저 시-비 리- 경 지 2.0 한민

는 아래 조건 르는 경 에 한하여 게

l 저 물 복제, 포, 전송, 전시, 공연 송할 수 습니다.

다 과 같 조건 라야 합니다:

l 하는, 저 물 나 포 경 , 저 물에 적 된 허락조건 명확하게 나타내어야 합니다.

l 저 터 허가를 면 러한 조건들 적 되지 않습니다.

저 에 른 리는 내 에 하여 향 지 않습니다.

것 허락규약(Legal Code) 해하 쉽게 약한 것 니다.

Disclaimer

저 시. 하는 원저 를 시하여야 합니다.

비 리. 하는 저 물 리 목적 할 수 없습니다.

경 지. 하는 저 물 개 , 형 또는 가공할 수 없습니다.

이학석사학위논문

한국의 겨울철 PM 예측을 위한

간단한 통계적 방법의 개발

Development of a simple statistical method for

wintertime PM prediction in Korea

2016년 2월

서울대학교 대학원

지구환경과학부

이 한 솔

한국의 겨울철 PM 예측을 위한

간단한 통계적 방법의 개발

Development of a simple statistical method for

wintertime PM prediction in Korea

지도교수 박 록 진

이 논문을 이학석사학위논문으로 제출함

2015년 10월

서울대학교 대학원

지구환경과학부

이 한 솔

이한솔의 이학석사학위논문을 인준함

2015년 12월

위 원 장 (인)

부위원장 (인)

위 원 (인)

1

초록

미 지는 주요 염 질 나 써 인간 건강에 해

향 미 고 시 악 시킨다. 태양 복사 에 지를

는 산란시 후변 에도 요 다. 지속 인 질 개

책 도 미 지 농도는 지난 14 간 꾸 히 감소 는

추 를 보이고 있지만 근 몇 간 증가 는 경향 보인다.

특히 이러 증가 추 는 겨울철에 뚜 다. 본 연구에 는 근에

증가 는 겨울철 미 지 농도 원인 보고자 다. 이를

해 과거 14 간 도 부 지 에 지상 월 평균

농도 Modern-Era Retrospective analysis for Research and

Applications (MERRA) 재분 종 자료 상 분

통해 겨울철 미 지 농도에 가장 요 게 향 미 는 상

인자를 냈다. 분 상 변 겨울철 도

농도 상 토 , 다 회귀 분 과 인공신경망

이용 여 미래 겨울철 미 지 연간 변동 있는

간단 통계 법 개 고자 다. 개 다 회귀

모 과 인공신경망 모 도를 평가해 본 결과 다 회귀

2

모 통해 모 농도 상 계 는 12월,

1월, 2월에 해 각각 0.82, 0.33, 0.69 이었고, 인공신경망 경우

각각 0.72, 0.15, 0.49 이었다. 다 회귀 모 이 인공신경망

모 보다 도 겨울철 연간 변동 좀 잘 는

것 나타났다. 이 모 이용 여 2016 과

2050 국 겨울철 농도를 해 보았다. 그 결과

2015 12월에는 농도가 증가 는 것 , 2016 1월과

2월에는 감소 는 것 나타났다. 2050 경우 2000 에

해 높아진 도 에 체 겨울철 농도가

증가 는 것 나타났다.

주요어 : 미 지, , 상 인자, 인공신경망, 다 회귀분 ,

MERRA, 통계

번 : 2014-20319

3

TABLE OF CONTENTS

........................................................................................... 1

TABLE OF CONTENTS .......................................................... 3

LIST OF TABLES AND FIGURES .......................................... 5

CHAPTER 1. .................................................................... 7

CHAPTER 2. 자료 .................................................................. 12

2.1 농도 자료 ................................................. 12

2.2 MERRA 재분 상자료 ............................................ 16

2.3 GloSea5 상자료 ....................................................... 17

2.4 CESM 상자료 .......................................................... 19

CHAPTER 3. 국 겨울철 과 상 이 높 상장

도출 ......................................................................................... 21

3.1 회귀 분 지도 ............................................................. 21

3.2 상 분 지도 ............................................................ 22

3.3 미 상 변 추출 ............................................. 23

CHAPTER 4. 통계 보모 .................................................... 33

4.1 다 회귀 모 ........................................................ 33

4.2 인공신경망 모 .......................................................... 35

4

CHAPTER 5. 통계 보모 평가 분 ........................... 37

5.1 다 회귀 모 평가 .............................................. 37

5.2 인공신경망 모 평가 .................................................. 42

5.3 평가 결과 분 ............................................................ 44

CHAPTER 6. 미래 농도 ...................................... 47

6.1 2016 겨울 농도 .................................. 47

6.2 2050 겨울 농도 ............................... 50

CHAPTER 7. 결 .................................................................. 53

References ............................................................................. 56

Abstract ................................................................................. 60

감사 ..................... ! 책갈 가 어 있지 않습니다.

5

LIST OF TABLES AND FIGURES

Table 1. Abbreviations and nomenclature for four representative

regions in East Asia. These regions are highly related to the

meteorological factors that affects the wintertime

concentrations in Korea. ....................................................... 31

Table 2. Significant meteorological factors of the four selected

regions for each month, which affects concentrations

in Korea................................................................................. 32

Table 3. Anomaly of surface pressures in region S4 and surface

temperatures in region S2. ................................................... 40

Figure 1. Annual trend of observed concentrations in

Seoul Metropolitan Area (SMA), Korea (2001-2014). ...... 10

Figure 2. CAPSS emission trend of in SMA, Korea. ........ 10

Figure 3. observation sites (dots) used in this study. .... 12

Figure 4. Seasonal trend of observed concentration in

Korea..................................................................................... 14

Figure 5. Anomaly of detrended wintertime concentration

in Korea (2001-2014). ........................................................ 15

Figure 6. Regression and correlation maps between in

Korea and surface pressure, temperature, PBL height,

precipitation, cloud fraction in East Asia for wintertime of

2001-2014. Regression map of (a) surface pressure, (c)

surface temperature, (e) PBL height, (g) precipitation, (i)

cloud fraction. Correlation map of (b) surface pressure, (d)

surface temperature, (f) PBL height, (h) precipitation, (j)

cloud fraction. ....................................................................... 25

Figure 7. Regression and correlation maps between in

Korea and surface pressure and temperature in East Asia for

December of 2001-2014. .................................................... 27

Figure 8. Regression and correlation maps between in

Korea and surface pressure and temperature in East Asia for

January of 2001-2014. ........................................................ 28

