[논문]마이크로 유전알고리즘을 이용한 적운물리과정 모수 최적화에 따른 여름철 강수예측성능 개선

장지연; 이용희; 최현주

doi:10.14191/atmos.2020.30.4.335

마이크로 유전알고리즘을 이용한 적운물리과정 모수 최적화에 따른 여름철 강수예측성능 개선
The Improvement of Summer Season Precipitation Predictability by Optimizing the Parameters in Cumulus Parameterization Using Micro-Genetic Algorithm 원문보기

대기 = Atmosphere, v.30 no.4, 2020년, pp.335 - 346

장지연 (기상청 수치모델링센터 수치자료응용과) , 이용희 (기상청 수치모델링센터 수치자료응용과) , 최현주 (기상청 수치모델링센터 수치자료응용과)

Abstract ▼ AI-Helper

Three free parameters included in a cumulus parameterization are optimized by using micro-genetic algorithm for three precipitation cases occurred in the Korea Peninsula during the summer season in order to reduce biases in a regional model associated with the uncertainties of the parameters and thus to improve the predictability of precipitation. The first parameter is the one that determines the threshold in convective trigger condition. The second parameter is the one that determines boundary layer forcing in convective closure. Finally, the third parameter is the one used in calculating conversion parameter determining the fraction of condensate converted to convective precipitation. Optimized parameters reduce the occurrence of convections by suppressing the trigger of convection. The reduced convection occurrence decreases light precipitation but increases heavy precipitation. The sensitivity experiments are conducted to examine the effects of the optimized parameters on the predictability of precipitation. The predictability of precipitation is the best when the three optimized parameters are applied to the parameterization at the same time. The first parameter most dominantly affects the predictability of precipitation. Short-range forecasts for July 2018 are also conducted to statistically assess the precipitation predictability. It is found that the predictability of precipitation is consistently improved with the optimized parameters.

주제어

표/그림 (11)

