The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 31, No. 5, pp.625-635
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 31 Dec 2021
Received 20 Nov 2021 Revised 16 Dec 2021 Accepted 17 Dec 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.5.625

안면도 지역 온실기체 기원에 따른 CO/CO2 비율 변동성 분석 연구

김재민1) ; 이해영2) ; 김수민2) ; 정주용2) ; 김연희2) ; 이그림3) ; 최경배1) ; 이윤곤1), *
1)충남대학교 우주·지질학과 대기과학전공
2)국립기상과학원 미래기반연구부
3)국립환경과학원 대기환경연구과
Analysis of CO/CO2 Ratio Variability According to the Origin of Greenhouse Gas at Anmyeon-do
Jaemin Kim1) ; Haeyoung Lee2) ; Sumin Kim2) ; Chu-Yong Chung2) ; Yeon-Hee Kim2) ; Greem Lee3) ; Kyung Bae Choi1) ; Yun Gon Lee1), *
1)Atmospheric Sciences, Department of Astronomy, Space science, and Geology, Chungnam National University, Daejeon, Korea
2)National Institute of Meteorological Sciences, Seogwipo, Korea
3)National Institute of Environmental Research, Incheon, Korea

Correspondence to: * Yun Gon Lee, Department of Astronomy, Space science, and Geology, Chungnam National University, 99 Daehak-ro, Yuseong-gu, Daejeon 34134, Korea. Phone: +82-42-821-7101, Fax: +82-42-821-8891 E-mail: yglee2@cnu.ac.kr

Abstract

South Korea established the 2050 Carbon Neutral Plan in response to the climate crisis, and to achieve this policy, it is very important to monitor domestic carbon emissions and atmospheric carbon concentration. Both CO2 and CO are emitted from fossil fuel combustion processes, but the relative ratios depend on the combustion efficiency and the strength of local emission regulations. In this study, the relationship between CO2 and CO was analyzed using ground observation data for the period of 2018~2020 at Anmyeon-do site and the CO/CO2 ratio according to regional origin during high CO2 cases was investigated based on the footprint simulated from Stochastic Time-Inverted Lagrangian Transport (STILT) model. CO2 and CO showed a positive correlation with correlation coefficient of 0.66 (p < 0.01), and averaged footprints during high CO2 cases confirmed that air particles mainly originated from eastern and north-eastern China, and inland of Korean Peninsula. In addition, it was revealed that among the cases of high CO2 concentration, when the CO/CO2 ratio is high, the industrial area of eastern China is greatly affected, and when the ratio is low, the contribution of the domestic region is relatively high. The ratio of CO2 and CO in this study is significant in that it can be used as a useful factor in determining the possibility of domestic and foreign origins of climate pollutants.

Keywords:

Carbon dioxide, carbon monoxide, footprint, CO/CO2 ratio, 2050 carbon neutral plan

1. 서 론

세계기상기구(World Meteorological Organization, WMO)에 따르면 최근 5년간(2015~2019년) 전지구 평균 기온은 산업화 이전보다 1.1℃ 상승하였으며(WMO, 2019), 이러한 급격한 지구온난화에는 인위적 활동으로 인한 탄소 배출이 지대한 영향을 미친다. 지구온난화에 대한 위기감 고조로 2015년 파리협정에서는 산업화 이전 대비 지구평균온도 상승을 1.5oC 이내로 억제하기 위해 노력해야 함을 강조하였고, 이에 따라 세계 각국에서는 기후변화에 대응하기 위한 ‘탄소중립’ 목표를 선언하였으며, 우리 정부 역시 ‘2050 탄소중립’ 계획을 발표하였다. 이를 위해 인위적 탄소배출감축뿐만 아니라 고품질로 관측된 온실가스 관측자료를 확보하고 활용해 정책 수립에 밑바탕이 될 수 있는 기초연구를 수행할 필요가 있다.

우리나라에서는 안면도, 제주도 고산, 울릉도·독도 등의 기후변화감시소에서 온실기체를 포함하여 총 34 종의 대기조성물질을 관측하고 있다. 한국은 편서풍대에 자리잡고 있어 주변국을 통과하는 기류의 영향을 쉽게 받으며 특히 다량의 대기오염물질과 온실기체를 배출하는 중국의 동쪽에 위치하여, 특정 기상조건에서는 중국발 대기오염물질이 수송되어 한국의 대기 조성에 상당한 영향을 미칠 수 있다(Lee et al., 2011). 중부 서해안에 위치한 안면도 기후변화감시소는 국내 발생뿐만 아니라 중국 등 국외에서 유입되는 대기오염물질과 온실기체 농도의 변동성을 분석하기에 유리한 지리적 요건을 갖추고 있어 다수의 국내 선행연구에서 오염물질의 기원을 추적하기 위한 분석 지점으로 활용하였다(예, Lee et al., 2008; Park et al., 2010; Jeon et al., 2014; Lee et al., 2019a). 특히 Li et al. (2014)는 안면도 지점에서 관측된 이산화탄소 농도와 역궤적 모델링을 활용하여 이산화탄소의 국내 및 국외 배출 지역을 추정하는 연구를 진행하였다.

이산화탄소(Carbon dioxide, CO2)는 주로 석유와 석탄과 같은 화석연료의 연소로 발생하며, 불완전연소의 산물인 일산화탄소(Carbon monoxide, CO)와 동일한 배출원을 가진다(Ward et al., 1996). 따라서 CO2와 CO의 지표 농도는 강한 양의 상관성을 보이며, Wei et al. (2020)에서는 중국 대도시인 상하이에서 지표 CO2와 CO 농도의 상관성을 분석한 결과 0.88의 유의미한(p < 0.01) 양의 상관계수가 나타남을 보고한 바 있다. 하지만, Halliday et al. (2019)에서는 화석연료의 연소 효율에 따라 CO2와 CO의 배출 비율이 달라질 수 있음을 설명하였으며, Park et al. (2021)에서는 위성 관측의 CO2 및 CO 컬럼 농도를 이용하여 선진국보다 개발도상국의 도시에서 CO/CO2 값이 높음을 보였고 이는 약한 배출 통제 조치와 화석연료의 낮은 연소 효율로 기인한다고 판단하였다. 또한 Silva et al. (2013)에서는 서울의 CO/CO2 비율이 중국과 일본의 대도시보다 더 낮게 나타남을 보였다. 즉, 대기 중 CO2와 CO 농도의 비율은 오염물질 배출원의 지역적 기원 특성을 파악하는 지표로써 활용될 수 있다.

