[논문]기상청 고해상도 지역예보모델을 이용한 한반도 영역 한국형 항공난류 예측시스템(한반도-KTG) 개발

이단비; 전혜영

doi:10.14191/atmos.2015.25.2.367

문제 정의

(2011)과 Kim and Chun (2011b)에서 증명된 바 있다. 따라서 본 연구에서는 2011. 06~2012.
이러한 결과를 통해 15개 지수들을 결합한 한반도-KTG가 5개 지수들을 결합한 한반도-KTG보다 통계적으로 좀 더 유의하다는 것을 알 수 있었다. 따라서 본 연구에서는 난류 예측에 대한 통계적 유의성이 더 높은 15개 지수들을 결합한 한반도-KTG에 초점을 두고 다른 기간에 대해서 난류 예측성에 대한 추가 검증을 수행하였다.
본 연구노트에서는 한국의 기상환경에서 발생할 수 있는 난류 요인을 고려한 한반도 한국형 항공난류예측시스템(한반도-KTG 시스템)의 방법론과 개발된 한반도-KTG 시스템의 난류 예측성을 살펴보았다. 한반도-KTG 시스템을 개발하기 위하여, 1년 기간(2012.
, 2011), 특히 한반도 영역은 대부분의 국토가 산악으로 이루어져 있어 하층 바람 유입에 따라 다양하게 나타나는 산악파를 통한 난류 발생 역시 높은 지역이다(Kim and Chun, 2011a; Kim and Chun, 2012). 본 연구에서는 1.5 km의 높은 수평해상도를 가지는 기상청 현업 UM 기반 지역예보모델(Local Data Assimilation and Prediction System: LDAPS) 자료를 이용하여 한국 기상환경에 초점을 둔 고해상도 한반도 영역 한국형 항공 난류 예측시스템(이하 한반도-KTG 시스템)을 개발하고자 하였다.
상층에서 관측된 PIREP은 총 482개로, 이 중 NIL이 338개, MOG가 122개 관측되었으며, 중층에서는 총 165개 중 NIL이 129개, MOG가 10개 관측되었다. 특히, 중층 PIREP은 중층 한반도-KTG 시스템 구성요소를 구축하기에는 그 개수가 현저히 적기 때문에, 본 연구에서는 상층 한반도-KTG 시스템만 개발하여 예측성을 검증하였다. 이후 언급될 한반도-KTG 시스템은 상층 한반도-KTG 시스템을 의미한다.

