본 연구에서는 처음으로 한반도 서울지역에서 OMI (Ozone Monitoring Instrument) 센서로 관측된 대류권이산화질소 칼럼농도를 이용하여 OMI 센서의 관측시간인 13:45에서의 월 평균 및 일별 위성 지표 이산화질소 혼합비를 추정하였다. 본 연구에서는 세 가지 회귀모델들이 이용되었다. 첫 번째 회귀모델(M1)은 OMI 대류권 이산화질소 칼럼농도와 지점 측정값과의 선형회귀를 통한 회귀계수로 구성되어있다. 두번째 회귀모델(M2)은 OMI 대류권 이산화질소 칼럼농도와 AIRS (Atmospheric Infrared Sounder) 센서로 관측한 행성경계층 높이, 온도, 압력 자료 모두가 반영된 회귀모델이다. 세 번째 회귀모델(M3M, M3D)은 다중회귀모델로서 앞서 고려된 이산화질소 칼럼농도와 행성경계층 높이와 다양한 기상변수를 추가적으로 반영하는 회귀모델이다. 본 연구에서는 2009년에서 2011년까지를 회귀모델의 훈련기간으로 하여서 각 회귀식의 회귀계수를 도출하였으며 2012년도는 검증기간으로서 훈련기간에 도출된 회귀모델들의 성능을 평가하였다. 회귀모델들로 추정된 월 평균 지표 이산화질소 혼합비와 지점 관측소에서 지점 측정장비로 측정된 월평균 지표 이산화질소 혼합비와 가장 높은 상관성(avg. R = 0.77)을 보이는 회귀분석방법은 다중회귀분석방법(M3M)이다. 또한, 회귀모델들로 추정된 13:45에서의 일 지표 이산화질소 혼합비와 지점 관측소에서 지점장비로 측정된 지표 이산화질소 혼합비와 가장 좋은 상관성(avg. R = 0.55)을 보인 것도 다중회귀분석방법(M3D)이다. 회귀모델들로 추정된 지표 이산화질소 혼합비는 지점 측정값에 비해 과소추정 되는 경향이 나타났다. 회귀모델들로 추정된 지표 이산화질소 혼합비를 평가하기 위해 지점 측정값과의 RMSE (Root Mean Square Error), meanbias, MAE (Mean Absolute Error), percent difference와 같은 통계분석을 실시하였다. 본 연구는 위성을 통한 지표 이산화질소 혼합비 산출 가능성을 보여준다.
본 연구에서는 처음으로 한반도 서울지역에서 OMI (Ozone Monitoring Instrument) 센서로 관측된 대류권 이산화질소 칼럼농도를 이용하여 OMI 센서의 관측시간인 13:45에서의 월 평균 및 일별 위성 지표 이산화질소 혼합비를 추정하였다. 본 연구에서는 세 가지 회귀모델들이 이용되었다. 첫 번째 회귀모델(M1)은 OMI 대류권 이산화질소 칼럼농도와 지점 측정값과의 선형회귀를 통한 회귀계수로 구성되어있다. 두번째 회귀모델(M2)은 OMI 대류권 이산화질소 칼럼농도와 AIRS (Atmospheric Infrared Sounder) 센서로 관측한 행성경계층 높이, 온도, 압력 자료 모두가 반영된 회귀모델이다. 세 번째 회귀모델(M3M, M3D)은 다중회귀모델로서 앞서 고려된 이산화질소 칼럼농도와 행성경계층 높이와 다양한 기상변수를 추가적으로 반영하는 회귀모델이다. 본 연구에서는 2009년에서 2011년까지를 회귀모델의 훈련기간으로 하여서 각 회귀식의 회귀계수를 도출하였으며 2012년도는 검증기간으로서 훈련기간에 도출된 회귀모델들의 성능을 평가하였다. 회귀모델들로 추정된 월 평균 지표 이산화질소 혼합비와 지점 관측소에서 지점 측정장비로 측정된 월평균 지표 이산화질소 혼합비와 가장 높은 상관성(avg. R = 0.77)을 보이는 회귀분석방법은 다중회귀분석방법(M3M)이다. 또한, 회귀모델들로 추정된 13:45에서의 일 지표 이산화질소 혼합비와 지점 관측소에서 지점장비로 측정된 지표 이산화질소 혼합비와 가장 좋은 상관성(avg. R = 0.55)을 보인 것도 다중회귀분석방법(M3D)이다. 회귀모델들로 추정된 지표 이산화질소 혼합비는 지점 측정값에 비해 과소추정 되는 경향이 나타났다. 회귀모델들로 추정된 지표 이산화질소 혼합비를 평가하기 위해 지점 측정값과의 RMSE (Root Mean Square Error), mean bias, MAE (Mean Absolute Error), percent difference와 같은 통계분석을 실시하였다. 본 연구는 위성을 통한 지표 이산화질소 혼합비 산출 가능성을 보여준다.
