기상청 국지기상예측시스템을 이용한 서울의 도시열섬강도 예측 평가
변재영* · 홍선옥 · 박영산 · 김연희
기상청 국립기상과학원, 63568, 제주특별자치도 서귀포시 서호북로 33
Evaluation of the Urban Heat Island Intensity in Seoul Predicted from
KMA Local Analysis and Prediction System
Jae-Young Byon*, Seon-Ok Hong, Young-San Park, and Yeon-Hee Kim
National Institute of Meteorological Sciences, Korea Meteorological Administration, Seohobuk-ro 33, Seogwipo 63568, Korea
Abstract: The purpose of this study was to evaluate the urban heat island (UHI) intensity and the corresponding surface temperature forecast obtained using the local data assimilation and prediction system (LDAPS) of the Korea Meteorological Administration (KMA) against the AWS observation. The observed UHI intensity in Seoul increases during spring and winter, while it decreases during summer. It is found that the diurnal variability of the UHI intensity peaks at dawn but reaches a minimum in the afternoon. The LDAPS overestimates the UHI intensity in summer but underestimates it in winter. In particular, the model tends to overestimate the UHI intensity during the daytime in summer but underestimate it during the nighttime in winter. Moreover, surface temperature errors decrease in summer but increase in winter. The underestimation of the winter UHI intensity appears to be associated with weak forecasting of urban temperature in winter. However, the overestimated summer UHI intensity results from the underestimation of the suburban temperature forecast in summer. In order to improve the predictability of the UHI intensity, an urban canopy model (MORUSES) that considers urban effects was combined with LDAPS and used for simulation for the summer of 2017. The surface temperature forecast for the city was improved significantly by adopting MORUSES, and there were remarkable improvements in urban surface temperature morning forecasts. The urban canopy model produced an improvement effect that weakened the intensity of the UHI, which showed an overestimation during summer.
Keywords: Urban heat island, local data assimilation and prediction system, LDAPS, urban canopy model, MORUSES 요 약: 본 연구는 기상청 현업모델(LDAPS)로부터 예측된 서울의 도시열섬 강도와 지상 기온을 AWS 관측과 비교 평가하 였다. 관측된 서울의 열섬 강도는 봄과 겨울동안 증가하며 여름동안 감소한다. 열섬 강도의 시간적 변동 경향은 새벽 시간 최대, 오후에 최소를 보인다. 기상청 국지기상예측시스템(LDAPS)으로부터 예측된 열섬 강도는 여름철 과대모의, 겨울철 과 소모의 특징을 보인다. 특히 여름철은 주간에 과대 모의 경향이 증가하며, 겨울은 새벽 시간 과소 모의 오차가 크게 나타난 다. LDAPS에서 예측된 지면 기온의 오차는 여름철 감소하며 겨울철 증가한다. 겨울철 열섬 강도의 과소 모의는 도시 기온 의 과소 모의와 관련되었으며, 여름철 열섬 강도의 과대 모의는 교외 지역 기온의 과소 모의로부터 기인하는것으로 판단된 다. 도시 열섬강도 예측성 개선을 위하여 도시효과를 고려하는 도시캐노피모델을 LDAPS와 결합하여 2017년 여름 기간동 안 모의하였다. 도시캐노피모델 적용 후 도시의 지면 기온의 오차는 개선되었다. 특히 오전시간 과소모의되는 기온의 오차 개선 효과가 뚜렷하였다. 도시캐노피모델은 여름동안 과대 모의하는 도시열섬강도를 약화시키는 개선 효과를 보였다. 주요어: 도시열섬, 국지기상예측시스템, LDAPS, 도시캐노피모델, MORUSES
*Corresponding author: [email protected] *Tel: +82-64-780-6627
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http:// creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
136
변재영·홍선옥·박영산·김연희서
론
