두 층 관측 기상인자의 주성분-다중회귀분석으로 도출되는 고농도 미세먼지의 부산-서울 지역차이 해석

1. 서 론

입자상 물질(Particulate Matter; PM), 특히 직경이 10 μm 이하인 미세먼지(PM₁₀)와 2.5 μm 이하인 초미세먼지(PM_2.5)들은 대기 환경과 신체 건강에 큰 위협이 된다(Wyzga et al., 1995; WHO, 2013; Darquenne et al., 2016). 뿐만 아니라 지표로 도달하는 일사를 흡수하거나 산란시켜서 대기복사수지에 변화를 가져오며(Sokolik and Toon, 1996; Zhang et al., 2012), 대기 중 응결핵으로 작용하여 구름양을 변화시켜 반사되는 일사량을 늘리거나 강수효율을 줄여서 구름의 수명을 연장시킨다(Ramanathan et al., 2001; Rosenfeld et al., 2008). (초)미세먼지의 인체 유해성에 대한 세계보건기구(World Health Organization; WHO)의 발표에 의하면, PM₁₀을 포함한 대기 중 먼지 증가로 인하여 유럽인의 기대수명이 평균 8.6개월, 이 중 농도가 상대적으로 높은 이탈리아는 평균 9개월 이상 기대수명이 줄어드는 것으로 보고하였다(Martuzzi et al., 2006; Kim et al., 2007).

한 지역의 미세먼지 농도는 기여도 측면에서 크게 자체 발생량과 주변으로부터 수송되어 온 양으로 구분할 수 있다. 우리나라는 지형학적으로 중위도 편서풍대로서 중국의 풍하측에 위치하며, 미세먼지가 중국으로부터 장거리 수송되어 대기질이 악화될 가능성이 크다(Park and Han, 2014; Lim et al., 2017; Kim, 2018). 따라서 장거리 수송 및 자체 기여도를 모델링 연구를 통해 계산하는 배출원-수용지 관계(Source-Receptor Relationship; SRR)에 대한 연구는 오랫동안 중요한 연구 주제로 다루어져 왔다(Yang et al., 2016; NIER, 2019). SRR 연구의 일환으로 진행된 2016년 5~6월 한국 대기질 항공기 관측 캠페인 연구인 한미 대기질 합동 연구(KORUS-AQ) 또한 동일한 맥락에서 수행한 연구로 볼 수 있다. KORUS-AQ 자료를 바탕으로 분석한 Nault et al. (2018)의 연구에 따르면 서울지역 2차 유기 에어로졸(Secondary Organic Aerosol; SOA)이 생성되는데 필요한 전구물질이 대부분 국지적으로 배출된 것으로 확인되었다. 국내 선행연구들에서도 국내 자체 요인으로부터 기인한 배출원 조사 연구가 활발하며, 지역에 따라 발전소와 선박배출 등의 지역적 배출 특성뿐만 아니라 해륙풍 등의 국지순환계의 영향을 고농도 미세먼지 사례와 연관시켜 연구한 사례가 많다(Lee et al., 1999, 2002; Ju and Youn, 2019). 이들 연구 결과로부터 고농도 유형을 통계적으로 살펴볼 때, 2015~2017년간 고농도 PM_2.5의 주요 유형은 4가지 유형 즉 대기정체, 국외유입, 복합형(대기정체와 국외유입의 혼합), 국지순환으로 인한 고농도 지속형으로 분류할 수 있고, 이중에서 복합형이 가장 빈도가 많았고 농도도 제일 높았다(NIER, 2018). 국외유입 유형으로는 겨울철 대륙고기압, 봄철 이동성 고기압, 여름철 북태평양고기압 순으로 농도가 발생하였다. 부산 지역의 경우 서울에 비해 해안도시라는 특성상 고농도 미세먼지가 발생하는 기상요인의 차이가 수도권과 다른 특성을 보였다. Kim et al. (2020)에 따르면 2009~2018년 고농도 미세먼지 발생 일수의 계절 간 편차는 서울보다 부산이 적었으며, 서울과 달리 부산의 여름철 농도 수준이 증가하였다. 따라서 지역별 고농도 특성에 대한 연구는 고농도 미세먼지 원인을 규명하는 데 해당 지역의 배출량 특성뿐만 아니라 국지순환 특성 등 기상 인자와 연관성을 충분히 고려하여 중요하게 해석되어야 한다.

기상인자가 미세먼지 농도에 미치는 영향에 관한 통계 분석적 연구들은 국내에서도 다양하게 진행되어 왔다. Kim et al. (2007)은 부산지역 PM₁₀ 농도와 기상학적 조건과의 관계를 알아보기 위해 대기경계층 높이와 고농도의 상관성을 규명하고 미기상 요인과 연관된 미세먼지 생성 특성을 해석하였다. Shin et al. (2007)은 각 지상 관측 기상인자 변화에 따른 미세먼지 농도 비교 및 유의성 검증을 위해 인천지역 도시대기측정망과 자동기상관측장비(Automatic Weather System) 관측 자료를 활용하여 풍향, 풍속, 습도, 일기유형, 해륙풍 등이 PM₁₀ 농도에 미치는 영향을 분석하였다. 또한 Cha and Kim (2018)은 서울지역 대기질과 기상인자와의 미세먼지 상관관계를 분석하기 위하여 PM₁₀, PM_2.5 등 오염물질 측정 자료와 기온, 일조량, 일사량, 풍속 등의 기상 관측 자료를 활용하였고, Park (2017)은 서울과 경인지역 미세먼지 농도의 변화와 기온, 풍향, 풍속, 강수 등 기상 조건과의 관련성을 다중/단순 선형회귀분석 등 2개 이상의 기법을 통해 고찰한 바 있다. 대부분의 연구에서 특정지역 미세먼지 농도와 지상에서 관측된 기상변수 간의 상관관계를 충분히 규명하고 있으나 지상과 상층(예를 들어 850 hPa 이상 고도)에서의 종관 및 중규모 기상 관측변수를 동시에 고려한 연구는 거의 전무하였다. 이는 고층 기상관측자료의 수집과 그 해석이 용이하지 않을 뿐만 아니라, 무엇보다 PM_2.5 농도의 측정자료가 최근(2015년 이후)부터 우리나라에 일상화되었기 때문이기도 하다.

