CMAQ 모델링을 통한 초기 기상장에 대한 미세먼지 농도

2. 1 모델링 설계

본 연구에서 사용한 중규모 기상모델은 WRF (Weather Research and Forecasting Model, v.3.5.1)이며 기온, 바람 등의 기상변수를 생산하는데 사용하였다. 생산된 기상장은 MCIP (Meteorological-Chemistry Interface Processor, v.3.6)을 이용하여 대기질수치모델의 입력자료 형태로 변환하였다. 미세먼지 농도를 모의하기 위한 본 연구의 대기질 수치모델인 CMAQ (Community Multiscale Air Quality Model, v.4.6) 모델링 시스템은 그림 1에 나타내었다.

Fig. 1.

Schematic diagram of the procedure in WRF-CMAQ modeling system.

WRF 모델은 1990년대 후반에 중규모 기상모델인 PSU/NCAR-MM5 (Dudhia, 1993)를 대체하기 위해 미국 대기과학연구소 NCAR (National Center of Atmospheric Research)와 NCEP (National Center for Environmental Prediction)이 공동으로 개발하였으며 세계적으로 널리 보급되어 많은 연구에 활용되고 있다. 또한 CMAQ은 미국 EPA가 정한 규제모형 중에서 국내에서 제일 많이 이용되는 3차원 광화학 오일러리안 대기질 모델이며, 대기 중 오염농도, 건성침적, 습성침적 등 여러 가지 물리적 과정과 대기 중에서 발생하는 광화학 반응 등 상세한 물리·화학 반응 모듈을 포함하고 있다 (Byun et al., 1999).

CMAQ 모델링 영역은 현재 현업으로 사용되는 총 3개 영역과 동일하게 설정하였고 (그림 2), 첫 번째 도메인 (D1)은 중점 북위 38.0도, 동경 126.0도로 174×128개의 27 km 격자간격의 해상도로 동아시아 영역을 구성하였으며, 다음으로 연차적인 둥지격자 (nesting)로 67×82개의 9 km 격자간격의 한반도 영역 (D2)을, 그리고 마지막으로 58×61개의 3 km 격자간격의 수도권 영역 (D3)으로 설정하였다. 본 연구에서 사용된 모델링 옵션은 환경부 2013년 보고서에서 제시한 사항을 대부분 참고하여 설정하였다 (표 1). 이에 따라 WRF의 주요 물리옵션 설정은 대기질 모델링에 가장 적합하다고 알려진 WSM3 (D1)와 WDM6 (D2 and D3) 미세구름물리방안과 YSU 행성경계층방안을 선택하였으며, CMAQ 모델의 화학메커니즘은 CB4-AERO3 옵션을 선택하였다. 또한 CMAQ 모델링의 배출량 자료는 동아시아영역은 MICS-ASIA 2010년 자료, 국내는 CAPSS 2010년 자료를 사용하였다.

Fig. 2.

Modeling domain for Korea air quality forecasting system. D1 covers East Asia with 27 km horizontal resolution and 174×128 grids. D2 covers Korean peninsular with 9 km resolution and 67×82 grids and D3 covers SMA (Seoul Metropolitan Area) with 3 km resolution and 58×61 grids.

Table 1.

Descriptions of model configurations.

모델 수행 시간은 일별 예보시간 구성 (NIER, 2014)을 참고하여 그림 3과 같이 구성하였다. GFS 자료를 00 UTC부터 81시간 예보자료까지 다운받은 후, 12:00 UTC~72:00 UTC (61시간)에 대해 모델을 수행하였다. 예보결과는 다음날 00:00 KST부터 23:00 KST까지의 결과로 정의하였으며, 동일한 시간 구성으로 FNL 자료를 초기 및 경계 조건으로 사용하여 GFS 자료를 사용한 경우와 비교하여 미세먼지 농도모의의 민감도를 분석하였다.

Fig. 3.

Time set of daily PM10 forecasting simulations.

2. 2 초기 기상장 자료

본 연구에서 초기 기상장에 따른 미세먼지 모사 민감도 분석을 위해 사용한 WRF의 초기 및 경계 조건 자료는 전지구 영역의 재분석 자료인 FNL과 예보자료인 GFS이다.

