Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Estimating Fine Particulate Matter Concentration using GLDAS Hydrometeorological Data

GLDAS 수문기상인자를 이용한 초미세먼지 농도 추정

  • Lee, Seulchan (Department of Water Resources, Sungkyunkwan University) ;
  • Jeong, Jaehwan (Department of Water Resources, Sungkyunkwan University) ;
  • Park, Jongmin (Department of Civil Engineering, Sungkyunkwan University) ;
  • Jeon, Hyunho (Department of Civil Engineering, Sungkyunkwan University) ;
  • Choi, Minha (School of Civil, Architectural Engineering & Landscape Architecture, Sungkyunkwan University)
  • 이슬찬 (성균관대학교 수자원학과) ;
  • 정재환 (성균관대학교 수자원학과) ;
  • 박종민 (성균관대학교 토목공학과) ;
  • 전현호 (성균관대학교 토목공학과) ;
  • 최민하 (성균관대학교 건설환경공학부)
  • Received : 2019.10.19
  • Accepted : 2019.12.04
  • Published : 2019.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Fine particulate matter (PM2.5) is not only affected by anthropogenic emissions, but also intensifies, migrates, decreases by hydrometeorological factors. Therefore, it is essential to understand relationships between the hydrometeorological factors and PM2.5 concentration. In Korea, PM2.5 concentration is measured at the ground observatories and estimated data are given to locations where observatories are not present. In this way, the data is not suitable to represent an area, hence it is impossible to know accurate concentration at such locations. In addition, it is hard to trace migration, intensification, reduction of PM2.5. In this study, we analyzed the relationships between hydrometeorological factors, acquired from Global Land Data Assimilation System (GLDAS), and PM2.5 by means of Bayesian Model Averaging (BMA). By BMA, we also selected factors that have meaningful relationship with the variation of PM2.5 concentration. 4 PM2.5 concentration models for different seasons were developed using those selected factors, with Aerosol Optical Depth (AOD) from MODerate resolution Imaging Spectroradiometer (MODIS). Finally, we mapped the result of the model, to show spatial distribution of PM2.5. The model correlated well with the observed PM2.5 concentration (R ~0.7; IOA ~0.78; RMSE ~7.66 ㎍/㎥). When the models were compared with the observed PM2.5 concentrations at different locations, the correlation coefficients differed (R: 0.32-0.82), although there were similarities in data distribution. The developed concentration map using the models showed its capability in representing temporal, spatial variation of PM2.5 concentration. The result of this study is expected to be able to facilitate researches that aim to analyze sources and movements of PM2.5, if the study area is extended to East Asia.

미세먼지는 인간 활동에 의한 오염물질 배출에 의해 발생하는 것이 일반적이지만, 수문기상 조건에 따라 이동, 심화, 소멸 과정에서 매우 복잡한 메커니즘을 지니고 있으므로 효과적인 미세먼지 대책 마련을 위해서는 수문기상인자와 미세먼지 간의 상관성에 대한 이해가 필수적이다. 현재 우리나라의 미세먼지 농도 관측 및 예보는 지점 측정소에서 농도를 측정하고, 이 자료를 기반으로 측정소가 위치하지 않는 지역의 값을 추정함으로써 이루어지고 있다. 이러한 관측 방식 및 자료는 공간적 대표성을 갖지 못하기 때문에 관측소와의 거리가 먼 지역의 정확한 미세먼지 농도를 파악하는 것이 불가능하며, 미세먼지의 이동, 심화, 소멸 단계를 추적하는데 어려움이 있다. 본 연구에서는 Global Land Data Assimilation System (GLDAS)의 다양한 수문기상인자를 사용하여, 베이지안 모델 평균(Bayesian Model Averaging, BMA)을 통해 초미세먼지(PM2.5)와 유의미한 상관성을 갖는 인자를 선별하였다. 선별된 인자는 MODerate Resolution Imaging Spectroradiometer (MODIS)의 Aerosol Optical Depth (AOD) 자료와 함께 계절별 PM2.5 농도 산출 모델을 구축하는데 활용되었으며, 산출 결과를 매핑하여 PM2.5 농도의 공간 분포를 파악하고자 하였다. 지점 기반 자료와의 비교를 통해 구축된 모델을 검증하였을 때, 측정된 PM2.5 농도와 높은 상관성(R ~0.7; IOA ~0.78; RMSE ~7.66 ㎍/㎥)을 나타냈으며, 지역별로 나누어 비교할 경우 데이터의 분포는 유사하나 상관계수의 차이를 보이는 것을 확인할 수 있었다(R: 0.32-0.82). 모델 산출 자료를 활용하여 PM2.5 농도를 매핑한 결과 기존 내삽 방법에 비해 시공간적 변동성을 더욱 잘 표현하는 것을 확인하였다. 추후 연구 지역을 동아시아 지역으로 확장 시킨다면 국내외 미세먼지 발생원의 파악 및 이동 양상에 대한 분석에 용이할 것으로 기대된다.

Keywords

1. 서론

최근 미세먼지 농도 “나쁨”을 기록하는 일수가 증가하면서, 미세먼지에 대한 사회적 관심이 커지고 있다. 미세먼지는 대기 중에 부유하는 에어로졸 형태의 매우 작은 입자를 지칭하는 용어로, 그 크기가 10 µm 이하인 경우 미세먼지(PM10), 2.5 µm 이하인 경우 초미세먼지 (PM2.5)로 구분하고 있다. 미세먼지, 특히 PM2.5는 매우 작은 크기로 인해 호흡을 통해 인체 내로 쉽게 유입되어 폐암(Samet et al., 2009), 심혈관계 질환(Brook et al., 2004), 뇌혈관 질환(Wellenius et al., 2005) 등의 질병을 유발할 수 있는 것으로 알려져 있으며, 장기 노출될 경우 사망에 이를 수 있는 것이 보고된 바 있다(Dockery et al., 1993; Zúñiga et al., 2016). 이에, 미세먼지의 정확한 원인 파악 및 저감, 미세먼지 노출 정도 평가 방법 등에 대한 연구의 중요성이 대두되고 있다.

