Millions of People die every year from diseases caused by exposure to outdoor air pollution. Especially, one of the most severe types of air pollution is fine particulate matter (PM10, PM2.5). South Korea also has been suffered from severe PM. This paper analyzes regional risks induced by PM10 and P...
Millions of People die every year from diseases caused by exposure to outdoor air pollution. Especially, one of the most severe types of air pollution is fine particulate matter (PM10, PM2.5). South Korea also has been suffered from severe PM. This paper analyzes regional risks induced by PM10 and PM2.5 that have affected domestic area of Korea during 2014~2016.3Q. We investigated daily maxima of PM10 and PM2.5 data observed on 284 stations in South Korea, and found extremely high outlier. We employed extreme value distributions to fit the PM10 and PM2.5 data, but a single distribution did not fit the data well. For theses reasons, we implemented extreme mixture models such as the generalized Pareto distribution(GPD) with the normal, the gamma, the Weibull and the log-normal, respectively. Next, we divided the whole area into 16 regions and analyzed characteristics of PM risks by developing the FN-curves. Finally, we estimated 1-month, 1-quater, half year, 1-year and 3-years period return levels, respectively. The severity rankings of PM10 and PM2.5 concentration turned out to be different from region to region. The capital area revealed the worst PM risk in all seasons. The reason for high PM risk even in the yellow dust free season (Jun. ~ Sep.) can be inferred from the concentration of factories in this area. Gwangju showed the highest return level of PM2.5, even if the return level of PM10 was relatively low. This phenomenon implies that we should investigate chemical mechanisms for making PM2.5 in the vicinity of Gwangju area. On the other hand, Gyeongbuk and Ulsan exposed relatively high PM10 risk and low PM2.5 risk. This indicates that the management policy of PM risk in the west side should be different from that in the east side. The results of this research may provide insights for managing regional risks induced by PM10 and PM2.5 in South Korea.
Millions of People die every year from diseases caused by exposure to outdoor air pollution. Especially, one of the most severe types of air pollution is fine particulate matter (PM10, PM2.5). South Korea also has been suffered from severe PM. This paper analyzes regional risks induced by PM10 and PM2.5 that have affected domestic area of Korea during 2014~2016.3Q. We investigated daily maxima of PM10 and PM2.5 data observed on 284 stations in South Korea, and found extremely high outlier. We employed extreme value distributions to fit the PM10 and PM2.5 data, but a single distribution did not fit the data well. For theses reasons, we implemented extreme mixture models such as the generalized Pareto distribution(GPD) with the normal, the gamma, the Weibull and the log-normal, respectively. Next, we divided the whole area into 16 regions and analyzed characteristics of PM risks by developing the FN-curves. Finally, we estimated 1-month, 1-quater, half year, 1-year and 3-years period return levels, respectively. The severity rankings of PM10 and PM2.5 concentration turned out to be different from region to region. The capital area revealed the worst PM risk in all seasons. The reason for high PM risk even in the yellow dust free season (Jun. ~ Sep.) can be inferred from the concentration of factories in this area. Gwangju showed the highest return level of PM2.5, even if the return level of PM10 was relatively low. This phenomenon implies that we should investigate chemical mechanisms for making PM2.5 in the vicinity of Gwangju area. On the other hand, Gyeongbuk and Ulsan exposed relatively high PM10 risk and low PM2.5 risk. This indicates that the management policy of PM risk in the west side should be different from that in the east side. The results of this research may provide insights for managing regional risks induced by PM10 and PM2.5 in South Korea.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
5 및 PM10의 평균에만 초점이 맞춰져있어 고농도 발생에 따른 리스크 연구가 매우 부족한 실정이다. 따라서 본 연구에서는 EVT를 활용하여 우리나라 지역 별로 미세먼지 리스크를 분석하고, 지역별 대책 마련에 근거가 되고자 한다. 2장에서는 리스크 분석를 위한 EVT에 대해 살펴보고, 3장에서는 우리나라 지역별 미세먼지 분석을 진행한다.
본 연구에서는 Behrens 등이 제안한 극단치 혼합모형을 사용하여, 단일 극단치 분포로 설명하기 어려운 미세먼지에 대해 보다 정확한 리스크 분석을 하고자 한다.
