Deep Neural Network 모델을 이용한 초미세먼지 취약지역 분석: 서울시 사례연구

2. 1 초미세먼지 취약지역

본 연구에서는 초미세먼지 취약지역 분석을 위해 DNN 모델을 적용하고자 한다. 이 과정에서 결과변수로 필수적으로 활용될 초미세먼지 취약지역 정의가 중요하다.

본 연구에서 초미세먼지 취약지역은 현재 운영 중인 미세먼지 집중관리지역으로 정의되며, 이를 통해 더 구체적이고 실질적인 분석이 가능해진다. 미세먼지 집중관리지역은 환경부의 「미세먼지 집중관리지역 지정 운영 가이드 라인」에 따라 지정된 지역으로, 해당 가이드 라인에 명시된 지정요건을 바탕으로 선정된다. 표 4는 미세먼지 집중관리지역의 지정요건을 요약한 것이다.

Table 4.

The criteria for Particle Matter (PM) management zone.

2. 2 연구지역

본 연구의 대상 지역은 서울특별시로 설정하였다 (그림 2). 서울시는 한반도의 중심부에 위치하며, 북한산, 도봉산, 관악산 등 높은 산으로 둘러싸인 분지 형태이다. 이러한 지형적 특성으로 인해 대기 확산이 제한되어, 서울시는 초미세먼지가 쉽게 축적될 수 있는 환경적 취약성을 가지고 있다.

Fig. 2.

Study area: Seoul.

서울시는 인구밀도가 높은 대도시로, 산업 및 교통 활동이 집중되어 있어 다양한 초미세먼지 배출원이 존재한다. 특히 수도권의 급격한 도시화 및 중국의 공업화로 인해 발생하는 대기오염물질의 영향을 크게 받고 있으며, 이는 서울시의 대기질 악화에 기여하고 있다.

이와 같은 대기오염 문제를 해결하기 위해 서울시는 여러 정책을 시행해 오고 있다. 2013년 10월, 서울시는 전국 최초로 초미세먼지 경보제를 도입하였으며, 초미세먼지에 취약한 계층인 15세 미만 유소년과 65세 이상 고령 인구의 건강 보호를 위한 정책을 강화하고 있다. 그러나 서울시의 초미세먼지 농도는 여전히 국내 초미세먼지 연평균 농도 기준인 15 μg/m³를 충족하지 못하고 있어, 지속적인 정책 개선과 연구가 필요하다(그림 3).

Fig. 3.

(a) PM2.5 annual average concentration and (b) PM10 annual average concentration in Seoul.

2. 3 연구 자료

초미세먼지 취약지역 분석을 위해 표 4의 지정 요건에 기반하여, 표 5와 같은 연구 자료가 수집되었다. 본 연구에 사용된 연구 자료들은 설명변수와 결과변수로 구분된다.

Table 5.

Variables of PM2.5 vulnerability area in this study.

설명변수로는 PM_2.5 연평균 농도, PM_2.5 고농도 발생일 수, PM₁₀ 연평균 농도, PM₁₀ 고농도 발생일 수, 취약계층인 15세 미만 및 65세 이상 인구수, 취약계층 이용시설, 비산먼지 발생 사업장, 대기오염 배출 사업장, 도로오염원 PM 배출량 등 총 15개의 자료 항목이 10개의 설명변수로 활용되었다. 결과변수로는 현재 운영 중인 서울시 미세먼지 집중관리구역을 초미세먼지 취약지역으로 정의하고 사용하였다.

먼저 PM_2.5 연평균농도, PM_2.5 고농도 발생일 수, PM₁₀ 연평균농도, PM₁₀ 고농도 발생일 수는 서울시 경계 지역의 가장자리 효과를 완화하기 위해, 서울 반경 30 km 이내에 위치한 총 84개의 도시대기측정망 및 도로변대기측정망의 관측 자료를 활용하였다. 표 4의 미세먼지 집중관리 지정요건을 준용하여, 수집된 자료 중 2021년부터 2023년까지 3년간의 측정값을 기반으로 각 지점별 3년 평균 농도 및 고농도 발생일 수를 산출하여 분석에 적용하였다(그림 4(a)).