그림 Fig. 1. Flow chart of micro-Genetic Algorithm (micro-GA) (Lee et al., 2016).
표 Table 1. Summary of optimized parameters. Min and Max are the ranges used in the optimization process. Default is the parameter used in the KIM.
그림 Fig. 2. The fitness for generations during the processes of optimization. The red, blue, and green lines indicate the average, maximum, and minimum value of fitness, respec-tively. The black line indicates the fitness value of CNTL.
그림 Fig. 3. The distribution of fitness according to (a) thre and apbl, (b) thre and beta, and (c) apbl and beta.
표 Table 2. Summary of sensitivity experiments.
그림 Fig. 4. Performance Diagram summarizing the SR, POD, BIAS, and CSI. Dashed lines represent BIAS score, solid contours are CSI. Markers indicate precipitation verification for CNTL, GA_BEST, EXP1, EXP2, EXP3, EXP4, EXP5, and EXP6 at 6 hour forecast (a) 1200 UTC 27 June 2018 case (b) 1200 UTC 30 June 2018 case and (c) 0600 UTC 1 July 2018 case.
그림 Fig. 5. The 1hr accumulated precipitation of (a) Reanalysis, and 6 hour forecasted by (b) CNTL, and (c) GA_BEST at 1200 UTC 27 June 2018.
그림 Fig. 6. Same as Fig. 5 but for 16 hour forecasted at 1200 UTC 30 June 2018.
그림 Fig. 7. Same as Fig. 5 but for 9 hour forecasted at 0600 UTC 1 July 2018.
그림 Fig. 8. Convective rain ratio of CNTL (blue line) and GA_ BEST (red line) (a) 1200 UTC 27 June 2018 case (b) 1200 UTC 30 June 2018 case and (c) 0600 UTC 1 July 2018 case.
그림 Fig. 9. The results of monthly verification. Left Panels are CNTL and Right panels are GA_BEST. (a) (b) BIAS, (c) (d) CSI.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Han and Hong (2018)은 격자 적응 SAS 적용 시 약한 강수의 예측 성능은 높지만 강한 강수의 예측 성능이 낮음을 확인하였다. 2018년 여름철 한반도에서 발생한 세 가지 집중호우 사례를 선정하여 강한 강수의 예측 성능을 개선하고자 하였다. 첫 번째는 6월 27일 장마 전선에 의해 남부지방을 중심으로 시간당 최고 70mm 이상의 강수가 발생한 사례이다.
이 연구에서는 KSAS 방법에서 강수예측성능에 민감하게 영향을 미치면서 물리적으로 단일 모수 값으로 설정하는데 있어 불확실성 및 자유도가 큰 모수 중 세 가지 모수를 선정하여 강수예측성능을 향상시키도록 모수 값을 최적화하였다. 각각의 모수는 KSAS 방법의 대류 발생, 구름 모형, 대류종결과정에 포함된다.
이 연구에서는 micro-GA를 이용하여 적운물리과 정의 세 모수를 최적화하고 강수예측성능에 대한 민감도를 살펴보았다. 대류 발생 조건에 사용되는 임계값조절 모수(thre), 대류종결과정의 경계층 강제력 효과 모수(apbl), 응결물이 대류성 강수로의 전환 조절 모수(beta)를 선택하여, 2018년 여름철 한반도에 발생한세 가지 집중호우 사례에 대해 강수예측성능을 개선하도록 모수를 최적화하였다.
속도이고 은 상승 시작 고도와 운저 고도 사이의 평균 수평바람속도를 의미한다. 이 연구에서는 경계층 강제력에 모수(이하 apbl)를 곱하여 적용 비율에 대한 강수예측성능의 민감도를 확인하고 최적화하였다.
C₀는 어는점 이상에서는 일 정한값을 가지고 어는점 이하에서는 온도에 따라 지수함수적으로 감소한다. 이 연구에서는 구름분해모델 결과를 기반으로 결정된  (이하 beta)에 따른 강수예측성능 민감도를 살펴보고 최적화하였다.
5이다. 이 연구에서는 대류 발생 조건 중 첫 번째 조건의 임계 값에 모수(이하 thre)를 곱하여 임계값에 따른 강수예측성능 민감도를 살펴보고 최적화하였다.
이 연구에서는 여름철 강수예측성능을 개선하는 것을 목표로 한다. Han and Hong (2018)은 격자 적응 SAS 적용 시 약한 강수의 예측 성능은 높지만 강한 강수의 예측 성능이 낮음을 확인하였다.
이 연구에서는 인공지능 기법의 일종인 유전알고리즘을 이용하여 KSAS 방법에서 불확실성을 내포한 모수를 최적화함으로써 여름철 강수예측성능을 개선하고자 한다. 유전알고리즘은 유전적 계승과 생존 경쟁이라는 자연현상을 알고리즘화 한 모델로 불확실성과 비 연속성, 비선형적 관계를 고려하여 최적의 모수 조합을 탐색하는 장점을 가졌다(Holland, 1975; Goldberg, 1989).
유전알고리즘은 유전적 계승과 생존 경쟁이라는 자연현상을 알고리즘화 한 모델로 불확실성과 비 연속성, 비선형적 관계를 고려하여 최적의 모수 조합을 탐색하는 장점을 가졌다(Holland, 1975; Goldberg, 1989). 이때, 기존 선행 연구들(Lee et al., 2006 ; Hong et al., 2014)에서 사용한 유전알고리즘의 계산 비용 측면을 개선하여 수치예보모델에 더 적합한 마이크로유전알고리즘을 이용하고자 한다.

