발간등록번호 NEIR NO. 2009-86-1142 11-1480523-000571-01 수도권대기개선대책 시행에 따른 대기오염도 평가 방법 개발(Ⅰ) 기후대기연구부 대기공학연구과 이대균, 이용미, 유철, 이미향, 한종수, 홍지형 Development of air quality assessment methods for evaluating air pollution level in the Seoul metropolitan area(Ⅰ) Daegyun Lee, Yongmi Lee, Chul Yoo, Mihyang Lee, Songsoo Han, Jihyung Hong Air Pollution Engineering Division Climate and Air Quality Research Department National Institute of Environmental Research 2010
목 차 목 차 목 차 ⅰ 표 목 차 ⅱ 그 림 목 차 ⅲ Abstract ⅳ Ⅰ. 서 론 1 Ⅱ. 연구내용 및 방법 2 1. 대기질 모델링 시스템 2 가. 기상 모델(MM5) 2 나. 배출 모델(SMOKE) 2 다. 대기질 모델(CMAQ) 3 2. 모델링 수행 조건 3 가. 사례일 선정 3 나. 모델링 수행 조건 5 (1) 기상모델 수행 조건 5 (2) SMOKE 및 대기질 모델 수행 조건 6 3. 모델링 결과 분석 방법 9 4. Interactive Data Language(IDL) 11 Ⅲ. 연구결과 및 고찰 12 1. 모델링 정합도 분석 12 가. 기상장 수치모의 결과 12 나. 대기질 분석 결과 13 2. 기상 모델링 입력 자료 차이에 의한 대기오염도 모사 결과 13 가. 모델링 시나리오 13 (1) 기상모델링 초기 및 경계 입력자료 14 (2) 객관 분석 16 나. 기상 모델링 결과 17 다. 대기질 모델링 결과 23 3. 대기모델링 자료처리 프로그램 개발 결과 26 Ⅳ. 결 론 28 참 고 문 헌 29 ⅰ
목 차 표 목 차 <표 1> The configuration of MM5 6 <표 2> Examples of SCC mapping for temporal profiles 7 <표 3> Examples of SCC mapping for chemical speciation profiles 7 <표 4> The physical and chemical configuration for CMAQ and SMOKE 9 <표 5> Criteria for Ozone statistical analysis by U.S. EPA 10 <표 6> Criteria for Ozone statistical analysis by Air Resource Board 10 <표 7> Criteria for meteorological data statistical analysis by California A Resources Board and South Coast Air Quality Management District 10 <표 8> Statistical performance of predicted meteorological result 12 <표 9> Statistical performance of predicted air quality result 13 <표 10> Modeling Scenarios for MM5 and CMAQ 14 <표 11> Statistical performance of observed and predicted temperature according to scenarios 18 <표 12> Same as Table 11, but wind direction 19 <표 13> Same as Table 11, but wind speed 20 <표 14> Same as Table 11, but Ozone concentration 24 <표 15> Two-way ANOVA test according to meteorological scenarios and regions 25 <표 16> Correlation analysis of ozone conc. according to meteorological scenarios 26 <표 17> Example of Air Quality Modeling Data Processing System : jcmaq_data.pro 27 ii
목 차 그 림 목 차 <그림 1> Weather maps at (a) 00UTC on 18 June., (b) 00UTC on 19 June 4 <그림 2> Hourly variation of meteorological factors observed at Seoul weather station for 16~21 June, 2007 4 <그림 3> Modeling domains 5 <그림 4> Modified MM5 vertical layers 5 <그림 5> Modified CMAQ vertical layers 8 <그림 6> Flow chart of RDAPS system 15 <그림 7> Schematic of the main components of the NCEP/NCAR reanalysis system and their state of readiness on January 1995 16 <그림 8> Time series of observed and predicted temperature according to scenarios 21 <그림 9> Same as Figure 8, but wind speed 22 <그림 10> Timeseries of Ozone concentrations in comparison between CASE2 and CASE3 24 iii
Abstract Abstract On December 2003, The Central Government legislated Special Act to improve deteriorating air pollution levels in the Seoul Metropolitan area and this Special Act has been in force until now. In order to implement Special Act, the Central Government should establish basic plan every 10 years and the Local Government of Seoul, Incheon, Gyeonggi should develop comprehensive implementation plan to reduce serious local emissions and meet the target concentration of Special Act. Although 2007 implementation reports submitted from three local government shows large amounts of air emission reductions, it is not easy to detect its impact on air quality when analysing the database from continuous ambient monitoring stations. Air quality modeling, therefore, can be utilized to investigate the effects of local government's efforts according to control strategies or measures. Using the air quality model, we can see how and where decreased emissions affects air quality levels in the region and we can determine whether or not the implementation plan should be revised. A number of questions, however, has been raised concerning transparency and consistency of modeling results. Without dealing with these questions, we can not expect improvement of reliability and utilizability of air quality modeling. In this study, we tried to establish standardized air quality modeling system to ensure transparency and consistency of modeling results. For this purpose, we reviewed basic model configurations such as domains, horizontal and vertical resolutions, and so on and developed linking method between national air pollutants emissions and emission model. We, also, analyzed the effects of meteorological fields to establish meteorological modeling methodology and developed air quality modeling data processing system to process huge amounts of input/output data with ease and effectively. iv
