서울 서대문구 지상 미세먼지 관측 비교

1. 서 론

최근 한국 사회는 미세먼지 고농도 사례로 인한 대기 오염 문제에 큰 대중적 관심을 보이고 있다(Kim and Lee, 2018). 미세먼지로 인한 피해 중 인체 건강에 미치는 악영향이 가장 큰 문제로 꼽히고 있는데(Davidson et al., 2005; Kim et al., 2015) 폐, 기관지 등에 미세먼지가 침투하여 호흡기 질환을 일으킬 가능성이 대표적 예시로 알려져 있다(Seo et al., 2006). 심지어 최근 일부 연구들은 고농도 미세먼지 상황에 노출이 높을수록 지적 능력에 장애를 입을 수도 있음을 지적하고 있다(Zhang et al., 2018). 또한 대기 중 미세먼지는 태양 복사량을 흡수, 산란하는 성질을 갖고 있으므로 지역적/기후학적 규모에서 에너지 균형에도 큰 변화를 야기시킬 수 있다(Jacobson, 2001). 이와 같이 대기 미세먼지 오염이 미치는 광범위한 영향을 고려할 때 미세먼지가 어디서, 어떻게, 얼마나 많은 양이 배출되어 이동하고 대기 중에 머무를 수 있는지에 대한 연구의 필요성은 날이 갈수록 증가하고 있다.

대기 중의 미세먼지 입자(Particulate Matter, PM)는 황사 및 해염입자 등과 같은 자연적인 발생원과 교통, 산업공정, 소각시설 등의 인간활동에 의한 인위적인 배출원에서 발생한다(Artiñano et al., 2003). 입자 상태로 배출원으로부터 직접 발생하는 과정을 1차적 생성 과정, 질소 산화물, 이산화황과 같은 기체 상태의 전구 물질로 배출된 후 적절한 환경에서 물리화학적 반응에 의해 입자화 되는 과정을 2차 생성 과정이라고 한다(Kim, 2006). 이러한 과정을 거쳐 발생되는 미세먼지의 총량을 파악하기 위해 측정하는 대표적인 물리량으로는 PM₁₀, PM_2.5 등이 있다. PM₁₀은 건조 공기에서 직경 10 μm 이하의 크기를 가지는 모든 대기입자의 총 질량 밀도를 의미하며 PM_2.5는 같은 관점에서 직경 2.5 μm 이하의 입자 총 질량 밀도를 의미한다(단위: μg m⁻³). 흔히 사막에서 배출되는 모래 먼지, 황사와 같은 입자들의 영향은 크기가 큰 입자를 고려할 수 있는 PM₁₀ 값을 통해 주로 확인하는 반면, 건강에 끼치는 영향을 살펴볼 때는 PM_2.5의 변화를 통해 인체에(특히 폐 등의 호흡기) 쉽게 침투할 수 있는 크기가 작은 입자의 특징을 보다 주의 깊게 살펴보는 경향이 있다.

이런 PM₁₀ 및 PM_2.5 물리량은 지상 및 위성 관측, 모델 시뮬레이션을 통해 얻을 수 있다. 다만 위성 관측의 경우 PM 물리량 대신 에어로졸 광학 깊이(aerosol optical depth, AOD)와 같은 대기 혼탁도를 잘 표현하는 물리량을 산출물로 제공한다. 그러므로 이를 별도로 PM₁₀ 및 PM_2.5로 변환하는 과정을 필요로 하는데(Seo et al., 2015; Kim et al., 2016) 이 과정에서 불확실한 오차가 개입될 확률이 존재한다. 모델 시뮬레이션의 경우 보통 화학수송모델(Chemical Transport Model, CTM)의 결과값을 통해 PM 특성을 살펴보게 되는데(Kim et al., 2017) 모델 내에서 대기 에어로졸 배출원을 고려하기 위해 초기조건으로 고려하는 배출량 정보가 현시점에서 정확성이 낮은데다 실제 기상, 기후 조건들을 정확하게 고려하는데 아직 한계점이 존재하기 때문에 정확한 PM 정보를 추정하기 쉽지 않다. 즉, 여전히 지상 관측의 중요성이 높다고 이야기할 수 있다. 그러므로 가능한 범위 내에서 최대한 대기질 감시 지상 관측망을 조밀하게 구축하고 상시적인 운영이 가능하도록 준비할 필요가 있다.

