Feasibility Study for Derivation of Tropospheric Ozone Motion Vector Using Geostationary Environmental Satellite Measurements

정지궤도 위성 대류권 오존 관측 자료를 이용한 대류권 이동벡터 산출 가능성 연구

Abstract

The tropospheric ozone is a pollutant that causes a great deal of damage to humans and ecosystems worldwide. In the event that ozone moves downwind from its source, a localized problem becomes a regional and global problem. To enhance ozone monitoring efficiency, geostationary satellites with continuous diurnal observations have been developed. The objective of this study is to derive the Tropospheric Ozone Movement Vector (TOMV) by employing continuous observations of tropospheric ozone from geostationary satellites for the first time in the world. In the absence of Geostationary Environmental Monitoring Satellite (GEMS) tropospheric ozone observation data, the GEOS-Chem model calculated values were used as synthetic data. Comparing TOMV with GEOS-Chem, the TOMV algorithm overestimated wind speed, but it correctly calculated wind direction represented by pollution movement. The ozone influx can also be calculated using the calculated ozone movement speed and direction multiplied by the observed ozone concentration. As an alternative to a backward trajectory method, this approach will provide better forecasting and analysis by monitoring tropospheric ozone inflow characteristics on a continuous basis. However, if the boundary of the ozone distribution is unclear, motion detection may not be accurate. In spite of this, the TOMV method may prove useful for monitoring and forecasting pollution based on geostationary environmental satellites in the future.

대류권 오존은 전 세계적으로 인간과 생태계에 막대한 피해를 입히는 오염 물질이다. 국지적인 오존 문제는 발생 지역에서 바람에 의해 풍하 측으로 이동함에 따라 지역적, 전 지구적 문제가 되고 있다. 보다 효율적인 오존 모니터링을 위해서 연속적인 일중 관측이 가능한 정지궤도 위성을 이용하려는 시도가 있어왔다. 이 연구에서는 정지궤도 위성에서 관측될 대류권 오존의 연속적인 관측을 이용하여 대류권 오존 이동벡터(Tropospheric Ozone Movement Vector, TOMV) 산출을 세계 최초로 시도했다. 현재 정지궤도 위성을 이용한 대류권오존 산출물이 존재하지 않기 때문에 대기화학모델인 GEOS-Chem에서 산출된 대류권 오존 자료를 이용하였다. 산출된 오존의 이동 속도는 화학모델에 비해 높은 값이 나왔지만 오염의 이동의 방향은 매우 높은 일치성을 보여주었다. 제시된 알고리즘을 이용하면 오존의 유입 플럭스를 오존의 움직이는 속도와 방향을 이용하여 산출할 수도 있다. 이와 같은 결과는 오염물질의 이동분석에 널리 사용되는 역방향 궤적 방법의 대안으로써 오염물질의 모니터링과 예보에 보다 유용하게 사용될 수 있다. 이와 반대로 오존분포의 경계선이 불분명하면 TOMV 산출에 오차를 발생시킬 수 있기 때문에 이동에 대한 잘못된 정보를 줄 수 있는 것이 이 방법의 한계이다. 그럼에도 불구하고 TOMV 방법은 앞으로 활동하게 될 정지궤도 위성을 이용한 오염 모니터링과 예보에 진일보한 방향을 제시해줄 수 있을 것이다.

1. 서론

대기의 오존은 고도에 따라서 여러 가지 역할을 하고있다. 전체 오존 양의 90%를 차지하는 성층권오존은 대기를 투과하는 태양의 유해한 자외선을 차단하여 생명체를 보호하는 역할을 한다. 그러나 대류권 오존은 호흡기나 눈을 자극하며 심할 경우 폐 기능 저하를 가져오는 등 인간의 건강에 심각한 피해를 초래한다(Rozanov, 2020). 1990년대 초반 유럽과 북미, 그리고 일본에서 시행한 강력한 배출량 규제의 효과로 인해, 이 지역 여름철 지표 오존의 양은 감소하는 경향을 보인다(Cooper et al., 2014; Graudel et al., 2018). 중국에서도 2010년 이후로대기오염물질 배출량 규제정책을 적극적으로 시행 중이며, 2013년을 기점으로 질소 산화물, 황산화물, 일산화탄소, 먼지 등 1차 오염물질의 감축 효과가 보고되었다(Woo et al., 2018; Zheng et al., 2018), 하지만 대기 중 질소 산화물과 휘발성 유기화합물의 광화학반응에 의해생성되는 2차 오염물질인 지표 오존은 여전히 증가 추세이다(Fehsenfeld et al., 1996; Derwent et al., 1998, Li et al., 2006). 특히 중국의 풍하 측에 있는 한국은 국지적인 배출원 영향 외에도 중국의 배출량 변동 및 장거리 수송의 영향을 받기 때문에, 한 지점에서의 관측 자료를 이용해서, 오염물질 증감의 요인을 파악하고 배출량 정책에 따른 대기질 관리의 효과를 평가하는 것은 어렵다.

