대한원격탐사학회지 (Korean Journal of Remote Sensing)

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

DOI QR Code

수목의 초미세먼지(PM2.5) 저감 효과에 대한 CFD 수치 모의: 부산 감만동 지역을 대상으로

CFD Simulations of the Trees' Effects on the Reduction of Fine Particles (PM2.5): Targeted at the Gammandong Area in Busan

  • 한상철 (부경대학교 지구환경시스템과학부 환경대기과학전공) ;
  • 박수진 (부경대학교 슈퍼컴퓨터센터) ;
  • 최원식 (부경대학교 지구환경시스템과학부 환경대기과학전공) ;
  • 김재진 (부경대학교 지구환경시스템과학부 환경대기과학전공)
  • Han, Sangcheol (Major of Environmental Atmospheric Sciences, Division of Earth Environmental System Science, Pukyong National University) ;
  • Park, Soo-Jin (Supercomputer Center, Pukyong National University) ;
  • Choi, Wonsik (Major of Environmental Atmospheric Sciences, Division of Earth Environmental System Science, Pukyong National University) ;
  • Kim, Jae-Jin (Major of Environmental Atmospheric Sciences, Division of Earth Environmental System Science, Pukyong National University)
  • 투고 : 2022.10.03
  • 심사 : 2022.10.20
  • 발행 : 2022.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 연구는 전산유체역학(computational fluid dynamics, CFD) 모델을 이용하여 도시 지역에서 수목이 PM2.5 저감에 미치는 영향을 조사하였다. 현실적인 수치 모의를 위해, 기상청에서 현업으로 운영 중인 국지예보시스템(LDAPS)이 예측한 기상 자료를 CFD 모델의 초기·경계 자료로 사용하였다. CFD 모델 성능 검증은 연구 대상지 내에 구축된 6개의 센서에서 측정한 PM2.5 농도를 이용하였다. 본 연구에서는 수목이 PM2.5 농도 분포에 미치는 영향을 분석하기 위하여, 수목이 식재 되지 않았다고 가정한 경우, 수목이 식재되어 있지만 바람에 대한 항력 효과만 존재한다고 가정한 경우, 수목의 항력 효과와 침적 효과가 모두 존재한다고 가정한 경우에 대한 수치 실험을 수행하였다. 분석대상 기간 동안 PM2.5 저감 효과가 뚜렷하게 나타난 세 가지 영역 중 군부대 내의 PM2.5 평균 농도를 비교한 결과, 수목이 식재되지 않은 경우는 12.8 ㎍ m-3, 수목의 항력 효과만 고려한 경우는 12.5 ㎍ m-3이 나타났고, 수목의 항력 효과와 침적 효과가 모두 고려한 경우는 6.8 ㎍ m-3가 나타났다. 수목에 의한 건성 침적이 PM2.5 농도를 감소시키는 효과가 있는 것으로 확인되었다.

In this study, we analyzed the effects of trees planted in urban areas on PM2.5 reduction using a computational fluid dynamics (CFD) model. For realistic numerical simulations, the meteorological components(e.g., wind velocity components and air temperatures) predicted by the local data assimilation and prediction system (LDAPS), an operational model of the Korea Meteorological Administration, were used as the initial and boundary conditions of the CFD model. The CFD model was validated against, the PM2.5 concentrations measured by the sensor networks. To investigate the effects of trees on the PM2.5 reduction, we conducted the numerical simulations for three configurations of the buildings and trees: i) no tree (NT), ii) trees with only drag effect (TD), and iii) trees with the drag and dry-deposition effects (DD). The results showed that the trees in the target area significantly reduced the PM2.5 concentrations via the dry-deposition process. The PM2.5 concentration averaged over the domain in DD was reduced by 5.7 ㎍ m-3 compared to that in TD.

키워드

1. 서론

최근 도시의 발전과 현대화의 가속화로 인해 대기오염이 악화되고 있으며, 대기 오염이 인간의 건강에 미치는 영향이 주요 연구 주제가 되고 있다(Xing et al., 2016). 여러 국가의 미세먼지 자료를 분석한 연구(Ji et al., 2018)에 따르면, 미국, 서유럽과 같이 이미 도시화와 산업화를 거쳤던 선진국의 PM2.5 농도 증가는 자연적인 배경 농도 증가와 유사하지만, 도시화와 산업화가 급속하게 이루어지고 있는 개발도상국은 심각한 대기 오염으로 고통 받고 있고, 높은 수준의 PM2.5 농도에 노출되고 있다. 이에 따라 대기 오염 문제에 대한 관심이 높아졌고, 대기오염 문제 해결을 위한 연구가 활발해지고 다양해지는 계기가 되었다(Hwang, 2022).

