[논문]인지온도 확률예보기반 폭염-건강영향예보 지원시스템 개발 및 2019년 온열질환자를 이용한 평가

강미선; 벨로리드 밀로슬라브; 김규랑

doi:10.14191/atmos.2020.30.2.195

인지온도 확률예보기반 폭염-건강영향예보 지원시스템 개발 및 2019년 온열질환자를 이용한 평가
Development of Impact-based Heat Health Warning System Based on Ensemble Forecasts of Perceived Temperature and its Evaluation using Heat-Related Patients in 2019 원문보기

대기 = Atmosphere, v.30 no.2, 2020년, pp.195 - 207

강미선 (국립기상과학원 현업운영개발부) , 벨로리드 밀로슬라브 (국립기상과학원 융합기술연구부) , 김규랑 (국립기상과학원 재해기상연구부)

Abstract ▼ AI-Helper

This study aims to introduce the structure of the impact-based heat health warning system on 165 counties in South Korea developed by the National Institute of Meteorological Sciences. This system was developed using the daily maximum perceived temperature (PTmax), which is a human physiology-based thermal comfort index, and the Local ENSemble prediction system for the probability forecasts. Also, A risk matrix proposed by the World Meteorological Organization was employed for the impact-based forecasts of this system. The threshold value of the risk matrix was separately set depending on regions. In this system, the risk level was issued as four levels (GREEN, YELLOW, ORANGE, RED) for first, second, and third forecast lead-day (LD1, LD2, and LD3). The daily risk level issued by the system was evaluated using emergency heat-related patients obtained at six cities, including Seoul, Incheon, Daejeon, Gwangju, Daegu, and Busan, for LD1 to LD3. The high-risks level occurred more consistently in the shorter lead time (LD3 → LD1) and the performance (rs) was increased from 0.42 (LD3) to 0.45 (LD1) in all cities. Especially, it showed good performance (rs = 0.51) in July and August, when heat stress is highest in South Korea. From an impact-based forecasting perspective, PTmax is one of the most suitable temperature indicators for issuing the health risk warnings by heat in South Korea.

주제어

표/그림 (9)

표 Table 1. Frequency of risk levels (GREEN, YELLOW, ORANGE, RED) issued for 6 cities by the impact-based heat health warning system from 1 May to 30 September 2019.
그림 Fig. 1. An example flowchart of how the bias correction is applied to (a) the first lead day (LD1) and (b) second lead day (LD2) of the subsequent forecast f_(t'+1).
그림 Fig. 2. Risk matrix and risk description in impact-based heat health warning system.
그림 Fig. 3. Flow chart of the impact-based heat health warning system using ensemble forecast of perceived temperature.
그림 Fig. 4. Monthly change in frequency of risk levels (GREEN, YELLOW, ORANGE, RED) issued for 6 cities by the impactbased heat health warning system from May to September in 2019 at first forecast lead day (LD1).
그림 Fig. 5. Frequencies of risk levels (GREEN, YELLOW, ORANGE, RED) issued for 165 counties by the impact-based heat health warning system from July to August in 2019 at first forecast lead day (LD1).
그림 Fig. 6. Time-series of the risk levels (colors) issued for 6 cities compared to daily observed heat-related morbidity (black bars) from June to September in 2019 at first, second and third forecast lead day (LD1, LD2, and LD3).
표 Table 2. Spearman correlation coefficient of heat-related daily morbidity and warnings issued according to daily PTmax for three lead days in 6 cities of South Korea (pvalue < 0.001; June to September).
표 Table 3. Spearman correlation coefficient of heat-related daily morbidity and warnings issued according to daily PTmax for three lead days in 6 cities of South Korea (pvalue < 0.001; July to August).

AI 본문요약
AI-Helper

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

문제 정의

국립기상과학원에서는 폭염에 대한 위험 정보 뿐만 아니라 폭염-건강 영향 정보를 함께 제공하는 ‘폭염건강영향예보 지원시스템’을 구축하여 한국기상청의 폭염 영향예보(보건분야)를 지원하고자 하였다.
, 2018; NIMS, 2018). 본 연구에서는 국립기상과학원의 폭염-건강영향예보 지원시스템의 개념(concept)을 소개하고, 시스템의 2019년 운영 결과를 분석하고, 온열질환자료를 이용하여 그 결과를 평가하고자 한다.
본 연구에서는 기상청 폭염 영향예보를 지원하고자 국립기상과학원에서 개발된 폭염-건강영향예보 지원시스템의 개념을 소개하였다. 또한 2019년 운영되고 기상청 예보관에게 제공되었던 시스템 운영결과를 분석하였고 지역별(서울, 인천, 대전, 광주, 대구, 부산) 발생한 폭염-건강 위험경보 수준을 평가하였다.
열 스트레스 강도가 가장 높았던 시기인 7~8월에 대하여 위험경보 발생빈도 전국 분포를 분석하고자 하였다. 시스템의 예보구역으로 이용되는 전국 165개 지역에서 발생한 위험경보 수준별(GREEN, YELLOW, ORANGE, RED) 발생빈도(%)를 공간분포도로 나타내었다(Fig.

