[ Article ]

Atmosphere - Vol. 32, No. 2, pp.119-133

ISSN: 1598-3560 (Print) 2288-3266 (Online)

Print publication date 30 Jun 2022

Received 29 Mar 2022 Revised 19 Jun 2022 Accepted 20 Jun 2022

DOI: https://doi.org/10.14191/Atmos.2022.32.2.119

2015년~2021년 한반도 고농도 미세먼지 사례의 유형분류에 따른 기상학적 특징 분석

지준범¹⁾^{, *} ; 조창래¹⁾ ; 김유준²⁾ ; 박승식³⁾

1)한국외국어대학교 대기환경연구센터
2)국립기상과학원 재해기상연구부
3)전남대학교 환경에너지공학과

Analysis of Meteorological Characteristics by Fine Dust Classification on the Korean Peninsula, 2015~2021

Joon-Bum Jee¹⁾^{, *} ; Chang-Rae Cho¹⁾ ; Yoo-Jun Kim²⁾ ; Seung-Shik Park³⁾

1)Research Center for Atmospheric Environment, Hankuk University of Foreign Studies, Yongin, Korea
2)High Impact Weather Research Department, National Institute of Meteorological Sciences, Gangneung, Korea
3)Department of Environment and Energy Engineering, Chonnam National University, Gwangju, Korea

Correspondence to: ^* Joon-Bum Jee, Research Center for Atmospheric Environment, Hankuk University of Foreign Studies, 81 Oedae-ro, Cheoin-gu, Yongin 17035, Korea Phone: +82-31-8020-5586, Fax:+82-31-8020-5574 E-mail: rokmcjjb717@gmail.com

Abstract

From 2015 to 2021, high-concentration fine dust episodes with a daily average PM_2.5 concentration of 50 μg m^-3 or higher were selected and classified into 3 types [long range transport (LRT), mixed (MIX) and Local emission and stagnant (LES)] using synoptic chart and backward trajectory analysis. And relationships between the fine particle data (PM_2.5 and PM₁₀ concentration and PM_2.5/PM₁₀ ratio) and meteorological data (PBLH, Ta, WS, U-wind, and Rainfall) were analyzed using hourly observation for the classification episodes on the Korean Peninsula and the Seoul metropolitan area (SMA). In LRT, relatively large particles such as dust are usually included, and in LES, fine particle is abundant. In the Korean peninsula, the rainfall was relatively increased centered on the middle and western coasts in MIX and LES. In the SMA, wind speed was rather strong in LRT and weak in LES. In LRT, rainfall was centered in Seoul, and in MIX and LES, rainfall appeared around Seoul. However, when the dust cases were excluded, the difference between the LRT and other types of air quality was decreased, but the meteorological variables (Ta, RH, Pa, PBLH, etc.) were further strengthened. In the case of the Korean Peninsula, it is difficult to find a clear relationship because regional influences (topographical elevation, cities and coasts, etc.) are complexly included in a rather wide area. In the SMA, it is analyzed that the effects of urbanization such as the urban heat island centered on Seoul coincide with the sea and land winds, resulting in a combination of high concentrations and meteorological phenomena.

Keywords:

PM_2.5 concentration, Backward Trajectory, Long range transport, Local emission stagnant, Seoul Metropolitan Area

1. 서 론

최근 코로나19와 기상학적 변화에 따라 한반도 대기질 특징이 변화하고 있다. 특히, 겨울철 미세먼지는 중국으로부터 장거리 수송과 국내발생의 변화로 인하여 감소추이를 보이고 있다. 그러나 이러한 미세먼지의 특징이 코로나19의 영향(Choi and Cheong, 2021)인지 기상학적 변화에 따른 영향인지 영향의 기여도를 구분하는 것은 쉽지 않다.

한반도 대기질 관측은 한국환경공단에서 운영하고 있는 측정망을 통하여 수행되고 있으며, 공개되는 자료는 SO₂, CO, NO₂, O₃, PM₁₀, PM_2.5이다. 대기질 측정망은 2002년부터 운영하기 시작하였고 관측자료의 품질관리 등 자료 확정과정을 통하여 제공되고 있다. 기상관측자료는 기상청에서 제공되는 종관관측소(ASOS)와 방재기상관측을 목적으로 하는 AWS 관측망을 자료를 주로 이용한다. 주요관측요소는 기온, 이슬점온도, 습도, 기압, 강수량, 풍향, 풍속을 기본자료를 제공한다. 이외의 위성자료를 포함한 원격탐사관측자료와 기상 및 대기질 모델자료 등이 제공되고 있어 다양한 자료를 활용하여 대기질을 분석할 수 있다.

기상관련 미세먼지의 시계열적인 변화에 관한 연구(Yang et al., 2018; Koo et al., 2018a; Kim et al., 2020b; Park et al., 2021)와, 공간적인 변화에 관한 연구(Jeong, 2014; Seo et al., 2015; Jang et al., 2017) 등이 연구되었다(Park, 2017). 그리고 모델, 관측 및 위성자료를 수집하여 기상학적 특징에 대한 분석(Lee et al., 2011; Jo and Kim, 2013; Kim et al., 2015; Kim et al., 2016; Koo et al., 2018b; Lee et al., 2016; Song and Yum, 2019; Park et al., 2020)을 수행하였다. Lee et al. (2011)은 수도권의 PM₁₀ 농도와 재분석자료를 이용하여 유형분류하였고 배경 오염원과 관련된 종관적인 기상학적 특징을 분석하였다. Lee et al. (2016)은 한반도 고농도 사례에 대하여 재분석 자료를 이용하여 3차원적인 기상변수의 특성 분석과 고농도의 사례의 유형을 분류하여 분석하였다. 그리고 Park et al. (2020)은 동아시아 영역의 월별 NCEP/NCAR 재분석자료를 이용하여 지위고도의 분포와 바람장의 편이 분석을 수행하고 한반도 고농도 미세먼지 사례의 종관적 특성을 분석하였다.