역궤적(backward trajectory) 분석은 오염원을 추적하는 데 가장 많이 사용되는 방법의 하나이다. 그러나 대부분 지상 관측 자료는 일부 지역에 집중되어 있고, 대류권 오존존데 관측은 횟수가 제한적이며 공간적으로 매우 불균질하므로, 오염원의 원천지와 수용지의 플럭스를 평가하거나 시간에 따른 변화를 계산하기 힘들다(Fang, 2018). 비교적 시·공간적으로 균질하게 제공되는 위성 관측 자료는 격자화된 플럭스 계산을 수행하는데 편리하다는 장점이 있다. 극궤도 위성을 이용한 대류권 오존 산출 방법은 크게 두 가지로 나뉘는데, 오존전량 측정 센서와 성층권오존 측정 센서에서 관측된 오존값의 차이를 이용하는 경험적인 추정방법(Ziemke et al., 1998; 2019)과 Hartley와 Huggins 오존 흡수 파장영역에서 측정된 초분광 자외선 스펙트럼 자료와 복사모델을 이용하여 피팅하는 물리적 오존 프로파일 산출 방법이다(Liu et al., 2005, 2010; Mettig et al., 2021; van Peet et al., 2014). 일반적으로 자외선 스펙트럼 자료로부터 산출된 대류권 오존 프로파일은 자유 대류권에서 최대 민감도를 갖는 것으로 보고된다(Shen et al., 2019).

오염물질의 모니터링, 예보, 그리고 대비를 위한 매시간 간격 관측 자료의 필요성이 대두됨에 따라 정지궤도 기반 대기질 측정망을 구축하기 위한 개발연구가 한국, 미국, 유럽연합을 중심으로 수행되고 있으며, 아시아 지역은 정지궤도 환경탑재체(Geostationary Environment Monitoring Spectrometer, GEMS), 북아메리카 지역은 Tropospheric Emissions Monitoring Pollution (TEMPO), 유럽전역은 Sentinel-4 정지궤도 환경위성이 발사되어 국제공동협력에 의한 전 세계적 관측망이 구축될 예정이다(CEOS, 2019). 국내에서는 국립환경과학원이 한국항공우주연구원과 미국 Ball Aerospace와 협력하여 공동 개발한 GEMS 자외선 측정기기를 탑재한 천리안-2B호가 성공적으로 발사되어 2020년 2월에 목표 정지궤도에 성공적으로 안착했다. 같은 해 10월 말 우주 궤도상시험을 정상적으로 마쳤으며 세계 최초로 정지궤도 환경위성을 통해 동아시아 지역의 대기질 모니터링 임무를 수행 중이다(Kim et al., 2021).

GEMS 오존 프로파일 산출 알고리즘은 복사모의 값과 관측 복사 값 사이의 물리적 피팅과 동시에 산출 값과 사전정보(a-priori)를 통계적으로 피팅하여 산출과정의 안정성을 확보하는 최적 추정법(optimal estimation)을 토대로 개발되었고(Bak et al., 2019), 현재 GEMS 스펙트럼 자료의 검·보정 최적화를 통한 오존 프로파일 산출 정확도 확보를 위한 연구가 진행 중에 있다. 국립환경과학원 대기질 통합예보센터는 준 실시간 오염정보의 예보와 평가에 GEMS 대류권 오존 자료를 활용할 계획이다. 이러한 목적을 달성하기 위해서는 GEMS 오존프로파일의 검증과 산출된 자료를 이용한 플럭스의 유입의 계산이 필수적이다. 그러나 지상 오존 프로파일은 매우 제한적이기 때문에 이를 극복하기 위한 새로운 방법이 대두되었다.

