통계분석을 이용한 경산 지역의 초미세먼지 (PM_2.5) 농도 특성 파악

1. 서 론

대기질 악화에 따른 인간의 대기질 개선을 위한 노력은 계속되고 있지만 각종 활동에 의하여 발생하는 여러 가지 대기오염물질은 사람이 일상생활 중 접하며 살고 있는 대기의 질을 지속적으로 악화시키고 있다. 또한, 다양한 오염원에서 배출된 입자상물질은 다양한 대기오염물질과 수많은 화학물질이 함유되어 있다. 다양한 오염원으로부터 배출된 대기오염물질은 가시광선 산란에 의한 시정악화 (visibility impairment), 산성침착 (acidic deposition), 스모그 (smog) 현상 등과 같은 지역규모 (regional scale)의 대기오염문제와 오존층 파괴, 온실효과 등과 같은 지구규모 (global scale)의 대기오염문제를 유발시킬 수 있다. 또한, 최근에는 중국의 급속한 산업발전과 석탄 사용량 증가에 따라 대량의 황산화물과 질소산화물 등 오염물질이 스모그 현상을 많이 발생시킨다. 중국 산동반도의 주요도시 웨이하이와 서울과의 거리는 약 400~500 km이고, 북경 주위의 도시와는 약 900 km 정도 떨어져 있다. 따라서 중국에서 배출된 오염물질이 편서풍의 영향을 받고 동북아 지역으로 이동하면서 한국에 유입되어 악영향을 미치고 있다 (Xiao et al., 2014; Kim, 2010). 대기 중 PM_2.5의 약 60% 정도를 차지하는 것으로 알려진 주요 이온성분 (SO₄^2-, NO₃^-, NH₄⁺ 등)은 중국에서 한국으로 유입되 는 오염물질의 농도, 지역적 특성, 계절 특성 등에 따라 다양한 농도 경향을 나타내고 있다 (Park et al., 2013a, b). 다양한 오염원에서 배출된 오염물질은 인간의 건강과 복지에도 심각한 악영향을 미치고 있는 실정이며, 많은 악영향 문제를 해결하기 위한 기술적, 경제적, 시간적, 행정적으로 투자를 많이 하여야 최종적으로 맑고 깨끗한 대기환경을 유지할 수 있다 (Hwang and Kim, 2003). 즉, 이러한 대기질 악화로 인한 인간의 건강과 재산상의 피해를 최소화하기 위해서는 먼저 대기오염물질에 대한 물리, 화학적 특성 분석이 선행되어야 하며, 이러한 자료를 바탕으로 합리적이고 효율적인 대기오염 제어기술 및 관리방안이 개발하여야 한다.

본 연구에서는 2010년 9월부터 2012년 12월까지 PM_2.5 채취기를 이용하여 총 260개의 시료를 확보하였다. 채취된 PM_2.5의 무기원소 성분, 이온성분, 탄소성분을 분석하였으며, 다양한 통계분석과 역궤적 분석 등을 통하여 장거리 이동 오염물질의 오염원을 추정하였다. 또한, PSCF (Potential source contribution function) 모델을 이용하여 장거리 이동하는 PM_2.5 및 각 화학성분의 잠재적 오염원 위치를 파악하고자 하였다.

2. 연구 방법 및 내용

2. 1 연구 대상 지역 및 연구 기간

PM_2.5 시료는 2010년 9월부터 2012년 12월까지 지상 으로부터 약 21 m 높이의 대구대학교 공과대학 6호관 옥상에 1.5 m 높이의 PM_2.5 채취기를 이용하여 총 260개의 시료를 채취하였다 (그림 1). 본 지역은 경상북도 경산시와 영천시의 경계 지역에 위치하고 있으며 (위도: 35.90, 경도: 128.86) 해발고도 약 75 m 정도이며, 채취위치의 남서쪽으로는 진량산업단지, 문천지 저수지, 남쪽으로는 경부고속도로, 북서쪽으로는 하양읍과 접해 있으며, 동쪽은 영천시와 인접해 있다.

Fig. 1.

The location of the sampling site.

본 연구 지역의 대기질에 영향을 미치는 오염원은 일반 도로, 고속도로 등을 통행하는 차량에 의한 선 오염원과 산업단지내의 공장, 제조업체 등에서 사용하는 연료, 그리고 주거지역의 취사 및 난방연료 사용에 따른 형성된 점·면 오염원이 있다. 또한, 폐기물 소각, 공사현장 등에서 나타내는 불특정 오염원 (fugitive source) 등으로 생각할 수 있다.

