The Effect of Meteorological Factors on PM₁₀ Depletion in the Atmosphere and Evaluation of Rainwater Quality

기상인자에 따른 대기 중 미세먼지 감소 및 빗물 특성 연구

Abstract

This study analyzed the effect of meteorological factors on the concentration of PM10 (particulate matter 10) in the atmosphere and the variation of rainwater quality using multivariate statistical analysis. The concentration of PM10 in the atmosphere was continuously measured during eleven precipitation events with a custom-built PM sensor node. A total of 183 rainwater samples were analyzed for pH, EC (electrical conductivity), and water-soluble cations (Na+, Mg2+, K+, Ca2+, NH4+) and anions (Cl-, NO3-, SO42-). The data has been analyzed using two multivariate statistical techniques (principal component analysis, PCA, and Pearson correlation analysis) to identify relationships among PM10 concentrations in the atmosphere, meteorological factors, and rainwater quality factors. When the rainfall intensity was relatively strong (> 5 mm/h, rainfall type 1), the PM10 concentration in the atmosphere showed a negative correlation (r = -0.55, p < 0.05) with cumulative rainfall. The PM10 concentration increased the concentration of water-soluble ions (r = 0.25) and EC (r = 0.4), and decreased the pH (r = -0.7) of rainwater samples. However, for rainfall type 2 (< 5 mm/h), there was no negative correlation between the PM10 concentration in the atmosphere and cumulative rainfall and no statistically significant correlation between the PM10 concentration in the atmosphere and rainwater quality.

본 연구는 다변량 통계분석을 이용하여 다양한 기상인자가 대기 중 미세먼지(pariculate matter 10, PM10) 농도에 미치는 영향을 분석하였으며, 대기 중 PM10 농도에 따른 빗물 수질 변화를 평가하였다. 총 11회의 강우 이벤트를 대상으로 강우 전후의 대기 중 PM10 농도를 실시간 측정하였으며, 총 183개 빗물 샘플을 수집하여 pH와 EC (electrical conductivity)를 실시간 측정하고 양이온(Na+, Mg2+, K+, Ca2+, NH4+) 및 음이온(Cl-, NO3-, SO42-) 농도를 분석하였다. 측정된 데이터를 바탕으로 대기 중 PM10 농도, 기상인자, 빗물 수질 간 상관관계를 규명하기 위해 주성분 분석(principal component analysis, PCA)과 피어슨 상관분석(Pearson correlation analysis)을 실시하였다. 강우 유형 1(강우 강도: > 5 mm/h)의 경우, 누적 강우량에 따른 대기 중 PM10 농도는 유의한 음의 상관관계(r = -0.55, p < 0.05)를 보였으며 대기 중 PM10 농도는 빗물 내 수용성 이온(r = 0.25) 농도와 EC (r = 0.4)를 증가시키는 요인으로 작용하며, 빗물의 pH는 감소시키는 것으로 나타났다(r = -0.7). 반면, 강우 유형 2(강우강도: <5 mm/h)의 경우, 누적강우량과 대기 중 PM10 농도는 음의 상관관계를 보이지 않았으며, 대기 중 PM10 농도와 빗물 수질 간 통계적으로 유의한 상관관계가 나타나지 않았다.

요약

본 연구는 다변량 통계분석을 이용하여 다양한 기상인자가 대기 중 미세먼지(pariculate matter 10, PM10) 농도에 미치는 영향을 분석하였으며, 대기 중 PM10 농도에 따른 빗물 수질 변화를 평가하였다. 총 11회의 강우 이벤트를 대상으로 강우 전후의 대기 중 PM10 농도를 실시간 측정하였으며, 총 183개 빗물 샘플을 수집하여 pH와 EC (electrical conductivity)를 실시간 측정하고 양이온(Na+, Mg2+, K+, Ca2+, NH4 +) 및 음이온(Cl–, NO3–, SO4 2–) 농도를 분석하였다. 측정된 데이터를 바탕으로 대기 중 PM10 농도, 기상인자, 빗물 수질 간 상관관계를 규명하기 위해 주성분 분석(principal component analysis, PCA)과 피어슨 상관분석(Pearson correlation analysis)을 실시하였다. 강우 유형 1(강우 강도: > 5 mm/h)의 경우, 누적 강우량에 따른 대기 중 PM10 농도는 유의한 음의 상관관계(r = -0.55, p < 0.05)를 보였으며 대기 중 PM10 농도는 빗물 내 수용성 이온(r = 0.25) 농도와 EC (r = 0.4)를 증가시키는 요인으로 작용하며, 빗물의 pH는 감소시키는 것으로 나타났다(r = -0.7). 반면, 강우 유형 2(강우강도: <5 mm/h)의 경우, 누적강우량과 대기 중 PM10 농도는 음의 상관관계를 보이지 않았으며, 대기 중 PM10 농도와 빗물 수질 간 통계적으로 유의한 상관관계가 나타나지 않았다.

