자료동화 (Data Assimilation)
쉽게 풀면
수치예보 모델이 정확한 예보를 내려면 먼저 "지금 대기가 어떤 상태인지"를 정확히 알아야 합니다. 하지만 전 세계 대기를 빈틈없이 관측할 수는 없고, 관측기기마다 오차도 있습니다. 자료동화는 위성, 라디오존데, 지상관측 등 여기저기서 들어오는 불완전한 관측값들을, 이전 예보 결과라는 밑그림 위에 겹쳐서 가장 그럴듯한 현재 대기 상태를 그려내는 작업입니다. 마치 흐릿한 사진 여러 장을 겹쳐서 하나의 선명한 사진을 만들어내는 과정과 비슷합니다. 이렇게 만들어진 결과가 다음 예보의 출발점(초기조건)이 됩니다.
왜 중요한가
초기조건의 정확도는 예보 정확도를 좌우하는 핵심 요소이기 때문에, 자료동화는 현업 수치예보 시스템에서 가장 중요한 구성 요소 중 하나로 다뤄집니다. 위성 관측 등 새로운 관측자료를 효과적으로 활용하는 자료동화 기법의 개선은 예보 성능 향상과 직결되므로 관련 연구가 꾸준히 이루어지고 있습니다.
논문에서는 이렇게 쓰입니다
위성 관측값을 물리량으로 변환하지 않고 원자료 형태로 자료동화에 활용하여 초기장을 개선한 사례입니다.
자료동화 과정에서 배경장(이전 예보)의 오차 특성을 어떻게 가정하느냐가 최종 결과에 큰 영향을 준다는 점을 다루고 있습니다.
조금 더 깊게 보면
자료동화 기법은 크게 변분법(variational method)과 칼만필터 계열로 나뉘며, 전자에는 3차원변분(3D-Var), 4차원변분(4D-Var)이, 후자에는 앙상블칼만필터(EnKF) 등이 있습니다. 최근에는 변분법과 앙상블 기법을 결합한 하이브리드 방식도 널리 활용됩니다. 관측값, 배경장, 각각의 오차 공분산을 종합하여 최적의 추정치(분석장)를 구하는 것이 공통적인 목표입니다.
주의할 점
자료동화는 관측이 부족한 지역이나 관측 오차가 큰 자료를 다룰 때 결과의 신뢰도가 떨어질 수 있습니다. 또한 배경장이나 관측 오차 공분산을 잘못 설정하면 오히려 분석장의 품질이 저하될 수 있으므로, 이러한 통계적 가정의 타당성을 지속적으로 점검해야 합니다.