WAD 유형의 경우, BBT 유형과 유사한 결과를 보이며, 특징적으로 ANL 자료의 지상 기온과 상대습도가 다른 강수 유형 대비 평균적으로 높은 값을 보인다(Fig. 5b). MLP 유형의 경우, ANL 자료는 대부분 지상 기온이 낮은 영역에 존재하면서 눈으로 판별되었고, 관측된 강수 형태 역시 눈으로 나타났다. 한편, RM 방법은 일부 눈을 혼합으로 판별하면서 상대적으로 판별 성능이 감소하게 된다(Fig. 5c).

Fig. 5. 
Scatter plots of temperature [^oC] versus relative humidity [%] from ANL for (a) BBT, (b) WAD, and (c) MLP types. The colored shapes indicate the observed surface precipitation phase from ASOS. The red dashed and solid lines represent the reference lines for Tw and RM methods, and the black, gray, and blue colored bars on the bottom and top of the x-axis indicate the classification phases for snow, mix, and rain using each method, respectively.

층후를 사용하는 TK500과 TK700 방법에 대한 분석을 위해 강수 유형별 ANL 자료의 1,000-500, 1,000-700 hPa 층후를 Fig. 6에 제시하였다. Figure 5와 마찬가지로 각 판별법의 기준선(TK500 방법은 붉은 실선이며 TK700 방법은 붉은 파선)을 표현하였고, 각 심볼은 관측된 강수 형태를 의미한다. BBT 유형에 대해 살펴보면, TK500 방법은 대부분의 ANL 자료가 5,400 gpm 이하에서 나타나게 됨에 따라 눈으로 판별하게 된다. 따라서 관측된 비나 진눈깨비를 눈으로 과대 판별하게 된다. TK700 방법은 앞서 RM 방법과 유사하게 혼합으로 판별하는 영역에서 관측 또한 눈, 비, 그리고 진눈깨비가 나타났다. 따라서 TK700 방법은 눈으로 판별하는 영역에서는 과대 판별, 비로 판별하는 영역에서는 과소 판별이 감소하게 된다(Fig. 6a). WAD 유형의 경우, 온난 이류의 영향으로 층후가 전반적으로 증가하여 ANL 자료의 층후 값이 비로 판별하는 영역에 존재하게 되고, 관측된 강수 형태 또한 비로 나타났다. 해당 유형의 경우, TK500 방법을 통해 비에 대한 판별이 가능해지나 BBT 유형과 마찬가지로 상당수의 비나 진눈깨비를 눈으로 과대 판별하는 단점이 있다. TK700 방법은 상당수의 눈을 혼합으로 판별하게 되면서 정확한 강수 유형의 판별이 어려워졌다(Fig. 6b). MLP 유형의 경우, TK500 방법은 모든 강수를 눈으로 판별하고, TK700 방법 또한 6개의 관측을 제외한 모든 강수를 눈으로 판별하는 문제가 존재한다(Fig. 6c).

Fig. 6. 
Scatter plots of 1,000-700 hPa thickness (TK700) [gpm] versus 1,000-500 hPa thickness (TK500) [gpm] from ANL for (a) BBT, (b) WAD, and (c) MLP types. The colored shapes indicate the observed surface precipitation phase from ASOS. The red dashed and solid lines represent the reference lines for TK700 and TK500 methods, and the black, gray, and blue colored bars on the right of the y-axis and top of the x-axis indicate the classification phases for snow, mix, and rain using each method, respectively.