FNL은 전지구 영역을 대상으로 1°×1°의 수평해상도를 가지고 연직적으로 1,000 mb에서부터 10 mb까지 26개의 층으로 이루어져 있다. 또한 1999년 7월 30일 자료부터 현재까지의 자료가 있으며 매일 6시간 간격 (00, 06, 12, 18 UTC)으로 업데이트가 이루어지고, 많은 변수를 포함하는 동시에 업데이트가 빠르고 인터넷을 통해 쉽게 다운로드 받을 수 있어서 가장 많이 사용되는 기상 모델링의 초기 및 경계 조건 자료 중 하나이다. 한편 GFS는 2005년 2월부터 현재까지의 자료를 다운로드 받을 수 있고 하루에 4번 (00, 06, 12, 18 UTC) 3시간 간격으로 총 180시간의 예보자료를 제공하며, 1°×1°의 수평해상도를 가진다.

두 자료는 동일한 모델링시스템에서 생산되므로 거의 유사한 도출과정을 가지지만 FNL이 상대적으로 최대 약 10% 더 많은 관측자료를 통해 보정되므로, 동일한 변수라 할지라도 보정 결과에 따라 서로 다른 값을 가질 수 있으며 이러한 초기기상장의 차이는 기상 및 대기질 모의결과에 영향을 줄 수 있다. 예를 들어 PM₁₀이 과소 모의된 2014년 2월 말 고농도 사례의 경우 WRF의 10 m 풍속의 과다 예측이 고농도 미세먼지 오보의 중요 인자로 분석되어 보고되었으며 (NIER, 2017), 이러한 현상들은 기상 변수의 예측치 개선을 통해 고농도 미세먼지의 이동을 더 정확히 예측할 수 있음을 의미한다.

2. 3 사례일 선정

민감도 분석을 위한 본 연구의 사례일은 국립환경과학원에서 제공받은 2014년 전 기간의 미세먼지 예보결과를 이용하여 선정하였다. 2014년 서울지역 미세먼지 예보결과와 동기간 관측된 값의 시계열 변화를 비교해본 결과 관측 연평균 미세먼지 농도는 45.8 μg/m³인 반면 예보 값의 연평균 미세먼지 농도는 38.2 μg/m³로 나타나 전반적으로 예보결과가 관측보다 낮음을 알 수 있다. 본 연구에서는 예보 값과 관측 값과의 차이가 큰 날의 순위를 정하고 이 중 50 μg/m³ 이상 차이가 났던 날을 본 연구의 오보사례일로 사용하였으며 (표 2), 이 중 예보 값과 실제 관측 값의 차이가 가장 컸던 날을 우선적으로 선별한 후 종관기상장이 유사한 3일-CASE1 (12/30), CASE2 (4/16), CASE3 (3/1)-을 최종 사례일로 선정하였다 (이때 황사발생일인 9일은 제외하였음). 이상의 사례일에 대하여 초기 기상장에 따른 미세먼지 농도 모의의 민감도 분석결과는 가장 큰 오보 사례일을 선정하였으므로, 우리나라의 미세먼지 농도를 예측하는 기상 인자의 중요도를 판단할 수 있을 뿐만 아니라 미세먼지 예보 시 본 연구의 사례일과 유사한 종관기상장을 가지는 날의 미세먼지 예보 개선에 중요한 참고자료가 될 수 있다.

Table 2.

List of false forecasting cases. Each case was selected from the model vs. observation differences in descending order. Occurrences of Asian Dust were also indicated here.