한국은 2000년대 초반부터 환경부에서 에어코리아(AIRKOREA)라는 지상관측망을 운영, 대기질 감시 업무에 많은 노력을 투입해오고 있다. 현재 전국에 약 250~300여개의 관측망을 운영하면서 PM₁₀, PM_2.5 및 미세먼지 생성에 영향을 줄 수 있는 오존(O₃), 이산화질소(NO₂), 이산화황(SO₂), 일산화탄소(CO) 등의 전구물질 농도도 관측해오고 있다(Yoo et al., 2015). 하지만 관측소 유지, 보수에 적지 않은 노력이 필요하다 보니 관측망을 잘 운영해오고 있는 서울의 경우에도 같은 행정구역 내의 다양한 배출원의 특징을 모두 다 구분할 정도의 조밀한 관측망을 운영하기는 쉽지 않은 상황이다. 즉, 공간적으로 조밀한 관측망을 구축하기에는 아직 부족함이 많은 실정이다. 하지만 한편으로는 공공기관, 연구소, 학교 등에서 연구 목적으로 운용하고 있는 기기들이 적잖게 존재하고 있으므로 이들을 잘 활용하면 지역의 대기 미세먼지 오염 상황을 보다 공간적으로 상세히 감시할 수 있는 체계를 구축할 수 있을 것으로 보인다.

본 연구는 서대문구에 위치하는 에어코리아 관측소에서 측정한 PM₁₀ 및 PM_2.5 자료를 연세대학교 과학관에서 관측한 PM₁₀ 및 PM_2.5 자료와 동일기간에 대해서 비교해보고 대기 미세먼지 농도가 바람장의 특성에 따라 달라질 수 있음을 강조한 최근 연구 결과들을(Wang et al., 2016; Kim et al., 2017) 고려, 두 관측소에서의 미세먼지 관측값이 풍향, 풍속에 따라 얼마나 유사하게 또는 다르게 나타날 수 있는지를 간략히 비교해보았다. 기존 연구에서도 같은 도시 범위에서의 자료를 활용, 미세먼지 특성을 분석해 보기도 했으나(Son and Kim, 2009), 이 연구는 보다 더 좁은 구별(district) 행정 구역상에서도 관측 기기의 위치에 따라 또는 운영하는 관측 기기에 따라 관측값의 차이가 나타날 수 있는 범위가 어느 정도인지를 살펴봄으로써 공간적으로 조밀한 관측망의 운용 및 그 자료 활용 가능성에 대해 생각해보고자 한다.

2. 관측 장소 및 자료

미세먼지 측정방법은 크게 직접관측과 간접관측으로 나눌 수 있다. 직접적으로 질량을 측정하는 중량 분석법이 대표적이고, 입자의 물리적 특성을 이용한 간접적인 측정방법으로는 β-ray 흡수법, 광산란법, 광투과법 등이 있다. 에어코리아 관측망에서는 주로 베타선 관측법(β-ray absorption Method)으로 미세먼지 농도를 측정 중인데, 이 방법은 대기 중 부유하고 있는 직경 10 μm 이하의 입자를 1시간 동안 여과지 위에 채취, 대기 베타선 광원으로부터 방출된 베타선이 먼지가 포집된 테이프 여과지를 통과하면서 흡수, 소멸된 크기를 감지부에서 측정하는 방식이다. 이 과정에서 알 수 있는 흡수, 소멸되는 베타선 크기의 차이를 이용해 입자상 물질의 중량농도를 연속적으로 산출할 수 있다. 반면 광산란법(Light Scattering Method)을 통해서도 미세먼지 농도가 측정되고 있는데 이 방법은 측정장치 내로 공기시료를 유입한 후, 빛을 조사하여 입자상 물질에 의해 산란하는 빛의 양을 측정, 산란광의 양은 질량농도에 비례한다는 특성을 이용해 공기 중 입자의 농도를 측정하는 방식이다.

본 연구의 대상이 되는 서울 서대문구에는 에어코리아 등록 관측소인 서대문 관측소(서울 서대문구 연희로32길 51 서대문구 자연사박물관)에서 베타선 흡수법으로 미세먼지 관측을 진행하고 있다. 한편 연세대학교 대기과학과에서도 과학관 관측소(서울특별시 서대문구 연세로50)에서 GRIMM사의 Dust Monitor(EDM180) 기기를 이용, 광산란법을 통해 미세먼지를 관측하고 있다. 약 1.5 km 거리를 두고 운영되고 있는(Fig. 1) 두 관측소가 다른 환경에서 다른 관측 방식을 사용하고 있으므로 관측 결과물을 상호 비교하는 일은 의미가 있어 보인다. 관측 기간이 겹치는 2016년 3월부터 동년 12월까지의 자료를 사용하여 비교를 진행하였고, 기상장 관측 자료는 서울시 서대문구에서 측정한 자료를 이용하였다. 기본적으로 1시간 평균값을 이용하여 분석을 진행하였다.

Fig. 1.

The location of two monitoring sites in the Seodaemun-gu district: Yonsei University and Seodaemun AIRKOREA sites.

