Home > Current Issue > Vol. 20, No. 2


[ Research Article ]
The International Journal of The Korea Institute of Ecological Architecture and Environment - Vol. 20, No. 1, pp.113-119
Abbreviation: J. Korea Inst. Ecol. Archit. And Environ.
ISSN: 2288-968X (Print) 2288-9698 (Online)
Print publication date 28 Feb 2020
Received 12 Dec 2019 Revised 06 Feb 2020 Accepted 10 Feb 2020
DOI: https://doi.org/10.12813/kieae.2020.20.1.113

도시 운영에 따른 여과성 및 응축성 미세먼지 대기거동모사 예측 프로그램 개발
이예지* ; 고명진** ; 최두성***

Development of Simulation Program to Predict the Dispersion of Condensable and Filterable Particulate Matter according to Urban Operation
Ye-Ji Lee* ; Myeong-Jin Ko** ; Doo-Sung Choi***
*Main author, Graduate Student, Dept. of Architectural Design and Engineering, Incheon National University, Incheon, Korea (lwk408@naver.com)
**Assistant Professor, Dept. of Building System Technology, Daelim University College, Anyang, Korea (wistlemj@nate.com)
***Corresponding author, Professor, Dept. of Architectural Engineering, Chungwoon University, Korea (trebelle@chungwoon.ac.kr)

ⓒ 2020 KIEAE Journal
Funding Information ▼

Abstract
Purpose:

Since dust occurs from pollution sources such as buildings, road traffic, and construction when the city operates, it is necessary to predict dust dispersion behavior for the city planning or measures to reduce dust. Therefore, in this study, the program for predicting particulate matter dispersion behavior was developed and verified through a case study.

Method:

In order to reflect the condensable particulate matter generated by combustion of fuel, a building energy prediction model was developed using artificial neural network technology, and the filterable and condensable particulate matters were predicted by reflecting the dust emission coefficient by each source. Based on the predicted particulate matter information, the dust dispersion simulation program was developed using the CALPUFF model.

Result:

To verify the developed program, the particulate matter dispersion behavior of the cites was predicted. As a result, it was estimated to be about 48.1% compared to the observed amount. The remaining 51.9% was estimated as the amount of particulate matter introduced from the outside of the city.


Keywords: Filterable particulate matter, Condensable particulate matter, Atmospheric behavior simulation, Program development
키워드: 여과성 미세먼지, 응축성 미세먼지, 대기거동모사, 프로그램 개발

1. 서론

최근 산업화와 도시화로 인해 화석연료 사용이 증가하고 있으며, 그에 따른 도시의 대기오염이 심화되고 있다. 따라서 도시의 대기오염물질 배출 저감 대책 및 감축 계획을 위해서는 오염물질 배출원에 의한 먼지 배출량을 합리적으로 예측 및 평가할 필요가 있다. 이에 우리나라 국립환경과학원에서는 대기환경 정책 수립과 대기질 예보 등의 목적으로, 대기오염물질 배출목록에 근거한 대기오염물질 배출량을 매년 산정하여 대기정책지원시스템(Clean Air Policy Support System; CAPSS)으로 관리 감독하고 있다.

그러나 대기정책지원 시스템에서 산정하는 고정배출원의 입자상물질(Total suspended particles; TSP)은 대기배출원별 연간 통계치 자료를 제공하고 있기 때문에, 대기오염에 대한 정확한 예측과 평가를 위해서는 대기확산모델(Air dispersion model)을 이용한 분석이 필요하다. 대기확산모델은 분석 대상지역의 지형조건과 기상변화에 따른 대기오염물질의 확산 및 이동을 계산하는 모델로[1], 국지 또는 도시 규모 지역의 대기오염 확산을 예측할 수 있다.

한편, 대기정책지원 시스템에서는 대기배출원에서 고체상태로 배출되는 여과성먼지(Filterable particulate matter; FPM)만을 대상으로 하고 있다. 그러나 건물의 냉난방, 사업장 등의 배출원에서 배출되는 총 먼지(Total particulate matter; TPM)는 여과성 먼지뿐만 아니라 응축성 먼지(Condensable particulate matter; CPM)를 함께 배출하므로 이를 함께 고려해야 한다[2]. 응축성 미세먼지는 대기 중에 기체상으로 배출되어 짧은 시간 내에 대기 중의 차가운 공기와 접촉하면서 응축 생성되는 먼지로, 대부분 2.5㎛ 이하의 입자크기로 존재하기 때문에 PM2.5 이하의 먼지 중 많은 부분을 차지한다[3~4]. 특히 석탄, 중유, 경유 등 연료 연소활동에 의해 발생한 응축성 미세먼지는 입경 분포와 밀도 특성이 일반 대기 중 먼지 입자와 다를 수 있으므로[5] 응축성 미세먼지 관리의 필요성이 커지고 있다. 그러나 응축성 미세먼지에 관한 측정방법이 개발 및 정립 중에 있으며, 응축성 먼지의 배출특성을 파악한 국내외 연구가 부족한 실정이다.