1. 서론

대기 중 미세먼지(particulate mater, PM)는 강우량, 습도, 기온, 풍속 등 다양한 기상인자에 의해 발생되고 이동, 소멸의 과정을 거친다(Lee et al., 2019). 이러한 기상조건은 대기질을 규명하고 예측하는데 중요한 변수로 작용될 수 있다(Hwang et al., 2009). 이에 따라 다양한 기상 인자가 대기 중 PM 농도변화에 미치는 영향을 규명한한 연구들이 활발히 진행되고 있다(Dawson et al., 2014; De Hartog et al., 2005; Galindo et al., 2011; Hwang et al., 2009; Kliengchuay et al., 2018; Tian et al., 2014). 상대습도, 온도, 태양 복사에너지 등의 기상인자는 대기 중 PM 농도증가에 중요한 요인으로 나타났으며(r= 0.6 –0.7), 계절과 지역 특성에 따라 대기 중 PM 농도변화에 영향을 미치는 기상인자가 상이하게 나타났다(Galindo et al., 2011; Tian et al., 2014). 그러나 선행연구는 대기 중 PM 농도를 증가시키는 기상인자를 대상으로 상관관계를 분석하였으며, 대기 중 PM농도를 감소시키는 수문기상학적 요인을 함께 고려한 연구는 부족한 실정이다.

다양한 기상요인과 대기 중 PM 농도 간 복합적관계를 규명하기 위해서는 3개 이상의 변수를 고려한 다변량 분석의 필요성이 강조되고 있으며, 최근 다양한 분야에서는 주성분 분석(principle component analysis, PCA)을 이용하여 영향인자간 상관성을 분석한 연구가 수행되고 있다(Kim et al., 2019; Ko et al., 2005; Li et al., 2019). Gao et al. (2019)은 다변량 분석법인 중복분석(redundancy  analysis, RDA)을 이용하여 기상인자가 대기 중 PM_2.5를 구성하는 이온 성분들에 미치는 영향을 규명하였으며, 강우시 대기 중 PM_2.5의 이온 성분들은 주로 강우량과 강우 지속시간에 영향을 받음을 시사하였다. Ouyang et al. (2015)은 대기 중 PM농도가 높은 중국 베이징을 대상으로 강우에 따른 대기 중 PM_2.5농도의 변화를 평가하였고, 그 결과 누적강우량에 따른 PM_2.5농도는 높은 음의 상관관계(r= -0.95)를 보였다.

강우 발생 시 PM을 구성하는 중금속, 이온 성분, 해염 등은 빗물에 습식 침착되어 빗물 수질에 영향을 미치며 (Chandra Mouli et al., 2005), 빗물 내 PM을 구성하는 이온들의 농도가 높게 나타난다(Gao et al., 2019). 국외에서는 대기 중 PM 농도가 빗물 수질에 미치는 영향에 대한 다양한 연구가 활발히 진행되고 있으나, 국내의 경우 대기 중 PM농도와 빗물 내 이온 특성간 상관관계를 규명한 연구는 부족한 실정이다.

따라서 본 연구의 목적은 부산 지역을 대상으로 주성분 분석과 상관 분석을 통해 1) 다양한 기상인자가 대기 중 PM₁₀농도에 미치는 영향을 규명하고 2) 대기 중 PM₁₀ 농도가 빗물 수질에 미치는 영향을 정량적으로 해석하고자 한다.