우리나라의 경우 밀집된 인구 분포와 중화학공업 등 국내 원인과 지리적 특징으로 인한 중앙 아시아로부터의 황사와 미세먼지의 유입, 복잡한 지형에서의 대기 순환 부족 등 다양한 이유로 국내외 미세먼지 원인 분석 및 고농도 미세먼지 발생에 대한 대책 마련에 어려움을 겪고 있다(Jung et al., 2010; Han et al., 2006). 이렇듯, 미세 먼지는 인간 활동에 의한 오염물질 배출 뿐 아니라 수문기상 조건에도 큰 영향을 받기 때문에, 효과적인 미세먼지 대책 수립을 위해서는 미세먼지 농도와 이에 영향을 끼치는 수문기상학적 조건 간의 경향을 파악하는 것이 필수적이다(Nam et al., 2018). 따라서 최근에는 풍향과 풍속(Hwang et al., 2009), 상대습도(Shin et al., 2007), 강우(Ouyang et al., 2015), 토양수분(Kim and Choi, 2015) 등의 수문기상학적 인자와 미세먼지 농도 간의 상관성을 분석하고자 하는 연구가 진행되고 있다.

현재 우리나라에서는 지역적으로 미세먼지 관측소를 구축하여 실시간으로 미세먼지 농도를 측정하고 있으며, 한국환경공단에서 운영중인 “에어코리아”라는 실시간 대기오염도 공개 홈페이지(www.airkorea.or.kr)를 통해 이를 공개하고 있다. 이러한 측정망의 운영은 국지적인 미세먼지 농도의 실시간 현황 파악에는 적합하나, 공간적 대표성을 나타내지 못하기 때문에 측정소가 설치되지 않은 도서산간 지역의 정확한 미세먼지 농도의 정보를 얻는 데에는 한계가 있다. 또한 미세먼지의 이동 과정을 시공간적으로 분석할 수 없어, 계절에 따라 약 30-60%에 달하는 국외 영향(Al-Saadi et al., 2017; Kim et al., 2017)을 분석하는 데 한계점을 가진다. 이와 같은 지점 측정소 기반 미세먼지 자료가 갖는 한계점들을 극복할 수 있는 대안으로 인공위성 및 재분석자료의 활용에 대한 가능성을 검토하는 연구가 활발히 진행되고 있다(Engel-Cox et al., 2004; Gupta et al., 2006; Van Donkelaar et al., 2010; Bai et al., 2019).

본 연구에서는 National Aeronautics and Space Administration (NASA)의 두 극궤도위성인 Terra 및 Aqua에 탑재된 MODerate resolution Imaging Spectroradiometer (MODIS)의 에어로졸 광학 깊이(Aerosol Optical Depth, AOD) 자료를 활용하여 지상 PM2.5 농도의 공간적인 분포를 파악하고자 하였다. PM2.5와 AOD의 단순 선형 관계를 보완하기 위해 재분석자료인 Global Land Data Assimilation System (GLDAS)로부터 취득한 수문기상인자들의 영향을 추가적으로 고려하였다. PM2.5와 각 수문기상인자 간 상관성을 분석하기 위해 베이지안 모델 평균(Bayesian Model Averaging, BMA)을 사용하였으며, 이를 통해 각 인자가 PM2.5 농도에 미치는 영향을 분석하고 유의미한 영향을 미치는 인자를 선별하였다. 선별된 수문기상인자는 PM2.5 농도 산출을 위한 다중회귀 모델의 도출에 활용되었으며, 모델 적용 결과와 지점 데이터를 비교하여 활용 가능성을 검증하였다.

2. 연구 지역 및 자료

본 연구는 동경 124°–131°, 북위 33°–39°에 위치한 남한 지역을 대상으로 수행되었다. Fig. 1은 본 연구의 연구 지역을 나타내며, 에어코리아의 미세먼지 측정소의 위치를 함께 표기하였다. 이를 통해 미세먼지 측정소들이 공간적으로 불연속적임을, 특히 도심지역에 집중 분포되어 있음을 확인할 수 있다. 전체 약 340개소의 자료가 가용했으며, PM2.5 농도 자료를 제공하는 199개소를 선정하였다. 그 중, PM2.5의 측정이 시작된 2015년부터 3년간의 자료를 분석에 사용하였다.

OGCSBN_2019_v35n6_1_919_f0001.png 이미지

Fig. 1. Study area, with the locations of particulate matter observatories.

앞서, 미세먼지 농도 산출 모델의 정확도를 높이기 위한 연구들이 수행되었으며, 다양한 수문 자료 및 기상 자료의 활용성이 검증되었다. Tian and Chen(2010)에서는 관측소에서 측정된 풍속, 온도, 습도 자료에 역거리가중법(Inverse Distance Weighted method, IDW) 및 최근접 보간법(nearest neighbor interpolation)을 적용하였으며, 이를 통해 MODIS AOD와 공간적으로 일치시켜 분석에 사용하였다. Emili et al.(2010)은 정지궤도위성 자료인 Spinning Enhanced Visible and InfraRed Imager (SEVIRI) 및 극궤도위성 자료 MODIS AOD 자료를 사용하여 미세먼지 농도를 매핑하였으며, 모델의 정확도를 향상시키기 위해 0.25°×0.25° grid 형태로 제공되는 European Centre for Medium Range Weather Forecasts (ECMWF)의 행성경계층고도(Planetary Boundary Layer Height, PBLH), 습도 자료를 추가적으로 활용하였다. Gupta and Christopher(2009) 또한 MODIS AOD 자료를 사용하여 미세먼지 농도 산출 모델을 도출하였으며, 추가적인 수문기상인자의 영향을 고려하기 위해 20 km ×20 km의 공간 해상도를 갖는 재분석자료인 Rapid Update Cycle (RUC)로부터 온도, 습도 및 풍속 자료를 추출하여 입력자료로서 활용하였다.

본 연구에서는 선행연구에서 선정된 인자들에 추가적인 수문기상인자들의 영향을 고려하여, PM2.5 농도와의 상관성을 분석하기 위한 인자로 순 단파 복사량, 순 장파 복사량, 대기 온도, 강우, 토양수분, 비습도, 증발산량, 풍속, 대기압을 선정하였으며, 자료 취득의 용이성, 각 수문기상인자의 일관적인 정확도 및 신뢰도를 고려하여 GLDAS로부터 자료를 추출하여 사용하였다. 본 연구에 사용된 GLDAS는 Noah지표모델(Land Surface Model, LSM)을 기반으로 한 재분석자료로서(GLDASNoah), 25 km×25 km의 공간 해상도, 3시간 간격의 시간 해상도로 다양한 수문 및 기상 데이터를 제공하고 있다(Rodell et al., 2004). PM2.5 농도 산출 모델 도출을 위한 다중회귀분석 입력자료로서 MODIS AOD 자료(Remer et al., 2005)를 사용하였으며, 마지막으로 AOD와 PM2.5 두 물리량의 차이를 수직보정(Emili et al., 2010)하기 위해 재분석자료인 Modern-Era Retrospective analysis for Research and Application, version 2 (MERRA-2)의 PBLH 자료를 사용하였다. Table 1은 본 연구에 사용된 재분석 자료 및 인공위성 기반 자료의 특성을 나타낸다.

