The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 30, No. 4, pp.391-404
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 31 Dec 2020
Received 27 Aug 2020 Revised 18 Oct 2020 Accepted 20 Oct 2020
DOI: https://doi.org/10.14191/Atmos.2020.30.4.391

서울의 기상 조건에 따른 미세먼지와 시정의 상관성

김민석 ; 이서영 ; 조예슬 ; 구자호 ; 염성수 ; 김준*
연세대학교 대기과학과
The Relationship of Particulate Matter and Visibility Under Different Meteorological Conditions in Seoul, South Korea
Minseok Kim ; Seoyoung Lee ; Yeseul Cho ; Ja-Ho Koo ; Seong Soo Yum ; Jhoon Kim*
Department of Atmospheric Sciences, Yonsei University, Seoul, Korea

Correspondence to: * Jhoon Kim, Department of Atmospheric Sciences, Yonsei University, 50 Yonsei-ro, Seodaemun-gu, Seoul 03722, Korea. Phone: +82-2-2123-2035, Fax: +82-2-365-5163 E-mail: jkim2@yonsei.ac.kr

Abstract

To understand the characteristics of the relationship between visibility and particulate matter (PM) in different meteorological conditions, we investigated the contributions of PM and relative humidity (RH) to visibility in Seoul, South Korea. For the period from 2001 to 2018, both PM and RH show descending trends, resulting in a visibility increase. PM has little impact on the hourly variation of visibility, which could be explained more by the RH variability. Meanwhile, the daily change of PM accounts for daily visibility variation. For the monthly variation of visibility, both PM and RH showed similar influence. The correlation coefficients of PM10, PM2.5, and RH with visibility was -0.486, -0.644, and -0.556, respectively, which became higher during the high PM seasons of spring and winter. The correlation coefficient between PM2.5 and visibility was -0.454 for RH higher than 80%, and -0.780 for RH between 40% and 60%. From 2017 to 2018, there were 10 cases of extreme visibility impairment, among which five cases were incurred by high PM pollution, and two cases were by high humidity. Further analysis with PM chemical composition measurements is required to better understand the characteristics of visibility in Seoul.

Keywords:

Visibility, particulate matter, relative humidity, haze, air quality

1. 서 론

시정은 기상학적으로 관측자가 멀리 있는 어두운 물체를 수평으로 하늘에 대해 구분할 수 있는 최대의 거리로 정의된다(McCartney, 1976). 시정은 대기오염물질들에 의해 감소하며, 따라서 육안으로 대기오염 정도를 어림하는 기준이 되기도 한다(Hyslop, 2009; IPCC, 2013). 시정은 대기중 에어로졸이나 기체상 분자에 의한 빛의 감쇄에 의해 결정된다. 이 때, 에어로졸 입자의 크기, 화학 조성 및 질량농도가 시정에 큰 영향을 미치기 때문에(Xiao et al., 2014) 미세먼지 농도 및 조성은 시정과 밀접하게 연관되어 있다. 미세먼지(PM)는 에어로졸의 일종으로 대기 중에 떠다니는 직경 10 μm 이하(PM10), 또는 직경 2.5 μm 이하(PM2.5)의 작은 입자이며, PM2.5는 호흡을 통해 폐 속깊이 침투해 폐포에 흡착하여 폐기능을 손상시킨다(US EPA, https://www.epa.gov/pm-pollution). 따라서 어떤 지역의 지속적인 시정 악화는 지역 주민의 건강에 대한 우려를 야기할 수 있다. 하지만 시정 감소에는 습도, 안개 형성, 온도 변화에 따른 대기 경계층 고도 변화 등의 요인이 있을 수 있으며, 미세먼지 농도가 높지 않더라도 높은 습도에 의한 에어로졸의 흡습성장으로 시정이 감소할 수 있기 때문에, 짧은 시정을 고농도의 미세먼지로만 결부시킬 수는 없다. Yoon and Kim (2006)에서는 상대습도가 50%에서 70~95%로 증가함에 따라 에어로졸 입자의 흡습성장으로 인하여 에어로졸 광학 깊이가 1.24~3.20배 증가하였고, Skupin et al. (2016)에서는 상대습도가 40%에서 80%로 커짐에 따라 산란계수가 1.75 ± 0.4배 증가했다. 따라서 시정을 이용하여 대기오염 정도를 파악하고자 한다면 해당 지역의 기상 조건을 함께 고려해야 한다.

국내에서는 Kim and Kim (2003)Ghim et al. (2005)에서 시정에 대한 장기간의 분석이 수행되었으며, 두 연구에서는 과거부터 시정은 지속적으로 증가하였음을 확인하였고, 평균 습도의 장기적인 변화에 따른 에어로졸이 시정을 감쇄하는 정도의 차이를 분석했다. 대기중 에어로졸의 성분에 따른 시정의 영향을 분석한 연구로는 연무, 스모그 등 시정이 악화되었을 때 미세먼지의 성분을 분석한 바 있다(Kang et al., 2004; Kim et al., 2006; Kim et al., 2007). 대기중 가시광 복사의 흡수와 산란은 에어로졸광학깊이와 레일리산란광학깊이를 포함하는 총광학깊이와 태양천정각에 크게 의존한다(cf. Cho et al., 2003). Park et al. (2015)에서 에어로졸의 광화학 특성과 시정의 연관성에 대해 분석한 바에 따르면, 초미세먼지 입자의 산란은 습도 조건에 따라 달라진다.

중국에서도 시정에 관한 연구가 활발히 수행되었다. Fu et al. (2013)에서는 1960년부터 2009년까지 50년간 중국 각 지역의 시정 변화를 분석하였으며, 특히 중국 남부와 북부에서 시정 변화의 특성이 달랐다. Chen et al. (2014)Wang et al. (2019)에서는 베이징에서 PM2.5와 상대습도가 시정에 미치는 영향을 분석하였으며, Zhao et al. (2013)에서는 2010년부터 2012년까지 중국 동북부의 셴양에서 시정의 월간, 주간, 그리고 일간 변화 및 시정과 PM, 기상 변수의 상관관계를 분석하였다. Yang et al. (2007)에 따르면 중국 지난 지역에서 1961년부터 장기적으로 시정이 감소하였고, 해당 지역에서는 황산암모늄이 시정 악화에 가장 큰 원인이었고, 그 다음으로 질산암모늄, 블랙카본, 유기입자가 시정 악화에 영향을 미쳤다. 마찬가지로 2012년부터 2013년까지의 집중 관측 기간 동안 중국 바오지 지역에서 악시정의 원인을 분석한 Xiao et al. (2014)에서도 낮은 20%의 시정에서 황산암모늄의 기여가 가장 컸다. Xiao et al. (2011)은 1년에 160일 정도 발생하는 중국 항저우의 연무를 분석하여 이 지역 시정 감소에는 상대습도와 PM2.5의 기여가 크고 PM2.5의 농도는 O3, SO2의 높은 상관관계가 있음을 보였다. Cheng et al. (2013)은 양쯔강 삼각주 지역에서 1980년부터 2011년까지 장기적으로 시정은 감소하였으며, PM10이 전체 대기의 질량소산효율의 36.2%를 차지한다고 하였다. 이 중 PM2.5의 질량소산효율은 PM10-2.5의 질량소산효율의 약 7배를 보인다. Shen et al. (2015)에서도 같은 지역의 미세먼지에 대하여 분석하였는데, 입자의 수농도 분포는 80~100 nm 크기에서 최대를 보이며, PM10 중 PM1이 84%를 차지했다. 특히, PM1이 대기의 복사 감쇄에 미치는 영향은 상대습도에 따라 달랐다. 양쯔강 삼각주에서는 시정 악화 사례에서 황산과 유기입자의 비율이 높아 중국 북부와 다른 모습을 보였다.

