Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.40 No.3 pp.259-271
DOI : https://doi.org/10.5467/JKESS.2019.40.3.259

An Application of Statistical Downscaling Method for Construction of High-Resolution Coastal Wave Prediction System in East Sea

Joon-Bum Jee1, Il-Sung Zo2,3*, Kyu-Tae Lee2,4, Won-Hak Lee5
1Research Center for Atmospheric Environment, Hankuk University of Foreign Studies, Gyeonggi-do 17035, Korea
2Research Institute for Radiation-Satellite, Gangneung-Wonju National University, Gangwon-do 25457, Korea
3GARAMBIT Solution, Gangneung-si, Gangwon-do 25457, Korea
4Department of Atmospheric & Environmental Sciences, Gangneung-Wonju National University, Gangwon-do 25457, Korea
5Research Institute for Gangwon, Chuncheon-si, Gangwon-do 24265, Korea
Corresponding author: zoilsung@gwnu.ac.kr Tel: +82-33-640-2397
March 15, 2019 May 6, 2019 June 5, 2019

Abstract


A statistical downscaling method was adopted in order to establish the high-resolution wave prediction system in the East Sea coastal area. This system used forecast data from the Global Wave Watch (GWW) model, and the East Sea and Busan Coastal Wave Watch (CWW) model operated by the Korea Meteorological Administration (KMA). We used the CWW forecast data until three days and the GWW forecast data from three to seven days to implement the statistical downscaling method (inverse distance weight interpolation and conditional merge). The two-dimensional and station wave heights as well as sea surface wind speed from the high-resolution coastal prediction system were verified with statistical analysis, using an initial analysis field and oceanic observation with buoys carried out by the KMA and the Korea Hydrographic and Oceanographic Agency (KHOA). Similar to the predictive performance of the GWW and the CWW data, the system has a high predictive performance at the initial stages that decreased gradually with forecast time. As a result, during the entire prediction period, the correlation coefficient and root mean square error of the predicted wave heights improved from 0.46 and 0.34 m to 0.6 and 0.28 m before and after applying the statistical downscaling method.



고해상도 동해 연안 파랑예측모델 구축을 위한 통계적 규모축소화 방법 적용

지 준범1, 조 일성2,3*, 이 규태2,4, 이 원학5
1한국외국어대학교 대기환경연구센터, 17035, 경기도 용인시 외대로 81
2강릉원주대학교 복사-위성연구소, 25457, 강원도 강릉시 죽헌길 7
3가람빛솔루션, 25457, 강원도 강릉시 죽헌길 7
4강릉원주대학교 대기환경과학과, 25457, 강원도 강릉시 죽헌길 7
5강원연구원, 24265, 강원도 춘천시 중앙로 5

초록


동해 연안지역의 고해상도 파랑예측을 위하여 통계적 규모축소화 방안을 적용하여 고해상도 동해 연안 파랑예 측시스템을 구축하였다. 예측시스템을 구축하기 위하여 기상청 현업에서 예측된 동해 및 남해 연안파랑예측모델과 전구 파랑예측모델의 예측결과를 이용하였다. 3일까지는 연안파랑예측모델들의 결과를 그대로 활용하였고 3일 이후 7일까지 는 전구파랑예측모델의 예측결과를 통계적 규모축소화 방안(역거리 가중 내삽방법과 조건부합성방법)을 적용하여 예측 하였다. 예측된 고해상도 연안예측시스템을 이용하여 예측된 파고의 2차원 공간분포는 연안예측모델의 초기장(분석장) 과 자기상관관계를 이용하여 검증하였고 부이 등 해양관측소 자료를 이용하여 파고 및 풍속 예측을 검증되었다. 수치모 델의 예측성능과 유사하게 초기시간에는 예측성능이 높게 나타났으나 시간이 지남에 따라 예측성능이 점진적으로 감소 되었다. 전체 기간의 파고 예측결과를 파고 관측자료를 이용하여 검증하였을 때 역거리 가중 내삽과 조건부합성방법 적 용에 따른 상관계수와 평균 제곱근 오차는 0.46과 0.34 m에서 0.6과 0.28 m로 개선되었다.