6

Figure 9. Regression and correlation maps between in

Korea and surface pressure and temperature in East Asia for

February of 2001-2014. ...................................................... 29

Figure 10. Four representative regions in East Asia. These

regions are highly related to the meteorological factors that

affects the wintertime concentrations in Korea. ...... 31

Figure 11. Overall scheme of the artificial neural networks (ANN)

.............................................................................................. 36

Figure 12. Evaluation of Multiple Linear Regression (MLR) model

for (a) December, (b) January, (c) February. .................... 41

Figure 13. Evaluation of Artificial Neural Network (ANN) model

for (a) December, (b) January, (c) February ..................... 43

Figure 14. Evaluation of (a) Multiple linear regression (MLR)

model and (b) Artificial Neural Network (ANN) model for

January. (2001-2008, 2012-2014) ................................... 46

Figure 15. Anomaly graph of surface pressure and surface

temperature for the wintertime in 2016. (a) Anomaly of

surface pressure in December 2015. (b) Anomaly of surface

temperature in December 2015. (c) Anomaly of surface

pressure in January 2016. (d) Anomaly of surface

temperature in January 2016. (e) Anomaly of surface

pressure in February 2016. (f) Anomaly of surface

temperature in February 2016. ............................................ 49

Figure 16. Anomaly graph of surface pressure and surface

temperature for the wintertime in 2050s. (a) Anomaly of

surface pressure in December 2050s. (b) Anomaly of

surface temperature in December 2050s. (c) Anomaly of

surface pressure in January 2050s. (d) Anomaly of surface

temperature in January 2050s. (e) Anomaly of surface

pressure in February 2050s. (f) Anomaly of surface

temperature in February 2050s ........................................... 52

7

CHAPTER 1. 서론

PM (Particulate matter) 인간 나 심 계에 심각

향 주며(Dockery and Pope, 1994; Harrison and Yin, 2000;

Hong et al., 2002) 특히 장 노출 었 에는 그 향이

큰 것 알 있다(Pope et al., 2002). PM 시

감소시키는 등 여러 경 를 일 키며(Park and Chung, 1992)

태양복사 에 지 지구복사 에 지를 고 산란시 후에도

향 미 다. 그러므 PM 공간 , 시간 분포에 보는

PM이 경과 후에 끼 는 향 량 이해 는 데에

매우 요 다.

PM 주 분 황산염, 질산염, 암모늄, 탄소, 검

등이며 이들 자연 출 거나 인 구 질들에 해

생산 다(Cheng et al., 2000). 여러 진국과

개 도상국들 질 향상시키 여 PM 직경이 각각

10μm 2.5μm 보다 작 경우( 과 . )에 여 질량

농도를 규 고 있다. 국 경우 경부에 지 과

8

. 일평균 경 100μg , 50μg 이며 연평균 경

50μg , 25μg 이다. 지만 . 에 규 는 아주

근인 2015 1월에 었 며 국내 도 많지 않 계

본 연구에 는 심 분 다.

국립 경과 원(NIER) 자료에 르면 도권 포함

도 역 농도는 지속 감소 고 있다( 경부, 2014).

그림 1 2001 부 2014 지 도권 포함 도

부지 연평균 농도를 나타내고 있 며 국 농도는

2001 부 2012 지 진 감소 다. 이는 도권

경법 등 통해 부에 지속 인 지역 출

감소시킨 것에 결과이며 그림 2에 나타난 Clean Air Policy

Support System (CAPSS) 국내 인 출 변 도 슷

시간 변 를 보이고 있다(Lee et al., 2011).

그러나 이처럼 생 에 여 는 국내 인 출이

감소 고 있 에도 불구 고 2013 과 2014 에는 히 국

농도가 증가했다. 2001 부 2012 지 감소 는 경향

보이고 있는 우리나라 인 출이 2013 과 2014 에만

9

증가했다고 보 는 어 우므 이 간에 농도가 증가 는 것이

지역 인 출 이라 단 짓 어 다.

행연구에 르면 우리나라 농도에 향 끼 는 주요

출원 는 국내에 출 는 지역 출원과 국외에 출 는

외부 출원이 있 며(Fast et al., 2007; Jones, Harrison, & Baker,

2010) 특히 외부 출원 도 풍상 에 국

출원 이 람 타고 장거리 송 에 여러 상

조건 향 는다(Lee et al., 2001; Yi et al., 2001). 지 지

국 상 행 연구들 부분 국내 농도에 향

미 는 지역 외부 출원 향 분 고(Jeong et al.,

2011), 상조건에 농도 변 를 살펴본 연구들도 특

고농도 사 에 여 분 다(Lee et al., 2011; Xu et al.,

2015).

10

Figure 1. Annual trend of observed concentrations in Seoul Metropolitan

Area (SMA), Korea (2001-2014).

Figure 2. CAPSS emission trend of in SMA, Korea.

11

이 후변 에 향 미 고 인체에 장 노출 었 경우

험 다는 것 고 , 특 고농도 사 만

분 는 것보다 장 인 에 분 이 요 다. 그러나

장 간에 여 상변 농도 계를 분 연구는

히 진행 지 않고 있다.

본 연구에 는 상조건 변 에 변 를 알아보

해 특 사 나 단 간에 해 가 아닌 2001 부

2014 지 장 간에 여 국내에 시간 평균

농도를 분 다. 특히 근 증가 는 농도가 겨울철 농도

변 격 변동 면에 상당히 사 게 나타남에 라 주

겨울철 농도 변 이에 끼 는 상 변 들 상 에

해 분 다. 나아가 분 농도 상 요소 간 상

탕 간단 통계 법 이용 여 국내 겨울철 농도를

는 통계 모 개 고 이를 2015-2016 겨울과 미래

후변 시나리 에 용 여 해 보고자 다.

12

CHAPTER 2. 자료

2.1 관측 농도 자료

본 연구에 는 2001 부 2014 지 울, 경 , 인천, 강원,

충북 지역 경부 도시 망에 시간 평균

자료를 사용 다. 자 도 인과 지 그림 3에

시 다.

Figure 3. observation sites (dots) used in this study.

13

행 연구에 는 사계 농도가 높게 나타나는 철 농도에

연구만이 게 진행 고 있다(Seob et al., 2015). 그러나

그림 4 계 별 농도 시계열 보면, 2001 부

2006 지 다른 계 보다 연히 농도가 높았 철

농도가 2007 이후에는 겨울철 농도 거 차이가 없다.

황사 향 많이 는 철과는 달리 겨울에는 황사 향

거 지 않 에도 불구 고 이 같 상이 나타나는 것

겨울철 농도가 연평균 농도에 미 는 향이 커 다는

것 나타낸다. 2013 과 2014 에 증가 는 변

경향이 그 시 겨울철 변 매우 사 격 변동

보이고 있다. 이처럼 겨울철 농도 변 가 연평균

농도 변 에 큰 향 미 에 본 연구에 는 겨울철에

맞춰 분 진행 다.