본 연구에서는 주성분분석(Principal Component Analysis; PCA) 및 다중선형회귀분석(Multiple Linear Regression; MLR)을 동시에 이용하여 2018~2019년 서울과 부산에서의 고농도 미세먼지 사례들의 발생 원인을 지상 및 상층 기상 관측자료를 동시에 포함한 두 고도에서의 종관기상 및 미기상 인자와 연관시켜 통계적으로 해석하였다. 먼저 주성분분석과 요인분석을 통해 두 지역, 즉 서울과 부산지역의 기상 특성을 대표하는 주성분 모드들(Principal Component; PC)을 파악하였다. 그 다음으로 미세먼지 농도가 높은 사례들을 중심으로 사례별 다중회귀분석을 통해 미세먼지 농도와 높은 상관을 보이는 주성분 모드를 도출하여 해당 모드가 두 지역(서울과 부산)에서 어떠한 지상 및 상층 기상인자들로서 미세먼지 고농도를 지배하였는지를 살펴보았다. 아울러 주성분과 가장 상관이 높은 사례를 선별한 후 해당 대표 고농도 사례를 상세히 분석하였다. 이를 통해 고농도 미세먼지 현상과 관련한 기상패턴을 파악하였고, 그 결과 서울-부산간 뚜렷이 구분되는 종관 및 미기상 변수들을 이용하여 고농도 미세먼지 현상을 해석하였다.

2. 자료 및 통계 방법

2.1 측정망 자료

본 연구에서 사용한 기상 관측자료는 기상청 지상종관기상관측자료(Automated Synoptic Observing System; ASOS)와 고층 레윈존데 관측자료이다. 미세먼지 측정 자료는 에어코리아 도시대기측정망 자료를 사용하였다. 기상청 기상자료개방포털(data.kma.go.kr)에서 제공하는 전국 102개소의 ASOS 유인 기상관측망 확정 자료 중 서울(108)과 부산(159) 관측자료와 포항, 백령도, 강릉, 흑산도, 국가태풍센터, 창원 등 10개 고층기상관측지점 중에서 오산(47122)과 창원(47155)지점 자료를 평균하여 사용하였다(KMA, 2017a, b). 추가로 환경부 및 지방자체단체에서 운영 중인 대기오염측정망(Air Quality Monitoring Station; AQMS)의 도시대기측정망 자료 중에서 서울 소재 25개, 부산 소재 19개 측정망 자료를 사용하였다. 이들 자료 중 최근 2018~2019년간 지상 기상 변수는 기온, 풍향, 풍속, 해면기압을, 그리고 고층기상 관측변수는 오산과 창원의 850 및 500 hPa 두 고도에서의 풍향, 풍속, 기온, 지오퍼텐셜고도를 사용하였다. 지상과 상층의 풍향 풍속 시간 자료를 동서바람성분(u)과 남북바람성분(v)으로 매시간 산출하여 이를 일평균하였다. 대기안정도는 두 층(850 hPa과 500 hPa) 간 연직 온위경도(안정도)를 단순 계산하여 사용하였다(Cai et al., 2017). 서울과 부산지역의 PM_2.5와 PM₁₀ 일평균 농도는 시간자료를 지역별로 산술 공간평균한 결과를 사용하였다(Figs. 1, 2, Table 1).

Fig. 1.

Locations of PM measurement stations and ASOS meteorological observation stations

Fig. 2.

Time series of PM2.5 in Busan and Seoul in 2018~2019.

Table 1.

Air pollutant data and meteorological data used in this study.

2.2 고농도 사례 선정

2018~2019년 서울과 부산지역에서 PM_2.5 초미세먼지 일평균 농도가 36 μg m^-3 이상(나쁨 예보기준)인 날들 중에서 농도가 가장 높은 순으로 고농도 사례로 선정하였고, 해당 사례의 PM₁₀ 일평균 농도를 확인하여 전반적인 오염 정도를 파악하였다(Table 2, Fig. 2). 이 때 황사 발생일은 본 연구에서 제외하였다. 2018~2019년 고농도 순서대로 두 지역별 5개 사례를 선정하여 편의상 지역-순위 순서로 사례일 이름을 명명하였다(예: 부산지역 고농도 순으로: B-1, B-2, B-3 등, 서울지역 고농도 순으로: S-1, S-2, S-3 등). 사례들 중에서 주성분과 가장 높은 상관을 보이는 사례를 지역별로 선정하여 일기도 분석과 역궤도 분석을 수행하여 사례별 기상 특성을 지역별로 추가 분석하였다. 사례 선정은 최고 일평균 농도를 기준으로 하되, 미세먼지 예보등급 나쁨 이상인 날들이 중심에 포함되도록 사례별 기간을 정하였으며, 사례 기간별 평균 농도는 Table 2에 수록하였다.

Table 2.

(a) The result of the statistical analysis (PCA/MLR) with the PCs of meteorological variables and PM2.5 concentration in Busan, and (b) in Seoul, respectively.

2.3 주성분 분석(PCA) 및 다중회귀분석(MLR)

본 연구에서는 먼저 통계 분석 방법으로 주성분분석을 수행하여 지상과 상층 기상변수들의 선형결합으로 나타나는 주성분 모드들을 산출하였다. 아울러 요인분석을 통해 주성분과 기상변수들의 상관관계를 나타내는 통계적 변량인 요인적재량(Factor-Loading)을 도출하여 각 주성분이 대표하는 종관기상패턴을 분석하였다. 산출된 기상 주성분 모드별 PM_2.5 일평균과의 상관성을 확인하기 위하여 다중선형회귀분석을 추가하여 실시하였다. 주성분분석은 다변량 통계분석의 한 기법으로서 Obukhov (1947)에 의해 도입되었고(Wilks, 2011), 이후 Lorenz (1956)는 경험직교함수(Empirical Orthogonal Function; EOF)를 사용하여 기후 연구 등 다양하게 적용시켜 왔다. 본질적으로 주성분분석과 경험직교함수분석은 기법상 동일하며(Bjornsson and Venegas, 1997), 한편 다중선형회귀분석은 두 변수 x, y 사이의 선형 관계를 구하는 단순선형회귀분석에서 보다 더 일반화된 개념으로 예측변수의 개수가 2개 이상인 경우에도 적용가능하다. 선행연구들에서는 이를 활용하여 PM_2.5 농도와 높은 상관을 보이는 주성분을 구하고 해당 주성분의 요인적재량(Factor-Loading)을 확인하여 어떠한 종관기상 패턴이 고농도 미세먼지와 관련되는지를 해석하였다(Tai et al., 2012; Leung et al., 2018). 본 연구에서도 서울과 부산지역 기상 주성분 모드들과 PM_2.5 일평균의 MLR 분석을 통해 도출한 상관계수(R)들 중에서 가장 높은 상관성을 나타내는 주성분 모드를 도출하여 해당 사례에 어떤 기상패턴이 발생하였는지 분석하였다(Fig. 3).