본 연구에서는 2015년부터 최근까지 측정된 시간별 대기질 관측자료 중 PM_2.5 농도를 일평균하여 50 μg m^-3 이상의 고농도 미세먼지 사례를 선정하였다. 선정된 사례의 분석일기도의 종관적 기압배치 및 역궤적 분석 결과를 이용하여 장거리 수송(Long Range Transport, 이하 LRT), 복합형(Mixed, 이하 MIX) 및 국내정체(Local Emission Stagnant, 이하 LES)로 분류하였다. 선정된 유형별 고농도 사례에 대하여 대기질 관측자료와 기상관측자료를 이용하여 한반도와 수도권의 기상변수들의 분포와 초미세먼지 농도와 기상변수 사이의 관계성을 분석하였다. 그리고 고농도 미세먼지 사례의 종관적인 특징에 따른 유형과 한반도의 미세먼지 및 기상변수의 상관성으로부터 기상특성이 고농도 미세먼지 사례에 미치는 영향을 분석하였다.

2. 자료 및 방법

2.1 자료

한반도 대기질 관측은 한국환경공단에서 운영하고 있는 측정망을 통하여 수행되고 있으며 제공되는 자료는 SO₂, CO, NO₂, O₃, PM₁₀, PM_2.5이다(Ghim et al., 2014). 측정소에서 측정한 농도자료는 인터넷을 기반으로 국가대기오염정보 관리시스템(National Ambient air quality Monitoring Information System, 이하 NAMIS) 시스템으로 수집하고 NAMIS에 수집된 자료는 에어 코리아 웹사이트를 통해 실시간으로 대국민 제공하고 있다. 그러나 대기오염도를 측정하는 측정장비가 교정, 동작불량 등 비정상일 경우에 측정된 자료를 이상이 있을 수 있기 때문에 이상자료 선별과정을 2단계로 나누어 수행한다(KECO, 2022). 이와 같은 과정을 거처 관측소 측정자료를 확정해서 공개하는데 까지 길게는 6개월 이상 소요된다.

본 연구에서는 이들 자료 중 초미세먼지(PM_2.5)가 전체적으로 측정되기 시작한 2015년부터 2021년 7월까지의 454개소의 관측지점에 대한 시간별 확정자료를 이용하였다. 초미세먼지의 비율을 분석하기 위하여 미세먼지 대비 초미세먼지의 비율(PM_2.5/PM₁₀)을 계산하여 포함하였다. 기상관측자료는 방재기상관측을 목적으로 하는 AWS (Automated Weather System; 670소 Boo et al., 1999)의 기온(Ta), 상대습도(RH), 현지기압(Pa), 강수량(Rainfall), 풍향(WD), 풍속(WS) 등의 관측자료를 이용하였다. 바람장의 경우 통계분석을 위하여 동서바람속도(U-wind)와 남북바람속도(V-wind)로 벡터 분할하여 추가변수로 포함하였다. 기상관측자료는 670소의 AWS 자료 중 대기질 관측소와 시∙공간적으로 가장 가까운 자료를 사용하였다. 그리고 고농도 미세먼지와 관련있는 대기 경계층 고도(Planetary Boundary Layer Height, 이하 PBLH)는 1.5 km 공간해상도를 가지는 기상청 현업모델인 국지수치모델(Local Data Assimilation Prediction System, 이하 LDAPS; Hwang et al., 2021; Kim et al., 2020a)의 분석 및 예측결과를 이용하였다. LDAPS 모델자료는 대기질 관측소 위치와 가장 가까운 격자의 자료를 추출하였으나 모델 자체의 공간해상도로 인하여 관측지점과는 최대 750 m 이상의 거리차이가 나타날 수 있다.

따라서 최종분석에 사용된 자료는 대기질 관측소별 PM_2.5, PM₁₀, PM_2.5/PM₁₀, SO₂, CO, NO₂, O₃, Ta, RH, Pa, WD, WS, Rainfall, U-wind, V-wind, PBLH의 매시간 자료이다. 그리고 선정된 사례의 분석일기도에 나타난 종관적 기압배치 그리고 NCEP/NCAR GDAS1 재분석자료를 이용하여 고농도 사례에 대하여 NOAA Hysplit (Stein et al., 2015) 역궤적분석 결과를 이용하였다.

2.2 방법

고농도 미세먼지 사례선정은 2.1절 대기질 관측소의 시간별 PM_2.5 농도를 일평균하여 PM_2.5 농도가 50 μg m^-3 이상인 사례를 선정하였다. Table 1은 선정된 고농도 사례의 일평균 PM₁₀, PM_2.5를 나타낸 것으로 겨울철 고농도 미세먼지 사례가 대부분이며 봄철 고농도 황사사례가 포함되었다. 표에서 회색은 연속된 사례일을 의미하며 황사사례는 9일 있었고 밑줄로 표시하였다. 선정된 사례일의 0000, 0600, 1200, 1800 UTC의 NCEP/NCAR GDAS1 자료와 NOAA Hysplit 모델을 이용하여 백령도, 서울, 광주 지점에 대한 72시간 역궤적 분석을 수행하였다. 그리고 동아시아 분석일기도의 기압배치를 살펴보았고 Lee et al. (2011)에서 분석하였던 역궤적의 이동경로의 길이를 참고하여 장거리 수송(LRT), 국내정체(LES) 및 복합형(MIX)으로 유형을 분류하였다. Table 1의 마지막 열은 분석일기도와 역궤적 분석을 통하여 분류된 LRT, MIX, LES 유형이다. 대부분의 고농도사례일은 겨울철(12, 1, 2월)을 중심으로 분포되고 있으며 LES는 3, 5, 11월 그리고 MIX는 3월과 10월, LRT는 3, 4, 11월에 일부사례가 포함되었고 황사사례는 3, 4, 5월에 사례가 추가적으로 나타났다.

Table 1.

High concentration episodes with PM2.5 during 2015~2021 (Daily mean PM2.5 > 50 μg m-3). The LRT, MIX and LES category represent long range transportation, mixed and local emission stagnant, respectively. Shaded boxes mean sequential date cases (unit: μg m-3) and Italics and underlying character mean 9 dust cases.

