Korean Journal of Remote Sensing (대한원격탐사학회지)

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

DOI QR Code

A Numerical Study on the Characteristics of Flows and Fine Particulate Matter (PM2.5) Distributions in an Urban Area Using a Multi-scale Model: Part II - Effects of Road Emission

다중규모 모델을 이용한 도시 지역 흐름과 초미세먼지(PM2.5) 분포 특성 연구: Part II - 도로 배출 영향

  • Park, Soo-Jin (Researcher, Center of Oceanic Meteorological Information, Pukyong National University) ;
  • Choi, Wonsik (Assistant Professor, Department of Environmental Atmospheric Sciences, Pukyong National University) ;
  • Kim, Jae-Jin (Professor, Department of Environmental Atmospheric Sciences, Pukyong National University)
  • 박수진 (부경대학교 해양기상정보센터 전임연구원) ;
  • 최원식 (부경대학교 환경대기과학과 조교수) ;
  • 김재진 (부경대학교 환경대기과학과 정교수)
  • Received : 2020.12.09
  • Accepted : 2020.12.15
  • Published : 2020.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this study, we coupled a computation fluid dynamics (CFD) model to the local data assimilation and prediction system (LDAPS), a current operational numerical weather prediction model of the Korea Meteorological Administration. We investigated the characteristics of fine particulate matter (PM2.5) distributions in a building-congested district. To analyze the effects of road emission on the PM2.5 concentrations, we calculated road emissions based on the monthly, daily, and hourly emission factors and the total amount of PM2.5 emissions established from the Clean Air Policy Support System (CAPSS) of the Ministry of Environment. We validated the simulated PM2.5 concentrations against those measured at the PKNU-AQ Sensor stations. In the cases of no road emission, the LDAPS-CFD model underestimated the PM2.5 concentrations measured at the PKNU-AQ Sensor stations. The LDAPS-CFD model improved the PM2.5 concentration predictions by considering road emission. At 07 and 19 LST on 22 June 2020, the southerly wind was dominant at the target area. The PM2.5 distribution at 07 LST were similar to that at 19 LST. The simulated PM2.5 concentrations were significantly affected by the road emissions at the roadside but not significantly at the building roof. In the road-emission case, the PM2.5 concentration was high at the north (wind speeds were weak) and west roads (a long street canyon). The PM2.5 concentration was low in the east road where the building density was relatively low.

본 연구에서는 국지예보시스템(LDAPS)과 전산유체역학(CFD) 모델을 접합하여, 부산 중구 광복동에 소재한 건물 밀집 지역의 상세 흐름과 PM2.5 농도 분포를 조사하였다. 도로 배출이 건물 밀집 지역의 PM2.5 농도에 미치는 영향을 분석하기 위해, PM2.5의 연간 시·군·구별, 배출 원소 별, 연료 별 도로이동오염원·비산먼지 배출량 자료와 월별·일별·시간 별 배출 계수를 이용하여 부산의 단위 면적당 시간별 PM2.5 배출량을 산정하였다. 본 연구에서는 건물 옥상과 도로변에서 수행된 특별 측정 자료를 이용하여 수치 모의 결과를 검증하고, 도로배출 유·무에 따른 PM2.5 농도 분포 특성을 분석하였다. 대상 기간(2020년 06월 22일) 동안 대상 지역에서는 바람이 약하게 나타났다. 새벽 시간에는 북동풍과 북서풍이 불고 주간에는 주로 남동풍이 불었다. 도로 배출을 고려하지 않은 경우에 LDAPS-CFD 접합 모델은 측정 지점(PKNU-AQ Sensor)의 PM2.5 농도를 과소모의 하였으나, 도로 배출을 고려하여 수치 모의한 PM2.5 농도는 도로 배출의 영향으로 PM2.5 농도가 증가하여 측정 결과와 유사하게 나타났다. 2020년 6월 22일 07시와 19시의 유입 풍향은 각각 북동풍과 남동풍이지만, 주변 지형과 건물에 의해 흐름이 변화되어, 두 시각 모두 측정 지점 주변에서는 주로 남풍 계열의 흐름이 나타났다. 07시와 19시의 유사한 흐름에 의해, 두 시각의 PM2.5 농도 분포도 매우 유사하게 나타났다. 건물 옥상 측정 지점에서 수치 모의된 PM2.5 농도는 도로 배출 영향을 크게 받지 않았으나, 도로변 에서는 도로 배출 영향을 상대적으로 크게 받았다. 도로 배출을 고려한 경우, 풍속이 약한 북쪽 도로와 긴 도로 협곡에 위치한 서쪽 도로에서 PM2.5 농도가 높고, 상대적으로 건물의 밀집도가 낮은 동쪽 도로에서는 PM2.5 농도가 낮게 나타났다. LDAPS-CFD 접합모델은 모든 도로에서 배출량이 동일하게 적용되기 때문에, 좁은 골목과 건물 밀도가 낮은 지역의 지형 특성이 반영되어 도로 별 PM2.5 농도 특성이 다양하게 나타났다.