Fig. 4.

Data of explanatory variables in this study: (a) 84 air quality measurement sites, (b) Facilities of PM2.5 vulnerable groups, (c) Facilities of fugitive dust, (d) Facilities of air pollutant emissions, (e) PM by road mobile by Dong.

취약계층 이용시설 자료는 서울 열린데이터 광장 포털에서 제공하는 서울시 어린이집, 유치원, 초등학교, 산후조리원, 노인복지시설, 요양병원 등 6개 유형 시설의 위치 정보를 담고 있는 포인트 자료를 수집하여, 단일한 포인트 자료 형태로 통합되었다(그림 4(b)).

취약계층인 15세 미만 및 65세 이상 인구 자료는 통계지리정보서비스(Statistical Geographic Information Service, SGIS)에서 제공하는 격자경계 100 m 단위 서울시 유소년 및 고령 인구 자료를 사용하였다.

비산먼지 발생 사업장 자료는 서울시 건설 알림이 포털에서 제공하는 비산먼지 발생 사업 정보 포인트 자료를 수집하여 구축하였다(그림 4(c)).

대기오염 배출 사업장 자료는 서울시 대기환경정보 포털에서 대기오염물질 배출 사업장 현황 자료를 활용하여 포인트 자료로 생성하였다(그림 4(d)).

도로오염원 PM 배출량 자료는 국가교통 데이터 오픈마켓 포털에서 제공하는 대기오염물질 배출량 행정구역 읍면동 단위 자료 중 2021년부터 2023년까지의 월평균 자료를 활용하여 3년 연평균 자료로 산출하였다(그림 4(e)).

3. 1 연구 자료 전처리

그림 6은 효과적인 DNN 모델의 학습 및 예측을 위해, 서울시를 100 m×100 m 단위 Grid로 격자화하여, 설명변수 및 결과변수를 속성값으로 가지는 서울시 공간데이터베이스를 구축하였다. 격자화된 총 61,650개 Grid 중 산과 강에 해당하는 Grid를 제외한 41,557개의 Grid가 본 연구에 활용되었다.

Fig. 6.

Seoul grids (100 m by 100 m): 41,557 grids were used in this study.

Empirical Bayesian Kriging (EBK) 보간은 공간적 데이터의 보간 및 예측을 위한 통계적 방법으로, 지리적 데이터에서 공간적 상관관계를 모델링하여 알려지지 않은 위치의 값을 추정하는 기법이다. EBK에 대한 전반적인 내용은 Gribov and Krivoruchko (2020)에 상세히 기술되어 있다. 본 연구에서는 PM_2.5 연평균농도, PM_2.5 고농도 발생일 수, PM₁₀ 연평균농도, PM₁₀ 고농도 발생일 수 데이터는 EBK를 수행하여 서울시 Grid에 속성값으로 할당하였다(그림 7(a, b, c, and d)).

Fig. 7.

Variables after Min-Max Re-Scaling used in this study: (a) High PM2.5 frequencies EBK, (b) PM2.5 annual average EBK, (c) High PM10 frequencies EBK, (d) PM10 annual average EBK, (e) Fugitive dust KDE, (f) Air pollutant emmisions KDE, (g) PM by road mobile, (h) Facilities of PM2.5 vulnerable Groups KDE, (i) Population aged under 15, and (j) Population aged under 65 and older. Empirical Bayesian Kriging (EBK).

Kernel Density Estimation (KDE)은 데이터의 확률 밀도 함수 추정하는 비모수적 기법으로, 포인트 데이터 주변에 커널 함수를 배치하여 전체적인 데이터 분포를 추정한다. KDE (식 1)과 같다.

K는 가우시안 커널 함수, h는 대역폭(Smoothing factor), n은 데이터 포인트수, x_i는 개별 데이터 포인트이다. 포인트 데이터인 취약계층 이용시설, 비산먼지 발생 사업장, 대기오염 배출 사업장 데이터는 KDE를 통해 서울시 Grid 속성값으로 할당하였다(그림 7(e, f, and h)).