We, for the first time, estimated daily and monthly surface nitrogen dioxide ($NO_2$) volume mixing ratio (VMR) using three regression models with $NO_2$ tropospheric vertical column density (OMIT-rop $NO_2$ VCD) data obtained from Ozone Monitoring Instrument (OMI) i...
We, for the first time, estimated daily and monthly surface nitrogen dioxide ($NO_2$) volume mixing ratio (VMR) using three regression models with $NO_2$ tropospheric vertical column density (OMIT-rop $NO_2$ VCD) data obtained from Ozone Monitoring Instrument (OMI) in Seoul in South Korea at OMI overpass time (13:45 local time). First linear regression model (M1) is a linear regression equation between OMI-Trop $NO_2$ VCD and in situ $NO_2$ VMR, whereas second linear regression model (M2) incorporates boundary layer height (BLH), temperature, and pressure obtained from Atmospheric Infrared Sounder (AIRS) and OMI-Trop $NO_2$ VCD. Last models (M3M & M3D) are a multiple linear regression equations which include OMI-Trop $NO_2$ VCD, BLH and various meteorological data. In this study, we determined three types of regression models for the training period between 2009 and 2011, and the performance of those regression models was evaluated via comparison with the surface $NO_2$ VMR data obtained from in situ measurements (in situ $NO_2$ VMR) in 2012. The monthly mean surface $NO_2$ VMRs estimated by M3M showed good agreements with those of in situ measurements(avg. R = 0.77). In terms of the daily (13:45LT) $NO_2$ estimation, the highest correlations were found between the daily surface $NO_2$ VMRs estimated by M3D and in-situ $NO_2$ VMRs (avg. R = 0.55). The estimated surface $NO_2$ VMRs by three modelstend to be underestimated. We also discussed the performance of these empirical modelsfor surface $NO_2$ VMR estimation with respect to otherstatistical data such asroot mean square error (RMSE), mean bias, mean absolute error (MAE), and percent difference. This present study shows a possibility of estimating surface $NO_2$ VMR using the satellite measurement.
We, for the first time, estimated daily and monthly surface nitrogen dioxide ($NO_2$) volume mixing ratio (VMR) using three regression models with $NO_2$ tropospheric vertical column density (OMIT-rop $NO_2$ VCD) data obtained from Ozone Monitoring Instrument (OMI) in Seoul in South Korea at OMI overpass time (13:45 local time). First linear regression model (M1) is a linear regression equation between OMI-Trop $NO_2$ VCD and in situ $NO_2$ VMR, whereas second linear regression model (M2) incorporates boundary layer height (BLH), temperature, and pressure obtained from Atmospheric Infrared Sounder (AIRS) and OMI-Trop $NO_2$ VCD. Last models (M3M & M3D) are a multiple linear regression equations which include OMI-Trop $NO_2$ VCD, BLH and various meteorological data. In this study, we determined three types of regression models for the training period between 2009 and 2011, and the performance of those regression models was evaluated via comparison with the surface $NO_2$ VMR data obtained from in situ measurements (in situ $NO_2$ VMR) in 2012. The monthly mean surface $NO_2$ VMRs estimated by M3M showed good agreements with those of in situ measurements(avg. R = 0.77). In terms of the daily (13:45LT) $NO_2$ estimation, the highest correlations were found between the daily surface $NO_2$ VMRs estimated by M3D and in-situ $NO_2$ VMRs (avg. R = 0.55). The estimated surface $NO_2$ VMRs by three modelstend to be underestimated. We also discussed the performance of these empirical modelsfor surface $NO_2$ VMR estimation with respect to otherstatistical data such asroot mean square error (RMSE), mean bias, mean absolute error (MAE), and percent difference. This present study shows a possibility of estimating surface $NO_2$ VMR using the satellite measurement.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 서울에서 OMI 센서로 관측된 이산화질소 칼럼농도를 활용하여 2가지의 선형회귀분석 방법과 다중회귀분석 방법을 적용하여 지역시간(local time; LT) 13:45에서의 월평균, 일 지표 이산화질소 혼합비를 처음으로 추정하는 것을 목표로 한다. 또한 이러한 세가지 방법으로 추정된 지표면 이산화질소 혼합비와 지점측정 장비로 측정된 지표면 이산화질소 혼합비와의 비교를 통해 각 회귀분석 방법의 성능 평가를 수행하였다.