제안 방법

Micro-GA가 강수예측성능이 개선되는 방향으로 모수를 최적화하기 위해 강수 검증 지수인 CSI (Critical Successive Index)와 BIAS를 기반으로 적합도 함수를 구성하였다. CSI와 BIAS는 식(8), (9)로 정의된다.
Micro-GA를 통해 추정한 모수로 각 사례별 24시간 강수 예측을 수행하고, 예측된 1시간 누적 강수에 대해 기상청 자동기상관측망(Automatic Weather Station, AWS) 관측자료를 이용하여 예측 성능을 검증하였다. 각 사례별 초기 시간은 2018년 6월 27일 1200UTC, 2018년 6월 30일 1200UTC, 2018년 7월 1일 0600 UTC이다.
Micro-GA을 이용한 적운물리과정 모수 최적화 과정의 적합도 변화를 살펴보았다. Figure 2는 micro-GA 가 30세대까지 수행되는 동안 세대에 따른 적합도 변화를 나타낸 것이다.
기본 모수와 최적 모수를 이용하여 2018년 7월 한 달 동안 0000UTC 부터 6시간 간격의 초기 자료를 이용하여 24시간 강수를 예측하고 강수예측성능을 비교하였다. Figure 9은 CNTL과 GA_BEST의 BIAS, CSI를 비교한 것이다.
살펴보았다. 대류 발생 조건에 사용되는 임계값조절 모수(thre), 대류종결과정의 경계층 강제력 효과 모수(apbl), 응결물이 대류성 강수로의 전환 조절 모수(beta)를 선택하여, 2018년 여름철 한반도에 발생한세 가지 집중호우 사례에 대해 강수예측성능을 개선하도록 모수를 최적화하였다. Micro-GA를 18세대 수행하였을 때 최대 적합도의 모수가 추정되었고 thre와 apble 기본 값보다 작게, beta는 기본 값과 유사하게 최적화되었다.
(2014)은 MVFSA (multiple very fast simulated annealing) 방법을 이용하여 MIT-Emanuel (Emanuel, 1991; Emanuel and Zivkovic-Rothman, 1999) 적운물리과 정을 최적화하였다. 대류 발생의 상대습도 임계값, 운저에서 상승하는 질량 속의 완화율, 구름 물에서 강수로 전환되는 임계값, 육지와 해양에서의 자동 전환 규모 인자, 육지와 해양에서의 격자 내의 구름 양에 대한 상대습도 임계값을 최적화하였다. 이를 통해 강수의 공간적 분포, 일 강우 강도의 확률밀도함수를 개선하였다.
둘째로, 적운물리과정의 경험적, 근사적으로 추정된 모수를 자료동화 방법과 인공지능 기법을 활용하여 개선하였다. Li et al.
3에 나타내었다. 세 가지 모수 사이의 강수예측성능에 대한 민감도 비교를 위해 적합도에 대한 상대 분포를 나타내었다. Figure 3a는 thre와 apbl, Fig.
Table 1의 최솟값과 최댓값을 이용하여 각 모수에 대해 기본 값을 포함하는 범위 내에서 최적 모수를 탐색하도록 하였다. 여기서 최솟값과 최댓값은 각 모수에 대한 사전 민감도실험을 통해 경험적으로 정하였다. 교배 방법은 균등 교배를 사용하고 교배율은 0.
이 연구에서 선정한 세 가지 강수 사례에 대해 CNTL 과 GA_BEST에서 예측한 1시간 강수량과 한반도 강수재분석자료의 1시간 강수량을 비교하였다. 여기에서 사용한 한반도 강수재분석자료는 AWS와 1km, 3km 해상도의 레이더 반사도 자료를 이용해 합성 강수 자료로 생산한 후 후처리 과정을 거쳐 생산한 자료이고 1 시간 누적 강수량에 대해 한반도 중심으로 5km 수평 해상도를 가진 자료이다(Nam et al.
(2016)은 Groenemeijer and Craig (2012)가 사용한 방법을 기반으로 한 Plant-Craig (PC) 확률론적 적운물리과 정을 결정론적 적운물리과정(Zhang and McFarlane, 1995)과 결합하여 미국 국립 대기연구센터(National Center for Atmospheric Research, NCAR) 의 CAM5 (Community Atmosphere Model version 5) 모델에 적용하였다. 이를 통해 강수 강도의 확률밀도함수를 개선하여 CAM5에서 이슬비 과대 모의를 감소 시켜 강수예측성능을 개선하였다.
대류 발생의 상대습도 임계값, 운저에서 상승하는 질량 속의 완화율, 구름 물에서 강수로 전환되는 임계값, 육지와 해양에서의 자동 전환 규모 인자, 육지와 해양에서의 격자 내의 구름 양에 대한 상대습도 임계값을 최적화하였다. 이를 통해 강수의 공간적 분포, 일 강우 강도의 확률밀도함수를 개선하였다. Lee et al.
(2018)은 앙상블 접합 자료 동화 방법을 이용하여 접합대순환모형(Coupled General Circulation Model, CGCM)의 Relaxed Arakawa-Schubert 적운물리과정(Moorthi and Suarez, 1992)을 최적화하였다. 적운물리과정의 흡기율, 대류 조절 시간 규모와 관련된 완화 계수, cloud work function의 임계 비율, 깊은 대류와 얕은 대류 과정의 강수 효율에 영향을 미치는 모수에 대해 최적화하였다. 해양과 기후 모의에 대한 최적 적운물리과정 모수 값의 차이를 줄이는데 앙상블 접합 자료동화 방법이 효과적이었고 최적 모수는 대기, 해양의 예측 성능을 모두 개선하였다.
이에 수치 모델의 불확실성과 오차를 줄이고자 적운물리과정 모 수화는 지속적으로 개선되어 왔다. 첫째로, 적운물리과 정의 모수화 방법론을 보다 현실적인 방향으로 고도화하여 개선하였다. Ma and Tan (2009)은 Kain-Fritsch (1993) 질량 속 적운물리과정의 대류 발생 조건에 수분 이류 효과를 고려하여 열대저기압의 대류 강도와 강수 분포의 예측 성능을 개선시켰다.