본 연구에서는 우리나라의 각 시도별 미세먼지 농도의 분석과 리스크 수준을 측정하였고, 이에 대해 지역별 미세먼지 특성을 분석하였다. 우리나라 미세먼지 수준은 매우 심각한 수준이다.
가설 설정
또한, 지역 별로 미세먼지의 특성과 수준이 다르다는 것이다. 수도권은 황사나 공장 단지로 인해 미세먼지가 가장 높은 지역이고 최우선적으로 개선이 시급한 지역이다.
제안 방법
지역 별 미세먼지 리스크 분석을 위해 다양한 혼합분포를 적용하였다. GPD와 함께 혼합분포에 사용되는 분포는 정규분포 (Normal), Hybrid Pareto, 감마분포 (Gamma), 대수정규분포(Lognormal), 웨이블분포 (Weibull) 등 5가지이며, 추가로 GEV 단일분포를 적용하였다. 또한, 각 분포마다 중심부분과 꼬리부분의 추정된 임계치로 구분하여 비교분석 하였다.
5의 초과빈도는 중간 수준이다. PM10의 농도와 빈도는 낮으나 PM2.5는 높게 나타나는 광주 지역의 미세먼지 원인을 유추하고자, 중국의 황사가 없는 6~9월의 미세먼지와 풍향과의 상관관계를 분석하였다.
그러므로 자료의 평균을 분석하기보다는 최대치 및 극단치를 분석하는 것이 타당하다고 볼 수 있다. 따라서 각 지역별로 PM10은 1,004개의 일일 최대치(Daily Maxima), PM2.5는 639개의 일일 최대치를 이용하여 분석을 진행하였다. (단, PM2.
GPD와 함께 혼합분포에 사용되는 분포는 정규분포 (Normal), Hybrid Pareto, 감마분포 (Gamma), 대수정규분포(Lognormal), 웨이블분포 (Weibull) 등 5가지이며, 추가로 GEV 단일분포를 적용하였다. 또한, 각 분포마다 중심부분과 꼬리부분의 추정된 임계치로 구분하여 비교분석 하였다. 각 모수들을 최대우도(Maximum likelihood) 방법으로 추정하였다.
본 연구에서 HX(x|η)는 정규분포 (Normal), Hybrid Pareto, 감마분포 (Gamma), 대수정규분포(Lognormal), 웨이블분포 (Weibull) 등 5가지 분포를 사용하여 비교분석한다.
(x|η)는 정규분포 (Normal), Hybrid Pareto, 감마분포 (Gamma), 대수정규분포(Lognormal), 웨이블분포 (Weibull) 등 5가지 분포를 사용하여 비교분석한다. 분석을 위해 R의 evd, evmix 패키지 등을 활용하였다14-16).
이번 연구의 첫 번째 시사점은 미세먼지의 평균에 초점을 맞춘 것이 아닌, 극단치이론을 통해 지역별로 고농도 미세먼지 발생에 초점을 맞추고 분석한 것이다. 우리나라의 미세먼지는 고농도가 빈번히 발생하지만 이에 대한 연구가 부족하였고, 본 연구를 통해 고농도에 대한 리스크를 측정할 수 있었다.
지역 별 미세먼지 리스크 분석을 위해 다양한 혼합분포를 적용하였다. GPD와 함께 혼합분포에 사용되는 분포는 정규분포 (Normal), Hybrid Pareto, 감마분포 (Gamma), 대수정규분포(Lognormal), 웨이블분포 (Weibull) 등 5가지이며, 추가로 GEV 단일분포를 적용하였다.
지역별 (초)미세먼지 분석을 위해 우리나라의 시·도 기준으로 16개의 지역구로 나누었고, Fig. 1처럼 각 지역 미세먼지 농도의 확률밀도함수를 추정하였다.
대상 데이터
미세먼지(PM10)는 2014년~2016년 3분기까지 각 도시 262개, 교외대기 19개, 국가배경 3개 등 총 284개의 관측소로부터 시간 단위로 측정되었다. (단, 초미세먼지(PM2.5)는 2015년 1월부터 측정되었다.)
Table 5는 미세먼지가 심한 지역인 서울, 인천, 경기지역에서 500 μg/m3이상이 발생한 날을 선별하고, 백령도의 관측소와 비교를 하였다.