    Gangwon Regional Office of Meteorology

    1. 서 론

    한반도는 삼면이 바다로 둘러싸인 반도 지형으로 해역에 따라 다양한 특징을 보인다(Lim and Chang, 2016). 황해는 수심이 100 m 이하로 비교적 얕아 수 온의 변화는 크지 않으나 육지로 둘러싸여 있어 해 양혼합층의 깊이는 10 m 이상으로 깊게 나타나고 (Min et al., 2017) 조석차이도 10 m 가까이 나타난다 (An et al., 2017). 동해는 비교적 수심이 깊어 수온 의 변화가 심하며 한류와 난류가 교차하여 해양날씨 의 변화가 심하나 조석차이는 1 m 이하로 작다(Won and Lee, 2015). 해양관측자료는 기후변화를 비롯한 기상연구 이외에 국민안전과 직결된 재난재해와도 관 련성이 높으나 지상과 달리 관측장비 설치 및 운영 등의 문제로 관측자료의 확보가 어렵다(NDMI, 2017). 고정식 관측의 경우 깊은 수심으로 유실이 많으며 빈번한 선박관측을 수행하고 있으나 위험기상과 같은 상황에서는 관측이 어렵다. 이를 극복하고자 위성 등 의 원격관측이(Kim et al., 2005; Oh et al., 2012; Park et al., 2008) 이루어지고 있으나 원격관측 특성 으로 시공간 해상도가 낮고 구름 등의 영향이 있을 때는 관측자료의 확보가 어렵다. 이러한 이유로 수치 모델을 통한 예측자료를 이용하여 분석이 가능하다 (Kim et al., 2015). 관심에 따라 대기모델과 해양(파 고)모델을 이용할 수 있으며 동해안과 같이 국지적인 영역에 한정할 경우에는 고해상도 수치자료를 이용할 수 있다. 수치자료는 대기의 기상상태를 예측 및 분 석할 수 있는 기상모델과 해양의 수온, 염분 등 해상 의 상태와 해양면의 파고, 해상풍 등을 분석할 수 있 는 해양모델로 나눌 수 있다(You and Park, 2010).

    본 연구에서는 고해상도 파랑예측모델 구축을 위하 여 기상청에서 현업운영 중인 연안 파랑모델과 전구 파랑예측모델의 예측결과를 활용하였다. 기존에는 앙 상블 방법(Park et al., 2018), 중규모 기상모델을 이 용한 방법(Seo and Chang, 2003) 등을 이용해 한반 도 해안의 정확성 향상을 위한 연구가 있다. 이와 달 리 본 연구는 기상청에서 제공하고 있는 전구파랑 및 연안파랑모델의 예측자료에서 관련 변수를 추출하 여 공간 및 시간 규모축소기법을 적용하여 상세한 파랑예측모델을 구축하였다. 다양한 변수들이 있으나 해양레저와 관련성 높은 파고와 풍속예측결과를 검증 하였다. 검증자료는 연안모델의 초기분석자료와 기상 청과 국립해양조사원에서 운영 중인 부이 및 등표관 측소 자료를 이용하여 지점에 대한 검증을 실시하였 고 모델 초기장을 이용하여 2차원 검증을 수행하여 예측시스템의 성능을 평가하였다. 본 연구의 결과는 장기간의 고해상도 해양 자료를 필요로 하는 동해안 해양안전 및 레저 등 다양한 분야에 활용될 수 있다. 특히 동해안 해양 레저 산업의 발전에 기여할 수 있 을 것으로 분석된다.

    2. 연구자료 및 방법

    2.1. 연구 자료

    2.1.1. 기상청 파랑예측모델

    기상청에서는 다양한 형태의 해양모델을 운영하고 있으나 연안의 기상재해 및 위험성은 대부분의 파고 와 풍속 등에 민감하기 때문에 파고모델들로 한정하 여 파랑예측시스템을 구축하였다(Table 1). 전구 파랑 모델은 해상풍 관련 정보를 제공하고 있으며 약 12 일(288시간)의 장시간 예측정보를 제공하고 있으며 (NIMR, 2008) 지역 및 국지 연안 파고모델은 5종의 변수를 제공하고 있다. 이는 고해상도 해상 정보 활 용에 유용하나 3일 이내의 단시간에 대한 정보만을 획득할 수 있다(NIMR, 2007). 최근 해양 스포츠 및 레저활동을 위해서는 1주일 이상 장시간의 예측정보 에 대한 요구가 늘고 있다(KMA, 2016). 따라서 3일 이상의 중장기 상세 예측정보를 생산하기 위하여 국 지연안 파고모델의 해상도인 1 km를 목표로 공간 내 삽을 수행하였으며 72시간이후의 예측정보는 전구파 고모델의 예측정보를 이용하여 공간 및 시간 규모축 소화(downscaling) 방법을 적용하여 고해상도 예측장 을 생산한다.

