Comparison of Wind Vectors Derived from GK2A with Aeolus/ALADIN

위성기반 GK2A의 대기운동벡터와 Aeolus/ALADIN 바람 비교

Abstract

This research aims to provide the characteristics of the world's first active lidar sensor Atmospheric Laser Doppler Instrument (ALADIN) wind data and Geostationary Korea Multi Purpose Satellite 2A (GK2A) Atmospheric Motion Vector (AMV) data by comparing two wind data. As a result of comparing the data from September 2019 to August 1, 2020, The total number of collocated data for the AMV (using IR channel) and Mie channel ALADIN data is 177,681 which gives the Root Mean Square Error (RMSE) of 3.73 m/s and the correlation coefficient is 0.98. For a more detailed analysis, Comparison result considering altitude and latitude, the Normalized Root Mean Squared Error (NRMSE) is 0.2-0.3 at most latitude bands. However, the upper and middle layers in the lower latitudes and the lower layer in the southern hemispheric are larger than 0.4 at specific latitudes. These results are the same for the water vapor channel and the visible channel regardless of the season, and the channel-specific and seasonal characteristics do not appear prominently. Furthermore, as a result of analyzing the distribution of clouds in the latitude band with a large difference between the two wind data, Cirrus or cumulus clouds, which can lower the accuracy of height assignment of AMV, are distributed more than at other latitude bands. Accordingly, it is suggested that ALADIN wind data in the southern hemisphere and low latitude band, where the error of the AMV is large, can have a positive effect on the numerical forecast model.

세계 최초 능동형 라이더 센서 Atmospheric Laser Doppler Instrument (ALADIN)의 바람 자료와 한국형 수치예보모델에 바람 자료로 활용되고 있는 Geostationary Korea Multi Purpose Satellite 2A (GK2A)의 대기운동벡터의 자료를 비교함으로써 두 위성의 바람 자료의 특징을 분석하였다. 2019년 9월부터 20220년 8월 1년의 자료를 ALADIN의 미(Mie)채널과 GK2A 적외채널에 대하여 비교한 결과 수집된 자료는 177,681개이며 평균 제곱근 오차(Root Mean Square Error; RMSE)는 3.73 m/s, 상관계수는 0.98이다. 상세한 분석을 위해 위도와 고도를 고려하여 비교한 결과, 대부분의 위도에서 표준화된 평균 제곱근 오차(Normalized Root Mean Squared Error; NRMSE)가 0.2~0.3으로 두 바람 자료가 일치하지만 상층, 중층의 경우 저위도지역에서, 하층의 경우 남반구 특정 위도(30°S-15°S)에서 0.4 이상으로 큰 값을 가진다. 이러한 결과는 계절에 상관없이 수증기채널, 가시채널에서도 동일하게 나타나며 채널 별 특징과 계절별 특징은 두드러지게 나타나지 않는다. 두 바람 자료 간에 차이가 큰 위도 영역에 대하여 구름의 분포를 확인해본 결과, 대기운동벡터의 고도 할당 정확도를 낮출 수 있는 권운 이나 적운이 다른 위도에 비해 더 많이 분포하고 있다. 이러한 특성에 따라, 정확한 고도 할당이 어려워 대기운동벡터의 오차가 크게 나타나는 남반구와 저위도 영역에서 ALADIN 바람 자료는 기존 대기운동벡터의 바람 정보를 보완함으로써 수치예보모델에 긍정적인 영향을 미칠 수 있음을 제시한다.

1. 서론

수치예보에서 기상관측 자료는 모델의 정확도를 높이기 위한 중요한 요소이다. 온도, 습도, 기압, 풍향, 풍속과 같은 기상관측 자료가 좋은 품질로 제공된다면 이는 예보 성능의 향상으로 이어지며, 이와 관련한 기상 관측 자료의 중요성은 과거부터 현재에 이르기까지 지속적으로 강조되어 왔다(Sienkiewicz, 1990; Kelly et al., 2007; Schulze, 2007). 다양한 기상관측 변수들 중에서도 바람 변수는 에너지 및 기상현상의 흐름을 제공한다는 점에서 중요한 의의를 가진다. 현재 수치예보모델에서 이용되는 바람 자료는 종관 관측을 기반으로 하는 라디오존데, 드롭존데, 윈드프로파일러 뿐만 아니라, 위성 기반의 대기운동벡터(Atmospheric Motion Vector; AMV) 가 있다(Han et al., 2019; St-James et al., 2005; Bormann et al. 2012, Cotton and Forsythe 2012, Cresset al., 2012, Pauley et al., 2012, Su et al., 2012). 바람 관측에 가장 기본적으로 활용되고 있는 종관 관측은 정확한 바람 자료와 연직 분포를 제공하지만, 극 지역이나 남반구지역에서는 존데 관측이 제한적이며 해양에서는 바람 자료를 지속적으로 제공하기가 어렵다. 반면에 위성 기반의 바람 자료인 대기운동벡터는 영상을 통해 구름이나 수증기와 같은 타겟의 이동을 추적하여 바람 값을 계산함으로써, 타겟이 위치하는 고도에서의 바람 관측이 가능하여 종관 관측에 비해 관측 영역이 넓고, 연속적인 자료 생성이 가능하다. 대기운동벡터와 관련된 다양한 선행연구에서 바람 벡터가 예보 정확도 향상에 긍정적인 영향을 미치는 것으로 평가되었다(Bormann and Thépaut, 2004, Velden et al., 2005, Gelaro et al., 2010). 하지만, 대기운동벡터는 고도할당 문제로 인하여 바람 산출 정확도에 영향을 미칠 수 있으며(Folger and Weissmann, 2014, Bormann et al., 2003, Jung et al., 2010) 선행 연구에 의하면 대기운동벡터 오차의 70%는 고도할당 문제로부터 야기되는 것으로 알려졌다(Velden and Bedka, 2009). 최근에도 고도할당문제를 해결하기 위한 다양한 연구가 진행되고 있으며, 한국형수치예보모델(Korean Integrated Model; KIM)에 활용되고 있는 GK2A (Geostationary Korea MultiPurpose Satellite 2A)의 대기운동벡터 역시 고도할당의 문제를 해결하기 위한 연구들이 진행되고 있다(Oh et al., 2019).

