27.44 수치 기상 예보(NWP)의 난류 예측 활용

수치 기상 예보(numerical weather prediction, NWP)는 대기의 운동방정식, 열역학방정식, 연속방정식, 수증기 보존방정식 등을 시간적·공간적으로 이산화하여 컴퓨터로 적분함으로써 미래의 대기 상태를 예측하는 정량적 기상 예측 기법이다. 무인기 운용에서 NWP는 광역 풍속·풍향, 대기 안정도, 돌풍 강도, 난류 진단 지표 등을 시공간적 격자 형태로 제공하여 비행 계획 및 제어 외란 추정의 기준 자료로 활용된다. 본 절에서는 NWP의 기본 구조와 난류 예측 산물 생성 절차, 무인기 분야에서의 활용 방식을 학술적으로 기술한다.

1. NWP의 기본 구조

NWP 모델은 일반적으로 역학 코어(dynamical core), 물리 모수화 모듈(physical parameterization module), 자료 동화 시스템(data assimilation system), 후처리(post-processing) 모듈로 구성된다. 역학 코어는 회전 좌표계에서의 압축성 또는 비압축성 나비에-스토크스 방정식을 이산화하여 적분하며, 격자 구조는 직사각 격자, 회전 위경도 격자, 정이십면체 격자(icosahedral grid), 큐빅 구체 격자(cubed-sphere grid) 등 다양한 형태가 채택된다.

물리 모수화 모듈은 격자 해상도보다 작은 규모에서 발생하는 물리 과정을 격자 평균량으로 표현한다. 난류 예측과 관련된 주요 모수화로는 행성 경계층(planetary boundary layer, PBL) 모수화, 표면층(surface layer) 모수화, 대류(convection) 모수화, 운역학(cloud microphysics) 모수화, 복사(radiation) 모수화가 있다. 이 가운데 PBL 모수화는 대기 경계층 내 난류 운동 에너지(turbulent kinetic energy, TKE)와 풍속 프로파일을 직접 산출하므로 무인기 저고도 운용에 가장 밀접한 관련을 가진다.

2. 대표적인 NWP 모델

전 지구 규모(global scale) NWP 모델로는 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)의 IFS(Integrated Forecasting System), 미국 국립환경예측센터(National Centers for Environmental Prediction, NCEP)의 GFS(Global Forecast System), 영국 기상청(Met Office)의 UM(Unified Model), 독일 기상청(Deutscher Wetterdienst, DWD)의 ICON(ICOsahedral Non-hydrostatic) 모델, 한국 기상청(Korea Meteorological Administration, KMA)의 KIM(Korean Integrated Model) 등이 있다.

지역 규모(regional scale) 모델로는 WRF(Weather Research and Forecasting) 모델, HARMONIE-AROME, COSMO(Consortium for Small-scale Modeling) 모델, NCEP의 HRRR(High-Resolution Rapid Refresh) 모델, KMA의 LDAPS(Local Data Assimilation and Prediction System) 등이 있다. 지역 모델은 광역 모델의 결과를 측면 경계 조건(lateral boundary condition)으로 사용하여 더 높은 해상도로 다운스케일링(downscaling)을 수행하며, 무인기 운용 영역의 풍속 분포 산출에 직접 활용된다.

3. 난류 예측을 위한 NWP 산물

NWP 모델의 표준 출력 변수에는 격자점별 풍속 성분(u, v, w), 온위(potential temperature), 비습(specific humidity), 기압, 지위 고도(geopotential height), TKE 등이 포함된다. 이로부터 난류 예측에 활용되는 진단 변수가 추가로 산출된다. 주요 진단 변수는 다음과 같다.

이 진단 변수들은 청천 난류(clear-air turbulence, CAT), 대류성 난류(convective turbulence), 산악파 난류(mountain wave turbulence)의 발생 가능성을 추정하는 데 사용되며, 다중 진단 변수의 가중 결합을 통해 항공용 난류 예측 산물이 산출된다.