제안 방법

06~2012. 05, 1년 기간 동아시아 영역에서 관측된 PIREP 자료와 12 km 수평해상도를 가지는 UM-RDAPS을 기반으로 개발된 현업-KTG 시스템과 본 연구에서 개발한 한반도-KTG 시스템과의 난류 예측성 비교 검증을 추가로 수행하였다.
Thresholds (T1, T2, T3, T4, and T5) corresponding to NIL, LGT, MOD, SEV, and EXT intensities of upper-level (≥ 25000 feet) turbulence and AUC values for best 15 diagnostics for calculating the combined KP-KTG index that are based on the 1-yr PIREP data over LDAPS region and Unified Model (UM) based on operational Local Data Assimilation and Prediction System (LDAPS) in the Korea Meteorological Administration (KMA) from June 2012 to May 2013.
05)의 기상청 UM 기반 LDAPS 모델자료와 PIREP 관측자료를 이용해 총 74개의 개별 난류 진단지수들의 난류 강도별 임계값과 AUC들을 계산하였고, 그 중 한반도 공역 내에서 발생한 난류들의 특성을 가장 잘 진단하는 상위 15개의 개별 난류 진단지수들을 결정하여 조견표를 구성하였다. 그 후 모델의 모든 격자점에서 계산된 개별 난류 진단지수들 값에 각 지수들의 가중치를 적용시킨 뒤 모두 합하여 최종적으로 하나의 통합 난류 예측지수인 한반도-KTG를 계산하였다. 본 연구에서 사용된 PIREP은 1년 기간 동안 한반도 공역과 비슷한 LDAPS의 영역 내에서 관측된 자료로, 중층과 상층 자료로 나누어 살펴보았을 때 중층 PIREP의 개수가 165개로 현저하게 작아 본 연구에서는 상층 한반도-KTG만 개발하였다.
기상청의 현업 LDAPS 자료가 생산되는 시간인 0000, 0600, 1200, 1800 UTC를 기준으로 ±2시간 이내에 발생한 PIREP 난류자료를 분류한 뒤(Kim and Chun, 2012), MOG 난류가 관측된 지점과 가장 근접한 수치예보모델 격자점에서 계산된 난류 지수값이 주어진 임의의 임계값보다 큰 경우를 셈하여 PODY를, NIL 관측 지점과 가장 근접한 격자점에서 계산된 난류 지수값이 주어진 임의의 임계값보다 작은 경우를 셈하여 PODN를 구한다.
다음으로 난류 강도별 지수들의 임계값을 구하기 위해, 기상청의 현업 LDAPS 자료를 이용하여 15개의 개별 난류 진단지수들을 계산한 뒤, LDAPS 영역에서 PIREP으로 관측된 난류와 가장 가까운 격자점 위치 및 시간(± 2시간 이내)에 대해 따로 분류하여 난류 강도별로 누적시킨다.
세 번째 단계는 구축된 한반도-KTG 시스템 구성요소들을 현업 통합모델에 적용하여 통합 난류 예측지수를 계산하는 단계이다. 먼저, 이전 단계에서 구축된 상위 15개의 개별 난류 진단지수들을 LDAPS의 모든 격자점에서 계산한다. 개별 난류 진단지수별 임계값들(T1, T2, T3, T4, T5)을 각각 0, 0.
본 연구노트에서는 한국의 기상환경에서 발생할 수 있는 난류 요인을 고려한 한반도 한국형 항공난류예측시스템(한반도-KTG 시스템)의 방법론과 개발된 한반도-KTG 시스템의 난류 예측성을 살펴보았다. 한반도-KTG 시스템을 개발하기 위하여, 1년 기간(2012.06~2013. 05)의 기상청 UM 기반 LDAPS 모델자료와 PIREP 관측자료를 이용해 총 74개의 개별 난류 진단지수들의 난류 강도별 임계값과 AUC들을 계산하였고, 그 중 한반도 공역 내에서 발생한 난류들의 특성을 가장 잘 진단하는 상위 15개의 개별 난류 진단지수들을 결정하여 조견표를 구성하였다. 그 후 모델의 모든 격자점에서 계산된 개별 난류 진단지수들 값에 각 지수들의 가중치를 적용시킨 뒤 모두 합하여 최종적으로 하나의 통합 난류 예측지수인 한반도-KTG를 계산하였다.

대상 데이터

3에 두 지수들에 대한 예측성을 100개의 서로 다른 PIREP 샘플들을 이용하여 반복 검증한 결과를 나타내었다. PIREP 자료의 기간은 1년 기간(2012. 06~2013. 05)이며, 수집된 PIREP 자료의 1/2 크기를 가지는 서로 다른 랜덤 샘플 100개를 뽑아서 사용하였다. Figures 3a와 b는 각각 5개의 상위 지수들을 결합한 한반도-KTG와 15개의 상위 지수들을 결합한 한반도-KTG에 대한 결과이며, 100번의 반복 검증 결과 중 가장 좋은 예측성과 가장 낮은 예측성을 나타내는 PODY-PODN 곡선에 대해서 각각 파선과 점선으로 나타내었다.
그 후 모델의 모든 격자점에서 계산된 개별 난류 진단지수들 값에 각 지수들의 가중치를 적용시킨 뒤 모두 합하여 최종적으로 하나의 통합 난류 예측지수인 한반도-KTG를 계산하였다. 본 연구에서 사용된 PIREP은 1년 기간 동안 한반도 공역과 비슷한 LDAPS의 영역 내에서 관측된 자료로, 중층과 상층 자료로 나누어 살펴보았을 때 중층 PIREP의 개수가 165개로 현저하게 작아 본 연구에서는 상층 한반도-KTG만 개발하였다.
Table 1은 2012년 6월부터 2013년 5월까지 LDAPS 생산시간인 0000, 0600, 1200, 1800 UTC를 중심으로 ± 2시간 이내에 PIREP 관측자료에 나타난 강도별 난류 개수를 상층(≥ 25,000 ft)과 중층(< 25,000 ft)으로 나누어 살펴본 결과이다. 상층에서 관측된 PIREP은 총 482개로, 이 중 NIL이 338개, MOG가 122개 관측되었으며, 중층에서는 총 165개 중 NIL이 129개, MOG가 10개 관측되었다. 특히, 중층 PIREP은 중층 한반도-KTG 시스템 구성요소를 구축하기에는 그 개수가 현저히 적기 때문에, 본 연구에서는 상층 한반도-KTG 시스템만 개발하여 예측성을 검증하였다.
, 2009; Kim and Chun, 2012). 이러한 일련의 과정을 이전 연구들을 통해 개발된 총 74개의 개별 난류 진단지수들에 대해 각각 수행하며, 이 중 AUC가 높은 순서대로 15개의 난류 진단지수들을 선택하였다.
05) 동안 해당 영역 내에서 관측된 PIREP에 나타난 light (LGT) 강도 이상의 난류들 위치를 나타낸 것이다. 참고로 PIREP 자료는 국내 항공기상청과 미국 국립기상연구소에서 제공받았다. PIREP에서 관측된 난류 위치들이 국내 주요 운항로를 따라 나타나는 것을 알 수 있으며, 특히, 서해안 및 남해안, 제주도 지역에서 밀집되어 보여진다.