Keywords

요약

본 연구에서는 국지예보시스템(LDAPS)과 전산유체역학(CFD) 모델을 접합하여, 부산 중구 광복동에 소재한 건물 밀집 지역의 상세 흐름과 PM2.5 농도 분포를 조사하였다. 도로 배출이 건물 밀집 지역의 PM2.5 농도에 미치는 영향을 분석하기 위해, PM2.5의 연간 시·군·구별, 배출 원소 별, 연료 별 도로이동오염원·비산먼지 배출량 자료와 월별·일별·시간 별 배출 계수를 이용하여 부산의 단위 면적당 시간별 PM2.5 배출량을 산정하였다. 본 연구에서는 건물 옥상과 도로변에서 수행된 특별 측정 자료를 이용하여 수치 모의 결과를 검증하고, 도로배출 유·무에 따른 PM2.5 농도 분포 특성을 분석하였다. 대상 기간(2020년 06월 22일) 동안 대상 지역에서는 바람이 약하게 나타났다. 새벽 시간에는 북동풍과 북서풍이 불고 주간에는 주로 남동풍이 불었다. 도로 배출을 고려하지 않은 경우에 LDAPS-CFD 접합 모델은 측정 지점(PKNU-AQ Sensor)의 PM2.5 농도를 과소모의 하였으나, 도로 배출을 고려하여 수치 모의한 PM2.5 농도는 도로 배출의 영향으로 PM2.5 농도가 증가하여 측정 결과와 유사하게 나타났다. 2020년 6월 22일 07시와 19시의 유입 풍향은 각각 북동풍과 남동풍이지만, 주변 지형과 건물에 의해 흐름이 변화되어, 두 시각 모두 측정 지점 주변에서는 주로 남풍 계열의 흐름이 나타났다. 07시와 19시의 유사한 흐름에 의해, 두 시각의 PM2.5 농도 분포도 매우 유사하게 나타났다. 건물 옥상 측정 지점에서 수치 모의된 PM2.5 농도는 도로 배출 영향을 크게 받지 않았으나, 도로변 에서는 도로 배출 영향을 상대적으로 크게 받았다. 도로 배출을 고려한 경우, 풍속이 약한 북쪽 도로와 긴 도로 협곡에 위치한 서쪽 도로에서 PM2.5 농도가 높고, 상대적으로 건물의 밀집도가 낮은 동쪽 도로에서는 PM2.5 농도가 낮게 나타났다. LDAPS-CFD 접합 모델은 모든 도로에서 배출량이 동일하게 적용되기 때문에, 좁은 골목과 건물 밀도가 낮은 지역의 지형 특성이 반영되어 도로 별 PM2.5 농도 특성이 다양하게 나타났다.

1. 서론

탄소성분(유기탄소, 원소탄소), 이온성분(\(\mathrm{F}^{-}\), \(\mathrm{Cl}^{-}\), \(\mathrm{NO}_{3}^{-}\), \(\mathrm{PO}_{3}^{-}\), \(\mathrm{SO}_{3}{ }^{2^{-}}\), \(\mathrm{Na}^{+}\), \(\mathrm{NH}_{4}^{+}\), \(\mathrm{K}^{+}\), \(\mathrm{Ca}_{2}^{+}\), \(\mathrm{Mg}_{2}^{+}\)등), 금속성분(Fe, Mn, Pb, Hg 등) 등 다양한 성분을 포함하는(Pagan et al., 2003; Park et al., 2012; Lee et al., 2020) 미세먼지 증가는 인체의 건강과 경제 활동 등 사회에 부정적인 영향을 미친다(Jang, 2014; Lee et al., 2018; Eom and Oh, 2019; Park and Kim, 2020). Eom and Oh(2019)는 설문·통계 자료를 통해, 미세먼지가 실외 활동 제한에 간접적으로 영향을 미칠 수 있다고 분석하였고, Lee et al. (2018)은 미세먼지로 인한 환자 수 증가로 인해 의료비 지출 증가와 가계 소비지출 감소가 발생하여, 결과적으로 민간소비가 위축되는 효과가 있다고 분석하였다. 최근 도시지역의 미세먼지에 대한 연구가 다양하게 진행되어 왔다. 특히, 국·내외 미세먼지 발생원에 대한 연구(Kim, 2017; Park and Shin, 2017; Joo et al., 2019; Kim and Kim, 2019)와 미세먼지 농도 저감을 위한 연구가 활발히 진행되고 있다 (Kim et al., 2018; Baek and Song, 2019; Jeong et al., 2019; Song and Yum, 2019). Park and Shin(2017)은 계절성 풍향에 따른 한반도 미세먼지 농도의 국내·외 요인을 분석하여, 서풍 계열의 풍향 비율이 높을수록 국외로부터의 미세먼지 유입이 높다고 분석하였고, 국내 시멘트 산업과 같은 제조업이 미세먼지 농도 증가에 영향을 미친다고 분석하였다. Kim et al. (2018)은 국내 배출량 저감 시나리오를 통해 미세먼지 저감 효과를 분석하고, 미세먼지 구성 성분에 따른 배출 부문별 배출량 할당 등의 구체적인 저감 계획 마련을 제안하였다.

자동차가 배출하는 미세먼지와 도로에서 재비산되는 미세먼지는 주거 지역 미세먼지 농도를 증가시킬 수 있다(Baek et al., 2008). 현재 시도별·부문별 배출량 자료가 구축되어있고(Kim et al., 2008; Lee et al., 2011), 이는 미세먼지 연구를 수행하는데 중요한 기반 자료로 활용되고 있다(Kim et al., 2016; Kim et al., 2017). Kim et al. (2017)은 2013 CAPSS(clean air policy supporting system) 배출량 인벤토리 자료와 CMAQ(community multiscale air quality model) 모델을 이용하여, 수도권 지역의 미세먼지 농도 개선을 위한 배출량 저감 효과를 분석하였다. 배출량 자료와 수치 모델을 이용한 연구의 대부분은 중규모의 대기오염물질 농도 분석에 집중되어 있고, 도시 규모 이하의 상세 규모의 대기오염물질 농도 분석에 대한 연구는 매우 제한적으로 수행되었다 (Lee and Kwak, 2020). Lee and Kwak(2020)은 WRF(weather research and forecasting) 모델과 전산유체역학(computational fluid dynamics, CFD) 모델의 접합모델 결과와 드론 측정 대기 오염물질(NOX, O3, CO2, PM10, PM2.5, PM1, Black Carbon) 농도를 비교·검증하고, NOX와 검댕(Black carbon, BC)에 대한 오염물질 분포를 분석하였다.