선정된 사례일의 일기도와 유선도를 그림 4에 나타내었다. 사례일의 00 UTC, 12 UTC의 850 hPa 일기도와 유선 분석 결과, CASE1과 CASE3은 공통적으로 중국 동부의 고배출 지역에서 남풍→서풍→북서풍 계열의 풍계로 인해 북경 부근에서 배출된 고농도 미세먼지의 한반도 유입 경로가 예상되며, CASE2는 정체성 고기압이 우리나라 남쪽 해상에 위치해 있어서 우리나라 자체 배출원 영향이 우세한 경우이지만 정체성 고기압의 영향 권역이 수도권에 걸쳐 있으며, 수도권 북부 및 북한 지역에서는 오히려 정체영역이 아니라 캄차카반도 저기압의 영향으로 북서풍계의 영향을 받고 있어서 한반도의 기류 영역 구분이 뚜렷하지 않은 사례로 판단된다. 그러나 세 사례 모두 공통적으로 캄차카반도 해상 저기압 혹은 알류산 저기압으로 인해 한반도 상공에 북풍 또는 북서풍계열의 바람을 강하게 유도하는 사례들로 한반도 주변에서 유사한 풍계와 종관기상학적 조건을 가지고 있었다.

Fig. 4.

Synoptic weather charts and streamlines of 850 hPa for the selected cases of sensitivity analysis.

모의결과 검증을 위해 서울지역의 28개 자동기상관측시스템 (Automatic Weather System, AWS)과 25개 대기오염측정망 (Air Quality Monitoring Network)에서 관측된 1시간 평균 기온, 바람, PM₁₀ 값을 다양한 방법으로 모의결과와 비교하였다. 서울의 각 관측지점은 그림 2에 나타내었다. 각 관측 값과 모의결과의 차이를 정량적으로 비교하기 위하여 MB (Mean Bias), RMSE (Root Mean Square Error), IOA (Index of Agreement), R (correlation coefficient) 등의 통계적 방법을 이용하였다.

3. 1 기상장 모사 결과 비교

일반적으로 모델 내에서 계산되는 미세먼지 농도의 변화는 이류, 난류확산, 배출, 화학반응, 침적제거 등으로 표현할 수 있다. 미세먼지의 주요 구성성분으로는 질산염 (Nitrate, NO₃^-), 황산염 (Sulfate, SO₄^2-), 암모늄 (Ammonium, NH₄⁺) 등의 이온성분과 OC (Organic Carbon), EC (Elemental Carbon)과 같은 탄소성분, 중금속성분 등이 있으며, 이 중 이차생성에어로졸의 생성 과정의 광화학 반응에서 주요한 인자로 작용하는 기온과 이류에 의한 미세먼지 농도 변화의 주요 인자인 풍속을 중점으로 비교·분석하였다.

먼저 기상장의 초기입력 자료인 FNL과 GFS의 기상 변수 값의 기본적인 모델 결과의 차이를 살펴보았다. 수도권 주변의 격자 값을 선별하기 위하여 북위 37도, 동경 127도 지점의 2 m 기온과 10 m 풍속을 수집하여 그림 5에 나타내었다. 그 결과 기온의 경우 전반적인 농도 값 뿐만 아니라 피크를 나타내는 시간에서도 두 자료의 차이는 크지 않음을 알 수 있었다. 반면 풍속의 경우 GFS에서 전반적으로 더 강하게 모의되었는데, 각 사례일별로 각각 4.4 m/s, 4.0 m/s, 2.9 m/s로 나타났으며, 첫 사례일의 경우 그 차이가 4 m/s 이상 차이가 나타났음을 확인하였다. 또한 유사한 일변화 경향을 보였으나 일중 최고값을 나타내는 피크 시간에서도 큰 차이를 보이는 등 기온과는 전혀 다른 편차를 보였다. 결과적으로 수도권 사례 연구에서 볼 때, 재분석 자료가 예보자료보다 열역학적 예보 인자의 차이보다는 풍속과 같은 역학적 인자의 차이가 상대적으로 더 크게 나타나는 경향을 보였고, 본 사례에서 제외된 다른 사례일의 경우 또한 유사한 경향을 보였다.

Fig. 5.

Time series of (a) 2 m temperature and (b) 10 m wind speed.

