보고서 정보
주관연구기관 |
한국기상학회 |
연구책임자 |
임정호
|
참여연구자 |
김준
,
안명환
,
송창근
,
박상서
,
김미애
,
박선영
,
장은나
,
박수민
,
신민소
,
이정희
,
심성문
,
박서희
,
이주현
,
유철희
,
한대현
,
김영준
,
강유진
,
조동진
,
고수정
,
임현광
,
이하나
,
이서영
,
정희성
,
홍재민
,
안다현
,
조예슬
,
강민아
,
어미진
,
이예은
|
보고서유형 | 최종보고서 |
발행국가 | 대한민국 |
언어 |
한국어
|
발행년월 | 2018-12 |
과제시작연도 |
2018 |
주관부처 |
환경부 Ministry of Environment |
등록번호 |
TRKO201900003783 |
과제고유번호 |
1485015673 |
사업명 |
국가환경위성센터건립및운영(R&D) |
DB 구축일자 |
2019-07-13
|
DOI |
https://doi.org/10.23000/TRKO201900003783 |
초록
▼
Ⅳ. 연구 결과
❍ 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발
● 인공지능 기반 대기질 지상농도 추정 기법 개발 (오존, 이산화질소) 및 고도화 (PM)
· 본 연구에서는 다중 위성 자료, 모델자료, 현장 관측 자료를 융합하여 지상 오존 및 이산화질소 농도 추정 모델을 개발하였다.
· 효율적인 모델 구축을 위해 후진제거RF와 단계별선택RF를 이용하여 다양한 입력변수들 중 일부를 선택한 후 최종 모델을 위한 입력 자료로 활용하였다.
· 선택된 변수들을 바탕으로 세 가지 인공 지능 기법 (RF
Ⅳ. 연구 결과
❍ 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발
● 인공지능 기반 대기질 지상농도 추정 기법 개발 (오존, 이산화질소) 및 고도화 (PM)
· 본 연구에서는 다중 위성 자료, 모델자료, 현장 관측 자료를 융합하여 지상 오존 및 이산화질소 농도 추정 모델을 개발하였다.
· 효율적인 모델 구축을 위해 후진제거RF와 단계별선택RF를 이용하여 다양한 입력변수들 중 일부를 선택한 후 최종 모델을 위한 입력 자료로 활용하였다.
· 선택된 변수들을 바탕으로 세 가지 인공 지능 기법 (RF, ANN, SVR)을 이용하여 대기질 지상농도 추정 모델을 테스트하였다.
· 변형단계별선택RF를 통해 선택된 입력 변수를 바탕으로 RF 모델을 사용하였을 때 이산화질소 및 오존 모두에서 가장 높은 수행도를 보였으며, 예측 검증 부분에 있어서도 가장 좋은 결과를 보였다.
· 가장 좋은 수행도를 보여준 모델을 이용하여 지상 오존 및 이산화질소 농도 분포를 지도화하였으며, 오존의 경우 수도권 지역과 같은 대도시에서 비교적 낮은 평균농도를 보였으며, 이산화질소의 경우 수도권 및 대도시 지역을 중심으로 높은 농도 분포를 보였다.
· 본 연구에서는 지상 미세먼지 (PM10, PM2.5)농도 추정 모델의 예측 정확도를 높이기 위하여 실시간학습을 통한 고도화를 수행하였다.
· 2년 (2015 – 2016년)동안의 샘플을 모두 누적시켜 구축한 Off-line 모델의 예측검증 결과 (PM10: R2 = 0.23, RMSE = 28.73 ㎍/㎥, PM2.5: R2 = 0.41, RMSE = 13.84 ㎍/㎥)와 비교하여 실시간 학습기반의 농도 추정 모델은 상당히 향상된 정확도를 보이는 것을 확인할 수 있었다.
· 실시간학습기반 모델을 사용하여 추정된 지상 미세먼지 농도를 지도화하여 확인해본 결과, 여름에 비하여 봄, 겨울이 농도가 높은 계절적인 특성이 잘 나타났다.
· PM10의 경우 봄철 황사의 영향이 잘 나타나 4월까지 높은 농도가 유지되는 것이 확인되었으며, PM2.5의 경우 난방연료 사용이 늘어나는 늦가을부터 높은 농도패턴을 보여주었다.
· 공간적으로 확인해보았을 때, 수도권과 같은 대도시 지역에서 높은 농도 분포를 보였다.