4. 난류 모수화 기법

대기 경계층 내 난류는 일반적으로 격자 해상도보다 작은 규모에서 발생하므로 모수화가 필수적이다. NWP에서 사용되는 PBL 모수화는 닫힘 차수(closure order)에 따라 1차 닫힘(first-order closure), 1.5차 닫힘(level 1.5 closure), 2차 닫힘(second-order closure)으로 구분된다.

대표적인 PBL 모수화 기법으로는 YSU(Yonsei University) 기법, MYJ(Mellor–Yamada–Janjić) 기법, MYNN(Mellor–Yamada–Nakanishi–Niino) 기법, ACM2(Asymmetric Convective Model version 2), QNSE(Quasi-Normal Scale Elimination) 기법, BouLac(Bougeault–Lacarrère) 기법 등이 있다. YSU와 ACM2는 비국소(nonlocal) 혼합 효과를 고려하는 1차 닫힘 기법이며, MYJ와 MYNN은 TKE 예측방정식을 포함하는 1.5차 닫힘 기법이다.

대형 와동 모사(large eddy simulation, LES) 모드에서는 격자 해상도가 수십 미터 수준으로 미세화되어 큰 와동 구조를 직접 해상하고, 격자 미만 규모(subgrid scale)만을 모수화한다. 대표적인 격자 미만 규모 모델로는 스마고린스키(Smagorinsky) 모델, 동적 스마고린스키(dynamic Smagorinsky) 모델, TKE 기반 1.5차 닫힘 모델 등이 있다.

5. 자료 동화와 초기 조건

NWP의 예측 성능은 초기 조건의 정확도에 크게 의존하며, 자료 동화(data assimilation)는 관측 자료와 모델의 단기 예보(배경장)를 통계적으로 결합하여 최적 초기 조건을 산출하는 절차이다. 주요 동화 기법으로는 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), 그리고 변분법과 앙상블법을 결합한 하이브리드 동화(hybrid 4D-Var/EnKF) 기법이 사용된다.

NCEP의 HRRR과 같은 단기 갱신(rapid refresh) 모델은 매 시간 자료 동화 사이클을 수행하며, 항공기 보고(aircraft meteorological data relay, AMDAR), 윈드 프로파일러(wind profiler), 도플러 라이다(Doppler LiDAR), 도플러 레이더(Doppler radar) 자료를 활용해 풍속장의 정확도를 단시간에 갱신한다. 이러한 단기 갱신 산물은 무인기의 단기 임무 계획 및 회피 기동에 직접 활용 가능하다.

6. 항공용 난류 예측 시스템과의 연계

NWP 산물은 항공용 난류 예측 시스템의 입력으로 사용되어 표준화된 난류 정보로 변환된다. 미국 국립대기연구센터(National Center for Atmospheric Research, NCAR)에서 개발된 GTG(Graphical Turbulence Guidance)와 GTGN(Graphical Turbulence Guidance Nowcast)은 NWP 격자점에서 다중 난류 진단 지표를 계산한 뒤, 항공기 EDR 보고와의 비교 검증을 통해 결정된 가중치로 결합하여 EDR 등가값을 산출한다.

항공기 EDR 자료는 국제민간항공기구(International Civil Aviation Organization, ICAO)와 세계기상기구(World Meteorological Organization, WMO)가 표준화한 IAGOS(In-service Aircraft for a Global Observing System), AMDAR 프로그램을 통해 수집되며, GTG의 가중치 보정에 활용된다. 산출된 EDR은 일반적으로 가벼운 난류(light), 보통 난류(moderate), 강한 난류(severe), 극심한 난류(extreme) 등급으로 분류되어 항공기 운항 결정에 사용된다.

7. 무인기 운용에서의 NWP 활용

무인기 운용에서 NWP는 다음과 같은 단계에 활용된다. 첫째, 임무 계획 단계에서는 비행 영역의 풍속·돌풍·난류 강도를 평가하여 비행 가능 시간 창(time window)과 경로를 결정한다. 둘째, 비행 직전 단계에서는 이륙·착륙 지점의 저층 풍속 시어, 지면풍, 측풍 강도를 평가하여 이착륙 가능 여부를 판단한다. 셋째, 비행 중에는 갱신된 NWP 산물을 기반으로 잔여 비행 시간 동안의 외란을 예측하여 제어기의 사전 보상에 활용한다.

