Data Assimilation of Radar and AWS Observations for Improving Heavy Rainfall Prediction

Abstract

본 연구에서는 집중호우의 예보 향상을 위해 레이더 및 AWS 지표 관측 자료의 동화 영향을 살펴보았으며, 이를 위해 WRF와 WRF 3DVAR 시스템을 이용하였다. 또한 자료 동화 시 발생하는 고주파의 중력파를 제거하기 위하여 IAU 방법을 적용하였으며, 백빌딩 (back-building) 중규모 대류계에 의해 발생한 2006년 7월 11-12일의 집중 호우를 대상으로 각 관측 자료 동화가 강수 예보에 미치는 영향을 살펴보았다. IAU 방법은 중력파 변동을 현저하게 감소시키고 노이즈를 효과적으로 제거함으로 분석장을 향상시키는데 도움을 주었다. 먼저 레이더와 지표 관측 자료 동화의 효과를 살펴보기에 앞서, 레이더와 지표 관측 자료를 동화한 실험이 집중호우의 예측을 향상시키는지를 살펴보았다. 레이더와 지표 관측 자료를 동시에 동화한 실험은 강수 강도와 위치에 있어 관측과 유사한 결과를 모의하였으며, 정량적인 검증에 있어서도 각 관측 자료를 동화한 실험에 비해 긍정적인 효과를 나타내었다. 또한 백빌딩 중규모 대류계의 특징을 잘 모의하였다. 자료 동화 실험 결과를 바탕으로, 레이더 관측 자료의 동화는 모형의 초기 시각에 집중 호우를 유발하는 중규모 대류계 발달에 긍정적인 영향을 주고, 지표 관측 자료 동화는 강화된 하층 바람의 생성에 영향을 준다는 결과를 얻어내었다. 또한 지표 관측 자료는 하층의 온도 경도를 강화시키고 행성경계층을 변화시켜 하층에 대류가 발생하기 좋은 조건을 형성하는데 중요한 역할을 하였다. 이러한 결과들은 레이더 및 AWS 지표 관측 자료 동화가 모형의 집중호우 예보 능력 향상에 기여할 수 있다는 가능성을 제시한다. 고해상도의 지표 관측 자료를 동화함에 있어, NMC 방법으로 계산된 배경오차는 관측 정보의 전파와 형태를 결정하는 길이규모를 과장되게 표현하는 경향이 있다. 따라서 효과적인 지표 관측 자료 사용으로 집중호우의 예측을 향상시키기 위해, NMC 방법으로 계산된 배경오차의 상관도와 관측과 배경장의 차이인 O-B 상관도를 비교하여 NMC 방법으로 계산된 배경오차의 길이규모를 조절하였다. 비교를 통해, 보다 효과적으로 지표 관측 자료를 동화하기 위해서는 NMC 방법으로 계산된 길이규모를 반으로 줄여야 한다는 결과를 얻어내었다. 하지만 그럼에도 불구하고 O-B 와 NMC 방법의 상관도 형태에서는 차이가 나타났으며, 이를 해결하기 위하여 본 연구에서는 큰 규모와 작은 규모로 표현되는 두 개의 길이규모를 적용하여 자료 동화하는 방법 (DILS) 에 대해 살펴보았다. 이상화 실험에서, 길이규모를 조절한 실험은 NMC 방법으로 계산된 배경오차를 이용한 실험에 비해 관측 정보의 작은 규모를 효과적으로 나타내었다. 또한, DILS 는 자료 동화 시스템이 고해상도 지표 관측 정보를 효과적으로 얻어내는 것을 가능하게 함으로써 NMC 방법보다 관측 정보를 모형에 보다 효과적으로 반영하는 결과를 보였다. 집중 호우 사례에 대해, DILS 실험은 길이규모를 조절한 후 한 번의 자료 동화를 수행한 실험에 비해 강수 분포와 양에 있어 관측과 유사한 결과를 나타내었다. 이는 강화된 하층 바람과 이와 연관된 수렴에 의해 집중 호우가 발생했던 지역에 중규모 대류계를 잘 모의하였기 때문이다. 이러한 결과들은 자료 동화 시스템에서 적절하게 계산된 배경오차를 이용함으로써 고해상도 AWS 지표 관측 자료의 활용성을 극대화하고 이를 통해 중규모 수치 모형에서 집중호우의 예측 성능을 향상시킬 수 있음을 제시한다. DILS 방법을 적용한 배경오차가 중규모 예보 모형에 미치는 영향을 평가하기 위하여 1 개월의 기간에 대하여 지표 관측 자료 동화 실험을 수행하고, 초기 시각의 분석장을 지표 관측 자료에 대하여 평균제곱근 오차를 계산하여 검증하였다. 두 번의 길이규모를 적용한 배경오차를 이용하여 지표 관측 자료의 동화 실험에 적용한 결과, 온도장의 분석결과는 NMC 방법을 적용한 분석장과 유사하게 나타났지만, 동서 바람장의 분석오차는 현저하게 감소하는 결과를 보였다. 지표 관측 자료 동화에 더해 여러 변수를 제공하는 AWS 지표 관측 자료가 예보장에 미치는 영향을 살펴보기 위해 WRF 수반모형을 이용하여 6시간 예보장에 대한 지표 관측 자료의 영향에 대해 살펴보았다. 그 결과, 온도와 상대 습도의 열역학 변수보다는 바람 자료가 예보장을 향상시킨다는 결과를 얻어냈으며, 바람 변수 중에서도 남북 바람이 예보장의 오차를 감소시키는데 큰 역할을 한다는 결과를 얻어내었다. 이러한 결과들은 지표 관측 자료의 변수를 효과적으로 사용함으로써 중규모 수치 모형의 예측 성능을 향상시킬 수 있음을 제시한다.

