기상청에서 운영하고 제공하는 전지구 계절예측시스템 GloSea5 (Global Seasonal forecasting system version 5)자료를 활용하여 용담댐유역에 적용하고자 하였다. GloSea5는 예측자료(Forecast; 이하 FCST)와 과거재현자료(Hindcast; 이하 HCST)로 제공되며 공간 수평해상도는 N216 ($0.83^{\circ}{\times}0.56^{\circ}$)으로 중위도에서 약 60km이다. 이를 유역단위 물관리에 활용하기 위해서는 시 공간적인 상세화가 필요하므로 통계적 상세화 기법을 수행하여 변수가 갖는 계통적인 지역 오차를 보정함으로써 자료의 신뢰도를 향상시키고자 하였다. HCST자료는 앙상블 형태로 주어지며 용담댐 유역의 앙상블 평균에 대한 6번 격자의 통계적인 상관성($R^2=0.60$, RMSE=88.92, NSE=0.57)이 가장 높게 나타났다. 또한 계절분석시 여름철의 경우 원시 GloSea5 강우량이 600.1mm로 관측값인 816.1mm 대비 -26.5%로 가장 많은 차이를 보였으며 상세화 후 GloSea5 강우량은 -3.1%의 오차율을 보였다. 대부분의 과소 모의된 결과가 여름철 홍수기에 해당되는 강우로 상세화 이후 강우가 회복되는 매우 중요한 결과를 보였다. 계절별 Moran's I 지수를 이용한 공간적 자기상관분석 결과 역시 통계적으로 유의성 있는 공간적인 분포를 나타냄으로써 자료의 불확실성을 개선하고 시 공간적인 정확도와 타당성을 입증하였다. HCST기간에 대한 GloSea5의 앙상블 강우에 대한 신뢰도를 향상시킴으로써 수문학적인 영향을 평가하기 위한 자료로서의 충분한 가능성을 확보하였으며 이러한 시 공간적인 재현성에 대한 평가결과는 향후 유역단위 물관리를 위한 기초자료로서 매우 중요한 역할을 할 것이다.
기상청에서 운영하고 제공하는 전지구 계절예측시스템 GloSea5 (Global Seasonal forecasting system version 5)자료를 활용하여 용담댐유역에 적용하고자 하였다. GloSea5는 예측자료(Forecast; 이하 FCST)와 과거재현자료(Hindcast; 이하 HCST)로 제공되며 공간 수평해상도는 N216 ($0.83^{\circ}{\times}0.56^{\circ}$)으로 중위도에서 약 60km이다. 이를 유역단위 물관리에 활용하기 위해서는 시 공간적인 상세화가 필요하므로 통계적 상세화 기법을 수행하여 변수가 갖는 계통적인 지역 오차를 보정함으로써 자료의 신뢰도를 향상시키고자 하였다. HCST자료는 앙상블 형태로 주어지며 용담댐 유역의 앙상블 평균에 대한 6번 격자의 통계적인 상관성($R^2=0.60$, RMSE=88.92, NSE=0.57)이 가장 높게 나타났다. 또한 계절분석시 여름철의 경우 원시 GloSea5 강우량이 600.1mm로 관측값인 816.1mm 대비 -26.5%로 가장 많은 차이를 보였으며 상세화 후 GloSea5 강우량은 -3.1%의 오차율을 보였다. 대부분의 과소 모의된 결과가 여름철 홍수기에 해당되는 강우로 상세화 이후 강우가 회복되는 매우 중요한 결과를 보였다. 계절별 Moran's I 지수를 이용한 공간적 자기상관분석 결과 역시 통계적으로 유의성 있는 공간적인 분포를 나타냄으로써 자료의 불확실성을 개선하고 시 공간적인 정확도와 타당성을 입증하였다. HCST기간에 대한 GloSea5의 앙상블 강우에 대한 신뢰도를 향상시킴으로써 수문학적인 영향을 평가하기 위한 자료로서의 충분한 가능성을 확보하였으며 이러한 시 공간적인 재현성에 대한 평가결과는 향후 유역단위 물관리를 위한 기초자료로서 매우 중요한 역할을 할 것이다.
The GloSea5 (Global Seasonal forecasting system version 5) is provided and operated by the KMA (Korea Meteorological Administration). GloSea5 provides Forecast (FCST) and Hindcast (HCST) data and its horizontal resolution is about 60km ($0.83^{\circ}{\times}0.56^{\circ}$) in the mid-latit...
