[붙임] 연구결과 개요

1.연구배경

기후변화로 인해 전 세계적으로 오존 오염이 심화되면서, 이는 인간 건강과 생태계에 부정적인 영향을 미치는 주요 환경 문제로 대두되고 있다. 특히, 동아시아 지역은 지표면 오존 농도가 지속적으로 증가하는 대표적인 지역 중 하나로, 효과적인 오존 오염 관리를 위해 지속적인 모니터링이 필수적이다. 현재 대부분의 위성 기반 지표면 오존 추정 연구는 오존 농도가 가장 높은 낮 시간대의 추정에 집중되거나, 구름으로 인한 결측이 존재하는 한계를 갖고 있다. 그러나 최근 여러 관측소에서 밤시간에도 오존 농도가 증가하는 현상이 보고되고 있어, 24시간 동안 결측없이 지표면 오존 농도를 모니터링할 수 있는 기술 개발이 필요하다.

2.연구내용

본 연구에서는 위성, 수치모델, 지상 관측 자료를 활용하여 동아시아 지역을 대상으로 한 기계학습 기반 지표면 오존 농도 추정 모델을 개발하였다. 구름 조건에 따라 개별 모델을 구축한 후 이를 융합하여, 최종적으로 구름에 의한 결측 없이 24시간 동안 연속적인 고해상도 지표면 오존 분포를 산출할 수 있도록 하였다. 본 연구의 주요 내용은 다음과 같다.

첫째, 본 연구에서 개발된 기계학습 기반 지표면 오존 추정 모델의 산출물을 대기화학 분야에서 널리 활용되는 글로벌 대기질 재분석 자료인 ECMWF CAMS (European Centre for Medium-range Weather Forecasts Copernicus Atmosphere Monitoring Service)와 비교하여, 고농도 오존 사례에서의 성능을 평가하였다. CAMS는 전 지구 규모에서 약 80 km 공간 해상도의 오존 농도 분포를 3시간 간격으로 제공하는 반면, 본 연구에서 개발한 모델은 동아시아 지역을 대상으로 2 km 공간 해상도의 고해상도 분포를 1시간 간격으로 산출할 수 있다. 이를 통해, 기존 수치모델이 포착하지 못하는 미세한 지표면 오존 농도 시공간적 변동을 보다 정밀하게 파악할 수 있다(그림 2).

두 번째로, 설명 가능한 인공지능(eXplainable Artificial Intelligence; XAI) 기법을 활용하여 개발된 기계학습 모델에서 각 입력 변수가 예측값 산출에 미치는 영향을 분석하였다. 특히, 널리 사용되고 있는 XAI 기법인 SHAP(SHapley Additive exPlanations) 값을 픽셀 단위로 추출하여, 예측 결과에서의 공간적 기여도를 정량적으로 평가하였다. 분석 결과, Himawari-8 위성의 밝기 온도(Brightness temperature) 변수는 다른 저해상도 입력 변수와 비교하여 고해상도의 지표면 오존 농도 추정에 가장 중요한 기여를 하는 것으로 나타났다(그림 3).

세 번째로, 고농도 오존 오염 지역을 중심으로 도심과 농촌 지역 간 지표면 오존의 체류 시간에서 차이가 존재함을 확인하였다. 그림 1은 도심과 농촌 지역의 시간별 평균 오존 농도 및 대기환경기준을 초과하는 영역(픽셀 수)을 나타낸다. 도심 지역에서는 낮 동안 오존 농도가 급격히 증가한 후, 밤 시간대에 빠르게 감소하는 경향을 보였다. 반면, 농촌 지역에서는 낮 동안 상승한 오존 농도가 밤까지 지속적으로 체류하며 상대적으로 높은 농도를 유지하는 패턴이 확인되었다. 또한, 도심 지역 뿐만 아니라 농촌 지역에서도 대기환경기준을 초과하는 사례가 빈번하게 발생하는 것을 확인하였다. 이러한 결과는 오존 오염이 도심 지역에 국한되지 않으며, 농촌 지역에서도 체계적인 모니터링과 저감 대책이 필요함을 시사한다.

3.기대효과

대기오염 관리 및 건강 영향 평가를 위한 가이드라인, 한-중 간 지표면 오존 오염 특성 분석 등에 활용 될 수 있을것으로 기대된다.

[붙임] 용어설명

1.오존 (Ozone, O₃)

산소 원자 3개로 이뤄진 기체. 성층권에서는 자외선을 차단해주는 ‘좋은 오존’이지만, 지표면 근처에서는 사람과 생태계에 해로운 ‘나쁜 오존’으로 작용한다. 기온이 높고 햇빛이 강한 조건에서 자동차 배기가스, 산업 공정 등에서 배출되는 오염물질과 반응해 생성되는 2차 오염물질이다.

