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
- 본 연구에서는, 경기 남부지역인 수원시 PM10농도를 2003년 1월1일부터 2009년의 12월 31일까지의 7년간 자료를 시계열 모형에 적합하고자 한다. PM10농도의 분석과 예측을 위해서는 PM10과 연관된 대기 및 기상자료를 포함시켜야 한다.
제안 방법
- ARE 모형의 변수 선택은 10종류의 설명변수들 간의 다중공선성 (multi-collinearity)을 고려하면서 설명변수들 간의 다양한 모형을 분석한 후 RMSE 값이 작은 모형을 선택하였다. ARE 모형의 설명변수 차수 선택은 표 1에 나타나 있듯이 대기변수인 SO2, NO2, CO, O3는 전일 최대 농도를 선택하기 때문에 전일자료 (t −1)를 사용하였고, 기상변수인 최고온도, 풍속 등은 당일 자료 (t)를 사용하였다.
- ARE 모형은 설명변수를 분석에 사용 할 수 있는 모형으로 시계열자료를 회귀모형에 적합 시킬 때 적합한 모형이다. 반응변수인 PM10에 영향을 주는 SO2농도나, 일별 최고온도 같은 설명변수를 사용하여 자료를 분석한다. ARE 모형은 전이함수 모형의 특수한 경우로, 오차항 (ϵt)가 독립이 아니라 서로 상관관계를 갖게 되며, 특히 AR (Autoregressive) 형태를 갖는다.
- PM10농도의 분석과 예측을 위해서는 PM10과 연관된 대기 및 기상자료를 포함시켜야 한다. 본 논문에서는 PM10과 연관이 있고, 기상청과 국립환경과학원에서 쉽게 자료를 구할 수 있는 6종류의 기상자료와 4종류의 대기 자료를 설명변수로 포함한 다변량 분석인 ARE (Autoregressive Error, 자기회귀오차) 모형으로 분석하였다.
- 설명변수로 사용한 기상자료와 대기자료는 PM10과 연관이 있으면서, 쉽게 구할 수 있는 변수를 사용하였다. 기상 자료는 시간별 자료로 수원시 기상청자료를 사용하였다.
- 수원지역의 일 최고 PM10농도를 연도별, 월별로 선 그래프를 (그림 4.1) 통해 살펴보았다. PM10 고농도의 이상값 들이 많아 평균값 대신 중앙값으로 연도별과 월별로 그래프를 그렸다.
- 연구기간인 2003년부터 2009년의 각 월별자료 중, 2003년부터 2007년까지의 자료를 모형 구축을 위한 모델링 기간으로, 2008년과 2009년을 검증기간으로 ARE 모형으로 분석하였다. 모델링기간과 검증기간에 사용된 모든 설명변수들은 유의수준 10%에서 유의한 변수들만 선택했다.
대상 데이터
- 풍향 (wind direction)은 미세먼지에 영향을 많이 미치나 정량화의 어려움이 있어 설명변수에 포함하지 않았다. 4종류의 대기 자료로는 이산화황 (SO2), 이산화질소 (NO2), 일산화탄소 (CO), 오존(O3)를 사용했고, PM10 자료와 같이 국립환경과학원의 수원시 관측소를 이용하여, 2003년-2009년의 1월1일-12월 31일의 시간별 자료를 이용하였다. 사용된 대기 자료도 표 2.
- 기상 자료도 PM10 과 같이 2003년-2009년 자료를 사용하였다. 6종류의 기상 자료는 이정영 등 (2008), Wise와 Comrie (2005b), 이훈자 (2009), 주용성 등 (2009), 김상용과 김진아 (2009)을 참고로 하여 일 최고온도 (maximum temperature), 풍속 (wind speed), 상대습도 (relative humidity), 강수량 (rainfall), 일사량 (radiation), 운량 (amount of cloud)을 사용했으며 표 2.1에 나타나 있다. 풍향 (wind direction)은 미세먼지에 영향을 많이 미치나 정량화의 어려움이 있어 설명변수에 포함하지 않았다.
- 본 연구에서는, PM10 농도에 영향을 주면서 쉽게 자료를 구할 수 있는 6종류의 기상자료와 4종류의 대기자료를 설명변수로 사용하였다. 6종류의 기상자료는 수원시 기상청 자료로 일 최고온도, 풍속, 상대습도, 강수량, 일사량, 운량이며 4종류의 대기자료는 국립환경과학원의 수원시 SO2, NO2, CO, O3이다.
