Empirical Estimation and Diurnal Patterns of Surface PM_2.5 Concentration in Seoul Using GOCI AOD

GOCI AOD를 이용한 서울 지역 지상 PM_2.5 농도의 경험적 추정 및 일 변동성 분석

Abstract

The empirical/statistical models to estimate the ground Particulate Matter ($PM_{2.5}$) concentration from Geostationary Ocean Color Imager (GOCI) Aerosol Optical Depth (AOD) product were developed and analyzed for the period of 2015 in Seoul, South Korea. In the model construction of AOD-$PM_{2.5}$, two vertical correction methods using the planetary boundary layer height and the vertical ratio of aerosol, and humidity correction method using the hygroscopic growth factor were applied to respective models. The vertical correction for AOD and humidity correction for $PM_{2.5}$ concentration played an important role in improving accuracy of overall estimation. The multiple linear regression (MLR) models with additional meteorological factors (wind speed, visibility, and air temperature) affecting AOD and $PM_{2.5}$ relationships were constructed for the whole year and each season. As a result, determination coefficients of MLR models were significantly increased, compared to those of empirical models. In this study, we analyzed the seasonal, monthly and diurnal characteristics of AOD-$PM_{2.5}$model. when the MLR model is seasonally constructed, underestimation tendency in high $PM_{2.5}$ cases for the whole year were improved. The monthly and diurnal patterns of observed $PM_{2.5}$ and estimated $PM_{2.5}$ were similar. The results of this study, which estimates surface $PM_{2.5}$ concentration using geostationary satellite AOD, are expected to be applicable to the future GK-2A and GK-2B.

본 연구는 서울지역에서 2015년 1월부터 12월까지 정지궤도 천리안 위성(Communication Ocean and Meteorological Satellite, COMS) 해양 탑재체(Geostationary Ocean Color Imager, GOCI)의 에어로졸광학두께(Aerosol Optical Depth, AOD)로부터 지상 초미세먼지(Particulate Matter; $PM_{2.5}$) 농도를 추정하기 위한 계절별 경험/통계모델을 개발했다. 행성경계층고도(Planetary Boundary Layer Height, PBLH) 그리고 에어로졸 수직 비율(Vertical Ratio of Aerosol, VRA)을 사용한 두 가지 수직보정방법과 흡습성장계수(Hygroscopic growth factor, f(RH))로부터의 습도보정방법이 각각의 경험적 모델에 적용된 결과 AOD에 대한 수직 보정과 $PM_{2.5}$에 대한 지표 습도보정이 모델 성능 향상에 중요한 역할을 했다. AOD-$PM_{2.5}$ 사이에 관련이 있다고 알려진 기상인자들(온도, 풍속, 시정)을 추가적으로 사용하여 다중 선형 회귀모델을 구성한 결과 경험모델에 비해 $R^2$값이 최대 0.25 증가했다. 본 연구에선 AOD-$PM_{2.5}$ 모델의 계절별, 월별, 시간별 특성을 분석하고 계절별로 구분하여 모델을 구성한 결과 고농도 사례에서 과소평가 되던 경향이 개선됨을 알 수 있고 관측된 $PM_{2.5}$와 추정된 $PM_{2.5}$의 월 및 시간변동성은 서로 경향성이 일치했다. 따라서 정지궤도 위성 AOD를 이용하여 지상 $PM_{2.5}$ 농도를 추정한 본 연구의 결과는 향후 발사 예정인 GK-2A와 GK-2B에 적용 가능할 것으로 기대된다.

1. 서론

에어로졸은 태양광을 산란시키고 구름의 응결핵 역할을 함으로써 기후 변화에 영향을 미칠 뿐만 아니라 인체 건강에 악영향을 주는 것으로 알려져 있다(WHO, 2005; IPCC, 2013). 에어로졸 중에서도 먼지는 입자 크기에 따라서 직경이 50 μm 이하인 총먼지(Total Suspended Particles, TSP)와 입자크기가 작은 미세먼지(Particulate Matter; PM)로 구분된다. 미세먼지 중에서도 입자의 직경에 따라서 PM₁₀(10 μm이하)과 PM_2.5(2.5 μm이하)로 구분된다. PM_2.5의 경우 시정 악화뿐만 아니라 인체의 호흡기 및 심혈기관에 치명적인 영향을 주는 것으로 알려져 있다(Brook et al., 2010). 이러한 이유로 세계보건기구(WHO) 산하 국제 암 연구소(International Agency for Research on Cancer, IARC)에서는 2013년 10월, 초미세먼지를 1군(Group 1) 발암물질로 지정했다(WHO, 2013).

