검색 상세

공간분석 기법을 이용한 한반도 대기 에어로솔의 현황과 미래 전망

Current Status and Perspective of Atmospheric Aerosol in Korea using Geospatial Analysis Technique

  • 표성훈 (Pyo, Seonghun , 강릉원주대학교 일반대학원)

초록/요약 도움말

본 연구에서는 한반도 지역별 대기 컬럼 에어로솔의 기상 조건별 분포 및 기여 현황과 전망 산정하였다. 지역별 에어로솔의 공간 분포 현황과 기상조건 분석은 통계적인 방법을 사용하여 표준편차와 평균을 기준으로 구간을 나누어 구간별 기상 조건 현황을 분석하였다. 각 지역별 AOT의 평균은 강릉에서 0.362±0.312, 원주 0.544±0.504, 서울 0.633±0.591, 백령도 0.406±0.392, 나주 0.553±0.458, 전주 0.506±0.49, 부산 0.389±0.333, 제주도 0.419±0.299 로 서울에서 가장 높은 값, 제주도에서 가장 낮은 값을 도출하였다. 구간은 low(avg -σ < AOT ≤ avg), middle(avg < AOT ≤ avg +σ), high(avg +σ < AOT) 3가지로 나누어 MODIS AOT 데이터와, AWS의 풍향, 풍속, 상대습도를 분석한 결과 8개 지역에 대하여 상대습도가 높아질수록 AOT도 같이 높아지는 공통적인 특성을 나타내었다. 그러나 지역별 풍향, 풍속에 대한 변화는 지역마다 차이가 있었다. 강릉의 경우 동풍이 16%, 서울과 원주, 나주는 남서풍 계열이 각각 12.9%, 17.6%, 42%, 전주와 제주는 각각 서풍이 32.4%, 31%, 부산은 남풍이 36.1%, 백령도는 남풍과 동풍이 22%, 22.7%로 우세할 때 가장 높은 AOT를 나타내었다. 이는 지역마다 배출원의 위치, 해안의 위치 등 환경이 다른 이유로 보인다. 대기 에어로솔에 대한 전망 예측은 머신러닝 기법 중 하나인 시계열 머신러닝 기법을 사용하였다. 2000 - 2021년 까지의 MODIS AOT 데이터를 시계열로 정리하여 훈련 데이터와 테스트 데이터 구역을 구분하여 예측하는 방법을 사용하였다. 그 결과 모든 지역에 대하여 평균 RMSE가 0.33 ±0.15 실제 관측값의 평균 표준편차 0.43±0.13 보다 작은 값을 나타냈으며, 예측값의 평균 표준편차는 0.17 ±0.05로 낮은 값을 나타내어 예측값의 정확도를 확보한 뒤 2022년부터 2023년까지 24개월에 대하여 예측을 진행하였다. 24개월의 예측 결과 월별 변동은 기존의 관측 데이터와 비슷한 변동 유형을 보였다. 8개 연구대상지역의 AOT의 예측값을 산출한 후 공간분석기법 중 크리깅기법을 사용하여 연구대상지역 이외의 미관측 지점에 대해 산출하였다. 그 결과 2022년보다 2023년의 예측 AOT가 더 낮은 값을 나타냈음을 알 수 있었다. 본 연구에서 사용한 데이터의 지역별 통계방법과 시계열 머신러닝 기법을 이용한 연구는 기상조건에 따른 AOT의 지역별 현황과 시계열 전망치를 제공하였으며, 공간분석기법을 이용하여 미관측 지점에 대한 AOT값도 산출하였다. 본 연구에서 제시한 방법론과 연구결과는 지역별 대기오염물질에 관한 정책에 도움을 줄 것이며 향후 더 많은 지역과 기상조건 및 지역별 대기오염물질 배출 현황을 추가한다면 보다 정확한 현황 분석이 가능할 것이다.

more

목차 도움말

Ⅰ. 서 론 1

Ⅱ. 자료 및 방법 6
1) 연구 자료 6
2) 자료 처리 방법 11
3) 시계열 머신러닝 13
4) 공간분석기법 14

Ⅲ. 결과 및 토의 16
1) 한반도 대기 에어로솔의 현황 16
2) 기상 조건에 따른 에어로솔 분포 26
3) ML 기반의 대기 에어로솔의 예측 51
4) 공간내삽기법을 이용한 한반도 AOT 분포 62

Ⅲ. 요약 및 결론 68

Ⅳ. 참고문헌 72

more
반출 Meta View 목록