선정된 사례일의 대기질과 기상변수의 시간자료를 이용하여 전체사례와 유형별 사례에 따른 평균과 이들의 편차를 한반도와 수도권으로 분류하여 공간적으로 분석하였다. 수도권 지역은 비교적 많은 수의 관측지점이 위치하며 국지적으로 해륙풍의 영향 그리고 서울 도심을 중심으로 풍상과 풍하지역으로 나뉠 수 있기 때문에 구분하여 분석하였다. PM_2.5 농도와 각각의 변수들의 관계성을 분석하여 유형에 따른 기상특징을 비교하였고 황사사례일을 제외하여 동일한 분석하였다. 지역별 변수별 평균값의 통계적 유의성 확인을 위하여 표준편차를 계산하여 분석하였다.

3. 결 과

2015년부터 최근까지 일 평균 PM_2.5가 50 μg m^-3 이상인 사례의 NCEP/NCAR GDAS1 재분석자료를 기반으로 NOAA Hysplit 모델을 이용하여 서울을 중심으로 분석된 역궤적 분석 결과는 Fig. 1과 같다. 역궤적의 이동경로를 기반(Lee et al., 2011)으로 유형분류 및 그룹화하였고 유형별 100, 200, 500 m 고도 그리고 72시간 역궤적 분석결과를 각각 중첩하여 나타내었다. LRT(빨간색)의 경우 대체로 이동거리가 길고 몽골, 중국 중부, 시베리아 등을 발원지로부터 장거리 수송되어 한반도 및 수도권에 영향을 미쳤다. LES(하늘색)의 경우 미세먼지의 이동이 상대적으로 매우 짧거나 한반도 내에서 정체 또는 동쪽으로부터 이동경로가 나타났다. MIX(파란색)의 경우는 LRT와 LES의 혼합된 형태이며 이동경로는 중국 동해안 또는 한반도 주변으로부터 비교적 짧은 이동거리를 나타내고 있다. 100 m 고도 보다는 200 m, 500 m 고도에서는 이동 경로의 길이가 다소 길게 나타났으나 유사한 이동경로의 차이가 나타났다. 이러한 특징은 지표면 거칠기 길이 등 지표면 영향이 상층으로 올라갈수록 약해져 편서풍의 영향을 상대적으로 크게 받기 때문인 것으로 분석된다.

Fig. 1.

72 hour backward trajectories of high concentration cases (Table 1) with a) 100 m, b) 200 m, c) 500 m in AGL (Above Ground Level) from GDAS1 meteorological data using NOAA Hysplit model.

유형별 분류된 사례들의 시간 관측자료를 이용하여 한반도 미세먼지 및 기상관측자료의 전체 평균(mean)과 유형별 평균을 계산하여 이들의 편차를 분석하였다(Fig. 2). PM_2.5 농도는 유형별 차이는 크지 않았으나 LES, LRT, MIX 순으로 나타났다. PM₁₀ 농도, PM_2.5/PM₁₀ 그리고 PBLH(대기경계층 고도)의 편차는 뚜렷하였다. PM_2.5 평균 농도는 60 μg m^-3 이상이었고 LRT의 경우 내륙을 중심으로 일부 높은 농도가 나타났다. MIX의 경우 서울과 부산을 중심으로 고농도가 나타났으며, LES의 경우 중부지역을 중심으로 고농도 지점들이 나타나고 있다. PM₁₀ 농도는 LRT에서 황사사례가 포함되어 전국적으로 고농도가 나타나고 있고 MIX와 LES 사례에서 상대적으로 낮은 농도를 보인다. LRT에서 PM₁₀의 농도가 높게 나타나는 것은 봄철 장거리 수송에 의한 황사사례가 포함되기 때문이었다. PM_2.5/PM₁₀은 LRT에서 비교적 낮고 MIX와 LES 사례에서 상대적으로 높은 초미세먼지 비율이 나타났다. PBLH는 LRT사례에서 높게 형성되었고 MIX와 LES 사례에서 다소 낮게 형성되었다. LRT 사례에서 PBLH가 비교적 높게 형성되어 장거리 수송 시 PBLH 내로 미세먼지가 한반도로 수송되는 것으로 판단되고 MIX 사례에서 부산 등 남해안에서 PBLH가 높게 형성되어 장거리 수송 또는 국내 배출된 오염물질이 동남해안까지 이동되는 것으로 분석된다.

Fig. 2.

Distribution of average of PM2.5, PM10, PM2.5/PM10 ratio and PBLH for high concentration cases (Table 1) and these difference between average and LRT (Long Range Transport), MIX (mixture) and LES (Local emission stagnant) from air quality station data.

고농도사례의 기온(Ta), 풍속(WS), 동서바람풍속(U-wind)과 강수량(rainfall)의 분포와 유형별 편차를 Fig. 3에서 비교하였다. Ta는 수도권과 내륙에서 상대적으로 낮게 분포하였고 LRT의 경우 전체적으로 낮은 기온을 보였고 MIX는 중남부지역에서 기온이 높았으며, LES 사례는 전체적으로 높은 기온분포를 보였다. 풍속은 평균 3 m s^-1로 전체적으로 겨울철 평균적인 풍속을 보였으며 LRT 사례에서 상대적으로 풍속이 강하였고 LES 사례는 상대적으로 약한 풍속을 보였다. U-wind은 대체로 서풍계열의 바람장이 강하게 나타났다. LRT 사례가 서풍이 가장 강했으며 MIX, LES 사례 순으로 서풍이 약하게 나타났다. 강수량은 0.05 mm로 적은 강수량 상황에서 고농도 사례가 나타났고 LRT 사례에서 강수량이 약화되었으며 MIX, LES 사례에서는 약한 강수가 나타나는 사례가 증가되었으나 강수 증가 및 감소 영역의 차이가 나타났다.

Fig. 3.

Same as Fig. 2 except for Ta, WS, U-wind, Rainfall.