제안 방법

3일 폭염-건강 영향예보를 위해, 우선 LEN S에서 멤버 별로 72시간 예측되는 1.5 m 기온, 이슬점 온도, 10 m 바람성분, 복사 자료(지표도달 전천·산란 일사, 상향 단파 복사, 상향 장파 복사, 하향 장파 복사)를 이용하여 KMM 모델에서 멤버 별 LENS-PT를 계산한다.
Spearman correlation coefficient of heat-related daily morbidity and warnings issued according to dailyPTmax for three lead days in 6 cities of South Korea (pvalue < 0.001; July to August).
Spearman correlation coefficient of heat-related daily morbidity and warnings issued according to dailyPTmax for three lead days in 6 cities of South Korea (pvalue < 0.001; June to September).
5 m 기온, 이슬점 온도, 10 m 바람성분, 복사 자료(지표도달 전천·산란 일사, 상향 단파 복사, 상향 장파 복사, 하향 장파 복사)를 이용하여 KMM 모델에서 멤버 별 LENS-PT를 계산한다. 계산된 시간 별 LENS-PT를 이용하여 LENS-PTmax를 산출하고 감쇠형 평균 기법을 기반으로 LENS-PTmax의 편의보정을 수행한다. 편의보정된 13개 멤버의 LENS-PTmax가 위험가능성 도표의 기상조건(PT1, PT2, PT3)을 초과하는지 확인하고 발생확률(가능성)을 확인한다.
폭염-건강 위험경보 수준은 시기별로 다르게 나타날 수 있다. 따라서 지역별 위험경보 수준(GREEN, YELLOW, ORANGE, RED)의 월별 발생빈도(%)를 분석하였다(Fig. 4). 지역별로 월별 발생한 위험경보 수준에는 차이가 있었으나 대부분 지역에서 5월과 9월에는 GREEN의 발생빈도가 높았고 6월에는 YELLOW의 발생빈도가 높게 나타났다.
따라서 지역별로 산정할 수 있는 PT2와 PT3는 특별·광역시 및 도 단위(서울, 인천, 대전, 광주, 대구, 울산, 부산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주)로 구분하여 설정하였다.
본 연구에서는 기상청 폭염 영향예보를 지원하고자 국립기상과학원에서 개발된 폭염-건강영향예보 지원시스템의 개념을 소개하였다. 또한 2019년 운영되고 기상청 예보관에게 제공되었던 시스템 운영결과를 분석하였고 지역별(서울, 인천, 대전, 광주, 대구, 부산) 발생한 폭염-건강 위험경보 수준을 평가하였다. 3일의 선행시간이 확보된 지역별(시·군 단위의 165개 지역) 폭염-건강 위험경보 수준을 예보관에게 제공함에 따라 폭염-건강 피해 방지에 일조하기를 기대한다.
75 m, 몸무게 75 kg의 35세 남성이다. 본 연구에서는 폭염환경에서의 인체 열 스트레스 상태를 표현하기 위해 여름철 의복 보온성(0.5 clo)을 고려하였다. 1 clo는 기온 21^oC, 상대습도 50% 미만, 풍속 0.
시스템은 폭염 대응 시간을 확보하기 위하여 3일의 선행 시간을 이용하였다. 3일 폭염-건강 영향예보를 위해, 우선 LEN S에서 멤버 별로 72시간 예측되는 1.
영향축 설정은 관측자료를 기반으로 계산된 일 최고 PT (O-PTmax)를 이용하여 폭염-건강 피해가 발생하는 기상조건으로 설정하였다. 국립기상과학원에서는 한국인을 대상으로 고온다습한 환경의 인공기후실에서 인체 열 스트레스 실험을 수행하였고 설문지를 이용하여 인체가 느끼는 온냉감(thermal sensation)을 조사한 바 있다(NIMS, 2018).
영향축의 첫 번째 임계온도(PT1)는 이 실험에서 조사된 인체가 ‘더움’을 느끼는 온도(36°C)로 설정하였다.
따라서 지역별로 단일 위험경보 수준이 발생하는 서울, 인천, 대전, 광주,대구, 부산을 대상으로 평가하였다. 온열질환자수는 서로 다른 지역별 인구를 고려하기 위하여 인구 백만명당 환자수인 온열질환율(morbidity rate, 10^-6 day^-1)로환산하여 이용하였다.
이후 행정구역별(시·군 단위의 165개 지역) 위험수준(GREEN,YELLOW, ORANGE, RED)이 선정된다.
편의보정된 13개 멤버의 LENS-PTmax가 위험가능성 도표의 기상조건(PT1, PT2, PT3)을 초과하는지 확인하고 발생확률(가능성)을 확인한다. 최종적으로 위험가능성 도표의 폭염-건강 영향 임계값(PT1,PT2, PT3)과 발생확률(25, 50, 75%)을 기반으로 격자별 폭염-건강 위험경보 수준을 결정한다. 이후 행정구역별(시·군 단위의 165개 지역) 위험수준(GREEN,YELLOW, ORANGE, RED)이 선정된다.
추가적으로 폭염-건강 피해가 가장 많이 발생했던 7~8월에 대하여 위험경보 발생빈도를 평가하였다. Table 3에는 7~8월 동안 발생한 지역별 온열질환율(10_-6 day_-1)과 함께 각 선행시간(LD1, LD2, LD3;0000 UTC 예보자료)에 대한 지역별 평가결과(r_s)를 나타내었다.
계산된 시간 별 LENS-PT를 이용하여 LENS-PTmax를 산출하고 감쇠형 평균 기법을 기반으로 LENS-PTmax의 편의보정을 수행한다. 편의보정된 13개 멤버의 LENS-PTmax가 위험가능성 도표의 기상조건(PT1, PT2, PT3)을 초과하는지 확인하고 발생확률(가능성)을 확인한다. 최종적으로 위험가능성 도표의 폭염-건강 영향 임계값(PT1,PT2, PT3)과 발생확률(25, 50, 75%)을 기반으로 격자별 폭염-건강 위험경보 수준을 결정한다.
따라서 지역별로 산정할 수 있는 PT2와 PT3는 특별·광역시 및 도 단위(서울, 인천, 대전, 광주, 대구, 울산, 부산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주)로 구분하여 설정하였다. 폭염건강 피해의 발생 가능성은 편의보정된 LENS-PTmax가 각 영향축의 임계온도를 초과할 확률로 고려되었고 그 확률은 각각 25, 50, 75%으로 설정하였다.
현재 시스템은 2018년에 구축되었으나(Kim et al., 2018), 2019년도에 LENS의 해상도 개선(3 km → 2.2 km)과함께 지역별 폭염-건강 영향 평가 방법이 개선됨에 따라 본 연구에서는 2019년 1년간의 결과에 대해서만 평가하였다(Table 2, 3).

