A Study of Hydrometeor Classification using Polarimetric Radar Observations : 이중편파레이더자료를 활용한 대기수상체 분류

국문 초록 (Abstract)

미국 NEXRAD 이중편파레이더는 대기수상체 분류 알고리즘을 활용하여 기상학적 기원의 에코와 비기상학적 산란체를 구분하며, 또한, 강우, 우박, 싸락눈, 눈 등 다양한 대기수상체를 분류하고 있다. 최근의 연구에 의하면, 기존 이중편파레이더자료를 활용하는 NEXRAD 대기수상체 분류 알고리즘은 이중편파레이더 관측변수의 오차, 빔 퍼짐 효과, 약한 눈과 약한 비에서 관측되는 이중편파신호의 중첩, 어는 비(freezing rain) 등을 고려하지 않아 대기수상체 분류에 문제가 있음을 밝혔다. 본 논문에서는 이를 고려하여 현재 운영 중인 미국 NEXRAD 이중편파레이더 대기수상체 분류 알고리즘을 개선하고, 또한 겨울철 어는 비를 추가로 구분할 수 있는 새로운 대기수상체 분류 알고리즘을 개발하였다.
먼저, 이중편파레이더자료를 활용하는 NEXRAD 대기수상체 분류 알고리즘을 개선하여, 그 방법론을 제시하였다. 주요 개선 사항으로는 이중편파변수에 영향을 미치는 가능한 모든 오차요인들을 고려한 품질지수, 대기수상체마다 이중편파변수들의 분류능력을 할당한 가중치 행렬, 그리고 레이더로부터의 거리 및 방위각에 따른 밝은 띠(이중편파레이더 자료를 활용하여 탐지)에 대한 레이더 샘플링 볼륨의 상대적 위치를 고려하였다. 이러한 개선으로 알고리즘에 유연성을 크게 하였고, 액체상(예, 약한 비)과 고체상 대기수상체(예, 약한 눈)의 구분을 더욱더 용이하게 하였다. 또한, 이 개선된 알고리즘은 이중편파레이더 관측자료 만을 입력 자료로 하여 10개의 다양한 대기수상체를 분류한다. 사례연구로 선정한 2005년 5월 13일 미국 중부 오클라호마에서 KOUN S-밴드 이중편파레이더로 관측한 여름철 중규모 대류복합체 경우에 개선된 알고리즘을 적용한 결과, 레이더로부터 거리가 멀어짐에 따라 비, 습설, 건설 및 빙정이 점진적으로 분류되는 등의 중규모 대류복합체의 개념모델과 일치하는 좋은 결과를 나타내었다.
다음은 최초로 이중편파레이더 관측자료와 RUC 수치예보모델의 열역학적 정보를 결합하는 겨울철 대기수상체 분류 알고리즘을 개발하여 그 방법론을 제시하였다. 새로운 겨울철 대기수상체 분류 알고리즘은 대기상층의 미세물리과정(융해 및 재동결)을 진단하는데 도움을 줄 수 있는 열역학적 정보를 활용함으로서 이중편파레이더 관측에만 의존하던 기존 대기수상체 분류 알고리즘 기술을 향상시켰다. 특히 이러한 열역학적 정보는 레이더 관측만을 활용하는 선행연구들에서 부족하였던 겨울철 전이 기상현상 사례(transitional weather events)에 있어 매우 중요하다. 이 알고리즘은 먼저 RUC 모델로부터 얻은 연직 습구온도분포를 활용하여 배경 강수유형을 형성하고, 그런 다음에 경험적인 규칙에 따라 관측과 배경 강수형태와 일치하면 이중편파레이더 자료를 활용하여 대기수상체를 다시 세분화하는 과정을 수행한다.
개발된 새로운 겨울철 대기수상체 분류 알고리즘은 2006년 11월 30일 미국 오클라호마에서 시간이 지남에 따라 따뜻한 비, 어는 비, 얼음싸라기, 그리고 눈 입자(건설과 습설)로의 전이 현상이 관측된 폭풍사례에 대하여 KOUN S-밴드 이중편파레이더로 관측한 자료를 활용하여 검증되었다. 검증결과에 의하면 레이더에 의해 상층에 밝은 띠가 관측되었을 경우에 모델은 상층 온난층이 전혀 존재하지 않음을 예측하여 지상 배경강수유형을 건설(dry snow)로 분류하였다. 그러나 실제 지상에는 건설이 관측되지 않았다. 이는 이중편파레이더 자료로 탐지한 밝은 띠가 모델결과보다 실제 지상강수유형을 결정하는데 더 유용하다는 것을 의미한다.
겨울철 전이 기상현상 사례에 대하여 알고리즘을 수행한 결과, 전체적으로 이중편파레이더 자료와 수치예보 모델로부터 얻은 열역학적 정보와의 결합이 잠재적으로 매우 유용하다는 결과를 나타내었다. 특히 이 알고리즘은 광범위하게 넓은 지역을 다루고 있는 모델자료에 상대적으로 가까운 거리에서 관측하는 이중편파레이더 자료를 기반으로 강수유형을 재분류하는 경우에 매우 효과적이었다.
본 논문에서의 결과들은 호우, 우박, 어는 비 등의 위험기상 탐지 및 보다 정확한 강수량추정에 크게 기여할 것으로 사료된다.