2018년 유럽우주국(European Space Agency; ESA)에서 발사된 바람 관측 위성 Aeolus는 세계 최초의 능동형 라이더 센서(Atmospheric LAser Doppler INstrument; ALADIN)를 탑재하고 있으며 지상에서부터 성층권 하부까지의 연직 바람 자료를 제공한다. ALADIN은 바람 관측이 절대적으로 부족한 적도와 남반구에 대한 바람 자료 제공이 가능하므로, 수치예보모델의 예보 성능을 향상시키는데 중요한 역할을 할 것으로 기대된다 (Geroge et al., 2021,Rennie et al., 2021, Hagelin et al., 2021). 현재 ALADIN 바람 자료의 정확도와 관련한 연구는 Aeolus의 검보정 팀을 통해 활발히 이루어지고 있으며, 유럽중기예보센R터(European Center for Medium-Range Weather Forecasts; ECMWF), 독일 기상청(Deutscher Wetterdienst; DWD) 및 프랑스 기상청(Météo-France), 영국 기상청(United Kingdom Meteorological Office; UKMO) 과 같은 전 세계 현업 기관에서 수치예보모델에 ALADIN 바람 자료의 자료동화 운영을 시작하였다(Gibies et al., 2021; Straume et al., 2020, Rennie et al., 2021). Rennie et al. (2021) 연구에 의하면 ALADIN 바람 자료의 동화로 성층권 상부 및 하부의 예보 성능이 향상되는 등 수치예보모델에 긍정적인 영향을 미치는 것으로 나타난다.

ALADIN이 전지구적 연직 바람 자료를 제공함에도 불과하고, 저궤도 위성에 탑재된 센서이기 때문에 특정 지점에서 연속적인 관측이 불가능하다. 이와 반대로 GK2A 대기운동벡터는 시간 관측 측면에서는 우수하지만 전지구적인 바람 값을 제공하지는 못한다. 따라서 ALADIN 바람 자료와 대기운동벡터 바람 자료의 장단점을 서로 보완한다면 수치예보모델에서 바람 자료의 활용성을 높일 수 있으며 나아가, 모델의 예보 성능을 향상시킬 수 있으리라 기대된다.

본 연구에서는 ALADIN과 GK2A의 바람 자료를 비교하여 두 자료의 특성을 분석하고자 한다. GK2A의 경우 바람 자료의 특성을 파악하기 위해 라디오존데와의 비교가 선행연구에서 이루어졌지만, 앞서 언급한 바와 같이 라디오존데의 제한적인 관측으로 인하여 다양한 환경, 특히 해상이나 남반구 같은 지역에서의 추가적인 특성 분석이 요구된다. 그러므로 해양 지역과 남반구에서도 바람 자료를 제공하는 ALADIN 자료의 비교를 통해 좀 더 정확한 특성 분석이 가능할 것으로 기대된다.

자료의 특성을 이해하는 것은 전처리과정에서 자료의 오류를 제거하고 가중치를 부여하는 등 좋은 관측자료를 수치예보모델에 사용하기 위해 중요한 기초 단계로써 수치예보모델의 예보 성능 개선에 기여할 수 있기 때문에 중요한 역할을 한다. 이에 따라 이미 수치예보 모델에 활용되고 있는 GK2A 바람 자료와 새롭게 제공되는 ALADIN 바람 자료 간의 비교를 통해, ALADIN 바람 자료가 수치예보모델에 동화되어 기존 바람 자료의 한계점을 보완하여 모델에 보다 많은 바람 정보를 제공할 수 있는지 평가하고자 한다. ALADIN과 GK2A 의 바람 관측 원리 및 위성에 대한 설명, 두 바람 자료의 비교 방법에 대한 내용은 2절에서 설명되며 고도, 위도, 계절, 채널에 따른 두 바람 자료의 비교 결과는 3절에 정리하였다. 마지막으로 4장에서는 결과를 논의하고 요약한다.

2. 관측 자료 및 연구방법

ALADIN과 GK2A의 바람 관측 방법은 상이하다. ALADIN은 능동형 센서로써 바람을 직접 관측하고, GK2A는 위성 이미지를 사용하여 바람 값을 추적한다. 또한 Table 1에 정리된 바와 같이 두 위성 센서는 제궤도 위성(Low Earth Orbit, LEO)과 정지궤도 위성 (Geostationary Orbit, GEO)이라는 차이점을 가지며 GK2A 는 u, v의 바람 값을 제공하는 반면에 ALADIN은 수평 시선속도(Horizontal Line Of Sight; HLOS)를 제공한다. 또한, ALADIN은 스캐너가 없이 고정된 관측각을 가지는 센서이므로, 위성궤도를 따라 고정된 지점들만 측정하며 태양동기궤도를 가지기 때문에 특정지역을 지날 때의 지방시가 항상 일정하게 되므로, 한국 주변은 한국 표준시간으로 06, 18시에 관측이 이루어지게 된다. 이와 같은 두 바람 자료를 비교하기 위해서는 바람 변수와 센서의 특징을 고려하여 시공간 일치를 진행하여야 한다.

