그래프 신경망 기반 고해상도 NO₂-O₃ 추론장의 화학 정합성 평가: 수도권-강원권 지역의 지표 산화제 분배를 중심으로

1. 서 론

대기오염의 장기적 분석은 측정소의 수와 공간 배치에 따라 그 신뢰성이 크게 달라질 수 있다(Lee and Shin, 2025). 국내 지방자치단체 대기오염측정망(2024년 12월 말 기준) 674개소 중 도시대기측정소가 531개소(약 80%)를 차지하며(NIER, 2025) 강원·경북 등 비도시 지역은 측정소 밀도가 극히 낮아 지역 대기환경 평가의 불확실성이 크게 증가한다. 이러한 관측 공백을 해소하기 위해서는 시공간적으로 연속된 고해상도 농도장 산출이 필요하다. 특히 1 km 이하 고해상도 농도장은 환경보건 코호트 연구의 개인 노출 추정, 대기정책의 고농도 우심지역 식별, 환경영향평가의 사업 단위 영향 분석 등 다양한 분야에서 수요가 꾸준히 증가하고 있으며 이러한 요구에 대응하여 화학수송모델(Chemical Transport Model, CTM)·토지이용회귀(Land Use Regression, LUR)·국지 확산모델 하이브리드(Oh et al., 2021), 국지 확산모델과 이종 지상 관측 동화를 결합한 도시 규모 고해상도 매핑(Mijling, 2020) 등 다각적 접근이 활발히 시도되어 왔다. 다만 기존 접근은 LUR의 비선형 상호작용 포착 한계(Hoek et al., 2008), CTM의 배경농도 편향과 분해능 제약, 국지 확산모델의 높은 계산 비용 등이 구조적 제약으로 남아 있다.

최근에는 딥러닝(deep learning, DL) 기반 고해상도 대기질 농도장 추론이 유력한 대안으로 부상하고 있다(Choi et al., 2025). Shen et al. (2024)은 CTM 시뮬레이션을 물리 기반 사전정보로 딥러닝에 통합하여 관측 희소 지역을 포함한 전지구 PM_2.5 농도장을 추정한 바 있으며 정규 격자 대기질 자료의 딥러닝 다운스케일링도 다각적으로 시도되어 왔다(Gomez Gonzalez, 2023). 다만 정규 격자 입력을 가정하는 전형적 접근인 합성곱 신경망(Convolutional Neural Network, CNN)은 측정소가 불규칙하게 분포하고 관측 자료(점)와 격자 자료(면)의 해상도·형태가 이질적인 자료 환경의 대기질 추론에는 한계가 있다. 이에 비균질한 측정소 네트워크의 구조를 직접 활용하고 이종·다해상도 자료를 단일 체계에서 융합할 수 있는 그래프 신경망(Graph Neural Network, GNN) 기반 접근이 주목받고 있다(Terroso-Saenz et al., 2024; Li et al., 2023). GNN은 측정소, 격자, 광역 노드를 이종 그래프(heterogeneous graph) 위에서 계층적 메시지 패싱으로 연결하여 관측 정보를 미관측 격자로 일관되게 전파할 수 있다.

한편, 대류권 오존(O₃)은 질소산화물(NOx)과 휘발성유기화합물(VOCs)의 광화학 반응으로 생성되는 대표적 2차 오염물질이다. 국내에서는 NO₂, SO₂ 등 1차 오염물질 농도가 장기적으로 감소해 온 반면 오존 농도는 지속적으로 증가하는 추세를 보여왔다(Park et al., 2024; Jeong et al., 2022; Yeo and Kim, 2021). 이는 O₃ 생성이 전구물질 농도에 대해 강한 비선형성을 갖기 때문으로 특히 VOC 제한(VOC-limited) 환경에서는 NOx 배출 저감이 NO에 의한 O₃ 적정(titration) 효과를 약화시켜 오히려 O₃ 농도를 상승시킬 수 있다(Colombi et al., 2023). 효과적인 O₃ 저감 정책 수립을 위해서는 대상 지역의 오존 생성 민감도 체제에 대한 공간적 이해가 선행되어야 한다(Lee et al., 2020; Kim et al., 2019). 수도권은 도심의 NOx 적정 우세에서 교외의 광화학 O₃ 생성 기여로 이어지는 도심-교외 간 민감도 차이가 보고되어 있으며(Baek et al., 2023; Jeong et al., 2022) 최근 연구에서는 한국의 대부분 지역이 NOx 제한에 가깝고 VOC 제한은 수도권 핵심부에 잔존하는 것으로 보고되고 있다(Oak et al., 2025; Lee et al., 2024b). 반면 강원 산림·산악권은 인위적 NOx 배출이 희소하여 배경 O₃가 우세한 환경이나 관측망이 극히 희소하여 공간적 민감도 진단이 어려운 실정이다(Lee and Shin, 2025; Jeong et al., 2022).

이러한 민감도 체제의 공간 진단에는 위성 기반 HCHO/NO₂ 컬럼 비(formaldehyde-to-NO₂ ratio, FNR)(Duncan et al., 2010; Martin et al., 2004)와 CTM 기반 배출 민감도 분석이 주로 활용되어 왔으나, FNR은 임계값의 지역적 불확실성(Tian et al., 2025; Jin et al., 2020)과 위성 픽셀 크기의 분해능 제약이 내재하며 CTM은 방대한 계산 비용과 배출 인벤토리 불확실성이 수반된다. 이종·다해상도 자료를 융합하는 DL 기반 고해상도 농도장 추론은 이러한 분해능·계산 비용의 한계를 보완할 잠재력을 가지나, 기존 DL 대기질 연구의 다수는 측정소 위치에서의 점 단위 통계 지표(R², RMSE 등)에 의존하여 학습·검증을 수행해 왔다. 명시적 물리·화학 메커니즘이 부재한 자료 기반 접근은 관측망 밖 격자에서 물리적으로 일관되지 않은 결과를 산출할 수 있어(Shen et al., 2024; Li et al., 2023) 측정소가 희소한 지역에서는 점 단위 지표만으로 산출장의 공간 분포 타당성을 담보하기 어렵다. 이러한 구조적 제약은 점 단위 오차 지표를 보완할 대기화학적 경향 기반 보조 검증 전략의 필요성을 시사한다.

본 연구의 목적은 GNN 기반 1 km NO₂·O₃ DL 추론 농도장이 측정소가 없는 지역에서도 대기화학적으로 타당한 공간 패턴을 산출하는지를 점검하는 데 있다. 본 연구는 오존 생성 민감도를 직접 판정하기보다 산출장이 알려진 대기화학적 경향과 부합하는지를 검토하며 주요 내용은 다음과 같다. 첫째, 지표 산화제 농도 구조의 화학적 정합성을 점검한다. 토지피복별 Ox 보존성, NOx-Ox 회귀 기울기, 주말-주중 차이 및 도시-산림의 O₃ 일변화 구조를 통해 DL 농도장의 O₃ 공간·시간 분포가 배출 강도와 시간 변동이 다른 시공간 맥락에서 대기화학적으로 기대되는 패턴과 일치하는지 살펴본다. 둘째, 1 km 해상도 지표 산화제 분배 구조의 외부 정합성을 평가한다. 분배비 r(=NO₂/Ox)로 산출한 1 km 분배 지도를 위성 FNR과 교차 비교하고 수도권 도시에서 강원 산림으로 이어지는 동서 횡단면에서 분배-민감도 공간 구조가 독립 자료와 방향적으로 일관되는지 확인한다. 마지막으로, 2020~2023년 4개년 추론을 통해 수도권-강원권 산화제 분배 구조의 다년도 경향을 분석한다.

2. 연구 방법

2. 1 연구 지역 및 자료

2. 1. 1 지상 관측 자료

딥러닝 학습에는 대기오염측정망(AirKorea)의 6종 대기오염물질(PM₁₀, PM_2.5, NO₂, O₃, CO, SO₂)과 국립 환경과학원(National Institute of Environmental Research, NIER)으로부터 제공받은 NO 등 총 7종 물질의 시간별 지상 관측 자료를 활용하였다.

분석 대상 도메인은 수도권-강원권을 포함하는 약 300 km × 180 km 영역(126.0~129.4°E, 36.5~38.2°N, UTM-K 좌표계(EPSG : 5179) 기준 54,000개 1 km 격자)으로 도메인 내 309개소(도시대기 247, 도로변 38, 교외 11, 항만 13개소)의 시간별 농도를 활용하였다. 이에 더하여 도메인 경계 외부 10 km 이내의 13개소를 입력 자료에 추가하여(총 322개소), 경계 격자에서 관측 정보의 급격한 단절을 완화하였다. 분석 대상 도메인의 1 km 해상도 토지피복과 측정소 분포는 그림 1에 제시하였으며 관측망이 도시 지역에 집중되고 비도시 지역에는 희박하게 분포하여 뚜렷한 공간적 불균형을 보인다.

Fig. 1.

Study area, monitoring stations by type, and MODIS IGBP 1 km land cover classification. Numbers in parentheses denote domain+boundary auxiliary stations within 10 km outside the domain boundary.

2. 1. 2 위성 자료

위성 자료는 기후에너지환경부 정지궤도 환경위성(Geostationary Environment Monitoring Spectrometer, GEMS)(Kim et al., 2020)의 Level-2 NO₂ 및 HCHO 대류권 수직컬럼밀도(Vertical Column Density, VCD) 산출물을 사용하였다. GEMS는 천리안위성 2B호(GEOKOMPSAT-2B, GK-2B)에 탑재된 분광계로 아시아 지역을 약 1시간 간격으로 관측하여 일 8~9회 스캔을 수행하며 공간 해상도는 약 3.5×8 km이다(Bae et al., 2025; Lange et al., 2024). NO₂ VCD는 산출물에서 직접 제공되는 대류권 컬럼을 사용하였으며 GEMS HCHO VCD의 산출 품질은 독립 위성 및 지상 분광 관측과의 검증을 통해 동북아 지역에서 확인된 바 있다(Lee et al., 2024a). 데이터 품질 스크리닝은 Lange et al. (2024)의 GEMS 대류권 NO₂ 검증과 동일하게 QF=0(good only) 필터를 적용하였으며 이 필터는 구름 분율(cloud fraction)≥0.3인 구름 영향 픽셀과 태양천정각(SZA)≥70°의 고천정각 픽셀 등 불량 관측을 자동 배제한다.

독립 교차 검증을 위해 Sentinel-5P 위성에 탑재된 대류권 관측 분광기(TROPOspheric Monitoring Instrument, TROPOMI) (Veefkind et al., 2012)의 Level-2 NO₂ 및 HCHO 대류권 VCD를 사용하였다. TROPOMI는 극궤도 위성으로 하루 1회 오후(약 13:30 KST)에 한반도 상공을 통과하며 공간 해상도는 약 3.5×5.5 km이다. 품질 스크리닝은 각 제품의 공식 권고 기준에 따라 NO₂에 대해 qa_value≥0.75(van Geffen et al., 2022), HCHO에 대해 qa_value≥0.5(De Smedt et al., 2018)를 적용하였다. 본 연구에서는 관측 궤도, 시간대, 산출 알고리즘이 서로 다른 두 위성을 독립 교차 검증 자료로 활용하여 딥러닝 추론 농도장의 공간 패턴을 검증하였다.

두 위성의 FNR은 식 (1)로 산출한 뒤 GEMS·TROPOMI 비교 선행 연구(Lee et al., 2024a)와 동일한 0.1° 격자로 평균하였다.