한반도 전체적으로 유형과 관련하여 분석한 결과 LRT의 경우 대체로 황사와 같이 비교적 큰 입자성 에어로졸의 영향이 컸으며 LES는 미세한 에어로졸의 영향이 컸다. PM_2.5 농도는 LES 사례에서 수도권과 충북 등에서 높은 농도를 보였다. 그리고 기온은 다른 유형과 비교하여 장거리 수송사례에서 기온이 낮았고 LES 및 MIX의 경우 상대적으로 기온이 높은 것으로 분석된다. 지상 바람장의 경우 대체로 지리적인 영향으로 편서풍이 우세하였고 풍속의 경우 LRT 사례에서 다소 강하였고 LES 사례에서 약하였다. 강수량은 고농도 사례에서 비교적 적었으며 LRT보다 MIX나 LES일 때 중남부 및 중부를 중심으로 상대적으로 강수량이 증가되었다. 대체로 한반도 부근에 저기압이 위치하고 그 후면부를 따라 황사 등 미세먼지가 장거리 수송되었고 국내정체 및 혼합형에서는 한반도에 위치한 고기압내에 미세먼지가 정체하거나 면서 나타나기 때문에 강수량 차이가 나타나는 것으로 분석된다.

Figure 4와 Fig. 5는 유형별 한반도 분석과 동일하게 수도권 영역에 대하여 분석하였다. PM_2.5와 PM₁₀ 농도는 각각 65 μg m^-3, 110 μg m^-3 이상의 고농도였으며, PM_2.5 농도는 MIX 유형에서 가장 높았고 LES 유형에서 서해안을 중심으로 높게 나타났다. PM₁₀ 농도는 LRT 유형에서 전체적으로 높게 나타났고 LES에서 가장 낮게 나타났다. PM_2.5/PM₁₀은 황사의 영향으로 인하여 PM₁₀ 농도의 증가가 나타나 LRT에서 비교적 낮았고 LES에서 높았다. PBLH는 서울을 중심으로 높게 분포하였고 주변으로 낮은 PBLH를 보였으며 특히, 서해안을 중심으로 낮은 PBLH를 보였다. LRT에서 상대적으로 높은 PBLH가 형성되었으며 MIX와 LES에서 상대적으로 낮게 형성되었다. 즉, 국내정체 및 혼합형일 때 PM_2.5 농도가 높게 나타나고 장거리 수송은 대체로 황사의 영향이 포함되어 PM₁₀ 농도가 높게 나타났으며 PBLH가 비교적 높게 형성되어 장거리 이동이 유리한 것으로 분석된다.

Fig. 4.

Same as Fig. 2 except for SMA (Seoul metropolitan area).

Fig. 5.

Same as Fig. 3 except for SMA.

Figure 5의 Ta는 서해안과 서울 중심부에서 높은 기온을 보였으며 장거리 수송은 시베리아 고기압의 영향으로 기온은 낮았고(Park et al., 2021) LES는 상대적으로 기온이 높게 나타났다. WS는 LRT 유형에서 비교적 강한 풍속이 나타났고 LES일 때 상대적으로 약한 풍속을 보였다. U-wind는 편서풍의 영향으로 대체로 서풍성분이 주를 이루었고 LRT에 비하여 LES일 경우 서풍이 약화되었다. Rainfall은 LRT 사례에서 서울을 중심으로 강수가 있었고 LES는 서울의 풍상과 풍하측에서 강수량이 나타났으며 혼합형은 수도권 전반적으로 강수량이 나타났고 산악을 중심으로 강수가 적었다.

수도권지역의 대기질과 기상관련 변수를 정리하면 LRT의 경우 대체로 황사와 같이 비교적 큰 입자성 에어로졸의 영향이 컸고 LES는 초미세먼지의 영향이 컸다. 그리고 Ta은 다른 유형과 비교하여 장거리 수송 사례에서 기온이 낮게 분포하였고 LES와 MIX의 경우 상대적으로 기온이 높았다. 지상 바람장의 경우 대체로 지리적인 영향으로 유사한 풍향을 나타내고 있으나 WS의 경우 LRT 사례에서 다소 강하였고 LES 사례에서 약하였다. Rainfall은 고농도 사례일 경우 적거나 없었으나 LRT일 때는 서울을 중심으로 강수가 나타났고 MIX와 LES일 때 서울 주변으로 강수가 나타났다. 수도권에서는 서울을 중심으로 나타나는 도시열섬 및 해륙풍 효과와 병합되어 고농도 미세먼지와 기상현상이 나타나는 것으로 사료된다.

PM_2.5 농도와 유형별 대기질 그리고 기상변수의 관계성을 알아보기 위하여 산포도를 한반도와 수도권으로 나누어 Figs. 6-9에 나타내었고 유형별, 지역별 평균값을 Tables 2-3에 정리하였다. PM₁₀ 농도는 장거리 수송과 국내정체와 혼합형으로 양분되어 나타난다. LRT일때 PM₁₀ 농도는 상대적으로 높게 나타났고 MIX와 LES시 낮게 나타났다. 이로 인하여 PM_2.5/PM₁₀은 LRT에서 작고 MIX와 LES는 크다. 그러나 이러한 특징은 황사의 영향으로 PM₁₀ 농도가 급격히 높아졌기 때문인 것으로 분석된다. Figures 7, 9에서 9일의 황사사례를 제외하였을 때는 PM₁₀ 농도와 PM_2.5/PM₁₀이 양분되어 나타났던 특징이 사라지게 된다. 다른 오염물질은 범위의 차이는 있으나 유형별 차이는 크지 않았다. Ta는 LRT와 비교하여 MIX와 LES의 기온이 높게 나타났고 RH는 MIX와 LES에서 다소 높게 나타났다. U-wind는 LRT, MIX, LES 순으로 서풍이 약화되었고 WS 또한 약화되어 나타났다. Rainfall은 MIX, LRT, LES 순으로 많았고 PBLH는 LRT, MIX, LES 순으로 높은 경계층고도가 형성되는 것으로 나타났다. 한반도의 경우 다소 넓은 지역에서 지역적(지형고도와 도시, 해안 등)인 영향이 복합적으로 포함되어 뚜렷한 관계성을 찾기는 어려운 것으로 분석된다.

Fig. 6.

Scatter plot between PM2.5 and PM10, PM2.5, PM2.5/PM10 ratio, CO, SO2, NO2, O3, Ta, RH, Pa, U-wind, WS, WD, Rainfall and PBLH with LRT, MIX and LES on Korean peninsula.

Fig. 7.

Same as Fig. 6 except for excluded 9 dust cases.