The GloSea5 (Global Seasonal forecasting system version 5) is provided and operated by the KMA (Korea Meteorological Administration). GloSea5 provides Forecast (FCST) and Hindcast (HCST) data and its horizontal resolution is about 60km ($0.83^{\circ}{\times}0.56^{\circ}$) in the mid-latitudes. In order to use this data in watershed-scale water management, GloSea5 needs spatial-temporal downscaling. As such, statistical downscaling was used to correct for systematic biases of variables and to improve data reliability. HCST data is provided in ensemble format, and the highest statistical correlation ($R^2=0.60$, RMSE = 88.92, NSE = 0.57) of ensemble precipitation was reported for the Yongdam Dam watershed on the #6 grid. Additionally, the original GloSea5 (600.1 mm) showed the greatest difference (-26.5%) compared to observations (816.1 mm) during the summer flood season. However, downscaled GloSea5 was shown to have only a -3.1% error rate. Most of the underestimated results corresponded to precipitation levels during the flood season and the downscaled GloSea5 showed important results of restoration in precipitation levels. Per the analysis results of spatial autocorrelation using seasonal Moran's I, the spatial distribution was shown to be statistically significant. These results can improve the uncertainty of original GloSea5 and substantiate its spatial-temporal accuracy and validity. The spatial-temporal reproducibility assessment will play a very important role as basic data for watershed-scale water management.
The GloSea5 (Global Seasonal forecasting system version 5) is provided and operated by the KMA (Korea Meteorological Administration). GloSea5 provides Forecast (FCST) and Hindcast (HCST) data and its horizontal resolution is about 60km ($0.83^{\circ}{\times}0.56^{\circ}$) in the mid-latitudes. In order to use this data in watershed-scale water management, GloSea5 needs spatial-temporal downscaling. As such, statistical downscaling was used to correct for systematic biases of variables and to improve data reliability. HCST data is provided in ensemble format, and the highest statistical correlation ($R^2=0.60$, RMSE = 88.92, NSE = 0.57) of ensemble precipitation was reported for the Yongdam Dam watershed on the #6 grid. Additionally, the original GloSea5 (600.1 mm) showed the greatest difference (-26.5%) compared to observations (816.1 mm) during the summer flood season. However, downscaled GloSea5 was shown to have only a -3.1% error rate. Most of the underestimated results corresponded to precipitation levels during the flood season and the downscaled GloSea5 showed important results of restoration in precipitation levels. Per the analysis results of spatial autocorrelation using seasonal Moran's I, the spatial distribution was shown to be statistically significant. These results can improve the uncertainty of original GloSea5 and substantiate its spatial-temporal accuracy and validity. The spatial-temporal reproducibility assessment will play a very important role as basic data for watershed-scale water management.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
상세화하지 않은 원시자료에 대하여 각 관측소별 모델 평가를 수행한 결과 상당히 만족스러운 결과를 나타냈으며 모두 6번 격자에서 가장 통계치가 우수한 결과를 나타냈다. 그 중에서도 앙상블을 평균한 결과가 가장 좋은 결과를 보이므로, 본 연구에서는 6번격자의 앙상블 평균자료를 이용한 상세화를 수행하여 용담댐 유역에 대한GloSea5의 재현성을 더욱 높이고자 하였다.
기상청에서 제공하는 계절예보모델인 GloSea5의 유역단위 재현성을 평가하기 위하여 자료의 전처리 시스템을 구축하고 통계적인 상세화를 수행하여 계통적 오차를 보정하고 우리나라 여름철 특성을 충분히 반영하고자 하였다. 또한 공간적인 분포에 따른 자기상관을 분석하여 시·공간적인 경향성을 모두 고려하여 향후 물관리를 위한 수문모델의 입력자료로서의 타당성을 입증하고자 하였다.
따라서, 본 연구에서는 GloSea5 모델에 대한 1·3개월 예보 앙상블 멤버를 용담댐 유역을 대상으로 통계적 상세화기법을 적용하여 최적화한 GloSea5 모델의 시·공간적 재현성을 평가하고자 한다.
또한 공간적인 분포에 따른 자기상관을 분석하여 시·공간적인 경향성을 모두 고려하여 향후 물관리를 위한 수문모델의 입력자료로서의 타당성을 입증하고자 하였다.