기상청 국가기상정보 사이트에서 제공하는 지역별 기후 평균 자료에 따르면(http://www.weather.go.kr/weather/climate/average_regional.jsp) 본 연구의 대상 지역인 서울의 경우 연평균기온은 12.5^oC이며 가장 추운 달 평균기온은 1월의 −2.4^oC, 가장 더운 달 평균기온은 8월의 25.7^oC로서 1년간 28.1^oC의 매우 큰 기온 차이를 가진다. 강수량의 경우 여름철(6월, 7월, 8월) 강수량 총합이 892.1 mm로 연강수량의 약 61%를 차지하고 있는 반면 겨울철(12월, 1월, 2월) 강수량 합은 67.3 mm로 연강수량의 약 5%에 불과하다. 연평균 풍속은 2.3 m s⁻¹이며, 월별 평균풍속은 9월에 1.9 m s⁻¹로 가장 낮고 3월과 4월에 2.8 m s⁻¹로 가장 높게 나타난다. 서울의 연평균 상대습도는 64%이며, 월별 상대습도를 보면 4월에 56%로 가장 습도가 낮고 7월에 78%로 가장 높게 분포한다. 여름철의 평균 상대습도는 74%로 매우 습하며, 봄과 겨울철의 상대습도는 약 60%로 상대적으로 건조하다. 이런 기상학적 특성들은 미세먼지 농도 변화 분석에 유의미한 정보를 제공하므로(Zou et al., 2017) 적절히 참고할 필요가 있다.

3. 결과 및 토론

먼저 두 관측소에서 측정된 PM₁₀과 PM_2.5 사이의 상관성이 관측 전체 기간동안 월별로 얼마나 다르게 나타날 수 있는 지에 대해 결정계수(R²) 값을 이용하여 살펴보았다(Fig. 2). 전체 분석 기간동안 두 관측소 사이 PM₁₀ 및 PM_2.5의 상관성은 상당히 좋게 나타났다(Fig. 2a). 다만 PM₁₀의 경우 거의 양쪽 관측소 측정값이 대등한 범위에서 나타나는 반면 PM_2.5의 경우 연세대 관측소에서 조금 더 높게 나타나는 특성을 보이고 있다. 두 관측소의 위치를 고려해보면(Fig. 1) 연세대학교 관측소가 상업 지구 및 큰 도로에 인접하고 있는데 반해 서대문 에어코리아 관측소는 주위에 안산과 같은 수풀 지역이 위치하고 있는 것이 확인되는데, 이를 통해 상대적으로 인위적인 배출량의 기여도가 높은 PM_2.5 농도가 연세대학교 관측소에서 보다 더 크게 관측될 수 있음을 확인할 수 있다.

Fig. 2.

(a) Correlation between daily mean PM10 (black circle) and PM2.5 (red triangle) at two observation sites in the Seodaemun-gu area during whole research period (March to December 2016), expressed by determining coefficients (R2). (b) Monthly variation of R2 for PM10 and PM2.5 between two observation sites in the Seodaemun-gu district during the research period.

월별로 상관관계를 나누어서 살펴보면(Fig. 2b) PM₁₀과 PM_2.5의 경우 모두 R²의 값의 월별 변화가 크게 나타나는 것을 확인할 수 있었는데 전체적으로는 PM₁₀ 관측값 사이의 상관성이 PM_2.5 관측값 사이 상관성보다 높게 나타나는 것을 볼 수 있다. 세부적으로는 PM_2.5의 경우 R² 값이 8월에 0.70으로 가장 높게 나타나는 반면 7월에 0.43으로 가장 낮게 나타나고 PM₁₀의 경우에는 조금 다르게 4월에 0.85로 가장 높은 값을 보이다가 6월에 0.50으로 가장 낮게 나타나는 것이 확인된다. 즉 계절적으로 보면 봄과 가을에 두 관측소 사이 상관성이 높게 나타나는 반면 여름에 상관성이 많이 낮아지는 현상을 확인할 수 있다. 이에 대한 정확한 원인은 알 수 없으나 여름철 장마 기간의 강수가 관측 환경을 다르게 만들 수 있는 가능성을 생각해볼 필요가 있을 것으로 여겨진다.