3. 결과 및 고찰

3. 1 PM_2.5와 각 성분들의 농도분포

연구기간 동안에 채취된 PM_2.5 중 24시간 대기환경기준을 초과한 횟수는 총 23회(2010년 8회, 2011년 8회, 2012년 7회)로서 전체시료의 약 9% 정도를 차지하는 것으로 조사되었다. 연도별로는 2010년 29.9 μg/m³, 2011년 25.2 μg/m³, 2012년 23.8 μg/m³으로 점차 감소하는 경향을 나타내고 있다. 계절별 농도 경향은 겨울 (34.09 μg/m³)>봄 (24.58 μg/m³)>가을 (24.57 μg/m³)>여름 (16.62 μg/m³)의 순으로 조사되었다. 도심지역의 농도 경향과는 약간의 차이가 있으며, 본 연구 지역의 경우 겨울철에는 난방용 화석연료의 사용 급증 등으로 인해 높은 농도를 나타내는 것으로 사료된다.

무기원소의 경우 총 17개 항목을 분석하였으며, 이 중 Al (0.21 μg/m³), Ca (0.23 μg/m³), Fe (0.38 μg/m³), K (0.34 μg/m³), Na (0.27 μg/m³), Pb (0.17 μg/m³), Si (0.21 μg/m³), 그리고 Zn (0.11 μg/m³) 등이 다른 항목에 비해 높은 농도를 나타내었다. 또한 PM_2.5의 평균농도 중 무기원소들이 차지하는 농도는 약 8.4%로 조사되었다 (표 1). 이온성분의 경우에는 PM_2.5의 평균농도 중 약 59.6 %를 차지하는 것으로 조사되었다. 특히, NO₃^-, SO₄^2-, NH₄⁺의 평균농도는 각각 5.62 μg/m³, 4.74 μg/m³, 2.86 μg/m³으로 높은 농도를 나타내는 것으로 조사되었다 (표 1). 탄소성분의 평균농도는 5.56 μg/m³ (OC 4.29 μg/m³, EC 1.27 μg/m³)으로 조사되었으며, 이는 PM_2.5의 평균농도 중 약 22.0%를 차지하는 것이다. OC의 농도는 겨울철 (5.23 μg/m³)>가을철 (5.07 μg/m³)>봄철 (3.44 μg/m³)>여름철 (2.90 μg/m³)의 순으로 조사되었으며, EC의 경우 역시 겨울철 (1.67 μg/m³)>가을철 (1.65 μg/m³)>봄철 (0.89 μg/m³)>여름철 (0.62 μg/m³)의 순으로 조사되었다 (표 1).

Table 1.

Seasonal average concentration (ng/m3) of PM2.5, elements, ionic species, OC, and EC during the sampling periods.

3. 2 인자분석 결과

연구기간 동안 채취한 PM_2.5 시료 중 각 항목들 사이의 상관성을 파악하고 원소 간의 변화성(common variability)을 갖는 변수들을 군집화하여 본 연구 지역의 주요 오염원 패턴을 분류하기 위하여 인자분석을 수행하였다. 인자분석 수행 시 연구 대상 지역의 오염원 특성을 가장 잘 설명해 주는 인자분석 결과를 도출하기 위하여 인자분석 시 제외할 수 있는 항목들은 제외하고 인자분석을 수행하였다. 최적의 인자 수를 결정하기 위하여 고유치 (eigenvalue) 1.0 이상, 누적 기여율이 60% 이상에서 최적 인자수를 4개로 결정하였다. 인자분석의 적합성을 확인하기 위하여 KMO (Kaiser-Meyer-Olkin) 값을 사용하였으며, 0.66로 나타나 적합한 분석으로 확인되었다 (Hwang and Kim, 1998). 그 결과를 표 2에 나타내었다. 각 인자들은 오염원에서 배출된 오염물질의 생성 특성을 반영하는 것으로, 특정 오염원의 영향을 대변할 수 있다.

Table 2.

Results of factor analysis (varimax rotation).