PM2.5는 머리카락 직경의 1/20–1/30에 해당되는 작은 크기의 미세먼지이다. PM2.5는 호흡기 계에 깊숙이 침투하여 폐 세포에 쉽게 흡착될 수 있어 인체에 미치는 영향이 더욱 크다(Lim and Lee, 2014). 국제환경단체인 그린피스가 2021년에 연간 평균 PM2.5 농도가 높은 국가를 발표하였는데, 우리나라는 2018년부터 2021년까지 WHO 가이드라인의 3–5배까지 초과하였다(Air Visual, 2021). 환경부의 연간 PM2.5 평균농도 자료에 따르면, 2015년부터 2019년까지 부산광역시 PM2.5 연평균 농도는 24.6 µg m–3으로 우리나라 대기환경기준(15 µg m–3)보다 높은 도시이다. 초미세먼지의 발생 성분으로 기여하는 물질을 분석한 연구(Park et al., 2021)에서 2차 황산염(38%)을 이어 두 번째로 선박에서 발생하는 중유 연소(14%)가 미세먼지 기여도가 높은 것으로 나타났다. 미세먼지 유발생에 대한 선박 배출가스 기여도가 최대 15%를 차지한다는 것을 고려하였을 때, 항만을 포함하고 있는 부산광역시는 미세먼지 발생에 취약하다(Jeong and Lee, 2022).

바람에 의한 미세먼지 농도에 미치는 영향(Shin et al., 2007; Chae et al., 2009; Park and Shin, 2017)이나 미세먼지 농도와 기상 조건과의 관련성(Park, 2017)과 같은 기상 요소와 관련된 연구, 초미세먼지가 인간에게 미치는 영향에 관한 연구(Smith et al., 2016; Miller and Xu, 2018; Yang et al., 2019; Han et al., 2021), 산불에 의한 미세먼지 발생 원인(An and Choi, 2021), 일산화질소에 의한 미세먼지 발생 원인(Kim and Joo, 2021)과 같은 미세먼지 발생 원인에 관한 연구 등 미세먼지에 관한 연구는 상대적으로 활발하게 진행되어 왔지만, 수목을 이용한 PM2.5 저감 방안에 관한 연구는 상대적으로 부족한 실정이다. 본 연구에서는 도시 지역을 대상으로 PM2.5를 저감 시킬 수 있는 자연적 요인 중 하나인 수목의 침적 효과를 고려하여 전산유체역학(computational fluid dynamics, CFD) 모델을 이용한 수치 실험을 진행하고, 수목이 도시 지역 PM2.5 농도 저감과 분포에 미치는 영향을 분석하였다. CFD 모델의 수치 모의 능력은 대상 지역 내에서 6개의 센서가 측정한 PM2.5 농도를 이용하여 우선 검증하였다. 수목이 PM2.5 농도 분포에 미치는 영향을 분석하기 위하여, 대상 지역 내에 수목이 식재 되지 않았다고 가정한 경우, 수목이 식재 되어 있지만 바람에 대한 항력 효과만 존재한다고 가정한 경우, 수목의 항력 효과와 침적 효과가 모두 존재한다고 가정한 경우에 대한 수치 실험을 수행하였다.

2. 연구 방법

1) CFD 모델

본 연구에서 사용한 CFD 모델은 Park et al. (2020a; 2020b)이 사용한 모델과 동일하다. 이 모델은 Yakhot et al. (1992)이 제시한 재규격화군(renormalization group, RNG) 이론에 근거한 k-ε 난류 종결 방법을 채용한다. 이 모델은 3차원 비회전, 비정수, 비압축 대기흐름계를 가정한 Reynolds averaged Navier-Stokes (RANS) 방정식계에 기반한다. 이 CFD 모델은 엇갈림 격자계(staggered grid system)를 채용하고 유한체적법(finite volumemethod)과 semi-implicit method for a pressure-linked equation(SIMPLE) 알고리즘을 사용하여 수치 적분을 수행한다.