도시의 많은 인구, 산업시설, 복잡한 지표이용 도 등 교외 지역과의 차별화된 특징은 도시에서 만 존재하는 도시기상 현상을 존재하게 한다. 도 시기상 예측과 연구를 위해서는 도시특성에 의해 발생하는 기상현상을 관측하고 모의하는 수치모 델이 필요하다. 기상청의 현업 관측망은 종관 기 상관측을 목적으로 하므로 도시기상 연구를 위해 서는 현업 관측망보다 고해상도의 관측망이 요구 된다. 또한 도시기상 모의를 위해서는 국지기상 예측 목적의 기상청 현업 수치모델보다 고해상도 를 가지는 수평해상도 수 십 m~수 백 m 규모의 수치모델과 빌딩, 인공열 등 도시의 인공적인 요 인을 고려할 수 있는 모델 예측이 필요하다. 교외 지역과 도시의 대표적인 차이 중의 하나 는 도시 지표이용도의 다양성이다. 교외 지역은 넓은 지역에 대하여 균질한 지표이용도 특성을 가지나, 도시에서는 좁은 공간에서도 다양한 지 표이용도변화의 특징을 보인다. 대기 하층의 기 상 변화는 지표이용도 특성과 밀접히 관련되어 있으므로 도시의 복잡한 지표이용도는 국지적인 도시 기후 차이를 유발한다(Hong et al., 2013). 따라서, 도시 기후를 연구하기 위해서는 상세한 기상 자료에 기반한 분석이 필요하다. 그러나 현 재 가장 조밀한 기상청의 AWS 관측망은 서울에 서 대략 5 km 정도 거리이므로 고해상도 수치모 델에 의한 도시기상 정보 제공이 요구된다. 도시 효과에 의한 가장 대표적인 기상현상은 도시열섬이며, 관측, 모델링을 통한 도시열섬 관 련 많은 선행 연구가 수행하였다(Bornstein, 1968; Kim and Baik, 2002; Kim and Baik, 2004; Kim and Baik, 2005; Lee and Baik, 2010; Park et al., 2016; Schatz and Kucharik, 2014; Tomlinson et al, 2011; Zhou et al, 2013). 도시 열섬은 국내 외 주요 도시에 관하여 보고되어 왔으며, 국내의 서울, 부산, 대구, 광주 등 주요 대도시 도시열섬 특징은 야간과 새벽시간, 계절적으로는 겨울철 강도가 증가하며 기상 조건에 따라서는 풍속에 반비례, 강수가 없는 날 최대임이 밝혀졌다(Ahn and Kim, 2006; Do and Jung, 2012; Kim and Baik, 2002; Kim and Baik, 2004; Kim and Baik, 2005; Koo et al, 2007; Lee and Baik,2010; Park, 2004; Park et al, 2016). 국외 도시 열섬 강도는 뉴욕, 멕시코시티, 벵쿠버에서 가을, 겨울 야간에 최대이며, 런던은 여름철 야간에 최 대로 나타났다(Bornstein, 1968; Cui and de Foy, 2012; Jauregui, 1997; Runnalls and Oke, 2000, Wilby, 2003). 도시 열섬은 에너지, 보건, 폭염 예 측 등과 관련하여 중요하다. 도시 열섬은 폭염 기간 도시의 기온을 더욱 상승시키고 사망률이 증가할 수 있다(Li and Elie, 2013). 그러므로, 도 시 열 저감과 완화를 위한 도시정책, 도시계획 수립을 위해서는 정확하고 정밀한 도시 열섬에 관한 정보가 필요하다. 상세한 도시정보 제공을 위해서 기존 관측망 자료는 한계가 있으며, 수치모델 자료의 활용이 필요하다. 기상청 현업 국지규모 수치모델은 영 국기상청에서 개발된 통합모델(Unified Model, UM)에 기반하고 있으며 수평격자는 1.5 km 해상 도와 연직으로 70개 층으로 운영된다. 현업 국지 기상예측시스템의 도시지역 예측을 위한 지면 과 정은 도시를 판상형으로 취급하는 Best 방안 (Best, 2005)으로 모의하며, Best 방안은 도시 건 물 특성을 고려하지 않는다. 도시기상 예측 정확 도 향상을 위해서 도시 건물 및 인공열과 같은 도시 특성을 반영하는 수치모델 운영이 필요하다. 도시 특성을 반영할 수 있는 수치모델 중의 하 나는 전산유체역학 모델과 같은 미규모 모델이다. 그러나 전산유체역학 모델은 작은 격자 간격으로 운영되므로 많은 계산시간이 소요된다. 반면, 도 시캐노피모델은 중규모 모델과 결합되어 도시의 특성을 고려하므로 도시물리과정을 포함하면서도 계산적인 경제성을 갖는다. 따라서 도시캐노피모 델을 이용하여 도시 기상예측 정확도를 향상하고 자 하는 많은 연구들이 수행되어 오고 있다 (Byon et al., 2010; Chen et al., 2011; Kusaka et al., 2001; Lee and Park, 2008; Masson, 2000; Oleson and Bonan, 2008a; Oleson and Bonan, 2008b; Porson et al., 2010a; Porson et al., 2010b; Wie et al., 2020). UM 모델은 도시효과 를 고려하기 위하여 도시캐노피 모델 MORUSES (Met Office-Reading Urban Surface Exchange Scheme) 방안이 결합되었다(Andres et al., 2020; Hertwig et al., 2020; Hong et al., 2018; Hong et al., 2019; Kim et al., 2019; Porson et al.,
2010a; Porson et al., 2010b; Wie et al., 2020). UM 모델과 MORUSES 도시캐노피모델을 결합 한 UM-MORUSES 모델은 2016년 8월 폭염기간 서울 지역에 대하여 모의 성능이 검증되어 Best 방안보다 예측성이 향상됨을 보였다(Hong et al., 2018). 그러나 Hong et al. (2018) 연구는 도시캐 노피 모델을 이용한 지표이용도 자료와 도시모수 화 방안에 관한 민감도 실험을 목적으로 자료동 화 과정을 포함하는 현업 모델과는 차이가 있다. 본 연구는 자료동화 과정을 포함한 현업 국지예 측시스템과 도시캐노피 모델과의 결합 운영 체계 를 구축하고 기상청 현업 모델과 도시캐노피 모 델에 의한 개선 효과를 비교하고자 한다. 기존 도시열섬에 관한 선행 연구는 관측 자료 를 이용하여 수행되어왔다. 그러나, 기존 관측망 의 공간 분해능은 도시규모보다 크므로, 도시열섬 강도의 국지적 특성 연구를 위해서는 상세모델에 의한 도시열섬 연구가 필요하다. 본 연구에서는 고해상도의 수치모델을 이용하여 도시열섬 특성 을 조사 하고자 한다. 또한 현업 수치모델의 검증 은 기온, 습도, 강수, 바람 등이 검증되고 있으나 도시열섬 강도에 대해서는 수행되지 않았다. 그러 므로 현업 국지예측시스템의 서울 도시열섬 강도 예측을 평가하고 예측성 향상을 위하여 도시캐노 피모델 적용 방안에 관하여 분석하고자 한다.