2. 연구 방법

1. 빗물 샘플링 및 화학적 특성 분석

본 연구는 2020년 3 –7월동안 총 11번의 강우를 대상으로 수행되었으며, 빗물 샘플은 부산광역시 남구 부경대학교 대연캠퍼스 내 환경해양관 옥상(35.14°N,129.11°E) 에서 자체 제작한 집수장치(80cm×50cm×30cm)를 이용하여 채취하였다. 집수장치는 폴리프로필렌(polypropylene, PP) 박스와 폴리염화비닐(polyvinyl chloride, PVC)로 구성되어 있으며, 집수 효율을 높이고 이동에 용이하도록 제작되었다. 총 3개의 빗물 집수장치에서 최초 강우부터 50mL의 빗물 샘플을 폴리에틸렌(polyethylene) 실린더에 연속적으로 수집하였다. 총 183개의 수집된 빗물 샘플을 대상으로YSI Professional Plus multiparameter meter(YSI Incorporated, USA)를 이용하여 집수 즉시 pH와 EC(electronic conductivity)를 측정하였으며, ion chromatography (Thermo Scientific Aquion, USA)를 이용하여 양이온(Na⁺, Mg²⁺, K⁺, Ca²⁺,NH₄ ⁺)과 음이온(Cl , NO₃ ^–, SO₄ ^2–)을 분석하였다.

2. 미세먼지 모니터링 및 기상인자 수집

본 연구지역인 부산광역시는 남쪽으로 동해와 인접하여 해양성 기후의 특징이 나타나며 부산만을 중심으로 개발된 대한민국 제1의 국제 무역항이자 항구도시이다(Jeon, 2010). 부산지역은 항구가 위치한 북항, 남항 등의 항만지역과 산업지역에서 발생하는 배출가스 (NO_X와 SO_X)와 Na⁺와Cl ^–을 포함하는 해염성분이 PM 형성에 큰 영향을 미친다(Jeon, 2010). 본 연구는 공기역학직경이 10µm 이하인 PM₁₀을 대상으로 하였으며, 대기 중 PM₁₀측정은 빗물 샘플링 지역에서 서쪽으로 약 100m에 위치한 부경대학교 충무관 옥상(35.13°N,129.10°E)에서 수행되었다. PM₁₀농도 측정은 PMS5003 (Plantower, China) 센서로 구성되어있는 미세먼지 센서노드를 이용하여 강우 기간 전후 실시간으로 측정하였다. 본 연구에서 사용된 PM₁₀ 센서노드는 광산란방식으로 에 어로졸의 농도를 측정하는 기기이며, 도시대기측정소의 기준기기(air quality monitoring station, 광주 서석동)와 비교측정하여 선형 보정하였으며 기준기기와 센서노드의 비교측정치는 높은 상관관계를 보였다 (R²> 0.83, linear slope:1.00). 미세먼지 센서노드의 PM 농도 측정정확도와 관련된 자세한 내용은 Park et al. (2019)에서 확인할 수 있다. 본 연구에서 사용된 기상자료(누적강우량, 강우 강도, 습도, 온도, 풍향, 풍속)는 기상청내 부산 남구 관측소의 AWS(automatic weather system)에서 측정된 자료를 사용하였다.

3. 데이터 분석

(1) 주성분 분석

다양한 기상인자와 대기 중 PM₁₀농도간 상관관계를 규명하기 위해 주성분 분석을 수행하였다. 주성분 분석 (principal component analysis, PCA) 은 변수들간 선형결합을 통해 데이터의 정보손실을 최소로 하는 주성분 축을 생성하고 데이터의 차수(dimension)를 감소시켜 데이터에 내재된 의미를 확인할 수 있는 다변량 통계분석법이다(Abdi and Williams, 2010; Shlens, 2014).

주성분 분석은 분산을 최대로 하는 주성분을 구분하기 위해 다음과 같은 과정으로 진행된다. 주어진 데이터 X가 n×p로 구성된 행렬이라고 가정하였을 때, X 는 식 (1)과 같이 표현할 수 있다.