목차 (Table of Contents)

• List of Figures iv
• List of Tables xi
• 1. INTRODUCTION 1
• 1.1 Review of the previous studies 1
• 1.2 Outline of thesis and objectives 9
• 2. DATA SOURCES 11
• 2.1 Overview of polarimetric variables 11
• 2.1.1 Reflectivity factor in horizontal polarization 13
• 2.1.2 Differential reflectivity 14
• 2.1.3 Correlation coefficient 15
• 2.1.4 Differential phase and specific differential phase 16
• 2.2 Processing of polarimetric radar data 18
• 2.2.1 Calibration of Z and ZDR 18
• 2.2.2 Radial smoothing 18
• 2.2.3 Computation of texture parameters 19
• 2.2.4 Editing and smoothing of ΦDP 20
• 2.2.5 Correction and ZDR and ρhv for noise 21
• 2.2.6 Correction of Z and ZDR for attenuation 22
• 2.2.7 Computing specific differential phase KDP 23
• 2.3 Rapid Update Cycle data 25
• 3. IMPROVEMENT HYDROMETEOR CLASSIFICATION ALGORITHM FOR THE POLARIMETRIC WSR-88D: DEVELOPMENT AND APPLICATION TO AN MCS 26
• 3.1 Introduction 26
• 3.2 General structure of the improved algorithm 29
• 3.2.1 Echo classes and radar variables 29
• 3.2.2 Computation of aggregation values 33
• 3.3 Confidence vector 41
• 3.4 Designation of echo classes 47
• 3.5 Hydrometeor classification for an MCS case 52
• 3.5.1 Estimation of the confidence vector 54
• 3.5.2 Detection of melting-layer 60
• 3.5.3 Classification results 64
• 3.6 Summary and conclusions 74
• 4. CLASSIFICATION OF PRECIPITATION TYPES DURING TRANSITIONAL WINTER WEATHER USING THE RUC MODEL AND POLARIMETRIC RADAR RETRIEVALS 78
• 4.1 Introduction 78
• 4.2 Classes and input variables 81
• 4.3 Storm description and RUC model analysis 83
• 4.4 Background classification of precipitation types using RUC output 90
• 4.4.1 Classification procedure 92
• 4.4.2 Background classification 96
• 4.5 Modification of the background classification 100
• 4.5.1 Modification of background classification based on bright band signature 102
• 4.5.2 Final classification 108
• 4.6 Ground validation of classification using ground observations 113
• 4.7 Conclusions 117
• 5. CONCLUSIONS AND FUTURE STUDY 120
• REFERENCES 125
• APPENDIX A: Optimization of the matrix of weights in the polarimetric algorithm for classification of radar echoes 135
• APPENDIX B: Nomenclature 148
• ABSTRACT IN KOREAN 150