대기질 예보 시스템의 입력 배출목록에 따른 PM2.5 모의 성능 평가 - 중국 및 한국을 중심으로 Evaluation of the Simulated PM2.5 Concentrations using Air Quality Forecasting System according to Emission Inventories - Focused on China and South Korea원문보기
Emission inventory is the essential component for improving the performance of air quality forecasting system. This study evaluated the simulated daily mean $PM_{2.5}$ concentrations in South Korea and China for 1-year period (Sept. 2016~Aug. 2017) using air quality forecasting system whi...
Emission inventory is the essential component for improving the performance of air quality forecasting system. This study evaluated the simulated daily mean $PM_{2.5}$ concentrations in South Korea and China for 1-year period (Sept. 2016~Aug. 2017) using air quality forecasting system which was applied by the emission inventory of E2015 (predicted CAPSS 2015 for South Korea and KORUS 2015 v1 for the other regions). To identify the impacts of emissions on the simulated $PM_{2.5}$, the emission inventory replaced by E2010 (CAPSS 2010 and MIX 2010) were also applied under the same forecasting conditions. These results showed that simulated daily mean $PM_{2.5}$ concentrations had generally suitable performance with both emission data-sets for China (IOA>0.87, R>0.87) and South Korea (IOA>0.84, R>0.76). The impacts of the changes in emission inventories on simulated daily mean $PM_{2.5}$ concentrations were quantitatively estimated. In China, normalized mean bias (NMB) showed 5.5% and 26.8% under E2010 and E2015, respectively. The tendency of overestimated concentrations was larger in North Central and Southeast China than other regions under both E2010 and E2015. Seasonal differences of NMB were higher in non-winter season (28.3% (E2010)~39.3% (E2015)) than winter season (-0.5% (E2010)~8.0% (E2015)). In South Korea, NMB showed -5.4% and 2.8% for all days, but -15.2% and -11.2% for days below $40{\mu}g/m^3$ to minimize the impacts of long-range transport under E2010 and E2015, respectively. For all days, simulated $PM_{2.5}$ concentrations were overestimated in Seoul, Incheon, Southern part of Gyeonggi and Daejeon, and underestimated in other regions such as Jeonbuk, Ulsan, Busan and Gyeongnam, regardless of what emission inventories were applied. Our results suggest that the updated emission inventory, which reflects current status of emission amounts and spatio-temporal allocations, is needed for improving the performance of air quality forecasting.
Emission inventory is the essential component for improving the performance of air quality forecasting system. This study evaluated the simulated daily mean $PM_{2.5}$ concentrations in South Korea and China for 1-year period (Sept. 2016~Aug. 2017) using air quality forecasting system which was applied by the emission inventory of E2015 (predicted CAPSS 2015 for South Korea and KORUS 2015 v1 for the other regions). To identify the impacts of emissions on the simulated $PM_{2.5}$, the emission inventory replaced by E2010 (CAPSS 2010 and MIX 2010) were also applied under the same forecasting conditions. These results showed that simulated daily mean $PM_{2.5}$ concentrations had generally suitable performance with both emission data-sets for China (IOA>0.87, R>0.87) and South Korea (IOA>0.84, R>0.76). The impacts of the changes in emission inventories on simulated daily mean $PM_{2.5}$ concentrations were quantitatively estimated. In China, normalized mean bias (NMB) showed 5.5% and 26.8% under E2010 and E2015, respectively. The tendency of overestimated concentrations was larger in North Central and Southeast China than other regions under both E2010 and E2015. Seasonal differences of NMB were higher in non-winter season (28.3% (E2010)~39.3% (E2015)) than winter season (-0.5% (E2010)~8.0% (E2015)). In South Korea, NMB showed -5.4% and 2.8% for all days, but -15.2% and -11.2% for days below $40{\mu}g/m^3$ to minimize the impacts of long-range transport under E2010 and E2015, respectively. For all days, simulated $PM_{2.5}$ concentrations were overestimated in Seoul, Incheon, Southern part of Gyeonggi and Daejeon, and underestimated in other regions such as Jeonbuk, Ulsan, Busan and Gyeongnam, regardless of what emission inventories were applied. Our results suggest that the updated emission inventory, which reflects current status of emission amounts and spatio-temporal allocations, is needed for improving the performance of air quality forecasting.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 최신 추계배출량 적용에 따른 중국 및 국내 PM2.5 예측 성능 분석을 수행하였다. 중국의 PM2.