\(X=\left(\begin{array}{ccc} X_{1,1} & \cdots & X_{n, 1} \\ \vdots & \ddots & \vdots \\ X_{1, p} & \cdots & X_{n p} \end{array}\right)\)      (1)

주성분에 사용된 모든 수치 데이터는 행렬 X의 단위를 일치시키기 위해 식 (2)를 이용하여 표준값(Z_{n, p}; μ=0, σ²=1)을 사용하였다.

\(Z_{n, p}=\frac{X_{n, p}-\mu_{n}}{\sigma_{n}}\)      (2)

여기서, μ_n는 행렬X에서 n번째 열의 평균을 나타내며, σ_n는 행렬X에서 n번째 열의 표준편차를 의미한다. 표준값(Z_{n, p})의 분포를 가장 잘 설명하는 주성분 축은 데이터의 분산이 최대가 되는 축을 의미하며, 주성분 축을 찾기위한 고유값(λ)과 고유벡터(V) 는 식 (3)을 통해 구할 수 있다.

\(\sum=V \lambda V^{T}\)       (3)

여기서, Σ는 공분산 행렬을 의미하며, V^T는 고유벡터의 전치행렬을 의미한다. 고유벡터는 기존 데이터의 방향을 변화시키지 않고 크기만 변화시키는 벡터이며, 그때의 크기값을 고유값(eigenvalue)이라고 한다.

또한, 표준값을 분산을 최대로 하는 주성분 축으로 투영(projection)하기 위해 식 (4) 를 사용하였고, 최종적으로 주성분 축은 식 (5)와 같이 각 인자들의 선형결합식으로 표현된다.

\(P C_{n}=Z V_{n}\)       (4)

\( P C=a_{1} x_{1}+a_{2} x_{2}+\cdots+a_{n} x_{n}\)       (5)

여기서, PC_n은 n번째 주성분을 의미하며 V_n은 n번째 주성분에 해당하는 고유 벡터를 의미한다. x_n은 n번째 인자의 값을 의미하며, a_n은 n번째 인자의 선형결합계수 (loading)이다.

(2) 상관관계 분석

다양한 기상인자에 따른 대기 중 PM₁₀농도 변화와 PM₁₀농도 변화에 따른 빗물 수질 변화의 선형상관관계를 규명하기 위해 피어슨 상관관계(Pearson correlation) 분석을 실시하였고, 식 (6)를 사용하여 피어슨 상관계수 (Pearson correlation coefficient, r_xy)를 계산하였다.

\(r_{x y}=\frac{\sum\left(x_{\mathrm{i}}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{\sqrt{\sum\left(x_{\mathrm{i}}-\bar{x}\right)^{2}} \sqrt{\sum\left(y_{i}-\bar{y}\right)^{2}}}\)       (6)

여기서, \(\bar{x}\)와 \( \bar{y}\)는 각 변수의 평균을 뜻한다. 식 (6)의 분자항은 두 변수의 공분산(covariance)을 나타내며, 분모항은 두 변수의 표준편차간 곱을 나타낸다.

또한, 강우 강도를 고려한 누적 강우와 대기 중 PM₁₀농도 간 상관관계를 검정하기 위해 스튜던트 t-검정 중 양측 검정을 실시하였다. t-검정의 귀무가설(null hypothesis) 은 두 변수간 상관관계가 없다(r= 0)이며, 대립가설 (alternative hypothesis)은 두 변수간 상관관계가 있다 (r≠0)이다. 본 연구에서는 유의수준(significance level)을 0.05로 설정하였으며, 유의 확률(p-value)이 0.05이상 일 경우 귀무가설을 채택하며, 0.05이하일 경우 귀무가설을 기각하고 대립가설을 채택하였다.

3. 결과 및 토의

1. 다양한 기상인자와 대기 중 PM₁₀농도 간 상관관계

2020년3 –7월동안 총 11번의 강우 이벤트를 대상으로 각 주성분 축에 대한 기상인자와 대기 중 PM₁₀농도의 선형결합계수(loading)를 Table 1에 제시하였으며, 고유값과 전체 데이터에 대한 누적 분산율을 통해 주성분 축의 설명력을 정량적으로 표현하였다. 주성분 분석 결과, PC1의 고유값은 1.93이고 전체 데이터의 분산율은 27.06%로 나타났다. PC2의 고유값은 1.71이며 전체 데이터의 분산율은 24.05%로 나타났으며, 전체 데이터 누적 분산율은 51.1%로 나타났다.