최근에는 도시 지역의 미세먼지 확산을 조사하기 위해, 수~ 수십 미터의 높은 공간 해상도와 초 단위의 시간 해상도를 채용할 수 있는 CFD 모델을 이용한 연구들이 활발히 진행되고 있다 (Choi and Kang, 2013; Bang et al., 2018; Eom et al., 2020; Hong et al., 2020). 실내 미세먼지 농도는 실외 미세먼지 농도에 영향을 받기 때문에(Bang et al., 2018), 실외 미세먼지 농도 분포 특성을 선행하여 분석하는 것이 필요하다.

본 연구에서는 기상청에서 현업으로 운용하는 국지예보 모델(local data assimilation and prediction system, LDAPS)과 CFD 모델을 이용하여, 부산 중구 광복동 지역에 대한 미세먼지(PM2.5) 농도 분포 특성을 조사하였다. CAPSS의 도로 배출량 자료를 이용하여 시간별 배출량 자료를 구축하고, 도로 배출에 의한 도시 지역의 PM2.5 농도 분포 특성을 분석하였다.

2. 연구 방법

1) 실험설계

본 연구에서는 특별 측정이 수행된 부산 중구 광복동의 토성 초등학교 주변 지역을 대상 지역으로 선정하여, PM2.5의 공간 분포를 분석하였다. 수치 모의 영역은 부산 토성초등학교를 중심으로 각각 3 km×3 km이며, 분석 영역은 수치 도면을 중심으로 2 km×2 km이다 (Fig. 1(a)). 대상 지역에 대한 지리정보시스템(geographic information system, GIS)의 1 m 공간해상도 자료를 이용하여 3차원 지표 경계 자료를 구축하였다(Fig. 1(b)). PM2.5모의를 위한 수치 도면 크기는 x, y, z 방향으로 각각 3000 m, 3000 m, 750 m이고, 분석 영역은 2000 m×2000 m×750 m이다. 격자 크기는 수평(x, y)으로 10 m, 연직(z)으로 5 m이다.

OGCSBN_2020_v36n6_3_1653_f0008.png 이미지

Fig. 1. (a) Aerial photography for the target area, and (b) three-dimensional building configuration in the CFD model domain. In (a) and (b), yellow and blue circles represent the Toseong elementary school.

대상 기간은 대상 지역에서 특별 측정이 수행된 2020년 6월 22일 00시부터 23시까지이다. CFD 모델은 2020년 6월 22일 00시부터 23시까지 LDAPS가 매시간 예측한 기상 요소와 도시대기측정소(AQMS)의 매시간 측정 자료를 초기·경계자료로 사용하여 바람장과 농도장에 대하여 각각 0.5초 간격으로 1시간 동안 수치 적분한다.

LDAPS-CFD 접합 모델에 사용된 초기·경계농도는 토성초등학교 주변 AQMS의 측정자료를 사용하였다. 대상 지역의 북쪽에는 대신동 AQMS(AQMS 221281), 서쪽에는 당리동 AQMS(AQMS 221284), 동쪽에는 광복동 AQMS(AQMS 221112)가 위치한다. 대상 지역의 풍상 측에 위치한 AQMS 측정자료를 LDAPS-CFD 접합 모델의 초기·경계자료로 사용하였다. 그러나 남쪽에는 AQMS가 존재하지 않기 때문에, 광복동 AQMS 자료를 사용하였다. 광복동과 당리동 AQMS의 PM2.5농도 경향은 거의 유사하고, 대신동 AQMS는 새벽 시간(02~ 06시)에 PM2.5농도가 비교적 높게 나타났으나 전반적으로 경향은 유사하다 (Fig. 2). 대상 기간 동안에는 주로 북풍과 남풍이 불었기 때문에, 대신동과 광복동 AQMS의 측정자료가 초기·경계자료로 주로 사용되었다.

OGCSBN_2020_v36n6_3_1653_f0009.png 이미지

Fig. 2. Time series of the PM2.5concentrations at the AQMSs around the target area in 22 June 2020.