지리학적으로 서울의 풍상측에 위치한 중국 북부 및 몽고 지역은 북동아시아의 대표적인 황사 발원지역으로 자연적 에어로졸 발생이 빈번하며, 동시에 중국 북동부 지역은 급격한 산업화 및 경제발전으로 인해 인위적 오염물질 발생이 세계적으로 높게 나타나는 곳으로 잘 알려져 있다(Ohara et al., 2007; Yuan et al., 2008). 풍하측에 위치한 서울은 대한민국 전체 인구 중 약 20%에 해당하는 천만 명 이상이 거주하는 세계적인 거대도시로 많은 인구와 교통량에 따른 국지적 대기오염 가능성이 높게 나타나는 지역이다. 따라서 서울 지역의 대기 질은 국지적 또는 월경성 대기오염 물질의 발생 및 이동에 따라 민감한 변동성을 보이기 때문에 미세먼지 변동성 감시, 그 변화에 영향을 미치는 기상/기후학적 특징, 그리고 미세먼지의 보건학적 영향을 연구하는데 있어서 서울 지역의 중요성이 높다.

최근 심각한 고농도 미세먼지 사례 및 대기질 악화에 따른 국민적 관심과 우려가 증가함에 따라 환경부는 2013년 12월 미세먼지 종합대책을 발표했으며, 2014년 2월부터 한반도 지역 미세먼지(PM₁₀) 예보를 시행하였다. 2015년 1월에는 초미세먼지(PM_2.5) 예보를 추가하고, PM₁₀ 및 PM_2.5 경보제를 시행했으며 전국 PM₁₀과 PM_2.5 측정망 합산 약 300개의 대기오염측정망을 운영하여 한반도 지역 대기오염 현황을 실시간으로 대국민 서비스하고 있다.

현재 대한민국을 포함한 전 세계의 지상 미세먼지농도 감시망은 국지적 대기오염 농도의 감시 목적에는 부합하나, 월경성으로 유입되는 미세먼지 이동 과정을 시공간적으로 분석하기에는 한계가 있다. 이러한 한계점을 극복하기 위해 넓은 지역을 동에 관측할 수 있는 인공위성을 활용하여 정량적인 지상 미세먼지 농도를 추정하기 위한 연구가 활발히 진행되어 왔다(Wang and Christopher, 2003; Engel-Cox et al., 2004; Gupta and Christopher, 2008; Schaap et al., 2009). 현존하는 원격탐사기술을 이용해서 위성으로부터 직접적으로 지상 초미세먼지 농도를 산출할 수 있는 방법은 없기 때문에, 위성 산출물과 지상 미세먼지 농도 사이의 물리적 관계를 이용하는 방법이 고안되었다(Lin et al., 2015). AOD는 대기광학경로 전체의 에어로졸 소산 계수 적산 값을 나타내고, 지상 미세먼지 농도는 물질의 질량이 클수록 더 많이 흡수하는 성질을 이용하여 미세먼지를 채취한 필터에 흡수된 양을 측정하는 방법인 베타선 흡수법과 물질에 빛을 쪼이면 충돌한 빛이 흩어지는 원리를 이용하고 그 양을 측정하는 방법인 광산란법, 그리고 25시간 동안 시료를 채취하여 필터에 모인 미세먼지의 질량을 직접 저울로 측정하는 중량농도법 등을 사용하여 측정되고 측정된 미세먼지는 공기 1 m³ 당 미세먼지의 무게를 백만분의 1 g을 의미하는 μg단위로 표시한다(μg/m³). 따라서 AOD와 지상 PM 농도에는 각 측정 방식에 따른 물리량의 차이가 있다. 대기 중 에어로졸은 대부분 행성경계층고도(Planetary Boundary Layer Height; PBLH)아래에 존재하기 때문에 지표부터 대기상단까지의 에어로졸 소산 계수의 적분 값에 해당하는 AOD에 PBLH를 나누는 수직보정방법을 적용하거나, 에어로졸의 흡습성장률과 상대습도를 고려하는 습도보정방법을 적용하여 AOD로부터 추정된 지상 PM 농도 정확성을 높이고자 하는 연구들이 수행된 바 있다(Guo et al., 2009; Emili et al., 2010; Wang et al., 2010; Seo et al., 2015). 위성 AOD를 통한 지상 PM 농도 산출에는 에어로졸 수직 분포에 대한 정보가 중요하지만, 지상 및 위성으로부터 관측 자료 확보가 상당히 제한적이다. 최근엔 국내 라이다 관측망이 구축되고 일정 기간의 관측 자료가 확보되면서, 라이다 에어로졸 수직 분포 자료를 활용한 AODPM 수직보정방법의 연구도 진행되었다(Tsai et al., 2011; Chu et al., 2013; Kim et al., 2016). 이러한 AOD-PM 관계성을 바탕으로 지상 미세먼지 농도 추정 정확성이 향상되었지만, AOD와 기상 인자들을 종속변수로 활용한 경험 모델들의 정확성은 지역, 계절, 시간별로 큰 차이를 보이고 있으며, 특히 많은 선행연구들이 극궤도 위성(MODIS, MISR, VIIRS 등)으로부터 일 1~2회 AOD 관측 값을 사용하였기 때문에 하루 중 시간별 변화를 살펴보는데 한계점이 있다. 또한, 국내 선행연구들에서는 특정 계절이거나 집중 캠페인을 통한 사례 분석이 주로 수행되어 계절별 차이를 자세히 살펴보기에는 부족하다(Seo et al., 2015; Kim et al., 2016).