추가적으로 KIM 예측장인 F12와 F24를 활용한 판별법 별 판별 결과를 Fig. 4와 동일하게 강수 유형별로 Fig. 7에 제시하였다. F12를 활용한 결과를 살펴보면, BBT 유형의 경우, Tw 방법의 H가 84.4%로 가장 높고, TK700 방법이 69.5%로 가장 낮았다. WAD 유형의 경우, BBT 유형과 동일하게 Tw 방법의 H가 82.3%로 가장 높고, TK700 방법이 62.3%로 가장 낮았다. MLP 유형의 경우, TK500 방법이 83.3%로 가장 높고, RM 방법이 66.7%로 가장 낮았다. F24를 활용한 결과를 살펴보면, BBT 유형의 경우, Tw 방법의 H가 82.5%로 가장 높고, TK700 방법이 72.1%로 가장 낮았으며, WAD 유형의 경우도 유사하게 Tw 방법의 H가 80.8%로 가장 높고, TK700 방법이 62.3%로 가장 낮았다. MLP 유형의 경우, TK500 방법이 85.7%로 가장 높고, RM 방법이 69.0%로 가장 낮았다. 강수 유형에 따른 4가지 판별법의 판별 성능은 F12와 F24, 그리고 ANL 자료를 사용한 결과가 유사함을 알 수 있다(Figs. 4, 7). BBT와 WAD 유형의 경우, F12와 F24는 ANL과 동일하게 Tw 방법의 판별 성능이 가장 좋았다. MLP 유형의 경우, 대부분의 관측이 눈으로 내리기 때문에, 모든 강수 형태를 눈으로 판별하는 TK500 방법이 예측장을 활용했을 때 높은 판별 성능을 보였으며, ANL과 동일하게 모든 강수 유형에서 U가 0%로 나타났다.

Fig. 7. 
Same as Fig. 4, but for (a-c) 12-hour forecast field (F12) and (d-f) 24-hour forecast field (F24).

강수 유형별 ANL, F12, 그리고 F24를 활용한 판별법 별 판별 결과에서 나타난 ACC를 통해 예측장에서 나타난 판별 성능의 변화를 살펴보았다(Table 4). BBT 유형의 경우, Tw 방법은 ANL, F12, 그리고 F24를 활용한 모든 결과에서 다른 판별법 대비 가장 높은 ACC를 보이며, F24와 ANL의 판별 성능 차이는 0.006으로 ACC가 예측장에서 크게 변하지 않았다. Tw 방법을 제외한 다른 방법들은 예측장의 ACC가 ANL 대비 일반적으로 증가했으며, TK700의 경우 0.026으로 가장 크게 증가하였다. WAD 유형의 경우, BBT 유형과 마찬가지로 Tw 방법이 가장 높은 ACC를 보이나, 예측장을 활용했을 때 판별 성능은 예측 시간이 길어질수록 점차 감소하였다. TK500 방법은 ACC가 ANL에서 F24까지 유지되며, TK700 방법은 ANL 대비 예측장의 ACC가 낮으며, 예측장을 활용했을 때 전체 판별법 중 가장 낮은 ACC를 보인다. 한편, RM 방법은 F12에 감소했다가 F24에 ANL과 비슷한 ACC를 보인다. MLP 유형의 경우, TK500 방법이 모든 결과에서 ACC가 0.857로 가장 높은 값을 나타냈으며, Tw 방법은 ANL을 활용했을 때 TK500 방법과 같은 성능을 보이나 예측장을 활용했을 때 성능이 감소하였다. TK700 방법은 ACC가 0.786에서 0.833으로 점차 증가하였고, RM 방법은 WAD 유형에서와 마찬가지로 F12에서 감소했다가 F24에서 증가하였다. BBT와 WAD 유형은 Tw 방법이 평균적으로 가장 높은 성능을 보이며 TK700 방법이 가장 낮은 성능을 보인다. MLP 유형은 TK500 방법이 가장 높은 성능을 보이나 대부분의 관측 결과가 눈이며, 판별 결과도 모두 눈이기 때문이다. 이는 Fig. 5c를 통해서도 확인할 수 있다. 특징적으로 TK500 방법은 ANL 대비 F24의 ACC가 모든 유형에서 크게 변화하지 않는데, 이는 KIM의 1,000-500 hPa 층후의 예측 성능이 크게 변화하지 않음을 의미한다.