그림 2에 시 고 있는 국내 인 출 변 를 보았

2012 이후 농도 증가는 국내 출 증가 명 는

힘들다. 본 연구에 는 2012 이후 이 증가 는 것에 국내

인 출원이 미 는 향이 작 므 상장과 상 주

14

분 해 농도 경우 추 가 거 상태 자료를

사용 다.

Figure 4. Seasonal trend of observed concentration in Korea

(2001-2014).

15

그림 5는 추 가 거 겨울철 농도 시계열 보여주고

있 며 뚜 격 변동 보이고 있다. 특히, 이러 격

변동 근 증가 는 변 사 며 이에 라

격 변동 에 향 미 는 여러 상 요소들 분 고 그

향에 해 이해 고자 다.

Figure 5. Anomaly of detrended wintertime concentration in Korea

(2001-2014).

16

2.2 MERRA재분석 기상자료

본 연구에 는 격 변동 에 향 미 는 여러 상

요소들 분 해 National Aeronautics and Space

Administration (NASA) Modern-Era Retrospective analysis

for Research and Applications (MERRA) 재분 자료를

사용 다. MERRA재분 자료는 NASA Global Modeling and

Assimilation Office (GMAO) 에 Goddard Earth Observing

System Version 5 (GEOS-5)를 사용 여 생산 자료이며,

GEOS-5는 과 지 면 이 사용 자료동 에 사용 는

일 모델 (GCM)이다 (Rienecker et al., 2011).

MERRA 재분 자료는 지 압, 지 도, PBL 고도, 강 ,

운량 등 상 변 를 포함 고 있 며 본 연구에 는 월평균 지

압과 지 도가 사용 었다. 이 공간 해상도는

2°×2.5°이며 국, 국, 일본, 일부 시베리아 지역 포함 는

동아시아 지역에(10 − 60 °N , 80 − 150 °E ) 국 자료만이

사용 었다.

17

2.3 GloSea5 기상자료

본 연구에 는 2016 겨울철(2015 12월과 2016 1월,

2월)에 해 국 농도를 해보았다. 이 2016

겨울철 농도를 해 요 2016 겨울철 상

자료를 Global Seasonal Forecast System (GloSea5) 에

얻었다(Maclachlan et al., 2014).

GloSea5는 모델 국 상청 UM (Unified Model,

Davies et al. 2005) , 해양모델 NEMO (Nucleus for European

Modeling of the Ocean, Madec, 2008)를, 해 모델 CICE (Los

Alamos Sea Ice Model, Hunke and Lipscomb. 2010)를 지 모델

JULES (Joint UK Land Environment Simulator, Best et al.,

2011)를 사용 다. 이들 모델 CERFACS에 개 OASIS

(Ocean Atmosphere Sea Ice Soil)3를 이용 여 나 시스

결합 어 있다.

모델 UM8.0에 GA3.0 사용 고 N216L85 (50t, 35s)

해상도 구 다. 평 격자 체계는 Arakawa C-grid (Arakawa

and Lamb, 1977)를 이용 차분 식(Finite Difference

18

Method)에 근거 며, 연직 좌 계는 지 른 합 압

좌 계(terrain-following hybrid height coordinates)를 이용

Charney-Phillips staggering 격자를 른다. 평해상도는 약

0.83°×0.56(격자 :432×325) 도에 약 60km이다.

지만 본 연구에 는 MERRA 재분 상자료 식 동일 게

맞추 여 공간 해상도를 2°× 2.5° 변 여 사용 다.

연직 는 지상 85km를 꼭 여 권( 략 지상

18km 이 ) 50개, 권(약 18km 이상) 35개

85개 구 이 다.

해양모델 NEMO3.2에 GO3.0 사용 고 ORCA025L75

해상도 구 다. ORCA Tri-Polar grid 해양모델 평 격자가

약 0.25°(격자 :1442x1021) 이루어지며 연직 는 75개

가진다.

계 시스 보를 행 해 는 지면

그리고 해양 조건이 요 다. 지면에 조건

상청 업 지구 보 모델(UM7.9 GA3.0 N512L70)

분 장를 사용 다. 이 분 장 4DVAR 자료동 를 거쳐 생산

분시간 ±00UTC 자료이다. 해양 조건 NEMOVAR

19

(Mogensen et al., 2012)에 근거 여 NEMO 3DVAR 해양 분

체계를 통해 계 보용 생산 해양 분 장 자료를 사용 다.

해양과 해 에 자료는 국 상청 부 매일 송 아

행 다. 실시간 매일 생 는 장 용 여 행 는

장과 달리 후장 산출 지면 자료는

럽 보 (ECMWF) ERA-Interim 재분 자료를

사용 며 해양 경우 국 상청에 생산 해양 장

사용 다.

2.4 CESM 기상자료

본 연구에 는 2050 겨울에 해 국

농도를 해보았다. 이 2050 겨울철 농도를

해 요 1996 − 2005 (2000 ),

2046−2055 (2050 ) 겨울철 상자료를 National Center for

Atmospheric Research (NCAR) Community Earth System Model

(CESM) 에 얻었다. 이 모델 Vertenstein et al. (2012) 에

사용 모델 신 버 이다.

20

해양에 해 Community Atmosphere Model 4

Parallel Ocean Program 3 이 사용 었고, 지에 해 는

Community Land Model 4 Carbon Nitrogen model이 사용 었다.

계산에 있어 는 Ice Sheet Model 2가 사용 었다.

모델 spin-up 과 Gent et al. (2011)에 사 어 있다.

우리는 Gent et al. (2011)에 사 어 있는 장 체 는

실 체 출량 사용 며 이 출량 1850 − 2006

동안 historical simulation 행 다. 우리는 RCP8.5

시나리 를 사용 여 2006 부 2100 지 후 모 를

행 고, 이 장 체 실 체 변 를 가장 우

고 다.

CESM에 생산 상자료는 공간 해상도는 0.9°× 1.25°

이고 26개 sigma level 이루어 있 며, 상 경계면 39 km

(2.6 hPa) 이다. 지만 본 연구에 는 MERRA 재분 상자료

식 동일 게 맞추 여 공간 해상도를 2°×2.5°

변 여 사용 다.