57)를 통해 관측과 모델 사이의 전반적인 통계적 특성이 충분히 반영된 것으로 보였지만 월별 및 계절별, 공간적인 재현성 등은 떨어지는 것으로 판단되었다. 이에 따라 원시자료가 과소모의 되는 원인을 파악하기 위해 계절별 분석을 수행하여 절대량 및 오차율의 차이를 확인하고자 하였다. HCST 기간을 사용한 용담댐 유역의 원시 GloSea5는 1,163.
또한 원시자료의 형식은 FF (Field Format)이며 유저들에게는 Grib2 (GRIdded Binary or General Regularly-distributed Information in Binary form) 형식으로 제공되지만 수문모델 및 유역모델에 직접적으로 활용하기에는 무리가 있다. 이에 본 연구에서는 GloSea5의 HCST, FCST 전지구 예보모델 자료를 입력자료에 의한 특정 영역의 경위도로 추출하고 이를 상세화하기 위한 시계열자료로 생성하는 프로그램을 구축하였다. 또한 원활한 파일의 입출력을 위해 각 데이터 자료들은 txt파일 포맷형태로 생성된다.
하지만 지역기후모형을 통한 기후자료 내에 상당한 편이가 존재하며 이를 개선하기 위해 다시한번 편이보정을 실시하는 등 아직은 응용분야에 직접 사용하기에는 신뢰도가 만족스럽지 않은 것이 사실이다. 이에 본 연구에서는 상대적으로 적은 계산시간과 노력이 요구되는 통계학적 상세화 기법을 수행하고자 하였다. 일반적으로 지역 스케일의 기후 영향을 모델링하기 위해 필요한 적절한 스케일에서의 자료가 부족하고, 개괄적인 관점에서만 제공하기 때문에 수문분야에 활용하기 위한 지역 스케일에서의 프로세스를 해결할 수 없어 스케일 상세화가 꼭 필요하다.
제안 방법
GloSea5 모델 자료의 재현성을 평가하기 위하여 GloSea5 모델이 제공하는 HCST (1996~2009년)기간에 대한 자료검증을 수행하였다. HCST기간이 14개년으로 충분하지는 않지만 최대한 용담댐 유역에 대한 통계적인 특성을 반영하기 위하여 상세화를 수행하였다.
GloSea5 모델의 HCST기간에 대하여 충분히 신뢰할 만한 자료를 보유하고 있는 금산, 장수, 무주 관측소에 대한 상세화를 수행하고 티센가중치를 통해 유역평균 강우를 생성하였다. 티센가중치는 금산 0.
GloSea5의 과거재현자료인 HCST자료는 매달 1일, 9일, 17일, 25일마다 초기장을 입력하여 생산되며, 과거 14년(1996~2009년) 에 대해 각 출발일로부터 220일씩 산출하였다. 모델의 물리과정을 달리하는 방법인 확률적 운동에너지 후방 산란법(Stochastic Kinetic Energy Backscatter2, SKEB2) (Bowler et al.
GloSea5 모델 자료의 재현성을 평가하기 위하여 GloSea5 모델이 제공하는 HCST (1996~2009년)기간에 대한 자료검증을 수행하였다. HCST기간이 14개년으로 충분하지는 않지만 최대한 용담댐 유역에 대한 통계적인 특성을 반영하기 위하여 상세화를 수행하였다. 용담댐 유역의 강우자료는 기상청의 지상관측소와 수자원공사 및 국토교통부의 강우관측소의 자료를 활용하였는데 용담댐이 2001년에 준공되어 대부분의 수자원공사 및 국토교통부 강우관측소의 자료기간이 HCST기간의 자료를 검증하기에는 매우 부족하여 기상청 지상관측소 중 금산과 장수관측소, 수자원공사 강우관측소 중 무주 관측소 자료만을 사용하여 검증을 수행하였다.
, 2015)을 기반으로 17일을 제외한 25, 1, 9일을 이용하기 때문에 초기장당 각 1~3개의 앙상블로 총 최소 3개에서 9개 앙상블 멤버를 사용하였다. 각 25, 1, 9일의 초기장을 단일 시계열로 생성할 때 각 초기장들의 lead time을 7~15일로 제한하여 자료 생성 중간에 발생할 수 있는 결측자료를 보완하기 위한 알고리즘을 적용하였고 결측자료 발생 시에만 15일 이상의 lead time을 가질 수 있도록 처리하였다.