Table 1. Loadings of 7 variables (PM₁₀concentration and meteorological parameters) for the two principal components: PC1 and PC2

다양한 기상인자와 대기 중 PM₁₀ 농도 간 상관관계를 규명하기 위한 주성분 분석 결과를 Fig. 1에 제시하였다. Fig. 1a는 기존변수들의 선형결합으로 데이터의 차원을 축소하여 PC1, PC2 위에 표시한 산포도(scatter plot)이다. 각각의 독립변수들이 새로운 주성분 축을 생성하는 데 기여한 선형결합계수를 Fig. 1b에 화살표로 표시하였다. PC1에 대한 누적강우량(cumulative rainfall), 강우 강도(rainfall intensity)의 선형결합계수는 각각 0.57, 0.51으로 상대적으로 높은 양의 계수값을 보이는 반면, PM₁₀ 농도의 선형결합계수는 -0.52로 높은 음의 계수값을 보였다(Table1). PC1에 대한 온도(temperature), 풍속(wind speed), 습도(humidity)의 선형결합계수는 각각 0.14, 0.14, 0.18로 상대적으로 낮은 양의 계수값을 보였으며, PC1에 대한 영향은 적은 것으로 판단된다(Fig. 2b). 따라서, 누적 강우량과 강우 강도가 대기 중 PM₁₀농도감소에 상당한 영향을 미치는 것으로 판단되었다. 또한, 누적 강우량과 PM₁₀농도를 대상으로 피어슨 상관관계 분석 결과 유의한 음의 상관관계(r=-0.52, p< 0.05)가 나타났다. 강우강도와 PM₁₀농도를 대상으로 피어슨 상관관계 분석 결과, 강우 강도가 5 mm/h 이상일 때 유의한 음의 상관관계(r=-0.35, p< 0.05)가 나타났으며 강우 강도가 5 mm/h 이하일 때 약한 음의 상관관계(r=-0.03)가 나타났다.

Fig. 1. Principal component analysis (PCA) of metrological parameters and PM₁₀concentrations used in this study: (a) scores of samples (n = 61, triplicates per sample) and (b) loadings of 7 variables (meteorological factors and PM₁₀ concentration) for two principal components (PC1 and PC2). (a) Different colors represent different concentrations of PM₁₀, and (b) the length of the vectors represents the strength of the correlation of the respective parameter.

Fig. 2. Correlations between cumulative rainfall and PM₁₀concentrations in the atmosphere with two different rainfall types: (a), (b), and (c) Rainfall type 1 (> 5 mm/h of rainfall intensity) and (d), (e), and (f) Rainfall type 2 (< 5 mm/h of rainfall intensity). Blue points (circle) were obtained from the PM sensor node and the AWS. Orange points (triangle) were measured in this study.

PC2에 대한 온도(temperature)와 습도(humidity)의 선형결합계수는 각각 00.51, -0.54로 상대적으로 높은 계수 값을 보이는 반면, 풍속(windspeed), 풍향(winddirection), 강우 강도(rainfall intensity), PM₁₀농도는 각각 0.32, 0.32, -0.35, -0.30으로 상대적으로 낮은 계수 값을 나타내었다 (Table1). 그리고 PC2에 대한 누적 강우량(cumulative rainfall)의 선형결합계수는 0.14로 PC2에 대한 영향은 적은 것으로 판단된다. 따라서, PC2는 누적 강우량을 제외한 기상인자 간 미치는 영향을 지시하는 축으로 판단된다(Fig. 2b).