    본 연구는 동해와 남해 일부를 포함한 도메인을 연구영역으로 설정하였고 동해와 부산 연안모델과 전 구모델을 합성하여 예측을 수행하였다. 그리고 구축 된 상세 연안모델은 2017년 7월 6일부터 21일까지 (16일) 매일 0000UTC와 1200UTC를 기준으로 6시간 간격으로 168시간까지 예측하는 시스템을 구축하였 다. Figure 1은 2017년 7월 15일 0000UTC에 예측된 0600UTC의 연구영역의 전구모델과 동해와 부산 연 안모델 합성의 파고와 파향 그림이다.

    2.1.2. 관측자료

    기상청과 국립해양조사원에서는 다양한 형태의 해 양관측이 운영되고 있다. 기상청에서 수집되는 부이 관측자료는 기상관측뿐만 아니라 해수온도, 파고 및 파향의 관측을 수행하는 기상부이와 파고와 해수온도 를 관측하는 파고부이가 있으며 야간 선박운행을 지 원하는 등표의 경우에는 파고를 비롯한 기상관측을 한다. 해양조사원에서는 기상부이뿐만 아니라 염분, 유향, 유속 등 다양한 해양변수들을 관측하는 대형 부이를 운영한다. Figure 2는 연구영역의 기상청 기 상부이, 파고부이, 등표 그리고 국립해양조사원의 기 상부이와 대형 부이의 위치를 나타내었으며 Table 2 에는 이들의 위치정보와 관측소 ID를 정리하였다. 이 들 관측자료 중 대부분에서 관측되어지는 파고와 해 상풍속 자료를 이용하여 본 연구에서 개발된 고해상 도 파랑예측모델의 예측결과를 검증하였다.

    2.2. 연구 방법

    본 연구에는 연안 파랑모델 2종(동해안과 부산)과 전구 파랑모델을 이용하여 고해상도(1 km 해상도) 장 기예측(7일) 모델을 구축하였다. 동해 연안 파랑 예 측시스템은 2종의 연안모델의 중첩영역이 존재하기 때문에 우선순위(동해안)를 두어 연구영역의 파랑예 측모델의 격자를 구성하였다. 55 km 해상도 전구모델 의 격자를 1 km 연안모델의 격자로 내삽하기 위하여 역거리 가중 내삽법(Inverse distance weighted (이하 IDW) interpolation; Ballarin et al., 2018)을 적용하여 상세화하였다. 그리고 72시간 이후의 예측의 전구모 델의 장기패턴 및 공간분포를 적용하고 72시간까지 연안모델의 상세 공간분포를 적용하는 통계적 규모축 소화(downscaling) 방법인 조건부 합성(conditional merge) 방법(Long et al., 2016)을 적용하였다. 구축 된 동해 연안 파랑예측시스템은 Fig. 2와 같은 영역 으로 약 1 km의 해상도로 총 격자수는 516,241개 (661×781)이다. 산출되는 변수는 해상바람(세기와 방 향)과 파고 및 파향으로 구성된다.

    2.2.1. 역거리 가중 내삽법

    본 연구에 사용된 파랑예측모델의 격자 및 예측시 간 등이 다르기 때문에 일괄적인 자료처리에 앞서 전처리가 필요하다. 전구모델의 공간해상도가 낮기 때문에 연안모델과 동일한 해상도의 격자로 내삽을 수행하여 동일한 격자 형태로 변환하였다. 전구 파랑 모델의 격자(55 km 해상도)는 연안 파랑모델의 격자 (1 km 해상도)로 내삽하였다. 즉 전구모델의 예측변 수의 값을 연안모델의 격자점으로 내삽하여 적용하는 방법으로 단순 선형내삽보다는 정교한 역거리 가중 내삽방법을 적용하여 산출하였다. 역거리 가중 내삽 은 격자점에 영향을 미치는 전구모델의 격자와의 거 리에 가중치를 주어 가까울수록 상세격자에 많은 영 향을 주는 방법이다. 역거리 가중 내삽방법은 식 (1)~(3)과 같이 나타낼 수 있다(Shepard, 1968).

    r = i = 1 n w i r i i = 1 n w i
    (1)
    w i = 1 i = 1 n d i p
    (2)
    d i = ( x + x i ) 2 + ( y + y i ) 2
    (3)

    여기서 ri는 전구모델의 변수, r국지연안모델의 구하 고자 하는 변수이고 wi는 i격자점에 위치한 변수의 역거리 가중함수, p는 거리의 멱지수(exponent of distance)이고 (=1 또는 2) di는 내삽지점과 관측점의 거리의 차이다. 즉 국지연안 파고모델의 격자점의 값 은 특정 반경내의 전구모델의 값들을 역거리 가중하 여 평균하여 산출될 수 있다.