예측장을 활용했을 때 가장 우수한 판별 성능을 보인 Tw 방법의 판별 성능 변화의 원인을 분석하고자, 강수 유형별 평균 T_w의 F12와 ANL, 그리고 F24와 ANL의 차이의 공간분포를 살펴보았다(Fig. 8). BBT 유형의 경우, F12는 약한 양의 편차가 한반도 남부 지방에서 나타나고, 이를 제외한 지역에서 음의 편차가 나타난다(Fig. 8a). F24에서는 F12에 비해 양의 편차가 나타나는 영역이 줄어들고, 한반도 전체 지역에서 음의 편차가 강화된다(Fig. 8d). 이는 모델이 적분됨에 따라 T_w를 지속적으로 과소 모의할 수 있음을 의미하고 T_w를 과소 모의하면서 비를 눈으로 과대 판별할 가능성이 높아진다. WAD 유형의 경우, F12는 한반도 남부 지방에서 약한 양의 편차가 나타나고, 중부 지방 및 제주도에서는 약한 음의 편차가 나타난다(Fig. 8b). F24에서는 양의 편차가 나타나는 지역이 줄어들고, 수도권을 중심으로 음의 편차가 증가한다(Fig. 8e). WAD 유형도 BBT 유형과 마찬가지로 F12에 비해 F24에서 ANL과의 편차가 강해진다. MLP 유형의 경우, 한반도 남부 지방과 강원도 일부 및 제주도에서 약한 양의 편차가 나타나고, 중부 지방에서는 약한 음의 편차가 나타난다(Fig. 8c). F24는 F12에 비해 양의 편차가 나타나는 지역이 감소하고, 대부분의 지역에 대해서 음의 편차가 증가한다(Fig. 8f). 모든 유형에서 예측시간이 증가하면서 T_w의 음의 편차가 증가하고 비를 눈으로 과대 판별할 가능성이 증가하는데 특히 수도권을 중심으로 이러한 특성이 나타나는 것으로 분석된다.

Fig. 8. 
Spatial distribution of the difference in wet-bulb temperature [^oC] between (a-c) F12 and ANL, and between (d-f) F24 and ANL for (a, d) BBT, (b, e) WAD, and (c, f) MLP types.

상대적으로 낮은 성능을 보인 TK500, TK700, 그리고 RM 방법에서 사용되는 기상요소의 F12와 ANL, 그리고 F24와 ANL의 차이의 공간분포를 살펴보았다. 먼저 TK500 방법에서 사용되는 1,000-500 hPa 층후의 경우(Fig. 9), BBT 유형은 한반도 중부와 남부 해안에서 음의 편차와 동쪽 해안을 따라 양의 편차가 나타나며 중부와 동쪽 해안의 편차는 F24에서 증가한다(Figs. 9c, d). TK500 방법의 ACC는 BBT 유형의 F24에서만 증가하였는데(Table 4), 눈으로 판별된 5,400 gpm 기준선 부근의 강수가 예측장에서 비로 판별되면서 증가하는 것으로 판단되며, 이는 동쪽 해안의 양의 편차로 인해 발생한다. WAD 유형은 대부분 양의 편차가 나타나고 동쪽 해안의 양의 편차가 예측시간에 따라 증가한다(Figs. 9b, e). 이와 같이 예측장에서 편차가 증가하나 ACC는 변화하지 않는 것은 이는 이미 비로 판별하고 있는 강수에 대해 영향을 주기 때문이다. MLP 유형은 F12에는 중부지방에 양의 편차, 남서쪽 내륙에서 음의 편차가 나타나고 F24에는 모든 지역에서 음의 편차가 나타난다(Figs. 9c, f). F24에서 예측장의 편차가 크게 증가하나, 이미 모든 강수를 눈으로 판별하고 있어 ACC에는 영향을 주지 않는다.

Fig. 9. 
Same as Fig. 8, but for 1,000-500 hPa thickness (TK500) [gpm].

TK700 방법에 사용되는 1,000-700 hPa의 경우(Fig. 10), F12에 한반도 북서쪽 음의 편차와 내륙 양의 편차가 유형별로 조금씩 차이를 보이나 공통적으로 존재하고, F24에서 음의 편차가 증가하고 넓게 나타나며 양의 편차가 나타나는 지역은 감소한다. BBT 유형은 F24에서 북서쪽 음의 편차와 남동쪽 해안의 양의 편차가 각각 눈, 비로 판별하는데 영향을 주고(Fig. 10d), 이로 인해 혼합에 있던 강수를 눈 또는 비로 판별하면서 ACC가 증가하나 넓고 강하게 나타나는 음의 편차로 인해 O 또한 증가하였다. WAD 유형은 상대적으로 넓게 나타나는 양의 편차(Figs. 10b, e)로 인해 눈으로 판별하던 강수를 혼합으로 판별하게 되고 F12, F24에서 ACC가 감소한다. MLP 유형은 관측에서 대부분 눈으로 나타났기 때문에 예측장에서 나타난 음의 편차의 증가(Figs. 10c, f)는 눈으로의 판별을 증가시켜 ACC가 증가한다.

