[논문]GOCI AOD를 이용한 서울 지역 지상 PM2.5 농도의 경험적 추정 및 일 변동성 분석

김상민; 윤종민; 문경정; 김덕래; 구자호; 최명제; 김광년; 이윤곤

doi:10.7780/kjrs.2018.34.3.2

GOCI AOD를 이용한 서울 지역 지상 PM2.5 농도의 경험적 추정 및 일 변동성 분석
Empirical Estimation and Diurnal Patterns of Surface PM2.5 Concentration in Seoul Using GOCI AOD 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.3, 2018년, pp.451 - 463

김상민 (국립환경과학원 기후대기연구부 환경위성센터) , 윤종민 (국립환경과학원 기후대기연구부 환경위성센터) , 문경정 (국립환경과학원 기후대기연구부 환경위성센터) , 김덕래 (국립환경과학원 기후대기연구부 환경위성센터) , 구자호 (연세대학교 대기과학과) , 최명제 (연세대학교 대기과학과) , 김광년 (충남대학교 대기과학과) , 이윤곤 (충남대학교 대기과학과)

초록
AI-Helper

본 연구는 서울지역에서 2015년 1월부터 12월까지 정지궤도 천리안 위성(Communication Ocean and Meteorological Satellite, COMS) 해양 탑재체(Geostationary Ocean Color Imager, GOCI)의 에어로졸광학두께(Aerosol Optical Depth, AOD)로부터 지상 초미세먼지(Particulate Matter; $PM_{2.5}$) 농도를 추정하기 위한 계절별 경험/통계모델을 개발했다. 행성경계층고도(Planetary Boundary Layer Height, PBLH) 그리고 에어로졸 수직 비율(Vertical Ratio of Aerosol, VRA)을 사용한 두 가지 수직보정방법과 흡습성장계수(Hygroscopic growth factor, f(RH))로부터의 습도보정방법이 각각의 경험적 모델에 적용된 결과 AOD에 대한 수직 보정과 $PM_{2.5}$에 대한 지표 습도보정이 모델 성능 향상에 중요한 역할을 했다. AOD-$PM_{2.5}$ 사이에 관련이 있다고 알려진 기상인자들(온도, 풍속, 시정)을 추가적으로 사용하여 다중 선형 회귀모델을 구성한 결과 경험모델에 비해 $R^2$값이 최대 0.25 증가했다. 본 연구에선 AOD-$PM_{2.5}$ 모델의 계절별, 월별, 시간별 특성을 분석하고 계절별로 구분하여 모델을 구성한 결과 고농도 사례에서 과소평가 되던 경향이 개선됨을 알 수 있고 관측된 $PM_{2.5}$와 추정된 $PM_{2.5}$의 월 및 시간변동성은 서로 경향성이 일치했다. 따라서 정지궤도 위성 AOD를 이용하여 지상 $PM_{2.5}$ 농도를 추정한 본 연구의 결과는 향후 발사 예정인 GK-2A와 GK-2B에 적용 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

The empirical/statistical models to estimate the ground Particulate Matter ($PM_{2.5}$) concentration from Geostationary Ocean Color Imager (GOCI) Aerosol Optical Depth (AOD) product were developed and analyzed for the period of 2015 in Seoul, South Korea. In the model construction of AOD-$PM_{2.5}$, two vertical correction methods using the planetary boundary layer height and the vertical ratio of aerosol, and humidity correction method using the hygroscopic growth factor were applied to respective models. The vertical correction for AOD and humidity correction for $PM_{2.5}$ concentration played an important role in improving accuracy of overall estimation. The multiple linear regression (MLR) models with additional meteorological factors (wind speed, visibility, and air temperature) affecting AOD and $PM_{2.5}$ relationships were constructed for the whole year and each season. As a result, determination coefficients of MLR models were significantly increased, compared to those of empirical models. In this study, we analyzed the seasonal, monthly and diurnal characteristics of AOD-$PM_{2.5}$model. when the MLR model is seasonally constructed, underestimation tendency in high $PM_{2.5}$ cases for the whole year were improved. The monthly and diurnal patterns of observed $PM_{2.5}$ and estimated $PM_{2.5}$ were similar. The results of this study, which estimates surface $PM_{2.5}$ concentration using geostationary satellite AOD, are expected to be applicable to the future GK-2A and GK-2B.