대류권 오존은 매시간 급격하게 변동하지 않기 때문에 매시간 관측 자료는 풍향과 풍속에 따라서 이동하게 될 것이라는 점에 착안한 새로운 오존이동 산출 시스템을 개발하였다. 이것은 기상위성에서 구름의 이동을 이용한 바람장 산출에서 아이디어를 얻었다. 이 연구에서는 한 시간 마다 관측되는 대류권 오존 자료를 이용하여 그 움직임을 산출하여 대류권 오존 이동 벡터를 산출하고 이것이 대류권의 바람장과의 일치성을 비교함으로써 준 실시간 산출오존 자료를 검증하려고 한다. 또한 이로부터 도출된 임의의 지역의 TOMV는 오존의 유입과 유출을 보여주는 플럭스를 계산하게 해주어서 오염의 정도를 예보하는데 도움을 줄 수 있다.

2. 자료

기상위성에서 10여분 간격으로 관측된 구름산출물의 연속적인 이동을 통해서 대기의 바람벡터(Atmospheric Motion Vector, AMV)를 산출한다. 이때 구름의 모양이나 크기가 변할 수 있지만 짧은 관측주기 동안 급격한 변화는 없다고 가정한다(Deb et al., 2020). 이와 같은 개념을 매시간 관측되는 대류권 오존의 연속적인 관측 자료를 이용하여 대류권 오존의 이동벡터(Tropospheric Ozone Motion Vector, TOMV) 산출에 적용하려고 한다. 대류권 오존의 대기 중 체류시간(lifetime)은 고도에 따라 변하지만 장거리 수송이 일어나는 자유대기에서 대략 3주 동안 생존한다(Young et al., 2013; Stevenson et al., 2006). 그러므로 한 시간 관측주기를 가지는 GEMS에서 관측될 대류권 오존 분포는 대기화학적 관점에서의 오존의 생성과 소멸보다는 오존의 움직임에 의해서만 영향을 받는다고 가정할 수 있다. 결론적으로 TOMV 산출은 AMV 산출과 마찬가지로 연속적인 관측 영상(자료)의 움직임을 이용하여 방향과 속도로 움직이는 대류권 오존의 준 실시간 모니터링이 가능할 수 있다. 이 연구의 관심은 오염 물질로서의 오존 모니터링이기 때문에 대기 하층에 초점을 맞추었다.

TOMV 산출에 관한 실현가능성 연구를 위해 산출자료의 정확성이 요구된다. 그러나 현재 GEMS 오존 프로파일 산출의 품질확보 문제로 공식적으로 배포되지 않기 때문에, 이 연구에 사용될 수 없다. 대신 화학수송 모델은 이상적인 매시간 대류권 오존 자료를 제공해주며 또한 참값으로 검증에 사용할 수 있기 때문에 이 연구의 목적에 매우 적절하다. 본 연구에서는 GEOS-Chem 화학수송모델의 2016년 1월 1일부터 10월 31일까지의 모의 자료 중 GEMS의 관측 영역에 해당되는 경도 110°E–140°E, 위도 20°N–50°N, 연직 1005.65 hPa–0.038 hPa이며, 0.3125° × 0.25° 공간 해상도와 46개 연직 층, 1시간 간격의 시간 해상도를 사용하였다. 이것은 각 격자에서 오존의 농도와 함께 풍향, 풍속 자료가 제공되며 이를 TOMV 산출과 검증을 위하여 사용하였다.

3. 연구방법

오존의 이동을 탐지하기 위하여 AMV 산출기술을 오존 자료에 적용하여 TOMV를 산출해서 대류권 오존의 이동을 모니터링 하고자 하였다. AMV는 위성에서 관측한 구름의 이동을 연속적으로 추적하여 풍향과 풍속을 산출하는데 이용되는 방법이다(Velden et al., 2005; Negri et al., 2010). AMV 산출 알고리즘은 일반적으로 표적선정, 고도할당, 표적추적, 품질관리의 네 단계로 이루어져 있으나(Kaur et al., 2015) TOMV는이중 고도할당 단계를 제외한 세 단계로 구성되었다. 연직 프로파일 오존 자료를 이용하므로 고도할당을 할 필요 없이 대류권에 해당하는 층의 자료를 선택할 수 있다.