한국은 OECD 국가 중 국민의 PM2.5 노출도가 가장 높은 국가로(OECD statistics 2018, https://stats.oecd.org), 그 중 서울은 도시화, 장거리 수송 등의 영향으로 한국에서 미세먼지에 의한 오염이 가장 심각한 지역에 속한다. 하지만 국내에서는 습도 외의 기상조건이 시정에 미치는 영향을 최근까지의 장기간의 자료로 분석한 연구는 부족한 실정이며, 특히 시정 악화 현상을 이해하기 위해서는 시정이 매우 나쁜 경우에서 미세먼지, 습도 및 기상조건을 면밀히 분석할 필요가 있다. 이에 본 연구에서는 서울에서 1989~2018년도의 시정 및 기상 관측 자료와 2001~2018년도의 PM10 질량농도 관측 자료, 그리고 2006~2018년도의 PM2.5 질량농도 관측 자료를 이용한 시정과 미세먼지, 기상 변수의 일간, 주간, 월간 및 장기간 경향을 비교로 분석 기간에 따라 미세먼지와 상대습도가 서울의 시정에 미친 영향을 분석하였다. 다음으로, 서울에서 시정과 미세먼지 및 상대습도의 상관관계 분석을 통하여 서울에서 미세먼지와 기상조건이 시정 감소에 미치는 영향을 평가하고, 그 중요도를 비교하였다. 마지막으로 서울에서 시정이 크게 감소한 사례의 특징을 파악하기 위하여 2006년 이후로 시정 감소가 심각했던 사례를 선별한 후, 그 때의 미세먼지 농도와 기상 조건의 특징 및 시간 변화를 분석하였다.


2. 연구 방법

2.1 연구 자료

2.1.1 미세먼지 질량농도 자료

환경부에서 운영하는 대기오염 측정망에는 도시대기 측정망, 교외대기 측정망, 국가배경농도 측정망, 도로변대기 측정망 등이 있다(ME, 2018). 2018년 기준 전국 114개 시, 군에 333개의 도시대기측정망이 운영되고 있으며 서울에는 26개소가 있다. 본 연구에서는 서울 도심 지역의 평균 대기질을 분석하기 위하여 서울 도시대기측정망 26개소의 평균 미세먼지 농도를 사용하였다. PM10의 질량농도는 2001년부터 환경부 에어코리아(https://www.airkorea.or.kr)를 통해 측정소별 매시간의 측정값이 공개되고 있으며, PM2.5의 질량농도는 2015년부터 공개되고 있다. 서울시에서는 2015년 이전부터 PM2.5 질량농도를 측정하였으며 본 연구의 2006년부터 2014년까지의 PM2.5 질량농도 자료는 서울시 보건환경연구원에서 제공되었다. 대기질 측정자료는 지자체에서 운영하는 측정소에서 측정되어 국가대기오염정보시스템 및 지자체대기오염정보시스템으로 수집되어 Air Korea 웹사이트에서 공개된다.

2.1.2 종관기상관측(Automated Surface Observing System; ASOS) 자료

서울시 종로구 송월동에 위치한 종관기상관측소는 기온, 강수, 바람, 기압, 습도, 일사, 일조, 눈, 구름, 시정, 지면상태, 지면·초상온도, 일기현상, 증발량 등의 지상 관측을 수행하고 있으며, 관측 자료의 분, 시간, 일, 월, 년 자료를 기상청에서 공개하고 있다(https://data.kma.go.kr). 본 연구에서는 기온, 바람, 습도, 시정의 시간 자료와 기온, 바람, 습도, 시정, 안개 지속 시간의 일 자료를 사용하였다.

시정 자료는 구름, 일기현상 등과 함께 목측 요소에 포함되어 2016년까지 목측 자료를 공개하였으나, 서울시에서는 2017년부터 시정계를 사용하여 자동 관측한 자료를 제공한다. 목측은 관측자나 주야에 따른 정확도의 차이가 있기 때문에, 시정계를 사용할 경우 객관적인 관측이 가능하다. 자동기상관측장비 표준 규격에 따른 시정계의 분해능은 10m로 목측보다 매우 정확하지만 시정이 길어질수록 정확도가 떨어진다(KMA, 2018). 따라서 본 연구에서는 장기간의 목측 자료로 시정의 장기 변화 경향과 미세먼지 및 기상조건과의 상관관계를 분석하고, 2017, 2018년의 시정계 자료로 시정이 짧은 경우에 대한 악시정 사례를 분석하였다. 악시정은 2017년과 2018년의 시정 시간 자료의 5백분위수 값 이하의 시정이 관측된 시간으로 정의하였다. 또한, 악시정이 12시간 이상 지속된 경우를 악시정 지속 사례로 구분하여 미세먼지, 상대습도, 바람 등의 변화를 자세히 분석하였다.


3. 결과 및 토의

3.1 서울의 시정, 미세먼지, 기상 조건의 장기 변화 경향

시정 악화를 유발하는 기상 현상에는 안개(물현상, fog), 박무(물현상, mist), 연무(먼지현상, haze)가 있다. 세계 기상 기구(World Meteorological Organization, WMO)에서는 안개를 시정이 1 km 미만일 때로 정의한다(KMA, 2015). 또한, 서울시에서는 시정이 1 km 이상, 10 km 미만일 때는 습도 조건에 따라 상대습도가 80% 이상일 때 박무, 70% 미만일 때 연무로 구분하며, 상대습도가 70%와 80% 사이일 때, 선행 기상 현상이 물현상이면 박무, 먼지현상이면 연무, 없으면 상대습도 75% 이상이면 박무, 75% 미만이면 연무로 구분한다(Seoul air quality information, https://cleanair.seoul.go.kr/2020/board/boardList?board=dust). 위 기준을 참고하면 미세먼지 농도 자료가 없는 기간을 포함하여 장기간의 자료로 시정의 악화에 미세먼지와 상대습도의 영향을 간접적으로 평가할 수 있다. 따라서 Fig. 1의 흐름도와 같이 시정과 상대습도 관측값으로부터 1989년부터 2018년까지의 장기간의 시정 악화의 원인을 구분할 수 있었고, 그 빈도를 Fig. 2에 나타냈다.