주제어

표/그림 (10)

표 Table 1. Conditions for determining pixel quality assurance (QA) values from 0 to 3
표 Table 2. Quality assurance condition (QC) for AOD classification in this study
그림 Fig. 1. Statistical histograms of PM_2.5, AOD, and meteorological parameters in 2015.
표 Table 3. Determination coefficient (R2) of empirical models (AOD and PAOD) and statistical models (MLR and S-MLR). Aerosol optical depth (AOD) used in these models are classified by quality assurance condition (QC). Data number (N) of empirical models and statistical model including multiple linear regression (MLR) and seasonal multiple linear regression (S-MLR)
표 Table 4. Same as Table 3 but for VAOD
그림 Fig. 2. Comparison of validation results of observed PM_2.5 and estimated PM_2.5 concentration using (a) multiple linear regression model and (b) seasonal multiple linear regression model. The gray dash line and black solid line represent reference and linear regression, respectively.
그림 Fig. 3. Scatter plots with linear regression lines (solid red line) between observed PM_2.5 and estimated PM_2.5 concentrations in four seasons (MAM, JJA, SON, DJF).
그림 Fig. 4. (a) Monthly and (b) diurnal variations of observed PM_2.5 and estimated PM_2.5 concentration in 2015.
그림 Fig. 5. Seasonal diurnal variations of observed PM_2.5 and estimated PM_2.5 concentration in 2015. Gray boxes represent the average of data number (N).
그림 Fig. 6. The relative differences from daily mean value of respective parameters ((a) AOD, (b) PM_2.5, (c) PBLH, (d) RH, (e) WS, and (f) temperature) during the day. The shaded area represents the standard deviation of the relative differences.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 정지궤도 복합위성인 천리안위성(Communication Ocean and Meteorological Satellite,COMS) 해양탑재체(Geostationary Ocean Color Imager, GOCI)로부터 일 8회 산출되는 AOD를 이용하여 2015년 서울 지역의 PM_2.5 농도를 추정할 수 있는 경험/통계 모델을 개발하고, AOD-PM_2.5 모델의 계절별, 월별, 시간별 특성을 분석하고자 한다. 또한, 계절별 특성이 반영된 경험/통계 모델 개발 과정에서 PBLH와 에어로졸 연직 소산 계수 관측 자료를 각각 활용한 수직보정방법과 에어로졸 흡습성장을 고려한 습도보정방법이 AOD-PM_2.

가설 설정

, 2015). 또한, 고도가 증가함에 따라 신호 대 잡음비(Signal to Noise Ratio; SNR)가 크게 감소하기 때문에 6km를 대기상단으로 가정했다(Kim et al., 2015). 본 연구에선 에어로졸과 구름을 구별하기 위해 Kim et al.
, 2015). 즉, PBLH 이하에 분포하는 AOD(PAOD)에 PBLH를 곱한 값이 지표에서 대기상한까지 적산한 AOD와 같다라는 가정이 성립한다. 이것을 식으로 나타내면 아래와 같다.