본 연구에서는 정지궤도 복합위성인 천리안위성(Communication Ocean and Meteorological Satellite,COMS) 해양탑재체(Geostationary Ocean Color Imager, GOCI)로부터 일 8회 산출되는 AOD를 이용하여 2015년 서울 지역의 PM_2.5 농도를 추정할 수 있는 경험/통계 모델을 개발하고, AOD-PM_2.5 모델의 계절별, 월별, 시간별 특성을 분석하고자 한다. 또한, 계절별 특성이 반영된 경험/통계 모델 개발 과정에서 PBLH와 에어로졸 연직 소산 계수 관측 자료를 각각 활용한 수직보정방법과 에어로졸 흡습성장을 고려한 습도보정방법이 AOD-PM_2.5 모델의 추정 정확성 향상에 어느 정도 기여하는지를 상세히 분석하고자 한다.

2. 자료 및 분석방법

1) 위성 관측 자료

2010년 발사된 COMS GOCI 해색센서는 36°N, 130°E 지점을 중심으로 2500 km×2500 km에 해당하는 넓은 영역을 500 m×500 m 해상도로 09:30 KST에서 16:30KST까지 일 8회 촬영하며, 가시 및 근·적외 영역을 포함하는 8개 채널(412, 443, 490, 555, 660, 680, 745, 865 nm)에 대해서 관측한다(http://kosc.kiost.ac.kr/). GOCI Level 1B 파일은 해양위성센터 홈페이지에서 위성자료서비스를 통해 제공되며, 연세 에어로졸 산출 알고리즘을 통해 500 m×500 m 해상도로 12×12 화소가 집계되어 6km×6 km 해상도의 AOD(550 nm), FMF(Fine Mode Fraction, 550 nm), SSA(Single Scattering Albedo, 440 nm), AE(Angstrom Exponent, 440-870 nm) 등의 산출물을 생산한다(Choi et al., 2016). 12×12 개의 화소를 집계하는 과정에서 구름, 얼음, 눈 등 에어로졸 산출에 부적합한 픽셀 제거와 표준편차를 통한 품질검사를 거쳐 QA(Quality Assurance)값을 결정한다. QA값의 범위는 0에서 3이며 경계값은 MODIS DT 알고리즘에 근거하며 Table 1과 같은 조건에 따라 결정된다(Levy et al., 2013). 본 연구 분석에서는 GOCI AOD QA를 순차적으로 줄여가면서 QC0, QC1, QC2, 그리고 QC3으로 나누었다(Table 2). QC0의 경우는 모든 QA(0~3)에 해당하는 AOD 값으로, 지상 PM_2.5 농도를 추정하기 위해 사용 가능한 자료 수를 확보할 수 있지만 구름이나 눈 등에 의해 오염된 화소로 인해 AOD 불확실성이 높은 단점이 존재한다. 반면 QC3의 경우 AOD의 불확실성은 상대적으로 낮지만 QC0 비해서 자료 수가 1/ 수준으로 특히 여름철과 겨울철에 사용 가능한 자료 수가 적은 것이 단점이다. 또한, 본 연구에서 사용된 GOCI AOD는 서울 지역 지상 미세먼지 농도 측정소 위치에서 반경 3km 이내에 해당하는 격자의 값과 위성-지상 관측 시간±30분 이내를 동시에 만족하는 AOD-PM_2.5 값으로 대응시켰다.

Table 1. Conditions for determining pixel quality assurance(QA) values from 0 to 3

Note. Adapted from Choi et al. (2016)

Table 2. Quality assurance condition (QC) for AOD classification in this study

2) 지상 관측 자료

환경부는 실시간 대기질 감시를 위해 대기환경기준물질 6개 항목(아황산가스, 일산화탄소, 이산화질소, PM₁₀, PM_2.5, 오존)을 측정하고, ‘실시간 대기오염 정보공개 사이트’를 통해서 실시간으로 공개하고 있다(www.airkorea.or.kr). 2015년 기준 전국적으로 312개의 측정망이 운영되고 있으며, 이 중 서울 지역은 도시대기측정소 25개소, 도로변대기 측정소 15개소가 운영되고 있다. 본 연구에서는 서울대학교 라이다 측정소의 관측자료를 사용하여 수직보정방법을 적용하였기 때문에, 라이다 측정소 5 km 이내인 구로구(37.48°N, 126.90°E), 동작구(37.48°N, 126.97°E), 관악구(37.49°N, 126.93°E), 금천구(37.45°N, 126.91°E)에 위치한 4개의 도시대기측정소 PM_2.5 자료를 사용하였다.

