14) 한편 CAPE은 아래의 수식과 같이 구름 공기괴의 부력을 구름 바닥부터 구름 꼭대기까지
2.2 자료동화 시스템 개발 및 기후재분석 자료 생산
본 연구에서는 1-2단계 연구를 통해 개발된 자료동화체계를 2단계에서 GAIA 기후모델의 해양 모듈에 적용하고 3단계에서 KIOST 지구시스템 모형에 적용하여 각각 1947년부터 2012 년까지 장기 기후재분석 자료를 생산하였으며 이를 국제 자료센터에 등재하였다. 대기 모듈의 wind bias를 경감하기 위하여 해양-대기 flux를 계산하는 과정에서 관측 바람장을 완화시켰다.
생산된 기후재분석 자료를 검증하고 사용된 GAIA 기후모델의 예측 성능 및 bias를 평가하였
다.
개발된 자료동화체계는 앙상블 칼만필터 기법, 앙상블 Optimal Interpolation 그리고 Optimal Interpolation 에 기반하고 있으며 지구시스템 모형의 해양모델에 하나의 해양자료동 화 모듈로 추가함으로 계산 성능을 향상시켰다.
Figure 2.2.1 Schematic diagram of Ensemble Optimal Interpolation. Red, cyan, blue and green dots denote time-invariant historical ensemble members, forecast state, analysis state and observation, respectively. M means numerical model to evolve the analysis state in the present time step (t=i) to the forecast state in the next time step (t=i+1).
Figure 2.2.1에서 보는 바와 같이 앙상블 Optimal Interpolation 은 앙상블 칼만필터와 유사 하지만 배경오차공분산을 계산하기 위한 앙상블 멤버들이 과거 자료에 기반한 시간적으로 변 하지 않는다는 것이 특징이다. 따라서 앙상블 칼만필터과 비교하여 전산 계산량을 급격하게 줄일 수 있다. 다만, 배경오차공분산이 시간적으로 진화하지 못하는 단점이 있으나 과거 자료 가 현재의 배경오차공분산을 표현한다면 비용대비 성능을 크게 향상시킬 수 있을 것으로 기대 한다.
기후재분석 자료는 기후예측 실험을 수행하는데 GAIA 기후예측모델의 초기장으로 사용되 었다. 기후예측 실험은 8개의 앙상블에 대해 1982년부터 2012년까지 31년동안 매년 2, 5, 8, 11 월을 초기로 하여 1년간 적분하여 예측 성능을 관측자료와 비교하여 검증하였다.
본 연구에서는 앙상블 Optimal Interpolation을 적용하여 기후재분석 자료를 생산하였다. 또 한 기후재분석 자료를 생산하기 위하여 1947년부터 2012년까지의 수온, 염분 프로파일 자료, 1980년부터 2012년까지 NCDC 해수면 수온 자료 그리고 1992년부터 2012년까지 해수면 고도 변이 자료(AVISO)를 전처리하여 앙상블 Optimal Interpolation 으로 기후모델에 동화하였다.
수온, 염분 프로파일 자료는 World Ocean Database (http://www.nodc.noaa.gov/OC5/SELECT /dbsearch/dbsearch.html)에서 MBT, XBT, CTD 그 리고 Argo 프로파일들을 수집하여 밀도 역전, 수온, 염분 spike를 제거하는 등의 품질 관리 과
정을 거쳤다. Figure 2.2.2는 본 연구에서 자료동화에 사용된 수온과 염분의 프로파일 개수를 나타낸 것이다. 1947년부터 2012년까지 연별 그리고 월별 평균으로 나타내었다. 2000년대에 들 어 Argo 플로트에 의한 프로파일의 개수가 크게 증가면서 기존의 수온 프로파일의 수집에 크 게 기여했던 전통적인 방식의 XBT나 CTD 등을 통한 관측이 줄어드는 대신 그 자리를 Argo 플로트가 대신하게 되었다. Argo 플로트에 의한 관측은 염분 프로파일에서 더욱 두드러진다.