Table 1. Reanalysis and satellite data used in the study

OGCSBN_2019_v35n6_1_919_t0001.png 이미지

Table 1로부터 알 수 있듯 본 연구에서 사용된 재분석자료 및 인공위성 자료는 서로 다른 공간 해상도(GLDAS: 25 km×25 km; MODIS: 10 km×10 km; MERRA-2: 0.625° ×0.5°)를 가지고 있었기 때문에 5 km (0.05°) grid로 리샘플링(resampling)하여 사용하였으며, 시간 해상도 또한 각각 달랐기 때문에(GLDAS: 3 hour; MODIS: 1 day; MERRA-2: 1 hour) 일일(daily) 자료로 평균하여 사용하였다. MODIS AOD의 경우 Terra 위성 및 Aqua 위성의 자료를 모두 사용하였으며(각각 MOD04, MYD04), 수득률을 고려하여 두 자료의 평균값을 사용하였다. 이에 따라 PM2.5 자료 또한 일일 자료로 평균하여 상관성 분석, 모델 도출 및 검증에 사용하였다.

3. 연구 방법

1) 베이지안 모델 평균

각 수문기상인자가 PM2.5 농도의 변화에 미치는 영향에 대해 분석하기 위한 방법으로 BMA를 사용하였다. BMA는 베이즈 이론을 기반으로 사전(prior) 정보 및 관측 정보(observation information)를 통해 사후(posterior) 정보를 도출하는 방법으로서, 각 설명 변수의 조합을 통해 만들어진 선형 모델들의 사후 모델 확률(Posterior Model Probability, PMP) 및 사후 포함 확률(Posterior Inclusion Probability, PIP)을 계산한다(Zeugner and Feldkircher, 2015). 본 연구에서는 PM2.5를 종속 변수로, 수문기상인자를 설명 변수로 설정하였다. k 개의 수문기상인자에 대해 Eq. 1과 같은 선형 회귀 모델이 총 2k 개 성립할 수 있다.

\(y=a+\beta_{1} x_{1}+\beta_{2} x_{2}+\ldots+\beta_{k} x_{k}+\varepsilon\)        (1)

여기서, y는 PM2.5, x는 모델에 포함된 수문기상인자, α는 상수, β는 계수, ε는 오차항이다. 2k 개의 모델에 대하여, Eq. 2의 베이즈 이론을 통해 PMP가 계산된다.

\(P\left(M_{j} \mid O b s\right)=\frac{P\left(O b s \mid M_{j}\right) P\left(M_{j}\right)}{\sum_{i=1}^{2^{k}} P\left(O b s \mid M_{i}\right) P\left(M_{i}\right)}\)       (2)

여기서, P(Mj | Obs)는 모델 Mj의 PMP이며, 이는 모델 Mj이 종속 변수인 PM2.5의 변동성을 얼마나 설명할 수 있는지를 나타낸다. P(Obs | Mj)는 모델의 우도(likelihood), P(Mj)는 모델 Mj에 대한 사전 확률(prior probability)이다. 모델의 우도는 앞서 생성된 임의의 모델 Mj이 주어졌을 때 관측 값(Obs)이 참일 확률이며, 사전 확률은 해당 모델에 대해 사전에 가지고 있는 믿음을 나타낸다. 일반적으로 모델의 사전 확률에 대한 정보는 제한적이므로, 사전 확률에 대한 가정이 결과에 미치는 영향을 최소화 시키도록 동일 사전 확률(uniform prior)이 적용되는 경우가 다수이며(Tran et al., 2018; Fang et al., 2016), 본 연구에서 또한 동일 사전 확률을 적용하였다. 이 경우, 모든 모델의 사전 확률은 1/2k로 통일된다. PMP의 계산 이후 특정 설명 변수를 포함하는 모든 모델들에 대한 PMP 값을 모두 더함으로써 해당 설명 변수의 PIP를 계산할 수 있다. PIP는 설명 변수가 종속 변수의 변화를 어느정도 설명할 수 있는지에 대한 척도로, 각 수문기상인자와 PM2.5의 증/감소의 상관성을 나타낸다. PIP 값을 기준으로 유의미한 영향을 미치는 인자를 선별하여 다중회귀분석에 사용하였다.

2) 다중회귀분석

AOD는 지표면으로부터 대기 상한(Top Of Atmosphere, TOA)까지의 광학 경로 전체에서 에어로졸에 의해 복사 에너지가 소산되는 정도이며, Eq. 3과 같이 표현될 수 있다(Emili et al., 2010).

\(A O D=\pi \int_{0}^{\infty} Q_{\operatorname{ext}}(\lambda, r) N(r, z) r^{2} d r d z\)       (3)

여기서, Qext(λ, r)는 파장 λ와 반지름 r을 변수로 갖는, 단위입자당소산효율계수(extinction efficiency coefficient)이며, N(r, z)r2drdz는 고도 z와 z+1사이, 반지름 r과 r+1 사이의 입자 수를 나타내는 크기 분포 함수(Size Distribution Function, SDF)이다. 구형 입자 및 일정한 밀도(ρ) 를 가정했을 때, 지상 PM2.5 농도는 Eq. 4와 같이 표현 될 수 있다.

\(P M_{25}=\frac{4 \pi}{3} \rho \int_{0}^{\frac{25}{2}} N(r, 0) r^{3} d r\)       (4)

Eq. 3과 Eq. 4를 결합하면 Eq. 5와 같은 상관성을 도출할 수 있는데(Wang et al., 2010), 여기서 Heff는 위성으로부터 측정된, 에어로졸이 분포되어 있는 높이를 나타낸다.

\(\frac{3 Q_{ext}}{4 \rho r_{e f f}} P M_{2.5}=\frac{A O D}{H_{e f f}}\)       (5)

Wang and Christopher(2003)의 연구 결과에 따르면 대기 내 대부분의 에어로졸이 PBLH 아래에 균일하게 분포되어 있는 것으로 가정할 수 있으며, 이를 Eq. 5에 반영하면 PM2.5와 AOD의 상관성을 Eq. 6과 같이 나타낼 수 있다.