자료 및 실험방법
기상청 국지기상예측시스템 기상청 현업 국지기상 예측시스템(Local Data Assimilation and Prediction System, KMA, 2014) 은 영국기상청에서 개발된 통합모델(Unified Model) 기반의 국지기상예측시스템으로 그 영역은 Fig. 1과 같다. 예측 시간은 총 하루 8회로 00, 06, 12, 18 UTC에는 36시간 예측, 03, 09, 15, 21 UTC에는 초기자료 생성을 위한 3시간 예측을 수 행한다. 본 연구에서 사용된 예보 자료는 통합모델 버 전 10.1로부터 예측되었으며, 수평과 연직 격자체 계는 각각 Arakawa C-grid와 Charney-Philips 체 계를 terrain-following hybrid-height 좌표계를 사 용한다. 수평해상도는 가변격자체계를 적용하여 내부의 1.5 km 해상도, 외부의 4 km 해상도의 고 정격자 구역과 내부에서 외부로의 1.5 km 해상도 에서 4 km 해상도로 증가하는 가변 격자 구역으 로 구성되었으며, 격자수는 1188(동서)×1148(남북) 로 한반도와 동아시아 영역 일부를 포함하고 연 직 층은 70개 층이다. 통합모델에 사용되는 물리 모수화과정들로는 미세물리과정은 large-scale precipitation (Wilson and Ballard, 1999), 경계층물리과정은 boundary-layer mixing (Lock et al., 2000)을 사용하였으며, 복사물리과정(spectral band radiation)으로는 Edwards and Slingo (1996), 지면물리과정으로는 JULES 지면모델(Best et al., 2011)을 사용하였다. 또한 중력파항력과정(gravity wave drag)은 Webster et al. (2003), 유한차분법을 사용하며 반암시 라그랑 지 방법(semi-implicit semi-lagrangian)을 이용하 여 시간 적분을 수행한다. 모델의 초기장과 경계 자료는 기상청 전구예보모델(Global Data Assimilation and Prediction System, GDAPS) 자료를 사용하 였다.도시모수화 방안
통합모델의 도시 모수화 방안인 Best Scheme 은 통합모델에서 기본으로 사용되며, 간단한 형 태로 도시를 판으로 간주한다. 반면 MORUSES (Met Office-Reading Urban Surface Exchange Scheme, Porson et al., 2010a; Porson et al., 2010b)는 건물의 형태를 고려한 도시 모수화 방 안으로 건물 높이(H), 건물 외관비(H/W), 건물이 반복되는 비(W/R) 등의 도시형태변수를 고려하 며, 지표특성변수인 방출률, 알베도, 열용량, 거칠 기 길이를 계산한다. 또한 도시지역 내의 식생의 분포는 모자이크 기법을 통해 고려되며 잠열에 영향을 미친다. 이는 Best and Grimmond (2015) 에서 언급한 성능이 우수한 도시 모수화 방안의 특성인 도시 지표내 식생분포의 고려와 도시형태 변수를 이용한 알베도 산정 등이 모두 적용되어 있다. MORUSES에 관한 자세한 설명은 Porson et al. (2010a)에 기술되어 있다. 도시형태변수는 모델내 각 격자의 도시비율(urban land-use fraction) 을 이용하여 도시형태변수들을 계산하는 Bonhenstengel et al. (2011)의 경험식을 사용하였고 그 식은 다 음과 같다.
138
변재영·홍선옥·박영산·김연희 (1) (2) (3) 식 (1)-(3)의 평면적지수(λp)와 앞면적지수(λf), 건물높이(H)는 각 격자 내 도시지표 비율(fu,urban land-use fraction)로부터 계산할 수 있으며, 건물 외관비(H/W)와 건물이 반복되는 비(W/R)는 H/W=πλF/2(1−λp)와 W/R=1−λp으로 계산하였다. 모의 기간 및 검증자료 본 연구에서 사용된 LDAPS 모의 기간은 2016 년 6월부터 2017년 8월이다. 수치모의된 도시열 섬 강도의 변동성 분석은 2016년 6월~2017년 5 월 까지의 1년 기간에 대하여 분석하였으며, 도 시 모수화 방안에 의한 개선 효과 분석을 위해서 는 2017년 6월~8월 까지의 여름 기간 모의 결과 를 분석하였다. 수치모델로부터 예측된 결과 검 증을 위해서는 기상청 AWS 관측 자료를 이용한 다. 모의된 예측과 관측된 AWS 자료는 1시간 간 격 자료를 이용한다. 서울은 25개소 지점, 교외지 역으로 정의된 지역은 21개소의 AWS 자료를 이 용하며 Fig. 1에서 모델 영역과 관측 지점 위치 를 제시하였다. 또한 서울 AWS 관측소 이름을 포함 지도는 Hong et al. (2013)에서 참고할 수 있다. λp=22.88fu6–59.47fu5+57.75fu4–25.11fu3+4.33fu2+0.19fu λf=16.41fu6–41.86fu5+40.39fu4–17.76fu3+3.24fu2+0.06fu H 167.41f= u5–337.85fu4+247.81fu3–76.37fu2+11.48fu+4.48
결
과
서울 도시열섬강도 특성 및 예측성 평가 2016년 6월부터 2017년 5월까지의 AWS 관측 자료를 이용하여 서울 도시열섬 강도 특성을 분 석하였다. 도시열섬 강도(UHII)의 정의는 서울 지상기온 관측값과 21개 교외 지점의 지상기온 관측 평균값과의 차이로 정의하였으며 식 (4)와 같다. UH11=Turban−Trural (4) 여기서, UHII는 도시열섬강도, Turban은 서울 지상기온 관측값, Trural은 21개 교외지점 지상 기온 관측의 평균값을 나타낸다. Fig. 2(a)는 서울 열섬강도의 연 분포 조사를 위하여 2016년 6월부터 2017년 5월까지의 평균 크기를 제시하였다. 연 평균 열섬강도의 크기는 양의 값을 나타내어 서울은 교외 지역보다 온도 가 높은 열섬의 특징을 보이며, 지역에 따라 0.3 (김포공항)~2.1oC(영등포) 분포를 보인다. 서울 도 시열섬강도 연 분포는 도심에서 증가하고 도시의 외곽에서 감소하는 분포를 보인다. 