딥러닝 기반 날씨 예측 모델을 통한 2018년 성층권 돌연승온의 사례분석 = Stratospheric Sudden Warming in Deep Learning Weather Prediction Models: A Case Study of 2018 major SSW

다국어 초록 (Multilingual Abstract)

Recent deep learning weather prediction (DLWP) models have continued to improve in forecast skill. Since the publication of Pangu-Weather in 2022, DLWP models have showed better performance than ECMWF’s Integrated Forecasting System (IFS), while requiring far less computational time. Despite these advances, evaluation of DLWP models for extreme weather events remains limited.

In this study, I assessed whether DLWP models can realistically simulate an extreme wintertime polar stratospheric event, a Stratospheric Sudden Warming (SSW), through its dynamical process. SSWs are triggered when planetary waves in the upper troposphere and lower stratosphere propagate upward into the stratosphere, converge, and deposit momentum and energy. This wave forcing disrupts the polar vortex, often through displacement or splitting, alters the mean stratospheric circulation, and produces a rapid temperature increase over a short period. Following SSWs, their influence can extend downward to the troposphere and surface. In the polar troposphere, geopotential height anomalies (GPHA) tend to increase. At the surface, sea-level pressure (SLP) anomalies also increase over high latitudes, and cold-air outbreaks can develop over Eurasia. Because these impacts can persist on subseasonal-to-seasonal (S2S) timescales, SSWs provide a demanding dynamical test for forecast models. I focused on the 2018 major SSW, a case with a clear and well-documented downward influence, to examine DLWP model behavior from a dynamical perspective.

My experimental design followed the SNAPSI project methodology. I conducted three sets of experiments: Free, Nudged, and Control. In the Free experiment, forecasts were produced without any additional constraints. In the Nudged and Control experiments, forecasts were initialized after nudging stratospheric zonal wind (U) and temperature (T) toward two different reference states: ERA5 (Nudged) and the ERA5 climatology (Control). I analyzed five DLWP models—Pangu-Weather, GraphCast, FuXi, FengWu, and FourCastNet v2—and used the operational numerical model ECMWF IFS (cycle 48r1) as a reference. All experiments were initialized four days before the onset of the 2018 major SSW and were run with 6-hourly output for a 30-day lead time.

All models captured the key elements of the 2018 major SSW, including the upward propagation of planetary waves into the stratosphere and the resulting splitting of the polar vortex. Among the DLWP models, GraphCast most clearly reproduced the polar vortex split into two distinct vortices at the event’s onset. After the SSW, GraphCast, FuXi, and FengWu also reproduced tropospheric and surface responses comparable to those in the dynamical reference, including enhanced polar-cap GPHA and increased SLP, with broadly similar spatial patterns. GraphCast further captured the amplitude of these anomalies more realistically and reproduced signals consistent with Eurasian cold-air outbreaks.

To evaluate whether the DLWP models maintained hydrostatic balance, I additionally decomposed GPHA into contributions from temperature and surface pressure (SP). GraphCast showed temperature and SP contributions comparable to those in IFS. For all DLWP models except FengWu, the summed temperature and SP contributions closely matched the predicted GPHA. This agreement suggests that these models produce forecasts that account for hydrostatic balance.

Overall, this study evaluated DLWP models using the dynamical process of an extreme event. I showed that GraphCast reproduced not only the development of the 2018 major SSW but also its downward influence, in broad agreement with the dynamical reference model (IFS).

국문 초록 (Abstract)

