DOI QR코드

DOI QR Code

태양광도계 자료를 이용한 한반도 내 Himawari-8 관측 AOD 특성 분석

Analysis of AOD Characteristics Retrieved from Himawari-8 Using Sun Photometer in South Korea

  • 이기택 (공주대학교 대기과학과 학부생) ;
  • 유선우 (공주대학교 대기과학과 학부생) ;
  • 이태영 (공주대학교 대기과학과 학부생) ;
  • 서명석 (공주대학교 대기과학과 정교수)
  • Lee, Gi-Taek (Undergraduate Student, Department of Atmospheric Science, Kongju National University) ;
  • Ryu, Seon-Woo (Undergraduate Student, Department of Atmospheric Science, Kongju National University) ;
  • Lee, Tae-Young (Undergraduate Student, Department of Atmospheric Science, Kongju National University) ;
  • Suh, Myoung-Seok (Professor, Department of Atmospheric Science, Kongju National University)
  • 투고 : 2020.06.04
  • 심사 : 2020.06.11
  • 발행 : 2020.06.30

초록

최근 성능이 크게 개선된 정지궤도 기상위성 Himawari-8, GK2A등이 운용됨에 따라 시공간적으로 보다 고해상도 AOD(Aerosol Optical Depth) 자료의 사용이 가능해졌다. 본 연구에서는 최근 4년간 한반도내 AERONET(Aerosol Robotic Network) 참여 5개 지점(서울대학교, 연세대학교, 한국외국어대학교, 광주과학기술원(GIST), 안면도 기후변화감시센터)의 에어로졸 관측 자료를 이용하여 Himawari-8/AHI(Advanced Himawari Imager) 에어로졸 산출물의 특징과 두 AOD 자료 간에 차이가 발생하는 원인에 대해 분석하였다. 분석결과 위성과 지상관측 AOD는 하늘이 맑을 경우(운량 < 3)에는 지리적 위치에 관계없이 매우 유사하게 나타났다. 하지만 운량이 증가할 경우 위성 관측과 지상관측 AOD의 차이는 지리적 위치에 관계없이 현저하게 증가하였다(편의: 0.05(맑음) → 0.21(전체), 상관계수: 0.74 → 0.64, RMSE: 0.21 → 0.51). 5개 지점 모두에서 운량이 많거나 상대습도가 높을 때 위성이 지상관측에 비해 AOD를 크게 과대 추정하는 것으로 보아 두 AOD 자료 간의 차이는 주로 운량과 상대습도와 관련이 깊은 것으로 판단된다. 하지만 풍속, 가강수량, 구름 하부 높이, 그리고 옹스트롬 지수(Angstrom Exponent)는 두 AOD 자료 간의 차이에 영향을 미치지 않는 것으로 보인다. 본 연구의 결과는 운량이 많을 경우 위성 관측 AOD 자료 사용시 주의가 필요함을 제시한다.

Through the operations of advanced geostationary meteorological satellite such as Himawari-8 and GK2A, higher resolution and frequency of AOD (Aerosol Optical Depth) data have become available. In this study, we analyzed the characteristics of Himawari-8/AHI (Advanced Himawari Imager) aerosol properties using the recent 4 years (2016~2019) of Sun photometer data observed at the five stations(Seoul National University, Yonsei University, Hankuk University of Foreign Studies, Gwangju Institute of Science and Technology, Anmyon island) which is a part of the AERONET (Aerosol Robotic Network). In addition, we analyzed the causes for the AOD differences between Himawari AOD and Sun photometer AOD. The results showed that the two AOD data are very similar regardless of geographic location, in particular, for the clear condition (cloud amount < 3). However, the quality of Himawari AOD data is heavily degraded compared to that of the clear condition, in terms of bias (0.05 : 0.21), correlation (0.74 : 0.64) and RMSE (Root Mean Square Error; 0.21 : 0.51), when cloud amount is increased. In general, the large differences between two AOD data are mainly related to the cloud amount and relative humidity. The Himawari strongly overestimates the AOD at all five stations when cloud amount and relative humidity are large. However, the wind speed, precipitable water, height of cloud base and Angstrom Exponent have been shown to have no effect on the AOD differences irrespective of geographic location and cloud amount. The results suggest that caution is required when using Himawari AOD data in cloudy conditions.

키워드

1. 서론

에어로졸은 대기 중에 부유하는 고체 및 액체 물질들의 전체를 뜻하며, 그 중 미세먼지는 입자의 크기에 따라 공기역학적 직경이 10 이하인 PM10과 2.5 이하인PM2.5로 나뉜다(Seinfeld and Pandis, 2006). PM2.5는 상당량이 NH3, SO2, NOX, 휘발성 유기화합물(VOCs) 등의전구물질에 의해 발생하는 2차 오염물질로 인해 생성되고, PM10은 PM2.5의 인위적인 생성 기작과 함께 토양과 관련된 자연적인 오염원(Al, Si, Ca, Ti, Fe 등)으로부터 발생한다(Kim et al., 2016).

에어로졸은 건강과 관련된 대기질의 문제뿐만 아니라 태양광과의 상호작용 및 구름 미세물리에 미치는 영향 등 지구복사 및 기후변화 연구에 매우 중요한 요소이다. 산업 측에서도 정밀함을 요구하는 반도체 산업 등에 피해를 줌으로써 경제적 불이익을 일으킬 수 있다(NMSC, 2012).