- ARE 모형의 설명변수 차수 선택은 표 1에 나타나 있듯이 대기변수인 SO2, NO2, CO, O3는 전일 최대 농도를 선택하기 때문에 전일자료 (t −1)를 사용하였고, 기상변수인 최고온도, 풍속 등은 당일 자료 (t)를 사용하였다.
- PM10 자료는 국립환경과학원의 수원시 영통동 관측소의 시간별 자료 (하루 24번)를 이용했고 분석을 위하여 일 최고 PM10 농도를 사용했다. 기간은 2003년부터 2009까지의 1월부터 12월까지 7년간 자료 중 2003년부터 2007년까지의 각 월별자료를 모델링기간으로 2008년과 2009년을 검증기간으로 월별 분석하였다.
- PM10 자료는 국립환경과학원의 수원시 영통동 관측소의 시간별 자료 (하루 24번)를 이용했고 분석을 위하여 일 최고 PM10 농도를 사용했다. 기간은 2003년부터 2009까지의 1월부터 12월까지 7년간 자료 중 2003년부터 2007년까지의 각 월별자료를 모델링기간으로 2008년과 2009년을 검증기간으로 월별 분석하였다. 본 연구에서 1월에서 12월 까지 월별로 분석한 이유는 PM10 농도가 월별로 차이가 있기에 이 분석이 중요할 것으로 생각되었기 때문이다.
- 설명변수로 사용한 기상자료와 대기자료는 PM10과 연관이 있으면서, 쉽게 구할 수 있는 변수를 사용하였다. 기상 자료는 시간별 자료로 수원시 기상청자료를 사용하였다. 기상 자료도 PM10 과 같이 2003년-2009년 자료를 사용하였다.
- 기상 자료는 시간별 자료로 수원시 기상청자료를 사용하였다. 기상 자료도 PM10 과 같이 2003년-2009년 자료를 사용하였다. 6종류의 기상 자료는 이정영 등 (2008), Wise와 Comrie (2005b), 이훈자 (2009), 주용성 등 (2009), 김상용과 김진아 (2009)을 참고로 하여 일 최고온도 (maximum temperature), 풍속 (wind speed), 상대습도 (relative humidity), 강수량 (rainfall), 일사량 (radiation), 운량 (amount of cloud)을 사용했으며 표 2.
- ARE 모형은 설명변수를 분석에 사용할 수 있는 모형으로 시계열자료를 적합 시킬 때 적절한 모형이다. 본 연구에서는, PM10 농도에 영향을 주면서 쉽게 자료를 구할 수 있는 6종류의 기상자료와 4종류의 대기자료를 설명변수로 사용하였다. 6종류의 기상자료는 수원시 기상청 자료로 일 최고온도, 풍속, 상대습도, 강수량, 일사량, 운량이며 4종류의 대기자료는 국립환경과학원의 수원시 SO2, NO2, CO, O3이다.
- 1에 나타냈다. 월별 분석은 PM10 농도 연구기간인 2003년부터 2009년의 각 월별 자료 중, 2003년부터 2007년까지의 각 월별자료를 적합한 모형 구축을 위한 모델링 기간으로, 2008년과 2009년을 검증기간으로 사용하였다. 모델링기간과 검증기간에 사용된 모든 설명변수들은 유의수준 10%에서 유의한 변수들만 선택했다.
데이터처리
- ARE모형의 적합성 검정으로는 PM10 모형과 같이 과거시점의 종속변수가 설명변수로 사용되는 경우에 적합한 Durbin-h 검정 (조신섭과 이정형, 1997)을 사용해 검정하였고 또한 잔차의 ACF (AutoCorrelation Function)와 PACF (Partial Auto-Correlation Function)의 결과를 검정하였다 (조신섭과 이정형, 1997).
이론/모형
- 6종류의 기상 자료와 4종류의 대기 자료의 시간별 선택과 차수 선택은 Hubbard와 Cobourn (1998)를 참고로 하여 각 자료를 시간별 혹은 일별 시간대를 사용하였다. 예를 들면, 운량 (cloud) 변수는 일별 9시-15시의 평균을 사용하였다.
- ARE 모형들의 적합성을 측정하는데 있어 결정계수 (R2)와 잔차 분석의 RMSE를 사용하였다. 결정 계수는 PM10 농도 Yt가 설명변수에 의해 어느 정도 설명되는지를 나타내는 지표로 값이 1에 가까울수록 설명력이 높은 좋은 모형이다.