본 연구에서는 한국의 서쪽에 위치한 안면도 기후변화감시소의 CO2 및 CO 농도 관측자료를 활용하여 두 물질 간 상관성을 분석하고, 국내 고농도 온실가스 사례를 선정하여 역궤적 모델링을 통해 CO2의 국외 유입과 국내 발생에 따른 CO/CO2의 변동성을 조사하고자 한다. 공기궤의 역궤적 모델링은 라그랑지안 물질 수송 모델 중 하나인 Stochastic Time-Inverted Lagrangian Transport Model (STILT) (Lin et al., 2003)을 활용하였다. STILT는 단일(선형) 궤적을 제공하여 불확실성이 따르는 Hybrid Single-Particle Lagrangian Integrated Trajectory (HYSPLIT) 모델의 단점을 보완할 수 있도록 개발된 모델로, 수용지(receptor)에 도달한 다량의 입자를 역추적하여 2차원의 시각 자료인 풋프린트를 산출하는 모델이다. 이미 국내에서는 HYSPLIT을 이용한 공기 입자의 기원 추적 연구가 다수 이루어진 바 있으나(예, Lee et al., 2011; Li et al., 2014; Jung et al., 2016; Lee et al., 2019b; Kim et al., 2020; Li et al., 2020), STILT와 같이 2차원 풋프린트 정보를 이용한 기원 추적 연구는 적은 편이다(예, Kim et al., 2013). 따라서 본 연구의 목적은 국내 고농도 온실가스 사례 발생 시의 2차원 풋프린트를 활용하여 그 기원의 공간정보를 제시하고 공기궤의 국내/외 지역 기여도를 산정하여 그에 따른 CO/CO2 비율의 변동 특성을 밝히는 데 있다.


2. 자료 및 방법론

2장에서는 안면도 기후변화감시소의 CO2와 CO 관측 자료의 설명, CO2 고농도 및 저농도 온실가스 사례를 선정하는 방법, 그리고 CO/CO2 비율 계산 방법에 대해 설명하고자 한다. 또한 STILT 역궤적 모델링의 2차원 풋프린트를 이용한 공기궤의 지역 기여 산정 방법에 대해 기술한다.

2.1 안면도 기후변화감시소 관측 자료

안면도 기후변화감시소(36.53oN, 126.32oE, 47.0 m)는 WMO/Global Atmosphere Watch (GAW) 지역급 관측소로 1990년대 후반부터 온실가스, 반응가스, 에어로졸, 오존 등 대기조성물질의 농도를 장기간 관측하고 있다. 한반도 중부 서해안에 위치한 안면도 관측소의 측정자료는 대기오염물질의 국외 유입을 감시하기에 적합하여 많은 국내 선행연구에서 국외 유입의 오염물질 기원 추적을 하는 데 이용되었다(예, Kim et al., 2013; Li et al., 2014, 2020). 반응가스와 온실기체 농도는 감시소의 시료채취 타워 상단에 설치된 흡입구(In-let)의 흡입펌프를 통해 흡수된 공기가 제습장치로 보내져 건조공기로 만들어진 후 측정되는데, CO2 농도는 공동감쇠분광기(Cavity ring-down spectroscopy, CRDS)로, CO 농도는 비분산적외선분석기(Non-dispersive infrared, NDIR)를 통해 분석된다. 본 연구에서는 국내 기후변화감시소를 운영하고 있는 국립기상과학원으로부터 2018~2020년의 1시간 주기 CO2 농도(단위: ppm) 및 CO 농도(단위: ppb) 관측 자료를 제공받아 사용하였으며, 상관관계 분석, 고농도 사례일 선정 등에는 일(24시간) 평균 농도 값을 이용하였다. 또한 바람 패턴에 따른 CO2 농도의 변화를 분석하기 위해 기상청 기상자료개방포털(www.data.go.kr)에서 제공하는 안면도 기후변화감시소 지점의 풍속, 풍향 자료를 사용하였다.

2.2 고농도 CO2 사례 선정

북반구 CO2는 겨울철부터 식생이 늘어나기 전인 봄철까지 식생의 감소와 인위적 난방 활동의 증가 때문에 일반적으로 높은 농도를 보이다가 여름철에는 식물 광합성의 영향으로 최소 농도를 보인다(NIMS, 2020). 본 연구에서는 이러한 CO2의 계절적 변동성과 분석기간 동안의 추세를 제거한 후 단시간에 국내 발생 또는 국외 유입으로 인해 나타나는 CO2의 고농도 사례를 선정하고자 하였다. 계절적 변동성과 단기간 추세 제거를 위해서 고속 푸리에 변환(Fast Fourier transform)을 이용하여 일평균 CO2 농도의 단/장기 변동성이 포함된 평활화된 자료(smoothed curve)를 생산하고 이를 기존 농도 값으로부터 제외하는 방식을 활용하였다[식(1)].