21

CHAPTER 3. 한국의 겨울철 과 상관성이 높은

기상장 도출

3.1 회귀 분석지도

어떤 상 요소가 국 겨울철 농도에 큰 향

미 는지, 상장 별 동아시아 어떤 지역과 상 이 지를

알아보 여 단 회귀법 사용 다 (Kenney et al.,

1962). 회귀 분 (Regression Analysis) 독립 변 가 종속

변 에 미 는 향 추 는 법 독립 변 종속 변 간

민감도 명 가능 게 고, 등 분 에

사용 다(Armstrong, 2012). 회귀 분 에 독립 변 X 종속

변 Y간 계를 나타내는 인 모 회귀식(regression

equation)이라고 며, 회귀식에 사용 독립변 개 가 나이면

단 회귀, 이상이면 다 회귀라 다.

+ = (1)

22

(1) 식에 X는 추 가 거 동아시아 상장 나타내고,

Y는 추 가 거 국 겨울철 농도를 나타낸다. 이

a는 각 지 에 회귀 울 를 나타내는데 이 값 동아시아 각

지 별 2차원 지도 나타낸 것 회귀 분 지도라고 다. 회귀

분 지도에 색이 진 게 나타나는 것 국 겨울철 이

높 그 지역 상장이 높거나(붉 색) 낮았다는(푸른색) 것

미 다.

3.2 상관 분석 지도

상 분 (Correlation Analysis) 독립 변 종속 변 간

계가 얼마나 지, 즉 상 계를 분 는 통계 분 법

말 며, 이 변 사이 상 계 도를 나타내는 를

상 계 라고 다(Kenney et al., 1962). 회귀 지도에

마찬가지 X는 추 가 거 동아시아 상장 나타내고, Y는

추 가 거 국 겨울철 농도를 나타낸다. 이 X Y

사이 상 계 값 동아시아 각 지 별 2차원 지도 나타낸

것 상 분 지도라고 다. 상 분 지도에 색이 진 게

23

나타나는 것 국 겨울철 과 그 지역 상장이

상 계가 높다는 것 미 며, 양 상 계일 경우 붉 색 ,

상 계일 경우 푸른색 다.

3.3 유의미한 기상 변수 추출

본 에 는 회귀분 지도 상 분 지도를 이용 여 겨울철

국 에 향 미 있는 상 변 를 추출 다. 이를

여 지 압, 지 도, PBL고도, 강 , 운량에 체 인

겨울철 회귀분 지도 상 분 지도를 분 해보았다(그림 6).

지 압 경우 겨울철에 시베리아 지역에 민감도,

상 가지며 이것이 미 는 는 국 농도가

높 시베리아 고 압이 약 었다는 것이다. 이 주목해야

도 지역이 아닌 시베리아 지역에 지 압과 국

상 계가 높았다는 인데 이러 사실 탕 국

상장만이 국 농도에 가장 요 게 향 미 는 것

아니라는 것 알 있다. 상 차가운 시베리아 고 압

이 약해지면 이 지역 도는 높게 나타나게 다.

24

시베리아 지역과 도 사이 압경도 이 감소 게 므

도 이 나가지 않고 축 어 이게 면 농도가

높아지게 다. 이러 구조에 는 합이 히 이루어지지

않게 고, 가 안 변 게 어 PBL 고도가 낮아지면

에어 졸이 지 에 집 어 농도 높게

나타났다. 강 운량 그 이 상당히 사 게 나타나는데

국 농도가 높 강 운량이 모 낮게 나타났다.

특히 강 가 다는 것 습식 침 등에 해 에어 졸이 거 는

작이 억 는 것 미 므 이 증가 는 것에 아주 큰

향 미 다. 본 연구에 는 다 가지 상 변 여도가

가장 높 지 압과 지 도만 분 에 사용 다.

25

Figure 6. Regression and correlation maps between in Korea and surface

pressure, temperature, PBL height, precipitation, cloud fraction in East Asia for

wintertime of 2001-2014. Regression map of (a) surface pressure, (c) surface

temperature, (e) PBL height, (g) precipitation, (i) cloud fraction. Correlation

map of (b) surface pressure, (d) surface temperature, (f) PBL height, (h)

precipitation, (j) cloud fraction.

26

그림 7, 8, 9 2001 부 2014 지 지 압과 도에

12월, 1월, 2월 회귀 분 지도 상 분 지도이며 t검

통해 90% 이상 신뢰도를 가지는 지역 시 었다. 이

12월과 2월 그 태가 매우 슷했 나(그림 7, 9) 1월 그

태가 약간 달랐다(그림 8). 1월에는 북 태평양 지역 지 압이

히 양 민감도, 양 상 계를 나타냈고, 지 도가 높게

나타나는 지역도 다른 달들과 미 게 차이가 있었다. 이는 계 이

같 라도 국 농도에 향 미 는 상장이 월별

약간씩 차이를 보인다는 것 미 다.

27

Figure 7. Regression and correlation maps between in Korea and surface

pressure and temperature in East Asia for December of 2001-2014.

(a) Regression map of surface pressure. (b) Correlation map of surface pressure.

(c) Regression map of surface temperature. (d) Correlation map of surface

temperature.

28

Figure 8. Regression and correlation maps between in Korea and surface

pressure and temperature in East Asia for January of 2001-2014.

(a) Regression map of surface pressure. (b) Correlation map of surface pressure.

(c) Regression map of surface temperature. (d) Correlation map of surface

temperature.

29

Figure 9. Regression and correlation maps between in Korea and surface

pressure and temperature in East Asia for February of 2001-2014.

(a) Regression map of surface pressure. (b) Correlation map of surface pressure.

(c) Regression map of surface temperature. (d) Correlation map of surface

temperature.

30

그림 10는 회귀분 지도 상 분 지도를 탕 국

농도에 크게 향 미 는 동아시아 특 4개 지역

나타낸 것이며 각 지역에 보는 1에 명시 어 있다.

라 가지 지역에 해 지 압과 지 도, 이 변 를

고 면 월별 8개 독립 변 를 있다. 그

월별 각 독립 변 들 여도가 다른데 이 2에 나 있는

변 들 여도 분 통해 여도가 높다고 단 는 변 들이다.

를 들어 12월 경우 회귀 분 지도 상 분 지도를

탕 여도가 높다고 단 는 4개 독립 변 는 S1과

S4에 지 압, S3과 S4에 지 도이다.

31

Figure 10. Four representative regions in East Asia. These regions are highly

related to the meteorological factors that affects the wintertime

concentrations in Korea.

Table 1. Abbreviations and nomenclature for four representative regions in East

Asia. These regions are highly related to the meteorological factors that affects

the wintertime concentrations in Korea.

32

Table 2. Significant meteorological factors of the four selected regions for each

month, which affects concentrations in Korea.