본 연구에서는 현재 동북아시아 지역과 한국에 대해 과거 기준연도 배출목록의 대안으로 2015년을 기준으로 개발된 추계 배출목록들을 적용하여, 중국 및 국내 전체 권역별 미세먼지 예측 성능의 개선 효과와 예측 특성을 평가하였다. 개선 효과 평가를 위해 대조군으로 2010년을 기준연도로 개발된 국외 MIX 2010 배출목록과 국내 CAPSS 2010년 배출목록을 적용한 대기 질 모델 예측을 함께 수행하고, 그 결과는 중국 및 국내 지상측정망의 관측 농도와 비교를 통해 예측 성능을 평가하였다.
가설 설정
5와 VOC 배출량은 겨울철에 높게 발생하는 것으로 두 배출목록 모두 할당하고 있다. 두 배출목록에서 PM2.5가 겨울철에 할당비율이 높은 이유는 타 계절에 비해 가정 및 상업부문(RES)의 할당비율이 커짐에 따른 것이다. 이는 겨울철 난방 수요 등에 따른 영향이 반영된 것으로 판단된다.
제안 방법
, 2005) 기상 자료를 이용하였다. WRF 모델의 산정 결과는 MCIP (Meteorology-Chemistry Interface Processor) v3.6을 통해 대기질 모델의 입력자료로 변환하였고, 인위적 배출원 중 점오염원의 유효배출고도 할당과 자연배출량 산정에도 활용되었다. CMAQ 모델에서의 화학 메커니즘은 SAPRC99을 적용하였으며, 에어로졸 모사를 위해 AERO5가 적용되었다.
본 연구에서는 현재 동북아시아 지역과 한국에 대해 과거 기준연도 배출목록의 대안으로 2015년을 기준으로 개발된 추계 배출목록들을 적용하여, 중국 및 국내 전체 권역별 미세먼지 예측 성능의 개선 효과와 예측 특성을 평가하였다. 개선 효과 평가를 위해 대조군으로 2010년을 기준연도로 개발된 국외 MIX 2010 배출목록과 국내 CAPSS 2010년 배출목록을 적용한 대기 질 모델 예측을 함께 수행하고, 그 결과는 중국 및 국내 지상측정망의 관측 농도와 비교를 통해 예측 성능을 평가하였다. 본 연구의 결과는 미세먼지 예보에 있어 대기질 모델의 예측결과를 활용한 예보관의 판단근거로 활용될 수 있으며, 향후 개발될 동북아시아 및 국내 배출목록의 개발 방향 설계에 활용될 수 있을 것으로 기대한다.
대기질 모의를 위한 기상·배출량·대기질 모델의 도메인은 국립환경과학원의 대기질 예보시스템에 적용된 체계를 기반으로 하였다. 그림 1은 모델의 적용 도메인을 나타낸 것으로, 동아시아 지역에 대해 27 km, 국내 9 km 해상도의 격자도메인을 적용하고, 연직 방향으로는 시그마 좌표계를 이용하여 1 5개 층으로 구분하였다. 지역기상모델은 WRF(Weather Research and Forecast) v3.
, 2008)들을 활용하였으며, 중국의 점오염원 정보는 최근 업데이트된 연구 결과(NIER, 2016b)를 추가적으로 반영하였다. 다만 MIX 2010 배출목록의 경우 자체적으로 제공되는 월별 0.25도 격자 배출량 자료를 그림 1에 제시한 연구 도메인에 맞추어 재격자화하고, 배출원별 시간할당 및 화학종분화를 수행하여 적용하였다.
대기질 모델의 예측 성능 평가는 일평균 PM2.5 농도를 기준으로 중국과 국내 지상관측자료와 예측 결과를 비교하였으며, 공간적으로는 국가별, 지역별로, 시간적으로는 연간, 계절별로 분석하였다. 정량적인 모델 예측성 평가를 위하여 NMB (Normalized Mean Bias), RMSE (Root Mean Square Error), IOA (Index Of Agreement), R (Correlation)와 같은 통계지수들을 활용하였으며, 그 정의는 아래와 같다.
본 연구에서는 국내외 2015년 추계배출량(중국 등 국외 KORUS 2015 v1 배출목록 및 한국 CAPSS 2015 추계 배출목록, 이하 E2015) 적용에 따른 중국 및 국내 PM2.5 예측 성능을 2010년 기준연도 배출목록(중국 등 국외 MIX 2010 배출목록 및 한국 CAPSS 2010 배출목록, 이하 E2010) 적용결과와 비교하여 분석하였다. 분석 기간은 최근 1년간(2016년 9월~2017년 8월)을 대상으로, 일평균 PM2.