CO2=CO2obs-CO2bck(1) 

식(1)에서 (CO2)obs는 관측된 일평균 농도이며, (CO2)bck은 smoothed curve로 나타난 배경 CO2 농도, ΔCO2는 계절적 변동성과 단기간 추세가 제거된 CO2 농도의 아노말리를 의미한다. 이때 smoothed curve 생산을 위해 푸리에 변환을 이용할 시 자료의 결측이 허용되지 않기 때문에, 결측이 존재하는 경우 해당 시간의 전과 후의 값 사이를 선형 내삽하였음을 밝힌다. 이러한 smoothed curve 제거를 통한 CO2 아노말리 계산은 Thoning et al. (1989)Lee et al. (2019a) 등의 선행연구에서 이용된 방법이다. Figure 1a는 안면도 지점의 일평균 CO2 농도 시계열과 smoothed curve를 함께 보여주는 그림이며, Fig. 1b는 분석 기간 동안의 계절적 변동성과 추세가 제거된 ΔCO2의 시계열이다. 고농도 온실가스 사례는 ΔCO2가 상위 25%에 포함되는 날로 선정하였고 결과적으로 안면도 지점에서 2018~2020년 기간 동안 총 272일(겨울-65일, 봄-59일, 여름-78일, 가을-70일)의 CO2 고농도 온실가스 사례일이 선정되었다. 추가로 저농도 온실가스 사례를 하위 25%에 포함되는 날로 선정하여 고농도 온실가스 사례일과의 비교 분석에 활용하였다. 저농도 사례일은 총 270일로 겨울 92일, 봄 41일, 여름 72일, 그리고 가을 65일이다. 고농도 사례일의 계절평균 CO2 농도는 겨울에 440.5 ppm으로 가장 높았고, 봄 436.1 ppm, 여름 431.1 ppm, 그리고 가을 436.0 ppm의 값을 보였다. 반면 저농도 사례일의 경우 겨울 420.9 ppm, 봄 420.0 ppm, 여름 410.8 ppm, 가을 415.4 ppm의 계절평균 CO2 농도를 보였다.

Fig. 1.

Time series of (a) daily mean and (b) daily anomaly of CO2 concentration at Anmyeon-do (AMY) site. Blue line in the panel (a) indicates smooth fit curve. Horizontal red and blue lines in the panel (b) denote values of 25th and 75th, respectively.

2.3 CO/CO2 비율 변동 분석

본 연구에서 CO와 CO2 간 비율은 두 오염물질의 아노말리 간 비율로 계산하였다. 즉 ΔCO2 계산과 동일한 방법을 이용하여 안면도 기후변화감시소에서의 ΔCO를 계산하였으며, 비율은 ΔCO/ΔCO2로 정의하였다. CO2 고농도 사례 시 ΔCO/ΔCO2가 높았던 사례일(상위 25%)과 낮았던 사례일(하위 25%)을 다시 선정하고 각 사례일에 대한 STILT 풋프린트 결과를 이용하여 안면도 고농도 CO2에 영향을 미친 기원(지역)에 따른 비율 차이를 밝히고자 하였다. 두 물질의 배경농도를 제외한 값을 이용해 비율을 산출하는 경우 단기간 동안의 지역 배출 또는 다른 지역으로부터의 수송 영향을 파악할 수 있다는 장점이 있다(Halliday et al., 2019; Park et al., 2021).

2.4 2차원 풋프린트를 활용한 지역 기여 산정

STILT는 라그랑지안 입자 확산 모델로, 다량의 입자를 역추적하여 수용지에 미친 상류(upstream)의 영향을 2차원 풋프린트로 도출할 수 있게 하는 모델이다(Lin et al., 2003). 풋프린트는 수용지의 오염물질농도에 미치는 민감도로, 단위 표면 플럭스(surface flux, 단위: μmol m-2s-1) 당 농도(단위: ppm)의 단위[ppm (μmol-1m2s)]를 갖는다.

STILT는 다양한 기상예측 모델에 의해 구동될 수 있으나, 본 연구에서는 분석 기간(2018~2020년) 동안 한국과 중국 동부를 포함하는 영역(Fig. 2)에 대해 Weather Research and Forecasting (WRF) Version 3.9 모델을 수행한 후 STILT의 입력 기상장으로 사용하였다. ERA5 모델을 초기장으로 활용하였고, 시간해상도는 1시간, 공간해상도는 27 km (139 × 109)로 설정하였다. 모델 구동은 분석 기간 동안 매 월에 대해 수행하였으며 해당 월의 1일보다 48시간 앞선 시간부터 구동하였다. 또한, WRF Single-Moment 6-class scheme (구름 내 미세물리 모수화) (Hong and Lim, 2006), Rapid Radiative Transfer Model for General Circulation Model scheme (단파 및 장파 복사 모수화)(Mllawer et al., 1997), Monin-Obukhov Similarity scheme (대기 최하층 모수화) (Janjic, 2002), Noah Multiparameterization (지면 모형) (Niu et al., 2011), Yonsei University scheme (대기경계층 모수화) (Hong et al., 2006), Urban canopy model (도시 모수화) 등의 모수화 기법을 적용하였다.

Fig. 2.

Study domain and definition of source regions (Mongolia, 5 regions in China, West Sea, North Korea, and South Korea). Red star denotes location of AMY.

STILT 구동 시 수용지로부터 추적되는 입자 수의 선정이 모델 결과에 영향을 미칠 수 있는데, 여러 선행연구에서 입자 수의 증가가 모의 오차를 감소시킬 수 있으나 특정 개수 이상으로 늘어날 경우 오차 값이 수렴됨을 보고하였다(Wen et al., 2012; Ding et al., 2013). 본 연구에서는 입자 수를 3000개로 설정하여 모의하였다. 2차원 풋프린트의 공간해상도는 0.25o × 0.25o이고, 기준 시간으로부터 과거 48시간에 대한 풋프린트를 산출하되 기준 시간은 대기 혼합이 잘 이루어지는 12~16시로 설정하였다. STILT 풋프린트를 활용하여 공간 기여를 산정하기 위하여 Fig. 2와 같이 분석 도메인에서 몽골(Mongolia), 중국 일부 권역(China R1-R5), 서해(West Sea), 한반도(South Korea, North Korea) 등 총 8개 지역을 정의하였다. 안면도의 고농도 온실가스 사례 시 풋프린트가 해당 지역 총 면적의 25% 이상에 걸쳐 나타나는 경우 해당 지역이 수용지(안면도)의 CO2 농도 상승에 기여했을 가능성이 있는 지역으로 간주하였다.