대상 데이터

, 2016, 2020; Kwon and Hong, 2017)을 적용하였다. 설정한 모델의 영역은 한반도를 중심으로 한 5km 해상도로 격자 수는 234×282이다. 적운물리과 정에서 5km 해상도는 그레이존에 해당하기 때문에 격자 적응(Kwon and Hong, 2017)을 고려하고 있는 KSAS 방법을 적용하였다.
여기에서 사용한 한반도 강수재분석자료는 AWS와 1km, 3km 해상도의 레이더 반사도 자료를 이용해 합성 강수 자료로 생산한 후 후처리 과정을 거쳐 생산한 자료이고 1 시간 누적 강수량에 대해 한반도 중심으로 5km 수평 해상도를 가진 자료이다(Nam et al., 2012). Figures 5-7은 한반도 강수재분석자료와 CNTL, GA_BEST의 1시간 누적 강수량이고 Fig.

이론/모형

KSAS의 대류종결과정은 적운물리과정에 의해 안정해지는 정도와 대규모 대기 운동 과정에 의해 불안정해지는 정도가 균형을 이루고 있다고 가정하는 Arakawa and Schubert (1974)의 준평형가정을 기반으로 한다.대규모 불안정성은 를 기반으로 Bechtold = A/_c LSet al.
Ma and Tan (2009)은 Kain-Fritsch (1993) 질량 속 적운물리과정의 대류 발생 조건에 수분 이류 효과를 고려하여 열대저기압의 대류 강도와 강수 분포의 예측 성능을 개선시켰다. 그리고 Wang et al. (2016)은 Groenemeijer and Craig (2012)가 사용한 방법을 기반으로 한 Plant-Craig (PC) 확률론적 적운물리과 정을 결정론적 적운물리과정(Zhang and McFarlane, 1995)과 결합하여 미국 국립 대기연구센터(National Center for Atmospheric Research, NCAR) 의 CAM5 (Community Atmosphere Model version 5) 모델에 적용하였다. 이를 통해 강수 강도의 확률밀도함수를 개선하여 CAM5에서 이슬비 과대 모의를 감소 시켜 강수예측성능을 개선하였다.
1버전이다. 미세물리 과정은 WRF Double-Moment 7-class (WDM7; Bae et al., 2019), 단파와 장파 복사과정은 RRTMG-K (Beak, 2017), 대기경계층 물리과정은 Shin-Hong 방법(Shin and Hong, 2013, 2015), 적운물리과정은 KSAS 방법 (Han et al., 2016, 2020; Kwon and Hong, 2017)을 적용하였다. 설정한 모델의 영역은 한반도를 중심으로 한 5km 해상도로 격자 수는 234×282이다.
이 연구에서 사용한 모델은 WRF (Weather Research and Forecasting Model) 3.9.1.1버전이다. 미세물리 과정은 WRF Double-Moment 7-class (WDM7; Bae et al.
설정한 모델의 영역은 한반도를 중심으로 한 5km 해상도로 격자 수는 234×282이다. 적운물리과 정에서 5km 해상도는 그레이존에 해당하기 때문에 격자 적응(Kwon and Hong, 2017)을 고려하고 있는 KSAS 방법을 적용하였다.
현재 한국형 수치예보모델(Korean Integrated Model, KIM)의 적운물리과정은 질량 속 방법인 Simplified Arakawa and Schubert (SAS)에 기반을 둔 KIAPS SAS (KSAS) 방법(Han et al., 2016, 2020; Kwon and Hong, 2017)이다. SAS는 Arakawa and Schubert (1974) 방법을 단순화 한 것으로 한 격자에 하나의 상승, 하강 운동만을 고려한 방법이다.