에어로졸 중 일부인 미세먼지는 매우 작기 때문에 대기 중에 머물러 있다가 호흡기를 거쳐 각종 장기에 침투하여 이동하여 인체에 악영향을 미칠 수 있다. 세계보건기구(World Health Organization: WHO)는 2016년한 해에 특정 질병으로 사망하는 인구 중 급성 하부 호흡기 감염에서 50%, 만성 폐색성 폐질환에서 43%, 폐암에서 29%, 허혈성 심장질환에서 25%, 뇌졸중에서 24%가 대기오염이 원인이라고 발표했다(WHO, 2018). 이러한 이유로 미세먼지 관련 문제는 큰 국민적 관심을 끌고 있다. Kim et al.(2015)은 최근 5대 신문사의 미세먼지 관련 기사 건수가 예년과 비교하여 2013년 4분기부터약 4.5배 정도로 폭발적으로 증가하는 추세를 보인다고 하였다.

인간 생활에 큰 영향을 미치는 에어로졸을 보다 효과적으로 관리하기 위해서는 지속적으로 정확한 농도를 파악해야 한다. 많은 양의 미세먼지가 중국에서 유입되고 있는 것도 사실이지만, 한반도에서 발생하는 에어로졸의 영향도 배제할 수 없다(ACAPR, 2019). 이는 정확한 관측이 수반되어야 세부적인 배출원을 파악하고, 효과적으로 미세먼지 배출문제에 대응할 수 있다는 점을 시사한다.

에어로졸의 분포를 정량적으로 관측하는 방법에는 대표적으로 지상 관측, 위성 관측 외에도 선박관측, 항공관측 등이 있다. Ko et al.(2017)은 선박 관측을 통해 서해상에서 발생하는 2차 에어로졸 성분의 특성을 보고한 바 있다.

인공위성을 이용한 관측법에는 위성 센서에 탑재된 적외선 밴드에서 선택적 흡수를 하는 입자의 성분을 측정하기 위한 휘도 온도 차 방법(Prata, 1989), 자외선 흡수성 에어로졸을 선택적으로 측정하는 자외선 흡수법(Hsu et al., 1996), 가시광선 채널에서 에어로졸 광 산란강도를 이용한 반사도 측정법(Lim et al., 2016) 등이 사용되어 왔다. 위성에서 에어로졸의 특성을 탐지하는데 가장 많이 이용되는 에어로졸 광학 두께(Aerosol OpticalDepth: AOD 또는 AOT: Aerosol Optical Thickness, 이하AOD)는 위성과 지구표면 사이의 대기경로에 존재하는 에어로졸이 산란, 흡수를 통해 복사에너지를 소산시키는 정도를 의미한다. 따라서 AOD는 대기 중 존재하는 에어로졸의 양을 표현하는 물리량으로 정의할 수 있다(NMSC, 2012). NMSC(2012)는 COMS(Communication,Ocean, and Meteorological Satellite) 위성에 탑재된 기상 영상기의 가시광 채널을 이용하여 AOD 산출 알고리즘을 개발하였고, Lee and Park(2012)은 제주도와 덕적도에서 관측된 초미세먼지 농도와 Terra/Aqua 위성에 탑재된MODIS(Moderate Resolution Imaging Spectroradiometer)자료로부터 도출된 AOD 와의 관계를 조사하였다.Himawari-8, GK2A 등 최근 성능이 크게 개선된 정지궤도 위성이 개발되면서, 보다 정밀하고 신뢰도 높은AOD 자료의 사용도 가능해졌다. Lim et al.(2016)은 일본 정지궤도 기상위성 Himawari-8/AHI(Advanced HimawariImager)를 이용하여 에어로졸 광학 정보를 산출 및 검증하였다.

미세먼지의 지상관측 방법에는 방출기로부터 방출된 베타선이 대기 중에서 채취되어 필터 위에 올려진 먼지를 통과할 때 흡수되는 양의 상대적 세기를 측정하여 미세먼지의 질량농도를 획득하는 베타 선법, 시료 채취기를 사용하여 미세먼지 시료를 채취한 후 그 전·후 필터의 무게 차이를 질량농도로 계산하는 중량농도 법, 대기중 부유하는 입자상 물질과 물리적 성질이 동일한 입자에 빛을 조사하면 산란되는 양이 질량농도에 비례하게 된다는 점을 이용한 광 산란법이 있다(Choi et al., 2018). 화력발전소 주변에 존재하는 입자상 물질을 광 산란법을 이용하여 측정하는 방법에 대해 논한 바 있고(SPSKEAA, 2018), 베타 선법을 이용하여 서울 서대문구에서의 지상 미세먼지를 관측한 연구도 있었다(Koo et al.,2018). 또한, 에어로졸의 광학적 특성을 관측하는 방법으로는 광 산란계수측정기(Nephelometer)를 이용한 광 산란계수 측정, 검댕(Black Carbon: BC)의 질량농도로부터 에어로졸 흡수계수를 산출해내는 방법을 이용한 광 흡수계수측정기(Aethalometer), 태양광도계(Sun photometer)와 정밀필터복사계(Precision Filter Radiometer: PFR)를이용한 AOD 측정, 다파장 편광라이다 시스템(Multiwavelength Polarization Lidar for Atmospheric Research:MPoLAR)을 이용하여 대기 중 에어로졸의 연직 분포를 관측하는 방법이 있다(KMA, 2016).