라이다 측기는 대기 중으로 직접 레이저를 투사하고 에어로졸 또는 구름 등에 의하여 후방 산란되는 빛을 감지하여 대기의 연직 구조를 파악할 수 있는 원리로 설계되어있다. 본 연구에서 사용된 서울대학교 라이다 장비의 관측 주기는 15분, 연직해상도는 6 m이며, 532 nm 채널을 이용하여 대기 연직방향으로 후방산란 강도를 측정한다(Yoon et al., 2008). 이때 후방 산란 강도는 대기 중 에어로졸 또는 구름의 상대적인 양을 나타낸다. 먼저 라이다 기기 특성상 지표면 근처의 신호에 대해서 후방산란된 신호를 모두 수신할 수 없기 때문에 중첩보정을 하지만 지표면 부근의 낮은 고도에서는 오차가 매우 크다(Kim et al., 2015). 따라서 지상에서 120 m미만의 자료는 제외하였으며, 6 km 이상의 고도에선 에어로졸이 존재하지 않는다고 가정하였다(Kim et al., 2011; Kim et al., 2015). 또한, 고도가 증가함에 따라 신호 대 음비(Signal to Noise Ratio SNR)가 크게 감소하기 때문에 6km를 대기상단으로 가정했다(Kim et al., 2015). 본 연구에선 에어로졸과 구름을 구별하기 위해 Kim et al.(2015)의 구름제거방법을 따라 total attenuated backscatter가 1km고도 이상에서 10^-5 m^-1 sr^-1 보다 클 경우와 1 km고도 이하에서 1.5×10-5 m^-1 sr^-1 보다 클 경우를 구름으로 판단하여 제거하였다. 이 방법은 매우 두꺼운 에어로졸층이 존재하거나 얇은 구름 층을 제거하지 못할 가능성이 있지만 구름에 의한 영향을 최대한 줄이기 위하여 에어로졸 층이 일부 포함되는 경우에도 구름을 최대한 제거하였다. 라이다 후방산란 강도의 연직정보를 통해 산출한 PBLH는 Brooks(2003)에서 제시한 WCT(Wavelet Covariance Transform) 방법을 적용하여 산출되었다.

기상관측자료의 경우는 기상청에서 운영 중인 서울특별시 종로구 송월동 기상관측소(37.57°N, 126.97°E) 종관 기상관측장비(Automated Surface Observing System, ASOS)로 관측되는 시정, 상대습도 자료를 사용했고 자동기상관측장비(Automatic Weather System, AWS)의 온도, 풍속 자료를 사용했다. 시정과 습도자료의 경우 지상자료 개방포털 홈페이지의 시간단위의 AWS자료로 제공하지 않아 서울 송월동 ASOS자료를 사용했다. 송월동 기상관측소 지점과 가장 먼 대기오염 측정소 사이의 거리는 약 11 km로 시정 및 습도자료가 측정소 주변의 대기상황을 정확하게 반영하지 못하는 한계점이 존재한다. AWS의 자료는 PM_2.5관측소에서 2.5 km 이내의 AWS관측소자료를 평균하여 사용하였다.

3) AOD-PM_2.5 보정방법 및 통계모델 구성

지상 대기질 측정소에서는 주변의 대기 입자 물질 농도인 PM_2.5를 측정하기 때문에 수직방향 에어로졸 소산 계수 전체 적분 값인 위성 AOD와 측정 고도에 있어 차이가 있다. 따라서 위성 AOD로부터 지상 PM_2.5 농도를 보다 더 정확하게 추정하기 위해서는 에어로졸 대부분이 PBLH 이하에서 균일하게 분포한다는 가정을 전제로 보정할 필요가 있다(Lin et al., 2015; Seo et al., 2015). 즉, PBLH 이하에 분포하는 AOD(PAOD)에 PBLH를 곱한 값이 지표에서 대기상한까지 적산한 AOD와 같다라는 가정이 성립한다. 이것을 식으로 나타내면 아래와 같다.

\(\mathrm{PAOD}(1 / \mathrm{m})=\frac{A O D(\text { unitless })}{P B L H(m)}\)       (1)

한편, 라이다 연직 분포의 신호 잡음이 심하거나 peak가 많을 경우, 라이다 신호 내에서 민감도가 가장 큰 고도인 PBLH를 찾는데 어려움이 있다(Baars et al., 2008). 라서 에어로졸의 연직 프로파일 자료가 존재하지만 PBLH를 산출하지 못하는 경우에도, 전체 대기광학 경로상 AOD중에서 대기 하층에 해당하는 에어로졸 양을 정성적으로 추정할 수 있는 에어로졸 수직비율(Vertical Ratio of Aerosol, VRA)을 정의하였다. VRA를 수직보정 방법에 적용하기 위해서는 지표면에서 어느 고도까지가 대기 하층에 존재하는 에어로졸을 최적으로 반영하는지 판단할 필요가 있다. 지표면 고도 120 m를 시작으로 30 m 단위로 증가시키면서 AOD-PM 관계식에 수직 보정방법을 적용하고, 최적의 상관관계가 도출된 고도를 찾는 분석을 수행했다. 이때 최대 상관계수가 나타난 660 m를 VRA에 적용하기 위한 기준 고도로 선택하였다. 따라서 VRA는 라이다 후방산란 신호를 지상 120m(surface)에서 660 m(H)까지 적산한 값에 지상 120m(surface)에서 라이다 대기 상단인 6000 m까지 적산한 값을 나눈 비율로 정의하였다(식(2)).