또한 원활한 파일의 입출력을 위해 각 데이터 자료들은 txt파일 포맷형태로 생성된다. 과거 재현기간에 대한 전처리 시스템은 2009년 12월까지 총 14년 동안 매달 1일, 9일, 17일, 25일의 초기장을 이용하여 적분된 HCST의 월평균 값들을 이용하였으며 초기장과 모형 내의 불확실성을 고려하여 1~3개의 앙상블 멤버를 이용하게 된다. 이 때, 앙상블 평균에 사용된 자료는 영국 기상청의 분석방법(MacLachlan et al.
Moran’s I는 공간적 자기상관을 파악하기 위한 유용한 평가척도로 인접한 공간단위들이 전체 연구지역에 걸쳐 유사한 값을 가지는 경우 정적 공간상관을 상이한 값을 나타낼때, 부적 공간상관결과를 나타내며, 일정한 질서를 가지는 분포패턴은 특정현상을 나타내는 값들 중 유사한 값들이 공간상에서 모여 있는지 흩어져 있는지 구분할 수 있다. 본 연구에서는 관측소별 강우를 티센가중치를 통해 용담댐 유역의 중권역별(8개) 강우로 변환하여 중권역 별 공간적인 자기상관을 분석하였다.
앞 절에서의 결과는 시간적인 재현성을 나타내므로 공간적인 재현성을 확인하기 위해서 여름철에 대한 강우분포를 도시하였다. 원시 GloSea5의 경우 격자 하나의 값이 용담댐 전체를 포함하고 있음으로 하나의 값으로 표현된다.
GloSea5 모델의 HCST기간에 대하여 충분히 신뢰할 만한 자료를 보유하고 있는 금산, 장수, 무주 관측소에 대한 상세화를 수행하고 티센가중치를 통해 유역평균 강우를 생성하였다. 티센가중치는 금산 0.16, 장수 0.34, 무주0.50으로 결정되었으며 유역평균 강우에 대한 적정확률분포형은 Gamma분포를 사용하였다. 확률분포에 의한 관측과 원시 GloSea5의 통계적인 일관성을 확인한 결과 관측값에 비해 과소모의하고 있는 것으로 나타났으며, 이는 곧 원시 GloSea5의 통계적인 일관성이 결여되는 결과를 보였다.
대상 데이터
본 연구의 대상유역은 금강수계의 다목적댐인 용담댐 유역으로 전북 진안군에 위치해 있으며, 총 유역면적 930.43 km2, 유로연장 62.58 km로 남고북저의 형태를 갖는다. 용담댐 유역의 연평균강우량은 1,321.
, 2009)을 이용한 대기 분석장과 해양 및 해빙 초기장으로부터 3개의 앙상블 멤버를 생산하고 있다. 실시간 예측자료인 FCST는 HCST와는 다르게 1개월 예보용(월 예측)과 3개월 예보용(계절 예측)으로 나누어 매일 2개씩, 총 4개의 앙상블 멤버를 수행한다. 이때 앙상블 멤버의 개수는 일주일에 각각 최대 28개, 42개가 사용되어 수행된다.
는 사상의 목표가 되는 관측값의 누적확률분포(목표 CDF)이다. 용담댐 유역 주변의 총6개 격자를 선정하여 개별 앙상블 및 앙상블 평균의 격자별 통계지표를 통한 평가를 수행하여 가장 높은 상관성을 보인 격자를 선정하였다. 총3가지 통계적인 평가지표를 선정하였으며, 결정계수(Coefficient of determination; R2),평균 제곱근 오차(Root Mean Square Error; RMSE), NashSutcliffe 효율성 계수(Nash-Sutcliffe coefficient of efficiency; NSE)의 식은 다음과 같다.
6%가 발생하는 특징을 보인다. 용담댐 유역에 대한 상세화를 수행하기 위해 용담댐 주변의 6개 격자를 활용하였으며, 강우관측소는 지상 관측소와 T/M관측소를 포함한 총 3개의(금산, 장수, 무주) 관측소를 선정하였다. 이와 같이 강우관측소를 선정한 이유는 다음 장에 서술하였다.