본 연구에서는 회귀모델들의 성능을 정량적으로 평가하기 위하여, 통계분석을 수행하였다. Fig.
본 연구에서는 OMI 이산화질소 대류권 칼럼농도를 활용하여 월 평균과 일 지표 이산화질소 혼합비를 처음으로 추정함을 통하여 위성자료를 통하여 지표 이산화질소 혼합비 산출 가능성을 확인하였다. 하지만 위성자료와 지점 측정 자료와의 이산화질소 측정의 공간적인 범위에 차이에서 오는 값의 차이에 대해서는 추가적인 연구가 필요할 것으로 생각된다.
제안 방법
본 연구에서는 서울에서 OMI 센서로 관측된 이산화질소 칼럼농도를 활용하여 2가지의 선형회귀분석 방법과 다중회귀분석 방법을 적용하여 지역시간(local time; LT) 13:45에서의 월평균, 일 지표 이산화질소 혼합비를 처음으로 추정하는 것을 목표로 한다. 또한 이러한 세가지 방법으로 추정된 지표면 이산화질소 혼합비와 지점측정 장비로 측정된 지표면 이산화질소 혼합비와의 비교를 통해 각 회귀분석 방법의 성능 평가를 수행하였다.
서울은 OMI 위성의 격자가 여러 개가 포함됨으로 동부, 서부지역으로 나누어 지표 이산화질소 혼합비를 추정하였다. 또한 서울지역에 비해 저농도 이산화질소 배출지역인 경북 의성에서도 지표 이산화질소 혼합비 추정을 시도하였다. 연구기간은 2009년부터 2012년까지의 총 4년이며 그 중 3년(2009년-2011년)은 본 연구에 사용된 회귀분석모델들의 회귀계수를 결정하기 위한 훈련기간(training period)이며, 2012년은 훈련기간에서 도출된 회귀분석모델들의 성능평가 기간(evaluation period)으로 선정하였다.
연구기간은 2009년부터 2012년까지의 총 4년이며 그 중 3년(2009년-2011년)은 본 연구에 사용된 회귀분석모델들의 회귀계수를 결정하기 위한 훈련기간(training period)이며, 2012년은 훈련기간에서 도출된 회귀분석모델들의 성능평가 기간(evaluation period)으로 선정하였다. 2012년도의 관측자료를 훈련기간에 도출된 회귀분석모델들에 입력하여 추정한 지표 이산화질소 혼합비와 2012년도에 실제 지점 관측 장비로 측정한 지표 이산화질소 혼합비와 비교하여 성능평가 하였다. 본 연구에서 사용된 세가지 회귀분석모델들은 Section 3에서 상세히 설명되어 있다.
본 연구에서는 지표 이산화질소 혼합비 자료 중 이산화질소 주요 배출원인 도로에 가깝게 위치한 지점 관측소에서 획득된 자료는 배제하였다. 또한 지상측정자료와 OMI 자료의 공간적 범위의 차이가 있기 때문에 OMI 위성의 한 격자 내에서 지상 자료가 한곳에 집중되어있지 않고 고르게 분포되도록 각 지역별로 최소 2 km 이상 떨어진 지점 관측소를 3개 이상 선택하고 관측자료를 평균하여 사용하였다. 경북 의성 지역의 경우 지점 관측소가 OMI 격자내에 1개만 위치하기 때문에 1개의 지점 관측 자료만 사용하였다.
본 연구에서는 세가지 회귀모델로 OMI 이산화질소 칼럼농도를 이용하여 이산화질소 지표 혼합비를 산출하였다. 본 연구에 사용된 회귀모델은 Table 2에 요약 되어있다.