두 관측소 사이의 미세먼지 관측값이 양호한 상관성을 가지는 것을 바탕으로 각각의 관측소에서 PM₁₀ 및 PM_2.5가 보이는 월별 평균 분석을 진행하였다. 월별 변화를 보면(Fig. 3) 두 관측소에서 모두 3, 4월 봄철에 높은 미세먼지 농도를 나타내고 여름철에 가장 낮은 특성을 보이다가 장마가 완전히 끝난 9월 이후로 다시 농도가 증가하는 특성을 나타낸다. 이는 전형적인 봄철 중국발 황사 및 미세먼지 물질의 수송의 영향으로 보여진다(Jung et al., 2010; Jeong et al., 2011). 다만 연세대 관측소의 경우 이 변화의 폭이 서대문 에어코리아 관측소에 비해 다소 크게 나타나는 특성을 보이고 있다. 실제로 PM₁₀의 경우 미세먼지 농도가 가장 낮은 8월에 연세대 관측소가 서대문 에어코리아 관측소보다 더 낮게, 평균 농도가 높은 봄철 3, 4월에는 더 높게 관측되는 것이 확인된다. 이는 연세대 관측소의 고도가 지상에서 약 85 m 정도의 높이에 주위 지형 지물의 영향을 받지 않는 장소라 안산에 둘러싸인 에어코리아 관측소에 비해(Fig. 1) 대기 환기 효과를 훨씬 크게 반영하기 때문인 것으로 추측된다.

Fig. 3.

Monthly mean variation of PM10 (black circle) and PM2.5 (red triangle) at (a) Yonsei university and (b) AIRKOREA sites in the Seodaemun-gu district during the research period (March to December 2016).

Figure 3에서 PM₁₀은 평균적으로 두 관측소가 비슷한 측정값의 범위를 가지나 PM_2.5는 연세대 관측소가 상대적으로 높은 값을 보이는 걸 확인할 수 있다. 그 결과 연세대학교에서는 PM₁₀과 PM_2.5 관측값의 차이가 분석 기간 전체적으로 약 14 μg m⁻³ 정도의 차이를 보이는 반면 서대문 에어코리아 관측소에서는 전체적으로 약 26 μg m⁻³ 정도의 차이가 나타난다. 월별로는 4월에 가장 큰 차이를 보인다(Fig. 4a). PM₁₀과 PM_2.5 크기 차이는 그 지역 미세먼지 농도에 영향을 주는 주요 배출원의 정보를 제공하는데 두 값이 가까울수록 2차 생성 과정의 영향이 큰 반면 차이가 크게 나타날수록 1차 배출원의 영향을 많이 받는 것으로 볼 수 있다(Pérez et al., 2008). PM_2.5와 PM₁₀ 비율(PM_2.5/PM₁₀)을 계산해서 살펴보면 보다 분명하게 4월에 가장 낮고 6월에 가장 높은 특징이 발견되는데(Fig. 4b) 4월에는 1차 배출원인 황사의 큰 영향, 6월에는 정체된 대기 내에서의 2차 에어로졸 생성이 큰 영향을 끼치기 때문으로 해석할 수 있다. 이 설명은 비록 다른 물리량인 AOD를 이용했지만 서울 서대문구 지역 대기 에어로졸 특성의 월별 변동성을 살펴보았던 Koo et al. (2007)의 결과와 일관성을 가진다.

Fig. 4.

Monthly variation of (a) PM10-PM2.5 difference and (b) PM2.5/PM10 ratio for both sites in the Seodaemun-gu district.

같은 방식으로 두 관측소의 PM₁₀과 PM_2.5 관측값의 시간별 평균값이 하루 중 나타내는 일 변동성(diurnal variation) 특징도 비교해보았다(Fig. 5). 결과적으로 두 관측소에서 보이는 변동성이 확연하게 다른 것을 발견할 수 있었다. 연세대학교 관측소의 경우 출근 시간대인 오전 8시~10시, 퇴근 시간대인 오후 6시 이후 시간대에서 PM₁₀ 값이 급증하는 모습을 뚜렷하게 보여주고 있다. PM_2.5의 경우 PM₁₀보다는 덜 분명하지만 거의 비슷한 일 변동성을 나타내고 있다. 그러나 서대문 에어코리아 관측소의 경우는 일 변동성 특징이 완전히 다르게 나타나는데, 밤에는 점차 농도가 줄어들어 오전 8시에 가장 낮은 값을 보이다가 점차 증가하기 시작하여 밤 9~10시 부근에 가장 높은 값을 보이는 특성을 보이고 있다. 앞서 언급했던 관측소의 위치를 고려할 때(Fig. 1), 서대문 에어코리아 관측소가 둘러싸고 있는 안산의 아래쪽에 위치하고 있음을 생각해본다면 산곡풍의 영향으로 PM 값의 변화를 설명해볼 수 있을 것으로 보인다. 즉, 밤에는 산꼭대기에서 산비탈로 바람이 불어 내려오면서 상대적으로 덜 오염된 안산 정상부의 공기로 인해 PM 농도가 낮아지는 반면, 낮에는 산 아래쪽에서 산꼭대기로 바람이 불어 올라가면서 상대적으로 오염된 공기가 좀 더 관측소로 유입이 되는 효과가 나타날 수 있다. 이런 해석에 대해서는 향후 추가 조사를 통해 자세히 살펴볼 필요가 있다. 특히 이 결과는 비록 두 관측소의 일평균 대기 입자 농도 특성이 유사하더라도(Fig. 2) 시간별 변동성은 차이를 보일 수 있다는 점에서 추후 중요하게 살펴볼 필요가 있을 것으로 보인다.