이론/모형

마지막, 한반도-KTG의 예측성 검증에는 첫 번째 단계에서 개별 난류 진단지수들의 예측성을 계산하기 위해 사용한 POD 방법을 이용하였다. 본 연구에서는 한반도-KTG 시스템을 구성한 자료와 같은 기간인 2012.
한반도-KTG 시스템 개발은 크게 세 단계로 나뉘며, 이 시스템의 개발 방법론은 현업-KTG 시스템과 유사하기 때문에 본 논문에서는 간략하게만 그 방법론을 설명한다(Kim and Chun, 2011b; Kim and Chun, 2012). 시스템 개발의 첫번째 단계는 한반도-KTG 시스템을 구성하는 난류 진단지수들을 결정하는 단계로, 우선, 관측된 null (NIL)과 중강도 이상(moderate or greater: MOG)의 난류들에 대한 개별 난류 진단지수들의 예측성을 POD (probability of detection; Mason, 1982) 방법을 통해 검증한다. 이 방법은 MOG 난류가 관측된 지점에서 개별 난류 진단지수 역시 난류를 예측할 확률인 PODY (probability of detection for yes)와 NIL이 관측된 지점에서 개별 난류 진단지수가 난류를 예측하지 않을 확률인 PODN (probability of detection for no)을 고려한다.