다음으로 각각의 초기기상장 자료로 모의된 기온과 바람장의 결과를 비교해 보았다. 기온 모의결과에 대한 민감도를 분석하기 위해 기온의 일변화와 공간분포를 분석하여 그림 6과 그림 7에 제시하였다. 여기서 그림 6의 결과는 서울지역 모든 관측지점의 평균값을 나타낸다. 그 결과 FNL과 GFS 모두 CASE1에서는 기온을 과소모의, CASE2, CASE3에서는 과대모의하여 사례일별로 기온 모의 경향이 다르게 나타났는데, 이는 결국 각 초기 기상장에 따른 기온 모의결과가 공통적인 특성이나 차이점이 뚜렷하게 존재하지 않으며, 따라서 이차생성에어로졸의 생성·소멸 과정과 연관된 중요한 인자인 기온에 따른 미세먼지 농도의 민감도는 초기 기상장의 차이에 기인한 요인으로서는 크지 않은 것으로 해석할 수 있다.

Fig. 6.

Diurnal variations of simulated and observed surface temperature in Seoul. Observations are values averaged for all observation sites (●) as indicated in Fig. 2.

Fig. 7.

Spatial distributions of daily mean temperature in Seoul. Circles represent observed values.

다음으로 바람의 모의결과를 분석하였는데 그림 8은 수도권, 경기도 및 일부 충청도 지역을 포함하는 서해안 영역에 대해 기상청에서 제공되는 AWS 관측 자료의 바람 분포와 모델결과를 비교하여 나타낸 그림이다. 풍향의 경우 서해안 지역은 북서풍이 우세하고 육지로 갈수록 서풍계열의 풍계로 바뀌는 모습을 보였고, FNL과 GFS 모두 서해안과 수도권영역에서 주로 북서풍을 모의하여 전반적인 풍향은 잘 모의 하였으나, 지형이 복잡한 육지로 갈수록 풍향의 모의결과의 정확도는 감소하였다. 두 초기 기상장에 따른 풍향 모의결과의 차이는 크지 않았던 반면 풍속의 경우 두 자료 모두 관측치에 비해 과대모의하고 있으며 그 정도는 GFS가 더 크게 과대모의 하였으며, 이는 앞서 살펴보았던 두 초기 기상장 자료의 기온과 풍속의 차이가 기상장 모의에 그대로 영향을 준 것으로 해석할 수 있다.

Fig. 8.

Spatial distributions of simulated and observed wind fields in western coastal area. (a) and (b) represent simulations from GFS and FNL data, respectively, and (c) represents observations.

두 초기 기상장에 따른 모의결과 차이가 크게 나타났던 풍속의 모의결과를 좀 더 자세히 살펴보기 위해 그림 9와 그림 10에 서울지역에 대한 풍속 시계열과 공간분포를 나타내었다. 여기서 그림 9의 결과는 서울지역 모든 관측지점의 평균값을 나타내며, ‘○’안의 값은 관측된 일평균 풍속을 나타낸다. 그 결과 앞서 살펴본 것과 마찬가지로 FNL과 GFS 모두 모든 사례일에서 풍속을 과대모의 하였는데, 특히 GFS의 경우 평균적으로 약 1.25배, 그리고 최대 3.7배까지 풍속을 상대적으로 강하게 모의하였다. 이러한 풍속의 과대모의는 미세먼지의 체류 시간을 줄여 줌으로써 결국 고농도 미세먼지 농도를 실제보다 과소하게 모의할 가능성이 매우 높다.

Fig. 9.

Diurnal variations of simulated and observed surface wind speed in Seoul. Observations are values averaged for all observation sites (●) as indicated in Fig. 2.

Fig. 10.

Spatial distributions of daily mean wind speed in Seoul. Circles represent observed values.

표 3은 기온과 풍속 모의결과와 관측 결과와의 통계값을 정리한 것으로 MB, R, RMSE, IOA 값을 수록하였다. 그 결과 기온의 경우 MB가 -2.24~4.22, IOA 0.48~0.82의 범위를 가졌으며, 앞서 시계열과 공간분포 비교에서 기술하였듯이 FNL과 GFS의 뚜렷한 차이는 나타나지 않았다. 풍속의 경우 MB 0.28~1.95, IOA 0.34~0.75의 범위를 보였으며, 전반적으로 FNL을 초기 기상장으로 사용한 결과가 관측치와 비교하여 볼 때 상대적으로 더 유사하게 나타났다.

Table 3.

Statistics of model performance for the simulated temperature and wind speed.