Fig. 1.

Flowchart of visibility impairment determination criteria using visibility and RH observation.

Fig. 2.

Long-term change of relative frequency of haze cases from 1989 to 2018 in Seoul.

Figure 2를 보면, 1989년부터 2018년까지 시정 악화 현상의 발생 빈도는 감소하였으며, 맑은 날의 수는 증가해왔다. 전체 시정 악화 중 박무와 연무의 비율은 각각 43%, 37%로 서울의 시정 악화는 먼지현상보다 물 관련 현상으로 구분되는 경우가 약간 더 많았다. 박무는 서울에서 가장 많이 나타나는 시정 악화 현상으로 안개보다 훨씬 많은 빈도로 발생한다. 시정 악화 현상의 장기 변화 경향은 연무에서 –0.16% year-1, 박무에서 -0.38% year-1의 변화 경향을 보인다. 따라서 서울의 시정 악화 현상의 장기적인 감소는 주로 상대습도의 감소에 의한 것임을 알 수 있다(Fig. 3d).

Fig. 3.

Long-term change of (a) visibility, (b) PM10, (c) PM2.5, (d) RH from 2001 to 2018 in Seoul. The representative value of visibility is annual median, and that of RH is annual mean. The ends of whiskers represent 5th and 95th percentiles, the ends of the boxes represent 25th and 75th percentiles and red dot represents annual mean.

Figure 3은 서울시에서의 미세먼지 농도 측정값(PM10은 2001년부터 PM2.5은 2006년부터 2018년까지), 시정, 그리고 상대습도의 장기적인 변화를 보여준다. PM10, PM2.5의 질량농도 평균값은 해당기간동안 각각 –1.84 μg m-3 year-1, -0.40 μg m-3 year-1의 경향으로 감소했다. 5백분위수와 95백분위수 또한 장기적으로 감소해왔기 때문에 서울에서는 미세먼지의 배경농도와 고농도 사례의 농도가 모두 장기적으로 감소해왔다. Ahmed et al. (2015)Yeo et al. (2019)에서는 2003년부터 서울의 미세먼지 질량농도가 지속해서 감소하고 있음을 분석한 바 있으며, 이러한 감소 경향이 2018년까지 지속되고 있다고 할 수 있다. 이처럼 서울에서의 장기적인 미세먼지 농도의 개선은 2003년 12월 수도권 대기환경 개선에 관한 특별법이 제정됨에 따라 수립된 대기환경 개선목표의 1단계 기본 계획에서 수도권의 미세먼지(PM10) 오염도 개선에 초점을 맞춘 결과로 보인다(Kim, 2013). 2015년부터는 2단계 수도권 대기환경 기본계획이 시행되어 PM2.5의 오염도 개선이 계속하여 수행되고 있다(ME, 2013). 2012년에는 특이하게 PM10과 PM2.5 연평균 농도가 많이 감소한 한편, 2012년 이후로는 지속적으로 감소하는 경향이 둔화되었으며, 연평균 PM10 및 PM2.5 농도는 정체하거나 다소 증가한 구간도 있었다(cf. Kim et al., 2017). 한편, 2016년부터 최근 3년간 미세먼지의 평균 농도와 5~75 백분위수 값은 다시 감소하였지만, 95백분위수 값은 증가하였다. 즉, 서울에서 미세먼지 평균농도는 낮아져 왔으나, 최근 고농도 미세먼지에 의한 오염은 여전히 개선이 필요하다. Lee et al. (2020)에 따르면, 서울에서 PM2.5 일평균이 75 μg m-3보다 높은 날들은 대부분 주변국들로부터의 장거리이동에 의한 영향이었다.

18년간 연평균 상대습도는 -0.29% year-1의 경향을 보이며 감소하였으며, Um et al. (2007)Ghim et al. (2005)의 연구 결과에서 보인 바와 같은 서울 지역의 상대습도의 감소 경향이 최근까지도 지속되고 있음을 알 수 있다. 즉, 18년 동안 시정 악화 중 박무현상의 백분율이 감소한 것은 서울에서 평균 상대습도가 줄었기 때문이라고 할 수 있다. Ghim et al. (2005)에 의하면 서울에서 상대습도는 지속적으로 감소해왔으나, 1980년대에는 극심한 대기오염으로 인해 상대습도의 감소가 시정의 증가에 미치는 영향이 미미했고, 1990년대부터는 대기오염물질이 감소함에 따라 상대습도의 감소 또한 시정의 증가에 영향을 주기 시작했다. 본 연구 결과에 의하면 2000년대, 2010년대에도 그러한 경향이 계속되어 미세먼지 농도와 상대 습도의 장기적인 감소로 18년 동안 시정이 +0.22 km year-1의 경향으로 증가했음을 알 수 있었다. 미세먼지의 평균 농도가 매우 낮았던 2012년에는 상대습도 또한 낮았는데, 시정과 음의 상관관계가 큰 두 변수 모두 평균적으로 낮았기 때문에 2012년의 시정의 연중간값은 16.75 km로 18년 중 두 번째로 높았다. 18년간 시정의 연중간값은 2016년에 가장 높았으나, 연평균 미세먼지 농도와 상대습도는 2012년보다 높았다. 하지만 2016년은 미세먼지의 95백분위수 농도가 낮아 연간 평균적인 미세먼지 농도는 높았지만, 고농도 미세먼지 오염 일수가 적어 시정의 중간값이 높았던 것으로 보인다.

Figure 4의 시정의 월 변동성을 보면, 시정은 1년 중 7월에 가장 나쁘고, 9월에 가장 좋다. 그리고 7월 이후 상대습도가 감소하고 미세먼지 농도가 최솟값을 보여 9월에 가장 좋은 시정을 보인다. 한편, 상대습도가 가장 낮은 2월~3월에는 높은 미세먼지 농도로 시정이 좋아지지 못한다. 따라서 1년 중 월 단위의 시정 변화는 미세먼지와 상대습도의 영향이 복합적으로 나타난다.

Fig. 4.

Monthly variation of visibility (red line), RH (blue line), PM10 (black line) and PM2.5 (black dashed line).

