연구보고서
- 저자
- 민영미, 송봉근, 양신일, 윤순조, 함수련
- 작성일
- 2025.12.17
- 조회
- 24
- 요약
- 목차
아태기후센터(Asia-Pacific Economic Cooperation Climate Center, APCC)는 2017년부터 기상청의 1개월 전망 업무를 지원하기 위해 최신 계절내예측 정보를 수집하고 이를 가공하여 제공하는 협력 체계를 공고히 해왔다. 이 연구에서는 기상청 1개월 전망 지원을 위한 계절내예측 시스템과 딥러닝 기술을 적용한 기온 확률예측 시스템을 운영하였으며, 시스템 운영의 효율성 제고를 위해 자료 수집 및 예측 생산 서버의 이전과 개선 업무를 수행하였다. 또한, 역대 두 번째로 높은 기온을 기록했던 2025년 8월의 사례 분석을 통해, 단순 월평균 값만으로는 파악하기 어려운 상세한 기상 변동성에 대한 예측 성능을 검증하였다. 이를 통해 월내 변동성 파악을 위해 계절내예측 정보가 높은 유효성을 가지고 있음을 확인하였다. 그러나 현재 생산하는 결과 만으로는 차별화된 계절내예측 정보를 생산하기에 어려움이 있으며 APCC 홈페이지를 통해 제공되는 계절예측 정보를 보완하기에는 무리가 있다. 급변하는 기후 특성들을 고려하고 계절예측 정보의 한계를 극복하기 위해 APCC는 계절내예측 시스템을 구축하여 그 활용 가치를 높여 보고자 하였다.
이를 위해 전세계 다양한 계절내(Subseasonal to Seasonal, S2S) 예측정보를 체계적으로 수집⋅표준화하였으며, 기후값 및 다양한 예측력 평가를 통해 계절내예측에서의 다중모델앙상블 (Multi-Model Ensemble, MME) 활용성을 확인하였다. 또한 다양한 모델 자료와 APCC 자체모델을 그룹으로 구성하여 예측력을 비교⋅검증하고, 모델 간 상대적인 예측력 평가 및 MME 기여 정도를 정량적으로 분석하였다. 최대한 많은 모델이 포함된 그룹의 예측성이 가장 높게 나타났으며, 다양한 모델 성분으로 구성된 SubC 프로젝트 모델 자료가 MME의 기여도를 높일 수 있음을 확인하였다. 또한, 변수별 통계적 특성에 최적화된 확률예측 방법론을 선정하기 위해 기온과 강수에 대한 모수화 방법을 검증하였다. 그 결과, 기온과 강수량 모두에서 모수화 방법이 비모수적 방법 대비 정량적 예측 성능에서 우위를 점하고, 앙상블 부족으로 인한 공간적 노이즈를 개선할 수 있음을 확인하였다. 특히 강수량의 경우 무강수 빈도가 높은 분포 특성을 고려하여, 유효 앙상블 부족 시 자동으로 비모수적 방법으로 전환하는 하이브리드 감마 알고리즘을 도입해 전 지구적 예측 안정성을 확보하였다.
이러한 연구 결과들을 기반으로 APCC 계절내예측 시스템의 필요한 모델 구성 및 확률 방법을 정립하였다. APCC in-house 모델인 SCoPS(Seamless Coupled Prediction System)를 포함한 총 10개 모델의 예측자료를 매주 수집하여 계절내예측 정보를 생산할 수 있는 MME 계절내예측 시스템을 구축하였다. 자료 수집은 FTP, API 등의 방식을 활용하며, 이는 외부망의 FTP 서버를 통해 자동으로 이루어진다. 수집된 자료는 내부망의 HPC 서버로 다운로드되어 전처리 과정을 거친다. 전처리시스템은 모든 개별 모델 자료를 1도 해상도로 표준화하고, 주평균, 1~4주 평균 등 다양한 형태로 가공하며, 파일 형식은 모두 NetCDF로 변환한다. 최종 MME 예측에는 단정예측을 위한 SCM(Simple Composite Method)과 확률예측을 위한 Hybrid Gamma 기법이 사용되며, 이 시스템을 통해 매주 월요일 예측 시작일 기준의 4주 예측 정보가 생산 및 표출된다.
계절내예측 정보의 다양화와 활용성을 위해 계절내-계절(월) 정보를 자연스럽게 연결하는 seamless 콘텐츠를 발굴하였다. 월/주간 통합 확률 분포 및 주간 변동 정보를 비롯한 즉시 서비스 가능한 콘텐츠와 월내 극한발생 확률 등을 정보를 포함하는 기술 개발이 필요한 콘텐츠를 단계적으로 제시하여, 향후 APCC에서 계절내-계절 간 연계 정보 서비스를 제공할 수 있는 기반을 마련하고자 하였다. 본 연구에서 제시한 예측 정보들은 APCC 예측서비스의 확장성과 경쟁력을 강화할 수 있을 것으로 기대한다.
