모의 대상 영역은 국외 수송을 고려하기 위한 동아시아 영역(27 km 격자)과 한반도 영역(9 km 격자), 권역 간 수송의 영향을 상세히 보기 위한 남한 영역(3 km 격자) 등으로 구성하였다. 연구 대상 기간은 미세먼지 고농도 기간을 포함하는 2022년 1월 1일부터 3월 31일이다. 환경부 국립환경과학원은 권역별 미세먼지 발생 원인 규명을 위해 권역별 대기환경연구소를 확대 운영하고 있으며, 본 연구에 사용한 대기환경연구소 자료는 2022년 기준으로 운영 중인 백령도, 수도권(서울), 호남권(광주), 중부권(대전), 제주도, 영남권(울산), 경기권(안산), 충청권(서산), 전북권(익산), 강원권(춘천) 등 총 10개소를 포함한다(그림 1). 권역별 대기환경연구소에서 생산되는 자료 중 1시간 간격으로 제공되는 PM_2.5 질량 농도, 이온성분(NO₃^-, SO₄^2-, NH₄⁺, Na⁺, K⁺, Ca²⁺, Mg²⁺, Cl^-) 농도, 탄소성분(OC, EC) 농도를 사용하였다.

Fig. 1. 
Simulation domains of CMAQ model (left). Locations of Air Quality Research Center (AQRC) in South Korea (right).

2021년 대기환경연구소 연간 운영 결과보고서에 따르면(NIER, 2022), PM_2.5 질량 농도는 베타선 흡수법의 원리를 이용한 BAM-1020 (Met One Ins.)으로 측정한다. 대기 중 입경 2.5 µm 이하의 입자를 16.7 L/min 유속으로 필터에 채취한 후 시료 채취 전과 후의 베타선 감쇠량으로부터 PM_2.5의 질량 농도를 계산하는 방식이다. 이온성분 농도는 Ambient Ion Monitor(URG CO., 9000D, AIM)로 측정한다. 대기 중 에어로졸을 3 L/min의 유량으로 채취하며, 채취된 시료를 이온크로마토그래피(Ion Chromatography, IC) 기법으로 분석한다. 탄소성분 농도는 NIOSH 분석법 및 EPA STN 분석법을 기반으로 한 열광학적 분석법(thermal/optical transmittance method)과 비분산 적외선 분석법(non-dispersive infrared method)으로 측정한다.

CMAQ 모델은 기상장과 배출량 입력자료를 필요로 한다. 기상 입력자료는 중규모 기상 모델인 Weather Research and Forecasting model (WRF) version 4.3을 사용하였다. WRF는 96시간 간격으로 모의하였으며, 모델의 초기 안정화 시간으로 24시간은 분석에서 제외하였다. CMAQ 모델은 14일의 초기 안정화 이후 24시간씩 연속 모의를 수행하였다. 모의 대상 기간은 CMAQ 모델의 안정화 시간을 포함하여 2021년 12월 17일 00 UTC부터 2022년 4월 1일 00 UTC까지다. 기상 모델의 초기 및 경계 조건은 National Center for Environmental Prediction (NCEP)에서 제공하는 Final Analysis (FNL) 1.0° ×1.0° 자료를 사용하였다. Land-use/land-cover (LULC) 입력자료로 27 km와 9 km 영역에는 United States Geological Survey (USGS)의 제공 자료를 사용하였으며, 3 km 영역에는 2020년 우리나라 환경부(Korea Ministry of Environment, KME)에서 제공한 최신 토지피복 자료를 사용하였다. WRF 모델이 생산한 기상자료는 the Meteorology-Chemistry Interface Processor (MCIP)를 통해 전처리하여 CMAQ 모델의 입력자료로 사용되었다. CMAQ 모델에서 사용한 배출량 자료는 환경부 국가미세먼지정보센터에서 제공하는 27 km - 9 km - 3 km 영역 배출 입력자료다. 이 중에서 인위적 배출량은 Sparse Matrix Operator Kernel Emissions (SMOKE) 모델링의 결과다(Benjey et al., 2001). 국내 인위적 배출량은 2021년 대기정책지원시스템(CAPSS 2021) 배출 목록에 기반하였으며(NAIR, 2023), 국외 인위적 배출량은 Satellite Integrated Joint Monitoring of Air Quality (SIJAQ) version 2 배출 목록을 활용하였다. 자연적 배출량은 Model of Emissions of Gases and Aerosols from Nature (MEGAN)의 결과를 이용하였다(Guenther et al., 2006).