2) 수치 실험 설계

본 연구에서는 항만 지역, 공업 지역, 상업 지역이 인접한 부산광역시 남구 감만동 지역을 연구대상지로 선정하였다. 감만동은 남쪽에 감만부두가, 서쪽에 부산항이 위치하고 철근 제조 공장(Fig. 1(a))과 정유 공장(Fig. 1(a))이 위치해 있다. 이 지역은 해안에 인접해 있기 때문에, 미세먼지 농도가 해륙풍의 영향을 크게 받을 것으로 예상된다. 대상 지역은 부산 C 초등학교가 중심에 위치하고 동서와 남북방향으로 각각 2 km인 영역이다. 대상 지역 내에는 해발고도 122.5 m의 홍곡산이 위치하고 부산항 8부두 부근에 군부대가 위치한다(Fig. 1(a)). 국토지리정보원이 제공하는 지리정보시스템(geographic information system, GIS) 자료를 사용하여 대상 지역의 3차원 지표 경계 입력자료를 구축하였다(Fig. 1(b)). CFD 모델의 지표 경계자료를 효율적으로 구축하기 위하여 GIS의 지형과 건물 자료를 시계 방향으로 53° 회전시켰다. 파란색은 해안 지역을, 노란색과 초록색은 지형 고도를, 짙은 녹색은 수목을, 회색은 건물을 의미한다. 상세한 수목의 메타 정보(위치, 종류, 높이, 잎면적 지수 등)를 확보하기 위하여, 인터넷 지도를 참고하고 수차례 현장 방문을 진행하였다. 상세 흐름 모의를 위한 수치 도면 크기는 x, y 방향으로 2000 m, z 방향으로 200 m이다. 격자 크기는 x, y 방향으로 10 m, z 방향으로 5 m이고, 격자 개수는 x, y 방향은 200개, z 방향은 40개이다.

OGCSBN_2022_v38n5_3_851_f0001.png 이미지

Fig. 1. Image for the target area around Gammandong, Busan: (a) A satellite image of the target area around the C school, (b) three-dimensional configuration of buildings and trees for the target area. The yellow and red circles in (a) indicate the C elementary School and Daeyeon air quality monitoring system (AQMS), respectively.

현실적인 기상 경계 자료를 확보하기 위하여, 기상청에서 현업으로 운용하는 국지예보모델(local data assimilation and prediction system, LDAPS)의 예보 자료를 사용하였다. LDAPS는 3시간 간격으로 전지구예보 모델로부터 경계장을 제공받아 일 4회 48시간 예측을 수행하는 수치예보 시스템이다. 바람과 미세먼지 농도를 모의하기 위해, LDAPS의 수평 바람 성분(u, v)과 온위(potential temperature)를 CFD 모델의 초기장과 경계장으로 사용하였다.

분석 기간은 현장 측정 기간 중 미세먼지 농도가 비교적 높은 2021년 10월 1일부터 4일까지를 선정하였다. 환경부 자료를 분석한 결과, 2021년 10월 중에서 10월 2일과 3일의 미세먼지 농도가 가장 높았다(PM10 농도: 38–39 µg m–3, PM2.5 농도: 25–26 µg m–3). 미세먼지 배경 농도는 도시대기측정소인 대연동 AQMS 자료를 사용하였다. PM2.5 배출량 자료는 clean air policy support system (CAPSS)로부터 부산광역시 남구의 2019년 도로이동오염원과 비산먼지 배출량 자료를 산출하였다. 부산시의 PM2.5 배출량과 대기질 모델 입력 배출량에서 사용된 월별, 일별, 시간 별 배출 계수(Sun et al., 2014)를 이용하여, 단위 면적당 시간별 PM2.5 배출량을 산정하였다. PM2.5 배출량을 산정한 방법은 Park et al. (2020)에서 사용한 방법과 동일하다. 이 방법을 통해 도로에서 배출되는 도시 지역의 PM2.5 영향과 농도 분포 특성 분석을 수행하였다.

본 연구에서는 대상 지역 내에 수목이 식재 되지 않았다고 가정한 경우(no tree, NT), 수목이 식재 되어 있지만 바람에 대한 항력 효과만 존재한다고 가정한 경우(trees’ drag effect only, TD), 수목의 항력 효과와 침적 효과가 모두 존재한다고 가정한 경우(trees’ drag and dry-deposition effects, DD)에 대한 수치 실험을 수행하였다. 투과성 장애물에 속하는 수목은 수목을 통과하는 대기 흐름에 압력 손실을 가함으로써 운동량을 감소시키는 저항력으로 작용한다(Ruck and Schmitt, 1986). PM2.5의 침적 속도는 입자 크기에 의존하고, 0.02–30 cm s–1 범위를 갖는다(Peters et al., 1992; White et al., 1970; Freer-Smith et al., 2004; Giardina et al., 2018). 본 연구에서는 PM2.5 입자의 침적 속도에 해당되는 3 cm s–1로 사용하여 수치 모의를 수행하였다. 도로에서 배출되는 PM2.5의 영향을 조사하기 위해 clean air policy support system (CAPSS) 자료를 이용해 PM2.5 배출량을 산정하였다.

3. 결과와 토의

1) PM2.5 측정 농도를 이용한 모델 검증

PM2.5 측정 농도를 이용해 본 연구에서 사용한 CFD 모델을 검증하기 위하여 Chang and Hanna (2004)가 제시한 6가지 통계적 검증 측도를 이용하였다. Chang and Hanna (2004)의 통계적 검증 측도와 각 검증 측도의 목표 값과 추천 범위를 Table 1에 제시하였다.