특히, 관악산 이 위치한 서울 남부와 북한산이 위치한 서울 북 부에서 작은 값을 보인다. 열섬 강도의 최댓값은 여의도, 강동, 강남 근처에서 나타나며 한강 북쪽 보다는 남쪽에서 열섬 강도는 증가한다. 열섬 강도를 주·야간으로 분류하여 각각의 평 균 분포를 Fig. 2(b)와 (c)에서 제시하였다. 주간 의 열섬 강도 크기는 0.03~1.05o C, 야간은 0.41~ 3.32oC 분포를 나타내어 야간의 열섬 강도는 주 간보다 최대 3배 이상 강하게 나타났다. 지역적 인 분포는 연 평균과 유사하여 한강의 남쪽과 서 울 동쪽에서 열섬 강도는 높게 나타났다. 서울의 열섬 강도는 야간, 도심에서 가장 크게 나타나는 특징을 보였다. Fig. 3에서는 주·야간 열섬 강도의 계절 변동성 을 조사하기 위하여 2016년 6월부터 2017년 5월 까지의 열섬 강도의 월 평균 크기를 제시하였다. 주간의 열섬 강도는 계절 변동이 거의 없으나, 가을철(9~10월) 열섬 강도가 다른 계절보다 조금 증가하였다. 반면 야간의 열섬 강도는 주간의 열 섬 강도보다 모든 기간에 대하여 매우 크게 나타 났다. 계절적으로는 여름(7월) 동안 1.47o C로써 최소, 봄(3월) 동안 2.57o C 최대가 나타나는 계절 변동성이 뚜렷하였다. 열섬 강도의 일 변동성 분포는 새벽과 야간 시 간에 최대, 주간에는 약화되는 특성을 보였다 (Fig. 4). 2016년 6월부터 2017년 5월까지의 연 평균 열섬 강도의 일 변화는 17시 이후에 증가하 여 자정부터 이른 오전(7시)까지 최대 크기를 보 이고, 오전에는 열섬 강도가 약화된 후 오후 16 시 근처에서 최소 크기를 나타낸다. 열섬 강도의 최대, 최소가 나타나는 일 변동 경향은 계절에 관계없이 일치한다. 그러나 열섬 강도의 일 변화 크기는 계절에 따라 변화한다. 새벽과 오전 시간 동안 최대를 보이는 열섬 강도는 계절적으로 봄 오전 시간에 최대이며, 여름철은 열섬이 약화된 다. 반면 겨울은 이른 오전, 가을은 야간 시간 최 Fig. 2. Distribution of the urban heat island (UHI) intensity over Seoul for (a) annual mean, (b) daytime mean, and (c) night-time mean from June 2016 to May 2017.140
변재영·홍선옥·박영산·김연희 대인 경향을 보인다. 열섬 강도가 증가하는 시간 에는 계절적 차이가 존재하나 열섬 강도가 감소 하는 오후 시간은 계절적 차이가 거의 없다. 이 는 도시 열섬 강도가 도시의 저장열과 관련되어 발생되기 때문으로 판단된다. 도시 열섬 강도가 감소하는 시간인 오후는 태양 복사에의해 기온이 상승하기 때문에 국지적인 기온 차이가 작다. 야 간과 새벽 시간은 도시의 저장열과 인공열에 의 해 도시의 기온이 상승하기 때문에 열섬 강도 크 기가 증가하는 것으로 보인다. 열섬 강도는 도시와 교외 지역 기온의 차이다. 그러므로 열섬 강도 예측성은 기온 예측 정확도 와 관련 있으므로 서울과 교외 지역의 기온 오차 를 검증하였다. 사용된 검증 스코어는 Bias와 RMSE (Root Mean Square Error)로써 식 (5), 식 (6)과 같다.Bias= (5)
RMSE= (6)
Fig. 5(a), (b)는 기온의 Bias와 RMSE 공간 분 포이다. Bias 분포는 대부분의 관측지점에서 음의 값을 나타내 과소 모의하였다. Bias는 최대 0.5oC,
Σ Forecast Observation AWS( – ( )) Number of observation
---Σ Forecast Observation AWS( – ( ))2 Number of observation ---Fig. 3. Monthly variation of the UHI over Seoul for day and night from June 2016 to May 2017.
최소 −1.5oC를 보이며, 특히 서울의 과소모의 경 향이 교외 지역보다 크다. RMSE의 분포는 도시 지역보다 교외 지역에서 오차가 증가한다. 서울 의 기온 RMSE는 한강 근처와 서울 북쪽의 산 지형 근처에서 증가하였다. Fig. 5(c), (d)는 오차의 분포를 월 별로 조사하 였다. Bias의 분포는 공간분포에서 과소 모의된 결과와 같이 모든 계절에 대해 음의 편차를 나타 내고 있다. 교외지역의 Bias는 4~6월 동안 증가 하여 −0.7~ −1.0oC 편차 크기를 보이며, 1월, 7~9 월, 12월 동안 오차는 감소하여 12월에 최소 편 차 −0.16oC를 보인다. 도시 지역의 Bias는 겨울 과 봄 동안은 증가하여 −0.8~ −1.0oC 편차 크기 를 보이며, 여름 동안 오차는 감소하여 7월에 최 소 편차 −0.06o C를 보인다. 8월과 9월동안에도 편차는 다른 계절보다 감소하여 −0.2oC를 나타낸 다. 계절적으로 가을, 겨울철은 도시지역의 음의 편차가 교외지역보다 크며, 여름철은 교외지역의 음의 편차가 도시지역보다 증가한다(Fig. 5(c)). RMSE의 분포는 도시와 교외 지역 모두 여름철 에 최소, 겨울철 최대를 나타낸다. 교외지역의 RMSE 최소값은 7월 1.6oC, 최대값은 1월 2.6oC 를 나타낸다. 도시지역의 RMSE 최소값은 7월 1.5oC, 최대값은 1월 2.1oC를 보인다. 여름철 기 온 예보 정확도가 겨울보다 우수하며, 교외 지역 보다 서울의 RMSE가 더 작은 오차를 나타냄을 Fig. 5. (a) Bias of surface temperature forecasted from KMA LDAPS during June 2016 to May 2017. (b) Same as (a), except for RMSE. (c) Bias of monthly variation of surface temperature forecasted from KMA LDAPS during June 2016 to May 2017. Red and black lines indicate urban and rural region, respectively. (d) Same as (c), except for RMSE.