Focal statistics는 각 Grid의 인접 영역 내의 Grids에 대한 통계를 계산하여 해당 Grid의 값으로 할당하는 공간분석 기법이다. 도로오염원이 발생시키는 PM 배출량 데이터는 한국교통연구원에서 제공하는 읍면동 단위의 Clean Air Policy Support System (CAPSS) 도로오염원 배출량 데이터를 읍면동 면적으로 나눈 후, Grid 면적을 곱하여 각 Grid가 가진 도로오염원 배출량을 계산한다. 각 Grid는 다시 반경 500 m 범위 내의 인접 Grid 평균값으로 도로오염원 배출량을 산출하여 사용한다(그림 7(g)).

DNN 모델의 학습 효율성을 높이고, 각 특성의 중요성을 동등하게 반영하기 위해서는 데이터의 값의 범위와 단위를 일치시켜야 한다. 데이터의 값을 0과 1 사잇값으로 리스케일하는 Min-Max 정규화 기법을 적용하였다(식 2).

Ground Truth는 DNN 모델이 초미세먼지 취약지역과 취약지역이 아닌 지역을 구별하는 데 중요한 역할을 하며, 신뢰성 있는 Ground Truth 제작은 성능에 직접적인 영향을 미친다(Gong et al., 2022). DNN 모델 학습의 결과변수로 사용되는 Ground Truth를 생성하였다(그림 8).

Fig. 8.

Ground truth of this study consists of (a) True label and (b) False label.

True label은 초미세먼지 취약지역이다(그림 8(a)). 이는 현재 서울시에서 지정하여 운영 중인 9개의 미세먼지 집중관리구역이다. False label은 초미세먼지 취약지역이 아닌 지역이며, 빈도비(Frequency ratio) 분석 방법을 활용하여 제작되었다(그림 8(b)).

빈도비 분석 방법에 따라 설명변수에 대해 구간을 정하고, 각 구간의 Grid 수를 전체 Grid 수로 나눈 비율을 구한다. 이때 각 구간별 초미세먼지 취약지역 Grid 수의 비율을 구하여 두 비율을 나누어 설명변수의 구간에 대한 빈도비를 계산한다. 이렇게 계산된 빈도비 값이 낮은 구간을 초미세먼지 취약지역이 아닌 지역으로 가정하여 False label을 생성하였다. 이 False label은 True label과 함께 Ground truth로 구성되었다.

취약지역과 취약지역이 아닌 지역은 모두 동일하게 9개의 클러스터로 그룹화하였다. True label 9개 클러스터의 Grid 수의 합은 766개로, False label의 9개 클러스터 Grid 수의 합도 동일하게 766개로 총 1532개로 설정하였다. Ground Truth는 통계적으로는 유사하지만, 서로 독립적인 학습 데이터세트(82%)와 테스트 데이터세트 (18%)로 나누었고, 학습 데이터세트는 DNN 모델 학습에, 테스트 데이터세트는 DNN 모델의 검증과 성능평가에 사용되었다(그림 9).

Fig. 9.

Dataset is split into training (82%) and test (18%) datasets for the DNN model.

3. 2 Deep Neural Network 모델

심층 신경망은 입력층과 출력층 사이에 다수의 은닉층을 포함하는 인공신경망의 발전된 유형이다. 이 모델은 인간의 신경 시스템 구조 및 작동 원리에서 착안된 머신러닝 기법이다(Du et al., 2018). 인공신경망 모델의 훈련에 핵심적인 역할을 하는 역전파 알고리즘은 주어진 입력-출력 데이터 쌍을 기반으로 작동한다. 이 알고리즘은 모델의 예측 결과와 실제 관측값 사이의 오차를 최소화하는 방향으로 신경망 내 연결 가중치를 반복적으로 조정함으로써 모델을 최적화한다(Liu et al., 2017).