Fig. 3.

Flow chart of two-step statistical analysis with Principal component analysis (PCA) and multiple linear regression (MLR) analysis.

통계 적용을 순차적으로 이해하기 위하여 주성분 분석은 선행연구(Tai et al., 2012; Leung et al., 2018)에 따라, n개의 기상변수(X_k)들을 선형결합하여 얻은 주성분들(PCs)인 U₁, U₂, U₃, …, U_n의 합으로 정의하고, 이 때 X_k의 시간평균과 표준편차를 각각 $$ \overline{X_k}$$, s_k라 하고, α_kj를 직교변환행렬 요인이라고 명명하면, 각 주성분들은 아래와 같이 정의된다.

$\[ U_j\left(t\right)={\sum }_{k=1}^n{\alpha }_{kj}\frac{X_k\left(t\right)-\overline{X_k}}{s_k} \]$

(1)

여기서 각 주성분들(PCs)은 개별 기상 모드들을 대표한다. 또한 U_j(t)의 일변화와 일치하는 일기도를 확인할 수 있으며, 이를 통해 각 주성분에 해당하는 기상적 특징들을 일반화하였다. 이후 각 주성분들의 분산값이 큰 순으로부터 차례로 나열하여 기상변화에 있어서 주요한 3~4개의 주성분들을 확인한 다음, 아래 식(2)의 회귀분석을 진행하여 PM_2.5 농도와 상관도가 높은 주성분들을 파악하였다.

$\[ \frac{Y\left(t\right)-\overline{Y}}{s_Y}={\sum }_{j=1}^n{\gamma }_j{U}_j\left(t\right) \]$

(2)

식(2)에서 Y는 공간적으로 평균한 PM_2.5 농도이고, γ_j는 주성분 회귀계수, $$ \overline{Y}$$와 s_Y는 각각 Y의 시간평균과 표준편차를 의미한다.

주성분분석 및 다중회귀분석에 사용된 소프트웨어는 Addinsoft 社의 XLSTAT이다. 주성분분석에 사용된 기상변수들은 5개 지상관측 기상변수(기온, 풍속, 해면기압, 동서-바람성분, 남북-바람성분)와 3개의 고층관측 기상변수(850 hPa과 500 hPa의 온위경도(dθ/dz)와 850 hPa에서의 동서-바람성분, 남북-바람성분)이다. 선행 연구들에서 모두 지상자료만을 이용하여 통계분석을 수행한 것과 달리 본 연구에서는 미세먼지의 외부 유입 영향을 고려하기 위하여 고층(850 hPa과 500 hPa 고도) 기상자료를 포함하였으며, 통계적 입체분석 모식도는 Fig. 4에 제시하였다(Lee et al., 2019).

Fig. 4.

Schematic diagram of PM2.5 transport and distributions based on meteorological characteristics of two-layer atmosphere.

각 사용된 변수와 설명은 Table 1에 정리하였는데, 지상 기온은 T_2m, 풍속은 WS_10m, 동서-바람성분은 u_10m, 남북-바람성분은 v_10m, 해면기압은 SLP로 나타내었고, 상층 온위경도는 dθ/dz, 850 hPa에서의 동서-바람성분은 u₈₅₀, 남북-바람성분은 v₈₅₀로 표시하였다(Table 1). 고층 및 지상 관측 기상 변수를 선별적으로 적용한 것은, 기존 연구에서 우리나라의 고농도 미세먼지 사례의 정성적 통계 분류 결과인 4대 기본 유형(대기정체, 국외유입, 대기정체와 국외유입의 복합형, 국지순환으로 인한 고농도 지속형)에서, 대기정체는 내부 환기인자(ventilation factor)와 연관되는 지상 풍향/풍속과 광화학 반응 인자인 지상 기온이, 그리고 복합형과 대기정체 및 외부 유입 현상은 동북아시아 상공 우선 850 hPa 혹은 500 hPa고도에서의 지균풍속이 미세먼지 유입을 통한 농도 수준에 제일 크게 영향을 미치는 것으로 판단하였다(Fig. 4). 본 연구에서는 이러한 통계분석 결과가 서울과 부산간 미세먼지 고농도 원인에 대한 지역적 차이를 어느 정도 분별하여 설명할 수 있는지 고찰하였다.

본 연구 기간은 서울과 부산 두 지점에 대하여 각각 최근 2년간(2018~2019년도)에 대하여 주성분분석을 수행하였고, 따라서 도시이름, 년도, 주성분 모드 순으로 모드별 명칭을 구분하였다. 예를 들어 SL-PC1의 경우 2018~2019년도 서울지역에서 관측된 기상 변수들의 주성분 Mode-1을 나타내며, BS-PC2는 2018~2019년도 부산지역에서 관측된 기상 변수들의 주성분 Mode-2를 나타낸다. 2.2절에서 언급한 대로 최고 일평균 기준으로 서울과 부산 각각 5개 사례를 선정하였으나, 지역적 차이를 확인하기 위해 각 대표 사례기간이 상이한 경우 고농도로 선정되지 않아도 MLR 분석을 추가로 수행하였다. 즉 부산지역 B-1 사례는 해당 기간(18.12.17~22)이 서울지역 고농도 사례에는 포함되지 않았으나 MLR 분석을 통해 당시 부산의 비교 군으로서 서울의 패턴을 추가로 확인하여 두 지역을 비교하였다.

3. 결과 및 분석

3.1 주성분 분석 결과

Figure 5에 2018~2019년간 서울과 부산 지역의 관측 기상변수의 일평균 값을 이용하여 계산한 주성분들의 요인적재량(Factor-Loading)을 도시하였다. 좌우 패널은 각각 부산지역과 서울지역의 주성분을 차례로 Mode-1부터 Mode-3까지 나타내었다. 요인적재량은 해당 변수와 요인 사이의 상관관계 정도를 나타내는 -1에서 +1 사이의 수치로서, 값이 양수일 경우 요인이 커질 때 변수 값도 증가하는 선형적 관계가 있는 것으로 해석하며, 이는 피어슨 상관계수와 유사하다.

Fig. 5.

Factor Loadings of main PCs in 2018~2019.

