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 연구를 통하여 위성에어로졸 자료를 이용함으로써 기존의 지점 자료기반 연구의 한계성, 즉 데이터를 획득할 수 있는 관측소의 공간분포에서의 제약성과 관측소가 대표할 수 있는 데이터의 공간해상도의 모호성을 극복할 수 있음을 시사하였으며, 건강영향 평가에 대한 가능성도 파악할 수 있었다. 또한 본 연구는 환경위성 데이터를 활용하여 국민영향을 분석하고 위성 데이터와 보건 데이터를 연결 시킨 의미 있는 연구라고 사료된다.
- 본 연구에서는 위성에어로졸 자료를 이용하여 황사 발생기간 동안의 호흡기질환과 안구, 심혈관계질환자 수와의 상관관계를 분석하였는데, 위성에어로졸과 지점기반 미세먼지와의 비교적 양호한 상관관계를 나타냄으로써 위성에어로졸 자료의 유용성을 파악할 수 있었다. 위성에어로졸은 시간적으로 봄철을 위주로 높은 수치를 나타내었는데, 이는 봄철의 대기가 상대적으로 좋지 않음을 시사하였다.
- , 2014). 이에 본 연구에서는 위성 에어로졸 자료를 이용하여 황사 발생 기간 동안의 호흡기질환과 안질, 심혈관계질환자 수의 변동양상에 관한 건강영향을 위성 데이터를 기반으로 분석하고자 한다.
제안 방법
- 본연구에서는MYD04 L2(Collection 6)데이터를 활용하였으며, MYD04 L2 데이터는 Swath 데이터로 약 10km 해상도로 데이터가 제공된다. MYD04 L2 데이터에 할당된 변수는 약 70여개가 있으며, 본 연구에서는 많은 연구에서 입증되고 활용된 Deep_Blue_ Aerosol_Optical_Depth 550_Land 변수를 활용하여 한반도 및 서울시 Aerosol Optical Depth (AOD)의 정도를 측정하였다(Kim and Choi 2015; Ginoux et al., 2012; Hsu et al., 2004). AOD 데이터는 에어로졸 광학적 깊이를 의미하며, 에어로졸은 작은 고형 또는 액체 입자를 의미한다.
- 또한 황사가 발생 하였을 당시의 질병에 대한 관계와, 황사 발생 후 잠재 기간 동안의 황사에 대한 건강 영향 분석을 위해 Time lag 방법을 적용하였다. Time lag 분석은 0개월에서 5개월까지로 한정하였으며, (식 1)을 이용하여 Lagged-AOD(Time lag가 적용된 월별 AOD 데이터)와 질병간의 상관계수를 계산하였다.
- 본 연구는 2011년 1월부터 2015년 6월의기간 동안(54개월) 서울시 대기의 에어로졸의 정도(AOD)와 39개의 질병(Table 1)과의 관계 규명을 위해 월평균 AOD와 월별 각 질병의 환자수 사이의 상관계수를 계산하였다. 월평균 AOD의 경우 각 월의 시작일부터 끝 날짜의 AOD의 값을 평균하여 계산하였다.
대상 데이터
- 2는 위성기반 AOD와 지점 기반 미세먼지의 상관성 분석을 위해 도시한 1:1 그래프이다. 2011년 1월부터 2015년 6월까지 (월 평균 데이터 총 53개, 2015년 7월의 경우 위성 데이터가 충분하지 않음)의 서울시 월평균 AOD 및 PM-10 데이터가 활용되었다. Pearson 상관계수(p=0.
- 본 연구는 한반도 서울을 연구지역을 선정하였다(Fig. 1). 서울은 위도 37.
- 본 연구에 사용된 질병관련 자료는 건강보험심사평가원의 보건의료빅데이터개방시스템(opendata.hira. or.kr)의 자료를 활용하였다. 질병/행위별 의료 통계 분류의 질병 소분류(3단 상병)통계 데이터가 사용되었다.
- 본 연구에 사용될 위성 에어로졸 자료(Aerosol Optical Depth, AOD)의 정확성 분석을 위해 서울특별시 대기환경정보의 평균 대기오염도 미세먼지 PM-10(μg/m3)지점 데이터를 활용하였다.