33

CHAPTER 4. 통계예보모형

4.1 다중선형회귀 모형

본 연구에 는 겨울철 국 농도를 는

통계 보모 개 해 다 회귀 분 사용 며

종속변 Y는 추 가 거 겨울철 국 농도이고

, ⋯ , 는 추 가 거 n개 상장이다. 종속 변 는 각

독립변 일차함 나타낼 있고 차항 ε가 해지며, 이는

식 (2) 같다. 이 ε를 소 해 소 곱법이 사용 며

종 식 (3) 같 회귀 식 구 있다.

= + +⋯+ + (2)

Y = + +⋯+ (3)

그런데 본 연구에 는 이처럼 다 회귀 분 용 는 데에

가지 이 존재 다. 다 회귀 분 용시키

해 는 각각 독립변 X가 독립 이어야 는데 이 연구에

사용 상장 X들 독립 이지 않다. 이 같

34

해결 여 Grame − Schmidt orthonormalization (GSO)를

사용 다 (Werneth et al., 2010). 식 (4)에 나 있는 것처럼

′

는 Gram − schmidt 법에 해 직 상 변 들

나타낸다. COV ′ ∙ 는 ′

공분산 미 다.

′ =

| |

′ =

| |− ′

∙

| |∙ ′

(4)

′ =

| |

− ′ ∙

| |

∙ ′ − ′

∙ | |

∙ ′

Gram − schmidt 법 사용 여 새롭게 생산 독립변 들

사용 면 다 회귀 분 용 는 데에 생 는 들

소 있다. 새 운 독립변 들과 계 들 토 만들어진

회귀식 식 (5) 같다.

Y′ = + ′ +⋯+ ′

(5)

35

4.2 인공신경망 모형

인공신경망 모 는 변 인 Y 에 사용 는 변 X

사이 복잡 계를 나타내 해 사용 며, 변 가

가지지 않 도 그들 사이 계를 효 찾아낼

있 에 과 분야 질 에 자주

사용 다(Gardner et al., 1999). 본 연구는 신경망 모 가장

리 사용 는 역 습(Error Back Propagation) 능

갖는 다 인식자(Multi-Layer Perceptron) 신경망 모 본

모 진행 었다. 이 모 입 , 닉 , 출

구 어 있다(Yetilmezsoy and Demirel, 2008). 이 닉 이

2개인 경우 가장 효 이 좋게 나타났 므 닉 2개

고 시 모 개 다. 본 이러 모

가 가 용 연결망 라 신 를 달 게 고 이 과

거쳐 입 에 닉 달 다. 닉 에 각 뉴

입 부 가 가 용 값들 합 계산 여 출 값

도출해 낸다. 이러 과 결과 차가 나 게 고 이 차를

여나가는 향 가 값 변경 면 모 습 게

36

다. 습 결과를 탕 도출 변 들 상 계가

내부 구 며 모든 습 자료에 해 값 이

차가 나 게 종 출 값 얻 있다. 간략

인공신경망 모 도식 그림 11에 시 어 있다.

Figure 11. Overall scheme of the artificial neural networks (ANN)

37

CHAPTER 5. 통계예보모형의 평가 및 분석

다 회귀 보모 과 인공신경망 보모 도를

평가 여 2001 부 2014 지 14 간 동안

농도 각 보모 에 Leave One Out Cross Validation

(LOOCV)라는 법 사용 여 농도 사이

상 계를 분 다. LOOCV는 샘 개 만큼 모 만들고,

각 모 만들 에 나 샘 만 외 면 그 외 샘

시험 여 샘 개 만큼 행에 해 평균 내는

법이다(Geisser et al., 1993, Kohavi et al., 1995). LOOCV는

모든 샘 에 해 시험 진행 에 매우 안 인 결과를

얻 있 며, 나 샘 만 시험에 사용 에 그만큼

많 습 통해 모 만들 있다.

5.1 다중선형회귀 모형 평가

38

그림 12는 다 회귀 모 도를 평가 해

2001 부 2014 지 14 간 동안 미 지 농도

LOOCV 법 통해 다 회귀 모 미 지 농도를

결과이다. 이 식 (5) 독립변 는 3.3 통 여 얻어진

겨울철 국 에 향 미 는 미 상 변 들이며

모 추 가 거 고 규 었다. 12월 1월, 2월

농도 모 상 계 (Correlation coefficient, R)는 0.82,

0.33, 0.69 12월과 2월 상 계 값이 매우 컸고 결과

12월, 1월, 2월 모 에 여 다 회귀 모 이 값 잘

모 고 있다. 각 월에 회귀 식 식 (6)-(8)에 명시 어

있다.

= − 0.28 − 0.23 − 0.23 + 0.22 (6)

= 0.26 + 0.09 (7)

= − 0.18 + 0.05 + 0.52 (8)

그림 7 보면 보면 S1과 S4에 지 압이 매우 큰

민감도, 상 계를 보이 에 식 (6)에 첫째 항과

째 항이 큰 양 값 가지게 다. S3과 S4에

지 도가 작 양 민감도, 양 상 계를 보이 에 지

39

도에 항인 째 항과 째 항 0에 가 울 것이다. 리 면

12월 지 압 향 많이 며 시베리아 도

지 압이 약 국 농도가 높아진다.

그림 8 보면 S4 지 압이 양 민감도, 양 상 계를

보이 에 식 (7)에 첫째 항이 양 값 가지게 다.

그러나 첫째 항 계 가 작 므 그 향 상 작다.

S2에 지 도는 매우 큰 양 민감도, 양 상 계를 보이

에 식 (7)에 째 항 매우 큰 양 값 가지게 다. 즉

1월 경우 지 도 향 많이 며 몽골 지역 도가

높게 나타날 국 농도가 높아진다.

그림 9를 보면 S3에 지 압이 민감도,

상 계를 보이고, S2 S3에 지 도가 양 민감도, 양

상 계를 보인다. 그러므 식 (8)에 모든 항이 양 값

가지게 다. 즉 2월 경우 계 가 큰 째 항 향 가장 많이

며, 이는 몽골 지 도가 2월 국 농도에 큰

향 미 다는 것 미 다.

40

체 달 모 시베리아 고 압이 약 어 시베리아,

몽골, 도 도가 고 가 안 해질 에

농도가 높게 나타났다고 말 있다.

Table 3. Anomaly of surface pressures in region S4 and surface temperatures in

region S2.

Ps Ts

2001 0.28 -1.09

2002 -1.50 0.97

2003 0.12 0.44

2004 0.08 0.03

2005 -1.41 -0.58

2006 1.10 0.35

2007 1.55 1.59

2008 1.46 -0.49

2009 -0.07 0.39

2010 -1.28 -1.01

2011 0.54 -1.71

2012 0.21 -0.85

2013 -0.12 0.56

2014 -0.97 1.40

41

Figure 12. Evaluation of Multiple Linear Regression (MLR) model for (a)

December, (b) January, (c) February.