대상 데이터

Fanger (1970)가 제안한 열 쾌적 방정식을 통해 인체가 체감하는 열을 계산하여 PT로 표현하며, 기상 요소(기온, 습도, 일사, 풍속 등)뿐만 아니라 의복 단열효과와 표준 인체의 신진대사(활동량)를 고려한다. KMM에서 고려하는 표준 인체는 옷을 입은 상태로 평지를 시속 4 km로 걷고 있는 신장 1.75 m, 몸무게 75 kg의 35세 남성이다. 본 연구에서는 폭염환경에서의 인체 열 스트레스 상태를 표현하기 위해 여름철 의복 보온성(0.
두 번째 임계온도(PT2)는 폭염 규모에 따라 폭염 관련 사망자가 통계적으로 유의미하게 증가하는 온도로 설정하였다. PT2를 위한 분석 자료에는 통계청 사망원인 통계자료와 19개ASOS 지점 자료를 이용하였고 분석 기간은 2000년부터 2016년까지이다(NIMS, 2018; Kang et al., 2020). 세 번째 임계온도(PT3)는 30년(27개 ASOS 지점,1987~2016 여름철) 동안의 극한 기후 값인 99 백분위 수(percentile)로 설정하였다.
반면, 질병관리본부 온열질환 응급실감시체계는 응급실에 내원한 온열질환·사망자 발생현황을 익일에 제공하므로 준실시간으로 폭염피해현황을 감시할 수 있다(KCDC, 2019). 따라서 본 연구에서는 시스템에서 발생한 폭염-건강 위험경보 수준(GREEN, YELLOW, ORANGE, RED)을 평가하기 위해 질병관리본부 온열질환 응급실감시체계 중 응급실에 내원한 온열질환자 자료를 이용하였다(KCDC,2019). 온열질환자 자료를 이용하여 위험경보 수준을 평가할 때에는 값 자체보다는 값의 순위(rank)를 고려하는것이 중요하다.
도(province) 전체로 제공되는 온열질환자수 자료를 이용하여 도내에서 발생한 시·군별 위험경보 수준을 평가하기에는 어려움이 따른다. 따라서 지역별로 단일 위험경보 수준이 발생하는 서울, 인천, 대전, 광주,대구, 부산을 대상으로 평가하였다. 온열질환자수는 서로 다른 지역별 인구를 고려하기 위하여 인구 백만명당 환자수인 온열질환율(morbidity rate, 10^-6 day^-1)로환산하여 이용하였다.
2019년 5월부터 9월까지의 지역별 위험경보 발생빈도 차이를 분석하기 위하여, Table 1에는 지역별 발생한 위험경보 수준별(GREEN, YELLOW,ORANGE, RED) 발생빈도(%)를 나타내었다. 발생빈도(%)는 0000UTC에 예보된 LD1 자료를 이용하였고 분석 지역은 서울, 인천, 대전, 광주, 대구, 부산이다. 지역별로 발생한 위험경보 수준에는 차이가 있었으나 서울을 제외한 대부분 지역에서 GREEN과 YELLOW가 많이 발생하였다.
, 2020). 세 번째 임계온도(PT3)는 30년(27개 ASOS 지점,1987~2016 여름철) 동안의 극한 기후 값인 99 백분위 수(percentile)로 설정하였다. 건강영향에 미치는 임계온도는 지역적으로 차이가 있다고 알려져 있다(Kanget al.
시스템을 평가할 수 있는 열 스트레스관련 건강피해 자료로는 통계청의 사망원인 통계와 질병관리본부의 응급실내원 온열질환·사망자를 예로 들 수 있다.
2). 위험가능성 도표는 초록(GREEN),노랑(YELLOW), 주황(ORANGE), 빨강(RED)의 네 가지 색으로 구성되어있다. 각 색은 폭염-건강 위험경보 수준을 나타내고 각 색에 대한 의미는 Fig.
6에 나타내었다. 평가 기간은 질병관리본부 온열질환 응급실감시체계 자료를 획득할 수 있는 기간인 2019년 6월 1일부터 9월 7일까지이다. Figure 6에는 각 지역(서울, 인천, 대전, 광주, 대구, 부산)에서 발생한 일별 위험경보 수준(GREEN, YELLOW, ORANGE, RED)과 지역별 발생한 일별 온열질환율(10^-6 day^-1; 검정막대)을 선행시간 별(LD1, LD2, LD3; 0000 UTC 예보자료)로나타내었다.
현재 PT는 4 km h^-1의 속도로 걷고 있는 35세 남성을 대상으로 하는 KMM을 기반으로 하기 때문에 본 시스템은 가벼운 작업을 하고 있는 일반인을 고려하고 있다. 그러나 폭염에 의한 인체 건강 취약성은 지역기후, 문화, 사회기반시설 등의 요인에 의해 다르게 나타난다(Kovats and Hajat, 2008; Kim et al.