제안 방법

5 모델의 계절별, 월별, 시간별 특성을 분석하고자 한다. 또한, 계절별 특성이 반영된 경험/통계 모델 개발 과정에서 PBLH와 에어로졸 연직 소산 계수 관측 자료를 각각 활용한 수직보정방법과 에어로졸 흡습성장을 고려한 습도보정방법이 AOD-PM_2.5 모델의 추정 정확성 향상에 어느 정도 기여하는지를 상세히 분석하고자 한다.
, 2013). 본 연구 분석에서는 GOCI AOD QA를 순차적으로 줄여가면서 QC0, QC1, QC2, 그리고 QC3으로 나누었다(Table 2). QC0의 경우는 모든 QA(0~3)에 해당하는 AOD 값으로, 지상 PM_2.
5 사이의 관계에 수직 및 습도 보정을 적용하고 각각에 대한 경험식을 도출하였다. 본 연구에서는 시공간적 매칭 방법으로 수집된 자료들을 무작위로 절반을 나누어 지상 PM_2.5 농도 추정 모델을 구성하고 나머지 절반 자료를 사용하여 검증을 진행했다. GOCI AOD, 수직 보정에 사용된 PBLH, VRA, 습도 보정에 사용된 f(RH)에 추가적으로 지상 PM_2.
위 방법들을 사용하여 AOD-PM_2.5 사이의 관계에 수직 및 습도 보정을 적용하고 각각에 대한 경험식을 도출하였다. 본 연구에서는 시공간적 매칭 방법으로 수집된 자료들을 무작위로 절반을 나누어 지상 PM_2.
이번 연구에서는 PM_2.5 관측이 시작된 2015년, 1년의 기간에 대해 에어로졸의 흡습성에 대한 보정과 수직분포에 대한 경험적 보정방법 두 가지를 각각 적용하며 비교했고, 계절별로 각각의 다중 선형 회귀 모델을 구성하여 계절적 특성이 반영된 PM_2.5 추정 모델을 개발하여 정지궤도 해양위성 GOCI가 관측하는 주기인 1시간 간격에 따라 일 8회 지상 PM_2.5 농도를 추정했다. 4계절 중 모델 성능이 가장 좋은 계절은 가을로 상관관계 R값은 0.

대상 데이터

2015년 서울 4개 지점의 지상 PM_2.5 농도 추정을 위해 두 가지의 수직보정방법과 습도보정방법을 적용하고 GOCI AOD의 QA에 따라 AOD의 품질을 구분하여 경험적 모델을 구성했다. Table 3에는 PBLH를 사용한 수직 보정방법이 적용된 모델의 검증결과를 나타내고 Table 4에는 VRA를 사용한 수직 보정방법이 적용된 모델의 검증결과가 나타나있다.
송월동 기상관측소 지점과 가장 먼 대기오염 측정소 사이의 거리는 약 11 km로 시정 및 습도자료가 측정소 주변의 대기상황을 정확하게 반영하지 못하는 한계점이 존재한다. AWS의 자료는 PM_2.5관측소에서 2.5 km 이내의 AWS관측소자료를 평균하여 사용하였다.
기상관측자료의 경우는 기상청에서 운영 중인 서울특별시 종로구 송월동 기상관측소(37.57°N, 126.97°E) 종관 기상관측장비(Automated Surface Observing System, ASOS)로 관측되는 시정, 상대습도 자료를 사용했고 자동기상관측장비(Automatic Weather System, AWS)의온도, 풍속 자료를 사용했다. 시정과 습도자료의 경우 지상자료 개방포털 홈페이지의 시간단위의 AWS자료로 제공하지 않아 서울 송월동 ASOS자료를 사용했다.
반면 QC3의 경우 AOD의 불확실성은 상대적으로 낮지만 QC0에 비해서 자료 수가 1/4 수준으로 특히 여름철과 겨울철에 사용 가능한 자료 수가 적은 것이 단점이다. 또한, 본 연구에서 사용된 GOCI AOD는 서울 지역 지상 미세먼지 농도 측정소 위치에서 반경 3km 이내에 해당하는 격자의 값과 위성-지상 관측 시간±30분 이내를 동시에 만족하는 AOD-PM_2.5 값으로 대응시켰다.
2015년 기준 전국적으로 312개의 측정망이 운영되고 있으며, 이 중 서울 지역은 도시대기측정소 25개소, 도로변대기 측정소 15개소가 운영되고 있다. 본 연구에서는 서울대학교 라이다 측정소의 관측자료를 사용하여 수직보정방법을 적용하였기 때문에, 라이다 측정소 5 km 이내인 구로구(37.48°N, 126.90°E), 동작구(37.48°N, 126.97°E), 관악구(37.49°N, 126.93°E), 금천구(37.45°N, 126.91°E)에 위치한 4개의 도시대기측정소 PM_2.5 자료를 사용하였다.
본 연구의 한계점으로 첫째, 본 연구의 모델은 에어로졸 수직분포의 수평적 연속성 문제 때문에 서울대학교 라이다 측정소를 중심으로 반경 5 km 이내의 대기오염측정소의 PM_2.5 자료만을 사용했다. 그렇기 때문에 반경 5 km 외의 지역은 추가적인 에어로졸 수직 프로파일 정보가 필요한 것으로 제시된다.
97°E) 종관 기상관측장비(Automated Surface Observing System, ASOS)로 관측되는 시정, 상대습도 자료를 사용했고 자동기상관측장비(Automatic Weather System, AWS)의온도, 풍속 자료를 사용했다. 시정과 습도자료의 경우 지상자료 개방포털 홈페이지의 시간단위의 AWS자료로 제공하지 않아 서울 송월동 ASOS자료를 사용했다. 송월동 기상관측소 지점과 가장 먼 대기오염 측정소 사이의 거리는 약 11 km로 시정 및 습도자료가 측정소 주변의 대기상황을 정확하게 반영하지 못하는 한계점이 존재한다.

