27.43 난류 예측과 기상 데이터 활용

27.43 난류 예측과 기상 데이터 활용

난류 예측(turbulence forecasting)은 무인기 운용 영역에서 발생할 가능성이 있는 대기 난류와 돌풍의 시공간적 분포를 사전에 추정하여 비행 안전성 확보, 임무 계획(mission planning), 제어기 사전 보상에 활용하는 일련의 절차이다. 무인기는 유인 항공기에 비해 질량이 작고 관성이 낮아 동일한 강도의 난류에 대해서도 자세 교란이 크게 나타나며, 이로 인해 비행 직전 및 비행 중에 갱신되는 기상 정보의 정량적 활용이 필수적이다. 본 절에서는 난류 예측의 기본 개념과 정보원, 예측 산물의 종류, 그리고 무인기 운용에 직접 활용되는 자료 처리 절차를 차례로 기술한다.

1. 난류 예측의 정의와 분류

대기 과학 및 항공 기상 분야에서 난류 예측은 예측 시간 규모(forecast horizon)에 따라 크게 세 가지로 구분된다. 첫째는 수 분에서 수 시간 단위의 초단기 예보(nowcasting)이며, 둘째는 수 시간에서 수일 단위의 단기 예보(short-range forecast), 셋째는 수일 이상의 중기 예보(medium-range forecast)이다. 무인기 운용 관점에서 비행 전 임무 가능 여부 판단에는 단기 예보가, 비행 중 즉각적인 회피 및 제어 보상에는 초단기 예보가 주로 활용된다.

난류 예측의 대상이 되는 물리량은 평균풍의 풍속과 풍향, 돌풍 강도(gust strength), 난류 운동 에너지(turbulent kinetic energy, TKE), 난류 강도(turbulence intensity), 마찰 속도(friction velocity), 에디 소산율(eddy dissipation rate, EDR), 윈드 시어(wind shear) 강도 등이다. 이 가운데 항공 분야의 표준 난류 보고 지표로는 국제민간항공기구(International Civil Aviation Organization, ICAO)에서 채택한 EDR이 사용되며, 이는 콜모고로프 난류 이론에 기반하여 비행체의 크기와 비행 속도에 비교적 독립적인 척도로 활용된다.

2. 활용 가능한 기상 자료원

무인기 운용에 활용되는 기상 자료원은 관측 자료와 모델 자료로 구분된다. 관측 자료에는 지상 자동기상관측장비(automatic weather station, AWS), 라디오존데(radiosonde) 고층관측, 항공기 보고(aircraft meteorological data relay, AMDAR), 윈드 프로파일러(wind profiler), 라이다(LiDAR), 기상 레이더(weather radar), 정지 및 극궤도 기상위성 자료가 포함된다. 모델 자료는 수치 기상 예보(numerical weather prediction, NWP) 산물과 이를 후처리한 통계적·기계 학습 기반 산물을 포괄한다.

세계기상기구(World Meteorological Organization, WMO)는 국가별 기상 기관이 생산하는 자료가 GTS(Global Telecommunication System)와 WIS(WMO Information System)를 통해 표준 형식으로 교환되도록 규정하고 있으며, 항공 기상 자료의 표현 형식으로는 METAR(meteorological aerodrome report), TAF(terminal aerodrome forecast), SIGMET(significant meteorological information), AIRMET(airmen’s meteorological information), GAMET(area forecast in plain language) 등이 사용된다. 이 가운데 SIGMET과 AIRMET은 중강도 이상의 난류, 착빙(icing), 산악파(mountain wave) 등 항공 안전에 영향을 미치는 현상을 명시적으로 통보한다.

3. 항공용 난류 예측 산물

항공 분야에서 표준화된 난류 예측 산물은 미국 국립대기연구센터(National Center for Atmospheric Research, NCAR)에서 개발된 GTG(Graphical Turbulence Guidance), 미국 국립환경예측센터(National Centers for Environmental Prediction, NCEP)와 미국 국립기상청(National Weather Service)이 운영하는 청천 난류(clear-air turbulence, CAT) 예측 산물, 그리고 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)에서 제공하는 결정론적·앙상블 예보 산물 등이 있다. 이 산물들은 NWP 모델의 격자점 출력으로부터 다양한 난류 진단 지표(turbulence diagnostic index)를 계산하고, 이를 가중 결합하여 난류 발생 확률 또는 EDR 등가값을 산출한다.

대표적인 난류 진단 지표로는 엘로드 지수(Ellrod index, TI1, TI2), 던컨 지수(Dutton index), 리처드슨 수(Richardson number), 수직 풍속 시어(vertical wind shear), 변형률(deformation), 발산(divergence), 잠재 와도(potential vorticity, PV) 기반 지표 등이 있다. 이러한 지표들은 단일 사용 시 예측 신뢰도가 제한적이므로, GTG와 같은 산물은 항공기 EDR 보고 자료와의 비교 검증을 통해 가중치를 보정한 다중 지표 결합(ensemble of diagnostics) 방식을 채택한다.