이에 본 연구에서는 도시 운영 시 도로, 건물 등의 배출원으로부터 발생되는 총 미세먼지와 여과성 및 응축성 미세먼지 배출량을 예측하고, 도시의 기상조건과 지형에 따른 대기확산 거동을 모사하기 위한 프로그램을 개발하였다. 또한, 개발된 프로그램을 활용하여 사례분석 대상 도시의 미세먼지 발생량을 예측하고 배출특성을 파악하였으며, 대기오염측정망의 관측값과 비교분석 함으로써 프로그램의 정확도를 평가하였다.


2. 이론적 고찰

최근 미세먼지에 대한 관리의 중요성이 커지면서 대기확산모델을 활용한 대기오염물질의 확산과 이동을 예측하고 분석하는 연구가 활발히 진행되고 있다.

고재철 외 2명(2018)의 연구에서는 대기확산 모델을 이용하여 산업단지 내의 PM10, PM2.5의 확산 특성을 예측하였으며[6], 박진우 외 2명(2018)의 연구에서도 대기확산모델을 이용하여 교통에 의해 발생하는 대기오염물질이 유동인구에게 미치는 영향을 분석하였다[7]. 또한, 하민진 외 3명(2017)은 미래의 기온상승이 대기오염도 변화와 오염물질 확산에 미치는 영향을 대기확산모델을 통해 파악하였으며[8], Yazdi 외 3의 연구에서는 시멘트 공장으로부터 발생되는 PM10의 확산 특성을 분석하였다[9].

그러나 대기확산모델을 통해 대기오염의 특성을 분석한 대부분의 기존 연구에서는 PM10, PM2.5 등의 여과성 미세먼지만을 대상으로 하고있으며, 앞서 언급한 바와 같이 미세먼지 중 연료의 연소에 의해 발생하는 응축성 미세먼지는 관리의 필요성이 커지고 있음에도 불구하고 관련 연구가 미흡한 실정이다.

응축성 미세먼지와 관련된 연구로, 공부주 외 9명(2016)의 연구에서는 화력발전시설과 시멘트제조시설에서 배출되는 응축성 미세먼지를 측정하여 발생특성을 분석하였으며[10], 유정훈 외 5명(2018)은 보일러 배기가스의 SO2 농도에 따른 응축성 미세먼지를 측정 및 분석하였다[11]. 또한, 이임학 외 3명(2017)은 국내 서울과 인천지역의 고정오염원 응축성 먼지배출량을 산정하고 미세먼지 관리방안에 대해 고찰하였으며[2], Yang 외 4명(2014)은 발전소, 보일러 등 고정오염원의 여과성 및 응축성 미세먼지를 측정하고 배출특성을 파악하였다[12].

응축성 미세먼지에 관한 기존의 연구는 대부분 특정 오염원에 대해서만 측정 또는 산출하여 분석한 한계가 있음에 따라, 본 연구에서는 고정오염원을 포함하여 이동오염원, 면오염원에 대한 여과성 및 응축성 미세먼지 배출특성을 파악하기 위한 대기거동모사 프로그램을 개발하였다.


3. 미세먼지 대기거동모사 프로그램 개발

본 연구에서는 도시운영 시 발생되는 여과성 및 응축성 미세먼지의 거동을 예측, 모사하는 것을 프로그램으로 구현하였다.

개발된 프로그램에서는 대기오염물 배출목록에 근거한 대기정책지원시스템 자료를 활용하였으며, 오염원의 공간적 위치와 오염물질 배출량을 점, 면 이동(선)오염원 형태로 입력하였다.

또한, 건물에서 사용되는 도시가스(LNG)의 연소에 의해서도 미세먼지가 배출된다고 보고됨에 따라[13] 건물의 용도별 미세먼지 배출량과 거동 특성을 반영하기 위하여 건물 가스에너지 소비량 정보를 추가적으로 입력하였다.