- 본 연구에서는 National Aeronautics and Space Administration(NASA)의 극궤도 위성인 Aqua 위성에 탑재된 Moderate-resolution imaging Spectroradiometer (MODIS) 센서의 에어로졸(Aerosol) 데이터를 사용하였다(Savtchenko et al. 2004). MODIS 센서는 36개의 Band (620nm ~ 14385nm)의 영역대의 파장을 관측하며, Calibration Product (MYD01~03), Atmosphere product (MYD04~8, 35), Land product (MYD09~17, MYD43~44), Cryosphere(MYD10, 29), Ocean(MYD18~28, MYD31, 36, 37, 39) 등의 매우 다양한 지표/기상/해양 데이터를 제공한다.
- Aqua 위성은 하루 두 번 오후 1:30분(Ascending)과 오전 1:30분(Descending)에 한반도 상공을 지나간다(관측시간UTC+9).본연구에서는MYD04 L2(Collection 6)데이터를 활용하였으며, MYD04 L2 데이터는 Swath 데이터로 약 10km 해상도로 데이터가 제공된다. MYD04 L2 데이터에 할당된 변수는 약 70여개가 있으며, 본 연구에서는 많은 연구에서 입증되고 활용된 Deep_Blue_ Aerosol_Optical_Depth 550_Land 변수를 활용하여 한반도 및 서울시 Aerosol Optical Depth (AOD)의 정도를 측정하였다(Kim and Choi 2015; Ginoux et al.
- 연구에 사용된 분석대상 질병은 MinistryofEnvironment (2002) 및 Hwang (2007)의 연구결과를 참조하여 황사발생과 관련 높은 질병으로 알려진 안구질환(H10-H13, H16), 순환계통의 질환(I21-25, I50, I63), 호흡기계 질환중 상기도 질환(J00-J06, J30-J39), 하기도 질환(J20-J22, J40-J47)을 분석에 활용하였다. 분석대상 질병의 소분류 명칭은 Table 1과 같다.
- 황사 발생 계절에 따른 각 질병의 영향을 파악하기 위해 월별 환자수 자료를 사용하였으며, 연구기간은 최대한 많은 자료를 확보하기 위해 질병 관련 자료 제공 기간인 2011년 1월부터 2015년 6월까지로 선정하였다. 용양기관소재지 구분에 있어서는 서울 지역에 한정한 데이터를 사용하여 위성 데이터의 지역 일치성을 고려하였다.
- kr)의 자료를 활용하였다. 질병/행위별 의료 통계 분류의 질병 소분류(3단 상병)통계 데이터가 사용되었다. 본 자료의 질병분류는 세계보건기구(World Health Organization, WHO)의 국제질병사인분류(International Classification of Diseases, ICD) 제10차 개정(ICD-10)을 반영한 한국표준질병사인분류(Korean Standard Cliassification of Diseases, KCD) 제6차 개정(KCD-6)을 따르고 있다(http://opendata.
- kr). 황사 발생 계절에 따른 각 질병의 영향을 파악하기 위해 월별 환자수 자료를 사용하였으며, 연구기간은 최대한 많은 자료를 확보하기 위해 질병 관련 자료 제공 기간인 2011년 1월부터 2015년 6월까지로 선정하였다. 용양기관소재지 구분에 있어서는 서울 지역에 한정한 데이터를 사용하여 위성 데이터의 지역 일치성을 고려하였다.
데이터처리
- 본 연구는 2011년 1월부터 2015년 6월의기간 동안(54개월) 서울시 대기의 에어로졸의 정도(AOD)와 39개의 질병(Table 1)과의 관계 규명을 위해 월평균 AOD와 월별 각 질병의 환자수 사이의 상관계수를 계산하였다. 월평균 AOD의 경우 각 월의 시작일부터 끝 날짜의 AOD의 값을 평균하여 계산하였다. 또한 황사가 발생 하였을 당시의 질병에 대한 관계와, 황사 발생 후 잠재 기간 동안의 황사에 대한 건강 영향 분석을 위해 Time lag 방법을 적용하였다.
이론/모형
- 월평균 AOD의 경우 각 월의 시작일부터 끝 날짜의 AOD의 값을 평균하여 계산하였다. 또한 황사가 발생 하였을 당시의 질병에 대한 관계와, 황사 발생 후 잠재 기간 동안의 황사에 대한 건강 영향 분석을 위해 Time lag 방법을 적용하였다. Time lag 분석은 0개월에서 5개월까지로 한정하였으며, (식 1)을 이용하여 Lagged-AOD(Time lag가 적용된 월별 AOD 데이터)와 질병간의 상관계수를 계산하였다.