Table 1. Aeolus and GK2A satellite sensor information

1) Aeolus바람 자료

Aeolus는 원격탐사 기법을 이용하여 세계 최초의 바람 관측 라이더센서를 탑재하고 있다는 점에서 의의를 가진다. ALADIN 센서는 내장된 레이저 발생기에서 만들어진 자외선 영역(355 nm) 파장의 레이저 펄스를 이용하여 바람을 통해 이동하고 있는 대기 중 산란체의 후방 산란 신호를 도플러편이를 통해 측정한다. 이때 측정하는 바람은 HLOS 값이며, HLOS 바람 자료는 ALADIN 의 L2B 산출물에서 제공된다(Huber and Nikolaus, 2018). ALADIN은 트랙을 따라 이동하면서 대기 중으로 레이 저 펄스를 쏘는데, ALADIN의 고도 별 바람 정보는 레이저 펄스 신호의 후방 산란 경과 시간을 측정함으로써 이루어지며, 신호대잡음비를 증가시키기 위해 12초간 600개의 펄스를 방출하고 측정한 신호를 이용된다. 12초간 위성이 이동하는 거리가 약 90 km이므로 ALADIN 의 공간해상도는 90 km 정도 이며 공간적으로 평균 된 바람 값이라고 정의할 수 있다. 이렇게 계산된 ALADIN 의 HLOS 바람 값은 산란체가 위성에서 멀어지면 음(–)의 값을 가지고 위성으로부터 산란체가 가까워 지면 양(+)의 값을 갖는다. ALADIN 바람 자료는 산란체를 측정함에 따라 레일리(Rayleigh)채널과 미(Mie)채널 두 개의 채널을 가진다. 미채널은 구름이나 에어로졸 입자의 후방 산란을 측정하는 반면 레일리채널은 공기 분자의 후방 산란을 측정한다.

산출된 ALADIN 바람 자료는 수직적으로 고해상도의 바람 값을 제공하지만, ALADIN 센서의 레이저와 관련된 오류가 자료 정확도에 영향을 미친다. ALADIN 레이저의 에너지의 경우, 2018년 12월부터 2019년 5월 사이에 Flight Model-A (FM-A)의 UV 방출 에너지가 크게 감소하였으며, 방출에너지가 감소함에 따라 바람 자료의 정확도가 떨어지는 것을 확인하였다. 이를 해결하기 위해 ESA는 2019년 6월 레이저 스위치를 Flight Model-B (FM-B)로 변경했다. 따라서 본 연구에서는 FM-B로 스위치가 변경된 이후인 자료를 이용하고자 한다. 스위치 변경 이후 안정화된 자료를 제공함에도 불구하고 ALADIN 바람자료에서 센서 망원경의 기본 거울(M1)의 온도 변화로 인한 바람 자료의 정확도 문제는 여전히 남아있다. 이러한 문제는 위성의 궤도에 따라 편차를 유발하는데 특히 레일리채널은 미채널보다 온도에 더 민감하게 반응하기 때문에 레일리채널의 경우 더 큰 편차를 갖는다 (Martin et al., 2021). 이와 같이 ALADIN의 기기 오차를 유발할 수 있는 요인이 존재하지만, ALADIN 바람 자료는 정밀한 바람 관측이 가능하고 연직 바람 자료에 대해 높은 정확도를 가지는 것으로 평가된다(Martin et al., 2021, Baars et al., 2020).

2) GK2A 바람 자료

대기운동벡터는 1960년대에 처음 알려졌으며 현재에 이르기까지 수치예보모델 바람 관측 시스템의 핵심 요소이다. 현재 한국 기상청(Korea MeteorologicalAdministration; KMA)의 수치예보모델인 KIM 자료동화 시스템에 전세계의 대기운동벡터가 자료동화에 활용되고 있으며, GK2A의 대기운동벡터 또한 5개의 채널(수증기 채널 3개: 6.3 µm, 6.9 µm, 7.3 µm / 적외채널 1개: 10.5 µm / 가시채널 1개: 0.64 µm)이 수치예보모델에 동화되고 있다. 이는 GK2A의 이전 위성인 Communication, Ocean and Meteorological Satellite (COMS) 위성의 대기운동벡 터가 산출되는 채널은 수증기채널 1개(6.7 µm), 적외채널 1개(10.8 µm), 가시채널 1개(0.67 µm)로 GK2A 채널 파장과 차이가 있다.

대기운동벡터의 기본적인 관측 원리는 위성의 이미지를 통해 구름 또는 수증기의 이동을 추적하여 바람의 이동을 추정하는 것이다. 바람 벡터를 계산하기 위해서는 기본적으로 시간차가 있는 3개의 위성영상(t0-∆t, t0, t0+∆t)이 필요하다. 이미지를 통한 바람 벡터의 산출은 (1) 이미지를 이용하여 타겟을 선택, (2) 위성 이미지에서 타겟을 추정, (3) 바람 벡터의 고도 할당, (4) 산출된 바람 자료의 품질관리 과정을 통해 바람 값을 산출한다 (KMA, 2018). 바람 산출의 4가지 단계 중 벡터의 고도 할당은 대기운동벡터의 불확실성을 결정하는 주요 요 인이다(Velden and Bedka, 2009). 고도 할당에 문제가 생길 수 있는 사례 중의 하나는 안개 또는 얇은 구름이 있을 경우이다. 위성이 관측하는 휘도온도(T_B)는 식 (1)과 같이 지표면의 휘도온도(\(T_{B}^{S}\))와 구름 타겟의 휘도온도 (\(T_{B}^{C}\))가 합쳐진 값이다. 여기에서 ε은 흡수율을 나타낸다. 최종적으로 위성에서 관측하는 휘도온도는 실제 구름의 휘도온도보다 더 큰 휘도온도를 가지게 되어 실제 고도보다 낮은 값을 할당하게 되는 문제가 발생한다.

\(T_{B}=(1-\varepsilon) T_{B}^{S}+\varepsilon T_{B}^{C}\)       (1)

GK2A는 이러한 고도할당의 문제를 해결하기 위하여 COMS와 달리 CO2 slicing 방법으로 고도할당방법을 적용하였고, CO2 slicing 방법은 기존 방법보다 고도할당의 정확성이 더 높은 것으로 평가된다(Oh et al., 2019). 하지만 CO2 slicing 방법을 적용하여도 바람 벡터의 추적 상자 내의 다층 구름이 존재하거나 여러 유형의 구름이 함께 있을 경우 고도할당의 문제는 여전히 남아 있다. 또한 얼마나 얇은 구름인지를 결정하는 광학 두께에 대해서도 고도할당의 정확도는 달라진다(Borde and Dubuisson, 2010). 이와 같은 대기운동벡터의 문제점을 확인하기 위해 장기간 동안 수집된 바람 자료의 비교가 필요하다. 따라서 본 연구에서는 2019년 12월부터 2020년 8월까지의 1년의 자료를 수집하여 비교하고자 한다.