\(\frac{3 Q_{\text {ext }}}{4 \rho r_{eff}} P M_{2.5}=\frac{A O D}{P B L H}\)        (6)

위 상관성을 바탕으로, 인공위성 기반 AOD로부터 지상 미세먼지 농도를 추정하는 회귀식이 다수 제안되었으며, 그 중 일부를 Table 2에 기재하였다. Engel-Cox et al.(2004)에서는 MODIS AOD와 지상 미세먼지 농도의 단순 선형 회귀식이 사용되었다. Koelemeijer et al. (2006)에서는 대기중 습도에 의한 에어로졸의 흡습성장 및 에어로졸의 연직 분포를 고려하기 위해 상대습도 (Relative Humidity, RH), PBLH를 고려한 식이 사용되었으며, Emili et al.(2010)에서는 로그 변형된 식이 검증되었다. Gupta and Christopher(2009)에서는 대기 온도 및 풍속, 운량(Cloud Fraction, CF)을 포함한 식이 제안되 었고, Liu et al.(2005)에서는 PBLH, RH 외 계절, 지역 등의 범주형 변수를 추가적으로 활용한 경험식이 사용되었다. 본 연구에서는 PM2.5 농도에 영향을 미칠 수 있는 수문기상인자를 추가적으로 고려하고자 하였으며, Liu et al.(2005)에서 제안된 경험식을 기반으로 BMA를 통해 선별된 인자가 추가된 Eq. 7을 다중회귀분석에 사용하였다.

\(\begin{aligned} \ln \left(P M_{25}\right)=& {\beta_{\operatorname{AOD}} ln(A O D)}+\beta_{\text {PBLH}} \ln (P B L H)+\\ & \beta_{0}+\beta_{1} V_{1}+\ldots+\beta_{k} V_{k} \end{aligned}\)       (7)

여기서, V는 선별된 수문기상인자를 나타낸다.

Table 2. Models relating AOD to PM2.5 in previous studies

OGCSBN_2019_v35n6_1_919_t0002.png 이미지

4. 연구 결과 및 토의

1) 수문기상인자와의 상관성

우리나라 미세먼지 농도 변화는 고농도 미세먼지의 일종인 황사가 발생하는 봄과 주기적으로 스모그 현상이 발생하는 겨울에 높고, 여름과 가을에는 비교적 낮은 모습(convex downward)을 보인다. 따라서, 비슷한 패턴을 갖는 순 장파 복사량, 대기압은 전체 기간 미세먼지 농도와 양의 상관성을 나타냈고, 반대의 패턴을 갖는 순 단파 복사량, 온도, 강우, 증발산량 등은 전체 기간 미세먼지 농도와 음의 상관성을 보였다. 하지만 이러한 현상은 주기적으로 나타나는 계절적 변화 패턴의 유사성으로 인한 결과이므로, 각 수문기상인자가 일일 미세먼지 농도의 변화에 미치는 영향과는 상관이 없는 것으로 판단하였다. 따라서 자료에 내재되어 있는 이러한 계절 효과(seasonal effect)를 제거하기 위해 각 계절별로 기간을 나누어 분석을 실시하였다.

Fig. 2는 서로 다른 계절에 대한 BMA 결과로, 9가지 수문기상인자들의 PIP 값 및 부호를 나타낸다. 양의 PIP 값은 해당 수문기상인자가 PM2.5 농도의 변화와 양의 상관성을 가진다는 것을 의미하며, 음의 PIP 값은 음의 상관성을 의미한다. PIP의 절댓값이 1에 가까울수록 해당 수문기상인자가 PM2.5 농도의 변화와 보다 유의미한 상관성을 가진다는 것을 의미한다. 모든 계절에서 일정하게 양의 상관성을 가지는 인자는 순 단파 복사량 (RS), 대기압(Pa)이 있으며, 음의 상관성을 가지는 인자는 순 장파 복사량(RL), 강우(P), 풍속(WS)이 있다. 토양 수분(SM)의 경우 또한 토양수분 값이 부정확하게 측정되는 겨울철(Hallikainen et al., 1985)을 제외하면 뚜렷한 음의 상관성을 나타내었다. 이 외 대기 온도(Ta), 비습도 (SH), 증발산량(ET)의 경우에는 PIP의 크기 및 부호 모두 계절에 따라 다르게 나타났다.

OGCSBN_2019_v35n6_1_919_f0002.png 이미지

Fig. 2. PIP values with their signs, for 9 different hydrometeorological variables and 4 different seasons.

2차 생성 미세먼지는 연간 PM2.5 농도의 약 30-40%를 차지하는데(Fu et al., 2016), 순 단파 복사량의 양의 상관성은 미세먼지의 2차 생성의 주 원인이 복사에너지인 것과 관련이 있는 것으로 판단된다(Kim et al., 2007). 순 장파 복사량의 경우 또한 미세먼지의 2차 생성과 관련이 있는 것으로 보이나, 그 정도가 단파 복사량에 비해 작은 것을 확인할 수 있었다. 대기중 같은 양의 미세 먼지가 존재한다고 가정했을 때 경계층 고도가 높아짐에 따라 지상 미세먼지 농도는 감소하여 서로 반비례 관계를 가진다(Su et al., 2018). 대기압과 경계층 고도 또한 반비례 관계가 나타나는데, 대기압이 가지는 양의 상관성은 이러한 관계에서 기인한다고 볼 수 있다. 강우 및 토양수분이 나타내는 반비례 관계는 기존 선행연구의 결과와 일치하였다. Ouyang et al.(2015)의 연구에서는 강우에 의한 대기오염 물질 세정 효과(wash-out effect)에 대해 분석하였고, 강우가 특히 PM2.5의 감소에 강한 영향을 미쳐 반비례 관계를 나타내는 것으로 확인되었으며, Kim and Choi(2015)에서는 황사 발원지 내 풍속이 일정할 때 토양수분량이 적을수록 먼지 발생량이 커지는 것을 파악하였다. Kim and Choi(2015)에서는 또한 토양수분량이 일정할 때 풍속이 높을수록 마찰 속도에 의해 먼지 발생량이 커져 양의 상관성을 갖는 것으로 분석하였는데, 본 연구에서는 이와 반대로 모든 계절에서 풍속과 PM2.5가 음의 상관성을 갖는 것을 확인할 수 있 었다. 이는 한국의 지리적/기후적 특성상 바람에 의한 먼지의 자연 발생 효과보다 대기의 연직 혼합(vertical mixing) 또는 환기 효과(ventilation effect)가 우세하기 때문인 것으로 판단된다(Kim et al., 2017). 이와 같이 연구 지역의 특징에 따라 풍속과 PM2.5의 상관성이 다르게 나타나는 것을 Zhai et al.(2019), Lyu et al.(2017)에서도 확인할 수 있다. 온도와 습도는 가을, 증발산량은 여름에만 PM2.5와 유의미한 상관성을 갖는 것으로 나타났다. 온도와 습도의 경우 PM2.5 농도와 양의 상관성을 나타낸다는 선행연구 결과가 있으나(Pendergrass et al., 2019; Zhai et al., 2019), 본 연구에서는 더욱 강한 양의 상관성을 갖는 인자들과 함께 사용되어 계절별로 상관성의 정도가 높거나 낮게 산정된 것으로 추정된다. 증발산량의 경우 또한 마찬가지로 온도와 비슷한 영향력을 가져, PIP의 크기가 서로 상쇄된 것으로 보인다.