3. 결 과

3.1 CO2와 CO의 상관성 분석

서론에서 밝힌 바와 같이 CO2와 CO는 동일한 배출원(화석연료의 연소)을 가지기 때문에 두 물질 간에는 양의 상관성이 존재한다(Conway et al., 1993; Wang et al., 2010; Ana and Ogunseye, 2015; Wei et al., 2020). Figure 3a는 안면도 지역에서 분석 기간 동안 관측된 일평균 CO2 및 CO 농도의 상관성을 보여주는 그림이다. 두 물질 간의 상관계수(R)는 0.66으로 통계적으로 유의미한(p < 0.01) 양의 상관관계가 나타나는 것을 확인할 수 있고, CO2에 대한 CO의 회귀계수(slope)는 8.30이다.

Fig. 3.

Relationship between CO2 and CO for (a) total period and (b) high and low CO2 cases at AMY. Dashed lines denote linear regression lines and “Slope” means the regression coefficient. Gray and red dots in panel (b) are data for low and high CO2 cases, respectively.

안면도 지역에서 고농도의 CO2가 관측된 경우 CO와의 관계성을 분석하기 위해 Fig. 3b와 같이 2.2절에서 선정된 고농도 및 저농도 사례일에 대해 CO2에 대한 CO의 회귀계수를 비교하였다. 그 결과 고농도일에 대해 12.26으로 전기간(8.30) 및 저농도 기간(1.99)과 비교하여 높은 회귀계수 값을 보였고, 이는 CO2 고농도 사례 시 CO 농도 역시 평상시보다 큰 폭으로 증가함을 암시하는 결과이다. Li et al. (2020)은 항공기 in-situ 관측을 통해 CO2에 대한 CO의 회귀계수가 한반도 서부 내륙(1.8~2.9)에 비해 서해상(1.6~5.5)에서 더 높은 것을 밝혔고, 서해상에서 높은 회귀계수가 도출된 사례를 기준으로 HYSPLIT 역궤적 분석을 수행한 결과 공기괴가 중국 동부의 오염지역을 거쳐온 것을 확인하였다. 즉, 안면도 CO2 고농도 사례 시 CO 및 CO2 농도 증가에는 국내 배출뿐만 아니라 국외에서의 유입이 영향을 미칠 수 있으며, 고농도 사례에 대한 기류의 추적 및 자세한 지역 기여 분석은 다음 절에서 다루고자 한다.

3.2 고농도 CO2 사례 시 기류 유입 특성

안면도 기후변화감시소의 바람장(풍속, 풍향) 자료와 STILT 풋프린트를 이용하여 CO2 고농도 사례 시 평균적인 기류의 패턴을 분석하였다. Figure 4는 분석 기간 전체 및 각 계절의 풍속과 풍향에 따른 CO2 농도를 보여주는 그림으로, 풍속과 풍향은 안면도 지점에서 12~16시 동안에 관측된 평균 풍속과 최대풍속풍향을 이용하였다. 연평균 분석에서는 4 m s-1 미만의 북서, 북동 및 남동풍류가 안면도 지점으로 불어올 때 CO2 농도가 높아지는 특징을 알 수 있다(Fig. 4a). 계절별로 살펴보면 겨울철에는 강한 북서풍이 불 때 저농도인 경우가 빈번하고, 풍속이 약하거나 2 m s-1 이상의 동풍류가 있을 때 CO2 농도가 430 ppm 이상으로 높아지는 특징을 보인다(Fig. 4b). 봄철에는 북서 및 남동풍류일 때 높은 CO2 농도가 관측되었다(Fig. 4c). 겨울 및 봄철과는 다르게 여름철에는 동풍보다 약한 북서풍이 불 때 평상시보다 높은 CO2 농도가 관측되며(Fig. 4d), 가을철에는 남풍 및 북동풍류이거나 풍속이 2 m s-1 이하로 약할 때 CO2 농도가 높아지는 것으로 확인되었다(Fig. 4e). 전 계절에 걸쳐 풍속이 5 m s-1 이상으로 강할 때에는 CO2 농도가 평균보다 낮아지고 풍속이 약하거나 북서풍 또는 동풍이 불 때 CO2 농도가 높아지며, 이는 안면도 고농도 CO2 현상이 국내 발생뿐만 아니라 북서쪽에 위치한 중국의 공업지역들로부터 수송에 따른 영향도 받고 있음을 보여주는 결과이다. 이러한 계절별 바람에 따른 CO2 농도의 변화는 Lee et al. (2019a)에서 2012~2017년 기간 동안 안면도 지점에 대해 시간별 풍속, 풍향과 CO2 농도 관측자료를 이용해 분석한 결과와도 유사하다. 다만, 겨울철 동풍이 불 때 CO2 농도가 높은 것은 국내 영향을 받은 것으로 분석될 수 있으나 CO2를 포함한 공기가 중국으로부터 유입된 이후 대기 정체 현상으로 약한 동풍 시 높은 농도를 보일 가능성도 배제할 수 없다. 즉 이러한 풍속, 풍향에 대한 CO2 농도 분석은 순간적 바람 변화가 미치는 영향을 분석하기에 적합하며, 보다 장기간(1일 이상) 동안 국외로부터 유입되어 오는 기류의 영향을 분석하기에는 한계가 있다. 따라서 STILT 모델링으로 도출된 2차원 풋프린트를 이용하여 안면도 지점에서 CO2 고농도 사례가 발생하였을 때의 기류 특성을 분석하고자 한다.

Fig. 4.