입력된 자료를 기반으로 대기거동모사 예측의 기초가 되는 건물의 도시가스 소비량을 예측하고, 예측된 연료 연소로 인해 발생되는 먼지배출량을 산출하여 프로그램에 반영하였다.

한편, 대기정책지원시스템에서 산정하는 고정배출원의 입자상물질(TSP, PM10, PM2.5)은 입자의 크기가 2.5~10㎛로 구성된 여과성 먼지만을 대상으로 함에 따라, 도시의 연료 연소 시 발생되는 응축성 미세먼지를 반영하기 위하여 응축성 미세먼지 배출계수에 의한 배출량을 산정하여 모델링에 활용하였다.

미세먼지 대기거동모사 프로그램의 프로세스는 Fig. 1.과 같이 건물에너지 예측, 미세먼지 배출량 산출, 대기거동 모델링의 3단계로 구성하였다.


Fig. 1. 
particulate matter dispersion simulation program process

3.1. 건물 에너지소비량 예측 알고리즘 구축

도시운영 시 건물에서 취사 또는 냉난방으로 사용되는 도시가스의 연소로 인해 응축성 및 여과성 미세먼지가 배출됨에 따라, 해당 프로그램에 건물로부터 발생되는 미세먼지를 반영하기 위하여 건물 가스에너지소비량 예측 알고리즘을 구축하였다.

예측 알고리즘은 기계학습 모델인 인공신경망(Artificial neural network: ANN)을 활용하였으며, 건축데이터 민간개방시스템(open.eais.og.kr)에서 수집한 건물 지번별 가스에너지소비량 정보와 건축물 정보를 기반으로 예측 모형을 구축하였다. 인공신경망은 인간의 신경세포인 뉴런(neuron)을 수학적으로 모델링한 알고리즘으로, 여러 층으로 구성되어 상호 연결된 신경망을 통해 자료를 구성하는 법칙을 학습하기 때문에 시계열 자료의 분석 및 예측에 효과적이다[14]. 신경망은 Fig. 2.와 같이 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성되며 신경망을 구성하는 각 뉴런들은 가중치(weight)의 강도로 상호 연결되어있다.


Fig. 2. 
Structure of artificial neural network

이때, 각 뉴런에서 출력되는 가중치는 (Eq. 1)에 의해 결정된다.

yi=fj=1Nwijxi+wio(Eq. 1) 

여기서, xi가 뉴런의 입력일 때, wij는 입력층의 i번째 뉴런과 j번째 뉴런과 번째 뉴런 사이의 가중치(weight)로 지식을 축적하고[15], 활성화 함수인 f(x)를 거쳐 결과값을 출력한다

본 연구에서는 역전파 알고리즘(Back-propagation)에 의해 가스에너지(LNG)소비량과 건축물 정보를 학습시켰으며, 활성화 함수인 f(x)는 시그모이드(sigmoid)함수로 모델링 하였다.

또한, 주거, 상업, 공공, 교육 용도의 건물을 세분화하여 인공신경망 예측모델을 구축하였으며 건축물 용도별 예측모델의 정확도를 나타내는 상관계수(Correlation coefficient)는 Table 1.과 같이 분석되었다. 예측모형의 성능을 나타내는 상관계수는 주거시설이 평균 0.89, 상업시설이 평균 0.81, 공공시설이 평균 0.67, 교육시설이 평균 0.71인 것으로 분석되어 전체 평균이 0.75를 상회함에 따라 예측성능이 타당한 것으로 판단하였다.

Table 1. 
Prediction correlation coefficient by building use
Building use Cor Building use Cor
Residential Apartment 0.92 Education Kindergarten 0.75
Multiplex housing
with shop
0.95 Elementary
school
0.72
Middle school 0.69
Detached house 0.74
High school 0.69
Commercial Sales facility 0.84 Public Public
facility
0.68
Business facility 0.67 Religious facility 0.65

앞서 구축된 건축물 용도별 예측알고리즘을 프로그램화하여 월별 가스에너지소비량의 예측, 출력, 저장, 결과분석이 가능하도록 하였으며 프로그램의 해당 인터페이스는 Fig. 3.과 같다.


Fig. 3. 
Energy consumption prediction program interface

3.2. 여과성 및 응축성 미세먼지 산출 프로세스 구축

본 연구에서는 여과성 미세먼지와 응축성 미세먼지를 각각 모델링 할 수 있도록 프로그램에 반영하기 위하여 여과성 및 응축성 미세먼지 산출 프로세스를 구축하였다.