지상관측은 상대적으로 측정 정확도가 높으나 관측지점의 분포에 한계가 있으며 위성 관측은 넓은 지역을 한 번에 관측할 수 있으나 산출물의 정확도가 상대적으로 낮은 문제점이 있다. 하지만 최근 기상위성의 성능 및 도출 알고리즘이 크게 개선되면서 위성을 활용한 AOD 관측이 일반화되고 있다. 특히 동일지역에 대해 짧은 주기(10분 이내)로 지속적인 관측이 가능한 정지궤도 기상위성은 에어로졸의 시공간적 분포 관측에 효과적인 수단으로 활용될 수 있다. GK2A, Himawari-8 등과 같은 정지궤도 기상위성에 탑재된 센서 및 AOD 도출 알고리즘의 성능이 크게 개선되었음에도 이들 자료는 근본적으로 원격탐사 자료가 갖는 정확도 문제를 갖고 있다. 따라서 상대적으로 정확도가 높은 지상관측 자료를 이용하여 위성 관측 AOD 자료의 특성을 분석하고 이를 기반으로 한 위성 관측 AOD의 품질 향상 연구가 필요하다.

본 연구에서는 국내에서 AOD 측정 빈도수가 많고 산출 정확도가 높은 5개 지점의 지상관측 자료를 이용하여 Himawari-8/AHI의 Level 3 일평균 AOD의 산출 특성을 분석하고자 한다. 2절에서는 본 연구에 사용된 AOD자료와 분석 방법에 대해 설명하고, 3절에서는 지리적 위치, 구름 유무 등 다양한 조건에서의 Himawari-8/AHI자료와 지상관측 자료 사이의 관계에 대해 설명한다. 4절에서는 앞의 결과를 요약하고 결론을 도출한다.

2. 자료 및 연구 방법

1) 자료

본 연구에서는 최근 4년간(2016년 1월 ~ 2019년12월) Himawari-8/AHI 자료로부터 도출된 AOD 및AE(Angstrom Exponent) 자료와 AERONET(AerosolRobotic Network: https://aeronet.gsfc.nasa.gov)에서 이용 가능한 한반도 관측소의 AOD 및 AE 자료를 이용하였다. 또한 기상조건이 두 자료 간의 차이에 미치는 영향을 분석하기 위하여 기상청 관측 기상자료를 이용하였다.

Himawari-8/AHI의 AOD 및 AE 자료는 상대적으로 품질 수준이 높은 것으로 알려진 일평균 자료인 AOD_L2_Mean과 AE_L2_Mean을 사용하였다(Yoshida et al.,2018). 이 자료는 일본항공 우주탐사국(JAXA)의 P-Tree 시스템에서 수집하였다. Himawari-8/AHI 자료의 공간 해상도는 0.05 × 0.05 degree 이다.

Himawari-8/AHI 자료의 품질을 비교하기 위해서AERONET에서 제공하는 AOD 및 AE(440-675 nm) 자료를 이용하였다. AERONET은 전 세계에서 관측을 수행 중인 태양광도계 자료를 한 곳에 모아 놓은 네트워크이다. 한반도에는 2016년 DRAGON-KORUS-AQ 프로젝트 때 설치한 측정소를 포함 총 27개(안면도, 백령도,진해, 한국외국어대학교, 안산, 고려대학교, 백사도, 대관령, 익산, 경북대학교, 목포대학교, 국립환경과학원,올림픽공원, 송천, 태화, UNIST, 가거초, 강릉원주대학교, 제주 고산, GIST, 경기대학교, 이어도, 부산대학교,서울대학교, 소청초 해양과학기지, 전남 영광 염산면, 연세대학교)의 관측소가 운용 중이다(Oh et al., 2017). 27개관측소 자료에 대해 조사한 결과 많은 지점에서 태양광도계 자료에 결측이 많았기 때문에 최근 4년(2016 ~2019) 자료 중 결측이 상대적으로 적은 5개 관측소(서울대학교, 안면도 기후변화감시센터, 연세대학교, 광주과학기술원, 한국외국어대학교) 자료를 사용하였고 그 위치를 Fig. 1에 나타내었다. 서울대학교와 연세대학교는 지리적으로 가깝지만, 연세대학교는 서울 중심부에 위치하고 서울대학교는 상대적으로 도시 외곽에 위치하기 때문에 모두 시용하였다. 또한 AOD와 에어로졸 특성 변수들과의 관계를 분석하기 위하여 각 관측소 별AE(440-675 nm), PW(Precipitable Water), FMF(Fine ModeFraction), SSA(Single Scattering Albedo) 등 다른 변수들에 대해서도 조사한 결과 AE와 PW를 제외한 다른 변수들은 결측이 많아 AE, PW만 사용하였다.

OGCSBN_2020_v36n3_425_f0001.png 이미지

Fig. 1. Locations of sun photometer observatory(filled circle)and ASOS(cross) used in this study (SNU : SeoulNational University, HUFS : Hankuk University ofForeign Studies, GIST : Gwangju Institute of Scienceand Technology).

두 AOD 자료의 비교과정에서 구름 유무 등 기상조건이 미치는 영향을 알아보기 위하여 기상청에서 제공하는 종관기상 관측자료(Automated Synoptic ObservingSystem: ASOS) 중 동일기간(2016. 1. ~ 2019. 12)의 풍속,상대습도(RH), 운저고도, 전운량 자료를 이용하였다(https://data.kma.go.kr/cmmn/main.do). 안면도에는ASOS가 운용되지 않았기 때문에 풍속과 상대습도는 근접한 직선거리 31.15km의 보령 관측소에서, 전운량과 중하층 운량, 운저고도 자료는 16년 1월부터 17년 10월까지는 직선거리 30.2 km의 서산, 이후 18년 8월까지는 근접한 직선거리 31.89 km의 홍성, 그 후는 다시 운량관측이 가능해진 보령의 자료를 사용했다. 또한, ASOS자료가 없는 용인 소재 한국외국어대학교 글로벌 캠퍼스의 경우 근접한 직선거리 26.99 km의 수원 관측소의 자료를 사용하였다. 편의상 3절부터 서울대학교는SNU, 연세대학교는 Yonsei, 안면도는 Anmyon, 한국외국어대학교는 HUFS, 광주과학기술원은 GIST로 표기하였다.