Bivariate polar plots about CO2 concentration for (a) annual, (b) DJF (December-January-February), (c) MAM (March-April-May), (d) JJA (June-July-August), and (e) SON (September-October-November) at AMY during 2018~2020.

Figure 5는 사계절 동안 안면도 지점에서 나타난 고농도 및 저농도 CO2 사례일에 대한 48시간 풋프린트의 평균장을 나타내는 그림으로, 편의상 풋프린트 값을 로그 스케일로 변환하여 표출하였다. 먼저, 겨울철에는 고농도 CO2가 관측되기 전 48시간 동안 기류가 중국 동부와 북동부를 거쳐 유입되는 반면, 저농도 사례 시에는 중국 동부 영역에 대한 풋프린트가 감소하는 것을 알 수 있다(Figs. 5a, b). 특히, 고농도 사례일에 비해 저농도 사례일에 몽골 동부, 중국 북동부 등 북부 지역으로부터 기류가 빠르게 유입되는 것을 풋프린트 값을 통해 유추할 수 있으며 이는 앞선 Fig. 4b에서 겨울철에 강한 북서풍이 불 때 CO2 농도가 낮게 관측된 것과 상응한다. 또한 겨울철 고농도 CO2 사례일에는 저농도의 경우와 비교했을 때 국내(한반도)로부터의 기류 유입이 많이 나타난다. 봄철 역시 고농도와 저농도 CO2 사례일 때 국내로부터의 기류 유입 차이가 두드러지게 나타난다(Figs. 5b, f). 여름철의 경우 저농도 CO2 사례일에 남쪽, 동쪽, 북쪽으로부터의 빠른 기류 유입이 있는 반면에 고농도 CO2 사례일에는 북쪽으로부터의 기류 유입이 줄어들고 유입 속도 역시 느린 것을 풋프린트 값을 통해 확인할 수 있다(Figs. 5c, g). 가을철에는 겨울철과 유사하게 저농도일에 비해 고농도 CO2 사례일에 국내와 중국 북동부로부터의 기류 유입이 늘어난다(Figs. 5d, h). 정리하면, 전 계절에 걸쳐 안면도 지점에서 고농도의 CO2가 관측되는 경우 저농도일에 비해 수용지와 가까운 중국 동부 및 북동부 지역과 국내로부터의 기류 유입이 지배적인 것으로 파악된다.

Fig. 5.

Seasonal mean footprints of the past 48 hours with AMY as the receptor for (a-d) high and (e-h) low CO2 days.

이러한 결과는 안면도 지역에 대해 HYSPLIT 모델을 이용해 이루어진 선행연구 결과와 상응하는데, Li et al. (2014)는 CO2 농도 및 역궤적의 격자별 체류시간을 이용해 안면도 지역의 CO2 농도에 영향을 준 격자별 기여도를 추정하였고, 그 결과 중국 동부의 베이징 인근 산업화 지역과 북부 국경지역에서 높은 기여도가 나타남을 밝혔다. 또한 Kim et al. (2020)은 2012~2014년 기간 동안 한국 북동부의 고성 지역에 대해 HYSPLIT 역궤적 및 농도 가중 궤적(Concentration weighted trajectory, CWT) 방법을 기반으로 온실가스(CO2와 CH4) 농도의 기원을 공간분포로 제시하였는데, 겨울철에는 중국 동부와 북동부, 봄철과 여름철에는 서해와 한반도 서부 내륙 등의 기원이 CO2 농도 상승에 지배적임을 보여 한국 지역에서의 고농도 CO2 사례가 국내뿐만 아니라 중국으로부터 수송된 기류의 영향도 크게 받고 있음을 보였다.

3.3 겨울철 고농도 CO2 사례 시 기원에 따른 비율 변동

앞선 고농도와 저농도 CO2 사례일의 평균 풋프린트 차이 분석에서 고농도 사례 시 거의 모든 계절에 수용지와 가까운 중국 북동부 지역 및 국내로부터 기류 유입이 많아짐을 확인하였다. 서론에서 밝힌 바와 같이 STILT 풋프린트 결과를 이용하여 안면도에서 고농도 CO2가 관측되었을 시 ΔCO/ΔCO2 비율의 기류 유입 방향에 따른 변화 특성을 파악하고자 한다. CO2와 CO의 비율은 Silva et al. (2013), Halliday et al. (2019), Park et al. (2021) 등의 선행연구에서 인위적 활동에 의한 화석연료 연소 효율이나 배출 규제 등의 차이를 살펴보는 데 활용되었으므로, 본 연구에서는 인위적 활동으로 인한 탄소 배출이 활발하고 식생의 CO2 흡수(sink) 영향이 적은 겨울철에 대해 집중적으로 비율 변동을 조사하였다.