2. 강우 강도와 누적 강우량에 따른 대기 중 PM₁₀ 농도 변화

강우의 강도를 고려한 누적 강우에 따른 대기 중 PM₁₀농도감소를 규명하기 위하여, 총 11개의 강우 이벤트 중 강우 강도가 5 mm/h이상이었던 3회의 강우 이벤트(Event1, 2 and3) 를 강우 유형1(Rainfall type1)로, 강도가 5 mm/h 이하였던 3회의 강우 이벤트(Event4, 5 and6) 를 강우 유형2(Rainfall type2)로 분류하여 상관분석을 실시하였다(Fig. 2). 강우 유형 1의 경우, 누적 강우와 대기 중 PM₁₀농도는 유의한 음의 상관관계를 보였다 (Fig. 2a, b, c, p< 0.05). 반면, 강우 유형2의 Event4(Fig. 2d)와Event6(Fig. 2f)은 강우가 지속됨에 따라 PM₁₀의 농도가 증가하여 강우에 따른 대기 중 PM₁₀의 농도 저감을 확인할 수 없었으며, Event5 (r=-0.23) 의 경우 누적 강우량에 따른 PM₁₀농도의 일정한 감소패턴을 확인할 수 없었다(Fig. 2e). 연구 결과를 통해 5 mm/h이상의 높은 강우 강도일 때 누적 강우에 따른 대기 중PM₁₀의 농도는 저감되지만, 5 mm/h 이하의 낮은 강우 강도에서는 누적 강우에 따른 대기 중 PM₁₀저감영향은 미비한 것으로 판단된다.

3. 대기 중 PM₁₀과 강우 수질 간 상관관계 분석

연구 기간 동안 총 11번의 강우 이벤트를 대상으로 대기 중 PM₁₀농도와 강우 수질(pH, conductivity and total concentration of water-soluble ions) 간 각 주성분 축에 대한 인자들의 선형결합계수를 Table 2에 제시하였으며, 주성분 분석 결과를 Fig. 3에 나타내었다. 주성분 분석 결과, 4차원 데이터의 차원을 축소하여 2개의 주성분 축으로 나타내었을 때, 전체 데이터의 누적 분산율은 88.23%로 나타났다. PC1의 고유값은 2.36으로 전체 데이터에 대해 58%의 설명력을 가지며 PC2의 고유값은 1.23으로 전체 데이터의 30.23%의 설명력을 가진다(Table 2). PC1에 대한 PM₁₀, 빗물 내 총 이온 농도(total concentration of water-soluble ions)의 선형결합계수는 각각 -0.58, -0.59로 상대적으로 높은 음의 계수값을 보여 주었으며, PC1에 대한 빗물 내 pH의 선형결합계수는 0.45로 상대적으로 높은 양의 계수값을 보여주었다(Table 2). 따라서PC1은 PM₁₀농도와 강우 수질 간 관계를 지시하는 축으로 판단되며, 대기 중 PM₁₀농도 증가에 따라 빗물 내 수용성 이온의 농도는 증가하고 빗물 내 pH는 감소하는 것으로 해석될 수 있다. 또한, PM₁₀ 농도와 빗물 내 수용성 이온의 농도를 대상으로 피어슨 상관관계 분석 결과는 높은 양의 상관관계(r=0.95, p< 0.05)를 보였으며 PM₁₀농도와 빗물 pH와는 유의한 음의 상관관계(r=-0.43, p< 0.05)가 나타났다(Fig. 3b)

Fig. 3. PCA of chemical characteristics in rainwater and PM₁₀concentrations used in this study: (a) scores of samples (n = 61, triplicates per sample) and (b) loadings of 4 variables (rainwater quality and PM₁₀concentration) for two principal components (PC1 and PC2). (a) Different colors represent different concentrations of PM₁₀, and (b) the length of the vectors represents the strength of the correlation of the respective parameter.

Table 2. Loadings of 4 variables (rainwater quality and PM₁₀ concentration) for the two principal components: PC1 and PC2

