연구 대상지역은 강릉과 서울로서, 두 도시는 유사한 위도를 가지는 도시 지역이지만 동서방향으로 직선거리 약 180 km 떨어져 있으며 배출원의 규모와 특성 및 환경이 서로 다르게 나타나는 지역이다 (Kim et al., 2020; Lee and Lee, 2020). 그림 1은 연구 지역의 위치와 고도 단면도이다. 서울은 약 605.2 km²의 면적으로 약 950만 명의 인구가 거주 중으로 교통량이 많고 다양한 배출 업체와 거주지에서 배출되거나, 서울 근교 지역과 중국에서 발생하여 서해를 통해 유입되는 대기오염물질의 영향을 크게 받는다 (Choi et al., 2016; Shin and Lee, 2016; Oh et al., 2015). 강릉은 1,040 km² 면적으로 인구는 약 21만 명이며, 서쪽의 태백산맥과 동쪽의 동해바다를 마주하고 있으므로 산맥과 해양에 의한 복합적인 영향으로 인해 대기오염물질이 기상 조건의 영향을 크게 받는다 (Lee and Lee, 2020). Pyo et al. (2021)의 선행 연구에서는 강릉과 서울의 서풍의 빈도가 각각 83%, 67%로 주로 서풍 계열의 바람으로 인하여 외부에서 유입되는 에어러솔의 빈도가 높은 것으로 나타났으며, 두 지점의 에어러솔 부하량에는 차이가 있지만 입자의 크기 분포 영역은 유사한 범위인 것으로 보고되었다.

Fig. 1. 
Geographical locations of ground-based sun-skyradiometer measurement sites in Gangneung and Seoul used in this study. Distance and elevation profile between Gangneung (37.77°N, 128.86°E, 60 m) and Seoul (37.56°N, 126.93°E, 97 m) also shown.

표 1은 본 연구에서 사용된 자료 목록이며, 딥러닝 모델의 학습 구축에 필요한 복사전달모델 입력 파라미터인 파장 범위, 태양 천정각, 대기 프로파일, 에어러솔 타입, AOD, 지표 알베도를 포함한다. 파장 범위는 복사전달모델 구동을 위해 파장의 범위를 설정하는 것으로서 본 연구에서는 단파장 영역인 0.25 µm~4 µm의 영역대를 설정하였다. 태양 천정각은 지면에서 수직 방향과 태양이 이루는 각도이며, 태양 천정각이 커질수록 태양 복사에너지가 지구 대기를 통과하는 광경로가 길어지므로 복사강제 효과에 영향을 준다. 태양 천정각의 범위는 주간 동안 태양의 이동 범위를 고려하여 0°~80°로 설정하였다. 대기 프로파일은 대기층의 수, 고도별 기압, 기온, 수증기압, 오존에 관한 값을 제공하며, 본 연구에서는 US76 표준대기모델을 선정하였다. 에어러솔 타입은 Rural, Urban, Oceanic, Tropospheric 에어러솔 모델이 사용되었으며, 각각 파장별 산란위상함수, 단산란 알베도, 소산계수 그리고 고도별 에어러솔 분포값이 포함된다. 그리고 에어러솔 광학두께는 0.00~5.00까지 0.01씩 증가하도록 설정하였다. 이렇게 설정된 파라미터별 DL_ARF 모델의 학습을 위한 입력값인 태양 복사량과 대기 물리량이 산출된다.

표 2는 DL_ARF 결과값의 비교를 위하여 사용된 자료목록이다. 이 중 CE-318 Sun-sky radiometer 관측 자료는 전 세계 복사 관측 네트워크 중 하나인 AErosol RObotic NETwork (AERONET) (Hauser et al., 2005)를 통하여 획득하였으며, 서울 (북위 37.56°, 동경 126.93°, 고도 97 m)과, 강릉 (북위 37.77°, 동경 128.86°, 고도 60 m)에서 2012년부터 2021년까지 관측된 자료를 사용하였다. 기상조건에 따른 연구 지역의 에어러솔의 특성 분석을 위해 상대습도 자료를 사용하였으며, CIMEL-318 Sun-sky radiometer 관측 지점과 가장 인접한 자동기상관측장비 (Automatic Weather System; AWS)의 관측 지점 (강릉: 북위 37.78°, 동경 128.92°, 고도 7 m, 서울: 북위 37.57°, 동경 126.94°, 고도 103 m)에서 2012년부터 2021년까지의 자료를 사용하였다.