저고도 무인기는 대기 경계층 내에서 운용되므로, 광역 NWP 모델보다는 1.5 km 이하의 고분해능 지역 모델 또는 100 m 이하의 LES 모드 산물이 더욱 적합하다. 또한 광역 NWP를 경계 조건으로 사용하고 미시 규모 CFD 모델로 재계산하는 다중 규모 결합(multiscale coupling) 방식이 도심 환경 및 산악 지형에서 표준화되고 있다. 이러한 결합 방식의 대표적인 사례로는 WRF 모델과 PALM 모델의 결합, 그리고 WRF-LES와 OpenFOAM 기반 CFD의 결합이 보고된 바 있다.

8. NWP 산물의 무인기 시스템 통합

NWP 산물은 격자형 자료(GRIB2 형식) 또는 점 자료(NetCDF, CSV 형식)로 제공되며, 무인기 지상 통제 시스템(ground control system, GCS) 또는 비행 관리 시스템(flight management system, FMS)에 통합된다. 자료 통합 시 다음 절차가 수행된다.

첫째, 다양한 격자 좌표계(회전 위경도, 람베르트 정각도법, 정사각 격자 등)를 비행 좌표계로 변환한다. 둘째, 비행 경로 또는 점 위치에서 시공간적 보간(spatiotemporal interpolation)을 수행하여 풍속 벡터, 돌풍 강도, 난류 강도 시계열을 생성한다. 셋째, 보간된 자료를 비행 동역학 모델, 제어 알고리즘, 임무 계획 알고리즘에 입력 가능한 형태로 변환한다.

무인기 교통 관리(unmanned aircraft system traffic management, UTM) 체계에서는 다수 무인기에 동일한 기상 정보가 제공되어야 하므로, NWP 산물의 표준 인터페이스가 요구된다. 이를 위해 미국 연방항공청(Federal Aviation Administration, FAA)의 SWIM(System Wide Information Management) 플랫폼과 유럽항공안전청(European Union Aviation Safety Agency, EASA)의 U-space 정보 서비스가 NWP 기반 기상 정보를 표준화된 웹 서비스 형태로 제공한다.

9. NWP 활용의 한계

NWP를 무인기 난류 예측에 활용할 때 다음과 같은 한계가 존재한다. 첫째, 격자 해상도의 한계로 인해 미시 규모 난류는 직접 해상되지 않고 모수화에 의존하므로, 무인기가 실제로 경험하는 난류 강도와 정량적 차이가 발생할 수 있다. 둘째, 지형 자료, 토지 피복 자료, 도시 형태 자료의 정밀도가 충분하지 않을 경우, 지형 유도 난류와 도심 난류의 예측 정확도가 저하된다. 셋째, 예측 시간이 길어질수록 카오스적 발산으로 인해 정확도가 감소하며, 단기 예보의 경우에도 자료 동화의 품질에 따라 정확도 편차가 발생한다.

이러한 한계를 보완하기 위해 다중 모델 앙상블, 다중 해상도 결합, 기계 학습 기반 후처리(post-processing)가 활용되며, 이는 다음 절에서 다루는 기계 학습 기반 난류 예측 기법으로 연결된다.

10. 출처

• 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.
• 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.
• 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.
• Hong, S.-Y., Noh, Y., and Dudhia, J., “A new vertical diffusion package with an explicit treatment of entrainment processes”, Monthly Weather Review, Vol. 134, No. 9, pp. 2318–2341, 2006.
• Nakanishi, M. and Niino, H., “Development of an improved turbulence closure model for the atmospheric boundary layer”, Journal of the Meteorological Society of Japan, Vol. 87, No. 5, pp. 895–912, 2009.
• Bauer, P., Thorpe, A., and Brunet, G., “The quiet revolution of numerical weather prediction”, Nature, Vol. 525, pp. 47–55, 2015.
• 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.
• World Meteorological Organization (WMO), Guide to Aircraft-based Observations (WMO-No. 1200), 2017 edition.

11. 버전

• 문서 버전: 1.0
• 작성일: 2026-04-18