미세먼지 배출량은 연료사용량이나 자동차 주행거리 등의 각 부문별 배출원별 자료에 각 단위별 배출계수를 곱하여 (Eq. 2)와 같이 산정한다[16].

E=Fuel×EF(Eq. 2) 
여기서, E : 시설에서의 오염물질 배출량(kg)
Fuel : 연료의 사용량
EF : 연료에 대한 오염물질 배출계수

국가 대기오염물질 배출량 산정방법 편람(Ⅲ)[17]에서는 미세먼지 배출량 산정에 필요한 배출계수에 대해 대기환경보전법 시행규칙 <별표 10>과 AP-42 5th ed.(U.S. EPA,1995-2000)[18]의 계수를 검토하여 적용하고, 여과성 먼지의 배출계수는 배출원별 TSP 배출계수에 대한 PM10 배출 분율을 적용하도록 명시하고 있다. 에너지산업 연소 부문의 1, 2, 3종 보일러/공정로의 대표 연료별 여과성 미세먼지 배출계수는 Table 2.와 같다.

Table 2. 
Emission factors of filterable PM
Fuel type PM10 Unit
LNG 0.03 kg/1000m3
Light oil 0.225 kg/kl
B-C oil 0.651S+0.231 kg/kl

또한, 국립환경과학원에서는 응축성 미세먼지의 배출계수를 결정하기 위하여 고정오염원의 일부 시설에 대해 응축성 미세먼지를 측정하였으며, 대표 연료별 고정오염원의 응축성 미세먼지 배출계수는 Table 3.과 같다[19].

Table 3. 
Emission factors of Condensable PM
Fuel type TPM FPM CPM Unit
LNG 206.67 3.79 202.88 mg/m3
Light oil 65.78 3.38 62.40 mg/L
B-C oil 371.47 143.83 227.64 mg/L

응축성 미세먼지의 배출량은 여과성 미세먼지 배출계수 대비 응축성 미세먼지 배출계수의 비율을 곱하여 산정한다. 특히, 건축물에서 사용되는 도시가스로부터 배출되는 응축성 먼지는 여과성 먼지 배출계수 대비 응축성 먼지 배출계수의 비율인 53.53(202.88/3.79)배를 적용하여 산출하였다[2].

배출원별 배출계수 정보와 산출수식을 프로그램 내에 반영하여 연료사용량에 따른 여과성 및 응축성 미세먼지 배출량 자료의 생성, 결과 출력, 저장 등의 처리가 가능하도록 구성하였다. 여과성 및 응축성 산출 처리과정의 프로그램 인터페이스는 Fig. 4.와 같다.


Fig. 4. 
Particulate matter estimation program interface

3.3. 대기거동모사 모델링 알고리즘 구축

도시 운영 시 발생되는 먼지배출량에 대한 대기확산모델을 모델링하여 대기 중으로 확산되는 여과성 및 응축성 미세먼지의 공간적 분포를 확인하고자 대기거동모사 모델링 알고리즘을 구축하였다.

본 연구에서 개발한 프로그램에서는 기상 처리 시스템 CALMET의 기상장을 기반으로 하는 CALPUFF를 활용하여 대기거동 모사를 모델링하였다. 퍼프 모델(Puff model)은 굴뚝에서 연속적으로 배출되는 연기가 잘게 나누어진 각각의 연기 덩어리(puff)로 배출된다고 가정하고, 배출된 연기 덩어리가 공간적 해상도를 갖는 바람장을 따라서 이동 및 확산될 때 미치는 영향을 종합하여 농도를 계산하는 모델이다. CALPUFF는 오염원 농도 변화를 시계열적으로 계산하여 확산에 반영할 수 있으며 복잡한 지형으로 인해 발생되는 급격한 바람장 변화에 대해서도 모델링이 가능하다. 또한 해안가에서 연기 침강현상 등을 고려할 수 있는 장점이 있기 때문에 삼면이 바다인 우리나라 또는 해안지역에 위치하여 해륙풍 순환의 영향을 받는 경우 적합한 모델이다[20].


Fig. 5. 
Elevation and land coverage of the modeling area

한편, 대기확산모델에 입력되는 기상자료는 분석지역의 기상조건 및 오염특성의 파악과 영향예측을 위한 모델링 과정에서 중요한 자료로 쓰인다. 이에 본 연구에서는 3차원 격자 모델링 영역에서 시간별 바람장 및 온도장을 생성해낼 수 있는 CALMET 기상모델을 통해 지표특성 및 고층기상자료, 지형 및 지리 등의 기상 데이터를 생성하였다.