● 인공지능 기반 대기질 미세먼지 (PM10, PM2.5) 농도 추정 알고리즘 개발 및 검증
· RF기반의 구름 존재 시 AOD를 추정한 결과 R2 0.94, rRMSE 15 %로서 높은 정확도로 GOCI 에어로졸 광학두께를 잘 모의하였다. 하지만 지도를 그려 공간적으로 비교하였을 때, 해양에서 모의된 GOCI기반 AOD가 전체적으로 과대추정된 경향을 보였다.
· 구축된 AOD모델을 적용하여 추정된 AOD를 기존 지상 미세먼지 농도 추정 모델에 적용하여 구름 존재 시에도 연속적인 지상 미세먼지 분포를 확인해보았다.
· 구름 존재 시 미세먼지 (PM10, PM2.5) 농도 추정모델의 검증결과가 기존의 청천 시 미세먼지 (PM10, PM2.5) 농도 추정모델의 검증결과와 비슷한 패턴을 보여, 이 두 모델을 활용하여 구름 존재 시에는 추정된 AOD를 활용한 지상 미세먼지를, 청천시에는 GOCI 기반 AOD를 활용하여 지상 미세먼지를 추정한다면 공간적으로 연속적인 분포를 얻을 수 있다.
● 개발 알고리즘의 동아시아 지역 적용 가능성 등 알고리즘 적용 확대 검토
· 실시간학습기반의 지상 미세먼지 농도 추정 모델을 동아시아 지역으로 확대 적용해보았다.
· 15일 간격의 Leave-One-Out 교차검증을 통해 실시간학습모델의 검증을 수행하였으며, 동아시아의 경우 300 km 이내에 일정개수 이상의 샘플이 존재할 때에만 Leave-one-out 교차검증을 수행하였다.
· 교차검증 결과를 살펴보면 남한지역과 비교하여 정확도가 향상된 것을 확인할 수 있었는데, 이는 남한지역이 상대적으로 높은 공간해상도(1 km)를 갖고 있고, 동아시아 지역이 남한에 비해 상대적으로 많은 관측소와 고농도 샘플을 포함하고 있기 때문인 것으로 보인다.
· 동아시아 지역에 대해 실시간 학습 기반의 지상 미세먼지의 농도 분포를 지도화하여 확인해본 결과, 중국 동부 지역의 미세먼지가 계절에 관계없이 남한지역에 비해 상당히 높은 것을 확인할 수 있었다.
· 시간적인 패턴을 확인해보았을 때 남한과 마찬가지로 여름에 비하여 봄, 겨울에 미세먼지 농도가 높은 계절적인 특성이 잘 나타났다.
· PM10의 경우 봄철 황사의 영향이 잘 나타나 4월까지 높은 농도가 유지되는 것이 확인되었으며, PM2.5의 경우 난방연료 사용이 늘어나는 늦가을부터 높은 농도패턴을 보여주었다.
· 공간적으로 확인해보았을 때, 중국 동부지역의 미세먼지가 남한 지역에 비해 상당히 높은 것을 확인할 수 있었고, PM2.5에서 그 경향이 강하게 드러났다.
● 기상 및 배출량 모델과의 융합 활용 가능성 평가
· 배출량 모델기반 자료의 유무에 따른 농도 추정 모델의 정확도를 비교해본 결과, 정확도 향상에 기여되지 않음을 확인할 수 있었다.
❍ 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발
● 상호 검·보정에 요구되는 일치조건 및 일치자료 수집을 위한 알고리즘 개발 및 적용성 평가
· GEMS Level 1B(L1B) 자료의 발사 후 품질 유지를 위해 위성 간 상호 검·보정을 수행하고자 하며 이를 위해 각 자료 특성에 따른 상호 비교 일치 조건을 제시하고 기존 위성 자료에 적용하여 추후 GEMS에 활용 가능한 기법을 제시하였다.
● 태양 복사조도에 대한 비교 검정 알고리즘 개발 및 검증
· OMI, TROPOMI 자료 간 상호 비교 시 일치 조건으로 시공간, 관측각 및 분광 특성의 일치를 제시하고 현 연구 단계에서 적용 가능한 조건을 활용, 상호비교 자료를 수립함으로써 파장 검보정, 감쇄효과 및 디퓨저 무작위 오차 등에 대한 선행적 보정의 필요성을 제시 및 수행하였다.
● 지구복사휘도 비교 검정을 위한 타 위성 DCC 탐지 자료 구축 및 환경위성 DCC 탐지 알고리즘 개발
· 지구복사휘도 비교 검정을 위한 수단으로 심층대류운(Deep Convective Cloud, DCC)를 제시하고 현 가용한 위성 자료를 활용하여 DCC 화소를 선별 및 자료 특성을 분석하고 추후 GEMS 적용을 위한 방법을 제시하였다.