\(\mathrm{VRA}=\left(\frac{\int_{120 \mathrm{~m}}^{660 \mathrm{~m}} \sigma_{\mathrm{ext}} d z}{\int_{120 \mathrm{~m}}^{6000 \mathrm{~m}} \sigma_{e x t} d z}\right)\)       (2)

즉, VRA는 지표에서 대기 상단까지 전체 에어로졸 소산계수(σext) 중에서 지상에 존재하는 에어로졸 양의 비율을 나타내는 값으로, 식(3)과 같이 VRA 값을 위성 AOD에 곱하여 대기 하층 AOD(VAOD)로 정의하고 분석하였다.

\(\mathrm{VAOD}=\mathrm{AOD} \times \mathrm{VRA}\)      (3)

위에서 언급한 두 물리량의 연직고도 차이 외에 지상 대기질 측정소에서 베타선 흡수법으로 측정된 PM_2.5는 에어로졸의 흡습 성장 효과가 반영되지 않는 반면 이들의 효과가 포함된 위성 AOD 값과는 차이점이 존재한다. 따라서 이를 보정해주기 위해서 습도보정방법을 사용하게 된다. 에어로졸의 흡습 성장률을 계산하기 위해 대기 중 상대습도 값을 에어로졸 흡습 성장과 관계된 식(4)와 같은 방법으로 흡습 성장 계수, f(RH)로 변환하였다(Chen et al., 2018).

\(\mathrm{f}(\mathrm{RH})=\left(1-\frac{R H}{100}\right)^{-1}\)       (4)

이 값을 사용해서 관측된 PM_2.5값에 에어로졸 흡습 성장 영향을 보정해주는 습도보정방법은 아래와 같은 식으로 나타낼 수 있다.

\(\text { Revised } \mathrm{PM}_{2.5}=\mathrm{PM}_{2.5} \times \mathrm{f}(\mathrm{RH})\)       (5)

위 방법들을 사용하여 AOD-PM_2.5 사이의 관계에 수직 및 습도 보정을 적용하고 각각에 대한 경험식을 도출하였다. 본 연구에서는 시공간적 매칭 방법으로 수집된 자료들을 무작위로 절반을 나누어 지상 PM_2.5 농도 추정 모델을 구성하고 나머지 절반 자료를 사용하여 검증을 진행했다. GOCI AOD,수직 보정에 사용된 PBLH, VRA, 습도 보정에 사용된 f(RH)에 추가적으로 지상 PM_2.5 농도 변화와 상관성이 있는 지상 기상변수들(시정, 풍속, 온도)을 독립변수로 사용하고 PM_2.5를 종속변수로 선정하여 다중 선형 회귀식인 MLR(Multiple Linear Regression) 모델을 식(6)과 같이 구성하였다.

\(\left\{\begin{aligned} \mathrm{PM}_{2.5}=& \beta_{0}+\beta_{1} \cdot \mathrm{AOD}+\beta_{2} \cdot \mathrm{PBLH}+\beta_{3} \cdot \mathrm{f}(\mathrm{RH})+\\ & \beta_{4} \cdot \mathrm{WS}+\beta_{5} \cdot \mathrm{ST}+\beta_{6} \cdot \mathrm{Vis} \\ \mathrm{PM}_{2.5}=& \beta_{0}+\beta_{1} \cdot \mathrm{AOD}+\beta_{2} \cdot \mathrm{VRA}+\beta_{3} \cdot \mathrm{f}(\mathrm{RH})+\\ & \beta_{4} \cdot \mathrm{WS}+\beta_{5} \cdot \mathrm{ST}+\beta_{6} \cdot \mathrm{Vis} \end{aligned}\right.\)       (6)

β₀는 회귀식 y절편, β₁~β₆는 각 독립변수의 회귀 계수를 나타낸다. WS는 AWS로 관측한 풍속, ST는 온도, 그리고 Vis는 ASOS 시정을 의미한다.

식(6)에서 나타낸 모든 계절에 대한 다중귀모델은 AOD, PBLH, 습도, 온도, 풍속 등 독립변수들의 계절별 변화 특성을 반영하는데 제한적이다. 따라서 모델구성에 사용된 자료를 계절에 따라 봄(3~5월), 여름(6~8월), 가을(9~11월) 그리고 겨울(12~2월)로 구분하고, 계절별로 달라지는 추정 모델 정확성을 분석하였다. 계절별 MLR 모델(S-MLR)은 식(6)과 동일한 방식으로 식(7)과 같이 나타낼 수 있다. 식(7)의 s는 각각의 계절을 뜻한다.