HCST기간이 14개년으로 충분하지는 않지만 최대한 용담댐 유역에 대한 통계적인 특성을 반영하기 위하여 상세화를 수행하였다. 용담댐 유역의 강우자료는 기상청의 지상관측소와 수자원공사 및 국토교통부의 강우관측소의 자료를 활용하였는데 용담댐이 2001년에 준공되어 대부분의 수자원공사 및 국토교통부 강우관측소의 자료기간이 HCST기간의 자료를 검증하기에는 매우 부족하여 기상청 지상관측소 중 금산과 장수관측소, 수자원공사 강우관측소 중 무주 관측소 자료만을 사용하여 검증을 수행하였다. 재현성 평가를 위해 검증을 수행하는 목적은 대부분의 수치모델을 이용하는 연구들은 HCST기간에 대한 충분한 검증이 이루어지지 않은 채 전망을 하는 경우가 많기 때문이다.
또한 자료의 전처리 시스템을 구축하여 원활한 파일의 입출력을 가능하게 함으로써 자료를 활용하기 위해 사용되는 시간을 상당히 단축시켜 효율적으로 연구를 수행하는데 많은 도움이 된다. 용담댐 유역의 경우 2001년에 준공되어 주변 관측소 자료의 신뢰도가 낮아 기상청 및 수자원공사의 자료의 기간 및 신뢰도를 고려하여 3개 관측소를 선정하였다. HCST기간 추출된 자료를 통해 관측소 별 통계적 상세화를 거쳐 티센 유역평균 강우를 생성하여 상세화 전·후에 대한 강우량을 비교한 결과 상세화 전에는 1,163.
과거 재현기간에 대한 전처리 시스템은 2009년 12월까지 총 14년 동안 매달 1일, 9일, 17일, 25일의 초기장을 이용하여 적분된 HCST의 월평균 값들을 이용하였으며 초기장과 모형 내의 불확실성을 고려하여 1~3개의 앙상블 멤버를 이용하게 된다. 이 때, 앙상블 평균에 사용된 자료는 영국 기상청의 분석방법(MacLachlan et al., 2015)을 기반으로 17일을 제외한 25, 1, 9일을 이용하기 때문에 초기장당 각 1~3개의 앙상블로 총 최소 3개에서 9개 앙상블 멤버를 사용하였다. 각 25, 1, 9일의 초기장을 단일 시계열로 생성할 때 각 초기장들의 lead time을 7~15일로 제한하여 자료 생성 중간에 발생할 수 있는 결측자료를 보완하기 위한 알고리즘을 적용하였고 결측자료 발생 시에만 15일 이상의 lead time을 가질 수 있도록 처리하였다.
데이터처리
이러한 공간적인 분포를 정량적으로 평가하기 위해 Moran’s I (Moran's I Statistic of spatial autocorrelation)를 이용하여 공간적 자기상관분석을 수행하였다.
용담댐 유역 주변의 총6개 격자를 선정하여 개별 앙상블 및 앙상블 평균의 격자별 통계지표를 통한 평가를 수행하여 가장 높은 상관성을 보인 격자를 선정하였다. 총3가지 통계적인 평가지표를 선정하였으며, 결정계수(Coefficient of determination; R2),평균 제곱근 오차(Root Mean Square Error; RMSE), NashSutcliffe 효율성 계수(Nash-Sutcliffe coefficient of efficiency; NSE)의 식은 다음과 같다.
이론/모형
그러나 이러한 방식은 전지구모형의 일별 시계열 특성을 반영할 수 없는 단점이 있다. 그렇기 때문에, 기존quantile mapping 방식을 활용한 BCSD방법의 단점을 극복하기 위해서 본 연구에서는 일단위 자료를 그대로 사용하는 daily BCSD를 사용하였다(Abatzoglou and Brown, 2011). daily BCSD 방법은 월자료 대신 일자료를 그대로 사용하고 앞 뒤 15일씩 moving time window를 통해 CDF를 구성하여 적용하기 때문에 강수의 경우 무강우일수 빈도를 자연스럽게 재현해 낼 수 있다는 장점을 가지고 있을 뿐만 아니라 전지구모형의 일별 시계열 특성을 그대로 반영할 수 있다(Hwang and Graham, 2013).