❍ 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발
● GK-2A/2B 및 국외 위성 자료 융합을 통한 에어로졸 시·공간 연속 감시 기술 개선 및 알고리즘 개발
· 융합 전, 에어로졸 유형 구분에 대한 통계분석 결과, Smoke에 대한 accuracy는 OMI의 에어로졸 유형과 GEMS간에 차이가 없었지만, Dust, Sulfate, Mixture에 대한 accuracy값은 OMI에서 더 높게 나타났다.
· Corrected TDCI를 사용했을 경우 Dust 유형에 대하여 Accuracy 값이 더 증가하는 경향을 보여줬다. 또한 TDCI를 사용할 경우 TDCI를 사용하지 않을 경우 보다 Accuracy가 향상하여 OMI의 Accuracy와 유사한 경향을 보여주는 것을 확인할 수 있었다.
· 사례 분석 시, 환경위성에서 AOD, SSA, HGT를 산출 시 산출과정에서 GK-2A 위성을 활용한 에어로졸 유형 구분 정확도 향상 결과를 AOD, SSA, HGT 산출 과정에 적용 시, 미적용 대비 알고리즘 산출물의 산출결과가 다소 차이를 보였다.
● 인공지능 기반 대기질 지상 농도 추정 기법과의 융합 가능성 평가
· 융합자료를 사용한 경우, PM의 모델구축 결과의 정확도가 더 향상된 결과를 보여, 향후 GK-2A/2B에서 산출되는 자료와 인공지능 기반 대기질 지상 농도추정 기법과의 융합 가능성이 높은 결과를 보였다.
● 다양한 사례 및 장기간 자료를 이용한 감시 기술 안정화 검증
· 1년의 자료를 이용하여 OMI와 MODIS를 활용한 융합 결과, 융합 전 GEMS 알고리즘을 이용한 산출물 대비 향상된 결과를 보였다.
❍ 대기환경 분야 외 타 분야 간 융합 활용 기술 개발 및 최적화
● 환경 위성 융합 활용을 통한 산불 영향 분석기술 개발 및 GEMS 적용 방안 마련
· OMI에 적용 가능한 산불 reference 2개(호주 1개, 미국 1개)와 TROPOMI에 적용 가능한 산불 3개(우리나라 1개, 미국 캘리포니아 2개)를 찾아 reference로 사용하였다.
· TROPOMI는 높은 시공간 해상도를 가졌으며, 우리나라는 주로 대도시와 공장이 많은 곳 (수도권, 부산, 울산 광양 등) 주위로 높은 값이 나타났다.
· OMI와 TROPOMI 위성 산출물 자료를 이용하여 산불 reference에 대하여 MER을 계산하였으며, TROPOMI의 경우 높은 시공간 해상도로 산불로 인해 발생하는 기체의 변화량을 보다 더 정확히 알 수 있을 것으로 보인다.
· MER을 계산할 때는 산불 전체 면적이 필요하기 때문에 MODIS, Himawari-8 등 타 위성과 융합하여 사용하여야 하며, 본 연구진이 개발한 Himawari-8을 이용한 산불탐지 알고리즘과 TROPOMI 산출물을 융합하여 우리나라 산불을 대상으로 MER을 계산하였다.
· 화재 면적, 토지피복 별 연료량 및 연소 효율, 산림의 종류에 따른 기체별 배출계수를 활용하여 산불로 인한 대기오염 물질의 배출량을 산정할 수 있었으며, 국내의 산림 및 토지피복에 최적화된 변수를 활용한다면 더욱 정확한 배출량 산정이 가능해 질 것으로 기대된다.
· MER을 활용한 NO2 배출량 추정 결과와 배출 계수를 사용한 배출량이 차이가 있는 것으로 나타났으며, 이는 기존 구축된 배출 계수의 오차 및 산불의 진화과정에서 나타나는 연소효율 등의 오차로부터 기인한 것으로 판단되어, 추후 계수의 보완을 통하여 해결할 수 있을 것으로 기대된다.
● 추가 활용 기술 개발 (농업/산림 & 인체건강-대기질 상관성 분석 등) 가능성 검토
· 대기질과 농작물의 관계를 확인하기 위해 오존 노출지수인 M7, M12, AOT40와 농작물 별 연간 생산량의 연구지역별 분포를 확인하였다.
· 오존노출 지수로부터 오존으로 인한 농작물 손실량을 계산하여 작물 별 공간분포를 확인하고 향후 활용 기술 개발 가능성을 모의하였다.
· 장기간의 축적되는 오존이 식생에 미치는 영향을 분석하기 위해 AOT40와 9월과 10월의 EVI 감소량과의 상관관계를 확인한 결과, 특정 지점에서 유의미한 상관관계를 확인하였고, 향후 활용 기술 개발 가능성을 모의하였다.