$\[ \mathrm{F}\mathrm{N}\mathrm{R}(p,t)=\frac{{\mathrm{V}\mathrm{C}\mathrm{D}}_{\mathrm{H}\mathrm{C}\mathrm{H}\mathrm{O}}(p,t)}{{\mathrm{V}\mathrm{C}\mathrm{D}}_{{\mathrm{N}\mathrm{O}}_2}(p,t)} \]$

(1)

2. 1. 3 배출량 자료

인위적 배출량은 국가미세먼지정보센터 대기정책지원시스템(Clean Air Policy Support System, CAPSS)의 1 km 격자 배출 인벤토리(2021년 기준)를 사용하였다. 2022–2023년에 대해서는 동 센터의 시군구별 배출량 통계(NAEIRC, 2025)에서 2021년 대비 변화율을 산출하여 격자 배출량에 적용하였다. 배출원은 이동, 면, 산업, 에너지, 선박, 유기용제의 6개 부문으로 분류하여 NOx, VOC, PM_2.5, PM₁₀, SOx, CO, NH₃의 7종을 격자별로 산출하였으며 연간 배출량의 시간별 배분은 Ryu et al. (2021)의 3단계 가중치 체계(월별 × 요일별 × 시간별)를 적용하였다. 생물기원 VOC는 CAMS-GLOB-BIO v3.1(Granier et al., 2019) 월별 기후학적 배출량(0.25°)에서 이소프렌, 포름알데히드, 모노테르펜, 세스퀴테르펜 4종을, 산불 배출량은 CAMS GFAS(Kaiser et al., 2012) 일별 자료(0.1°)에서 CO 화재 플럭스 1종을 각각 5 km 격자로 보간하여 사용하였다. 다만 CAPSS는 국내 행정구역 기반 인벤토리이므로 도메인 내 북서측 북한 지역에는 인위적 배출량이 반영되지 않았다.

2. 1. 4 입력 자료 종합 및 검증 체계

본 연구의 1 km 격자 농도장 추론에 사용된 입력 자료는 표 1에 정리하였으며 수치형 53개와 범주형 1개 총 54개 입력 변수를 포함한다. 산화제 분배 분석의 대상인 NO₂, O₃, NO 3종에 대한 검증 체계는 표 2에 제시하였다.

Table 1.

Input data sources, variables, and spatial resolutions.

Table 2.

Validation hierarchy and interpretation scope for the 2023 target year.

표 1의 입력 자료는 해상도에 따라 두 계층으로 구분된다. 기상(ERA5-Land, ERA5), CTM 배경농도(GEOS-CF, CAMS FC), 광역 배출 인벤토리(CAMS GFAS, CAMS-GLOB-BIO) 등 저해상도(0.1~0.4°) 격자 자료는 5 km 격자로 보간되어 광역 배경장을 제공하며 CAPSS 1 km 배출, NASADEM(~30 m) 지형, MODIS(500 m) 토지피복 등 고해상도 자료와 측정소 관측은 1 km 격자에서 활용되어 국지 배출원과 지표 특성을 반영한다. 표 2의 검증 체계는 (a) 시간 독립 및 5-fold 공간 교차 검증을 통한 측정소 통계 일치도 평가, (b) Ox 보존, NOx-Ox 회귀, 주말효과, 도시-산림 일변화를 이용한 화학 정합성 점검, (c) GEMS 및 TROPOMI 위성 FNR과의 독립 자료 교차 비교의 3단계로 구성된다. 본 연구의 모든 입력 자료는 별도의 자료 생산 과정(토지이용회귀 모델링, 고해상도 자료동화 농도장, 국지 확산 모델 산출물 등) 없이 기 배포된 재분석·CTM·배출 인벤토리·지형·토지피복 자료로 구성되며 이러한 외부 배포 자료와 측정망 관측 자료만으로 산출한 1 km 농도장이 화학적 정합성을 달성할 수 있는지를 실험하는 것이 본 연구의 목표 중 하나이다.

2. 2 딥러닝 모델 설계

2. 2. 1 모델 아키텍처

대기오염물질의 농도 분포는 수백 km 규모의 종관 수송부터 1 km 이하의 국지 배출원 영향까지 다중 스케일이 중첩되어 형성된다. 본 연구는 이러한 특성을 반영하여 적응형 다중 해상도 이종 그래프 신경망(Adaptive Multi-Resolution Heterogeneous Graph Network, AMR-HGN; 이하 본 모델의 추론 산출물을 DL로 약칭)을 설계하였으며 다해상도 이종 그래프 구조, CTM 배경장 기반 적응형 편향 보정 예측, 관측 공백 지역의 신뢰성 확보 전략을 핵심으로 한다(그림 2). 모든 입력 변수는 공유 인코더를 통해 잠재 공간으로 사상된 뒤 관측-농도 관계의 비선형 표현이 입력에서 농도 산출까지 단일 모델 내에서 일괄학습된다.

Fig. 2.

Architecture of the Adaptive Multi-Resolution Heterogeneous Graph Network (AMR-HGN): Phase 1 (feature extraction and node encoding), Phase 2 (hierarchical message passing), and Phase 3 (refinement and readout).

본 연구 도메인의 지상 농도 관측은 322개 측정소 위치(도메인 내 309개+경계 완충 측정소 13개)에만 존재하므로 1 km 격자 54,000개의 약 0.6%에 한정되는 공간적 희소성을 보인다. 정답 위치인 측정소(점 자료), 추론 대상인 1 km 격자(면 자료), 광역 종관 영향권의 5 km 격자(면 자료)은 공간 단위와 해상도가 서로 다른 이종 비균질 자료원으로 공존한다. 모든 격자에 정답이 조밀하게 존재한다고 가정하는 정규 격자 기반 CNN(Bronstein et al., 2017)과 균질한 패치 토큰을 가정하는 Vision Transformer(ViT) (Dosovitskiy et al., 2021)는 이러한 희소·비균질 환경에 직접 적용하기 어렵다. 이에 본 연구는 정답 신호인 측정망의 비균질·희소 분포와 입력 자료의 이종·다해상도 특성을 단일 체계에서 동시에 다룰 수 있는 GNN을 채택하여 AMR-HGN을 설계하였다.

AMR-HGN은 기존 GNN 기반 대기질 모델과 다음 세 가지 점에서 구별된다. 첫째, 메시지 패싱 연산자로는 GATv2(Brody et al., 2022) 류의 동적 attention 아이디어를 참고하되 송신·수신(source·target) 노드 표현과 엣지 속성을 함께 입력으로 활용하는 엣지 속성 인지형(edge-aware) 이종 attention을 격자(1 km)·광역(5 km)·측정소 노드 사이의 다양한 엣지 유형으로 구성된 다해상도 이종 그래프(Terroso-Saenz et al., 2024) 위에 적용한다는 점에서, 균질한 단일 해상도 그래프를 가정하는 표준 GCN(Kipf and Welling, 2017)·GAT(Veličković et al., 2018) 기반 대기질 모델과 구조적으로 다르다. 둘째, 322개 측정소의 희소 정답으로부터 54,000개 1 km 격자의 조밀 농도장을 추론하는 문제 설정은 반지도 계층 GNN(Han et al., 2023) 등 선행 연구를 본 단일 도메인으로 확장 적용한 것이다. 셋째, CTM 배경장을 외부 사전정보로 주입하되 학습 가능한 편향 보정 α·β와 GNN 잔차 δ(식 (3))가 결합 학습되도록 설계한 점에서 GNN 단독 구조와 구별된다.

모델은 격자(Grid, 54,000개, 1 km), 광역(Region, 2,160개, 5 km), 측정소(Station, 322개)의 세 종류 노드와 다종 엣지로 구성된 이종 그래프 위에서 작동한다. 격자 노드는 1 km 국지 정보(지형, 토지피복, 배출량)를, 광역 노드는 5 km 중규모 공간 정보를, 측정소 노드는 시간별 관측 시계열을 표현하며 계층적 메시지 패싱을 통해 스케일 간 정보가 교환된다.

Phase 1(그림 2, 특징 추출 및 노드 인코딩)에서 격자 노드의 입력 변수(표 1)는 두 경로(branch)로 분리 인코딩된다. 국지 경로(Local Branch)는 1 km 지형·배출 변수를, 대기 경로(Atmos Branch)는 5 km로 보간된 기상·CTM 변수를 각각 처리하여 국지 배출과 광역 기상의 다중 스케일 기여를 분리한다. 두 경로는 서로 다른 입력 부분집합과 별도 인코더 가중치를 사용하여 1 km 배출·지형 신호가 5 km 광역 평활화에 흡수되는 주파수 혼합을 인코더 수준에서 차단한다. 국지 경로 출력은 Skip 연결을 통해 Phase 3의 예측 단에 직접 전달되어 GNN의 공간 평활화 과정에서 소실되기 쉬운 1 km 배출 분해능의 고해상도 농도 구배를 보존한다. 측정소 노드는 과거·미래 각 24시간의 양방향 관측 시계열을 1D 합성곱으로 요약하여 현재 시점 농도 상태 표현을 강화하고 측정소 유형 임베딩(5종)과 좌표를 결합하여 128차원 표현을 생성한다.

Phase 2(그림 2, 메시지 패싱)에서는 이종 GNN이 상향 2층(격자 → 광역, 격자 → 측정소, 광역 → 측정소)과 하향 2층(측정소 → 격자, 측정소 → 광역)으로 구성된 총 4층의 계층적 메시지 패싱을 수행하며 각 층에는 동일 노드 유형 내 KNN 인접 엣지가 함께 포함된다. 광역 → 격자 방향의 정보 전달은 GNN 백본에서 분리하고 Phase 3의 광역 배경 보정 모듈에서 별도 처리하여 광역 평균장이 1 km 격자의 국지 잔차 학습을 과도하게 평활화하지 않도록 하였다. 엣지 유형별 독립 가중치와 4-head attention을 적용하여 스케일 간 정보 전달과 동일 유형 내 공간 문맥 집계를 분리 학습하며(Hu et al., 2020; Wang et al., 2019), 이는 이종 그래프에서 관계 유형별 attention을 분리 학습하는 표준 접근에 해당한다. 이러한 분리는 격자 ↔ 격자 메시지(농도 평활화 역할)와 측정소 → 격자 메시지(관측 정보 전파 역할)가 서로 다른 변환과 attention을 학습하도록 보장한다. 4층 메시지 패싱을 통해 다중 hop 범위의 노드 간 정보 교환이 이루어지며(Hamilton et al., 2017), 측정소 관측 정보는 격자별 최근접 최대 12개 측정소로 구성된 측정소 → 격자 직접 엣지를 통해 1 km 격자에 전파된다. 공유 가중치 인코더가 전 도메인의 모든 격자에 동일한 변환을 적용하므로 측정소 밀집 지역에서 학습된 변수-농도 비선형 관계가 관측 공백 지역에서도 전이될 수 있다.

$\[ w(d)=\mathrm{e}\mathrm{x}\mathrm{p}\left(-\frac{d^2}{2{\sigma }^2}\right) \]$

(2)

여기서 𝑑는 측정소–격자 거리(km), σ는 학습 가능한 감쇠 폭이다. 측정소 기원 메시지는 거리 감쇠로 영향권이 조절된 뒤 엣지 유형별 4-head attention으로 거리·기상·국지 변동의 신호 채널이 병렬 집계되어 공간 사전 분포 위에서 attention 가중치가 학습된다.

Phase 3(그림 2, 정제 및 예측)에서 최종 농도 예측은 CTM 배경장의 적응형 편향 보정과 국지 잔차 학습으로 산출된다.