이상의 결과는 기존의 연구결과인 Koo et al. (2012)의 연구에서 기온 IOA가 0.98 이상, MB가 ±1 미만, 풍속 IOA가 0.75 이상으로 보고한 결과와 비교하여 기온과 풍속의 모의 신뢰도가 낮게 나타난 결과와 일치하는데, 이것으로 미루어 보아 결국 본 연구에서의 사례일은 상대적으로 신뢰도가 낮은 기상장 모의결과가 미세먼지 농도 예보에 미친 영향이 크다는 것을 간접적으로 유추할 수 있다. 그 외의 기상변수로서 습도장, 기압장 등의 민감도를 분석해본 결과, 상대적으로 기온과 바람장에 비하여 훨씬 덜 민감하게 나타나 본 연구에서는 상세한 기술을 생략하였다.

아울러 초기 기상장 뿐만 아니라 기상모델 그 자체의 차이 또한 미세먼지 모의와 연관된 상세한 기상장의 분석 연구가 요구된다. 예를 들어 기상청 현업 모델인 UM은 서로 다른 기상모델인 WRF보다 풍속이 상대적으로 적게 모의되는 경향을 보여 UM-CMAQ에 의한 PM₁₀ 농도 모의한 결과가 일반적으로 WRF-CMAQ 결과보다 상대적으로 과대 모의되는 경향이 보고되고 있다 (NIER, 2017). 기상청 현업 모델의 경우 연직 수분 구조 특성 분석과 같은 악기상 혹은 강수 예보에 중점을 두는 반면 미세먼지와 같은 대기오염 예보는 하층 혹은 지표 바람장이 고농도 플룸의 이동 및 지속 시간과 직접적으로 연관되기 때문인 것으로 분석된다.

최근 UM을 사용한 경우와 GFS 및 FNL 자료를 사용한 결과의 차이를 분석한 보고서에 따르면, FNL 결과가 GFS보다 높은 미세먼지 농도를 보이며, UM을 사용한 결과는 FNL 혹은 GFS 자료를 사용한 결과보다 더 높게 나타났으며 피크값이 경우에 따라서 2배 혹은 그 이상 높게 모의하였고, 그 결과는 오히려 측정 결과에 더 가까운 수준을 자주 모의하였음을 확인하였다 (NIER, 2017).

3. 2 미세먼지 모사 결과 비교

그림 11은 동아시아 영역에서 사례일별로 두 초기 기상장에 대한 바람장 및 미세먼지 농도의 공간분포와 두 결과의 차이를 나타낸다. CASE1과 CASE3의 사례에서는 중국 동부의 고배출 지역에서 배출된 PM₁₀ 플룸이 남풍→북풍·북서풍 계열의 풍계로 인해 우리나라까지 영향을 주는 모습을 확인할 수 있다. CASE2의 경우는 한반도상공 정체성 고기압의 영향으로 약한 바람이 모의되었으나 황해상의 강한 남풍이 주목할 만하였다. FNL과 GFS를 사용한 두 모의결과의 차이를 비교해본 결과 (그림 11c), 수도권과 서해연안 지역에서 FNL을 초기 기상장으로 사용하였을 때 미세먼지 농도가 GFS를 사용한 경우 보다는 상대적으로 더 높게 모의됨을 확인할 수 있다. 따라서 FNL을 사용할 경우, GFS를 사용한 경우보다 대기질 모의결과를 개선할 수 있는 여지가 많음을 알 수 있다. 3.1절에서 확인한 바와 같이 본 연구의 사례일의 경우 GFS의 과대모의된 풍속의 영향이 큰 사례였는데 CASE1과 CASE3의 경우처럼 북서풍을 타고 장거리 이동되어 한반도로 유입될 때, 고농도 미세먼지의 한반도 체류 시간을 보다 더 잘 예측할 수 있는 정확한 지표 풍속의 모의가 미세먼지 모의 개선에 중요한 단서가 됨을 유추할 수 있으며, CASE2의 경우 정체성 고기압이 존재할 경우 정체 영역이 수도권에 걸쳐있어서 이에 대한 정체성 고기압의 정확한 이동속도의 모의가 중요한 인자로 판단된다.

Fig. 11.