2) PM2.5 농도 산출 모델 검정

9가지 수문기상인자 중, 계절별로 PIP의 절대값이 0.6 이상인 인자를 선별하여 다중회귀분석에 사용하였으며, 선별된 인자들은 99% 유의수준에서 PM2.5 농도와 유의한 관계를 나타내었다(p-value < 0.005). 선별된 수문기상인자, MODIS AOD, MERRA-2 PBLH 자료를 입력 자료로 사용하여, 계절별로 지상 PM2.5 산출 모델을 도출하였다.

계절별로 도출된 서로 다른 4개의 모델에 대하여, Fig. 3에서 지상 PM2.5 농도와의 비교를 통해 성능을 검증하였다. Fig. 3(a)는 지상관측 PM2.5 농도 및 모델 PM2.5 농도에 대한 Box plot을 나타내며, Fig. 3(b)에는 각 모델의 상관 계수(R), 일치도(Index Of Agreement, IOA), 평균제곱근오차(Root Mean Square Error, RMSE)를 표시하였다. 도출된 모델들은 모든 계절에서 지상 PM2.5 농도의 평균값, 중앙값을 잘 표현하는 것을 확인할 수 있다. 그러나 사분 범위(Inter Quartile Range, IQR)가 관측 값에 비해 작은 것이 나타났는데, 이는 PM2.5 농도가 매우 낮은 구간(50 µg/m3)의 자료 개수가 중간 구간의 자료 개수에 비해 현저히 적어, 농도가 낮은 구간에서의 과대 산정(overestimation) 및 높은 구간에서의 과소 산정(underestimation)이 일어났기 때문인 것으로 보인다(Liu et al., 2005). Gupta and Christopher(2009)에 따르면, 낮은 구간에서의 과대 산정은 낮은 농도 구간 AOD 자료의 높은 불확실성에도 영향을 받는다.

OGCSBN_2019_v35n6_1_919_f0003.png 이미지

Fig. 3. (a) Box plots of observed PM2.5 concentrations and Modeled PM2.5 concentrations, (b) basic statistics (R, IOA, RMSE) for different seasons.

전반적인 통계 값은 유사 선행 연구 결과와 비교하였을 때(Gupta and Christopher, 2009; R: 0.42-0.70) 양호한 수치를 보였으며(R: 0.59-0.70, IOA: 0.66-0.78, RMSE 7.66- 9.18 µg/m3), 봄철에 가장 낮은 R,IOA(R=0.59,IOA=0.66) 및 비교적 높은 RMSE(=8.93 µg/m3), 겨울철에 가장 높은 R, IOA(R=0.70, IOA=0.78) 및 가장 낮은 RMSE(=7.66 µg/m3) 값을 확인할 수 있었다. 이는 각각 봄철 발생하는 황사로 인한 큰 PM2.5 농도 변동폭 및 겨울철 비교적 안정한 대기 상태로 인한 PM2.5 연직 혼합의 감소 때문인 것으로 사료된다.

지리적 위치에 따른 모델의 성능을 평가하기 위해 각 모델을 적용한 결과를 Fig. 4에 나타내었다. 연구 지역 내 각각의 0.5°×0.5° grid 안에 위치하는 모든 관측소 기반 PM2.5 측정 자료와 모델 결과를 통합하여, 산포도 (scatter plot) 및 상관 계수를 함께 표기하였다. 관측소가 위치하지 않는 grid의 모델 결과는 나타내지 않았다. 전체적으로 scatter plot의 형태는 계절별, 지역별로 크게 다르지 않았으며, 전반적인 상관 계수 값은 Fig. 3에서와 마찬가지로 봄에 가장 낮고(R: 0.32-0.66) 겨울에 가장 높았다(R: 0.54-0.82).

OGCSBN_2019_v35n6_1_919_f0004.png 이미지

Fig. 4. Scatterplots between observed and modeled PM2.5 concentrations in each 0.5° grid, with correlation coefficient values, for different seasons.

3) PM2.5 매핑

Fig. 5는 2015년 3월 14-19일 PM2.5 농도(범주, 환경부 기준)를 나타낸다. 본 연구에서 도출된 산출 모델 중 봄철에 도출된 모델을 사용하였으며, 현재 우리나라에서 지점 기반 PM2.5 측정 정보를 제공하고 있는 방법인 최근접 보간법을 시각화하여 함께 나타냈다. PM2.5의 경우 PM10에 비해 측정을 실시하고 있는 관측소의 수가 매우 적어, 한 관측소로부터 측정된 농도가 매우 넓은 지역을 대표하게 되며, 이를 우측 그림을 통해 확인할 수 있다. Fig. 5에 나타낸 기간 중 14-16일에는 황사가 발생하였으며, 17, 18일에는 전국적으로 강우가 발생하였다. 14일에서 16일까지 황사에 의해 PM2.5 농도가 전국적으로 증가하는 것을 두 지도 모두에서 확인할 수 있으며, 강우 발생 이후 전국적으로 감소하는 것 또한 두 지도 모두에 나타났다. 17일 및 18일에는 전국적인 비구름 때문에 MODIS AOD가 산출되지 않아, 매핑이 불가했다. 두 지도의 비교를 통해, 내삽된 지도의 경우 매우 넓은 지역의 “보통” 구간(moderate) 농도를 “나쁨” 구간(bad) 또는 “좋음” 구간(good)으로 평가하고 있다는 것을 알 수 있는데, 이처럼 한 지점 자료가 너무 넓은 지역을 대표할 시, 이를 바탕으로 미세먼지 노출에 대한 건강 영향 평가 등 공간 분포를 기반으로 한 연구를 진행할 경우 상당한 오류를 유발할 수 있다(Son et al., 2019). 이와 비교하였을 때, 본 연구를 통해 도출된 모델의 경우 5 km 해상도로 PM2.5 농도를 매핑할 수 있으며, 특히 동부 및 남부에 관측소가 위치하지 않은 매우 넓은 지역 내 PM2.5의 변동성을 상당히 잘 표현하고 있는 것을 좌측 그림을 통해 확인할 수 있다. Fig. 5에 나타낸 해상도의 향상 및 미관측 지역의 PM2.5 농도 산출을 통해 추후 미세먼지의 공간 분포와 관련한 연구에 보다 정확한 정보를 제공할 수 있을 것으로 기대된다.