지역별 주성분 Mode들의 고유값(Eigenvalue)을 나타낸 스크리 도표(scree plot)와 주성분 Mode-1과 Mode-2, Mode-2와 Mode-3의 요인적재량을 나타낸 분산형 그래프를 Fig. 6와 Fig. 7에 나타내었다. 그 결과 부산지역 주성분 Mode-1 (BS-PC1)에서는 지상에서의 기온(T_2m), 풍속(WS_10m), 동서바람(u_10m)과 남북바람(v_10m)의 요인적재량이 각각 0.75, 0.39, 0.40, 0.84로 나타났으며, 해면기압(SLP)과 850 hPa에서의 동서바람(u₈₅₀)과 남북바람(v₈₅₀)은 각각 -0.74, 0.11, 0.50으로 나타났다. BS-PC1의 고유값은 2.41로 전체 변동의 30.1%를 차지하였으며, 이 결과로부터 2018~2019년 부산지역 기상요인은 비교적 높은 기온, 상층에서 남풍 계열의 바람, 낮은 해면기압이 특징으로 나타났다. 다만 Mode-1의 고유값(2.23)이 전체 대비 27.9%로서 Mode-2의 경우와 차이가 크지 않았고, 전체 변동 중에서 30.1% 정도이어서 이를 일반화하기에는 무리가 있는 것으로 판단하였으며, 따라서 추가로 다른 Mode들도 함께 고려할 필요가 있는 것으로 해석하였다.

Fig. 6.

Scree Plots of calculated PCs.

Fig. 7.

Scatter charts of calculated PCs with meteorological variables.

부산지역 기상변수들의 주성분 Mode-2 (BS-PC2)는 27.9% 비율로서 해당 기간의 기상을 대표하는 것으로 나타났다. Mode-1과 다르게 지상 기온(T_2m)의 요인적재량은 -0.57, 상층에서의 동서바람(u₈₅₀)과 남북바람(v₈₅₀)은 각각 0.84, -0.26으로 낮은 기온과 더불어 북서풍 계열의 바람이 중요한 요소로 판단되며 이는 시베리아 고기압의 영향을 받는 겨울철 대기조건과 유사함을 알 수 있다. 주성분 Mode-3 (BS-PC3)에서는 850 hPa과 500 hPa 사이의 연직 온위경도(대기안정도)의 요인적재량이 0.74로 나타나서 해당 주성분은 대기 안정도와 밀접하게 연관되는 것으로 판단된다. 500 hPa과 850 hPa 사이의 온위 경도는 커질수록 대기가 안정하다는 정적 대기안정도의 정의를 단순 도입하였다.

2018~2019년 서울지역 기상변수들의 주성분 Mode-1 (SL-PC1)을 살펴보면, 고유값이 2.90로서 전체 변동의 36.2%를 차지하였다. Mode-1의 변수별 요인적재량은 지상 기온이 0.87, 지상에서의 동서바람과 남북바람이 각각 -0.57, 0.41이며, 850 hPa에서의 값이 동서바람(u₈₅₀), 남북바람(v₈₅₀) 각각 -0.59, 0.72으로 나타나, 높은 기온과 더불어 남동풍 계열의 바람이 주를 이루는 것으로 판단된다. 그 다음으로 해당 지역의 기상 패턴을 대표하는 모드는 1.42와 1.10의 고유값을 보이는 서울지역 기상변수의 주성분 Mode-2 (SL-PC2)와, Mode-3 (SL-PC3)로서 각각 17.7%와 13.3%의 비율로 나타났다. 고유값이 1.0 이상의 요인으로 의미를 부여하는 것이 통계연구의 일반적 해석 방법을 감안하여, 본 연구에서도 Mode-3까지 분석하였다. Mode-2의 요인적재량은 변수별로 지상 풍속(WS_10m)과 동서바람성분(u_10m)이 각각 0.56, 0.61로 우세하였으며 해면기압이 -0.50으로서 Mode-1에 비해 상관성이 적은 것으로 나타났다. 또한 850 hPa에서의 동서바람(u₈₅₀), 남북바람(v₈₅₀)은 각각 0.42, 0.05로서 상층 서풍계열의 바람이 우세함을 확인하였다. Mode-3에서의 변수별 요인적재량은 상층 동서바람(u₈₅₀)에서는 Mode-2와 유사하게 양(+)의 상관을 보였으나(0.49), 지상 풍속(WS_10m)과 대기 안정도에서 각각 -0.44와 -0.37의 값을 보여 음(-)의 상관을 나타냈다. Mode-2가 상하층 모두 비교적 강한 서풍계열의 기상패턴을 보인 것과 달리 Mode-3은 지상에서는 비교적 풍속이 낮으나 상층에서는 서풍이 우세한 패턴을 보이는 것으로 판단된다.

3.2 다중회귀분석 결과

Case B-1은 부산지역의 분석기간 중 가장 높은 PM_2.5 농도를 보인 사례인 2018년 12월 20일이며, 당일 PM_2.5 일평균은 69.5 μg m^-3로서 미세먼지 ‘매우나쁨’ 단계에 해당되는 사례이다. 본 사례의 MLR 수행기간은 17일부터 22일까지(총 6일)이며, 부산지역 기상패턴 주성분 총 8개 중에서 가장 높은 상관을 나타낸 주성분은 Mode-3 (BS-PC3)로서 상관계수는 0.40으로 양의 상관을 보였다(Fig. 8a). BS-PC3의 요인분석결과에서는 지상에서 WS_10m, SLP, 상층 850 hPa 고도에서의 v₈₅₀, 그리고 대기 안정도의 요인적재량이 각각 -0.29, 0.33, 0.54, 0.74로서, 해당 고농도 미세먼지 발생 시 우세한 기상패턴은 지상 약한 풍속, 높은 기압, 상층 남풍 계열의 바람 및 안정한 대기가 주요 특징이었다. 여기서 Case B-1 분석 기간은 서울지역 주요 사례기간에 해당되지 않으므로 서울지역 MLR 결과에는 제외되었므로, 본 연구에서는 B-1 사례기간에 대해서도 동일하게 서울지역의 다중회귀분석을 수행하였다. 그 결과, SL-PC3(-)와 서울의 PM_2.5 농도와의 상관계수(R)가 0.67로서 상당히 높은 상관성을 보였다. 주성분 SL-PC3(-)의 요인분석 결과, 상층에 동풍이 우세하며 대기가 안정한 것으로 나타나, 부산과 유사한 기상 패턴을 보였으나, 지상 풍속이 약한 부산과 달리 지상 풍속 요인 적재량이 0.44로 높게 나타나, 상대적으로 오염물질의 축적이 적었던 것으로 판단된다. 분석 기간 중 최고 농도(12월 20일 62.9 μg m^-3)는 부산의 69.5 μg m^-3 보다 낮았고, 기간 평균은 42.4 μg m^-3로서 부산과 유사하였다. 일반적으로 겨울철은 대륙고기압에 따른 월경성 미세먼지의 영향으로 서울지역 농도가 부산에 비해 상당히 높았으나 Case B-1은 겨울철임에도 불구하고 그러한 특징이 나타나지 않았고, 외부요인보다는 국지적 국내 요인에 기인한 고농도 사례로 판단된다.