ARF를 산출하기 위해 머신러닝 기법의 하나인 심층 신경망 (Deep Neural Network; DNN) 기법을 사용하였다. 일반적으로, 신경망 (Neural Network) 또는 퍼셉트론은 기본적으로 입력층 (Input Layer), 은닉층 (Hidden Layer), 출력층 (Output Layer)으로 구성되며, 두 개 이상의 은닉층이 존재하면 다층 퍼셉트론 또는 심층 신경망이라고 한다 (Rumelhart et al., 1986). 입력층에 값이 입력되면 가중치 계산을 통해 은닉층, 출력층 순으로 계층적으로 전파된다. 모델의 오차를 줄여 성능을 높이기 위해 산출된 정보를 입력층으로 역전파 (Backpropagation)하고 가중치를 기울기 하강법 (Gradient descent algorithm)을 사용하여 지속적으로 업데이트하는 방식으로 학습을 시킨다 (Rumelhart et al., 1986). DNN은 이러한 신경망들의 결합으로 생성한 뉴런들이 학습으로 가중치를 변형 및 기억하여 문제를 해결하는 모델이며 비선형 문제를 해결하는 대표적 기법이다 (Reifman and Feldman, 2002). 신경망 학습을 마친 후 구축된 모델을 사용하면 방대한 양의 데이터를 입력하였을 때 그에 상응하는 결과값을 기존의 복사전달모델에 비하여 빠르고 정확하게 산출이 가능하다.

그림 2는 본 연구에서 진행한 DL_ARF 모델을 구축하기 위한 데이터 처리 과정에 대한 모식도이다. DL_ARF 모델을 구축하기 위해 우선 정확하고 방대한 데이터를 이용하여 학습시키는 과정이 필요하다. 학습에 필요한 데이터는 복사전달모델을 이용하여 산출된 약 210,000개의 AOD와 태양 천정각, 지표면 순 복사량 데이터를 이용하였다. 에어러솔 타입은 표준 에어러솔 모델인 Rural, Urban, Tropospheric, Oceanic Aerosol에 대한 4가지 타입별로 모델을 이용하였다. DL_ARF 모델 학습과정에서 모델의 정확도를 높이는 가장 중요한 부분은 뉴런의 구조를 가장 효율적으로 구성하는 것이다. 뉴런의 구조는 레이어와 노드들로 구성되어 있으며 이러한 뉴런의 구조가 구성되면 결과를 산출하는 과정 및 알고리즘은 내부적으로만 처리되므로 그 과정을 정확히 알기 어렵다. DNN 기법에서 레이어와 노드의 구조는 데이터의 종류와 수에 따라 달라져야 하기 때문에 이를 효율적으로 구성하는 명확한 방법이 정해지진 않았다 (Choldun et al., 2019; Chhachhiya et al., 2017; Bunjongjit et al., 2014). 사용자가 직접 구조를 변경하면서 학습시킨 모델들을 전부 비교해 최적의 모델을 구축하는 방법이 널리 쓰인다. 이러한 방법은 학습시간이 오래 걸리는 단점이 있지만, 가장 효율적이며 정확한 모델이 구축된다는 장점이 있다. 본 연구에서도 사용자가 직접 뉴런의 구조를 변경하여 모델들을 구축하였으며, 각각의 타입별로 7가지의 형태로 학습시킨 28개의 모델 중 가장 정확한 모델을 선택하여 ARF를 산출하였다.

Fig. 2. 
Schematic diagram of data process for the deep neural network model to calculate ARF used in DL_ARF model.

표 3과 4는 DL_ARF에서 사용된 뉴런의 구조별로 학습이 완료된 모델들의 성능과 예측값의 선형 회귀 결과 및 산출 시간을 정리한 표이다. 각 모델의 학습결과에 대한 정확도를 평가하기 위하여 오차 제곱 합 (Sum of Squares for Error; SSE)을 계산하였다. SSE는 손실함수 (Loss Function) 중 하나로 신경망 모델의 성능을 나타내는 지표로 사용되며 학습데이터를 얼마나 잘 처리하느냐를 나타내는 대표적인 지표이다. 식 (1)은 신경망에서의 SSE를 계산하는 식이며, 신경망이 예측한 ARF (F_D)에서 학습데이터에서의 ARF (F_A)의 차를 제곱하여 모두 합하게 된다.