대기확산모델을 반영한 프로그램에서는 지표 및 고층기상데이터를 생성하고 격자별 오염농도에 따른 대기모델링을 실행할 수 있도록 하였으며 인터페이스는 Fig. 6.과 같다.


Fig. 6. 
particulate matter dispersion simulation program interface


4. 미세먼지 대기거동모사 프로그램 적용
4.1. 대상지역

앞서 개발된 3단계의 알고리즘을 반영하여 개발한 미세먼지 대기거동모사 프로그램을 검증 및 평가하기 위하여 실제 운영 중인 도시를 대상으로 사례분석 하였으며, 도시 운영에 따른 여과성 및 응축성 미세먼지 발생과 거동 특성을 확인하였다.

분석 대상의 도시는 경기도 군포시 부곡동, 의왕시 삼동, 초평동 일원에 위치하고 있는 군포 부곡택지개발지구이며 국민임대주택사업을 목적으로 2003~2007 기간동안 도시개발이 추진된 지역이다. 해당 도시는 약 2km×1km 규모이며 도시의 상세 토지이용 계획 현황은 Fig. 7.Table 4.와 같다.


Fig. 7. 
Land use planning of target site(source: LURIS)

Table 4. 
Overview of the target site
Item contents Item contents
Site Bugok-gong, Gunpo-si, Gyeonggi-do
Total Area 470,000.0㎡ Residential Area 200,795.1㎡
Public Area 263,101.3㎡ Commercial Area 6,103.6㎡

4.2. 모델링 조건

대기거동모사를 하기 위하여 대상지역에 대한 모델링 영역크기, 격자크기, 거동모사 주기 등의 조건을 셋팅 하였다. 모델링 영역은 대상지역과 주변지역의 기상 및 토지의 연결성을 고려하여 대상 지역을 포함하는 5km×5km의 크기로 설정하였다. 격자의 세부 크기는 100m ×100m이며 모델링 주기의 간격은 10분으로 하였다. 대기거동모사 모델링에 반영되는 기상정보는 해당 지역 주변의 5개 측정소로부터 취합했으며 상세 측정소 정보는 Table 5.와 같다.

Table 5. 
Overview of meteorological station
Item ID Weather
station name
Site
meteorological
station
366 Ojeon-dong Gyeonggi-do, Uiwang-si, Ojeon-dong
369 Surisan-ro Gyeonggi-do, Gunpo-si, Sanbon-dong
438 Gunpo Gyeonggi-do, Gunpo-si, Geumjeong-dong
445 Uiwang Gyeonggi-do, Uiwang-si, Gocheon-dong
Aerological meteorological
station
47122 Osan Gyeonggi-do, Osan-si

한편, 대기거동의 특성은 계절에 따라 차이를 나타냄에 따라, 사계절이 뚜렷한 국내 현황을 고려하여 모델링 일자를 선정하였다. 본 연구에서는 2018년 1월, 4월, 7월, 10월 중 10일 동안 발생한 여과성 및 응축성 미세먼지량을 예측하였다.

4.3. 모델링 결과 및 평가

도시 운영 시 발생되는 미세먼지 배출량과 대기거동 특성을 파악하기 위하여 프로그램을 개발하였으며, 개발된 프로그램을 검증 및 평가하기 위하여 대상도시를 선정하고 사례분석을 실시하였다. 프로그램을 통해 예측한 미세먼지 배출량에 대한 검증은 한국환경공단의 대기오염측정망에서 측정된 미세먼지량과 비교하여 실시하였으며, 사례분석 대상 지역과 가장 근접한 부곡3동 대기오염측정소에서 측정된 미세먼지량과 비교분석하였다.

전체 5km×5km 모델링 영역에서 예측된 월별 미세먼지 배출량은 Fig. 8.과 같으며, 총 먼지 배출량은 월별로 평균 1월 25.93㎍/㎥, 4월 20.46㎍/㎥, 7월 16.59㎍/㎥, 10월 21.19㎍/㎥인 것으로 예측되었다. 이때, 여름철인 7월의 미세먼지 발생량이 겨울철인 1월 예측값 대비 약 64%로 예측되어, 여름철 장마나 태풍으로 인한 공기정화 효과가 반영된 것으로 판단된다. 총 미세먼지양이 상대적으로 높았던 1월에는 겨울철 난방을 목적으로 한 연료의 연소량이 많아짐에 따라 미세먼지 배출량도 증가한 것으로 사료된다.