2.4절에서 설명한 방법론에 따라 몽골, 중국 동부 및 북동부, 한반도 지역으로 관심 지역을 설정한 후 풋프린트가 분포하는 영역이 각 관심 지역의 25% 이상을 거쳐온 경우 안면도의 고농도 CO2에 기여한 지역으로 선정하였다. 겨울철 고농도 사례일(65일) 중 비율이 상위 25% 이상으로 높았던 날(총 18일)과 하위 25% 이하로 낮았던 날(총 16일)의 2개 그룹으로 나누어 지역별 기여 횟수를 비교하였다. 그 결과 Fig. 6과 같이 비율이 높게 관측된 경우와 낮게 관측된 경우의 지역별 기여 횟수가 차이를 보였는데, 비율이 높을 때에는 비율이 낮을 때에 비해 몽골, 중국 북부(China R1) 및 동부(China R2, China R5), 서해 지역을 거쳐 유입되는 사례가 더 많은 것으로 나타났다. 반대로 비율이 낮을 때에는 안면도를 기준으로 북쪽 및 동쪽에 위치한 중국 북동부(China R3), 북한, 남한 지역을 거쳐 유입되는 빈도수가 더 높은 것으로 확인되었다. 중국 동부(China R2, China R5) 지역은 중국 내에서도 교통수단 및 산업단지, 발전소 등의 활동으로 인한 인위적 탄소 배출량이 매우 높은 권역에 속한다(Ye and Liang, 2018; Zheng et al., 2018). 중국 역시 세계 각국의 탄소 중립 계획에 발맞추어 재생에너지 사용, 배출량 제어 기술 향상 등을 통해 탄소 배출을 줄이기 위해 노력하고 있으나 여전히 전 세계적으로 탄소 배출량은 높은 편이며(Zheng et al., 2018; Wang et al., 2019), 배출 규제 강도의 차이 및 화석연료 연소 효율 차이로 인해 한국(서울)에 비해 중국 동부 도시(상하이, 베이징, 톈진 등)에서 높은 CO/CO2 비율이 나타난다(Silva et al., 2013; Park et al., 2021). Halliday et al. (2019)는 KORUS-AQ 기간 동안 항공기 입체 관측을 통해 한국의 서해 먼 바다 상공에서 관측된 CO/CO2 비율이 내륙(서울)에서 관측된 비율보다 값이 크고, 중국 상공에서 관측된 값과 유사함을 밝히면서 중국 공업지대에서 낮은 효율로 배출된 탄소가 포함된 공기가 서해상으로 수송되어왔기 때문임을 시사하였다. 또한 Li et al. (2020)은 항공기 in-situ 관측을 통해 단기간 동안 CO 및 CO2 농도 사이의 회귀계수가 한반도 서부 내륙(1.8~2.9)에 비해 서해상(1.6~5.5)에서 더 높은 것을 밝혔고, 서해 상에서 높은 회귀계수가 도출된 사례를 기준으로 HYSPLIT 역궤적 분석을 수행한 결과 공기괴가 중국 동부의 오염지역을 거쳐온 것을 확인하였다. 본 연구에서 밝힌 CO/CO2 비율에 따른 풋프린트 분포 차이 및 선행연구 결과들을 종합적으로 살펴볼 때, 안면도에서의 고농도 CO2 사례 시 CO/CO2 비율이 높을 때에는 중국 동부 공업 지역으로부터의 기원 가능성이 큰 반면, 비율이 낮은 경우에는 공기가 한반도 지역을 거쳐 유입되었을 가능성이 높은 것으로 판단할 수 있다.

Fig. 6.

Regional contribution frequency for high (upper 25th) and low (lower 25th) ΔCO/ΔCO2 during high CO2 cases in winter season.


4. 요약 및 결론

본 연구에서는 안면도 기후변화감시소에서의 CO2 및 CO 관측자료를 이용하여 2018~2020년 기간 동안 CO2와 CO 간 상관성을 분석하였으며, 고농도 CO2 사례일을 선정하여 STILT 풋프린트를 이용한 기원 지역 선정 및 ΔCO/ΔCO2 비율에 따른 지역 기여의 차이를 조사하였다. 안면도 지역에서는 CO2와 CO 간에 0.66(p < 0.01)의 높은 양의 상관성이 나타났으며, 두 물질 간의 회귀계수는 0.83으로 선행연구에서 서울 지역에 대해 계산한 값(0.80)과 유사한 결과를 얻었다. 계절 변동성과 단기 추세를 제거한 CO2 아노말리를 통해 선정한 고농도 및 저농도 CO2 사례에 대해 안면도를 수용지로 모의한 STILT 풋프린트 평균 분포를 비교한 결과, 저농도일에 비해 고농도일에서는 한반도 서부와 가까운 중국 북동부로부터의 기류가 더 우세함을 확인하였다. 안면도 지점에서의 풍속, 풍향에 따른 CO2 농도 분포의 분석에서도 마찬가지로 동풍이나 중국 북동부로부터의 북서풍 기류 유입 시 CO2 농도가 높아지는 결과를 얻었다.

풋프린트를 활용하여 CO2 고농도 사례에 기여했을 가능성이 있는 지역을 선정하고 ΔCO/ΔCO2 비율이 높은 경우와 낮은 경우로 분류해 지역별 기여 횟수를 비교한 결과, 비율이 높을 때에는 몽골(Mongolia), 중국 북부(China R1), 중국 동부(China R2, China R5), 서해(West Sea) 등의 기여 횟수가 상대적으로 높았으며 비율이 낮을 때에는 중국 북동부(China R3)와 한반도(North Korea, South Korea)의 지역 기여 횟수가 높게 나타났다. 즉, 안면도 지역 고농도 CO2 사례 시 CO와의 비율이 높을 때 중국 동부 오염 지역의 기원임을 유추할 수 있다.

기후 위기에 대한 대응으로써의 탄소 중립 실현을 위한 국내 지역의 CO2 배출 및 농도 감시는 매우 중요한 과제이다. 한국은 지리적으로 동아시아의 풍하측, 특히 중국 북동부 공업지역의 동쪽에 위치하므로 국내 발생 온실기체뿐만 아니라 주변국으로부터의 온실기체, 기후변화유발물질들의 장거리 수송 가능성이 높기 때문에 지속적인 감시가 필요한 지역이다. 이에 본 연구는 CO2와 CO 사이의 비율 이 기후변화 유발물질의 국내에서의 배출과 국외로부터의 유입이라는 기원을 판단하는 데 유용한 인자로써 활용될 수 있음을 보였다. 다만, 본 연구의 분석에 사용한 풋프린트는 기상 모델을 기반으로 역궤적 확산 모델 결과로, 수용지에 도달한 공기입자들의 기원 만을 담고 있는 정보임에 주의하여야 한다. 특히 역궤적 모델과 온실가스 관측 농도를 함께 사용하여 통계적 기법을 기반으로 국내 CO2 농도의 지역 기여도를 산출한 선행연구(예, Li et al., 2014; Kim et al., 2020)에 따르면 국내 기여보다 중국 동부 공업지대의 지역의 기여가 높게 나타나고 있다. 따라서 향후에는 수용지의 온실가스 농도에 미친 각 지역별 영향을 구체적으로 파악하기 위해서 풋프린트 정보와 함께 지역별 온실가스 및 전구물질의 배출 정보가 함께 고려되어야 할 것으로 판단한다.