이러한 방식으로 OMI 센서로 관측된 이산화질소 칼럼농도와 AIRS로부터 측정된 행성경계층 높이, 온도, 압력 자료를 이용하여 행성경계층 내에 존재하는 이산화질소의 혼합비([BLH NO2 VMR]OMI)를 계산 할 수 있다. 행성경계층 내에서 이산화질소 농도는 균질하게 존재하기 때문에 변화하는 행성경계층 높이를 보정해서 지점 관측값과 비슷한 조건을 만들어주기 위해서 이산화질소 칼럼농도를 행성경계층 내의 혼합비로 변환하였다. Table 2의 M2는 [BLH NO2 VMR]OMI와 지점 관측소에서 측정된 지표 혼합비 사이의 회귀분석을 통하여 도출된 회귀계수를 지표 이산화질소 혼합비 추정에 이용한다.
M3M과 M3D의 식이 차이가 나는 이유는 월평균과 일에 지표 이산화질소 혼합비 추정에 사용되는 독립변수 후보군에서 유의확률과 분산팽창계수를 통해 최종적으로 채택된 변수가 다르기 때문이다. M3M과 M3D는 서서울과 동서울 지역별에서 회귀식을 도출하여 지표면 혼합비 추정에 이용한 M1, M2 방법과 다르게 다양한 변수를 적용하여 한 개의 다중회귀식으로 다양한 지역의 지표 이산화질소 혼합비를 추정하기 위하여 연구 지역별로 다중회귀식을 도출하지 않고 한 개의 다중회귀식을 도출하여 적용하였다.
본 연구에서는 고농도 이산화질소가 발생하는 서울에 비하여 이산화질소 배출량이 적기 때문에 이산화질소가 저 농도로 존재하는 교외지역인 경북 의성에서도 지표 이산화질소 혼합비를 추정하였다. Fig.
Table 4는 훈련기간 동안의 자료를 이용해서 결정된 회귀계수가 반영된 M1, M2, M3M, M3D의 식을 보여준다. 다음 Section 4에서는 Table 4에서 결정된 회귀모델들에 검증연도 (2012년)에서 자료를 입력하여 지표 이산화질소 혼합비를 추정하고 성능을 평가하였다.
Table 4의 M1으로 산출된 지표 이산화질소 혼합비는 OMI 위성 관측시간인 13:45에서 측정된 OMI 이산화질소 칼럼농도 자료를 M1에 입력하여 산출하였다. Table 4의 M2에 OMI 이산화질소 칼럼농도를 AIRS로 관측된 행성경계층 높이, 온도, 압력자료를 이용하여 계산된 행성경계층 내의 혼합비 자료를 입력하여 13:45에서 지표 이산화질소 혼합비를 산출하였다. Table 4의 M3D에는 OMI 이산화질소 칼럼농도, 행성경계층 높이, 풍향, 풍속 자료들을 입력하여 13:45에서 지표 이산화질소 혼합비를 산출하였다.
본 연구에서는 OMI 센서로 관측된 이산화질소 대류권 칼럼농도를 활용하여 세가지 회귀분석방법으로 대한민국 서울지역에서 13:45에서의 월 평균, 일 지표 이산화질소 혼합비를 처음으로 추정하였다. 13:45에서 월평균 및 일 지표 이산화질소 혼합비 추정값이 지점 관측소에서 측정한 값의 시간 변화 추세를 잘 반영하는 경향을 보였다.
대상 데이터
본 연구의 연구지역으로는 대한민국에서 고농도 이산화질소가 발생하고 지점 측정소가 많이 분포하는 서울지역에서 연구를 진행하였다. 서울은 OMI 위성의 격자가 여러 개가 포함됨으로 동부, 서부지역으로 나누어 지표 이산화질소 혼합비를 추정하였다.
또한 서울지역에 비해 저농도 이산화질소 배출지역인 경북 의성에서도 지표 이산화질소 혼합비 추정을 시도하였다. 연구기간은 2009년부터 2012년까지의 총 4년이며 그 중 3년(2009년-2011년)은 본 연구에 사용된 회귀분석모델들의 회귀계수를 결정하기 위한 훈련기간(training period)이며, 2012년은 훈련기간에서 도출된 회귀분석모델들의 성능평가 기간(evaluation period)으로 선정하였다. 2012년도의 관측자료를 훈련기간에 도출된 회귀분석모델들에 입력하여 추정한 지표 이산화질소 혼합비와 2012년도에 실제 지점 관측 장비로 측정한 지표 이산화질소 혼합비와 비교하여 성능평가 하였다.