본 연구에서는 CMAQ version 5.3.2를 활용하여 대기오염물질 농도장을 모의하였다. CMAQ 모델의 모의 영역은 WRF 모델을 따라 동아시아, 한반도, 남한을 포함한 지역으로 중심 위경도는 126°E, 38°N이다. 수평 격자 크기는 각각 27 km, 9 km, 3 km이며, 연직층은 38층으로 대기 경계층 내 대기오염물질의 권역간 수송 과정을 상세히 모의하도록 설계하였다. 지도투영법은 Lambert conformal conic project 좌표계를 기반으로 하였다. 가스상 물질 화학 메커니즘은 Statewide Air Pollution Research Center (SAPRC) 07을 사용하였으며(Carter, 2010), 에어로졸 모듈은 AERO6(the aerosol module version 6)를 사용하였다. 이외 모델에 설정된 옵션들은 표 1에 정리하였다.

본 연구에서는 PM_2.5 질량 농도와 개별 구성성분 농도마다 각각의 기계학습 모델을 구축하였으며, 이때 10개 지점의 대기환경연구소 측정 자료를 모두 학습에 사용하였다. 입력한 학습자료는 PM_2.5, 이온 성분(NO₃^-, SO₄^2-, NH₄⁺, Na⁺, K⁺, Ca²⁺, Mg²⁺, Cl^-), 탄소 성분(OC, EC) 농도다. 구축한 기계학습 모델에서 CMAQ 모델 자료를 입력자료로, 대기환경연구소 측정 자료를 목적 변수로 설정하였다. 기계학습 모델 구축 시 입력자료에 결측값이 포함되면 학습이 이루어지지 않는다. 따라서 한 가지 성분이라도 농도 데이터가 없는 시간대는 분석 대상에서 제외하였다. 기계학습 입력 변수로 사용하기 위해 WRF-CMAQ 모델의 3 km 영역 내 대기환경연구소가 위치한 지점의 격자 자료를 추출하였다. 기계학습 모델 구축 시 전체 입력자료를 랜덤하게 8 : 2로 분할하여 학습과 검증에 사용하였다(그림 2). 입력자료의 독립 변수 간 다중공선성이 있는 경우 이를 배제하기 위해 독립 변수 간 0.8 이상의 상관계수를 보이는 두 변수 중 변수 기여도가 높은 변수 하나만 사용하였다(Guyon and Elisseeff, 2003). 또한 풍향과 풍속 자료는 u, v 성분 바람으로 변환하였다. 최종적으로 기계학습에 사용된 변수를 표 2에 정리하였다.

Fig. 2. 
Data pre-processing workflow in the machine learning model.

CMAQ 모델의 PM_2.5 성분 농도를 기계학습 모델로 후보정하는 방법에 관한 모식도를 그림 3에 나타내었다. 기계학습 모델은 관측자료가 존재하는 격자 지점에서 입력 변수만을 학습하여 구축되었다. 해당 모델은 학습 시 활용된 변수들을 기반으로 실행되므로 동일한 변수를 입력하면 보정된 값을 산출할 수 있다. 변수 선정 시 CMAQ 모델의 성분 농도 외에 위경도, 토지 및 기상자료 등을 입력변수로 사용하였다. 이 중 위경도로 대표되는 위치 정보는 지상 관측 지점의 PM_2.5 성분 농도를 학습한 후 전체 영역의 공간 분포를 개선하기 위한 입력자료로 사용된다 (Di et al., 2019). 따라서 기계학습 모델에 CMAQ 모의 결과를 입력하면 관측자료가 없는 지점에서도 기상 및 지형 조건을 반영하여 보정된 농도를 산출할 수 있다. 예를 들어, CMAQ 모델의 3 km 해상도 자료에서 개별 격자 내 특정 성분 농도를 기계학습 입력자료 형태로 변환 후 기계학습 모델에 입력하면, 해당 격자에서 보정된 성분농도를 얻게 된다. 이 과정을 CMAQ 모델의 모든 격자에 반복적으로 수행하면 기계학습을 통해 보정된 CMAQ 모델의 PM_2.5 구성성분 농도장을 생성할 수 있다.