Figure 5에서는 서울에서 미세먼지 농도의 주 간 변화가 시정과 반대로 나타남을 확인할 수 있다. 특히 서울에서는 일요일에 낮은 교통량으로 미세먼지 오염이 적어 시정이 증가한다. 계절적으로는 겨울에 미세먼지 농도와 시정의 반대 경향이 가장 뚜렷하다(Fig. A2). 따라서 겨울에 일 단위의 시정 변화는 미세먼지오염도 변화에 의한 결과로 해석할 수 있을 것이다. Figure 6에서 시정은 06시에 가장 나쁘고 18시에 가장 좋다. 상대습도는 06시에 가장 높기 때문에 상대습도의 변화가 하루동안 시정의 변동의 주요인으로 볼 수 있었다(Fig. A3). 그러나 상대습도의 일 최소값은 15시에 나타나는데 시정이 18시에 가장 큰 것은 PM2.5 농도가 18시 이후가 되어서야 급격히 높아지는 것과 반대의 경향을 보인다고 할 수 있으므로 하루동안 시정의 변화에 PM2.5 농도의 변화도 어느 정도 영향을 주는 것으로 보인다.

Fig. 5.

Weekly variation of visibility (red line), PM10n (black line) and PM2.5 (black dashed line). (b), (c), (d) and (e) are the same plot for spring, summer, autumn and winter, respectively.

Fig. 6.

Diurnal variation of visibility (red line), RH (blue line), PM10 (black line) and PM2.5 (black dashed line).

따라서 시정의 하루 동안의 변화는 상대습도 변화의 영향을 크게 받으며, 겨울에는 일 단위 시정의 변화가 미세먼지 농도 변화의 영향을 크게 받는다고 할 수 있다. 월 단위의 시정 변화는 여름에는 상대습도의 영향을 크게 받고, 다른 계절에는 두 변수가 복합적으로 영향을 주는 것으로 분석된다. 시정, 미세먼지, 상대습도의 2001년부터 2018년까지의 평균과 표준편차를 Table 1에 정리하였다.

Annual and seasonal means and standard deviations of visibility, PM and meteorological variables.

3.2 서울의 시정, 미세먼지 및 기상 조건의 상관관계 분석

대기중의 입자에 의한 가시광의 흡수 및 산란은 시정에 직접적인 영향을 주며, 바람에 의한 입자의 확산과 온도 연직분포에 의한 대기 경계층의 고도 변화는 시정의 변화에 간접적으로 작용한다. 서울에서 시정에 영향을 줄 수 있는 요인들의 중요도를 파악하기 위하여 시정과 미세먼지, 기상 변수 관측값의 상관계수를 Table 2에 나타냈다.

Pearson correlation coefficients between visibility and relevant variables. Asterisk (*) means the best correlated season of each variable.

PM10과 PM2.5는 각각 상관계수 -0.486, -0.644로 시정과 음의 상관관계를 보인다. 이는 미세먼지에 의한 가시광의 흡수와 산란이 서울에서의 시정 감소의 주요인 중 하나임을 의미한다. PM2.5가 PM10보다 시정과 더 큰 음의 상관관계를 보이는 것은 Mie 이론에 따라 가시광 파장에서 작은 입자의 질량 소산 효율이 더 크기 때문이며, 중국 양쯔강 지역과 지난지역에서도 유사하게 분석된 바 있다(Cheng et al., 2013). 미세먼지가 봄과 겨울에 시정과 더 큰 상관관계를 보이는 것은 서울에서 고농도 미세먼지에 의한 오염이 주로 봄(PM2.5: 28.1 ± 16.8 μg m-3, PM10: 61.3 ± 51.6 μg m-3)과 겨울(PM2.5: 29.7 ± 17.9 μg m-3, PM10: 57.1 ± 40.6 μg m-3)에 일어나기 때문이다.

상대습도(RH)는 시정과 -0.556의 음의 상관계수를 보이는 반면 대기 중 절대습도를 나타내는 변수인 수증기압은 시정과 -0.174로 약한 음의 상관관계를 보인다. 서울에서 상대습도나 미세먼지 농도 구간에 따른 시정과 해당 변수간의 상관관계 차이를 분석하기 위하여, Table 3에는 상대습도 구간별 시정과 PM2.5와의 상관관계, 그리고 PM 구간별 시정과 상대습도의 상관관계를 나타냈다. 시정과 PM2.5와의 상관관계는 상대습도 80% 이하의 모든 구간에서 높은 수치를 보였고, 40~60%에서 최대로 나타났다. 상대습도가 매우 높은 80~100%인 구간에서는 수증기 응결에 의한 안개의 형성이 시정을 크게 감소시키기 때문에, 상대적으로 PM2.5의 기여가 급격하게 줄어든다. 이는 중국 Sun et al. (2020)에서 중국 난징 지역에서 분석한 결과와 일관성을 보인다. 따라서 서울이 80% 이하의 상대습도를 보일 때, 시정은 대기질을 파악할 수 있는 기준이 될 수 있지만, 80%가 넘는 습한 대기에서는 시정만으로 대기질을 파악할 수 없다. 시정과 상대습도의 음의 상관관계는 PM2.5 농도가 증가함에 따라 감소하는 경향을 보인다.

(Top row) Correlations between visibility and PM2.5 over 5 different RH intervals, and (bottom 2 rows) correlations between visibility and RH over 4 different PM2.5 and PM10 intervals.

3.3 악시정 사례 분석

2017, 2018년의 시정 관측값 중 악시정으로 구분된 시간은 총 713시간이며, 악시정에서 평균 PM10, PM2.5의 질량농도는 각각 62 μg m-3, 43 μg m-3이고, 평균 상대습도는 86%, 평균 풍속은 1.5m s-1이었다. 따라서, 서울에서 미세먼지 농도가 높고 바람이 약하고 습한 대기 상태에서 극심한 시정 악화가 나타날 수 있는 것으로 판단된다.

다음으로 악시정이 장시간 지속된 사례에 대해 분석하였다. 2년간 악시정이 12시간 이상 지속된 사례는 총 10회였으며, Table 4에 각 사례의 날짜, 지속시간, 평균 시정, 미세먼지 농도, 상대 습도 및 풍속을 보였다. Figure 7에 악시정이 나타난 10회의 평균 PM2.5 농도와 평균 상대습도를 나타내어 고농도 미세먼지에 의한 악시정 지속(붉은색 박스)과 높은 습도에 의한 악시정 지속 사례(파란색 박스)를 구분하였다. 2년간 악시정의 장시간 지속은 고농도 미세먼지에 의한 경우가 5회로 가장 많으며, 미세먼지 농도가 낮고 매우 높은 습도에 의해 악시정이 지속된 경우(박무의 장시간 지속)는 2회이다. 습한 대기에서 물방울의 형성으로 시정이 감소하는 박무는 기온이 높아지면 물방울이 증발함에 따라 점차 시정이 나아진다. 반면, 에어로졸의 흡습성장이 시정을 감소시키는 박무나 연무 현상에서는 강하게 이온화된 에어로졸이 머금은 수분을 쉽게 내놓지 않기 때문에 시정 감소가 오래 지속될 수 있기 때문이다(cf. Sloan and White, 1986). 악시정 지속 사례에서 상대습도는 주로 70% 이상이다. McInnes et al. (1998)에 의하면 에어로졸의 흡습성장에 상대습도가 미치는 영향은 에어로졸의 성분에 따라 달라지기 때문에 서울의 에어로졸의 성분은 주로 상대습도가 70% 정도일 때 흡습성장하는 에어로졸로 구성되어 있을 것임을 알 수 있다.