42

5.2 인공신경망 모형 평가

인공신경망 보모 도를 평가 해 2001 부

2014 지 14 간 동안 미 지 농도 인공신경망

보모 에 LOOCV를 통해 미 지 농도를 다.

인공신경망 모 도를 고 여, 모 10번씩 돌

나 값들 평균 값 종 보 값이라 지 다. 규

12월, 1월, 2월 농도 값과 LOOCV를 통해

농도 값 그림 13(a)-(c)에 나타나 있 며, 각각 경우

상 계 값 0.72, 0.15, 0.49 이다. 즉, 개 인공신경망 모

역시 겨울철 국 농도를 잘 모 고 있는 것 보인다.

43

Figure 13. Evaluation of Artificial Neural Network (ANN) model for (a)

December, (b) January, (c) February

44

5.3 평가 결과 분석

개 다 회귀 모 과 인공신경망 모 평가해 본 결과

모 모 겨울철 국 농도를 잘 모 는 것

나타났다. 특히 12월 경우 다 회귀 모 과 인공신경망 모 이

모 높 도 농도를 모 다. 지만 모 다

1월 농도를 잘 모 지 못했 며 1월 상 계 는 12월이나 2월

보다는 히 낮 값 보이는데 그림 12(b) 13(b)를 보면

2009-2011 간이 큰 향 미 것 보인다. 이 간에는

농도 값과 LOOCV를 통해 농도 값

연간변동 이 매우 상이했다.

2009 에 2011 지 모 결과를 살펴보면( 3)

2009 경우 지 압 거 변 가 없었고 지 도가 크게

증가했다. 그러므 식 (7)에 첫째 항 0에 가 고 째 항 큰

양 값 갖게 어 농도 값 증가 는 것 모 다.

2010 경우 지 압과 지 도가 모 감소했다. 그러므

식 (7)에 항 모 값 갖게 어 농도 값

평 보다 낮게 모 다. 2011 경우 동아시아 이 인

45

(Gong et al., 2014) 인해 지 압이 매우 크게 증가 고

지 도는 감소했다. 그러므 2011 시베리아 고 압이

강 고 이 인 지 도 감소 인해 식 (7) 첫째 항

크 가 매우 큰 양 값 가지게 어 평 보다 높 농도를

모 다.

그림 14는 2009 에 2011 지 간 외 1월

농도 값과 LOOCV를 통해 농도 값 나타낸다.

2009 에 2011 지 간 외 고 다시 계산

1월 크게 증가 며, 다 회귀 모 과

인공신경망 모 상 계 값 각각 0.53, 0.66이다. 이러

미루어 볼 1월 농도 모 불 실 에 2009-2011

간이 미 는 향이 매우 큰 것 보인다.

결과 겨울철 국 농도에 향 미 는 지역

상요소는 월별 상이 다. 체 인공신경망 모 보다

다 회귀 모 이 농도를 잘 모 는 경향이 있다.

46

Figure 14. Evaluation of (a) Multiple linear regression (MLR) model and (b)

Artificial Neural Network (ANN) model for January. (2001-2008, 2012-2014)

47

CHAPTER 6. 미래 농도 예측

6.1 2016년 겨울 농도 예측

본 에 는 GloSea5 모 결과를 이용 여 2016 겨울, 즉

2015 12월과 2016 1월, 2월 농도를 다.

GloSea5를 통 여 얻어진 지 압과 지 도에 동아시아

2016 겨울철 장과 후장 편차 지도가 그림 15에 나 있다.

얻어진 상장 편차를 5장 통해 개 다 회귀 모 과

인공신경망 모 입 자료 여 2016 겨울 각 월

농도를 다. 다 회귀 모 경우 2015 12월에는

0.02 μg 만큼 증가했 므 거 변 가 없고, 2016 1월과

2월에는 각각 0.40 μg , 0.87 μg 만큼 감소했다고

다. 인공신경망 모 경우도 2015 12월에는 0.49

μg 만큼 증가했고, 2016 1월과 2월에는 각각 0.58 μg ,

0.23 μg 만큼 감소했다고 다.

48

2015 12월 경우 지역 에 도 S4 지 압이 양

값 가 고, S3 지 도는 값 , S4 지 도는 양

값 가 다. 그러므 체 다 회귀 모

농도에 거 변 가 없 것이라고 다. 인공신경망

모 농도가 평 에 해 증가 것이라고

므 지 도 보다는 지 압 향 크게

는다고 말 있다. 2016 1월과 2월 경우 모

모 에 농도가 감소 것이라고 다. 1월

경우 지역인 S4에 지 압이 양 값 가 고,

S2에 지 도가 값 가 에 체

농도가 감소 것이라 었다. 이처럼 고 압이 크게 강 는

태 상 조건에 는 안 도가 작아 농도가

감소 다. 2월 경우 지역인 S3에 지 압이 양 값

가 고, S2 S3에 지 도가 값 가 므

농도가 감소 것이라 었다.

49

Figure 15. Anomaly graph of surface pressure and surface temperature for the

wintertime in 2016. (a) Anomaly of surface pressure in December 2015. (b)

Anomaly of surface temperature in December 2015. (c) Anomaly of surface

pressure in January 2016. (d) Anomaly of surface temperature in January 2016.

(e) Anomaly of surface pressure in February 2016. (f) Anomaly of surface

temperature in February 2016.

50

6.2 2050년대 겨울 농도 예측

CESM 모 상자료 결과를 이용 여 RCP8.5 시나리 에

인 2050 겨울철 도 농도를 다.

6.1 분 법과 사 게 평균 2050 2000

상장 차이를 통해 얻어진 편차 지도가 그림 16에 나 있다. 각

월별 지역 상장 편차 값 다 회귀 모 과

인공신경망 모 에 입 자료 이용 여 2050 겨울 각 월

농도를 다. 다 회귀 모 경우 2000

여 2050 에 12월, 1월, 2월에 각각 1.10 μg , 0.91

μg , 2.71 μg 만큼 증가했다. 인공신경망 모 경우

12월에는 0.06 μg 만큼 감소했고, 1월과 2월에는 각각 0.06

μg , 0.63 μg 만큼 증가했다.

2050 12월 경우 지역 에 도 S1 지 압이

매우 큰 값 가 고 S4 지 압 값 가 다.

S3 지 도 S4 지 도는 모 큰 양 값 가 다.