Fig. 5.

Hourly mean variation of PM10 (black) and PM2.5 (red) at (a) Yonsei university and (b) AIRKOREA sites in the Seodaemun-gu district during the research period (March to December 2016).

이와 같은 기본적인 시계열 분석 결과들은 같은 행정 구역 내에서 관측되는 미세먼지 농도 값의 차이가 상황에 따라 크게 나타날 수 있음을 보여주는데 이는 관측 환경의 차이를 중요하게 고려할 필요성을 의미한다. 특히 계절별로 나타나는 미세먼지 농도의 변화는 그 지역의 대기가 수송의 영향을 많이 받는지 또는 얼마나 크게 확산 및 정체되는 지에 의해 결정되는 부분이 많은 것으로 알려져 있다(Kim et al., 2017; Zou et al., 2017). 즉 바람장의 영향에 따라 결과의 차이가 크게 나타날 수 있을 여지가 있는 것으로 생각할 수 있다. 실제로 위에서 두 관측소 사이 PM 관측값의 차이를 관측소 주변 바람장의 특징이 연관될 수 있을 가능성과 연관하여 추정해보기도 하였다. 따라서 풍속 및 풍향의 특성에 따라 미세먼지 농도가 어떻게 변할 수 있는지에 대한 추가 분석을 다음과 같이 진행해보았다.

Figure 6은 두 관측소의 PM₁₀ 및 PM_2.5 관측값이 풍속에 따라 어떤 차이를 보이는 지를 나타낸 그림이다. PM_2.5 관측값의 경우 두 관측소 모두 풍속에 따른 차이가 크게 나타나지 않는 것으로 보인다. 이는 보다 작은 입자의 발생과 소멸의 특징이 1차적으로 직접 발생한 입자가 수송되어 축적되는 현상보다는 대기 중 2차적인 입자 발생 및 소멸하는 과정에 보다 더 많은 영향을 받기 때문인 것으로 볼 수 있다. 반면, PM₁₀의 변동성은 두 관측소 사이에서 차이를 보이는데, 서대문 에어코리아 관측소에서는 잘 나타나지 않지만 연세대 관측소에서는 PM₁₀의 고농도가 풍속이 느릴수록 더 높게 나타남을 보이고 있다. 앞서 연세대 관측소가 상대적으로 PM 관측값의 변동성을 크게 나타내고 있음을 논의한 부분과 연계시켜 본다면(Fig. 3) 낮은 풍속에서 PM₁₀이 높게 나타내는 현상이 설명될 수 있다. 즉, 인근 지역에서 직접 배출되어 수송되어 오는 대기 입자들이 풍속이 낮아지게 되면 지표로 침강하여 보다 더 지표근처에 축적될 확률이 높아지고, 이로 인해 PM₁₀의 농도가 높아질 수 있음을 의미한다.

Fig. 6.

During the research period (March to December 2016), mean PM10 (yellow) and PM2.5 (brown) values at (a) Yonsei university and (b) AIRKOREA sites for each sector of wind speed are compared.

풍속에 이어 풍향에 따른 분석 역시 같은 방법으로 수행해보았다(Fig. 7). 분석 결과, 두 관측소 모두 서풍 및 북풍계열이 강하게 나타날 때(Shin et al., 2007; Hwang et al., 2009) 미세먼지 농도를 보다 더 높게 나타내고 있는 것이 확인된다. 특히 가장 높은 PM₁₀과 PM_2.5의 값이 북서풍(NW)이 불 때 관측되고 있는데 황사발원지 및 인위적 대기 오염물질의 배출을 많이 하는 중국의 위치가 한반도에서 북서쪽에 위치하고 있다는 사실을 고려해보면(Koo et al., 2007) 북서풍이 강한 시점에 PM 농도가 높게 관측되는 현상이 잘 설명된다. 한편 바람장의 변화와 미세먼지의 농도 사이의 특성을 살펴보는 최근 연구들의 경우(e.g., Kim et al., 2017) 바람장의 변동성이 PM₁₀과 PM_2.5 각각에 미치는 영향의 차이에 대해서는 크게 다룬 바가 없는데 비해 본 연구는 바람에 의해 미세먼지의 축적 및 확산에 따른 농도 변화의 특성이 PM₁₀과 PM_2.5 사이에서 다르게 나타남을 가리키고 있다. 즉 PM_2.5보다는 PM₁₀ 관측값에서 풍향의 영향이 조금 더 분명하게 나타나는 것이 확인이 되는데, 이는 PM₁₀이 1차 발생 입자로 주로 구성되는 반면 PM_2.5는 대기 중의 감시 기체들이 화학적 반응에 의해 2차적으로 입자화 되는 과정에서 생성되는 작은 크기의 입자들로 구성되는 경우가 많기 때문이다. 즉, 직접적으로 발생하는 1차 입자의 변동성에 대해서는 바람장 분석이 좀 더 유의미한 반면, 최근 관심을 크게 받는 PM_2.5 초미세먼지농도의 경우는 바람장보다는 2차 입자 생성에 영향을 줄 수 있는 태양 복사량이나 습도의 변화를 더 중요하게 볼 필요가 있다고 볼 수 있다.