i=데이터의 차원 수

F_D=신경망이 예측한 값

F_A=참값

본 연구에서는 전체 데이터 중 70%는 학습데이터로 사용하였고 나머지 30%는 시험데이터로 사용하였으므로 SSE는 70%에 해당하는 학습데이터를 학습하여 찾은 최적의 매개변수와 학습데이터의 오차 제곱 (Squares Error; SE)을 모두 합한 값을 의미한다. 이 과정을 통해 모델의 성능을 평가할 수 있으며 SSE가 가장 낮게 나타나면 모델의 성능이 높다고 판단이 가능하지만 (Kim et al., 2019; Ghosh et al., 2007), SSE는 학습데이터에 대해서만 판단이 가능하고 처음 입력되는 데이터 즉, 본 연구에서 사용된 입력자료에 대해서는 판단하기 힘들다. 따라서 SSE를 참고하여 추가로 새로운 데이터를 통해 예측한 결과와 실제 데이터를 비교하면서 모델의 성능뿐만 아니라 정확도를 확인하는 과정을 추가로 진행하였다. 모델을 이용한 예측값의 정확도 확인은 통계적인 선형회귀 분석에서 사용되는 상관계수 (R), 평균 제곱근 오차 (RMSE), 편차 (Bias)를 다음의 식 (2)~(4)와 같이 계산하였다.

F_D: DL_ARF로 예측한 값

F_A: AERONET ARF

FD-: 예측 ARF에 대한 표본 평균

S_D: 예측 ARF에 대한 표준 편차

FA-: AERONET ARF에 대한 표본 평균

S_A: AERONET ARF에 대한 표준 편차

n: 표본의 수

F_D: DL_ARF로 예측한 ARF 값

F_A: AERONET의 ARF 값

n: 데이터 수

F_D: DL_ARF로 예측한 ARF 값

F_A: AERONET의 ARF 값

n: 데이터 수

DL_ARF는 복사전달모델을 이용하여 미리 계산된 총 210,000개의 데이터가 DNN의 학습을 위하여 사용되었으며, 최적의 DNN 모델을 찾기 위하여 3개의 레이어와 몇 가지의 노드 수의 조합인 총 28개의 독립된 모델을 구축하였다. 그리고 강릉과 서울에서 CEMEL-318 sun-sky radiometer로 측정된 에어러솔 광학 두께와 태양 천정각 데이터 (강릉: 2,138개, 서울: 3,948개)를 입력자료로 사용하여 ARF를 산출하였다. 이렇게 DL_ARF로부터 산출된 ARF의 정확도 평가를 위하여 AERONET level 2.0 inversion product에서 제공되는 ARF 값 (복사전달모델링에 의하여 계산된 값)과 비교하였으며, 28개의 DNN 모델 중 가장 높은 정확도를 나타낸 모델을 사용하여 지역별 ARF 값을 결정하였다. 그림 3~5는 강릉과 서울 두 지역에서 DL_ARF 기반의 ARF와 AERONET에서 제공하는 ARF와의 회귀분석을 통한 상관계수와 RMSE 그리고 Bias를 비교한 결과이다.

Fig. 3. 
Heatmap depicting correlation between DL_ARF ARF and AERONET ARF in (a) Gangneung and (b) Seoul. Rows represent the nodes and number of layers for neuron structures. Columns represent individual aerosol type. Color represents the Pearson’s correlation coefficient (r).

Fig. 4. 
Same as Fig. 3 but for root mean square error (RMSE).

Fig. 5. 
Same as Fig. 3 but for Bias.

강릉의 경우 Rural 에어러솔 타입과 (5-4-3-2) 노드로 구성된 DNN 모델을 사용할 때 R=0.97, RMSE=6.51, Bias=0.68로 가장 정확도가 높게 나타났다. 서울의 경우 Tropospheric 에어러솔 타입과 (6-5-4) 노드로 구성된 DNN 모델을 사용하였을 때, R=0.97, RMSE=8.42, Bias=2.03으로 가장 정확도가 높았다. 따라서 서울과 강릉의 에어러솔 광학 두께와 태양 천정각의 지상 관측값을 DL_ARF의 입력 자료로 하여 각각 Tropospheric 에어러솔과 (6-5-4) 노드, Rural 에어러솔과 (5-4-3-2) 노드로 구성된 DNN 모델을 사용하면 가장 높은 정확도의 ARF 값을 예측할 수 있는 것으로 판단된다.

