통계적 방법을 이용한 장기 기상 예측 연구

   장기 예측을 하는 방법은 크게 역학 모델을 이용하는 방법과 통계 모델을 이용하는 것으로 나눌 수 있다. 그 중 역학 모델을 이용한 장기 예측은 모델내의 불완전한 물리적 과정이나 모수화로 인해 오차가 존재하며, 이는 모델 결과의 신뢰성을 떨어뜨린다. 따라서 역학 모델이 신뢰성을 갖기 전까지는 장기 예측은 통계적인 방법에 의존할 수 밖에 없다. 즉, 순수하게 통계 모델을 이용하는 방법과 역학 모델의 후처리 과정으로 통계적인 방법을 도입하는 것이다.
   통계 모델을 이용한 장기 예측의 시도는 Walker (1924)에 의해 이루어졌다. 이후 많은 통계 모형들이 개발되어 지역 특성에 맞는 장기 예측에 사용되고 있다. 사용되는 전형적인 통계적 방법은 단순 선형 회귀 (simple linear regression), 다중 선형 회귀 (multiple linear regression), 정준 상관 분석(canonical correlation analysis) 그리고 비정칙치 분해(singular value decomposition) 등이 있다.
   본 연구실에서는 우리나라의 기온 및 강수 자료와 전구 해면온도의 상관관계를 이용하여 다중 선형 회귀 모형을 개발하고 이를 이용하여 장기 예측을 수행 하고 있다. 또한 역학 모델의 결과에 나타나는 계통적 오차를 제거함으로써 예측성을 더 향상시키기 위하여 통계적 후처리 기법인 MOS (Model Output Statistics)에 관하여 많은 관심과 연구를 하고 있다.

1) 통계 모델(PNU statistical model)을 이용한 예측

   PNU statistical model의 특징은 기존의 통계 모델과는 달리 전구 해수면 온도와 한반도 기후의 상관 관계에 초점을 맞추었다는 것이다. 즉 한반도의 기후가 해양의 영향을 크게 받으나 지구는 하나의 커다란 시스템이고 한반도의 기후도 결국 그러한 시스템의 한 부분에 위치하고 있기 때문에 단순히 엘니뇨와 라니냐 등의 현상 그 자체보다는 열적 관성이 큰 전지구적인 규모의 연관성을 찾아야 한다는 것이다.
   예측 모델에 이용될 인자를 선정하기 위하여 서울 , 부산 , 광주 등 23개 지역의 월별 기온 및 강수 지점 자료에 전구 해수면 온도(SST)를 각 1~12개월 지연시켜 상관관계를 구하였다. 95% 신뢰구간에 대해 유의한 값이 3개월 이상 체계적으로 나타나는 지역을 3곳 이상 선정하여 예측 인자를 얻을 수 있는 지역으로 판단하였다. 현재 모델은 23개 도시의 기온과 강수량을 3, 2, 1개월 전에 예측할 수 있는 형태로 완성되었으며 실제 예측을 수행하고 있다(Fig.1).

2) 통계적인 후처리 방법 (MOS)

   일반적으로 역학 모델에 존재하는 계통적 오차를 감소시키고 예측성을 향상시키기 위하여 MOS 기법이 이용되고 있다. 예를 들어, 어떤 특정 지역에 대해서 체계적으로 역학 모델이 관측에 비해 강수를 작게 모사하고 있다면, 단순히 모델의 예측값에 일정한 값을 더해줌으로써 결과를 보정할 수 있다. 그러나 더 정확하고 유용한 결과를 얻기 위하여 MOS 기법을 적용하여 모델에서 생산된 결과와 관측과의 관계를 찾고 이를 이용하여 예측할 수 있다. MOS 기법에는 SVD, PCA, CCA, MLR등의 선형적인 방법뿐만 아니라 비선형적인 방법인 인공 신경망(Artificial Neural Network)도 있다. 본 연구실에서는 MLR과 ANN등의 MOS 기법에 관심을 가지고 연구하고 있다.

3) 인공 신경망 (Artificial Neural Network)

   인공 신경망(Artificial Neural Network, 이하 ANN)은 최근에 들어 기상학 분야에 사용되는 통계적인 기법으로 비선형 함수의 근사 또는, 복잡하고 비선형적인 역학적인 현상의 모델링에 아주 유용하다. ANN은 인간 두뇌에서 일어나는 반응결정체를 자연계 현상의 예측(또는 추정) 과정에 도입한 알고리즘으로, 반복 학습을 통해서 스스로 새로운 환경에 적응하고, 일반화하기 때문에 모형식의 형태를 알 수 없거나 비선형모형으로 예측의 과정이 매우 복잡한 경우에 적용할 수 있다(손건태, 2001).
   본 연구실에서 사용하는 신경망 모형은 다층 퍼셉트론(Multilayer perceptrons) 모델로 비선형 함수를 잘 모형화 시킬 수 있으며, 일단 학습이 이루어진 후, 신경망이 경험했던 것들과는 다른 형태의 입력에 대하여도 적당히 반응할 수 있다. Fig. 2에서 보듯이 ANN 모형의 구성은 입력 변수들이 주어지는 입력층, 최종적인 결과가 주어지는 출력층 그리고 입력층과 출력층 사이에 1개 이상의 은닉층이 존재한다.

★ 참고문헌

- 안중배, 박주영, 2000: 전구 해면 온도를 이용한 통계적 장기 예측 모형 연구, 한국기상 학회지, 제36권 2호 179-188.
- 안중배, 류정희, 조익현, 박주영, 류상범, 1997: 한반도 기온 및 강수량과 주변 해역 해면온도와의 상관 관계에 관한 연구. 한국기상학
   회지, 제33권 제2호 327-336.
- 안중배, 류정희, 조익현, 박주영, 류상범, 1997: 한반도 기온 및 강수량과 적도 태평양 해면온도와 의 상관관계에 관한 연구. 한국기상
   학회지, 제 33권 3호 487-495.
- 차유미, 안중배, 2005: 역학적으로 규모축소된 남한의 여름철 강수에 대한 인공신경망 보정능력평가, 한국기상 학회지. 제41권 6호
   1125-1135.
- 황윤정, 안중배, 2005: 기후 표류된 CME/PNU CGCM 겨울철 기온의 인공신경망 보정 연구. 한국기상 학회지, 제41권 6호 1067-1076,
- 안중배,차유미, 2005: 역학적으로 규모축소된 남한의 겨울철 기온에 대한 인공신경망과 다중선형회 귀 모형을 이용한 보정 비교 연구,
   한국기상학회지, 제41권 3호 401-413.