Acknowledgments

이 연구는 기상청 국립기상과학원 <한반도 대기조성물질 관측 및 분석기술 개발> (KMA2018-00522)의 지원으로 수행되었습니다.

References

  • Ana, G. R., and O. O. Ogunseye, 2015: Spatio-temporal variations in carbon monoxide and carbon dioxide levels in three motor parks in Ibadan, Nigeria. Int. J. Environ. Monitor. Anal., 3, 411-419. [https://doi.org/10.11648/j.ijema.20150306.15]
  • Conway, T. J., L. P. Steele, and P. C. Novelli, 1993: Correlations among atmospheric CO2, CH4 and CO in the Arctic, March 1989. Atmos. Environ., 27A, 2881-2894. [https://doi.org/10.1016/0960-1686(93)90319-T]
  • Ding, A., T. Wang, and C. Fu, 2013: Transport characteristics and origins of carbon monoxide and ozone in Hong Kong, South China. J. Geophys. Res. Atmos., 118, 9475-9488. [https://doi.org/10.1002/jgrd.50714]
  • Halliday, H. S., and Coauthors, 2019: Using short‐term CO/CO2 ratios to assess air mass differences over the Korean Peninsula during KORUS‐AQ. J. Geophys. Res. Atmos., 124, 10951-10972. [https://doi.org/10.1029/2018JD029697]
  • Hong, S.-Y., and J.-O. J. Lim, 2006: The WRF Single-Moment 6-Class Microphysics Scheme (WSM6). J. Korean Meteor. Soc., 42, 129-151.
  • Hong, S.-Y., Y. Noh, and J. Dudhia, 2006: A new vertical diffusion package with an explicit treatment of entrainment processes. Mon. Wea. Rev., 134, 2318-2341. [https://doi.org/10.1175/MWR3199.1]
  • Janjic, Z. I., 2002: Nonsingular implementation of the Mellor-Yamada level 2.5 scheme in the NCEP meso model. NCEP Office Note No. 437, 61 pp.
  • Jeon, W.-B., H. W. Lee, S.-H. Lee, J.-H. Park, and H.-G. Kim, 2014: Numerical study on the characteristics of high PM2.5 episodes in Anmyeondo area in 2009. J. Environ. Sci. Int., 23, 249-259, (in Korean with English abstract). [https://doi.org/10.5322/JESI.2014.23.2.249]
  • Jung, J., Y. Lyu, M. Lee, T. Hwang, S. Lee, and S. Oh, 2016: Impact of Siberian forest fires on the atmosphere over the Korean Peninsula during summer 2014. Atmos. Chem. Phys., 16, 6757-6770. [https://doi.org/10.5194/acp-16-6757-2016]
  • Kim, H.-K., C.-K. Song, S.-C. Hong, M.-H. Shin, J. Seo, S.-K. Kim, and Y. Lyu, 2020: Source characteristics of atmospheric CO2 and CH4 in a northeastern highland area of South Korea. Atmospher., 11, 509. [https://doi.org/10.3390/atmos11050509]
  • Kim, J., S. Park, M.-K. Park, S. Li, J.-Y. Kim, C. O. Jo, J.-Y. Kim, and K.-R. Kim, 2013: Parameter optimization and automation of the FLEXPART lagrangian particle dispersion model for atmospheric back-trajectory analysis. Atmospher., 23, 93-102, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2013.23.1.093]
  • Lee, C., A. Richter, H. Lee, Y. J. Kim, J. P. Burrows, Y. G. Lee, and B. C. Choi, 2008: Impact of transport of sulfur dioxide from the Asian continent on the air quality over Korea during May 2005. Atmos. Environ., 42, 1461-1475. [https://doi.org/10.1016/j.atmosenv.2007.11.006]
  • Lee, H., S.-O. Han, S.-B. Ryoo, J.-S. Lee, and G.-W. Lee, 2019a: The measurement of atmospheric CO2 at KMA GAW regional stations, its characteristics, and comparisons with other East Asian sites. Atmos. Chem. Phys., 19, 2149-2163. [https://doi.org/10.5194/acp-19-2149-2019]
  • Lee, S., C.-H. Ho, and Y.-S. Choi, 2011: High-PM10 concentration episodes in Seoul, Korea: Background sources and related meteorological conditions. Atmos. Environ., 45, 7240-7247. [https://doi.org/10.1016/j.atmosenv.2011.08.071]
  • Lee, S., and Coauthors, 2019b: Analysis of long-range transboundary transport (LRTT) effect on Korean aerosol pollution during the KORUS-AQ campaign. Atmos. Environ., 204, 53-67. [https://doi.org/10.1016/j.atmosenv.2019.02.020]
  • Li, S., S. Park, M.-K. Park, C. O. Jo, J.-Y. Kim, J.-Y. Kim, and K.-R. Kim, 2014: Statistical back trajectory analysis for estimation of CO2 emission source regions. Atmospher., 24, 245-251, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2014.24.2.245]
  • Li, S., Y. Kim, J. Kim, S. T. Kenea, T.-Y. Goo, L. D. Labzovskii, and Y.-H. Byun, 2020: In situ aircraft measurements of CO2 and CH4: mapping spatio-temporal variations over western Korea in high-resolutions. Remote Sens., 12, 3093. [https://doi.org/10.3390/rs12183093]
  • Lin, J. C., C. Gerbig, S. C. Wofsy, A. E. Andrews, B. C. Daube, K. J. Davis, and C. A. Grainger, 2003: A near-field tool for simulating the upstream influence of atmospheric observations: The Stochastic Time-Inverted Lagrangian Transport (STILT) model. J. Geophys. Res. Atmos., 108, 4493. [https://doi.org/10.1029/2002JD003161]
  • Mllawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A. Clough, 1997: Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated–k model for the longwave. J. Geophys. Res. Atmos., 102, 16663-16682. [https://doi.org/10.1029/97JD00237]
  • NIMS, 2020: Report of Global Atmosphere Watch 2020. National Institute of Meteorological Sciences, 411 pp (in Korean).
  • Niu, G.-Y., and Coauthors, 2011: The community Noah land surface model with multiparameterization options (Noah-MP): 1. Model description and evaluation with local-scale measurements. J. Geophys. Res. Atmos., 116, D12109. [https://doi.org/10.1029/2010JD015139]
  • Park, H., S. Jeong, H. Park, L. D. Labzovskii, and K. W. Bowman, 2021: An assessment of emission characteristics of Northern Hemisphere cities using spaceborne observations of CO2, CO, and NO2. Remote Sens. Environ., 254, 112246. [https://doi.org/10.1016/j.rse.2020.112246]
  • Park, S.-H., A. S. Panicker, D.-I. Lee, W.-S. Jung, S.-M. Jang, M. Jang, D. Kim, Y.-W. Kim, and H. Jeong, 2010: Characterization of chemical properties of atmospheric aerosols over Anmyeon (South Korea), a super site under Global Atmosphere Watch. J. Atmos. Chem., 67, 71-86. [https://doi.org/10.1007/s10874-011-9205-2]
  • Silva, S. J., A. F. Arellano, and H. M. Worden, 2013: Toward anthropogenic combustion emission constraints from space‐based analysis of urban CO2/CO sensitivity. Geophys. Res. Lett., 40, 4971-4976. [https://doi.org/10.1002/grl.50954]
  • Thoning, K. W., P. P. Tans, and W. D. Komhyr, 1989: Atmospheric carbon dioxide at mauna loa observatory: 2. Analysis of the NOAA GMCC data, 1974-1985. J. Geophys. Res. Atmos., 94, 8549-8565. [https://doi.org/10.1029/JD094iD06p08549]
  • Wang, J., J. F. D. Rodrigues, M. Hu, P. Behrens, and A. Tukker, 2019: The evolution of Chinese industrial CO2 emissions 2000~2050: A review and meta-analysis of historical drivers, projections and policy goals. Renew. Sust. Energ. Rev., 116, 109433. [https://doi.org/10.1016/j.rser.2019.109433]
  • Wang, Y., J. W. Munger, S. Xu, M. B. McElroy, J. Hao, C. P. Nielsen, and H. Ma, 2010: CO2 and its correlation with CO at a rural site near Beijing: implications for combustion efficiency in China. Atmos. Chem. Phys., 10, 8881-8897. [https://doi.org/10.5194/acp-10-8881-2010]
  • Ward, D. E., W. M. Hao, R. A. Susott, R. E. Babbitt, R. W. Shea, J. B. Kauffman, and C. O. Justice, 1996: Effect of fuel composition on combustion efficiency and emission factors for African savanna ecosystems. J. Geophys. Res. Atmos., 101, 23569-23576. [https://doi.org/10.1029/95JD02595]
  • Wei, C., M. Wang, Q. Fu, C. Dai, R. Huang, and Q. Bao, 2020: Temporal characteristics of greenhouse gases (CO2 and CH4) in the megacity Shanghai, China: Association with air pollutants and meteorological conditions. Atmos. Res., 235, 104759. [https://doi.org/10.1016/j.atmosres.2019.104759]
  • WMO, 2019: The Global Climate in 2015-2019. World Meteorological Organization, 21 pp.
  • Wen, D., J. C. Lin, D. B. Millet, A. F. Stein, and R. R. Draxler, 2012: A backward-time stochastic Lagrangian air quality model. Atmos. Environ., 54, 373-386. [https://doi.org/10.1016/j.atmosenv.2012.02.042]
  • Ye, Q., and H. Liang, 2018: The driving force of carbon emissions in china: 1995-2015 hierarchically provincial evidence. IOP Conf. Ser.: Earth Environ. Sci., 170, 032044. [https://doi.org/10.1088/1755-1315/170/3/032044]
  • Zheng, B., F. Chevallier, P. Ciais, Y. Yin, M. N. Deeter, H. M. Worden, Y. Wang, Q. Zhang, and K. He, 2018: Rapid decline in carbon monoxide emissions and export from East Asia between years 2005 and 2016. Environ. Res. Lett., 13, 044007. [https://doi.org/10.1088/1748-9326/aab2b3]