Table 2. Altitude grid for comparison method

GK2A에는 다양한 채널이 존재하며 각 채널의 특징에 따라 산출된 자료도 서로 다른 장단점을 가진다. 적외채널은 장파 복사 중 가장 강하고 대기의 간섭을 가장 적게 받기 때문에 지표면/구름의 방출률 측정이 용이하고 주/야간에 상관없이 24시간 관측이 가능하다는 장점을 가진다. 이 때문에 적외채널에서는 구름을 타겟으로 하는 대기운동벡터만 산출이 가능하지만 다른 채널에 비해 고도 정보를 연직으로 더 많이 포함할 수 있다. 수증기 채널은 대기의 수증기량, 온도, 구름의 유무를 알 수 있는 채널이다. 상층, 중층, 하층 수증기 채널을 가지며 제트기류의 위치를 나타내기도 하므로 상층 기압계의 움직임을 관찰하는데 유용하다. 마지막으로 가시채널은 파장이 가장 짧은 채널이며 태양의 반사 강도를 통해 안개와 하층운을 관찰하는데 사용된다. 가시채널은 구름의 성분을 이해하는데 도움을 주지만 태양이 존재하는 시간에만 관측이 가능하다는 단점이 있다. 본연구에서는 이러한 채널의 특징에 따라 ALADIN 바람 자료와 차이가 어떻게 나타나는지 분석하고자 한다.

3) 시공간 일치

두 위성의 바람 자료를 비교하기 위한 시간 일치 방법에 있어서, 30분 간격으로 제공되는 대기운동벡터의 시간을 기준으로 ±15분 이내에 들어오는 ALADIN 자료를 수집하여 비교하였다. 또한, 대기운동벡터의 수평 해상도가 ALADIN보다 훨씬 높기 때문에 통계적 신뢰도를 높이기 위해 대기운동벡터와 ALADIN 자료를 1.2°×1.2°로 격자화 하여 일대일 비교하였다. 수직 격자 조건은 Table 2와 같다.

또한, Table 1에 정리된 바와 같이 두 위성은 산출되는 바람 값의 종류가 다르다. 따라서 두 바람 자료를 비교하기 위해서는 변수가 통일되어야 하며, 본 연구에서는 대기운동벡터를 ALADIN의 HLOS 값으로 변환하여 비교하고자 한다. 이때 ALADIN의 관측연산자는 식 (2)와 같으며 GK2A의 대기운동벡터를 변환하기 위해서는 동일한 공간의 GK2A u, v 값과 ALADIN L2B 산출물의 방위각 ø을 알아야 한다.

\(H L O S=-u_{G K 2 A} \cdot \sin (\emptyset)-v_{G K 2 A} \cdot \cos (\emptyset)\)        (2)

비교를 위한 일차적인 데이터 품질관리에 있어 대기운동벡터의 경우, 품질 지수 (Quality Index; QI)를 사용한다. ALADIN과 GK2A의 바람 자료를 2019년 12월부터 2020년 2월까지 3개월 기간 동안, 품질 지수에 따라 비교한 결과는 Fig. 1과 같다. GK2A 대기운동벡터의 품질 지수를 더 엄격하게 적용할수록 두 바람 자료가 더 일치하는 것을 확인할 수 있으므로, 두 바람 자료의 비교 결과의 신뢰성을 높이기 위하여 품질 지수는 0.85 이상의 자료를 사용하여 비교한다.

Fig. 1. ALADIN and GK2A statistics and number of data depending on the QI index of GK2A.

ALADIN의 경우에는 관측 유형(청천/구름) 및 오류 추정값으로 품질관리를 진행한다. 품질관리변수는 ALADIN의 L2B 산출물에서 변수로 주어지며 관측 유형은 미채널의 경우 구름이 있는 곳에서 바람 값이 유효하다고 판단되고 레일리채널의 경우 청천에서 바람 값이 유효하다고 판단된다. 또한, ECMWF 권고사항에 따라 오류추정값은 미채널 3 m/s, 레일리채널 8 m/s의 임계 값을 적용하여 품질관리를 진행한다(Rennie and Isaksen, 2020). 본 연구에서 ALADIN과 비교될 대기운 동벡터 채널은 현재 수치예보에 활용되고 있는 5개의 채널(수증기(3개) 채널, 적외채널, 가시채널)과 ALADIN 의 미채널이다. 앞서 언급한 5개의 채널은 모두 구름을 타겟으로 하는 대기운동벡터이기 때문에 구름이 존재하는 곳에서 바람 값이 더 유효하다고 판단되는 미채널을 이용하여 두 위성의 바람 자료를 비교하고자 한다. 또한 대기운동벡터의 5개 채널은 고도에 따라 선택적으로 수치예보모델에 사용된다. 적외채널의 경우 고도에 관계없이 산출된 모든 대기운동벡터를 수치예보에 적용하지만 수증기채널의 경우는 상층(400 hPa 이하)의 자료를 위주로, 가시채널의 경우 하층(700 hPa 이상)의 자료를 위주로 활용하고 있다. 본 연구에서도 이와 동일한 고도 조건을 가지고 비교를 진행하고자 하며 고도, 위도, 계절, 채널에 따라 두 바람 자료를 비교한다. 한편, 바람의 크기는 고도와 위도에 따라 다르다. 예를 들어, 상층에서는 고도가 증가함에 따라 마찰이 감소하여 하층보다 더 큰 바람 값을 가지게 된다. 이에 따라 두 바람 자료를 비교하고 특성을 분석하기 위해서는 바람 크기를 고려하여 비교할 필요가 있으며, 고도와 위도를 고려하여 두 바람 자료를 분석하는 경우, 평균 제곱근 편차(Root Mean Squared Difference; RMSD)를 GK2A의 평균 속력으로 정규화한 NRMS (Normalized Route Mean Square) 값과 상관계수 값이 중요한 통계 지수로 사용된다.