본 연구에서는 추계배출량 적용에 따른 최근 기간(2016년 9월~2017년 8월) 대기질 모델의 PM2.5 예측성 평가를 위하여 2015년 추계배출량과 2010년 기준연도 국내외 배출량을 적용한 두 가지 모델 모의 실험(표 2 참고)을 진행하였으며, 중국과 국내 지상관측소 전체 일평균 농도를 모델 예측 결과와 비교한 결과를 그림 5에 나타내었다. 중국의 경우, 두 실험 모두 IOA, R 각각 0.
CMAQ 모델에서의 화학 메커니즘은 SAPRC99을 적용하였으며, 에어로졸 모사를 위해 AERO5가 적용되었다. 표 1에 WRF 및 CMAQ 모델의 모사를 위한 세부설정을 제시하였으며, 2010년 기준연도 배출목록과 2015년 추계 배출목록 적용에 따른 비교실험을 위하여 배출목록을 제외한 기상 및 대기질 모델 등 모든 모델링 수행 조건은 동일하게 적용하였다.
대상 데이터
5 농도 예측성 평가를 위하여 중국과 국내 총 1,047개의 지상 관측망 자료와의 비교를 수행하였다. 국내의 경우 도시대기측정망 자료 중, PM2.5 농도 관측 결과를 연구대상기간 동안 제공 가능한 전국 166개 측정소별 관측 자료를 활용하였으며, 중국의 경우 중국환경모니터링센터에서 제공하는 각성시별 지상관측소 실시간 관측자료(http://113.108.142.147:20035/emcpublish) 중 모델 도메인 내에 해당되는 881개소 PM2.5 농도 관측 결과를 활용하였다. 다만 지역별 검증의 경우, 지역 내 측정소 수가 작은 경우(국내 시도별 5개 미만, 중국 성시별 10개 미만) 해당 지역을 대표하는 데 한계가 있다고 판단하여 비교 대상에서 제외하였다.
대기질 모델의 PM2.5 농도 예측성 평가를 위하여 중국과 국내 총 1,047개의 지상 관측망 자료와의 비교를 수행하였다. 국내의 경우 도시대기측정망 자료 중, PM2.
5 예측성 평가를 위하여 표 2와 같이 2가지 종류의 배출입력자료를 준비하였다. 먼저 추계배출량 적용 실험(E2015)의 경우 동북아시아 인위적 배출목록으로 KORUS 2015 v1 추계 배출목록(NIER, 2016a)을, 국내는 CAPSS 2015 추계배출량 자료를 이용하였다. 대조군 실험(E2010)의 경우 동북아시아 인위적 배출목록으로 가장 최신의 기준연도 배출목록으로 국내외 연구에서 널리 이용되고 있는 MIX 2010 배출목록(Li et al.
5 예측 성능을 2010년 기준연도 배출목록(중국 등 국외 MIX 2010 배출목록 및 한국 CAPSS 2010 배출목록, 이하 E2010) 적용결과와 비교하여 분석하였다. 분석 기간은 최근 1년간(2016년 9월~2017년 8월)을 대상으로, 일평균 PM2.5 예측 성능을 평가하였다. 전반적인 대기질 모델의 PM2.
그림 1은 모델의 적용 도메인을 나타낸 것으로, 동아시아 지역에 대해 27 km, 국내 9 km 해상도의 격자도메인을 적용하고, 연직 방향으로는 시그마 좌표계를 이용하여 1 5개 층으로 구분하였다. 지역기상모델은 WRF(Weather Research and Forecast) v3.3 (Skamarock andKlemp, 2008), 대기질 모델은 CMAQ v4.7 (Byun and Ching, 1999)을 적용하고, WRF 기상 모사 시 초기장은 기상청에서 예보에 활용하고 있는 UM (Unified Model,Davies et al., 2005) 기상 자료를 이용하였다. WRF 모델의 산정 결과는 MCIP (Meteorology-Chemistry Interface Processor) v3.
최근 중국 및 국내 PM2.5 농도에 대해 최신 추계배출량 적용에 따른 대기질 모델의 예측 성능 평가를 위하여 최근 1년(2016년 9월~2017년 8월)을 대상으로 연구를 수행하였다. 대기질 모의를 위한 기상·배출량·대기질 모델의 도메인은 국립환경과학원의 대기질 예보시스템에 적용된 체계를 기반으로 하였다.