본 연구에서는 도로에서 배출되는 오염물질의 영향을 분석하기 위해, CAPSS(clean air policy support system)로부터 PM2.5에 대한 연간 시·군·구별, 배출 원소별, 연료 별 도로이동오염원과 비산먼지 배출량 자료를 이용하였다. 부산시의 배출 원소 별, 연료 별 PM2.5 총 배출량과 대기질 모델 입력용 배출량에서 사용된 월별, 일별, 시간 별 배출계수(Sun et al., 2014)를 이용하여, 단위 면적당 시간 별 PM2.5 배출량을 산정하였다(Fig. 3). 부산지역에서 산정한 PM2.5 배출량은 금요일에 가장 많았고, 주간과 주말의 배출량 곡선은 상이하였다. 주간 출퇴근 시간대에 두 개의 정점을 갖는 일변동 경향이 나타났다(Fig. 2). 주말 도로 배출량은 12시와 16시 사이에 가장 크게(3.4×10–6kgm –2hr –1이상) 나타났다. 대상 기간인 금요일(2020년 6월 22일)에는 01시와 04시 사이에 도로 배출량이 상대적으로 작고(0.5×10–6kgm –2hr –1이하), 17시에 가장 크게(3.93×10–6kgm –2hr –1) 나타났다. PM2.5 농도 분포에 대한 도로 배출의 직접적인 영향을 분석하기 위해 PM2.5를 비반응성 대기오염물질로 가정하였고, 침적은 없다고 가정하였다. 본 연구에서는 2020년 6월 22일에 대한 시간 별 PM2.5 배출량 자료를 사용하여, 도로 배출 유·무에 따른 PM2.5농도 수치 모의를 수행하였다.

OGCSBN_2020_v36n6_3_1653_f0001.png 이미지

Fig. 3. Daily variation of the PM2.5emission at Pusan in June 2020.

3. 결과와 토의

1) PKNU-AQ Sensor 측정 지점의 PM2.5 농도 비교

LDAPS-CFD 접합 모델이 수치 모의한 PM2.5 농도를 토성초등학교 옥상(S55)과 학교 주변 가로등(PKNU- AQ Sensor, S60, S61, S62, S63, S64, S65)(Fig. 4)에서 측정한 결과와 비교하였다(Fig. 5). 대상 기간 동안 측정된 PM2.5 농도는 모든 측정 지점에서 08시에 가장 높고 15 시에 가장 낮다. 09시와 16시의 PM2.5 평균 농도는 각각 19.95 µgm –3와 12.69 µgm –3이다. 출근 시간(07시부터 09시)에는 PM2.5농도가 비교적 높게 나타났으나, 퇴근 시간에는 농도의 변화가 나타나지 않았다. 그러나 풍상 측 지역의 AQMS에서 측정된 PM2.5농도는 출퇴근시간에 대한 뚜렷한 변화 경향이 나타나지 않았다 (Fig. 2). 따라서 LDAPS-CFD 접합 모델도 출근시간의 PM2.5농도 변 화 경향을 잘 재현하지 못하였다. LDAPS-CFD 접합 모델은 도로 배출을 고려하지 않은 경우에 측정 지점의 PM2.5농도를 배경 농도보다 낮게 모의한다. 수치 모의 된PM2.5농도는 건물 옥상지점(S55)의 측정자료와 유사하고 (Fig. 5(a)), 학교 주변 가로등에서 측정된 PM2.5농도는 측정 자료와 비교하여 낮게 모의하는데 (Fig. 5(b)-(g)), 이는 복잡한 건물에 의해 흐름의 유입과 유출이 활발하지 않아 상층의 PM2.5가 하층으로 유입되지 못하기 때문이다(Kang et al., 2020). 도로 배출을 고려한 경우에도 수치 모의된 PM2.5는 일 변화 경향을 재현하지 못하였으나, 측정 결과와 유사하게 모의하였다.

OGCSBN_2020_v36n6_3_1653_f0002.png 이미지

Fig. 4. The measurement positions of the sensors around Toseong elementary school.

OGCSBN_2020_v36n6_3_1653_f0003.png 이미지

Fig. 5. Time series of the measured and simulated PM2.5concentrations at (a) S55, (b) S60, (c) S61, (d) S62, (e) S63, (f) S64, and (g) S65 in Fig. 4.

Table 1. The statistical values for the simulated PM2.5concentrations in the cases of no road emission at the PKNU-AQ Sensors

OGCSBN_2020_v36n6_3_1653_t0001.png 이미지

수치 모델이 모의한 결과를 Chang and Hanna(2004)가 제안한 통계적 검증 지수를 이용하여 LDAPS-CFD 접합 모델의 성능을 검증하였다. NRMSE와 VG는 각각 정규화된 평균 분산(normalized mean variance, NRMSE) 과 기하 평균 분산 (geometric mean variance, VG)은 모델의 정밀도를 나타낸다. MG와 FB는 각각 기하평균 편차(geometric mean bias, MG)와 편차분율(fractional bias, FB)은 모델의 정확도를 나타낸다. FAC2와 R은 각각 정규화된 측정 2배 이내 예측 비율(fraction of predictions within a factor of two of measurements)과 상관 계수(correlation coefficient)를 나타낸다. 도로 배출을 고려하지 않고 수치 모의된 PM2.5농도에 대해 통계 검증 지수를 분석한 결과, 모든 측정 지점에 대해 정밀도 측면(NRMSE, VG) 에서 추천 범위를 모두 만족하였으나, 정확도 측면(MG, FB)에서는 옥상 지점(S55)을 제외하고 모두 추천 범위 를 만족하지 못하였다. 도로 배출을 고려하여 수치 모의된 PM2.5농도에 대해 통계 검증 지수를 분석한 결과 (Table 2), 모든 측정 지점에 대해 정밀도 측면(NRMSE, VG) 과정확도 측면(MG, FB)에서 모두 추천범위를 만족하였다. LDAPS-CFD 접합 모델은 대상 지역의 도로 배출을 고려함으로써 PM2.5농도 예측 성능을 개선하였다.