This study investigated the impact of multiple-Doppler radar and AWS surface data assimilation for improving the accuracy of heavy rainfall forecast

the Weather Research and Forecasting (WRF) and its three-dimensional variational data assimilation (3DVAR) were used for this purpose. In the data assimilation, the WRF 3DVAR cycling mode with incremental analysis updates (IAU) was used to remove the high-frequency gravity wave. To evaluate the impact of the data assimilation, a heavy rainfall case on 11-12 July 2006 associated with the back-building mesoscale convective systems (MCSs) was chosen. Using the IAU method, the gravity wave fluctuation was greatly reduced and the noise was effectively removed, which help to reduce aliasing in subsequent analyses. Prior to the investigation for the impact of radar and surface data assimilation, it was firstly assessed that the assimilation of multiple-Doppler radar and surface data assured the improvement in the accuracy of heavy rainfall forecast. The assimilation of both radar and surface data showed the best agreement with the observations in terms of location and amount of rainfall, and had a more positive impact on the quantitative precipitation forecasting (QPF) than the assimilation of either radar data or surface data only. In addition, the back-building characteristic was successfully forecasted. Based on the data assimilation experiments, the radar data helped forecast the development of convective storms responsible for the heavy rainfall in the early hours of forecast, and the surface data contributed to the occurrence of intensified low-level winds. Further, the surface data played a significant role in enhancing the thermal gradient and modulating the planetary boundary layer of the model, which resulted in favorable conditions for convection. In the assimilation of high-resolution surface data, National Meteorological Center (NMC) method estimate of background error tended to exaggerate the length scale that determined the shape and extent to which observed information spreads out. For effective use of surface data to improve forecast accuracy of the heavy rainfall, the NMC method estimate of background error was tuned by comparing with independent estimates from accumulated observation minus background (O-B) data. A comparison revealed that the length scale of the NMC method should be halved in order to better assimilate the surface data with that of O-B. However, the correlation between NMC method and O-B statistics was still poor even using the half of the length scale of the NMC method, therefore, in this study, we examined a double iteration method with two different scales representing the large and small lengths. The resulting assimilation clearly showed that the analysis with the tuned length scale was able to reproduce the small-scale features of the ideal field effectively. Further, the analysis using the double iteration method reflected the large- and small-scale features of observed information in the model fields, allowing the 3DVAR system to extract high-resolution observed information more effectively. The precipitation forecast using this double iteration with two different length scales for the heavy rainfall case was in good agreement with the observations in terms of rainfall distribution and amount. The improved forecast resulted from the development of well-identified MCSs by intensified low-level winds and their consequent convergence near the rainfall area. In addition, we assessed the impact of the background error by the double iteration method on the improvement of the analysis through the assimilation of surface data during a one-month period, in comparison with the background error estimated by the NMC method. The statistics for the one-month period indicated that the 3DVAR analysis using the double iteration improved the root-mean-square-errors (RMSEs) verified against the surface observations. These results indicate that the prediction of the heavy rainfall can be improved by designing a suitable strategy of the background error for assimilating the surface data. Regarding to the surface observations, the surface observation impact in improving 6 hour forecast was evaluated for optimal use of surface observations and forecast skill improvement. The observation impact was evaluated during the warm season, with variant formula of third-order approximation of forecast error variation using WRF adjoint model. It was concluded that wind observations showed larger impact in improving the 6 hour forecast than thermodynamic observations. Among the wind observations, the meridional wind showed the largest impact in reducing 6 hour forecast error.