Fig. 8.

Same as Fig. 6 except for SMA.

Fig. 9.

Same as Fig. 7 except for SMA.

Table 2.

Average and standard deviation for high concentration fine dust episodes with type and Korean peninsula. Shaded box means maximum value. And Italics and underlying value with LRT and Mean represent excluded 9 dust cases.

Table 3.

Same as Table 2 except for SMA (Seoul Metropolitan Area).

수도권의 경우 한반도보다 좁은 영역에서 유사한 오염도로 인하여 국지적으로 도시화와 해륙풍에 의한 영향이 제한적으로 나타나고 있어 뚜렷한 관계성을 볼 수 있다. PM₁₀ 농도는 LRT, MIX 및 LES에 따른 농도의 구분이 명확히 나타난다. LRT 사례에서 PM₁₀ 농도는 상대적으로 높게 나타났고 MIX는 LES와 비교하여 상대적으로 높은 농도를 보였다. 이로 인하여 PM_2.5/PM₁₀은 LRT에서 상대적으로 낮았고 MIX와 LES에서는 높았으며 LES의 PM_2.5/PM₁₀은 초미세먼지의 비율이 더욱 높게 나타났다. Figure 7과 마찬가지로 황사사례를 제외하였을 때는 유형별 분리되어 나타나는 특징이 사라지고 일반적인 고농도 사례의 특징이 나타난다(Fig. 9). 대기질에 포함된 교통량과 산업시설 배출원 등의 영향으로 CO, NO₂와 O₃의 영향에 따른 차이가 나타났다. Ta는 LRT, MIX, LES 순으로 높게 나타났고 WS는 LES, MIX, LRT 순으로 강한 풍속이 나타났다. Rainfall은 LES, MIX, LRT 순으로 많은 강수가 포함되었으며 PBLH는 Fig. 5와 같이 국지적인 영향으로 복잡하게 나타나고 있다.

Tables 2와 3에서 전국과 수도권은 지리적인 위치와 범위의 차이로 인하여 기상변수는 국지적인 특징이 반영되었으며 평균값의 표준편차가 다소 감소되어 나타났다. 또한, 일주기성을 가지는 기상변수인 Ta, RH, Pa, PBLH의 표준편차는 비교적 크게 나타나고 있다. 그리고 황사사례를 제외하였을 때 LRT와 전체 평균(Mean)의 값의 변화를 볼 수 있으며 특히, PM₁₀ 농도와 PM_2.5/PM₁₀의 변화가 크게 나타났다. PM₁₀ 농도는 30 μg m^-3 이상 감소하였고 PM_2.5/PM₁₀은 0.07 이상 증가되어 LES와 MIX 유형과 유사한 범위를 나타냈다. 황사사례의 유무에 따라 LRT 사례의 기상변수의 평균값의 변화가 있었으며 표준편차는 소폭 하락하여 통계적 유의성이 증가되었다. Ta는 LRT일 때 소폭 하강하여 LES와 MIX 사례와의 차이가 더 커졌고 Ta가 낮을 때 LRT가 발생될 수 있음을 보인다. LRT 사레의 RH는 10% 가까이 증가되어 MIX와 LES 사례보다 더 높은 RH를 나타냈다. Pa는 증가되어 한반도 또는 수도권에 고기압이 위치하였을 때 장거리 수송이 나타나는 것으로 분석된다. LRT의 WS와 U-wind는 약화되었고 PBLH는 낮아져 LES일 때 형성되었던 PBLH보다 더 낮게 형성되었다.

4. 결 론

2015년부터 최근까지 일 평균 PM_2.5 농도가 50μg m^-3 이상인 고농도 미세먼지 사례를 선정하였고 종관 분석일기도의 기압배치와 역궤적 분석 결과를 이용하여 장거리 수송(LRT), 혼합형(MIX), 국내정체(LES) 유형으로 분류하였다. 그리고 유형 분류된 사례들의 시간별 관측자료를 이용하여 한반도 미세먼지(PM_2.5와 PM₁₀ 농도, PM_2.5/PM₁₀)와 기상관측자료(PBLH, Ta, WS, U-wind, Rainfall)의 평균과 유형별 편차를 계산하여 오염물질과 기상변수 사이의 관계성을 분석하였다. 또한, 통계적 유의성을 고려하여 황사가 나타났던 9일의 황사사례를 제외하여 동일한 분석을 수행하였다.

LRT 사례는 황사와 같이 비교적 큰 에어로졸의 영향이 컸으며 LES는 미세한 에어로졸의 영향이 컸다. PM_2.5 농도는 LES에서 수도권과 중부지역 등에서 높은 농도가 나타났다. 그리고 Ta는 다른 유형과 비교하여 LRT에서 기온이 비교적 낮게 분포하였고 LES 및 MIX의 경우 상대적으로 높게 나타난다. 지상 바람장은 지리적인 영향으로 유사한 서풍의 풍향을 나타내고 있으나 WS은 LRT에서 다소 강하였고 LES에서 약하였다. Rainfall은 고농도 사례에서 전체적으로 적은 0.05 mm h^-1 이하였으며 LRT보다 MIX나 LES일 때 남부해안 및 동해안을 중심으로 상대적으로 강수량이 증가되었다. 이는 대체로 한반도에 저기압이 위치하여 후면부를 따라 미세먼지가 장거리 수송되면서 한반도를 지나면서 나타나고, LES 및 MIX에는 저기압 후면부 또는 고기압에 미세먼지가 정체하기 때문에 강수량 차이가 나타나는 것으로 분석되었다. 한반도의 경우 다소 넓은 지역에서 지역적(지형고도와 도시, 해안 등)인 영향이 복합적으로 포함되었고 시간 지연 등의 영향으로 뚜렷한 관계성을 찾기는 어렵다.

수도권지역의 LRT는 대체로 황사와 같이 비교적 큰 미세먼지의 영향이 컸고 LES는 초미세먼지의 영향이 컸다. Ta는 다른 유형과 비교하여 LRT에서 낮았고 WS는 비교적 강하였고 PBLH는 높게 형성되었다. Rainfall은 적었으나 LRT일 때는 서울을 중심으로 강수가 나타났고 MIX과 LES일 때 서울 주변으로 강수가 나타났다. 수도권에서는 서울을 중심으로 나타나는 도시열섬 등 도시화 효과와 해륙풍이 일치되어 고농도 그리고 기상현상이 합쳐져 나타나는 것으로 분석된다.

