Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Carbon Monoxide Dispersion in an Urban Area Simulated by a CFD Model Coupled to the WRF-Chem Model

WRF-Chem 모델과 결합된 CFD 모델을 활용한 도시 지역의 일산화탄소 확산 연구

  • Kwon, A-Rum (Officer in Charge, Forecast Division, Seoul Metropolitan Office of Meteorology) ;
  • Park, Soo-Jin (Researcher, Geo-Science Institute, Pukyong National University) ;
  • Kang, Geon (PhD Candidate, Division of Earth Environmental System Science, Pukyong National University) ;
  • Kim, Jae-Jin (Professor, Department of Environmental Atmospheric Sciences, Pukyong National University)
  • 권아름 (수도권기상청 예보과 주무관) ;
  • 박수진 (부경대학교 지구과학연구소 전임연구원) ;
  • 강건 (부경대학교 지구환경시스템과학부 박사수료생) ;
  • 김재진 (부경대학교 환경대기과학과 정교수)
  • Received : 2020.08.10
  • Accepted : 2020.08.18
  • Published : 2020.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

We coupled a CFD model to the WRF-Chem model (WRF-CFD model) and investigated the characteristics of flows and carbon monoxide (CO) distributions in a building-congested district. We validated the simulated results against the measured wind speeds, wind directions, and CO concentrations. The WRF-Chem model simulated the winds from southwesterly to southeasterly, overestimating the measured wind speeds. The statistical validation showed that the WRF-CFD model simulated the measured wind speeds more realistically than the WRF-Chem model. The WRF-Chem model significantly underestimated the measured CO concentrations, and the WRF-CFD model improved the CO concentration prediction. Based on the statistical validation results, the WRF-CFD model improved the performance in predicting the CO concentrations by taking complicatedly distributed buildings and mobiles sources of CO into account. At 04 KST on May 22, there was a downdraft around the AQMS, and airflow with a relatively low CO concentration was advected from the upper layer. Resultantly, the CO concentration was lower at the AQMS than the surrounding area. At 15 KST on May 22, there was an updraft around the AQMS. This resulted in a slightly higher CO concentration than the surroundings. The WRF-CFD model transported CO emitted from the mobile sources to the AQMS measurement altitude, well reproducing the measured CO concentration. At 18 KST on May 22, the WRF-CFD model simulated high CO concentrations because of high CO emission, broad updraft area, and an increase in turbulent diffusion cause by wind-shear increase near the ground.

본 연구에서는 CFD 모델을 WRF-Chem 모델과 결합(WRF-CFD 모델)하였고, 서울 영등포구에 소재한 건물 밀집 지역에서 흐름과 일산화탄소(carbon monoxide, CO) 분포 특성을 조사하였다. 이를 위하여, 자동기상관측소에서 측정한 풍속, 풍향과 도시대기측정소에서 측정한 CO 농도를 이용하여 수치 모의 결과를 검증하였다. AWS 510 지점에서는 남풍과 남서풍 계열 바람이 측정되었고, 야간 시간 보다는 주간 시간에 높은 풍속이 측정되었다. WRF-Chem 모델은 주로 동남동풍에서 서남서풍 계열의 바람을 수치 모의하였고, 측정 풍속을 과대 모의하였다. WRF-CFD 모델이 수치 모의한 풍향은 WRF-Chem 모델 풍향에 대한 의존도가 높았고, 측정 풍속을 상대적으로 잘 수치 모의하였다. 통계적 검증 지수에 대한 목표 값과 추천 범위를 고려하였을 때, WRF-CFD 모델이 WRF-Chem 모델에 비해 측정 풍속을 통계적으로 더 현실적으로 수치 모의하였다. WRF-Chem 모델은 측정 CO 농도를 크게 과소 모의하였고, WRF-CFD 모델은 CO 농도 예측을 개선하였다. 통계적 검증 결과를 종합한 결과, WRF-CFD 모델은 도시 지역에 복잡하게 분포한 건물과 이동 오염원을 고려함으로써 CO 농도 예측 성능을 개선하였다. 5월 22일 04시에는 AQMS가 위치한 지역에는 하강류가 존재하고, 상층으로부터 비교적 낮은 농도의 CO가 유입되면서 주변 지역에 비해 낮은 농도가 수치 모의되었다. 5월 22일 15시에는 AQMS 측정 지점에 약한 상승류가 형성되었고, 이에 따라 주변보다 다소 높은 CO 농도가 나타났다. WRF-CFD 모델은 상승류에 의해 도로의 이동 오염원으로부터 배출된 CO를 AQMS 측정 고도까지 수송하여, 결과적으로, 측정 CO 농도를 잘 재현한 것으로 판단된다. 5월 22일 18시 사례는 CO 배출량 증가, 상승류 발생 지역 증가, 풍속 증가로 인한 지면 근처의 난류운동에너지 생성 증가에 따른 난류 확산 증가 등으로 인해 전체적으로 높은 CO 농도가 수치 모의되었다. AQMS 지점에서는 하강류가 수치 모의되었지만, 풍상측에 형성된 고농도의 CO 밴드로 인해 WRF-CFD 모델은 측정 CO 농도를 과대 모의하였다.

Keywords

요약

본 연구에서는 CFD 모델을 WRF-Chem 모델과 결합(WRF-CFD 모델)하였고, 서울 영등포구에 소재한 건물 밀집 지역에서 흐름과 일산화탄소(carbon monoxide, CO) 분포 특성을 조사하였다. 이를 위하여, 자동기상관측소에서 측정한 풍속, 풍향과 도시대기측정소에서 측정한 CO 농도를 이용하여 수치 모의 결과를 검증하였다. AWS 510 지점에서는 남풍과 남서풍 계열 바람이 측정되었고, 야간 시간 보다는 주간 시간에 높은 풍속이 측정되었다. WRF-Chem 모델은 주로 동남동풍에서 서남서풍 계열의 바람을 수치 모의하였고, 측정 풍속을 과대 모의하였다. WRF-CFD 모델이 수치 모의한 풍향은 WRF-Chem 모델 풍향에 대한 의존도가 높았고, 측정 풍속을 상대적으로 잘 수치 모의하였다. 통계적 검증 지수에 대한 목표 값과 추천 범위를 고려하였을 때,  RFCFD 모델이 WRF-Chem 모델에 비해 측정 풍속을 통계적으로 더 현실적으로 수치 모의하였다. WRF-Chem 모델은 측정 CO 농도를 크게 과소 모의하였고, WRF-CFD 모델은 CO 농도 예측을 개선하였다. 통계적 검증 결과를 종합한 결과, WRF-CFD 모델은 도시 지역에 복잡하게 분포한 건물과 이동 오염원을 고려함으로써 CO 농도 예측 성능을 개선하였다. 5월 22일 04시에는 AQMS가 위치한 지역에는 하강류가 존재하고, 상층으로부터 비교적 낮은 농도의 CO가 유입되면서 주변 지역에 비해 낮은 농도가 수치 모의되었다. 5월 22일 15시에는 AQMS 측정 지점에 약한 상승류가 형성되었고, 이에 따라 주변보다 다소 높은 CO 농도가 나타났다. WRF-CFD 모델은 상승류에 의해 도로의 이동 오염원으로부터 배출된 CO를 AQMS 측정 고도까지 수송하여, 결과적으로, 측정 CO 농도를 잘 재현한 것으로 판단된다. 5월 22일 18시 사례는 CO 배출량 증가, 상승류 발생 지역 증가, 풍속 증가로 인한 지면 근처의 난류운동에너지 생성 증가에 따른 난류 확산 증가 등으로 인해 전체적으로 높은 CO 농도가 수치 모의되었다. AQMS 지점에서는 하강류가 수치 모의되었지만, 풍상측에 형성된 고농도의 CO 밴드로 인해WRF-CFD 모델은 측정 CO 농도를 과대 모의하였다.