Fig. 10. 
Same as Fig. 8, but for 1,000-700 hPa thickness (TK700) [gpm].

RM 방법의 경우 지상 기온과 상대습도를 통해 살펴보았는데(Fig. 11), BBT 유형은 지상 기온은 수도권을 중심으로 음의 편차가 나타나고 예측시간에 따라 증가하며, 상대습도도 내륙에서 음의 편차가 강해진다(Figs. 11a, d). 이러한 음의 편차는 혼합으로 판별하던 눈을 눈으로 판별하는데 영향을 주어 F12와 F24에서 ACC가 증가한다. WAD와 MLP 유형의 경우, 지상 기온은 한반도 수도권을 포함한 중부 지방에서 음의 편차, 남부 지방에서 양의 편차가 나타나며, F24에서는 음의 편차가 나타나는 영역이 증가한다. 상대습도는 F12에서는 내륙 전반에 걸쳐 약한 음의 편차가 나타나며, F24에서는 음의 편차가 증가한다. 여기서 지상 기온의 양의 편차는 눈으로 판별하던 눈을 혼합으로 판별하는데 영향을 주어 ACC가 감소하는 것으로 보이며, F24가 F12 대비 이러한 양의 편차가 나타나는 영역이 감소하여 F24가 F12 대비 ACC가 높다. WAD 유형의 1,000-500 hPa 층후를 제외한 대부분의 기상요소가 예측장에서 음의 편차가 증가하는 것으로 나타났는데 이는 예측장을 활용하여 지표 강수 형태 판별을 수행할 때 과대 판별에 대한 주의가 필요함을 의미한다.

Fig. 11. 
Same as Fig. 8, but for 2-m temperature [^oC] (shaded) and relative humidity [%] (contour). The dashed and solid lines represent negative and positive biases, respectively, and thick solid line indicates zero bias. The contour interval is 2%.

지상 기온, 상대습도, 습구 온도, 그리고 층후 등의 기상 요소는 겨울철 지표 강수 형태 판별에 중요한 요소로 알려져 있으며, 수치모델에서 모의된 기상 요소를 활용한 강수 형태의 정확한 판별은 강수 형태 예보에 도움을 줄 수 있다. 본 연구에서는 우리나라 예보모델인 KIM의 분석장과 예측장을 활용해 한반도의 서로 다른 겨울철 강수 유형에 대해 4가지 판별법을 적용해 판별 성능을 평가하고 예보에서의 활용 가능성을 살펴보고자 하였다. 2020~2022년 겨울철에 발생한 강수 사례를 발해만 기압골, 온난 이류, 그리고 중규모 저기압 유형으로 분류하고, 습구 온도를 활용한 방법, 1,000-500 hPa 층후를 활용한 방법, 1,000-700 hPa 층후를 활용한 방법, 그리고 개선된 Matsuo 방법, 총 4가지 판별법의 강수 유형 판별 성능을 비교하였다.