4. 저고도 무인기 운용을 위한 자료 활용

대다수의 무인기는 대기 경계층(atmospheric boundary layer, ABL) 내에서 운용되므로, 표준 항공 기상 산물 외에 고분해능 경계층 모델과 지형 정보가 함께 요구된다. 미국 해양대기청(National Oceanic and Atmospheric Administration, NOAA)의 HRRR(High-Resolution Rapid Refresh) 모델은 약 3 km 수평 격자 해상도로 매시간 갱신되며, 미국 영공 내 저고도 풍속·돌풍·난류 정보를 제공한다. 한국 기상청(Korea Meteorological Administration, KMA)은 국지예보모델(Local Data Assimilation and Prediction System, LDAPS)을 약 1.5 km 해상도로 운영하여 국내 저고도 기상 예측에 활용한다.

저고도 영역에서는 지형 효과, 건물 후류, 식생 거칠기(roughness)에 의한 국지적 난류가 지배적이므로, 광역 NWP 자료를 단순히 격자점 보간하는 방식만으로는 충분한 정확도를 확보하기 어렵다. 이를 보완하기 위해 광역 NWP 자료를 경계 조건으로 사용하고, 미시 규모(microscale) 전산유체역학(computational fluid dynamics, CFD) 또는 대형 와동 모사(large eddy simulation, LES) 모델로 다운스케일링(downscaling)하는 다중 규모(multiscale) 접근이 활용된다. 대표적인 미시 규모 모델로는 WRF(Weather Research and Forecasting) 모델의 LES 모드(WRF-LES)와 PALM(Parallelized Large-Eddy Simulation Model) 등이 있다.

5. 자료 동화와 예측 정확도 향상

자료 동화(data assimilation)는 관측 자료와 수치 모델의 배경장(background field)을 통계적으로 결합하여 모델의 초기 조건을 개선하는 절차이며, 단기 및 초단기 난류 예측 정확도에 직접적인 영향을 미친다. 항공 분야에서는 3차원 변분 동화(three-dimensional variational data assimilation, 3D-Var), 4차원 변분 동화(four-dimensional variational data assimilation, 4D-Var), 앙상블 칼만 필터(ensemble Kalman filter, EnKF), 하이브리드 동화 기법이 사용된다.

무인기 자체가 보유한 풍속 및 자세 정보를 자료 동화에 환류(feedback)하는 기법도 연구되고 있다. 무인기의 관성 측정 장치(inertial measurement unit, IMU), 위성 항법 장치(global navigation satellite system, GNSS), 피토관(Pitot tube) 출력으로부터 추정된 대기 상대 풍속 정보를 군집 형태로 수집하여 경계층 풍속 분포의 시공간 분해능을 향상시키는 방안이 제시되고 있으며, 이는 협동 기상 관측(cooperative meteorological sensing) 또는 유동 군집 관측(swarm-based atmospheric sensing)이라 명명된다.

6. 앙상블 예보와 불확실성 정량화

대기는 카오스적 비선형 시스템이므로 결정론적 예보만으로는 예측 불확실성을 충분히 표현할 수 없다. 이에 따라 초기 조건과 모델 매개변수를 섭동(perturbation)시켜 다수의 예측 결과를 산출하는 앙상블 예보(ensemble forecast)가 표준 절차로 정착되어 있다. ECMWF의 ENS, NCEP의 GEFS(Global Ensemble Forecast System), 영국 기상청(Met Office)의 MOGREPS(Met Office Global and Regional Ensemble Prediction System) 등이 대표적이다.

무인기 임무 계획에서는 앙상블 구성원 간의 풍속·돌풍 분포로부터 위험 임계값을 초과할 확률을 산출하고, 이를 임무 가능 여부 판단의 근거로 활용한다. 또한 앙상블 평균과 표준편차를 함께 제공함으로써, 강건 제어(robust control)와 모델 예측 제어(model predictive control, MPC) 설계 시 고려해야 할 외란(disturbance)의 분산을 정량적으로 산정할 수 있다.

7. 기상 자료의 표준 형식과 인터페이스

기상 자료의 무인기 시스템 통합을 위해서는 표준화된 자료 형식과 교환 규약이 요구된다. 격자형 모델 자료는 WMO에서 규정한 GRIB(GRIdded Binary) 형식, 특히 GRIB2가 사용되며, 관측 자료는 BUFR(Binary Universal Form for the Representation of meteorological data) 형식으로 교환된다. 위성 및 일반 과학 자료의 경우 NetCDF(Network Common Data Form), HDF5(Hierarchical Data Format version 5) 형식이 광범위하게 활용된다.