인자 1의 경우 K, K⁺, SO₄^2-, NH₄⁺, NO₃^- 등이 높게 나타났고, 이는 생체 소각 (K, K⁺) 및 2차 에어로졸 (SO₄^2-, NH₄⁺, NO₃^-)로 추정된다 (Hwang, 2010; Reff et al., 2009). 인자 2는 Mg, Ca, Si, Al의 항목으로 대표적인 토양원소로만 이루어져 있다. 따라서 토양성분 (Mg, Ca, Si, Al)에 의한 자연적인 오염원에 의한 것으로 판단된다 (Lestari and Mauliadi, 2009). 인자 3의 경우 Cr, Ni, Fe, Cu의 항목으로 이루어져 있는데, 이는 산업관련 오염원으로 판단된다 (Waston et al., 1999). 인자 4는 Cl^-, EC, OC, Zn의 항목으로 이루어져 있다. 이 항목들은 소각 오염원 (Cl^-, EC, OC)으로 분류하였으며, Zn는 자동차 타이어 마모에 의해 배출된 오염원으로 추정된다 (Han et al., 2011; Vega et al., 2004; Watson et al., 1988a, b, c).

3. 3 역궤적 군집분석

방향과 궤적의 이동 속도에 따른 K- 평균군집화 (k-means clustering algorithm)를 이용한 총 6개 군집으로 분류하였다 (Liu et al., 2013; Wang et al., 2010). 본 연구의 주된 목적이 장거리 이동 오염물질의 오염원을 추정하는 것이기 때문에 각 군집에 대한 고찰에서 주로 장거리 이동에 관련하여 고찰을 수행하였다. 국내 오염원에 대한 고찰은 다음의 문헌을 참고할 수 있다 (Jeong and Hwang, 2015).

군집 1은 일본 오키나와 부근 바다에서 유입되어 제주도 지역을 통과하는 경로이며, 군집 2는 중국 지린성으로부터 유입되어 북한 함경북도를 통과하는 경로이다. 군집 3은 중국 내몽골 사막지역 근처에서 랴오닝성 공업지역을 거쳐 유입되는 경로이고, 군집 4는 중국 내몽골 고비사막에서 유입되고 허베이성과 산동성 공업지역을 거쳐 유입되는 경로이다. 군집 5는 러시아 부랴트 공화국에서 유입되고 몽골, 중국 내몽골 사막지역과 려오닝 공업지역을 거쳐 유입되는 경로이며, 군집 6은 태평양에서 유입되고 일본 세토우치 공업지역을 통과하여 유입되는 사례이다 (그림 2).

Fig. 2.

Cluster analysis of back-trajectories calculated by the HYSPLIT model.

군집별 특징을 살펴보면 (표 3) 군집 3은 PM_2.5의 농도가 32.06 μg/m³으로 조사되었고 궤적별 발생비율은 29%로 가장 많이 차지하는 것으로 조사되었다. 군집 4의 경우 PM_2.5 농도가 34.15 μg/m³로 가장 높게 나타내었다. 그리고 군집 4와 군집 5의 경우 모두 고비사막을 통해서 유입되는 경로로 조사되었으며, 각 군집의 성분을 살펴보면 이들 군집의 특성은 무기원소 중 지각원소로 알려진 Al, Ca, Fe, Si 등의 농도가 다른 군집에 비해 높은 것으로 조사되었다 (표 4). 또한, 군집 3과 군집 4는 공업단지가 집중된 중국 동해안을 통해 유입되는 경로로 나타났고, 군집의 이온 성분을 살펴보면 2차 에어로졸 성분 NO₃^-, SO₄^2-, NH₄⁺가 높은 농도로 조사되었다.

Table 3.

The trends of PM2.5 and species concentrations for each cluster. (Unit: μg/m3)

Table 4.

The elements and ionic species concentration of each cluster. (Unit: μg/m3)

PM_2.5 질량농도가 50 μg/m³를 초과한 결과는 총 23개를 조사되었으며, 선정된 고농도 사례에 대한 역궤적 분석을 실행하였다. 그림 3에 50 μg/m³를 초과한 사례에 대한 총 4 군집으로 분류되었으며, 군집 1, 3은 중국 내몽골 고비사막을 기원으로 유입되는 경로이고, 군집 2는 러시아에서 유입되고 몽골, 중국 내몽골 지역의 고비사막을 거쳐 유입되는 경로이고, 군집 4는 중국 산동성 청도의 황도 공업지역에서 한국으로 유입되는 경로로 조사되었다.

Fig. 3.

Backward trajectories calculated high concentration in study area.