또한 미세먼지와 풍향의 상관관계를 분석하기 위해 기상청 국가기후데이터센터로부터 기상자료를 수집하여 활용하였다.
지역별 (초)미세먼지 분석을 위해 국립환경과학원에서 제공하는 미세먼지 확정자료를 이용하였다. 미세먼지(PM10)는 2014년~2016년 3분기까지 각 도시 262개, 교외대기 19개, 국가배경 3개 등 총 284개의 관측소로부터 시간 단위로 측정되었다. (단, 초미세먼지(PM2.
지역별 (초)미세먼지 분석을 위해 국립환경과학원에서 제공하는 미세먼지 확정자료를 이용하였다. 미세먼지(PM10)는 2014년~2016년 3분기까지 각 도시 262개, 교외대기 19개, 국가배경 3개 등 총 284개의 관측소로부터 시간 단위로 측정되었다.
이론/모형
또한, 각 분포마다 중심부분과 꼬리부분의 추정된 임계치로 구분하여 비교분석 하였다. 각 모수들을 최대우도(Maximum likelihood) 방법으로 추정하였다.
미세먼지에 대한 리스크를 표현하기 위해 초과 미세먼지 수준의 발생확률을 FN-curve로 나타내었다. Fig.
본 논문에서는 모수추정 방법으로 우도-기반 기법(likelihood-based techniques)을 활용하였다. 우도기반기법은 모수추정 방법중 가장 널리 사용되고 복잡한 데이터에 잘 적용이 된다.
성능/효과
PM10의 경우 제주 지역을 제외하고는 모든 지역이 대수정규분포(Lognormal)와 GPD의 혼합모형이 우수한 모형으로 나타났다.
5의 경우도 Lognormal과 GPD의 혼합분포가 가장 적합한 지역이 많았고, 혼합모형이 아닌 GEV단일 모형도 여러 지역에서 가장 적합하였다. 강원과 울산은 Gamma와 GPD의 혼합분포가 적합하였고, 충북은 Weibull과 GPD의 혼합분포가 가장 잘 추정하였다.
또한, 이산화탄소, 오존, 미세먼지. 초미세먼지 등의 상관관계로 대기오염 수준이 높아짐을 분석하였다. Sun 등11)은 켈리포니아 북부의 초미세먼지 분석을 위해 극단치 분포와 Hidden Markov model을 함께 사용하여 일반적인 가우시안 모델을 사용하는 것보다 극단분포의 사용이 향상된 결과를 얻을 수 있음을 보여주었다.
Gavin 등8)은 전 세계의 미세먼지 분석을 수행하기에는 자료를 모니터링하는데 한계가 있다는 것을 설명하며, 위성, 지역 모니터링, 기타 등에서 미세먼지 데이터를 구하고 이를 통합하여 분석하는 기법을 개발하였다. 통합된 데이터로 미세먼지 현황을 보여주었는데, 동아시아 지역이 특히 농도가 높고 극단치를 보여주는 지역으로 나타났다. Amin 등9)은 미세먼지 농도에 경향이 보이는 말레이시안 지역에 베이지안 기반의 비정상성(Non-stationary) 극단분포를 이용하여 모델링하는 것을 보여주었다.
후속연구
공장단지, 발전소, 차량배출 등의 측정은 물론이고 간척지, 축산 집중지역, 어업지역 등에서도 정확한 측정과 진단이 요구된다. 또한, 단순히 지역별로 나누는 것이 아니라 모든 대기오염측정소 별로 추가연구를 진행한다면 더욱 정밀한 미세먼지 분석이 가능할 것이다.
5수준이 더 낮다는 것은 공장 의외에 다른 요소가 존재한다고 볼 수 있다. 이러한 차이를 만들어내는 화학적인 매커니즘을 발견한다면 미세먼지 개선에 큰 효과가 있으리라 생각된다. 근본적인 미세먼지의 원인을 찾고 규명하기 위해서는 여러 배출위험원에 대해 측정이 우선되고 개방하여야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
국립환경과학원에 따르면 전체연령을 기준으로 미세먼지 농도의 증가와 사망발생위험의 연관성은 무엇인가?