수도권은 지리적인 한정으로 인하여 한반도 전역과 비교하여 기상변수는 국지적인 특징이 나타나고 있으며 평균값의 표준편차가 다소 감소되어 나타났다. 기상변수는 일주기성을 가지므로 Ta, RH, Pa, PBLH의 표준편차는 비교적 크게 나타나고 있고 황사사례를 제외하였을 때 LRT와 전체 평균(Mean)의 변화를 볼 수 있다. PM₁₀ 농도는 30 μg m^-3 이상 감소하였고 PM_2.5/PM₁₀은 0.07 이상 증가되어 LES와 MIX 유형과 유사한 범위를 나타냈다. LRT 사례의 기상변수의 평균은 변화하였으며 표준편차는 소폭 하락하여 통계적 유의성이 증가되었다. LRT의 Ta는 하강하여 LES와 MIX 사례의 차이가 증가하여 Ta가 낮을 때 LRT가 발생될 수 있음을 보였다. RH는 약 10% 증가되어 MIX와 LES 사례보다 더 높게 나타났다. Pa는 증가되어 한반도 또는 수도권에 고기압이 위치하였을 때 장거리 수송이 나타나는 것으로 분석된다. WS와 U-wind는 약화되었고 PBLH는 낮아져 LES일 때 형성되었던 PBLH보다 더 낮게 형성되었다. 한반도의 고농도 미세먼지 사례의 유형은 황사를 포함한 LRT와 LES 두가지 유형과 이들의 혼합된 형태(MIX)로 나타난다. 황사는 LRT 유형의 경우 PM₁₀ 농도와 밀접한 관계성을 보이고 있으며 대기질에서 다른 유형과 뚜렷한 차이를 보인다. 그러나 황사사례를 제외하였을 때는 대기질의 특징은 LRT와 다른 유형 차이는 감소하였으나 기상변수(Ta, RH, Pa, PBLH 등)는 더욱 강화되어 나타났다. 따라서 한반도 전지역의 특징은 수도권과는 지리적인 차이 그리고 국지적인 열환경 등을 고려해야 한다. 그리고 황사사례는 다른 유형으로 구분하는 것이 필요하고 이들의 영향을 고려하여 추가적인 연구가 진행되어야 한다. 또한, Table 1과 같이 사례의 유형에 따라 나타나는 월이 제한적이므로 기상변수의 계절성이 내포될 수 있다. 따라서 고농도 미세먼지의 정의를 보다 낮게 설정하여 사례수를 늘린다면 기후값에 대한 편차분석을 통하여 유의미한 특성을 도출할 것으로 사료된다.

Acknowledgments

본 연구는 2020년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 – 기후변화대응개발사업(NRF-2020M1A2A2083520) 지원을 받아 수행되었습니다.