Fig. 3. 
Data post-processing workflow in the machine learning model.

본 연구에서는 검증지표로 상관계수(Correlation, r), 평균 제곱근 오차(Root Mean Square Error, RMSE), 평균 절대 오차(Mean Absolute Error, MAE)를 활용하였다. 위 지표들은 모델 예측 성능 평가에 주로 사용되는 지표이다. r 값은 1에 가까울수록 강한 양의 상관관계를 가지며, -1에 가까울수록 강한 음의 상관관계, 0에 가까울수록 상관관계가 약한 것을 의미한다. RMSE는 예측값과 관측값의 차이를 제곱한 후 평균을 구하고 그 평균값에 제곱근을 취하여 계산되며, 값이 작을수록 예측 모델의 성능이 정확함을 의미한다. MAE는 예측값과 관측값 간의 절대적인 차이를 평균하여 계산되며, 값이 작을수록 모델의 정확도가 높다. 검증지표는 식 (1)~(3)과 같이 계산되며 수식에서 M_i는 i번째 모델값, M-은 모델값의 평균, O_i는 i번째 관측값, O-는 관측값의 평균, N은 총 데이터 수를 의미한다.

기계학습 알고리즘 중 트리 기반 앙상블 알고리즘(Tree-based ensemble algorithm)은 다양한 의사 결정나무(Decision Tree)를 결합하는 방법이다. 트리 기반 앙상블 알고리즘은 PM_2.5 예측 연구에서 높은 예측 성능을 나타내는 것으로 보고되고 있다(Kim et al., 2022; Ghahremanloo et al., 2021; Park et al., 2021). 기계학습은 입력자료 특성에 따라 최적의 알고리즘이 다르기 때문에 기계학습 모델 구축 시 알고리즘을 비교하여 최적의 알고리즘을 적용해야 한다(Kim et al., 2023; Jeong and Kwak, 2022). 본 연구는 트리 기반 앙상블 알고리즘 중 Random Forest (RF), Extra Trees (ET), Extreme Gradient Boosting (XGboost), Light Gradient Boosting Machine (LightGBM)의 성능을 비교하였다. 최적의 알고리즘을 선정하기 위해 각 알고리즘에 대해 k겹 교차 검증(k-fold cross validation, k-fold)을 수행하였다. k-fold는 전체 데이터를 k개의 부분 집합으로 나눈 후 학습 집단과 검증 집단을 교차하여 k번 반복 검증하는 방법이며, 본 연구에서는 k를 5로 설정하였다. 교차검증 과정에서 r, RMSE, MAE와 같은 검증 지표를 사용하여 모델 예측 정확도를 평가한 후 가장 우수한 알고리즘을 최적의 알고리즘으로 선정하였다. 성분별 기계학습 모델의 검증지표를 알고리즘별로 평균한 결과, ET가 상관계수 0.92, MAE 0.78 µg/m³, RMSE 1.27 µg/m³로 가장 우수한 성능을 보였다. 중앙값 또한 ET가 상관계수 0.94, MAE 0.19 µg/m³, RMSE 0.41 µg/m³로 나타나 가장 우수한 성능을 나타냈다(그림 4). ET 알고리즘은 기존 RF 방법보다 의사결정 나무 분할 시 무작위성이 높아 데이터의 패턴을 학습하는 데 유리하기 때문에 우수한 예측 성능을 낼 수 있다(Geurts et al., 2006). 따라서 본 연구에서는 ET를 최적 알고리즘으로 선정하여 기계학습 모델 구축에 사용하였다.

Fig. 4. 
5-fold cross-validation results of machine learning models (RF, ET, XGBoost, and LGBM) for PM_2.5 components.