성능/효과

Figure 2에 최소, 평균, 최대 적합도와 적운물리과정의 기본 값을 적용했을 때의 적합도를 나타냈다. 30세대까지 수행되는 동안 계산되는 적합도의 수렴 및 발산 여부를 살펴보았을 때, 10, 27세대에 재 시작이 있었고 18세대에 적합도가 가장 높은 모수 값이 산출되었다. 최대 적합도는 442.
Figure 6 은 강한 강수의 위치가 관측보다 실험들이 모두 북쪽에 위치하고 있다. CNTLe 20mm 이상의 강한 강수 구역 주변에 5mm 이하의 약한 강수가 넓게 분포하고 GA_BEST는 CNTL보다 약한 강수가 감소하고 강한 강수는 증가하였다. GA_BEST의 서해안 강수가 관측과 유사하게 모의되었다.
Figure 9은 CNTL과 GA_BEST의 BIAS, CSI를 비교한 것이다. CNTLe 시간당 1mm 이하의 약한 강수를 과대 모의하는 경향을 보이며 6시간 예측까지 시간당 10mm 이상의 강한 강수를 모의하지만 15시간 예측 이후에는 강한 강수를 모의하지 못하는 것을 볼 수 있다. 반면 GA_BEST는 시간당 30mm 이상의 강한 강수를 과대 모의 하는 경향이 있지만 CNTL 보다 시간당 1mm 이하의 약한 강수에 대해 과대 모의 하는 경향이 감소했다.
반면 GA_BEST는 시간당 30mm 이상의 강한 강수를 과대 모의 하는 경향이 있지만 CNTL 보다 시간당 1mm 이하의 약한 강수에 대해 과대 모의 하는 경향이 감소했다. CSI는 GA_BEST가 CNTL보다 값이 높아져 전반적으로 GA_BEST의 강수예측성능이 CNTL보다 향상됨을 알 수 있다.
또한 우리나라 서쪽의 강수 구역에 대해 관측과 유사하게 모의하였다. Figures 5-7의 세 가지 사례에서 모두 GA_BEST가 CNTL 보다 약한 강수가 감소하고 강한 강수가 증가하여 관측과 더 유사해 지는 것을 확인하였다.
대류 발생 조건에 사용되는 임계값조절 모수(thre), 대류종결과정의 경계층 강제력 효과 모수(apbl), 응결물이 대류성 강수로의 전환 조절 모수(beta)를 선택하여, 2018년 여름철 한반도에 발생한세 가지 집중호우 사례에 대해 강수예측성능을 개선하도록 모수를 최적화하였다. Micro-GA를 18세대 수행하였을 때 최대 적합도의 모수가 추정되었고 thre와 apble 기본 값보다 작게, beta는 기본 값과 유사하게 최적화되었다. 추가적인 민감도 실험을 통해 최적화된 세 모수 중 강수예측성능에 thre가 가장 민감하게 반응하는 것을 알 수 있었으며 최적 모수는 대류 발생을 억제하여 대류성 강수에 대한 과대 모의 경향이 감소하고 비대류성 강수가 증가하여 강수예측성능이 향상됨을 보였다.
5mm, 1mm 강수 임계값의 예측 성능이 BIAS가 1 이상으로 과대모의 하는 경향을 보이고 POD가 높았다. Thre의 최적값이 기본 값보다 감소하면서 대류가 발생하기 위한 조건이 강화되어 대류가 억제되는 효과로 인해 대류성 강수에서 발생하는 약한 강수가 감소하고 비대류성 강수에서 발생하는 강한 강수가 증가하였다. 이로 인해 CNTL보다 BIAS는 1에 가까워지고 CSI는 높아진 것을 알 수 있다.
Han and Hong (2018) 은그레이존 해상도 영역에서 Kwon and Hong (2017)이 제안한 격자 적응 SAS 방법이 강수예측성능에 미치는 영향을 살펴보았다. 격자 적응 SAS 방법을 적용하면 약한 강수에 대한 예측 성능이 높아지고 적용하지 않으면 강한 강수에 대한 예측 성능이 높아지는 것을 확인하여 격자 적응 SAS 방법의 적용 유무에 따른 계통 오차를 확인하였다. Han and Hong (2018)은 정량 강수 예보를 개선하기 위한 방법으로 앙상블 방법, 인공지능 기법을 이용한 후처리 등을 제안하였다.