이렇게 우리나라는 국내 및 국외의 대기오염 영향으로 건강과 경제적으로 심각한 위기에 처해있다. 국립환경과학원7)에 따르면 전체연령을 기준으로 미세먼지 농도가 10μg/m3 증가할 때마다 사망발생위험은 0.44%, 초미세먼지의 경우 0.64%를 높였다. 또한, 65세 이상은 미세먼지 0.
극단치 이론은 무엇인가?
극단치 이론(EVT)은 어떤 사건이 희박하게 발생하지만 영향이 매우 크거나 아주 작은 사건의 리스크를 분석, 주요한 의사결정을 지원하는데 유용한 이론이다. 통계적으로 리스크를 제대로 측정하기 위해서는 확률분포에서 꼬리 영역에 관심을 두어야하고, 이는 극단치의 움직임에 초점을 맞추는 것이 필요하다.
EVT를 사용하여 미세먼지 영향을 분석한 국내 연구의 한계점은 무엇인가?
Park 12)은 일반화극단치분포(Generalized Extreme Value, GEV)를 사용하여 서울시 미세먼지 자료의 시간 및 공간 구조를 분석하였고, 12개월 단위의 재현수준(Return Level)을 구하였다. 하지만 국내에서 아직까지 미세먼지 데이터를 활용하여 리스크를 측정하고 모델링하는 국내연구는 부족한 실정이다. 또한, 대부분의 연구가 PM2.5 및 PM10의 평균에만 초점이 맞춰져있어 고농도 발생에 따른 리스크 연구가 매우 부족한 실정이다. 따라서 본 연구에서는 EVT를 활용하여 우리나라 지역 별로 미세먼지 리스크를 분석하고, 지역별 대책 마련에 근거가 되고자 한다.
참고문헌 (16)
WHO, "WHO Global Urban Ambient Air Pollution", 2016
Q, Zhang et al., "Transboundary Health Impacts of Transported Global Air Pollution and International Trade", Nature, Vol. 543, pp. 705-718, 2017.
OECD, "The Economic Consequences of Outdoor Air Pollution", 2016.
B. G. Loh and G. H. Choi, "Development of IoT-based PM2.5 Measuring Device", Journal of the Korean Society of Safety, Vol. 32, No. 1, pp. 21-26, 2017.
B. G. Loh and G. H. Choi, "Performance Evaluation of Low-cost Optical Components used for Measuring the Optical Density and Concentration of Particulate Matter(PM)", Journal of the Korean Society of Safety, Vol. 31, No. 5, pp. 1-6, 2016.
H. S. Kim, Y. S. Chung and M. B. Yoon, "An Analysis on the Impact of Large-scale Transports of Dust Pollution on Air Quality in East Asia as Observed in Central Korea in 2014", Air Quality, Atmos. & Health, Vol. 9, pp. 83-93, 2016.
National Institute of Environmental Research, "A Study on the Health Impact and Management Policy of PM2.5 in Korea I", 2012.
G. Shaddick et al., "Data Integration Model for Air Quality: A Hierarchical Approach to the Global Estimation of Exposures to Ambient Air Pollution", Journal of the Royal Statistical Society: Series C, Vol. 66, pp.1-5, 2017.
W. Sun et al., "Prediction of 24-hour-average PM 2.5 Concentrations using a Hidden Markov Model with Different Emission Distributions in Northern California", Science of the Total Environment , Vol. 443, pp. 93-103, 2013.
S. Park and H. S. Oh, "Spatio-temporal Analysis of ParticulAte Matter Extremes in Seoul: Use of Multiscale Approach", Stochastic Environmental Research and Risk Assessment, pp. 1-14, 2017.
C. N. Behrens, H. F. Lopes and D. Gamerman, "Bayesian Analysis of Extreme Events with Threshold Estimation", Statistical Modelling, Vol. 4, pp. 227-244, 2004.
D. K. Dey and J. Yan, "Extreme Value Modeling and Risk Analysis: Methods and Applications", A Chapman and Hall Book, 2016.
Y. Hu and C. J. Scarrott, "Evmix: An R package for Extreme Value Mixture Modelling, Threshold Estimation and Boundary Corrected Kernel Density Estimation", Submitted, available from http://www.math.canterbury.ac.nz/-c.scarrott/evmix, 2013.
Stephenson, Alec, "A user's guide to the 'EVD'package (version 2.1)", Department of Statistics. Macquarie University. Australia, 2004.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.