본 연구에서는 서울지역의 지상 미세먼지($PM_{2.5}$) 농도를 산출하기 위하여 경험적인 모델들을 개발하였다. 연구에 이용한 자료는 2012년 1월 1일부터 2013년 12월 31일까지이며 Terra와 Aqua위성의 MODIS센서에서 산출되는 에어로졸 광학두께, 옹스트롬 지수, 기상변수들과 행성경계층두께와 관련된 6개의 다중 선형 회귀모델들의 차이를 분석하였다. 그 결과 에어로졸 광학두께와 옹스트롬 지수, 상대습도, 풍속, 풍향, 행성경계층두께, 기온 자료를 입력 자료로 사용한 $M_6$모델이 가장 좋은 결과를 보였다. 통계적인 분석에 따르면 $M_6$ 모델을 사용하여 계산된 $PM_{2.5}$와 관측된 $PM_{2.5}$농도 사이의 결과는 상관계수(R=0.62)와 평균제곱근오차($RMSE=10.70{\mu}gm^{-3}$)이다. 또한 산출된 계절별 지표면 $PM_{2.5}$농도는 여름철(R=0.38)과 겨울철(R=0.56)보다 봄(R=0.66)과 가을철(R=0.75)에 상대적으로 더 좋은 상관 관계를 보였다. 이러한 결과는 에어로졸 광학두께의 계절별 관측 특성으로 인한 것으로써 다른 계절에 비하여 여름과 겨울철 에어로졸 광학두께 관측이 구름과 눈/얼음 표면에 의한 관측 제한과 오차를 가져온 것으로 분석되었다. 따라서 본 연구에서 사용한 경험적 다중선형회귀 모델은 위성에서 산출된 에어로졸 광학두께 자료가 지배적인 변수로 작용하며 $PM_{2.5}$산출 결과들을 향상시키기 위해서는 추가적인 기상 변수를 이용해야 할 것이다. 또한 경험적 다중선형회귀 모델을 이용하여 $PM_{2.5}$를 산출한 결과는 인공위성 자료로부터 대기환경 감시를 가능하게 하는 방법이 될 수 있어 유용할 것이다.
본 연구에서는 서울지역의 지상 미세먼지($PM_{2.5}$) 농도를 산출하기 위하여 경험적인 모델들을 개발하였다. 연구에 이용한 자료는 2012년 1월 1일부터 2013년 12월 31일까지이며 Terra와 Aqua위성의 MODIS센서에서 산출되는 에어로졸 광학두께, 옹스트롬 지수, 기상변수들과 행성경계층두께와 관련된 6개의 다중 선형 회귀모델들의 차이를 분석하였다. 그 결과 에어로졸 광학두께와 옹스트롬 지수, 상대습도, 풍속, 풍향, 행성경계층두께, 기온 자료를 입력 자료로 사용한 $M_6$모델이 가장 좋은 결과를 보였다. 통계적인 분석에 따르면 $M_6$ 모델을 사용하여 계산된 $PM_{2.5}$와 관측된 $PM_{2.5}$농도 사이의 결과는 상관계수(R=0.62)와 평균제곱근오차($RMSE=10.70{\mu}gm^{-3}$)이다. 또한 산출된 계절별 지표면 $PM_{2.5}$농도는 여름철(R=0.38)과 겨울철(R=0.56)보다 봄(R=0.66)과 가을철(R=0.75)에 상대적으로 더 좋은 상관 관계를 보였다. 이러한 결과는 에어로졸 광학두께의 계절별 관측 특성으로 인한 것으로써 다른 계절에 비하여 여름과 겨울철 에어로졸 광학두께 관측이 구름과 눈/얼음 표면에 의한 관측 제한과 오차를 가져온 것으로 분석되었다. 따라서 본 연구에서 사용한 경험적 다중선형회귀 모델은 위성에서 산출된 에어로졸 광학두께 자료가 지배적인 변수로 작용하며 $PM_{2.5}$산출 결과들을 향상시키기 위해서는 추가적인 기상 변수를 이용해야 할 것이다. 또한 경험적 다중선형회귀 모델을 이용하여 $PM_{2.5}$를 산출한 결과는 인공위성 자료로부터 대기환경 감시를 가능하게 하는 방법이 될 수 있어 유용할 것이다.
