성공적인 국제 Argo 사업을 통해 얻어진 고해상도의 수온 및 염분 프로파일들을 이용하여 준실시간으로 3차원 전지구 해양 상태의 재현이 가능해졌으며, 전지구 해양 자료 분석 연구에 대한 관심 또한 크게 증가하였다. 본 연구에서는 XBT와 Argo 자료의 계통 오차, 열염분 해수면 높이 및 인공위성 관측 자료와의 해수면 수지 불일치, 해양 열용량 변동 및 객관 분석장 개발 현황 등 최근의 자료 분석 연구의 주요 쟁점들에 관해 정리하였다. 특히 동아시아 해역에서의 지역 규모 해양 기후 변화 분석에 앞서 매우 신중한 해양 자료의 품질 관리 및 전구 규모의 해양 변동에 관한 이해가 필요하다는 것을 강조하였다.

Ocean general circulation model developed by GFDL on the basis of MOM4 of FMS are examined and evaluated in order to elucidate the global ocean status. The model employs a tripolar grid system to resolve the Arctic Ocean without polar filtering. The meridional resolution gradually increases from 1/3˚ at the equator to 1˚ at 30˚N(S). Other horizontal grids have the constant 1˚ and vertical grids with 50 levels. The ocean is also coupled to the GFDL sea ice model. It considers tidal effects along with fresh water and chlorophyll concentration. This model is integrated for a 100 year duration with 96 cpu forced by German OMIP and CORE dataset. Levitus, WOA01 climatology, serial CTD observations, WOCE and Argo data are all used for model validation. General features of the world ocean circulation are well simulated except for the western boundary and coastal region where strong advection or fresh water flux are dominant. However, we can find that information concerning chlorophyll and sea ice, newly applied to MOM4 as surface boundary condition, can be used to reduce a model bias near the equatorial and North Pacific ocean.

엘니뇨현상과 관련된 해양 아표층 변동성을 조사하기 위해 1980년부터 2004년까지의 적도 해역의 20도 등온선 깊이(Z20)와 난수질량(WWV) 자료를 분석하였다. 주성분 분석, 합성 분석 및 교차상관 분석 결과, 아표층 시계열 자료는 Nino3.4 SST와 유의미한 시간 지연을 가지고 강한 상관성을 보였다. 이 결과는 아표층 해양 변수가 엘니뇨현상에 유용한 예측 인자임을 시사한다. 분석된 결과를 근거로 1996년부터 2004년까지 Nino3.4 SST를 예측하기 위해 신경망 예측 모델을 구성하였다. 해상풍을 입력 자료로 사용하였을 경우 보다 WWV를 적용하였을 때 3개월 이하의 단기 예측을 제외하고 모든 예측 시간에서 더 우수한 예측력을 보였으며, 5-8개월의 예측에 있어서는 기존의 여러 통계 모델 결과보다 예측 성능이 우수함을 확인하였다.

대표적인 엘니뇨 지수인 태평양 Nino 해역의 표층 수온을 예측하기 위해 비선형 통계모델 중의 하나인 신경망 기법을 적용하였다. 신경망 모델 학습 과정의 입력 자료로 1951년부터 1993년까지의 태평양 해역(120˚ E, 20˚ S-20˚ N) NCEP/NCAR의 재분석 표층 수온 편차의 경험적 직교함수 7개 주모드를 사용하였고, 그 중 1994년부터 2003년까지의 10년 결과를 분석하였다. 모든 해역에서의 9개월까지의 신경망 모델의 예측력은 비교적 우수하였으며, 특히 1997년과 1998년의 강한 엘니뇨의 발달 및 소멸도 잘 예측함을 확인할 수 있었다. 해역별로는 Nino3 지역의 예측성능이 가장 높았으며, 9개월 이후부터는 그 예측력이 급격히 감소하였다. 한편 지역적인 영향이 커 예측력이 낮은 동태평양 연안의 Nino1+2 지역은 9개월 이후에도 예측력의 감소가 관찰되지 않았다.

Continued observation of ARGO floats for years(about 4 years) makes the conductivity sensor more vulnerable to fouling by marine life and associated drift in salinity measurements. In this paper, we address this issue by making use of floats deployed in different years. Floats deployed in the East Sea and the Indian Ocean are examined to find out float-to-float match-ups in such a way that an older float pops up simultaneously with a newer deployment (with tolerable space-time difference). A time difference of less than five days and space difference of less than 100km are considered for the match-up data sets. For analysis of the salinity drift under the stable water mass, observations of the floats from deepest water masses have been used. From the cross-check of ARGO floats in the East Sea and the Indian Ocean, it is found that there is a systematic drift in the older float compared to later deployments. All drift results, consistently show negative bias indicating the typical nature of drift from fouled sensors. However, the drift is much less than 0.01, the specified accuracy of ARGO program.