Fig. 8.

(a) Comparison of PC - PM2.5 time series in Seoul. (b) Comparison of PC - PM2.5 time series in Busan.

부산지역에서 두 번째로 높은 농도를 보인 Case B-2사례는 2019년도 3월 1일~6일로서 해당 기간 MLR 분석 결과, BS-PC2와 높은 상관을 보였다(R = 0.53). BS-PC2의 요인적재량은 지상 T_2m이 -0.57, 상층 850 hPa 고도 u₈₅₀이 0.84, v₈₅₀이 -0.26으로서, 이는 당시 낮은 기온과 더불어 강한 서북서풍 계열의 바람이 우세한 것으로 해석되는 바 결국 겨울철 시베리아 고기압의 영향권 아래 중국으로부터 미세먼지의 장거리 이동과 연관되는 종관기상 특징임을 확실히 알 수 있었다.

Case B-3은 2018년도 3월 25일에 가장 고농도를 보인 사례로서, MLR 분석결과, BS-PC3와 높은 상관을 보였다(R = 0.37). BS-PC3의 변수별 요인적재량은 앞서 기술한 바와 같이 대기안정도에서 0.74로 계산되었으며, 지상 풍속은 -0.29로 나타났다. 이에 해당하는 종관기상 특징은 대기가 매우 안정하고 풍속이 약하여서 미세먼지가 장시간 축적된 것으로 해석할 수 있다. 다만 상관도가 높지 않으므로 기존 PCA/MLR 결과로 도출된 기상 주성분만으로 해당 사례의 기상패턴을 설명하는 것에는 한계가 있을 것으로 판단하였다. 그 다음 사례인 Case B-4에서는 2019년도 1월 9일부터 15일까지이며 MLR 분석을 수행한 결과 BS-PC1에서 가장 높은 0.67의 상관계수를 보였다. 당시의 PM_2.5 고농도 오염이 발생한 대기의 종관기상 상태는 먼저 변수별 요인적재량이 지상 T_2m에서 0.75로 가장 높고 v_10m와 상층 850 hPa 고도에서의 v₈₅₀이 각각 0.84, 0.50으로 높게 나왔다. 즉 Case B-4의 고농도 발생은 기온이 상대적으로 높고 남풍 계열의 바람이 우세하였을 것으로 판단된다.

Case B-5는 이전 겨울철 사례와는 달리 여름철에 고농도가 발생한 사례이다. 사례 기간은 2018년 7월 10일부터 20일까지이며, 기상변수 주성분들과의 MLR 분석 결과, BS-PC2(-)과 상관계수(R)가 0.83으로서, 부산지역 사례들 중 가장 높은 상관도를 보였다(Fig. 8a). BS-PC2(-)의 기상 변수별 요인적재량은 T_2m 0.57, WS_10m -0.48, u₈₅₀ -0.84, v₈₅₀ 0.26으로 나타났다. 즉 고농도 미세먼지가 나타난 부산지역은 남동풍 계열 바람이 우세하며, 높은 기온을 보이는 여름철 북태평양 고기압 영향권 하의 여름철 고농도 미세먼지와 연관된다는 점은 주목할 만하였다. 같은 기간 서울지역의 초미세먼지 농도는 최고 일평균이 25.7 μg m^-3이고 기간 평균은 17.9 μg m^-3로 보통 수준인 것과 대비되었다. MLR 결과는 SL-PC3(-)와 가장 높은 상관(R = 0.67)을 보였으며 대기가 안정하며 지상 풍속이 높고 상층 동풍이 우세한 기상 패턴을 보였다. 따라서 부산지역은 지상 풍속이 낮고 기온이 높아 2차 오염 미세먼지의 생성과 축적이 활발하였을 것으로 판단되며, 반면 서울지역은 강한 풍속과 더불어 기온이 높지 않아 청정한 상태를 유지한 것으로 판단된다.

Case S-1은 2018년부터 2019년 서울지역에서 발생한 PM_2.5 고농도 사례들 중 가장 높은 고농도 일평균을 기록한 사례이다. 2019년 3월 5일 당시 서울지역 PM_2.5 일평균은 135.2 μg m^-3로 예보 등급상 ‘매우나쁨’에 해당된다. 2019년도 3월 1일부터 6일까지 사례를 선정하여 기상변수 주성분들과의 MLR을 진행한 결과, SL-PC2와 가장 높은 상관을 보였다(R = 0.82). 해당 주성분의 변수별 요인적재량은 상층 850 hPa 고도에서의 u₈₅₀과 v₈₅₀이 각각 0.42, 0.05로서 상층 서풍계열의 바람이 매우 우세한 것으로 나타났다. 앞서 기술한 대로 사례기간이 동일한 부산지역 Case B-2에서도 전형적인 겨울철 시베리아 고기압 패턴을 보이는 BS-PC2의 상관이 가장 높게 나와 당시 중국발 미세먼지의 유입에 따른 오염이 전국 규모로 심각하였음을 확인하였다.

Case S-2는 2019년 1월 9일부터 15일까지이며 MLR 수행 결과, SL-PC1 사례에서 가장 높은 0.28의 상관계수값을 보였다(Fig. 8b). 이러한 낮은 수치는 사실상 당시 고농도 미세먼지 현상과 관련한 기상 주 모드들이 도출되지 않은 것에 기인한 것으로 판단되며 해당 사례의 기상패턴을 도출하기 위해 강수, 상대습도, 지오파텐셜 고도 등의 변수들을 포함한 주성분 산정이 더 자세하게 이뤄져야 할 것으로 사료된다. 같은 사례기간 부산지역 Case B-4는 겨울철임에도 기온이 높고 남풍 계열의 바람이 특징인 모드와의 상관성이 높게 나타났으므로 습도가 중요하게 작용하는 2차 생성 미세먼지의 영향이 상당 기간 지속된 것으로 판단되며 향후 관련 변수들을 포함한 더 상세한 주성분 분석이 필요하다.