In this study, the empirical models were established to estimate the concentrations of surface-level $PM_{2.5}$ over Seoul, Korea from 1 January 2012 to 31 December 2013. We used six different multiple linear regression models with aerosol optical thickness (AOT), ${\AA}ngstr{\ddot{o...
In this study, the empirical models were established to estimate the concentrations of surface-level $PM_{2.5}$ over Seoul, Korea from 1 January 2012 to 31 December 2013. We used six different multiple linear regression models with aerosol optical thickness (AOT), ${\AA}ngstr{\ddot{o}}m$ exponents (AE) data from Moderate Resolution Imaging Spectroradiometer (MODIS) aboard Terra and Aqua satellites, meteorological data, and planetary boundary layer depth (PBLD) data. The results showed that $M_6$ was the best empirical model and AOT, AE, relative humidity (RH), wind speed, wind direction, PBLD, and air temperature data were used as input data. Statistical analysis showed that the result between the observed $PM_{2.5}$ and the estimated $PM_{2.5}$ concentrations using $M_6$ model were correlations (R=0.62) and root square mean error ($RMSE=10.70{\mu}gm^{-3}$). In addition, our study show that the relation strongly depends on the seasons due to seasonal observation characteristics of AOT, with a relatively better correlation in spring (R=0.66) and autumntime (R=0.75) than summer and wintertime (R was about 0.38 and 0.56). These results were due to cloud contamination of summertime and the influence of snow/ice surface of wintertime, compared with those of other seasons. Therefore, the empirical multiple linear regression model used in this study showed that the AOT data retrieved from the satellite was important a dominant variable and we will need to use additional weather variables to improve the results of $PM_{2.5}$. Also, the result calculated for $PM_{2.5}$ using empirical multi linear regression model will be useful as a method to enable monitoring of atmospheric environment from satellite and ground meteorological data.
In this study, the empirical models were established to estimate the concentrations of surface-level $PM_{2.5}$ over Seoul, Korea from 1 January 2012 to 31 December 2013. We used six different multiple linear regression models with aerosol optical thickness (AOT), ${\AA}ngstr{\ddot{o}}m$ exponents (AE) data from Moderate Resolution Imaging Spectroradiometer (MODIS) aboard Terra and Aqua satellites, meteorological data, and planetary boundary layer depth (PBLD) data. The results showed that $M_6$ was the best empirical model and AOT, AE, relative humidity (RH), wind speed, wind direction, PBLD, and air temperature data were used as input data. Statistical analysis showed that the result between the observed $PM_{2.5}$ and the estimated $PM_{2.5}$ concentrations using $M_6$ model were correlations (R=0.62) and root square mean error ($RMSE=10.70{\mu}gm^{-3}$). In addition, our study show that the relation strongly depends on the seasons due to seasonal observation characteristics of AOT, with a relatively better correlation in spring (R=0.66) and autumntime (R=0.75) than summer and wintertime (R was about 0.38 and 0.56). These results were due to cloud contamination of summertime and the influence of snow/ice surface of wintertime, compared with those of other seasons. Therefore, the empirical multiple linear regression model used in this study showed that the AOT data retrieved from the satellite was important a dominant variable and we will need to use additional weather variables to improve the results of $PM_{2.5}$. Also, the result calculated for $PM_{2.5}$ using empirical multi linear regression model will be useful as a method to enable monitoring of atmospheric environment from satellite and ground meteorological data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 연구는 인체의 건강에 치명적인 영향을 미칠 수 있는 미세먼지 탐지를 위한 것으로서 인공위성 자료와 지상 관측 자료로부터 다중 선형회귀모델을 구축하는 것이 핵심이나 다양한 기상 자료들이 사용되어야 할 것이고 특히, 대기 상공에서 고농도의 에어로졸 입자들이 수송되어 올 경우는 AOT550 nm 자료이외에 다양한 지상관측 자료들이 활용되어야 산출되는 PM2.5농도의 오차를 줄일 수 있을 것이다.