Ⅰ. 서 론 Ⅰ. 서 론 수도권지역의 심각한 대기환경을 개선하기 위하여 2003년 12월 수도권대기 환경개선에관한특별법(이하 특별법 )이 제정되어 시행되고 있으며, 정부에서는 10년 마다 수도권대기환경관리 기본계획을 수립하고, 지자체에서는 이를 시행하기 위한 세부시행계획을 수립하여 매년 시행계획 추진 실적을 보고하고 있다. 2007년 지자체 시행계획 추진실적 보고서를 살펴보면 수도권 대기오염물질 배출량이 삭감된 것을 확인할 수 있으나 대기오염자동측정망을 이용한 대기질 분석을 통해서는 이러한 효과를 직접적으로 확인 할 수 없었다. 이에 따라 수도권 대기질개선특별대책 추진에 따른 대기오염도의 현상을 실제적으로 파악하고 추진 실적에 따른 정책효과를 과학적으로 파악하기 위하여 대기질 모델링이 필 요한 실정이다. 그러나, 그간 대기질 모델링 결과에 대한 투명성 및 일관성에 대한 문제점이 끊임없이 제기되어 왔으며, 이를 해결하지 않고서는 모델링 결과에 대한 신뢰도 및 활용도 향상을 기대할 수 없게 되었다. 본 연구에서는 그동안의 단편적인 대기질 모델링 연구추진 방식을 탈피하 여, 투명성 및 일관성이 확보된 표준화된 대기질 모델링 시스템을 구축하고자 하였다. 이를 위하여, 대기질 모델링의 기본설정 확립, 표준 배출량 자료 구축, 기상 모델링 방법론 정립 및 표준화된 자료처리 시스템을 개발하고자 하였다. 특히, 대기질 모델링의 원점, 모델링 영역, 수평 및 연직 격자 해상도 등의 재검토를 통하여 대기질 모델링의 기본설정을 확립하고자 하였으며, 국가 대기오염물질 배출량을 산정하는 대기정책지원시스템과 모델 입력용 배출량을 생성하는 배출량산정시스템과의 연계방안 마련을 통하여 모델용 표준 배출량 자료를 구 축하고자 하였다. 또한, 기상 모델링 방법론 정립을 위하여, 기상 모델링의 입 력자료로 사용되는 초기장과 기상 모델링 결과향상을 위한 객관분석 시 사용되 는 관측값 변경에 따른 기상 및 대기질 모델링 결과에의 영향을 분석하였다. 마 지막으로, 방대한 모델링 입 출력 자료를 보다 효율적으로 처리하기 위하여 대기 모델링 자료처리 시스템을 개발하고자 하였다. 1
Ⅱ. 연구내용 및 방법 Ⅱ. 연구내용 및 방법 1. 대기질 모델링 시스템 가. 기상 모델(MM5) 본 연구에서는 미국을 포함한 세계 각국에서 기상예보를 위해 사용하고 있 는 MM5 모델을 사용하였다. MM5는 Penn State University(PSU)/National Center for Atmospheric Research (NCAR)의 Mesoscale Model로서 3차원 대기 역학 모델이다. 초기에는 중규모 기상 예측에 주로 사용되었으나 최근 중규모 와 미기상 현상에도 적용 가능하도록 되었다(Dudhia, 1993). 처음 개발된 이 후 다중 격자구조, 비정역학, 4차원 자료동화와 복사, 대류, 난류, 복사파 항력, 지 표 등 물리적 과정을 선택적으로 모사할 수 있도록 하였다. MM5 모델은 기본 적으로 TERRAIN, REGRID (PREGRID, REGRIDDR), RAWINS/LITTLE_R, INTERPF, MM5 과정으로 구성되어 있다. 나. 배출 모델(SMOKE) 배출모델은 배출목록을 기본으로 대기질 모델에 알맞은 배출량 입력 자료를 생 성하기 위한 도구로써 대기질 모델을 운영하기 위해서 반드시 필요하다. 일반적 으로 배출모델은 배출원별 연간 배출량 자료로 구성된 배출목록을 바탕으로 격자 별(gridded), 시간별(hourly), 종분화된(speciated) 배출량을 생성한다. Sparse Matrix Operator Kernel Emissions (SMOKE)는 MCNC의 Environmental Modeling Center 에서 개발되어 1996년부터 대기질 모델의 배출량 처리 도구로써 사용되어져 오고 있다. 미국 EPA에서는 1998년부터 2년에 걸쳐 SMOKE를 재구성하여 현재 CMAQ 의 배출모델로 사용하고 있다. SMOKE는 대기 화학 모델에서 중요한 입력 변수인 배출량 자료를 처리하는 모델로써 토지 피복자료, 기상자료, 배출목록 자료를 입력 자료로 사용하여 점, 면, 이동, 자연 배출원 등 각 배출원별로 배출량을 산출할 수 있도록 구성되어 있다. 또한 대기질 모형에서 사용되는 CB-IV, RADM, SAPRC 등 의 다양한 화학 반응 메카니즘의 화학종으로 구분할 수 있는 기능이 포함되어 있다. SMOKE는 점, 선, 면, 자연 오염원에 대해서 각각 배출량을 산정하여 최종적으로 이들을 합쳐 대기질 모델에 필요한 입력자료를 생성하게 된다. 2
Ⅱ. 연구내용 및 방법 다. 대기질 모델(CMAQ) CMAQ은 1998년 6월에 1차 공식 버전이 발표되었으며 현재도 활발하게 개선 되고 있는 모델이다. 이 모델은 주모델을 실행하기 위한 전처리 모델과 주모델인 화학수송 모델인 CMAQ Chemical Transport Model (CCTM)으로 구성되어 있 다. 전처리 모델은 기상장 처리 모델인 Meteorology Chemistry Interface Processor (MCIP), 배출량 처리 모델인 SMOKE, 광해리율 산출 모델인 The clear-sky photolysis rate calculator (JPROC), 초기 조건을 생성하는 Initial CONditions processor (ICON)과 경계조건을 생성하는 Boundary CONditions processor (BCON) 등 5가지 과정으로 구성되어 있다. Models-3/CMAQ의 중요 한 특징은 모델의 구성 요소로 화학반응, 이류, 확산 등에 대한 최신 이론을 반 영한 알고리즘을 모듈화하여 모델 안에 포함되어, 사용자가 필요에 따라 선택하 여 모델을 구성할 수 있도록 했다는 점이다. 또 다른 특징은 모델링 영역의 규 모가 다양하여 국지규모에서 지역규모까지 동시에 다양한 모델링이 가능하며, 황화합물이나 오존뿐만 아니라 최근 들어 기후적 측면과 국지오염 측면에서 중 요한 에어로졸도 동시에 고려할 수 있도록 하였다. 2. 모델링 수행 조건 가. 사례일 선정 본 연구는 기상 모델의 입력 자료 변경에 따른 정확도 향상 결과를 평가하 기 위해 오존의 고농도 사례일을 이용하여 기상 및 대기질 모델을 수행하였다. 오존의 고농도 사례일을 선정하기 위해서 2007년도 고농도 오존 발생을 분석하 였다. 2007년의 오존 주의보 및 경보 발령 횟수는 서울 23회, 인천 11회, 경기 16회로 전년도의 수도권지역 총 21회의 발령횟수에 보다 크게 증가한 수치이 다. 이 중 연속되는 고농도 오존 사례일인 2007년 6월 18일과 19일을 포함한 2007년 6월 10일 12:00UTC에서 2007년 6월 25일 00:00UTC까지를 모델링 사례 일로 선정하였다. 고농도 오존은 오존 전구물질의 배출량과 기상 등의 많은 요인 등에 밀접한 관계가 있다. 특히 수도권 지역의 광화학 오존의 생성은 풍속이 낮고, 기온과 일사량이 높으며, 고온의 난기류가 유입된 후 기단이 정체 될 경우 높은 지표 3
Ⅱ. 연구내용 및 방법 오존 농도 값을 나타낸다고 하였다(정용승 등, 1991). 따라서 그림 1와 같이 사 례일의 일기도를 통해 고기압의 지속적인 영향으로 인한 맑은 날씨가 지속되고 있는 것을 확인하였다. 또한 지상관측자료를 이용한 분석결과, 18일과 19일 일 평균 풍속이 모두 약 2m/s내외의 약한 바람을 나타냈으며, 기온은 서울, 인천, 경기 모두 평년 기온 보다 약간 높은 23~27 사이를 나타냈다. 일평균 전운 량은 3이하였으며, 일사량도 1.5MJ/m2 내외로 비교적 구름이 없는 맑은 날씨로 나타났다. 상대습도도 16일과 17일 모두 60%내외로 분석되었다(그림 2). (a) 2007/06/18 00:00 UTC(09KST) (b) 2007/06/19 00:00 UTC(09KST) <그림 1> Weather maps at (a) 00UTC on 18 June., (b) 00UTC on 19 June <그림 2> Hourly variation of meteorological factors observed at Seoul weather station for 16~21 June, 2007 4
Ⅱ. 연구내용 및 방법 나. 모델링 수행 조건 (1) 기상모델 수행 조건 본 연구의 계산 영역은 Lambert Conformal (LC) 격자 투영법을 이용하였으 며 모델영역을 수평적으로 27km, 9km, 3km로 둥지화(nesting)하여 대규모 영 역부터 관심영역까지 계산하고 경계의 feed-back을 허용하는 two-way interacting nested grid system을 적용 하였다. 첫 번째 모델링 영역(domain) 은 동북아시아를 포함하도록 구성 하고 2개의 둥지격자를 구성하여 수도권 영 역을 충분히 포함하도록 마지막 도메인을 설정하였다(그림 3). 본 연구에서는 연직으로는 지표 근처의 대기질을 보다 세밀한 모사를 위하여 기존에 33개의 시그마 층에서 43개의 시그마 층으로 변경하였으며, 최상층의 압력은 5000 Pa 로 설정하였다. 이러한 연직층 분포 변경은 지표 부근을 보다 세밀하게 나누어 모사하였으며, 상위 층으로 갈수록 점차 넓은 연직분포를 사용하여 수직 혼합 에 따른 대기확산의 보다 정확하게 모사하도록 조정하였다. 연직층 설정 변경 으로 보다 연직층 분포의 차이를 가시적으로 나타낸 것은 그림 4와 같다. * Dotted line is SMOKE & CMAQ domain <그림 3> Modeling Domains <그림 4> Modified MM5 vertical layers 본 연구의 모델 수행 시 사용된 물리 과정은 표 1과 같다(Dudhia, 1996). 수 치모의에 사용된 중규모 모델의 초기 및 경계입력 자료는 National Centers for Environmental Prediction/National Center for Atmospheric Research 5