Fig. 8. 
Predicted particulate matter emissions amount(㎍/㎥)

한편, 응축성 미세먼지의 배출량은 총 먼지배출량 중 평균 약 50.4%인 것으로 분석되었다. 특히, 1월에 전체 미세먼지 발생량 중 58.9%가 응축성 미세먼지이며, 여과성 미세먼지 배출량이 더 컸던 다른 계절과 다르게 응축성 미세먼지가 여과성 미세먼지보다 약 1.4배 크게 배출된 것으로 나타났다. 응축성 미세먼지는 연료의 연소에 의해 발생함에 따라, 난방 사용으로 인한 화석연료 연소가 증가하는 1월에 응축성 미세먼지 발생량이 상대적으로 크게 예측된 것으로 판단된다.

예측한 미세먼지 배출량을 검증하기 위하여 한국환경공단의 대기오염측정망에서 측정된 미세먼지량과 비교분석 하였으며 결과는 Fig. 9.와 같이 나타났다.


Fig. 9. 
Comparative of observation and prediction for particulate matter

대기오염측정망에서 측정된 미세먼지가 월별로 각각 1월 58.4㎍/㎥, 4월 66.8㎍/㎥, 7월 28.5㎍/㎥, 10월 35.8㎍/㎥일 때 예측된 총 미세먼지량은 각각 1월 25.9㎍/㎥, 4월 20.5㎍/㎥, 7월 16.6㎍/㎥, 10월 21.2㎍/㎥이며, 예측한 미세먼지량이 관측값 대비 평균 48.1% 수준인 것으로 분석되었다.

해당 프로그램에서는 도시 내부의 배출원(건물, 도로 등)으로부터 발생되는 미세먼지만을 대상으로 예측함에 따라, 도시 외부적 요인에 의한 미세먼지량도 함께 관측되는 측정치와는 차이를 나타낸 것으로 판단된다.

외부 발생요인에 의한 미세먼지의 영향은 동북아 장거리이동 대기오염물질 국제공동연구(LTP)에서도 확인된 바 있으며, 해당 연구결과에 따르면 한국에서 관측되는 미세먼지의 자체 기여율은 연평균을 기준으로 약 51% 수준이고 약 32%가 중국 배출원으로 인한 영향인 것으로 나타났다[21].

따라서 대기오염측정망에서 관측된 미세먼지 중, 도시 내부 배출원으로 예측된 48.1%를 제외한 나머지 51.9%의 미세먼지는 중국 및 타 지역 배출 오염원에 의한 대기오염물질 유입으로 사료된다.

또한, 본 연구에서 예측한 도시 자체 발생 기여율은 동북아 장거리이동 대기오염물질 국제공동연구에서 조사된 미세먼지 발생 자체 기여율과 약 2.9% 차이남에 따라, 본 연구에서 예측한 도시 내부 미세먼지 배출량은 관측값 대비 합리적인 수준인 것으로 판단된다.


5. 결론

본 연구에서는 도시 운영 시 발생되는 여과성 및 응축성 미세먼지의 영향을 파악하고자 대기거동모사 프로그램을 개발하였으며, 사례분석을 통해 프로그램에 대한 검증 및 평가를 실시하였다. 미세먼지 대기거동모사 프로그램은 대기정책지원시스템의 자료와 건물 가스에너지소비량 예측에 근거하여 먼지배출량을 산출하도록 하였으며, 산출된 먼지배출량과 기상장을 기반으로 대기확산모델을 모델링하여 여과성 및 응축성 미세먼지를 예측할 수 있도록 개발하였다.

개발된 프로그램을 검증하기 위하여 택지개발지구 단위의 도시를 대상으로 사례 분석하고 대기오염측정망에서 측정된 미세먼지 관측 값과 비교분석 하였다.

그 결과, 총 먼지배출량은 1월이 25.93㎍/㎥로 가장 높게 분석되었으며 7월에는 1월대비 약 64%인 16.59㎍/㎥로 예측되어, 겨울철 난방으로 인한 연료의 연소가 먼지배출량에 영향을 미친 것으로 판단하였다. 또한, 연료 연소에 의해 응축성 먼지가 발생함에 따라 1월 응축성 미세먼지 발생량이 다른 기간에 비해 1.5배~1.9배 높게 나타났다.