\(\left\{\begin{aligned} \mathrm{PM}_{2.5, \mathrm{~s}}=& \beta_{0, s}+\beta_{1, s} \cdot \mathrm{AOD}+\beta_{2, s} \cdot \mathrm{PBLH}+\\ & \beta_{3, s} \cdot \mathrm{f}(\mathrm{RH})+\beta_{4, s} \cdot \mathrm{WS}+\beta_{5, s} \cdot \mathrm{ST}+\\ & \beta_{6, s} \cdot V_{1 \mathrm{~S}} \\ \mathrm{PM}_{2.5, \mathrm{~S}}=& \beta_{0, s}+\beta_{1, s} \cdot \mathrm{AOD}+\beta_{2, s} \cdot \mathrm{VRA}+\\ & \beta_{3, s} \cdot \mathrm{f}(\mathrm{RH})+\beta_{4, s} \cdot \mathrm{WS}+\beta_{5, s} \cdot \mathrm{ST}+\\ & \beta_{6, s} \cdot \mathrm{Vis} \end{aligned}\right.\)       (7)

3. 결과

1) AOD-PM_2.5 모델 구성 및 검증

Fig. 1은 본 연구에서 선택된 서울 4개 관측 지점(구로구, 동작구, 관악구, 금천구)에서 MLR과 S-MLR 모델 구성 및 검증에 사용된 자료들의 2015년 통계값 분포를 나타낸 것이다. 지상 PM_2.5 농도는 최대 110.0 μg/m³, 평균 26.37 μg/m³, 그리고 14.85 μg/m³의 표준편차를 보였다. 기존 환경부의 연평균 기준은 25 μg/m³으로 기준보다 높았으며 2018년 25 μg/m³에서 15 μg/m³로 변경된 기준을 적용 할 시 10 μg/m³ 이상 높았다. WHO의 권고기준인 연평균 10 μg/m³과 비교하면 두 배 이상 높은 수치로 서울의 연평균 초미세먼지 농도가 높음을 알 수 있다. GOCI AOD는 최대 3.6, 평균 0.5, 표편차 0.4로 대부분의 날들이 1.0 이하에 분포되어 있음을 알 수 있다. PBLH는 평균 975.52 m로 270.00 m에서 2805.00 m까지 나타났다. 히스토그램 분포에서 나타난 바와 같이, 평균값인 약 1 km 이내에 빈도가 높음을 확인할 수 있다. VRA는 평균 0.3 정도의 값을 보였는데, 식(2)에서 정의한 바와 같이 지표 기준 120 m에서 660 m 고도까지의 에어로졸 농도가 전체의 약 30% 정도를 반영는 것으로 분석된다. 대기 상단 기준이 6000 m 임을 감안하면, 대기 하층에 상당한 에어로졸이 밀집되어 있음을 확인할 수 있다. 온도의 경우 평균온도가 18.28℃로 2015년 서울 28개 AWS측정소의 연평균 기온인 13.61℃에 비해 높고, 20~30℃ 사이에 가장 많은 분포를 보이는데 이는 본 연구에 사용된 자료가 위성이 관측 가능한 시간, 즉 해가 떠 있는 낮 시간 자료만 사용했기 때문이다. 에어로졸 흡습성장계수의 평균값은 1.63이고 마찬가지로 낮 시간 자료를 사용하는 특성상 대부분 낮은 성장계수 값을 보인다. 시정의 경우 25%가 넘는 빈도가 2000 m정도에 집중되었으며 시정이 불량하다고 판단되는 1 km 이하의 경우는 전체 빈도 중 약 1/3정도로 PM_2.5가 나쁨 수준인 35 μg/m³ 이상의 빈도와 유사한 분포를 보였다.

Fig. 1. Statistical histograms of PM_2.5, AOD, and meteorological parameters in 2015

2015년 서울 4개 지점의 지상 PM_2.5 농도 추정을 위해 두 가지의 수직보정방법과 습도보정방법을 적용하고 GOCI AOD의 QA에 따라 AOD의 품질을 구분하여 경험적 모델을 구성했다. Table 3에는 PBLH를 사용한 수직 보정방법이 적용된 모델의 검증결과를 나타내고 Table 4에는 VRA를 사용한 수직 보정방법이 적용된 모델의 검증결과가 나타나있다. Table 3과 4 각각 구성된 경험적 보정 방법과 다중 선형회귀방법 및 계절별 다중 선형회귀방법의 통계적 성능을 표현했다. Table 3과 4중 경험모델은 모두 QC 조건에 따라서 좋은 품질의 AOD 일수록 PM_2.5와의 상관관계가 높았다. 두 가지의 수직 보정 방법을 비교할 때 VRA를 사용한 수직보정 방법의 경우 R²이 평균 0.271 증가하였고 PBLH를 사용한 수직보정 방법은 0.24 증가하여 VRA를 사용한 경우가 PBLH에 비해 더 좋은 보정효과를 보였다. 습도보정 방법은 수직보정 방법만큼 큰 효과는 없었지만 수직 보정과 습도 보정이 함께 적용 될 경우 R²값이 최대 0.61로 나타났다. 이는 서울 Dragon 캠페인기간인 봄철 선행된 연구 Seo et al.(2015) 결과에서 봄철 상대습도를 이용한 습도보정의 효과가 낮은 상대습도로 인해 미미했던 결과와는 다게 본 연구에서 적용된 전 계절에 대한 수직 보정 및 습도보정의 경우 R²값이 최대 0.24 증가해 유의미한 것으로 판단된다. Table 3과 4의 통계모델의 경우 PBLH를 사용한 모델에 비해 VRA를 사용한 모델의 R²값이 최대 0.09 높았고 전체적으로도 VRA를 사용하는 통계모델이 더 우수한 성능을 보였다. 따라서 이후의 결과는 VRA를 사용한 통계 모델의 결를 다루었다.