    Figure 3b)는 2017년 7월 15일 0000UTC에 104시간 예측된 전구 파랑모델의 예측결과인 파고와 파향(Fig. 3a)을 이용하여 IDW방법을 적용하여 산출 된 연안모델 격자의 파고를 나타낸 것이다. 정성적 분석결과 전체적인 공간 패턴은 유지되고 있으며 해 안선 부근의 상세 격자점까지 내삽이 원활하게 적용 된 것을 확인 할 수 있다.

    2.2.2. 조건부 합성법(Conditional Merge, CM)

    규모축소화 방법은 낮은 해상도의 자료를 이용하여 시간 또는 공간적인 특징을 반영하여 고해상도의 자 료로 생산하는 과정을 말한다(Hidalgo et al., 2008;Abatzoglou and Brown, 2012; O’Neill et al., 2017). 연안모델의 경우 1 km이고 전구모델은 55 km의 공간 해상도를 가진다. 그러나 연안모델의 경우 72시간까 지 예측정보를 제공하기 때문에 이후 시간에 대해서 는 전구모델을 사용할 수밖에 없고 해상도가 낮아 큰 흐름의 분포에 대한 해석은 가능하지만 상세한 흐름에 대한 해석은 불가능하다. 따라서 72시간 이내 의 자료를 이용하여 전구모델의 패턴을 제거하면 상 세한 공간적인 특징을 추출할 수 있다. 이를 72시간 이후의 전구모델에 가중 적용하면 상세한 특징이 포 함된 연안모델 격자의 자료를 생산할 수 있다. 2.2.1 절에서 IDW방법으로 내삽하여 산출한 1 km 해상도의 72시간까지의 전구모델 예측장과 연안모델의 예측값 을 이용하여 격자별로 선형회귀를 계산하여 상세 특 징값(기울기)을 추출하여 72시간 이후의 전구모델 격 자에 적용한다. 조건부 합성(conditional merge (이하 CM)) 방법을 수식으로 표현하면 식 (4)~(5)와 같다.

    a = t = 1 n ( X c , t X c ¯ ) ( X g , t X g ¯ ) t = 1 n ( X c , t X c ¯ ) 2 , b = X c a X g ¯
    (4)
    X c = a X g + b
    (5)

    여기서 a와 b는 각각 기울기와 y절편을 의미하며 첨 자 c와 g는 각각 연안모델과 전구모델의 변수이고 t 는 예측시간(0~72)을 의미한다. 또한 XcXg 는 각 각 연안모델과 전구모델의 72시간까지의 평균값을 의미한다.

    연안모델의 변수값은 전구모델의 값의 변화를 이용 하여 계산될 수 있으며 여기서 a는 전구모델과 연안모 델의 관계로서 상세한 분포로 가정할 수 있다. 식 (4) 에서 산출된 기울기(상세한 특징)은 식 (5)에 적용하여 최종적인 상세격자의 값으로 보정한다. 즉, 상세격자로 내삽된 전구모델의 값에 연안모델의 상세한 특징을 적 용함으로 연안모델의 상세분포를 유지하는 것이다. Figure 3c)는 IDW 적용 후 CM 기법을 통하여 산 출된 상세 분포를 적용하여 산출된 최종 예측결과의 분포이다. 전구모델의 예측결과와 내삽한 결과와는 다 소 차이를 보인다. 이는 3일 이전의 연안모델에서 나 타난 상세패턴이 전체적인 값을 감소시켰고 국지적인 패턴이 강화되었기 때문이다. Figure 4는 시간대별 전 구모델 예측결과를 이용하여 IDW와 CM을 적용하여 산출된 상세격자의 분포도이다. 특히 동해 연안과 울 릉도 근처의 상세 흐름이 적용되어 전구모델에서 볼 수 없었던 상세 흐름이 나타나고 있다.

    2.2.3. 검증

    동해 연안모델의 예측결과에 대한 검증은 두 가지 방법으로 수행하였다. 첫번째 방법은 예측시스템의 초기분석장을 활용하여 격자점에 대한 검증이다. 연안 모델의 입력자료는 기상모델인 지역기상모델 (RDAPS, Regional Data Assimilation and Prediction System)의 바람장을 초기자료로 활용한다. 모델예측시스템의 초 기분석장은 모델의 기준이 되는 자료이며 초기분석장 이 정확할수록 예측정확도는 높아질 수 있으며 예측 정확도를 향상하기 위하여 관측자료를 이용하여 보정 하는 자료동화가 수반되어 생성된다. 예측시간에 대 한 관측자료가 존재하지 않기 때문에 예측시간에 따 라 불확실성은 증가된다. 따라서 모델의 초기분석장 은 관측값에 가장 가까우며 모델의 예측값을 평가하 기 위하여 초기분석장을 기준값으로 예측치를 평가할 수 있다.