142
변재영·홍선옥·박영산·김연희 알 수 있다(Fig. 5(d)). 예측된 서울 도시열섬 강도는 수치모델로부터 예측된 기온 자료를 이용하여 관측된 열섬 강도 와 같은 방법으로 조사하였다(Fig. 6). 예측된 열 섬 강도의 크기 분포는 0.0~2.0o C 크기를 보인다. Fig. 2의 관측된 열섬 강도와 비교했을 때 모의된 열섬 강도는 과소 예측 되었다. 모의된 열섬 강 도는 도심에서 증가하고 외곽 지역에서는 약화되 는 경향을 보인다. 관측된 열섬 강도와의 편차 분포는 음의 편차 14소, 양의 편차 9소에서 나타 난다. Fig. 6(c)와 (d)는 예측된 열섬 강도의 주· 야간 분포를 제시한다. 주간의 열섬 강도 크기는 0.0~1.5oC, 야간의 열섬 강도 크기는 0.0~2.5oC 분포를 보인다. 야간의 열섬 강도는 주간보다 2 배 정도 강하게 나타난다. 이러한 야간의 강화 경향은 관측과 일치하나 크기는 관측된 열섬 강 도 크기보다 약화되었다. 도심 열섬 강도가 외곽 보다 도심, 서울의 서쪽보다 동쪽에서 증가하는 경향은 관측과 일치하고 있다. 도시열섬 강도의 일 변동 예측 결과를 Fig. 7 에서 제시하였다. 예측된 열섬 강도의 일 변동은 야간과 새벽 시간 최대이며, 오전과 오후 열섬 강도는 약화되었다(Fig. 7). 연 평균된 열섬 강도 는 오전 10시에 최소, 14시 이후 증가하며 야간 Fig. 6. (a) Spatial distribution of the UHI intensity predicted from KMA LDAPS during June 2016 to May 2017. (b) Differ-ence of the UHI intensity between from KMA LDAPS prediction and surface observation from June 2016 to May 2017. (c) Same as (a), except for daytime mean. (d) Same as (a), except for nighttime mean.과 새벽 시간은 최대값을 보인다. 오전 6시 이후 는 열섬 강도가 감소하는 경향을 보인다. 모의된 열섬 강도의 최대값은 봄철 새벽 시간 나타나며, 봄철 열섬 강도가 증가하는 경향은 관측과 일치 하나 최대 크기는 2o C 정도로써 관측(2.8oC)보다 감소하였다. 야간 열섬 강도 크기의 계절적인 차 이는 크지 않다. 예측된 도시열섬과 관측된 도시 열섬 강도의 가장 큰 차이는 여름철 주간 시간의 과대 모의 경향과 겨울철 새벽 시간의 과소 모의 경향이다. 관측된 여름의 열섬 강도는 오후 시간 에 감소하는데 예측된 열섬 강도는 오후 시간 동 안 과대 모의되었다. 겨울의 열섬 강도는 새벽에 증가하였으나, 현업 모델의 예측된 겨울 열섬 강 도는 다른 계절보다 가장 작은 크기를 나타냈다. 관측된 열섬 강도와 예측된 열섬 강도의 월별 변동성을 Fig. 8에서 제시하였다. 관측된 열섬 강 도의 최대값은 3월에 나타나며 가을, 겨울동안 증가하며 여름은 약화되고 있다. 예측된 열섬 강 도의 크기는 여름철 증가하며, 겨울은 약화되는 특징을 보인다. 열섬 강도의 계절 변동 크기는 Fig. 7. Annual mean and seasonal mean diurnal variation of the UHI intensity predicted from KMA LDAPS during June 2016 to May 2017.
144
변재영·홍선옥·박영산·김연희 일 변화에서 나타나는 특징과 일치하고 있다. Fig. 5의 도시와 교외 지역의 기온 오차와 비교했 을 때, 겨울 열섬 강도의 과소모의 원인은 도시 지역 기온 과소 모의에서 기인되는 것으로 보이 며, 여름의 과대 모의는 교외지역 기온 과소모의 오차와 관련된 것으로 보인다. 도시캐노피모델을 이용한 도시열섬 강도 예측 개선 현업 국지기상예측시스템은 도시 지면 모수화 를 위하여 Best 방안(Best et al., 2005)을 이용하 고 있다. Best 방안으로부터 모의된 도시의 기온 예측성 개선을 위하여 도시캐노피모델(MORUSES, Porson et al., 2010a; Porson et al., 2010b) 적용 하여 2017년 6월부터 8월까지 모의하고 분석하 였다. 도시캐노피 모델은 도시 지역의 건물과 인 공열 등 도시효과를 고려하는 모델이다. 2017년 여름 동안 현업 국지기상예측시스템과 도시캐노피모델을 결합하여 운영하고 그 결과로 부터 예측된 서울의 열섬 강도는 현업 국지기상 예측시스템 결과와 비교하였다. 2017년 여름 기 온의 예측성은 대체로 도시의 예측에서 교외지역 보다 감소하였으며 MORUSES 방안을 이용하였 을 때 정확성은 개선되었다(Fig. 9). Bias의 분포는 음의 편차를 보여 과소 모의하고 있다. 도시와 교외지역의 LDAPS로부터 예측된 6월의 Bias는 −0.7, −0.85oC를 각각 나타내며, 7월은 약 −0.4oC, 8월 약 0oC (도시), −0.1oC (교외)를 보여 기간에 따라 점차 개선되었다. MORUSES 방안을 적용 한 기온 예측의 Bias는 도시와 교외 모든 지역에 서 개선되었음을 볼 수 있다. 6월과 7월의 Bias 는 도시와 교외 지역 모두 Bias가 0.2~0.4o C 감 소하였다. 8월은 교외 지역은 Bias 오차가 0.1oC 감소하였으나, 도시 기온의 Bias는 0.1o C 증가하 였다(Fig. 9(a)). Fig. 9(b)는 2017년 6~8월 RMSE 월 평균 오 차 크기를 제시한다. LDAPS 예측된 RMSE 는 6월의 오차가 가장 크며, 8월의 오차가 가장 작 게 나타났다. 도시와 교외 지역의 오차 크기를 비교했을 때 6월은 도시의 오차가 1.75oC, 교외 지역은 1.95o C로써 도시의 예보가 더 우수하였으 나, 7월과 8월은 교외의 오차가 약 1.5o C로써 도 시의 오차 1.6oC보다 감소하였다. MORUSES를 적용하였을 때 오차의 변화는 도시 지역에서는 6, 7, 8월 모두 오차가 0.05oC (8월)~0.2oC (6월) 감소하였다. 그러나 교외 지역은 6월과 7월은 오 차가 0.05oC (7월)~0.1oC (6월) 감소하나 8월은 0.05oC 오차가 증가하였다. MORUSES 방안 적 용에 따른 기온의 개선 효과는 도시지역에서 뚜 렷하였다. 기온의 일 변동성 비교를 통하여 LDAPS와 MORUSES 방안 적용에 따른 도시와 교외 지역 개선 효과를 조사하였다(Fig. 10). LDAPS의 도 시 기온 예측은 오전 7시부터 16시까지 과소 모 의 경향을 보이며, 오전 10시에 과소 모의 오차 는 최대값을 나타낸다. 교외 지역은 오전 8시부 터 23시 정도까지 과소 모의 경향을 보이며 16시 에 과소 모의가 최대이다. 