, 2006). 이 연구에서는 Terra와 Aqua위성의 Moderate Resolution Imaging Spectroradiometer (MODIS)센서에서 산출된 에어로졸 광학두께 자료를 이용하여 지상에서의 PM2.5 농도 산출을 위한 경험적 다중 선형 회귀식을 구축하고 그 활용 가능성을 분석하였다.
가설 설정
5농도의 예측변수로서 AOT만을 이용하고 M2모델은 AOT변수와 더불어 에어로졸 입자 크기 예측 변수를 사용하였다. 그리고 M3모델에서 사용된 행성경계층두께 자료는 에어로졸 이 행성경계층내에서 균일하게 혼합된 것으로 가정하였다. 이는 행성경계층두께가 작을수록 PM2.
제안 방법
5관측소를 기준으로 MODIS 화소의 평균 거리( o 단위) 변화에 따른 통계값들(상관계수, 평균제곱근오차(Root Mean Square Error, RMSE), 선형회귀식의 기울기, 절편)의 반응도 변화를 분석하였다. Fig. 2는 반응도 변화를 분석하기 위한 방법으로 AOT550nm와 PM2.5농도 자료를 이용하였으며 지상 PM2.5관측소를 기준으로 반경 0.1~0.4o (0.1o 간격)내의 화소들을 평균하고, MODIS (Terra와 Aqua) 관측 시간에 가장 근접한 시 간(Nearest time)과 연속된 3시간의 평균(Mean time) 및 시간 내삽(Interpolation time)하는 방법들을 사용하여 분석한 결과를 나타내었다.
5농도가 증가할 것이다. M4모델은 에어로졸 흡습 성장의 효과를 고려해 주기 위하여 상대습도 자료를 추가적으로 사용하였으며 M5모델은 PM2.5농도에 영향을 미칠 수 있는 풍속, 풍향 그리고 기온의 기상자료를 추가 하였다. 마지막으로, M6모델은 에어로졸의 흡습 성장 항인 f(RH)를 Liu et al.
2c~d의 결과는 상대적으로 미세한 차이를 보이는 것으로 나타났다. 결과적으로 Fig. 2a의 시간평균 방법과 반경 0.2o로 평균된 방법일 경우 상관계수가 가장 높았으나 종합적으로 보았을 때 시간평균방법과 반경 0.1o 이내의 화소들을 평균한 방법의 통계값들이 우수한 것으로 평가되기 때문에 이 연구에서는 PM2.5 관측소를 기준으로 연속된 3시간의 자료를 평균하는 방법과 반경 0.1o 이내의 평균된 MODIS 화소 자료를 통해 시ㆍ공간일치를 수행하였다. 추가적으로 행성경 계층두께 자료는 이와 같이 시ㆍ공간적으로 일치된 자료들에 대하여 시간 내삽을 수행하여 연구하였다.
이 그림에서와 같이 봄철의 PM2.5 농도가 네 계절 중 가장 높게 나타났고 여름철과 겨DNF철은 구름과 적설 때문에 AOT550 nm자료가 부족하여 산출된 PM2.5 농도 수가 다른 계절과 비교하여 적었다.
이 연구에서는 인공위성 및 지상 관측 자료를 이용하여 경험적 다중 선형회귀모델에 의한 PM2.5 농도 추정 연구를 진행하였다. 즉, 2012년 1월 1일부터 2013년 12월 31일까지의 기간 동안 MODIS의 AOT550 nm 및 AE자료, 지상관측 PM2.