3. 4 PSCF 모델 결과

본 연구에서는 좀 더 합리적인 PSCF 모델링 결과를 얻기 위하여 PM_2.5 질량농도에 따른 상위 33.3% (46.87 μg/m³), 중위 33.3% (23.95 μg/m³), 하위 33.3% (13.37 μg/m³) 세 군집으로 나누었고, 모델링 입력 자료는 PM_2.5 질량농도에 따른 중위권 부분의 장거리 이동 항목 중 수용성 이온 (Cl^-, K⁺, Na⁺), 탄소성분 (OC, EC), 2차입자들 (NH₄⁺, NO₃^-, SO₄^2-)과 상위권 중 PM_2.5 질량농도에 대하여 모델을 실행하였다 (Perrone et al., 2013; Kukkonen et al., 2008).

PSCF 결과 (그림 4) 중 PM_2.5의 경우 주로 몽골, 중국 내몽골, 안휘성, 강소성, 하난성 지역이 큰 영향을 주는 배출원으로 나타났으며, 몽골, 중국 내몽골은 사막지역이 존재하고, 안휘성, 강소성, 하난성 지역은 공업단지가 많이 있는 것으로 조사되었다. Cl^-와 Na⁺은 주로 동해의 영향이 큰 것으로 조사되었다. EC, OC, K⁺의 경우는 백두산 산림 화재, 가을철 동북 지역 불법소각과 내몽골 초원 화재, 산림 화재로 조사되었다 (Chinanews, 2012; Nocutnews, 2012). NH₄⁺는 중국의 저장성 그리고 상해 지역 등에서 배출되어 장거리 이동하여 영향을 미치는 것으로 조사되었다. 중국 저장성의 경우는 중국에서 대표적인 농업지역으로서 모델링 결과와 잘 일치하는 경향을 나타내었다. 그러나 동해의 경우는 trailing effect일 가능성도 있으므로 이에 대한 연구가 추후 진행되어야 할 것으로 사료된다. NO₃^-의 잠재적 오염원은 중국 내몽골 지역과 동북 지역으로 조사되었고, 내몽골 지역은 산업과 발전시설이 위치하고 있었으며, 동북 지역의 경우는 NO₃^- 오염원에 대한 확실한 정보가 없어 추후 이에 대한 연구가 필요할 것으로 판단된다. SO₄^2-은 중국 동해안 지역이 가장 영향이 큰 배출원으로 나타났으며, 이는 백여 개의 화력발전소와 겨울철에 수많은 석탄용 난방시설이 있기 때문으로 사료된다.

Fig. 4.

Potential source locations each elements using the PSCF model.

4. 결 론

본 연구에서는 경산 지역 PM_2.5 농도 특성 파악을 위하여 대구대학교 공과대학 6호관 옥상에서 PM_2.5 채취기를 이용하여 2010년 9월부터 2012년 12월까지 총 260개의 시료를 확보하였다. 측정된 초미세먼지의 질량농도, 무기원소, 이온성분, 탄소성분을 이용하여 인자분석, 역궤적 군집분석과 PSCF 모델을 이용한 잠재적 오염원 위치를 추정하고자 하였다. 즉, 인자분석의 수행에서는 연구 지역의 오염원을 정성적으로 추정하였으며, 역궤적 분석 및 PSCF 모델링 수행의 주된 목적은 장거리 이동물질에 대한 잠재적 오염원의 파악이다.

인자분석을 수행한 결과 본 연구 지역의 경우 생체 소각 오염원 및 2차 에어로졸, 토양 오염원, 산업관련 오염원, 불법소각 및 자동차 오염원으로 조사되었다. HYSPLIT 모델을 통한 역궤적 군집분석을 수행하였으며, 총 6개의 군집으로 분류하였다. 궤적의 유입 경로는 대부분 중국으로부터 유입되거나 중국을 거쳐서 한국으로 유입되는 것으로 조사되었다. PM_2.5 질량농도가 50 μg/m³ 이상일 때 약 89%의 유입경로는 고비사막을 거쳐서 유입되거나 고비사막으로부터 유입되는 것으로 조사되었다. 측정 분석된 자료를 이용한 PSCF 모델로 잠재적 오염원의 위치를 파악하였다. 대부분의 경우 중국 화북 공업지역, 화동 공업지역, 동북 지역과 몽골 사막지역으로부터 장거리 이동되어 국내에 영향을 미치고 있는 것으로 파악되었다.