교외지역에서는 오후 와 야간의 과소 모의 오차가 크게 나타났다. Fig. 9. (a) Monthly mean bias of surface temperature between KMA LDAPS and MORUSES scheme from June to August 2017. Solid and dotted lines indicate LDAPS and MORUSES scheme, respectively. Red and Black lines indicate urban and rural region. (b) Same as (a), except for RMSE of surface temperature.MORUSES 방안을 이용하였을 때 도시 지역은 오전 시간의 과소 모의 경향이 개선되었다. 오전 의 과소모의 시간은 7시부터 11시까지 존재하며, 새벽 시간(01~06시)에는 과대 모의되었음을 보인 다. 교외 지역에서 새벽과 이른 오전 시간(01~08 시) 동안의 과대 모의 경향은 도시지역보다 크게 증가하였으며, 오전부터 야간 시간(09~20시)은 과 소 모의 경향이 나타난다. 오후와 야간의 과소 모의 경향은 LDAPS 예측보다는 개선되었으나 여전히 과소 모의되고 있다. 예측된 열섬 강도의 일 변동성(Fig. 7)에서 여름은 주간의 과대 모의 오차가 가장 크게 나타났는데 도시와 교외의 기 온의 일 변동성 분포와 비교했을 때, 교외 기온 의 과소 모의가 열섬 강도 오차에 기여하는것으 로 판단된다. Fig. 11은 서울의 열섬 강도 크기 공간 분포를 (a) 관측, (b) LDAPS와 (c) LDAPS-MORUSES
예측과의 비교이다. 여름철 서울의 열섬 강도 분 포는 Fig. 2의 연 평균 분포보다 작은 크기를 보 인다. 서울의 외곽에서는 0.0~1.0o C 크기를 보이 며, 최대 1.5~2.0oC를 나타낸다. 열섬 강도의 공 간적 분포는 Fig. 8에서 제시된 열섬 강도의 계 절적 분포에서 여름동안 가장 작은 크기를 나타 낸 결과와 일치한다. Fig. 11(b)의 LDAPS로부터 예측된 열섬 강도의 최대값은 2.0~2.5oC로써 과 대 모의하고 있으며, 열섬 강도의 공간 분포는 서울의 외곽에서 열섬 강도가 약화되며 도심과 동쪽에서 증가하는 경향은 관측과 일치한다. MORUSES 방안을 적용하였을 때 도심의 열섬 강도 크기는 1.5~2.0oC 크기를 나타내며, 열섬 강 도의 과대 모의 경향은 감소하여 LDAPS의 열섬 강도 예측보다 관측과 유사하다. 도시 캐노피 모델에 의한 개선 효과 조사를 위 하여 도시 열섬 강도의 월 평균 크기를 비교하였 Fig. 11. (a) Distribution of the UHI intensity from AWS observation. (b) Same as (a), except for prediction from KMA LDAPS during June to August 2017. (c) Same as (b), except for MORUSES scheme.
Fig. 10. (a) Diurnal variation the surface temperature from observation (AWS), LDAPS, MORUSES scheme for Seoul. (b) Same as (a), except for rural region.
146
변재영·홍선옥·박영산·김연희 다(Table 1). LDAPS 열섬 강도 예측은 6~8월 모 든 기간에 대하여 관측보다 과대 모의하며 LDAPS-MORUSES는 6월은 관측보다는 과대 모의하나 과대 모의 크기는 LDAPS 보다 감소하였다. 7월 과 8월의 LDAPS-MORUSES 예측은 과소 모의 하며 관측과 LDAPS 열섬 강도의 차이보다 감소 하였다. 도시효과를 적용한 도시캐노피 모델은 판상형 도시 지면모델(Best 방안)보다 기온과 도 시 열섬 강도 예측 성능이 향상되었음을 알 수 있다. 그러나 도시 캐노피 모델을 적용하더라도 교외 지역에서의 기온 오차의 개선 효과가 작으 며, 도시 열섬 강도 오차의 개선을 위해서는 도 시 캐노피모델 적용 뿐만 아니라 교외 지역 기온 개선을 위한 방안이 요구된다.결
론
도시의 인공적인 특징은 도시열섬과 같은 교외 지역과는 다른 대표적인 도시기상 현상을 형성한 다. 도시열섬은 도시의 기온이 주위의 교외지역 보다 높은 현상으로, 폭염과 같은 도시의 위험 기상이 발생했을 때 많은 피해를 줄 수 있다. 따 라서 도시 계획과 정책 수립시 도시 열섬을 완화 할 수 있는 기상정보가 필요하다. 도시 기상 예측성 향상을 위해서 본 연구에서 는 도시를 판상형으로 가정하는 현업 예측모델의 예측 성능을 검증하고, 도시의 건물 효과를 고려 하는 도시캐노피모델을 여름동안 운영하고 현업 예측모델과 비교하고자 한다. 현업 모델의 예측 성 평가를 위한 인자는 도시열섬강도와 지상 2 m 기온으로 선정하였으며, 열섬 강도의 일 변동, 계 절 변동, 공간적 분포 및 지상 2 m 기온의 오차 를 함께 분석하였다. 서울의 도시열섬 강도는 여름동안 약화되며 봄 과 겨울에 강화된다. 또한 주간보다는 야간의 열 섬 강도는 3배정도 강화된다. 열섬 강도의 일 변 동성은 오후 시간 최소, 야간과 새벽시간 증가하 는 경향을 나타낸다. 열섬 강도의 최대는 봄철 이른 오전에 최대를 보였다. 그러나 LDAPS로부 터 예측된 도시열섬 강도는 여름철은 과대 모의, 겨울철은 과소 모의 경향이 크다. 특히 여름철 주간의 과대 모의, 겨울철 새벽의 과소 모의 오 차가 가장 크다. 도시열섬 강도의 오차는 도시와 교외지역의 기 온 예측 오차에서 기인한다. 도시 지역의 기온은 겨울철 과소 모의 경향이 크며 여름은 오차가 감 소한다. 반면 교외 지역 기온은 봄 동안 과소 모 의하며, 여름은 오차가 감소하나 도시보다 과소 모의 크기는 증가한다. 겨울철 도시열섬 강도의 과소 모의는 도시 기온의 과소 모의, 여름의 도 시열섬 강도 과대 모의는 교외 지역의 기온 편차 의 감소에서 기인된다. 도시의 기온과 열섬 강도 오차를 개선하기 위 하여 도시의 건물을 고려하는 도시캐노피모델을 2017년 여름동안 모의하고 현업 모델과 비교하였 다. 도시캐노피 모델을 적용하였을 때 기온 오차 를 나타내는 검증 스코어 Bias와 RMSE는 현업 모델보다 감소하였다. 또한, 기온 예측의 일 변동 성으로부터 현업 모델은 도시에서 오전 시간 과 소 모의가 크게 나타나는데 도시 캐노피모델 모 의는 오전 시간 과소 모의 개선이 뚜렷하게 나타 난다. 그러나 교외 지역에서의 기온의 예측은 오 후 시간 과소 모의, 새벽시간 과대 모의를 나타 내어 개선의 효과가 크지 않다. 도시 지역에서 오전 시간 개선이 크게 나타나는 것은 과소 모의 하는 기온이 건물에 의한 저장열 효과에 의해 기 온을 상승시키는 영향으로 보인다. 현업 모델로 부터 예측된 여름철 도시열섬의 시계열은 과대 모의 경향을 나타내며, 열섬강도의 공간 분포는 도심에서 과대 모의 크기가 증가함을 보였다. 도 시 캐노피 모델은 과대 모의하는 열섬 강도의 크 기를 감소하고 예측성을 향상한다. 도시캐노피모델을 이용한 도시 기상예측 정확 도 향상은 폭염, 한파와 같은 도시 위험 기상 방 재, 도시 계획을 위한 기상영향 평가 등에 활용 될 수 있다. 그러나 도시 캐노피모델을 적용한 본 연구의 모의 기간은 여름철이며, 겨울철 예측 Table 1. Comparison of the monthly mean UHI intensitybetween AWS, LDAPS and MORUSES scheme experiment from June to August 2017