2) 연구 방법

지상의 태양광도계 자료와 위성 자료는 시공간적 대표성 측면에서 차이가 있다. 위성은 일정 크기를 갖는 지상의 화소를 밑면으로 하는 대기 상단(위성방향)까지의 공기 기둥에 대한 자료를 산출하는 반면, 태양광도계는 점 관측으로 해당 지점에서 태양 방향 대기상단(연직방향)까지의 자료를 산출한다. 따라서 에어로졸의 3차원 분포를 포함한 대기특성이 공간적으로 균일하지 않을 경우에는 도출 알고리즘의 수준에 관계없이 두 자료 사이에 차이가 발생할 수 있다.

태양광도계와 Himawari-8/AHI 모두 에어로졸 관련 자료를 주간에만 관측하고 있는데 이를 평균한 값을 일평균으로 가정하였다. 분석기간 중 자료 사용 시간대를 일관성 있게 하기 위하여 분석 기상요소 자료의 일평균도 10~17 KST 자료를 이용하여 산출하였다. 이 과정에10~17 KST의 자료만을 사용한 이유는 태양 천정 각이 클 경우 태양광도계와 위성자료 모두에서 결측이 많거나 자료의 품질이 낮기 때문이다. 또한, 위성자료 위치오차 등을 고려하여 점 자료인 태양광도계 관측소를 기준으로 가장 근접한 화소를 선정한 후 그 화소를 중심으로 3 × 3 화소의 자료를 평균하여 사용했다. 태양광도계 관측소의 위치와 고도는 Table 1과 같다.

Table 1. Locations of sun photometer station used in thisstudy

OGCSBN_2020_v36n3_425_t0001.png 이미지

위성 및 태양광도계 모두 구름이 있으면 산출이 어렵거나 산출수준이 낮아지기 때문에 ‘맑음’에 대한 기상청 기준인 운량 3 이하에 해당되는 날짜의 AOD 자료를 맑은 날씨에서 관측된 자료로 가정하였다. AOD 크기에 따른 두 자료 사이의 관계를 분석하기 위하여 산포도(scatter plot), 상관계수, 지상관측 AOD를 참값으로 가정한 RMSE(Root Mean Square Error) 그리고 편의(bias)를 분석하였다.

두 AOD 자료 사이에 차이가 발생하는 원인을 분석하기 위하여 1) 지상 관측소에서 측정된 AE와 가강수량(Precipitable water: PW)과의 관계, 그리고 2) 주요 기상요소들(풍속, 상대습도, 운저고도, 전운량)과의 관계를 분석하였다. 이 때 Table 2에서 보는 바와 같이 두 AOD 자료 사이의 차(AOD (Himawari) - AOD (Sun photometer))를 3단계로 구분하였다. 두 AOD 자료 사이의 차가 3사분위수(Q3) 이상이면 강하게 과대추정한 그룹(GroupSOE), 차가 1사분위수(Q1) ~ 3사분위수(Q3)인 경우는약하게 과대추정한 그룹(Group MOE) 그리고 차가 1사분위수(Q1) 보다 작은 경우에는 약하게 과소추정한 그룹(Group WUE)으로 구분하였다. 관측소별 사분위수는 Table 3에 제시하였다.

Table 2. Categorization of AOD differences betweenHimawari/AHI and AERONET at 500 nm

OGCSBN_2020_v36n3_425_t0003.png 이미지

Table 3. Quartile numbers of AOD differences betweenHimawari/AHI and AERONET at 500 nm

OGCSBN_2020_v36n3_425_t0004.png 이미지

3. 결과

1) 위성-지상 AOD의 관계

Table 4는 분석기간(4년) 전체 위성자료와 기상청 기준 ‘맑음’ 기간에 대해 위성자료와 지상 자료와의 관계를 요약한 것이다

Table 4. Summary of relation between AHI AOD and AERONET AOD according to the cloud condition and station

OGCSBN_2020_v36n3_425_t0002.png 이미지

구름조건에 관계없이 관측 위치에 따라 관측일수에 차이가 크게 나고 있으며 전체 관측일 수 중 맑음에 해당되는 날은 위치에 따라 다르나 약 1/3에 해당되고 있다.AOD 도출 알고리즘이 관측 수단에 따라 과대/과소 추정하는지를 알기 위해 두 산출물 간의 편의(Bias)를 사용하였다. 본 연구에서는 지상 자료를 검증자료로 가정하였으므로, 위성 자료에서 지상 자료를 뺀 값의 평균을 편의로 상정하였다. 편의는 전체 기간에서 0.17 ~ 0.29의값을 보이고, 맑음 기간에서는 0.02 ~ 0.09의 값을 보여 모든 관측소에서 전체 기간보다 맑음 기간에서 위성과 지상 AOD 자료의 차이가 약 1/3 수준으로 작게 나타나고 있다.