OGCSBN_2019_v35n6_1_919_f0005.png 이미지

Fig. 5. Spatial distribution of PM2.5 concentration (category), from model (left) and ground-based observation (right). Observed PM2.5 concentrations were interpolated by means of nearest-neighbor.

5. 결론

본 연구에서는 수문기상 조건에 따른 PM2.5의 경향성을 파악하기 위해 GLDAS의 9가지 수문기상인자 자료와 BMA를 사용하여 각 인자가 PM2.5 농도 변화에 미치는 영향에 대해 분석하고 충분히 유의미한 영향력을 가지는 인자를 선별하였다. 또한 현재 우리나라에서 운영되고 있는 지점 기반 측정소의 공간적 불연속성이라는 한계를 극복하기 위해 선별된 수문기상인자, MODIS AOD, MERRA-2 PBLH 자료를 사용한 미세먼지 산출 모델을 도출하였으며 최종적으로 이를 활용하여 PM2.5 농도를 매핑하였다. 본 연구를 통해 도출된 결론은 다음과 같다.

1. BMA는 PM2.5 농도의 변화에 수문기상인자가 미치는 영향의 크기 및 방향을 매우 효과적으로 보여 주었다. 분석 결과, 복사 에너지에 의한 미세먼지의 2차 생성, 강우의 미세먼지 세정 효과 등 사전 연구의 결과를 잘 반영하는 것을 나타냈으며, 대기압, 풍속과 같은 추가적인 수문기상인자의 영향 또한 확인할 수 있었다. 증발산량, 습도 등 영향력이 없거나 계절에 따라 영향의 크기와 방향이 바뀌는 인자의 경우 PM2.5와의 물리적 관계를 바탕으로 한 추가적인 상관성 분석이 필요할 것으로 사료된다.

2. PM2.5 농도 산출 모델을 지점 자료와의 비교를 통해 검증한 결과, 평균값 및 중앙값을 잘 표현하였으며 상관 계수 R과 일치도 IOA의 경우에도 양호한 수치를 나타냈다. 그러나 자료 수의 부족, AOD 자료의 불확실성으로 인한 과소/과대산정 경향 또한 확인할 수 있었다.

3. 전반적인 통계값은 겨울철 모델이 가장 정확하며 봄철 모델의 정확도가 가장 떨어지는 것을 보여주었으며, 이는 황사 발생과 같은 이벤트 및 계절별 대기 안정도와 관련이 있는 것으로 판단된다. 계절 별 정확도는 지리적 위치에 따라 자료를 분류하여 성능을 평가한 경우에도 변하지 않는 것으로 확인 되었다.

4. 현재 미세먼지 농도를 제공하는 데 사용되고 있는 방법인 최근접 보간법을 시각화 한 지도와 PM2.5 농도 산출 모델을 매핑한 지도를 비교한 결과, 도출된 모델이 시간적 변동성을 잘 반영할 뿐 아니라 기존 방법에 비해 공간적 변동성 또한 더 잘 표현하였다.

본 연구에서 도출한 모델은 “보통” 범주에서는 상당히 정확하게 지상PM2.5 농도를 추정하나, 수문기상인자 및 미세먼지 자료의 비대칭적 분포 특성으로 인해 매우 높거나 낮은 구간의 농도를 추정하는 데에 한계를 보였다. 이에 대해, 각 수문기상인자 조건에 따른 미세먼지 변동 범위 분석을 통해 다양한 threshold를 적용함으로써 정확도를 향상시키는 연구가 필요할 것으로 보인다. 또한 본 연구에서는 PBLH 아래에 에어로졸이 균일하게 분포하여 있는 것으로 가정하였는데, Ansmann et al.(2003), Coen et al.(2004) 등의 연구에서는 사막지역에서 발생한 먼지가 장거리 수송될 경우 약 4-8 km 고도로 유입될 수 있는 것으로 확인되었다. PBLH 값이 일반적으로 1 km 내외의 범위를 가진다는 것을 고려한다면, 본 연구를 통해 도출된 모델이 장거리 수송된 먼지에 의한 고농도의 PM2.5를 과소 산정할 수 있다고 평가할 수 있다. Sakai et al.(2002) 및 Chen et al.(2015)에서는 봄철 고비 사막(Gobi desert), 타클라마칸 사막(Taklamakan desert) 등의 황사 발원지에서 발생된 먼지가 높은 고도로 이동하여 타지역으로 유입되는 것으로 분석하였으며, 이러한 현상이 본 연구의 4개 모델 중 특히 봄철에 도출된 모델의 정확도에 영향을 미쳤을 것으로 판단된다. 추후 이와 같이 장거리 수송된 먼지에 의한 고농도 사례를 별도로 분석하여 모델의 정확도를 향상시킬 수 있을 것으로 사료된다. 모델의 정확도 향상과 함께 동아시아 지역으로 연구 지역을 확장 시킨다면, 미세먼지의 정확한 원인 및 이동 양상에 대한 분석에 본 연구 결과가 용이하게 활용될 수 있을 것으로 기대된다.

사사

본 연구는 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행되었습니다 (NRF-2019R1A2B5B01070196).