성능/효과

06~2013. 05 기간의 PIREP 관측자료를 이용하여 한반도-KTG 시스템과 12 km-RDAPS로 계산하는 현업-KTG 시스템의 난류 예측성을 비교한 결과, 0.007의 근소한 차이로 한반도-KTG 시스템의 예측성이 좋은 것으로 확인되었다. 추가 검증 기간(2013.
, 2011)과 일치함을 확인할 수 있었다. 15개의 단일 진단지수들을 모두 결합하여 계산된 한반도-KTG의 경우, AUC값이 0.850으로 LHF/-Ri보다 오히려 낮은 예측성을 보였다. 하지만, 15개의 서로 다른 물리적 의미들을 가지는 단일 난류 진단지수들로 구성한 한반도-KTG의 경우, 난류가 발생할 수 있는 다양한 기상환경 및 물리적 조건에 대해 고려될 수 있다는 장점이 있고, 결합하는 단일 진단지수들의 수에 따른 예측성 변화는 사용된 관측 자료와 모델의 종류 및 기간에 따라 달라질 수 있으므로, 5개의 진단지수를 결합하는 것이 15개의 진단지수를 결합하는 것보다 낫다고 결론짓기에는 무리가 있다.
15개의 상위 지수들을 결합한 한반도-KTG의 경우(Fig. 3b), 같은 기간의 전체 PIREP에 대한 예측성인 0.850을 중심으로 랜덤 검증의 변화도가 +7.3%, −8.7% 이내에 나타난 것을 확인하였다.
05)의 각 계절마다 임의의 시간을 선택하여 그 시각에서의 한반도-KTG 예보장과 그 시각을 중심으로 ±2시간 이내에 관측된 PIREP의 위치 비교를 보인 것이다. 2013년 2월 4일 0000 UTC (Fig. 6c)에 발생한 몇몇 NIL 관측자료를 제외하고, 나머지 모든 해당날짜에 발생한 난류들을 한반도-KTG 시스템이 잘 예측하고 있다는 것을 알 수 있다. 또한 고해상도 LDAPS 자료를 이용하였기 때문에 난류 예측 지역이국지적으로 나타나는 특징을 확인할 수 있었다.
5개의 상위 지수들을 결합한 한반도-KTG의 랜덤 검증 변화도(Fig. 3a)는 해당 기간의 전체 PIREP에 대한 예측성인 0.886을 중심으로 +3.6%, −15% 이내에 나타나는 것을 확인하였다.
가장 높은 난류 예측성을 보였던 5개의 상위 지수들을 결합한 한반도-KTG와 15개의 상위 지수들을 결합한 한반도-KTG의 예측성이 얼마나 통계적으로 유의한지 살펴보기 위하여 Fig. 3에 두 지수들에 대한 예측성을 100개의 서로 다른 PIREP 샘플들을 이용하여 반복 검증한 결과를 나타내었다. PIREP 자료의 기간은 1년 기간(2012.
6c)에 발생한 몇몇 NIL 관측자료를 제외하고, 나머지 모든 해당날짜에 발생한 난류들을 한반도-KTG 시스템이 잘 예측하고 있다는 것을 알 수 있다. 또한 고해상도 LDAPS 자료를 이용하였기 때문에 난류 예측 지역이국지적으로 나타나는 특징을 확인할 수 있었다.
763 였던 것을 감안할 때, 모델의 수평 해상도 향상이 난류 예측성 향상에 기여를 한 것으로 보여진다. 또한, 상위 8개 진단지수들 중 CP를 제외하고 대표적인 난류 진단지수인 Ri로 나눈 지수들인 것을 확인할 수 있다.
Figure 2는 한반도-KTG 시스템을 구성하기 위해 결합한 단일 진단지수 개수에 따른 한반도-KTG의 난류예측성 변화를 나타낸 그림이다. 시스템을 구성하는 단일 진단지수들의 수가 5개가 될 때까지 난류 예측성은 지수들의 수에 따라 증가하는 경향을 보였고, 그 이후 15개가 될 때까지는 예측성이 조금씩 감소하는 경향을 보였다. 최대 예측성을 보인 5개 지수들을 결합한 한반도-KTG의 AUC 값은 0.
이 기간에 LDAPS 영역 내 PIREP의 개수는 NIL 356개, LGT 124개, MOG 30개이다. 우선, 해당 기간의 전체 PIREP을 이용하여 검증했을 때, 한반도-KTG의 AUC 값이 0.842로 높은 예측성을 보이는 것을 확인하였다. 랜덤 검증 변화율의 경우, 0.
7% 이내에 나타난 것을 확인하였다. 이러한 결과를 통해 15개 지수들을 결합한 한반도-KTG가 5개 지수들을 결합한 한반도-KTG보다 통계적으로 좀 더 유의하다는 것을 알 수 있었다. 따라서 본 연구에서는 난류 예측에 대한 통계적 유의성이 더 높은 15개 지수들을 결합한 한반도-KTG에 초점을 두고 다른 기간에 대해서 난류 예측성에 대한 추가 검증을 수행하였다.
005로 큰 차이를 보이진 않았다. 이러한 결과를 통해, 한반도-KTG 시스템 개발에 사용된 PIREP의 개수가 현저히 적었음에도 불구하고 고해상도 LDAPS 자료를 사용함으로써 한반도-KTG 시스템이 한반도 영역에서 발생하는 항공 난류를 충분히 잘 예측한다는 것을 확인할 수 있었다. 차후 충분한 통계적 의미를 가질 수 있을 정도로 더 긴 기간에 대해 PIREP 난류자료가 축적된다면 중층 한반도-KTG 시스템도 개발할 수 있을 것이다.
시스템을 구성하는 단일 진단지수들의 수가 5개가 될 때까지 난류 예측성은 지수들의 수에 따라 증가하는 경향을 보였고, 그 이후 15개가 될 때까지는 예측성이 조금씩 감소하는 경향을 보였다. 최대 예측성을 보인 5개 지수들을 결합한 한반도-KTG의 AUC 값은 0.886으로, 가장 좋은 예측성을 보였던 단일 진단지수 LHF/-Ri의 0.864보다 좋았다. 이는 단일 진단지수로 난류를 예측하는 것보 여러 진단지수들에 가중치를 적용, 결합하여 하나의 통합된 지수로 난류를 예측하는 것이 더 나은 결과를 보인다는 이전 연구결과들(Sharman et al.
007의 근소한 차이로 한반도-KTG 시스템의 예측성이 좋은 것으로 확인되었다. 추가 검증 기간(2013. 06~2014. 05)에는 현업-KTG 시스템의 예측성은 증가한 반면에, 한반도-KTG 시스템의 예측성은 다소 감소하여 현업-KTG 시스템이 한반도-KTG 시스템보다 예측성이 좋게 나타났지만, 그 차이가 0.005로 큰 차이를 보이진 않았다. 이러한 결과를 통해, 한반도-KTG 시스템 개발에 사용된 PIREP의 개수가 현저히 적었음에도 불구하고 고해상도 LDAPS 자료를 사용함으로써 한반도-KTG 시스템이 한반도 영역에서 발생하는 항공 난류를 충분히 잘 예측한다는 것을 확인할 수 있었다.
850으로 LHF/-Ri보다 오히려 낮은 예측성을 보였다. 하지만, 15개의 서로 다른 물리적 의미들을 가지는 단일 난류 진단지수들로 구성한 한반도-KTG의 경우, 난류가 발생할 수 있는 다양한 기상환경 및 물리적 조건에 대해 고려될 수 있다는 장점이 있고, 결합하는 단일 진단지수들의 수에 따른 예측성 변화는 사용된 관측 자료와 모델의 종류 및 기간에 따라 달라질 수 있으므로, 5개의 진단지수를 결합하는 것이 15개의 진단지수를 결합하는 것보다 낫다고 결론짓기에는 무리가 있다.
한반도-KTG 시스템을 구성하는 15개의 개별 난류 진단지수들의 난류 예측성을 살펴본 결과, 15개 중 7개의 개별 난류 진단지수들이 0.8 이상의 AUC값을 보였으며, 고해상도 모델 자료를 이용한 것이 각 개별 난류 진단지수들의 예측성 향상에 기여한 것으로 보인다. 한반도-KTG 시스템 개발에 사용된 2012.