데이터처리

VRA를 수직보정 방법에 적용하기 위해서는 지표면에서 어느 고도까지가 대기 하층에 존재하는 에어로졸을 최적으로 반영하는지 판단할 필요가 있다. 지표면 고도 120 m를 시작으로 30 m 단위로 증가시키면서 AOD-PM 관계식에 수직 보정방법을 적용하고, 최적의 상관관계가 도출된 고도를 찾는 분석을 수행했다. 이때 최대 상관계수가 나타난 660 m를 VRA에 적용하기 위한 기준 고도로 선택하였다.

이론/모형

5 농도 추정 모델을 구성하고 나머지 절반 자료를 사용하여 검증을 진행했다. GOCI AOD, 수직 보정에 사용된 PBLH, VRA, 습도 보정에 사용된 f(RH)에 추가적으로 지상 PM_2.5 농도 변화와 상관성이 있는 지상 기상변수들(시정, 풍속, 온도)을 독립변수로 사용하고 PM_2.5를 종속변수로 선정하여 다중 선형 회귀식인 MLR(Multiple Linear Regression) 모델을 식(6)과 같이 구성하였다.
이 방법은 매우 두꺼운 에어로졸층이 존재하거나 얇은 구름 층을 제거하지 못할 가능성이 있지만 구름에 의한 영향을 최대한 줄이기 위하여 에어로졸 층이 일부 포함되는 경우에도 구름을 최대한 제거하였다. 라이다 후방산란 강도의 연직정보를 통해 산출한 PBLH는 Brooks(2003)에서 제시한 WCT(Wavelet Covariance Transform) 방법을 적용하여 산출되었다.
, 2015). 본 연구에선 에어로졸과 구름을 구별하기 위해 Kim et al.(2015)의 구름제거방법을 따라 total attenuated backscatter가 1km고도 이상에서 10^-5 m^-1 sr^-1 보다 클 경우와 1 km고도 이하에서 1.5×10-5 m^-1 sr^-1 보다 클 경우를 구름으로 판단하여 제거하였다. 이 방법은 매우 두꺼운 에어로졸층이 존재하거나 얇은 구름 층을 제거하지 못할 가능성이 있지만 구름에 의한 영향을 최대한 줄이기 위하여 에어로졸 층이 일부 포함되는 경우에도 구름을 최대한 제거하였다.