· 앞서 파트에서 개발한 지상 대기질 농도 자료와 상대적인 위험도 (RR; relative risk of mortality)가 반영된 ARI (Aggregated health Risk Index)를 계산하여 시공간적 패턴을 분석하였다.
· ARI의 등급별 기준이 WHO의 대기질 가이드라인에 기반을 두어 전체적으로 높게 나타나는 경향이 있어 한국에 맞게 조정할 필요가 있으며, 향후 GEMS를 이용하여 시간대에 따른 통합적인 건강위험 지수 (ARI)를 제시할 수 있다.
(출처 : 요약문 5p)
목차 Contents
- 표지 ... 1
- 제 출 문 ... 2
- 요 약 문 ... 4
- 목차 ... 12
- 표목차 ... 14
- 그림목차 ... 16
- 제1장 서 론 ... 22
- 제1절 연구의 배경 ... 22
- 제2절 연구의 목적 ... 22
- 제2장 연구내용 및 방법 ... 24
- 제1절 연구 내용 ... 24
- 제2절 연구 방법 ... 26
- 1. 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발 ... 26
- 2. 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발 ... 34
- 3. 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발 ... 48
- 4. 대기환경 분야 외 타 분야 간 융합 활용 기술 개발 및 최적화 ... 51
- 제3절 연구 추진 체계 ... 61
- 제3장 연구결과 및 고찰 ... 62
- 1. 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발 ... 62
- (1) 인공지능 기반 대기질 지상농도 추정 기법 개발 (오존, 이산화질소) 및 고도화 (PM) ... 62
- (2) 인공지능 기반 대기질 미세먼지 (PM10, PM2.5) 농도 추정 알고리즘 개발 및 검증 ... 77
- (3) 개발 알고리즘의 동아시아 지역 적용 가능성 등 알고리즘 적용 확대 검토 ... 80
- (4) 기상 및 배출량 모델과의 융합 활용 가능성 평가 ... 85
- 2. 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발 ... 85
- (1) 상호 검보정에 요구되는 일치조건 및 일치자료 수집을 위한 알고리즘 개발 및 적용성 평가 ... 88
- (2) 태양복사조도에 대한 비교 검정 알고리즘 개발 및 검증 ... 97
- (3) 지구복사 휘도 비교 검정을 위한 타 위성 DCC 탐지 자료 구축 및 환경위성 DCC 탐지 알고리즘 개발 ... 109
- 3. 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발 ... 115
- (1) GK-2A/2B 및 국외 위성 자료 융합을 통한 에어로졸 시·공간 연속 감시 기술 개선 및 알고리즘 개발 ... 115
- (2) 인공지능 기반 대기질 지상 농도 추정 기법과의 융합 가능성 평가 ... 124
- (3) 다양한 사례 및 장기간 자료를 이용한 감시 기술 안정화 검증 ... 127
- 4. 대기환경 분야 외 타분야 간 융합 활용 기술 개발 및 최적화 ... 131
- (1) 환경 위성 융합 활용을 통한 산불 영향 분석기술 개발 및 GEMS 적용 방안 마련 ... 131
- (2) 추가 활용 기술 개발 (농업/산림 & 인체건강-대기질 상관성 분석 등) 가능성 검토 ... 141
- 제4장 결 론 ... 156
- 1. 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발 ... 156
- 2. 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발 ... 158
- 3. 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발 ... 159
- 4. 대기환경 분야 외 타분야 간 융합 활용 기술 개발 및 최적화 ... 160
- 제5장 기대성과 및 활용방안 ... 164
- 제1절 기대성과 ... 164
- 1. 환경위성자료를 활용한 대기질 지상 농도 추정 알고리즘 개발 ... 164
- 2. 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발 ... 164
- 3. 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발 ... 164
- 4. 대기환경 분야 외 타분야 간 융합 활용 기술 개발 및 최적화 ... 165
- 제2절 활용방안 ... 166
- 1. 환경위성자료를 이용하여 추정된 대기질 지상 농도 모델의 활용 ... 166
- 2. 저궤도 및 정지궤도 위성을 복합 활용한 정지궤도 환경위성 검·보정 평가 알고리즘 개발 ... 166
- 3. 환경 및 타 분야 위성자료를 활용한 에어로졸 연속 감시 알고리즘 개발 ... 166
- 4. 대기환경 분야 외 타분야 간 융합 활용 기술 개발 및 최적화 ... 166
- 제6장 참고문헌 ... 168
- 끝페이지 ... 170
※ AI-Helper는 부적절한 답변을 할 수 있습니다.