$\[ y=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{p}\mathrm{l}\mathrm{u}\mathrm{s}(\alpha \cdot \mathrm{C}\mathrm{T}\mathrm{M} +\beta +\delta ) \]$

(3)

여기서 α와 β는 물질별 스칼라로서 CTM(GEOS-CF)의 체계적 편향을 전역적으로 보정하는 항이고 δ는 GNN이 격자별·시간별로 산출하는 국지 잔차항이다. 전지구 CTM은 한반도에서 유의한 체계적 편향이 보고되어 있으므로(Keller et al., 2021; Ryu and Min, 2021) 저해상도 CTM을 광역 배경장으로 활용하되 관측·배출 정보가 체계적 편향을 보정하여 1 km 농도장을 산출하는 구조로 설계하였다. 이 구조는 CTM이 제공하는 대규모 공간 패턴을 물리적 사전 정보로 활용하면서 모델이 1 km 스케일의 국지 보정에 집중하도록 역할을 분리한다. 여기서 ‘적응형’은 α·β가 측정소 관측으로 자동 조정됨을, ‘다중 해상도’는 5km CTM 배경과 1 km δ 잔차가 단일 손실로 결합 학습됨을 의미하며 단순 저해상도–고해상도 보간과 구별된다(Reichstein et al., 2019). 다만 전지구 CTM과 1 km 농도장 간 큰 해상도 격차 및 GEOS-CF 자체 편향으로 α·β의 식별 가능성에는 제약이 따를 수 있다.

총 손실 함수는 다음과 같다.

$\[ L=L_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n} }+{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d} }\cdot L_{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d} }+w\left(e\right)\cdot {\lambda }_{\mathrm{e}\mathrm{m}\mathrm{i}\mathrm{s} }\cdot L_{\mathrm{e}\mathrm{m}\mathrm{i}\mathrm{s} } \]$

(4)

세 항 모두 평균 제곱 오차(mean squared error, MSE) 기반이다. ℒ_station은 322개 측정소에서 모델 예측과 실측 농도 간의 유효 관측 MSE로, 주 지도 신호이다.

$\[ L_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n} }=\frac{1}{\sum m_{i,p}}\sum _{i,p} m_{i,p}\cdot {\left(y_{i,p}-{\widehat{y}}_{i,p}\right)}^2 \]$

(5)

여기서 𝑖는 측정소, 𝑝는 물질, 𝑚_𝑖,𝑝는 유효 관측 여부 지시자(유효 = 1, 결측 = 0)이다. ℒ_grid(𝜆_grid = 0.5)는 각 측정소에 대응하는 1 km 격자에서의 MSE로, 이종 그래프에서 측정소 노드와 격자 노드 간 예측 정합성을 확보한다. ℒ_emis(𝜆_emis = 1.0)는 격자 노드의 은닉 표현으로부터 CAPSS 배출량을 예측하는 보조 MSE 손실로, 배출 강도와 농도의 양적 관계를 은닉 표현에 내재화하여 관측 공백 지역의 추론 신뢰성을 높인다. 총 파라미터 수는 약 167만 개이며 주요 학습 하이퍼파라미터는 보충자료 표 S1에 수록하였다. 본 모델은 2022년(8,760시간)을 학습하고 검증은 시간 독립 검증(2023년)과 5-fold 공간 교차 검증(도메인 내 309개소 중 각 fold에서 약 62개소 차단)의 이중 검증 방식으로 구성된다. 경계 완충 측정소 13개소는 평가 대상이 아닌 GNN 입력 보조용으로 모든 검증 조건에서 활성 상태를 유지하였다.

2. 2. 2 관측 공백 지역의 추론 신뢰성 확보 방법

측정소가 희소한 지역에서도 물리적으로 일관된 농도장을 추론하기 위해 예측 구조와 학습 전략 양면에서 보완 장치를 두었다. 식(3)의 편향 보정 구조는 관측 정보가 부족한 원격 격자에서 국지 잔차 δ의 학습 신호가 자연스럽게 약화되어 CTM 배경장에 가까운 예측이 산출되도록 설계되었다. 본 연구는 측정망 관측과 CAPSS 배출 인벤토리에 대한 과적합을 완화하고 측정망 희소 지역으로의 일반화 성능을 확보하기 위해 측정소 드롭아웃과 배출량 드롭아웃을 도입하였다. 두 기법은 학습 시 일부 배치에서 측정소 입력 또는 CAPSS 배출 입력에 대해 배치 단위 마스킹을 적용하여 모델이 특정 입력에 과도하게 의존하는 것을 억제하며 적용 비율은 보충자료 표 S1에 정리하였다. 한편 배출량 보조 손실(ℒ_emis)은 은닉 표현에 배출 강도와 농도의 양적 관계를 내재화하여 측정소가 부재한 격자에서도 배출 정보가 농도 추론에 기여할 수 있도록 하였다.

3. 결과 및 고찰

3. 1 딥러닝 모델의 통계적 성능 평가

표 3에 이중 검증 결과를 제시하였다. 시간 독립 검증은 학습에 사용되지 않은 2023년 전체에 대해 도메인 내 309개 측정소 위치에서 예측-관측 일치도를 평가한 것이며 5-fold 공간 교차 검증은 동일 학습 모델로 309개 도메인 측정소 중 각 fold에서 62개소(20%)의 관측 입력을 추론 시점에 차단하고 해당 측정소 위치의 예측-관측 일치도를 fold별로 평가한 후 5-fold 평균을 산출한 것이다. 학습 단계에서는 309개 측정소 전부를 사용하므로 본 검증은 추론 시점의 관측 의존성을 차단한 공간 외삽 성능 평가에 해당한다. 전체 격자 추론 시에는 가용한 모든 관측 정보를 GNN 입력으로 활용하였다.

Table 3.

Deep learning model dual validation performance for NO2, O3, and NO.

시간 독립 검증 결과 NO₂(R² = 0.892)와 O₃(R² = 0.926)는 학습에 사용되지 않은 2023년에서도 높은 재현력을 보였다. NO는 Ox 산출 및 NOx-Ox 회귀 분석(3.2.2절)의 보조 물질로 함께 제시하였다. 5-fold 공간 교차 검증에서는 NO₂ R² = 0.539, O₃ R² = 0.732, NO R² = 0.590으로 나타났다. O₃의 공간 교차 검증 성능이 가장 높은 것은 광화학 생성과 기상 수송이 농도장을 공간적으로 평활화하여 측정소 정보 없이도 외삽이 용이하기 때문으로 판단된다. 반면 NO₂와 NO는 도로변·산업단지 등 국지 배출원에 대한 의존도가 높고 NO의 경우 대기 수명이 매우 짧아 공간적 변동성이 크기 때문에 관측 정보가 차단된 조건에서 공간 외삽이 상대적으로 어렵다. 시간 독립 대비 공간 교차 R²의 하락은 GNN의 측정소 정보 의존도를 반영하며 관측 공백 지역에서의 추론 불확실성이 시간 외삽보다 크다는 것을 시사한다. 7종 전체 물질의 검증 결과는 보충자료 표 S2에 제시하였다.

3. 2 지표 산화제 농도 구조의 화학적 정합성

3. 2. 1 Ox 공간 분포 및 보존 특성

본 절의 토지피복별 정량 통계는 CAPSS 배출 인벤토리가 미적용된 북한 격자와 해양 격자를 제외하고 시도 행정경계 내 남한 육상 격자만을 대상으로 산출하였다. 그림 3d의 ‘South Korea land’ 카테고리는 남한 육상 격자(IGBP 해양 코드 20 제외, 시도 행정경계 내 격자) 전체를 의미하며 도시·산림·농경지 카테고리는 남한 육상 내 각 토지피복 격자를 대상으로 한다. 해양 격자는 측정소가 부재하여 직접 검증과 관측 보정이 모두 제한적이며 도메인 경계부에 위치하여 격자 경계 불연속이 관찰되므로(그림 3a~c) 정량 분석에서 제외하였다.

Fig. 3.

Spatial distribution of (a) Ox, (b) O3, (c) NO2 (ppb; color scale) for May~Sep daytime (10~16 KST) 2023, and (d) coefficient of variation (CV) of Ox, O3, and NO2 for four South Korea land categories (South Korea land=sido boundary∩IGBP≠20; Urban=IGBP 13; Forest=IGBP 1, 4, 5; Cropland=IGBP 12, 14). Ox/O3 CV ratio annotated above each Ox bar (red=ratio≥1, green=ratio<1).

그림 3은 2023년 광화학 활성기(5~9월) 주간(10~16 KST) 평균의 Ox, O₃, NO₂ 공간 분포를 나타낸다. 시도 행정경계 기준으로 서울 도시 격자 평균 O₃는 ~48 ppb로 가장 낮았으며 경기 도시 격자는 ~52 ppb로 가장 높게 나타났는데 그림 3b의 공간 분포에서 경기 남부 교외가 도내 최고 농도 영역을 형성하였다. 강원 산림 격자의 평균 O₃는 ~50 ppb로 경기 도시보다 소폭 낮았는데 이는 광화학 활성기에 국지 광화학 O₃ 생성이 적고 광역 배경 수준에 가까운 농도를 보이는 것으로 해석된다. 300 km × 180 km 도메인에서 Ox(=NO₂+O₃) 자체는 서울 도시(~66 ppb)에서 강원 산림(~53 ppb)으로의 체계적 경사를 보여 서로 다른 공기괴 기원에 따른 광역 Ox 보존 수준의 차이를 반영하였다.

Ox 보존성은 토지피복 유형 내에서 변동계수 CV(식 (7))의 비율 CV(Ox)/CV(O₃)로 평가하였으며 CV 비율이 작을수록 해당 유형 내 Ox의 공간 변동이 O₃보다 작음을 의미한다. 육상 유형 중 도시의 Ox/O₃ CV 비율은 0.85로 가장 낮게 나타났는데, 이는 공간적으로 집중된 NO 배출이 국지 적정을 통해 O₃의 공간 변동을 확대하는 반면 O₃+NO₂로 정의되는 Ox는 이러한 적정 과정에서 상대적으로 보존적으로 거동하기 때문으로 해석되며 2.3.1절에서 기술한 Ox의 보존적 거동이 1 km 격자 단위에서도 확인됨을 보여준다. 산림(1.03), 농경지(1.03), 남한 육상 전체(1.13)는 CV 비율이 1 부근 또는 그 이상으로 도시와 대비되었다(그림 3d).

본 분석에서 사용한 토지피복별 CV 비율은 측정소 단위의 NOx-Ox 회귀(Jenkin, 2004; Clapp and Jenkin, 2001)와 달리 1 km 격자 농도장의 공간 분산 구조를 평가하는 방법론적 보강이다. 산림·농경지·남한 육상 전체에서 CV 비율이 1 이상으로 산출된 결과는 본 평가 방식이 국지 적정-광분해 효과뿐 아니라 광역 배경 Ox 구배와 토지피복 영역의 공간 이질성을 함께 반영하기 때문으로 해석된다. 도메인 전역에 넓게 분포하는 유형에서는 서로 다른 공기괴 기원과 배경 농도 차이에 따른 광역 Ox 구배가 비율을 1 부근 또는 그 이상으로 끌어올릴 수 있으며 본 평가 방식만으로 적정 효과와 광역 배경 구배 효과를 정량적으로 분리하기에는 한계가 있다. 사전 공간 추세 제거 또는 하위 영역 단위 분석 등 토지피복별 Ox 보존성 평가의 방법론적 정제는 후속 과제로 남긴다.

이상의 토지피복별 CV 비율 대비는 모델이 토지피복별 Ox 보존 수준의 차이를 1 km 격자 단위에서 재현하고 있음을 시사한다.