미국 연방항공청(Federal Aviation Administration, FAA)이 운영하는 SWIM(System Wide Information Management) 플랫폼은 항공 기상, 비행 정보, 교통 정보를 통합하여 SOA(service-oriented architecture) 기반으로 제공한다. 무인기 교통 관리(unmanned aircraft system traffic management, UTM) 체계에서는 이러한 표준 형식을 통해 기상 정보가 비행 계획 단계와 비행 중 모니터링 단계에 동시에 활용된다.

8. 난류 예측 정보의 비행 시스템 통합

예측된 기상 정보는 무인기 비행 시스템에 다음과 같은 방식으로 통합된다. 첫째, 임무 계획 단계에서 경로상 풍속·돌풍 분포를 평가하여 비행 경로(waypoint)와 고도 프로파일을 최적화한다. 둘째, 비행 중에는 갱신된 예보 자료를 수신하여 비행 제어기의 외란 모델을 갱신하고, 모델 예측 제어 또는 적응 제어의 기준 모델을 보정한다. 셋째, 돌풍 경감 제어(gust alleviation control) 및 능동 난류 보상 제어(active turbulence rejection)에 필요한 외란 추정기의 사전 정보로 활용된다.

또한 예측의 시간적·공간적 신뢰도가 확보된 영역에서는 임무 종료 또는 비상 착륙(emergency landing)을 위한 안전 회랑(safety corridor)을 사전에 정의할 수 있다. 이러한 통합 방식은 무인기의 자율성 수준이 높아질수록 더욱 정교한 기상 정보 인터페이스를 요구하며, 이를 위해 RTCA(Radio Technical Commission for Aeronautics)와 EUROCAE(European Organisation for Civil Aviation Equipment)가 관련 표준을 지속적으로 개정하고 있다.

9. 한계와 운용상 고려 사항

기상 자료에 기반한 난류 예측은 본질적인 한계를 가진다. 첫째, NWP 모델의 수평·수직 격자 해상도가 무인기가 경험하는 미시 난류의 공간 규모보다 크므로, 격자 내부에서 발생하는 난류는 매개변수화(parameterization)에 의존하여 표현된다. 둘째, 자료 동화에 활용되는 관측망의 시공간 밀도가 저고도 영역에서 상대적으로 희박하다. 셋째, 예측 시간이 길어질수록 카오스적 발산으로 인해 예측 정확도가 저하된다.

따라서 실제 무인기 운용 단계에서는 예측 자료를 단일 진리값으로 활용하기보다, 비행 중 실시간 측정 자료와의 융합(fusion)을 통해 최신화하고, 앙상블 기반 불확실성 정보를 동시에 고려하는 것이 권장된다. 이러한 접근은 다음 절에서 다루는 수치 기상 예보의 활용 및 기계 학습 기반 난류 예측 기법으로 연결된다.

10. 출처

  • International Civil Aviation Organization (ICAO), Annex 3 to the Convention on International Civil Aviation: Meteorological Service for International Air Navigation, 20th edition, 2018.
  • World Meteorological Organization (WMO), Manual on Codes (WMO-No. 306), Volume I.2: International Codes, Part B – Binary Codes, Part C – Common Features to Binary and Alphanumeric Codes, 2019 edition updated in 2023.
  • Sharman, R. D., Tebaldi, C., Wiener, G., and Wolff, J., “An integrated approach to mid- and upper-level turbulence forecasting”, Weather and Forecasting, Vol. 21, No. 3, pp. 268–287, 2006.
  • Sharman, R. D. and Pearson, J. M., “Prediction of energy dissipation rates for aviation turbulence. Part I: Forecasting nonconvective turbulence”, Journal of Applied Meteorology and Climatology, Vol. 56, No. 2, pp. 317–337, 2017.
  • Benjamin, S. G., Weygandt, S. S., Brown, J. M., Hu, M., Alexander, C. R., Smirnova, T. G., Olson, J. B., James, E. P., Dowell, D. C., Grell, G. A., Lin, H., Peckham, S. E., Smith, T. L., Moninger, W. R., Kenyon, J. S., and Manikin, G. S., “A North American hourly assimilation and model forecast cycle: The Rapid Refresh”, Monthly Weather Review, Vol. 144, No. 4, pp. 1669–1694, 2016.
  • Skamarock, W. C., Klemp, J. B., Dudhia, J., Gill, D. O., Liu, Z., Berner, J., Wang, W., Powers, J. G., Duda, M. G., Barker, D. M., and Huang, X.-Y., A Description of the Advanced Research WRF Model Version 4, NCAR Technical Note NCAR/TN-556+STR, 2019.
  • Maronga, B., Banzhaf, S., Burmeister, C., Esch, T., Forkel, R., Fröhlich, D., Fuka, V., Gehrke, K. F., Geletič, J., Giersch, S., et al., “Overview of the PALM model system 6.0”, Geoscientific Model Development, Vol. 13, No. 3, pp. 1335–1372, 2020.

11. 버전

  • 문서 버전: 1.0
  • 작성일: 2026-04-18