KIM 분석장에 판별법을 적용해본 결과, 습구 온도를 활용한 방법이 모든 강수 유형에서 가장 좋은 판별 성능을 보였는데, 이것은 습구 온도가 다른 기상 요소 대비 지표 강수 형태 판별에 중요하다고 언급한 선행 연구(Shin et al., 2022)의 결과와 일치한다. 1,000-500 hPa 층후를 활용한 방법은 일부 비를 제외한 대부분의 강수 형태를 눈으로 판별하여 과대 판별하였고, 1,000-700 hPa 층후를 활용한 방법은 눈과 비에 대한 판별 성능은 상대적으로 좋으나 많은 강수를 혼합으로 판별하면서 정확한 강수 유형 판별에 어려움이 있음을 확인하였다. 개선된 Matsuo 방법 또한 1,000-700 hPa 층후를 활용한 방법과 같은 문제가 존재하나 중규모 저기압 유형을 제외한 나머지 유형에서는 1,000-700 hPa 층후를 활용한 방법보다는 높은 성능을 보였다. 따라서 습구 온도를 활용한 방법은 전반적인 눈, 비 판별에 유용하며, 1,000-500 hPa 층후를 활용한 판별은 비에 대한 판별, 그리고 1,000-700 hPa 층후와 개선된 Matsuo 방법은 혼합을 제외한 눈, 비 판별에 유용함을 알 수 있다. 한편, 현재 기상청에서 사용되고 있는 1,000-700 hPa 층후를 활용한 방법의 경우, 일부 강수가 혼합으로 판별하는 구간이 나타나면서 정확한 판별에 어려움이 존재한다. 따라서 전반적으로 높은 정확도를 보인 습구 온도를 활용한 방법을 사용하는 것이 유용한 것으로 분석된다.

강수 유형별로의 특징을 살펴보면 온난 이류 유형은 온난 다습한 발생 조건으로 인해 발해만 저기압 유형 대비 높은 지상 기온, 상대습도, 습구 온도, 그리고 층후를 보인다. 따라서 온난 이류 유형은 각 판별법 별 기상 요소 값이 다른 유형 대비 비로 판별하는 영역에서 상대적으로 많이 나타났다. 한편 1,000-700 hPa 층후를 활용한 방법은 상당수의 눈을 혼합으로 판별하면서 상대적으로 낮은 판별 성능을 보였다. 중규모 저기압 유형의 경우, 관측 대부분이 눈 형태로 나타나 모든 강수 형태를 눈으로 판별한 1,000-500 hPa 층후를 활용한 방법이 높은 판별 성능을 보였는데, 이는 더 많은 사례를 수집하여 검증할 필요가 있다. 이러한 결과들은 강수 유형별로 기상 요소 범위의 차이가 있음을 나타내며 강수 유형에 관계없이 동일한 임곗값을 적용시 강수 형태 판별에 주의가 필요하다는 것을 의미한다. 향후 장기간 관측된 기상 요소를 통해 강수 유형별로 적절한 판별 기준을 제시할 필요가 있다.

KIM 예측장을 활용한 강수 유형별 각 판별법의 판별 성능 변화를 살펴본 결과, 24시간 이내에서 일부 판별 성능이 감소하기도 하지만 대부분이 판별 성능을 유지하였다. 습구 온도로 판별한 경우 판별 성능이 0.8 이상으로 가장 우수하였으나, 예측장과 분석장의 차이를 통해 습구 온도의 음의 편차가 예측 시간에 따라 증가하면서 비를 눈으로 과대 판별할 가능성이 높아짐을 확인하였다. 이를 통해 습구 온도를 활용한 판별법을 강수 형태 예보에 활용할 때 과대 판별할 수 있는 점에 주의가 필요하다. 한편 본 연구는 KIM이 운영되기 시작한 2020년부터 2022년까지 총 3년 동안 겨울철에 발생한 강수 사례에 대한 분석을 수행하였기 때문에 더 많은 사례를 다루지 못한 한계가 있다. 향후 각 강수 유형별로 추가적인 사례를 수집하여 연구를 수행하고, 관측된 기상 요소를 통해 적절한 판별 기준을 제시, 다양한 기상 요소와의 조합을 통해 보다 정밀한 강수 형태 판별법을 개발하는 것이 필요하다. 추가적으로, KIM에서 사용하는 구름미세물리 모수화 방안인 WSM5 에서는 지표 강수를 비, 눈으로 구분하고 있다. 모델의 격자점에서 구름미세물리 모수화 방안의 산출물을 통해 지표 강수 형태 판별(비, 눈, 그리고 혼합)을 수행하고 관측과의 검증을 통해 지표 강수 형태 판별법으로 활용될 수 있을 것으로 사료된다. 이러한 미세물리 산출물을 활용한 지표 강수 형태 판별법의 개선을 추가 연구를 통해 수행할 계획이다.