\(N R M S=\frac{\sqrt{\frac{\sum\left\{H L O S_{G K 2 A}-H L O S_{A L A D N}\right\}^{2}}{\text { Number of data }}}}{\text { mean }\left(\left|H L O S_{G K 2 A}\right|\right)}\)       (3)

3. 결과

본 절에서는 ALADIN과 GK2A 두 위성 바람 자료의 특징을 고도, 위도, 계절, 채널에 따라 비교 분석하였다. 모든 결과의 비교 기간은 2019년 9월부터 2020년 8월까지 1년의 자료를 사용하여 연구를 진행하였다. Table 3은 비교 기간 내 모든 GK2A와 ALADIN 자료의 비교 결과로 두 바람 자료가 잘 일치 하는 것을 확인할 수 있다.

Table 3. Comparison result of ALADIN and GK2A for one year from December 2019 to August 2020

1) 고도와 위도에 따른 비교 결과

ALADIN과 비교하는 GK2A 바람 자료는 한국형수치예보모델에 활용되고 있는 고도 조건을 중심으로 비교를 진행하므로, 본 절에서 상층, 중층, 하층 비교가 가능한 적외채널에 대하여 고도에 따라 비교 결과를 분석하였다. GK2A와 비교되는 ALADIN의 채널은 2.3절에서 설명한 것과 같이 ALADIN의 미채널을 이용한다. 두 바람 자료를 비교한 결과는 Fig. 2와 같다. 비교 결과, NRMS 통계 값은 상층, 중층, 하층에서 각각 0.23, 0.26, 0.33으로 고도가 증가함에 따라 NRMS도 더 좋은 통계 값을 보여준다. 이는 하층에서 두 자료가 비교적 차이가 큰 것을 의미하지만 고도에 따른 통계 값은 상관계수가 모두 0.95 이상으로 ALADIN과 GK2A의 바람 자료가 비교적 잘 일치하고 있다고 판단된다. Fig. 2의 결과는 모든 위도 대역에 대하여 1년의 자료가 합쳐진 결과이므로 보다 자세한 분석이 필요하며, 전체적으로 좋은 통계 값을 보이나 하층에서 NRMS가 가장 큰 값을 가진다는 것은 주목할 만 하다.

Fig. 2. Comparison of IR channel and Mie channel depending on altitude for one year from December 2019 to August 2020. (a) is the result of comparison in the upper layer, above than 400 hPa. (b) is the result of comparison in the middle layer, above 400 hPa to 700 hPa. (c) is the result of comparison in the lower layer below 700 hPa.

1년 비교 결과에서 더 나아가 상세한 분석을 위해 위도를 15° 간격으로 나누어 GK2A와 ALADIN 바람 자료를 비교하였다. Fig. 3은 각 위도 대역에서 시공간 일치된 자료 수를 보여준다. 계절에 따라 고도/위도의 데이터가 변동하는 이유는 계절 특징에 의해 구름이 분포하는 위치가 다르고 시간에 따라 그 수가 달라지기 때문이다. 시공간 일치된 자료 수는 중층에서 상층과 하층보다 현저하게 작다. 이는 중층에서 측정된 GK2A 대기운동벡터의 바람 자료의 관측 수 자체가 적기 때문이다. 이를 고려하여 각 위도 대에서 시공간 일치된 자료 수가 1,000개 미만이고 전체 자료의 5%를 넘지 않는 위도 영역은 통계적으로 신뢰하기가 어렵다고 판단하여 비교 결과에서 제외하였다.

Fig. 3. Number of collocated data according to latitude in IR and Mie channels in the (a) upper, (b) middle, and (c) lower layers.

위도에 따라 비교한 결과는 Fig. 4의 테일러다이어그램과 같다. Fig. 4는 상관계수와 NRMS를 테일러다이어 그램에 나타내고 있으며 심볼의 색깔은 고도 정보를 의미하고, 심볼의 마커는 각 위도 대역의 시작점을 의미한다. 비교 결과, 몇 개의 위도 대역을 제외하고 상관계수가 0.90 이상의 값을 가지므로 대부분의 위도대에서는 ALADIN과 GK2A 바람 자료가 잘 일치하는 것으로 판단된다. 나아가 위도 대역 패턴은 계절에 따라 조금씩 다르지만 상관계수가 0.90 이상으로 큰 차이를 보이지 않는다(계절별 상세 특징은 3.2절에서 설명한다). 본 연구에서는 NRMS가 0.4 이상으로 다른 위도 대역에 비해 두 바람 자료의 차이가 크게 발생하는 원인에 대해 분석하고자 한다. 이에 대한 원인으로는 ALADIN의 바람 정확도 문제와 GK2A의 바람 정확도 문제가 논의 될 수 있다. ALADIN의 바람 자료의 오차를 일으키는 원인 중에 하나는 2.1절에서 설명한 것과 같이 ALADIN의 망원경 거울의 온도변화에 따른 바람 정확도 변화이다. Martin et al. (2020)에서는 ALADIN의 정확도를 위도에 따라 평가한 결과, ALADIN의 편차가 최대 4 m/s까지 존재하지만 Fig. 3에서 두 자료의 NRMS가 가장 큰 저위도 영역(30°S-15°S 위도 영역)에서는 ALADIN의 편차가 1 m/s 미만이다. 따라서 두 자료의 차이가 저위도 영역에서 크게 나타나는 원인에 대해 ALADIN 바람 정확도 문제를 배재할 수는 없지만 GK2A 바람 정확도에 대한 영향이 더 크다고 판단된다.