성능/효과

5 사례에도 회귀 추세가 일정함을 알 수 있었다. 모든 계절에 대해 각각 구성된 다중 선형 회귀모델을 통해 추정된 PM_2.5는 관측된 PM_2.5와 높은 양의 상관관계(R=0.85)를 보이며 계절적 특성이 고려되지 않은 기존 회귀모델에 비해 기울기가 0.04상승하여 0.74로 나타났다. 또한, 고농도사례에서 과소 추정되었던 경향이 일부 개선되었고 RMSE가 8.
77로 감소해 모델 구성에 있어 계절을 고려하는 것이 중요함을 알 수 있다. 일 8회 추정된 PM_2.5의 시간 변동성은 관측된 PM_2.5 변동과 일치했으며 겨울을 제외하고 정오 시간을 전 후로 나타나는 PM_2.5 농도의 최대치가 유사하게 추정되었다.
5의 시간변동을 표현했고 각 시간에 대해서 평균된 자료의 개수를 회색 막대로 표시하였다. 전체적으로 두 값의 시간변동성은 유사하게 나타났으나, 겨울철 일출과 일몰 시간에 가까운 9시와 16시에는 PM_2.5 추정값이 관측값에 비해 낮게 나타났다. 이는 겨울철 9시와 16시에 AOD 자료 개수 부족으로 PM_2.

후속연구

그렇기 때문에 반경 5 km 외의 지역은 추가적인 에어로졸 수직 프로파일 정보가 필요한 것으로 제시된다. 두 번째로, 계절별로 구성한 다중회귀모델(S-MLR)에서 황사사례가 발생한 봄철과 겨울철에 여전히 과소모의 경향이 나타나고 기울기가 0.74에 그쳐 고농도 사례를 정확하게 추정하기 위한 추가적인 변수 또는 가중방법에 대한 연구의 필요성이 제시된다. 본 연구는 향후 발사될 정지궤도위성 GK-2A 및 GK-2B 산출물에 적용 가능 할 것으로 판단되며, 대기 오염이 심각한 동아시아 지역에 대한 위성 산출물을 활용한 지상 PM_2.
74에 그쳐 고농도 사례를 정확하게 추정하기 위한 추가적인 변수 또는 가중방법에 대한 연구의 필요성이 제시된다. 본 연구는 향후 발사될 정지궤도위성 GK-2A 및 GK-2B 산출물에 적용 가능 할 것으로 판단되며, 대기 오염이 심각한 동아시아 지역에 대한 위성 산출물을 활용한 지상 PM_2.5 농도 추정 연구의 기반이 될 것으로 기대한다.
, 2016). 이러한 AOD-PM 관계성을 바탕으로 지상 미세먼지 농도 추정 정확성이 향상되었지만, AOD와 기상 인자들을 종속변수로 활용한 경험 모델들의 정확성은 지역, 계절, 시간별로 큰 차이를 보이고 있으며, 특히 많은 선행연구들이 극궤도 위성(MODIS, MISR, VIIRS 등)으로부터 일 1~2회 AOD 관측 값을 사용하였기 때문에 하루 중 시간별 변화를 살펴보는데 한계점이 있다. 또한, 국내 선행연구들에서는 특정 계절이거나 집중 캠페인을 통한 사례 분석이 주로 수행되어 계절별 차이를 자세히 살펴보기에는 부족하다(Seo et al.

질의응답

핵심어	질문	논문에서 추출한 답변
	에어로졸 중에서도 먼지의 크기에 따른 구분은 어떻게 되는가?	에어로졸은 태양광을 산란시키고 구름의 응결핵 역할을 함으로써 기후 변화에 영향을 미칠 뿐만 아니라 인체 건강에 악영향을 주는 것으로 알려져 있다(WHO, 2005; IPCC, 2013). 에어로졸 중에서도 먼지는 입자 크기에 따라서 직경이 50 μm 이하인 총먼지(Total Suspended Particles, TSP)와 입자크기가 작은 미세먼지(Particulate Matter; PM)로 구분된다. 미세먼지 중에서도 입자의 직경에 따라서 PM10(10 μm이하)과 PM2.
	전 세계의 지상 미세먼지농도 감시망의 한계점은 무엇인가?	현재 대한민국을 포함한 전 세계의 지상 미세먼지농도 감시망은 국지적 대기오염 농도의 감시 목적에는 부합하나, 월경성으로 유입되는 미세먼지 이동 과정을 시공간적으로 분석하기에는 한계가 있다. 이러한 한계점을 극복하기 위해 넓은 지역을 동시에 관측할 수 있는 인공위성을 활용하여 정량적인 지상 미세먼지 농도를 추정하기 위한 연구가 활발히 진행되어 왔다(Wang and Christopher, 2003; Engel-Cox et al.
	서울에 유입되는 월경성 대기오염 물질의 발생지는 어디로 추정되는가?	지리학적으로 서울의 풍상측에 위치한 중국 북부 및 몽고 지역은 북동아시아의 대표적인 황사 발원지역으로 자연적 에어로졸 발생이 빈번하며, 동시에 중국 북동부 지역은 급격한 산업화 및 경제발전으로 인해 인위적 오염물질 발생이 세계적으로 높게 나타나는 곳으로 잘 알려져 있다(Ohara et al., 2007; Yuan et al.