Ⅱ. 연구내용 및 방법 (NCEP/NCAR)의 Reanalysis Data와 기상청의 Regional Data Assimilation and Prediction System (RDAPS)을 이용하였다. 본 연구에서 사용된 지형자료 는 USGS DEM-30seconds 자료와 함께 환경부에서 제공하는 90m 간격의 DEM 자료를 세 번째 모델링영역에 삽입하여 실제 지형을 표현하였다. USGS 30초 지형자료와 함께 MM5에서는 같은 간격의 토지 이용도 자료를 이용한다. 이때, 보다 상세한 모사를 위해 환경부에서 제공하는 30m 대분류 토지피복자료를 이용하 여 도메인3의 토지이용도를 개선하였다. <표 1> The configuration of MM5 Domain 1 Domain 2 Domain 3 Horizontal Grid 109 109 82 85 64 67 Resolution (km) 27 9 3 Grid Center(km) -1,458-1,458-243 -540-9 -144 Vertical Grid 43 Layers Grell cumulus parameterization Eta PBL scheme Physical option Mixed phase scheme(reisner) RRTM Longwave scheme Five-Layer Soil Model Surface scheme Initial data Reanalysis Data (NCEP/NCAR Reanalysis Data), RDAPS (Regional Data Assimilation and Prediction System) Time period Ozone scenario 2007. 06. 10. 12UTC - 2007. 06. 25. 00UTC (2) SMOKE 및 대기질 모델 수행 조건 배출모델의 입력자료 중 인벤토리 자료는 National Aeronautics and Space Administration (NASA)의 INTEX-b Project에서 도출된 0.5 0.5 의 격자 단위 의 동아시아 및 북태평양 일대 최신 자료(2006년)와 CAPSS의 2007년 배출량 자료 를 사용하였다. 자연배출량의 경우는 Global Biosphere Emission and Interaction System (GloBEIS3)의 Biogenic Emission Inventory System ver.2 (BEIS2)를 이용하여 산정한 결과를 이용하였다. 본 연구에서 사용된 2007년 CAPSS 배출량의 경우 일부 오염원별 Source Classification Code (SCC)가 변경됨에 따라 국내 SCC와 EPA의 SCC 분류에 따른 mapping과 이에 따른 레퍼런스 프로파일의 작성이 필요하다. 본 연구에서의 6
Ⅱ. 연구내용 및 방법 SCC mapping 및 프로파일 추가 과정은 기존 연구(김정수 등, 2006; 김지영 등, 2008)에 따라 수행하였다. 2007년에 변경된 SCC 분류의 경우 이동오염원 부분 17개, 농업 부문 19개, 비산먼지 부문 46개와 기타면오염원의 1개 등이 있다. 또 한 기존 분류체계에서 추가된 배출량 분류는 유기용제사용 부문의 4개, 도로이 동오염원 부문의 11개, 비도로이동오염원의 20개, 폐기물처리부문의 2개, 농업 부문 10개, 기타면오염원 부문의 2개 및 비산먼지 부문의 19개 등에 해당한다. 배출량 할당을 위하여 변경 및 추가된 SCC의 시간별, 종별 할당을 위하여 레퍼 런스 프로파일의 수정이 필요하다. 추가 및 새로 할당한 SCC의 시간 할당에 관 한 예시는 표 2와 같으며, VOCs 및 PM의 화학종 할당에 관한 예시는 표 3과 같다. <표 2> Examples of SCC mapping for temporal profiles Additional SCC EPA SCC MonProf WekProf DiuProf 0604010143 36000101 262 7 13 0604010243 36000101 262 7 13 0703010134 2201001000 262 2002 2013 0703010138 2267000000 262 7 26 0703010234 2201001000 262 2002 2013 0703010238 2267000000 262 7 26 0703010334 2201001000 262 2002 2013 0703020130 2230001000 262 2002 2013 0703020134 2201001000 262 2002 2013 0703020138 2267000000 262 7 26 : : : : : <표 3> Examples of SCC mapping for chemical speciation profiles Additional SCC EPA SCC pollutant profile 0604010143 36000101 VOC 0 0604010143 36000101 PM2_5 99999 0604010243 36000101 VOC 0 0604010243 36000101 PM2_5 99999 0703010134 2201001000 VOC 1101 0703010138 2267000000 VOC 1186 0703010234 2201001000 VOC 1101 0705020130 2230060000 DNL VOC 78 0705020130 2230060000 EVP VOC 78 0705020130 2230060000 RFL VOC 78 : : : : 7
Ⅱ. 연구내용 및 방법 배출모델 및 대기질 모델 수행을 위한 영역에 대한 정보는 기상 모델을 기반 으로 하여 둥지화된(nesting) 3차원 격자시스템을 이용하여 적용하였다(표 4). 연직적으로는 기존의 33개의 MM5 시그마 층을 기반으로 21개의 연직층을 구 성하였으나, 본 연구에서는 43개 층의 MM5 결과에 기반하여 23개의 시그마 층 으로 구성하였다. 이러한 연직층의 변경으로 지상부근의 보다 세분화된 연직 층 모사와 수직확산의 정확한 모사가 가능할 것으로 사료된다(그림 5). <그림 5> Modified CMAQ vertical layers 배출모델 및 대기질 모델에서의 화학처리 과정을 살펴보면, 오존을 포함한 대기오염물질의 계산에는 미국 EPA의 Models-3/Community Multiscale Air Quality (CMAQ)를 활용하였다(Byun et al., 1999). 자세한 배출모델과 대기질 모델링의 환경 설정 및 물리 화학적 모듈에 관한 내용은 표 4와 같다. 8
Ⅱ. 연구내용 및 방법 <표 4> The physical and chemical configuration for CMAQ and SMOKE Domain 1 Domain 2 Domain 3 Horizontal Grid 98 98 76 79 58 61 Grid Center(km) -1,323-1,323-216 -513 0-135 Resolution (km) 27 9 3 Vertical Grid 23 Layers CMAQ Chemical Option SMOKE input data Carbon Bond Mechanism 4, AERO3 (33 species, 81 reaction) Lumped organic chemistry(15 organic species) Yamartino scheme (advection), ACM2(Asymmetric Convective Model version 2 : vertical diffusion) Eastnorth Emission : INTEX - B project(0.5 0.5 ) Local Emission : CAPSS (1km 1km) Biogenic emission : GloBEIS3 (BEIS2) Time period Ozone episode 2007. 06. 11 00UTC - 2007. 06. 25 00UTC * Lambert-Conformal, Map center : 38.0N, 126.0E 3. 모델링 결과 분석 방법 수도권 지역의 기상 및 대기질 예측결과의 신뢰성을 확인하기 위하여 기상대 및 기상자동측정망 91개(서울 : 27, 인천 : 19, 경기 : 45)의 자료와 대기오염자동 측정망의 89개(서울 : 27, 인천 : 11, 경기 : 51)의 자료를 이용하여 비교 분석하 였다. 그 중 기상 및 대기질 결과의 상세한 분석을 위하여 대표 측정소을 선정 하여 보다 상세한 통계 분석을 실시하였다. 관측값과 각 시나리오에 따른 모델링 결과의 차이를 정량적으로 판단하기 위 하여 몇 가지 통계적 방법을 활용하였다. 본 연구에서는 평균 제곱근 오차 (Root Mean Square Error : RMSE), 상관계수(R), 일치도 지수(Index of Agreement : IOA)와 다양한 오차 및 에러 등에 관한 통계적 방법을 사용하였 다(김철희 등, 2003; Pielke, 1984). RMSE는 관측값과 예측값의 오차 산포 정도 를 평가하기 위한 값으로 그 값이 작을수록 예측값의 정확도가 높음을 의미한 다. 두 변수간의 관련성의 정도를 측정하는 상관계수(R)의 제곱인 결정계수는, 두 변수간의 상관성이 높을수록 1에 근접하며, 결정계수 값이 클수록 회귀모형 은 유용하다고 알려져 있다(천대윤, 2002). 본 연구에서 대기오염물질의 관측 값과 예측값간의 일치도를 살펴보기 위해 사용한 일치도 지수(IOA)는 0.5이상 9