1) 표적선정

표적은 TOMV를 산출하는 기본 단위로서, 위성 영상내 가로와 세로의 길이가 동일한 정사각형의 표적을 사용한다. 표적 선정에는 총 세 장의 영상(t-dt, t, t+dt) 중기준시간(t)의 영상이 이용된다. 오존을 탐지하여 추적하므로 표적 분석을 통하여 표적 내 모든 픽셀에 오존이 존재할 경우에만 산출된다. 표적의 중심 위치는 기본적으로 일정한 간격의 격자를 연속적으로 이동시키면서 1차적으로 격자의 중앙으로 선정한다. 본 알고리즘은 보다 많은 고품질의 벡터를 획득하기 위하여 최적의 표적 중심위치를 선정한다. 이 방법은 등 간격으로 결정된 표적의 위치에서 주변 화소들을 조사하여 특징적인 오존 화소를 최대한 많이 포함하도록 중심 위치를 재선정 하는 방법이다. 표적의 중심 위치 재선정 방법은 표적 내 오존의 표준 편차를 조사하여, 표적이 불규칙한 패턴을 최대한 포함하도록 중심 위치를 결정한다. 본 알고리즘은 표적 크기 테스트롤 통하여 가능한 중복되지 않고 많은 벡터수의 추출이 가능한 6 × 6 화소 크기의 표적을 이용했다.

2) 표적추적

표적추적은 선정된 표적을 이용하여 이전(t=t0–Δt)과 이후 시간(t=t0+Δt) 영상의 탐색영역에서 표적과 가장 유사한 영역을 찾는 과정이다. 기준시간에서 정의된 표적을 이미지 매칭 방법을 이용하여 이전과 이후 시간 영상에서 각각 유사한 영역, 즉 교차상관계수가 가장 높은 위치를 찾아낸다. 본 알고리즘에서는 표적의 변위를 계산할 때 교차상관계수(cross-correlation)를 이용하는데(Nieman et al., 1997; Büche et al., 2006) 표적과 가장 교차상관계수가 높은 다음 시각 영상에서의 위치를 변위로 결정한다. 교차상관계수를 구하는 다음 시각 영상의 영역을 추적 영역이라 하는데 본 알고리즘에서 표적 크기는 7 × 7 화소로, 추적 영역의 크기는 14 × 14 화소로 정의하였으며, 추적영역의 중심 위치는 표적의 중심위치와 같다. 교차상관계수는 다음 식(1)과 같이 계산된다.

\(\begin{aligned}C C=\frac{\sigma_{S T}(m, n)}{\sigma_{T} \sigma_{S}(\mathrm{~m}, \mathrm{n})}\end{aligned}\)       (1)

이 때 (m, n)은 추적 영역 내 화소의 상대적인 위치를 나타내며, σ_T는 표적영역 내 화소 C_T(i,j)의 표준편차이다;

\(\begin{aligned}\sigma_{T}=\left\{\frac{1}{N^{2}} \sum_{i=1}^{N} \sum_{j=1}^{N}\left[C_{T}(i, j)-\bar{c}_{T}\right]^{2}\right\}^{\frac{1}{2}}\end{aligned}\)       (2)

식(2)에서 N은 정사각 표적의 한 변의 화소 길이이고, \(\overline{c_{T}}\)는 표적 내 화소 값의 평균이다.

σ_S (m, n)는 t–dt와 t+dt의 추적 영역에서 표적영역과 대응하는 화소의 표준편차이다.

\(\begin{aligned}\sigma_{S}(m, n)=\left\{\frac{1}{N^{2}} \sum_{i=1}^{N} \sum_{j=1}^{N}\left[C_{S}(m+i, n+j)-\overline{c_{S}}(m, n)\right]^{2}\right\}^{\frac{1}{2}}\end{aligned}\)     (3)

공분산인 σ_ST (m, n)은 다음과 같이 계산된다.