3. 2. 2 NOx-Ox 반응 특성과 배출 강도와의 관계

본 절에서는 García-Yee et al. (2018)의 접근을 따라 NOx-Ox 선형 회귀의 기울기와 절편으로부터 공기괴의 신선·노화 정도와 국지 광화학 생성·광역 수송의 상대적 기여를 토지피복 유형별로 진단하였다. 그림 4는 토지피복 유형별 NOx-Ox 선형 회귀 결과를 DL 1 km 격자(적색)와 동일 유형 내 측정소 관측(청색)으로 비교한 것이다(JJA 주간, 10~16 KST). 단, 산림 유형 비교에는 모델 학습 도메인의 경계 외부 10 km 이내에 위치한 강원 교외대기 측정소 4개소를 선정하였으며 DL 추론과 비교할 측정소가 매우 희소하여 직접 비교에 한계가 있다.

Fig. 4.

NOx-Ox scatter plots by land cover type (JJA daytime 10~16 KST, 2023). Top row (red, DL 1 km grid cells): (a) Urban - DL, (b) Cropland - DL, (c) Forest/Suburban - DL. Bottom row (blue, AirKorea station observations): (d) Urban - Obs, (e) Cropland - Obs, (f) Forest/Suburban - Obs. Relative density colorbars (low/mid/high) shown on the right of each row. Regression equations annotated per panel. Land cover masks: Urban (IGBP 13; 166 obs stations), Cropland (IGBP 12, 14; 39 stations), Forest/Suburban (DL: IGBP 1, 4, 5 forest grid; Obs: 4 Gangwon suburban stations within station buffer).

DL 격자의 토지피복 유형별 회귀 기울기는 농경지(0.77)>산림(0.55)>도시(0.30) 순으로 나타났다. 동일 유형 내 측정소 관측 기울기는 농경지(39개소, 0.76), 도시(166개소, 0.28), 산림(강원 교외 4개소, 1.46) 순으로 산출되었다. 도시와 농경지에서는 DL과 관측의 기울기가 각각 0.30과 0.28, 0.77과 0.76으로 높은 일치도를 보여 DL 농도장이 관측의 NOx-Ox 반응 구조를 잘 재현하고 있음이 확인된다. 도시와 같은 고 NOx 환경에서는 NOx 증가에 따른 순 Ox 생성 효율이 제한되어 기울기가 낮게 나타나는 반면, 상대적으로 저NOx인 농경지와 산림에서는 NOx 증가가 광화학 Ox 생성으로 보다 효율적으로 연결되어 기울기가 크게 나타난다.

산림 격자(DL 0.55)와 강원 교외 측정소 4개소(1.46)의 약 2.6배 기울기 차이는 다음 세 가지 요인의 복합으로 해석된다. 첫째, 산림 토지피복은 격자 내부에 직접 대응되는 측정소가 극히 희소하여 NOx-Ox 회귀의 관측 기반 직접 검증이 본질적으로 어렵다. 측정소 기원 메시지가 거리 감쇠(식 (2))로 약화되고 인위적 NOx 배출도 희박하여 GNN이 학습하는 국지 잔차 δ(식 (3))의 신호가 자연스럽게 작아지므로 산림 격자의 DL 출력이 CTM 배경장 보정 항(α·CTM+β)에 가까워지는 경향이 발생한다. 둘째, 본 연구는 차선의 비교 대상으로 도메인 경계 완충 측정소를 포함하여 강원 교외대기 측정소 4개소를 선정하였다. 이 측정소들은 도시대기·도로변 측정소 대비 NOx 배출원에서 멀고 산림 토지피복에 인접하여 생물기원 휘발성유기화합물(Biogenic VOC, BVOC)이 풍부한 산림 화학 환경을 가장 가깝게 반영할 수 있는 위치이다. 다만 표본이 4개소로 매우 적어 통계적 안정성이 낮고 정주지·도로 등 소규모 인위적 배출원의 영향을 받을 수 있어 인위적 배출이 통제된 순수 산림 화학 환경의 완전한 대리지표로 보기는 어렵다. 또한 점 자료인 측정소와 면 평균인 1 km 격자 사이의 본질적 공간 대표성 차이도 기울기 차이에 영향을 미친다. 셋째, 강원 교외 관측의 높은 기울기는 BVOC가 풍부한 환경에서 NOx 첨가가 광화학 O₃ 생성을 강화하는 잘 알려진 패턴을 반영한다. 생물기원 이소프렌·모노테르펜은 OH 라디칼과 반응하여 과산화라디칼(RO₂)을 생성하고 RO₂가 NO를 NO₂로 산화시키는 사슬을 통해 광화학 O₃ 생성에 기여하기 때문이다(Yu and Son, 2021). 그러나 본 데이터 기반 모델은 BVOC 매개 NOx-VOC 비선형 광화학 반응을 명시적 화학 반응식이 아닌 입력 변수와 측정소 관측의 관계로만 학습한다. 따라서 학습 도메인 내 산림 측정소 표본의 절대적 희소성과 결합하여 BVOC 풍부 환경의 NOx-O₃ 비선형 응답을 충분히 포착하지 못하고 첫째 요인의 CTM 배경장 의존 효과와 결합되어 산림 영역 NOx-Ox 기울기가 과소 추론될 가능성이 있다. 약 2.6배의 차이는 이러한 BVOC 매개 광화학 학습 한계가 정량적으로 드러난 결과로 해석할 수 있다.

DL 격자의 광역 배경 Ox(Ox 절편)는 도시(57.7 ppb)>산림(50.2 ppb)≈농경지(50.1 ppb) 순으로 나타났다. 도시에서 Ox 절편이 높게 나타난 것은 서해 방면의 광역 수송 영향권에 위치하여 배경 Ox 수준이 높고(Kim, 2025), NO 적정에 의한 손실에도 불구하고 국지 광화학 생성이 추가적으로 기여했을 가능성이 있다. 반면 농경지와 산림 Ox 절편이 낮은 것은 높은 회귀 기울기에 수반되는 구조적 특성도 있지만 내륙 지역의 상대적으로 낮은 광역 Ox 유입과 광화학 활성기 주간에 산림 지역의 활발한 수관층 건성침적 등 물리적 요인과 일관되는 결과로 해석할 수 있다.

3. 2. 3 주말효과 및 도시-산림 지역의 시간적 구조 비교

주말-주중 O₃ 차이는 배출 활동의 주기적 변화를 활용하는 자연실험적 진단으로 도시 환경의 NOx 적정 효과를 검토하는 데 널리 사용되어 왔다(Tian et al., 2025; Sicard et al., 2020). 주말에는 교통량 감소로 NOx 배출이 주중보다 자연적으로 줄어들며, 이에 따른 O₃ 농도 변화는 인위적 통제 실험 없이도 배출 변동에 대한 O₃ 반응 방향을 간접적으로 관찰할 수 있는 자연실험적 상황을 제공한다. 그림 5는 2023년 JJA 주간의 주말-주중 O₃ 및 NO₂ 차이의 공간 분포를 나타낸다. 남한 육상 평균에서는 ΔO₃= +4.93 ppb, ΔNO₂=-0.64 ppb로 나타나, 주말 NOx 감소에 따라 O₃가 전반적으로 증가하는 경향이 확인되었다. 서울 도시에서는 ΔO₃= +8.0 ppb, ΔNO₂=-3.8 ppb로 강한 주말효과를 보였다. 이는 NOx 과잉 환경에서 주말 NOx 감소가 O₃ 적정을 약화시켜 오히려 O₃ 농도를 상승시키는 대기화학적으로 기대되는 패턴과 일관된다(Tian et al., 2025). 반면 강원 산림에서는 ΔO₃= +4.2 ppb, ΔNO₂=-0.34 ppb로 나타나 서울 도시의 약 절반 수준에 머물렀는데 이는 NOx 배출이 희소한 배경 환경에서는 주중-주말 배출 차이 자체가 작아 주말효과가 약화되는 특성을 반영한다. 이 결과는 3.2.2절의 도시 NOx-Ox 회귀 기울기 저하(0.30)와 동일한 비선형 구조를 상호 보완적인 관점에서 확인한 것으로 고NOx 환경의 적정 포화가 주말 NOx 감소 조건에서는 O₃ 상승이라는 역방향 응답으로 관찰됨을 뒷받침한다. 한편 남한 육상 격자의 100.0%에서 ΔO₃>0, 91.0%에서 ΔNO₂<0으로 나타나 주말 NOx 감소와 그에 대응하는 O₃ 변화가 분석 영역 전역에서 관찰되었다.

Fig. 5.

Weekend minus weekday difference for JJA daytime (10~16 KST) 2023: (a) ΔO3 and (b) ΔNO2 (ppb; color scale). North Korea and ocean grids are masked (sido administrative boundary∩IGBP≠20), consistent with §3.2.1 and §3.2.2 analysis domain. Annotated land mean values are computed over South Korea land grids only.

이러한 DL 추론장의 주말효과 패턴은 실제 관측에서도 확인되었다. 서울 도시대기 측정소 25개소에서 ΔO₃= +8.5 ppb, ΔNO₂=-3.9 ppb로 DL 격자 분석(ΔO₃= +8.0 ppb)과 양호하게 일치하였으며 전 측정소에서 ΔO₃>0이었다. 강원 도메인 내 측정소 30개소에서는 ΔO₃= +3.6 ppb로 서울의 약 43% 수준에 그쳐 도시-배경 간 주말효과 대비가 관측에서도 재현되었다. 이러한 DL-관측 간 정합성은 DL 농도장이 배출 변동에 대응하는 농도 응답 구조를 측정소 외 영역에서도 공간적으로 재현하고 있음을 시사한다. 도심 ΔO₃의 증가 방향은 수도권 지역의 오존 증가 분석(Colombi et al., 2023) 및 도시 환경의 주말효과 종합 분석(Tian et al., 2025; Sicard et al., 2020)에서도 일관되게 보고된 양상이다. 다만 본 분석은 기상과 배출 효과를 명시적으로 분리하는 절차(Ajayi et al., 2025; Koo et al., 2012)를 적용하지 않았으므로 도심 ΔO₃의 정량값에는 기상 변동에 의한 잔여 영향이 일부 남을 가능성이 있다.

수도권 도시와 강원 산림의 O₃ 일변화 구조에서도 두 환경의 산화제 분배 특성이 뚜렷하게 대비되었다(그림 6). 수도권에서는 오전 출퇴근 시간대의 NOx 적정에 의한 O₃ 최저와 오후 UV 극대 시의 광화학 생성에 의한 최대가 번갈아 나타나는 전형적인 적정-광분해 일변화(Kim et al., 2016)가 DL과 관측 간에 양호하게 일치하였다(관측 진폭 33.6 ppb, DL 진폭 32.1 ppb). 강원 산림에서는 NOx 배출이 희소하고 생물기원 VOC가 우세한 환경으로(Yu and Son, 2021) 적정에 의한 오전 O₃ 감소가 현저히 약하고 일변화 진폭(관측 21.5 ppb, DL 18.2 ppb)이 도시의 약 60% 수준(관측 64%, DL 57%)으로 완만한 배경 O₃ 우세 패턴을 보였다.

Fig. 6.