Table 1. The perfect values and recommended criteria of the statistical validation indices (Chan and Hanna, 2004)

OGCSBN_2022_v38n5_3_851_t0001.png 이미지

Fractional bias (FB)와 geometric mean bias (MG)는 계통 오차(systematic error)를 나타내는 측도로 모델의 정확도를 판단하는 기준으로 사용된다. Normalized mean square error (NMSE)와 geometric mean variance (VG)는 우연 오차(random error)를 나타내는 측도로 계산 결과의 퍼짐 정도를 파악하여 모델 정밀도를 판단하는 기준으로 사용된다. 상관 계수(correlation coefficient, R)는 데이터 간 선형성을 의미하고, fraction of predictions within a factor of two of measurements (FAC2)는 정규화된 측정 2배 이내의 예측 비율을 의미한다. C0와 Cp는 각각 측정 농도와 모델 예측 농도를 나타내고, σ는 표준 편차를 의미한다. 부산 C 초등학교를 중심으로 PM2.5 센서를 설치하였고(Figs. 2, 3), 센서가 측정한 농도를 검증에 사용하였다. 센서 1, 2, 3은 도로변에 설치되어 있으며, 센서 4, 5, 6은 주거 밀집 지역에 설치하였다.

OGCSBN_2022_v38n5_3_851_f0002.png 이미지

Fig. 2. The locations of PM2.5 sensors in the target area.

OGCSBN_2022_v38n5_3_851_f0003.png 이미지

Fig. 3. The PM2.5 sensors installed at the (a) roadsides and (b) residential areas.

Chang and Hanna (2004)의 검증 측도를 이용해 CFD 모델의 성능을 검증하였다(Table 2). 센서가 측정한 PM2.5 농도와 비교했을 때, CFD 모델은 대부분 지점에서 정밀도와 정확도에 대한 통계적 측도의 권장 범위를 만족시켰다. 그러나 4, 5번 지점의 MG, FB와 2, 6번의 MG, 3번 지점에서 TD와 DD 실험의 FB 권장 범위는 만족시키지 못했다. 수목의 두 효과를 반영한 DD 실험의 RMSE가 TD와 NT 실험에 비해 약간 높게 나타났다(2–6%). 센서 설치 지점 주변에는 수목이 거의 식재 되지 않았기 때문에(Fig. 2), 수목의 건성 침적 효과가 크지 않은 것으로 판단된다.

Table 2. Summary of the statistical validation indices calculated at the sensor locations

OGCSBN_2022_v38n5_3_851_t0002.png 이미지

Numbers in blue indicate the values satisfying the recommended criteria.

분석 기간 동안의 PM2.5 측정 농도와 수치 모의 농도를 비교하였다(Fig. 4). 삼각형 기호는 측정 농도를, 빨간색, 파란색, 초록색 실선은 각각 NT, TD, DD 실험 결과를 의미한다. CFD 모델로 분석 기간 동안 PM2.5 측정 농도를 비교한 결과, 모든 센서에서 측정값에 비해 과소 모의하는 경향을 보였으나, 비교적 잘 수치 모의한 것으로판단된다.사거리중심에설치된1번센서지점의경우, 도로에서 직접 배출된 PM2.5의 영향을 받아 다른 센서 지점에 비해 3가지 실험에서 모두 평균 1–3 µg m–3 정도로 농도가 높게 수치 모의되었다(Fig. 4(a)). NT 실험은 10월 4일 오전 8시에 2번 센서 지점에서, 10월 4일 오전 7시에 3번 센서 지점에서 PM2.5 측정 농도를 과대 모의하였다(Figs. 4(b), (c)). 주거 밀집 지역에 위치한 4번, 5번, 6번 센서 지점에서는 수목이 거의 식재 되어 있지 않기 때문에 수목의 효과가 나타나지 않았다. 이로 인해 3가지 실험이 수치 모의한 PM2.5 농도가 연구 기간 동안 유사한 수준을 나타냈다(Figs. 4(d), (f)). CFD 모델이 3번 센서 지점의 PM2.5 농도를 과대 모의한 10월 4일 오전 7시의 대상 지역 상세 바람 분포(Fig. 5)와 PM2.5 농도 분포(Fig. 6)를 분석하였다.

OGCSBN_2022_v38n5_3_851_f0004.png 이미지

Fig. 4. Time series of the PM2.5 concentrations measured and simulated at the locations of the (a) 1st, (b) 2nd, (c) 3rd, (d) 4th, (e) 5th, and (f) 6th sensors during the simulation period.

OGCSBN_2022_v38n5_3_851_f0005.png 이미지

Fig. 5. Wind vectors and contours of the surface (z=5 m) horizontal wind speeds at (a) 06 and (b) 07 KST on October 4. The red star indicates the 3rd sensor location.