추가적인 민감도 실험을 통해 최적화된 세 모수 중 강수예측성능에 thre가 가장 민감하게 반응하는 것을 알 수 있었으며 최적 모수는 대류 발생을 억제하여 대류성 강수에 대한 과대 모의 경향이 감소하고 비대류성 강수가 증가하여 강수예측성능이 향상됨을 보였다. 또한 2018년 7월 한달 간의 예측실험 수행 결과를 검증했을 때에도 사례에서 나타난 강수예측성능 개선 효과가 일관되게 나타나는 것을 확인하였다. 이는 이 연구에서 최적화한 모수가 우리나라 여름철 강수예측성능에 긍정적으로 영향을 미치는 것을 의미한다.
5mm, 1mm 강수 임계 값의 예측 성능이 BIAS가 1보다 작아 과소 모의하는 경향을 보이고 SR이 높았다. 반면, 최적 thre를 사용하지 않은 CNTL, EXP2, EXP3, EXP6은 0.5mm, 1mm 강수 임계값의 예측 성능이 BIAS가 1 이상으로 과대모의 하는 경향을 보이고 POD가 높았다. Thre의 최적값이 기본 값보다 감소하면서 대류가 발생하기 위한 조건이 강화되어 대류가 억제되는 효과로 인해 대류성 강수에서 발생하는 약한 강수가 감소하고 비대류성 강수에서 발생하는 강한 강수가 증가하였다.
(2006)은 유전알고리즘을 이용하여 적운물리과정의 대류 가용 잠재 에너지 감소율 과수 치적 안정도 과정의 Asselin 필터 모수를 추정하였다. 이를 통해 2005년 한국의 집중호우 사례에 대해 강수 검증 지수인 ETS (Equivalent Threat Score)를 약 0.4에서 약 0.6으로 개선하였다. 그리고 Yu et al.
5 mm부터 70mm까지 총 16개의 값이고, j는 사례를 의미한다. 적합도가 높은 값을 가질수록 강수예측성능이 향상됨을 의미한다.
30세대까지 수행되는 동안 계산되는 적합도의 수렴 및 발산 여부를 살펴보았을 때, 10, 27세대에 재 시작이 있었고 18세대에 적합도가 가장 높은 모수 값이 산출되었다. 최대 적합도는 442.59로 기본 모수를 이용했을 때의 적합도인 422.50 보다 높았고 1세대의 최대 적합도도 기본 모수를 이용했을 때의 적합도 보다 높았다. 적합도가 가장 높았을 때의 모수, 즉 최적 모수로 산출된 값은 Table 1에서처럼 thre와 apble 기본 값보다 작은 0.
이로 인해 CNTL보다 BIAS는 1에 가까워지고 CSI는 높아진 것을 알 수 있다. 최적 apble 기본 값보다 감소하면서 대기경계층의 강제력 효과가 감소하고 대규모불안정성이 증가하여 적운물리과정에 의해 안정해지는 정도가 증가하였다. 최적 apbl의 효과는 최적 thre 를 적용한 실험보다 작았다.
Figure 4a에서 CNTL, GA_BEST와 추가 민감도 실험의 예측 성능을 비교해보면 GA_BEST가 POD, SR, CSI가 가장 높고 BIAS 가 1에 가까워 예측 성능이 가장 높았다. 최적 thre를 이용한 EXP1, EXP4, EXP5는 GA_BEST와 유사한 예측 성능을 보였고, 최적 thre를 적용하지 않은 EXP2, EXP3, EXP6은 CNTL과 유사한 성능을 보였다. Figure 4b에서 모든 실험의 SRe 유사하였으나 최적 apbl을사용한 EXP2, EXP6이 0.
Micro-GA를 18세대 수행하였을 때 최대 적합도의 모수가 추정되었고 thre와 apble 기본 값보다 작게, beta는 기본 값과 유사하게 최적화되었다. 추가적인 민감도 실험을 통해 최적화된 세 모수 중 강수예측성능에 thre가 가장 민감하게 반응하는 것을 알 수 있었으며 최적 모수는 대류 발생을 억제하여 대류성 강수에 대한 과대 모의 경향이 감소하고 비대류성 강수가 증가하여 강수예측성능이 향상됨을 보였다. 또한 2018년 7월 한달 간의 예측실험 수행 결과를 검증했을 때에도 사례에서 나타난 강수예측성능 개선 효과가 일관되게 나타나는 것을 확인하였다.
적운물리과정의 흡기율, 대류 조절 시간 규모와 관련된 완화 계수, cloud work function의 임계 비율, 깊은 대류와 얕은 대류 과정의 강수 효율에 영향을 미치는 모수에 대해 최적화하였다. 해양과 기후 모의에 대한 최적 적운물리과정 모수 값의 차이를 줄이는데 앙상블 접합 자료동화 방법이 효과적이었고 최적 모수는 대기, 해양의 예측 성능을 모두 개선하였다. Zou et al.