Duration, mean visibility, mean PM mass concentration, mean RH, mean wind speed, mean sea surface temperature, temperature anomaly (mean temperature - monthly mean temperature) for the 10 continuous haze cases

Fig. 7.

Scatter plot of mean PM2.5 concentrations and mean RH during 10 continuous haze cases in Seoul for 2017 and 2018.

고농도 미세먼지에 의한 악시정 지속 사례의 시계열(Figs. 8a-e)을 보면, 시정이 PM10과 PM2.5의 변화 경향과 반대의 모습을 보인다. 이는 평균적인 하루 동안의 시정 변화가 PM 농도보다는 상대습도의 변화와 반대로 설명되던 앞의 분석과 다르다. 따라서, 악시정이 지속되는 경우에 시정의 변화는 상대습도보다 PM 농도의 영향을 더 많이 받는다고 할 수 있다. 악시정이 지속되는 동안 상대적으로 큰 입자(PM10-PM2.5)의 농도 변화는 거의 없으며, 평상시에는 PM10 질량농도의 대부분을 상대적으로 큰 입자가 차지하는 것과 달리, 악시정이 지속될 때는 PM10 질량농도의 대부분을 PM2.5가 차지한다. 따라서 극심한 시정 악화의 지속에는 PM2.5의 영향이 훨씬 큼을 알 수 있다. 이 중 2018년 2월 23일(Fig. 8d)의 사례는 높은 습도에 의한 악시정과 고농도 미세먼지에 의한 악시정이 모두 나타난 사례로, 새벽의 높은 상대습도에 의해 감소된 시정이 오후에는 상대습도는 낮아지나 PM 농도가 높아지면서 지속되었다. 해당 사례에서 증가한 PM 농도는 풍속이 증가하면서 다소 감소하였다. 높은 습도에 의한 악시정 지속 사례인 2017년 6월 6일과 2018년 5월 12일(Figs. 8f, g)의 사례에서는 악시정이 지속되는 동안 PM 농도와 상대습도가 거의 변하지 않음에도 시정이 1~2 km 정도 달라진다. 두 사례에서는 미세먼지와 상대습도 외에 시정에 영향을 미치는 다른 요인이 있었을 것임을 생각해 볼 수 있다. 앞의 분석에서 고농도 미세먼지와 높은 습도에 의한 악시정 지속으로 구분되지 않은 사례(Figs. 8h, i, j)는 40 μg m-3 이상의 PM2.5 농도와 80% 이상의 상대습도를 보였다. 특히, 세 사례 모두 시정은 상대습도의 변화에 반대인 경향을 보였다. 따라서 서울의 전체 미세먼지 농도(PM10) 중 미세입자(PM2.5)가 차지하는 비율이 높고, 그 농도가 약 40 μg m-3인 대기에서는 상대습도가 변함에 따라 시정이 크게 변할 수 있음을 의미한다.

Fig. 8.

Hourly variation of visibility (red line), RH (blue line), PM10 (black line), and PM2.5 (black dashed line) during 10 continuous haze cases in Seoul for 2017 and 2018. Red box on the left represents continuous haze caused by severe PM pollution, blue box on the right represents continuous haze caused by high humidity.

3.4 미세먼지와 습도의 상호작용에 의한 서울의 시정 감소

앞의 분석을 통하여 미세먼지와 상대습도 모두 시정의 감소에 크게 기여함을 알 수 있었다. 미세먼지는 가시광 복사에너지의 감쇄로 시정을 감소시키며, 높은 상대습도에서는 수증기에 응결에 의해 시정이 줄어든다. 또한, 미세먼지가 있을 때, 상대습도의 증가로 흡습성장이 일어나면 시정은 더욱 크게 감소한다. 본 연구에서는 앞의 분석 결과를 통해 다음과 같이 서울의 시정 감소의 주된 원인을 생각해볼 수 있었다.

서울에서 1989년부터 박무로 분류되는 시정악화 현상이 가장 많았고(Fig. 2), 시정과 미세먼지의 상관계수가 여름보다 겨울에 더 높았던 것(Table 3)을 미루어 보아, 서울에서 주된 시정의 감소에는 미세먼지와 상대습도가 복합적으로 영향을 주었던 것으로 보인다(cf. Cheng et al., 2013). 따라서 에어로졸의 흡습성장에 의한 빛의 감쇄가 서울의 시정 감소의 주된 요인으로 분석된다. 한편, 에어로졸의 흡습성장은 70% 이상의 상대습도에서 활성화되는데, 앞의 분석 결과 40~60% 상대습도 구간에서 시정과 미세먼지 농도의 가장 큰 상관관계를 보였다. 이는 에어로졸이 흡습성장한 후, 상대습도가 40% 이하로 떨어져야 증발하기 시작하는 것의 영향으로 보인다(Lee et al., 2008; Bzdek and Walker, 2019).

계절에 따라 미세먼지 농도와 상대습도는 달라지기 때문에 시정 감소의 주된 원인이 달라지기도 한다. Table 3에서 상대습도가 0~20%, 20~40%인 흡습성장의 영향을 받지 않는 상태에서 미세먼지와 시정의 상관계수는 -0.738, -0.741로, 단순한 미세먼지 양의 증가로도 시정 악화가 발생할 수 있음을 알 수 있다. 봄에는 평균적인 상대습도가 53~58%인데, PM10 농도는 27~28 μg m-3, PM2.5 농도는 63~74 μg m-3로 다른 계절에 비해 높기 때문에 봄에는 단순한 미세먼지에 의한 시정 감쇄의 영향이 클 것이다.


4. 결 론

본 연구에서는 장기간의 관측자료를 기반으로, 서울에서 시정과 상대습도와 미세먼지 농도와의 상관성을 분석하였다. 서울에서는 2000년대부터 시정이 꾸준히 증가하였으며, 이러한 장기적인 시정의 증가에는 상대습도의 감소와 서울시의 미세먼지 오염 개선정책의 효과가 모두 영향을 준 것으로 보인다. 미세먼지 농도의 일변화는 시정의 변화를 설명하지 못하지만, 시정 주간 변화는 미세먼지 농도로 설명 가능하였다. 하루 동안의 시정 변화는 대기 오염도보다는 상대습도의 자연 변동성으로 설명할 수 있었다.