Fig. 1.

Fig. 1.
Time series of (a) daily mean and (b) daily anomaly of CO2 concentration at Anmyeon-do (AMY) site. Blue line in the panel (a) indicates smooth fit curve. Horizontal red and blue lines in the panel (b) denote values of 25th and 75th, respectively.

Fig. 2.

Fig. 2.
Study domain and definition of source regions (Mongolia, 5 regions in China, West Sea, North Korea, and South Korea). Red star denotes location of AMY.

Fig. 3.

Fig. 3.
Relationship between CO2 and CO for (a) total period and (b) high and low CO2 cases at AMY. Dashed lines denote linear regression lines and “Slope” means the regression coefficient. Gray and red dots in panel (b) are data for low and high CO2 cases, respectively.

Fig. 4.

Fig. 4.
Bivariate polar plots about CO2 concentration for (a) annual, (b) DJF (December-January-February), (c) MAM (March-April-May), (d) JJA (June-July-August), and (e) SON (September-October-November) at AMY during 2018~2020.

Fig. 5.

Fig. 5.
Seasonal mean footprints of the past 48 hours with AMY as the receptor for (a-d) high and (e-h) low CO2 days.

Fig. 6.

Fig. 6.
Regional contribution frequency for high (upper 25th) and low (lower 25th) ΔCO/ΔCO2 during high CO2 cases in winter season.