OGCSBN_2022_v38n5_3_851_f0006.png 이미지

Fig. 6. Contours of the surface (z=5 m) PM2.5 concentrations at (a) 06 and (b) 07 KST on October 4. The star shape indicates the 3rd sensor position.

10월 4일 오전 6시와 7시의, 풍속 분포를 보면, 3번 센서 지점 주변의 풍속이 감소(2.5 → 0.5 m s–1)한 것을 확인할 수 있다. 풍속이 감소하면서 3번 센서 주변의 PM2.5 농도가 증가한 것으로 분석된다(Fig. 6). 도로에서 배출되는 PM2.5의 영향을 조사하기 위해, CAPSS 자료를 이용해 PM2.5 배출량을 산정하였다. 출근 시간에 해당되는 오전 7시에는 자동차 통행량이 많기 때문에 도로의 PM2.5 배출량이 많았다. 즉, 10월 4일 오전 7시에는 3번 센서 주변 지역에서 낮은 풍속이 수치 모의되었고, 높은 배출량이 산정되면서 CFD 모델이 측정 PM2.5 농도를 과대 모의한 것으로 분석된다.

2) 수목이 PM2.5 농도 분포에 미치는 영향

수목 유무와 수목의 건성 침적 효과 고려 전·후의 지면(z = 5 m) PM2.5 농도 분포 특성을 분석하였다.

본 연구에서는 자동차 통행량이 많은 2021년 10월 2일 (토) 15시를 분석하였다. 이 시각에는 북동풍 계열 바람이 대상 지역으로 유입되었다. 북동풍이 유입되면서 PM2.5가 남서 방향으로 확산되는 것을 볼 수 있고 높은 지형 앞에서는 PM2.5가 부분적으로 축적되는 것을 볼 수 있다. 이와 같은 부분적인 PM2.5 축적은 홍곡산 주변(white circles in Fig. 8)에서 볼 수 있다. 홍곡산 남쪽과 북쪽 부근의 PM2.5 농도 차가 큰 이유는 홍곡산 풍상측(북동쪽) 사면에는 경계 지역의 배경 농도 PM2.5가 유입되면서 높은 농도가 나타난 반면, 홍곡산의 풍하측(남서쪽) 사면은 배경 흐름으로부터 차폐되는 안락처 효과(shelter effect) 때문에 낮은 PM2.5 농도가 나타난 것으로 분석된다. 수목이 PM2.5 농도 분포에 미치는 영향을 정량적으로 분석하기 위하여, 대상 지역 내에 수목이 다수 식재된 구역과 수목이 거의 식재 되지 않은 구역을 선정하였다(Fig. 7). 수목이 거의 식재 되지 않은 교차로 구역(squares in Fig. 8)의 세 가지 실험 평균 PM2.5 농도는 18.66 µg m–3로 나타났다. 반면, 교차로 지역을 제외한 3곳 중 비교적 교차로 지역과 인접한 A 제강 인근 도시숲(blue circles in Fig. 8) 구역의 세 가지 실험 평균 PM2.5 농도는 10.27 µg m–3로 나타났다. 즉, 자동차 통행량이 많은 교차로 지역의 PM2.5 농도에 비해 자동차 통행량이 거의 없는 지역의 PM2.5 농도가 크게 감소(약 55%)하였는데, 이는 자동차에 의한 국지적인 PM2.5 배출이 주변 지역의 PM2.5 농도에 미치는 영향이 크다는 것을 의미한다. A 제강 인근 도시 숲(blue circles in Fig. 8) 구역의 경우, NT, TD, DD 실험의 PM2.5 농도는 각각 13.1, 11.99(NT 실험의 91.6%), 5.7 µg m–3(NT 실험의 43.5%, TD 실험의 47.5%)로 모의되었다. 군부대 숲(red circles in Fig. 8) 구역의 경우, NT, TD, DD 실험의 PM2.5 농도는 각각 12.84, 12.54 (NT 실험의 97.7%), 6.8 µg m–3(NT 실험의 53%, TD 54.3%)로 나타났다. 국지적 PM2.5 배출원과 다소 거리가 떨어지고 중간에 위치한 건물에 밀접한 지역(blue and red circles in Fig. 8)에서는 수목의 항력 효과만을 고려한 경우(TD)에도 PM2.5 농도가 감소하였다. 이는 수목이 풍속을 감소시키지만, 배출이 없는 지역이고 중간에 위치한 건물에 의한 안락처 효과로 인해서 PM2.5 농도가 감소한 것으로 분석된다. 또한, 수목의 건성 침적을 고려(DD)하였을 때에는 수목 잎으로의 침적에 의해 PM2.5 농도가 비교적 크게 감소하였다. 홍곡산 구역의 경우(white circles in Fig. 8), NT, TD, DD 실험의 PM2.5 농도는 각각 12.98, 12.78(NT 실험의 98.5%), 8.23 µg m–3(NT 실험의 68.3%, TD 실험의 69.4%)로 나타났다. 홍곡산 지역에서도 역시 건성 침적에 의한 농도 감소 효과가 비교적 크게 나타남을 확인할 수 있다. 교차로 구역의 경우(squares in Fig. 8), NT, TD, DD 실험의 PM2.5 농도는 각각 19.74, 18.31(NT 실험의 92.7%), 17.92 µg m–3(NT 실험의 90.8%, TD 실험의 97.9%)로 나타났다. 교차로 지역은 수목이 많이 식재 되어 있는 A 제강 인근 도시 숲, 군부대 숲, 홍곡산에 비해 높은 PM2.5 농도가 나타났다. 그러나 교차로 지역은 수목이 고려된 TD 실험과 DD 실험이 NT 실험에 비해 PM2.5 농도가 감소하는 효과가 나타났지만, TD 실험과 DD 실험의 PM2.5 농도가 거의 비슷한 수치로 나타났다. 이는 자동차 통행량이 많은 교차로 지역에서 발생하는 국지적인 PM2.5 배출이 수목의 항력 효과, 건성 침적 효과 보다 주변 지역의 PM2.5 농도에 미치는 영향이 크다는 것으로 분석된다.