Case S-3의 사례는 2018년 3월 25일이며, 다중회귀분석 결과 본 사례기간(18.3.22~29)과 높은 상관을 나타내는 주성분은 SL-PC1(-)로 나타났다. SL-PC1(-)의 변수별 요인적재량은 T_2m가 -0.86이고, u₈₅₀이 0.60, v₈₅₀이 -0.72로 나타나, 낮은 기온과 북서풍 계열의 우세한 바람이 그 특징으로서 전형적인 겨울철 종관기상 패턴을 보여준다. 이와 동일기간의 부산지역 기상패턴을 확인하기 위해 MLR 분석으로 도출한 모드는 비교적 낮은 지상 풍속과 안정한 대기를 나타내었으나 그 상관도는 R = 0.37로서 낮게 나타났다.

Case S-4는 2018년 1월 17일의 PM_2.5 일평균이 87.8 μg m^-3인 사례로서 앞선 분석 사례와 비교하면 상대적으로 낮은 수준의 ‘매우나쁨’ 사례이다. 사례기간(2018.1.13~22)의 PM_2.5 일평균 농도와 기상변수 주성분들과 MLR을 수행한 결과, SL-PC1에서 가장 높은 상관(R = 0.54)을 보였는데, 종관기상패턴은 T_2m는 0.87, 850 hPa 고도의 u₈₅₀이 -0.60, v₈₅₀은 0.72로서, 높은 기온과 상층 남동풍 계열의 우세한 특성을 나타낸다. 같은 기간 부산지역의 평균 초미세먼지 농도는 40.2 μg m^-3였고 최고 일평균은 56.0 μg m^-3(1월 19일)로 서울보다 이틀 뒤에 최고 농도를 보였다. MLR 분석 시 BS-PC2와 -0.19의 낮은 상관을 보였으며 기존의 도출된 주성분들로는 당시 기상을 설명하기에 적합하지 않은 것으로 판단하였고, 따라서 기상 변수들을 추가로 포함하여 더 상세하게 분석하는 것이 필요할 것으로 판단된다.

Case S-5는 사례기간 PM_2.5 농도평균은 42.2 μg m^-3이며, PM_2.5와 주성분들과의 MLR 분석 결과 SL-PC3(R = 0.73)에서 높게 나타났다. 해당 주성분의 요인분석 결과는 지상 풍속은 낮은 반면, 상층에서 강한 서풍의 영향이 크며, 따라서 중국발 월경성 미세먼지 오염 사례로 판단된다. 같은 기간 부산지역은 기간평균 27.0 μg m^-3의 농도로 보통 수준이였으며 최고 일평 균 37.1 μg m^-3(12월 11일)로서 서울이 12월 10일 99.8 μg m^-3의 심각한 대기 상태를 보인 것과 대비되었다. MLR 분석 결과 BS-PC1에서 0.89의 높은 상관을 보였으며, 요인분석 시 지상 풍속이 강하고 상층에서 남풍이 우세하였다.

3.3 고농도 사례 분석 - 종관 일기도 및 역궤도 분석

서울과 부산, 각 지역에서 기상변수 주성분들과의 MLR 결과, 초미세먼지 농도와 가장 높은 상관을 보이는 사례는 각각 Case S-1 (R = 0.82)과 Case B-5 (R = 0.83)로 나타났다. 본 연구에서는 해당 사례들을 중점으로 종관일기도와 역궤도 분석을 수행하여 고농도 미세먼지 오염이 발생한 날들과 기상변수 주성분간의 상관이 가장 높은 날들의 종관기상 특징을 살펴보았다.

Figure 9a의 Case B-5 사례의 850 hPa 고도의 기압패턴에서 나타나듯이 사례일 종관기상 특징은 일본 열도 상에 위치한 고기압권 하에서 대기가 안정되고 맑은 날이 오래 지속되어 2차 미세먼지의 생성이 활발한 것으로 해석된다. HYSPLIT 역궤도 분석 결과에서도 사례일의 궤적은 동해상에서 시계방향으로 이동하여 부산지역으로 유입되는 특징을 확인할 수 있다(Fig. 10). Case S-1는 Fig. 9b의 850 hPa 기압패턴에서 나타나듯이 중국 내륙에 위치한 고기압 영향으로 등압선을 따라 한반도로 유입되는 풍계임을 확인할 수 있다. 즉 하층에서는 고기압 중심이 한반도에 정체하여서 오염물질 자체 배출량이 환기되지 못하여 축적이 가속화되고, 상층에서는 중국으로부터 이동된 오염물질이 지속적으로 한반도로 유입됨에 따라 상-하층 기상 인자의 복합적 상승요인에 의해 심각한 수준의 미세먼지 고농도 현상을 초래한 것으로 사료된다.

Fig. 9.

Weather chart of the high PM2.5 case days in (a) March 04, 2019, and (b) July 17, 2018, respectively.

Fig. 10.

HYSPLIT Backward trajectories during the high PM2.5 Case days.

본 연구에서 서울과 부산지역의 관측된 지상 및 상층 기상변수들로부터 도출한 주성분 모드들과 PM_2.5 일평균의 다중선형회귀분석(MLR Analysis)을 통합적으로 수행하였다. 그 결과 서울 및 부산 지역의 미세먼지 고농도 사례의 지역별 관측된 상-하층 기상인자들로부터 연관된 특성을 뚜렷이 구분해 낼 수 있었고, 서울지역은 상하층 복합적인 기상 요인의 영향을 받았으며, 부산지역의 경우 자체 배출량과 이후 광화학반응에 의한 2차 미세먼지 생성 및 축적과정이 중요한 요인임을 확인할 수 있었으며, 이는 역학적 혹은 대기화학적 방법이 아닌 기상 변수를 이용한 순수 통계적인 방법으로 구분이 가능하였다는 사실로부터 고농도 미세먼지의 원인 규명에 중요한 시사점이 있음을 확인할 수 있었다.

4. 요약 및 결론

본 연구는 서울과 부산지역에서 최근 2년간(2018~2019년까지) 발생한 고농도 미세먼지 사례의 종관 및 미기상 특성을 해석하기 위하여 지상 기상관측 변수와 상층 기상관측변수 그리고 PM_2.5 관측자료를 활용하여 주성분분석과 다중선형회귀분석을 차례로 수행하여 지역적 특성을 살펴보았다. 특히 기존연구와는 달리 외부유입의 경향을 상세히 분석하기 위하여 850 hPa 고도에서의 상층 기상변수를 고려하여 상하층 기상 변수를 입체적으로 분석하여, 그 결과 나타나는 지역별 차이를 집중분석하였다.