한편, APCC 계절내예측 시스템의 참여 모델로 SCoPS를 포함하기 위해서는 SCoPS 계절내 예측 자료를 매주 생산해야 한다. 기존 월 단위로 운영되던 기존 모델을 매주 60일 예측장을 생산하는 실시간 계절내예측 시스템을 구축하였다. 이를 위해 CFS 분석장 및 ARGO 해양관측 자료를 매주 목요일에 지난 일주일 단위(수요일~화요일)로 자동으로 수집하여 초기장을 생산한다. SCoPS는 매주 화요일 초기장을 사용하여 총 10개의 앙상블로 60일 예측을 수행하며, 표준화 과정을 거쳐 금요일에 계절내예측 자료가 생산된다. 이 예측 결과는 다음 월요일에 수행되는 MME 계절내예측의 입력 자료로 활용된다. 다만, SCoPS의 개발 시점이 오래된 점과 다른 참여 모델과의 성능 비교에서의 한계 등을 고려하였을 때 계통적 오차를 줄이는 방안이 필요하다고 판단된다. 따라서, 본 연구에서는 SCoPS 초기장의 오차를 감소시키고 계절내예측의 오차를 줄여보고자 하였다.
계절내예측에 중요한 요소인 지면 관련 초기 오차를 감소시키기 위해 SCoPS를 위한 토양 수분 초기화 기술을 개발하고 그 효과를 정량적으로 평가하였다. ERA5-Land 재분석 자료와 EAKF(Ensemble Adjustable Kalman Filter) 자료동화 기법을 활용하여 2003-2016년 여름철 hindcast 실험을 수행하였다. 그 결과, 토양 수분 초기화는 토양 수분 초기장의 RMSE를 99.3% 감소시켰다. 또한, 토양 수분 메모리 길이는 전지구 평균 39±16일, 미국 중서부와 남동유럽에서 약 30일로 나타났으며, 이 길이는 초기화 여부보다는 모형의 특성으로 결정됨을 확인하였다. 지면-대기 결합 특성은 미국 중서부에서 16-60일 리드타임 동안 46-101% 강화되었으며, 이는 전이대(transition zone)의 특성과 높은 증발 요구도에 기인한다. 이러한 결합 강화는 기온 예측 성능을 10-60% 증가시키지만, 강수 예측 성능은 유의미한 변화가 없었다. 본 연구는 초기 화부터 예측 성능으로 이어지는 물리적 인과관계를 정량적으로 설명하였다.
또한, 해양 및 대기 초기 조건을 개선하고, 그 영향이 계절내-계절 규모 예측 성능에 어떻게 나타나는지를 조사하였다. 해양 연직 초기자료를 변경한 실험은 동태평양 수온약층이 전 연도에 걸쳐 과도하게 깊고 따뜻하게 모의되는 계통적 온난 오차를 효과적으로 감소시키지만, 대기 변수에 미치는 영향은 상대적으로 제한적이다. 두 실험의 차이가 리드타임 전 구간에 걸쳐 전반적으로 작고, 뚜렷한 시간적 변화 패턴도 확인되지 않으므로 해양 초기화 개선 효과가 계절내 예측에는 큰 영향을 주지 못하는 것으로 판단할 수 있다. 다만, 해양-대기 상호작용이 영향을 주는 계절 규모에서 해수면 온도를 약간 변화시킨다. 반면, 대기 초기자료의 변경으로 인한 영향은 빠르고 직접적으로 나타난다. ERA5 기반 대기 초기 조건을 적용한 실험에서는 전지구 및 열대, 동아시아 기온 성능이 기존 실험 대비 전 리드타임 구간에서 일관되게 감소하였고, 상하층 대규모 순환의 초기 상태를 안정화할 수 있음을 확인하였다. 계절내 규모와 함께 계절 규모에서도 고위도 및 서안경계류 주변의 SST 오차를 완화하는 등 개선 영향을 유지할 수 있음을 확인하였다.
이러한 결과들을 기반으로 새롭게 구축된 APCC 계절내예측 시스템을 활용하여 새로운 정보를 제공하기 위한 시험운영을 시작하였다. 추후 주별 예측 정보 제공을 위한 표출 체계 및 활용성 높은 콘텐츠들을 선정하여 정식 서비스를 목표로 하고 있으며, 초기자료가 개선된 SCoPS 및 월내 극한 확률 등의 새로운 콘텐츠들이 계속해서 적용될 것이다. 이를 통해 개선, 확장된 계절내예측 정보는 기상청 및 아태지역 기후 예측 지원을 강화할 수 있을 것으로 기대 한다.