후속연구

그러나 이러한 경험 모수들이 모 수화과정에서 단일 상수 값으로 근사되거나 불확실성을 가지고 설정되었다는 모수화의 기본적인 한계를 고려할 때 물리적으로 타당한 범위 안에서 모수 값의 유연한 설정은 가능하다. 향후에는 보다 다양한 사례에서 적운물리과정뿐만 아니라 타 물리과정의 서로 다른 경험적 모수 사이의 상호 작용과 균형을 고려하여보다 종합적으로 모수를 최적화하는 것이 필요하며, 궁극적으로는 물리 모수를 검증할 수 있는 관측자료 등을 활용하여 보다 물리적으로 타당하게 모수 값을 결정하는 것이 필요하다.
, 2014). 향후에는 적운물리과정 모수 뿐 아니라 타 물리 과정의 서로 다른 경험적 모수 사이의 상호 작용 및 균형을 고려하여 보다 종합적으로 물리과정 내 모수를 최적화하는 것이 필요하다.

참고문헌 (33)

Arakawa, A., and W. H. Schubert, 1974: Interaction of a cumulus cloud ensemble with the large-scale environment, Part I. J. Atmos. Sci., 31, 674-701.

상세보기
Bechtold, P., N. Semane, P. Lepez, J.-P. Chaboureau, A. Beljaars, and N. Bormann, 2014: Representing equilibrium and nonequilibrium convection in large-scale models. J. Atmos. Sci., 71, 734-753, doi:10.1175/JASD-13-0163.1.

상세보기
Bae, S. Y., S.-Y. Hong, and W.-K. Tao, 2019: Development of a single-moment cloud microphysics scheme with prognostic hail for the weather research and forecasting (WRF) model. Asia-Pac. J. Atmos. Sci., 55, 233-245, doi:10.1007/s13143-018-0066-3.

상세보기
Beak, S., 2017: A revised radiation package of G-packed McICA and two-stream approximation: Performance evaluation in a global weather forecasting model. J. Adv. Model. Earth Syst., 9, 1628-1640, doi:10.1002/2017MS000994.

상세보기
Emanuel, K. A., 1991: A scheme for representing cumulus convection in large-scale models. J. Atmos. Sci., 48, 2313-2329.

상세보기
Emanuel, K. A., and M. Zivkovic-Rothman, 1999: Development and evaluation of a convection scheme for use in climate models. J. Atmos. Sci., 56, 1766-1782.

상세보기
Goldberg, D. E., 1989: Genetic algorithms in search, optimization and machine learning. Addison-Wesley Professional, 432 pp.
Grell, G. A., 1993: Prognostic evaluation of assumptions used by cumulus parameterizations. Mon. Wea. Rev., 121, 764-787.

상세보기
Groenemeijer, P., and G. C. Craig, 2012: Ensemble forecasting with a stochastic convective parametrization based on equilibrium statistics. Atmos. Chem. Phys., 12, 4555-4565, doi:10.5194/acp-12-4555-2012.

상세보기
Han, J.-Y., and S. Y. Hong, 2018: Precipitation forecast experiments using the weather research and forecasting (WRF) model at gray-zone resolutions. Wea. Forecasting, 33, 1605-1616, doi:10.1175/WAF-D-18-0026.1.

상세보기
Han, J.-Y., S. Y. Hong,, K.-S. Sunny Lim, and J. Han, 2016: Sensitivity of a cumulus parameterization scheme to precipitation production representation and its impact on a heavy rain event over Korea. Mon. Wea. Rev., 144, 2125-2135, doi:10.1175/MWR-D-15-0255.1.

상세보기
Han, J.-Y., S. Y. Hong,, and Y. C. Kwon, 2020: The performance of a revised simplified Arakawa-Schubert (SAS) convection scheme in the medium-range forecasts of the Korean Integrated Model (KIM). Wea. Forecasting, 35, 1113-1128, doi:10.1175/WAF-D-19-0219.1.

상세보기
Holland, J. H., 1975: Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. University of Michigan Press, 183 pp.
Hong, S., X. Yu, S. K. Park, Y.-S. Choi, and B. Myong, 2014: Assessing optimal set of implemented physical parameterization schemes in a multi-physics land surface model using genetic algorithm. Geosci. Model Dev., 7, 2517-2529, doi:10.5194/gmd-7-2517-2014.

상세보기
Hong, S. Y., and J. Dudhia, 2012: Next-generation numerical weather prediction: Bridging parameterization, explicit clouds, and large eddies. Bull. Amer. Meteor. Soc., 93, ES6-ES9, doi:10.1175/2011BAMS3224.1.