5 농도 추정 연구를 진행하였다. 즉, 2012년 1월 1일부터 2013년 12월 31일까지의 기간 동안 MODIS의 AOT550 nm 및 AE자료, 지상관측 PM2.5농도와 AWS의 기상 변수들(상대습도, 풍속, 풍향, 기온) 그리고 RDAPS의 PBLD자료들에 따른 경험적 다중 선형회귀모델을 구축하여 PM2.5농도를 산출 및 검증하였다.
1o 이내의 평균된 MODIS 화소 자료를 통해 시ㆍ공간일치를 수행하였다. 추가적으로 행성경 계층두께 자료는 이와 같이 시ㆍ공간적으로 일치된 자료들에 대하여 시간 내삽을 수행하여 연구하였다. 그리고 이 연구의 PM2.
대상 데이터
그리고 이 연구 지역의 AOT 분석을 위해서 MODIS에서 산출되는 AOT550 nm자료(Level 2.0 Collection 6)와 Ångström exponents (AE)자료를 사용하였다.
연구 기간은 2012년 1월 1일부터 2013년 12월 31일의 자료이며 NASA에서 운용하고 있는 LAADS (Level 1 and Atmosphere Archive and Distribution System)를 통하여 획득하였다. 또한, 이 연구에서 행성경계층두께(Planetary Boundary Layer Depth, PBLD)와 지상 PM2.5농도와의 상관성을 분석을 위하여 사용한 자료는 현재 기상청에서 예보를 위하여 현업으로 사용하고 있는 지역예보모델(Regional Data Assimilation and Prediction System, RDAPS)의 3시간 간격 예측 자료를 이용하였다(Table 1).
이 중 에어로졸 산출물(Terra 위성: MOD04 L2, Aqua 위성: MYD04 L2)은 위성의 직하점에서 약 10 km의 공간해상도를 갖는 자료이다. 연구 기간은 2012년 1월 1일부터 2013년 12월 31일의 자료이며 NASA에서 운용하고 있는 LAADS (Level 1 and Atmosphere Archive and Distribution System)를 통하여 획득하였다. 또한, 이 연구에서 행성경계층두께(Planetary Boundary Layer Depth, PBLD)와 지상 PM2.
연구 대상 지역은 Fig. 1의 서울특별시 지상 미세먼지 관측소(25개소)들이 포함된 지역이고 사용된 자료들은 Table 1에 정리하였다. 즉, 이 연구에서는 Table 1과 같이 서울시 도시 대기 측정소에서 제공하는 지상 PM2.
예로서 Fig. 7은 2012년 5월 9일 0220UTC 사례로서 고농도의 미세먼지가 수송되어 오는 사례를 나타내었다. Fig.
즉, Fig. 5는 연구 기간 및 연구 지역에 대한 Table 2의 M6 모델에 의한 PM2.5농도 계산 결과(총 2526개 자료)와 지상관측자료이다. 이 그림에서 M6 모델에 의한 PM2.
1의 서울특별시 지상 미세먼지 관측소(25개소)들이 포함된 지역이고 사용된 자료들은 Table 1에 정리하였다. 즉, 이 연구에서는 Table 1과 같이 서울시 도시 대기 측정소에서 제공하는 지상 PM2.5농도의 시간 자료를 이용하였고 지상 PM2.5농도와 기상 변수들(상대습도, 풍속, 풍향, 기온) 과의 관계를 분석하기 위해서 서울특별시 내에 존재 하는 무인자동기상 관측장비(Automatic Weather Station, AWS)의 시간 자료를 사용하였다(김부경 외, 2012). 그리고 이 연구 지역의 AOT 분석을 위해서 MODIS에서 산출되는 AOT550 nm자료(Level 2.