OGCSBN_2022_v38n5_3_851_f0007.png 이미지

Fig. 7. The zones [urban forest in A steel Mill (P1), urban forest in the army troops (P2), Honggok Mountain (P3), and intersection (P4)] where the average concentrations were calculated for comparison.

OGCSBN_2022_v38n5_3_851_f0008.png 이미지

Fig. 8. Contours of the PM2.5 concentrations in (a) NT, (b) TD, and (c) DD experiments at 15KST on October 2. The circles in (b) and (c)indicate the areas where the PM2.5 concentrations significantly decreased, and the squares indicate the intersection with higher PM2.5 concentrations compared to other areas.

4. 요약 및 결론

본 연구에서는 CFD 모델을 이용하여 도시 지역에서 수목이 PM2.5 농도 저감에 미치는 영향을 분석하였다. 미세먼지 유발생에 대한 선박 배출가스 기여도가 높다라는 선행 연구들을 기반으로 국내 최대 규모의 항만을 포함하고 있는 부산광역시의의 감만동 지역을 연구 대상 지역으로 선정하였다. 현실적인 수치 모의를 위해 기상청에서 현업으로 운용하는 국지예보시스템이 예측한 기상 자료를 CFD 모델의 초기·경계 자료로 사용하였다. CFD 모델 검증을 위해 대상지역 내에 PM2.5 센서 6개를 설치하여 측정한 농도를 이용하였다. CFD 모델이 수치 모의한 PM2.5 농도는 통계적 검증 지수의 추천 범위를 대부분 만족하였다.

수목 효과에 따른 PM2.5의 공간 분포 특성을 분석하기 위해 세 가지 실험 조건[수목이 없는 경우(NT), 수목 항력 효과만 고려한 경우(TD), 수목 항력 효과와 마찰 효과를 고려한 경우(DD)]에 대해 수치 실험을 진행하였다. 부산 감만동 지역을 대상으로 PM2.5 농도를 모의하여 수목이 다수 분포한 지역에 대해 세 가지 실험의 농도를 비교한 결과, 수목의 항력 효과와 침적 효과를 고려한 실험에서 초미세먼지 저감 효과가 가장 크게 나타났다. TD 실험의 PM2.5 농도는 NT 실험에 비해 약 5%가, DD 실험은 TD 실험에 비해 약 30%가 저감되었다. 수목 항력 효과만 고려한 경우에는 수목에 의해 풍속이 감소하지만, 배출원과 떨어져 있고 건물에 의해 차폐되는 지역에서는 PM2.5 농도가 감소하였다. 수목의 항력 효과와 건성 침적을 고려한 경우, 수목 잎으로의 침적 현상에 의해 PM2.5 농도가 비교적 크게 감소하였다.

본 연구에서는 CFD 모델을 이용하여 수목의 항력 효과와 침적 효과가 PM2.5 농도 분포에 미치는 영향을 중점적으로 분석하였다. 향후, 도시 내에 잘 조성된 숲이나 공원을 대상으로 정밀한 측정과 CFD 수치 모의를 수행함으로써 수목이 PM2.5 농도 감소에 미치는 영향을 정량적이고 체계적으로 조사할 계획이다.