- gov/MOD04_L2/)을 참조하기 바란다. 본 연구를 위해 MYD04 L2 데이터는 최근접 이웃경로 알고리즘(Nearest Neighborhood Algorithm) 기법을 사용하여 전처리 되었다. 좌표체계의 경우 각종 모델 및 위성 데이터에서 활용되는 EASE Grid 좌표체계에 맞추어 데이터 Resampling에 적용 하였다(Brodzik et al.
- 질병/행위별 의료 통계 분류의 질병 소분류(3단 상병)통계 데이터가 사용되었다. 본 자료의 질병분류는 세계보건기구(World Health Organization, WHO)의 국제질병사인분류(International Classification of Diseases, ICD) 제10차 개정(ICD-10)을 반영한 한국표준질병사인분류(Korean Standard Cliassification of Diseases, KCD) 제6차 개정(KCD-6)을 따르고 있다(http://opendata.hira.or.kr). 황사 발생 계절에 따른 각 질병의 영향을 파악하기 위해 월별 환자수 자료를 사용하였으며, 연구기간은 최대한 많은 자료를 확보하기 위해 질병 관련 자료 제공 기간인 2011년 1월부터 2015년 6월까지로 선정하였다.
- 본 연구를 위해 MYD04 L2 데이터는 최근접 이웃경로 알고리즘(Nearest Neighborhood Algorithm) 기법을 사용하여 전처리 되었다. 좌표체계의 경우 각종 모델 및 위성 데이터에서 활용되는 EASE Grid 좌표체계에 맞추어 데이터 Resampling에 적용 하였다(Brodzik et al., 2002).
성능/효과
- 4은 2011~2014년(3월~7월)과 2015년(3월~6월)의 5년 간의 공간해상도 10 km의 AOD 공간분포를 보여주고 있다. AOD 분포는 3월에서 7월사이중 4월과 5월 그리고 6월에 높은 공간분포 값을 보여주고 있는데(각 월 아래 AOD 그래프 참조), 일반적으로 동쪽 지역보다는 서해안과 인근한 서쪽 지역에서 대부분 높은 값을 나타내는 것으로 파악되었다. 2011년에는 4, 5, 6월에 서해 지역에서 높은 공간분포를 나타내었으며 2012년에는 5월과 특히, 6월에 서쪽 지역을 중심으로 높은 공간분포를 나타내었다.
- 또한, 각각의 lagged 경우에서 질병의 종류에 따라 상관계수는 다르게 나타나는데, 가장 높은 상관계수를 나타내는 1, 2개월의 lagged 에서는 J05(급성 폐색성 후두염[크룹] 및 후두개염)이며, 5개월 lagged의 경우 J00~J04, J06, J20~22, J30~32, J34~42까지 다양하게 나타났다. Time lag 분석에서 0개월에서 5개월까지의 지체기간 중 3개월 지체기간에서 AOD와 대부분의 질병과의 상관계수가 0.6 정도의 높은 양의 상관계수를 보여주었다. 본 연구의 연구결과는 기존의 선행연구들의 결과와 일치성을 보이고 있다.
- 위성에어로졸은 시간적으로 봄철을 위주로 높은 수치를 나타내었는데, 이는 봄철의 대기가 상대적으로 좋지 않음을 시사하였다. 또한 이러한 위성에어로졸의 공간적인 분포양상은 동쪽 지역보다는 서해안과 인근한 서쪽 지역에서 대체적으로 높은 수치를 나타내었다. 위성에어로졸과 황사와 관련 높은 질병인 안구질환, 순환계통의 질환, 호흡기계질환과의 상관관계분석에서는 4월~7월기간의 위성에어로졸이 8월~3월기간의 위성에어로졸에 비해 0-month lagged(지체기간)을 제외하고는 환자수와의 높은 상관계수를 나타내었다.
- 일반적으로 4월~7월 기간(황사 발생 정도가 상대적으로 높은 월)의 상관계수가 0-month lagged(지체기간)를 제외하고는 모든 경우에서 8월~3월 기간(황사 발생 정도가 상대적으로 낮은 월)보다 높은 양의 상관계수를 나타내고 있다. 또한, 각각의 lagged 경우에서 질병의 종류에 따라 상관계수는 다르게 나타나는데, 가장 높은 상관계수를 나타내는 1, 2개월의 lagged 에서는 J05(급성 폐색성 후두염[크룹] 및 후두개염)이며, 5개월 lagged의 경우 J00~J04, J06, J20~22, J30~32, J34~42까지 다양하게 나타났다. Time lag 분석에서 0개월에서 5개월까지의 지체기간 중 3개월 지체기간에서 AOD와 대부분의 질병과의 상관계수가 0.