References

  1. Al-Saadi, J., G. Carmichael, J. Crawford, L. Emmons, S. Kim, C.K. Song, L.S. Chang, G. Lee, J. Kim, and R. Park, 2017. KORUS-AQ Rapid Science Synthesis Report, National Aeronautics and Space Administration, Washington, D.C., USA, pp. 21-23.
  2. Ansmann, A., J. Bosenberg, A. Chaikovsky, A. Comeron, S. Eckhardt, R. Eixmann, V. Freudenthaler, P. Ginoux, L. Komguem, H. Linne, M.A.L. Marquez, V. Matthias, I. Mattis, V. Mitev, D. Muller, S. Music, S. Nickovic, J. Pelon, L. Sauvage, P. Sobolewsky, M.K. Srivastava, A. Stohl, O. Torres, G. Vaughan, U. Wandinger, and M. Wiegner, 2003. Long-range transport of Saharan dust to northern Europe: The 11-16 October 2001 outbreak observed with EARLINET, Journal of Geophysical Research: Atmospheres, 108(D24).
  3. Bai, K., M. Ma, N.B. Chang, and W. Gao, 2019. Spatiotemporal trend analysis for fine particulate matter concentrations in China using high-resolution satellite-derived and ground-measured PM2.5 data, Journal of Environmental Management, 233: 530-542. https://doi.org/10.1016/j.jenvman.2018.12.071
  4. Brook, R.D., B. Franklin, W. Cascio, Y. Hong, G. Howard, M. Lipsett, R. Luepker, M. Mittleman, J. Samet, S.C. Smith Jr., and I. Tager, 2004. Air pollution and cardiovascular disease: a statement for healthcare professionals from the Expert Panel on Population and Prevention Science of the American Heart Association, Circulation, 109(21): 2655-2671. https://doi.org/10.1161/01.CIR.0000128587.30041.C8
  5. Chen, Y., B. Luo, and S.D. Xie, 2015. Characteristics of the long-range transport dust events in Chengdu, Southwest China, Atmospheric Environment, 122: 713-722. https://doi.org/10.1016/j.atmosenv.2015.10.045
  6. Coen, M.C., E. Weingartner, D. Schaub, C. Hueglin, C. Corrigan, S. Henning, M. Schwikowski, and U. Baltensperger, 2004. Saharan dust events at the Jungfraujoch: detection by wavelength dependence of the single scattering albedo and first climatology analysis, Atmospheric Chemistry and Physics, 4(11/12): 2465-2480. https://doi.org/10.5194/acp-4-2465-2004
  7. Dockery, D.W., C.A. Pope, X. Xu, J.D. Spengler, J.H. Ware, M.E. Fay, B.G. Ferris Jr., and F.E. Speizer, 1993. An association between air pollution and mortality in six US cities, New England Journal of Medicine, 329(24): 1753-1759. https://doi.org/10.1056/NEJM199312093292401
  8. Emili, E., C. Popp, M. Petitta, M. Riffler, S. Wunderle, and M. Zebisch, 2010. PM10 remote sensing from geostationary SEVIRI and polar-orbiting MODIS sensors over the complex terrain of the European Alpine region, Remote Sensing of Environment, 114(11): 2485-2499. https://doi.org/10.1016/j.rse.2010.05.024
  9. Engel-Cox, J.A., C.H. Holloman, B.W. Coutant, and R.M. Hoff, 2004. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality, Atmospheric Environment, 38(16): 2495-2509. https://doi.org/10.1016/j.atmosenv.2004.01.039
  10. Fang, X., R. Li, H. Kan, M. Bottai, F. Fang, and Y. Cao, 2016. Bayesian model averaging method for evaluating associations between air pollution and respiratory mortality: a time-series study, BMJ Open, 6(8): e011487. https://doi.org/10.1136/bmjopen-2016-011487
  11. Fu, X., S. Wang, X. Chang, S. Cai, J. Xing, and J. Hao, 2016. Modeling analysis of secondary inorganic aerosols over China: pollution characteristics, and meteorological and dust impacts, Scientific Reports, 6: 35992. https://doi.org/10.1038/srep35992
  12. Gupta, P. and S.A. Christopher, 2009. Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: Multiple regression approach, Journal of Geophysical Research: Atmospheres, 114(D14).
  13. Gupta, P., S.A. Christopher, J. Wang, R. Gehrig, Y.C. Lee, and N. Kumar, 2006. Satellite remote sensing of particulate matter and air quality assessment over global cities, Atmospheric Environment, 40(30): 5880-5892. https://doi.org/10.1016/j.atmosenv.2006.03.016
  14. Hallikainen, M.T., F.T. Ulaby, M.C. Dobson, M.A. El-Rayes, and L.K. Wu, 1985. Microwave dielectric behavior of wet soil-part 1: Empirical models and experimental observations, IEEE Transactions on Geoscience and Remote Sensing, 1: 25-34
  15. Han, J.S., Y.M. Kim, J.Y. Ahn, B.J. Kong, J.S. Choi, S.U. Lee, and S.J. Lee, 2006. Spatial distribution and variation of long-range transboundary air pollutants flux during 1997-2004, Journal of Korean Society for Atmospheric Environment, 22(1): 99-106 (in Korean with English abstract).
  16. Hwang, Y.J., S.J. Lee, H.S. Do, Y.K. Lee, T.J. Son, T.G. Kwon, J.W. Han, and J.W. Kim, 2009. The Analysis of PM10 Concentration and the Evaluation of Influences by Meteorological Factors in Ambient Air of Daegu Area, Journal of Korean Society for Atmospheric Environment, 25(5): 459-471 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2009.25.5.459
  17. 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, Atmospheric Chemistry and Physics, 10(12): 5391-5408. https://doi.org/10.5194/acp-10-5391-2010
  18. Kim, H. and M. Choi, 2015. Impact of soil moisture on dust outbreaks in East Asia: Using satellite and assimilation data, Geophysical Research Letters, 42(8): 2789-2796. https://doi.org/10.1002/2015GL063325
  19. Kim, H.C., S. Kim, B. Kim, C. Jin, S. Hong, R. Park, S. Son, C. Bae, M. Bae, C. Song, and A. Stein, 2017. Recent increase of surface particulate matter concentrations in the Seoul Metropolitan Area, Korea, Scientific Reports, 7(1): 4710. https://doi.org/10.1038/s41598-017-05092-8
  20. 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, Journal of Environmental Science International, 16(10): 1157-1167 (in Korean with English abstract). https://doi.org/10.5322/JES.2007.16.10.1157
  21. Koelemeijer, R.B.A., C.D. Homan, and J. Matthijsen, 2006. Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe, Atmospheric Environment, 40(27): 5304-5315. https://doi.org/10.1016/j.atmosenv.2006.04.044