DL-inferred vs observed O3 diurnal patterns, full year 2023: (a) Metropolitan urban (DL: 2,356 grid cells, Obs: 123 urban stations in Seoul, Incheon, and Gyeonggi with grid IGBP 13) and (b) Gangwon forest (DL: 10,966 grid cells, Obs: 4 Gangwon suburban stations within station buffer)

수도권에서는 DL이 관측보다 체계적으로 낮은 농도(오후 peak 기준 약 3.5 ppb)를 추론한 반면 강원 산림에서는 DL이 관측보다 일평균 약 3.3 ppb 높게 추론하였다. 이는 수도권의 경우 도시 환경의 간헐적 고농도 peak를 학습 단계에서 충분히 포착하지 못한 딥러닝 모델의 한계가 시간 평균에 누적된 결과이며 강원의 경우 교외대기 측정소 4개소와 산림 격자 10,966개 사이의 공간 대표성 차이가 작용한 것으로 판단된다. 강원 산림 DL 격자(10,966개)는 배출원에서 더 떨어진 산림 내부 격자를 다수 포함하므로 격자 평균에서는 NOx 적정 효과가 측정소 위치 대비 약화되어 O₃가 상대적으로 높게 추론된 것으로 판단된다.

3. 3 1 km 해상도 지표 산화제 분배 구조의 외부 정합성 평가

3. 3. 1 1 km 지표 산화제 공간 분포

도심의 강한 NOx 적정 효과가 배경 Ox 우세 상태로 전환되는 공간 구배는 수 km 이내의 좁은 범위에서 형성된다. 따라서 이러한 산화제 분배의 공간적 전이 대역을 분해하고 도시-교외 화학 대비를 분석하기 위해서는 수 km 미만의 고해상도 농도장이 요구된다. 그림 7은 2023년 광화학 활성기(5~9월) 주간(10~16 KST) 평균 분배비 r(=NO₂/Ox)에 기반한 1 km 지표 산화제 분배 지도를 나타낸다. 이 지도는 배출 변동에 대한 O₃ 반응을 나타내는 민감도 지도가 아니라 지표에서의 NO₂-O₃ 분배 구조를 보여주는 진단 지도이다. 해양·북한을 제외한 남한 육상 41,432개 격자에서 저적정 O₃ 우세 영역(r<0.2, 광역 배경 Ox 우세)이 96.4%, 전이 영역(0.2≤r<0.5)이 3.6%, 고적정 NO₂ 우세 영역(r≥0.5, 강한 NOx 적정)이 0.0%(서울 도심 핵심부 소수 격자)를 차지하였다.

Fig. 7.

1 km surface oxidant partitioning map for May~Sep daytime (10~16 KST) 2023: (a) continuous r (=NO2/Ox; color scale) and (b) 3-class surface oxidant partitioning.

서울 도심 핵심부는 도메인 내에서 r이 가장 높게 나타난 영역으로(격자 최댓값≈0.50, 전이 구간 상한 부근), NOx 적정이 가장 강하게 작동하는 고적정 NO₂ 우세 영역에 해당한다. 전이 영역(1,497개 격자)은 수도권에 약 75%가 집중되었으며 인천 송도·남동공단 및 경기 시화 산업단지, 충남 당진·서산 화력·석유화학단지, 강원권·동해안(동해·삼척) 화력·산업단지 등 NOx 배출이 집중된 도시·산업·항만 영역과 공간적으로 일치하였다. 대부분의 도메인(배경, 산림, 교외)은 저적정 O₃ 우세로 분류되었다. 이러한 분배 구조의 공간 분포는 Oak et al. (2025)이 보고한 한국의 대부분이 NOx 제한 또는 전이이고 VOC 제한은 주로 중앙 수도권에 남아 있다는 최근 결과, 그리고 Lee et al. (2024b)이 OH 반응성 비 분석에서 인천이 전이 경계에 근접하였음을 보고한 결과와 방향적으로 일관된다. 다만 본 r 기반 분배 분류는 배출 민감도 체제 분류가 아니므로 선행 문헌의 VOC 제한·NOx 제한·전이 용어를 직접 귀속시키지 않고 분배 구조와 민감도 체제 사이의 공간적 방향성 대응 수준에서 해석한다.

DL 추론 농도장은 서울 도심 내부의 r 공간 구배를 1 km 해상도에서 재현하였으며 고적정 NO₂ 우세와 저적정 O₃ 우세 사이의 전이 영역은 NOx 배출이 집중된 도시·산업 지역을 따라 형성되는 경향을 보였다. 이는 DL 모델이 배출 강도와 적정-분배 관계의 공간적 연계를 효과적으로 포착하고 있음을 시사한다.

3. 3. 2 위성 FNR을 이용한 오존 생성 민감도 체제 비교

본 절에서는 위성 FNR(컬럼 적분 산출물)과 DL 추론 r(=NO₂/Ox, 지표 농도 산출물)이라는 서로 다른 물리량이 산화제 분배 구조의 공간 방향성에서 상호 일관됨을 확인하는 다중 자료 정합성 점검을 수행한다. 그림 8은 두 위성(GEMS, TROPOMI)의 FNR 공간 분포와 DL 추론 r의 교차 비교를 2023년 5~9월로 통일하여 제시한 것이다. GEMS는 관측 시간대(주간 일 8~9회) 중 10~16 KST 관측을 평균하여 r 산출 시간창과 일치시켰으며 TROPOMI는 극궤도에서 일 1회 오후(약 13:30 KST)에 한반도 상공을 통과하므로 별도의 시간 선별 없이 해당 시점의 관측값을 사용하였다. 그림 8a에 GEMS 10~16 KST 평균, 그림 8b에 TROPOMI FNR의 공간 분포를 나타내었다. 두 위성 모두 서울 도심에서 FNR이 최저(VOC 민감 방향)를 보이고 강원 산림으로 갈수록 증가(NOx 민감 방향)하는 도시-배경 경도 구배를 일관되게 포착하였다.

Fig. 8.

Dual-satellite FNR and DL r (=NO2/Ox) comparison (May~Sep 2023): (a) GEMS FNR 10~16 KST average, (b) TROPOMI FNR, (c) DL r vs dual-source FNR scatter with FNR-bin median r curves and IQR bands (n=613 jointly valid 0.1° grid cells), (d) DL r distribution conditioned on satellite FNR regime class using GEMS 10~16 KST and TROPOMI (thresholds: FNR<1/1~3.5/>3.5).

그림 8c에 DL 추론 분배비 r(=NO₂/Ox)과 두 위성 FNR 산출물의 관계를 산점도와 FNR 구간별 median r 곡선으로 제시하였다. GEMS 10~16 KST 평균(ρ=-0.502), TROPOMI(ρ=-0.529) 모두에서 r-FNR의 단조 감소 관계가 확인되었다. 두 위성의 median r 곡선이 FNR 범위 전반에서 유사한 형태를 보이는 것은 관측 시간대와 관측 기하에 관계없이 r-FNR 단조 관계가 강건함을 확인한다.

그림 8d에는 GEMS 10~16 KST FNR 민감도 체제별(VOC 민감: FNR<1, 전이: 1~3.5, NOx 민감: >3.5) DL r 분포를 TROPOMI와 비교하여 제시하였다. GEMS FNR이 VOC 민감으로 분류한 격자에서 DL r의 중앙값은 0.232로 본 연구의 분배 전환 지점(r=0.2) 부근에 위치함을 확인하였으며 이는 위성 민감도 체제와 지표 분배 구조가 공간적으로 대응함을 시사한다. TROPOMI에서는 FNR<1에 해당하는 격자가 관찰되지 않았는데 이는 극궤도 위성의 오후 1회 관측 특성상 FNR이 전반적으로 높게 산출되는 경향에 기인한 것으로 추정된다.

표 4에 지상 관측, DL 모델, 위성 FNR의 산화제 분배 분류를 교차 비교하였다. 지상 측정소 r과 DL r의 3분류 일치율은 90.2%로 높게 나타났다. 지표-컬럼 간(Surface-Column) 일치율은 57.7~67.0%로 낮았으나 이는 컬럼 적분(FNR)과 지표 농도(r)라는 본질적으로 다른 물리량 사이의 구조적 차이에 기인한다(Souri et al., 2023). 반면 두 위성 간(Column-Column) 일치율은 87.6%(ρ= +0.882)로 관측 시간대와 관측 기하가 다름에도 독립 위성 산출물 간 양호한 정합성을 보였다.

Table 4.

Cross-source pairwise classification agreement and directional consistency (May~Sep daytime, 2023).

위성 FNR은 컬럼 적분 산출물로서 HCHO·NO₂ 컬럼 산출 알고리즘에 내재된 오차, 컬럼-경계층 변환의 가정 오차, 평균화 커널(averaging kernel, AK)의 비식별성에 따른 경계층 감도 저하(NO₂와 HCHO 모두 도시 핵심부 대기경계층 농도 변동이 과소 표현될 수 있으며, FNR 비율 편향 방향은 두 종의 수직 프로파일 차이와 화학적 피드백을 함께 고려하여 해석해야 함), 픽셀 해상도(수 km)에 따른 1 km 미세 구배 분해 한계, 맑은 날 편향(구름 분율 필터링), 운량·시야각·태양천정각에 따른 0.1° 격자별 산출 표본 수의 시공간 비균질성 등의 한계를 갖는다. 반면 본 연구의 DL 산화제 분배 r은 지표 농도를 직접 산출하므로 컬럼-지표 변환 오차로부터 자유롭고 1 km 격자에서 미세 구배를 분해하며 광역 측정소 관측을 학습 신호로 활용하므로 위성 자료 단독 분석보다 지표 분배 구조의 절대 수준 추정에서 더 높은 신뢰성을 가질 수 있다. 두 자료원은 상호 보완적으로 활용 가능하며 측정소가 부재한 영역에서는 위성 FNR이 DL r 공간 패턴의 독립 검증 자료원으로 기능하고 두 자료원의 민감도 체제 분류가 일치하는 0.1° 격자는 신뢰도 높은 진단 영역으로 활용할 수 있을 것으로 판단된다.

3. 3. 3 동서 횡단면 분석을 통한 민감도 전이 구조

앞서 분석한 공간적 산화제 분배 구조(r)와 민감도 체제(FNR) 분류 결과를 종합하여 서해-인천-서울-경기-강원을 관통하는 37.4~37.6°N 밴드의 동서 횡단면으로 분배 구조와 민감도 체제의 공간 전이를 통합적으로 분석하였다(그림 9). 본 절에서 제시하는 모든 밴드 프로파일 수치는 37.4~37.6°N 위도 범위에 대해 평균한 경도별 값이다.

Fig. 9.

W-E transect along 37.4~37.6°N: (a) 1 km r (=NO2/Ox; May~Sep daytime) with transect band, (b) band-averaged DL NO2, O3, Ox profiles with in-band AirKorea observations, (c) band-averaged r (left axis) and dual-satellite FNR (right axis, inverted; GEMS 10~16 KST and TROPOMI, 0.1° bins; threshold lines at FNR=1.0 and 3.5), (d) band-averaged weekend minus weekday ΔO3 (left) and ΔNO2 (right) (JJA daytime).

밴드 평균 농도 프로파일에서 Ox(=NO₂+O₃)는 도시(인천-서울, ~64 ppb)에서 강원(~56 ppb)으로 갈수록 감소하나 횡단면 300개 경도 격자에 대한 공간 변동계수(CV)는 Ox가 8.2%(평균 59.1 ppb, 표준편차 4.8 ppb)로 NO₂의 62.0%(평균 8.1 ppb, 표준편차 5.0 ppb)에 비해 현저히 억제되어 있다. 특히 도시 구간에서 NO₂와 O₃는 뚜렷한 반비례 관계를 보여, Ox 내 분배가 적정에 의해 조절되고 있음이 확인되었으며 이는 3.2.1절의 도시 Ox 보존성 결과와 일관됨을 보여준다. 분배 구조 지표 r(=NO₂/Ox)은 서울 핵심부(126.8~127.2°E)에서 최대 0.32(전이)에 도달한 뒤, 서울 동단(~127.2°E, r≈0.18)에서 경기 동부(127.6°E, r<0.10) 까지 급감하였다.