1. 서론

산업화와 도시화로 인해 도시 지역에 수많은 건물들이 건설되고 있다. 이와 함께 인구와 교통량 증가는 도시 지역의 대기질을 악화시키는 등 불쾌한 대기 환경을 조성한다. 도시 지역에서 공기 흐름과 대기질이 건강과 사람들의 생활 환경에 미치는 직간·접적인 영향이 주요 이슈로 떠오르고 있고, 이에 따라 사람들은 도시 흐름과 대기오염물질 확산에 많은 관심을 갖게 되었다 (Bohnenstengel et al., 2015; Rakowska et al., 2014; Zheng et al., 2015).

도시 지역은 수많은 건물과 인공적인 지형(예, 도시 협곡)으로 구성되어 있다. 현재 운영되고 있는 기상예측 모델과 대기질 모델은 상대적으로 성긴 해상도와 격자 체계의 한계로 인해 건물 규모의 대기 흐름과 대기오염물질 확산 현상을 직접적으로 분해할 수 없다. 반면에 전산유체역학(computational fluid dynamics, CFD) 모델은 높은 공간 해상도(수 ~ 수십 미터)와 시간 해상도(초 단위 이하)를 채용할 수 있고, 건물과 같은 육면체 모양의 구조물을 고려할 수 있다.

CFD모델을 이용해 수행한 선행 연구는 대부분 이상 화한 도시 협곡과 유입 조건을 고려하여 도시 협곡 내부 공기 흐름과 비반응성 또는 반응성 대기오염물질 확산 특성을 이해하는 데 초점을 맞추어 수행되어져 왔다 (Abohela et al., 2013; Cui et al., 2019; Kwak and Baik, 2014; Sanchez et al., 2016; Zhong et al., 2015). 일부 연구는 자동 기상관측소의 관측 환경 평가나 도시 개발 후의 대기환경평가 등의 목적을 위해 1 ~ 2 km 수평 크기를 갖는 실제 도시 지역의 상세 흐름과 확산 특성을 연구한 바 있다(Kim et al., 2020; Park et al., 2016; Santiago et al., 2017; Wang et al., 2017). 최근에 보다 현실적인 수치 모의를 위해 기상 모델과 연계한 CFD 모델 개발이 진행되어 왔다(Baik et al., 2009; Kwak et al., 2015; Li et al., 2019; Miao et al., 2013; Park et al., 2016). Baik et al. (2009)은 건물 밀집 지역에서 시간에 따라 변하는 경계 조건을 이용하여 공기 흐름과 확산을 수치 모의하고 국지 순환이 도시 흐름과 확산에 미치는 영향을 조사하였다. Kwak et al. (2015)은 CFD 모델을WRF (weather research and forecast) 모델과 CMAQ (community multiscale air quality) 모델과 결합하여 도시 지역 대기오염물질 분포 특성을 조사하였다. 도시 흐름과 대기오염물질 확산 현상은 매우 복잡하기 때문에, 도시 지역에서 풍속, 풍향, 대기오염물질 농도 변화의 시·공간적 변화는 매우 크게 나타난다(Kwak et al., 2015; Li et al., 2019; Park et al., 2016). 중규모 기상–대기질 모델과 결합한 CFD 모델을 활용하여 도시 흐름과 확산에 관한 유용한 정보를 제공하기 위해서는 결합 CFD 모델의 성능 평가가 수반되어야 한다. 그러나, 결합 CFD 모델을 검증하거나 평가할 수 있는 측정 자료가 충분하지 않은 상황이다.

본 연구에서는 CFD 모델을 대기화학 모듈을 포함하는 WRF (WRF-Chem) 모델과 결합(WRF-CFD 모델)하였고, 서울 영등포구에 소재한 건물 밀집 지역에서 흐름과 일산화탄소(carbon monoxide, CO) 분포 특성을 조사하였다. WRF-CFD 결합 모델에서 WRF-Chem 모델은 시간별로 수치 모의한 풍속, 풍향, CO 농도의 연직 분포를 CFD 모델의 초기·경계 자료로 제공한다. CO의 수명이 약 2개월 정도임을 고려하였을 때, CFD 모델 수치 영역 내에서 화학 반응이 이뤄질 가능성이 상대적으로 낮기 때문에, 본 연구에서는 CO를 비반응성 대기오염물질로 가정하였다. 수치 실험은 선택한 2일(2014년 5월 22일 0시부터 23일 23시) 동안 수행되었다. 본 연구에서는 서울 영등포구의 건물 밀집 지역에 설치된 자동 기상관측소(automated weather station, AWS)에서 측정한 풍속, 풍향과 도시대기측정소(air quality monitoring station, AQMS)에서 측정한 CO 농도를 이용하여 수치 모의 결과를 검증하였다.

2. 연구 방법

1) 중규모 수치 모의

본 연구에서는 대기화학 모듈을 포함하는 WRF-Chem 모델을 중규모 모델로 사용하였다. 이 모델에서 기체상 대기오염물질과 에어로졸의 배출, 수송, 혼합, 화학적 변환은 기상 변수와 함께 동시에 계산된다 (www2.acom.ucar.edu/wrf-chem). WRF-Chem 모델 시뮬레이션에서는 3개의 일방향 둥지 도면(D01, D02, D03) 을 사용하였고, 각 도면의 수평 격자 간격(시간 간격)은 45(30초), 15(30초), 3(30초) km이다. 외부 도면(D01)은 동아시아, 동남아시아, 중국, 일본, 한국을 포함한다. 내부도면(D03)은 서울을 포함한 수도권 영역을 포함한다 (Fig. 1(a)). D01, D02, D03의 수평 격자수(동서 방향×남북 방향)는 각각 131×96, 91×85, 121×121이다. WRF-Chem 모델의 세 둥지 도면은 연직으로 27개 층을 가지고 있고 모델 최상층은 50 hPa에 해당한다.