Fig. 4. Taylor diagram showing statistics of correlation and NRMS in latitude bands in (a) winter, (b) summer, (c) spring, and (d) winter. The upper, middle, and lower layers are represented in red, yellow, blue colors, respectively. Markers indicate start degree of latitude bands spaced 15 degrees interval.

대기운동벡터가 가질 수 있는 바람 오차의 가장 큰 원인은 고도할당 문제로 많은 선행 연구에서 언급되고 있다. 고도할당의 문제가 일어나는 원인을 개선하기 위하여 2019년에 발사된 GK2A에서는 CO2 slicing 방법과 같이 알고리즘을 개선하였지만, 그럼에도 불구하고 여전히 알고리즘에 따른 고도할당 문제는 남아있다. 실제로 두 자료의 차이가 크게 나타나는 원인이 고도할당으로 인한 문제인지 확인해 보기 위하여 ALADIN과 GK2A 그리고 라디오존데 자료의 연직 바람 프로파일을 비교해 보았다. Velden and Bedka (2009)에서는 대기운동벡터가 산출된 고도로부터 ±100 hPa 이내의 범위에서 두 바람 값이 가장 일치하는 고도로 고도를 재할당하였고 재할당하였을 경우 이전보다 바람 자료 간의 통계 값이 좋아지는 것을 확인하였다. 본 연구에서는 ±100 hPa 범위 내에서 고도를 재할당할 수 있는 사례가 많지 않아 ±200 hPa로 범위를 늘려 비교를 진행하였다. ALADIN 과 GK2A 바람 자료가 5 m/s 이상 차이 나는 곳에 대하여 확인해 본 결과는 Fig. 5와 같다. 실제 위성에서 산출 된 GK2A 바람 값은 Fig. 5에서 “Original assignment”로 ALADIN과 라디오존데 자료는 바람 값이 일치하지만 GK2A와는 불일치하며 GK2A 바람 값의 정확도에 문제가 있음을 나타낸다. 고도할당의 문제일 경우, GK2A 고도를 재배치해주었을 때 3개 관측(ALADIN, GK2A, 라디오존데)의 바람 자료가 일치되어야 하며, Fig. 5와 같이 고도를 재배치한 “Ideal assignment” 고도에서 3개의 바람 자료가 일치하고 있음을 보여 준다. Fig. 5는 기존 산출된 고도보다 더 높은 고도로 재배치하였을 경우 고도할당이 잘 이루어지는 경우에 대한 사례들이다. 모든 고도할당이 Fig. 5의 사례와 같이 실제 고도보다 더 낮은 고도로 할당되는 것은 아니다. 이러한 결과는 Fig. 6과 같이 실제 고도보다 더 높은 고도로 할당되는 경우도 있다. 라디오존데의 관측 위치로 인하여 분석 사례가 북반구 상층 자료로 제한적이지만 GK2A 고도할당에 문제가 나타나고 있고, GK2A AMV 고도할당 오류가 ALADIN과 GK2A의 차이를 크게 발생시키는 원인이 될 수 있음을 시사한다.

Fig. 5. Examples of reassignment of GK2A AMV height when wind data difference between ALADIN and GK2A is 5 m/s or more and when the height is reassigned higher than the original height. ALADIN (blue), GK2A (red), and radiosonde (black) profiles are compared. Profiles (a) at 11:30 on July 13, 2020, (b) at 22:30 on July 19, 2020, and (c) at 11:30 on July 27, 2020.

Fig. 6. Same as Figure 5, but for the cases when the height is reassigned lower than the original height profiles. (a) at 11:00 on February 17, 2020 and (b) at 11:00 on September 30, 2019.

GK2A 대기운동백터의 고도 할당의 문제가 일어나는 원인과 특정 위도에서 이러한 문제점이 더 두드러지는 이유에 대해 조사할 필요가 있다. 고도할당 과정은 바람 값 추정과 고도 할당 추정을 위한 추적 상자(Target box)의 대표 픽셀 선정이 중요하며, 픽셀을 선택하는 과정에 따라 고도할당 정확도에 영향을 줄 수 있다(Borde et al, 2014). 이를 위하여 현재 GK2A는 EUMETSAT 대기운동벡터에서 사용한 Optimal 방법을 사용해 표적을 선정한다(KMA, 2018). 이 방법은 표적 내 기준 픽셀을 중심으로 3×3 픽셀들의 휘도온도 편차를 모두 계산하여 그 중에서도 편차 값이 가장 큰 픽셀을 대표 픽셀로 정하는 방법이다. 즉 가장 차가운 픽셀을 이용하여 고도를 할당하는 방법이라고 할 수 있다. 이 방법은 구름의 꼭대기에서 바람 값에 대한 고도가 할당되기 때문에 추적 상자 내에 다층 구름이나 혹은 다양한 유형의 구름이 함께 존재할 경우 할당된 고도 값에 오차가 있을 수 있다. 또한, 얇은 권운(Cirrus)인 경우, 위성은 구름의 휘도온도와 구름 아래의 대기나 지표에 해당하는 휘도온도가 합쳐진 값을 관측하기 때문에 구름의 실제 휘도온도보다 더 큰 값을 관측하므로 고도할당에 오류가 생긴다. 이와 같은 문제점은 CO2 Slicing 방법을 사용하면 보완할 수 있음에도 불구하고 구름의 광학 두께가 2보다 작은 경우, 고도할당 문제가 여전히 남아있다(Borde and Dubuisson, 2010). ALADIN과 GK2A 비교 결과 상층의 경우 저위도에서 두 바람 자료 간 차이가 가장 크다. 저위도 열대 지역인 해당 영역은 대기운동벡터에 관한 선행연구에서 얇은 권운이 존재할 경우, 고도할당 문제가 더 두드러지게 나타난다고 알려져 있다(Schmetz and Holmlund, 1992, Menzel et al., 2001; Nieman et al., 1993, Velden and Bedka, 2009). 따라서 저위도에서 두 바람 자료가 불일치하는 원인은 해당 위도 영역의 얇은 권운으로 인해 고도할당이 잘못 이루어진 경우의 영향이 클 것으로 판단된다. 이 경우 고도는 실제 고도보다 더 낮은 고도로 할당된다. 얇은 권운 뿐만 아니라 추정 영역 내의 구름이 광학 두께가 0.1~10인 다층 구름일 경우 정확한 고도를 추정하는 것이 어렵고, 고도는 구름이 존재하는 층 어딘가에 할당된다(Borde and Dubuisson, 2010). 저위도 지역은 태풍이 자주 발생하는 지역으로 두꺼운 구름인 다층 구름의 적란운이 존재하여 할당된 고도에 오차가 있을 수 있다. 하층의 경우 상층과 중층보다 NRMS 가 대부분 더 큰 값을 가진다. 상층에 권운이 많이 존재하는 것과 달리 중층과 하층에서는 적운(Cumulus)과 층운(Stratocumulus)의 구름 형태가 대부분이다. 대기운동 벡터 고도가 구름 꼭대기의 높이로 할당되는데, 적운 구름일 경우 구름의 꼭대기 높이가 아닌 구름 기저의 바람이 전체 구름의 운동벡터에 더 영향을 미친다(Velden and Bedka, 2009). 이는 위성에서 산출한 고도가 실제 바람고도보다 더 높은 고도로 할당되었고, 이에 따라 하층 특정 위도에서 두 자료의 차이를 많이 발생시키는 것이라고 판단된다. 또한 앞서 언급한 상층, 중층과 동일 하게 다층 구름이 있을 경우에도 고도할당의 오류가 생길 수 있다. 이와 같이 상, 중, 하층의 특정위도에서 고도 할당의 문제가 두드러지는 것은 GK2A 대기운동벡터 만의 문제는 아니다. ALADIN과 Himawari-8 위성을 비교한 결과 Table 4와 같이 GK2A 비교 결과와 동일한 위도대에서 NRMS가더큰 것을 확인 할 수 있다.