사사

본 연구는 산림청(한국임업진흥원) 산림과학기술 연구개발사업‘(2022428C10-2224-0802)’의 지원에 의하여 이루어진 것입니다.

참고문헌

  1. Air Visual, 2021. World Air Quality Report: Region & City PM2.5 Ranking, IQAir, Goldach, Switzerland, pp. 1-43.
  2. An, S.-G. and K.-H. Choi, 2021. Effect of forest fire on fine particulate matter concentration in coastal cities of Gangwon-do, South Korea, Association of Korean Geographers, 10(3): 391-400 (in Korean with English abstract). https://doi.org/10.25202/JAKG.10.3.4
  3. Chae, H.-J., 2009, Effect on the PM10 concentration by wind velocity and wind direction, Journal of Environmental and Sanitary Engineers, 24(3): 37-54 (in Korean with English abstract).
  4. Chang, J.-C. and S.-R. Hanna, 2004. Air quality model performance evaluation, Meteorology and Atmospheric Physics, 87(1): 167-196. https://doi.org/10.1007/s00703-003-0070-7
  5. Choe, J.-I. and Y.-S. Lee, 2015. A study on the impact of PM2.5 emissions on respiratory diseases, Environmental Policy, 23(4): 155-172 (in Korean with English abstract). http://dx.doi.org/10.15301/jepa.2015.23.4.155
  6. Choi, Y.-J., E.-J. Choi, H.-U. Cho, and J.-W. Moon, 2021. Development of an indoor particulate matter (PM2.5) prediction model for improving school indoor air quality environment, The International Journal of The Korea Institute of Ecological Architecture and Environment, 21(1): 35-40 (in Korean with English abstract). http://dx.doi.org/10.12813/kieae.2021.21.1.035
  7. Freer-Smith, P. H., A. A. El-Khatib, and G. Taylor, 2004. Capture of particulate pollution by trees: a comparison of species typical of semi-arid areas (Ficus nitida and Eucalyptus globulus) with European and north American species, Water, Air, and Soil Pollution, 155(1): 173-187. https://doi.org/10.1023/B:WATE.0000026521.99552.fd
  8. Giarina, M. and P. Buffa, 2018. A new approach for modeling dry deposition velocity of particles, Atmospheric Environment, 180: 11-22. https://doi.org/10.1016/j.atmosenv.2018.02.038
  9. Han, C.-W., S.-T. Kim, Y.-H. Lim, H.-J. Bae, and Y.-C. Hong, 2018. Spatial and temporal trends of number of deaths attributable to ambient PM2.5 in the Korea, Journal of Korean Medical Science, 33(30): 193. https://doi.org/10.3346/jkms.2018.33.e193
  10. Han, M., F. Yang, and H. Sun, 2021. A bibliometric and visualized analysis of research progress and frontiers on health effects caused by PM2.5, Environmental Science and Pollution Research, 28(24): 30595-30612. https://doi.org/10.1007/s11356-021-14086-z
  11. He, K., F. Yang, Y. Ma, Q. Zhang, X. Yao, C.K. Chan, S. Cadle, T. Chan, and P. Mulawa, 2001. The characteristics of PM2.5 in Beijing, China, Atmospheric Environment, 35(29): 4959-4970. https://doi.org/10.1016/S1352-2310(01)00301-6
  12. Hwang, I.-J., 2022. Estimation of source apportionment for PM2.5 data of air pollution monitoring site in Pohang using the EPA-PMF model, Journal of Korean Society for Atmospheric Environment, 38(3): 354-374 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2022.38.3.354
  13. Jeong, S.-B. and H.-W. Lee, 2022. The association between ambient air pollution and outpatient department visits for allergic rhinitis in Busan, South Korea, Korean Public Health Research, 48(3): 79-92 (in Korean with English abstract). https://doi.org/10.22900/kphr.2022.48.3.006
  14. Ji, X., Y. Yao, and X. Long, 2018. What causes PM2.5 pollution? cross-economy empirical analysis from socioeconomic perspective, Energy Policy, 119: 458-472. https://doi.org/10.1016/j.enpol.2018.04.040
  15. Kang, J.-E., D.-S. Mun, J.-J. Kim, J.-Y. Choi, J.-B. Lee, and D.-G. Lee, 2021. Geographical characteristics of PM2.5, PM10 and O3 concentrations measured at the air quality monitoring systems in the Seoul metropolitan area, Korean Journal of Remote Sensing, 37(3): 657-664 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.24
  16. Kim, Y.-H. and J.-B. Joo, 2021. Recent technical trend of removal technologies of air pollutant NO, Journal of Energy & Climate Change, 16(2): 128-148 (in Korean with English abstract). https://data.doi.or.kr/10.22728/jecc.2021.16.2.128