해양 관측의 상당부분을 차지하던 XBT는 수온만을 관측하는 반면 Argo 플로트는 수온과 염 분을 동시에 관측함으로 상대적으로 관측 프로파일 개수가 작았던 염분 프로파일의 개수가 2000년대 들어 크게 증가하게 되었다. 월별 프로파일 개수에서 수온과 염분 모두 북반구의 여 름철에 상대적으로 높은 값을 나타내며 이는 주로 관측이 수행되는 북반구의 여름에 비교적 관측이 빈번하게 수행되기 때문으로 보인다.
Figure 2.2.2 Number of temperature (left panel) and salinity (right panel) profiles by year (upper panel) and month (lower panel)
Figure 2.2.3은 연별 수온 프로파일 개수의 공간적인 분포를 나타낸 것이다. 1950년대 전후 에 주로 북미대륙 주변이나 유럽 그리고 일본 연근해에서 관측이 주로 수행된 것을 알 수 있 다. 1980년대 전후에는 프로파일의 개수가 증가하고 관측 범위도 확대되어 남미대륙 주변 해 역과 적도 그리고 인도양에서도 수온 프로파일이 수집되었다. 하지만 여전히 북미 대륙과 북
서태평양 해역에서 관측 밀도가 높고 특히, 남반구의 관측 밀도가 크게 떨어진다. 2010년 전후 로는 북미대륙 주변에 대한 관측 밀도는 크게 높아지지 않았지만 적도 해역에서 관측 밀도가 높아진 것이 두드러지며 특히 남반구에서 관측 영역이 크게 확대된 것을 알 수 있다. 이는 2000년 초반부터 투하된 Argo 플로트의 기여가 커졌기 때문일 것이다.
본 연구에서는 1947년부터 2012년까지 수온과 염분을 7일에 한번, 인공위성 해면수온 자료 를 하루에 한번 그리고 인공위성 해면고도변이 자료를 7일에 한번 기후접합모델의 해양 요소 모델에 동화하였다. 자료동화기법으로는 앙상블 Optimal Interpolation을 사용하였으며 이를 위 해 필요한 과거 자료에 기초한 앙상블 멤버를 얻기 위하여 사전 구동을 통해 100년의 월별 해 양모델 격자별 수온과 염분 자료를 얻어 사용하였다. 수온과 염분 자료는 7일에 한번 동화 시 점으로부터 전과 후의 3.5일의 자료를 탐색하여 동화하는 방법을 사용했으며 인공위성 해면수 온과 해면고도 자료는 자료가 존재하는 날짜에 맞춰 동화가 수행되도록 하였다. 모든 작업은 수치모델 내에서 연동되도록 설계하였다. 자료동화를 수행함에 있어 계산 비용이 실제적인 문 제로 부각되었다.
Figure 2.2.3 Horizontal distribution of the number of temperature profiles by year.
Figure 2.2.4 Example of the actual filtering area in each filter domain.
따라서 본 연구의 1단계에서 개발된 영역 분할을 통한 계산 비용 절감 방안을 적용하여 계 산량을 크게 줄일 수 있었다. Figure 2.2.4에서 보는 바와 같이 자료동화가 이뤄지는 도메인이 9개로 구성되어 있다고 가정했을 때 각 도메인별로 다시 9개의 영역으로 나누어 실제적인 계 산이 이루어진다. 이렇게 함으로 배경오차공분산과 관측오차공분산의 크기가 9x9배 정도로 줄 어들게 되며 계산량 또한 약 9x9배 정도로 줄어들어 계산 성능을 향상시킬 수 있다. 이렇게 계산 영역을 분할하여 자료동화가 가능한 것은 배경오차공분산의 지역화로 인하여 원거리의 관측 자료가 자료동화 시스템에 영향을 주지 않는다는 가정을 사용하기 때문이다. 또한 계산 성능을 향상시키기 위하여 Intel Math Kernel Library를 사용함과 동시에 자료동화 모듈의 최 적화를 수행하였다.