선정한 ET 모델을 이용하여 CMAQ 모델 자료와 대기환경연구소 측정 자료를 학습하여 모델을 구축하였다. 기계학습 모델 후처리 결과가 기존 CMAQ 모델 결과보다 얼마나 개선되었는지 평가하기 위해 대기환경연구소 측정 자료를 무작위로 나누어 전체 기간 중 80%는 학습, 20%는 검증에 사용하였다. 검증 자료를 통해 기존 CMAQ 모델의 PM_2.5 및 구성성분 모의 농도와 측정 농도를 비교한 산점도를 그림 5에 나타냈다. CMAQ 모델 검증 결과에서 NO₃^-은 상관계수가 0.64, SO₄^2-는 0.62, NH₄⁺는 0.70으로 나타났다. 이외 다른 이온 성분 Na⁺, K⁺, Ca²⁺, Mg²⁺, Cl^-의 상관계수는 순서대로 각각 0.33, 0.35, 0.21, 0.39, 0.25였다. 탄소 성분인 OC, EC의 상관계수는 각각 0.43, 0.55로 나타났다.

Fig. 5. 
Scatter plots comparing the simulated PM_2.5 and its component concentrations using the CMAQ model with the observed concentrations.

그림 6은 그림 5와 마찬가지로 기계학습 검증 자료를 활용하여 기계학습으로 후처리된 CMAQ 모델(CMAQ-ML)의 PM_2.5 및 구성성분 농도와 측정 농도를 비교한 산점도다. 기계학습 모델 검증 결과에서 NO₃^-은 상관계수가 0.95, SO₄^2-는 0.94, NH₄⁺는 0.95로 성능이 우수하였다. 다른 이온 성분인 Na⁺, K⁺, Ca²⁺, Mg²⁺, Cl^-의 상관계수는 순서대로 각각 0.96, 0.95, 0.95, 0.94, 0.83이었다. 탄소 성분인 OC, EC의 상관계수는 각각 0.88, 0.89로 나타났다. 기계학습 모델을 적용하기 전의 기존 CMAQ 모델은 전반적으로 각 구성성분 농도를 과소 모의하는 경향을 보였으며, 특히 이온 성분 물질에 대한 모의 성능이 낮았다. 이는 기존 모델의 성분 농도에 대한 입력자료에 대한 불확실성과 함께 모델 내 황산염, 질산염, 암모니아 간 반응에 대한 메커니즘 이해가 부족하기 때문으로 판단된다(Smyth et al., 2006). 반면, 기계학습 모델을 적용함으로써 전반적으로 구성성분 농도의 모의 성능이 개선됨을 확인하였다. 특히, 이온 성분에 대한 모의 성능이 향상되었으며, 탄소 성분의 상관계수도 개선되어 보다 현실적인 PM_2.5 및 성분 농도를 모의하였다.

Fig. 6. 
Scatter plots comparing the simulated PM_2.5 and its component concentrations using the CMAQ-ML model with the observed concentrations.

고농도 PM_2.5 대상 기간 선정은 미세먼지 비상저감조치 기준을 참고하였다. 미세먼지 비상저감조치란 당일 0시부터 16시까지의 평균 PM_2.5 농도가 50 µg/m³를 초과하고 다음 날의 일평균 PM_2.5 농도가 50 µg/m³를 초과할 것으로 예측되거나 또는 다음 날의 일평균 PM_2.5 농도가 75 µg/m³를 초과할 것으로 예측될 때 발령할 수 있다(MOE, 2022). 본 연구에서 위의 기준을 참고하여 연구 대상 기간 중 수도권을 기준으로 고농도 PM_2.5 사례 기간을 선정하였다. 선정된 고농도 PM_2.5 사례 기간은 2022년 2월 25일 10시부터 26일 11시까지다. 사례 기간의 평균 PM_2.5 농도는 수도권 대기환경연구소에서 74.0 µg/m³로 다른 권역보다 높았다. 경기권, 강원권, 호남권, 전북권, 중부권 대기환경연구소에서도 사례 기간 평균 PM_2.5 농도가 60 µg/m³를 초과하였다. 반면, 영남권, 제주도 대기환경연구소에서는 사례 기간 평균 PM_2.5 농도가 50 µg/m³ 이하로 상대적으로 낮은 농도 수준을 보였다. 보도자료에 따르면 해당 기간 백령도에서 고농도 PM_2.5 현상이 관측된 후 시차를 두고 내륙 지역에서 농도가 증가하는 경향을 보였다(Kwak, 2022). 또한 시베리아 고기압이 발달하며 북서풍이 강해진 것으로 보고되었다. 종합적으로 외부 유입에 의해 내륙 지역에서 고농도 PM_2.5 현상이 발생한 것으로 판단된다 (KMA, 2022).