동일 횡단면에서 GEMS FNR(0.1° 경도 구간 평균, 5~9월 10~16 KST, QF=0)을 중첩한 결과, FNR은 서울 서부에서 횡단면 최저값(~0.88)에 도달한 뒤 강원으로 갈수록 증가(5 이상)하여 r과 역방향으로 일관된 경도 구배를 나타냈다. 오존 생성 민감도 3단 분류(FNR<1: VOC 민감, 1~3.5: 전이, >3.5: NOx 민감)를 적용하면 서울 서부가 VOC 민감에, 서울 중·동부 및 수도권 외곽이 전이에, 강원권 심부는 NOx 민감 방향의 양상을 보였다. 이는 3.3.2절의 FNR-r Spearman 상관(ρ=-0.502)을 공간적으로 확인하는 것이다.

다만 도시 고NOx 환경에서는 컬럼-경계층 변환 오차(Souri et al., 2023)와 고NOx 조건에서 NO₂가 HCHO 생성을 억제하는 화학적 피드백(Souri et al., 2020)에 의해 FNR이 실제보다 낮게 산출되어 VOC 민감 방향으로 편향될 수 있으므로 절대값 해석에는 유의가 필요하다. 동일 횡단면의 주말-주중 O₃ 차이(그림 9d)에서도 서울 도심에서 ΔO₃ ≈ +9 ppb, ΔNO₂ ≈ -5 ppb로 강한 주말효과가 나타나고 강원으로 갈수록 약화되어 r 구배 및 FNR 구배와 공간적으로 일관된 경도 패턴을 보였다.

3. 4 다년도 평가

산화제 분배 구조의 다년도 일관성을 확인하기 위해 2022년 자료로 학습한 모델을 각 연도의 입력 자료에 적용하여 2020~2023년(4개년)의 고해상도 농도 추론을 수행하였다(그림 10).

Fig. 10.

Interannual variation of surface oxidant partitioning structure (2020~2023): (a) 2020 and (b) 2023 May~Sep daytime r (=NO2/Ox) maps over South Korea land grids (sido administrative boundary ∩ IGBP ≠ 20; North Korea and ocean masked), (c) pixel-wise Δr (2023 minus 2020) over the same domain with annotated domain-mean and standard deviation, (d) metropolitan urban and Gangwon forest median r with Δr band (4 years), (e) transition longitude (r=0.2 boundary) and metropolitan weekend ΔO3.

본 연구는 연산자원의 제약으로 다년도 동시 학습 대신 2022년 단년도 학습 후 각 연도의 입력 자료에 적용하는 방식의 다년도 추론을 수행하였다(보충자료 표 S1). 이 설정에서 학습 시기와 다른 연도로의 적용 가능성은 다음 두 가지 가정에 의존한다. 첫째, 단년도 학습이라 하더라도 1년 자료는 4계절에 걸친 다양한 대기환경 현상을 포괄하므로 모델이 학습한 입력-농도 관계(CTM 배경장의 편향 보정 α·β, 배출-농도 비선형성, 측정소 관측의 공간 외삽)가 학습 연도 외에서도 유지된다. 둘째, 측정소 관측 자료를 매 연도 입력으로 활용하므로 모델은 연도별 NOx 배출 변화·기상 조건 변화를 관측 정보를 통해 흡수할 수 있다.

수도권 도시의 r(=NO₂/Ox) 중앙값은 4개년에 걸쳐 감소하는 경향을 보였으며 이는 동기간 CAPSS NOx 배출량 감소 추세와 방향적으로 일관된다. CAPSS 시도별 배출량 통계(NAEIRC, 2025) 기준 수도권(서울·인천·경기) NOx 배출량은 2020년 약 262 kt에서 2023년 약 212 kt로 약 19% 감소하였고 r 추세는 이와 방향적으로 부합하였다. 반면 강원도 NOx 배출량은 동기간 약 9% 감소(59 kt → 54 kt)에 그쳐 인위적 NOx 배출이 희소한 배경 환경에서 r이 일관되게 낮은 수준을 유지하였으며(그림 10d), 이러한 도시-배경 간 NOx 배출량 저감 격차는 r 구배 변화 방향과 부합한다. 도시-산림 간 r 구배는 Δr 0.174 → 0.134로 23% 축소되었으며 이 또한 동기간 수도권 NOx 배출량 감소 방향과 부합하는 관찰이다.

다만 GEOS-CF 배경장의 연도별 편향 변동과 CAPSS 상향식 산정의 활동량·배출계수 갱신에 따른 연도별 불확실성 차이가 입력 자료에 내재되어 있어 이러한 방향적 부합의 절대 수준 해석에는 잔여 한계가 따른다. 연산자원이 제약되지 않을 경우 다년도 자료의 동시 학습을 통해 학습 도메인을 입력 분포 전체로 확장함으로써 이러한 한계 완화가 가능할 것으로 판단된다.

수도권의 분배 전환 경도(r=0.2 등치선)는 4개년에 걸쳐 소폭 서진하는 경향을 나타내어 고적정 NO₂ 우세 영역이 서울 중심부로 수축하는 것으로 해석된다(그림 10e). 이러한 경향은 Lee et al. (2024b)이 2016~2018년 수도권에서 OH 반응성 비 분석을 통해 서울의 NOx 포화가 약화되고 인천이 전이 경계에 근접하였음을 보고한 결과의 연장선에 있으며 본 연구의 2020~2023년 추론 결과는 이 추세가 이후에도 지속되고 있음을 시사한다. 한편 수도권 주말 ΔO₃는 2020~2021년에 상대적으로 낮았는데, 이는 COVID-19 기간 주중-주말 활동 격차 축소로 주말효과가 약화된 선행 사례(Gough and Anderson, 2022; Wu et al., 2022)와 부합하며 2022~2023년에는 활동 회복과 함께 주말 효과가 증가하는 경향이 관찰되었다. 국내에서는 관련 연구가 제한적이나, 본 연구의 2020~2021년 결과 또한 활동 변동의 영향 가능성을 시사하는 국내 사례로 볼 수 있다. 다만 2020~2021년은 COVID-19 활동 변화로 인해 학습 데이터 분포의 외삽 영역에 해당하므로 본 절의 결과는 NOx 배출 변화의 직접 증거가 아니라 산화제 분배 구조의 다년도 일관성 점검 차원에서 제시된다.

4. 결 론

본 연구는 그래프 신경망 기반 1 km NO₂-O₃ DL 추론 농도장이 측정소 위치 밖에서도 대기화학적으로 일관된 공간 구조를 표현하는지를 평가하였다. 이를 위해 수도권-강원권을 대상으로 광화학적으로 활발한 기간을 중심으로 다각적 분석을 수행하였다.

주요 결과는 세 가지로 요약할 수 있다. 첫째, NO₂·O₃·NO의 시간 독립 검증과 5-fold 공간 교차 검증 모두에서 관측과의 일치도가 확보되어(대표적으로 O₃ 시간 독립 R²=0.926, 공간 교차 R²=0.732) 후속 화학적 정합성 평가의 전제가 되는 관측 재현력이 확인되었다. 둘째, Ox 보존성, NOx-Ox 회귀, 주말효과, 도시-산림 O₃ 시간 구조, 1 km 분배비 r(=NO₂/Ox) 공간 구배가 모두 수도권 도시와 강원 산림 간 상이한 산화제 분배 경향을 일관되게 드러내었고 서울 도심 핵심부에 국한된 전이 영역의 공간적 집중은 한국의 대부분 지역이 NOx 제한에 가깝다는 최근 보고와도 방향적으로 부합하였다. 다중 자료 교차 정합성에서 DL r은 지상 관측 분류와 약 90%의 일치율을 보였고 두 위성 FNR(GEMS, TROPOMI)과의 Spearman ρ가 모두 -0.5 수준의 방향적 일관성을 유지하였다. 셋째, 2020~2023년 다년도 평가에서 수도권 r 중앙값이 NOx 배출량 감소 추세와 일관되게 감소하고 분배 전환 경도(r=0.2 등치선)가 서울 중심부로 소폭 서진하는 경향이 나타났으며 COVID-19 기간의 주말효과 약화와 2022~2023년 회복이 함께 관찰되어 배출 저감과 사회적 활동 변화가 산화제 분배 구조에 반영됨을 확인하였다.

본 연구는 다음 세 측면에서 방법론적·응용적 기여를 갖는다. 첫째 평가 방법론 측면에서, 기존 통계 지표(R²·RMSE) 중심의 평가를 Ox 보존성·NOx-Ox 회귀·주말효과·다중 자료 교차 정합성을 포괄하는 화학적 정합성 검증으로 확장하였으며 1 km 해상도에서 측정소 밖 격자의 분배 구조 일관성을 지상·DL·위성 교차 비교로 점검하는 절차를 정립하였다. 둘째 모델링 방법론 측면에서, 광역 물리 사전정보(CTM·기상의 5 km 보간), 국지 정적 자료(지형·배출·토지피복의 1 km 격자), 비균질·공간 희소 정답(322개 측정소 점관측)의 서로 다른 공간 단위·해상도·밀도를 단일 그래프 신경망 위에서 융합하여 1 km 농도장을 산출한 사례는 비균질한 측정망 환경에서 다중 자료 융합형 고해상도 농도 추론의 방법론적 참고가 될 수 있다. 셋째 응용 측면에서, 도출된 r 분배 지도는 도시-배경 간 화학 환경 차이를 1 km 분해능에서 가시화함으로써 시·군·구 단위 NOx 저감 우선순위나 광역 배경 영향이 큰 지역 식별 등 후속 정책 검토의 보조 근거로 활용될 수 있다.

본 연구는 별도의 고해상도 자료동화 산출물이나 국지 확산 모델링 없이 기 배포된 자료만으로 1 km 농도장을 산출하였으며 향후 한반도 고해상도 자료동화 농도장 등 품질이 보강된 사전 정보가 가용해질 경우 적응형 편향 보정의 식별 가능성과 추론 정확도가 함께 개선될 가능성이 있다. 또한 연산자원 제약이 해소되는 경우 다년도 학습으로 시간 외삽 한계를 완화할 수 있으며 광역 배경장과 국지 세부 구조를 분리 학습하는 다단계 아키텍처나 위성 보조 손실의 도입을 통해 도시 환경의 시공간 변동성 포착력을 추가로 강화할 여지가 있다. 본 연구의 고해상도 DL 추론 농도장은 이러한 보완을 통해 관측 희소 지역 해석의 보조 자료로 활용 범위를 확장해 나가는 기초가 될 것으로 기대된다.

Acknowledgments

이 성과는 정부(기후에너지환경부)의 재원으로 한국환경산업기술원의 미세먼지관리 특성화대학원 사업의 지원을 받아 수행된 연구임.