\(\begin{array}{c}\sigma_{S T}(m, n)=\frac{1}{N^{2}} \sum_{i=1}^{N} \sum_{j=1}^{N}\left[C_{S}(m+i, n+j)-\overline{c_{S}}(m, n)\right] \\ {\left[C_{T}(i, j)-\overline{c_{T}}\right]}\end{array}\)        (4)

본 알고리즘에서는 벡터 산출을 위해 1시간 간격의 시간차를 가지는 세 장의 위성 영상을 이용하게 되는데, 이때 항상 두 번째 영상의 분석을 통해 표적이 결정되고, 첫 번째와 세 번째 영상을 이용하여 벡터 산출이 이루어진다. 첫 번째 영상과 두 번째 영상을 이용하여 생산된 벡터1, 그리고 두 번째와 세 번째 영상을 이용하여 생산된 벡터2의 평균값이 최종적으로 산출되는 벡터가 된다(Fig. 1). 이러한 방법을 통해 비교적 안정적인 벡터 산출이 가능해지며, 벡터1과 벡터2의 일관성은 최종 벡터의 품질을 결정하는데 사용된다. 계산된 각 표적의 변위는위성 관측 화소의 위경도 정보를 통해 물리적인 거리로 전환되는데, 구면좌표계를 가정하여 식(5)와 (6)에 의해 x방향과 y방향의 변위가 계산 된다. 식에서 R_E는 지구 반지름, Ф₁과 θ₁은 각각 표적 중심의 위도와 경도이고 Ф₂과 θ₂는 추적 영역 내 최종 변위로 선택된 지점의 위도와 경도이다. 이렇게 벡터의 물리적 변위가 계산되면 이를 영상들의 관측 시각 차이로 나누어서 벡터를 산출한다.

\(\begin{aligned}\Delta x=R_{E}\left(\Theta_{1}-\Theta_{2}\right) \cos \left(\frac{\Phi_{1}+\Phi_{2}}{2}\right)\end{aligned} \)       (5)

Δy = R_E (Φ₁ – Φ₂)       (6)

Fig. 1. Tropospheric ozone motion vector calculation process.

3) 품질관리

선정된 표적을 추적하여 벡터가 계산되면 품질 검사를 통해 최종 바람 벡터를 산출한다. TOMV의 품질 검사를 위해 AMV의 품질 관리 방법인 Quality Indicator (QI)를 도입하였다(Fig. 2). 다섯 가지 산출에 이용되는 정보는 Fig. 2에 있는 정보를 식(7)과 (8)을 이용해서 정해진다.

Fig. 2. The schematic diagram of five QI consistency tests.

TOMV는총세 개의 시각의 자료(t–dt, t, t+dt)로부터 두 개의 벡터 ({t–{t–dt}}, {{t+dt}–t})를 생산하며, 두 벡터 평균을 이용하여 최종 결과를 산출한다. 이 때, 중간과정에서 산출되는 두 벡터 간의 풍향, 풍속, 벡터 일관성, 최종 산출된 벡터의 공간 균질성, 수치모델 바람자료와의 일관성 검사의 산술평균으로 QI가 정의된다(Holmlund, 1998, 2001; Velden et al., 1997). 각 테스트는 식(7)과 (8)을 통해 수행된다. 식(7)은 두 벡터 간의 풍향 일관성을 계산하는 식이고, 식(8)은 두 벡터 간의 풍속, 벡터 일관성, 최종 산출벡터의 공간균질성 및 수치모델 바람자료와의 일관성 검사 식이다. 이 식에 사용된 계수(Coeff)는 Table 1에 주어져 있다.

\(\begin{aligned}\Phi_{\text {Dir }}=1-\left[\tanh \left\{\frac{\text { Diff.(Dir. })}{\operatorname{coeff.A} \cdot \exp \left(\frac{-S p d \text { awe }}{\operatorname{coeff.B}}\right)+\operatorname{coeff.C}}\right\}\right]^{\operatorname{Coeff.D}} \end{aligned}\)       (7)

\(\begin{aligned}\Phi_{\text {other }}=1-\left[\tanh \left\{\frac{\text { Diff.(Other })}{\operatorname{Max}\left(\text { coeff.A } A \cdot \text { Spd }_{\text {ame }} \text { coeff.B }\right)+\text { coeff.C }}\right\}\right]^{\text {Coeff.D }}\\\end{aligned}\)       (8)

Table 1. The optimized QI coefficients for TOMV of 5 tests

The 5 tests represent temporal direction consistency, temporal speed consistency, temporal vector consistency, forecast vector consistency, and spatial vector consistency respectively. Each Coeff. corresponds to the coefficients used in Equations 7 and 8.