Ⅱ. 연구내용 및 방법 의 값을 가질 때 적절(good)하며, 1의 값을 가질 때 매우 적합(perfect)하다고 알려져 있다(Hurley et al., 2001). U.S. EPA와 Air Resource Boad에서 밝히고 있는 오존의 정확도 분석을 위한 지표는 표 5 및 6과 같다. 기상장 모의결과를 평가를 위한 지표로써 미국의 모델링 프로토콜에 따른 풍향, 풍속, 온도 등에 대한 통계적 분석 사례를 표 6과같이 나타내었다(California Air Resources Board and South Coast Air Quality Management District : CARB/SCAQMD, 2006). <표 5> Criteria for Ozone statistical analysis by U.S. EPA Statistic for Ozone Criteria (%) Normalized Bias ±15 Gross Error 35 Au ±20 <표 6> Criteria for Ozone statistical analysis by Air Resource Board Statistic for Ozone Class A (Ideal) Class B (Typical) Class C (Marginal) Bias ±5% ±15% > ±15% Gross Error 25% 35% > 35% Au ±10% ±20% > ±20% <표 7> Criteria for meteorological data statistical analysis by California A Resources Board and South Coast Air Quality Management District Wind Speed Wind Direction Temperature MM5 Performance Benchmarks Parameter Benchmark Total RMSE 2.0 m/s Bias ±0.5 m/s IOA 0.6 Gross Error 30 degrees Bias ±10 deg Gross Error 2.0 K Bias ±0.5 K IOA 0.8 10
Ⅱ. 연구내용 및 방법 4. Interactive Data Language(IDL) 대기모델링 자료처리 시스템을 개발하기 위하여 사용한 컴퓨터 언어는 Interactive Data Language(IDL)이며, 리눅스 기반 서버에서 모든 프로그램을 개발하고 테스트(test)하였다. IDL은 과학자를 위해 특화된 언어로 프로그램밍 의 편리함과 강력함을 과학 기술 자료처리에 적용할 수 있는 언어이다. IDL은 컴파일(compile) 과정을 필요로 하는 FORTRAN(formula translation) 언어와는 다르게 필요할 때 함수(function)/프로시저(procedure)를 자동으로 찾아 실행하 는 배열 기반의 언어이다. IDL이 가지는 장점은 수백 개의 유용한 루틴 (routine)들을 내장하고 있어 새로운 루틴의 개발이 쉬우며, 유연한 형 변환이 가능하여 프로그래밍이 편리하며, 운영체제에 무관하게 사용될 수 있어 리눅스, 노트북 등 어느 시스템에서든 모두 동일하게 실행이 된다는 것이다. 본 연구에서는 자료처리 시스템을 개발하기 위하여 개별 루틴들에 대하여 (1) 일반화(generalization), (2) 모듈화(module), 및 (3) 확장성(expansibility)의 3 가지 원칙을 고려하여 프로그래밍을 하였다. 일반화는 개별 루틴들이 특정 프 로그램에서만 실행되는 것을 방지하고 범용적으로 사용될 수 있도록 하기위한 원칙이며, 모듈화는 개별 루틴들이 독립적으로 기능을 할 수 있도록 하기위한 원칙으로 루틴의 재사용을 쉽게 만들며 프로그램의 가독성을 높여 유지 보수도 쉽게 하여준다. 확장성은 현재 필요한 기능뿐만 아니라 장래 사용할 수 있는 기 능을 쉽게 확장할 수 있도록 설계하는 원칙으로 필요시 새로운 기능의 확장을 용이하게 한다. 또한, 각각의 개별 루틴들에 키워드(keyword) 옵션(option) 체 제를 사용하여 하나의 루틴이 다양한 기능을 수행할 수 있도록 설계하였으며, 이를 통하여 모든 유사한 기능들을 한 개의 프로그램으로 묶어서 개발하였다. 또한, 순차적으로 선택적 반복문장을 사용하는 제어구조만을 사용하는 구조화 프로그래밍기법(structured programming) 기법을 사용하였다. 이는 제어구조가 명확한 프로그램을 만듦으로서 프로그램 개발 시 이해와 수정이 쉽고, 정확성 검증이 용이한 프로그램이 되도록 하기 위함이다. 11
Ⅲ. 연구결과 및 고찰 Ⅲ. 연구결과 및 고찰 1. 모델링 정합도 분석 가. 기상장 수치모의 결과 본 정합도 분석은 오존 고농도 사례일을 대상으로 기상청의 RDAPS 자료를 이용한 MM5V3를 수행한 결과이다. 모델링 수행 기간은 총 14일로 그 중 오존 고농도 사례일은 2007년 6월 18일과 19일을 포함하여 2007년 6월 17일부터 20 일까지의 4일간을 대상 기간으로 선정하였다. 이 기간 동안 대기질에 큰 영향 을 미치는 기온, 풍향 및 풍속 등의 수치 모의 결과와 서울, 인천, 수원 기상대 의 관측값과의 일치도 및 오차 정도를 살펴보았다(표 8). <표 8> Statistical performance of predicted meteorological result O 3 episode June 17-21 Category Region IOA RMSE BIAS Gross Error Seoul 0.70 4.76-4.53 4.53 Temperature Incheon 0.64 3.52-3.09 3.12 Suwon 0.74 4.46-4.20 4.20 Seoul - 95.42 33.40 60.83 Wind Incheon - 94.93 5.17 64.11 Direction Suwon - 115.03 64.05 83.48 Wind Speed Seoul 0.65 1.23 0.45 1.02 Incheon 0.47 1.70 1.08 1.44 Suwon 0.56 1.77 0.93 1.55 온도의 경우 일치도 지수는 0.64-0.74정도로 비교적 유의한 수준으로 모사되 었다. 온도의 BIAS와 Gross Error 등의 오차 정도는 표 7에서 권고한 수치에 비해 높은 수준으로 분석되었다. 풍향의 경우 Gross error가 60 degree 이상으 로 높은 오차를 나타내며, 인천을 제외하고 Bias가 10이상으로 높은 오차를 나 타내고 있었다. 이는 일반적으로 바람 성분의 모의에서는 복잡한 지형이나 대 기가 안정할수록 지표의 영향일 커지면서 오차가 확대되는 경향이 있기 때문으 로 사료된다(오현선 외, 2002). 풍속의 경우 일치도 지수가 0.47-0.65로 서울을 제외하고는 표 7에서 권고한 IOA 수준에 못미치는 것으로 분석되었다. 하지만 12
Ⅲ. 연구결과 및 고찰 RMSE가 2m/s이하로 유의한 수준으로 2002 Annual MM5 simulation to support WRAP CMAP visibility modeling for the section 308 SIP/TIP"의 기 준을 만족하고 있었다. 나. 대기질 분석 결과 서울, 인천, 경기 지역의 전 측정소 평균 대기질 예측 결과를 분석한 결과는 표 9과 같다. 우선 오존 예측 결과를 살펴보면, 세 지역에서 모두 관측값에 비 해 낮은 수준으로 모사되는 것으로 분석되었다. 서울과 경기 지역의 예측 농도 는 관측값과 높은 상관성을 나타냈으나, 인천의 경우 IOA값이 0.55정도로 비교 적 낮은 상관성을 나타냈다. 오차의 범위는 서울과 인천의 경우 Gross error와 NBIAS 모두 U.S. EPA에서 권고하는 수준으로 모사되었으나 경기의 경우 비교 적 오차의 범위가 크게 모사되었다. NO 2 의 예측농도의 경우 세 지역에서 모두 관측값과 유사한 수준으로 모사되었다. 서울과 경기의 예측농도는 IOA값이 각각 0.57과 0.61로 관측값과 유의한 상관성을 나타냈으나, 인천의 경우 관측값 과의 상관성이 낮은 것으로 분석되었다. 인천의 경우 Gross error와 NBIAS 값 모두 낮게 나타났으며, 서울과 경기의 오차 수준은 비교적 큰 것으로 분석되었다. <표 9> Statistical performance of predicted air quality result Statistics O 3 NO 2 Seoul Incheon Gyeonggi Seoul Incheon Gyeonggi OBS mean 35.7 35.6 34.8 40.7 31.6 30.9 MOD mean 19.8 29.5 25.8 38.1 22.9 27.9 R 0.69 0.40 0.70 0.34 0.04 0.47 IOA 0.64 0.55 0.65 0.57 0.53 0.61 Gross error 20.88 9.85 36.61 19.45 9.49 33.60 NBIAS -0.18 0.26 0.65 0.17 0.00 0.35 2. 기상 모델링 입력 자료 차이에 의한 대기오염도 모사 결과 가. 모델링 시나리오 본 연구에서는 기상 모델의 입력자료에 따른 기상 및 대기질 모델의 모사 능 력을 살펴보기 위해 총 4개의 시나리오를 통한 영향을 분석하였다. 4개의 시나 리오는 기본적으로 수치모의에 사용된 중규모 모델의 초기 및 경계입력 자료의 13