Table 3. Determination coefficient (R²) of empirical models (AOD and PAOD) and statistical models (MLR and S-MLR). Aerosol optical depth (AOD) used in these models are classified by quality assurance condition (QC). Data number (N) of empirical models and statistical model including multiple linear regression (MLR) and seasonal multiple linear regression (S-MLR)

Revised PM_2.5 indicates PM_2.5 corrected by relative humidity, f(RH). The values in parentheses denote data number.

Table 4. Same as Table 3 but for VAOD

Fig. 2(a)는 QC0 조건에서 VRA를 사용한 MLR 모델의 검증 결과로서 상관관계 R은 0.82, RMSE는 8.35로 경험모델에 비해 크게 향상된 결과를 보였다. 기울기는 0.70으로, 나쁨 단계인 35 μg/m³ 이상에서 추정된 PM_2.5 값이 실제 관측된 PM_2.5값에 비해 과소 추정되는 경향을 보이고 35 μg/m³ 이하에서는 일부 과대평가 하였다. 이는 에어로졸 및 기상인자들의 특성이 계절별로 다르지만 개발된 MLR모델에는 각 계절을 구분할 수 있는 인자가 존재하지 않기 때문으로 판단되었다.

Fig. 2. Comparison of validation results of observed PM_2.5 and estimated PM_2.5 concentration using (a) multiple linear regression model and (b) seasonal multiple linear regression model. The gray dash line and black solid line represent reference and linar regression, respectively.

Fig. 2(b)는 식(6) 중에서 VRA를 이용한 MLR모델의 검증결과(a)와 식(7)과 같이 계절에 따라 구분된 S-MLR 모델(VRA)의 검증 결과(b)와의 비교로 R²는 0.67에서 0.72, 기울기는 0.70에서 0.74로 증가하였고, RMSE 또한 8.35에서 7.81로 감소하여 향상된 결과를 보였다. 특 S-MLR모델이 MLR모델에 비해 고농도 사례 시 과소 모의하던 경향이 일부 개선되어 계절별로 구분하여 다중 선형회귀 모델을 구성하는 것이 더 효과적임을 알 수 있다.

Fig. 3은 VRA를 사용한 MLR 모델의 계절별 정확도의 변화를 살펴보기 위하여 각 계절별로 MLR모델을 구성하고 그 성능을 살펴본 결과로, 상관관계 R값은 계절별로 0.78에서 0.91로 가을에 최대로 나타났으며, RMSE는 6.29에서 8.77로 여름에 가장 낮았다. 이는 비가 많은 여름철에는 대기오염물질이 빗방울에 씻겨 제거되어 초미세먼지 농도가 낮기 때문인 것으로 판단되며. 가을의 경우 기울기가 0.84, RMSE는 7.97로 나쁨 단계인 35μg/m³ 이상에서도 잘 모의하지만 봄철 및 겨울철의 경우 기울기는 각각 0.64, 0.56, RMSE는 각각 8.31, 8.77로 고농도 사례에서 과소 모의하는 경향이 두드러진다. 이는 2015년 봄철(10일) 및 겨울철(5일)에 발생한 15일의 황사 사례 중에서 고농도 미세먼지농도가 나타났고 해당 일자에 대하여 과소 추정하는 경향이 여전히 존재하는 것으로 판단된다.

Fig. 3. Scatter plots with linear regression lines (solid red line) between observed PM_2.5 and estimated PM_2.5 concentrations in four seasons (MAM, JJA, SON, DJF).

2) 관측과 통계모델 PM_2.5 시간변동성

Fig. 4(a)는 식(7)의 S-MLR 통해 추정된 PM_2.5와 실제 측정된 PM_2.5의 농도의 월 평균을 나타낸 것이다. Fig. 4(b)에는 GOCI AOD가 관측되는 시간대에 맞는 추정된 PM_2.5 와 실제 측정된 PM_2.5 농도의 하루 중 시간 변동성이 표현되었다. 추정된 PM_2.5 농도는 대부분의 지상관측 PM_2.5 농도의 시간 변동 패턴과 일치하지만 9시와 16시에 추정된 PM_2.5 농도가 근소하게 과소모의 하는 경향이 보인다. 겨울과 봄철에 일부 과소 또는 과대 모의된 월 평균 농도를 보이지만 월별로 변화하는 변동 패턴은 대부분 일치하는 모습을 보였다. 2015년에 발생한 황사 사례는 총 15 중에서 2월과 3월에만 12일의 황사사례가 집중되어 발생했다. 따라서 특정 고농도 사례가 겨울과 봄철의 추정모델에 영향을 준 것으로 판단된다.

Fig. 4. (a) Monthly and (b) diurnal variations of observed PM_2.5 and estimated PM_2.5 concentration in 2015.