Fig. 7.

During the research period (March to December 2016), mean PM10 (yellow) and PM2.5 (brown) values at (a) Yonsei university and (b) AIRKOREA sites for each sector of wind direction are compared.

끝으로, 두 관측소의 PM₁₀ 및 PM_2.5의 관측값 사이 상관성이 풍향과 풍속에 따라 어떻게 차이가 날 수 있는지에 대해 살펴보았다(Fig. 8). 풍속 구간에 따라서 살펴보았을 경우 상관성이 크게 차이를 보이지는 않았으나, PM₁₀의 상관성이 풍속이 가장 느릴 때 제일 높게 나타나는 반면 풍속이 증가할수록 조금씩 상관성이 떨어지는 모습을 보이는 것을 통해 풍속이 낮을 때 같은 행정구역상 PM₁₀의 관측값 사이 일치도가 조금 더 높음을 살펴볼 수 있다. 반면 PM_2.5의 경우는 오히려 풍속이 낮을 때 보다 조금 높을 때 상관성이 높게 나타났는데 구체적인 이유가 확실하지는 않으나 어떤 특정 원거리 지역 배출원의 영향을 공통적으로 받을 때 두 관측소 사이의 2차 입자 생성의 특징이 유사하게 나타날 가능성을 의미하는 것으로 추측된다. 풍향 구간에 대해서 상관관계를 각각 살펴본 결과, PM₁₀은 두 관측소 사이에 큰 차이 없이 유사한 상관성을 보이고 있으나 PM_2.5의 경우는 남풍 계열 바람이 불 때 상관성이 큰 폭으로 떨어지는 모습을 보이고 있었다. 이는 남쪽에서 수송되어 오는(PM_2.5의 형성과 관련되는) 어떤 대기 오염 물질이 두 관측소 중 어떤 한 관측소에서만 주로 측정되기 때문인 것으로 추정된다. 추가 연구를 통해 이 부분에 대한 해석을 정확히 할 필요가 있을 것으로 여겨진다.

Fig. 8.

Correlation coefficients of PM10 (black circle) and PM2.5 (white triangle) between the Yonsei university and AIRKOREA sites for each sector of (a) wind speed and (b) wind direction.

4. 요약 및 결론

본 연구에서는 서대문구 내에 있는 두 미세먼지 관측소에서 측정된 PM₁₀ 및 PM_2.5 자료를 비교하여 유사성과 차이점을 찾아보았다. 추가적으로 두 관측소 사이 미세먼지 농도의 시공간적 변화에 가장 큰 영향을 미칠 수 있는 기상인자로 여겨지는 바람장의 특징에 따라 미세먼지 농도 변화가 어떤 식으로 차이를 보이는지에 대해서도 간략히 살펴보았다. 분석 결과, PM_2.5보다는 PM₁₀ 관측값 사이 상관성이 좀 더 높게 나타나는 특성을 통해 1차적인 발생원을 가지는 입자들의 정보는 서대문구라는 행정구역 범위에서 어느 정도 유사성을 보이나 2차 생성 과정을 통해 형성되는 작은 크기의 입자 특성은 같은 서대문구 내에서도 차이가 비교적 크게 나타날 수 있음을 확인하였다. 이를 바탕으로 바람장에 따라 분석을 해보면 북풍계열의 바람이 존재하고 풍속이 낮을 때 두 관측소에서 측정된 PM₁₀ 값이 가장 유사하게 나타나는 것을 알 수 있었다. PM_2.5의 경우 풍속과의 연관성이 상대적으로 약하게 나타나는데 이는 1차 발생 입자가 보다 더 바람의 영향을 많이 받기 때문으로 해석할 수 있다. 이런 분석 결과들을 확인하기 위해 향후 전국적으로 같은 행정구역 내 여러 미세먼지 관측망이 동시에 운영되는 경우를 찾아 비교 분석 연구를 확장해보는 과정이 필요할 것으로 보인다. 예컨대 한반도 미세먼지 문제와 관련하여 이처럼 기상인자의 영향을 살펴본 연구들이 부산(Kim et al., 2007), 대구(Hwang et al., 2009), 인천(Shin et al., 2007) 등 대도시 위주로 진행된 바 있으므로 과거 선행 연구들과 비교해서 분석을 진행한다면 한반도 미세먼지 분포의 특성을 보다 잘 이해할 수 있을 것으로 생각된다.