OGCSBN_2020_v36n5_1_679_f0001.png 이미지

Fig. 1. (a) Nested computational domain in the WRF-Chem simulation, (b) aerial photography for the object area, and (c) three-dimensional building configuration in the CFD model domain. In (b) and (c), yellow and red spots represent the Yeongdeungpo-gu automatic weather station (AWS 510) and air quality monitoring station (AQMS 111231), respectively.

중규모 수치 모의에서는 미국NCEP (National Centers for Environmental Prediction)이 생산한 1°×1°의 수평 해상도와 6시간 간격을 갖는 최종 분석장(final analysis, FNL)이WRF-Chem모델의 초기·경계 자료로 사용된다. 얼음을 포함한 3종 미세물리과정(Hong et al., 2004)을 이용하여 구름 과정을 모수화하였다. RRTM(rapid radiative transfer model) 장파 방안과 Dudhia 단파 방안을 이용하여 복사 과정을 계산한다. 난류운동에너지의 예단 방정식 계산을 위한 행성경계층 과정은Mellor-Yamada-Janjic 방안(Janjic, 1990; 1994)을 채용한다. WRF-Chem 모델은 CBMZ (carbon bond mechanism Z) 화학 메커니즘을 사용한다(Zaveri and Peters, 1999). 대기오염물질의 인위적 배출량은 SMOKE-Asia (sparse matrix operator kernel emission-Asia)으로부터 산정된다(Wooet al., 2012). SMOKEAsia는 CB05 (carbon bond 05) 화학 메커니즘을 대상으로 구축되었기 때문에, 본 연구에서는 SMOKE-Asia를 CBMZ 화학 메커니즘에 적용하기 위하여 Park et al. (2014)이 변환한 화학종 자료를 이용하였다. 화학 물질 간의 광화학 반응 계산을 위하여 Wild et al. (2000)이 개발한 Fast-J 알고리즘을 사용하였다. Fast-J 알고리즘은 소산광학두께(Extinction optical depth), 단일 산란 알베도(single scattering albedo), 산란위상함수(scattering phase function)와 같은 광학적 특성을 고려하여 구름과 에어로졸 층이 임의로 혼합된 상태에서 대류권의 광분해율을 계산한다. 대상 기간(늦봄)은 대상 지역에서의 주된 CO 배출원 중의 하나인 가정용 난방은 겨울철에 비해 작고 맑은 날이 지속된 2014년 5월 22일 0시부터 23일 23시까지로 선정하였다.

2) CFD 수치 모의

본 연구에서 사용한 CFD모델은Kimet al. (2014)이 사용한 모델과 동일하다. Reynolds-averaged Navier-Stokes equations (RANS)에 기반한 이 모델은 3차원, 비회전, 비 정수, 비압축 대기흐름계를 가정한다. 이 CFD 모델은 난류 모수화를 위하여 재규격화군(renormalization group, RNG) 이론에 기반한 k-ε 난류 종결 방법(Yakhot et al., 1992)을 채용하고 고체면 경계 부근의 벽면 효과를 반영하기 위하여 Versteeg and Malalasekera (1995)가 제안한 벽면 함수를 이용한다. 지배방정식 계는 엇갈림 격자계에서 유한체적법과 SIMPLE (semi-implicit method for a pressure-linked equation) 알고리즘을 이용하여 수치적으로 풀이된다. CFD 모델에 대한 자세한 내용 기술은 Kim et al. (2014)을 참고할 수 있다.

서울시에서 건물이나 교통량이 가장 밀집된 지역 중의 하나인 영등포구 소재 지역을 대상 지역으로 선정 하였다. 대상 지역의 북동쪽과 북서쪽에는 한강과 안양천이 위치한다(Fig. 1(b)). 지리정보시스템(geographic information system, GIS) 자료를 이용하여 대상 지역의 지표 경계 자료를 구축하였다(Fig. 1(c)). CFD 모델 영역은 x, y, z 방향으로 각각 2000 m, 2000 m, 500 m이다. 격자 간격은 x, y, z 방향 모두 일정하고, 그 크기는 각각 10 m, 10 m, 5 m이다. 대상 지역 내에는 기상청이 운영하는 영등포구 자동기상관측소(AWS 510)와 환경부가 운영 하는 영등포구 도시대기측정소(AQMS 111231)가 위치해 있다.

CFD 모델은 2014년 5월 22일 0시부터 23일 23시까지 WRF-Chem 모델이 매시간 제공하는 초기·경계 자료를 이용하여 0.5초의 시간 간격으로 1시간 동안 수치 적분 된다. 본 연구에서는 AWS 510 지점에서 측정한 풍속과 풍향, AQMS 111231 지점에서 측정한 CO 농도를 CFD 모델이 수치 모의한 결과와 비교함으로써 CFD 모델 수치 모의 능력을 검증하였다. 이와 함께, 본 연구에서는 대상 지역 내의 상세 흐름과 CO 확산 특성을 분석하였다. CO는 화학 반응성이 비교적 낮고 수명(약 2개월)이 CFD 모델 수치 영역을 통과하는 시간보다 훨씬 길기 때문에, CFD 모델 시뮬레이션에서는 CO를 비반응성 물질로 가정하였다. WRF-Chem 모델이 예측한 CO 농도는 CFD 모델의 배경 농도로 사용되고, 이동 오염원부터의 CO 배출을 고려하였다. 이동 오염원의 배출량 (E in kg m-2 s-1)은 하향식(top-down) 배출 인벤토리에 의해 다음과 같이 산정된다.

\(E=\frac{E_{d}}{A_{r}} \times E F_{m} \times E F_{d} \times E F_{t} \times \frac{1}{3600 \mathrm{~s}}\)       (1)

여기서, Ed and Ar은 일평균 CO 배출율[kg day-1]과 대상 지역 내의 도로 면적을 각각 나타낸다. EFm, EFd, EFt 는 각각 월별, 일별, 시간별 분배 계수를 나타낸다. 시뮬레이션 기간 동안 대상 지역에서 산정한 CO 배출량은두 개의 정점을 갖는 일변동 경향을 보이는데, 이 정점은 오전과 오후의 출퇴근 시간대와 일치하여 나타난다 (Fig. 2). CO 배출은 1시와 5시 사이에 작고(0.5 × 10-5 kg m-2 s-1 이하), 08시에 가장 크게(1.48 × 10-5 kg m-2 s-1) 나타났다. 참고로, 일주일 동안 CO 배출량은 월요일에 가장 작았고 토요일에 가장 많았으며, 낮 동안 배출량 변화는 비교적 작게 나타났다.

OGCSBN_2020_v36n5_1_679_f0002.png 이미지

Fig. 2. Time series of the CO emissions estimated in the object area during the simulation period.