본 연구에서 기후재분석 자료를 생산하기 위하여 CM2.1 모델을 사용하였다. CM2.1 은 GFDL (Geophysical Fluid Dynamics Laboratory)에서 개발하여 배포하는 기후접합모형으로 기상모델(AM2.1), 육상모델(LM2.1), 해양모델(MOM4p1) 그리고 해빙모델(SIS)로 구성되었다.
AM2.1과 LM2.1은 위도방향으로 2°, 경도방향으로 2.5°의 해상도를 갖으며 수직으로 24개층을 갖으며 FV(Finite Volume) 수치방안을 사용하였다. 해양모델인 MOM4p1은 위도와 경도방향 으로 1°의 해상도를 갖으며 적도 해역에서만 남북 방향으로 1/32°의 해상도를 갖는다. 수직적 으로 50개층으로 구성되었다. 특히 북극해를 적분하는데 극지방 필터링을 피하기 위해서 유라 시아와 북미대륙 그리고 남극에 극을 갖는 Tripolar 격자를 사용하였다.
결과적으로 본 연구에서는 수온, 염분 프로파일과 인공위성 해면 수온과 해면고도변이를 MOM4p1에 동화하여 1947년부터 2012년까지 기후재분석 자료를 생산되었으며 이러한 연구는 국내에서는 처음으로 시도된 것이다.
본 연구를 통해 생산된 KIOST 기후 재분석 자료를 관측 자료와 비교 분석함으로 자료동
화 및 기후시뮬레이터의 모의 성능을 검증하였다. 비록 관측 자료가 동화되었지만 자료동화 방법 및 수치모델의 성능에 따라 생산되는 재분석 자료의 품위가 달라지기 때문에 기후 재분 석 자료를 관측 자료와의 비교 및 검증은 향후 자료를 이용한 기후 역학 연구 및 기후 모의 성능 진단에 필요할 것이다. Figure 2.2.5는 관측 자료를 격자화하여 얻어진 World Ocean Atlas 2009의 표층수온과 재분석 자료의 표층 수온을 비교한 것이다. KIOST 재분석 자료가 관측의 해면 수온을 잘 나타내는 것으로 평가된다. 특히 흔히 알려진 동태평양의 cold bias 와 남극해 주변의 warm bias 가 크게 완화된 것으로 나타났다. 향후 추가적인 민감도 시험이 요 구되지만 적도 태평양과 남극해 주변 해역의 수치모델 bias를 수정함에 있어 TAO/TRITON 부이와 인공위성 해면 수온 자료의 기여도가 클 것으로 예상해 볼 수 있다. 그러나 그러한 관 측 자료를 동화했음에도 불구하고 남반구의 겨울철(DJF) warm bias 가 여전히 큰 것으로 보 이며 이는 기후 시뮬레이터가 남극해 주변의 역학을 제대로 고려하지 못하기 때문으로 생각된 다. 이러한 남극해 주변의 bias 에 대해 Qiao(2004)는 풍성파랑 기원의 혼합 효과를 고려해야 한다고 주장한 바 있으며, 차년도 연구를 통해 KIOST 기후 재분석 자료를 통해 얻어진 기후 시뮬레이터의 bias 정보를 참고하여 향후 남극해 주변의 warm bias를 수정하는 연구를 수행 할 필요가 있다. 또한 Figure 2.2.6는 적도 태평양을 따르는 수온의 수직 단면도이다. KIOST 기후재분석 자료는 동태평양의 냉수가 표층으로 연결되는 모습과 서태평양의 warm pool 지역 이 잘 나타나고 있다. 그러나 서태평양 250m 보다 깊은 곳에서 관측 자료와 수온의 불일치가 나타나며 이는 유속의 경압 성분에 차이를 나타낼 것이다. 특히 적도 서태평양은 태평양과 인 도양의 기후를 연결해 주는 것으로 알려진 Indonesian Through Flow와 가까운 해역으로서 이 해역에서의 기후 및 해류가 기후 예측 성능에 미치는 영향이 클 것이다. 향후 이에 대한 민감 도 실험도 필요할 것이다.