• 대기
• /
• 제28권3호
• /
• pp.233-245
• /
• 2018

This study explores the Subseasonal-to-Seasonal (S2S) prediction skills of the Northern Hemisphere mid-latitude geopotential height in the Global Seasonal forecasting model version 5 (GloSea5) hindcast experiment. The prediction skills are quantitatively verified for the period of 1991~2010 by computing the Anomaly Correlation Coefficient (ACC) and Mean Square Skill Score (MSSS). GloSea5 model shows a higher prediction skill in winter than in summer at most levels regardless of verification methods. Quantitatively, the prediction limit diagnosed with ACC skill of 500 hPa geopotential height, averaged over $30^{\circ}N{\sim}90^{\circ}N$, is 11.0 days in winter, but only 9.1 days in summer. These prediction limits are primarily set by the planetary-scale eddy phase errors. The stratospheric prediction skills are typically higher than the tropospheric skills except in the summer upper-stratosphere where prediction skills are substantially lower than upper-troposphere. The lack of the summer upper-stratospheric prediction skill is caused by zonal mean error, perhaps strongly related to model mean bias in the stratosphere.

• 대기
• /
• 제28권2호
• /
• pp.123-139
• /
• 2018

The prediction skills of stratospheric sudden warming (SSW) events and its impacts on the tropospheric prediction skills in global seasonal forecasting system version 5 (GloSea5), an operating subseasonal-to-seasonal (S2S) model in Korea Meteorological Administration, are examined. The model successfully predicted SSW events with the maximum lead time of 11.8 and 13.2 days in terms of anomaly correlation coefficient (ACC) and mean squared skill score (MSSS), respectively. The prediction skills are mainly determined by phase error of zonal wave-number 1 with a minor contribution of zonal wavenumber 2 error. It is also found that an enhanced prediction of SSW events tends to increase the tropospheric prediction skills. This result suggests that well-resolved stratospheric processes in GloSea5 can improve S2S prediction in the troposphere.

• 한국지구과학회지
• /
• 제43권4호
• /
• pp.511-519
• /
• 2022

Given the significant social and economic impact caused by heat waves, there is a pressing need to predict them with high accuracy and reliability. In this study, we analyzed the real-time forecast data from six models constituting the Subseasonal-to-Seasonal (S2S) prediction project, to elucidate the key mechanisms contributing to the prediction of the recent record-breaking Korean heat wave event in 2018. Weekly anomalies were first obtained by subtracting the 2017-2020 mean values for both S2S model simulations and observations. By comparing four Korean heat-wave-related indices from S2S models to the observed data, we aimed to identify key climate processes affecting prediction accuracy. The results showed that superior performance at predicting the 2018 Korean heat wave was achieved when the model showed better prediction performance for the anomalous anticyclonic activity in the upper troposphere of Eastern Europe and the cyclonic circulation over the Western North Pacific (WNP) region compared to the observed data. Furthermore, the development of upper-tropospheric anticyclones in Eastern Europe was closely related to global warming and the occurrence of La Niña events. The anomalous cyclonic flow in the WNP region coincided with enhancements in Madden-Julian oscillation phases 4-6. Our results indicate that, for the accurate prediction of heat waves, such as the 2018 Korean heat wave, it is imperative for the S2S models to realistically reproduce the variabilities over the Eastern Europe and WNP regions.

• 대기
• /
• 제31권2호
• /
• pp.215-227
• /
• 2021

The necessity of the prediction on the Seasonal-to-Subseasonal (S2S) timescale continues to rise. It led a series of studies on the S2S prediction models, including the Global Seasonal Forecasting System Version 5 (GloSea5) of the Korea Meteorological Administration. By extending previous studies, the present study documents sea surface temperature (SST) prediction skill around the Korean peninsula in the GloSea5 hindcast over the period of 1991~2010. The overall SST prediction skill is about a week except for the regions where SST is not well captured at the initialized date. This limited prediction skill is partly due to the model mean biases which vary substantially from season to season. When such biases are systematically removed on daily and seasonal time scales the SST prediction skill is improved to 15 days. This improvement is mostly due to the reduced error associated with internal SST variability during model integrations. This result suggests that SST around the Korean peninsula can be reliably predicted with appropriate post-processing.