Table 2. The statistical values for the simulated PM2.5concentrations in the cases of road emission at the PKNU-AQ Sensors

OGCSBN_2020_v36n6_3_1653_t0002.png 이미지

2) PM2.5농도의 공간 분포

본 연구에서는 PM2.5농도에 대한 도로 배출 효과를 분석할 수 있는 주간에 대해 PM2.5농도 분포 특성을 조사하였다. 주간에 LDAPS-CFD 접합 모델이 풍향을 잘 재현하고, 도로 배출의 효과가 크게 나타났던 07시(일출 시간 : 05시 10분)와 19시(일몰 시간 : 19시 42분)에 대해 PM2.5농도 분포 특성을 분석하였다.

2020년 6월 22일 07시에 LDAPS-CFD 접합 모델이 수치 모의한 옥상 고도(z= 37.5 m, 해발 고도 기준)(Fig. 6) 와 지표 고도(z= 2.5 m, 지표면 기준) (Fig. 7)에서의 PM2.5 농도 분포를 분석하였다. 건물 옥상 지점(S55)에서의 PM2.5농도 분포를 분석한 결과(Fig. 6), LDAPS-CFD 모델은 측정 PM2.5농도(15.82 µgm –3)를 과소 모의(도로 배출 미적용–12.49 µgm –3, 도로 배출 적용–13.35 µgm –3) 하였는데, 이는LDAPS-CFD 접합 모델의 초기 PM2.5농도가 전반적으로 낮기 때문이다. 이 시각의 도로 배출량은 2.90×10 6kgm –2hr –1로 비교적 높았다. 도로 배출을 고려한 경우(Fig. 6(b))에도 PM2.5농도를 과소모의 하는데, 이는 건물 옥상 지점(S55)의 풍상 측에 학교 운동장이 있고, 도로 배출원이 100 m 이상 떨어져 있어 도로 배출 영향이 작기 때문이다.

OGCSBN_2020_v36n6_3_1653_f0004.png 이미지

Fig. 6. The distributions of the PM2.5concentrations simulated in the cases of (a) no road emission and (b) road emission and (c) their difference at the PKNU-SONIC measurement height (z = 37.5 m above the mean sea level) at 07 LST 22 Jun. 2020.

OGCSBN_2020_v36n6_3_1653_f0005.png 이미지

Fig. 7. The distributions of the PM2.5concentrations simulated in the cases of (a) no road emission and (b) road emission and (c) their difference at the surface (z = 2.5 m above the ground) at 07 LST 22 Jun. 2020.

PKNU-AQ Sensor 도로변 측정 지점에서의 PM2.5 농도 분포를 분석한 결과(Fig. 7), 건물 밀집도가 높은 지역에서는 PM2.5농도가 낮고 건물밀집도가 낮은 지역에서 PM2.5농도가 높은데(Fig. 7(a)), 이는 건물 밀집도가 높은 지역은 오염물질 유입과 유출이 용이하지 않기 때문이다(Kang et al., 2020). 도로 주변 지점에서 도로배출을 고려하지 않은 경우에 LDAPS-CFD 모델이 도로변 측정지점(S60, S61, S62, S63, S64, S65)에서 수치 모의한 PM2.5 농도는 각각 10.53, 10.73, 11.03, 11.82, 11.67, 11.53 µgm-3 로 같은 지점에서 측정된 PM2.5 농도를 과소모의하였다 (S60 –18.45 µgm –3, S61 –20.65 µgm –3, S62 –20.42 µgm –3, S63 –19.13 µgm –3, S64 –21.13 µgm –3, S65 –19.82 µgm –3). 도로 배출을 고려한 경우에는 도로를 따라 PM2.5농도가 높게 나타난다(Fig. 7(b)). 풍속이 약한 북쪽 도로(①)와 긴 도로 협곡에 위치한 서쪽 도로(②)에서 PM2.5농도가 높고, 상대적으로 건물 밀집도가 낮은 동쪽 도로(③)에 서는PM2.5농도가 낮다(Fig. 7(b), 7(c)). PKNU-AQ Sensor 지점간의 PM2.5농도는 거의 유사하게 나타났으나, LDAPS-CFD 접합모델은 모든 도로에서 배출량이 동일하게 적용되기 때문에, 좁은 골목과 건물 밀도가 낮은 지역의 지형 특성이 반영되어 도로 별 PM2.5농도 차가 비교적 크게 나타났다. PKNU-AQSensor도로변 측정 지점의 PM2.5농도는 도로 배출에 의해 북쪽 도로(S60과 S61)에서 각각 3.88 µgm –3, 3.73 µgm –3증가하였고, 서쪽 도로(S62와 S65)에서 각각 2.13 µgm –3, 2.34 µgm-3증가 하였으며, 동쪽 도로(S63과 S64)에서 각각 1.05 µgm –3, 1.06 µgm –3증가하였다.

2020년 6월 22일 19시에 LDAPS-CFD 접합 모델이 수치 모의한 옥상 고도(z= 37.5 m, 해발 고도 기준)(Fig. 8) 와 지표 고도(z= 2.5 m, 지표면 기준)(Fig. 9)에서의 PM2.5 농도 분포를 분석하였다. 건물 옥상 지점(S55) 부근의 PM2.5농도 분포를 분석한 결과(Fig. 8), 도로 배출 유무에 따른 PM2.5농도 분포 차이는 거의 나타나지 않았다(Fig. 8(c)). 이 시각의 도로 배출량은 2.41×10 6kgm –2hr –1이고, 도로 배출을 고려한 경우의 PM2.5농도(13.98 µgm –3)는 도로 배출을 고려하지 않은 경우(13.12 µgm –3)와 비교하여 상대적으로 측정된 PM2.5농도(14.39 µgm –3)를 잘 모의하였다.

