선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 국내에서도 미세먼지를 대상으로 예보시스템을 구축하기 위해서 기상 및 대기질 자동측정망 자료를 활용한 미세먼지 통계예보모형을 개발하였고, 실제 예보시스템 운영을 통해서 그 결과를 분석하였다. 본 논문에서는 주로 미세먼지 예보시스템의 구성과 예보시스템을 구축하기 위한 입력변수와 미세먼지와의 상관관계, 그리고 예보모형 및 예보결과를 중심으로 서술하고자 한다. 한편 실제 예보시스템은 서울 4개 지역, 인천 9개지역, 경기 4개지역으로 나누어 구축되었고, 현재 지자체에서 운영중이나 예보변수 및 예보방법에 차이가 없기 때문에 본 논문에서는 서울 남동지역을 대상으로 한 예보변수 검토결과 및 예보시스템을 중심으로 기술하고자 한다.
- 수도권지역에 농도가 높고 위해성이 큰 미세먼지를 대상으로 사전예방적 차원에서 미세먼지 예보시스템을 개발하였다. 미세먼지 예보시스템은 오후 5시에 익일의 일평균 미세먼지를 예보하는 내일예보와 내일 예보치를 예보 당일 오전 9시에 당일예보를 수행하여 수정 예보할 수 있도록 구축하였다.
- 본 논문에서는 주로 미세먼지 예보시스템의 구성과 예보시스템을 구축하기 위한 입력변수와 미세먼지와의 상관관계, 그리고 예보모형 및 예보결과를 중심으로 서술하고자 한다. 한편 실제 예보시스템은 서울 4개 지역, 인천 9개지역, 경기 4개지역으로 나누어 구축되었고, 현재 지자체에서 운영중이나 예보변수 및 예보방법에 차이가 없기 때문에 본 논문에서는 서울 남동지역을 대상으로 한 예보변수 검토결과 및 예보시스템을 중심으로 기술하고자 한다.
가설 설정
- 중선형회귀 모형에서는 종속 변수 Y와 k개의 독립 변수 X1, …, Xk가 다음과 같은 관계식을 가진다고 가정한다.
제안 방법
- 그림 2에 당일예보모형의 구조를 나타내었다. 당일 예보모델은 대기질 및 기상 측정자료를 바탕으로 예보되며 내일모형과 동일하게 신경망 모델, 회귀모델, 의사결정모델 결과를 종합하여 예보한다. 당일예보모형의 실행은 08시에 수행하고 예보결과 표출은 09시에 한다.
- 대기질 측정자료, 지표 및 고층 기상자료 및 예보 기상자료를 예보변수로 사용하였다. 예보변수 중에서 대기질 측정자료 중에서는 예보시점 이전까지 측정된 미세먼지 농도와 목표 예보농도와 상관성이 가장 크게 나타났고, 기상자료는 풍속, 강수량, 06시의 노점편차, 그리고 혼합고가 주요 변수이다.
- 수도권지역에 농도가 높고 위해성이 큰 미세먼지를 대상으로 사전예방적 차원에서 미세먼지 예보시스템을 개발하였다. 미세먼지 예보시스템은 오후 5시에 익일의 일평균 미세먼지를 예보하는 내일예보와 내일 예보치를 예보 당일 오전 9시에 당일예보를 수행하여 수정 예보할 수 있도록 구축하였다.
- 미세먼지 통계모형은 앞에서 설명된 예보변수를 입력자료로 하여, 신경망 모형, 회귀모형, 의사결정모형을 각각 수행하여 예보농도와 예보지수를 각각 계산하고, 세 개의 모형의 예보지수중에서 가장 빈도가 높은 지수를 이용하여 최종 예보치를 확정하였다. 예보모형은 본 장에서 설명하고, 예보지수는 다음장에 기술하였다.
- 이렇게 결정된 의사결정나무는 타당성을 평가하고 실제 자료를 적용하여 해석 및 예측을 하게 된다. 본 연구에서는 SYSTAT v. 10.2를 사용하여 의사결정모형을 개발하였다.