본 연구에서 사용한 기법은 Bias-Correction/Spatial Disaggregation (BCSD)으로 전지구모형에서 제공되는 기후변수를 수문모형에 활용할 수 있도록 시·공간적으로 상세화하기 위해 개발된 방법이다(Wood et al., 2004).
성능/효과
HCST기간 추출된 자료를 통해 관측소 별 통계적 상세화를 거쳐 티센 유역평균 강우를 생성하여 상세화 전·후에 대한 강우량을 비교한 결과 상세화 전에는 1,163.1 mm로 관측값인 1,353.5 mm에 비해 –14.1% 과소모의하고 있었으나 상세화 후에는 관측값 대비 1,354.8 mm로 단지 +0.1%의 오차율 밖에 보이지 않았다.
13는 계절별 Moran’s I 그래프를 도시한 결과이며, 그래프의 기울기가 Moran’s I 값을 나타낸다. 그 결과 정적인 공간상관을 보이고 있었으며 관측강우와 앙상블 티센강우의 공간상관결과가 매우 유사한 결과를 나타냄으로써 본 연구에서는 시․공간적인 타당성을 모두 확보할 수 있었다.
그 결과, 1·2개월 전망에서는 예측자료와 과거자료의 거동이 거의 일치하고 유사하였으나 3개월 전망에서는 가뭄기간에서 대부분 정상 또는 습윤 상태로 나타내어 예보의 활용성이 상대적으로 낮을 것으로 분석하였다.
1%의 오차율을 보였다. 대부분의 과소 모의된 결과가 여름철 홍수기에 해당되는 강우로 상세화 이후 강우가 충분히 회복되는 매우 고무적인 결과가 나타났다.
또한 Box-plot을 통해서도 95% 신뢰구간을 도시한 결과 역시 여름철의 강우가 회복되면서 그 변동성도 커지는 결과를 나타내었다. 이러한 결과를 토대로 GloSea5의 상세화는 강우의 신뢰성 및 재현성을 평가하기 위해 꼭 필요한 과정이라고 판단된다.
또한 공간적인 강우의 분포를 확인하고 이를 정량화하기 위한 방법으로 공간적 자기상관분석 중 주로 사용되는 Moran’s I 지수를 계절별로 산정함으로써 강우의 시․공간적 특성을 모두 반영할 수 있었다.
또한 연 강우에 대한 산점도(scatter plot)를 통해 상관관계 분석을 수행한 결과 원시 GloSea5의 자료가 과소모의 되고 있는 것이 더욱 명확하게 드러나는 결과가 나타났다.
위의 Table 1은 상세화 이전 GloSea5 모델의 원시자료에 대한 각 관측소별 평가결과이다. 상세화하지 않은 원시자료에 대하여 각 관측소별 모델 평가를 수행한 결과 상당히 만족스러운 결과를 나타냈으며 모두 6번 격자에서 가장 통계치가 우수한 결과를 나타냈다. 그 중에서도 앙상블을 평균한 결과가 가장 좋은 결과를 보이므로, 본 연구에서는 6번격자의 앙상블 평균자료를 이용한 상세화를 수행하여 용담댐 유역에 대한GloSea5의 재현성을 더욱 높이고자 하였다.
7 mm(장수관측소)까지의 강우를 보이고 있다. 이는 앞 절에서 확인된 여름철 강우의 과소모의 현상이 공간적으로도 큰 차이를 나타내고 있는 결과이며 상세화 이후 시간적인 재현성은 물론 공간적인 분포 역시 충분히 재현되고 있는 것을 확인할 수 있었다.
확률분포에 의한 관측과 원시 GloSea5의 통계적인 일관성을 확인한 결과 관측값에 비해 과소모의하고 있는 것으로 나타났으며, 이는 곧 원시 GloSea5의 통계적인 일관성이 결여되는 결과를 보였다. 이에 비해 상세화 후 GloSea5는 실제 관측치와 매우 유사한 통계적인 일관성을 보였다.
특히 여름철의 경우 –26.5%의 과소모의 결과를 나타낸 것으로 보아 대부분의 과소모의된 결과가 여름철 홍수기에 해당되는 강우임을 확인하였으며 상세화를 수행함으로써 강우가 충분히 회복되는 매우 고무적인 결과를 나타내었다.
확률분포에 의한 관측과 원시 GloSea5의 통계적인 일관성을 확인한 결과 관측값에 비해 과소모의하고 있는 것으로 나타났으며, 이는 곧 원시 GloSea5의 통계적인 일관성이 결여되는 결과를 보였다.