그림 6 은 강릉과 서울에서 DL_ARF를 이용해 산출된 ARF 결과와 AERONET에서 제공하는 ARF를 비교한 회귀분석 그래프이다. 강릉의 경우 회귀직선의 slop는 1.06이고 상관계수 R은 0.97로 AERONET ARF와의 상관성이 매우 높았다. 또한 Bias와 RMSE가 각각 0.68, 6.51로 정확도도 높은 결과를 얻었다. 서울의 경우 회귀직선의 Slop는 1.04이고 상관계수 R은 0.97로 AERONET ARF와의 상관성이 매우 높았다. 또한 Bias와 RMSE가 각각 2.03, 8.42로 정확도 높은 모델 결과를 얻었다. 이렇게, 강릉과 서울 두 지역에서 DL_ARF를 이용한 ARF는 복사전달모델로 계산된 값과 상대편차는 2.38% (강릉), 9.67% (서울) 내외의 정확도를 가지는 값을 보였다.

Fig. 6. 
Scatter plots of ARF determined by the optimal DL_ARF and AERONET ARF in (a) Gangneung and (b) Seoul, respectively.

그림 7은 DL_ARF를 이용하여 산출한 서울 (a)과 강릉 (b)의 과거 ARF를 연도별로 분석한 그림이다. 강릉과 서울 두 지역 모두 2015~2020년 기간 동안 연평균 에어러솔 복사강제력이 지속적으로 감소하는 추세를 (서울: 3.04 W/m²/yr, 강릉: 3.63 W/m²/yr) 보였으며 2021년부터 다시 증가하는 결과를 보인다. 특히, 2020년의 연평균 ARF는 서울이 -36.9 W/m², 강릉은 -27.34 W/m²으로 이전 5년간 (2015년~2019년)의 평균 ARF (서울: -48.84 W/m², 강릉: -35.46 W/m²)에 비해 크게 감소하였다 (서울: 18.8%, 강릉: 29.7%). 이는 대기오염물질 배출 저감 정책과 코로나 19로 인한 활동 제한 등 다양한 원인이 복합적으로 작용하여 나타난 결과로 보인다.

Fig. 7. 
Box plot showing the annual average ARF and Interquartile range (IQR) of (a) Gangneung and (b) Seoul predicted using DL_ARF.

그림 8은 식 (5)를 이용하여 두 지역에서 단위 에어러솔 광학 두께당 에어러솔의 복사강제력인 에어러솔 복사강제효율 (Aerosol Radiative Forcing Efficiency; ARFE)을 계산하여 비교한 결과이다.

ΔARF: ARF의 변화량 (W/m²)

ΔAOD: AOD의 변화량 (τ)

Fig. 8. 
Aerosol radiative forcing versus aerosol optical depth in (a) Gangneung and (b) Seoul. Slope of the linear regression line depicts aerosol radiative forcing efficiency (ARFE).

ARF는 에어러솔에 의한 총 복사강제력을 의미하지만, ARFE는 에어러솔의 부하량에 따른 복사강제력을 의미하므로 두 지역의 에어러솔의 특성에 따른 복사강제력의 차이를 비교할 수 있다. 강릉의 ARFE=-1.22 W/m²/τ 이고, 서울의 ARFE=-1.03 W/m²/τ 로서, 서울보다 강릉에서의 ARFE가 음의 방향으로 18.4% 더 크게 작용한다. 즉, 강릉의 대기 중 에어러솔 입자의 총량은 서울보다는 적지만, 단위 입자당 태양 복사량의 소산이 더 활발하여 이로 인한 복사냉각효율이 더욱 크게 나타난 결과이다.

강릉과 서울의 에어러솔 복사강제효율을 비교한 결과 강릉의 에어러솔 복사강제효율이 더 크게 나타났으며, 이러한 결과에 대한 원인을 분석하기 위해 지역별 에어러솔의 광학 특성값을 비교하였다. 이를 위하여 2012년부터 2021년까지의 강릉과 서울의 파장별 단산란 알베도 (Single Scattering Albedo; SSA), 파장별 비대칭 변수 (Asymmetry Factor; ASY), 상대습도 (Relative humidity; RH), 에어러솔 유효 반경 (Effective Radius; Reff)을 사용하여 두 지역의 복사강제효율의 차이가 발생하는 원인을 조사하였다.

그림 9와 표 5는 강릉과 서울에서 관측된 평균 SSA와 ASY 값을 표준 대기 에어러솔 모델과 비교한 것이다. SSA는 0과 1 사이의 값을 가지는 입자의 상대적인 광 흡수도를 나타내며, ASY는 산란된 복사에너지의 각도별 분포를 설명하는 데 사용된다. ASY는 기본적으로 -1 (후방 산란)에서 +1 (전방 산란) 범위에 있을 수 있다. 식 (6)과 식 (7)은 SSA와 ASY를 산출하는 식이다.