References

• Ajayi, T., Mirrezaei, M.A., Arellano, A.F., Robinson, E.S., Sorooshian, A. (2025) A long-term (2001-2022) examination of surface ozone concentrations in Tucson, Arizona, Environmental Science: Atmospheres, 5, 1326-1340. [https://doi.org/10.1039/d5ea00072f]
• Bae, K., Song, C.-K., Van Roozendael, M., Richter, A., Wagner, T., Merlaud, A., Pinardi, G., Friedrich, M.M., Fayt, C., Dimitropoulou, E., Lange, K., Bösch, T., Zilker, B., Latsch, M., Behrens, L.K., Ziegler, S., Ripperger-Lukosiunaite, S., Kuhn, L., Lauster, B., Reischmann, L., Uhlmannsiek, K., Cede, A., Tiefengraber, M., Gebetsberger, M., Park, R.J., Lee, H., Hong, H., Chang, L.-S., Jeon, K. (2025) Validation of GEMS operational v2.0 total column NO₂ and HCHO during the GMAP/SIJAQ campaign, Science of the Total Environment, 974, 179190. [https://doi.org/10.1016/j.scitotenv.2025.179190]
• Baek, S.-H., Lee, H.-J., Kim, C.-H. (2023) Analysis of photochemical ozone formation regime in Busan - comparative study on Busan vs. Seoul metropolitan area (IV), Journal of Environmental Science International, 32, 285-301, (in Korean with English abstract). [https://doi.org/10.5322/jesi.2023.32.5.285]
• Brody, S., Alon, U., Yahav, E. (2022) How attentive are graph attention networks?, Proceedings of the 10th International Conference on Learning Representations. [https://doi.org/10.48550/arXiv.2105.14491]
• Bronstein, M.M., Bruna, J., LeCun, Y., Szlam, A., Vandergheynst, P. (2017) Geometric deep learning: Going beyond Euclidean data, IEEE Signal Processing Magazine, 34(4), 18-42. [https://doi.org/10.1109/MSP.2017.2693418]
• Choi, H., Hwang, S., Kang, E., Kim, Y., Yang, S., Malik, S., Keya, J.N., Lee, S., Im, J. (2025) Satellite-based air quality monitoring using artificial intelligence: Research trends and future perspectives, Journal of Korean Society for Atmospheric Environment, 41, 179-198, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2025.41.2.179]
• Clapp, L.J., Jenkin, M.E. (2001) Analysis of the relationship between ambient levels of O₃, NO₂ and NO as a function of NOx in the UK, Atmospheric Environment, 35(36), 6391-6405. [https://doi.org/10.1016/S1352-2310(01)00378-8]
• Colombi, N.K., Jacob, D.J., Yang, L.H., Zhai, S., Shah, V., Grange, S.K., Yantosca, R.M., Kim, S., Liao, H. (2023) Why is ozone in South Korea and the Seoul metropolitan area so high and increasing?, Atmospheric Chemistry and Physics, 23, 4031-4044. [https://doi.org/10.5194/acp-23-4031-2023]
• De Smedt, I., Theys, N., Yu, H., Danckaert, T., Lerot, C., Compernolle, S., Van Roozendael, M., Richter, A., Hilboll, A., Peters, E., Pedergnana, M., Loyola, D., Beirle, S., Wagner, T., Eskes, H., van Geffen, J., Boersma, K.F., Veefkind, P. (2018) Algorithm theoretical baseline for formaldehyde retrievals from S5P TROPOMI and from the QA4ECV project, Atmospheric Measurement Techniques, 11, 2395-2426. [https://doi.org/10.5194/amt-11-2395-2018]
• Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., Houlsby, N. (2021) An image is worth 16×16 words: Transformers for image recognition at scale, International Conference on Learning Representations (ICLR). [https://doi.org/10.48550/arXiv.2010.11929]
• Duncan, B.N., Yoshida, Y., Olson, J.R., Sillman, S., Martin, R.V., Lamsal, L., Hu, Y., Pickering, K.E., Retscher, C., Allen, D.J., Crawford, J.H. (2010) Application of OMI observations to a space-based indicator of NOx and VOC controls on surface ozone formation, Atmospheric Environment, 44, 2213-2223. [https://doi.org/10.1016/j.atmosenv.2010.03.010]
• Friedl, M., Sulla-Menashe, D. (2022) MODIS/Terra+Aqua land cover type yearly L3 global 500m SIN grid V061, NASA Land Processes Distributed Active Archive Center. (accessed on Feb. 11, 2026). [https://doi.org/10.5067/MODIS/MCD12Q1.061]
• García-Yee, J.S., Torres-Jardón, R., Barrera-Huertas, H., Castro, T., Peralta, O., García, M., Gutiérrez, W., Robles, M., Torres-Jaramillo, J.A., Ortínez-Álvarez, A., Ruiz-Suárez, L.G. (2018) Characterization of NOx-Ox relationships during daytime interchange of air masses over a mountain pass in the Mexico City megalopolis, Atmospheric Environment, 177, 100-110. [https://doi.org/10.1016/j.atmosenv.2017.11.017]
• Gomez Gonzalez, C.A. (2023) DL4DS - deep learning for empirical downscaling, Environmental Data Science, 2, e3. [https://doi.org/10.1017/eds.2022.26]
• Gough, W.A., Anderson, V. (2022) Changing air quality and the ozone weekend effect during the COVID-19 pandemic in Toronto, Ontario, Canada, Climate, 10, 41. [https://doi.org/10.3390/cli10030041]
• Granier, C., Darras, S., Denier van der Gon, H., Doubalova, J., Elguindi, N., Galle, B., Gauss, M., Guevara, M., Jalkanen, J.-P., Kuenen, J., Liousse, C., Quack, B., Simpson, D., Sindelarova, K. (2019) The Copernicus Atmosphere Monitoring Service global and regional emissions (april 2019 version), ECMWF Copernicus Atmosphere Monitoring Service, CAMS-GLOB-BIO v3.1. (accessed on Feb. 11, 2026). [https://doi.org/10.24380/d0bn-kx16]
• Hamilton, W.L., Ying, R., Leskovec, J. (2017) Inductive representation learning on large graphs, Advances in Neural Information Processing Systems 30, Curran Associates, pp. 1024-1034. [https://doi.org/10.48550/arXiv.1706.02216]
• Han, J., Liu, H., Xiong, H., Yang, J. (2023) Semi-supervised air quality forecasting via self-supervised hierarchical graph neural network, IEEE Transactions on Knowledge and Data Engineering, 35(5), 5230-5243. [https://doi.org/10.1109/TKDE.2022.3149815]
• Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., De Chiara, G., Dahlgren, P., Dee, D., Diamantakis, M., Dragani, R., Flemming, J., Forbes, R., Fuentes, M., Geer, A., Haimberger, L., Healy, S., Hogan, R.J., Hólm, E., Janisková, M., Keeley, S., Laloyaux, P., Lopez, P., Lupu, C., Radnoti, G., Rosnay, P. de, Rozum, I., Vamborg, F., Villaume, S., Thépaut, J.-N. (2020) The ERA5 global reanalysis, Quarterly Journal of the Royal Meteorological Society, 146(730), 1999-2049. [https://doi.org/10.1002/qj.3803]
• Hoek, G., Beelen, R., Hoogh, K. de, Vienneau, D., Gulliver, J., Fischer, P., Briggs, D. (2008) A review of land-use regression models to assess spatial variation of outdoor air pollution, Atmospheric Environment, 42(33), 7561-7578. [https://doi.org/10.1016/j.atmosenv.2008.05.057]
• Hu, Z., Dong, Y., Wang, K., Sun, Y. (2020) Heterogeneous graph transformer, in Proceedings of The Web Conference 2020 (WWW ’20), ACM, pp. 2704-2710. [https://doi.org/10.1145/3366423.3380027]
• Inness, A., Ades, M., Agustí-Panareda, A., Barré, J., Benedictow, A., Blechschmidt, A.-M., Dominguez, J.J., Engelen, R., Eskes, H., Flemming, J., Huijnen, V., Jones, L., Kipling, Z., Massart, S., Parrington, M., Peuch, V.-H., Razinger, M., Remy, S., Schulz, M., Suttie, M. (2019) The CAMS reanalysis of atmospheric composition, Atmospheric Chemistry and Physics, 19(6), 3515-3556. [https://doi.org/10.5194/acp-19-3515-2019]
• Jenkin, M.E. (2004) Analysis of sources and partitioning of oxidant in the UK - part 1: The NOx-dependence of annual mean concentrations of nitrogen dioxide and ozone, Atmospheric Environment, 38(30), 5117-5129. [https://doi.org/10.1016/j.atmosenv.2004.05.056]
• Jeong, M., Kim, W.J., Heo, J., Kim, S.-Y. (2022) Exploration of the spatial and temporal patterns of surface ozone concentrations for development of ozone prediction model in South Korea, Journal of Korean Society for Atmospheric Environment, 38, 100-125, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2022.38.1.100]
• Jin, X., Fiore, A., Boersma, K.F., De Smedt, I., Valin, L. (2020) Inferring changes in summertime surface ozone-NOx-VOC chemistry over U.S. Urban areas from two decades of satellite and ground-based observations, Environmental Science & Technology, 54, 6518-6529. [https://doi.org/10.1021/acs.est.9b07785]
• Kaiser, J.W., Heil, A., Andreae, M.O., Benedetti, A., Chubarova, N., Jones, L., Morcrette, J.-J., Razinger, M., Schultz, M.G., Suttie, M., van der Werf, G.R. (2012) Biomass burning emissions estimated with a global fire assimilation system based on observed fire radiative power, Biogeosciences, 9(1), 527-554. [https://doi.org/10.5194/bg-9-527-2012]
• Keller, C.A., Knowland, K.E., Duncan, B.N., Liu, J., Anderson, D.C., Das, S., Lucchesi, R.A., Lundgren, E.W., Nicely, J.M., Nielsen, E., Ott, L.E., Saunders, E., Strode, S.A., Wales, P.A., Jacob, D.J., Pawson, S. (2021) Description of the NASA GEOS Composition Forecast Modeling System GEOS-CF v1.0, Journal of Advances in Modeling Earth Systems, 13(4), e2020MS002413. [https://doi.org/10.1029/2020MS002413]
• Kim, B.-U., Kim, H.C., Kim, S. (2019) Review on ozone management in US and recommendations for domestic ozone control, Journal of Korean Society for Atmospheric Environment, 35, 370-394, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2019.35.3.370]
• Kim, C.H. (2025) Overview and prospects of long-range transport of air pollutants from the perspectives of modeling studies, Journal of Korean Society for Atmospheric Environment, 41(2), 161-178, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2025.41.2.161]
• Kim, D.-S., Jeong, J., Ahn, J. (2016) Characteristics in atmospheric chemistry between NO, NO₂ and O₃ at an urban site during MAPS (Megacity Air Pollution Study)-Seoul, Korea, Journal of Korean Society for Atmospheric Environment, 32(4), 422-434, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2016.32.4.422]
• Kim, J., Jeong, U., Ahn, M.-H., Kim, J.H., Park, R.J., Lee, H., Song, C.H., Choi, Y.-S., Lee, K.-H., Yoo, J.-M., Jeong, M.-J., Park, S.K., Lee, K.-M., Song, C.-K., Kim, S.-W., Kim, Y.J., Kim, S.-W., Kim, M., Go, S., Liu, X., Chance, K., Chan Miller, C., Al-Saadi, J., Veihelmann, B., Bhartia, P.K., Torres, O., Abad, G.G., Haffner, D.P., Ko, D.H., Lee, S.H., Woo, J.-H., Chong, H., Park, S.S., Nicks, D., Choi, W.J., Moon, K.-J., Cho, A., Yoon, J., Kim, S., Hong, H., Lee, K., Lee, H., Lee, S., Choi, M., Veefkind, P., Levelt, P.F., Edwards, D.P., Kang, M., Eo, M., Bak, J., Baek, K., Kwon, H.-A., Yang, J., Park, J., Han, K.M., Kim, B.-R., Shin, H.-W., Choi, H., Lee, E., Chong, J., Cha, Y., Koo, J.-H., Irie, H., Hayashida, S., Kasai, Y., Kanaya, Y., Liu, C., Lin, J., Crawford, J.H., Carmichael, G.R., Newchurch, M.J., Lefer, B.L., Herman, J.R., Swap, R.J., Lau, A.K.H., Kurosu, T.P., Jaross, G., Ahlers, B., Dobber, M., McElroy, C.T., Choi, Y. (2020) New era of air quality monitoring from space: Geostationary Environment Monitoring Spectrometer (GEMS), Bulletin of the American Meteorological Society, 101, E1-E22. [https://doi.org/10.1175/bams-d-18-0013.1]