3. 결과와 토의

1) WRF-Chem 모델 시뮬레이션

WRF-Chem 모델이 본 연구에서 선택한 사례의 종관 기상 패턴을 얼마나 잘 재현하는지를 조사하기 위하여, WRF-Chem 모델이 수치 모의한 평균 해수면 압력장을 기상 분석장과 비교하였다. Fig. 3은 2014년 5월 22일 9시와 23일 9시에 WRF-Chem이 외부 도면(D01)에서 예측하고 기상 측정 자료를 기반으로 분석한 평균 해수면 기압 분포를 나타낸다. 대상 기간 동안의 기상 분석장을 보면, 고기압 시스템이 한반도 상공의 남서쪽에서 북동쪽으로 이동하고 중심 기압이 1022 hPa인 저기압 시스템이 남중국으로부터 북동쪽으로 이동하는 것을 볼 수 있다(Fig. 3(b)). WRF-Chem 모델은 비교적 합리적으로 고기압과 저기압 시스템을 수치 모의하는 것을 볼 수 있다.

OGCSBN_2020_v36n5_1_679_f0003.png 이미지

Fig. 3. Mean sea level pressure fields analyzed [(a) and (b)] and simulated by the WRF-Chem model [(c) and (d)] in the outermost domain at 09 LST 22 May 2014 (left panel) and 09 LST 23 May 2014 (right panel). The contour interval is 2 hPa.

2) AWS 510 지점의 풍속과 풍향 비교

WRF-Chem 모델과 WRF-CFD 모델이 수치 모의한 풍향과 풍속을 AWS 510 지점에서 측정한 1시간 평균 풍향·풍속과 비교하였다(Fig. 4). 측정된 풍향 시계열을 보면, 대상 기간 동안 풍향 일변화는 비교적 뚜렷하지 않았고 남풍과 남서풍 계열의 풍향이 우세(91.67%)하게 나타났다(Fig. 4(a)). 측정된 풍속 시계열을 보면, 상대적으로 뚜렷한 일변화 경향을 보였는데, 야간 시간 보다는 주간 시간에 풍속이 높게 나타났다(Fig. 4(b)). 최고 풍속(3.0 m s-1)은 22일 17시에 나타났고, 대상 기간 동안 평균 풍속은 1.65 m s-1였다. WRF-Chem 모델은 AWS 510지점에서 주로 동남동풍에서 서남서풍 계열의 바람을 수치 모의하였고, 북서풍으로부터 동풍 사이의 측정 바람을 수치 모의하는 데에는 실패했다(Fig. 4(a)). WRF-Chem 모델이 수치 모의한 풍향의 평균 제곱근 오차 (root mean square error, RMSE)는 64.0°였다. WRF-CFD 모델이 AWS 510 지점에서 수치 모의한 풍향은 WRF-Chem 모델 풍향에 대한 의존도가 높았고, WRF-CFD 모델의 풍향 RMSE는 64.4°였다. 측정 풍향에 대한 WRF-Chem 모델과 WRF-CFD 모델의 풍향 오차가 유사하게 나타나는데, 이는 대상 기간 동안(동남동~서남서풍)에는 북쪽(약 200 m)과 서쪽(약 200 m)에 위치한 높은 건물의 영향을 크게 받지 않으며, AWS 510 측정고도(z = 35 m)와 높이가 비슷한 주변 건물들은 AWS 510 지점의 풍향 변화에 큰 영향을 미치지 못하기 때문이다. WRF-Chem 모델은 측정된 풍속의 일변화 경향을 비교적 합리적으로 재현하였지만, 측정된 풍속을 과대 모의하였다(RMSE = 1.85 m s-1) (Fig. 4(b)). WRF-Chem 모델이 풍속을 과대 모의한 원인은 성긴 공간 해상도로 인해 대상 지역에 분포한 건물을 직접 분해하지 못해서 건물에 의한 운동량 저항(마찰 효과)을 효과적으로 반영하지 못하기 때문이다. WRF-CFD 모델은 측정 풍속을 상대적으로 잘 수치 모의하였고 풍속 RMSE를 감소시켰다(RMSE = 0.86 m s-1).

OGCSBN_2020_v36n5_1_679_f0004.png 이미지

Fig. 4. Time series of the measured and simulated wind (a) directions and (b) speeds at the AWS 510. The WRF-Chem simulation data are taken at the grid point nearest to the AWS 510.

본 연구에서는 Chang and Hanna (2004)가 제안한 통계적 검증 지수와 측정 자료를 이용하여 풍속 수치 모의 성능을 검증하였다. 본 연구에서 고려한 통계적 검증 지수는 다음과 같이 정의된다.

\(\text {NRMSE} = \sqrt \frac {{\overline {(\varnothing_m - \varnothing_p)^2}}} {\overline {\varnothing_m} \cdot {\overline {\varnothing_p}}}\)       (2)

\(\mathrm{VG}=\exp \left[\overline{\left(\ln \phi_{\mathrm{m}}-\ln \phi_{\mathrm{p}}\right)^{2}}\right]\)       (3)

\(\mathrm{R}=\frac{\overline{\left(\emptyset_{\mathrm{m}}-\overline{\emptyset_{\mathrm{m}}}\right)\left(\emptyset_{\mathrm{p}}-\overline{\emptyset_{\mathrm{p}}}\right)}}{\sigma_{\emptyset_{\mathrm{m}}} \cdot \sigma_{\emptyset_{\mathrm{p}}}}\)       (4)

\(\mathrm{FAC} 2=0.5 \leq \frac{\emptyset_{\mathrm{p}}}{\emptyset_{\mathrm{m}}} \leq 2.0\)       (5)

\(\mathrm{MG}=\exp \left[\overline{\ln \phi_{\mathrm{m}}}-\overline{\ln \phi_{\mathrm{p}}}\right]\)       (6)

\(\mathrm{FB}=\frac{\left(\overline{\emptyset_{\mathrm{m}}}-\overline{\emptyset_{\mathrm{p}}}\right)}{0.5\left(\overline{\emptyset_{\mathrm{m}}}+\overline{\emptyset_{\mathrm{p}}}\right)}\)       (7)

여기서, φ는 검증 대상 물리량을 나타내고 σ는 대상 물리량의 표준 편차를 나타내며, 아래 첨자 m과 p는 각각 측정 자료와 수치 모의 자료를 의미한다. NRMSE, FB, FAC2, MG, VG, R은 각각 정규화된 평균 제곱근 오차, 부분 편차(fractional bias), 측정 2배 이내 예측 비율(fraction of predictions within a factor of two of measurements), 기하 평균 편차(geometric mean bias), 기하 평균 분산 (geometricmean variance), 상관 계수(correlation coefficient) 를 나타낸다. 통계적 검증 지수에 대한 목표 값과 추천 범위를 Table 1에 제시하였다. WRF-Chem 모델은 NRMSE (0.86), VG (1.83), FAC2 (0.56)에 대한 추천 범위를 만족시켰고, WRF-CFD 모델은 NRMSE (0.59), VG (1.50), FAC2 (0.71), MG (1.26), FB (0.23)에 대한 추천 범위를 만족시켰다(Table 2). 통계적 검증 지수에 대한 목표 값과 추천 범위를 고려하였을 때, WRF-CFD 모델이 WRF-Chem 모델에 비해 측정 풍속을 통계적으로 더 현실적으로 수치 모의한 것으로 판단된다. 그러나, WRF-CFD 모델이 수치 모의한 풍속의 상관 계수(0.33)는 WRF-Chem 모델보다 낮았다. 이는 WRF-CFD 모델이 수치 모의한 풍속은 WRF-Chem 모델이 제공하는 유입 풍속 (WRF-Chem 모델과 WRF-CFD 모델의 풍속 상관 계수= 0.82)뿐만 아니라 AWS 510 지점 주변 건물에 의해 형성된 흐름에도 영향을 받기 때문이다.

Table 1. The aim values and recommended criteria for the statistical validation indices suggested by Chang and Hanna (2004)

OGCSBN_2020_v36n5_1_679_t0001.png 이미지

Table 2. The statistical values for the simulated wind speeds and CO concentration at AQMS 111231

OGCSBN_2020_v36n5_1_679_t0002.png 이미지

3) AQMS 111231 지점의 CO 농도 비교

WRF-Chem 모델과 WRF-CFD 모델이 수치 모의한 CO 농도를 AQMS 111231 지점에서 측정한 CO 농도와 비교하였다(Fig. 5). 대상 기간 동안 측정한 CO 농도의 평균은 0.61 ppm이였다. 최고 CO 농도(1.1 ppm)는 5월 23일 7시에 측정되었고, 최소 CO농도는 0.4 ppm이였다. 측정된 CO 농도 시계열에서 뚜렷한 일변화는 나타나지 않았다. 반면, WRF-Chem 모델과 WRF-CFD 모델은 오전(07시 또는 08시)과 오후(18시 또는 19시)에 두 개의 농도 정점을 모의하였는데, 이는 오전 출근 시간대와 오후 퇴근 시간대에 해당한다. WRF-Chem 모델은 측정 CO 농도를 크게 과소 모의하였고, RMSE와 평균 편차는 각각 0.44 ppm과 -0.41 ppm이였다. WRF-CFD 모델은 CO 농도 예측을 개선하였는데, RMSE와 평균 편차는 각각 0.27 ppm과 -0.11 ppm이였다.

OGCSBN_2020_v36n5_1_679_f0005.png 이미지

Fig. 5. (a) Time series of measured and simulated CO concentrations at the AQMS 111231. The WRF-Chem simulation data are taken at the grid point nearest to the AQMS 111231.

통계적 검증 결과를 종합한 결과, WRF-Chem 모델은 NRMSE (1.29)와 VG (3.92)의 추천 범위를 만족시키는 반면, WRF-CFD모델은NRMSE (0.50), VG(1.31), FAC2 (0.81), MG (1.27), FB (0.19)의 추천 범위를 만족시켰다 (Table 2). WRF-CFD 모델은 도시 지역에 복잡하게 분포한 건물과 이동 오염원을 고려함으로써 CO 농도 예측 성능을 개선하였다. 다음 절에서는 선택한 사례를 중심으로 공간적으로 복잡한 흐름과 CO 농도 분포 특성을 조사하였다.

4) CO 농도의 공간 분포

본 연구에서는 다음 3가지 사례를 선정하였다. 1) WRF-CFD 모델이 측정 풍속을 과대 모의하고 측정 CO 농도를 과소 모의한 사례(5월 22일 04시), 2) WRF-CFD 모델이 측정 풍속과 CO 농도를 잘 모의한 사례(5월 22일 15시), 3) WRF-CFD 모델이 측정 풍속을 잘 모의하였지만 CO 농도를 과대 모의한 사례(5월 22일 18시)를 선정 하여 상세한 CO 농도 분포 특성을 분석하였다.

Fig. 6은 5월 22일 04시에 WRF-CFD 모델이 수치 모의한 AQMS 설치 고도(z = 42.5 m)의 바람 벡터, 연직 속도 성분 분포, CO 농도 분포를 나타낸다. AWS 510 지점에서 측정된 풍향(204.1°), 풍속(1.9 m s-1)을 WRF-Chem 모델은 비교적 잘 수치 모의(풍향 - 195.6°, 풍속 - 1.88 m s-1)하였고, WRF-CFD 모델은 풍향은 WRF-Chem 모델과 유사하게 모의(184.1°)하였지만 풍속을 과소 모의 (1.08 m s-1)하였다. 이 때 CO 배출량은 0.28×10-5 kg m-2 s-1이다. 유입류 풍속이나 대상 지역 북서쪽(한강 지류) 과 북동쪽(안양천) 풍속에 비해 건물 밀집 지역의 풍속은 매우 낮다. 특히, 건물 밀집 지역 풍향은 유입류와 매우 다르게 나타나고 흐름 패턴이 매우 복잡하게 나타남을 확인할 수 있다(Fig. 6(a)). 건물 밀집 지역에서는 건물 주변에 상승류와 하강류가 복잡하게 분포하는데, 이는 건물 주변에 형성되는 2차 순환(재순환 영역의 상승·하 강류, 건물 풍상측 벽면 정체점 위로의 상승류와 아래로의 하강류 등)에 기인한다. 상승류는 도로를 따라 분포한 이동 오염원으로부터 배출된 CO를 AQMS 측정고도까지 수송하고, 그 지역의 CO 농도를 증가시키는 역할을 담당한다. 하강류는 상층에 비교적 낮은 CO 농도를 갖는 대기 흐름을 AQMS 고도로 수송하여 그 지역의 CO농도를 감소시키는 역할을 한다(Fig. 6(b)). AQMS 주변 지역을 확대한 바람 벡터, 연직 속도 성분 분포, CO 농도 분포를 보면, 5월 22일 04시에 AQMS가 위치한 지역에는 하강류가 존재(Fig. 7(a))하고, 상층으로부터 비교적 낮은 농도의 CO가 유입되면서 주변 지역에 비해 낮은 농도가 수치 모의되었다(Fig. 7(b)).

OGCSBN_2020_v36n5_1_679_f0006.png 이미지

Fig. 6. (a) Wind vectors and contours of vertical wind velocity components and (b) CO concentrations at AQMS observation height (z=42.5 m above the mean sea level) at 04 KST 22 May 2014. A red circles represent the AQMS station.

OGCSBN_2020_v36n5_1_679_f0007.png 이미지

Fig. 7. (a) Wind vectors and contours of vertical wind velocity components and (b) CO concentrations in the inner red box in Fig. 6.

Fig. 8은 5월 22일 15시에 WRF-CFD 모델이 수치 모의한 AQMS 설치 고도(z = 42.5 m)의 바람 벡터, 연직 속도 성분 분포, CO 농도 분포를 나타낸다. 5월 22일 04시에 비해 유입류 풍속이 높은 것을 확인할 수 있다. AWS 510 지점에서 측정된 풍향과 풍속은 각각 243.9°와 2.3 m s-1이였다. WRF-Chem 모델은 풍향은 비교적 잘 수치 모의하였지만 풍속을 과대 모의하였고(풍향 - 236.1°, 풍속 - 6.29 m s-1), WRF-CFD모델은 측정된 풍향과 풍속을 비교적 잘 모의하였다(풍향 - 238.9°, 풍속 - 2.17 m s-1). 이때 CO배출량은 1.22×10-5 kgm-2 s-1로 비교적 높았다. 유입 경계 지역인 대상 지역 남쪽과 서쪽 가장자리에서는 건물 전면의 흐름 분리에 따른 상승류가 발달하는 것을볼 수 있다. 유출 경계 지역은 북동쪽(안양천)에서는 건물 후면의 상승류(재순환 영역)가 부분적으로 나타나지만 전반적으로 하강류가 나타났다. 건물 밀집 지역에서는 건물 주위에 상승·하강류가 복잡하게 분포하고, 상승류가 나타나는 지역에서는 CO 농도가 주변에 비해 높고 하강류가 나타나는 지역에서는 CO 농도가 주변보다 낮게 나타나는 것을 확인할 수 있다. 이 시각 AQMS 측정 지점에는 약한 상승류가 형성되었고, 이에 따라 주변보다 다소 높은 CO 농도가 나타났다. 이 시각에 WRF-Chem 모델은 AQMS 측정 농도(0.5 ppm)를 과소모의(0.15 ppm)하였지만, WRF-CFD모델이 수치 모의한 CO 농도(0.51 ppm)는 측정 농도와 거의 일치하였다. AQMS 위치에서는 유입류 풍속에 비해 매우 낮은 풍속이 모의되었고, 약한 상승류가 존재하는 것을 볼 수 있다(Fig. 9(a)). 상승류에 의해 도로의 이동 오염원으로부터 배출된 CO가 AQMS 측정 고도까지 수송되면서 측정 고도에서는 하강류가 존재하는 지역보다 CO 농도가 높게 나타나고(Fig. 9(b)), 결과적으로, 측정 CO 농도를 잘 재현한 것으로 판단된다.

OGCSBN_2020_v36n5_1_679_f0008.png 이미지

Fig. 8. The same as in Figure 6 except for 15 KST 22 May 2014.

OGCSBN_2020_v36n5_1_679_f0009.png 이미지

Fig. 9. The same as in Figure 7 except for 15 KST 22 May 2014.

마지막으로 WRF-CFD 모델이 측정 풍속을 잘 모의 하였지만 CO 농도를 과대 모의한 사례(5월 22일 18시) 에 대해 조사하였다. AWS 510 지점에서 풍향은 248.2°, 풍속은 1.8 m s-1가 측정되었다. AWS 측정 자료만으로 비교하였을 때, 이 사례는 첫번째 사례(5월 22일 04시) 와 유사하다. WRF-Chem 모델은 풍향(216.8°)은 첫번째 사례와 유사한 수준으로 수치 모의하였지만, 풍속(4.91 m s-1)을 과대 모의하였다. WRF-CFD 모델은 풍향을 WRF-Chem 모델과 유사하게 모의(206.8°)하였지만 측정 풍속과 유사한 풍속(2.18 m s-1)을 모의하였다. 이 때 CO 배출량은 첫번째 사례의 약 4.6배(1.28×10-5 kg m-2 s-1)로 나타났다. 첫번째 사례와 비교하였을 때, 유입류 풍향이 거의 유사함에도 불구하고 유입 경계 지역(대상 지역의 남쪽과 서쪽)을 제외하고는 매우 다른 흐름 패턴이 형성되는 것을 볼 수 있다(Fig. 10(a)). 건물 밀집 지역의 연직 속도 성분 분포를 보면, 상승류가 나타나는 지역이 첫번째 사례에 비해 다소 증가하였다. 유입류 연직 분포가 상세 흐름장에 형성에 중요하게 작용했던 것으로 판단된다. WRF-Chem 모델이 제공한 배경 농도가 유입 경계로부터 수송되기 때문에 유입 경계 지역의 CO 농도는 다른 지역에 비해 비교적 낮게 모의되었다. (Fig. 10(b)). 건물 밀집 지역의 CO농도는 첫번째 사례에 비해 크게 증가하였는데, 이 때의 CO배출량 증가, 상승류 발생 지역 증가, 풍속 증가로 인한 지면 근처의 난류 운동에너지 생성 증가에 따른 난류 확산 증가 등이 그 원인으로 판단된다. AQMS 지점에서는 하강류가 수치 모의되었고, AQMS 풍상 측에 위치한 건물군의 풍하 지역에는 2차 순환과 함께 비교적 강한 상승류가 비교적 넓게 형성되었다(Fig. 11(a)). 이로 인해, 도로의 이동 오염원으로부터 배출된 CO가 AQMS 고도까지 수송되면서 풍상측 건물군으로부터 AQMS 지점까지 고농도의 CO밴드가 형성된 것을 확인할 수 있다(Fig. 11(b)). 이로 인해 WRF-CFD 모델은 측정 CO 농도(0.4 ppm)보다 높은 CO 농도(1.1 ppm)을 수치 모의하였다.

OGCSBN_2020_v36n5_1_679_f0010.png 이미지

Fig. 10. The same as in Figure 6 except for 18 KST 22 May 2014.

OGCSBN_2020_v36n5_1_679_f0011.png 이미지

Fig. 11. The same as in Figure 7 except for 18 KST 22 May 2014.

4. 요약 및 결론

본 연구에서는 CFD 모델을 WRF-Chem 모델과 결합 (WRF-CFD 모델)하였고, 서울 영등포구에 소재한 건물 밀집 지역에서 흐름과 일산화탄소(carbon monoxide, CO) 분포 특성을 조사하였다. WRF-CFD결합 모델에서 WRF-Chem 모델은 시간별로 수치 모의한 풍속, 풍향, CO 농도의 연직 분포를 CFD 모델의 초기·경계 자료로 제공한다. 본 연구에서는 CO를 비반응성 대기오염물질로 가정하였다. WRF-Chem 모델이 예측한 CO 농도를 CFD 모델의 배경 농도로 사용하고, 하향식(top-down) 배출 인벤토리로부터 산정한 이동 오염원부터의 CO배출을 고려하였다. 수치 실험은 선택한 2일(2014년 5월 22일 0시부터 23일 23시) 동안 수행되었다. 본 연구에서는 서울 영등포구의 건물 밀집 지역에 설치된 자동기상관측소에서 측정한 풍속, 풍향과 도시대기측정소에서 측정한 CO 농도를 이용하여 수치 모의 결과를 검증하였다.

AWS 510 지점의 측정 풍향 일변화는 비교적 뚜렷하지 않았고 남풍과 남서풍 계열이 우세하였다. 측정 풍속은 야간 시간 보다는 주간 시간에 높았다. WRF-Chem 모델은 주로 동남동풍에서 서남서풍 계열의 바람을 수치 모의하였고, 북서풍으로부터 동풍 사이의 측정 바람을 수치 모의하는 데에는 실패했고 측정된 풍속을 과대 모의하였다. WRF-CFD 모델이 수치 모의한 풍향은 WRF-Chem모델 풍향에 대한 의존도가 높았고, 측정 풍속을 상대적으로 잘 수치 모의하였다. 통계적 검증 지수에 대한 목표 값과 추천 범위를 고려하였을 때, WRF-CFD 모델이WRF-Chem 모델에 비해 측정 풍속을 통계적으로 더 현실적으로 수치 모의하였다. 대상 기간 동안 AQMS에서 측정한 CO농도 평균은 0.60 ppm이였고, 측정 농도의 뚜렷한 일변화는 나타나지 않았다. WRF-Chem 모델과 WRF-CFD 모델은 오전과 오후에 두 개의 농도 정점을 모의하였는데, 이는 오전 출근 시간대와 오후 퇴근 시간대에 해당한다. WRF-Chem 모델은 측정 CO 농도를 크게 과소 모의하였고, WRF-CFD 모델은 CO 농도 예측을 개선하였다. 통계적 검증 결과를 종합한 결과, WRF-CFD 모델은 도시 지역에 복잡하게 분포한 건물과 이동 오염원을 고려함으로써 CO 농도 예측 성능을 개선하였다.

본 연구에서는 WRF-CFD 모델이 측정 풍속을 과대 모의하고 측정 CO 농도를 과소 모의한 사례(5월 22일 04시), WRF-CFD 모델이 측정 풍속과 CO 농도를 잘 모의한 사례(5월 22일 15시), WRF-CFD 모델이 측정 풍속을 잘 모의하였지만 CO 농도를 과대 모의한 사례(5월 23일 18시)를 선정하여 상세한 CO 농도 분포 특성을 분석하였다. 5월 22일 04시에는 AQMS가 위치한 지역에는 하강류가 존재하고, 상층으로부터 비교적 낮은 농도의 CO가 유입되면서 주변 지역에 비해 낮은 농도가 수치 모의되었다. 5월 22일 15시에는 AQMS 측정 지점에 약한 상승류가 형성되었고, 이에 따라 주변보다 다소 높은 CO 농도가 나타났다. AQMS 위치에서는 유입류 풍속에 비해 매우 낮은 풍속이 모의되었고, 약한 상승류가 존재하였다. WRF-CFD 모델은 상승류에 의해 도로의 이동 오염원으로부터 배출된 CO를 AQMS 측정 고도까지 수송하여, 결과적으로, 측정 CO 농도를 잘 재현한 것으로 판단된다. 5월 22일 18시 사례는, AWS 측정 자료만으로 비교하였을 때, 5월 22일 04시 사례와 유사 하였다. 그러나, CO배출량 증가, 상승류 발생 지역 증가, 풍속 증가로 인한 지면 근처의 난류운동에너지 생성 증가에 따른 난류 확산 증가 등으로 인해 전체적으로 높은 CO 농도가 수치 모의되었다. AQMS 지점에서는 하강류가 수치 모의되었지만, 풍상 측에 형성된 고농도의 CO 밴드로 인해 WRF-CFD 모델은 측정 CO 농도를 과대 모의하였다.

본 연구에서는 지리정보시스템 자료와 CFD 모델을 이용하여 건물이 밀집한 지역의 상세 흐름과 대기오염 물질 농도 분포의 특성을 분석하였다. 향후, 대기오염물질에 대한 종합적인 수치해석을 위해서는 CO의 반응성을 고려한 대기오염물질 분포 특성 분석이 필요할 것으로 판단된다. 또한, 상세 모델의 예측 정확도 향상을 위해서는 모델 자체의 정확도 향상을 위한 개선 노력이 수반되어야 한다. 이와 함께, 상세 규모의 흐름과 확산에 중요한 외력으로 작용하는 건물에 관한 보다 정확하고 상세한 정보 확보가 필요할 것으로 판단된다.

사사

이 논문은 2018학년도 부경대학교 연구년 교수 지원사업에 의하여 연구되었습니다(C-D-2018-0736).

References

  1. Abohela, I., N. Hamza, and S. Dudek, 2013. Effect of roof shape, wind direction, building height and urban configuration on the energy yield and positioning of roof mounted wind turbines, Renewable Energy, 50: 1106-1118. https://doi.org/10.1016/j.renene.2012.08.068
  2. Baik, J.-J., S.-B. Park, and J.-J. Kim, 2009. Urban flow and dispersion simulation using a CFD model coupled to a mesoscale model, Journal of Applied Meteorology and Climatology, 48(8): 1667-1681. https://doi.org/10.1175/2009JAMC2066.1
  3. Bohnenstengel, S.I., S.E. Belcher, A. Aiken, J.D. Allan, G. Allen, A. Bacak, T.J. Bannan, J.F. Barlow, D.C.S. Beddows, W.J. Bloss, A.M. Booth, C. Chemel, O. Coceal, C.F. Di Marco, M.K. Dubey, K.H. Faloon, Z.L. Fleming, M. Furger, J.K. Gietl, R.R. Graves, D.C. Green, C.S.B. Grimmond, C.H. Halios, J.F. Hamilton, R.M. Harrison, M.R. Heal, D.E. Heard, C. Helfter, S.C. Herndon, R.E. Holmes, J.R. Hopkins, A.M. Jones, F.J. Kelly, S. Kotthaus, B. Langford, J.D. Lee, R.J. Leigh, A.C. Lewis, R.T. Lidster, F.D. Lopez-Hilfiker, J.B. McQuaid, C. Mohr, P.S. Monks, E. Nemitz, N.L. Ng, C.J. Percival, A.S.H. Prevot, H.M.A. Ricketts, R. Sokhi, D. Stone, J.A. Thornton, A.H. Tremper, A.C. Valach, S. Visser, L.K. Whalley, L.R. Williams, L. Xu, D.E. Young, and P. Zotter, 2015. Meteorology, Air Quality, and Health in London: The ClearfLo Project, American Meteorological Society, 96(5): 779-804. https://doi.org/10.1175/BAMS-D-12-00245.1
  4. Chang, J.C. and S.R. Hanna, 2004. Air quality model performance evaluation, Meteorology and Atmospheric Physics, 87(1-3): 167-196. https://doi.org/10.1007/s00703-003-0070-7
  5. Cui, D., G. Hu, Z. Ai, Y. Du, C.M. Mak, and K. Kwok, 2019. Particle image velocimetry measurement and CFD simulation of pedestrian level wind environment around U-type street canyon, Building and Environment, 154: 239-251. https://doi.org/10.1016/j.buildenv.2019.03.025
  6. Hong, S.-Y., J. Dudhia, and S.H. Chen, 2004. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation, Monthly Weather Review, 132(1): 103-120. https://doi.org/10.1175/1520-0493(2004)132<0103:ARATIM>2.0.CO;2
  7. Janjic, Z.I., 1990. The step-mountain coordinate: physical package, Monthly Weather Review, 118(7): 1429-1443. https://doi.org/10.1175/1520-0493(1990)118<1429:TSMCPP>2.0.CO;2
  8. Janjic, Z.I., 1994. The step-mountain eta coordinate model: further developments of the convection, viscous sublayer, and turbulence closure schemes, Monthly Weather Review, 122(5): 927-945. https://doi.org/10.1175/1520-0493(1994)122<0927:TSMECM>2.0.CO;2
  9. Kim, D.-J., D.-I. Lee, J.-J. Kim, M.S. Park, and S.-H. Lee, 2020. Development of a Building-Scale Meteorological Prediction System Including a Realistic Surface Heating, Atmosphere, 11(1): 67. https://doi.org/10.3390/atmos11010067
  10. Kim, J.-J., E. Pardyjak, D.-Y. Kim, K.-S. Han, and B.-H. Kwon, 2014. Effects of Building-Roof Cooling on Flow and Air Temperature in Urban Street Canyons, Asia-Pacific Journal of Atmospheric Sciences, 50(3): 365-375. https://doi.org/10.1007/s13143-014-0023-8
  11. Kwak, K.-H. and J.-J. Baik, 2014. Diurnal variation of NOx and zone exchange between a street canyon and the overlying air, Atmospheric Environment, 86: 120-128. https://doi.org/10.1016/j.atmosenv.2013.12.029
  12. Kwak, K.-H., J.-J. Baik, Y.-H. Ryu, and S.-H. Lee, 2015. Urban air quality simulation in a high-rise building area using a CFD model coupled with mesoscale meteorological and chemistry-transport models, Atmospheric Environment, 100: 167-177. https://doi.org/10.1016/j.atmosenv.2014.10.059
  13. Li, S., X. Sun, S. Zhang, S. Zhao, and R. Zhang, 2019. A Study on Microscale Wind Simulations with a Coupled WRF-CFD Model in the Chongli Mountain Region of Hebei Province, China, Atmosphere, 10(12): 731. https://doi.org/10.3390/atmos10120731
  14. Miao, Y., S. Liu, B. Chen, B. Zhang, S. Wang, and S. Li, 2013. Simulating Urban Flow and Dispersion in Beijing by Coupling a CFD Model with the WRF Model, Advances in Atmospheric Sciences, 30(6): 1663-1678. https://doi.org/10.1007/s00376-013-2234-9
  15. Park, R.-J., S.-K. Hong, H.-A. Kwon, S. Kim, A. Guenther, J.-H. Woo, and C.P. Loughner, 2014. An evaluation of ozone dry deposition simulations in East Asia, Atmospheric Chemistry and Physics, 14(15): 7929-7940. https://doi.org/10.5194/acp-14-7929-2014
  16. Park, S.-J., S.-H. Choi, J.-E. Kang, D.J. Kim, D.S. Moon, W.S. Choi, J.-J. Kim, and Y.G. Lee, 2016. Effects of differential heating by land-use types on flow and air temperature in an urban area, Korean Journal of Remote Sensing, 32(6): 603-616 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.6.5
  17. Rakowska, A., K.C. Wong, T. Townsend, K.L. Chan, D. Westerdahl, S. Ng, G. Mocnik, L. Drinovec, and Z. Nin, 2014. Impact of traffic volume and composition on the air quality and pedestrian exposure in urban street canyon, Atmospheric Environment, 98: 260-270. https://doi.org/10.1016/j.atmosenv.2014.08.073
  18. Sanchez, B., J.L. Santiago, A. Martilli, M. Palacios, and F. Kirchner, 2016. CFD modeling of reactive pollutant dispersion in simplified urban configurations with different chemical mechanisms, Atmospheric Chemistry and Physics, 16(18): 12143-12157. https://doi.org/10.5194/acp-16-12143-2016
  19. Santiago, J.L., R. Borge, F. Martin, D. de la Paz, A. Martilli, and B. Sanchez, 2017. Evaluation of a CFD-based approach to estimate pollutant distribution within a real urban canopy by means of passive samplers, Science of the Total Environment, 576: 46-58. https://doi.org/10.1016/j.scitotenv.2016.09.234
  20. Versteeg, H.K. and W. Malalasekera, 1995. An Introduction to Computational Fluid Dynamics: The Finite Volume Method, Longman, Malaysia.
  21. Wang, J.-W., J.-J. Kim, W.S. Choi, D.-S. Moon, J.-E. Kang, H.T. Kwon, J.S. Kim, and K.-S. Han, 2017. Effects of Wind Fences on the Wind Environment around Jang Bogo, Advances in Atmospheric Sciences, 34(12): 1404-1414. https://doi.org/10.1007/s00376-017-6333-x
  22. Wild, O., X. Zhu, and M.J. Prather, 2000. Fast-J: Accurate Simulation of In-and Below-Cloud Photolysis in Tropospheric Chemical Models, Journal of Atmospheric Chemistry, 37(3): 245-282. https://doi.org/10.1023/A:1006415919030
  23. Woo, J.-H., K.-C. Choi, H.-K. Kim, and S.-H. Yoo, 2012. Development of an anthropogenic emissions processing system for Asia using SMOKE, Atmospheric Environment, 58: 5-13. https://doi.org/10.1016/j.atmosenv.2011.10.042
  24. Yakhot, V., S.A. Orszag, S. Thangam, T.B. Gatski, and C.G. Speziale, 1992. Development of turbulence models for shear flows by a double expansion technique, Physics of Fluids, 4(7): 1510-1520. https://doi.org/10.1063/1.858424
  25. Zaveri, R.A. and L.K. Peters, 1999. A new lumped structure photochemical mechanism for largescale applications, Journal of Geophysical Research: Atmospheres, 104(D23): 30387-30415. https://doi.org/10.1029/1999JD900876
  26. Zheng, Y., Y. Miao, S. Liu, B. Chen, H. Zheng, and S. Wang, 2015. Simulating Flow and Dispersion by Using WRF-CFD Coupled Model in a Built-Up Area of Shenyang, China, Advances in Meteorology, 2015: 1-15.
  27. Zhong, J., X.M. Cai, and W.J. Bloss, 2015. Modelling the dispersion and transport of reactive pollutants in a deep urban street canyon: Using large-eddy simulation, Environmental Pollution, 200: 42-52. https://doi.org/10.1016/j.envpol.2015.02.009

Cited by

  1. 실내 외 미세먼지 측정 및 관리 기술 동향 vol.36, pp.6, 2020, https://doi.org/10.7780/kjrs.2020.36.6.3.1
  2. 다중규모 모델을 이용한 도시 지역 흐름과 초미세먼지(PM2.5) 분포 특성 연구: Part I - 상세 흐름 분석 vol.36, pp.6, 2020, https://doi.org/10.7780/kjrs.2020.36.6.3.2
  3. Effects of Fences and Green Zones on the Air Flow and PM2.5 Concentration around a School in a Building-Congested District vol.11, pp.19, 2020, https://doi.org/10.3390/app11199216