Spatial distributions of simulated PM10 concentrations from using (a) FNL (1st panel), (b) GFS (2nd panel) data, and (c) its differences (3rd panel). The red area in (c) means the PM10 concentrations from FNL data is higher than GFS data.

이러한 기상장의 초기조건의 차이가 실제 한반도 내의 도시권역 미세먼지 농도 모의에 얼마나 영향을 미치는지 정량적으로 알아보기 위하여 수도권 모의결과를 측정치와 비교하여 살펴보았다. 그림 12는 두 초기 기상장에 따른 수도권 시간평균 미세먼지의 모의값과 측정값의 일변화를 나타낸 것으로 모든 사례일에 대해 FNL과 GFS를 사용한 결과 모두 미세먼지 농도를 과소모의하고 있으며, 일부 결과에서만 야간의 농도가 증가하여 관측과 유사한 수준을 보였다. 초기 기상장에 대한 미세먼지 농도의 차이는 크지 않으나 FNL을 사용하였을 경우가 GFS를 사용한 경우보다 상대적으로 미세먼지 농도를 높게 모의하였으며 (평균 1.3배~1.6배), 특히 CASE3에서는 최대 2.4배까지 높게 모의하는 것으로 나타났으며, 특히 피크 값에서 두 결과의 차이가 상대적으로 더 크게 나타났다. 결과적으로 FNL를 초기 기상장으로 하였을 경우가 측정치와 더 유사한 결과를 도출하였다.

Fig. 12.

Diurnal variations of simulated and observed PM10 concentrations in Seoul. Observations are concentrations averaged for all observation sites (◦) as indicated in Fig. 2.

또한 본 연구의 사례일의 경우 전반적으로 미세먼지 농도가 낮게 모의되는 것 뿐만 아니라 측정치에서 나타난 미세먼지 농도의 피크 시간에 대해서도 모의 정확도가 다르게 나타났다 (그림 11에서 피크 시간은 ↓로 표시하였음). CASE1의 경우 측정치에서는 오후 12시~1시 사이에 미세먼지 농도의 피크가 나타난 반면 모의결과에서는 오전 10시~11시 사이에 피크가 나타났으며, 특히 GFS를 사용한 모의결과에서 상대적으로 1~2시간 더 빨리 피크가 모의되어 측정자료의 피크타임과 오차가 상대적으로 더 크게 나타났다. CASE2의 경우 측정결과에서 오전 11시~오후 8시 사이에 미세먼지 농도가 높게 나타났으며 FNL을 사용한 모의결과에서 오전 7시~오후 1시 사이에 측정치와 유사한 패턴이 모의되었다. 반면 GFS를 사용한 모의결과에서는 이러한 피크가 모의되지 않았다. CASE3의 경우 낮 시간의 피크가 측정치에서는 오후 1시를 전후로 나타났으나 모의결과에서는 오전 10시를 중심으로 피크가 나타나 전반적으로 모델이 미세먼지 농도의 피크를 실제보다 더 빨리 모의하였으며 두 모의결과의 피크 모의 시간대는 비슷하였으나 FNL을 사용한 모의결과에서 더 뚜렷한 피크를 확인할 수 있었다. 이는 FNL의 풍속의 크기가 상대적으로 GFS에 비해 더 적게 모의되면서 관측 풍속에 가깝게 모의되었으며, 이는 미세먼지 농도 시계열에도 실제에 더 가깝게 피크치의 이동을 모의하였음을 의미한다.

이처럼 초기 기상장의 차이, 특히 풍속의 차이에 의해 전반적인 농도 수준, 피크 모의 농도 수준 및 피크시간, 그리고 공간분포 등에서 서로 다른 모의결과가 나타나며, 그 정확도는 특히 FNL을 사용한 모의결과에서 더 실제에 가깝게 모의되었음을 확인하였고, 그 오차 또한 상당한 수준임을 확인할 수 있었다. 아울러 모델 버전에 따른 기상장의 차이 또한 자주 보고되는데, 이러한 기상 모사 특성에 따라 모의되는 미세먼지의 불확도를 파악하는 상세 연구는 계속 필요할 것으로 판단된다.