최신 추계배출량 적용에 따른 대기질 모델의 PM2.5 예측성 평가를 위하여 표 2와 같이 2가지 종류의 배출입력자료를 준비하였다. 먼저 추계배출량 적용 실험(E2015)의 경우 동북아시아 인위적 배출목록으로 KORUS 2015 v1 추계 배출목록(NIER, 2016a)을, 국내는 CAPSS 2015 추계배출량 자료를 이용하였다.
이론/모형
6을 통해 대기질 모델의 입력자료로 변환하였고, 인위적 배출원 중 점오염원의 유효배출고도 할당과 자연배출량 산정에도 활용되었다. CMAQ 모델에서의 화학 메커니즘은 SAPRC99을 적용하였으며, 에어로졸 모사를 위해 AERO5가 적용되었다. 표 1에 WRF 및 CMAQ 모델의 모사를 위한 세부설정을 제시하였으며, 2010년 기준연도 배출목록과 2015년 추계 배출목록 적용에 따른 비교실험을 위하여 배출목록을 제외한 기상 및 대기질 모델 등 모든 모델링 수행 조건은 동일하게 적용하였다.
대기질 모의를 위한 기상·배출량·대기질 모델의 도메인은 국립환경과학원의 대기질 예보시스템에 적용된 체계를 기반으로 하였다.
먼저 추계배출량 적용 실험(E2015)의 경우 동북아시아 인위적 배출목록으로 KORUS 2015 v1 추계 배출목록(NIER, 2016a)을, 국내는 CAPSS 2015 추계배출량 자료를 이용하였다. 대조군 실험(E2010)의 경우 동북아시아 인위적 배출목록으로 가장 최신의 기준연도 배출목록으로 국내외 연구에서 널리 이용되고 있는 MIX 2010 배출목록(Li et al., 2017)을, 국내는 CAPSS 2010 배출목록을 적용하였다. 모델 입력 배출량 작성은 SMOKE (Sparse Matrix Operator Kernel Emissions) 배출처리 모델을 기반으로 국내와 국외 배출목록 처리에 적합하게 개발된 기존배출처리시스템(Woo et al.
, 2017)을, 국내는 CAPSS 2010 배출목록을 적용하였다. 모델 입력 배출량 작성은 SMOKE (Sparse Matrix Operator Kernel Emissions) 배출처리 모델을 기반으로 국내와 국외 배출목록 처리에 적합하게 개발된 기존배출처리시스템(Woo et al., 2012; Kim et al., 2008)들을 활용하였으며, 중국의 점오염원 정보는 최근 업데이트된 연구 결과(NIER, 2016b)를 추가적으로 반영하였다. 다만 MIX 2010 배출목록의 경우 자체적으로 제공되는 월별 0.
식생배출량은 MEGAN (Model of Emissions of Gases and Aerosols from Nature) v2.04 (Guenther etal., 2006) 모델을 기반으로 산정된 결과를 이용하였으며, 비교 대상인 인위적 배출목록을 제외한 식생배출량은 비교 대상 실험들에 모두 동일하게 대기질 모델에 반영하였다.
5 농도를 기준으로 중국과 국내 지상관측자료와 예측 결과를 비교하였으며, 공간적으로는 국가별, 지역별로, 시간적으로는 연간, 계절별로 분석하였다. 정량적인 모델 예측성 평가를 위하여 NMB (Normalized Mean Bias), RMSE (Root Mean Square Error), IOA (Index Of Agreement), R (Correlation)와 같은 통계지수들을 활용하였으며, 그 정의는 아래와 같다.
성능/효과
추계 배출목록(E2015)적용 결과, 모든 지역에서 모델 예측 농도가 증가하면서 호남 및 영남권에서는 과소예측 경향이 다소 개선되었으나, 수도권 지역 및 대전(DJ)의 경우 오히려 과대예측 경향이 두드러졌다. 관측 대비 가장 낮은 모델예측을 보인 지역은 부산(BS)(NMB -23% (E2015)~-29% (E2010))이며, 가장 높은 모델 예측 편차는 E2010의 경우 서울(SU) (NMB 11%), E2015의 경우 대전(DJ)(NMB 19%)으로 나타났다.
3 μg/m3 (E2015)으로 변화하였다. 관측대비 모델 예측 농도의 편차는 NMB (Normalized Mean Bias) 기준 16.8% (E2010)에서 26.8% (E2015)로두 배출목록 모두 평균적으로 과대예측하며, 특히 E2015 적용에 따라 이러한 경향이 증가하였다. 이는 최근 중국의 강력한 환경정책에 따른 배출량 감소 경향이 충분히 반영되지 않았기 때문인 것으로 추정된다.