  22. Liu, Y., J.A. Sarnat, V. Kilaru, D.J. Jacob, and P. Koutrakis, 2005. Estimating ground-level PM2.5 in the eastern United States using satellite remote sensing, Environmental Science & Technology, 39(9): 3269-3278. https://doi.org/10.1021/es049352m
  23. Lyu, Y., Z. Qu, L. Liu, L. Guo, Y. Yang, X. Hu, Y. Xiong, G. Zhang, M. Zhao, B. Liang, J. Dai, X. Zuo, Q. Jia, H. Zheng, X. Han, S. Zhao, and Q. Liu, 2017. Characterization of dustfall in rural and urban sites during three dust storms in northern China, 2010, Aeolian Research, 28: 29-37. https://doi.org/10.1016/j.aeolia.2017.06.004
  24. Nam, K.P., D.G. Lee, and J.H. Park, 2018. Analysis on the Characteristics of PM10 Variation over South Korea from 2010 to 2014 using WRF-CMAQ: Focusing on the Analysis of Meteorological Factors, Journal of Environmental Impact Assessment, 27(5): 509-520 (in Korean with English abstract). https://doi.org/10.14249/EIA.2018.27.5.509
  25. Ouyang, W., B. Guo, G. Cai, Q. Li, S. Han, B. Liu, and X. Liu, 2015. The washing effect of precipitation on particulate matter and the pollution dynamics of rainwater in downtown Beijing, Science of the Total Environment, 505: 306-314. https://doi.org/10.1016/j.scitotenv.2014.09.062
  26. Pendergrass, D. C., L. Shen, D.J. Jacob, and L.J. Mickley, 2019. Predicting the impact of climate change on severe wintertime particulate pollution events in Beijing using extreme value theory, Geophysical Research Letters, 46(3): 1824-1830. https://doi.org/10.1029/2018GL080102
  27. Remer, L.A., Y.J. Kaufman, D. Tanre, S. Mattoo, D.A. Chu, J.V. Martins, R.R. Li, C. Ichoku, R.C. Levy, R.G. Kleidman, T.F. Eck, E. Vermote, and B.N. Holben, 2005. The MODIS aerosol algorithm, products, and validation, Journal of the Atmospheric Sciences, 62(4): 947-973. https://doi.org/10.1175/JAS3385.1
  28. Rodell, M., P.R. Houser, U. Jambor, J. Gottschalck, K. Mitchell, C.-J. Meng, K. Arsenault, B. Cosgrove, J. Radakovich, M. Bosilovich, J.K. Walker, D. Lohmann, and D. Toll, 2004. The global land data assimilation system, Bulletin of the American Meteorological Society, 85(3): 381-394. https://doi.org/10.1175/BAMS-85-3-381
  29. Sakai, T., T. Shibata, Y. Iwasaka, T. Nagai, M. Nakazato, T. Matsumura, A. Ichiki, Y.S. Kim, K. Tamura, D. Troshkin, and S. Hamdi, 2002. Case study of Raman lidar measurements of Asian dust events in 2000 and 2001 at Nagoya and Tsukuba, Japan, Atmospheric Environment, 36(35): 5479-5489. https://doi.org/10.1016/S1352-2310(02)00664-7
  30. Shin, M.K., C.D. Lee, H.S. Ha, C.S. Choi, and Y.H. Kim, 2007. The Influence of Meteorological Factors on PM10 Concentration in Incheon, Journal of Korean Society for Atmospheric Environment, 23(3): 322-331 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2007.23.3.322
  31. Son, S., D. Kim, Y. Kang, J. Yoon, H. Jeon, S. Kim, K. Cho, and J. Yu, 2019. Fine-resolution mapping of particulate matter concentration in urban areas and population exposure analysis via dispersion modeling: a study in Daejeon, South Korea, Environmental Science and Pollution Research, 26(16): 15857-15871. https://doi.org/10.1007/s11356-019-04772-4
  32. Su, T., Z. Li, and R. Kahn, 2018. Relationships between the planetary boundary layer height and surface pollutants derived from lidar observations over China: regional pattern and influencing factors, Atmospheric Chemistry and Physics, 18(21): 15921-15935. https://doi.org/10.5194/acp-18-15921-2018
  33. Tian, J. and D. Chen, 2010. A semi-empirical model for predicting hourly ground-level fine particulate matter (PM2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements, Remote Sensing of Environment, 114(2): 221-229. https://doi.org/10.1016/j.rse.2009.09.011
  34. Tran, H., J. Kim, D. Kim, M. Choi, and M. Choi, 2018. Impact of air pollution on cause-specific mortality in Korea: Results from Bayesian Model Averaging and Principle Component Regression approaches, Science of The Total Environment, 636: 1020-1031. https://doi.org/10.1016/j.scitotenv.2018.04.273
  35. Van Donkelaar, A., R.V. Martin, M. Brauer, R. Kahn, R. Levy, C. Verduzco, and P.J. Villeneuve, 2010. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and application, Environmental Health Perspectives, 118(6): 847-855. https://doi.org/10.1289/ehp.0901623
  36. Wang, J. and S.A. Christopher, 2003. Intercomparison between satellite-derived aerosol optical thickness and PM2.5 mass: Implications for air quality studies, Geophysical Research Letters, 30(21).
  37. Wang, Z., L. Chen, J. Tao, Y. Zhang, and L. Su, 2010. Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method, Remote Sensing of Environment, 114(1): 50-63. https://doi.org/10.1016/j.rse.2009.08.009
  38. Wellenius, G.A., J. Schwartz, and M.A. Mittleman, 2005. Air pollution and hospital admissions for ischemic and hemorrhagic stroke among medicare beneficiaries, Stroke, 36(12): 2549-2553. https://doi.org/10.1161/01.STR.0000189687.78760.47
  39. Zeugner, S. and M. Feldkircher, 2015. Bayesian model averaging employing fixed and flexible priors: The BMS package for R, Journal of Statistical Software, 68(4): 1-37.
  40. Zhai, S., D.J. Jacob, X. Wang, L. Shen, K. Li, Y. Zhang, K. Gui, T. Zhao, and H. Liao, 2019. Fine particulate matter (PM 2.5) trends in China, 2013-2018: separating contributions from anth - ropogenic emissions and meteorology, Atmospheric Chemistry and Physics, 19(16): 11031-11041. https://doi.org/10.5194/acp-19-11031-2019
  41. Zuniga, J., M. Tarajia, V. Herrera, W. Urriola, B. Gomez, and J. Motta, 2016. Assessment of the possible association of air pollutants PM10, O3, NO2 with an increase in cardiovascular, respiratory, and diabetes mortality in Panama City: a 2003 to 2013 data analysis, Medicine, 95(2).