본 연구에서 사용된 자료로는 OMI 센서로 관측된 대류권 이산화질소 칼럼농도, AIRS (Atmospheric Infrared Sounder) 센서로 관측된 행성경계층 높이, 온도, 압력과 지점 측정 장비로 측정된 지표면 이산화질소 혼합비, 지표면 온도, 지표면 압력, 지표면 이슬점 온도, 지표면 풍속, 지표면 풍향이 있다. 자료의 세부적인 정보는 Table1에 요약되어 있다.
본 연구에는 OMI로 측정된 대류권 이산화질소 칼럼농도 자료를 사용하였다. 본 연구에서 사용된 이산화질소 칼럼농도 자료는 NASA (National Aeronautics and Space Administration) Goddard Earth Sciences Data and Information Services Center (http://disc.
고품질의 NO2 자료를 사용하기 위해서 구름이 제거된(Cloud Fraction< 30 %) 자료(Level-3 OMI NO2 Cloud-Screened Total and Tropospheric Column NO2 (V003))를 사용하였다.
본 연구에서 사용된 지상기상관측 자료의 경우 기상청에서 제공하는 AWS (Automatic Weather System)로 측정된 자료를 사용하였다(http://sts.kma.go.kr/jsp/home/contents/statistics/newStatisticsSearch.do?menu=SFC&MNU=MNU).
본 연구에서 사용된 행성경계층 높이, 온도, 압력 자료는 NASA Goddard Earth Sciences Data and Information Services Center (http://disc.sci.gsfc.nasa.gov/uui/datasets/AIRX3SPD_V006/summary?keywords=%22AIRS%22)의 AIRS/Aqua L3 Daily Support Product (AIRS+AMSU) 1degree x 1 degree V006 (AIRX3SPD.00)로 부터 획득하였다. AIRS와 AMSU (Advanced Microwave Sounding Unit)은 2002년 5월에 발사된 Aqua위성에 탑재된 Sounding suite이다(Aumann et al.
본 연구에서 사용된 지점 측정 장비로 측정된 지표이산화질소 혼합비 자료는 에어코리아(Air Korea)에서 취득하였다 (http://www.airkorea.or.kr/last_amb_hour_data). 이산화질소 지상관측자료의 경우 1시간 단위로 제공되기 때문에 본 연구에서 사용된 위성자료와의 시간을 맞추기 위하여 13시와 14시 자료를 평균한 값을 사용하였다.
kr/last_amb_hour_data). 이산화질소 지상관측자료의 경우 1시간 단위로 제공되기 때문에 본 연구에서 사용된 위성자료와의 시간을 맞추기 위하여 13시와 14시 자료를 평균한 값을 사용하였다. 선행연구에서는 위성관측자료가 한 픽셀내의 넓은 지역에서 골고루 분포하고 있는 이산화질소 평균값을 반영하며 지점 관측 자료는 위성자료에 비해 좁은 범위의 이산화질소 농도를 반영하기 때문에 두 자료의 관측 범위에서 오는 차이를 고려하기 위하여 지점 측정자료를 이산화질소 농도 분포에 따라서 나누어서 진행하였다(ORDÓNEZ et al.
또한 지상측정자료와 OMI 자료의 공간적 범위의 차이가 있기 때문에 OMI 위성의 한 격자 내에서 지상 자료가 한곳에 집중되어있지 않고 고르게 분포되도록 각 지역별로 최소 2 km 이상 떨어진 지점 관측소를 3개 이상 선택하고 관측자료를 평균하여 사용하였다. 경북 의성 지역의 경우 지점 관측소가 OMI 격자내에 1개만 위치하기 때문에 1개의 지점 관측 자료만 사용하였다.
do?menu=SFC&MNU=MNU). 본 연구에는 지표면 온도, 지표면 압력, 지표면 이슬점 온도, 지표면 풍향, 지표면 풍속 자료를 사용하였다. 지상기상관측 자료의 경우 1시간 마다 관측되기 때문에 13시와 14시의 평균값을 사용하였다.
본 연구에서는 세가지 회귀모델로 OMI 이산화질소 칼럼농도를 이용하여 이산화질소 지표 혼합비를 산출하였다. 본 연구에 사용된 회귀모델은 Table 2에 요약 되어있다.