- 신경망은 과거의 경험을 학습시켜 미지의 입력에 대한 출력을 생성하는 비모수 모형으로, 입력 인자 간, 또는 입력과 출력간의 상호 인과 관계가 불분명할 경우, 그들 간의 관계를 효율적으로 찾는 특성이 있다. 본 연구에서는 신경망 모형 중 가장 범용성이 높은 오류 역전파 학습(Error Back Propagation) 기능을 갖는 다층 인식자(Multi-Layer Perceptron) 신경망 모형을 기본 모형으로 하였고, 신경망의 구조는 주어진 문제가 전형적인 비선형 관계인 점을 고려하여 입력층과 은닉층(1), 은닉층(2), 출력층의 네 개 층으로 구성하였으며 출력층을 제외한 각층의 노드 수는 실험 환경 즉 입력 인자들에 따라 다양하게 변하도록 하였고, 전체 구조는 그림 5와 같다(Rumelhart et al., 1986; Parker, 1985).
- 앞에서 개발된 예보모형을 실제 미세먼지 예보시스템을 구축하여 현업에 적용하였다(http://cleanair. seoul.go.kr/main.htm). 실제 모형의 적용 평가 기간은 예보모형개발에 사용하지 않은 2010.
- 앞에서 설명된 예보입력변수를 적용하여 예보모형 학습을 통해서 예보모델을 완성하고, 완성된 예보모형을 적용하여 모델의 예보 정합도를 평가하였다.
- 예보모형의 학습결과를 확인하기 위하여 학습기간에 측정한 미세먼지 농도와 예측한 미세먼지 농도를 비교하였다. 그림 8과 9에 있는 자기 학습기간 중에 모형예보농도는 측정농도를 잘 모사하는 것을 알 수 있다.
- 예보시스템에 이용된 예보모형은 신경망모형, 회귀 모형 및 의사결정모형이고, 각각의 모형에서 예보된 통합대기환경지수 중에서 가장 높은 빈도를 나타내는 지수값을 최종 예보치로 확정하였다.
- 한편 신경망 및 회귀모형에서 계산된 목표 미세먼지 농도를 통합대기환경지수로 환산하고, 통합대기환경지수로 예보되는 의사결정모형결과를 종합하여 최종예보(final forecast)를 평가한 것을 표 5에 정리하였다. 지자체 운영시 최종예보는 예보자의 판단에 의해 최종 예보하면 예측도가 높아질것으로 판단되나, 시스템상에서 자동 예보는 위의 세가지 모형중에 가장 빈도가 높은 지수를 최종예보하므로, 본 논문에서는 세 모형중 빈도가 높은 지수를 최종예보지수로 평가하였다. 당일예보모형의 지수일치도는 82.
- 구체적으로 기술하면, 대기질 측정자료는 SO2, NO2, PM10, CO, O3가 인자로 하여 01~16시의 평균값이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~16시의 평균, 01~16시의 누적 강수량합이 사용되었다. 기상예보자료는 예보일(익일)의 01~24시 평균 혼합고, 풍속, 온도, 습도, 500 hpa의 풍향, 500 hpa의 풍속 자료가 사용되었고, 06시의 풍속, 습도, 노점온도를 사용하였으며, 추가로 계절적 특성을 반영하기 위해 월을 변수로 입력하였다.
- 한편 감지확률과 거짓경보율은 미세먼지 농도를 그림 7의 좌측에 표시된 바와 같이 2개의 구간으로 구분하여 경계치는 보통과 민감군 영향의 구분경계인 80 μg/m3을 기준으로 하였다.
- kr/)에 자세한 설명이 있다. 한편 신경망 및 회귀 모형은 예보결과로 미세먼지 농도가 계산되므로, 농도값에 대한 시계열 비교 등을 통해서 1차적으로 정합도를 평가하고, 최종적으로는 계산된 미세먼지 농도를 통합대기환경지수로 변환하여 평가를 수행하였다.
