Development of Statistical Seasonal Prediction Models of Arctic Sea Ice Concentration

Abstract

북극은 20세기 이후로 급격한 온난화를 나타내며 큰 기후 변동성을 보이고 있다. 이러한 변동성은 북극해와 인접한 지역을 포함하여 한반도가 있는 중위도의 기후 환경에도 큰 영향을 미치고 있다. 이 중심에는 북극의 특성 중 하나인 해빙(sea ice)의 변화가 자리잡고 있다. 해빙은 특성상 강한 양의 얼음-알베도 되먹임(ice-albedo feedback)에 영향을 미친다. 최근 북극 해빙의 특성을 기반으로 해빙의 변동성을 예측 및 진단하는 연구가 활발히 진행되고 있다. 이에 본 연구에서는 최근 북극의 급격한 온난화에 따라 그 중요성이 더 두각을 나타내고 있는 해빙의 변동성을 예측하고자 관측 자료를 기반으로 통계 모델을 구축하였다. 해빙이 가장 큰 변동성을 보이는 여름철 (8월-10월)의 변동성을 보기 위하여, 그 기간 동안 해빙과 가장 큰 상관관계를 보이는 변수인 6월의 태양 에너지 (Absorbed Solar Radiation: ASR)를 이용하였다. 예측모델은 통계기법의 특성에 따라 두 가지 통계모델을 구축하였으며, 가장 기본적인 선형회귀모델을 기반으로 한 Reduced Major Aixs (RMA) 회귀 모델과 확률모델을 기반으로 한 Markovian Stochastic Prediction (MSP) 모델을 구축하였다. 예측은 지역 평균의 결과에서 두 모델 모두 매우 높은 양의 상관관계를 보임을 알 수 있었으나, 지역적으로는 예측인자가 영향을 미침에 따라 다른 변동성과 예측성을 나타냄을 보였다. 이에 본 모델에 사용하는 하나의 변수 이 외에 다른 역학적인 변수 및 모델을 고려하여 적용하여 본 통계 모델들을 더 발전시킬 수 있을 것으로 예상된다.;Recently, a development of sea ice prediction models has been extensively studied, but the predictability for three months ahead or longer remains poor due to the complexity of the Arctic climate system. Here we show a new and simple seasonal prediction of the Arctic sea ice in summer. Since the thermodynamic process is important in the sea ice melting, our focus is to predict the summer Sea Ice Concentration (SIC) by using the absorbed solar radiation (ASR) at the top of the atmosphere indicates the heat input into the open sea and sea ice surface. In the observation, a decrease in SIC anomalies in late summer/early autumn (August-September-October) was followed by the increase in ASR of June. Thus, ASR in June can be used as a major predictor of SIC in the prediction model. Based on the relationship, the prediction model is constructed in two statistical models: the Reduced Major Axis (RMA) regression model of the deterministic model and the Markovian Stochastic Prediction (MSP) model as the probabilistic model. The RMA model is defined by a least squares data modeling in which sample errors are taken into account for both the ASR and SIC and then the MSP model is characterized by a transition matrix describing the probabilities of particular transitions from ASR to SIC anomalies. As results, the predictions of the area-averaged Arctic SIC by the both models reveal a highly positive correlation with the observed SIC (correlation coefficient, r ≈ 0.77 with the RMA model and r ≈ 0.73 with the MSP model). Moreover, the statistical models are proved considerably better results in regions, although it has a limitation on predicting the extreme SIC anomalies in a regional scale. The results suggest that the both of models in this statistical method are quite usefully applied by characteristics in regions, respectively. The statistical model will be helpful for developing prediction skill in the Arctic region. For improvement of the both models, adding another predictor or combining dynamical prediction model should be considered.