PC2에 대한 빗물 내 EC의 선형결합계수는 0.69로 상대적으로 높은 양의 계수값이 나타났으며, PC2에 대한 빗물 내 pH, 총 이온 농도, 대기 중 PM₁₀농도의 선형결합계수는 각각-0.48, -0.35, -0.42로 상대적으로 낮은 음의 계수값을 보여주었다(Table2). 따라서 PC2는 빗물의 EC와 pH 간의 상관관계를 지시하는 축으로 판단된다 (Fig. 3b). 피어슨 상관관계 분석 결과, 빗물의 EC와 pH는 유의한 음의 상관관계(r=-0.53, p< 0.05)를 보였으며 대기 중 PM₁₀농도는 빗물의 EC(r=0.31, p< 0.05)와 빗물 내 총 이온농도(r=0.44, p< 0.05)와는 유의한 양의 상관관계를 보였다. 따라서, 대기 중 PM₁₀농도는 빗물 내 수용성 이온의 농도 및 EC를 증가시키고 pH를 감소시켜 빗물 수질에 영향을 미친 것으로 판단된다. 강우 시 대기 중 PM₁₀농도가 감소하는 과정에서 PM₁₀을 구성하는 수용성 이온 성분 및 토양 성분 등은 강우에 습식 침착될 수 있으며, 이에 따라 빗물 내 다양한 수용성 이온 농도는 증가될 수 있다. 또한, PM₁₀을 구성하는 SO_X와 NO_X등의 영향으로 빗물의 pH가 감소되어 산성비를 야기시킬 수 있다(Chandra Mouli et al., 2005).

대기 중 PM₁₀농도가 빗물 수질 특성에 미치는 영향을 규명하기 위해, 피어슨 상관계수를 이용한 히트맵(heat map)을 이용하여 PM₁₀의 농도와 빗물의 pH 및 수용성 이온 농도의 상관성을 분석하였다(Fig. 4). 강우 강도에 따라 분류한 강우 유형을 기준으로 분석하였으며 Fig. 4a는 강우유형 1을 지시하며 Fig. 4b는 강우유형 2 의 결과를 나타내었다. 강우 유형 1의 경우(Fig. 4a), 대기 중 PM₁₀농도는 NO₃ ^–(r=0.5, p< 0.05)와NH₄ ⁺(r=0.4, p< 0.05)농도와 유의 한 양의 상관관계를 보였으며 빗물의 pH와는 높은 음의 상관관계(r=-0.7, p< 0.05)를 보였다. 반면, K⁺, Cl , SO₄ ^2-와 상대적으로 낮은양의 상관관계(r=0.2)가 나타났으며, Na⁺, Mg²⁺, Ca²⁺이온과는 상관관계를 보이지 않았다. 이를 통해 5 mm/h 이상의 높은 강우 강도일 때, 대기 중 PM₁₀농도는 NO₃ ^–, NH₄⁺농도를 증가시킬 수 있으며, PM₁₀농도가 증가할수록 빗물의 pH가 낮아져 산성 강우에 따른 피해가 우려될 수 있다. 반면, 5 mm/h 이하 낮은 강우 강도의 영향을 받은 강우 유형 2의 경우(Fig. 4b)는 대기 중 PM₁₀농도가 빗물 수질에 미치는 영향을 확인할 수 없었다. 대기 중 PM₁₀농도와 빗물 수질 인자 간 상관관계는 pH와 NH⁺₄농도만 음의 상관관계(r=-0.4)를 보여주었으며, 나머지 수질 인자들과는 상관관계를 보이지 않았다. 이를 통해 대기 중 PM₁₀농도는 강우 강도가 5 mm/h 이상 높을 때 빗물 수질에 영향을 미치는 것으로 판단된다.

Fig. 4. The correlation coefficient between PM₁₀concentration and water-soluble ions with two different rainfall types: (a) rainfall type 1 (> 5 mm/h of rainfall intensity) and (b) rainfall type 2 (< 5 mm/h of rainfall intensity).