또한, 프로그램을 통해 예측된 미세먼지 배출량은 대기오염측정망에서 측정된 관측값 대비 평균 약 48.1%인 것으로 분석되었다. 개발된 프로그램에서는 도시 내부의 배출원으로부터 발생되는 미세먼지만을 대상으로 예측하므로, 관측 값 중 나머지 약 51.9%의 미세먼지는 중국 또는 타 지역 오염원으로부터 발생된 외부 유입 대기오염물질인 것으로 판단된다.

본 연구에서 개발된 도시 배출원 미세먼지 발생량 예측 프로그램을 활용하여 도시 계획에 따른 미세먼지 배출 특성을 파악할 수 있을 것으로 예상되며, 미세먼지 저감 대책 및 배출량 감축 계획 등에 활용될 수 있을 것을 것으로 기대된다. 아울러 향후 다양한 도시를 대상으로 기후적, 지역적, 토지이용적 특성에 따른 미세먼지 발생 특성을 확인하고, 기상장 및 토지피복에 따른 시계열적 대기거동 영향을 파악함으로써 프로그램의 수준을 보완·향상할 수 있을 것으로 사료된다.


Acknowledgments

본 연구는 국토교통부 국토교통기술촉진연구사업(19CTAP-C130211-03)의 연구비 지원에 의해 수행되었습니다.