- ARE 모형의 모수 추정에는 YW (Yule-Walker), ULS (Unconditional Least Square), MLE (Maximum Likelihood Estimate) 등의 방법이 있지만, 본 연구에서는 PM10 모형과 같이 과거시점의 종속변수 (lagged dependent variable)인 Yt−1가 설명변수로 사용되는 경우에 적합한 MLE 방법을 사용하였다.
- 경기 남부지역인 수원의 PM10 농도를 월별로 시계열 모형인 ARE 방법으로 분석하였다. ARE 모형은 설명변수를 분석에 사용할 수 있는 모형으로 시계열자료를 적합 시킬 때 적절한 모형이다.
- 국외의 경우를 보면, 미국 북서부지역 PM2.5 분석을 위해 PMF모형을 사용했고 (Kim 등, 2003), 칠레 Santiago 지역의 PM10 과 오존 분석을 위해 군집분석을 사용하였고 (Gramsch 등, 2006), 오존과 PM10 분석을 위해 KZ 필터를 사용하였다 (Wise와 Comrie, 2005a).
성능/효과
- RMSE가 17.94 µg/m3으로 비교적 적게 나온 검증모형은 비교적 잘 적합되었다.
- 6월, 7월에는 전일 SO2농도 (St−1)와 일 최고온도 (Tt), 풍속 (Wt)이 포함되었다. 기상변수로는, 특히 일 최고온도와 풍속이 포함된 달이 많아 영향을 많이 주는 것으로 나타났다. 대기변수는 8월에는 오존 (Ot−1)이, 5월, 6월, 7월에는 이산화황 (St−1) 등 각 월별로 다르게 나타났다.
- 여기서 Yt−1과, St−1, Tt는 양수로 나타났고, 반면에 At, Wt는 음수로 나타나 이산화황, 온도가 오를수록 PM10 농도는 높아지며, 강수량, 풍속이 클수록 PM10 농도는 낮아지는 것으로 나타났고, 날씨가 무덥고 비가 많이 오는 7월에는 강수량도 PM10 농도에 영향을 주는 것으로 분석되었다.
- 월별 PM10 농도를 분석한 결과 기상변수로는 일 최고온도와 풍속이 ARE 모형에 포함된 달이 많아 PM10 농도에 영향을 많이 주는 것으로 나타났고, 대기변수는 SO2와 O3가 영향을 주는 것으로 나타났다. 적합도 척도인 결정계수 R2는 모델링 기간에는 0.
- 적합도 척도로 실제값과 예측값의 차이를 나타내는 RMSE 값은 모델링기간에는 19.45에서 28.38 µg/m3로 나타났고, 검증기간에는 17.94에서 28.84 µg/m3로 나타났다.
후속연구
- 반면에, 모델링 모형의 산점도를 보면, PM10 농도가 100 µg/m3이하인 경우에는 과대추정 된 경향이 있고, 140 µg/m3이상인 경우에는 과소추정 되는 경향이 있는 것으로 나타났다. ARE 모형은 PM10농도에 영향을 주는 설명변수를 수식으로 표현하는 장점이 있으므로, 모형에 PM10 농도에 영향을 주는 기상변수와 대기변수를 좀 더 포함시켜 개발하면, 실제값에 좀 더 가까이 접근하는 좋은 결과를 가질 수 있을 것으로 기대한다.
- ARE 모형은 표 4.1과 같이 PM10 농도에 어떤 설명변수들이 영향을 주는지 등의 수식으로 간단히 표현할 수 있는 장점이 있음으로, 본 연구에서 사용하지 못한 설명변수 들을 좀 더 첨가하여 분석하면 더 좋은 모형이 되리라 기대한다. 앞으로, PM10 농도에 사용되는 설명변수에 관한 다양한 연구와 함께 다양한 모형에 관한 연구가 지역별로 활발히 이루어져야 된다고 생각된다.
- 84 µg/m3로 나타났다. 본 연구에서 사용한 대기변수와 기상변수는 각각 국립환경과학원과 기상청에서 쉽게 구할 수 있는 자료이므로, 표 4.1을 이용하면, 월별 PM10 농도를 예측하는데 도움이 될 것으로 생각된다.
- 1과 같이 PM10 농도에 어떤 설명변수들이 영향을 주는지 등의 수식으로 간단히 표현할 수 있는 장점이 있음으로, 본 연구에서 사용하지 못한 설명변수 들을 좀 더 첨가하여 분석하면 더 좋은 모형이 되리라 기대한다. 앞으로, PM10 농도에 사용되는 설명변수에 관한 다양한 연구와 함께 다양한 모형에 관한 연구가 지역별로 활발히 이루어져야 된다고 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.