M3M은 월평균 지표 이산화질소 혼합비를 추정 하는 회귀모델이고 M3D는 13:45에서 지표 이산화질소혼합비를 추정하는 회귀모델이다. 본 연구에서는 선행연구(Xue and Yin, 2014)에서 제시된 대류권 미량기체의 칼럼농도와 상관관계가 있을 것으로 추측이 되는 온도, 이슬점 온도, 기압, 풍향, 풍속을 포함하는 기상인자들을 독립변수 후보로 사용하였다. Table 3는 M3M, M3D에서 최종 채택된 변수들의 각 변수 별 유의확률(pvalue)과 분산팽창계수(variance inflation factor; VIF) 분석결과를 보여준다.
본 연구에서 사용된 이산화질소 칼럼농도 자료는 NASA (National Aeronautics and Space Administration) Goddard Earth Sciences Data and Information Services Center (http://disc.sci.gsfc.nasa.gov/Aura/data-holdings/OMI)에서 제공하는 OMI Level3 NO2 Daily data (OMNO2d)로부터 획득하였다.
성능/효과
본 연구에서는 OMI 센서로 관측된 이산화질소 대류권 칼럼농도를 활용하여 세가지 회귀분석방법으로 대한민국 서울지역에서 13:45에서의 월 평균, 일 지표 이산화질소 혼합비를 처음으로 추정하였다. 13:45에서 월평균 및 일 지표 이산화질소 혼합비 추정값이 지점 관측소에서 측정한 값의 시간 변화 추세를 잘 반영하는 경향을 보였다.
월평균 지표 이산화질소 혼합비 추정한 값과 지점 관측소에서 측정된 월평균 지표 이산화질소 혼합비와의 통계분석결과 M3M 방법으로 추정된 월평균 지표 이산화질소 혼합비가 좋은 상관성 (서서울: R = 0.81, 동서울: R = 0.72)을 보였다. 또한 M1, M2, M3M으로 추정된 월평균 지표 이산화질소 혼합비와 지점 측정된 월평균 지표 이산화질소 혼합비와의 여러 가지의 통계적 분석결과 M3M 방법이 M1, M2 방법보다 가장 좋은 성능을 보여주었다.
72)을 보였다. 또한 M1, M2, M3M으로 추정된 월평균 지표 이산화질소 혼합비와 지점 측정된 월평균 지표 이산화질소 혼합비와의 여러 가지의 통계적 분석결과 M3M 방법이 M1, M2 방법보다 가장 좋은 성능을 보여주었다. 또한 M1, M2, M3M 방법으로 산출된 값이 지점 측정에 비하여 과소추정 되는 경향이 나타났다.
13:45에서 일 지표 이산화질소 혼합비를 M1, M2, M3D 방법으로 추정한 값과 지점 관측소에서 측정된 일지표 이산화질소 혼합비의 통계적 분석결과 M3D 방법으로 추정된 일 지표 이산화질소 혼합비가 지점 측정된 일 지표 이산화질소 혼합비와 상대적으로 높은 상관성(서서울: R = 0.52, 동서울: R = 0.57)을 보여주었다. 일 지표 이산화질소 혼합비 또한 지점 측정값에 비해 과소추정 되는 것을 확인 할 수 있었다.
57)을 보여주었다. 일 지표 이산화질소 혼합비 또한 지점 측정값에 비해 과소추정 되는 것을 확인 할 수 있었다. 본 연구에서 사용된 세 가지 회귀분석모델 중에 여러 가지 기상변수를 적용한 다중회귀분석 방법인 M3M, M3D가 가장 좋은 성능을 보여준다.
일 지표 이산화질소 혼합비 또한 지점 측정값에 비해 과소추정 되는 것을 확인 할 수 있었다. 본 연구에서 사용된 세 가지 회귀분석모델 중에 여러 가지 기상변수를 적용한 다중회귀분석 방법인 M3M, M3D가 가장 좋은 성능을 보여준다.
특히 M3M이 M1, M2보다 더 과소추정 하는 경향을 보였다. 세 모델로 추정된 지표 이산화질소 혼합비와 지점 측정 지표 이산화질소 혼합비 사이의 MAE (Mean Absolute Error)는 3.78-5.80 ppbv, RMSE(Root Mean Square Error)는 4.28-6.91 ppbv, percent difference는 15.40-25.92%로 전반적으로 유사하게 나타났으며, 세 모델 모두 월평균 이산화질소 추정에 있어서 좋은 성능을 보였다.