체 다 회귀 모 지 압 감소 고 지 도는

증가했 므 2050 12월 농도가 2000 에 해

51

증가 것 보인다. 지만 인공신경망 모 2050 12월

농도가 2000 에 해 거 슷 것이라고

다.

2050 1월 경우 모 모 에 농도가 증가

것이라고 다. 지역인 S4에 지 압이 값

가 고, S2에 지 도가 양 값 가 에 체

농도가 증가 다고 었다. 1월 12월이나

2월과는 상당히 다른 압 보이는데 이처럼 고 압이 크게

약 는 태 상 조건에 는 안 도가 커

농도가 증가 다.

2월 경우에는 지역인 S3에 지 압이 거 변 가

없었고, S2 S3에 지 도가 양 값 가 므

농도가 증가 다고 었다. 2월 지 압보다는 지 도

향 많이 는 것 보인다.

52

Figure 16. Anomaly graph of surface pressure and surface temperature for the

wintertime in 2050s. (a) Anomaly of surface pressure in December 2050s. (b)

Anomaly of surface temperature in December 2050s. (c) Anomaly of surface

pressure in January 2050s. (d) Anomaly of surface temperature in January

2050s. (e) Anomaly of surface pressure in February 2050s. (f) Anomaly of

surface temperature in February 2050s

53

CHAPTER 7. 결론

본 연구에 는 다 회귀 분 과 인공신경망모 사용 여

상변 에 라 국 겨울철 농도를 있는

통계 인 법 개 해 보았다.

우 국 겨울철 농도에 향 크게 미 는 상변

지역 여 여도 분 진행 다. 여러 상

요소들 에 겨울철 국 농도에 가장 큰 향 미 는

상 요소는 지 압과 지 도 나타났다. 12월 경우

시베리아 도 지 압, 국 동부 도 지 도가

여도가 높 요 변 고, 1월 경우 도 지 압과

몽골 지 도가 요했다. 2월 국 동부 지 압과 몽골,

국 동부 지역 지 도가 여도가 높 변 다. 이는 월별

여도가 높 지역 상변 가 상이했 며 도뿐만 아니라

동아시아 여러 지역이 국 겨울철 농도에 향

미 다는 것 나타낸다.

2001 부 2014 지 간 동안 다 회귀 모 과

인공신경망 모 이 국 겨울철 농도를 어느 도 모

54

있는지 알아보 해 LOOCV를 사용 여 모 도를

평가해 본 결과 12월, 1월, 2월에 여 다 회귀 모 R값이

각각 0.83, 0.33, 0.69 며 인공신경망 모 각각 0.72, 0.15,

0.49 다. 체 다 회귀 모 이 겨울철 농도를 좀

잘 모 고 있는 것 나타났다.

다 회귀 모 과 인공신경망 모 사용 여 2016 과

2050 겨울철 국 농도를 해 보았다.

GloSea5 모 상장 입 자료 여 얻어진 2016

농도는 다 회귀 모 경우 2015 12월에는 0.02

μg 만큼 증가했 므 거 변 가 없고, 2016 1월과

2월에는 각각 0.40 μg , 0.87 μg 만큼 감소했다고

다. 인공신경망 모 경우도 2015 12월에는 0.49

μg 만큼 증가했고, 2016 1월과 2월에는 각각 0.58 μg ,

0.23 μg 만큼 감소했다고 다.

그 다 CESM 모 에 나 RCP8.5에 인 상장

사용 여 2050 겨울철 국 농도를 해 본 결과

다 회귀 모 경우 2050 12월, 1월, 2월에 각각 1.10

μg , 0.91 μg , 2.71 μg 만큼 증가했다. 인공신경망

55

모 경우 12월에는 0.06 μg 만큼 감소했 므 거 변 가

없었고, 1월과 2월에는 각각 0.06 μg , 0.63 μg 만큼

증가했다고 다. 2050 에는 동아시아 도가 크게

증가 므 체 인 겨울철 농도는 증가 는 것 보인다.

본 연구는 국 겨울철 농도에 상 조건이 미 는

향에 것이다. 지만 농도 결 에는 상 조건뿐만

아니라 지역 출원과 장거리 송 외부 출원도 향 미 다.

그러므 앞 이에 향 지 평가 있는 과 모

모 가 요 다고 생각 다.

56

References

Arakawa, A., V. R. Lamb (1977) Computational design of the basic dynamical

processes of the UCLA general circulation model, Methods in Computational Physics, 17, 174-265.

Armstrong, J. Scott (2012) illusions in Regression Analysis, International Journal of Forecasting, 28(3),689-694.

Best, M. J., M. Pryor, D. B. Clark, , G. G. Rooney, R. L. H. Essery, C. B.

Menard, J. M. Edwards, M. A. Hendry, A. Porson, N. Gedney, L. M.

Mercado, S. Sitch, E. Blyth, O. Boucher, P. M. Cox, C. S. B. Grimmond, R.

J. Harding (2011) The Joint UK Land Environment Simulator (JULES),

model description - Part 1: Energy and water fluxes, Geosci. Model Dev., 4, 677-699.

Cheng, Z. L., K.S. Lam, L. Y. Chan, T. Wang, K. K. Cheng (2000) Chemical

characteristics of aerosols at coastal station in Hong Kong. I. Seasonal

variation of major ions, halogens and mineral dusts between 1995 and

1996, Atmospheric Environment, 34 , 2771–2783

Davies T., M. J. P. Cullen, A. J. Malcolm, M. H. Mawson, A. Staniforth, A. A.

White, N. Wood (2005) A new dynamical core for the Met Office’s global

and regional modelling of the atmosphere, Quarterly Journal of the Royal Meteorological Society, 131, 1759-1782.

Dockery, D. W., C.A. Pope (1994) Acute respiratory effects of particulate

air-pollution, Annual Review of Aerosol Science, 29, 421–444

Fast, J., B. Foy, F. Rosas, E. Caetano, G. Carmichael, L. Emmons et al. (2007)

A meteorological overview of the MILAGRO field campaigns, Atmospheric Chemistry andPhysics, 7, 2233–2257.

Gardner, M. W., S. R. Dorling,(1999) Neural network modeling and prediction

of hourly NOx and NO2 concentrations in urban air in London,

Atmospheric Environment, 33, 709–719

Geisser, S. (1993) Predictive Inference. New York, NY: Chapman and Hall.

Gent, P. R., G. Danabasoglu, L. J. Donner, M. M. Holland, E. C. Hunke, S. R.

Jayne, D. M. Lawrence, R. B. Neale, P. J. Rasch, M. Vertenstein, P. H.

