14) 한편 CAPE은 아래의 수식과 같이 구름 공기괴의 부력을 구름 바닥부터 구름 꼭대기까지
2.3 지구시스템 모델을 활용한 기후예측시스템 개발
2단계 연구에서는 앞서 기술한 전지구 기후재분석 자료를 초기장으로 이용하여 기후예측 실험을 수행하였으며 이를 통해 기후예측시뮬레이터의 성능을 진단하였다. 이런 기후예측 실 험은 향후 엘리뇨를 비롯한 장기 기후 변동의 예측과 지구 온난화의 예측에 활용될 수 있다.
가이아 모형을 기반으로 하여 1981년부터 2012년까지 30여년에 걸쳐 1년 단위 예측을 매 2월, 5월, 8월, 11월마다 수행하여 과거 기후를 예측하였다. 각각의 과거 기후 예측은 총 8개의 앙 상블 멤버로 구성되었으며 앙상블 멤버들의 평균을 취해 결과를 얻었다. Figure 2.3.1은 과거 기후 예측의 결과로써 시작 월에 따른 1년 동안의 NINO3.4 index 예측 성능을 나타낸다. 시작 월과 상관없이 6개월 예측 성능은 모두 0.6 이상의 높은 상관도를 보인다. 12개월 예측 성능의 경우 5월 시작 실험의 경우 0.705, 2월 시작 실험의 경우 0.604로 0.6 이상의 높은 상관도를 보 이는데 반해 8월 시작 실험과 11월 시작 실험은 각각 0.312와 0.554로 상대적으로 나쁜 결과를 보여주고 있다. 이들 네 실험 모두 각 실험의 봄철에 예측 성능이 급격히 낮아지는 모습을 보 인다.
Figure 2.3.1 1 year forcasts of NINO3.4 from initial condition at every FEB, MAY, AUG, and NOV from 1982 to 2011. The correlation at 12 months lead time is 0.604, 0.705, 0.312, 0.554, respectively.
Figure 2.3.2는 Figure 2.3.1에서 보여준 예측성능을 호브뮐러 다이어그램 형태로 나 타낸 것이다. 앞서 살펴본 것과 같이 각 실험의 봄철을 전후로 예측 성능이 급격히 감소하 는 spring barrier가 나타는 것이 확인된다.
Figure 2.3.2 Hovmöller diagram of 1 year forecasts of NINO3.4
Figure 2.3.3과 Figure 2.3.4는 각 실험에서 예측을 시작한 후로 6개월 후와 12개월 후의 전 지구 해면수온의 예측 성능을 나타낸 것이다. 관측 자료와의 상관도로 나타내었으며 99% 신
뢰도 이상에 대해서 녹황색과 적색으로 나타내었다. 실험의 시작 월과 상관없이 적도 동태평 양과 적도 중태평양에서의 상관도가 높게 나타나고 있어 일반적인 동태평양 엘니뇨 뿐 아니라 중태평양 엘니뇨에 대한 예측 성능이, 그리고 적도의 기후 현상에 대한 예측 성능이 높은 것 을 알 수 있다. 또한 6개월 예측의 경우 인도양과 남서 아적도 태평양에서의 상관도가 높게 나오는 것이 특징적이다. 2월 시작 실험을 제외한 나머지 세 실험에서는 적도 대서양과 북태 평양, 그리고 북서태평양 지역에 대해 6개월 예측 상관도 또한 높게 나난다. 북위 60도선 주변 의 북 대서양의 경우 네 실험 모두 6개월 예측 상관도 뿐 아니라 12개월 예측 상관도 또한 높 게 나타나는데, 이는 장주기 변동인 AMOC (Atlantic Meridional Overturning Circulation)에 따른 결과로써 persistency가 매우 높으며, 우리 모델 뿐 아니라 대부분의 모델들이 이를 잘 모의하고 있어 특별한 양상은 아니다.
Figure 2.3.3 Horizontal maps of correlation between forecasted Sea Surface Temperature and observed on for 6 month leading time at (a) February start simulation, (b) May start simulation, (c)August start simulation, and (d) November start simulation. Green, yellow, and red shading above 99% confidence level.
Figure 2.3.4 Horizontal maps of correlation between forcasted Sea Surface Temperature and observed on for 12 month leading time at (a) February start simulation, (b) May start simulation, (c)August start simulation, and (d) November start simulation. Green, yellow, and red shading above 99% confidence level.
Figure 2.3.5는 기후 시뮬레이터의 bias correction에 따른 예측 성능 향상의 민감도에 대해 알아보기 위해 수행된 bias correction rate에 따른 1년 동안의 NINO 3.4 Index 예측 성능을 나타낸 것이다. 기본적인 설정은 Figure 2.3.1에서 설명한 것과 동일하며, 5월 시작 실험의 결 과가 가장 좋았기 때문에 모두 5월 시작 실험으로 구성하였다. Figure 2.3.1의 5월 시작 실험 결과는 Figure 2.3.5의 50% bias correction 결과에 해당하며 12개월 예측성능은 상술한바와 같이 0.705이다. 0% bias correction 과 25% bias correction 결과의 6개월과 12개월 예측 성능 은 각각 0.763/0.776 (0%)과 0.695/0.740으로 6개월 예측성능은 50% bias correction 결과보다 나쁘지만, 12개월 예측성능에 있어서는 50% bias correction 결과보다 매우 우수하다. 다만 0%
와 25% bias correction 실험의 경우 적분 초기에 예측성능이 가장 낮은 형태를 보이고 있다.