Ⅲ. 연구결과 및 고찰 차이에 따른 영향을 분석과 기상 모델 실행시 관측값 내삽을 통한 객관 분석 (objective analysis)시 관측값 입력자료에 따른 시나리오를 선정하였다. 각 시 나리오에 따른 사례는 아래 표 10과 같다. 시나리오별 입력 자료에 대한 차이 는 아래에서 보다 상세히 설명하였다. <표 10> Modeling Scenarios for MM5 and CMAQ CASE Initial and Boundary input data Observations for obsective analysis BASE CASE RDAPS 3 Regional Meteorological Office CASE1 CASE2 CASE3 RDAPS NCEP/NCAR Reanalysis Data NCEP/NCAR Reanalysis Data 3 Regional Meteorological Office and 88 Automatic Weather System 3 weather stations and 88 Automatic Weather System 3 weather stations (1) 기상모델링 초기 및 경계 입력자료 본 연구에서는 기상 모델의 방법론을 정립하기 위한 초기 및 경계 입력 자료 로 기상청에서 제공하는 RDAPS 자료와 미국 NCEP에서 제공하는 NCEP/NCAR Reanalysis Data 자료를 활용하여 비교하였다. 우리나라 기상청에서는 기상수치예보 모델을 적용하여 수치예보를 하고 있 으며 전지구 모델로는 Global Date Assimilation and Prediction System (GDAPS)을, 지역모델은 RDAPS를 사용하고 있다. 국내 지역예보 모델의 역사 는 1989년 5월 수치예보반이 기상청에 신설되면서 미국 PSU/NCAR 의 중규모 모델인 Mesoscale Model version 4 (MM4)를 도입 변형함으로써 시작되었다. 현재 기상청에서 사용하고 있는 지역 및 고해상도 모델의 근간은 MM5 v2.11과 v2.12이다(변동현, 2009). 기상청에서 사용 중인 RDAPS는 현재 수평해상도 동 아시아 영역을 포함하는 30 km, 한반도 및 주변영역의 10 km 그리고 한반도 예보에 5 km 간격의 모델영역을 가지고 있으며, 시그마면의 연직층은 모두 33 층으로 구성되어있다. 본 연구에서 사용된 동아시아 지역의 RDAPS 자료의 경 우 30km 간격의 총 191 171개의 격자수로 이루어져있으며, 격자점의 좌측 최 14
Ⅲ. 연구결과 및 고찰 하단의 원점은 12.269 N, 경도 102.477 E이다. 연직층수는 24개의 기압면으로 구성되어있다. 기상청에서는 RDAPS 자료의 출력은 하루 2번으로 00UTC와 12UTC이며, 3시간 간격의 예보자료로 총 48시간 예보자료를 포함하고 있다. RDAPS의 전처리 및 모델예보 과정을 통한 수행 과정은 그림 6과 같다. <그림 6> Flow chart of RDAPS system 다음으로 본 연구에서 사용된 National Centers for Environmental Prediction (NCEP, formerly National Meteorological Center (NMC))/National Center for Atmospheric Research (NCAR) Reanalysis 자료는 NCEPS/NCAR Reanalysis Project를 통해 산출되었다. 이 사업은 NMC의 Climate Data Assimilation System (CDAS) Project에서 도출된 것으로 1991년에 시작되었다. NCEP/NCAR Reanalysis system은 그림 7과 같이 자료 해석부분 및 Quality control (QC) 전처리부분, 자동 측정망 시스템에 따른 자료동화모듈과 자료 생 성 및 제공 모듈의 세 가지 부분으로 나누어져 있다. 중심 모듈인 자료동화 부 분에 대한 특징을 살펴보면, 우선, 전지구 재해석 모델은 T62 모델로써 28개 상 층 sigma level을 갖고 약 210km의 수평 해상도를 갖으며, 6시간 간격으로 산 출된다. 또한 이 모델은 전지구 스펙트럼 모델로써 1995년 1월 10일에 수행된 전지구 모델인 T126(105km)와 수평 해상도를 제외하고 동일한 구조를 갖는다 (Kanamitsu, 1989). 또한 여러 개의 다양한 격자 시스템을 갖으며, 지오 포텐셜 15
Ⅲ. 연구결과 및 고찰 높이와 온도, 상대습도, U와 V 바람장 요소 등을 포함하는 총 80여개의 다양한 변수가 존재한다. 본 연구에서 사용된 기상자료는 17개의 기압면과 28개 시그 마면을 가지고 있다(Kalnay et al., 2006). <그림 7> Schematic of the main components of the NCEP/NCAR reanalysis system and their state of readiness on January 1995 (2) 객관 분석 객관분석은 기상 센터에서 수치예보를 위한 초기장 생성 수단으로 오랜 기간 여겨져 왔다. 요즘은 일정한 기상관측의 부족에 의한 실제성을 가지는, 즉 대 기를 지배하는 분리된 물리적 법칙의 형태로 표현하는 모델, 이론을 통하여 객 관분석 과정은 대기를 과학적으로 이해할 수 있는 장점을 가지고 있다. 이상적 인 객관분석 과정은 가능한 한 모든 정보(관측 그 자체, 기상 모델 그리고 흐름 의 알려진 통계적 특성)를 사용할 수 있어야 하며 이러한 다양한 종류의 정보 를 모음으로써 불확실성을 포함하는 흐름에 대하여 완전하고 일관되는 표현을 생산해 낼 수 있어야 한다. 따라서 객관분석의 목적은 가능한 한 보다 정확하 16
Ⅲ. 연구결과 및 고찰 게 대기의 진전 상태를 추정하는 것이며 예보 정확도를 최대화하기 위하여 관 측 자료가 모델 오차를 수정하기 위하여 이용되어야 한다(이화운 등, 2005). 본 연구에서는 수도권의 관측 자료의 내삽을 통하여 모델 해석 능력을 향상 시키고자 하였으며, 서울, 인천, 수원의 3개의 기상대 자료 및 수도권의 88개의 AWS 자료를 이용한 객관 분석을 실행하였다. 이때, 모델 내에서 사용된 객관 분석 방법은 Multiquadric interpolation의 방 법으로 이 방법은 Hardy(1971)에 의해 고안되었다. Franke(1982)는 이 방법이 여러 가지 객관 분석 방법들과 비교하여 연속적인 방법보다는 훨씬 우수하며 통계적 방법과는 적어도 비슷한 결과를 낸다는 결론을 얻었다. 이 방법은 Nuss과 Titley(1994)에 의해 기상장에 적용되었다. 나. 기상 모델링 결과 위의 기상 시나리오에 따른 시도별 기상 모사 결과는 수도권의 3개 기상대 및 88개 자동기상측정소의 모든 관측값을 이용한 분석 결과이다. 우선, 시도별 온도 결과를 살펴보면, 서울시의 평균 관측 온도는 25.89 로 기상청의 RDAPS 자료와 3개의 객관 분석을 이용한 기본 사례의 경우 21.41 로 낮게 모사되었 다. 이때, 91개 관측값을 이용한 객관분석에서 21.66 정도로 증가하였고, NCEP/NCAR의 reanalysis를 이용한 모사시에는 22.55 로 높아졌다. 또한, NCEP/NCAR의 자료와 91개 객관 분석시에는 22.69 로 관측값에 가장 가까 운 예측 온도를 나타냈다. 상관분석 결과 상관계수는 모두 0.8이상으로 높은 상관성을 보였으며, 일치도 지수로 본 분석결과 역시 NCEP/NCAR의 자료 및 91개 객관 분석을 한 CASE2가 가장 높은 일치도를 나타냈다. 서울에서 온도 예측결과의 BIAS와 Gross Error 값은 기본 사례에서 비교적 높은 수준이나 CASE2의 입력자료를 이용한 경우 약 1.0 정도 낮게 모사되어 오차가 많이 줄 어드는 것으로 분석되었다. 인천의 예측 온도의 경우 CASE2, 3이 관측값과 가 장 유사한 수준을 나타냈으나 상관계수는 NCEP/NCAR 자료와 91개 객관 분 석을 실시한 CASE 2가 가장 높을 상관성을 나타냈다. 인천의 일치도 지수는 모든 사례에서 0.8이상으로 높을 일치도를 보였으며, CASE2와 CASE3이 0.91로 가장 높은 일치도를 보였다. 인천의 온도 예측결과의 오차의 범위는 서울시의 17
Ⅲ. 연구결과 및 고찰 결과보다 낮은 수준이었으며, 시나리오 중에서는 CASE3이 가장 낮은 수준을 나타내는 것으로 분석되었다. 경기의 경우, 관측 농도는 24.0 로 NCEP/NCAR 자료 및 91개 객관 분석을 이용한 CASE2가 22.29 로 가장 유사 한 수준을 나타내는 것으로 분석되었다. 상관계수로는 CASE1이 가장 높은 것 으로 분석되었으나 일치도 지수로는 CASE2와 CASE3이 0.92로 가장 높은 일치도 를 나타냈다. 경기도의 예측 오차는 CASE2가 가장 낮게 나타났다. <표 11> Statistical performance of observed and predicted temperature according to scenarios Region SEOUL INCHEON GYEONG -GI Scenario OBS Avg.( ) Pre Avg.( ) R IOA RMSE (K) BIAS (K) Gross Error(K) BASE 21.41 0.91 0.71 4.77-4.48 4.48 CASE1 21.66 0.90 0.72 4.54-4.22 4.23 25.89 CASE2 22.69 0.88 0.80 3.74-3.20 3.30 CASE3 22.55 0.89 0.79 3.79-3.33 3.40 BASE 19.45 0.56 0.88 4.02-3.00 3.26 CASE1 19.64 0.46 0.89 3.86-2.81 3.10 22.45 CASE2 20.21 0.59 0.91 3.45-2.23 2.69 CASE3 20.22 0.57 0.91 3.46-2.22 2.71 BASE 21.02 0.86 0.88 4.20-2.98 3.51 CASE1 21.21 0.89 0.89 3.93-2.79 3.35 24.00 CASE2 22.29 0.86 0.92 3.41-1.71 2.75 CASE3 22.19 0.87 0.92 3.42-1.81 2.81 다음으로 풍향의 편차 및 오차 범위를 살펴보면, 수도권의 풍향 모사에는 CARB/SCAQMD의 기준 보다는 높은 것으로 분석되었다. 시나리오별 차이를 살펴보면, 서울의 경우 BIAS와 Gross Error 모두 NCEP/NCAR 자료를 이용한 CASE3이 가장 낮게 분석되었다. 인천과 경기도의 경우는 NCEP/NCAR 자료 과 91개 관측값의 객관분석을 이용한 CASE2가 가장 낮은 편차와 오차를 나타 냈다. 특히, NCEP/NCAR 자료와 객관 분석을 이용한 입력자료 변경시 기본 사례의 2배에서 3배 정도의 편차가 줄어드는 것으로 나타났다. 또한 오차 역시 입력자료 변경에 따라 10 30 degrees 정도 감소하는 것으로 분석되었다. 18