또한, 관측소 위치 및 구름 유무와 관계없이 편의가양의 값을 보이고 있는데, 이를 통해 위성에서 도출한AOD는 지상에서 측정한 AOD보다 과대하게 추정하고 있음을 알 수 있다. 특히 운량이 3 이상인 기간을 포함하는 전체에서 맑은 경우보다 약 3배 정도 과대 추정하고 있다. 관측소 위치에 따라서도 차이가 있는데, 구름의 유무에 관계없이 Anmyon과 HUFS에서는 과대추정이 작은 반면 Yonsei와 GIST에서는 크게 나타나고있다. 두 AOD 자료 사이의 차이가 도심 중앙에 위치한Yonsei와 GIST에서 크고 상대적으로 청정 지역에 속하는 Anmyon과 HUFS에서 가장 작게 나타난 점은 에어로졸 크기분포, 유형 등에 대한 깊이 있는 연구가 필요함을 제시한다. 두 자료 사이의 상관계수는 전체 기간이0.58 ~ 0.69의 값을 보이고 맑은 날에는 0.54 ~ 0.86의 값을 보이고 있는데 HUFS와 GIST 지점을 제외한 다른 지점들에서는 맑은 날에 높은 상관성을 보이고 있다. 두AOD 자료 사이의 관계가 HUFS와 GIST에서 다른 지점들과 다르게 나타난 원인에 대해서는 추가적인 분석이 필요한 것으로 판단된다. RMSE의 경우 구름조건에 따라 차이가 더 크게 나타나는데, 맑음 기간은 0.14 ~0.33으로 작게 나타나고 있으나 전체기간에는 0.38 ~0.64로 모든 지점에서 약 2배 이상 크게 나타나고 있다.평가요소에 관계없이 위성과 지상관측자료 사이의 관계가 운량 및 지리적 위치에 따라 차이가 크게 나고 있으며 SNU와 Yonsei의 경우 거리가 매우 가까움에도 불구하고 위성과 지상관측자료 사이의 관계에 적지 않은차이를 보이고 있다.

Fig. 2와 Fig. 3은 각각 전체 및 ‘맑음’ 기간에 대해 위성관측 AOD와 지상관측 AOD사이의 관계를 각 지점별로 나타낸 것이다. 전체의 경우 지점에 관계없이 AOD가 0.0 ~ 4.0 사이로 다양하게 나타나고 있으며 위성관측 AOD가 지상관측 AOD보다 크게 나타나고 있다. 모든지점에서 일부 위성 관측 AOD가 지상 관측 AOD보다2배 이상 크게 나타나고 있다. 이는 전반적으로 큰 값을 가지는 RMSE의 주 원인이 되고 있는 것으로 판단된다.하지만 ‘맑음’ 기간의 경우 지점에 관계없이 대부분 AOD가 1.0 이하로 작게 나타나고 있으며 HUFS와 GIST 지점을 제외한 3개 지점에서는 위성관측 AOD와 지상관측 AOD와 매우 유사하게 나타나고 있다. HUFS지점에서 두 기간 모두 같은 상관계수 값이 나타난 것은 앞에서도 설명한 바와 같이 구름관측 자료를 용인이아닌 수원자료를 이용한 것과 관련이 있는 것으로 판단된다. GIST 지점의 경우 다른 지점들에 비해 맑은 날의상관계수는 낮고 편의와 RMSE가 크게 나타나고 있어서 관측자료의 품질에 대해서도 분석이 필요한 것으로 보인다.

OGCSBN_2020_v36n3_425_f0002.png 이미지

Fig. 2. Relation between Himawari/AHI AOD and AERONET AOD for total case. (a) SNU, (b) Yonsei, (c) HUFS, (d) Anmyon,and (e) GIST.

OGCSBN_2020_v36n3_425_f0003.png 이미지

Fig. 3. Same as Fig. 2 except for the ‘clear’ case

Fig. 4는 구름 조건 및 관측소 위치에 따라 두 AOD 차의 분포를 나타낸 것이다. 관측소 위치에 관계없이 위성과 지상 관측 AOD 간의 차는 맑음에서는 -0.2 ~ 0.5로 나타나고 있으나 전체에서는 -0.4 ~ 2.0로 매우 다양하게 나타나고 있다. 전체자료에서는 두 AOD 간의 차가 0.5 이상으로 큰 값이 적지 않게 나타나고 있어서 구름이 많은 경우 위성 관측 AOD 자료 이용에 주의가 필요함을 제시한다. 또한 맑은 경우에도 두 자료 간의 차가 -0.3 이상으로 큰 자료들이 있는데 이는 맑음 조건을평균 운량 3이하로 한 것과 AOD 관측지점과 운량 관측지점이 상이한 것도 작용한 것으로 보인다.

OGCSBN_2020_v36n3_425_f0004.png 이미지

Fig. 4. Box and whisker plot of AOD differences (AHI - AERONET) for the total case (blue) and ‘clear’ case (yellow)

Fig. 5는 각 관측소의 전체 기간과 ‘맑음’ 기간에서AOD 크기별 AOD 차이의 분포를 나타낸 상자 그림이다. 구름유무에 관계없이 AOD가 모든 관측소에서1.2까지 다양하게 나타나고 있다. 맑은 상태에서도 모든지점에서 AOD가 0.5 이상으로 큰 자료들이 많은 것은최근 동아시아 지역에서 사회적으로 문제가 되고 있는고농도 미세먼지 현상과 관련이 있는 것으로 보인다. 맑은 조건에서는 AOD 크기에 관계없이 AOD 자료의 차가 비교적 일정한 모습을 보이고 있으나, 전체 기간의경우 AOD 가 커질수록 AOD 차 범위가 커질 뿐만 아니라 AOD 크기 및 지리적 위치에 따라 편차가 상이하게 나타나고 있다.

OGCSBN_2020_v36n3_425_f0005.png 이미지

Fig. 5. Box and whisker plot of daily AOD differences (AHI - AERONET) at 500 nm by region and AOD (total case:blue, ‘clear’ case: yellow).