    두번째 방법은 해양관측소에서 관측된 값을 이용하 여 모델에서 예측된 값을 검증하는 방법이다. 관측자 료와 모델격자 사이의 차이가 있어 관측값의 대표성 문제기 있으나 일반적으로 모델의 평가방법은 관측값 을 기반으로 평가되어진다.

    본 연구에서는 파랑예측모델에서 주요변수인 파고 와 해상풍속 변수를 검증변수로 선정하여 검증하였으 며 통계값은 식 (6)~(7)과 같이 상관계수(Pearson correlation coefficient (CC))와 평방근오차(Root Mean Square Error (RMSE))를 이용하여 검증하였다.

    C C = i = 1 n ( X i X ¯ ) ( Y i Y ¯ ) i = 1 n ( X i X ¯ ) 2 i = 1 n ( Y i Y ¯ ) 2
    (6)
    R M S E = i = 1 n ( X i Y i ) 2 n
    (7)

    3. 연구 결과

    2장의 자료와 방법론을 적용하여 상세 파랑예측시 스템을 구축하였고 연구영역에 대하여 2017년 7월 6 일부터 7월 21일까지 16일간 매일 0000, 1200UTC 에 168시간 예측을 수행하였다. 예측된 결과는 2차원 공간분포와 해양 관측소에 대하여 분석을 수행하였다. 그리고 2차원 공간분포에 대하여 모델의 초기분석장 을 참고자료로 가정하여 검증을 수행하였고 지점별 예측자료를 추출하여 관측자료를 이용하여 검증을 수 행하였다.

    3.1. 2차원 분포

    Figure 5는 상세 파랑 예측시스템에서 예측된 파고 와 파향이다. 예측시간은 2017년 7월 10일 0000UTC, 7월 11일 1200UTC, 7월 13일 0000UTC, 7월 15일 0000UTC, 7월 17일 0000UTC이다. 그림에서 상단의 시간은 모델의 초기시간 및 예측시간을 의미하고 그 림내의 시간은 모델 시작시간을 기준으로 예측된 시 간을 의미한다. 즉 각 열은 동일한 시각의 모델 초기 분석장과 예측결과이며 예측시간이 길어질수록 하단 의 모델 초기분석장과 차이가 큰 것을 볼 수 있다

    Figure 5에서 첫번째 행의 2017년 7월 10일 0000UTC 에 120시간 이후 예측된 파고의 값은 1.5 m 이상의 값이 나타나고 있으나 이후 행의 예측선행시간이 짧 아질수록 파고는 낮게 나타나는 것을 알 수 있다. 또 한 두번째 행에 나타난 2017년 7월 11일 1200UTC 에 84시간 이후 예측된 파속은 상대적으로 약하게 예측되었다. 그러나 파고의 전체적인 공간적인 패턴 이나 파향의 분포는 유사한 예측이 이루어지고 있음 이 확인된다.

    3.2. 지점 예측결과

    2.2절의 해양관측소 관측자료와 위치정보를 이용하 여 모델에서 예측된 결과를 비교분석하였다. Figure 6은 2017년 7월 15일 0000UTC에 예측된 파고와 해 상풍속과 관측자료의 시계열을 관측소별로 나타내었 다. 관측소는 Fig. 2와 같이 분포되어 있으며 대체로 부이의 경우 원해에 위치하고 있고 등표는 연안 또 는 항구 근처에 설치되어 있기 때문에 부이의 관측 자료의 파고 또는 해상풍속이 강하였고 등표의 경우 다소 약한 것을 알 수 있다. 그리고 파고부이의 경우 해상풍속에 대한 관측을 수행하지 않기 때문에 관측 자료는 나타나지 않는다. 관측자료의 경우 시간에 따 라 파고 또는 파속의 변동이 급격하게 변화하고 있 으나 모델의 경우는 변동성이 크지 않은 것을 볼 수 있다.