이론/모형

, 2012). Fanger (1970)가 제안한 열 쾌적 방정식을 통해 인체가 체감하는 열을 계산하여 PT로 표현하며, 기상 요소(기온, 습도, 일사, 풍속 등)뿐만 아니라 의복 단열효과와 표준 인체의 신진대사(활동량)를 고려한다. KMM에서 고려하는 표준 인체는 옷을 입은 상태로 평지를 시속 4 km로 걷고 있는 신장 1.
온열질환자 자료를 이용하여 위험경보 수준을 평가할 때에는 값 자체보다는 값의 순위(rank)를 고려하는것이 중요하다. 따라서 평가 방법으로는 Wilks(2006)의 스피어만 순위상관계수(spearman rank correlation coefficient, r_s)를 이용하였다[식(7)]
(2019)를 참고하면 된다. 또한 본 시스템에서는 편의보정된 LENS-PTmax를 이용하였다(NIMS, 2018)
본 시스템에서는 폭염에 의한 건강 영향을 고려하기 위해 WMO (2015)에서 제시한 위험가능성 도표를 활용하였다(Fig. 2). 위험가능성 도표는 초록(GREEN),노랑(YELLOW), 주황(ORANGE), 빨강(RED)의 네 가지 색으로 구성되어있다.
0275])는 M의 함수이고 L은 열 부하를 의미한다. 본 연구에서는 Fanger (1970)가 제안한 열 쾌적 방정식에 유효온도(effective temperature)를 고려한 Gagge et al. (1986)의 PMV를 이용하였다. 최종적으로 이 PMV를 이용하여 PT를 산정한다[식(3)].
따라서 폭염-건강 영향예보의 확률 예측에 적용하기 위해서는 LENS-PTmax의 계통오차(systematic error)를 제거하는 과정이 필요하다. 이를 위하여 편의보정(Bias Correction, BC) 기법 중 감쇠형 평균 기법(decaying average technique)을 적용하였다. 감쇠형 평균 기법의 원리는 이전 시간의 예측 성능 정보를 고려하여 최근의 예측 오차에 더 큰 가중치를 주는 것이다.
국립기상과학원에서는 폭염에 대한 위험 정보 뿐만 아니라 폭염-건강 영향 정보를 함께 제공하는 ‘폭염건강영향예보 지원시스템’을 구축하여 한국기상청의 폭염 영향예보(보건분야)를 지원하고자 하였다. 폭염건강영향예보 지원시스템은 PT 모델과 국지앙상블예측시스템(Local ENSemble prediction system, LENS)의 오프라인 결합(offline coupling)을 통해 위험가능성 도표에 적용되었다(Kim et al., 2018; NIMS, 2018). 본 연구에서는 국립기상과학원의 폭염-건강영향예보 지원시스템의 개념(concept)을 소개하고, 시스템의 2019년 운영 결과를 분석하고, 온열질환자료를 이용하여 그 결과를 평가하고자 한다.