데이터처리
이 연구에서 사용된 지상 및 위성 관측 자료의 경우에는 지상 PM2.5관측소를 기준으로 가장 가까운 AWS지점의 자료를 공간 일치시킨 후, 약 10 km의 공간 해상도의 인공위성 AOT550 nm 및 AE 자료와 지상 PM2.5농도, 상대습도, 풍속, 풍향 그리고 기온자료 들의 시ㆍ공간일치를 위하여 Fig. 2와 같이 PM2.5관측소를 기준으로 MODIS 화소의 평균 거리( o 단위) 변화에 따른 통계값들(상관계수, 평균제곱근오차(Root Mean Square Error, RMSE), 선형회귀식의 기울기, 절편)의 반응도 변화를 분석하였다. Fig.
이론/모형
5농도에 영향을 미칠 수 있는 풍속, 풍향 그리고 기온의 기상자료를 추가 하였다. 마지막으로, M6모델은 에어로졸의 흡습 성장 항인 f(RH)를 Liu et al. (2008)의 계수들을 이용하여 계산하였다
성능/효과
M2모델은 에어로졸 입자크기 관련 지수인 AE를 추가적으로 이용하였고 그에 따른 상관 계수는 0.56로 증가 하였고 RMSE는 11.35 µg m−3 로 감소하였으며 PBLD항을 추가한 M3모델의 경우는 상관계수와 RMSE가 M2모델 보다 좋아져 각각 0.61와 10.83 µg m−3 이었다.
결과적으로 경험적 다중선형 회귀 모델에 의한 PM2.5산출 과정에서 지배적 변수는 AOT550 nm와 AE및 PBLD이고, 그 이외에 상대습도, 풍향풍속, 기온 그리고 흡수성장 함수 등이 중요 요소로 작용되며 만약 인공위성의 AOT550 nm 변수만으로 PM2.5를 추정 할 경우 비교적 큰 오차가 발생할 수 있기 때문에 주의할 필요가 있다. 또한 Fig.
그 결과, Fig. 2a에서 시간 일치를 위한 방법들의 상관계수는 연속적으로 3시간 평균된 자료가 다른 두 방법의 자료들보다 상관계수가 높았고 반경 평균 변화에 따른 상관계수는 0.2o 일 경우 가장 높았다. 그러나 Fig.
그 결과, 지상의 PM2.5 농도 관측소로부터 반경 0.1 도이내의 인공위성 자료(AOT550 nm)와 지상 관측 자료 (PM2.5농도)의 상관성이 우수하였고 이들 상관성은 이 연구 지역인 서울의 각 지상 관측소마다 차이가 존재하였으며, 성동구와 마포구 관측소의 상관계수가 각각 최대 및 최소값을 나타내었다. 그리고 PM2.
5농도산출을 위한 PBLD와 AOT550 nm의 중요성이 부각된 결과이다. 그리고 상대습도와 풍향풍속 및 기온 그리고 흡수성장 함수가 포함된 M4~M6 모델은 M1~M3 모델에 비교하여 PM2.5농도 산출에 따른 상관계수 및 RMSE 계산결과가 다소 향상되었다. 그 중 M6 모델은 이 연구에서 사용한 모델들 중 가장 우수한 것으로 평가되며 M6 모델에 의한 PM2.
5 농도 수가 다른 계절과 비교하여 적었다. 또한 M6 모델에 의한 PCJFM2.5농도 계산 결과와 지상관측 자료의 계절별 상관성은 가을, 봄, 겨울, 그리고 여름의 순으로 좋게 나타났다. 특히, 가을은 모델과 관측자료에 의한 PM2.
즉, 경험적 다중 선형회귀모델에 의하여 PM2.5농도를 산출할 경우 오직AOT550 nm만을 입력 자료로 사용 하면 지상관측 자료와의 상관 계수와 RMSE가 각각 0.54와 21.04 µg m−3 이었던 반면에 AOT550 nm와 PBLD, 풍속, 풍향, 상대습도 그리고 기온 등의 기상 변수들을 사용하게 되면 상관 계수와 RMSE가 각각 0.62와 10.70 µg m−3 이으로 크게 향상되었다.
특히, 가을은 모델과 관측자료에 의한 PM2.5 농도의 상관 계수와 RMSE가 각각 약 0.75과 6.78 µg m−3로 네 계절 중 가장 잘 일치 하였다.