• 한국지구과학회지
• /
• 제39권3호
• /
• pp.211-227
• /
• 2018

본 연구에서는 한국기상청의 장기예측시스템 현업모형인 GloSea5의 성층권 극소용돌이 강화사례에 대한 예측성을 진단 및 검증하였다. 진단에 사용된 통계량은 이상상관계수(ACC, Anomaly Correlation Coefficient)와 평균제곱근 예측성(MSSS, Mean Squared Skill Score)으로, 1991-2010년간 발생한 14개 극소용돌이 강화사례에 대한 GloSea5의 예측성한계는 ACC를 기준으로 13.6일, MSSS를 기준으로 18.5일로 나타났다. 모형의 평균제곱오차(MSE, Mean Squared Error)의 각 성분을 정량적으로 비교분석한 결과, 예측성을 저하시키는 가장 큰 요인은 맴돌이(에디)오차로, 그 중 에디의 위상오차가 전체 예측오차의 큰 부분을 차지하는 것으로 나타났다. 또한 극소용돌이 현상이 수평적으로 큰 규모를 가지는 만큼 동서파수 1의 에디와 관련한 오차가 더 작은 규모의 에디에 비해 가장 크게 예측오차에 기여하는 것으로 나타났다. 한편, 분석한 사례들에 대하여 GloSea5의 대류권 순환에 대한 예측성은 성층권 예측성과는 큰 관련이 없는 것으로 나타났다. 이는 단순히 GloSea5 모형이 성층권-대류권 접합과정을 잘 모의하지 못하기 때문에 나타난 결과로 유추할 수 있다. 하지만, 극소용돌이 강화에 의한 영향에 비해 대류권에서 내부변동성의 절대적인 크기가 종종 크게 나타난다는 점을 감안하면, 모형에서 성층권-대류권 접합을 잘 모의하고 있더라도 극소용돌이 강화 자체만의 영향이 뚜렷하게 나타나지 않았을 가능성 또한 간과하면 안 될 것이다.

• 한국농림기상학회지
• /
• 제25권2호
• /
• pp.80-98
• /
• 2023

본 연구에서는 계절내-계절(Subseasonal to seasonal, S2S) 기후예측의 주별 예측 성능을 개선하기 위해서 딥러닝 기반의 후보정(post processing) 기술을 개발하였다. 그 첫 단계로, 일 최고, 최저기온과 일 강수를 목표 변수로, 자료의 특성과 분포에 적합한 자료 변환 및 특성 공학 기법을 규명하고자 하였다. 먼저, 6개 개별 기후모델의 S2S 예측 자료를 딥러닝 모델에 입력하기 위한 훈련자료로 변환하고, 이로부터 다중모델앙상블(Multi-Model Ensemble, MME) 기반 훈련자료를 구축하였다. 참값(label)으로는 ECMWF의 ERA5 재분석 자료를 사용하였다. 자료 변환 알고리즘은 최고 및 최저 차이를 계산하여 입력자료의 범위를 변형시키는 MinMax 및 MaxAbs 변환, 표준편차를 이용하는 Standard 변환 및 분위수를 지정하여 변형하는 Robust와 Quantile 변환으로 구성된 전처리 파이프라인을 구축하였으며, 변환된 훈련자료와 예측 변수와의 상관관계를 계산하여 순위에 따라 훈련자료의 특성을 선택하는 특성 선택 기법을 추가하였다. 본 연구는 U-Net 모델에 TimeDistributed wrapper를 모든 합성곱 층(convolutional layer)에 적용하여 활용하였다. 5개 알고리즘으로부터 변환된 6개 개별 기후모델 및 MME S2S 훈련자료(일 최고 및 최저기온, 강수)에 훈련 모델을 적용한 결과와 훈련 모델을 적용하지 않은 결과를 ERA5와의 공간상관계수(spatial Pattern Correlation Coefficient)를 계산하고 그 개선율인 기술 점수(skill score)를 평가한 결과, 일 강수의 PCC 기술 점수는 Standard 및 Robust 변환으로 처리된 것에서 전체 예측선행(1~4주)에 대해 모두 높았고, 일 최고 및 최저기온에서는 예측 선행시간 3~4주에서만 높게 나타났다. 또한, 일 강수에서 특성 선택에 따른 훈련자료의 차원 감소가 예측 성능 변화에 영향을 미치지 않는 것으로 나타났다. 일 최고 및 최저기온의 경우에는 특성 선택에 의한 훈련자료의 특성 정보 감소가 오히려 예측 성능을 저하시킬 수 있는 것으로 확인되었으며, 원시자료에서 예측성이 높은 1~2주 기온 예측 개선을 위한 적합한 전처리 변환 알고리즘이나 특성 선택을 찾을 수 없었다. 후속 연구에서는 원시 예측 성능이 강수에 비해 높으나 딥러닝 훈련 모델에 의한 후보정 효과가 미미한 예측 선행 1~2주 기온 예측의 저조 원인에 대해 탐색하고, 다양한 딥러닝 훈련 모델로의 적용 및 초매개변수 조정 등 학습 과정의 최적화를 통해 S2S 기후 예측 성능을 개선하고자 한다.