QI는 각 벡터당 산정되며, 0에서 1 사이 값을 갖는데 1에 가까울수록 산출된 벡터가 양질임을 의미한다. 이 식에서 Coeff.는 품질 관리에서 산출된 계수를 의미한다. 최종적으로 계산된 QI는 각 TOMV에 대한 품질을 정량적으로 표출하며, 경계값을 정하여 그 이상의 품질을 갖는 벡터만을 이용하여 플럭스를 계산하거나 표출할 수 있다. TOMV의 QI를 산출하기 위해 GEOS-Chem의 바람장을 이용하였으며, 추후 현업화 시 기상청 예보 바람장을 이용할 예정이다.

QI 산출 시 각 테스트의 산출 계수들이 필요한데 TOMV 자료 특성과 AMV의 자료 특성이 다르기 때문에 AMV QI의 산출 계수들을 TOMV QI에 그대로 적용할 수 없다. 따라서 TOMV 자료에 맞는 QI 산출 계수들을 도출하기 위하여 다섯 가지 QI 테스트와 TOMV 오차의 관계를 그래프로 그리고 테스트와 오차의 관계가 최대한 선형이 되도록 QI 산출 계수를 조정하였다(Park et al., 2018). 이 때 TOMV의 오차는 GEOS-Chem 바람장과의 정규화된 벡터차이(normalized vector difference)를 계산하여 대입하였다. 최적화된 QI 산출 계수들은 Table 1에 나타냈다. 이것은 경험적 최적화 과정을 통해서 얻어진 결과이다.

Fig. 3은 각 산출 계수를 적용한 테스트와 TOMV 오차와의 관계를 보여주는 것이다. 여기서, 예측벡터 일치성(forecast vector consistency) 검증 결과가 다른 결과에 비해 이상적인데, 이는 TOMV를 GEOS-Chem 대류권 오존 자료를 이용하여 산출하고 이를 같은 모델 자료인 GEOS-Chem 바람장과 검증했기 때문인 것으로 사료된다. 그러나 풍향, 풍속, 벡터, 공간 일치성 검증과 TOMV 오차와의 관계는 QI=1 주변에 많은 벡터가 분포하며 특히 풍향, 풍속 일치성 검증은 뚜렷한 관계성 없이 넓게 퍼지는 결과를 보였다. 정규화(normalized)한 이유는 QI 산출에 사용된 일치성검사의 자료들의 단위가 다르기 때문에 비교하기 쉽게 각 값의 최댓값을 기준으로 정규화 하였다.

Fig. 3. The scatter plots of QI tests respectively (a) temporal direction consistency, (b) temporal speed consistency, (c) temporal vector consistency, (d) forecast vector consistency, (e) spatial vector consistency, and (f) final QI vs normalized vector differences of TOMV and GEOS-Chem.

산출된 QI는 TOMV 오차와 forecast vector consistency의 관계를 통해 최적화의 정도를 보여주며, Fig. 4에서 두 값의 관계가 1:1 선형에 가까워질수록 최적화가 잘되었음을 뜻한다.

Fig. 4. The scatter plots of forecast vector consistency vs normalized vector differences of TOMV and GEOS-Chem.

4) 오존 플럭스(flux) 산출

식(9)의 질량 균형 방정식에 의하면 시간에 따른 오존의 변화량은 박스 유입(F_in), 박스 내 방출량(E), 화학적 생성량(P) 등의 소스(source) 항과 박스 내 침적량(D), 화학적 제거량(L), 박스 외부로의 유출량(F_out) 등의 소멸(sink) 항으로써 구분된다(Jacobs, 1999). 각각의 항들을다시 정리하면, 박스 내부에서 작용하는 항들과, 박스 경계에서 작용하는 유입량(F_in), 유출량(F_out)으로 분류할 수 있으며, 이들은 각각 박스 내부의 지역적인 효과(local term)와 박스 외부로부터의 수송량(transport term)으로 구분된다. 즉, 박스 내부의 시간별 3차원 오존 분포 및 박스 경계의 바람장을 이용하여 박스 모델의 시간별 오존 변화량(dO3/dt)과 유입/유출량을 계산함으로써, 오존 변화량에 대한 지역적인 기여도 항을 유도할 수 있다(Jacobs, 1999).