그림 7은 고농도 PM_2.5 사례 기간 동안 CMAQ 모델이 모의한 PM_2.5, NO₃^-, SO₄^2-, NH₄⁺, OC, EC 농도의 분포와 대기환경연구소에서 관측된 성분 농도를 비교한 그림이다. CMAQ 모델이 모의한 PM_2.5의 공간분포를 분석한 결과 영남권에서 상대적으로 높은 농도가 나타났으며, 중부권과 남부권에서는 비교적 낮은 농도를 보였다. 제주도를 제외한 대부분의 권역에서 CMAQ 모델은 PM_2.5 농도를 관측에 비해 과소 모의하는 경향을 보였으며, 이는 CMAQ 모델이 각 성분 농도를 전반적으로 과소 모의하였기 때문이다. 성분별 관측 농도 분포를 살펴보면 NO₃^-의 농도가 다른 성분보다 높게 나타나며, 특히 영남권역에서 높은 수준을 보였다. 그러나 CMAQ 모델은 NO₃^- 농도를 관측보다 과소 모의하는 것으로 나타났다. SO₄^2-는 관측 농도와 비교하여 수도권과 강원권 등 중부 지역에서 CMAQ 모델이 과대 모의한 반면, 남부 지역에서는 CMAQ 모델이 과소 모의하였다. NH₄⁺, OC, EC의 모의 농도는 전국적으로 비슷한 수준을 보였다. 그러나 NH₄⁺는 관측된 농도에 비해 CMAQ 모델이 과소 모의하였으며, OC는 지역별 관측 농도 차이가 뚜렷하였으나 모델은 그 경향을 모의하지 못하였다. 반면, EC는 관측 농도보다 과대 모의하는 경향을 보였다. 전반적으로 PM_2.5의 구성성분에서 큰 비중을 차지하는 NO₃^-와 NH₄⁺를 과소 모의하는 경향이 강했다.

Fig. 7. 
The distribution of PM_2.5 and its components in the CMAQ model at the surface level averaged from 10 KST 25 to 11 KST 26 February, 2022. Colored circles indicate the observed concentrations.

그림 8은 고농도 PM_2.5 사례 기간 동안 CMAQ 모델이 모의한 PM_2.5, NO₃^-, SO₄^2-, NH₄⁺, OC, EC 농도의 분포를 기계학습으로 후처리한 농도 분포 결과다. 기존 CMAQ 모델 결과는 PM_2.5 농도를 전반적으로 과소 모의하였으나, 기계학습으로 후처리한 결과에서는 서해안 지역과 수도권과 중부권에서 관측 농도와 유사한 수준으로 개선되었다. 이는 주로 NO₃^-, NH₄⁺, OC와 같이 CMAQ이 과소 모의하던 성분의 농도가 수도권과 중부권에서 증가하였기 때문이다. 기존 CMAQ 모델은 전국적으로 비슷한 수준의 NH₄⁺와 OC 농도를 보였으나, 기계학습으로 후처리하였을 때 서해안과 수도권에서 상대적으로 농도가 높아지면서 관측 농도와 유사해졌다. NO₃^-도 서해안과 수도권에서 농도 편차가 개선되었지만, 여전히 과소 모의하는 경향을 보였다. SO₄^2-는 기계학습으로 후처리하기 전 CMAQ 모델이 관측 농도와 비교하여 남부 지역에서 과소 모의하는 경향이 기계학습으로 후처리한 결과에서 개선되었다. 종합적으로 전국 10개 지점의 대기환경연구소에서 관측한 PM_2.5와 구성성분 농도와 비교한 결과, 기존 CMAQ 모델의 모의 결과보다 기계학습으로 후처리한 결과가 농도 분포를 현실적으로 개선하였다.

Fig. 8. 
The distribution of PM_2.5 and its components in the CMAQ-ML model at the surface level averaged from 10 KST 25 to 11 KST 26 February, 2022. Colored circles indicate the observed concentrations.