References

Boo, K.-O., Y.-S. Chun, J.-Y. Park, H.-M. Cho, and W.-T. Kwon, 1999: The horizontal distribution of air temperature in Seoul using Automatic Weather Station data. J. Korean Meteor. Soc., 35, 335-343 (in Korean with English abstract).
Choi, W.-C., and K.-S. Cheong, 2021: Analysis of the factors affecting fine dust concentration before and after COVID-19. J. Korean Soc. Hazard Mitig., 21, 395-402 (In Korean with English abstract). [https://doi.org/10.9798/KOSHAM.2021.21.6.395]
Ghim, Y. S., Y. Choi, J. S. Park, and C. H. Kim, 2014: An assessment study for the urban air monitoring network in Seoul. J. Korean Soc. Atmos. Environ., 30, 504-509, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2014.30.5.504]
Hwang, S. E., B.-T. Kim, Y. T. Lee, S. S. Shin, and K. H. Kim, 2021: A comparative study of the atmospheric boundary layer type in the local data assimilation and prediction system using the data of Boseong standard weather observatory. J. Korean Earth Sci. Soc., 42, 504-513, (in Korean with English abstract). [https://doi.org/10.5467/JKESS.2021.42.5.504]
Jang, E., W. Do, G. Park, M. Kim, and E. Yoo, 2017: Spatial and temporal variation of urban air pollutants and their concentrations in relation to meteorological conditions at four sites in Busan, South Korea. Atmos. Pollut. Res., 8, 89-100. [https://doi.org/10.1016/j.apr.2016.07.009]
Jeong, J.-C., 2014: A spatial distribution analysis and time series change of PM₁₀ in Seoul city. J. Korean Assoc. Geogr. Inf. Studies, 17, 61-69, (in Korean with English abstract). [https://doi.org/10.11108/kagis.2014.17.1.061]
Jo, H.-J., and C.-H. Kim, 2013: Identification of long-range transported haze phenomena and their meteorological features over Northeast Asia. J. Appl. Meteorol. Clim., 52, 1318-1328. [https://doi.org/10.1175/JAMC-D-11-0235.1]
KECO, 2022: Final confirmation annual data download. Korea Environment Corporation [Available online at http://www.airkorea.or.kr/web/contents/contentView/?pMENU_NO=134&cntnts_no=8, ] (in Korean).
Kim, C. H., and Coauthors, 2016: Synoptic perspectives on pollutant transport patterns observed by satellites over East Asia: Case studies with a conceptual model. Atmos. Chem. Phys. Discuss. [https://doi.org/10.5194/acp-2016-673]
Kim, D.-J., G. Kang, D.-Y. Kim, and J.-J. Kim, 2020a: Characteristics of LDAPS-predicted surface wind speed and temperature at automated weather stations with different surrounding land cover and topography in Korea. Atmosphere, 11, 1224. [https://doi.org/10.3390/atmos11111224]
Kim, M., S. Lee, Y. Cho, J.-H. Koo, S. S. Yum, and J. Kim, 2020b: The relationship of particulate matter and visibility under different meteorological conditions in Seoul, South Korea. Atmosphere, 30, 391-404, (in Korean with English abstract).
Kim, M.-H., and Coauthors, 2015: Estimation of particle mass concentration from lidar measurement. Atmosphere, 25, 169-177, (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2015.25.1.169]
Koo, J.-H., S. Lee, M. Kim, J. Park, S. A. Jeon, H. Noh, J. Kim, and Y. G. Lee, 2018a: Comparison of ground-based particulate matter observations in the Seodaemun-gu district, Seoul. Atmosphere, 28, 469-477, (in Korean with English abstract).
Koo, Y.-S., H.-Y. Yun, D.-R. Choi, J.-S. Han, J.-B. Lee, and Y.-J. Lim, 2018b: An analysis of chemical and meteorological characteristics of haze events in the Seoul metropolitan area during January 12-18, 2013. Atmos. Environ., 178, 87-100. [https://doi.org/10.1016/j.atmosenv.2018.01.037]
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, Y. H., Y. Choi, and Y. S. Ghim, 2016: Classification of diurnal patterns of particulate inorganic ions downwind of metropolitan Seoul. Environ. Sci. Polout. Res. Int., 23, 8917-8928. [https://doi.org/10.1007/s11356-016-6125-3]
Park, C.-S., 2017: Variations of PM₁₀ concentration in Seoul during 2015 and relationships to weather condition. J. Assoc. Korean Photo-Geographers, 27, 47-64, (in Korean with English abstract). [https://doi.org/10.35149/jakpg.2017.27.2.004]
Park, I.-S., M.-S. Park, Y. W. Jang, H.-K. Kim, C.-K. Song, J. S. Owen, S.-H. Kim, C.-R. Cho, and C.-H. Kim, 2020: Impact comparison of synoptic meteorology and nationwide/local emissions on the Seoul Metropolitan Area during high PM multi-event and non-event days, Asian J. Atmos. Environ., 14, 263-279. [https://doi.org/10.5572/ajae.2020.14.3.263]
Park, I.-S., and Coauthors, 2021: Meteorological characteristics during periods of greatly reduced PM_2.5 concentrations in March 2020 in Seoul. Aerosol Air Qual. Res., 21, 200512. [https://doi.org/10.4209/aaqr.200512]
Seo, Y.-H., M.-S. Ku, J.-W. Choi, K.-M. Kim, S.-M. Kim, K.-H. Sul, H.-J. Jo, S.-J. Kim, and K.-H. Kim, 2015: Characteristics of PM_2.5 emission and distribution in a highly commercialized area in Seoul. J. Korean Soc. Atmos. Environ., 31, 97-104, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2015.31.2.097]
Song, J. I., and S. S. Yum, 2019: An assessment of the effectiveness of cloud seeding as a measure of air quality improvement in the Seoul metropolitan area, Atmosphere, 29, 609-614, (in Korean with English abstract).
Stein, A. F., R. R. Draxler, G. D. Rolph, B. J. B. Stunder, M. D. Cohen, and F. Ngan, 2015: NOAA's HYSPLIT atmospheric transport and dispersion modeling system. Bull. Amer. Meteor. Soc., 96, 2059-2077. [https://doi.org/10.1175/BAMS-D-14-00110.1]
Yang, X., and Coauthors, 2018: Aircraft measurement over the Gulf of Tonkin capturing aloft transport of biomass burning. Atmos. Environ., 182, 41-50. [https://doi.org/10.1016/j.atmosenv.2018.03.020]

Date	PM₁₀	PM_2.5	Category	Date	PM₁₀	PM_2.5	Category
20150105	86.253	50.087	MIX	20180118	91.822	62.609	MIX
20150116	84.622	52.976	MIX	20180120	93.024	57.234	LRT
20150204	83.620	52.847	MIX	20180121	82.753	54.196	LRT
20150205	88.335	54.546	MIX	20180223	80.405	55.763	LRT
20150215	93.547	54.367	LRT	20180224	78.388	53.082	MIX
20150223	384.304	53.774	LRT	20180227	80.558	52.404	MIX
20150317	119.643	57.734	LRT	20180312	92.795	59.432	MIX
20150321	133.298	51.289	LRT	20180324	94.193	68.296	MIX
20150322	144.051	50.703	LRT	20180325	101.211	76.893	MIX
20150331	101.486	53.111	LRT	20180326	80.904	52.002	MIX
20150714	77.036	52.721	MIX	20181106	82.605	58.173	LRT
20151019	85.687	52.392	MIX	20181107	69.647	50.895	LES
20151020	101.225	64.957	MIX	20181220	81.565	50.913	LRT
20151021	112.627	71.132	MIX	20181221	85.578	53.785	MIX
20151022	88.800	52.238	MIX	20181222	80.156	56.128	MIX
20151224	79.559	50.461	LRT	20190112	79.538	57.574	LRT
20160103	77.875	51.535	LRT	20190113	97.493	71.592	LRT
20160104	79.534	54.755	LRT	20190114	129.584	97.499	LRT
20160116	79.241	53.878	LRT	20190115	116.714	76.477	LRT
20160227	78.822	52.551	LRT	20190119	84.664	58.075	LRT
20160314	75.419	50.254	LES	20190221	78.163	59.946	LRT
20160329	89.211	50.259	MIX	20190222	74.732	55.585	LRT
20160410	116.949	53.035	LRT	20190225	73.080	50.950	MIX
20160423	187.094	51.294	LRT	20190228	88.409	60.392	MIX
20160526	90.865	62.410	LES	20190301	124.224	87.068	LRT
20160527	83.823	54.867	LES	20190302	111.793	76.316	MIX
20161118	89.297	54.697	LES	20190303	90.026	62.536	MIX
20161205	89.521	60.012	MIX	20190304	125.694	86.6662	MIX
20170102	85.642	56.679	MIX	20190305	154.973	108.953	MIX
20170103	82.247	55.522	MIX	20190306	125.315	89.444	LES
20170118	91.625	66.400	LES	20190320	81.171	55.084	MIX
20170119	104.638	77.405	LES	20191210	82.227	56.614	MIX
20170204	85.709	60.140	LES	20200202	69.153	52.742	LRT
20170312	78.31	52.849	MIX	20201211	72.905	52.382	MIX
20170319	76.107	50.832	LRT	20210207	77.393	50.441	LRT
20170320	90.989	59.873	LES	20210212	68.601	50.578	LES
20171223	83.783	60.459	LRT	20210213	70.383	52.445	LES
20171224	65.413	50.890	LRT	20210214	69.548	53.202	LES
20171229	88.149	61.354	MIX	20210311	79.171	53.165	LRT
20171230	111.905	83.376	MIX	20210329	394.534	69.270	LRT
20180114	64.517	51.124	LRT	20210507	243.880	57.109	LRT
20180116	89.519	69.506	MIX	20210508	357.055	79.021	LRT
20180117	68.633	56.522	MIX