• 한국수자원학회논문집
• /
• 제52권7호
• /
• pp.475-482
• /
• 2019

2주에서 2개월까지 선행기간을 가지는 계절내-계절(Subseasonal-to-Seasonal, S2S) 예측결과는 산업전반에 걸쳐 다양한 분야에 활용이 가능할 것으로 기대되고 있으나, 일기예보나 중장기 예보대비 낮은 예측성으로 인하여 현재까지 활용성이 매우 낮은 실정이다. 본 연구에서는 기계학습 기법중 비선형회귀 분야에서 좋은 결과를 보여주는 다층퍼셉트론 기법을 이용하여 S2S 예측자료의 후처리를 통한 국내 영역에서의 강수예측성 향상에 관한 연구를 수행하였다. 후처리 모형의 학습을 위한 입력자료로는 ECMWF의 S2S 과거예측(Hindcast) 정보를 이용하였으며 양분예보기법에 기반하여 학습된 다층퍼셉트론 모델을 이용한 후처리 결과와의 비교 분석이 수행되었다. 비교분석 결과 편차도(Bias score)는 평균 59.7% 감소하였고, 정확도(Accuracy)는 124.3% 증가하였으며, 임계성공지수(Critical Success Index)는 88.5% 향상된 것으로 분석되었다. 탐지확률(Probability of detection)의 경우 원자료 대비 평균 9.5% 감소하였으나 이는 ECMWF의 예측모델이 강수의 발생일을 과도하게 예측하였기 때문인 것으로 분석되었다. 본 연구 수행 결과 비록 ECMWF의 S2S 예측자료의 예측성이 낮더라도 후처리를 통해 예측성을 향상 시킬 수 있음을 확인하였으며, 본 연구 결과는 향후 수자원과 농업 분야에서 S2S 자료의 활용성을 높이는데 도움이 될 수 있을 것으로 판단된다.

• 한국농공학회논문집
• /
• 제61권1호
• /
• pp.1-8
• /
• 2019

Developing reliable soil moisture prediction techniques at agricultural regions is a pivotal issue for sustaining stable crop productions. In this study, a physically-based SWAP(Soil-Water-Atmosphere-Plant) model was suggested to estimate soil moisture dynamics at the study sites. ROSETTA was also integrated to derive the soil hydraulic properties(${\alpha}$, n, ${\Theta}_r$, ${\Theta}_s$, $K_s$) as the input variables to SWAP based on the soil information(Sand, Silt and Clay-SSC, %). In order to predict the soil moisture dynamics in future, the mid-term TIGGIE(THORPEX Interactive Grand Global Ensemble) and long-term S2S(Subseasonal to Seasonal) weather forecasts were used, respectively. Our proposed approach was tested at the six study sites of RDA(Rural Development Administration). The estimated soil moisture values based on the SWAP model matched the measured data with the statistics of Root Mean Square Error(RMSE: 0.034~0.069) and Temporal Correlation Coefficient(TCC: 0.735~0.869) for validation. When we predicted the mid-/long-term soil moisture values using the TIGGE(0~15 days)/S2S(16~46 days) weather forecasts, the soil moisture estimates showed less variations during the TIGGE period while uncertainties were increased for the S2S period. Although uncertainties were relatively increased based on the increased leading time of S2S compared to those of TIGGE, these results supported the potential use of TIGGE/S2S forecasts in evaluating agricultural drought. Our proposed approach can be useful for efficient water resources management plans in hydrology, agriculture, etc.