한편 기계학습의 후처리 결과는 해양에서의 PM_2.5 농도가 높고 육지와 해양의 경계가 뚜렷하게 나타난다는 문제점이 있다. PM_2.5의 농도 분포를 보면 영동 지역의 낮은 농도에 비해 동해안 연안 지역에서 높은 농도를 보인다. 이는 기계학습 모델의 입력자료로 사용되는 기상 변수들이 육지와 해양에서 변화폭이 크기 때문에 육지와 해양의 PM_2.5 농도 간 차이가 나타난 것으로 분석된다.

기계학습으로 후처리한 PM_2.5 구성성분의 농도를 합산한 결과가 이상적으로는 PM_2.5 질량 농도와 같아야 한다. 그러나 본 연구에서는 각 구성성분을 개별적으로 측정 자료를 학습하여 모델을 구축하였기 때문에 후처리한 구성성분의 농도 합이 후처리한 PM_2.5 질량 농도와 같지 않을 수 있다. 이를 확인하기 위해, 기계학습으로 후처리한 PM_2.5 질량 농도와 각 구성성분(NO₃^-, SO₄^2-, NH₄⁺, Na⁺, K⁺, Ca²⁺, Mg²⁺, Cl^-, OC, EC)을 개별적으로 후처리한 후 이를 합산한 PM_2.5 농도(PM_2.5 combine)를 비교하였다. 본 연구에서 PM_2.5 성분 중 금속 성분, 토양 기원 성분 그리고 식별되지 않은 성분 농도들은 고려하지 않았다. 때문에, 기계학습으로 후처리 되지 않은 성분들을 반영하기 위해 기존 CMAQ 모델의 PM_2.5 질량 농도와 성분 농도 합산간 편차를 보정하였다.

그림 9는 PM_2.5 질량 농도를 후처리한 결과, PM_2.5 구성성분을 개별적으로 후처리한 후 합산한 결과, 그리고 이들과 기존 CMAQ 모델의 PM_2.5 질량 농도 간 편차를 나타내었다. PM_2.5 질량 농도를 후처리한 결과는 기존 CMAQ 모델의 PM_2.5 질량 농도보다 서해안을 포함한 수도권, 중부권에서 높아지는 반면, 영남권에서는 낮아지는 경향을 모습을 보였다. 반면, 각 구성성분을 개별적으로 후처리한 후 이를 합산한 PM_2.5 농도는 기존 CMAQ 모델의 PM_2.5 질량 농도보다 전반적으로 높아지는 경향을 보였다. 이번 한 사례만으로 모든 기계학습의 특성을 일반화할 수는 없으나, PM_2.5 질량 농도만을 학습하여 후처리하는 것에 비해 각 구성성분을 개별적으로 후처리하는 방법은 전국적으로 동일하게 적용하기보다 각 권역의 특성을 반영하기 위한 개선 노력이 더 필요함을 의미한다. 또한, 고농도 PM_2.5 사례가 외부 유입 요인에 의한 기여가 많은 것을 감안할 때 우리나라의 지형적인 영향과 기상학적인 영향도 면밀하게 검토한 후 학습자료로 활용할 필요가 있다(Jeong et al., 2024).

Fig. 9. 
The PM_2.5 concentration fields in the CMAQ-ML model at the surface level averaged from 10 KST 25 to 11 KST 26 February, 2022 (top). The concentration deviations obtained by subtracting CMAQ model data from the CMAQ-ML model data at the surface level averaged from 10 KST 25 to 11 KST 26 February, 2022 (bottom).

PM_2.5 및 성분 농도 후처리에 대한 검증은 전체 데이터 중 일부를 무작위로 추출하는 방법으로 수행했다. 이와 같은 방법은 지상 관측이 이뤄지지 않는 지역에서 모의 재현성을 평가하는 데 한계가 있다. 따라서 관측이 없는 지역에서도 모델 성능을 검증하기 위해 검증용 데이터를 별도로 구축하였다. 기계학습 모델 학습 시 연구 대상 전 기간을 대상으로 특정 지점을 학습자료에서 제외하고 모델을 구축하였으며, 제외한 지점을 검증용 자료로 활용하였다. 따라서 특정 지점에서 2022년 1월 1일부터 3월 31일까지의 자료가 검증에 사용되었다. 이를 통해 학습되지 않은 지점에서도 PM_2.5 농도 후처리 성능이 일관되게 나타나는지 평가하고자 하였다. 또한 앞서 PM_2.5 농도를 직접 후처리한 결과와 PM_2.5 성분을 개별적으로 후처리한 후 합산한 결과 간 차이가 발생하였기 때문에 어느 방법이 기존 CMAQ 모델의 모의 결과를 더욱 개선하는지 비교해 볼 필요가 있다. 따라서 기존 CMAQ 모델의 PM_2.5 농도, 기계학습(ML)으로 후처리한 PM_2.5 농도, 기계학습으로 성분별 후처리한 후 합산 방식(combine_ML)으로 산출된 PM_2.5 농도를 측정 농도와 비교하였다.