AWS
(Observation) LDAPS MORUSES
LDAPS-June 1.15 1.27 1.25
July 0.98 1.01 0.94
효과 분석을 위해서는 모의 기간 확대가 필요하 다. 또한, 도시 캐노피모델을 적용함으로써 도시 의 기온 예측성은 향상되었으나 교외 지역의 오 차 효과는 미미하다. 도시캐노피모델은 모델의 격자 내의 도시비율을 이용하여 수행되므로 교외 지역이더라도 모델 격자 내 작은 면적의 도시가 존재하면 건물과 같은 도시효과를 고려하여 도시 캐노피모델이 계산되고 토양이 존재하는 투수층 과의 평균값으로 지면온도가 결정된다. 그러므로, 도시 기상 예측성 향상을 위해서는 도시 규모가 본 연구의 모의보다 현실적으로 반영될 수 있도 록 수 십~수 백 m 규모의 고해상도 모의와 건물 정보와 인공열 같은 현실적인 도시 정보의 반영 을 통한 모델 개선이 필요하다.
사
사
이 연구는 기상청 국립기상과학원「(’20)항공·도 시기상 기술개발」(KMA2018-00621)의 지원으로 수행되었습니다.References
Ahn, J., and H. Kim, 2006, On the seasonal variation of urban heat island intensity according to meteorological condition in Daegu, Journal of Environmental Science International, 15(6), 527-532. (in Korean)
Andres, S.-M., A. Dipankar, M. Roth, C. Sanchez, E. Velasco, X.-Y. Huang, 2020, Application of MORUSES single-layer urban canopy model in a tropical city: Results from Singapore, Quartery Journal of the Royal Meteorological Society, 146, 576-597.
Best, M. J., 2005, Representing urban areas within operational numerical weather prediction models, Boundary Layer Meteorology, 114, 91-109.
Best, M. J. and C. S. B. Grimmond, 2015, Key conclusions of the first international urban land surface model comparison project. Bulletin of American Meteorological Society, 96, 805-819.
Best, M. J.,Pryor, M., Clark, D. B., Rooney, G. G., Essery, R. L. H., Ménard, C. B., Edwards, J. M., Hendry, M. A., Porson, A., Gedney, N., Mercado, L. M., Sitch, S., Blyth, E., Boucher, O., Cox, P. M., Grimmond, C. S. B., and Harding, R. J., 2011, The Joint UK Land Environment Simulator (JULES), model description-Part 1: Energy and water fluxes, Geoscientific Model Development, 4, 677-699.
Bohnenstengel, S. I, S. Evans, P. A. Clark, and Belcher, S.
E., 2011, Simulations of the London urban heat island. Quarterly Journal of the Royal Meteorological Society, 137, 1625-1640.
Bornstein, R., 1968, Observations of the urban heat island effect in New York city. Journal of Applied Meteorology, 7, 575-582.
Byon, J.-Y., Y.-J. Choi, and B.-G. Seo, 2010, Evaluation of urban weather forecast using WRF-UCM (Urban Canopy Model) over Seoul, Atmosphere, 20(1), 13-26. (in Korean)
Chen, F., Kusaka, H., Bornstein, B., Ching, J., Grimmond, C. S. B., G.-Clarke, S., Loridan, T., Manning, K. W., Martilli, A., Miao, S., Sailor, D., Salamanca, F. P., Taha, H., Tewari, M., Wang, X., Wyszogrodzki, A. A., C. Zhang, C., 2011: The integrated WRF/urban modelling system: development, evaluation, and applications to urban environmental problems, International Journal of Climatology, 31, 273-288. Cui, Y. Y., and B. de Foy, 2012, Seasonal variations of the
urban heat island at the surface and the near-surface and reductions due to urban vegetation in Mexico City, Journal of Applied Meteorology and Climatology, 51, 855-868.
Do W-G, and W-S Jung, 2012, An analysis on the variation trend of urban heat island in Busan area (2006-2010), Journal of the environmental sciences, 21(8), 953-963. (in Korean)
Edwards, J. M. and Slingo, A., 1996, Studies with a flexible new radiation code. I: Choosing a configuration for a largescale model. Quarterly Journal of the Royal Meteorological Society, 122, 689-719.