참고문헌 (25)

Brook, R.D., S. Rajagopalan, C.A. Pope, J.R. Brook, A. Bhatnagar, A.V. Diez-Roux, F. Holguin, Y. Hong, R.V. Luepker, M.A. Mittleman, A. Peters, D. Siscovick, S.C. Smith, L. Whitsel, and J.D. Kaufman, 2010. Particulate matter air pollution and cardiovascular disease: an update to the scientific statement from the American Heart Association, Circulation, 121(21): 2331-2378.

상세보기
Baars, H., A. Ansmann, R. Engelmann, and D. Althausen, 2008. Continuous monitoring of the boundary-layer top with lidar, Atmospheric Chemistry and Physics, 8(23): 7281-7296.

상세보기
Brooks, I.M., 2003. Finding boundary layer top: Application of a wavelet covariance transform to lidar backscatter profiles, Journal of Atmospheric and Oceanic Technology, 20(8): 1092-1105.

상세보기
Chen, Z. Y., T. H. Zhang, R. Zhang, Z. M. Zhu, C. Q. Ou, and Y. Guo, 2018. Estimating $PM_{2.5}$ concentrations based on non-linear exposurelag- response associations with aerosol optical depth and meteorological measures, Atmospheric Environment, 173: 30-37.

상세보기
Choi, M., J. Kim, J. Lee, M. Kim, Y.J. Park, U. Jeong, W. Kim, H. Hong, B. Holben, T.F. Eck, C.H. Song, J.H. Lim, and C.K. Song, 2016. GOCI Yonsei Aerosol Retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign, Atmospheric Measurement Techniques, 9(3): 1377-1398.

상세보기
Chu, D.A., T.C. Tsai, J.P. Chen, S.C. Chang, Y.J. Jeng, W.L. Chiang, and N.H. Lin, 2013. Interpreting aerosol lidar profiles to better estimate surface $PM_{2.5}$ for columnar AOD measurements, Atmospheric Environment, 79: 172-187.

상세보기
Emili, E., C. Popp, M. Petitta, M. Riffler, S. Wunderle, and M. Zebisch, 2010. $PM_{10}$ remote sensing from geostationary SEVIRI and polar-orbiting MODIS sensors over the complex terrain of the European Alpine region, Remote Sensing of Environment, 114(11): 2485-2499.

상세보기
Engel-Cox, J.A., C.H. Holloman, B.W. Coutant, and R.M. Hoff, 2004. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality, Atmospheric Environment, 38(16): 2495-2509.

상세보기
Guo, J.P., X.Y. Zhang, H.Z. Che, S.L. Gong, X. An, C.X. Cao, J. Guang, H. Zhang, Y.Q. Wang, X.C. Zhang, M. Xue, and X.W. Li, 2009. Correlation between PM concentrations and aerosol optical depth in eastern China, Atmospheric Environment, 43(37): 5876-5886.

상세보기
Kim, K., K.H. Lee, J.I. Kim, Y. Noh, D.H. Shin, S.K. Shin, D. Lee, J. Kim, Y.J. Kim, and C.H. Song, 2016. Estimation of surface-level PM concentration from satellite observation taking into account the aerosol vertical profiles and hygroscopicity, Chemosphere, 143: 32-40.