    3.3. 검증

    3.1절의 연구영역의 예측결과를 모델 초기분석자료 를 참조자료로 가정하여 모델의 공간분포에 대한 비 교분석하였고 35소의 해양관측소의 관측자료를 이용 하여 관측지점에 대한 검증을 수행하였다. 모델 영역 예측시간대별 자료수는 약 16,201,215개였으며 모 델 수행시간을 고려하여 12시간 간격으로 예측시간 대별로 검증을 수행하였다(Fig. 7a). 파고의 경우 초 기시간에 1에 가까운 상관계수를 보였고 RMSE는 0.1 m 이하였다. 예측시간이 증가함에 따라 상관계수 는 급감하였고 RMSE는 상승하였다. 예측 120시간(5 일) 이후에 상관성은 0.3 이하로 하락하였고 RMSE 는 0.5m 이상으로 증가되었다. 해상풍의 경우 초기 상관계수와 RMSE는 0.85와 1.4 m s−1였으며 120시간 이상 예측하였을 때 2.5 m s−1 이상으로 증가되었다 (Fig. 7b).

    관측자료를 이용한 검증을 수행하였을 때 자료수의 감소 등으로 초기시간의 검증결과가 모델 격자 검증 과 비교하여 다소 낮게 나타나고 있다. 또한 해상풍 속의 관측자료 검증의 경우 파고자료 검증과 비교하 여 상대적으로 상관계수가 낮고 RMSE가 높게 나타 나고 있으며 예측 80시간 이후에 상관계수와 RMSE 가 일정하게 유지되었다. 이는 관측자료 수의 1/3정 도에 해당되는 파고부이 관측소는 해상풍속 관측이 수행되지 않기 때문으로 자료수의 감소로 인한 영향 으로 분석된다.

    규모축소화 방법에 따른 파고예측결과는 해상관측 자료들을 이용하여 검증을 수행하였다. 전구모델 예 측자료를 이용하여 IDW 내삽만을 수행했을 때와 CM을 적용하였을 때로 나누어 나타내었다. 모델 수 행시간에 따른 예측의 검증과 예측시간에 따른 검증 결과를 Fig. 8에 나타내었다. 모델 수행시간에 따른 내삽만을 적용하였을 때 상관계수와 RMSE는 0.46과 0.34 m였으며 IDW내삽과 CM을 적용하여 예측하였 을 때는 0.60과 0.28 m로 개선되었다. 또한 예측시간 대별로 비교하였을 때 전체적인 예측시간대별로 상관 계수는 0.1 이상 그리고 RMSE는 0.1 이상 개선되었 다. 다시 말해, 저해상도 장기모델 예측결과를 활용 하여 상세 예측을 수행한다고 하였을 때 단순히 내 삽만을 적용하는 것보다는 국지적인 상세 분포를 적 용하였을 때 현실과 부합하는 결과를 얻을 수 있음 을 보여준다.

    4. 요약 및 결론

    본 연구에서는 기상청에서 현업운영중인 전구파랑 모델을 이용하여 동해 연안 파랑예측시스템을 구축하 였다. 예측시스템 구축을 위하여 동해와 부산 연안모 델을 합성하여 동해와 남해 일부를 포함하는 1 km 해상도의 도메인을 설정하였다. 초기 3일까지는 연안 모델의 예측자료를 활용하여 모델을 구성하였고 3일 이후 7일까지는 전구 파랑모델의 예측결과를 IDW 내 삽방법과 CM 합성 방법을 적용하였다. IDW 내삽방 법은 간단하면서도 주변 격자의 값의 영향을 거리에 따른 가중치를 두어 내삽하기 때문에 유의미한 내삽 결과를 확보 수 있다. 또한 CM 방법은 초기 예측성 능이 좋은 예측자료를 활용하여 상세 패턴을 추출하 여 예측후반부에 동일한 패턴을 적용할 수 있다. 다 시 말해, 전구모델의 거대 공간 패턴을 기반으로 연 안모델의 상세 패턴을 적용함으로써 고해상도 장기예 측 결과의 정확도를 향상시킬 수 있는 방법이다.

    구축된 예측시스템을 이용하여 2017년 7월에 대하 여 예측을 수행하였다. 예측자료는 전구모델의 예측 결과를 기반으로 수행하였고 검증은 모델예측자료를 활용한 격자 검증과 해양관측소에서 관측된 관측자료 를 이용하여 검증을 시도하였다. 지상과 다르게 해양 에서는 가용한 관측자료가 적어 본 연구에서는 기상 청과 국립해양조사원에서 운용하고 있는 35소의 부 이, 파고부이, 등표에서 수집된 파고와 해상풍 자료 를 활용하였다.