Table 4. Comparison result of ALADIN with GK2A and with Himawari-8 wind data

실제로 GK2A의 구름분석정보 산출물을 이용하여 특정위도대에서 권운이나 적운이 더 우세하게 나타나는지 살펴본 결과는 Fig. 7과 같다. Fig. 7의 결과는 2020년 6월부터 2020년 8월의 3개월 동안의 구름 분포 결과이다. 상층의 경우 GK2A와 ALADIN이 NRMS가 가장 큰 값을 가지는 저위도 영역에서 실제로 권운이 다른 위도에 비하여 많이 분포하고 있는 것을 확인할 수 있다. 중층, 하층의 경우에는 두 바람 자료 간 NRMS 값이 큰 곳에서 두꺼운 구름인 고적운(Altocumulus)과 적운 (Cumulus)의 분포도가 높다. 따라서 GK2A의 고도할당 문제를 야기할 수 있는 구름의 분포가 특정 위도 (30°S-15°S)에서 더 많이 분포하고 있으므로 이는 특정 위도에서 대기운동벡터가 가지는 오차 특성임을 시사한다. 여름철의 하층의 경우, 15°N-30°N 위도 영역에서 NRMS가 남반구의 30°S-15°S와 동일하게 NRMS가 크게 나타나는 것을 확인할 수 있는데, 해당 위도 영역은 고도할당 문제의 원인이 되는 구름 유형이 우세하게 나타나지 않으므로 이에 대해서는 ALADIN과 대기운동 벡터 정확도에 대한 추가적인 분석이 이루어져야 한다.

Fig. 7. Distribution of cloud types depending on latitude bands (a) in upper layer, (b) in lower layer, and (C) in middle layer.

2) 계절에 따른 비교 결과

계절에 따른 비교 결과 또한 3.1절과 같이 고도를 고려하여 비교한다. 3.1절에서 분석한 결과 상관계수의 값은 큰 차이가 나타나지 않았기 때문에 보다 뚜렷한 차이를 나타내는 NRMS 값을 이용하여 결과 분석을 진행하였다. Fig. 8(a)는 위도 구분 없이 계산한 적외채널과 미채널의 월 평균 NMRS를 나타낸 그림이다. 비교 결과 계절적 차이는 뚜렷하게 나타나지 않으며 수증기채널의 경우 6.3 µm, 6.9 µm, 7.3 µm의 모든 수증기채널에서 계절에 따른 변동성은 나타나지 않았다(Fig. 8(b)). 이 결과는 적외채널의 상층과 동일한 패턴을 보인다. 하층의 가시채널은 주간에만 관측이 가능하기 때문에 계절에 따라 ALADIN과 시공간 일치 후 비교 가능한 위도 영역이 다르다. (겨울에는 남반구에서만 비교가 가능하고, 여름철에는 북반구에서만 비교 가능하다.) 이에 따라 계절적 특성이 위도에 따른 공간에 영향을 미치므로 가시채널은 제외하고 분석하였다.

Fig. 8. Seasonal comparison at monthly intervals. (a) is a comparison for the IR channel. IR channels are compared for upper (red), middle (yellow), and lower layers (blue). (b) is a comparison for WV channels. WV channels are compared for the upper layer.

