대한민국 기상청에서 사용하고 있는 UM (Unified Model, UM) 모델의 국지예측시스템(Local Data Assimilation and Prediction System, LDAPS)은 수치모델 모의 시 대기경계층 유형에 따라 물리과정을 다르게 계산하기 때문에 이 과정을 검증하는 것은 모델의 정확도 향상에 중요하다. 따라서, 본 연구에서는 수치모델의 대기경계층 유형을 관측자료 를 기반으로 검증하였다. 관측자료를 기반으로 대기경계층 유형을 분류하기 위해서 보성 표준기상관측소에서 수행한 여름철 집중관측자료(라디오존데, 플럭스관측장비, 도플러 라이다, 운고계)를 활용하였으며, 2019년 6월 18일 부터 8월 17일 까지 61일 동안에 총 201회의 관측자료를 분석하였다. 또한 관측자료와 수치모델 결과가 다른 경우를 보면, 관측자료를 기반으로 한 대기경계층 유형 분류 결과에서 2유형으로 분류되는 사례가 수치모델에서는 1유형으로 분류된 사례가 53회로 가장 많이 나타났다. 그 다음으로는 관측자료를 기반으로 한 대기경계층 유형 분류 결과에서 5유형과 6유형 으로 분류되는 사례가 수치모델에서는 3유형으로 분류된 사례가 많이 나타났다(각각 24회, 15회). 관측결과와 수치모델 모의 결과가 일치하지 않은 사례는 모두 층적운 접합 여부 및 적운 모의 등 수치모델의 구름물리 부분의 모의 성능에 기인하여 발생한 것이라고 분석된다. 따라서, 대기경계층 유형 분류의 구름물리과정의 모의 정확도를 개선하면 수치모델 성능이 향상 될 것으로 판단된다.

증발산은 순복사 에너지를 사용하여 잠열의 형태로 수증기를 대기 중으로 수송함으로써 지구에너지 순환에 있어 중요한 요소 중의 하나이며, 증발산량은 지표유출의 두 배 정도로서 지구 물 수지에서 차지하는 비중이 매우 크다. 증발산의 지상관측은 지점에 국한되기 때문에 공간연속면 상에서의 증발산량 산출을 위하여 격자형 기상자료와 위성자료를 이용한 모델링이 오랫동안 이루어져왔다. PM(Penman-Monteith) 방정식에 기초한 METRIC(Mapping Evapotranspiration with Internalized Calibration) 모델이나 PT(Priestley-Taylor) 방정식을 이용한 MS-PT(Modified Satellite-based Priestley-Taylor) 모델 등이 주로 사용되어 왔으나, 또 하나의 대안으로서 본 연구에서는 최근 부각되고 있는 딥러닝 기법인 DNN(deep neural network)을 이용한 증발산 모델링을 수행하였다. 은닉층 구조, 손실함수, 옵티마이저, 활성화함수, L1/L2 정규화, 드롭아웃 비율 등의 최적화 과정을 거쳐서 수립한 DNN 모델은 RMSE = 0.326mm/day, 상관계수 = 0.975의 매우 양호한 정확도를 나타내었다. 이는 DNN 최적화와 함께, 국지예보모델과 위성자료로부터 증발산 기작에 관여하는 인자들을 선택하여 입력자료로 적절히 사용하였기 때문이기도 하다. 향후과제로서 훈련자료의 종류와 양을 증가시켜서 DNN 모델을 보다 정교화하는 것은 반드시 필요하다고 사료된다.

The initial and boundary conditions are important factors in regional chemical transport modeling systems. The method of generating the chemical boundary conditions for regional air quality models tends to be different from the dynamically varying boundary conditions in global chemical transport models. In this study, the impact of real time Copernicus atmosphere monitoring service (CAMS) re-analysis data from the modeling atmospheric composition and climate project interim implementation (MACC) on the regional air quality in the Korean Peninsula was carried out using the community multi-scale air quality modeling system (CMAQ). A comparison between conventional global data and CAMS for numerical assessments was also conducted. Although the horizontal resolution of the CAMS re-analysis data is not higher than the conventionally provided data, the simulated particulate matter (PM) concentrations with boundary conditions for CAMS re-analysis is more reasonable than any other data, and the estimation accuracy over the entire Korean peninsula, including the Seoul and Daegu metropolitan areas, was improved. Although an inland area such as the Daegu metropolitan area often has large uncertainty in PM prediction, the level of improvement in the prediction for the Daegu metropolitan area is higher than in the coastal area of the western part of the Korean peninsula.