5 농도 40 μg/m3 이하에 대한 관측값과의 비교 시 성능 평가 지수들을 나타낸 것이다. 국외영향을 강하게 받았을 가능성이 높은 날들을 제외한 결과로, E2010과 E2015 모두 NMB가 각각 -15.2%, -11.2%로 모델 예측 농도가 평균적으로 관측 대비 낮게 예측하고 있으며, 전반적인 추계 배출량(E2015) 증가 결과, E2010 대비 음의 오차가 다소 감소한 것으로 보인다. 현재 모델 실험 결과를 바탕으로 볼 때, 기상 및 대기질 모델에 의한 불확실성과 함께 국내 배출량의 저평가 가능성에 대해서 검토가 필요할 것으로사료된다.
본 연구에서 수행된 최근기간 중국의 PM2.5 예측 성능 평가 결과는, 추계배출량(E2015)이 기존의 배출목록(E2010) 자료에 비해 평균적으로 과대예측함에 따라 오히려 예측 성능이 다소 떨어지는 것으로 나타났다. 이는 추계 산정 방식의 한계일 수 있으나, 최근 빠르게 변화하는 중국의 대기환경 정세가 충분히 반영되지 않았기 때문일 가능성 역시 존재한다.
이는 국외 영향이 포함된 결과로,과대예측된 중국의 모의 결과가 국내에 영향을 미칠 수 있음에 따라 국외 영향이 강하게 작용하였을 가능성이 높은 고농도 시기(모델예측 농도 40 μg/m3 이상)를 제외한 기간에 대한 분석을 추가적으로 수행하였으며, 두 배출목록 기반 모델 예측 결과 모두 과소예측(NMB -11.2% (E2015)~-15.2% (E2010))하는 모습을 보였다.
3%(E2015)로 과대예측 경향을 나타내었다. 이러한 결과는, 본 연구에 적용된 MIX 2010과 KORUS 2015 v1 추계배출목록 모두 최신의 중국 배출 현황을 총배출량과 월별 시간배분 측면에서 충분히 반영하고 있지 못하였을 가능성이 높다는 것을 시사한다. 그림 6은 중국에 대해 모델에서 모의된 PM2.
전반적인 대기질 모델의 PM2.5 예측 성능은 두 배출목록 모두 중국(IOA>0.87, R>0.87)과 한국(IOA>0.84, R0', '> 0')">> 0.76)에 대해 적절한 수준을 보였다.
2% (E2010))하는 모습을 보였다. 전체 대상기간에 대한 평가 결과, 지역별로는 주로 수도권 지역(서울, 인천, 경기남부) 및 대전에서 과대예측(NMB 8~11% (E2010), 14~19% (E2015))하는 모습을 보였으며, 그 외 지역에서는 대부분 과소예측(NMB -29%~4% (E2010), -23%~8% (E2015))하는 모습을 보였다.
5 예측성 평가를 위하여 2015년 추계배출량과 2010년 기준연도 국내외 배출량을 적용한 두 가지 모델 모의 실험(표 2 참고)을 진행하였으며, 중국과 국내 지상관측소 전체 일평균 농도를 모델 예측 결과와 비교한 결과를 그림 5에 나타내었다. 중국의 경우, 두 실험 모두 IOA, R 각각 0.87 이상으로 모델의 관측 농도 변화를 적절하게 모사하고 있는 것으로 확인되나, NMB는 2010년 기준연도 배출량 적용 실험(이하 E2010)과 2015년 추계배출량 적용 실험(이하 E2015) 모두 각각 약 16.8%, 26.8%로 특히 E2015에서 모델의 농도 예측이 관측에 비해 평균적으로 과대모의하는 것으로 확인된다. 그러나 계절별로는 예측 성능이 다르게 나타났다.
중국 동남지역의 경우 E2010의NMB가 3~58%, E2015의 NMB가 18~94%로 두 가지 배출목록 모두 과대예측 경향을 보이며, 특히 상하이 (SHAN)에서 이러한 경향 (E2010: 58%, E2015:94%)이 두드러진다. 중북지역과 동남지역의 과대예측 결과에 따라 중국 전체 예측 농도가 과대예측된 것으로 판단되며, 반면 기타 중국(OTC) 지역의 경우 전반적으로 과소예측 경향을 보였다. 다만 일부 지역(HUBE, HUNA)의 경우 과대예측(HUBE 38~39%,HUNA 34~40%)하는 결과를 보였다.