80% 보다 높은 상대습도 조건에서는 에어로졸보다는 수증기의 응결이 시정을 줄이기 때문에 미세먼지 농도의 변화가 시정의 변화에 거의 영향을 주지 못했다. 따라서, 한반도의 여름과 같이 상대습도가 매우 높은 시기에는 시정과 미세먼지 농도의 상관관계가 약하고, 시정만으로 대기 오염도를 판단할 수 없을 것이다. 시정과 미세먼지의 음의 상관관계는 80% 이하의 상대습도 조건에서 가장 컸으며, 80% 이하의 상대습도에서는 시정이 미세먼지에 의한 대기 오염도를 파악하는 기준이 될 수 있다. 시정과 미세먼지 농도 사이의 관계는 멱함수 곡선 피팅(Power curve fitting)하여 나타내어 진다(Fig. 9). 상대습도 구간에 따른 분석 결과에서도 상대습도가 높을수록 낮은 미세먼지 농도에서도 짧은 시정을 보이는 것을 확인할 수 있으며, 미세먼지 농도가 매우 낮은 상태에서는 조금의 미세먼지 농도 증가가 큰 시정의 감소로 이어질 수 있다.

Fig. 9.

Scatter plots of visibility with PM10 (a), and PM2.5 (b). Logarithmic fitting curves for relative humidity ranges are also shown in each plot.

한편, 상대습도 증가에 따른 에어로졸의 광학 성질 변화는 에어로졸의 화학 조성에 따라 달라진다. 미세먼지의 조성에 따라 흡습성이 달라질 수 있기 때문에, 향후 서울의 흡습성 에어로졸의 구성 성분과 그 비율을 분석에 활용한다면 서울에서의 에어로졸의 흡습성장에 의한 시정의 감소를 더욱 면밀히 정량화할 수 있을 것이다. 서울에서는 미세먼지 농도가 높고 바람이 약하고 습한 대기에서 극심한 시정 악화가 나타날 수 있으며, 2017년 1월부터 2018년 12월까지 10회의 악시정이 12시간 이상 지속된 사례가 있었다. 고농도 미세먼지에서 에어로졸이 대기중의 습기를 흡수하여 성장하면 안개가 형성되었을 때보다 시정 악화가 오래 지속될 수 있기 때문에 악시정의 장시간 지속 사례는 고농도 미세먼지에 의한 사례가 가장 많았다.

Acknowledgments

본 연구는 환경부의 환경정책기반공공기술개발사업(2017000160001)에서 지원받았습니다. 본 저작물은 국립환경과학원에서 작성하여 공공누리 제3유형으로 개방한 대기오염물질 최종확정자료와 기상청에서 작성하여 공공누리 제1유형으로 개방한 종관기상관측자료를 이용하였으며, 해당 저작물은 각각 Airkorea (https://www.airkorea.or.kr/)와 기상자료개방포털(https://data.kma.go.kr/)에서 무료로 다운받으실 수 있습니다.