References

• Chinanews, (2012), http://www.chinanews.com/gn/2013/05-08/4797346.shtml.
• Han, S., J.S. Youn, and Y.W. Jung, (2011), Characterization of PM₁₀ and PM_2.5 source profiles for resuspended road dust collected using mobile sampling methodology, Atmos. Environ, 45(20), p3343-3351. [https://doi.org/10.1016/j.atmosenv.2011.04.015]
• Han, Y.J., (2006), Source Identification of Gaseous Mercury Measured in New York State Using Hybrid Receptor Modeling, J. Korean Soc. Atmos. Environ, 22(2), p179-189, (in Korean with English abstract).
• Heo, J.B., J.E. McGinnis, B. Foy, and J.J. Schauer, (2013), Identification of potential source areas for elevated PM_2.5, nitrate and sulfate concentrations, Atmos. Environ, 71, p187-197. [https://doi.org/10.1016/j.atmosenv.2013.02.008]
• Hwang, I.J., (2010), Source Identification and Estimation of Source Apportionment of Ambient PM_2.5 at Western National Park Site in USA, J. Korean Soc. Atmos. Environ, 26(1), p21-33, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2010.26.1.021]
• Hwang, I.J., and D.S. Kim, (1998), Studies on the chemical compositions and distributions of ambient submicron aerosols, J. Korean Soc. Atmos. Environ, 14(1), p11-23, (in Korean with English abstract).
• Hwang, I.J., and D.S. Kim, (2003), Source Identification of Ambient PM-10 Using the PMF Model, J. Korean Soc. Atmos. Environ, 19(6), p701-717, (in Korean with English abstract).
• Hwang, I.J., and P.K. Hopke, (2007), Estimation of source apportionment and potential source locations of PM_2.5 at a west coastal IMPROVE site, Atmos. Environ, 41(3), p506-518. [https://doi.org/10.1016/j.atmosenv.2006.08.043]
• Jeong, Y.J., (2015), A study on source apportionment of PM2.5 in Gyeongsan using positive matrix factorization, thesis of master of engineering, Daegu University.
• Jeong, Y.J., and I.J. Hwang, (2015), Source apportionment of PM2.5 in Gyeongsan using the PMF model, J. Korean Soc. Atmos. Environ, (submitted).
• Ju, J.H., and I.J. Hwang, (2012), A Statistical Analysis and Spatial Distribution Analysis for Deposition Characteristics of Fall-out Particles, J. Korean Soc. Atmos. Environ, 28(3), p294-305. [https://doi.org/10.5572/KOSAE.2012.28.3.294]
• Kim, I.S., and C.H. Kim, (2008), A Factor Analysis on the SME Growth in Ansan Industrial Complex : Bussiness Size, R&D Ability and Digitalization, Korean Economic and Bussiness association, 26(1), p117-140.
• Kim, Y.J., (2010), A study on Characteristics of Long-range Transport Aerosol by Transport Patterns in Northeast Asia, Ph. D. Thesis, Konkuk University.
• Kukkonen, J., R. Sokhi, L. Luhana, J. Harkonen, T. Salmi, M. Sofiev, and A. Karppinen, (2008), Evaluation and application of a statistical model for assessment of long-range transported proportion of PM_2.5 in the United Kingdom and in Finland, Atmos. Environ, 42(17), p3980-3991. [https://doi.org/10.1016/j.atmosenv.2007.02.036]
• Lee, H.L., S.S. Park, K.W. Kim, and Y.J. Kim, (2008), Source identification of PM_2.5 particles measured in Gwangju, Korea, Atmospheric Research, 88, p199-211. [https://doi.org/10.1016/j.atmosres.2007.10.013]
• Lee, J.H., and P.K. Hopke, (2006), Apportioning sources of PM_2.5 in St. Louis, MO using speciation trends network data, Atmos. Environ, 40, p360-377. [https://doi.org/10.1016/j.atmosenv.2005.11.074]
• Lestari, P., and Y.D. Mauliadi, (2009), Source apportionment of particulate matter at urban mixed site in Indonesia using PMF, Atmos. Environ, 43(10), p1760-1770. [https://doi.org/10.1016/j.atmosenv.2008.12.044]
• Liu, N., Y. Yu, J.J. He, and S.P. Zhao, (2013), Integrated modeling of urban scale pollutant transport: application in a semi - arid urban valley, Northwestern China, Atmospheric Pollut. Res, 4(3), p306-314. [https://doi.org/10.5094/APR.2013.034]