	Korean Peninsula
	LRT	MIX	LES	Mean
SO₂ (ppm)	0.005 (0.003) 0.005 (0.002)	0.005 (0.003)	0.005 (0.002)	0.005 (0.003) 0.005 (0.002)
CO (ppm)	0.728 (0.234) 0.774 (0.231)	0.746 (0.234)	0.779 (0.220)	0.751 (0.233) 0.771 (0.230)
O₃ (ppm)	0.026 (0.014) 0.0.24 (0.014)	0.025 (0.015)	0.025 (0.015)	0.025 (0.015) 0.024 (0.015)
NO₂ (ppm)	0.030 (0.014) 0.031 (0.013)	0.034 (0.014)	0.034 (0.014)	0.032 (0.014) 0.033 (0.014)
PM₁₀ (μg m^-3)	124.122 (91.673) 86.137 (27.357)	86.100 (28.637)	90.722 (24.759)	104.468 (65.019) 88.185 (27.533)
PM_2.5 (μg m^-3)	60.822 (23.907) 60.347 (21.891)	60.130 (22.344)	62.681 (20.063)	61.452 (22.724) 61.327 (21.800)
PM_2.5/PM₁₀	0.609 (0.155) 0.686 (0.108)	0.706 (0.097)	0.680 (0.097)	0.653 (0.129) 0.687(0.102)
Ta (^oC)	6.768 (4.884) 5.055 (4.564)	8.468 (4.235)	7.315 (5.029)	7.267 (4.675) 6.701 (4.602)
RH (%)	59.763 (19.363) 66.104 (15.919)	64.212 (18.192)	64.104 (16.780)	62.192 (18.574) 64.854 (17.150)
Pa (hPa)	1011.695 (8.276) 1014.153 (7.597)	1012.181 (7.282)	1011.919 (7.701)	1012.456 (7.806) 1013.140 (7.518)
Rainfall (mm)	0.030 (0.232) 0.029 (0.224)	0.048 (0.241)	0.040 (0.262)	0.037 (0.240) 0.038 (0.239)
WS (m s^-1)	1.579 (1.009) 1.420 (0.926)	1.237 (0.944)	1.437 (0.812)	1.466 (0.957) 1.394 (0.916)
U-wind (m s^-1)	0.527 (1.051) 0.392 (0.955)	0.028 (0.982)	0.356 (0.797)	0.377 (1.003) 0.309 (0.958)
V-wind (m s^-1)	-0.074 (1.010) -0.182 (0.927)	-0.229 (0.945)	-0.082 (0.797)	-0.103 (0.952) -0.145 (0.914)
PBLH (m)	320.527 (279.451) 293.866 (253.347)	270.183 (265.300)	298.216 (263.938)	303.135 (271.423) 291.606 (260.927)

	Seoul Metropolitan Area
	LRT	MIX	LES	Mean
SO₂ (ppm)	0.005 (0.002) 0.005 (0.002)	0.005 (0.002)	0.006 (0.002)	0.005 (0.002) 0.005 (0.002)
CO (ppm)	0.770 (0.236) 0.820 (0.230)	0.783 (0.218)	0.863 (0.218)	0.810 (0.228) 0.833 (0.223)
O₃ (ppm)	0.023 (0.013) 0.021 (0.013)	0.021 (0.014)	0.020 (0.014)	0.022 (0.014) 0.021 (0.014)
NO₂ (ppm)	0.035 (0.014) 0.037 (0.014)	0.038 (0.014)	0.042 (0.013)	0.038 (0.014) 0.039 (0.014)
PM₁₀ (mg m^-3)	133.179 (96.031) 92.329 (28.707)	92.195 (28.145)	104.174 (25.233)	114.750 (67.526) 97.610 (28.146)
PM_2.5 (μg m^-3)	64.449 (24.430) 64.804 (22.950)	63.424 (22.264)	72.997 (19.882)	67.749 (23.084) 68.201 (22.339)
PM_2.5/PM₁₀	0.609 (0.154) 0.689 (0.103)	0.705 (0.092)	0.695 (0.095)	0.659 (0.127) 0.694 (0.097)
Ta (^oC)	6.142 (4.870) 4.439 (4.568)	8.029 (4.181)	6.542 (5.038)	6.616 (4.656) 6.062 (4.588)
RH (%)	57.235 (20.743) 65.771 (16.495)	64.053 (19.649)	61.957 (17.537)	60.167 (19.918) 63.721 (18.204)
Pa (hPa)	1012.134 (7.387) 1015.472 (6.208)	1013.019 (6.820)	1012.862 (6.642)	1012.575 (7.050) 1013.817 (6.629)
Rainfall (mm)	0.031 (0.219) 0.030 (0.204)	0.029 (0.199)	0.031 (0.160)	0.031 (0.202) 0.031 (0.194)
WS (m s^-1)	1.425 (0941) 1.247 (0.820)	1.092 (0.804)	1.205 (0.666)	1.281 (0.851) 1.199 (0.787)
U-wind (m s^-1)	0.501 (0.990) 0.379 (0.870)	0.060 (0.858)	0.368 (0.778)	0.374 (0.911) 0.315 (0.852)
V-wind (m s^-1)	0.027 (0.891) -0.083 (0.785)	-0.134 (0.755)	0.025 (0.652)	0.000 (0.802) -0.043 (0.749)
PBLH (m)	323.223 (264.100) 296.918 (242.523)	284.192 (249.321)	296.352 (257.644)	305.675 (257.278) 294.275 (248.533)