대상 데이터
- 05. 31이고, 서울남동지역을 대상으로 분석하였다. 지표기상자료는 서울기상대 자료를 활용하였고, 고층기상자료는 오산기상대 자료를 사용하였다.
- 대기질 측정자료는 SO2, NO2, PM10, CO, O3를 인자로 하여 01~08시의 평균이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~08시의 평균, 전날의 01~24시의 누적 강수량합, 06시의 풍속, 습도, 노점온도가 사용되었다. 고층기상자료는 03시의 500 hpa의 풍향, 풍속자료를 사용하였다. 추가로 계절적 특성을 반영하기 위해 월을 변수로 입력하였다.
- 예보변수로는 대기자동측정망에서 측정한 대기질 측정자료, 서울 및 오산고층 기상대에서 관측한 기상자료, 그리고 MM5로 계산한 예보자료를 각각 사용하였다. 구체적으로 기술하면, 대기질 측정자료는 SO2, NO2, PM10, CO, O3가 인자로 하여 01~16시의 평균값이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~16시의 평균, 01~16시의 누적 강수량합이 사용되었다. 기상예보자료는 예보일(익일)의 01~24시 평균 혼합고, 풍속, 온도, 습도, 500 hpa의 풍향, 500 hpa의 풍속 자료가 사용되었고, 06시의 풍속, 습도, 노점온도를 사용하였으며, 추가로 계절적 특성을 반영하기 위해 월을 변수로 입력하였다.
- 구체적으로 기술하면, 대기질 측정자료는 SO2, NO2, PM10, CO, O3가 인자로 하여 01~16시의 평균값이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~16시의 평균, 01~16시의 누적 강수량합이 사용되었다. 기상예보자료는 예보일(익일)의 01~24시 평균 혼합고, 풍속, 온도, 습도, 500 hpa의 풍향, 500 hpa의 풍속 자료가 사용되었고, 06시의 풍속, 습도, 노점온도를 사용하였으며, 추가로 계절적 특성을 반영하기 위해 월을 변수로 입력하였다.
- 당일예보모형에서 입력변수는 대기질 및 기상 측정자료만 사용하였다. 대기질 측정자료는 SO2, NO2, PM10, CO, O3를 인자로 하여 01~08시의 평균이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~08시의 평균, 전날의 01~24시의 누적 강수량합, 06시의 풍속, 습도, 노점온도가 사용되었다. 고층기상자료는 03시의 500 hpa의 풍향, 풍속자료를 사용하였다.
- 본 연구에서 고려한 예보 입력변수는 대기질 측정자료, 지상 및 고층 기상관측자료, 그리고 기상예보자료이며, 이를 각각에 대해서 예보 대상인 목표 미세 먼지 농도(target PM10)와의 관계를 기술하면 아래와 같다. 당일예보에서 목표 미세먼지 농도는 당일 24시간 평균농도이고, 내일예보에서는 익일의 24시간 미세먼지 평균농도이다.
- 한편 대기질 측정자료는 서울남동지역에 위치한 반포동, 도곡동, 방이동 및 천호동 대기자동측정소 자료를 이용하였다. 예보 기상자료는 MM5 모델링을 수행하여 3 km 해상도의 모델링 결과로부터 서울남동지역에 해당되는 자료를 추출하여 사용하였다. 주요 변수들의 상관성에 대해서 간략히 기술하면 다음과 같다.
- 내일예보모형의 실행은 17시에 수행하고 예보결과 표출은 18시에 한다. 예보변수로는 대기자동측정망에서 측정한 대기질 측정자료, 서울 및 오산고층 기상대에서 관측한 기상자료, 그리고 MM5로 계산한 예보자료를 각각 사용하였다. 구체적으로 기술하면, 대기질 측정자료는 SO2, NO2, PM10, CO, O3가 인자로 하여 01~16시의 평균값이 사용되었고, 지표기상 측정자료는 온도, 풍속, 습도의 01~16시의 평균, 01~16시의 누적 강수량합이 사용되었다.