Ⅲ. 연구결과 및 고찰 <표 12> Same as Table 11, but wind direction Region Scenario BIAS(degrees) Gross Error (degrees) BASE 62.59 106.40 SEOUL CASE1 46.80 88.93 CASE2 19.16 73.81 CASE3 18.14 71.61 BASE 68.85 97.24 INCHEON CASE1 67.18 95.75 CASE2 24.07 83.24 CASE3 42.41 89.20 BASE 67.61 103.95 GYEONGGI CASE1 65.68 102.74 CASE2 37.41 90.53 CASE3 39.88 90.55 마지막으로 표 13을 통해 91개 지점의 관측지점에서의 결과를 이용한 풍속의 모사 결과를 시나리오별로 살펴보았다. 우선 서울시의 풍속 관측값은 1.61m/s 이며, 기본 사례를 이용한 모사시 2.51m/s로 비교적 과대평가하는 것으로 나타 났다. 서울시의 풍속은 CASE3을 이용하여 모사하였을 때, 1.94m/s로 관측값 과 가장 유사한 수준을 나타냈다. 상관계수와 일치도 지수는 모두 CASE2가 가장 높은 것으로 분석되었다. 또한 CARB/SCAQMD의 풍속 기준인 RMSE와 BIAS 역시 CASE3이 가장 낮은 값을 나타내고 있어 NCEP/NCAR 자료 이용 시 향상된 결과를 나타냈다. 인천의 경우 풍속 관측값은 1.98 m/s로 기본 사례 시 크게 과대 평가되어 4.15 m/s였으나, CASE3을 적용한 경우 2.97 m/s로 관 측값에 가장 가깝게 모사되었다. 상관계수는 기본 사례가 가장 높았으나 일치 도 지수는 NCEP/NCAR 자료를 활용한 CASE3이 가장 높게 나타내며, CARB/SCAQMD의 일치도 지수 기준에 적합한 수준을 나타냈다. RMSE의 경우도 CASE3이 CARB/SCAQMD의 풍속 기준으로 밝힌 2.0이하에 가장 가까 운 값을 나타냈다. 경기도의 경우는 관측값이 1.28m/s였으며, 역시 CASE3이 1.9m/s로 관측값에 가장 유사하게 모사되었다. 상관계수와 일치도 계수 역시 CASE3이 가장 높은 상관성을 나타냈다. RMSE의 경우 모든 사례에서 CARB/SCAQMD의 풍속 기준에 적합한 수준을 나타냈으나 특히 CASE3의 경 우 가장 낮은 오차범위를 나타냈다. BIAS의 경우도 CASE3이 0.62로 가장 낮은 19
Ⅲ. 연구결과 및 고찰 수준을 나타내는 것으로 분석되었다. 따라서 수도권 지역의 풍속 모사시 NCEP/NCAR의 자료를 활용하였을 때 가장 향상된 결과를 나타냈다. <표 13> Same as Table 11, but wind speed Region SEOUL INCHEON GYEONG -GI Scenario OBS Avg. (m/s) Pre Avg. (m/s) R IOA RMSE (m/s) BIAS (m/s) Gross Error (m/s) BASE 2.51 0.16 0.45 1.81 0.90 1.49 CASE1 2.51 0.17 0.46 1.78 0.89 1.46 1.61 CASE2 2.24 0.27 0.54 1.32 0.62 1.05 CASE3 1.94 0.24 0.53 1.37 0.33 1.10 BASE 4.15 0.36 0.57 2.82 2.17 2.38 CASE1 4.03 0.21 0.58 2.72 2.05 2.29 1.98 CASE2 3.23 0.19 0.57 2.21 1.24 1.79 CASE3 2.97 0.23 0.60 2.06 0.99 1.63 BASE 2.31 0.23 0.50 1.94 1.03 1.59 CASE1 2.30 0.23 0.50 1.92 1.02 1.57 1.28 CASE2 2.30 0.26 0.53 1.71 1.02 1.38 CASE3 1.90 0.41 0.53 1.60 0.62 1.27 이러한 결과를 보다 상세히 살펴보기 위하여 지점별 온도 및 풍속에 대한 시 계열 분석을 실시하였다(그림 8). 우선 온도 시계열을 살펴보면, 서울시의 CASE2를 통한 온도 모사시 다른 사례에 비해 고온역을 보다 잘 모사하는 것으 로 분석되었다. 19-20일의 경우 시나리오별 차이가 크게 나타나지 않았으나, 일부 지역에서는 19일의 CASE2의 온도가 관측값에 비해 급격히 떨어지는 것 으로 분석되었다. 인천의 경우 전반적으로 온도를 저평가하는 것으로 분석되 었으나 CASE2의 적용으로 고온역을 보다 잘 모사하는 것으로 분석되었다. 마 지막으로 경기도의 결과를 살펴보면, CASE2의 적용 결과 고온역과 저온역 모 두 관측값과 유사한 수준으로 모사하는 것으로 분석되었다. 따라서 수도권 지 역 시계열 결과에서도 CASE2 적용시 온도 모사 결과가 가장 향상되는 것으로 분석되었으며, 일부 지역에서 19일의 고온역 모사에 어려움이 있는 것으로 분 석되어 특정일의 모사 능력이 떨어지는 것으로 분석되었다. 20
Ⅲ. 연구결과 및 고찰 <그림 8> Time series of observed and predicted temperature according to scenarios 21
Ⅲ. 연구결과 및 고찰 <그림 9> Same as Figure 8, but wind speed 다음으로 풍속의 시계열 모사 결과를 살펴보았다(그림 9). 세 지역 모두에서 풍속은 과대평가 되는 것으로 분석되었다. 서울의 풍속 모사 결과 NCEP/NCAR 자료를 활용한 CASE2와 CASE3이 관측값을 보다 잘 모사하는 것으로 분석되었다. 그러나 낮은 풍속의 영역을 CASE3이 보다 잘 모사하는 것으로 분석되었다. 서울시의 여러 지점 중 북한산 지점의 경우 관측값에 비해 22
Ⅲ. 연구결과 및 고찰 모사된 풍속이 크게 과대평가되는 것으로 분석되었다. 인천의 경우 CASE2와 CASE3이 보다 관측값을 잘 모사하는 것으로 분석되었으나 여전히 낮은 풍속 의 모사에는 어려움이 있는 것으로 나타났다. 경기도의 경우 화성을 제외하고 대부분의 지역에서 풍속을 과대평가하는 것으로 모사되었다. 시계열 분포에서 도 역시 수도권 지역에서의 풍속 모사에는 NCEP/NCAR 자료를 활용한 CASE2와 CASE3이 관측값을 보다 잘 모사하는 것으로 나타났다. 다. 대기질 모델링 결과 지금까지 시나리오별 기상 모델 결과를 바탕으로 예측한 대기질 모델링 결과 의 통계적 분석결과는 아래 표 14와 같다. 본 결과에서는 수도권의 89개 대기 오염물질 자동측정소 지점에서의 관측값과 예측값을 이용하여 분석하였다. 앞 에서 밝힌바와 같이 시나리오별 기상 모델 결과 기상청의 RDAPS 자료보다는 NCEP/NCAR 자료를 이용한 결과의 경우 보다 향상된 기상 모사 결과를 나타 냈다. 또한 항목별 차이는 있으나 91개의 관측값을 이용한 객관 분석결과가 기 상 상태를 모사하는데 보다 유용할 것으로 예측되었다. 이러한 결과를 바탕으 로 대기질 예측을 실시한 결과, 역시 NCEP/NCAR 자료와 91개 관측값을 이용 한 객관 분석을 이용한 대기질 예측시 전반적인 상관관계가 향상되는 것으로 분석되었다. 서울시의 경우 상관계수와 일치도 지수가 모두 기본 사례에 비해 증가하였으나 NBIAS와 Gross error와 같은 오차가 증가하는 것으로 나타났다. 인천과 경기의 경우 상관계수와 일치도 지수가 모두 증가하여 CASE2의 경우 비교적 유의한 상관성을 나타내고 있었다. 또한 NBIAS를 통한 오차 역시 감 소하여 인천의 경우 5%이하의 NBIAS를 나타내는 것으로 분석되었다. 위의 결과를 통해 NCEP/NCAR 자료 중 3개의 관측값보다는 91개의 관측 값을 사용하였을 경우 전반적인 대기질 예측도가 향상됨을 살펴보았다. 이에 더불어 NCEP/NCAR 자료와 RDAPS 자료와의 입력자료 차이에 의한 대기질 예측 결과 비교를 위해 측정 지점별 시계열을 비교해본 결과는 그림 10과 같다. 서울의 천호와 면목 지점의 경우 고농도 오존의 모사 능력이 향상된 것을 확인 할 수 있었다. 경기도의 과천과 수원 지역에서도 91개의 관측값을 이용한 CASE2에 의한 대기질 모사가 고농도 오존 모사 능력을 향상시키는 것으로 분 석되었다. 그러나 인천 지역의 경우 해안과 도심 지역이 혼합된 복합 지형으로 23