후속연구
5를 추정 할 경우 비교적 큰 오차가 발생할 수 있기 때문에 주의할 필요가 있다. 또한 Fig. 5~6에서와 같이 인공위성 자료를 이용한 PM2.5산출 결과 향상을 위해서는 추가적 기상 변수 및 다양한 채널 활용 관련 연구가 요구된다.
질의응답
핵심어
질문
논문에서 추출한 답변
미세먼지가 기후학적으로 매우 중요하게 취급되는 이유는 무엇인가?
, 2013; EPA, 2015). 또한 미세먼지는 대기 중에서 태양 복사의 흡수와 산란 및 반사 그리고 구름의 생성과 발달 및 강수 과정에 영향을 미치기 때문에 기후학적으로 매우 중요하게 취급된다(Schwartz et al., 1996; Kaufman et al.
AE란 무엇인가?
0 Collection 6)와 Ångström exponents (AE)자료를 사용하였다. AE는 파장별 에어로졸 광학두께 자료를 이용하여 산출 된 지수로서 이 지수가 클수록 에어로졸 입자 크기가 작음을 의미한다.
MODIS센서의 공간해상도는 얼마인가?
4~14.0 µm범위 내에서 36 개의 채널로 관측되며, 약 0.25~1 km의 공간해상도를 가진 다목적 센서이다. 이 중 에어로졸 산출물(Terra 위성: MOD04 L2, Aqua 위성: MYD04 L2)은 위성의 직하점에서 약 10 km의 공간해상도를 갖는 자료이다.
참고문헌 (27)
Benas, N., Beloconi, A., and Chrysoulakis, N., 2013, Estimation of urban PM10 concentration, based on MODIS and MERIS/AATSR synergistic observations, Atmospheric Environment, 79, 448-454.
Brook, R.D., Rajagopalan, S., Pope, C.A., Brook, J.R., Bhatnagar, A., Diez-Roux, A.V., Holguin, F., Hong, Y.L., Luepker, R.V., Mittleman, M.A., Peters, A., Siscovick, D., Smith, S.C., Whitsel, L., Kaufman, J.D., Epidemiol, A.H.A.C., Dis, D.K.C., and Metab, C.N.P.A., 2010, Particulate matter air pollution and cardiovascular disease: an update to the scientific statement from the American heart association, Circulation, 121, 2331-2378.
Chun, Y. and Lim, J.Y., 2004, The recent characteristics of Asian dust and haze events in Seoul, Korea, Meteorology and Atmospheric Physics, 87, 143-152.
Eck, T.F., Holben, B.N., Reid, J.S., Dubovik, O., Smirnov, A., O'Neill, N.T., Slutsker, I., and Kinne, S., 1999, Wavelength dependence of the optical depth of biomass burning, urban and desert dust aerosols, Journal of Geophysical Research, 104, 31333-31349.
Hoek, G., Krishnan, R.M., Beelen, R., Peters, A., Ostro, B., Brunekreef, B., and Kaufman, J.D., 2013, Long-term air pollution exposure and cardio-respiratory mortality: a review, Environmental Health, 12, doi:10.1186/1476-069X-12-43.
International Panel on Climate Change (IPCC), 2013, Climate Change 2013, The physical science basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
Kaufman, Y.J., Tanre, D., and Boucher, O., 2002, A satellite view of aerosols in the climate system, Nature, 419, 215-223.