2.전천후 (All-sky)

맑은 날이든 흐린 날이든, 구름의 유무와 상관없이 관측이 가능한 상태 또는 기술을 뜻함. 본 연구에서는 구름으로 인해 위성 관측이 어려운 조건에서도 오존 농도를 추정할 수 있는 AI 모델을 의미함.

3.해상도 (Resolution)

공간을 얼마나 촘촘하게 나눠서 데이터를 수집·분석하는지를 나타내는 단위. 본 연구에서는 2 km 해상도로 오존 농도를 정밀하게 분석함. (기존 글로벌 대기질 재분석 자료(ECMWF CAMS global reanalysis)는 약 80 km 해상도를 가짐)

4.정지궤도 위성 (Geostationary Satellite)

적도 상공 약 3만6천 km 궤도에 위치한 위성으로, 지구 자전 속도와 동일한 속도로 움직여 특정 지역을 지속적으로 관측할 수 있음. 본 연구에서는 Himawari-8 위성이 사용됨.

5.Himawari-8

일본 기상청이 운영하는 정지궤도 기상위성으로, 10분 간격으로 동아시아 전역의 기상과 복사 정보를 고해상도로 제공함.

6.밝기온도 (Brightness Temperature)

위성 센서가 지표나 대기에서 나오는 적외선 복사 에너지를 감지해 온도처럼 환산한 값. 실제 온도와 다를 수 있지만, 대기의 열 상태, 구름 유무, 햇빛 세기 등을 반영하는 간접 지표로 활용되면, 개발된 AI는 밝기온도를 단서로 삼아 오존 농도가 높아질 가능성을 예측함.

7.설명 가능한 인공지능 (Explainable AI, XAI)

AI가 예측을 내릴 때 어떤 정보를 얼마나 참고했는지를 사람도 이해할 수 있게 설명해주는 기술. 본 연구에서는 SHAP 기법을 활용해, 밝기온도가 오존 예측에 가장 큰 영향을 준 변수임을 시각적으로 분석함.

8.SHAP (SHapley Additive exPlanations)

각 입력 정보가 AI 예측에 얼마나 기여했는지를 수치로 계산해주는 설명 기법. 예측 결과를 투명하게 해석할 수 있게 해줌.

[붙임] 그림설명

그림 1. 도심과 농촌 지역의 시간대별 오존 농도 및 기준 초과 분포 비교. 고농도 오존 오염 지역을 중심으로 도심과 농촌 지역 간 시간별 평균 지표면 오존 농도 및 1시간 대기환경기준(100 ppb)을 초과하는 영역(픽셀 수)의 변화를 보면, 도심 지역에서는 낮 동안 오존 농도가 빠르게 증가한 뒤 밤에는 급격히 감소하는 반면, 농촌 지역에서는 낮에 생성된 오존이 밤까지 장시간 머무르며 상대적으로 높은 농도를 유지하는 패턴이 나타났다. 실제로, 밤 시간대(21~01시)에도 농촌 지역의 일부에서는 환경 기준(1시간 평균 100ppb)을 초과한 픽셀 수가 도심보다 많은 경우도 관측되었다. 이는 기존 지상 관측소로는 확인하기 어려운 지역별 오존 체류 특성을 정량적으로 보여준 사례다.

그림 2. 기존 모델과 개발된 모델의 오존 모니터링 성능 비교. 연구 기간 동안 일 평균 지표면 오존(O3) 농도가 가장 높았던 2022년 5월 18일에 대해 기계학습 기반 O3 추정 모델(왼쪽)과 ECMWF CAMS(오른쪽)에서 산출한 3시간 간격 지표면 오존 분포 비교.

그림 3. 동아시아 오존 추정 및 주요 입력 변수의 공간적 영향 분석 결과 (a) 2022년 5월 17일 03:00 UTC의 기계학습 기반 청천 모델 산출 영역(하늘색), (b) 높은 산출 커버리지를 보이는 지역에서의 추정된 지표면 오존(O3) 분포. 청천 모델에서 SHAP(SHapley Additive exPlanations) 분석을 통해 식별된 상위 3개 변수의 (c–e) 원래 값 분포, (f–h) SHAP 값 분포. (c), (d), (e)는 각각 Himawari-8 AHI Band 14(B14), ERA5-Land 온도, ERA5 행성 경계층 높이(PBLH)의 공간 분포를 나타내며, (f), (g), (h)는 해당 변수들의 SHAP 값 분포를 나타냄.