성능/효과

rs를지역 평균으로 비교한 결과 LD1 (rs = 0.45)에서 상관이 가장 높았고 LD2 (rs = 0.42), LD3 (rs = 0.42) 순으로 감소하였다(LD1 > LD2 = LD3).
6 빨간색 화살표 참고). 각 지역별 폭염-건강 위험경보와 온열질환자의 상관(r_s; LD1)은 부산(r_s = 0.56)에서 가장 높았고 광주(r_s = 0.52), 인천(r_s = 0.49), 대구(r_s = 0.46) 대전(r_s = 0.42) 순으로 상관이 높게 나타났다(Table 2).
0% 내외로 낮게 나타났다. 경남, 경기, 강원에서는 YELLOW의 발생률이 높았고 그 중 포천에서의 발생률이 약 80.0%로 가장 높았으며 전북, 전남, 경북, 충북, 충남, 대전에서는 ORANGE의 발생률이 높았다. 서울, 광주, 대구,전북 일부지역(고창, 정읍, 임실, 남원, 김제, 전주, 익산, 완주 등), 경북 일부지역(성주, 김천, 구미, 칠곡,의성 등)에서는 RED의 발생이 가장 높았고 산맥에 위치해 있는 지역(인제, 평창, 정선, 태백, 영양, 청송,거창, 함양, 장수, 무주 등)에서는 RED의 발생이 낮게 나타났다.
기상청 폭염 영향예보를 지원하기 위해 2019년 국립기상과학원에서 운영한 폭염-건강영향예보 지원시스템의 평가 결과는 본 시스템이 폭염-건강 위험경보에 사용하기 적절하다는 것을 나타내고 있다(6~9월 평균 r_s = 0.44~0.47, 7~8월 평균 r_s = 0.47~0.51. 특히,6~9월(LD1 = 0.
영향축의 첫 번째 임계온도(PT1)는 이 실험에서 조사된 인체가 ‘더움’을 느끼는 온도(36°C)로 설정하였다. 두 번째 임계온도(PT2)는 폭염 규모에 따라 폭염 관련 사망자가 통계적으로 유의미하게 증가하는 온도로 설정하였다. PT2를 위한 분석 자료에는 통계청 사망원인 통계자료와 19개ASOS 지점 자료를 이용하였고 분석 기간은 2000년부터 2016년까지이다(NIMS, 2018; Kang et al.
0%)가 가장 높았다. 모든 지역에서 열 스트레스 강도가 가장 높은 RED는 가장 낮은 빈도로 발생했고 서울과 광주에서 각각 8.5%로 높은 빈도율을 보였다.
선행시간 별 평가결과를 비교하면, 온열질환자가 많이 발생했던 기간(7월말, 8월초)에는 모든 지역에서 선행시간이 짧아질수록(LD3 → LD1) 높은 위험도(RED 등)가 많이 발생하고 연속적으로 발생하는 특성을 보였다(Fig. 6).
열 스트레스 강도가 가장 높았던 시기인 7~8월에 대하여 위험경보 발생빈도 전국 분포를 분석하고자 하였다. 시스템의 예보구역으로 이용되는 전국 165개 지역에서 발생한 위험경보 수준별(GREEN, YELLOW, ORANGE, RED) 발생빈도(%)를 공간분포도로 나타내었다(Fig. 5). 발생빈도(%)는 0000 UTC에 예보된 LD1의 결과를 나타낸 것이다.
4). 이 때 서울에서 발생한 온열질환자 발생일수는 12회로 다른 지역보다 2~3배 높았고, 온열질환자가 2,3일 연속으로 발생했기 때문에 다른 지역보다 위험수준이 높게 나타난 것이 적절하였던 것으로 판단된다.
또한 광주에서 높았던 YELLOW의 발생은 다른 지역보다 높았던 6월의 YELLOW가 영향을 미친 것이다(Table 1). 이러한 결과로부터 대부분 지역에서 5월과 9월은 상대적으로 열 스트레스가 낮은 시기이고 7월과 8월에는 상대적으로 열 스트레스가 높은 시기임을 알 수 있다.
46) 순으로 감소하였다(LD1 > LD2 > LD3). 지역별로 선행시간에 대하여 rs를 비교하더라도 대부분 지역에서 선행시간이 짧아질수록 LD1에서의 r_s가 높았다(Table 3). 예를 들어 광주의 경우, LD1, LD2, LD3의 r_s 는 각각 0.
4). 지역별로 월별 발생한 위험경보 수준에는 차이가 있었으나 대부분 지역에서 5월과 9월에는 GREEN의 발생빈도가 높았고 6월에는 YELLOW의 발생빈도가 높게 나타났다. 7월에는 RED가 발생하기 시작하였고 YELLOW와 함께 ORANGE의 발생도 증가하였다.
33px;">51. 특히,6~9월(LD1 = 0.47) 보다 7~8월(LD1 = 0.51)에 높은 r_s를 나타낸 것으로 보아(Table 2, 3), 본 시스템은 높은 열 스트레스 강도가 발생할 때에 적합도가 더 높아진다고 판단된다. 또한 3일 선행시간이 확보된 지역별폭염-건강 위험경보 수준이 제공됨에 따라 예보관의폭염 영향예보 의사결정에 긍정적인 영향을 미칠 것으로 사료된다.
6). 평가 기간 동안 발생한 온열질환자 수는 인구 백만명당 광주 289명, 부산 278명, 인천 215명, 대전 162명, 대구 117명,서울 78명 순으로 발생하여, 광주에서 인구수 대비 가장 많이 발생했고 서울에서 가장 적게 발생했다(Table 2).
한편, 지역별 위험경보 비교에서 서울은 다른 지역보다 ORAN GE의 빈도가 높게 발생했고 그 발생은 대부분 6, 7월에 나타난 것으로 분석됐다(Table 1, Fig. 4). 이 때 서울에서 발생한 온열질환자 발생일수는 12회로 다른 지역보다 2~3배 높았고, 온열질환자가 2,3일 연속으로 발생했기 때문에 다른 지역보다 위험수준이 높게 나타난 것이 적절하였던 것으로 판단된다.