- 위성에어로졸과 황사와 관련 높은 질병인 안구질환, 순환계통의 질환, 호흡기계질환과의 상관관계분석에서는 4월~7월기간의 위성에어로졸이 8월~3월기간의 위성에어로졸에 비해 0-month lagged(지체기간)을 제외하고는 환자수와의 높은 상관계수를 나타내었다. 또한, 질병의 종류에 따라 각각 다른 지체기간에서 상관계수의 차이를 보였는데, 일반적으로 지체기간 3개월에서 0.6정도의 높은 양의 상관계수를 나타내었다. 본 연구를 통하여 위성에어로졸 자료를 이용함으로써 기존의 지점 자료기반 연구의 한계성, 즉 데이터를 획득할 수 있는 관측소의 공간분포에서의 제약성과 관측소가 대표할 수 있는 데이터의 공간해상도의 모호성을 극복할 수 있음을 시사하였으며, 건강영향 평가에 대한 가능성도 파악할 수 있었다.
- 또한 이러한 위성에어로졸의 공간적인 분포양상은 동쪽 지역보다는 서해안과 인근한 서쪽 지역에서 대체적으로 높은 수치를 나타내었다. 위성에어로졸과 황사와 관련 높은 질병인 안구질환, 순환계통의 질환, 호흡기계질환과의 상관관계분석에서는 4월~7월기간의 위성에어로졸이 8월~3월기간의 위성에어로졸에 비해 0-month lagged(지체기간)을 제외하고는 환자수와의 높은 상관계수를 나타내었다. 또한, 질병의 종류에 따라 각각 다른 지체기간에서 상관계수의 차이를 보였는데, 일반적으로 지체기간 3개월에서 0.
후속연구
- Table 2의 결과는 향후 한반도에서 위성데이터를 활용한 미세먼지 추정 시 적극 활용 될 수 있을 것이라 사료된다. Fig.
- 또한 황사의 유해 인자들이 건강영향 평가에서 지역별과 질병의 종류별로 각기 다른 특징을 보이고 있으며, 앞으로 좀 더 많은 데이터를 활용한다면, 지역별 분포에 따라 발생되는 질병의 종류와 질병의 증상 악화를 방지하기 위해 시기별로 보건 당국의 적절한 노력이 있어야 할 것이다. 황사로 인한 피해에 있어 국민의 의료전달 체계의 강력한 조치와 발생 빈도가 높은 질병의 의약품 공급에 차질이 없도록 하여야 할 것이며, 황사로 인한 건강 피해를 최소화하여 불필요한 의료비 지출이 없도록 적극적인 예방 조치가 필요할 것으로 사료된다.
- 6정도의 높은 양의 상관계수를 나타내었다. 본 연구를 통하여 위성에어로졸 자료를 이용함으로써 기존의 지점 자료기반 연구의 한계성, 즉 데이터를 획득할 수 있는 관측소의 공간분포에서의 제약성과 관측소가 대표할 수 있는 데이터의 공간해상도의 모호성을 극복할 수 있음을 시사하였으며, 건강영향 평가에 대한 가능성도 파악할 수 있었다. 또한 본 연구는 환경위성 데이터를 활용하여 국민영향을 분석하고 위성 데이터와 보건 데이터를 연결 시킨 의미 있는 연구라고 사료된다.
- , 2014). 하지만 본 연구에서 사용된 경험식은 향후 지점 데이터와 위성 AOD간의 관계 간 다른 물리적 또는 기상학적 인자와 함께 고려되어 다차원 또는 블랙박스 모형을 통해 더 정확하게 구축 될 수 있을 것이라 사료된다.
- 또한 황사의 유해 인자들이 건강영향 평가에서 지역별과 질병의 종류별로 각기 다른 특징을 보이고 있으며, 앞으로 좀 더 많은 데이터를 활용한다면, 지역별 분포에 따라 발생되는 질병의 종류와 질병의 증상 악화를 방지하기 위해 시기별로 보건 당국의 적절한 노력이 있어야 할 것이다. 황사로 인한 피해에 있어 국민의 의료전달 체계의 강력한 조치와 발생 빈도가 높은 질병의 의약품 공급에 차질이 없도록 하여야 할 것이며, 황사로 인한 건강 피해를 최소화하여 불필요한 의료비 지출이 없도록 적극적인 예방 조치가 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.