Q_sca : 산란 효율

Q_ext : 소산 효율

θ : 입사광과 산란광 사이의 각도

P(θ): 위상함수 (산란광의 각도 분포)

Fig. 9. 
(a) Asymmetry factor (ASY) and (b) single scattering albedo (SSA) from the AERONET database and standard aerosol types.

각 파장별 SSA는 모든 파장에 대해 서울보다 강릉의 SSA 값이 약 1.58% 더 작은 값이 나타났으며, 이로 인하여 강릉의 대기 중에서는 단위 AOD당 더 많은 광 흡수가 발생한 것으로 판단된다. 그리고 파장별 ASY는 강릉이 서울보다 약 1.15% 더 큰 값을 나타낸다. 상대적으로 큰 ASY 값은 전방 산란이 큰 것을 의미하므로, 입자 산란 (또는 Mie 산란)에 의하여 직달 (direct)보다는 산란된 (scattered or diffused) 복사량이 서울에 비해 강릉이 더 큰 것을 의미한다. 따라서 강릉의 ARFE가 서울보다 크게 나타나는 주요 원인 중 한 가지는 대기 중 에어러솔의 광 흡수성과 산란 특성으로 인하여 태양 복사를 더 많이 흡수 또는 산란시키는 특성을 가지는 것으로 나타났다.

대기 중에 동일한 성분의 입자 수가 존재할 때, 태양 복사 스펙트럼 영역에서 입자의 크기가 작을수록 미 산란 효과가 커지게 되므로 복사강제 효과에 더욱 큰 영향을 미칠 수 있게 된다. 따라서, 지역 대기 중의 입자 크기는 복사강제 효과의 영향요인으로 작용할 수 있다. 그림 10은 강릉과 서울의 에어러솔 유효 반경 (aerosol effective radius, Reff)의 월평균 그래프이다. 강릉에서 관측된 입자의 Reff는 서울보다 약 4.5% (∫∆Reff=01.8) 낮은 값을 나타내며, 이로 인하여 강릉의 대기 중 태양 복사의 미 산란 효과가 더욱 클 수 있음을 예상할 수 있다.

Fig. 10. 
The results of comparing the monthly average values of aerosol Effective Radius (Reff) observed in Gangneung and Seoul during the period from 2012 to 2021 with (a) histogram and (b) time series graph.

한편, 대기 중의 입자는 상대습도 (RH)의 조건에 따라 굴절률 및 크기가 변하게 되므로, RH는 광학 특성값인 AOD와 ASY, SSA에도 영향을 미칠 수 있다 (Kim et al., 2006; Markowicz et al., 2003; Gasso et al., 2000; Kotchenruther et al., 1999). RH의 증가는 입자의 흡습성장에 따른 크기 증가와 전방 산란 효과의 증대로 ARF에도 영향을 미치게 된다 (Chin et al., 2002; Hegg et al., 2002; Takemura et al., 2002; Im et al., 2001; Kotchenruther et al., 1999; McInnes et al., 1998; Nemesure et al., 1995). 따라서 상대습도의 차이로 인한 ARF의 영향을 분석하기 위하여 강릉과 서울의 월별 평균 상대습도를 분석하였다. 그림 11(a)은 강릉과 서울의 상대습도 분포를 히스토그램이고, 그림 11(b)는 월별 RH 값의 변화 그래프이다. 그림 11(a)에서 강릉의 상대습도 분포의 폭이 서울보다 더 크게 나타났으며, 특히, 6월~10월은 강릉의 상대습도가 높고 그 외 달에는 서울의 상대습도가 더 높았다. 따라서, 상대습도와 에어러솔 유효 반경을 비교했을 때, 습도가 높을 때 습식흡착으로 인해 에어러솔 유효 입자의 크기가 변하는 것으로 판단된다. 이상의 결과를 통하여 강릉에서는 건조한 대기 조건하에서 서울보다 작은 크기의 에어러솔 입자가 존재하며, 상대적으로 낮은 SSA 값을 가지는 광 흡수성 입자의 특성을 나타냄으로써, 단일 입자에 대한 광 산란 및 흡수 효과가 커지게 되어 ARFE도 커짐을 알 수 있었다.

Fig. 11. 
The results of comparing the monthly average values of Relative humidity (RH) observed in Gangneung and Seoul during the period from 2012 to 2021 with (a) histogram and (b) time series graph.