우선 부산과 서울지역에서 관측한 지상 및 상층 기상자료들을 선형결합하여 얻은 주성분을 모드별로 분석한 결과, 부산지역은 주성분 Mode-1 (30.1%)에서 모드 증가 시 높은 지상기온, 850 hPa의 남풍 계열 바람을 나타냈고, 주성분 Mode-2 (27.9%)에서는 낮은 지상기온, 850 hPa에서 서북서풍 계열 바람이 우세하였다. 마찬가지로 서울지역 기상 주성분 Mode-1 (36.2%)에서도 높은 지상기온과 상층의 남동계열 바람이 우세하였고, 주성분 Mode-2 (17.7%)에서는 상층에서 서풍계열의 바람이 우세함을 확인하였다.

서울과 부산에서 고농도 미세먼지가 발생한 사례들을 농도가 높은 순서대로 분류하여 상위 다섯 개 사례들을 각 지역별로 선정하였다. 그 결과 부산에는 여름철에도 높은 사례가 포함되는 반면, 서울의 경우 겨울철에만 집중되는 경향을 보였다. 해당 사례들에서의 PM_2.5 일평균 농도와 기상변수 주성분들 간의 다중회귀분석을 수행한 결과, 가장 높은 상관을 보이는 사례는 서울의 경우 2019년 3월 1~6일 사례, 부산지역은 2018년 7월 10~20일 사례로 나타났다. 서울지역은 당해 연도 기상변수 주성분 Mode-2와 매우 높은 상관(R = 0.82)을 보였고, 해당 주성분의 요인분석을 한 결과 당시의 대기 패턴은 상층(850 hPa)에서 서풍계열의 바람이 우세하였다. 또한 일기도와 역궤도 분석을 함께 수행한 결과, 풍상측으로부터 미세먼지가장거리 수송되는 고농도 사례인 것으로 해석하였다. 반면 부산지역은 당해 연도 기상변수 주성분 Mode-2(-)와 높은 상관(R = 0.83)을 보였으며, 요인분석을 통해 당시 지역의 기상패턴은 기온이 높고 남동풍의 상층풍계가 주를 이룬 것으로 확인되었다. 해당 사례도 동일하게 일기도와 역궤도 분석을 진행하였으며 북태평양 고기압의 영향으로 고온 다습한 대기환경 아래 활발한 광화학반응에 의해 2차 생성되는 미세먼지가 중요한 요인임을 확인할 수 있었다. 지상 관측자료뿐 아니라 상층기상자료를 포함한 통계분석기법으로 도출한 두 사례를 통해 부산지역은 서울지역에 비해 풍상측으로부터 유입되는 외부 요인보다는 배출량과 국지순환 등의 국지적 자체 요인에 기인한 고농도 발생 가능성이 상대적으로 높은 것을 통계적으로 확인할 수 있었다.

본 연구에서는 상하층 기상 인자의 특성이 서울-부산 지역의 고농도 미세먼지 발생시의 기상 특성을 구분하였다. 특히 본 연구를 통해 단지 특정 사례가 아닌, 통계적인 차원에서 두 지역간 미세먼지 고농도 기상 특성이 뚜렷이 구분되어 나타났다는 사실로부터 지역별 고농도 미세먼지 원인 규명에 중요한 시사점이 있음을 확인할 수 있었다. 다만 미세먼지는 그 질량 농도뿐 아니라 대기화학적 구성 성분 또한 중요하므로 향후 화학적 분석적 방법을 병행하여 지역적 특성을 분석할 수 있을 것으로 판단된다. 또한 본 연구의 분석 기간은 지역별로 고농도 발생일이 다르므로 서울지역에서도 여름철 고농도 미세먼지 오염이 발생할 경우 부산과 유사한 기상패턴이 나타날 여지가 있으며, 따라서 향후 보다 많은 사례들을 포함한 추가 연구가 필요하다. 아울러 상층 기상관측자료의 낮은 시간 해상도가 갖는 한계를 해소하고 지역별 미세먼지 고농도와 관련한 기상패턴을 보다 상세히 규명하기 위하여 지역별로 중규모 기상-대기질 상세 모델링을 통해 추가 연구를 수행할 예정이다.

Acknowledgments

본 논문의 개선을 위해 좋은 의견을 제시해 주신 두 분의 심사위원께 감사를 드립니다. 이 논문은 2020년도 교육부 한국연구재단의 기초연구사업(No. 2020R1A6A1A03044834)으로 수행되었으며, 환경부 국립환경과학원(NIER-2020-01-01-004)의 연구지원으로 수행되었습니다.