Ⅲ. 연구결과 및 고찰 기상 모델의 정합도가 떨어짐에 따라 시나리오에 따른 분석 결과의 차이를 검 토에는 어려움이 있었다. 또한, 고농도 오존 peak의 모사 문제는 국내외 연구 에서 밝힌 바대로 오존 전구물질의 배출량 저평가로 인한 영향(문난경, 2007)이 나 CMAQ 모델 운영 조건 따른 고농도 오존의 저평가 및 CMAQ 내의 화학적 메커니즘의 문제(Byun et al., 2007) 등에 의한 것으로 사료된다. 더불어 고농도 오존의 정확한 모사를 위해서는 SMOKE 모델 내의 국내화된 reference 프로파 일의 확보 등의 다양한 후속 연구가 필요할 것으로 사료된다. <표 14> Same as Table 11, but Ozone concentration Region Case R IOA BIAS NBIAS Gross error BASE 0.62 0.64-15.35-0.18 20.88 Seoul CASE1 0.63 0.68-13.51-0.11 20.27 CASE2 0.70 0.68-17.69-0.35 20.29 CASE3 0.62 0.60-20.01-0.42 21.98 BASE 0.35 0.55-5.56 0.52 19.70 Incheon CASE1 0.38 0.59-3.45 0.63 19.51 CASE2 0.54 0.67-10.29 0.05 18.00 CASE3 0.47 0.61-11.11 0.06 19.14 BASE 0.53 0.65-7.21 0.35 19.38 Gyeonggi CASE1 0.55 0.68-5.14 0.45 19.26 CASE2 0.59 0.70-7.62 0.37 18.84 CASE3 0.54 0.65-9.11 0.25 19.33 <그림 10> Timeseries of Ozone concentrations in comparison between CASE2 and CASE3 24
Ⅲ. 연구결과 및 고찰 지금까지의 시나리오별 비교 결과를 통계적 방법을 이용하여 추가적인 분석 을 실시하였다. 우선, 고농도 오존의 모사 능력 향상을 확인하기 위하여 8시간 최고 오존 평균 농도를 이용하여 기상 입력자료 변경 및 지역에 따른 분산분석 을 실시하였다(표 15). 분산분석이란 3 이상 모집단의 산술평균에 차이가 있는지 를 비교할 때 사용하는 가설검정 방법으로 독립변수는 3개 이상의 범주로 나누어 지는 명목변수이며 종속변수는 연속형 변수이어야 한다. 이때, p-value는 유의 수준 0.05에서 유의한 차이가 있음을 표시한 것으로 이 값이 0.05보다 작으면 유 의한 차이가 있는 것이다(이태림 등, 2010). 본 연구에서는 기상 입력자료 변경 에 따른 사례와 서울, 인천, 경기의 지역의 두 가지 요소를 주효과로 살펴보고 이에 따른 평균 차이와 상호작용효과를 분석하였다. 이 결과, 각 사례와 지역은 주효과와 서로 영향을 주는 상호작용효과를 모두 갖고 있으며, 이에 따른 오존 평균 농도는 p-value가 0.000으로 모두 유의한 차이가 있는 집단임을 나타냈다. <표 15> Two-way ANOVA test according to meteorological scenarios and regions Category O3 N Avg±std. error BASE 356 41.54±0.54 CASE CASE1 356 45.87±0.54 CASE2 356 40.17±0.54 CASE3 356 36.08±0.54 Seoul 432 38.52±0.40 Region Incheon 176 40.34±0.63 Gyeonggi 816 43.884±0.29 p-value 0.000 0.000 위의 분산분석을 통하여 각 사례별 평균 농도는 서로 차이가 있는 집단임을 확인하였다. 이에 따라 수도권의 사례별 오존 농도와 관측값 간의 상관성을 확 인함으로써 사례별 오존 예측결과의 차이를 분석하고자 하였다. 이때, 오존 농 도는 역시 각 지점별 8시간 최고 오존 평균 농도를 이용하여 기상 입력자료 변 경에 따른 고농도 오존 예측 농도의 차이를 살펴보았다(표 16). 이 결과 CASE2만이 관측값과 p-value 0.000으로 유의한 상관성을 나타냈다. 이때 정규 분포를 가정한 Pearson 계수와 비모수 상관계수인 Spearman 모두 NCEP/NCAR 자료와 91개 관측값을 활용한 객관분석 자료 활용시 관측값과 유의한 상관성이 있음을 나타냈다. 이러한 통계분석결과, 고농도 오존으로 살 25
Ⅲ. 연구결과 및 고찰 펴본 오존 예측 결과는 사례별로 차이가 있는 집단이며, 이러한 사례 중 CASE2가 가장 관측값과 유의한 상관성이 있다는 결과를 도출하였다. <표 16> Correlation analysis of ozone conc. according to meteorological scenarios CASE Avg±Std. Pearson Spearman N dev. coefficient. p-value rho p-value BASE 42.2±7.5 356-0.008 0.887-0.081 0.128 CASE1 46.3±7.3 356 0.066 0.217 0.007 0.893 CASE2 41.6±10.0 356 0.401** 0.000 0.418** 0.000 CASE3 37.2±9.9 356 0.055 0.307 0.077 0.149 OBS 60.3±23.1 352 1.0. 1.0. 3. 대기모델링 자료처리 프로그램 개발 결과 컴퓨터를 사용하여 수행하는 대기질 모델링의 경우, 다수 다량의 자료(data) 를 결과로 생산해내며, 자료의 양을 줄이기 위하여 바이너리(binary) 형식 (format)으로 자료를 저장하는 것이 일반적이다. 이들 모델링 결과 자료를 분석 하여 정책에 활용하기 위해서는 별도의 사용자 작성 프로그램 또는 상용 프로 그램을 사용하여 자료를 추출하고 통계적으로 분석을 하고 그림으로 표현하는 등의 작업이 필연적으로 동반되게 된다. 이런 모델링 자료처리 과정을 통하여 유용한 결과를 얻기 위해서는 유사한 과정을 반복적으로 수행하여야 하며, 사 용되는 프로그램들의 미세한 조정을 필요로 한다. 본 연구에서는 이런 단순 반 복 처리되는 모델링 자료처리 및 결과분석 과정을 보다 효율적으로 수행하기 위하여 대기모델링 자료처리 및 결과분석 시스템 (Air Quality Modeling Data Processing and Analysis System, AQM DPAS)을 연차적으로 개발하고자 하며, 당해 연도에는 자료처리 부분의 시스템을 개발하고자 하였다. 연구방법에서 설명한 것과 같이, 본 연구에서는 컴퓨터 언어로 IDL을 사용하 였으며, 일반화 모듈화 확장성의 3가지 원칙을 가지고 개별 프로그램을 개발하 였다. 당해 연도에 개발된 프로그램들은 총 34개 루틴이며, 개별 루틴들의 기능에 따라 유틸리티, 지도처리, 모델결과 처리 그룹으로 구분할 수 있다. 유틸리티 프로그램들은 모델링뿐만 아니라 일반 자료를 보다 효율적으로 처리하기 위하 여 필요로 하는 프로그램들의 그룹이며, 지도처리 프로그램들은 모델링 영역의 26
Ⅲ. 연구결과 및 고찰 배경지도(basemap)를 생성하기 위한 프로그램들의 그룹으로 지리정보시스템 (GIS) 자료 중 가장 널리 사용되고 있는 shape 파일의 자료를 손쉽게 처리할 수 있도록 개발하였다. 모델결과 처리 프로그램들은 CMAQ에서 생산된 자료를 효 율적으로 분석하기 위하여 원하는 자료를 쉽게 추출하는 프로그램들의 그룹이다. 표 17에 본 연구를 통하여 개발된 프로그램의 사용자 매뉴얼에 대한 하나의 예시를 제시하였다. 이 jcmaq_data.pro 루틴은 CMAQ 결과를 처리하는 프로그 램으로 크게 2가지 기능, 즉 자료 추출 및 자료의 평균화를 수행한다. 자료 추 출 기능에서는 필요에 따라 세 가지 옵션 (/regular, /random, /time)을 선택할 수 있으며, 자료 평균화 기능에서는 현재 시간별 자료를 일별자료로 평균하는 기능만 제공하고 있으나 추후 주간자료로 평균하는 기능 등을 추가할 예정이다. 개발된 34개의 루틴 모두에 대한 사용자 설명서를 지면 사정 상 본 보고서에 모두 수록할 수 없지만, 향후 결과분석 시스템을 포함한 모든 대기모델링 자료 처리 및 결과분석 시스템 이 완성되면 개별 루틴의 각각의 기능에 대한 원리, 사용자 설명서 등 상세한 내용을 별책으로 인쇄하여 배포할 예정이다. <표 17> Example of Air Quality Modeling Data Processing System : jcmaq_data.pro 함 수 명 : jcmaq_data.pro 목 적 : 격자 형태로 저장된 cmaq 결과자료 처리 함수옵션 : /extract, /average 사용방법 (1) /extract, /regular : 원하는 사각형 둥지격자 형태로 자료를 추출 - r= jcmaq_data(/extract,/regualr, indgen(9,8,7,6), xgrid=[1,7],ygird=[5,8],zgrid=[1,3]) (2) /extract, /random : 원하는 격자의 자료를 추출 - r= jcmaq_data(/extract,/random, indgen(9,8,7,6), xgrid=[1,3,5,7],ygird=[1,3,5,7],zgrid=[1,3]) (3) /extract, /time : 원하는 시간의 자료를 추출 - r= jcmaq_data(/extract,/time, indgen(9,8,7,49), year=[1972], month=[09,10], day=[,22,23], hour=[00,03,23], minute=[00,59], second=[00,59], otoi=wtflag) (4) /average, /hly2dly : 시간별 자료를 일별 자료로 평균하여 저장 - r= jcmaq_data(/average, /hly2dly, indgen(9,8,7,49), wtflag_hly, otoi=wtflag_dly) 27