OGCSBN_2020_v36n6_3_1653_f0006.png 이미지

Fig. 8. The same as in Fig. 6 except for 19 LST 22 Jun. 2020.

OGCSBN_2020_v36n6_3_1653_f0007.png 이미지

Fig. 9. The same as in Fig. 7 except for 19 LST 22 Jun. 2020.

PKNU-AQ Sensor 도로변 측정 지점에서의 PM2.5 농도 분포를 분석한 결과(Fig. 9), 2020년 6월 22일 07시의 PM2.5농도 분포와 유사하다. 도로 배출을 고려하지 않은 경우에, LDAPS-CFD 모델이 도로변 측정 지점(S60, S61, S62, S63, S64, S65)에서 수치 모의한 PM2.5농도는 각각 10.35, 10.60, 10.44, 11.70, 10.71, 10.52 µgm-3로 같은 지점에서 측정된 PM2.5농도를 과소 모의하였다(S60 – 13.76 µgm –3, S61 – 14.14 µgm –3, S62 – 14.18 µgm –3, S63 – 14.36 µgm –3, S64 – 13.82 µgm –3, S65 – 13.94 µgm –3).

도로 배출을 고려한 경우에는 도로를 따라 PM2.5농도가 높게 나타나고 (Fig. 9b), 각 PKNU-AQ Sensor 도로변 측정 지점의 PM2.5농도(S60, S61, S62, S63, S64, S65)는 각각 16.61 µgm –3, 18.23 µgm –3, 15.41 µgm –3, 13.10 µgm –3, 12.50 µgm –3, 17.21 µgm –3이다. 도로 배출을 고려한 경우에 LDAPS-CFD 접합 모델은 북쪽 도로(①)와 서쪽 도로(②)에서 PM2.5농도를 과대모의 하였는데, 이는 LDAPS-CFD 접합 모델이 풍속을 과소 모의하여 도로에서 배출된 오염물질의 확산이 활발히 이루어지지 않았기 때문이다.

4. 요약 및 결론

본 연구에서는 국지기상예측시스템(LDAPS)과 건물과 지형 효과를 고려할 수 있는 상세규모 모델(CFD model)을 접합하여, 부산 건물 밀집지역 지역에 대한 PM2.5농도 분포 특성을 조사하였다. LDAPS가 매시간 예측한 기상 요소와 풍상측 지역의 AQMS에서 매시간 측정된 PM2.5농도를 CFD모델의 초기·경계자료로 사용하였다. 도로 배출이 건물 밀집 지역의 PM2.5농도에 미치는 영향을 분석하기 위해, CAPSS의 PM2.5에 대한 연간 시·군·구별, 배출 원소 별, 연료 별 도로이동오염원과 비산먼지 배출량 자료를 이용하였다. 부산시에 대한 배출 원소 별, 연료 별 PM2.5의 총 배출량과 대기질 모 델 입력용 배출량에서 사용된 월별, 일별, 시간 별 배출 계수를 이용하여, 단위 면적당 시간 별 PM2.5배출량을 산정하였다. 본 연구에서는 부산 토성초등학교 주변에서 수행된 특별 측정 자료를 이용하여 수치 모의 결과를 검증하고, 도로 배출 유·무에 따른 PM2.5농도 분포 특성을 분석하였다.

대상 기간 동안 PKNU-AQ Sensor 지점에서 측정한 PM2.5농도는 모든 측정 지점에서 유사하였고, 08시에 가장 높고 15시에 가장 낮게 나타났다. LDAPS-CFD 접합 모델은 도로 배출을 고려하지 않은 경우에 측정 지점의 PM2.5농도를 배경 농도보다 낮게 모의하였는데, 이는 복잡한 건물에 의해 흐름의 유입과 유출이 활발하지 않아 상층의 PM2.5가 하층으로 유입되지 못하기 때문이다. 도로 배출을 고려하여 수치 모의한 PM2.5농도는 도로 배출의 영향으로 PM2.5농도가 증가하여 측정 결과와 유사하게 나타났다. 통계 검증 지수를 종합적으로 분석한 결과, LDAPS-CFD 접합 모델은 대상 지역의 도로 배출을 고려함으로써 PM2.5농도 예측성능을 개선하였다.

본 연구에서는 PM2.5농도에 대한 도로 배출 효과를 분석할 수 있는 주간(2020년 6월 22일 07시와 19시) 시간에 대해 PM2.5농도 분포 특성을 분석하였다. 2020년 6월 22일 07시와 19시에는 대상 지점 주변에서 주로 남풍 계열의 흐름이 나타났다. 2020년 6월 22일 07시와 19시의 유사한 흐름에 의해, 두 시각의 PM2.5농도 분포는 매우 유사하다. 그러나 19시의 풍속이 상대적으로 약하기 때문에, 19시의 PM2.5농도가 높게 나타났다. 건물 옥상 지점(S55)에서 수치 모의된 PM2.5농도는 도로 배출에 의한 영향을 크게 받지 않았는데, 이는 건물 옥상 지점(S55)의 풍상 측에 학교 운동장이 있고 도로 배출원이 100 m이상 떨어져 있어 도로 배출의 영향이 작기 때문이다. 건물 옥상 지점(S55)에서 수치 모의된 PM2.5농도는 측정된 PM2.5농도를 과소 모의하였는데, 이는 LDAPS-CFD 접합 모델의 초기PM2.5농도가 전반적으로 낮기 때문이다. 도로 배출을 고려한 경우에는 도로를 따라 PM2.5농도가 높게 나타난다. 풍속이 약한 북쪽 도로와 긴 도로 협곡에 위치한 서쪽도로에서 PM2.5농도가 높고, 상대적으로 건물의 밀집도가 낮은 동쪽 도로에서는는 PM2.5농도가 낮게 나타났다. PKNU-AQ Sensor 지점간의 PM2.5농도는 거의 유사하게 나타났으나, LDAPS-CFD 접합 모델은 모든 도로에서 배출량이 동일하게 적용되기 때문에, 좁은 골목과 건물 밀도가 낮은 지역의 지형 특성이 반영되어 도로 별 PM2.5농도에 차이가 나타났다.