그림 7(b)의 국내 지역별 예측 오차의 경우, 전반적으로 수도권(SU, IC, GGS) 지역은 과대, 호남(JB, GJ,JN) 및 영남권(DG, GB, US, BS, GN)에서는 모델이 과소예측하는 결과를 나타내었다. 추계 배출목록(E2015)적용 결과, 모든 지역에서 모델 예측 농도가 증가하면서 호남 및 영남권에서는 과소예측 경향이 다소 개선되었으나, 수도권 지역 및 대전(DJ)의 경우 오히려 과대예측 경향이 두드러졌다. 관측 대비 가장 낮은 모델예측을 보인 지역은 부산(BS)(NMB -23% (E2015)~-29% (E2010))이며, 가장 높은 모델 예측 편차는 E2010의 경우 서울(SU) (NMB 11%), E2015의 경우 대전(DJ)(NMB 19%)으로 나타났다.
중국의 NH3는 대부분의 지역에서 KORUS 2015 v1 추계배출량이 크게 산정하고 있으며, 중국 수도권 (징진지)에 해당되는 중북(NCC) 지역의 경우 MIX 2010 대비 유사한 수준을 보였다. 한편, PM2.5와 SO2, NOX, VOC는 중국 중북지역에 대해 MIX 2010 대비 VOC 1.1배 이상, PM2.5와 SO2는 1.5배 이상 높은 배출량을 제시하고 있으며, 그외 지역의 경우 물질별로 증감 추이가 다르게 나타났다. PM2.
지역별로는 베이징, 텐진, 허베이성이 포함된 중국중북지역과 상하이 지역 등 중국 동남지역에서 특히 과대예측하고 있다. 한편, 계절별 NMB 분석 결과, 겨울철(-0.5% (E2010)~8.0% (E2015))에 비해 그 외 기간(28.3% (E2010)~39.3% (E2015))의 과대예측 경향이 크게 나타났으며, 이를 개선하기 위해서는 기상 및 대기질 모델의 불확실성과 함께 중국의 월별 시간할당에 대한 검토 역시 함께 요구된다.
한편, 국내 도시대기측정망의 일평균 PM2.5 농도와 모델 예측 결과 비교 시, E2010과 E2015 모두 IOA와 R값이 0.76 이상으로 모델의 예측이 관측 현상을 적절하게 모의하고 있는 것으로 판단된다. NMB의 경우 E2010과 E2015 각각 -5.
후속연구
중국 동북지역(NEC)의 경우, 헤이룽장성(HEIL)의 예측 결과가 E2010, E2015 모두 -30% 이하로 과소평가하고 있다. 그러나 헤이룽장성은 모델 도메인의 동북쪽 경계면에 위치한 지역으로, 보다 정확한 평가를 위해서는 도메인 경계조건의 영향을 현실적으로 고려할 수 있는 추가적인 실험이 필요할 것으로 판단된다. 전반적으로 한반도에 인접한 중국 중북지역 (NCC), 중남지역(SCC), 동남지역(SEC)에 대해서 E2010과 E2015 모두 과대예측하고 있으며, 이에 따라 국내에 미치는 국외영향을 모델에서 과대 산정할 가능성이 높을 것으로 추정된다.
5 농도 과대예측은, 대기질 모델 기반으로 우리나라에 미치는 대기오염물질 장거리 이동 영향 평가 시주의가 필요함을 시사한다. 또한 PM2.5 예측 성능을 높이기 위한 입력 배출목록의 개선 방안으로, 중국의 최신 환경 정책을 반영한 배출량 자료의 업데이트, 배출원별 시간할당 정보, 국내의 특히 과소예측되는 지역들을 위주로 한 배출량 자료의 검토가 필요함을 시사한다.
개선 효과 평가를 위해 대조군으로 2010년을 기준연도로 개발된 국외 MIX 2010 배출목록과 국내 CAPSS 2010년 배출목록을 적용한 대기 질 모델 예측을 함께 수행하고, 그 결과는 중국 및 국내 지상측정망의 관측 농도와 비교를 통해 예측 성능을 평가하였다. 본 연구의 결과는 미세먼지 예보에 있어 대기질 모델의 예측결과를 활용한 예보관의 판단근거로 활용될 수 있으며, 향후 개발될 동북아시아 및 국내 배출목록의 개발 방향 설계에 활용될 수 있을 것으로 기대한다.