57

Worley, Z. L. Yang, M. Zhang (2011) The community climate system

model version 4, Journal of Climate, 24, 4973-4991.

Gong, Z., G. Feng, F. Ren, J. Li (2014) A regional extreme low temperature

event and its main atmospheric contributing factors, Theoretical and

Applied Climatology, 117(1), 195-206

Harrison, R. M., J. Yin (2000) Particulate matter in the atmosphere: which

particle properties are important for its effects on health, Science of the Total Environment, 249, 85–101

Hong, Y. C., J. T. Lee, H. Kim, E. H. Ha, J. Schwartz, D. C. Christiani (2002)

Effects of air pollutions on acute stroke mortality, Environmental Health Perspectives, 110, 187–191

Hunke, E. C., and Lipscomb WH (2010) CICE: The Los Alamos sea ice model

documentation andsoftware user's manual, version 4.1 , Technical Report, Los Alamos National Laboratory:Los Alamos, NM.

Jeong, J. I., R. J. Park, J. H. Woo, Y. J. Han, S. M. Yi (2011) Source

contributions to carbonaceous aerosol concentrations in Korea,

Atmospheric Environment, 45, 1116-1125

Jones, A., R. Harrison, J. Baker (2010) The wind speed dependence of the

concen-trations of airborne particulate matter and NOx, Atmospheric

Environment, 44,1682–1690.

Kenney, J. F., E. S. Keeping (1962) Linear Regression and Correlation.

Princeton, NJ: Van Nostrand

Kohavi, Ron (1995) A study of cross-validation and bootstrap for accuracy

estimation and model selection, Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence, 2(12), 1137–1143.

Lee, S. M., C. H. Ho, Y. S. Choi (2011) High-PM10 concentration episodes in

Seoul, Korea: Background sources and related meteorological conditions,

Atmospheric Environment, 45(39), 7240–7247

Lee, J. H., Y. P. Kim, K. C. Moon, H. K. Kim, C. B. Lee (2001) Fine particle

measurements at two background sites in Korea between 1996 and 1997,

Atmospheric Environment, 35, 635–643

58

MacLachlan, C. et al., (2014) Global Seasonal Forecast System version 5

(GloSea5): A high resolution seasonal forecast system. Quarterly Journal of the Royal Meteorological Society

Madec G. (2008) NEMO ocean engine, Institut Pierre-Simon Laplace (IPSL),

27, 1288-1619.

Ministry of Environment (2014) Annual Report of Ambient Air Quality in

Korea, 2014, National Institute of Environmental Research

Mogensen, K., M. Balmaseda, A. T. Weaver (2012) The NEMOVAR ocean

data assimilation system as implemented in the ECMWF ocean analysis

for System 4. ECMWF Technical Memorandum, 668.

Park, S.E., Y. Chung (1992) Airborne Suspended Particulates Concentration

and Cancer Risk Assessment of Polycyclic organic matter in Seoul,

Journal of Korea Air Pollution Research Association, 8, 247-256.

Rienecker, M. M., M. J. Suarez, R. Gelaro, R. Todling, J. Bacmeister, E. Liu, M.

G. Bosilovich, S. D. Schubert, L. Takacs, G. K. Kim, S. Bloom, J. Chen, D.

Collins, A. Conaty, A. D. Silva, W. Gu, J. Joiner, R. D. Koster, R. Lucchesi,

A. Molod, T. Owens, S. Pawson, P. Pegion, C. R. Redder, R. Reichle, F. R.

Robertson, A. G. Ruddick, M. Sienkiewicz, J. Woollen (2011) MERRA:

NASA’s Modern-Era Retrospective Analysis for Research and

Applications, Journal of Climate, 24, 3624–3648

Seob, M.Y., (2015) Meteorological guideline to forecast Asian dusts in the

Korean peninsula, Department of Environmental Education

Vertenstein, M., T. Craig, A. Middleton, D. Feddema, C. Fischer, (2012)

CESM1. 0.4 User's Guide, National Center for Atmospheric Research, Boulder

Werneth, C.M., M. Dhar, K. M. Maung, C. Sirola, J. W. Norbury (2010)

Numerical Gram-Schmidt orthonormalization. European Journal of

Physics, 31, 693-700

Xu, C. J., F. Yan, Y. Xie, F. Wang, J. Wu, Q. Fu, (2015) Impact of

meteorological conditions on a nine-day particulate matterpollution event

observed in December 2013, Shanghai, China Particuology, 20, 69–79

59

Yetilmezsoy, K., S. Demirel (2008) Artificial neural network (ANN) approach

for modeling of Pb(II) adsorption from aqueous solution by Antep

pistachio (Pistacia vera L.) shells, Journal of Hazardous Materials, 153,

1288–1300.

Yi, S.M., E. Y. Lee, T. M. Holsen, (2001) Dry deposition fluxes and size

distribution of heavy metals in Seoul, Korea during yellow-sand events,

Aerosol Science and Technology, 35, 569–576

60

Abstract

Development of a simple statistical

method for wintertime PM

prediction in Korea

Hansol Lee

School of Earth and Environmental Sciences

Seoul National University

PM(Particulate Matter) causes many environmental problems

such as human respiratory issues and visibility degradation. It

also absorbs or scatters the solar radiative energy and has an

important effect on climate. The continuous air quality

improvement policy has decreased PM10 concentrations in Korea.

However, over the recent years, an increasing trend of PM10

concentrations has been observed and this trend was

significantly correlated with that of wintertime PM10

61

concentrations in Korea. In this study, we understand the cause

of increasing wintertime concentration by examining the

relationship between the observed monthly concentraions

in Korea and meteorological data from the Modern-Era

Retrospective analysis for Research and Applications (MERRA)

reanalysis data. We first find important factors that affect inter-

annual variation of wintertime concentrations of Korea. We

also develop a simple statistical method of wintertime

prediction using Multiple Linear Regression (MLR) and Artificial

Neural Network (ANN). Correlation coefficients between the

observed and simulated concentrations are 0.82, 0.33, 0.69

for December, January, February, respectively using MLR.

Correlation coefficients between the observed and simulated

concentrations by ANN are 0.82, 0.33, 0.69. We find that

MLR performs better than ANN for predicting wintertime

concentrations of Korea. Finally, we apply these two models for

the concentrations of wintertime of the year 2016 and

2050s in Korea and find that concentration is increased in

62

December of 2015 but decreased in January and February in the

year of 2016. For 2050s, two models generally predict increases

of concentration because of the relative rise of

temperature from the 2000s.

Keyword : Particulate matter, , meteorological factor,

Artificial neural network, Multiple linear regression, MERRA,

statistical forecast

Student number : 2014-20319