결론적으로 건물 밀집 지역의 상세 흐름과 PM2.5 농도 분포는 건물과 지형에 따라 매우 복잡하게 나타나고, 건물 구조와 배치에 따라 지역별 도로 배출의 영향이 다양하게 나타났다. 본 연구에서 시도된 도로 배출을 고려한 상세 규모의 수치 모의 기법은 복잡한 도시 지역의 현실적인 초 미세먼지 농도를 모의하고, 지역적 특성에 따른 초 미세먼지 농도 분포 등의 대기질 정보를 제공하는데 유용한 수단이 될 것으로 기대한다. 보다 현실적인 초 미세먼지 농도를 모의하기 위해서는 상세한 건물과 지형 특성 반영뿐만 아니라 도로 교통량에 따른 상세 배출량의 고려가 필요할 것으로 판단된다. 또한, 본 연구에서는 PM2.5의 화학적 반응을 고려하지 않았으나, 도시 지역의 보다 정확한 PM2.5농도 분포를 분석하기 위해서는 화학 반응을 고려한 고해상도 수치 모의가 필요할 것으로 판단된다.

사사

이 성과는 정부(과학기술정보통신부, 교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(2019 M3E7A1113103).

References

  1. Baek, J. H. and J. M. Song, 2019. A Study on the establishment of PM10 management zones and their characteristics at the regional level, Korean Environmental Policy and Administration Society, 27(3): 75-104 (in Korean with English abstract). https://doi.org/10.15301/jepa.2019.27.3.75
  2. Baek, S. O., Y. K. Heo, and Y. H. Park, 2008. Characterization of concentrations of fine particulate matter in the atmosphere of Pohang area, Korean Society of Environmental Engineers, 30(3): 302-313 (in Korean with English abstract).
  3. Bang, J. I., S. M. Jo, and M. K. Sung, 2018. Analysis of infiltration of outdoor particulate matter into apartment buildings, Journal of the Architectural Institute of Korea Structure & Construction, 34(1): 61-68 (in Korean with English abstract). https://doi.org/10.5659/JAIK_SC.2018.34.1.61
  4. Chang, J. C. and S. R. Hanna, Air quality model performance evaluation, Meteorology and Atmospheric Physics, 87(2004): 167-196.
  5. Choi, D. H. and D. H. Kang, 2013. Experimental and computational fluid dynamics (CFD) methods to analyze particle resuspension and dispersion in buildings, Journal of the Architectural Institute of Korea Planning & Design, 29(10): 275-282 (in Korean with English abstract). https://doi.org/10.5659/JAIK_PD.2013.29.10.275
  6. Eom, Y. S. and H. N. Oh, 2019. Health risks from particulate matters (PM10) and averting behavior: evidence from the reduction of outdoor leisure activities, The Korean Economic Association, 67(2): 39-70 (in Korean with English abstract).
  7. Eom, Y. S., B. R. Park, S. G. Kim, and D. H. Kang, 2020. A case study on placement of portable air cleaner considering outdoor particle infiltration into an elementary school classroom, Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 14(2): 158-170 (in Korean with English abstract).
  8. Hong, S. H., W. Tian, and R. Ahn, 2020. The effect of the green space in roadside and building height on the mitigation of concentration of particulate matters, Korean Journal of Environment and Ecology, 34(5): 466-482 (in Korean with English abstract). https://doi.org/10.13047/KJEE.2020.34.5.466
  9. Jang, A.S., 2014. Impact of particulate matter on health, Journal of the Korean Medical Association, 57(9): 763-768 (in Korean with English abstract). https://doi.org/10.5124/jkma.2014.57.9.763
  10. Jeong, D. Y., Y. E. Choi, and J. H. Chon, 2019. Analysis of importance in available space for creating urban forests to reduce particulate matter - using the analytic hierarchy process, Journal of the Korean Institute of Landscape Architecture, 47(6): 103-114 (in Korean with English abstract). https://doi.org/10.9715/KILA.2019.47.6.103
  11. Joo, H. S., S. M. Lee, J. W. Choi, C. Y. Kim, M. W. Choi, and K. H. Kim, 2019. A study on concentration trends of particulate matter in China and correlation between air pollution levels in Korea and China, Korea Environment Institute, Sejong, Korea, p. 219.
  12. Kang, G., J.-J. Kim. and J. B. Lee, 2020. A numerical study on the effects of buildings and topography on the spatial distributions of air pollutants in a building-congested district, Korean Journal of Remote Sensing, 36(2-1): 139-153 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.2.1.4
  13. Kim, E. H., C. H. Bae, C. Yoo, B. U. Kim, H. C. Kim, and S. T. Kim, 2018. Evaluation of the effectiveness of emission control measures to improve PM2.5 concentration in South Korea, Journal of Korean Society for Atmospheric Environment, 34(3): 469-485 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2018.34.3.469
  14. Kim, J. B., 2017. Assessment and estimation of particulate matter formation potential and respiratory effects from air emission matters in industrial sectors and cities/regions, Journal of Korean Society of Environmental Engineers, 39(4): 220-228 (in Korean with English abstract). https://doi.org/10.4491/KSEE.2017.39.4.220