• Kipf, T.N., Welling, M. (2017) Semi-supervised classification with graph convolutional networks, International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1609.02907
• Koo, B., Jung, J., Pollack, A.K., Lindhjem, C., Jimenez, M., Yarwood, G. (2012) Impact of meteorology and anthropogenic emissions on the local and regional ozone weekend effect in Midwestern US, Atmospheric Environment, 57, 13-21. [https://doi.org/10.1016/j.atmosenv.2012.04.043]
• Lange, K., Richter, A., Bösch, T., Zilker, B., Latsch, M., Behrens, L.K., Okafor, C.M., Bösch, H., Burrows, J.P., Merlaud, A., Pinardi, G., Fayt, C., Friedrich, M.M., Dimitropoulou, E., Van Roozendael, M., Ziegler, S., Ripperger-Lukosiunaite, S., Kuhn, L., Lauster, B., Wagner, T., Hong, H., Kim, D., Chang, L.-S., Bae, K., Song, C.-K., Park, J.-U., Lee, H. (2024) Validation of GEMS tropospheric NO₂ columns and their diurnal variation with ground-based DOAS measurements, Atmospheric Measurement Techniques, 17, 6315-6344. [https://doi.org/10.5194/amt-17-6315-2024]
• Lee, G., Park, J.-H., Kim, D.-G., Koh, M.S., Lee, M., Han, J.-S., Kim, J.-C. (2020) Current status and future directions of tropospheric photochemical ozone studies in Korea, Journal of Korean Society for Atmospheric Environment, 36, 419-441, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2020.36.4.419]
• Lee, G.T., Park, R.J., Kwon, H.-A., Ha, E.S., Lee, S.D., Shin, S., Ahn, M.-H., Kang, M., Choi, Y.-S., Kim, G., Lee, D.-W., Kim, D.-R., Hong, H., Langerock, B., Vigouroux, C., Lerot, C., Hendrick, F., Pinardi, G., De Smedt, I., Van Roozendael, M., Wang, P., Chong, H., Cho, Y., Kim, J. (2024a) First evaluation of the GEMS formaldehyde product against TROPOMI and ground-based column measurements during the in-orbit test period, Atmospheric Chemistry and Physics, 24, 4733-4749. [https://doi.org/10.5194/acp-24-4733-2024]
• Lee, K.-H., Shin, S.-K. (2025) Impact of monitoring site density on air quality time series: Trend variability across spatial resolutions, Journal of Korean Society for Atmospheric Environment, 41, 845-861, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2025.41.5.845]
• Lee, S.-H., Lee, J.-S., Lee, H.-M., Kwon, H.-A., Nowlan, C.R., González Abad, G., Park, R.J., Park, J.-H., Kang, S., Shin, H.-J., Kim, D.-G., Park, J.-M. (2024b) Understanding ozone formation and carbonyl contributions in the Seoul Metropolitan Area, Aerosol and Air Quality Research, 24, 230227. [https://doi.org/10.4209/aaqr.230227]
• Li, L., Wang, J., Franklin, M., Yin, Q., Wu, J., Camps-Valls, G., Zhu, Z., Wang, C., Ge, Y., Reichstein, M. (2023) Improving air quality assessment using physics-inspired deep graph learning, npj Climate and Atmospheric Science, 6, 152. [https://doi.org/10.1038/s41612-023-00475-3]
• Martin, R.V., Fiore, A.M., van Donkelaar, A. (2004) Space-based diagnosis of surface ozone sensitivity to anthropogenic emissions, Geophysical Research Letters, 31(6), L06120. [https://doi.org/10.1029/2004GL019416]
• Mijling, B. (2020) High-resolution mapping of urban air quality with heterogeneous observations: A new methodology and its application to Amsterdam, Atmospheric Measurement Techniques, 13(8), 4601-4617. [https://doi.org/10.5194/amt-13-4601-2020]
• NASA JPL (2020) NASADEM merged DEM global 1 arc second V001, NASA Land Processes Distributed Active Archive Center. (accessed on Feb. 11, 2026). [https://doi.org/10.5067/MEASURES/NASADEM/NASADEM_HGT.001]
• National Air Emission Inventory and Research Center (NAEIRC) (2025) Air pollutant emission statistics (CAPSS): Annual inventory by sigungu, source sub-classification, and fuel type, 2020-2023, (in Korean). https://www.air.go.kr, (accessed on Feb. 11, 2026).
• National Institute of Environmental Research (NIER) (2025) Annual report of air quality in Korea 2024, (in Korean). https://www.airkorea.or.kr/web/detailViewDown?pMENU_NO=125, (accessed on Feb. 11, 2026).
• Oak, Y.J., Jacob, D.J., Pendergrass, D.C., Dang, R., Colombi, N.K., Chong, H., Lee, S., Kuk, S.K., Kim, J. (2025) Air quality trends and regimes in South Korea inferred from 2015-2023 surface and satellite observations, Atmospheric Chemistry and Physics, 25, 3233-3252. [https://doi.org/10.5194/acp-25-3233-2025]
• Oh, I., Hwang, M.-K., Bang, J.-H., Yang, W., Kim, S., Lee, K., Seo, S., Lee, J., Kim, Y. (2021) Comparison of different hybrid modeling methods to estimate intraurban NO₂ concentrations, Atmospheric Environment, 244, 117907. [https://doi.org/10.1016/j.atmosenv.2020.117907]
• Park, J., Kim, E., Kang, Y.-H., Kim, S. (2024) Assessment of provincial air quality based on air quality index during 2016-2022, Journal of Korean Society for Atmospheric Environment, 40, 225-241, (in Korean with English abstract). [https://doi.org/10.5572/kosae.2024.40.2.225]
• Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., Prabhat (2019) Deep learning and process understanding for data-driven Earth system science, Nature, 566(7743), 195-204. [https://doi.org/10.1038/s41586-019-0912-1]
• Ryu, Y.-H., Min, S.-K. (2021) Long-term evaluation of atmospheric composition reanalyses from CAMS, TCR-2, and MERRA-2 over South Korea: Insights into applications, implications, and limitations, Atmospheric Environment, 246, 118062. [https://doi.org/10.1016/j.atmosenv.2020.118062]
• Ryu, Y.-H., Min, S.-K., Hodzic, A. (2021) Recent decreasing trends in surface PM_2.5 over East Asia in the winter-spring season: Different responses to emissions and meteorology between upwind and downwind regions, Aerosol and Air Quality Research, 21(6), 200654. [https://doi.org/10.4209/aaqr.200654]
• Shen, S., Li, C., van Donkelaar, A., Jacobs, N., Wang, C., Martin, R.V. (2024) Enhancing global estimation of fine particulate matter concentrations by including geophysical a priori information in deep learning, ACS ES&T Air, 1(5), 332-345. [https://doi.org/10.1021/acsestair.3c00054]
• Sicard, P., Paoletti, E., Agathokleous, E., Araminienė, V., Proietti, C., Coulibaly, F., De Marco, A. (2020) Ozone weekend effect in cities: Deep insights for urban air pollution control, Environmental Research, 191, 110193. [https://doi.org/10.1016/j.envres.2020.110193]
• Souri, A.H., Johnson, M.S., Wolfe, G.M., Crawford, J.H., Fried, A., Wisthaler, A., Brune, W.H., Blake, D.R., Weinheimer, A.J., Verhoelst, T., Compernolle, S., Pinardi, G., Vigouroux, C., Langerock, B., Choi, S., Lamsal, L., Zhu, L., Sun, S., Cohen, R.C., Min, K.-E., Cho, C., Philip, S., Liu, X., Chance, K. (2023) Characterization of errors in satellite-based HCHO/NO₂ tropospheric column ratios with respect to chemistry, column-to-PBL translation, spatial representation, and retrieval uncertainties, Atmospheric Chemistry and Physics, 23, 1963-1986. [https://doi.org/10.5194/acp-23-1963-2023]
• Souri, A.H., Nowlan, C.R., Wolfe, G.M., Lamsal, L.N., Chan Miller, C.E., Abad, G.G., Janz, S.J., Fried, A., Blake, D.R., Weinheimer, A.J., Diskin, G.S., Liu, X., Chance, K. (2020) Revisiting the effectiveness of HCHO/NO₂ ratios for inferring ozone sensitivity to its precursors using high resolution airborne remote sensing observations in a high ozone episode during the KORUS-AQ campaign, Atmospheric Environment, 224, 117341. [https://doi.org/10.1016/j.atmosenv.2020.117341]
• Terroso-Saenz, F., Morales-García, J., Muñoz, A. (2024) Nationwide air pollution forecasting with heterogeneous graph neural networks, ACM Transactions on Intelligent Systems and Technology, 15(1), 1-19. [https://doi.org/10.1145/3637492]
• Tian, Y., Wang, S., Jin, X. (2025) Global patterns and trends in ground-level ozone chemical formation regimes from 1996 to 2022, Atmospheric Chemistry and Physics, 25, 9127-9149. [https://doi.org/10.5194/acp-25-9127-2025]
• van Geffen, J., Eskes, H., Compernolle, S., Pinardi, G., Verhoelst, T., Lambert, J.-C., Sneep, M., Linden, M. ter, Ludewig, A., Boersma, K.F., Veefkind, J.P. (2022) Sentinel-5P TROPOMI NO₂ retrieval: Impact of version v2.2 improvements and comparisons with OMI and ground-based data, Atmospheric Measurement Techniques, 15, 2037-2060. [https://doi.org/10.5194/amt-15-2037-2022]
• Veefkind, J.P., Aben, I., McMullan, K., Förster, H., de Vries, J., Otter, G., Claas, J., Eskes, H.J., Haan, J.F. de, Kleipool, Q., Weele, M. van, Hasekamp, O., Hoogeveen, R., Landgraf, J., Snel, R., Tol, P., Ingmann, P., Voors, R., Kruizinga, B., Vink, R., Visser, H., Levelt, P.F. (2012) TROPOMI on the ESA Sentinel-5 Precursor: A GMES mission for global observations of the atmospheric composition for climate, air quality and ozone layer applications, Remote Sensing of Environment, 120, 70-83. [https://doi.org/10.1016/j.rse.2011.09.027]
• Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., Bengio, Y. (2018) Graph attention networks, Proceedings of the 6th International Conference on Learning Representations. [https://doi.org/10.48550/arXiv.1710.10903]
• Wang, X., Ji, H., Shi, C., Wang, B., Ye, Y., Cui, P., Yu, P.S. (2019) Heterogeneous graph attention network, The World Wide Web Conference (WWW ’19), ACM, pp. 2022-2032. [https://doi.org/10.1145/3308558.3313562]
• Wu, L., Xie, J., Kang, K. (2022) Changing weekend effects of air pollutants in Beijing under 2020 COVID-19 lockdown controls, npj Urban Sustainability, 2(1), 23. [https://doi.org/10.1038/s42949-022-00070-0]
• Yeo, M.J., Kim, Y.P. (2021) Long-term trends of surface ozone in Korea, Journal of Cleaner Production, 294, 125352. [https://doi.org/10.1016/j.jclepro.2020.125352]
• Yu, S.J., Son, Y.S. (2021) A review on characteristics of biogenic volatile organic compounds emitted from major tree species in South Korea, Journal of Korean Society for Atmospheric Environment, 37(5), 695-709, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2021.37.5.695]