후속연구

3일의 선행시간이 확보된 지역별(시·군 단위의 165개 지역) 폭염-건강 위험경보 수준을 예보관에게 제공함에 따라 폭염-건강 피해 방지에 일조하기를 기대한다.
또한 열 스트레스 피해 자료 중 신뢰성이 높은 통계청 사망원인 통계는 1년 이상 지연되어 제공(2019년 사망자는 2020년 하반기에 제공)되므로 평가에 이용하지 못하였다. 따라서 본 시스템의 적정성을 면밀히 검토하기 위해서는 지속적인 시스템 운영을 통한 장기 자료 구축과 함께 장기간의 평가가 필요하다. 또한 신뢰성이 높고 시·군·구 단위의 자료를 활용할 수 있는 통계청 사망원인 통계를 이용하여 대도시 이외에도 노약자의 인구비율이 높은 지역을 대상으로 추가적인 평가가 필요하다.
3일의 선행시간이 확보된 지역별(시·군 단위의 165개 지역) 폭염-건강 위험경보 수준을 예보관에게 제공함에 따라 폭염-건강 피해 방지에 일조하기를 기대한다. 또한 본 연구에서 개발된 시스템이 관련부처의 상호 검증과 개선을 거쳐 폭염뿐만 아니라 다른 위험 기상 영향예보를 위한 유용한 기초자료로 이용될 수 있을 것으로 기대한다. 특히, 폭염은 더욱 빈번하고 강하게 발생하고 그 지속일수가 증가할 것으로 전망됨에 따라 폭염과 관련된 정확한 폭염-건강 영향예보를 위해서는 기상-보건분야의 융합 연구가 지속적으로 이루어져야 할 것이다.
또한 신뢰성이 높고 시·군·구 단위의 자료를 활용할 수 있는 통계청 사망원인 통계를 이용하여 대도시 이외에도 노약자의 인구비율이 높은 지역을 대상으로 추가적인 평가가 필요하다.
6 파랑색 화살표 참고). 적은 수의 온열질환자가 발생한 사례지만 이는 시스템의 치명적인 오류일 수 있기 때문에 추후 개선되어야 할 사항이다.
75 m, 몸무게 70 kg의 70세인 남성이다. 추후 KMSM을 기반으로 산정된 PT를 이용하여 고령군으로 폭염-건강 영향예보를 확장 할 필요가 있고, 최종적으로는 한 시스템에서 두 가지 유형의 PT를 동시에 고려하는 방법이 개발되어야 한다. 또한 PT는 기상조건뿐만 아니라 신진대사나 의복 착의특성을 고려할 수 있으므로 노출환경(폭염/한파, 실내/실외) 및 작업강도 등을 다양하게 고려하여 목적에 맞게 세분화할 수 있다.
또한 본 연구에서 개발된 시스템이 관련부처의 상호 검증과 개선을 거쳐 폭염뿐만 아니라 다른 위험 기상 영향예보를 위한 유용한 기초자료로 이용될 수 있을 것으로 기대한다. 특히, 폭염은 더욱 빈번하고 강하게 발생하고 그 지속일수가 증가할 것으로 전망됨에 따라 폭염과 관련된 정확한 폭염-건강 영향예보를 위해서는 기상-보건분야의 융합 연구가 지속적으로 이루어져야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	PT란 무엇인가?	PT는 인체 열수지 모델인 Klima-Michel-Model(KMM)을 기반으로 하는 폭염지수로 인체 열평형을 고려하여 인체가 실제로 느끼는 표준환경의 온도로 정의한다(Jendritzky et al., 2000; Staiger et al.
	현재 폭염지수로 가장 많이 사용하고 있는 인자는 무엇인가?	). 현재 대부분 나라에서는 폭염경보시스템의 폭염지수로 일 최고 기온을 가장 많이 사용하고 있는 실정이다(McGregor et al., 2015; Hwang etal.
	국지앙상블예측시스템이 폭염-영향 예보에 이용하기 적절한 이유는 무엇인가?	LENS의 예측시간은 72시간으로 선행시간 1일(firstlead day, LD1), 선행시간 2일(second lead day, LD2),선행시간 3일(third lead day, LD3)의 총 3일의 선행시간(lead day)을 확보 할 수 있다. 또한 각각의 앙상블 멤버는 똑같은 확률가능성을 지니기 때문에 확률예보의 정량적 기준을 제공하므로 폭염-영향 예보에 이용하기 적절하다. 그러나 국립기상과학원에서 기상청 종관기상관측장비(Automated Synoptic Observing System, ASOS) 21개 지점에 대하여 2018년 여름철(5~9월)을 대상으로 LENS 폭염 예측성능을 평가한 결과, LENS 기반으로 계산된 일 최고 PT (LENSPTmax)가 전반적으로 과소모의 되는 것을 확인하였다(NIMS, 2018).

참고문헌 (53)

ASHRAE, 2001: ASHRAE Handbook Fundamentals-8. American Society of Heating Refrigerating and Air-Conditioning Engineers Inc., Atlanta, GA, 892 pp.
Azhar, G. S., D. Mavalankar, A. Nori-Sarma, A. Rajiva, P. Dutta, A. Jaiswal, P. Sheffield, K. Knowlton, and J. J. Hess, 2014: Heat-related mortality in India: excess all-cause mortality associated with the 2010 Ahmedabad heat wave. PLoS One, 9, e91831, doi:10.1371/journal.pone.0091831.

상세보기
Belorid, M., K. R. Kim, and C. Cho, 2019: Bias correction of short-range ensemble forecasts of daily maximum temperature using decaying average. Asia-Pac. J. Atmos. Sci., doi:10.1007/s13143-019-00143-8.
Blazejczyk, K., 2005: MENEX_2005-the updated version of man-environment heat exchange model. 14 pp [Available online at https://www.igipz.pan.pl/tl_files/igipz/ZGiK/opracowania/indywidualne/blazejczyk/MENEX_2005.pdf].
Blazejczyk, A., K. Blazejczyk, J. Baranowski, and M. Kuchcik, 2018: Heat stress mortality and desired adaptation responses of healthcare system in Poland. Int. J. Biometeorol, 62, 307-318, doi:10.1007/s00484-017-1423-0.