7은 Table 4의 13:45에서의 M1, M2, M3D로 추정된 일 지표 이산화질소 혼합비와 지점 측정된 일 지표 이산화질소 혼합비 사이의 통계분석결과를 보여준다. 상관계수의 경우 전반적으로 유사하게 나타났지만 M2로 추정된 값과 지점 측정값과의 상관계수가 M1, M3D보다 작게 나타났다. 기울기의 경우 월평균 추정값의 통계분석결과와 유사하게 M3D가 가장 낮은 값을 보였다.
Mean bias도 월평균 추정값의 동일하게 세가지 방법 모두가 음의 값으로 지점 측정값에 비해 과소추정 되는 것을 보였다. 세가지 모델 중에서 M3D 모델이 다른 두 모델로 추정된 13:45에서 일 지표 이산화질소 혼합비와 지점 측정된 지표 이산화질소 혼합비와 사이의 MAE =7.27, 8.66 ppbv,RMSE=9.87, 10.39 ppbv, percent difference= 30.16, 39.83% 값으로 13:45에서 일 지표 이산화질소 혼합비 추정에 있어서 가장 좋은 성능을 보여주었다.
후속연구
본 연구에서는 OMI 이산화질소 대류권 칼럼농도를 활용하여 월 평균과 일 지표 이산화질소 혼합비를 처음으로 추정함을 통하여 위성자료를 통하여 지표 이산화질소 혼합비 산출 가능성을 확인하였다. 하지만 위성자료와 지점 측정 자료와의 이산화질소 측정의 공간적인 범위에 차이에서 오는 값의 차이에 대해서는 추가적인 연구가 필요할 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
이산화질소를 측정하는 대표적인 방법 중 하나는 무엇인가?
따라서 이산화질소는 대기환경과 국민 건강에 영향을 미치는 중요한 기체로서 측정 및 관리가 필수적이다. 그렇기 때문에 이산화질소는 다양한 방법으로 측정되고 있으며 지표에 존재하는 이산화질소를 측정하는 대표적인 방법 중 하나로 화학발광법이 있다. 하지만 이러한 방법으로는 한 지점에서의 지표 이산화질소 농도 정보만을 측정할 수 있다.
인체가 장기적으로 이산화질소에 노출될 경우 어떠한 현상이 나타나는가?
이산화질소는 대기 중에서 낮 시간에 광분해 작용을 통하여 대류권 오존을 생성하는 오존의 전구 물질이다. 인체가 장기적으로 이산화질소에 노출되는 경우 폐 기능 저하 및 호흡기 질환을 유발 할 수 있다(AckermannLiebrich et al., 1997; Schindler et al.
화학발광법의 한계점은 무엇인가?
그렇기 때문에 이산화질소는 다양한 방법으로 측정되고 있으며 지표에 존재하는 이산화질소를 측정하는 대표적인 방법 중 하나로 화학발광법이 있다. 하지만 이러한 방법으로는 한 지점에서의 지표 이산화질소 농도 정보만을 측정할 수 있다. 따라서 지표면 이산화질소의 농도를 광범위한 지역에서 측정하기 위해서는 많은 수의 지점 측정 장비의 운용이 필요하지만 높은 운용비용으로 인하여 지점 측정 장비를 이용한 지표면 이산화질소 농도 관측이 어렵다. 최근에 들어서 넓은 범위를 짧은 시간 내에 관측할 수 있는 위성을 통한 이산화질소 칼럼농도 측정 연구가 활발이 이루어지고 있다.
참고문헌 (17)
Ackermann-Liebrich, U., P. Leuenberger, J. Schwartz, C. Schindler, C. Monn, G. Bolognini, J.P. Bongard, O. Brandli, G. Domenighetti, S. Elsasser, and L. Grize, 1997. Lung function and long term exposure to air pollutants in Switzerland. Study on Air Pollution and Lung Diseases in Adults (SAPALDIA) Team. American journal of respiratory and critical care medicine, 155(1), pp.122-129.
Aumann, H.H., M.T. Chahine, C. Gautier, M.D. Goldberg, E. Kalnay, L.M. McMillin, H. Revercomb, P.W. Rosenkranz, W.L. Smith, D.H. Staelin, and L.L. Strow, 2003. AIRS/AMSU/HSB on the Aqua mission: Design, science objectives, data products, and processing systems. IEEE Transactions on Geoscience and Remote Sensing, 41(2), pp.253-264.