  15. Kim, J. H., D. R. Choi, Y. S. Koo, J. B. Lee, and H. J. Park, 2016. Analysis of domestic and foreign contributions using DDM in CMAQ during particulate matter episode period of February 2014 in Seoul, Journal of Korean Society for Atmospheric Environment, 32(1): 82-99 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2016.32.1.082
  16. Kim, K. H. and O. S. Kim, 2019. Analyzing transboundary particulate matters of Korea and China using time-series analyses, Journal of the Association of Korean Geographers, 8(1): 33-46 (in Korean with English abstract). https://doi.org/10.25202/JAKG.8.1.3
  17. Kim, S.T., N. K. Moon, and D. W. Byun, 2008. Korean national emissions inventory processing using US EPA's SMOKE system, Asian Journal of Atmospheric Environment, 2-1: 34-46. https://doi.org/10.5572/ajae.2008.2.1.034
  18. Kim, S. T., C. H. Bae, B. U. Kim, and H. C. Kim, 2017. PM2.5 simulations for the Seoul metropolitan area: (I) contributions of precursor emissions in the 2013 CAPSS emissions inventory, Journal of Korean Society for Atmospheric Environment, 33(2): 139-158 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2017.33.2.139
  19. Lee, D. G., Y. M. Lee, K. W. Jang, C. Yoo, K. H. Kang, J. H. Lee, S. W. Jung, J. M. Park, S. B. Lee, J. S. Han, J. H. Hong, and S. J. Lee, 2011. Korean national emissions inventory system and 2007 air pollutant emissions, Asian Journal of Atmospheric Environment, 5-4: 278-291. https://doi.org/10.5572/ajae.2011.5.4.278
  20. Lee, H. C., K. A. Ahn, and T. Y. Kim, 2018. A Socioeconomic loss of respiratory disease caused by particulate matter pollution: focusing on panel VAR model, The Korean Society of Management Consulting, 18(4): 173-186 (in Korean with English abstract).
  21. Lee, S. H. and K. H. Kwak, 2020. Assessing 3-D spatial extent of near-road air pollution around a signalized intersection using drone monitoring and WRF-CFD modeling, International Journal of Environmental Research and Public Health, 17(6915): 1-18.
  22. Lee, Y. M., M. K. Song, E. Y. Kim, S. H. Oh, C. H. Park, W. S. Choi, T. Y. Lee, Z. H. Shon, and M. S. Bae, 2020. Source identification of PM2.5 major elemental components at the harbor industrial area in Busan - comparison of trace elemental concentrations using two XRFs, Journal of Korean Society for Atmospheric Environment, 36(2): 216-227 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2020.36.2.216
  23. Pagan I., D. L. Costa, J. K. McGee, J. H. Richards, and J. A. Dye, 2003. Metals mimic airway epithelial injury induced by in vitro exposure to Utah Valley ambient particulate matter extracts, Journal of Toxicology and Environmental Health, 66(12): 1087-1112. https://doi.org/10.1080/15287390390213908
  24. Park, M. K. and G. S. Kim, 2020. Factors influencing health behavior related to particulate matter in older adults, Journal of Korean Academy of Nursing, 50(3): 431-443 (in Korean with English abstract). https://doi.org/10.4040/jkan.19201
  25. Park, S. A. and H. J. Shin, 2017. Analysis of the factors influencing PM2.5 in Korea: focusing on seasonal factors, Journal of Environmental Policy and Administration, 25(1): 227-248 (in Korean with English abstract). https://doi.org/10.15301/jepa.2017.25.1.227
  26. Park, S. M., K. J. Moon, J. S. Park, H. J. Kim, J. Y. Ahn, and J.S. Kim, 2012. Chemical characteristics of ambient aerosol during asian dusts and high PM episodes at Seoul intensive monitoring site in 2009, Journal of Korean Society for Atmospheric Environment, 28(3): 282-293 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2012.28.3.282
  27. 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, Korean Meteorological Society, 29(5): 609-614 (in Korean with English abstract).
  28. Sun, W. Y., J. C. Kim, J. H. Woo, B. G. Kang, K. S. Kim, S. H. Kim, A. R. Kim, Y. H. Kim, J. H. Kim, H. G. Kim, Y. I. Ma, G. H. Park, S. R. Park, K. Y. Song, S. M. Ahn, A. R. Jang, J. H. Jeon, J. H. Jeong, H. S. Jeong, H. K. Jo, K. C. Choi, I. Y. Choi, H. J. Choi, D. K. Han, J. S. Hong, I. S. Hwang. C. T. P. Thao, D. T. Vuong, N. T. Tram, Q. Songhuam, S. T. Kim, E. H. Kim, S. M. Kim, J. W. Kim, I. G. Park, C. H. Bae, H. M. Yoo, Y. Y. Lee, C. H. Song, Y. H. Kim, R. S. Park, M. E. Kim, and S. J. Lee, 2014. Development emission program for air quality modeling, National Digital Science Library, National Institute of Environmental Research, Incheon, Korea, p. 335.