Fig. 6과 Fig. 7은 각각 전체 및 ‘맑음’ 기간에 대해 위성과 지상에서 산출된 AE를 산포도로 나타낸 것이다. AE는 파장에 따른 빛의 산란 정도를 나타내는 변수로, 값이 작을수록 에어로졸 입자의 크기가 큼을 의미한다(KMA, 2008). 전체 기간의 경우 모든 지역에서 두 AE 자료사이의 상관계수가 0.056 ~ 0.179로 매우 낮게 나타나두 자료 사이에 관계성이 거의 없음을 보이고 있다. 또한 지상 측정 AE 자료는 대부분의 값이 0.6 ~ 1.7의 분포를 보이는 반면, 위성 자료에서는 0.3 ~ 1.6의 분포를 보이고 있다. ‘맑음’기간의 경우에도 모든 지역에서 두 AE자료사이의 상관계수가 0.009 ~ 0.227로 매우 낮게 나타나 두 자료 사이에 관계성이 거의 없음을 보인다. 또한, Fig. 6에서와 같이 지상 측정 AE 자료는 대부분의 값이0.8 ~ 1.7의 분포를, 위성 자료에서는 0.2 ~ 1.6의 분포를보이고 있다. AE의 이러한 분포는 운량에 관계없이 위성자료가 지상 자료에 비해 전체적으로 입자의 크기를다양하게 그리고 크게 추정하고 있음을 제시한다. 에어로졸의 성분과 크기 분포가 갖는 중요성을 고려할 때 두자료에 대한 심도있는 분석을 통해 AE 차이가 크게 나타난 문제점을 수정할 필요가 있다.

OGCSBN_2020_v36n3_425_f0006.PNG 이미지

Fig. 6. Same as Fig. 2 except for AE (Angstrom Exponent).

OGCSBN_2020_v36n3_425_f0007.png 이미지

Fig. 7. Same as Fig. 6 except for the ‘clear’ case.

2) AOD 차 원인

위성 AOD와 지상 AOD 자료는 AOD 크기, 구름유무 및 지리적 위치에 관계없이 적지 않은 차이를 보이고 있다. 여기서는 두 AOD 자료 간의 차가 발생하는 원인을 알아보기 위하여 AOD 차와 AE, 가강수량, 풍속,습도, 운저고도, 전운량 과의 관계를 분석하였다.

Fig. 8은 맑은 기간에서의 AE 관측값과 AOD 차이를산포도로 나타낸 그림이다. 두 AOD 자료의 차이에 관계없이 모든 지역에서 AE가 0.8 ~ 1.7로 에어로졸의 크기가 다양하게 분포하고 있음을 제시한다. 즉, 에어로졸의 크기는 두 AOD 자료의 차와 관계가 거의 없는 것으로 보이며 이는 두 변수사이의 상관계수가 -0.06 ~ 0.048인 것에서도 확인되고 있다.

OGCSBN_2020_v36n3_425_f0008.png 이미지

Fig. 8. Scatter plot of daily AOD difference (AHI-AERONET) and AE (Angstrom exponent) at 440-675nm for the ‘clear’ case.(a) SNU, (b) Yonsei, (C) HUFS, (d) Anmyon, and (e) GIST.

Fig. 9은 Fig. 8에서와 같이 지상에서의 PW 관측값과 AOD 차이를 산포도로 나타낸 그림이다. 가강수량(PW)은 하늘에서 비로 내릴 수 있는 물의 양으로, 단위 면적당 연직 기둥에 포함된 총 수증기량으로 해석할 수 있다.AE에서와 같이 가강 수량도 모든 관측소에서 AOD 차에 상관없이 0.0 ~ 3.0 cm의 분포를 보일 뿐만 아니라 상관계수도 -0.254 ~ -0.005로 두 변수 사이에 유의미한 관계가 없음을 제시한다.

OGCSBN_2020_v36n3_425_f0009.png 이미지

Fig. 9. Same as Fig. 7 except for the PW(Precipitable Water)

Fig. 10은 풍속과 두 AOD 자료 사이의 차와의 관계를알아보기 위하여 AOD 편차의 정도에 따라 분류된 그룹별 풍속의 분포를 나타낸 것이다. 지점에 따라 차이는있지만 전체적으로 풍속이 두 AOD 자료 간의 편차에큰 영향을 준 것으로 보이진 않는다. SNU와 Yonsei 지점에서는 풍속과 추정 차 사이에 반비례 관계가 나타나고있지만 GIST와 Anmyon 지점에서는 AOD 추정 수준에관계없이 바람의 분포가 유사하게 나타나고 있다.

OGCSBN_2020_v36n3_425_f0010.png 이미지

Fig. 10. Distribution of wind speed according to the region and AOD estimation level (SOE: Strong overestimation, MOE:Moderate overestimation, and WUE: Weak underestimation).

Fig. 11은 Fig. 10에서와 같이 AOD 추정 수준별 상대습도의 분포를 보인 것이다. 정도의 차이는 있지만 모든 관측소에서 위성에서 AOD를 과대 추정하였을 때(Group SOE) 상대습도가 상대적으로 높은 값을 보이고 있다. 이는 상대습도가 높을 때 위성에서 도출한 AOD가 지상관측 AOD보다 클 수 있음을 제시한다. 또한 관측소 위치에 관계없이 Group WUE와 Group MOE에서는 상대습도가 큰 차이를 보이지 않고 있다. 이는 과대추정시와는 다르게 위성이 AOD를 지상과 유사하거나과소 추정할 때는 상대습도의 영향이 크지 않음을 보이고 있다. Anmyon 지점에서는 다른 지점들보다 상대습도가 약 10% 이상 높게 나타나고 있는데 이는 Anmyon지점의 기상관측 값으로 사용한 보령이 바닷가에 위치하였기 때문인 것으로 보인다.