2%로 모델 예측 농도가 평균적으로 관측 대비 낮게 예측하고 있으며, 전반적인 추계 배출량(E2015) 증가 결과, E2010 대비 음의 오차가 다소 감소한 것으로 보인다. 현재 모델 실험 결과를 바탕으로 볼 때, 기상 및 대기질 모델에 의한 불확실성과 함께 국내 배출량의 저평가 가능성에 대해서 검토가 필요할 것으로사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
미세먼지 예보의 정확도 향상에 중요한 요소는 무엇인가?
국내 미세먼지 예보는 관측 자료와 대기질 모델을 이용한 수치 예측 결과를 기반으로 예보관의 판단을 통해 최종적인 예보 등급을 결정하는 체계로 이행되고 있다. 미세먼지 예보의 정확도 향상을 위해서는 예보관의 최종등급 결정에 있어 중요한 요소가 되는 대기질 모델(AQM- Air Quality Model)의 예측성 향상이 매우 중요하다.
통계 기반 배출목록들은 배출량 산정 과정에서 약 2~3년 과거 연도를 기반으로 작성하고 있는데, 이러한 한계의 극복 방안은 무엇인가?
그러나 이러한 통계 기반 배출목록들은 배출량 산정에 필요한 관련 자료들을 수집·분석하기 위한 시간 소요로 인해 약 2~3년 과거 연도를 기반으로 작성되고 있다(NIER, 2014). 이러한 한계를 극복하기 위한 방안으로 과거 기준연도 배출목록으로부터 배출활동에 대한 통계 변화 및 저감 정책 등을 반영하여 현재를 추계한 배출목록이 대안으로 제시되고 있다. 국립환경과학원에서는 대기질 예보 지원을 위한 목적으로 국내 배출량에 대한 2015년 추계 배출목록을 산정하였으며, 국외 동북아시아 배출량의 경우 최근 국내 연구진을 통해 KORUS-AQ 항공관측 연구를 지원하기 위한 목적으로 2010년 CREATE 배출목록을 기반으로 작성된 KORUS 2015 v1 추계 배출목록(NIER, 2016a) 역시 개발된 바 있다.
대기질 모델의 예측 결과에 영향을 주는 요소는 무엇인가?
, 2013)에서는 대기질 모델링 시스템의 정확도 개선을 위한 방향으로 모델 자체의 성능 향상과 이와 연관된 배출량 및 배출 모델링,기상 모델, 그리고 지상 및 인공위성 관측 자료 활용 등 관련/연관 기술의 개선 및 개발을 제시하였다. 일반적으로 대기질 모델의 예측 결과는 그 입력 자료인 기상예측정보와 함께 대기오염물질 배출량의 정확도 역시 영향을 받는 것으로 알려져 있다(Lee et al., 2014).
참고문헌 (27)
Bae, C.H., Kim, H.C., Kim, B.U., Kim, S. (2015) Improvement of PM forecast using PSAT based customized emission inventory over Northeast Asia, 14th Annual CMAS Models-3 Users' Conference, October 5-7, Chapel Hill, NC.
Byun, D.W., Ching, J.K.S. (1999) Science algorithms of the EPA Models-3 community multi-scale air quality (CMAQ) modeling system, NERL, Research Triangle Park, NC.
Chen, F., Dudhia, J. (2001) Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity, Monthly Weather Review, 129(4), 569-585.
Davies, T., Cullen, M.J.P., Malcolm, A.J., Mawson, M.H., Staniforth, A., White, A.A., Wood, N. (2005) A new dynamical core for the Met Office's global and regional modelling of the atmosphere, Quarterly Journal of the Royal Meteorological Society, 131(608), 1759-1782.
Emery, C., Liu, Z., Russell, A.G., Odman, M.T., Yarwood, G., Kumar, N. (2016) Recommendations on statistics and benchmarks to assess photochemical model performance, Journal of the Air and Waste Management Association, 67(5), 582-598.
Ghim, Y.S., Choi, Y., Kim, S., Bae, C.H., Park, J., Shin, H.J. (2017) Evaluation of model performance for forecasting fne particle concentrations in Korea, Aerosol and Air Quality Research, 17(7), 1856-1864.
Guenther, A., Karl, T., Harley, P., Wiedinmyer, C., Palmer, P.I., Geron, C. (2006) Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature), Atmospheric Chemistry and Physics, 6(11), 3181-3210.
Hong, S., Noh, Y., Dudhia, J. (2006) A New Vertical Diffusion Package with an Explicit Treatment of Entrainment Processes, Monthly Weather Review, 134(9), 2318-2341.