References

  • Ahmed, E., K.-H. Kim, Z.-H. Shon, and S.-K. Song, 2015: Long-term trend of airborne particulate matter in Seoul, Korea from 2004 to 2013. Atmos. Environ., 101, 125-133. [https://doi.org/10.1016/j.atmosenv.2014.11.024]
  • Bzdek, B. R., and J. S. Walker, 2019: Vibrational spectroscopy of individual aerosol droplets by optical tweezers. Spectroscopy, 34, 22-31.
  • Chen, J., S. Qiu, J. Shang, O. M. F. Wilfrid, X. Liu, H. Tian, and J. Boman, 2014: Impact of relative humidity and water soluble constituents of PM2.5 on visibility impairment in Beijing, China. Aerosol Air Qual. Res., 14, 260-268. [https://doi.org/10.4209/aaqr.2012.12.0360]
  • Cheng, Z., S. Wang, J. Jiang, Q. Fu, C. Chen, B. Xu, J. Yu, X. Fu, and J. Hao, 2013: Long-term trend of haze pollution and impact of particulate matter in the Yangtze River Delta, China. Environ. Pollut., 182, 101-110. [https://doi.org/10.1016/j.envpol.2013.06.043]
  • Cho, H. K., M. J. Jeong, J. Kim, and Y. J. Kim, 2003: Dependence of diffuse photosynthetically active solar irradiance on total optical depth. J. Geophys. Res., 108, 4267. [https://doi.org/10.1029/2002JD002175]
  • Fu, C., J. Wu, Y. Gao, D. Zhao, and Z. Han, 2013: Consecutive extreme visibility events in China during 1960-2009. Atmos. Environ., 68, 1-7. [https://doi.org/10.1016/j.atmosenv.2012.11.035]
  • Ghim, Y. S., K.-C. Moon, S. Lee, and Y. P. Kim, 2005: Visibility trends in Korea during the past two decades. J. Air Waste Manag. Assoc., 55, 73-82. [https://doi.org/10.1080/10473289.2005.10464599]
  • Hyslop, N. P., 2009: Impaired visibility: the air pollution people see. Atmos. Environ., 43, 182-195. [https://doi.org/10.1016/j.atmosenv.2008.09.067]
  • 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.
  • Kang, C.-M., H. S. Lee, B.-W. Kang, S.-K. Lee, and Y. Sunwoo, 2004: Chemical characteristics of acidic gas pollutants and PM2.5 species during hazy episodes in Seoul, South Korea. Atmos. Environ., 38, 4749-4760. [https://doi.org/10.1016/j.atmosenv.2004.05.007]
  • Kim, D.-S., 2013: Air pollution history, regulatory changes, and remedial measures of the current regulatory regimes in Korea. J. Korean Soc. Atmos. Environ., 29, 353-368 (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2013.29.4.353]
  • Kim, H. C., and Coauthors, 2017: Recent increase of surface particulate matter concentrations in the Seoul Metropolitan Area, Korea. Sci. Rep., 7, 4710. [https://doi.org/10.1038/s41598-017-05092-8]
  • Kim, H.-S., J.-B. Huh, P. K. Hopke, T. M. Holsen, and S.-M. Yi, 2007: Characteristics of the major chemical constituents Of PM2.5 and smog events in Seoul, Korea in 2003 and 2004. Atmos. Environ., 41, 6762-6770. [https://doi.org/10.1016/j.atmosenv.2007.04.060]
  • Kim, Y. J., and K. W. Kim, 2003: Visibility impairment by atmospheric fine particles in an urban area. J. Korean Soc. Atmos. Environ., 19, 99-120 (in Korean with English abstract).
  • Kim, Y. J., K. W. Kim, S. D. Kim, B. K. Lee, and J. S. Han, 2006: Fine particulate matter characteristics and its impact on visibility impairment at two urban sites in Korea: Seoul and Incheon. Atmos. Environ., 40, 593-605. [https://doi.org/10.1016/j.atmosenv.2005.11.076]
  • KMA, 2015: Methodologies of Fog Analysis and Forecasting. Korea Meteorological Administration, 24 pp (in Korean).
  • KMA, 2018: The standard of automatic meteorological observation instrument, Korea Meteorological Administration, 21 pp (in Korean).
  • Lee, A. K. Y., T. Y. Ling, and C. K. Chan, 2008: Understanding hygroscopic growth and phase transformation of aerosols using single particle Raman spectroscopy in an electrodynamic balance. Faraday Discuss., 137, 245-263. [https://doi.org/10.1039/B704580H]
  • Lee, S., M. Kim, S.-Y. Kim, D.-W. Lee, H. Lee, J. Kim, S. Le, and Y. Liu, 2020: Assessment of long-range transboundary aerosols in Seoul, South Korea from Geostationary Ocean Color Imager (GOCI) and ground-based observations. Environ. Pollut., revised. [https://doi.org/10.1016/j.envpol.2020.115924]
  • McCartney, E. J., 1976: Optics of the Atmosphere: Scattering by Molecules and Particles. Wiley, 408 pp. [https://doi.org/10.1029/98GL00127]
  • McInnes, L., M. Bergin, J. Ogren, and S. Schwartz, 1998: Apportionment of light scattering and hygroscopic growth to aerosol composition. Geophys. Res. Lett., 25, 513-516.
  • ME, 2013: Second Metropolitan atmospheric environmental management basic plan. Ministry of Environment of Korea, 107 pp (in Korean).
  • ME, 2018: Annual report of air quality in Korea 2018, Ministry of Environment of Korea, 327 pp (in Korean).
  • Park, J.-S., S.-M. Park, I.-H. Song, H.-J. Shin, and Y.-D. Hong, 2015: Characteristics of visibility impairment by semi-continuous optical and chemical property monitoring of aerosols in Seoul. J. Korean Soc. Atmos. Environ., 31, 319-329 (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2015.31.4.319]
  • Shen, X. J., and Coauthors, 2015: Characterization of submicron aerosols and effect on visibility during a severe haze-fog episode in Yangtze River Delta, China. Atmos. Environ., 120, 307-316. [https://doi.org/10.1016/j.atmosenv.2015.09.011]
  • Skupin, A., A. Ansmann, R. Engelmann, P. Seifert, and T. Muller, 2016: Four-year long-path monitoring of ambient aerosol extinction at a central European urban site: dependence on relative humidity. Atmos. Chem. Phys., 16, 1863-1876. [https://doi.org/10.5194/acp-16-1863-2016]
  • Sloan, C. S., and W. H. White, 1986: Visibility: An evolving issue. Environ. Sci. Technol., 20, 760-766. [https://doi.org/10.3390/atmos11050461]
  • Sun, X., T. Zhao, D. Liu, S. Gong, J. Xu, and X. Ma, 2020: Quantifying the influences of PM2.5 and relative humidity on change of atmospheric visibility over recent winters in an urban area of East China. Atmosphere, 11, 461-472. [https://doi.org/10.3390/atmos11050461]
  • Um, H.-H., K.-J. Ha, and S.-S. Lee, 2007: Evaluation of the urban effect of long-term relative humidity and the separation of temperature and water vapor effects. Int. J. Climatol., 27, 1531-1542. [https://doi.org/10.1002/joc.1483]
  • Wang, X., R. Zhang, and W. Yu, 2019: The effects of PM2.5 concentrations and relative humidity on atmospheric visibility in Beijing. J. Geophys. Res. Atmos., 124, 2235-2259. [https://doi.org/10.1029/2018JD029269]
  • Xiao, S., and Coauthors, 2014: Long-term trends in visibility and impacts of aerosol composition on visibility impairment in Baoji, China. Atmos. Res., 149, 88-95. [https://doi.org/10.1016/j.atmosres.2014.06.006]
  • Xiao, Z.-M., Y.-F. Zhang, S.-M. Hong, X.-H. Bi, L. Jiao, Y.-C. Feng, and Y.-Q. Wang, 2011: Estimation of the main factors influencing haze, based on a long-term monitoring campaign in Hangzhou, China. Aerosol Air Qual. Res., 11, 873-882. [https://doi.org/10.4209/aaqr.2011.04.0052]
  • Yang, L.-X., D.-C. Wang, S.-H. Cheng, Z. Wang, Y. Zhou, X.-H. Zhou, and W.-X. Wang, 2007: Influence of meteorological conditions and particulate matter on visual range impairment in Jinan, China. Sci. Total Environ., 383, 164-173. [https://doi.org/10.1016/j.scitotenv.2007.04.042]
  • Yeo, M. J., Y .S. Im, S. S. Yoo, E. M. Jeon, and Y. P. Kim, 2019: Long-term trend of PM2.5 concentration in Seoul. J. Korean Soc. Atmos. Environ., 35, 438-450 (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2019.35.4.438]
  • Yoon, S.-C., and J. Kim, 2006: Influences of relative humidity on aerosol optical properties and aerosol radiative forcing during ACE-Asia. Atmos. Environ., 40, 4328-4338. [https://doi.org/10.1016/j.atmosenv.2006.03.036]
  • Zhao, H., H. Che, X. Zhang, Y. Ma, Y. Wang, H. Wang, and Y. Wang, 2013: Characteristics of visibility and particulate matter (PM) in an urban area of Northeast China. Atmos. Pollut. Res., 4, 427-434. [https://doi.org/10.5094/APR.2013.049]

Appendix

Appendix

Power curve fitting results of visibility and PM10 (PM2.5).

Fig. A1.

Scatter plots of monthly mean visibility with PM10 (a), PM2.5 (b), and RH (c).

Fig. A2.

Scatter plots of daily mean visibility with PM10 (a), and PM2.5 (b) for each weekday. (c-d), (e-f), (g-h), and (i-j) represents those in spring, summer, autumn, and winter, respectively.

Fig. A3.

Scatter plots of hourly mean visibility with PM10 (a), and PM2.5 (b), and RH (c).

Fig. 1.

Fig. 1.
Flowchart of visibility impairment determination criteria using visibility and RH observation.

Fig. 2.

Fig. 2.
Long-term change of relative frequency of haze cases from 1989 to 2018 in Seoul.

Fig. 3.