본 연구와 같이 여러 측정 자료들을 비교하여 일관성 및 차이점을 찾아내고 그 원인을 분석하는 연구 결과물들을 누적해 나가면 현재 사회적으로 크게 관심을 받는 미세먼지 정보를 좀 더 정확하게 해석하는 일이 가능해질 것으로 보인다. 또한 앞으로 위성 관측을 통해 미세먼지를 탐지하는 과정에서도 이와 같이 조밀한 관측망 사이의 측정값 차이가 어떻게 나타나는지를 살펴보면서 유의미한 정보를 찾을 수 있을 것으로 생각된다. 현재 한국의 경우 천리안 정지궤도 위성에 탑재되어 있는 GOCI (Geostationary Ocean Color Imager) 센서에서 얻어지는 AOD 자료를 이용, 다른 관련 영향 인자들과 가지는 상관성을 통계적으로 활용하여 PM_2.5 정보를 산출하는 기술들이 고안되어 있는데(Kim et al., 2018; Pang et al., 2018) 이렇게 산출된 자료의 검증은 주로 에어코리아 관측소 자료를 중심으로 진행되고 있다. 그러나 본 연구의 결과를 고려하자면 같은 구별 행정구역 안에서도 미세먼지 농도, 특히 PM_2.5의 크기 차이가 적지 않게 존재하기 때문에 GOCI 위성의 높은 공간해상도에서 산출되는 PM_2.5의 특성을 보다 더 정밀하게 검증하기 위해 최대한 공간적으로 많은 관측 자료를 활용하여 비교, 검증하는 과정이 필요할 것으로 보인다. 향후 좀 더 세밀한 검증 결과를 얻기 위해 행정구역 내에 존재하는 모든 관측망을 활용하기 위한 방안들이 요구된다.

Acknowledgments

이 논문은 2018년도 정부(과학기술정보통신부, 환경부, 보건복지부)의 재원으로 한국연구재단-미세먼지 국가전략프로젝트사업(NRF-2017M3D8A1092022)과 기상청 “기상지진 See-At 기술개발연구”(KMIPA2015-5170)의 지원을 받아 수행된 연구입니다.