    검증결과에 따르면 대체로 초기시간에는 상관계수 0.8 이상의 높은 예측정확도를 보이고 있으나 예측시 간의 길어짐에 따라 예측성능은 감소되어 5일 이후 에는 0.4 이하로 감소되는 것을 확인할 수 있었다. 해양관측소 자료를 이용하여 검증하였을 때도 유사한 경향을 보였으나 상대적으로 모델 격자자료 검증과 비교하여 자료수가 적어 검증 수치는 다소 감소되었 다. 전체 모델 예측기간에 대한 평균 상관계수와 RMSE는 0.6과 0.28 m로서 단순 내삽만을 고려한 0.46과 0.34 m와 비교하였을 때 유의미한 개선임을 확인할 수 있다.

    최근 동해를 중심으로 서핑, 스킨스쿠버, 낚시 등 다양한 레저 활동이 급속도로 증가되고 있으며 이러 한 레저활동은 바다의 기상상태인 파고, 수온, 파향 및 해상풍의 영향에 민감하며 이에 대한 요구가 급 증되고 있다. 본 연구에서 개발된 고해상도 동해 연 안 파랑예측시스템은 국민의 여가 생활 및 레저활동 을 위한 기상 예측정보로 활용이 가능하다. 그러나 본 연구에서 구축된 예측시스템은 7월에 한정되어 연구되어졌기 때문에 일반화의 한계는 존재한다. 따 라서 장기적인 수행을 통하여 계절적인 변화 등에 대한 고려가 필요하다. 또한 본 예측시스템은 전구모 델과 연안모델에 한정적으로 적용하였기 때문에 국지 적인 흐름이나 위험기상의 발생, 발달 등에 대한 고 려는 어렵다. 따라서 이러한 국지적인 전조에 대한 적용의 연구가 필요한 것으로 사료된다.

    사 사

    이 연구는 2018년 강원지방기상청 지역기상융합서 비스연구 “강원도 해양레저기상서비스” 사업의 지원 으로 수행되었습니다.

    Figure

    JKESS-40-3-259_F1.gif

    The distributions of from Global Wave Watch (GWW) model and merged East sea and Busan Coastal Wave Watch (CWW) model by Korea Meteorological Administration (KMA).

    JKESS-40-3-259_F2.gif

    Geolocation of oceanic observations operated by KMA and Korea Hydrographic and Oceanographic Agency (KHOA) in research area.

    JKESS-40-3-259_F3.gif

    The distribution of Global Wave Watch (GWW) model, GWW_IDW, and GWW_IDW+CM at 104 hour forecast from 0000UTC July 15 2017.

    JKESS-40-3-259_F4.gif

    The distribution of GWW and GWW_IDW+CM at 006, 104, 168 hour forecast from 0000UTC July 15 2017.

    JKESS-40-3-259_F5.gif

    The prediction fields of wave height and wave field from High-Resolution East Coastal Wave Prediction System. The initial times are 0000UTC July 10, 1200UTC July 11, 0000UTC July 13, 0000UTC July 15 and 0000UTC July 15 2017, respectively.

    JKESS-40-3-259_F6.gif

    The time series of observation and model forecast for wave height (unit: m) and sea surface wind speed (unit: m s−1 ) on B021229, C022442, L000962, E022310 and K022332 stations with forecast time at 0000UTC July 15 2017, respectively.

    JKESS-40-3-259_F7.gif

    The grid and station validation of wave height and sea surface wind speed with forecast time from 0000UTC July 6 2017 to 1200UTC July 21 2017. The statistical value include correlation coefficient (CC) and root mean square error (RMSE).

    JKESS-40-3-259_F8.gif

    The correlation coefficient and RMSE of wave height with initial time (a, b) and forecast time (c, d) from 0000UTC July 6 2017 to 1200UTC July 21 2017. The forecast result adopted with IDW and IDW+CM methods.

    Table

    Information of wave watch model operated by Korea Meteorological Administration (KMA)

    Summary of oceanic observation stations from KMA and Korea Hydrographic and Oceanographic Agency (KHOA) in research area. KMA, KMA_WH, KMA_L,KHOA, KHOA_B represent KMA buoy, KMA wave height buoy, KMA light beacon, KHOA buoy and KHOA big buoy, respectively