Fig. 3.
Long-term change of (a) visibility, (b) PM10, (c) PM2.5, (d) RH from 2001 to 2018 in Seoul. The representative value of visibility is annual median, and that of RH is annual mean. The ends of whiskers represent 5th and 95th percentiles, the ends of the boxes represent 25th and 75th percentiles and red dot represents annual mean.

Fig. 4.

Fig. 4.
Monthly variation of visibility (red line), RH (blue line), PM10 (black line) and PM2.5 (black dashed line).

Fig. 5.

Fig. 5.
Weekly variation of visibility (red line), PM10n (black line) and PM2.5 (black dashed line). (b), (c), (d) and (e) are the same plot for spring, summer, autumn and winter, respectively.

Fig. 6.

Fig. 6.
Diurnal variation of visibility (red line), RH (blue line), PM10 (black line) and PM2.5 (black dashed line).

Fig. 7.

Fig. 7.
Scatter plot of mean PM2.5 concentrations and mean RH during 10 continuous haze cases in Seoul for 2017 and 2018.

Fig. 8.

Fig. 8.
Hourly variation of visibility (red line), RH (blue line), PM10 (black line), and PM2.5 (black dashed line) during 10 continuous haze cases in Seoul for 2017 and 2018. Red box on the left represents continuous haze caused by severe PM pollution, blue box on the right represents continuous haze caused by high humidity.

Fig. 9.

Fig. 9.
Scatter plots of visibility with PM10 (a), and PM2.5 (b). Logarithmic fitting curves for relative humidity ranges are also shown in each plot.

Fig. A1.

Fig. A1.
Scatter plots of monthly mean visibility with PM10 (a), PM2.5 (b), and RH (c).

Fig. A2.

Fig. A2.
Scatter plots of daily mean visibility with PM10 (a), and PM2.5 (b) for each weekday. (c-d), (e-f), (g-h), and (i-j) represents those in spring, summer, autumn, and winter, respectively.

Fig. A3.

Fig. A3.
Scatter plots of hourly mean visibility with PM10 (a), and PM2.5 (b), and RH (c).

Table 1.

Annual and seasonal means and standard deviations of visibility, PM and meteorological variables.

All Spring Summer Autumn Winter
Visibility (km) 13.4 ± 6.14 12.9 ± 6.03 12.9 ± 6.23 14.4 ± 6.06 13.2 ± 6.10
PM2.5 (μg m-3) 25.2 ± 16.3 28.1 ± 16.8 21.5 ± 13.7 21.3 ± 14.9 29.7 ± 17.9
RH (%) 60.0 ± 19.9 54.9 ± 21.5 69.6 ± 17.0 61.0 ± 18.3 54.2 ± 18.6
PM10 (μg m-3) 48.7 ± 38.9 61.3 ± 51.6 36.3 ± 22.3 40.1 ± 28.2 57.1 ± 40.6
Vapor pressure (hPa) 11.3 ± 8.15 8.22 ± 4.15 21.9 ± 5.09 11.2 ± 5.59 3.34 ± 1.92
Temperature (oC) 12.9 ± 11.0 12.3 ± 7.03 25.0 ± 3.73 14.9 ± 7.46 -0.84 ± 5.33
Sea surface pressure (hPa) 1016.1 ± 8.39 1015.1 ± 6.57 1007.2 ± 4.24 1018.2 ± 5.96 1024.4 ± 5.56
Wind speed (m s-1) 2.47 ± 1.37 2.78 ± 1.50 2.41 ± 1.32 2.22 ± 1.26 2.46 ± 1.31

Table 2.

Pearson correlation coefficients between visibility and relevant variables. Asterisk (*) means the best correlated season of each variable.

All Spring Summer Autumn Winter
PM2.5 -0.644 -0.585 -0.430 -0.584 -0.679*
RH -0.556 -0.608 -0.572 -0.551 -0.644*
PM10 -0.486 -0.354 -0.353 -0.518* -0.510
Vapor pressure -0.174 -0.504* -0.366 -0.326 -0.486

Table 3.

(Top row) Correlations between visibility and PM2.5 over 5 different RH intervals, and (bottom 2 rows) correlations between visibility and RH over 4 different PM2.5 and PM10 intervals.

RH (%) 0~20 20~40 40~60 60~80 80~100
Corr. Vis-PM2.5 over RH intervals -0.738 -0.741 -0.780 -0.737 -0.454
PM2.5 (μg m-3) 0~15 15~35 35~75 75~
Corr. Vis-RH over PM2.5 intervals -0.680 -0.655 -0.579 -0.563
PM10 (μg m-3) 0~30 30~80 80~150 150~
Corr. Vis-RH over PM2.5 intervals -0.703 -0.670 -0.632 -0.574

Table 4.

Duration, mean visibility, mean PM mass concentration, mean RH, mean wind speed, mean sea surface temperature, temperature anomaly (mean temperature - monthly mean temperature) for the 10 continuous haze cases

2017-01-02 2017-12-23 2018-01-17 2018-02-23 2018-03-24
Duration (hrs) 22 16 35 33 30
Mean visibility (km) 2.45 2.36 3.12 2.45 2.52
Mean PM10 (μg m-3) 121 131 109 94.6 121
Mean PM2.5 (μg m-3) 85.0 95.2 83.3 68.2 99.1
Mean RH (%) 77.6 74.2 69.0 81.3 69.1
Mean wind speed (m s-1) 2.23 1.06 1.46 2.05 1.96
Sea sfc. Pressure (hPa) 1022 1022 1019 1022 1024
Temp. anomaly 6.56 8.44 7.74 5.21 1.10
2017-06-06 2018-05-12 2017-03-01 2017-09-07 2017-12-06
Duration (hrs) 18 16 12 13 17
Mean visibility (km) 2.68 2.50 1.98 2.27 1.98
Mean PM10 (μg m-3) 13.0 15.6 47.7 59.8 44.1
Mean PM2.5 (μg m-3) 7.66 11.2 40.2 42.5 32.0
Mean RH 97.9 96.3 91.7 85.8 91.7
Mean wind speed (m s-1) 2.00 0.888 2.33 0.815 0.712
Sea sfc. Pressure (hPa) 1005 1009 1013 1010 1022
Temp. anomaly -6.50 -4.34 -4.13 -0.61 3.07

Table A1.

Power curve fitting results of visibility and PM10 (PM2.5).

RH (%) 0~20 20~40 40~60 60~80 80~100
Visibility-PM10 Y = 1.80X-0.33 Y = 1.88X-0.40 Y = 1.94X-0.48 Y = 2.01X-0.59 Y = 1.40X-0.42
Visibility-PM2.5 Y = 1.70X-0.35 Y = 1.77X-0.43 Y = 1.85X-0.52 Y = 1.92X-0.66 Y = 1.35X-0.48