OGCSBN_2020_v36n3_425_f0013.png 이미지

Fig. 11. Same as Fig. 9 except for the Relative Humidity(RH).

Fig. 12는 위성에서의 AOD 추정 그룹별 운저고도를나타낸 것으로 지점에 따라 운저고도는 다양하게 나타나고 있으나 모든 지점에서 AOD 추정 수준과 운저고도 사이에는 관계가 전혀 없음을 보이고 있다. 다른 4대지점과 다르게 안면도에서 운저고도가 매우 다양하게나타나는 것은 주목할 만한 점으로 보여진다.

OGCSBN_2020_v36n3_425_f0011.png 이미지

Fig. 12. Same as Fig. 9 except for the cloud base.

Fig. 13은 운량이 AOD 추정 수준에 미치는 영향을 살펴보기 위해 AOD 추정 그룹별 전운량의 분포를 나타낸 것이다. 관측소 위치에 관계없이 모두 Group SOE에서 전운량이 매우 높게 나타난 것은 위성 추정 AOD 자료에 운량이 큰 영향을 미쳤음을 제시한다. 또한 HUFS를 제외하면 Group MOE에서 WUE에서보다 운량의중앙값이 높게 나타나고 있다. 이는 과대 추정 수준은아니지만 전운량이 위성의 AOD 산출에 영향을 미치고있음을 제시한다. 운량과 함께 운형이 미치는 영향도 분석하고자 하였으나 층운형 계열 구름이 광범위하게 나타난 날에는 대부분의 태양광도계 관측값이 결측이었기 때문에 분석을 할 수가 없었다.

OGCSBN_2020_v36n3_425_f0012.png 이미지

Fig. 13. Same as Fig. 9 except for the total cloud.

4. 결론

본 연구에서는 최근 4년간(2016년 1월 ~ 2019년 12월)한반도 지역에서의 5개 지점(서울대학교, 연세대학교,한국외국어대학교, 안면도 기후변화감시센터, GIST)지상관측 자료를 이용하여 Himawari-8/AHI 자료로부터 도출된 일평균 AOD의 산출 특성을 분석하였다. 원격탐사 자료로부터 AOD를 산출하는 과정에서 구름 유무가 중요한 제약조건임을 고려하여 전체 관측 자료 중지상관측 운량이 3 이하를 ‘맑음’으로 구분하여 분석하였다. 또한 두 AOD 자료 사이에 차이가 발생하는 원인을 알아보고자 AE(Angstrom Exponent) 자료, 가강수량,바람, 상대습도, 운량 등과의 관계를 분석하였다.

관측지점에 따라 다소의 차이는 있었으나 구름 유무및 관측지점에 관계없이 전체적으로 위성으로부터 도출된 AOD 값이 지상의 AERONET AOD 값보다 과대하게 추정되고 있다. 이러한 과대추정 결과는 L2 알고리즘으로 도출한 AOD가 AERONET에 비해 과대추정함을 보인 Yoshida et al.(2018)의 연구와도 일치한다. 특히 맑음(5개 지점 평균 편의 0.05) 에서 보다 전체 자료에서의 양의 편의(5개 지점 평균 편의 0.21)가 약 4배 이상 크게 나타났다. RMSE도 편의와 유사하게 관측지점에 관계없이 전체자료(0.51)에서 맑음(0.21) 보다 약 2.5배 정도 크게 나타났다. 두 AOD 자료 사이의 상관성도 맑음일 때 전체보다 10% 이상 높게 나타났다. 두 AOD자료 사이의 기초 통계량 분석결과 운량이 두 자료사이의 관계에 많은 영향을 미치고 있음을 알 수 있었다. 또한 두 AE 자료의 분포를 비교한 결과 구름 과다 및 관측소 위치에 관계없이 위성에서 도출된 에어로졸의 크기가 지상에서 측정한 값들보다 크고 다양하게 도출되고있음을 확인할 수 있었다. 두 AOD 자료 사이의 차와AE 그리고 가강수량과의 관계를 분석한 결과 AE와 가강수량은 두 AOD 자료 사이의 차와 관계가 거의 없음을알수 있었다. 그러나 Lim et al.(2016)의 연구에서 같은 위성을 사용했음에도 지상 AERONET 자료에 비해 전반적으로 AOD를 과소추정하였는데, 그 이유를 지역에 따른 지표 반사도 과대모의 때문인 것으로 설명하고 있다.

위성으로부터 도출된 AOD와 지상관측 AOD 사이의 차이가 지리적 위치에 관계없이 적지 않게 나타남에따라 이들 차이가 발생하는 원인을 알아보기 위하여 상대습도 등 주요 기상요소와의 관계를 분석하였다. 지리적 위치에 따라 다소간의 차이는 있었지만 풍속과 운저고도는 두 AOD 자료사이의 차이와 관계가 거의 없는것으로 나타났다. 하지만 상대습도의 경우 대부분의 관측소에서 위성이 AOD를 강하게 과대 추정할 때 매우높은 값을 보였으나 그 외 경우에서는 차이가 없었다.전운량의 경우 위성이 AOD를 강하게 과대 추정(SOE)할 때 약하게 과소 추정(WUE)할 때보다 약 2배 이상으로 나타나고 있다. 이러한 결과는 상대습도와 운량이 위성과 지상관측 AOD 사이에 차이가 발생하는 데 중요한 작용을 하였음을 제시한다.

앞에서 설명한 바와 같이 국내 AERONET 자료 중연구 대상 기간 동안 분석이 가능한 자료를 제공하는 관측소가 5곳뿐이었을 뿐만 아니라 사용한 5개 지점 자료에도 결측이 적지 않다는 문제점이 있다. 또한 태양광도계 관측의 특성상 구름에의해 해가 가려지면 관측이중단되어 위성대비 결측이 많아 위성과 지상관측 사이에 1:1 매칭이 되지 않은 점도 결과에 영향을 주었을 것으로 생각된다.