향후 추가 연구를 통해 이 현상이 개선된다면 더 좋은 예측 성능을 기대 해 볼 수 있다.
Figure 2.3.5 1year forecasts of NINO3.4 from initial condition from different wind bias correction rate (0%, 25%, 50%) from 1982 to 2011. The correlation at 12 months lead time is 0.776, 0.740, 0.705, respectively.
Figure 2.3.6 Forecast error of GAIA Climate Model initialized from February every year by ocean data assimilation. Forecast error was obtained from the difference between forecasted SST and climate reanalysis.
Figure 2.3.7 Same with Figure 2.3.6 but initialized from May every year.
Figure 2.3.8 Same with Figure 2.3.6 but initialized from August every year.
Figure 2.3.9 Same with Figure 2.3.6 but initialized from November every year.
Figure 2.3.6부터 2.3.9까지는 예측된 해면수온과 재분석 자료의 차이를 나타낸다. GAIA 모 형의 bias를 직접적으로 보여준다고 할 수 있다. 각 Leading month 에 따라 2월부터 예측을 시작할 경우 다음해 1월까지 12개월의 예측된 결과와 재분석을 비교하였다. 앞서 Increment에 서 살펴보았던 것과 마찬가지로 태평양 동적도 해역에서 cold tongue bias 가 크가 나타나고 있으며 남반구에서 warm bias 가 크게 나타나고 있다.
Figure 2.3.10은 앞서의 결과들을 바탕으로 2014년 5월부터 2015년 4월까지의 엘니뇨 예측 결과와 실제 엘니뇨를 비교해본 것이다. 1년 예측 후 5개월 running mean 으로 결과를 나타 내었으며, 관측값 또한 5개월 running mean으로 나타내었다. GAIA 모형이 예측한 바에 따르 면 2014년 4월 이후로 NINO3.4가 증가하기 시작해서 2014년 10월 이후로는 엘리뇨가 발달하 여 최대 1.46K 까지 증가하는 것으로 예측되었지만, 실제로는 예측과 달리 최대 0.65K까지 증 가하였다. 이런 예측의 부정확성은 그림에서도 잘 보이듯 예보에 사용된 초기장이 가지고 있 는 오차, 즉 initial gap에 기인한다. 실시간 또는 준 실시간으로 ENSO를 비롯한 여러 기후 예 측을 정확히 하기 위해서는 보다 정확한 초기장을 만들어야 하고, 이를 위해서는 실시간 또는 준 실시간으로 관측 자료를 확보 할 수 있어야 한다. 그러나 현재 시스템상의 한계와 인적, 물 적 자원의 부족으로 인하여 실시간, 그리고 준 실시간으로 관측 자료를 확보 하는데 어려움이
따르고 있어 이 부분의 개선이 필요하다.
Figure 2.3.10 Forecasted NINO3.4 index from May, 2014 to April, 2015 (blue line for ensemble average, and grey lines for each ensemble member) and the real NINO3.4 index to March, 2015.
결론적으로, 본 연구에서 개발된 전지구 기후자료동화시스템(DASK)로부터 생산된 기후재 분석 자료를 초기장으로 사용한 기후예측 실험을 수행하였다. 1981년부터 2012년까지 약 30여 년의 과거예측을 수행한 결과 12개월 후의 예측된 NINO3.4가 관측치와 최대 0.7 이상의 상관 도를 갖는 것으로 나타났다. 비록 기후 예측에 있어서 spring barrier 문제를 해결하지는 못했 지만 엘니뇨 예측을 비롯한 단주기 기후 변동 예측을 수행하기에 충분할 것으로 생각된다. 이 에 대한 실증 차원으로 본 시스템을 이용하여 2014/15 엘니뇨를 예측하고 실제 엘니뇨를 비교 해보았다. 예측된 엘니뇨는 준 실시간 관측 자료 확보의 어려움으로 인해 발생한 initial gap에 의해 실제보다 과대하게 모의되었다. 본 연구에서 개발된 기후예측 시스템은 인도양 및 북서 태평양에서도 예측 성능을 나타내고 있으며 해양 관측 자료의 수집의 지연 시간을 단축할 수 만 있다면 향후 고성능의 엘니뇨 및 계절 예측 시스템을 구축할 수 있을 것으로 기대한다. 또 한 이 연구 결과 최종적으로 완성된 KIOST 지구시스템 모형을 활용하여 기후예측 시스템을 구축할 경우 보다 좋은 기후예측 시스템 개발이 가능할 것으로 기대한다.