Fig. 5에는 계절에 따른 시간변동성 파악을 위해 각 계절로 나누어 관측된 PM_2.5와 추정된 PM_2.5의 시간변동을 표현했고 각 시간에 대해서 평균된 자료의 개수를 회색 막대로 표시하였다. 전체적으로 두 값의 시간변동성은 유사하게 나타났으나, 겨울철 일출과 일몰 시간에 가까운 9시와 16시에는 PM_2.5 추정값이 관측값에 비해 낮게 나타났다. 이는 겨울철 9시와 16시에 AOD 자료 개수 부족으로 PM_2.5 추정 자료 개수가 매우 적었기 때문으로 판단된다.

Fig. 5. Seasonal diurnal variations of observed PM_2.5 and estimated PM_2.5 concentration in 2015. Gray boxes represent the average of data number (N).

Fig. 6 에는 서울 4개 측정소에 대한 AOD와 PM_2.5 농도 및 기상인자들의 시간 별 상대적 오차율을 조사한 결과가 표현되었다. Fig. 6(a)에 나타낸 바와 같이, AOD의 시간 별 상대적 오차율을 살펴보면 태양천정각이 큰 09시와 16시가 다른 시간에 비해 AOD가 특히 낮다. PM_2.5 농도는 정오를 기점으로 오후에 비해서 오전에 농도가 높았다. 그에 비해 AOD는 상대적으로 낮아, AOD 단일자료를 사용하여 PM농도를 추정하는 것에는 한계점이 드러났다. 하지만 안정된 대기상태, 낮은 풍속, 흡습성장에 좋은 여건이 오전에 두드러져 여러 조건을 함께 고려하는 것이 중요함을 알 수 있다. 즉, 오전 시간에 다중회귀모델을 통한 여러 변수들의 기여도를 반영하는 PM_2.5 추정 모델 정확성이 오후 시간보다 향상될 것으로 판단된다. 여름의 경우는 PM_2.5 농도가 다른 계절과 정반대의 경향이 나타났고 이는 여름철 오후시간에 다른 계절에 비해 상대적으로 높게 나타난 AOD와 15, 16시에 상대적으로 낮은 행성경계층고도는 여름철 PM_2.5 변화 경향성이 정반대로 나타난 것과 일치했다.

Fig. 6. The relative differences from daily mean value of respective parameters ((a) AOD, (b) PM_2.5, (c)PBLH, (d) RH, (e) WS, and (f) temperature) during the day. The shaded area represents the standard deviation of the relative differences.

4. 요약 및 결론

이번 연구에서는 PM_2.5 관측이 시작된 2015년, 1년의 기간에 대해 에어로졸의 흡습성에 대한 보정과 수직분포 대한 경험적 보정방법 두 가지를 각각 적용하며 비교했고, 계절별로 각각의 다중 선형 회귀 모델을 구성하여 계절적 특성이 반영된 PM_2.5 추정 모델을 개발하여 정지궤도 해양위성 GOCI가 관측하는 주기인 1시간 간격에 따라 일 8회 지상 PM_2.5 농도를 추정했다. 4계절 중 모델 성능이 가장 좋은 계절은 가을로 상관관계 R값은 0.91, RMSE는 7.97 μg/m³, 기울기는 0.84로 나타났고 특히 다른 계절에 비해 고농도 PM_2.5 사례에도 회귀 추세가 일정함을 알 수 있었다. 모든 계절에 대해 각각 구성된 다중 선형 회귀모델을 통해 추정된 PM_2.5는 관측된 PM_2.5와 높은 양의 상관관계(R=0.85)를 보이며 계절적 특성이 고려되지 않은 기존 회귀모델에 비해 기울기가 0.04상승하여 0.74로 나타났다. 또한, 고농도사례에서 과소 추정되었던 경향이 일부 개선되었고 RMSE가 8.35에서 7.77로 감소해 모델 구성에 있어 계절을 고려하는 것이 중요함을 알 수 있다. 일 8회 추정된 PM_2.5의 시간 변동성은 관측된 PM_2.5 변동과 일치했으며 겨울을 제외하고 정오 시간을 전 후로 나타나는 PM_2.5 농도의 최대치가 유사하게 추정되었다.

본 연구의 한계점으로 첫째, 본 연구의 모델은 에어로졸 수직분포의 수평적 연속성 문제 때문에 서울대학교 라이다 측정소를 중심으로 반경 5 km 이내의 대기오염측정소의 PM_2.5 자료만을 사용했다. 그렇기 때문에 반경 5 km 외의 지역은 추가적인 에어로졸 수직 프로파일 정보가 필요한 것으로 제시된다. 두 번째로, 계절별로 구성한 다중회귀모델(S-MLR)에서 황사사례가 발생한 봄철과 겨울철에 여전히 과소모의 경향이 나타나고 기울기가 0.74에 그쳐 고농도 사례를 정확하게 추정하기 위한 추가적인 변수 또는 가중방법에 대한 연구의 필요성이 제시된다. 본 연구는 향후 발사될 정지궤도위성 GK-2A 및 GK-2B 산출물에 적용 가능 할 것으로 판단되며, 대기 오염이 심각한 동아시아 지역에 대한 위성 산출물을 활용한 지상 PM_2.5 농도 추정 연구의 기반이 될 것으로 기대한다.