상세보기
Kain, J. S., and J. M. Fritsch, 1993: Convective parameterization for mesoscale models: the Kain-Fritsch scheme. In K. A. Emanuel et al. Eds., The Representation of Cumulus Convection in Numerical Models. Amer. Meteor. Soc., 165-170.
Krishnakumar, K., 1989: Micro-genetic Algorithms for Stationary and Non-stationary Function Optimization. Proc. SPIE Intelligent Control and Adaptive System, 1196, Philadelphia, PA, United States, SPIE, 289-296.
Kwon, Y. C., and S.-Y. Hong, 2017: A mass-flux cumulus parameterization scheme across gray-zone resolutions. Mon. Wea. Rev., 145, 583-598, doi:10.1175/MWR-D-16-0034.1.

상세보기
Lee, Y. H., S. K. Park, and D.-E. Chang, 2006: Parameter estimation using the genetic algorithm and its impact on quantitative precipitation forecast. Ann. Geophys., 24, 3185-3189.

상세보기
Lee, Y. H., J.-E. Nam, and S. Joo, 2016: A optimization of Z-R relationship in the summer of 2014 using the micro-genetic algorithm. Journal of Korean Institute of Intelligent Systems, 26, 1-8 (in Korean with English abstract).

원문보기 상세보기
Li, S., and Coauthors, 2018: Estimating convection parameters in the GFDL CM2.1 Model using ensemble data assimilation. J. Adv. Model. Earth Syst., 10, 989-1010, doi:10.1002/2017MS001222.

상세보기
Ma, L.-M., and Z.-M. Tan, 2009: Improving the behavior of the cumulus parameterization for tropical cyclone prediction: Convection trigger. Atmos. Res., 92, 190-211.

상세보기
Moorthi, S. A., and M. J. Suarez, 1992: Relaxed ArakawaSchubert. A parameterization of moist convection for general circulation models. Mon. Wea. Rev., 120, 978-1002.

상세보기
Nam, J. E., Y. H. Lee, J. C. Ha, and K. Y. Jung, 2012: Production of rainfall reanalysis data through development of synthetic precipitation production technique on the Korea peninsula. Proc. The Spring Meeting of KMS, Korean Meteorological Society, 136-137.
Roebber, P. J., 2009: Visualizing multiple measures of forecast quality. Wea. Forecasting, 24, 601-608.

상세보기
Shin, H. H., and S.-Y. Hong, 2013: Analysis of resolved and parameterized vertical transports in convective boundary layers at gray-zone resolutions. J. Atmos., Sci., 70, 3248-3261, doi:10.1175/JAS-D-12-0290.1.

상세보기
Shin, H. H., and S.-Y. Hong, 2015: Representation of the subgridscale turbulent transport in convective boundary layers at gray-zone resolutions. Mon. Wea. Rev., 143, 250-271, doi:10.1175/MWR-D-14-00116.1.

상세보기
Shutts, G., and A. C. Pallares, 2014: Assessing parametrization uncertainty associated with horizontal resolution in numerical weather prediction model. Phil. Trans. R. Soc. A., 372, 20130284, doi:10.1098/rsta.2013.0284.

상세보기
van Lier-Walqui, M., T. Vukicevic, and D. J. Posselt, 2012: Quantification of cloud microphysical parameterization uncertainty using radar reflectivity. Mon. Wea. Rev., 140, 3442-3466, doi:10.1175/MWR-D-11-00216.1.

상세보기
Wang, Y., G. J. Zhang, and G. C. Craig, 2016: Stochastic convective parameterization improving the simulation of tropical precipitation variability in the NCAR CAM5. Geophys. Res. Lett., 43, 6612-6619, doi:10.1002/2016GL069818.

상세보기
Yu, X., S. K. Park, Y. H. Lee, and Y. S. Choi, 2013: Quantitative precipitation forecast of a tropical cyclone through optimal parameter estimation in a convective parameterization. SOLA, 9, 36-39, doi:10.2151/sola.2013-009.

상세보기
Zhang, G. J., and N. A. McFarlane, 1995: Sensitivity of climate simulations to the parameterization of cumulus convection in the Canadian climate centre general circulation model. Atmos. Ocean, 33, 407-446.

상세보기
Zou, L., Y. Qian, T. Zhou, and B. Yang, 2014: Parameter tuning and calibration of RegCM3 with MIT-Emanuel cumulus parameterization scheme over CORDEX East Asia domain. J. Climate, 27, 7687-7701, doi:10.1175/JCLI-D-14-00229.1.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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