Huang, X., Song, Y., Li, M., Li, J., Huo, Q., Cai, X., Zhu, T., Hu, M., Zhang, H. (2012) A high-resolution ammonia emission inventory in China, Global Biogeochemical Cycles, 26(1), 1-14.
Hurley, P.J., Blockley, A., Rayner, K. (2001) Verifcation of a prognostic meteorological and air pollution model for year-long predictions in the Kwinana industrial region of Western Australia, Atmospheric Environment, 35(10), 1871-1880.
Kanaya, Y., Matsui, H., Taketani, F., Pan, X., Komazaki, Y., Wang, Z., Chang, L., Kang, D., Choi, M., Kim, S.Y., Kang, C.H., Takami, A., Tanimoto, H., Ikeda, K., Yamaji, K. (2017) Observed and modeled mass concentrations of organic aerosols and $PM_{2.5}$ at three remote sites around the East China Sea: Roles of chemical aging, Aerosol and Air Quality Research, 17(12), 3091-3105.
Kim, H.C., Kim, E., Bae, C., Cho, J.H., Kim, B.-U., Kim, S. (2017) Regional contributions to particulate matter concentration in the Seoul metropolitan area, South Korea: seasonal variation and sensitivity to meteorology and emissions inventory, Atmospheric Chemistry and Physics, 17(17), 10315-10332.
Kim, J.-H., Choi, D.-R., Koo, Y.-S., Lee, J.-B., Park, H.-J. (2016) Analysis of Domestic and Foreign Contributions using DDM in CMAQ during Particulate Matter Episode Period of February 2014 in Seoul, Journal of Korean Society for Atmospheric Environment, 32(1), 82-99. (in Korean with English abstract)
Kim, S., Moon, N., Byun, D.W. (2008) Korea Emissions Inventory Processing Using the US EPA 's SMOKE System, Asian Journal of Atmospheric Environment, 2(1), 34-46.
Lee, D., Kim, S., Kim, H., Ngan, F. (2014) Retrospective Air Quality Simulations of the TexAQS-II: Focused on Emissions Uncertainty, Asian Journal of Atmospheric Environment, 8(4), 212-224.
Li, M., Zhang, Q., Kurokawa, J.I., Woo, J.H., He, K., Lu, Z., Ohara, T., Song, Y., Streets, D.G., Carmichael, G.R., Cheng, Y., Hong, C., Huo, H., Jiang, X., Kang, S., Liu, F., Su, H., Zheng, B. (2017) MIX: A mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP, Atmospheric Chemistry and Physics, 17(2), 935-963.
National Institute of Environmental Research (NIER) (2014) National air pollutants emission 2012.
National Institute of Environmental Research (NIER) (2016a) An international measurement campaign on megacity air pollution study (II) - Modeling study for investigation of source of urban air pollution and emission inventory verifcation.
National Institute of Environmental Research (NIER) (2016b) Improvement of Ozone Forecast Accuracy and Emission Preparation Model (III).
National Institute of Environmental Research (NIER) (2017) the status of particulate matter and current measures for China 2017.
Park, R.S., Han, K.M., Song, C.H., Park, M.E., Lee, S.J., Hong, S.Y., Kim, J., Woo, J.-H. (2013) Current Status and Development of Modeling Techniques for Forecasting and Monitoring of Air Quality over East Asia, Journal of Korean Society for Atmospheric Environment, 29(4), 407-438. (in Korean with English abstract)
Skamarock, W.C., Klemp, J.B. (2008) A time-split nonhydrostatic atmospheric model for weather research and forecasting applications, Journal of Computational Physics, 227(7), 3465-3485.
U.S. Environmental Protection Agency (US EPA) (2008) Technical Support Document: Preparation of Emissions Inventories for the 2002-based Platform, Version 3, Criteria Air Pollutants.
Willmott, C.J., Ackleson, S.G., Davis, R.E., Feddema, J.J., Klink, K.M., Legates, D.R., O'Donnell, J., Rowe, C.M. (1985) Statistics for the evaluation and comparisons of models, Journal of Geophysical Research, 90(C5), 8995-9005.
Woo, J.-H., Choi, K.-C., Kim, H.K., Baek, B.H., Jang, M., Eum, J.-H., Song, C.H., Ma, Y.-I., Sunwoo, Y., Chang, L.-S., Yoo, S.H. (2012) Development of an anthropogenic emissions processing system for Asia using SMOKE, Atmospheric Environment, 58, 5-13.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.