DNN 모델의 최적 성능을 확보하기 위해 모델의 주요 설정 요소들에 대한 다양한 조합으로 반복적인 학습 및 검증을 수행하였다. 이러한 과정을 통해 테스트 데이터세트에서 가장 우수한 성능을 보인 모델 설정을 최종적으로 결정하였다. 최적화된 모델 설정은 다음과 같다. 모델은 총 6개 층으로 구성된다. 5개로 구성된 은닉층을 통해, 입력층의 10개의 설명변수의 특징을 학습하여, 이를 바탕으로 출력층에 초미세먼지 취약지역과 취약지역이 아닌 지역을 분류한다. 각 은닉층의 노드 수는 256, 128, 64, 32, 16으로 설정되었다. 과적합을 방지하기 위해 각 은닉층에는 L2 정규화(Weight decay)와 Dropout 기법을 적용하였다. 활성화 함수로는 ReLU (Rectified Linear Unit)를 사용하고, 최적화 알고리즘으로 Adam (Adaptive moment estimation) 옵티마이저를 사용하였다. 배치크기는 64, 학습률은 0.001, 에포크 수는 20으로 설정하였다(그림 10).

Fig. 10.

DNN model architecture proposed in this study. The DNN model, a 6-layer network with 5 hidden layers, classifies PM2.5 vulnerability and non-vulnerability areas based on 10 explanatory variables.

3. 3 DNN 모델 검증 및 성능평가

서울시 초미세먼지 취약지역 분류 모델의 검증 및 성능평가를 위해, 본 연구에서는 Confusion Matrix를 기반으로 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score을 측정하고, AUC와 같은 다양한 성능 지표를 사용하였다(표 6).

Table 6.

Confusion matrix for DNN model validation and performance evaluation.

정확도(Accuracy)는 전체 Grid에서 모델이 정확하게 분류한 Grid의 비율을 나타내는 지표이다(식 3). 0과 1 사이의 값을 가지며, 1에 가까울수록 모델의 성능이 우수함을 의미한다. 하지만 클래스 간의 불균형이 심할 경우 모델의 성능을 과대평가할 위험이 있다. 따라서 정확도는 다른 성능 평가지표들과 함께 고려되어야 하며, 올바른 결과 해석을 위한 주의가 필요하다.

정밀도(Precision)는 모델이 True로 예측한 Grid 중에서 실제로 True인 Grid의 비율을 의미한다(식 4). 이는 모델이 얼마나 정확하게 양성 Grid를 예측하는지를 나타낸다. 0과 1 사이의 값을 가지며, 1에 가까울수록 모델의 성능이 우수함을 의미한다.

재현도(Recall)는 실제 True가 Grid 중 모델이 True로 올바르게 예측한 Grid 비율을 의미한다(식 5). 모델이 양성 Grid를 얼마나 잘 포착하는지를 측정한다. 0과 1 사이의 값을 가지며, 1에 가까울수록 모델의 성능이 우수함을 의미한다.

F1-Score는 정밀도와 재현도의 조화 평균으로, 두 지표를 동시에 고려하여 모델의 성능을 종합적으로 평가하기에 적합한 지표이다(식 6). 0과 1 사이의 값을 가지고, 1에 가까울수록 모델의 성능이 우수함을 의미한다.

AUC (Area Under the Curve)는 ROC (Receiver Operating Characteristic) 곡선 아래의 면적을 나타내며, DNN 모델의 이진 분류 성능을 평가하는 지표로 사용된다. AUC 값이 클수록 모델이 양성 (positive) 과 음성 (negative) 을 더 잘 구분한다는 의미를 가지며, 1에 가까울수록 모델의 성능이 우수함을 의미한다(그림 11).

Fig. 11.

ROC curve for classifier model evaluation: (a) AUC=0.5 (random), (b) AUC=1 (perfect), (c) ROC curves and AUC are used to evaluate classifier performance.

3. 4 DNN 모델 설명변수 중요도 평가

SHAP (Shapley Additive exPlanations)은 모델의 특정 예측값에 대한 개별 설명변수의 기여도를 SHAP value로 계산한다. 이 SHAP value는 해당 설명변수가 예측값을 변화시키는 정도를 나타낸다(Ko et al., 2025).