    Reference

    1. Abatzoglou, J.T. , and Brown, T.J. ,2012, A comparison of statistical downscaling methods suited for wildfire applications. International Journal Climatology, 32, 772-780.
    2. An, H.Y. , Kim, Y.K. , and Jeong, J.H. ,2017, Impacts of land cover change of tidal flats on local meteorology in Gyeonggi Bay, West Sea of Korea. Atmosphere, 27(4), 399-409. (in Korean)
    3. Ballarin, F. , D’Amario, A. , Perotto, S. , and Rozza, G. ,2018, A POD-selective inverse distance weighting method for fast parametrized morphing. International Journal for Numerical Methods in Engineering, 117, 860-884.
    4. Hidalgo, H.G. , Dettinger, M.D. , and Cayan, D.R. ,2008, Downscaling with constructed analogues: Daily precipitation and temperature fields over the United States. California Energy Commission, PIER Energy- Related Environmental Research, CEC-500-2007-123.
    5. Kim, C.O. , Shim, J.S. , Hwang, J.S. , Lee, J.H. , Kim, S.J. , and Kim, H.W. ,2005, Mutual adjustment of oceanographic measurements from Ieodo station and satellite data. Journal of the Korean Earth Science Society, 21(2), 113-120. (in Korean)
    6. Kim, S. , Jo, Y. , Kim, Y.H. , Lim, B. , and Chang, P.H. ,2015, Impacts of Argo temperature in east sea regional ocean model with a 3D-Var data assimilation. Journal of the Korean Society of Oceanography, 20(3), 119-130. (in Korean)
    7. KMA,2016, A study on the promotion plan to utilize marine meteorological information, 11-1365002-000468- 01. Korea Meteorological Administration, 109 p. (in Korean)
    8. Lim, B.J. , and Chang, Y.S. ,2016, Development of synthetic regression diagram for analyzing linear trend of sea surface height, temperature, and salinity around the Korean marginal seas. Journal of the Korean Society of Oceanography, 21(2), 67-77. (in Korean)
    9. Long, Y. , Zhang, Y. , and Ma, Q. ,2016, A merging framework for rainfall estimation at high spatiotemporal resolution for distributed hydrological modeling in a data-scarce area. Remote Sensing, 599; doi:10.3390/rs8070599.
    10. Min, J.S. , Jee, J.B. , Jang, M. , and Park, J.G. ,2017, A study on improvement of high resolution regional NWP by applying ocean mixed layer model. Atmosphere, 27(3), 1-13. (In Korean)
    11. NDMI,2017, Study on verification of swell-like wave hazard prediction using numerical modeling and determination of natural disaster risk zone standard. National Disaster Management Research Institute, 3 p. (In Korean)
    12. NIMR,2008, Global wave watch model, NIMR technical report 2008-1, 11-1360395-000057-01. National Institute Meteorological Research, 98 p. (In Korean)
    13. NIMR,2007, High-resolution regional and coastal wave watch model, NIMR technical report 2007-1, 11-1360395-000015-01. National Institute Meteorological Research, 146 p. (In Korean)
    14. O’Neill, A.C. , Erikson, L.H. , and Barnard, P.L. ,2017, Downscaling wind and wave fields for 21st century coastal flood hazard projections in a region of complex terrain. Earth and Space Science, 4, 314-334.
    15. Oh, S.Y. , Jang, S.W. , Kim, D.H. , and Yoon, H.J. ,2012, Temporal and spatial variations of SL/SST in the Korean peninsula by remote sensing. Journal of Fishsries and Marine Sciences Education, 24(2), 333-345. (in Korean)
    16. Park, K.A. , Sakaida, F. , and Kawamura, H. ,2008, Error characteristics of satellite-observed sea surface temperature in the Northeast Asian sea. Journal of Korean Earth Science Society, 29(3), 280-289. (in Korean)
    17. Park, J.S. , Kang, K.R. , and Kang, H.S. ,2018, Development and evaluation of an ensemble forecasting system for the regional ocean wave of Korea. Journal of Korean Society of Coastal and Ocean Engineers, 30(2), 84-94. (in Korean)
    18. Seo, J.W. , and Chang, Y.S. ,2003, Characteristics of the monthly mean sea surface winds and wind wave near the Korean marginal seas in the 2002 year computed using MM5/KMA and WAVEWATHC-3 model. Journal of the Korean Society of Oceanography, 8(3), 262-273.
    19. Shepard, D. ,1968, A two-dimensional interpolation function for irregularly-spaced data. Proceedings of the 1968 ACM National Conference, 517-524.
    20. Won, J.H. , and Lee, Y.W. ,2015, Spatiotemporal variations of marine environmental parameters in the Southwestern region of the East sea. Journal of the Korean Society of Oceanography, 20(1), 16-28. (in Korean)
    21. You, S.H. , and Park, J.S. ,2010, Research on wind waves characteristics by comparison of regional wind wave prediction system and ocean buoy data. Journal of Ocean Engineering and Technology, 24(6), 7-15. (in Korean)