- 대기오염도 측정 및 기상관측자료는 매시간 미세먼지 예보시스템으로 자료가 입력되어지며, 고층기상관측자료는 03시의 자료를 수신 받아 예보시스템의 입력변수로 활용한다. 예보자료는 12시에 수행되는 MM5 예보자료를 활용하였다.
- 31이고, 서울남동지역을 대상으로 분석하였다. 지표기상자료는 서울기상대 자료를 활용하였고, 고층기상자료는 오산기상대 자료를 사용하였다. 한편 대기질 측정자료는 서울남동지역에 위치한 반포동, 도곡동, 방이동 및 천호동 대기자동측정소 자료를 이용하였다.
- 지표기상자료는 서울기상대 자료를 활용하였고, 고층기상자료는 오산기상대 자료를 사용하였다. 한편 대기질 측정자료는 서울남동지역에 위치한 반포동, 도곡동, 방이동 및 천호동 대기자동측정소 자료를 이용하였다. 예보 기상자료는 MM5 모델링을 수행하여 3 km 해상도의 모델링 결과로부터 서울남동지역에 해당되는 자료를 추출하여 사용하였다.
데이터처리
- 본 연구에서는 SYSTAT v. 10.2를 사용하여 회귀방정식을 산정하였다.
성능/효과
- 지자체 운영시 최종예보는 예보자의 판단에 의해 최종 예보하면 예측도가 높아질것으로 판단되나, 시스템상에서 자동 예보는 위의 세가지 모형중에 가장 빈도가 높은 지수를 최종예보하므로, 본 논문에서는 세 모형중 빈도가 높은 지수를 최종예보지수로 평가하였다. 당일예보모형의 지수일치도는 82.7%, 거짓경보율은 22%, 그리고 감지확률은 69.6%이고, 내일예보모형은 지수일치도가 70.8%, 거짓경보율이 32.1%, 감지확률이 41.7%로 당일예보에 비해서 다소 정확도가 떨어지는 것으로 나타났다. 이는 당일예보모형에 비하여 내일예보모형이 급격하게 변하는 기상인자 및 월경성 미세먼지를 반영하지 못하는 한계에 기인한 것으로 판단된다.
- 노점편차 값이 작을수록 안개가 생성될 가능성이 높고, 아침에 형성된 안개가 연무가 되어 고농도를 유발하는 것으로 판단된다. 또한 500 hpa 고도에서 서풍계열의 바람이 형성될 경우에 미세먼지 농도가 높은 것으로 나타났다. 500 hpa 고도에서의 풍향은 대류권의 평균 흐름에 대한 값으로 서풍일 경우는 중국에서 월경한 미세먼지의 영향으로 서울이 미세먼지 농도가 높아지는 것으로 해석할 수 있다.
- 선형 회귀에는 회귀식에 사용된 독립 변수의 수에 따라 하나인 경우인 단순선형회귀와 둘 이상인 경우인 중선형회귀가 있다. 본 연구에서는 중선형회귀 모형을 사용하였으며, 중선형 회귀모형은 실제 응용에 있어서 단순 회귀모형 보다 실제적이다. 그 이유는 독립 변수 1개로 특정 현상을 설명할 수 있는 경우는 드물고, 대부분의 경우, 종속 변수는 다수의 독립 변수에 의해 영향을 받기 때문이다.
- 대기질 측정자료, 지표 및 고층 기상자료 및 예보 기상자료를 예보변수로 사용하였다. 예보변수 중에서 대기질 측정자료 중에서는 예보시점 이전까지 측정된 미세먼지 농도와 목표 예보농도와 상관성이 가장 크게 나타났고, 기상자료는 풍속, 강수량, 06시의 노점편차, 그리고 혼합고가 주요 변수이다. 풍속이 약하고, 강수량이 적고, 혼합고가 낮을수록 미세먼지의 농도는 높아지는 경향을 보이고 있다.