서울시 초미세먼지 취약지역 분류 예측에 대한 설명변수 중요도 평가를 위해 본 연구에서는 Mean absolute SHAP value를 사용하였다. Mean absolute SHAP value는 개별 SHAP value의 절댓값을 평균하여 산출된 값으로서, 해당 설명변수가 예측에 미치는 평균적인 영향력의 크기를 의미하며, 설명변수의 전반적인 중요도를 객관적으로 평가하는 핵심 지표로 사용된다 (Wang et al., 2022).

4. 1 DNN 모델의 검증 및 성능평가

DNN 모델 검증 및 성능을 평가하기 위해 테스트 데이터세트를 활용하였다. 본 연구의 DNN 모델의 주요 성능 지표인 정확도, 정밀도, 재현율, F1-score를 요약하고 있다(표 7). 이러한 지표들을 통해 모델이 초미세먼지 취약지역 분류에 있어서 얼마나 정확하게 Grid 단위로 예측했는지를 평가할 수 있다.

Table 7.

Confusion matrix-based performance indicators of the trained DNN model.

DNN 모델의 정확도는 0.9667로, 이는 테스트된 Grid 중 약 96.67%가 올바르게 분류되었음을 의미한다. 높은 정확도 수치는 학습된 모델이 학습 데이터의 패턴을 성공적으로 일반화하고, 테스트 데이터세트에 대해서도 높은 수준의 성능을 발휘했음을 나타낸다.

양성클래스(True)의 정밀도는 1로, 이는 모델이 초미세먼지 취약지역으로 분류된 모든 지역이 실제로 취약지역이라는 것을 의미한다. 즉, 잘못된 긍정 예측(False Positive)이 전혀 없음을 보여준다. 반면 음성클래스(False)의 정밀도는 0.9375로, 모델이 음성으로 예측한 지역 중 약 6.25%는 실제로는 취약지역일 가능성이 있음을 나타낸다. 이러한 오탐 가능성에도 불구하고, 전반적인 정밀도가 높은 수준을 유지하고 있다.

양성클래스의 재현율은 0.9333으로 실제 초미세먼지 취약지역 중 93.33%를 모델이 올바르게 탐지했음을 의미한다. 이는 본 연구에서 중요한 지표로 작용하며, 환경 연구에서는 오탐보다 누락을 최소화하는 것이 더 중요하기 때문에, 높은 재현율은 특히 중요한 역할을 한다. 음성클래스의 재현율은 1이므로, 이는 실제 취약하지 않은 지역을 정확하게 분류했음을 의미한다. 즉, 취약하지 않은 지역에서 잘못된 분류가 발생하지 않았음을 의미한다.

F1-score는 양성클래스의 경우 0.9655, 음성클래스의 경우 0.9677로 측정되었다. 높은 F1-score는 모델이 초미세먼지 취약지역 탐지뿐만 아니라 취약지역이 아닌 지역 분류에서도 높은 신뢰성을 보이고, 매우 높은 성능을 발휘하고 있음을 나타낸다.

다음으로, 테스트 데이터세트를 기반으로 DNN 모델의 성능을 시각적으로 평가하기 위해 ROC 곡선을 도출하였다.

그림 12는 학습된 DNN 모델의 ROC 곡선을 나타내며, 이를 통해 모델의 분류 성능을 확인할 수 있다. ROC 곡선 아래의 면적(AUC)은 0.9935로, 모델이 양성클래스와 음성클래스를 구분하는 데 있어 높은 성능을 나타냄을 의미한다.

Fig. 12.

ROC curve and AUC (=0.9935) of trained DNN classifier evaluation.

본 연구에서 학습된 DNN 모델은 테스트 데이터세트에서 높은 정확도, 정밀도, 재현율 및 F1-score를 보였으며, AUC 값이 0.9935로 모델의 성능이 매우 우수함을 확인할 수 있다. 이러한 성능은 DNN 모델이 초미세먼지 취약지역과 취약지역이 아닌 지역을 구별하는 데 있어 매우 높은 분류 성능을 발휘하고 있음을 나타낸다.