상세보기
Byon, J.-Y., J.-S. Kim, J.-Y. Kim, B.-C. Choi, Y.-J. Choi, and A. Graetz, 2008a: A Study on the characteristics of perceived temperature over the Korean Peninsula during 2007 summer. Atmosphere, 18, 137-146 (in Korean with English abstract).
Byon, J.-Y., J. Kim, B.-C. Choi, and Y.-J. Choi, 2008b: Forecast and verification of perceived temperature using a mesoscale model over the Korean Peninsula during 2007 summer. Atmosphere, 18, 237-248 (in Korean with English abstract).
CMA, 2019: Warning Signal-Heat wave, China Meteorological Administration. [Available online at http://www.cma.gov.cn/en2014/weather/Warnings/WarningSignals/201409/t20140919_261774.html].
D'Souza, A. W., S. R. Notley, R. D. Meade, and G. P. Kenny, 2019: Intermittent sequential pneumatic compression does not enhance whole-body heat loss in elderly adults during extreme heat exposure. Appl. Physiol. Nutr. Metab., 44, 1383-1386, doi:10.1139/apnm-2019-0364.

상세보기
Fanger, P. O., 1970: Thermal comfort-Analysis and Applications in Environmental Engineering. Danish Technical Press, 244 pp.
Gagge, A. P., A. C., Burton, and H. C. Bazett, 1941: A practical system of units for the description of the heat exchange of man with his environment. Science, 94, 428-430.

상세보기
Gagge, A. P., A. P. Fobelets, and L. G. Berglund, 1986: A standard predictive index of human response to the thermal environment. ASHRAE Trans., 92, 709-731.
Giannaros, T. M., K. Lagouvardos, V. Kotroni, and A. Matzarakis, 2018: Operational forecasting of humanbiometeorological conditions. Int. J. Biometeorol., 62, 1339-1343, doi:10.1007/s00484-018-1525-3.

상세보기
Gosling, S. N., J. A. Lowe, G. R. McGregor, M. Pelling, and B. D. Malamud, 2009: Associations between elevated atmospheric temperature and human mortality: a critical review of the literature. Clim. Change, 92, 299-341.

상세보기
Gosling, S. N., and Coauthors, 2014: A glossary for biometeorology. Int. J. Biometeorol., 58, 277-308, doi:10.1007/s00484-013-0729-9.

상세보기
Guest, C. S., K. Willson, A. J. Woodward, K. Hennessy, L. S. Kalkstein, C. Skinner, and A. J. McMichael, 1999: Climate and mortality in Australia: retrospective study, 1979-1990, and predicted impacts in five major cities in 2030. Clim. Res., 13, 1-15.
Hajat, S., R. S. Kovats, R. W. Atkinson, and A. Haines, 2002: Impact of hot temperatures on death in London: a time series approach. J. Epidemiol. Community Health, 56, 367-372.

상세보기
Hajat, S., B. G. Armstrong, N. Gouveia, and P. Wilkinson, 2005: Mortality displacement of heat-related deaths-A comparison of Delhi, Sao Paulo, and London. Epidemiology, 16, 613-620.

상세보기
Heaviside, C., H. Tsangari, A. Paschalidou, S. Vardoulakis, P. Kassomenos, K.E. Georgiou, and E. N. Yamasaki, 2016: Heat-related mortality in Cyprus for current and future climate scenarios. Sci. Total Environ., 569, 627-633, doi:10.1016/j.scitotenv.2016.06.138.

상세보기
Hoppe, P., 1999: The physiological equivalent temperature - a universal index for the biometeorological assessment of the thermal environment. Int. J. Biometeorol., 43, 71-75, doi:10.1007/s004840050118.

상세보기
Huynen, M. M., P. Martens, D. Schram, M. P. Weijenberg, and A. E. Kunst, 2001: The impact of heat waves and cold spells on mortality rates in the Dutch population. Environ. Health Perspect., 109, 463-470.

상세보기
Hwang, M.-K., J. Yun, H. Kim, Y.-J. Kim, Y.-J. Lim, Y.-M. Lee, Y. Kim, E. Yoon, and Y.-K. Kim, 2016: Heat stress assessment and the establishment of a forecast system to provide thermophysiological indices for harbor workers in summer. J. Environ. Health Sci., 42, 92-101, doi:10.5668/JEHS.2016.42.2.92 (in Korean with English abstract).
Hwang, M.-K., M.-K., Y.-H. Kang, S. Kim, and Y.-K. Kim, 2019: Investigation of operation and improvement for heat watch warning system to provide health-weather information. J. Environ. Sci. Int., 28, 277-285, doi: 10.5322/JESI.2019.28.2.277 (in Korean with English abstract).

원문보기 상세보기
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. T. F. Stocker et al. Eds., Cambridge University Press, 1535 pp.
JMA, 2019: Weather Warning/Advisories, Japan Meteorological Agency. [Available online at http://www.data.jma.go.jp/fcd/yoho/data/kouon/index.html].
Jendritzky, G., H. Staiger, K. Bucher, A. Gratz, and G. Laschewski, 2000: The perceived temperature: The method of the Deutscher Wetterdienst for the assessment of cold stress and heat load for the human body. Proc. Internet Workshop on Windchill, Meteorological Service of Canada.
Jendritzky, G., R. de Dear, and G. Havenith, 2012: UTCI-Why another thermal index?. Int. J. Biometeorol, 56, 421-428, doi:10.1007/s00484-011-0513-7.