Kim, B.K., Lee, D.I., Kim, J.C., and Lee, J.H., 2012, Characteristics of Diurnal Variation of High $PM_{2.5}$ Concentration by Spatio-Temporal Wind System in Busan, Korea, Journal of the Korean Earth Science Society, 33, 469-480. (in Korean)
Kim, H.S., Kim, J.M., and Sohn, J.J., 2012, An Analysis of MODIS Aerosol Optical Properties and Ground-based Mass Concentrations in Central Korea in 2009, Journal of the Korean Earth Science Society, 33, 269-279. (in Korean)
Kim, H.S., Yoon, M.B., and Sohn, J.J., 2010, An Analysis on the Episodes of Large-scale Transport of Natural Airborne Particles and Anthropogenically Affected Particles from Different Sources in the East Asian Continent in 2008, Journal of the Korean Earth Science Society, 31, 600-607. (in Korean)
Lee, K.H., Lee, D.H., and Kim, Y.J., 2006, Application of MODIS satellite observation data for air quality forecast, Journal of Korean Society for Atmospheric Environment, 22(6), 851-862. (in Korean)
Lee, K.H. and Park, S.S., 2012, Relationship between $PM_{2.5}$ mass concentrations and MODIS aerosol optical thickness at Dukjuk and Jeju island, Korean Journal of Remote Sensing, 28(4), 449-458. (in Korean)
Li, C., Tsa,y S.C., Hsu, N.C., Kim, J.Y., Howell S.G., Huebert B.J., Ji Q., Jeong M.-J., Wang S.-H., Hansell R.A., and Bell S.W., 2012, Characteristics and composition of atmospheric aerosols in Phimai, central Thailand during BASE-ASIA, Atmospheric Environment, doi:10.1016/j.atmosenv.2012.04.003.
Liu, Y., Sarnat, J.A., Kilaru V., Jacob, D.J., and Koutrakis, P., 2005, Estimating ground-level $PM_{2.5}$ in the Eastern United States using satellite remote sensing, Environmental Science and Technology, 39, 3269-3278.
Liu, Y., Franklin, M., Kahn, R., and Koutrakis, P., 2007, Using aerosol optical thickness to predict ground-level $PM_{2.5}$ concentrations in the St. Louis area: A comparison between MISR and MODIS, Remote Sensing of Environment, 107, 33-44.
Pan, X.L., Yan, P., Tang, J., Ma, J.Z., Wang, Z.F., Gbaguidi, A., and Sun, Y.L., 2009, Observational study of influence of aerosol hygroscopic growth on scattering coefficient over rural area near Beijing mega-city, Atmospheric Chemistry and Physics, 9, 7519-7530.
Schwartz, J., Dockery, W., and Neas, L.M., 1996, Is daily mortality associated specifically with fine particles, Journal of the Air & Waste Management Association, 46, 927-939.
Seo, S., Kim J., Jeong, U., Kim, W., Holben, B.N., Kim S.-W., Song C.H., and Lim J.H., 2015, Estimation of $PM_{10}$ concentrations over Seoul using multiple empirical models with AERONET and MODIS data collected during the DRAGON-Asia campaign, Atmospheric Chemistry and Physics, 15, 319-334.
Tiwari, S., Chate, D.M., Srivastava, A.K., Bisht, D.S. and Padmanabhamurty, B., 2012, Assessments of PM1, $PM_{2.5}$ and $PM_{10}$ concentrations in Delhi at different mean cycles. Geofizika, 29, 51-57.
World Health Organization, 2006, Health risks of particulate matter from long-range transboundary air pollution, Eur. Cent. For Environ. And Health, Bonn, Germany.
Xin, J., Zhang, Q., Wang, L., Gong, C., Wang, Y., Liu, Z., and Gao, W., 2014, The empirical relationship between the $PM_{2.5}$ concentration and aerosol optical depth over the background of North China from 2009 to 2011, Atmospheric Research, 138, 179-188.
Zhao, H., Che, H., Zhang, X., Ma, Y., Wang, Y., Wang, H., and Wang, Y., 2013, Characteristics of visibility and particulate matter (PM) in an urban area of Northeast China., Atmospheric Pollution Research, 4, 427-434.
Zheng, J., Che, W., Zheng, Z., Chen, L., and Zhong, L., 2013, Analysis of spatial and temporal variability of PM10 concentrations using MODIS aerosol optical thickness in the Pearl River Delta region, China, Aerosol and Air Quality Research, 13, 862-876.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.