\(\begin{aligned} \frac{d O_{3}}{d t} & =\sum \text { Local }-\sum \text { Transport } \\ & =(E+P-L-D)+\left(F_{\text {in }}-F_{\text {out }}\right)\end{aligned}\)       (9)

오존의 시간별 유입량(식(10))은 다음의 플럭스 계산식으로부터 계산되며, 이를 박스 표면적에 대해 적분함으로써 박스 내부의 오존 변화량 및 수송량, 지역적인 기여도를 계산한다.

Average flux (Mg/km² /h) =

Concentration (Mg/km³ ) × Veolocity (km/h)       (10)

4. 결과 및 논의

Fig. 5는 2016년 7월 1일 사례일의 지면 근처 913 hPa 고도의 오존으로부터 산출된 TOMV와 이를 GEOS-Chem 모델 바람장과 비교한 산포도이다. 표출된 TOMV로부터 오존의 분포에 따른 지역적 이동을 통해서 오존의 이동을 직관적으로 추적할 수 있다. Fig. 5의 왼쪽 그림에서 오염원의 분포와 중국의 오염지대에서 어떻게 풍하측으로 이동되는지 벡터를 통해서 방향과 속도를 보여준다. 가운데 그림은 2016년 7월 1일 TOMV 풍속을 모델 풍속과 비교한 그림이고, TOMV가 과대 산출되는 경향이 있다. 실제 바람이 아닌 오존의 이동 벡터를 산출한 것이기 때문에 오존의 이동 중 감소하거나 증가할 경우 추적 과정에서 누락될 수 있으며 오존의 분포형태가 뚜렷하게 유지되지 못하는 경우 추적격자가 오탐지 때문에 발생한 것으로 보인다. 그리고 오른쪽 그림은 TOMV와 GEOS-Chem 풍향을 비교한 것인데 풍속보다는 매우 높은 상관도를 보여주고 있다(오른쪽 그림의 풍향 비교에서 모델과 TOMV에서 구한 차이가 300–360도와 0도와 50도는 숫자상으로 큰 값이지만 방향에서는 비슷한 북풍계열을 바람으로 큰 차이는 없다). 그러나 각각의 픽셀에서 구한 값은 크게 차이가 나는 경우가 있지만 전체적인 방향과 흐름은 모델과 비교하여 일치성이 높음을 보여준다. 그러므로 왼쪽 그림에서 보여주듯이 준 실시간으로 오염분석과 예보를 하는데 큰 도움을 줄 것이다.

Fig. 5. TOMV calculation and the comparison with GEOS-Chem model wind vector. (a) TOMV distribution (arrow in the figure) and influx (color in the figure) in Mg/km²/h, (b) comparison between TOMV and Model wind speed with colorbar in m/s, (c) comparison between TOMV and Model wind direction with colorbar in degree on July 4, 2016. (N: number of data number, R: regression, RMSE: root mean squared error, Y: the linear fitting line).

Table 1의 최적화된 QI 산출 계수를 적용하여 QI를 산정하였다. Fig. 6은 QI 지수가 0.0, 0.6, 0.7, 0.8일 경우의 오존플럭스를 산출한 것을 보여준다. 그림의 오른쪽 컬러바는 오존플럭스(Mg/km²/h)의 강도를 보여주며, 검은색 화살표는 TOMV를 나타낸다. QI 경계값이 0.6이상일 때는 QI를 경계값을 적용하지 않은 경우 산출되는 벡터의 차이가 크게 나타나지 않는다. QI 경계값이 0.8 이상인 경우 QI 경계값을 적용하지 않은 경우와 비교하여 벡터 수가 약 30% 감소한다. 그러나 벡터의 전체적인 분포는 바뀌지 않기 때문에 QI 지수 0.6 이상을 선택하는 것이 대류권 오존의 이동과 유입을 추적 탐지하는데 적절한 값으로 보여진다. 오존의 플럭스는 오존농도가 높은 양자강 유역을 따라서 상하이 쪽과 베이징 부근에서 황해를 거처 서해안으로 유입되는 양이 뚜렷하다는 것을 보여준다. 산출된 TOMV와 오존플럭스에서 볼 수 있듯이 이 알고리즘이 오존의 이동을 탐지하는데 효과적으로 사용될 수 있음을 보여준다.