EC에 대한 각 수용성 이온의 기여도는 이온의 당량 전도도에 따라 달라지는데, 각 수용성 이온의 당량 전도도는 SO₄ ^2–(80.0 Ω·cm²·mol ^–1), NH₄ ⁺(73.6 Ω·cm²·mol ^–1), K⁺(73.5 Ω·cm²·mol ^–1), NO₃ ^–(71.5 Ω·cm²·mol ^–1), Ca²⁺(59.5 Ω·cm²·mol ^–1), Mg²⁺(53.5 Ω·cm²·mol ^–1), Na⁺(50.1 Ω·cm²· mol ^–1), H₂PO₄(36.0 Ω·cm²·mol ^–1) 순으로 나타난다(Ahn and Son, 2011; Son, 1998). 빗물의 EC와 빗물 내 수용성 이온 간 상관관계 분석 결과, 빗물 EC에 영향을 미치는 수용성 이온은 강우 강도에 따라 상이하게 나타났다 (Fig. 4). 강우 강도가 높은 강우 유형 1의 경우 빗물의 EC는 K⁺를 제외한 수용성 이온과 높은 양의 상관관계가 나타났다. 특히, 빗물의 EC는 SO₄ ^2–와 NO₃^–와 높은 양의 상관계수(r=0.9)를 보였으며 Ca²⁺와 Mg²⁺이온도 상대적으로 높은 양의 상관관계(r=0.8)가 나타났다(Fig. 4a). 강우 강도가 낮은 강우 유형 2에서는 빗물의 EC와 K⁺, Cl^- , NO₃ ^–간 높은 양의 상관관계(r=0.9)가 나타났으며 SO₄ ^2–와 Na⁺에 대해 상대적으로 높은 양의 상관관계(r=0.8)를 보였다(Fig. 4b). 연구 결과 강우 강도가 높을 때 빗물의 EC는 K⁺이온을 제외한 수용성 이온에 상당한 영향을 받는 반면, 낮은 강우 강도에서는 특정 수용성 이온(NO₃ ^–, SO₄ ^2–, Cl^- , Na⁺, K⁺)이 빗물의 EC에 영향을 미치는 것으로 판단된다. 또한, 빗물 내 수용성 이온 간 상관관계 분석 결과, 빗물 내 K⁺와 Cl^–는 높은 양의 상관관계(r=0.9)를 보였으며, Ca²⁺와 Mg²⁺ 간 높은 양의 상관관계(r=0.8 –0.9)가 나타났다. 또한, NO₃^–와 SO₄^2-간 양의 상관관계(r=0.6 –0.7)을 확인할 수 있었다.

4. 결론

본 연구에서는 2020년 3월부터 7월까지 부산지역을 대상으로 대기 중 PM₁₀농도와 빗물 수질 특성 및 이온 농도를 분석하여 대기 중 PM₁₀농도, 기상인자, 빗물 수질 간 상관성을 평가하였다. 총 11번의 강우 이벤트를 대상으로 다변량 분석법인 주성분 분석 결과, 다양한 기상 인자 중 누적 강우량과 강우 강도가 대기 중 PM₁₀농도 변화에 영향을 미치는 것으로 나타났다. 누적 강우량에 따른 대기 중 PM₁₀농도의 저감 패턴과 강우 수질 특성은 강우 유형에 따라 상이하게 나타나는데, 강우 유형 1(강우 강도: > 5 mm/h) 의 경우, 누적 강우량과 PM₁₀농도는 유의한 음의 상관관계(average r=-0.85, p< 0.05) 로 누적 강우량에 따른 대기 중 PM₁₀농도의 저감 패턴을 보였다. PM₁₀농도는 빗물의 pH감소에 영향을 미쳤으며 빗물 내 NO₃ ^–, NH₄ ⁺농도를 증가시키는 요인으로 판단된다. 반면, 강우 유형 2(강우 강도: < 5 mm/h)에서는 누적 강우량에 따른 PM₁₀농도의 일정한 감소 패턴이 확인되지 않았으며 PM₁₀농도가 빗물 수질에 미치는 영향을 규명할 수 없었다. 강우 유형에 따라 빗물의 EC에 영향을 미치는 빗물 내 수용성 이온이 상이하게 나타나는데, 강우 유형 1에서는 K⁺를 제외한 수용성 이온은 빗물의 EC에 상당한 영향을 미치는 반면, 낮은 강도의 유형 2에서는 특정 수용성 이온(NO₃ ^–, SO₄ ^2–, Cl^- , Na⁺, K⁺)이 빗물의 EC에 영향을 미치는 것으로 판단된다. 따라서, PM₁₀을 구성하는 성분이 빗물에 습식 침착되는 과정에서 빗물 내 수용성 이온의 농도를 증가시키고 pH를 감소시켜 빗물 수질에 영향을 미치는 것으로 판단된다.