후속연구
따라서, 본 연구에서는 용담댐 유역을 대상으로 GloSea5 HCST 자료의 시·공간적인 재현성을 검증하였으며, 향후 FCST 자료를 활용하여 합리적인 강수전망을 제시할 수 있을 것으로 보인다.
이 연구에서는 대류권과 성층권 모두 전지구 평균 지표 대기온도(Global Mean Surface Air Temperature; GMSAT)와 Nino3.4와 같이 계절변동이 적은 지수에서는 높은 신뢰도를 보이며 6개월 이상 예측이 가능하나 비교적 계절변동이 심하고 메모리가 짧은 지수들의 예측성에서는 낮게 나타남을 확인하였고 대류권·성층권 기후지수 예측성과 연계하여 보다 물리적인 원인과 이유를 고찰할 수 있는 추가 연구가 필요하다고 제시하였다.
GloSea5는 현재 협업에서 사용되는 장기예보모델로서 전지구적 자료를 제공하는데, 지역편차를 보정하고 HCST기간의 시·공간적 재현성 검증을 통해 정상성을 가정한다면 분포에 대한 매개변수를 그대로 적용하여 FCST기간의 자료를 향후 강우전망에 활용가능하다고 판단된다. 이때 분포에 대한 매개변수는 각 월별 14개년의 통계적인 특성이 반영되는 것으로 월별 강우의 변동성을 감안하여 도출되는 결과이기 때문에 과거에 대한 재현성이 충분하다면 전망으로 활용이 가능하다고 판단된다. 따라서, 본 연구에서는 용담댐 유역을 대상으로 GloSea5 HCST 자료의 시·공간적인 재현성을 검증하였으며, 향후 FCST 자료를 활용하여 합리적인 강수전망을 제시할 수 있을 것으로 보인다.
질의응답
핵심어
질문
논문에서 추출한 답변
GloSea5 모델과 같은 생산 시스템의 장점과 단점은 각각 무엇인가?
GloSea5 모델은 계절예측시스템의 성능향상을 위해 FCST (Forecast)와 HCST (Hindcast)를 동시에 생산한다는특징을 가지고 있다. 이러한 생산 시스템은 계절예측시스템의 성분모델 중 하나라도 개선이 되었을 때 현업에 적용하는 루틴을 가지며 모델 개선에 있어서는 장점을 가질 수 있으나, 장기예보관이 모델 예측결과를 올바르게 해석하기 어렵다는 단점을 가지고 있다(KMA, 2015). GloSea5 모델은 Fig.
GloSea5 모델의 특징은 무엇인가?
GloSea5 모델은 영국 기상청의 최신 계절예측시스템에 사용되고 있으며 영국 기상청 기후 모델인 HadGEM3 (Hadley Centre Global Environment Model version 3)에 기초해서 구축되었고 국내 기상청에서 2014년부터 현업 운영하기 시작하였다. GloSea5 모델은 계절예측시스템의 성능향상을 위해 FCST (Forecast)와 HCST (Hindcast)를 동시에 생산한다는특징을 가지고 있다. 이러한 생산 시스템은 계절예측시스템의 성분모델 중 하나라도 개선이 되었을 때 현업에 적용하는 루틴을 가지며 모델 개선에 있어서는 장점을 가질 수 있으나, 장기예보관이 모델 예측결과를 올바르게 해석하기 어렵다는 단점을 가지고 있다(KMA, 2015).
GloSea5 모델은 어떻게 구성되는가?
GloSea5 모델은 Fig. 2와같이 대기(UM), 지면(JULES), 해양(NEMO), 해빙(CICE) 모델들이 커플러(OASIS)에 의해 결합된 하나의 시스템으로 구성되어 있으며, 대기의 물리적인 현상을 수치모델에서 모의하기 위하여 영국 기상청에서 개발한 GA3.0 버전의 물리과정 패키지를 사용한다.
참고문헌 (19)
Abatzoglou, J.T., and Brown, T.J. (2011). "A comparison of statistical downscaling methods suited for wildfire applications." International Journal of Climatology, Royal Meteorological Society, Vol. 32, No. 5, pp. 772-780.
Anselin, L., and Bera, A. (1998). "Spatial dependence in linear regression models with an introduction to spatial econometrics." Handbook of Applied Economic Statistics.