Boersma, K.F., H.J. Eskes, and E.J. Brinksma, 2004. Error analysis for tropospheric NO2 retrieval from space. Journal of Geophysical Research: Atmospheres, 109(D4).
Boersma, K.F., H.J. Eskes, J.P. Veefkind, E.J. Brinksma, R.J. Van Der A, M. Sneep, G.H.J. Van Der Oord, P.F. Levelt, P. Stammes, J.F. Gleason, and E.J. Bucsela, 2006. Near-real time retrieval of tropospheric NO 2 from OMI. Atmospheric Chemistry and Physics Discussions, 6(6), pp.12301-12345.
Chahine, M.T., T.S. Pagano, H.H. Aumann, R. Atlas, C. Barnet, J. Blaisdell, L. Chen, M. Divakarla, E.J. Fetzer, M. Goldberg, and C. Gautier, 2006. AIRS: Improving weather forecasting and providing new data on greenhouse gases. Bulletin of the American Meteorological Society, 87(7), pp.911-926.
James Gauderman, W., R.O.B. McConnell, F. Gilliland, S. London, D. Thomas, E. Avol, H. Vora, K. Berhane, E.B. Rappaport, F. Lurmann, and H.G. Margolis, 2000. Association between air pollution and lung function growth in southern California children. American journal of respiratory and critical care medicine, 162(4), pp.1383-1390.
Kharol, S.K., R.V. Martin, S. Philip, B. Boys, L.N. Lamsal, M. Jerrett, M. Brauer, D.L. Crouse, C. McLinden, and R.T. Burnett, 2015. Assessment of the magnitude and recent trends in satellitederived ground-level nitrogen dioxide over North America. Atmospheric Environment, 118, pp.236-245.
Leue, C., M. Wenig, T. Wagner, O. Klimm, U. Platt, and B. Jahne, 2001. Quantitative analysis of NOx emissions from Global Ozone Monitoring Experiment satellite image sequences. Journal of Geophysical Research: Atmospheres, 106(D6), pp.5493-5505.
Levelt, P.F., E. Hilsenrath, G.W. Leppelmeier, G.H. van den Oord, P.K. Bhartia, J. Tamminen, J.F. de Haan, and J.P. Veefkind, 2006. Science objectives of the ozone monitoring instrument. IEEE Transactions on Geoscience and Remote Sensing, 44(5), pp.1199-1208.
Martin, R.V., K. Chance, D.J. Jacob, T.P. Kurosu, R.J. Spurr, E. Bucsela, J.F. Gleason, P.I. Palmer, I. Bey, A.M. Fiore, and Q. Li, 2002. An improved retrieval of tropospheric nitrogen dioxide from GOME. Journal of Geophysical Research: Atmospheres, 107(D20).
Ordonez, C., A. Richter, M. Steinbacher, C. Zellweger, H. Nu $\ss$ , J.P. Burrows, and A.S.H. Pevot, 2006. Comparison of 7 years of satellite-borne and ground-based tropospheric NO2 measurements around Milan, Italy. Journal of Geophysical Research: Atmospheres, 111(D5).
Panella, M., V. Tommasini, M. Binotti, L. Palin, and G. Bona, 2000. Monitoring nitrogen dioxide and its effects on asthmatic patients: Two different strategies compared. Environmental monitoring and assessment, 63(3), pp.447-458.
Schindler, C., U. Ackermann-Liebrich, P. Leuenberger, C. Monn, R. Rapp, G. Bolognini, J.P. Bongard, O. Brandli, G. Domenighetti, W. Karrer, and R. Keller, 1998. Associations between Lung Function and Estimated Average Exposure to NO2 in Eight Areas of Switzerland. Epidemiology, 9(4), pp.405-411.
Smith, B.J., M. Nitschke, L.S. Pilotto, R.E. Ruffin, D.L. Pisaniello, and K.J. Willson, 2000. Health effects of daily indoor nitrogen dioxide exposure in people with asthma. European Respiratory Journal, 16(5), pp.879-885.
Xue, D. and J. Yin, 2014. Meteorological influence on predicting surface SO2 concentration from satellite remote sensing in Shanghai, China. Environmental monitoring and assessment, 186(5), pp.2895-2906.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.