후속연구

이러한 결과를 통해, 한반도-KTG 시스템 개발에 사용된 PIREP의 개수가 현저히 적었음에도 불구하고 고해상도 LDAPS 자료를 사용함으로써 한반도-KTG 시스템이 한반도 영역에서 발생하는 항공 난류를 충분히 잘 예측한다는 것을 확인할 수 있었다. 차후 충분한 통계적 의미를 가질 수 있을 정도로 더 긴 기간에 대해 PIREP 난류자료가 축적된다면 중층 한반도-KTG 시스템도 개발할 수 있을 것이다.

핵심어	질문	논문에서 추출한 답변
	항공 난류란 무엇인가?	항공 난류는 자유대기 내에서 항공기에 직접적으로 영향을 주는 10~1,000 m 규모의 작은 난류 운동을 말한다(Lester, 1994). 항공 난류는 승객 및 승무원 부상, 비행 연착, 연료 손실 등 항공 산업에 있어 많은 문제를 야기시키며, 특히 순항고도에서 예기치 못하게 발생했을 때 더욱 위험하다.
	항공 난류는 어떤 문제를 야기하는가?	항공 난류는 자유대기 내에서 항공기에 직접적으로 영향을 주는 10~1,000 m 규모의 작은 난류 운동을 말한다(Lester, 1994). 항공 난류는 승객 및 승무원 부상, 비행 연착, 연료 손실 등 항공 산업에 있어 많은 문제를 야기시키며, 특히 순항고도에서 예기치 못하게 발생했을 때 더욱 위험하다. 항공 산업이 계속적으로 발전하고 항공 운행량이 급격하게 증가하면서, 이러한 항공 난류의 정확한 예보 필요성은 나날이 커지고 있다.
	한반도-KTG 시스템 개발의 세번째 단계의 과정은 무엇인가?	세 번째 단계는 구축된 한반도-KTG 시스템 구성요소들을 현업 통합모델에 적용하여 통합 난류 예측지수를 계산하는 단계이다. 먼저, 이전 단계에서 구축된 상위 15개의 개별 난류 진단지수들을 LDAPS의 모든 격자점에서 계산한다. 개별 난류 진단지수별 임계값들(T1, T2, T3, T4, T5)을 각각 0, 0.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

이단비 (3) 전혜영 (12)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper