Korean Journal of Remote Sensing (대한원격탐사학회지)

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

DOI QR Code

Geographical Characteristics of PM2.5, PM10 and O3 Concentrations Measured at the Air Quality Monitoring Systems in the Seoul Metropolitan Area

수도권 지역 도시대기측정소 PM2.5, PM10, O3 농도의 지리적 분포 특성

  • Kang, Jung-Eun (Division of Earth Environmental System Science, Pukyong National University) ;
  • Mun, Da-Som (Division of Earth Environmental System Science, Pukyong National University) ;
  • Kim, Jae-Jin (Department of Environmental Atmospheric Sciences, Pukyong National University) ;
  • Choi, Jin-Young (Air Quality Forecasting Center, Climate and Air Quality Research Department, National Institute of Environmental Research) ;
  • Lee, Jae-Bum (Air Quality Forecasting Center, Climate and Air Quality Research Department, National Institute of Environmental Research) ;
  • Lee, Dae-Gyun (Air Quality Forecasting Center, Climate and Air Quality Research Department, National Institute of Environmental Research)
  • 강정은 (부경대학교 지구환경시스템과학부) ;
  • 문다솜 (부경대학교 지구환경시스템과학부) ;
  • 김재진 (부경대학교 환경대기과학과) ;
  • 최진영 (국립환경과학원 대기질통합예보센터) ;
  • 이재범 (국립환경과학원 대기질통합예보센터) ;
  • 이대균 (국립환경과학원 대기질통합예보센터)
  • Received : 2021.06.11
  • Accepted : 2021.06.17
  • Published : 2021.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this study, we investigated the relationships between the air quality (PM2.5, PM10, O3) concentrations and local geographical characteristics (terrain heights, building area ratios, population density in 9 km × 9 km gridded subareas) in the Seoul metropolitan area. To analyze the terrain heights and building area ratios, we used the geographic information system data provided by the NGII (National Geographic Information Institute). Also, we used the administrative districts and population provided by KOSIS (Korean Statistical Information Service) to estimate population densities. We analyzed the PM2.5, PM10, and O3 concentrations measured at the 146 AQMSs (air quality monitoring system) within the Seoul metropolitan area. The analysis period is from January 2010 to December 2020, and the monthly concentrations were calculated by averaging the hourly concentrations. The terrain is high in the northern and eastern parts of Gyeonggi-do and low near the west coastline. The distributions of building area ratios and population densities were similar to each other. During the analysis period, the monthly PM2.5 and PM10 concentrations at 146 AQMSs were high from January to March. The O3 concentrations were high from April to June. The population densities were negatively correlated with PM2.5, PM10, and O3 concentrations (weakly with PM2.5 and PM10 but strongly with O3). On the other hand, the AQMS heights showed no significant correlation with the pollutant concentrations, implying that further studies on the relationship between terrain heights and pollutant concentrations should be accompanied.

본 연구에서는 수도권 지역의 대기오염물질(PM2.5, PM10, O3) 농도와 지형 고도, 건물 면적비, 인구 밀도의 상관성을 조사하였다. 지형 고도와 건물 면적비를 분석하기 위해 국토지리정보원에서 제공하는 수치지형도를 이용하였고, 건물 면적비를 계산하기 위해 수도권 지역을 TM 중부원점을 기준으로 수평 9 km × 9 km 격자로 구분하였다. 인구 밀도는 국가통계포털의 행정구역별 면적과 인구수 자료를 이용하였다. 대기오염물질 농도 자료는 수도권에 위치한 도시대기측정소 146개 지점의 PM2.5, PM10, O3 농도 측정 자료를 이용하였다. 분석 기간은 2010년 1월부터 2020년 12월까지이고, 1시간 평균 농도 자료를 이용하여 월평균 농도를 계산하였다. 지형 고도는 경기도 북부와 동부 지역에서 높았고 서해안에 근접할수록 낮았다. 건물 면적비와 인구밀도 분포는 서로 유사하였고, 서울특별시에서 가장 높았으며, 산악과 해안지역에서는 낮게 나타났다. 월평균 PM2.5과 PM10 농도는 봄철과 겨울철(1월~3월)에 높았고 O3 농도는 늦봄부터 초여름(4~6월)까지 높았다. 농도가 높은 3개월에 대해서 AMQS 지점별 평균 농도를 비교·분석하였다. 건물면적비나 인구밀도와 대기오염물질 농도 사이에는 음의 상관 관계가 분석되었다(인구밀도와 PM2.5, PM10 농도 사이는 약한 음의 상관관계가, O3 농도와는 비교적 강한 음의 상관관계). 반면, 대기오염물질 농도와 도시대기측정소 측정 고도 사이의 뚜렷한 상관성을 나타나지 않았는데, 향후, 이에 대한 연구 수행이 필요할 것으로 판단된다.

Keywords

1. 서론

2019년을 기준으로 우리나라에서는 SO2, NO2, CO, PM10과 같은 대기오염물질 농도는 감소 추세에 있다 (Ministry of Environment, 2020). 반면, O3 농도는 꾸준하게 증가하고 있고, PM2.5 농도는 2015년에 측정을 시작한 이후로 큰 변화폭이 나타나지 않았다(Ministry of Environment, 2020). 환경부에서는 미세먼지 일평균 농도를 이용하여 ‘미세먼지 나쁨·매우나쁨’의 기준을 세웠는데, PM2.5는 일평균 농도가 76 µg m–3 이상일 때, 매우나쁨으로 분류된다. 전국 PM2.5 매우 나쁨 일수는 2015 년부터 2018년에는 0~2일이었지만, 2019년에는 6일을 기록하였다(Ministry of Environment, 2020). 서울특별시의 경우, 2017년부터 2019년까지 각각 3일, 4일, 9일로 해마다 증가하고 있고 전국보다 높은 매우 나쁨 일수를 기록하였다(Ministry of Environment, 2020). 환경부와 각 지자체에서는 대기오염실태, 변화추이, 환경기준 달성여부 등을 파악하기 위해서 측정 목적이 다른 11개 종류의 측정망으로 구성된 대기오염측정망을 구축하여 대기오 염물질을 측정하고 있고, 대기질 경보제(PM2.5, PM10, O3)를 시행하고 있다(Ministry of Environment, 2020).

국민건강 피해 최소화 등을 위한 선제적 대응 차원에서 국립환경과학원 대기질통합예보센터는 국가 대기 질 예보제를 실시하고 있다. 이를 위해서, WRF (weather research and forecasting model)와 CMAQ (community multiscale air quality modeling system) 기반의 대기질예보 시스템을 1일 4회(05시, 11시, 17시, 23시) 운영하고 있다. 동아시아, 한반도, 수도권 지역을 수평으로 각각 27 km, 9 km, 3 km의 해상도로 운영 중이다. 많은 선행 연구들에 따르면 대기 흐름과 오염물질 확산은 지형, 건물 등의 장애물에 의해서 복잡하게 나타난다(Kim et al., 2015; Kang et al., 2020b; Mun and Kim, 2020). 또한, 대기오염물질은 자연적으로 발생할 뿐만 아니라 자동차 배출가스, 공장/발전소 가동, 난방 등 인간의 활동에 의해서도 발생한다(Choi and Kim, 2018; Ministry of Environment, 2020). 그러나, 대기질예보시스템의 공간 해상도는 상세한 건물과 지형을 고려하여 대기 흐름과 오염물질 확산을 모의하기에는 어려움이 있고 다양한 오염원을 고려하기에는 한계가 있다. 따라서, 국립환경과학원은 수도권 예보권역을 대상으로 현업 대기질예보시스템 예측 자료에 기반하여 고농도가 예측되는 지역에 대해서 보다 상세한 대기질 정보를 생산할 수 있는 체계를 마련할 계획이다. 이를 위해서, 수도권 지역에 대해 대기 오염물질 농도의 공간적 분포를 파악할 필요가 있고 다양한 인자들과의 상관관계를 분석할 필요가 있다고 판단된다. 따라서 본 연구에서는 수도권 지역 146 지점의 도시대기측정소(air quality monitoring system, AQMS)에 서 측정한 주요 대기오염물질(PM2.5, PM10, O3) 농도와 그 지역의 지리학적 특성(지형 고도, 건물 면적비, 인구밀도 등) 사이의 상관성을 조사하고, 상세대기질 정보 생산 체계 구축에 대한 방향성을 제시하고자 한다.

2. 연구 방법

1) 지형/건물/인구 밀도 자료

수도권 지역의 지형 고도와 건물 면적을 분석하기 위해 국토지리정보원이 제공하는 수치지형도(v1.0)와 연속수치지형도의 건물, 등고수치, 표고점 자료를 이용하였다. 군사 지역과 같은 자료 미제공 지역과 서해안의 일부 도서지역은 분석에서 제외하였다. 또한, 건물 면적과 AQMS의 대기오염물질 농도 분포의 상관성을 효율적으로 분석하기 위해서 수도권 영역에 대해 TM좌표 계 중부원점(127°E, 38°N)을 기준으로 수평 9 km × 9 km 격자 132개를 구축하였다. 이를 이용하여 격자내에 서 건물이 차지하는 면적의 비율을 분석하였다. 또한, 수도권 지역의 인구밀도 분석을 위해 국가통계 포털 (https://kosis.kr/)에서 제공하는 행정구역별 면적(2019 년 기준)과 인구수자료(2020년 기준)를 이용하였다.

2) 대기오염물질 농도 자료

대기오염물질 농도의 분포 특성을 분석하기 위해 수도권에 위치하고 있는 AQMS 146개 지점(2020년 10월 기준)에서 측정한 PM2.5, PM10과 O3 농도 자료를 이용하였다. PM10과 O3의 분석 기간은 2011년 1월부터 2020년 10월이다. 다만, 2015년 1월에 측정이 개시된 PM2.5 농도 분석은 2015년 1월부터 2020년 10월까지 기간 동안 수행하였다. 1시간 평균 자료를 이용하여 월평균 농도를 계산하여 분석하였다. 수도권에 위치한 AQMS 146개 지점의 측정 시작일이 다르다. 146개 지점 중 17지점은 2020년에 신설되었다. 본 연구에서는 측정 지점의 공간 해상도를 높이기 위해 신설한 17지점을 분석에 포함시켰다.

3. 결과와 토의

1) 지리적 특성 분석 지형 고도와 건물 면적 비율 분석

본 연구에서는 지형 고도, 건물 면적 비율과 인구밀도를 이용하여 수도권 지역의 지리적 특성을 분석하였다. Fig. 1은 수도권 지역의 지형, 건물 분포와 9 km × 9 km 격자 내에서의 건물 면적 비율을 나타낸다. 지형 고도 는 서해안에 가까워질수록 지형이 낮고 내륙으로 갈수록 지형이 높아지는 우리나라의 전형적인 지형적 특성이 나타난다(Fig. 1a). 또한, 경기도 북부와 동부지역의 지형이 높았는데, 가평군 지역에서는 지형 고도가 1000m 이상인 지점도 나타났다.

OGCSBN_2021_v37n3_657_f0001.png 이미지

Fig. 1. (a) Contours of terrain heights and (b) the ratios of buildings in the 9 km × 9 km grids in the Seoul metropolitan area. The gray dots in (a) indicate buildings represented in the 30-m horizontal resolution.

건물 면적 비율은 서울특별시, 인천광역시, 안양시, 의왕시, 군포시, 시흥시, 안산시, 수원시, 용인시, 화성시의 일부 지역이 포함되는 격자에서 10% 이상으로 나타났다(Fig. 1b). 서울특별시 광진구, 동대문구, 성동구, 용산구, 중구, 중랑구, 종로구 일대가 포함되는 영역(위도 36.59~37.51°E, 경도 127.00~127.10°N)에서 건물 면적 비율이 가장 높았다(24%). 반면, 산악 지역과 해안가 지역에서는 건물 면적 비율이 2% 이하로 나타났다.

인구 밀도는 서울특별시 양천구(26098명/ km2), 동대문구(24117명/ km2), 동작구(23921명/ km2), 중랑구 (21340명/ km2), 광진구(20318명/ km2) 순으로 높았고, 경기도 연천군(64명/ km2), 경기도 가평군(74명/ km2), 인천광역시 옹진군(118명/ km2), 경기도 양평군(135명/ km2), 인천광역시 강화군(168명/ km2) 순으로 낮았다. 인구밀도 분포는 건물 면적 비율 분포와 유사하게 건물 면적 비율이 높은 서울특별시와 인천광역시에서 높게 나타났다. 서울특별시 25개 구의 평균 인구 밀도는 각각 16752명/ km2이고, 강화군과 옹진군을 제외한 인천광역시 8개 구 평균은 8605명/ km2이다.

2) 대기오염물질 농도 분석

Fig. 2는 수도권 지역 AQMS 146지점의 PM2.5, PM10과 O3의 월평균 농도를 나타낸다. 파란색으로 나타난 영역은 2020년부터 농도 측정이 시작된 지점으로 해당 기간에는 측정자료가 없는 경우이다. 예를 들면, AQMS 131558(화성시 서신면) 지점은 2020년 7월에 신규 설치되어 7월부터 10월까지의 측정자료가 있다. PM2.5와 PM10은 봄철과 겨울철에 농도가 높고, 여름철과 가을철에 농도가 낮은 경향이 뚜렷하게 나타났다(Fig. 2a and 2b). 반면, O3은 늦봄부터 초여름까지 농도가 높게 나타났다(Fig. 2c).

OGCSBN_2021_v37n3_657_f0002.png 이미지

Fig. 2. Monthly concentrations of (a) PM2.5, (b) PM10, and (c) O3 at 146 AQMSs in the Seoul metropolitan area.

Fig. 3은 수도권 AQMS 146 지점의 전체 월별 평균 농도를 나타낸다. 분석 기간(PM10, O3: 2011년 1월 ~ 2020 년 10월, PM2.5: 2015년 1월 ~ 2020년 10월) 동안의 PM2.5, PM10, O3 평균 농도는 각각 24.341 µg m–3, 46.552 µg m–3, 0.025 ppm이다. PM2.5는 1월 ~ 3월, 11월 ~ 12월, PM10은 1월 ~ 5월, 11월 ~ 12월, O3은 3월 ~ 9월에 평균보다 농도가 높게 나타났다. PM2.5와 PM10은 비슷한 경향이 나타났는데, 3월(35.195 µg m–3, 61.847 µg m–3), 1월(34.287 µg m–3, 57.522 µg m–3), 2월(31.290 µg m–3, 57.388 µg m–3) 순으로 농도가 높았고, 9월(14.207 µg m–3)과 8월(29.671 µg m–3)에 PM2.5와 PM10 농도가 가장 낮았다. 반면, O3 은 6월(0.041 ppm), 5월(0.039 ppm), 4월(0.034 ppm) 순으로 농도가 높았고 12월(0.012 ppm)에 농도가 가장 낮았다.

OGCSBN_2021_v37n3_657_f0004.png 이미지

Fig. 3. Monthly concentrations of PM2.5, PM10, and O3 averaged over all AQMSs in the Seoul metropolitan area.

Fig. 4는 대기오염물질별로 가장 농도가 높은 3개월 (PM2.5, PM10: 1 ~ 3월, O3: 4 ~ 6월) 동안 평균한 AQMS 지점별 농도이고, 상·하위 29지점(전체의 20%에 해당)의 농도를 나타낸다. PM2.5는 AQMS 131591(여주시 중앙동) 지점이 가장 높았다(42.513 µg m–3). PM10과 O3 농도가 가장 높은 지점은 각각 AQMS 131343(평택시 평택항)과 AQMS 831493(인천광역시 영흥)이었고, 그 농도는 74.880 µg m–3, 0.054 ppm이다.

OGCSBN_2021_v37n3_657_f0007.png 이미지

Fig. 4. (a) PM2.5, (b) PM10, and (c) O3 concentrations averaged over the high concentration periods (PM2.5, PM10: Jan. ~ Mar., O3: Apr. ~ Jun.) for the high-ranked and low-ranked 29 AQMSs.

Fig. 5는 PM2.5, PM10, O3 농도가 높은 상위 20% AQMS 지점 분포와 건물 면적 비율을 나타낸다. PM2.5, PM10, O3 농도가 모두 상위 20%로 높게 나타나는 지점은 AQMS 131453(포천시 선단동), 131552(화성시 향남), 131561(양주시 백석읍) 지점이다. 특히, 이 중에서 AQMS 131453 (포천시 선단동) 지점은 PM2.5, PM10, O3 농도가 가장 높게 나타났다(PM2.5: 39.572 µg m–3, PM10: 79.287 µg m–3, O3: 0.046 ppm). 앞에서 기술한 세 지점을 제외하고, PM2.5와 O3 농도가 상위 20%에 포함되는 지점은 AQMS 131344 (평택시 송북동), 131443(이천시 장호원읍), 131444(이 천시 부발읍), 131554(화성시 우정읍) 지점이고, 13지점 에서 PM2.5와 PM10 농도가 상위 20%에 포함되었으나, PM10과 O3 농도가 상위 20%에 포함되는 AQMS 지점은 없었다.

OGCSBN_2021_v37n3_657_f0005.png 이미지

Fig. 5. Distribution of the building ratios and the AQMS where high-ranked PM2.5, PM10, and O3 concentrations were measured.

측정된 PM2.5, PM10, O3 농도와 측정 고도의 상관성은 매우 낮게 분석되었다. 반면, PM2.5, PM10, O3 농도가 높게 나타나는 AQMS 지점과 건물 면적 비율의 분포를 비교한 결과, 농도가 높게 나타난 AQMS 지점들은 건물이 밀집한 도심지가 아닌 건물 밀도가 상대적으로 낮은 교외 지역에 분포하였다. PM2.5, PM10 농도와 인구밀도 의 상관계수(Pearson correlation coefficient)는 각각 -0.31, -0.18으로 비교적 약한 음의 상관이 나타났지만, O3 농도는 -0.56으로 인구 밀도와 비교적 강한 음의 상관관계를 나타냈다(Fig. 6). O3 농도는 NOX 농도와 밀접한 관계가 있다. O3는 자동차 배기가스에서 많이 발생되는 NOX와 반응(NO의 적정 반응)을 하기 때문에, 일반적 으로 교통량이 많은 도심지에서 O3 농도가 교외 지역보다 농도가 낮다(Ghim and Chang, 2000; Kang et al., 2019). 반면, PM2.5, PM10은 지형 고도와 AQMS 측정 농도와의 뚜렷한 상관성은 나타나지 않았다. Kang et al. (2020a)에 따르면, 건물이 밀집한 지역에서는 복잡한 대기 흐름으로 인해 대기오염물질의 분포가 다양한 패턴으로 나타나고, AQMS 측정 농도는 AQMS 주변의 지형, 건물, 도로에 의해서 영향을 받는다. 또한, Jeon et al. (2018)은 수도권을 대상으로 PM10 농도에 영향을 주는 요인들을 공간적으로 분석하였는데, PM10 농도가 본 연구와 유사한 분포를 보였다. PM10 농도는 기상조건, 주변 환경(공업 지역, 상업시설, 운수시설, 축사 등)의 영향을 받고 주변 고도가 낮을수록 고농도가 나타나지만, 지역마다 영향을 주는 요인이 다르고, 다양한 요인들에 영향을 받는다. 이에 대해서는 향후 추가적인 연구가 필요할 것으로 판단된다.

OGCSBN_2021_v37n3_657_f0006.png 이미지

Fig. 6. Scatter plots of population density versus (a) PM2.5, (b) PM10, and (c) O3 concentrations.

5. 요약과 결론

본 연구에서는 수도권 지역의 주요 대기오염물질 (PM2.5, PM10, O3) 농도와 지형 고도, 건물 면적비, 인구밀도의 상관성을 조사하였다. 대기오염물질 농도를 분석하기 위해 수도권 2010년 1월부터 2020년 12월까지 AQMS 146 지점에서 측정된 PM2.5, PM10, O3농도 자료를 이용하였다. 지형 고도는 경기도 북부와 동부 지역에서 높게 나타났다. 건물 면적비 계산을 위하여 수도권 지역을 수평 9 km × 9 km 격자로 구분하였다. 건물 면적비는 주로 서울특별시와 인천광역시에서 높았는데, 서울특 별시에서 건물 면적비가 24%로 가장 높은 지역이 나타났다. 반면, 산악이 많이 분포하고 있는 경기도 북부, 동부 지역과 서해안 인근 지역에서는 건물 면적비가 2% 이하로 나타났고, 인구밀도 분포는 건물 면적과 유사한 공간적 분포를 보였다. 대기오염물질의 월평균 농도를 분석한 결과, PM2.5와 PM10 농도는 1~3월에 높았고, O3은 4~6월에 고농도가 측정되었다. 대기오염물질별 고농도가 나타나는 3개월에 대해 AQMS 146 지점별로 농도를 평균하였을 때, 고농도가 나타나는 AQMS 지점들은 건물 면적비와 인구 밀도가 높은 지역이 아닌 교외 지역에 위치하였다. 본 연구에서 분석한 대기오염물질(PM2.5, PM10, O3) 농도와 지리적분포 특성의 상관성은 이전 선행 연구들과 정성적인 측면에서 유사하였다. 그러나, 본 연구에서 사용한 자료는 불연속적 공간 분포를 갖는 도시대기측정소 자료를 사용하였기 때문에, 결과를 해석 하는데 한계가 있었다. 향후, 대기질예보모델 결과 등으로 공간적 불연속을 보완하여 지리적 특성과의 상관성을 조사한다면, 수도권 지역의 대기오염 특성을 보다 신뢰성 있고 정밀하게 분석할 수 있을 것으로 기대된다.

사사

본 논문은 환경부의 재원으로 국립환경과학원의 지원을 받아 수행하였습니다(NIER-2021-01-02-069).

References

  1. Choi, W. and J.-J. Kim, 2018. Characteristics of ultrafine particles in urban areas observed worldwide and in Korea: Sources and emissions, spatial and temporal distributions, and health effects, Atmosphere, 28(3): 337-355. https://doi.org/10.14191/ATMOS.2018.28.3.337
  2. Ghim, Y.-S. and Y.-S. Chang, 2000. Characteristics of ground-level ozone distributions in Korea for the period of 1990-1995, Journal of Geophysical Research: Atmospheres, 105(D7): 8877-8890. https://doi.org/10.1029/1999JD901179
  3. Jeon, C.-W., D. Cho, and L. Zhu, 2018. Exploring the Spatial Heterogeneity of Particulate Matter (PM10) using Geographically Weighted Ridge Regression (GWRR), Journal of the Korean Cartographic Association, 18: 91-104 (in Korean with English abstract). https://doi.org/10.16879/jkca.2018.18.3.091
  4. Kang, G., J.-J. Kim, and J.-B. Lee, 2020a. A numerical study on the effects of buildings and topography on the spatial distributions of air pollutants in a building-congested district, Korean Journal of Remote Sensing, 36(2-1): 139-153 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.2.1.4
  5. Kang, G., J.-J. Kim, and W. Choi, 2020b. Computational fluid dynamics simulation of tree effects on pedestrian wind comfort in an urban area, Sustainable Cities and Society, 56: 102086. https://doi.org/10.1016/j.scs.2020.102086
  6. Kang, Y.-H., Y.-K. Kim, M.-K. Hwang, J.-H. Jeong, H. Kim, and M.-S. Kang, 2019. Spatial-temporal variations in surface ozone concentrations in Busan metropolitan area, Journal of Environmental Science International, 28(2): 169-182 (in Korean with English abstract). https://doi.org/10.5322/jesi.2019.28.2.169
  7. Kim, E.-R., R.J. Park, D.-G. Lee, and J.-J. Kim, 2015. A Study on the Characteristics of Flow and Reactive Pollutants' Dispersion in Step-up Street Canyons Using a CFD Model, Atmosphere, 25(3): 473-482. https://doi.org/10.14191/Atmos.2015.25.3.473
  8. Ministry of Environment, 2020. Annual Report of Air Quality in Korea, 2019, Ministry of Environment, Incheon, KR. (in Korean).
  9. Mun, D.-S. and J.-J. Kim, 2020. High-Resolution Flow Simulations Around a Steep Mountainous Island in Korea Using a CFD Model with One-way Nested Grid System, Korean Journal of Remote Sensing, 36(4): 557-571 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.4.6

Cited by

  1. GIS 자료와 지상측정 기상·미세먼지 자료에 기반한 수원시 지역의 도시대기환경 특성 연구 vol.37, pp.6, 2021, https://doi.org/10.7780/kjrs.2021.37.6.2.7