최근 미세먼지 등 에어로졸에 대해 관심이 높아지고있는 점과 에어로졸이 건강, 복사수지, 구름물리 등 우리의 삶과 기후변화 관련 현상에 미치는 영향을 고려할 때, 보다 신뢰성 있는 관측자료의 확보는 매우 중요하다. 추후 태양광도계의 운용지역 및 정규적 관측의 확대를 통해 부족한 지상자료의 시공간 해상도를 개선한다면 위성 산출 AOD 자료의 품질 개선에 보다 더 기여할 것으로 기대된다.

사사

이 연구는 한국기상산업기술원 “기상·지진See-At기 술개발/기상관측기술” 사업의 일환으로 추진하는 “한 반도 주변 안개발생의 시·공간 특성 분석을 위한 지상 및 위성관측 자료 통합 활용기법 개발(KMA2018-06510)” 과제의 지원으로 수행되었습니다

참고문헌

  1. ACAPR(Asia center for air pollution research), 2019. Summary Report of the 4th stage (2013-2017) LTP Project, National Institute of Environmental Research, Seoul, Korea.
  2. Choi, S.I., J.E. An, and Y.M. Jo, 2018. Review of Analysis Principle of Fine Dust, Journal of Industrial and Engineering Chemistry, 21(2): 16-23 (in Korean with English abstract).
  3. Hsu, N.C., J.R. Herman, P.K. Bhartia, C.J. Seftor, O. Torres, A.M. Thompson, J.F. Gleason, T.F. Eck, and B.N. Holben, 1996. Detection of Biomass Burning Smoke from TOMS Measurements, Geophysical Research Letters, 23(7): 745-748. https://doi.org/10.1029/96GL00455
  4. Kim, Y.W., H.S. Lee, Y.J. Jang, and H.J. Lee, 2015. How does media construct particulate matter risks?: A news frame and source analysis on particulate matter risks, Korean Journal of Journalism & Communication Studies, 59(2): 121-154.
  5. 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
  6. KMA(Korean Meteorological Administration), 2008. Report of Global Atmosphere Watch 2007, Korean Meteorological Administration, Seoul, Korea.
  7. KMA(Korean Meteorological Administration), 2016. Manual for the aerosol observations, Korean Meteorological Administration, Seoul, Korea.
  8. Ko, H.J., C.H. Kang, J.W. Cha, and S.B. Ryoo, 2017. Concentration and Pollution Characteristics of Secondary Aerosol Components Over the Yellow Sea by Ship-Borne Observation in Spring, 2015, Atmosphere, 27(1): 29-40 (in Korean with English abstract). https://doi.org/10.14191/Atmos.2017.27.1.029
  9. Koo, J.H., S.Y. Lee, M.S. Kim, J.H. Park, S.A. Jeon, H.S. Noh, J. Kim, and Y.G. Ryu, 2018. Comparison of Ground-Based Particulate Matter Observations in the Seodaemun-gu District, Seoul, Atmosphere, 28(4): 469-477 (in Korean with English abstract). https://doi.org/10.14191/ATMOS.2018.28.4.469
  10. Lee, K.H. and S.S. Park, 2012. Relationship between PM2.5 Mass Concentrations and MODIS Aerosol Optical Thickness at Dukjuk and Jeju Island, Korean Journal of Remote Sensing, 28(4): 449-458 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2012.28.4.8
  11. Lim, H.K., M.J. Choi, M.J. Kim, J. Kim, and P.W. Chan, 2016. Retrieval and Validation of Aerosol Optical Properties Using Japanese Next Generation Meteorological Satellite, Himawari-8, Korean Journal of Remote Sensing, 32(6): 681-691 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.6.12
  12. NMSC(National Meteorological Satellite Center), 2012. Technical analysis report of Aerosol Optical Depth algorithm (AOD-v2.0), National Meteo - rological Satellite Center, Jincheon, Korea.
  13. Oh, S.H., J. Kim, Z.H. Shon, and M.S. Bae, 2017. Assessing the Altitudinal Potential Source Contribution Function of Aerosol Optical Depth in the West Coast of Korean Peninsula during the DRAGON-KORUS-AQ Campaign, Journal of Korean Society for Atmospheric Environment, 33(1): 19-30 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2017.33.1.019
  14. Prata, A.J., 1989. Observations of volcanic ash clouds in the 10-12-micron window using AVHRR/2 Data, International Journal of Remote Sensing, 10(4-5): 751-761. https://doi.org/10.1080/01431168908903916
  15. Seinfeld, J.H. and S.N. Pandis, 2006. Atmospheric chemistry and physics: From air pollution to climate change 2nd Edition, John Wiley & Sons, Inc., New York, NY, USA, pp. 55-62.
  16. SPS-KEAA, 2018. Methods for measurement and analysis of particulate matters at around a thermal power plant using light scattering method, Korea Energy Appliances Industry Association, Ansan, Korea.
  17. WHO(World Health Organization), 2018. Burden of disease from the joint effects of household and ambient Air pollution for 2016, World Health Organization, Geneva, Switzerland.
  18. Yoshida, M., M. Kikuchi, T.M. Nagao, H. Murakami, T. Nomaki, and A. Higurashi, 2018. Common retrieval of aerosol properties for imaging satellite sensors, Journal of the Meteorological Society of Japan, 96B: 193-209. https://doi.org/10.2151/jmsj.2018-039