- 이상의 농도 발생일수가 9회로 고농도일에 대한 예보능력을 평가하기에는 다소 미흡하지만, 당일예보에서는 고농도가 잘 모사되고 있는 반면에 내일예보모형에서 고농도일에 대해서는 신경망모형을 과대평가, 회귀모형은 과소평가를 하는 경향이 있다. 한편 대기환경지수 중에 가장 빈도수가 높은 지수로 예보를 결정하는 최종예보치를 기준으로 운영결과를 판단하면 당일예보모형의 지수 일치도는 80.8%, 거짓경보율은 12.5%, 그리고 감지확률은 77.8%이고, 내일예보모형은 지수일치도가 72.4%, 거짓경보율이 0.0%, 감지확률이 42.9%로 학습기간에 대해서 평가한 결과와 지수일치도는 유사하나 거짓경보율 및 감지확률은 오히려 학습기간에 비해서 양호한 수치를 보이고 있다. 이는 평가 기간 중에 월경성 오염물질의 영향이 상대적으로 적었기 때문이다.
- 한편 표 6에 있는 신경망 및 회귀모형, 의사결정모형으로 예보된 통합대기환경지수중에 가장 빈도수가 높은 지수로 예보를 결정하는 최종예보치를 기준으로 판단하면, 당일예보모형의 지수일치도는 80.8%, 거짓경보율은 12.5%, 그리고 감지확률은 77.8%이고, 내일예보모형은 지수일치도가 72.4%, 거짓경보율이 0.0%, 감지확률이 42.9%로 학습기간에 대해서 평가한 결과와 지수일치도는 유사하나, 거짓경보율 및 감지확률은 오히려 학습기간에 비해서 양호한 수치를 보이고 있다. 이는 모델링 평가기간에 월경성에 의한 고농도 발생횟수가 적은 것에 기인한다고 판단된다.
후속연구
- 일반적으로 통계예보치가 낮게 예측하는 경우에는 주로 중국 등에 의해서 외부오염물질이 국내에 영향을 미치는 월경성에 의한 고농도가 발생한 경우로 판단된다. 그러나 본 연구에서는 구체적으로 서풍계열의 바람이 경기도 북부지역 또는 인천지역을 통과하면서 그 지역의 영향이 반영된 것에 대한 구체적인 구분을 할 수 없는 한계를 갖고 있다. 이와 같이 급격하게 외부 요인에 의해서 고농도가 발생하는 경우나 또는 경기도 북부지역 또는 인천지역의 배출원의 영향을 구별하여 통계모형을 구축하는데 한계가 있기 때문에 향후 수치예보모형을 도입한 예보모형의 개발이 필요한 것으로 판단된다.
- 이는 서풍일 경우에 중국에서 월경하는 미세먼지의 영향으로 서울이 미세먼지 농도가 높아지는 것을 의미하는 것으로 정성적으로 판단된다. 그러나 북한을 포함한 경기도 북부지역 또는 인천지역에서 배출된 오염원의 영향 등에 대한 보다 자세한 해석을 위해서는 기상 및 화학수송모델을 결합한 수치모델의 적용이 필요한 것으로 판단되며, 이는 향후 수치모델을 이용한 예보모형을 적용하면 보다 명확한 결과를 얻을 것으로 생각된다.
- 그러나 본 연구에서는 구체적으로 서풍계열의 바람이 경기도 북부지역 또는 인천지역을 통과하면서 그 지역의 영향이 반영된 것에 대한 구체적인 구분을 할 수 없는 한계를 갖고 있다. 이와 같이 급격하게 외부 요인에 의해서 고농도가 발생하는 경우나 또는 경기도 북부지역 또는 인천지역의 배출원의 영향을 구별하여 통계모형을 구축하는데 한계가 있기 때문에 향후 수치예보모형을 도입한 예보모형의 개발이 필요한 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.