Hertwig, D, S. Grimmond, M. Hendry, B. Saunders, Z. Wang, M. Jeoffrion, P. Vidale, P. McGuire, S. Bohnenstengel, H. Ward, S. Kotthaus, 2020, Urban signals in high-resolution weather and climate simulations: role of urban land-surface characterization, Theoretical and Applied Climatology, 142, 701-728. Hong, J-W, J. Hong, S.-E. Lee, and J. Lee, 2013, Spatial
distribution of urban heat island based on local climate zone of automatic weather station in Seoul Metropolitan Area. Atmosphere, 23, 1-12.
Hong, S.-O., J.-Y. Byon, H. Park, Y.-G. Lee, B.-J. Kim, and J.-C. Ha, 2018, Sensitivity analysis of near surface air temperature to land cover change and urban parameterization scheme using Unified Model, Atmosphere, 28(4), 427-441. (in Korean)
Hong, S.-O., D.-H. Kim, J.-Y. Byon, H. Park, and J.-C. Ha, 2019, Analysis of the effects of advection and urban fraction on urban heat island intensity using Unified Model for Seoul Metropolitan Area, Korea, Atmosphere, 29(4), 381-390. (in Korean)
Jauregui, E., 1997, Heat island development in Mexico City, Atmospheric Environment, 31, 3821-3831.
148
변재영·홍선옥·박영산·김연희Kim, D.-H., S.-O. Hong, J.-Y. Byon, H. Park, and J.-C. Ha, 2019, Development and evaluation of urban canopy model based on Unified Model input data using urban building information data in Seoul, Atmosphere, 29(4), 417-427. (in Korean)
Kim, Y. H. and Baik, J.-J., 2002, Maximum urban heat island intensity in Seoul, Journal of Applied Meteorology, 41, 651-659.
Kim, Y. H. and Baik, J.-J., 2004, Daily maximum urban heat island intensity in large cities of Korea, Theoretical and Applied Climatology, 79, 151-164.
Kim, Y. H. and Baik, J.-J., 2005, Spatial and temporal structure of the urban heat island in Seoul, Journal of Applied Meteorology, 44, 591-605.
KMA, 2014, Local data assimilation and prediction system operator quick manual, 24p.
Koo H-J, Y-H Kim, and B-C Choi, 2007, A study on the change of the urban heat island structure in Seoul, Journal of climate research, 2(2), 67-78. (in Korean) Kusaka, H., Kondo, H., Kikegawa, Y., and Kimura, F.,
2001, A simple single-layer urban canopy model for atmospheric models: Comparison with multi-layer and slab models. Boundary Layer Meteorology, 101, 329-358.
Lee, S.-H. and Baik, J.-J., 2010, Statistical and dynamical characteristics of the urban heat island intensity in Seoul, Theoretical and Applied Climatology, 100, 227-237.
Lee, S.-H. and Park. S. U., 2008, A vegetated urban canopy model for meteorological and environmental modelling, Boundary Layer Meteorology, 126. 73-102. Li, D. and Elie B.-Z., 2013, Synergistic interactions
between urban heat islands and heat waves: The impact in cities is larger than the sum of its parts, Journal of Applied Meteorology and Climatology, 52, 2051-2064. Lock, A. P., Brown, A. R., Bush, M. R., Martin, G. M.,
and Smith, R. N. B., 2000, A new boundary layer mixing scheme. Part ?: Scheme description and single-column model tests, Monthly Weather Review, 128, 3187-3199.
Masson, V., 2000, A physically-based scheme for the urban energy budget in atmospheric models, Boundary Layer Meteorology, 94, 357-397.
Oleson, K. W. and Bonan, G. B., 2008a, An urban parameterization for a global climate model. Part I: Formulation and evaluation for two cities, Journal of Applied Meteorology, 47, 1038-1060.
Oleson, K. W. and Bonan, G. B., 2008b, An urban
parameterization for a global climate model. Part II: Sensitivity to input parameters and the simulated urban heat island in off-line simulations, Journal of Applied Meteorology, 47, 1061-1076.
Park, C., D-K Lee, S. Sung, J. Park, S. Jeong, 2016, Analyzing the diurnal and spatial variation of surface urban heat island intensity distribution - Focused on 30 cities in Korea, Journal of Korea Planning Association, 51(1), 125-136. (in Korean)
Park, S-B, 2004, Measurement and analysis of heat island in summer in Gwangju, Journal of the Korean Solar Energy Society, 24(4), 65-75. (in Korean)
Porson, A., Clark, P. A., Harman, I. N., Best, M. J., and Belcher, S. E., 2010a: Implementation of a new urban energy budget scheme in the MetUM. Part ?: Description and idealized simulations, Quarterly Journal of the Royal Meteorological Society, 136, 1514-1529. Porson, A., Clark, P. A., Harman, I. N., Best, M. J., and
Belcher, S. E., 2010b, Implementation of a new urban energy budget scheme in the MetUM. Part II: Validation against observation and model intercomparison, Quarterly Journal of the Royal Meteorological Society, 136, 1530-1542.
Runnalls, K. and Oke, T., 2000, Dynamics and controls of the near-surface heat island of Vancouver, British Columbia, Physical Geography, 21, 283-304.
Schatz, J. and Kucharik, C. J., 2014, Seasonality of the urban heat island effect in Madison, Wisconsin. Journal of Applied Meteorology and Climatology, 53, 2371-2386.
Tomlinson, C. J., Chapman, L., Thornes, J. E., and Baker, C., 2011, Remote sensing land surface temperature for meteorology and climatology: A review. Meteorological Applications, 18, 296-306
Wie, J., S-O Hong, J-Y Byon, J-C Ha, and B-K Moon, 2020, Sensitivity analysis of surface energy budget to albedo parameters in Seoul Metropolitan Area using the Unified Model. Atmosphere, 11, 120;doi:10.3390/ atmos11010120.
Wilby, R. L., 2003, Past and projected trends in London’s urban heat island. Weather, 58, 251-260.
Wilson, D. R. and Ballard, S. P., 1999, A microphysically based precipitation scheme for the UK Meteorological Office Unified Model, Quarterly Journal of the Royal Meteorological Society, 125, 1607-1636.
Zhou, B., Rybski, D., and Kropp, J. P., 2013, On the statistics of urban heat island intensity, Geophysical Research Letters, 40, 5486-5491.
Manuscript received: January 14, 2021 Revised manuscript received: March 15, 2021 Manuscript accepted: March 17, 2021