  17. Kwon, A-R., S.-J. Park, G. Kang, and J.-J. Kim, 2020. Carbon monoxide dispersion in an urban area simulated by a CFD model coupled to the WRFChem model, Korean Journal of Remote Sensing, 36(5-1): 679-692 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.1.3
  18. Lim, J.-M. and J.-H. Lee, 2014. Indoor air quality pollution of PM2.5 and associated trace elements affected by environmental tobacco smoke, Journal of Korea Society of Environmental Engineers, 36(5): 317-324 (in Korean with English abstract). http://dx.doi.org/10.4491/KSEE.2014.36.5.317
  19. Miller, L. and X. Xu, 2018. Ambient PM2.5 human health effects-findings in China and research directions, Atmosphere, 9(11): 424. https://doi.org/10.3390/atmos9110424
  20. Mun, D.-S., M.-J. Kim, and J.-J. Kim, 2021. A numerical study on the effects of meteorological conditions on building fires using GIS and a CFD model, Korean Journal of Remote Sensing, 37(3): 395-408 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.3
  21. Park, H.-Y., G.-Y. Oh, H.-S. Park, H.-R. Kim, B.-R. Lee, C.-O. Park, H.-S. Lim, G.-H. Park, J.-S. Park, and M.-S. Bae, 2021. Assessment of regional source contribution of PM2.5 in the Gwangyang bay area, Journal of Environmental Analysis, 24(2): 62-74 (in Korean with English abstract). https://doi.org/10.36278/jeaht.24.2.62
  22. Park, S.-A. and H.-J. Shin, 2017. Analysis of the factors influencing PM2.5 in Korea: focusing on seasonal factors, Environmental Policy, 25(1): 227-248 (in Korean with English abstract). http://dx.doi.org/10.15301/jepa.2017.25.1.227
  23. Park, S.-J., W.-S. Choi, and J.-J. Kim, 2020a. 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 I - analysis of detailed flows, Korean Journal of Remote Sensing, 36(6-3): 1643-1652 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.6.3.2
  24. Park, S.-J., W.-S. Choi, and J.-J. Kim, 2020b. 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, Korean Journal of Remote Sensing, 36(6-3): 1653-1667 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.6.3.3
  25. Peters, K. and R. Eiden, 1992. Modeling the dry deposition velocity of aerosol particles to a spruce forest, Atmospheric Environment, 26(14): 2555-2564. https://doi.org/10.1016/0960-1686(92)90108-W
  26. Ruck, B. and F. Schmitt, 1986. Das stromungsfeld der einzelbaumumstromung, Forstwissenschaftliches Centralblatt, 105(1): 178-196. https://doi.org/10.1007/BF02741710
  27. Shin, M.-K., C.-D. Lee, H.-S. Ha, C.-S. Choe, 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
  28. Smith, J.D., C. Mitsakou, N. Kitwiroon, B.M. Barratt, H.A. Walton, J.G. Taylor, H.R. Anderson, F.J. Kelly, and S.D. Beevers, 2016. London hybrid exposure model: improving human exposure estimates to NO2 and PM2.5 in an urban setting, Environmental Science & Technology, 50(21): 11760-11768. https://doi.org/10.1021/acs.est.6b01817
  29. Sun, W.Y., J.C. Kim, J.H. Woo, B.G. Kang, K.S. Kim, et al, 2014. Development emission program for air quality modeling, National Digital Science Library, National Institute of Environmental Research, Incheon, Korea, p. 335.
  30. White, E.J. and F. Turner, 1970. A method of estimating income of nutrients in a catch of airborne particles by a woodland canopy, Journal of Applied Ecology, 7(3): 441-461. https://doi.org/10.2307/2401970
  31. Xing, Y.F., Y.H. Xu, M.H. Shi, and Y.X. Lian, 2016. The impact of PM2.5 on the human respiratory system, Journal of Thoracic Disease, 8(1): 69-74. http://dx.doi.org/10.3978/j.issn.2072-1439.2016.01.19
  32. Yakhot, V., S.A. Orszag, S. Thangam, T.B. Gatski, and C.G. Speziale, 1992. Development of turbulence models for shear flows by a double expansion technique, Physics of Fluids, 4(7): 1510-1520. https://doi.org/10.1063/1.858424
  33. Yang, S., D. Fang, and B. Chen, 2019. Human health impact and economic effect for PM2.5 exposure in typical cities, Applied Energy, 249(1): 316-325. https://doi.org/10.1016/j.apenergy.2019.04.173
  34. Zhang, T., B. Gao, Z. Zhou, and Y. Chang, 2016. The movement and deposition of PM2.5 in the upper respiratory tract for the patients with heart failure: an elementary CFD study, Biomedical Engineering Online, 15(2): 517-530. https://doi.org/10.1186/s12938-016-0281-z