상세보기
Kang, M., K. R. Kim, and J.-Y. Shin, 2020: Event-based heat-related risk assessment model for South Korea using maximum perceived temperature, wet-bulb globe temberature, and air temperature data. Int. J. Environ. Res. Public Health, 17, 2631, doi:10.3390/ijerph17082631.

상세보기
KCDC, 2019: Korea Centers for Disease Control and Prevention. [Available online at www.cdc.go.kr.].
Kim, J., D.-G. Lee, and J. Kysely, 2009: Characteristics of heat acclimatization for major Korean cities. Atmosphere, 19, 309-318 (in Korean with English abstract).
Kim, D.-W., J.-H. Chung, J.-S. Lee, and J.-S. Lee, 2014: Characteristics of heat wave mortality in Korea. Atmosphere, 24, 225-234 (in Korean with English abstract).

원문보기 상세보기
Kim, Y.-J., H. Kim, Y.-K. Kim, J.-K. Kim, and Y.-M. Kim, 2014: Evaluation of thermal environments during the heat waves of summer 2013 in Busan metropolitan area. J. Environ. Sci. Int., 23, 1929-1941 (in Korean with English abstract).

원문보기 상세보기
Kim, K. R., M. Kang, J. S. Lee, M. Belorid, C. Cho, and J.-C. Ha, 2018: A test-bed for impact-based forecasts on human health during heat waves by implementing the threshold temperature and probability forecast. Proc. Autumn Meeting of KMS, 193 (in Korean).
KMA, 2016: Meteorological Technology & Policy vol. 9 No. 1. Korea Meteorological Administration, 74 pp (in Korean).
KMA, 2019: Korea Meteorological Administration. [Available online at http://www.kma.go.kr.].
Koppe, C., 2009: The heat health warning system of the German meteorological service. In UmweltMedizinischer InformationsDienst, UMID Special Issue - Climate Change and Health, 39-43.
Kovats, R. S., and S. Hajat, 2008: Heat stress and public health: a critical review. Annu. Rev. Public Health, 29, 41-55.

상세보기
Kysely, J., and J. Kim, 2009: Mortality during heat waves in South Korea, 1991 to 2005: How exceptional was the 1994 heat wave?. Clim. Res., 38, 105-116.

상세보기
Matzarakis, A., G. Laschewski, and S. Muthers, 2020: The heat health warning system in Germany-Application and warnings for 2005 to 2019. Atmosphere, 11, 170, doi:10.3390/atmos11020170.

상세보기
McGregor, G. R., P. Bessemoulin, K. Ebi, and B. Menne, 2015: Heat waves and health: Guidance on warning system development. World Meteorological Organization and World Health Organization, 96 pp.
Met Office, 2018: UK weather warnings [Available online at https://www.metoffice.gov.uk/weather/warnings-andadvice/uk-warnings].
Meteoalarm, 2019: Weather warnings: Europe. [Available online at www.meteoalarm.eu.].
MOEJ, 2019: Heat Stress Index: WBGT, Ministry of the Environment of Japan. [Available online at http://www.WBGT.env.go.jp.].
NOAA, 2010: National weather service reference guide, National Oceanic and Atmospheric Administration, 133 pp.
NIMS, 2018: Advanced Research on Biometeorology and Urban Meteorology development Research of Advanced Applied Meteorological Instrument. National Institute of Meteorological Sciences, 107 pp (in Korean).
Parsons, K., 2002: Human Thermal Environments: The Effects of Hot, Moderate, and Cold Environments on Human Health, Comfort, and Performance, 3rd edition, CRC Press, Inc., 635 pp.
Saez, M., J. Sunyer, A. Tobias, F. Ballester, and J. M. Anto, 2000: Ischaemic heart disease mortality and weather temperature in Barcelona, Spain. Eur. J. Public Health, 10, 58-63.

상세보기
Sheridan, S. C., and L. S. Kalkstein, 2004: Progress in heat watch-Warning system technology. Bull. Amer. Meteor. Soc., 85, 1931-1942.

상세보기
Staiger, H., G. Laschewski, and A. Gratz, 2012: The perceived temperature-a versatile index for the assessment of the human thermal environment. Part A: scientific basics. Int. J. Biometeorol., 56, 165-176, doi:10.1007/s00484-011-0409-6.

상세보기
Thorsson, S., F. Lindberg, I. Eliasson, and B. Holmer, 2007: Different methods for estimating the mean radiant temperature in an outdoor urban setting. Int. J. Climatol., 27, 1983-1993.

상세보기
Urban, A., and J. Kysely, 2014: Comparison of UTCI with other thermal indices in the assessment of heat and cold effects on cardiovascular mortality in the Czech Republic. Int. J. Environ. Res. Public Health, 11, 952-967, doi:10.3390/ijerph110100952.

상세보기
Wilks, D. S., 2006: Statistical Methods in the Atmospheric Sciences, 2nd edition. Academic Press, 648 pp.
WMO, 2015: WMO Guideline on multi-hazard impact-based forecast and warning services. World Meteorological Organization, 23 pp.

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