Fig. 6. The ozone moving vectors (black arrows) and flux (colors) retrieved from TOMV algorithm with different QI thresholds. (a) QI≥0.0, (b) QI≥0.6, (c) QI≥0.7, (d) QI≥0.8. The unit of colorbar is Mg/km²/h.

Fig. 7은 QI 경계값이 0.0부터 0.9까지 변할 때 TOMV와 GEOS-Chem의 월별 speed-bias와 root-mean-squared vector difference (RMSVD)의 변화로, 기간은 2016년 1월, 4월, 7월, 10월이다. 분석에 포함된 벡터 수는 총 5,640,158개이며, QI 경계값의 변함에 따라 포함되는 벡터수를 비율로 나타냈다. QI 경계값이 0.7일 때 전체 벡터수의 84%가 포함되고 QI 경계값이 0.8이 되면 46%가 되어 QI 0.7과 0.8 사이에 전체의 38%의 벡터가 분포한다. QI 경계값을 높일수록 speed-bias와 RMSVD 모두 작아지는 경향이 뚜렷하여, 이를 보아 QI의 적용이 오차가 큰 벡터와 작은 벡터를 효과적으로 분리함을 확인할 수 있다. speed-bias와 RMSVD는 대체로 1월에 가장 크고 7월에 가장 작게 나타나는데 이는 겨울에 풍속이 강하고 여름에 풍속이 약하기 때문인 것으로 사료된다.

Fig. 7. Time series for different QI thresholds and vector number ratio to total vector counts: (a) speed bias and (b) vector root-mean-squared error (RMSE) of TOMV.

5. 결론

세계 최대의 대기오염 배출원의 풍하측에 위치한 우리나라에서는 중국에서 이동되는 월경성 오염물질의 영향을 실시간으로 정확히 모니터링 할 필요가 있다. 이를 위해 정지궤도 위성에서 매시간 관측될 대류권자료를 이용하여 오존의 이동과 유입을 계산할 수 있는 TOMV산출 알고리즘을 개발하였다. 이것은 기상위성에서 관측된 구름의 이동벡터를 구하는데 사용되는 AMV 방법을 적용한 것으로 대류권 오존의 연속적인 움직임을 매시간 관측하여 오존의 이동속도와 방향을 도출하는 방법이다. 현재 GEMS를 이용한 대류권 오존 산출에 어려움을 겪고 있기 때문에 GEOS-Chem 화학수송모델에서 산출된 연직 대류권 오존을 이용하여 TOMV 알고리즘을 적용하고 검증하였다. 모델과의 비교 분석결과 TOMV 알고리즘에서 구한 오염물질의 속도를 나타내는 풍속은 과대 산출되었지만 오염물질의 이동방향을 나타내는 풍향에서는 높은 일치성을 보여주었다. 그러므로 오존의 이동을 탐지하여 오염물질의 이동을 모니터링 하는데 효과적임을 보여주었다. 또한 이 알고리즘으로부터 산출된 오존의 이동속도와 방향에 관측된 오존농도와의 곱으로 오존 유입량을 산출이 가능하다. 기상위성은 높은 시공간분해능을 가진 구름 영상을 제공해 주는 반면, 정지궤도 환경위성은 상대적으로 낮은 분해능의 오존자료를 제공해주기 때문에 TOMV는 AMV에비해상대적으로높은오차를유발할수있다.이와 더불어, 모델에서 제공되는 오존과는 다르게 GEMS에서 관측될 오존은 측정 오차가 발생할 수 있기 때문에 부가적으로 TOMV 산출 오차를 발생시킬 수 있다. 이러한 문제점에도 불구하고 TOMV는 기존의 역방향 궤적을 이용한 방법보다 대류권 오존의 이동을 준 실시간으로 모니터링 하여 오염 예보와 분석에 도움이 될 것으로 사료된다. 이 연구는 향후 GEMS를 포함한 전 세계 정지궤도 위성에서 관측될 오존 프로파일 산출물에 적용하여 전 지구적인 오존의 분포와 이동에 대한 중요한 결과를 얻는 효과를 거둘 수 있을 것이라 생각한다.