4. 2 DNN 모델 설명변수 중요도 평가

DNN 모델의 결과를 해석하고 각 설명변수의 상대적 기여도를 파악하기 위해 Mean absolute SHAP value를 산출하였다. 그림 13은 산출된 Mean absolute SHAP value 그래프이다. Mean absolute SHAP value는 해당 설명변수가 모델의 초미세먼지 취약지역 분류에 미치는 평균적인 영향력의 크기를 의미한다. 이를 통해 모델의 초미세먼지 취약지역을 판단하는 주요 요인을 파악하고 각 변수의 중요도를 평가하였다.

Fig. 13.

Mean absolute SHAP values of 10 explanatory variables for the trained DNN.

비산먼지 발생 사업장 변수가 Mean absolute SHAP value가 가장 높아 초미세먼지 취약지역 예측에 가장 큰 영향력을 미치는 주요 변수로 확인되었다. 이는 DNN 모델이 비산먼지 발생원이 많은 지역을 초미세먼지 취약지역으로 판단하는 데 매우 민감하게 반응함을 나타낸다.

다음으로 취약계층 이용시설, 대기오염 배출 사업장, 도로오염원 PM 배출량 변수가 상대적으로 높은 Mean absolute SHAP value를 나타내며, 이들 역시 초미세먼지 취약지역 예측에 중요한 영향을 미치는 변수군으로 확인되었다.

이러한 Mean absolute SHAP value를 통해 확인된 설명변수 중요도를 바탕으로 모델의 초미세먼지 취약지역 분류에 전반적으로 미치는 평균적인 영향력과 주요 요인을 확인하였다.

4. 3 서울시 초미세먼지 취약성

표 8은 DNN 모델 결과를 활용하여 서울시 초미세먼지 취약성을 요약한 것이다.

Table 8.

Predicted class and probability of PM2.5 vulnerability.

연구에 사용된 DNN 모델은 초미세먼지 취약지역 분류 모델로서, Probability가 0.5 이하인 지역은 초미세먼지 취약지역이 아닌 지역(False Class)을 의미하며, 초미세먼지 취약성 'Low'로 정의하였다. Probability가 0.5 이상인 지역, 즉 초미세먼지 취약지역(True Class)으로 분류된 Grid는 총 41,557개의 Grid 중에서 약 81.5%에 해당하는 33,868개이다. 이 33,868개 Grid는 Probability Range에 따라 'Intermediate', 'High', 'Very High', 'Extremely High' 4단계로 세분하여 정의하였다.

4. 4 서울시 초미세먼지 취약지역 매핑

그림 14는 DNN 모델의 초미세먼지 취약지역 Probability와 앞서 정의한 취약성 단계를 활용하여, 서울시 내 초미세먼지 취약지역을 시각화한 지도이다. 이 지도는 서울시 초미세먼지 취약성을 색상으로 구분하여 5단계로 표현하고 있다. 이런 시각화를 통해 각 Grid 단위로 초미세먼지 취약성 정도를 직관적으로 확인할 수 있다.

Fig. 14.

This map shows the vulnerability of PM2.5 in Seoul in 5 levels.

4. 5 서울시 초미세먼지 취약성 Extremely High 레벨 지역 분석

서울시 초미세먼지 취약성 분석 결과 중 가장 높은 위험 수준을 나타내는 Extremely high 레벨의 지역에 주목하였다. 특히, 현재 미세먼지 집중관리구역으로 지정되어 운영 중인 9개 구를 제외한 나머지 서울시 16개 구를 대상으로 분석을 수행하였다.

그림 15는 Extremely high 레벨에 해당하는 Grid만을 별도로 시각화한 지도이다(그림 15(a)). DNN 모델의 Probability를 사용하여, 16개 구의 Extremely high 레벨 Grid의 DNN 모델 Probability 평균값을 계산하고, 이를 막대그래프로 나타낸 결과는 송파구, 용산구, 마포구, 종로구 순으로 나타났다(그림 15(b)).

Fig. 15.

(a) Map and (b) bar graph of extremely high vulnerability PM2.5 in Seoul.

이러한 분석 결과는 서울시 초미세먼지 대응 정책에 있어, 송파구, 용산구, 마포구, 종로구를 우선 대상지역의 근거 자료로 활용될 수 있다.