• Nocutnews, (2012), http://www.nocutnews.co.kr/news/941395.
• Park, S.S., S.J. Kim, B.J. Gong, K.H. Lee, S.Y. Cho, J.C. Kim, and S.J. Lee, (2013a), Investigation on a Haze Episode of Fine Particulate Matter using Semicontinuous Chemical Composition Data, J. Korean Soc. Atmos. Environ, 29(5), p642-655, (in Korean with English abstract). [https://doi.org/10.5572/KOSAE.2013.29.5.642]
• Park, S.S., S.A. Jung, B.J. Gong, S.Y. Cho, and S.J. Lee, (2013b), Characteristics of PM_2.5 Haze Episodes Revealed by Highly Time-resolved Measurements at an Air Pollution Monitoring Supersite in Korea, Aerosol Air Quality Research, 13(3), p957-976. [https://doi.org/10.4209/aaqr.2012.07.0184]
• Perrone, M.R., S. Becagli, Z.A. Garcia Orza, R. Vecchi, A. Dinoi, R. Udisti, and M. Cabello, (2013), The impact of long-range-transport on PM₁ and PM_2.5 at a Central Mediterranean site, Atmos. Environ, 71, p176-186. [https://doi.org/10.1016/j.atmosenv.2013.02.006]
• Polissar, A.V., P.K. Hopke, and J.M. Harris, (2001), Source regions for atmospheric aerosol measured at Barrow, Alaska, Environ. Sci. Technol, 35(21), p4214-4226. [https://doi.org/10.1021/es0107529]
• Reff, A., P.V. Bhave, H. Simon, T.G. Pace, G.A. Pouliot, D.J. Mobley, and M. Houyoux, (2009), Emission inventory of PM_2.5 Trace Elements across the United States, U.S. Enviornment Protection Agency, Research Triangle Park, NC 27711.
• U.S. EPA, (2011), Federal Register Part Ⅲ, 40 CFR Part 136, Guidelines establishing test procedures for the analysis of pollutants.
• Vega, E., E. Reyes, H. Ruiz, J. Garcia, G. Sanchez, G. Martinez-Villa, U. Gonzalez, J.C. Chow, and J.G. Watson, (2004), Analysis of PM_2.5 and PM₁₀ in the atmosphere of Mexico City during 2000-2002, J. Air Waste Manage. Assoc, 54, p786-798. [https://doi.org/10.1080/10473289.2004.10470952]
• Wang, F., D.S. Chen, S.Y. Cheng, J.B. Li, M.J. Li, and Z.H. Ren, (2010), Identification of regional atmospheric PM₁₀ transport pathways using HYSPLIT, MM5-CMAQ and synoptic pressure pattern analysis, Environmental Modelling and Software, 25(8), p927-934. [https://doi.org/10.1016/j.envsoft.2010.02.004]
• Watson, J.H., J.C. Chow, S.D. Kohl, H. Kuhns, N.F. Robinson, C.A. Frazier, and V. Etyemezian, (1999), Annual report for the robbins particulate study, Prepared for Versar Inc, Lombard, IL, by Desert Research Institute, Reno, NV.
• Watson, J.G., J.C. Chow, L.W. Richards, S.R. Andersen, J.E. Houck, and D.L. Dietrich, (1988a), The 1987-88 Metro Denver Brown Cloud Air Pollution Study, Volume II : Measurements, Report No. 8810.1F2, Prepared for 1987-88 Metro Denver Brown Cloud Study, Inc. Greater Denver Chamber of Commerce, Denver, CO, by Desert Research Institute, Reno, NV.
• Watson, J.G., J.C. Chow, L.W. Richards, S.R. Andersen, J.E. Houck, and D.L. Dietrich, (1988b), The 1987-88 Metro Denver Brown Cloud Air Pollution Study, Volume I : Program plan, Report No. 8810.1F1, Prepared for 1987-88 Metro Denver Brown Could Study, Inc.; Greater Denver Chamber of Commerce, Denver, CO, by Desert Research Institute, Reno, NV.
• Watson, J.G., J.C. Chow, L.W. Richards, S.R. Andersen, J.E. Houck, and D.L. Dietrich, (1988c), The 1987-88 Metro Denver Brown Cloud Air Pollution Study, Volume III : Data interpretation, Report No. DRI 8810.1, Prepared for 1987-88 Metro Denver Brown Cloud Study, Inc., Greater Denver Chamber of Commerce, Denver, CO, by Desert Research Institute, Reno, NV.
• Xiao, S., Q.Y. Wang, J.J. Cao, R.J. Huang, W.D. Chen, Y.M. Han, H.M. Xu, S.X. Liu, Y.Q. Zhou, P. Wang, J.Q. Zhang, and C.L. Zhan, (2014), Long-term trends in visibility and impacts of aerosol composition on visibility impairment in Baoji, China, Atmospheric Research, 149, p88-95. [https://doi.org/10.1016/j.atmosres.2014.06.006]