상세보기
Kim, M.H., S.W. Kim, S.C. Yoon, N. Sugimoto, and B.J. Sohn, 2011. Characteristics of the lidar ratio determined from lidar and sky radiometer measurements in Seoul, Atmosphere, 21(1): 57-67 (in Korean with English abstract).
Kim, M.H., H. Yeo, N. Sugimoto, H.C. Lim, C.K. Lee, B.H. Heo, Y.S. Yu, B.J. Sohn, S.C. Yoon, and S.W. Kim, 2015. Estimation of Particle Mass Concentration from Lidar Measurement, Atmosphere, 25(1): 169-177 (in Korean with English abstract).

원문보기 상세보기
Lee, J., J. Kim, C.H. Song, J.H. Ryu, Y.H. Ahn, and C.K. Song, 2010. Algorithm for retrieval of aerosol optical properties over the ocean from the Geostationary Ocean Color Imager, Remote Sensing of Environment, 114(5): 1077-1088.

상세보기
Lee, J., J. Kim, P. Yang, and N.C. Hsu, 2012. Improvement of aerosol optical depth retrieval from MODIS spectral reflectance over the global ocean using new aerosol models archived from AERONET inversion data and tri-axial ellipsoidal dust database, Atmospheric Chemistry and Physics, 12(15): 7087-7102.

상세보기
Levy, R.C., S. Mattoo, L.A. Munchak, L.A. Remer, A.M. Sayer, F. Patadia, and N.C. Hsu, 2013. The Collection 6 MODIS aerosol products over land and ocean, Atmospheric Measurement Techniques, 6(11): 2989.

상세보기
Lin, C., Y. Li, Z. Yuan, A.K. Lau, C. Li, and J.C. Fung, 2015. Using satellite remote sensing data to estimate the high-resolution distribution of groundlevel $PM_{2.5}$ , Remote Sensing of Environment, 156: 117-128.

상세보기
Ohara, T.A.H.K., H. Akimoto, J.I. Kurokawa, N. Horii, K. Yamaji, X. Yan, and T. Hayasaka, 2007. An Asian emission inventory of anthropogenic emission sources for the period 1980-2020, Atmospheric Chemistry and Physics, 7(16):4419-4444.

상세보기
Schaap, M., A. Apituley, R. M. A. Timmermans, R. B. A. Koelemeijer, and G. D. Leeuw, 2009. Exploring the relation between aerosol optical depth and $PM_{2.5}$ at Cabauw, the Netherlands, Atmospheric Chemistry and Physics, 9(3): 909-925.

상세보기
Seo, S., J. Kim, H. Lee, U. Jeong, W. Kim, B.N. Holben, S.W. Kim, C.H. Song, and J.H. Lim, 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(1): 319-334.

상세보기
Tsai, T.C., Y.J. Jeng, D.A. Chu, J.P. Chen, and S.C. Chang, 2011. Analysis of the relationship between MODIS aerosol optical depth and particulate matter from 2006 to 2008, Atmospheric Environment, 45(27): 4777-4788.

상세보기
Wang, J. and S.A. Christopher, 2003. Intercomparison between satellite-derived aerosol optical thickness and $PM_{2.5}$ mass: implications for air quality studies, Geophysical Research Letters, 30(21).

상세보기
Wang, Z., L. Chen, J. Tao, Y. Zhang, and L. Su, 2010. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method, Remote Sensing of Environment, 114(1): 50-63.

상세보기
World Health Organization, 2013. Outdoor air pollution a leading environmental cause of cancer deaths, WHO Press release, Geneva, Switzerland.
Yoon, S.C., S.W. Kim, M.H. Kim, A. Shimizu, and N. Sugimoto, 2008. Ground-based mie-scattering lidar measurements of aerosol extinction profiles during ABC-EAREX 2005: Comparisons of instruments and inversion algorithms, Journal of the Meteorological Society of Japan. Ser. II, 86(2): 377-396.

상세보기
Yuan, H., G. Zhuang, J. Li, Z. Wang, and J. Li, 2008. Mixing of mineral with pollution aerosols in dust season in Beijing: Revealed by source apportionment study, Atmospheric Environment, 42(9): 2141-2157.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증