최근 딥러닝 기반 날씨 예측(Deep Learning Weather Prediction, DLWP) 모델들의 예측 성능은 꾸준히 향상되고 있다. 특히, 2022년 Pangu-Weatehr가 발표된 이후, DLWP 모델들은 기존의 가장 좋은 예측 성능을 보여주는 전통적인 수치예보(Numerical Weather Prediction, NWP) 모델인 ECMWF(European Centre for Medium-range Weather Forecast)의 IFS(Integrated Forecasting System)보다 예측에 더 짧은 시간이 요구되며, 더 좋은 예측 성능을 보이고 있다. 하지만, DLWP 모델들은 극한 기상현상에 대한 검증은 아직 제대로 이루어지지 않고 있다.
본 연구에서는 성층권의 겨울철 극지역의 극한 현상인 성층권 돌연승온(Stratospheric Sudden Warming, SSW)을 통해 모델의 극한 현상을 제대로 모의하는지 검증했다. SSW는 상부 대류권, 하부 성층권의 행성파가 성층권으로 도달하고 수렴하며 에너지를 전달한다. 이후 극 소용돌이(polar vortex)의 중심이 이동하거나 2개로 split되며 성층권의 평균 순환을 변화시키며 성층권의 기온이 짧은 시간에 급격히 상승하는 과정을 통해 발생한다. SSW가 발생한 이후, 대류권과 지표에도 이에 따른 영향이 나타난다. 극지역의 대류권에서는 겨울철 NAM(Northern Annular Mode)과 음의 상관관계가 높은 GPHA(Geopotential Height Anomaly)가 증가하고 지표에서는 극지역의 SLP(Surface Level Pressure) Anomaly가 증가하며, 유라시아 지역에 한파가 발생한다. 이와 같이, SSW는 역학적인 과정을 통해 발생 및 대류권 및 지표에 영향을 미치며 그 영향은 S2S(Subseasonal-to-Seasonal) 시간 규모로 지속된다. 본 연구에서는 SSW 중 대류권 및 지표 영향이 잘 나타난 2018 major SSW 사례를 통해 DLWP 모델의 극한 현상을 역학적인 관점으로 분석했다.
본 연구를 진행하기 위해 SNAPSI 프로젝트의 방법론을 통해 연구를 진행했다. Free, Nudged, Control 실험을 진행했으며, Free 실험은 모델에 아무런 제약 조건 없이 모델의 예측을 수행했다. Nudged와 Control 실험은 각각의 reference state인 ERA5와 ERA5 climatology로 성층권의 U와 T에 대해 nudging을 진행한 후 예측을 진행했다. Pangu-Weather, GraphCast, FuXi, FengWu, FourCastNet v2 5개의 DLWP 모델을 사용해 분석을 진행했으며, reference 모델로는 NWP 모델인 ECMWF의 IFS-48r1이다. 실험은 2018 major SSW 발생 4일 전 초기화 후, 6시간 간격으로 30일의 lead time에 대해 수행되었다.
모든 모델들은 행성파가 성층권 도달 및 polar vortex의 split 되는 2018 major SSW의 발생 과정 및 발생을 예측할 수 있었다. 특히, DLWP 모델 중 GraphCast가 2018 major SSW 발생 시점에 polar vortex가 2개로 split되는 모습 또한 잘 모의했다. 또한, GraphCast, FuXi, FengWu의 경우 2018 major SSW 발생 이후 분포 또한 역학 모델과 유사하게 극지역 대류권의 GPHA 증가 및 SLP 증가를 잘 모의했으며, SLP의 분포 또한 유사한 패턴을 모의하는 것을 확인할 수 있었다. 특히, GraphCast의 경우는 그 강도 또한 유사하게 모의했으며, 유라시아 지역의 한파 또한 모의하는 모습을 확인했다. 추가로, 모든 DLWP 모델들이 정역학 평형을 만족하는 예측을 하는지 확인하기 위해, GPHA를 T와 SP contribution으로 decompose 분석을 진행했다. GraphCast의 경우 IFS와 유사한 T와 SP contribution을 보였다. 그리고, FengWu를 제외한 모든 DLWP 모델들에서 T와 SP contribution의 합이 예측한 GPHA와 거의 일치하게 나타나면서 FengWu를 제외한 모든 모델들이 정역학 평형을 만족하는 예측을 함을 확인할 수 있었다.
본 연구는 DLWP 모델들을 극한 현상의 역학 과정을 통해 검증했다. 특히, GraphCast의 경우 2018 major SSW의 발생의 과정 및 downward influence까지 역학 모델인 IFS와 유사하게 모의함을 확인했다.

목차 (Table of Contents)

• 초록 i
• 목차 iii
• 표 목차 iv
• 그림 목차 iv
• 제 1 장 서 론 1
• 제 1 절 NWP 모델과 DLWP 모델 1
• 제 2 절 성층권 돌연승온(SSW) 2
• 제 3 절 2018 Major SSW 3
• 제 2 장 자료 및 방법론 5
• 제 1 절 자료 및 분석 기간 5
• 제 2 절 모델 8
• 제 3 절 SNAPSI 프로젝트 11
• 제 3 장 결과 13
• 제 1 절 2018 Major SSW 발생 모의 13
• 제 2 절 2018 Major SSW의 Downward Influence 모의 17
• 제 4 장 결론 23
• 제 1 절 요약 및 결론 23
• 제 2 절 한계점 및 향후 계획 24
• 참고문헌 26
• Abstract 29