References

• Artiñano, B., P. Salvador, D. G. Alonso, X. Querol, and A. Alastuey, (2003), Anthropogenic and natural influence on the PM₁₀ and PM_2.5 aerosol in Madrid (Spain). Analysis of high concentration episodes, Environ. Pollut., 125, p453-465.
• Davidson, C. I., R. F. Phalen, and P. A. Solomon, (2005), Airborne particulate matter and human health: A review, Aerosol Sci. Tech., 39, p737-749. [https://doi.org/10.1080/02786820500191348]
• Hwang, Y.-J., S.-J. Lee, H.-S. Do, Y.-K. Lee, T.-J. Son, T.-G. Kwon, J.-W. Han, D.-H. Kang, and J.-W. Kim, (2009), The analysis of PM₁₀ concentration and the evaluation of influences by meteorological factors in ambient air of Daegu Area, J. Kor. Soc. Atmos. Environ., 25, p459-471, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2009.25.5.459]
• Jacobson, M. Z., (2001), Global direct radiative forcing due to multicomponent anthropogenic and natural aerosols, J. Geophys. Res., 106, p1551-1568. [https://doi.org/10.1029/2000jd900514]
• Jeong, U., J. Kim, H. Lee, J. Jung, Y. J. Kim, C. H. Song, and J.-H. Koo, (2011), Estimation of the contributions of long range transported aerosol in East Asia to carbonaceous aerosol and PM concentrations in Seoul, Korea: a PSCF model approach, J. Environ. Monitor., 13, p1905-1918. [https://doi.org/10.1039/c0em00659a]
• Jung, J., Y. J. Kim, K. Y. Lee, M. G.-Cayetano, T. Batmunkh, J.-H. Koo, and J. Kim, (2010), Spectral optical properties of long-range transport Asian Dust and pollution aerosols over Northeast Asia in 2007 and 2008, Atmos. Chem. Phys., 10, p5391-5408. [https://doi.org/10.5194/acp-10-5391-2010]
• Kim, H. C., and Coauthors , (2017), Recent increase of surface particulate matter concentrations in the Seoul Metropolitan Area, Korea, Sci. Rep., 7, p4710. [https://doi.org/10.1038/s41598-017-05092-8]
• Kim, J.-A., H.-A. Jin, C.-H. Kim, (2007), Characteristics of time variations of PM₁₀ concentrations in Busan and interpreting its generation mechanism using meteorological variables, J. Environ. Sci. Int., 16, p1157-1167, (in Korean with English abstract).
• Kim, K., and Coauthors , (2016), Estimation of surface-level PM concentration from satellite observation taking into account the aerosol vertical profiles and hygroscopicity, Chemosphere, 143, p32-40. [https://doi.org/10.1016/j.chemosphere.2015.09.040]
• Kim, K.-H., E. Kabir, and S. Kabir, (2015), A review on the human health impact of airborne particulate matter, Environ. Int., 74, p136-143. [https://doi.org/10.1016/j.envint.2014.10.005]
• Kim, S.-M., J. Yoon, K.-J. Moon, D.-R. Kim, J.-H. Koo, M. Choi, K. N. Kim, and Y. G. Lee, (2018), Empirical estimation and diurnal patterns of surface PM_2.5 concentration in Seoul using GOCI AOD, Kor. J. Remote Sens., 34, p451-463, (in Korean with English abstract). [https://doi.org/10.7780/kjrs.2018.34.3.2]
• Kim, Y. P., (2006), Air pollution in Seoul caused by aerosols., J. Kor. Soc. Atmos. Environ., 22, p535-553, (in Korean with English abstract).
• Kim, Y. P., and G. Lee, (2018), Trend of Air Quality in Seoul: Policy and Science, Aerosol Air Qual. Res., 18, p2141-2156. [https://doi.org/10.4209/aaqr.2018.03.0081]
• Koo, J.-H., J. Kim, M.-J. Kim, H. K. Cho, K. Aoki, and M. Yamano, (2007), Analysis of aerosol optical properties in Seoul using skyradiometer observation, Atmosphere, 17, p407-420, (in Korean with English abstract).
• Pang, J., Z. Liu, X. Wang, J. Bresch, J. Ban, D. Chen, and J. Kim, (2018), Assimilating AOD retrievals from GOCI and VIIRS to forecast surface PM_2.5 episodes over Eastern China, Atmos. Environ., 179, p288-304. [https://doi.org/10.1016/j.atmosenv.2018.02.011]
• Pérez, N., J. Pey, X. Querol, A. Alastuey, J. M. Lόpez, and M. Viana, (2008), Partitioning of major and trace components in PM₁₀-PM_2.5-PM1 at an urban site in Southern Europe, Atmos. Environ., 42, p1677-1691. [https://doi.org/10.1016/j.atmosenv.2007.11.034]
• Seo, J.-H., E.-H. Ha, B.-E. Lee, H.-S. Park, H. Kim, Y.-C. Hong, and O.-H. Yi, (2006), The effect of PM10 on respirtory-related admission in Seoul, J. Kor. Soc. Atmos. Environ., 22, p564-573, (in Korean with English abstract).
• Seo, S., J. Kim, H. Lee, U. Jeong, W. Kim, B. N. Holben, S.-W. Kim, C. H. Song, and J. H. Lim, (2015), Estimation of PM₁₀ concentrations over Seoul using multiple empirical models with AERONET and MODIS data collected during the DRAGON-Asia campaign, Atmos. Chem. Phys., 15, p319-334. [https://doi.org/10.5194/acp-15-319-2015]
• 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. Kor. Soc. Atmos. Environ., 23, p322-331, (in Korean with English abstract).
• Son, H.-Y., and C.-H. Kim, (2009), Interpretating the spectral characteristics of measured particle concentrations in Busan, J. Kor. Soc. Atmos. Environ., 25, p133-140, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2009.25.2.133]
• Wang, X., K. Wang, and L. Su, (2016), Contribution of atmospheric diffusion conditions to the recent improvement in air quality in China, Sci. Rep., 6, p36404. [https://doi.org/10.1038/srep36404]
• Yoo, J.-M., M.-J. Jeong, D. Kim, W. R. Stockwell, J.-H. Yang, H.-W. Shin, M.-I. Lee, C.-K. Song, and S.-D. Lee, (2015), Spatiotemporal variations of air pollutants (O₃, NO₂, SO₂, CO, PM₁₀, and VOCs) with land-use types, Atmos. Chem. Phys., 15, p10857-10885, 10.5194/acp-15-10857-2015.
• Zhang, X., X. Chen, and X. Zhang, (2018), The impact of exposure to air pollution on cognitive performance, Proc. Natl. Acad. Sci., 115, p9193-9197. [https://doi.org/10.1073/pnas.1809474115]
• Zou, Y., Y. Wang, Y. Zhang, and J.-H. Koo, (2017), Arctic sea ice, Eurasia snow, and extreme winter haze in China, Sci. Adv., 3, pe1602751. [https://doi.org/10.1126/sciadv.1602751]