3) 채널에 따른 비교 결과

Fig. 9과 Fig. 10은 각각 상층과 하층에서의 채널별 NRMS를 나타낸다. 본 절에서는 중층의 경우 적외채널 외의 다른 채널은 ALADIN 바람 자료와 비교하지 않으므로 중층에 대한 결과는 배제한다. 상층의 경우 3개의 수증기채널과 적외채널 간은 비슷한 양상을 보인다. 6.3 μm, 6.9 μm, 7.3 μm의 수증기채널은 NRMS 값이 거의 비슷하고 적외채널의 경우 수증기채널보다 NRMS 값이 조금 더 크지만 통계적으로 유의미하다고 판단할 만큼의 큰 차이는 나타나지 않는다(Fig. 9). Fig. 9에서는 1년의 자료를 사용하여 비교한 것과 달리, Fig. 10에서 북반구 여름철과 겨울철로 분류하여 비교하는데, 이는 주간에만 바람 관측이 가능한 가시채널의 특성에 따라 ALADIN 과의 시공간 일치가 제한적이기 때문이다. 저궤도 위성인 Aeolus 위성이 같은 지점을 local time 6시와 18시에 2번 관측하는데 계절에 따라 특정 위도 영역에서는 이 시간에 태양 복사를 받지 못해 가시채널의 자료가 나오지 않으므로 ALADIN과 시공간 일치가 어렵다. 따라서 ALADIN/미채널과 GK2A/가시채널의 시공간 일치된 자료는 12월, 1월, 2월에는 남반구에서만 6월, 7월, 8월에는 북반부에서만 이용이 가능하다. 이를 고려하여 분석한 결과 하층의 경우, 적외채널과 가시채널의 차이가 상층의 적외채널과 수증기채널의 비교 결과와 마찬가지로 채널별 차이가 두드러지게 나타나지 않는다(Fig 10).

Fig. 9. NRMS for each channel with regard to latitude band in the upper layer. The red color represents the IR channel and the blue color represents the WV channel.

Fig. 10. NRMS for each channel with regard to latitude band in the lower layer. Red represents the IR channel and green represents the VIS channel. (a) is a comparison result in the Southern Hemisphere from June 2020 to August 2020. (b) is comparison results in the Northern Hemisphere from December 2019 to February 2020.

4. 요약 및 결론

관측자료를 수치예보에 활용하는 과정에서 그 특징을 이해하는 것은 자료동화의 기본 단계이다. 이를 위하여 본 연구에서는 두 바람 자료를 비교함으로써 ALADIN과 GK2A의 바람 자료의 특성을 분석하였다. ALADIN과 GK2A의 정확한 비교를 위해 구름을 타겟으로 하는 대기운동벡터와 구름이 존재하는 곳에서 더 유효하다고 판단되는 ALADIN의 미채널의 바람 값을 비교하였다. 1.2°×1.2°로 격자화하여 두 바람 자료를 시공간 일치하여 비교하였으며 ALADIN 바람 자료가 안정화된 이후인 2019년 9월부터 2020년 8월까지 1년 기간의 자료를 이용했다. 두 바람 자료를 위도에 따라 비교한 결과, 대부분의 위도 대역에서 상관계수가 0.90 이상의 값을 가지므로 두 바람 자료가 잘 일치한다. 하지만 대부분의 위도 영역에서 NRMS가 0.2인 것에 비해 상층·중층의 저위도 영역과 하층의 남반구 15°~30°의 특정 위도 영역에서는 2배 이상인 0.4 이상의 큰 값을 가지고 상관계수가 0.90 이하로 나타나는 결과를 보인다. 본 연구에서는 ALADIN과 GK2A의 NRMS 값이 각 층의 특정 위도에서 비교적 크게 나타난다는 점에 주목하여 분석했다. 다수의 선행연구에서 GK2A 뿐만 아니라 다른 위성의 대기운동벡터의 정확도 문제의 주요인으로 고도할당 문제를 언급하고 있으며, ALADIN과 GK2A의 HLOS 값이 5 m/s 이상 차이 나는 지점에 대하여 라디오존데 바람 연직 분포를 이용해 GK2A 바람 고도를 재할당하면 GK2A 바람 값이 ALADIN, 라디오존데 바람 값과 잘 일치하는 것을 확인하였다. 이러한 결과는 ALADIN 과 GK2A의 바람 자료의 차이가 GK2A 고도할당 문제로부터 야기될 수 있음을 시사한다. 두 위성의 바람 값 사이에 차이가 큰 상층 저위도영역은 열대지역의 얇은 권운으로 인하여 고도할당 문제가 나타날 수 있으며, 중층과 하층의 경우에는 적운의 꼭대기로 할당된 고도가 실제로는 구름 기저면의 바람 값을 대표하기 때문에 고도할당 문제가 있을 수 있다고 알려져 있다. 실제로 위도에 따라 구름의 분포를 확인하였을 때, 중층과 하층의 경우 두 바람 값의 NRMS가 크게 나타나는 위도에서 다른 위도에 비해 실제로 적운이 다른 위도에서는 더 많이 분포하고, 상층의 경우 저위도에 권운이 더 많이 분포하고 있는 것을 확인 할 수 있었다. 두 바람 자료가 특정 위도에서 차이가 크게 나타나는 특징은 ALADIN과 Himawari-8의 비교에서도 동일하게 나타나며, 이는 대기운동벡터가 공통적으로 가지는 문제점이라고 판단할 수 있다. 이러한 특징은 적외채널 뿐만 아니라 수증기채널과 가시채널에서도 동일하게 나타나며 채널에 따른 차이는 나타나지 않는다. 또한, 계절적 특성 역시 두 바람 자료의 비교에서 나타나지 않는 것으로 확인된다.

따라서 본 연구 결과는 GK2A 대기운동벡터의 고도 할당 문제가 상층과 중층의 경우 저위도 영역에서, 하층의 경우 30°S-15°S 위도영역에서 더 두드러짐으로써 바람 자료의 정확도가 해당 영역에서 더 낮을 수 있음을 시사한다. 현재 GK2A의 대기운동벡터의 자료동화 의 품질관리는 품질지수를 통해 진행되지만 이는 고도 할당의 문제점을 반영하지 못하는 것으로 확인된다. 수치예보모델의 예보 정확도를 높이기 위해서는 양질의 자료가 필요하므로 ALADIN 바람 자료가 수치예보에서 기존 대기운동벡터의 바람 정보를 보완할 수 있음을 제시한다. 특히, ALADIN이 한국형수치예보모델에 적용된다면 고도할당의 문제가 더 크게 나타나는 위도 영역에 열대지역에 해당하는 저위도 부근과 남반구에서 예보 성능이 향상 되리라 기대된다.