References

• Bjornsson, H., and S. A. Venegas, 1997: A manual for EOF and SVD analyses of climate data. CCGCR Rep. No. 97-1, McGill University, 52 pp.
• Cai, W., K. Li, H. Liao, H. Wang, and L. Wu, 2017: Weather conditions conducive to Beijing severe haze more frequent under climate change. Nature clim. change, 7, 257-263. [https://doi.org/10.1038/nclimate3249]
• Cha, J., and J. Kim, 2018: Analysis of fine dust correlation between air quality and meteorological factors using SPSS. J. Korea Inst. Inf. Commun. Eng., 22, 722-727 (in Korean with English abstract).
• Darquenne, C., M. D. Hoover, and R. Phalen, 2016: Inhaled aerosol dosimetry: Some current research needs. J. Aerosol Sci., 99, 1-5. [https://doi.org/10.1016/j.jaerosci.2016.01.012]
• Ju, J., and D. Youn, 2019: Statistically analyzed effects of coal-fired power plants in west coast on the surface air pollutants over Seoul metropolitan area. J. Korean Earth Sci. Soc., 40, 549-560, (in Korean with English abstract). [https://doi.org/10.5467/JKESS.2019.40.6.549]
• Kim, J.-A., H.-A. Jin, and C.-H. Kim, 2007: Characteristics of time variations of PM₁₀ concentrations in Busan and interpreting its generation mechanism using meteorological variables. J. Environ. Sci., 16, 1157-1167 (in Korean with English abstract). [https://doi.org/10.5322/JES.2007.16.10.1157]
• Kim, J.-M., Y.-J. Jo, G.-H. Yang, G. Heo, and C.-H. Kim, 2020: Analysis of recent trends of particulate matter observed in Busan - Comparative study on Busan vs. Seoul metropolitan area (I). J. Environ. Sci. Int., 29, 177-189, (in Korean with English abstract). [https://doi.org/10.5322/JESI.2020.29.2.177]
• Kim, K.-C., 2018: Air pollutants on the Korean peninsula caused by fireworks in China during Chinese Lunar New Year. J. Korean Soc. Atmos. Environ., 34, 841-848, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2018.34.6.841]
• KMA, 2017a: Annual Climatological Report. Korea Meteorological Administration, 322 pp (in Korean).
• KMA, 2017b: Annual Upper Air Data. Korea Meteorological Administration, 163 pp (in Korean).
• Lee, H.-J., H.-Y. Jo, S.-W. Kim, M.-S. Park, and C.-H. Kim, 2019: Impacts of atmospheric vertical structures on transboundary aerosol transport from China to South Korea. Sci. Rep., 9, 13040. [https://doi.org/10.1038/s41598-019-49691-z]
• Lee, H.-W., Y.-K. Kim, and G.-M. Won, 1999: The development of air quality model considering shipping source in Pusan region. J. Environ. Sci. Int., 8, 135-144 (in Korean with English abstract).
• Lee, H.-W., G.-M. Won, W.-S. Jung, E.-J. Oh, M.-S. Kim, and W.-G. Do, 2002: A numerical simulation of air pollutant concentration considering land and sea breeze in Ulsan area. J. Environ. Sci. Int., 11, 933-943 (in Korean with English abstract). [https://doi.org/10.5322/JES.2002.11.9.933]
• Leung, D. M., A. P. K. Tai, L. J. Mickley, J. M. Moch, A. van Donkelaar, L. Shen, and R. V. Martin, 2018: Synoptic meteorological modes of variability for fine particulate matter (PM_2.5) air quality in major metropolitan regions of China. Atmos. Chem. Phys., 18, 6733-6748. [https://doi.org/10.5194/acp-18-6733-2018]
• Lim, C.-S., S.-A. Jung, M.-R. Jo, S.-B. Lee, and J.-S. Kim, 2017: Study on the effect of long-range transport of fine particles at a Gwangju area in spring of 2016. J. Korean Soc. Urban Environ., 17, 373-385 (in Korean with English abstract).
• Lorenz, E. N., 1956: Empirical Orthogonal Functions and statistical weather prediction. Sci. Rep. No. 1, Statistical Forecasting Project, 49 pp.
• Martuzzi, M., F. Mitis, I. Iavarone, and M. Serinelli, 2006: Health impact of PM10 and ozone in 13 Italian cities. WHO Regional Office for Europe, 147 pp.
• Nault, B. A., and Coauthors, 2018: Secondary organic aerosol production from local emissions dominates the organic aerosol budget over Seoul, South Korea, during KORUS-AQ. Atmos. Chem. Phys., 18, 17769-17800. [https://doi.org/10.5194/acp-18-17769-2018]
• NIER, 2018: A Study on developing conceptual models to improve forecast accuracy for high-concentration particulate matter (PM_2.5) events (1), National Institute of Environmental Research, NIER-RP2018-139, 33 pp.
• NIER, 2019: Summary Report of the 4th stage (2013-2017) LTP Project. Joint Research Project for Long-range Transboundary Air Pollutants in Northeast Asia, 14 pp [Available online at https://www.nier.go.kr/NIER/cop/bbs/selectNoLoginBoardArticle.do?nttId=25825&bbsId=BBSMSTR_000000000012&menuNo=14001, ].
• Obukhov, A. M., 1947: Statistically homogeneous fields on a sphere. Usp. Mat. Navk., 2, 196-198.
• Park, R.-S., and G.-M. Han, 2014: Contribution of long-range transported air pollution from China to particulate matter over Korean Peninsula. Magazine Korean Soc. Hazard Mitig., 54, 26-36 (in Korean with English abstract).
• Park, C.-S., 2017: Variations of PM₁₀ concentration in Seoul during 2015 and relationships to weather condition. J. Assoc. Korean Photo-Geograph., 27, 47-64, (in Korean with English abstract). [https://doi.org/10.35149/jakpg.2017.27.2.004]
• Ramanathan, V., P. J. Crutzen, J. T. Kiehl, and D. Rosenfeld, 2001: Aerosols, climate, and the hydrological cycle. Science, 294, 2119-2124. [https://doi.org/10.1126/science.1064034]
• Rosenfeld, D., U. Lohmann, G. B. Raga, C. D. O’Dowd, M. Kulmala, S. Fuzzi, A. Reissell, and M. O. Andreae, 2008: Flood or drought: how do aerosols affect precipitation?. Science, 321, 1309-1313. [https://doi.org/10.1126/science.1160606]
• Shin, M.-K., C.-D. Lee, H.-S. Ha, C.-S. Choe, and Y.-H. Kim, 2007: The influence of meteorological factors on PM₁₀ concentration in Incheon. J. Korean Soc. Atmos. Environ., 23, 322-331 (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2007.23.3.322]
• Sokolik, I. N., and O. B. Toon, 1996: Direct radiative forcing by anthropogenic airborne mineral aerosols. Nature, 381, 681-683. [https://doi.org/10.1038/381681a0]
• Tai, A. P. K., L. J. Mickley, D. J. Jacob, E. M. Leibensperger, L. Zhang, J. A. Fisher, and H. O. T. Pye, 2012: Meteorological modes of variability for fine particulate matter (PM_2.5) air quality in the United States: implications for PM_2.5 sensitivity to climate change. Atmos. Chem. Phys., 12, 3131-3145. [https://doi.org/10.5194/acp-12-3131-2012]
• WHO, 2013: Health effects of particulate matter. Policy implications for countries in eastern Europe, Caucasus and central Asia. World Health Oranization Regional Office for Europe, 15 pp.
• Wilks, D., 2011: Statistical Methods in the Atmospheric Sciences, 3^rd Edtion. Academic Press, 704 pp.
• Wyzga, R. E., and L. J. Folinsbee, 1995: Health effects of acid aerosols. Water Air Soil Pollut., 85, 177-188. [https://doi.org/10.1007/BF00483699]
• Yang, G.-H., J.-J. Lee, Y.-S. Lyu, L.-S. Chang, J.-H. Lim, D.-W. Lee, S.-K. Kim, and C.-H. Kim, 2016: Analysis of the recent trend of national background PM₁₀ concentrations over Korea, China, and Japan. J. Korean Soc. Atmos. Environ., 32, 360-371, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2016.32.4.360]
• Zhang, R.-J., K.-F. Ho, and Z.-X. Shen, 2012: The role of aerosol in climate change, the environment, and human health. Atmos. Oceanic Sci. Lett., 5, 156-161. [https://doi.org/10.1080/16742834.2012.11446983]