References
1. 양충헌, 양인철, 윤천주, 성정곤, 미시적 탄소배출량 및 대기확산 모형을 이용한 이동오염원에 의한 대기 질 영향 분석, 한국: 한국도로학회논문집, 제15권 제4호 2013, pp.167-175.
C. H. Yang, I.C. Yang, C. J. Yoon, J. G. Sung, Impact Analysis of Air Quality of Mobile Sources using Microscopic Emission and Dispersion Model, Korea: International Journal of Highway Enginnering, Vol.15, No. 4, 2013, pp.167-175.
2. 이임학, 최두성, 고명진, 박영권, 고정오염원의 응축성 먼지 배출량을 고려한 서울과 인천의 먼지 관리방안, 한국: 한국대기환경학회지, 제33권 제4호, 2017, pp.319-325.
I.H. Lee, D.S. Choi, M.J. Ko, Y.K. Park, Management Methods Considering Condensable PM Emissions from Stationary Sources in Seoul and Incheon, Korea: Journal of Korean Society for Atmospheric Environment, Vol. 33, No. 4, 2017, pp.319-325.
3. U.S. EPA National Ambient Qulity Standard. (2012).
4. H.H. Yang, K.T. Lee, Y.S. Hsieh, S.W. Luo, M.S. Li. Filterable and Condensable Fine Particulate Emissions from Stationary Sources, Taiwan: Aerosol and Air Quality Research, 2014, pp.2010-2016.
5. 김성미, 이임학, 이경빈, 김진식, 권명희, 고등어 조리 시 발생하는 미세먼지의 입경 분석, 한국: 한국대기환경학회지, 제33권 제4호, 2017, pp.361-369.
S.M. Kim, I.H. Lee, K.B. Lee, J.S. Kim, M.H. Kwon, Diameters Analyses of Fine Particles Emitted When Mackerels Cooked, Korea: Jounal of Korea Society for Atmospheric Environment, Vol. 33, No. 4, 2017, pp.361-369.
6. 고재철, 류경원, 박일건, 대기확산모델을 이용한 산업단지 내 미세먼지 확산 특성 분석, 한국: 한국환경기술학회, 제19권 제4호, 2018, pp.366-374.
J.C. Ko, K.W. Ryu, I.G. Park, The Dispersion characteristics Analysis of PM10 and PM2.5 in Industrial Complex using Atmospheric Dispersion Model, Korea: The Korean Society for c Environmental Technology, Vol.19, No.4, 2018, pp.366-374.
7. 박진우, 박진홍, 최진무, 대기오염확산모델을 이용한 유동인구의 대기오염 노출에 관한 연구, 한국: 국토지리학회지, 제52권 제2호, 2018, pp.193-204.
J.W. Park, J.H. Park, J.M. Choi, An Air Pollution Exposure on Floating Population using Air Pollution Dispersion Model, , Korea: The Korean Association of Professional Geographies, Vol. 52 No. 2, 2018, pp.193-204.
8. 하민진, 이태경, 이임학, 전의찬, CALPUFF 모델을 이용한 기후변화에 따른 일산화탄소의 대기오염 영향 분석, 한국: 한국기후변화학회지 제8권 제2호, 2017, pp.81-89.
M.J. Ha, T.K. Lee, I.H. Lee, E.C. Jeon, Analysis about CO Diffusion Change by Climate Change Using CALPUFF, Korea: Journal of Climate Change Research, Vol.8 No.2, 2017, pp.81-89.
9. N.Y. Mohammad, A. Mohammad, K. Mehdi, D. Maryam, Modeling of Cement Factory Air Pollution Dispersion by AERMOD, U.SA.: A&WMA’s 109th Annual Conference & Exhibition, Paper #1276, 2016, pp.1-11.
10. 공부주, 김종현, 김혜리, 이상보, 김형천, 조정화, 김정훈, 강대일, 박정민, 홍지형, 배출가스 중 응축성미세먼지 특성 연구, 한국:한국대기환경학회지, 제32권 제5호, 2016, pp.501-512.
B.J. Gong, J.H. Kim, K.H. Lee, S.B. Lee, H.C. Kim, J.H. Jo, J.H. Kim, D.I. Kang, J.M. Park, J.H. Hong, A Study on the Characteristics of Condensable Fine Particles in Flue Gas, Korea: Journal of Korean Society for Atmospheric Environment, Vol.32 No.5, 2016, pp.501-512.
11. 유정훈, 임슬기, 송지한, 이도영, 유명상, 김종호, 연소 배출가스 중 SO2 농도에 따른 응축성먼지 변화에 관한 연구, 한국: 한국대기환경학회지, 제34권 제5호, 2018, pp.651-658.
J.H. Yu, S.G. Lim, J.H. Song, D.Y Lee, M. S. Yu, J.H. Kim, A Study on the Change of Condensable Particulate Matter by the SO2 Concentration among Combustion Gas, Korea: Journal of Korean Society for Atmospheric Environment, Vol.34 No.5, 2018, pp.651-658.
12. H.H. Yang, K.T. Lee, Y.S. Hsieh, S.W. Luo, M.S. Li, Filterable and Condensable Fine Particulate Emissions from Stationary Sources, Taiwan: Aerosal and Air Quality Research, Res. 14, 2014, pp.2010-2016.
13. 이임학, 응축성 먼지를 고려한 국내 미세먼지 배출 현황, 한국: 한국공기청정협회, 제31권 제1호 2018, pp.28-39.
I.H. Lee, Domestic Status of Fine Particulate emissions Considering Condensable PM, Korea: Korea Academic Air Cleaning Technology, Vol.31 No.4, 2018, pp.28-39.
14. 이예지, 데이터마이닝을 이용한 태양광발전시스템 모듈온도 예측에 관한 연구, 한국: 인천대학교 석사학위논문, 2017, p.29.
Y.J. Lee, Prediction of Module Temperature for Photovoltaic System using Data Mining, Korea, Incheon University, 2017, p.29.
15. 문지훈, 전상훈, 박진웅, 최영환, 항인중, 인공 신경망과 지지 벡터 회귀분석을 이용한 대학 캠퍼스 건물의 전력 사용량 예측 기법, 한국: 정보처리학회논문지, 제5권 제10호, 2016, pp.293-302.
Moon, Ji-Hoon, Jun, Sang-Hoon, Park, Jin-Woong, Choi, Yong-Hwan, Hwang, Een-Jun, An Electric Load Forecasting Scheme for University Campus Buildings Using Artificial Neural Network and Support Vector Regression, Korea, Korea Information Processing Society, Vol.5, No.10, 2016, pp.293-302.
16. Ministry of Environment, Picture format, http://www.me.go.kr, 2019. 05.15.
17. 국가 대기오염물질 배출량 산정방법 편람(Ⅲ), 한국: 국립환경과학원, 2013.
National Air Pollutant Emission Estimation Manual(Ⅲ), Korea: National Institute of Environmental Research, 2013.
18. U.S. EPA AP-42.(1995-2000).
19. 배출가스 중 미세먼지 측정법 개선에 관한 연구(Ⅱ), 한국:국립환경과학원, 2015.
A Study on the Improvement of Fine Particles Measurement Method in Flue Gas(Ⅱ), Korea: National Institute of Environmental Research, 2015.
20. 환경영향예측모델 활용지침 마련을 위한 연구, 한국: 환경부, 2007.
Study to prepare guidelines for using environmental impact prediction model, Korea: Ministry of Environment, 2007.
21. Summary report of the 4th stage (2013-2017) LTP Project(Joint research project for long-range transboundary air pollutants in northeast asia), Korea, China and Japan, 2019, p.8.