Anselin, L., Syabri, I., and Smirnow, O. (2002). "Visualizing multivariate spatial correlation with dynamically linked windows." Urbana, Vol. 51, 61801.
Benestad, R.E., and Mezghani, A. (2015). "On downscaling probabilities for heavy 24-hour precipitation events at seasonal-to-decadal scales." Tellus A, Vol. 67.
Bowler, N.E., Arribas, A., Beare, S.E., Mylne, K.R., and Shutts, G.J. (2009). "The local ETKF and SKEB: Upgrades to the MOGREPS short-range ensemble prediction system." Quarterly Journal of the Royal Meteorological Society, Royal Meteorological Society, Vol. 468, No. 640, pp. 767-776.
Feddersen, H., and Andersen, U. (2005). "A method for statistical downscaling of seasonal ensemble predictions." Tellus A, Vol. 57, No. 3, pp. 398-408.
Hwang, S., and Graham, W.D. (2013). "Development and comparative evaluation of a stochastic analog method to downscale daily GCM precipitation." Hydrology and Earth System Sciences, EGU, Vol. 17, No. 11, pp. 4481-4502.
Jung, M.I., Son, S.W., Choi, J., and Kang, H.S. (2015). "Assessment of 6-Month Lead Prediction Skill of the GloSea5 Hindcast Experiment." Journal of Korean Meteorological Society (Atmospher), KMS, Vol. 25, No. 2, pp. 1-15.
Jung, Y.Y., Moon, I.J., Jang, P.H., Lim, B.H., and Lee, J.H. (2015). "Assessment of accuracy of the ocean-sea meteorological objective of GloSea5." Proceeings of the Autumn Meeting of KMS, pp. 702-703.
Kim, M.H., Kim, B.H., Kang, H.S., and Byun, Y.H. (2015). "A study on improvement of resolution of GloSea5(TRIP)." Proceeings of the Autumn Meeting of KMS, pp. 619-620.
KMA (Korea Meteorological Administration) (2015). "A Forecast characteristics analysis technical report of GloSea5", KMA Report.
Lee, S.M., Lim, S.M., Park, J.K., Kang, H.S., and Cho, C.H. (2015). "Verification of forecast skill between global seasonal forecasting system version 5 and unified model to MJO and tropical cyclone." Proceedings of the Spring Meeting of KMS, pp. 144-145.
MacLachlan, C., Arribas, A., Peterson, K.A., Maidens, A., Pereday, D., Scaife, A.A., Gordon, M., Vellinga, M., Williams, A., Corner, R.E., Camp, J., Xavier, P., and Madec, G. (2015). "Global seasonal forecast system version 5 (GloSea5): a highresolution seasonal forecast system." Quarterly Journal of the Royal Meteorological Society, Royal Meteorological Society, Vol. 141, No. 689, pp. 1072-1084.
Moon, S.J. (2015). "Ensemble projection of hydrological extremes using bayesian model averaging scheme." Ph. D. dissertation, University of Dankook, Gyeonggido, Korea.
Palmer, T.N., Alessandri, A., Andersen, U., and Cantelaube, P. (2004). "Development of a european multimodel ensemble system for seasonal-to-interannual prediction (DEMETER)." Bulletin of the American Meteorological Society, Vol. 85, No. 6, pp. 853.
Ramanarayanan, T.S., Williams, J.R., Dugas, W.A., Hauck, L.M., and McFarland, A.M.S. (1997). "Using APEX to identify alternative practices for animal waste management." ASAE Paper, No. 972209.
Seo, E.K., Lee, M.I., Jeong, J.H., Kang, H.S., and Won, D.J. (2016). "Improvement of soil moisture initialization for a global seasonal forecast system." Journal of Korean Meteorological Society(Atmospher), KMS, Vol. 26, No. 1, pp. 35-45.
Son, K.H., Bae, D.H., and Jung, H.S. (2015). "Construction & evaluation of GloSea5-Based hydrological drought outlook system." Journal of Korean Meteorological Society(Atmospher), KMS, Vol. 25, No. 2, pp. 271-281.
Wood, A.W., Leung, L.R., Sridhar, V., and Lettenmaier, D. (2004). "Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs." Climatic Change, Springer, Vol. 62, No. 1-3, pp. 189-216.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.