Ⅳ. 결 론 Ⅳ. 결 론 수도권대기질개선특별대책과 같은 대기개선정책 추진에 따른 대기오염도의 현상을 실제적으로 파악하고 추진 계획 및 실적에 따른 정책효과를 과학적으로 분석하기 위해서는 투명성 및 일관성이 확보된 표준화된 대기질 모델링 시스템 구축이 필요하다. 이를 위하여 본 연구에서는 모델링 결과의 신뢰성 및 활용성을 제고하기 위하여, 대기질 모델링의 기본설정 확립, 모델 입력용 표준 배출량 자료 구축, 기상 모델링 방법론 정립 및 표준화된 자료처리 시스템을 개발 하고자 하였으며 다음과 같은 결론을 얻었다. 1. 모델링 원점, 영역, 수평 격자 해상도 검토 및 연직층 변경 등 대기질 모델링 기본설정 확립을 통하여 모델링 표준화 및 자료공유의 초석을 마련함. 2. CAPSS-SMOKE 연계방안 마련을 통한 모델 입력용 배출량 표준자료 구축. 3. 기상 모델링 방법론 정립을 위하여 초기장 및 객관분석시 활용되는 관측값의 변경에 따른 영향을 파악함. 4. 기상 모델링 입력자료 변경에 따른 영향을 평가한 결과, 온도와 풍향의 경우, NCEP/NCAR의 재분석(reanalysis) 자료 활용 및 91개 관측값을 이용한 객관 분석시 모델링 결과가 향상됨. 풍속의 경우도 NCEP/ NCAR의 재분석 자료를 활용한 경우 향상된 결과를 나타냈으나 객관 분석의 자료에 따른 패턴이 지역별로 약간 다른 결과를 나타냄. 5. 기상 입력자료 시나리오에 따른 대기질 예측 결과, NCEP/NCAR의 자료 및 91개 관측값을 이용한 객관분석시 오존의 일변화 및 최고 농도를 더 잘 모사하는 것으로 분석되었으며, 8시간 최고 오존 평균 농도를 이용한 분산분석결과, 기상 입력자료 변경과 지역별 대기질 결과가 유의한 차이를 보이는 것으로 나타남. 6. 대기모델링 자료처리 시스템 개발을 통하여 방대한 모델링 입 출력 자료에 대한 처리를 보다 효율적으로 수행할 수 있었음. 28
참 고 문 헌 참 고 문 헌 1. 강성락, 신철수, 1999, 객관분석 방법의 차이에 따른 초기장과 예보장의 특성 분석, 한국기상학회 2. 기상연구소, 2001, 중장기 수치예보 시스템 개발(II) 3. 김정수, 정동일, 홍지형, 김대곤, 김지영, 반수진, 박상남, 이용미, 최은경, 수 도권 대기질 예측평가에 필요한 모델 입력시스템 개발, 국립환경과학원, 2006 4. 김지영, 김정수, 홍지형, 정동일, 반수진, 이용미, SMOKE 모델의 입력 모듈 변경에 따른 영향 분석, 한국대기환경학회지, 제24권, 제3호, 284-299, 2008 5. 김철희, 나진균, 박철진, 박진호, 임차순, 윤이, 김민섭, 박춘화, 김용준, 2003, 유해화학물질 대기확산 예측을 위한 RAMS 기상모델의 적용 및 평가 - CARIS의 바람장 모델 검증, 한국대기환경학회지, 제 19권, 제5호, 595-610 6. 김철희, 박일수, 이석조, 김정수, 진형아, 성한규, 2004, 지역 대기질 측정망에 나타난 국내 대기오염도의 최근 동향 - 2002년 고농도 사례 및 그 기상 특징, 한국대기환경학회지, 20(2), pp. 215-224. 7. 문난경, 이영수, 정주철, 김순태, Daewon W. Byun, 남중식, 이강렬, 이영숙, 2007, 수도권지역의 대기영향평가 강화방안 마련(Ⅰ), 환경부 8. 오인보, 김유근, 강재은, 황미경, 2003, 장거리 수송에 의한 서울지역 야간 고 농도 오존 현상, 한국기상학회, 대기 제13권 3호, pp. 204-205 9. 오현선, 김영성, 김용준, 2002, 우리나라 국지 대기순환 모델 결과의 검증에 관한 고찰, 한국대기환경학회지, 18(1) 10. 이태림, 김성수, 성내경, 2010, 통계패키지, 한국방송통신대학교출판부 11. 이화운, 최현정, 이강열, 2005, 상세한 하부 경계조건과 관측값 객관 분석이 복잡지형의 대기 흐름장 수치모의에 미치는 효과, 한국기상학회, Asia-Pacific Journal of Atmospheric Sciences, 41(1), 73~87 12. 정용승, 정재섭, 서울 수도권 지역의 광화학오존에 관한 연구, 한국대기보전 학회지, 제7권, 제3호, 169-179, 1991 13. 천대윤, 통계자료분석 사회조사분석, 정책평가분석을 위한 종합 SAS 통계 29
참 고 문 헌 분석, 교우사, 261-262, 2002 14. 최지안, 신주영, 정창삼, 허준행, 2008, 인공신경망을 이용한 RDAPS 강수량 예측량 보정, 대한토목학회 정기학술대회 15. 한국환경정책 평가연구원, 2004, 수도권 지역 배출총량관리제 추진방안, 환경부 16. Byun, D. W., and R.L. Dennis, Design artifacts in Eulerian air quality models: Evaluation of the effects of layer thickness and vertical profile correction on surface ozone concentrations. Atmospheric Environment, Vol. 29, Issue 1, 105-126, 1995 17. Byun, D.W., J.K.S. Ching, ed., Science Algorithms of the EPA Models-3 Community Multi-scale Air Quality (CMAQ) Modeling System, EPA Report, EPA/600/R-99/030, NERL, Research Triangle Park, NC(peer reviewed), 1999 18. Byun, D.W., Kim, S.T., Kim, S.B., Evaluation of air quality models for the simulation of a high ozone episode in the Houston metropolitan area, Atmospheric Environment, Vol. 41, 837-853, 2007 19. California Air Resources Board and South Coast Air Quality Management District, 2006, Modeling protocol for ozone and particulate matter modeling in support of the South Coast Air Quality Management District 2007 Air Quality Management plan update 20. Dudhia, J., A nonhydrostatic version of the Penn state-ncar Mesoscale Model : Validation tests and simulation of an Atlantic cyclone and cold front, Monthly Weather Review, Vol. 121, 1493-1513, 1993 21. Dudhia, J. : A multi-layer soil temperature model for MM5, The Sixth PSU/NCAR Mesoscale Model Users' Workshop, Boulder, Colorado, 49-50, 1996 22. Franke, R., 1982, Scattered data interpolation : Tests of some methods, Math. Comput., 38, 181-200. 23. Hardy, R. L., 1971, Multiguadric equations of topography and other irregular surfaces, Journal of Geophysics Research, 176, 1905-1915. 30
참 고 문 헌 24. Hurley, P.J., Blockley, A., Rayner, K., Verification of a prognostic meteorological and air pollution model for year-long predictions in the Kwinana industrial region of Western Australia, Atmospheric Environment, Vol. 35, 1871-1880, 2001 25. Kanamitsu, M., 1989, Description of the NMC global data assimilation and forecast system. Wea. Forecasting, 4, 334-342. 26. Kalnay, E., M. Kanamitsu, R. Kistler, W. Collins, D. Deaven, L. Gandin, M. Iredell, S. Saha, G. White, J. Woollen, Y. Zhu, M. Chelliah, W. Ebisuzaki, W. Higgins, J. Janowiak, K.C. Mo, C. Ropelewski, J. Wang, A. Leetmaa, R. Reynolds, R. Jenne, and D. Joseph, 1996, The NCEP/NCAR 40-year reanalysis project. Bull. Amer. Meteor. Soc., 77, 437-471. 27. Nuss, W. A., and Titley, D. W., 1994, Use of mutiquadric interpolation for meteorological objective analysis, Mon. Wea. Rev. 122, 1611-1631. 28. Pielke. R.A, Mesoscale Meteorological modeling, Academic Press Inc., 612, 1984 29. Wahba, G., and Wendelberger, J., 1980, Some new mathmatical methods for variational objective analysis using splines and cross validation, Monthly Weather Rev., 108, 1122-1145. 31