검증 대상 지역은 내륙 지역에서 고농도 현상이 빈번하게 발생하는 수도권과 호남권, 내륙 지역 외의 해상에 위치한 백령도로 선정하였다. 해당 지역은 타 권역에 비해 외부 유입으로 의한 고농도 미세먼지 발생 빈도가 높은 편이다(Yeo and Kim, 2019). 때문에 타 권역보다 고농도 사례에서 후처리 적용 전후에 농도 변화가 크게 나타난다. 같은 이유로 울산, 제주 등은 상대적으로 고농도 사례가 적기 때문에 성능 개선 여부를 평가하기에 적합하지 않다고 판단하였다.

수도권(서울)에서는 기계학습으로 PM_2.5 농도를 후처리한 결과의 상관계수가 0.86, RMSE는 10.68 µg/m³로 우수한 성능을 보였다. 반면, 호남권(광주)에서는 개별 성분을 후처리한 후 합산한 PM_2.5 combine 농도의 상관계수가 0.83, MAE가 7.28 µg/m³, RMSE는 10.49 µg/m³로 우수한 성능을 보였다. 백령도는 기계학습으로 PM_2.5 농도를 후처리한 결과의 상관계수가 0.73, MAE가 9.29 µg/m³, RMSE는 12.70 µg/m³로 나타났으며, PM_2.5 combine 농도의 상관계수는 0.73, MAE가 9.38 µg/m³, RMSE는 12.57 µg/m³로 기계학습으로 PM_2.5 농도를 후처리한 결과와 PM_2.5 combine 농도의 상관계수가 유사하게 나타났다(표 3). 내륙에 위치한 수도권과 호남권에서는 기존 CMAQ 모의 농도에 비해 기계학습을 적용하였을 때 검증지표가 개선되는 것을 확인할 수 있었다. 반면 백령도 지점은 기계학습 기법을 적용하였을 때 기존 CMAQ 모델 성능보다 크게 개선되지는 않았다.

학습에 사용되지 않은 지점을 대상으로 기계학습을 이용하여 후처리한 PM_2.5 및 구성성분 농도를 검증한 결과에서 모두 기존 CMAQ 모델보다 우수한 성능을 보였으나, PM_2.5 질량 농도를 후처리한 결과와 PM_2.5 구성성분을 개별적으로 후처리한 후 합산한 결과 중 어느 방법이 더 우수한지는 지역에 따라 상이하게 나타났으며 지역의 특성을 면밀하게 반영할 필요가 있음을 다시 한번 확인하였다.

기계학습을 이용한 후처리 방법 간 미세먼지 농도 등급 모의 정확도를 비교하고자 PM_2.5 농도 등급별 모의 정확도와 고농도 감지 확률(Probability of detection, POD)을 표 4에 비교하여 제시하였다. PM_2.5 농도 등급은 에어코리아(AirKorea) 1시간 간격 PM_2.5 농도 기준를 참고하여 좋음(0~15 µg/m³), 보통(16~35 µg/m³), 나쁨(36~75 µg/m³), 매우나쁨(76 µg/m³ 이상)과 같이 4개의 등급으로 분류하였다. 수도권(서울)에서 기존 CMAQ 모델의 POD는 30%로 낮은 모의 성능을 나타냈으나, 기계학습 방법을 적용한 결과에서는 70%로 향상되었다. 기계학습으로 개별 구성성분을 후처리한 후 농도를 합산한 PM_2.5 combine 방식의 POD도 64%로, 기존 CMAQ 모델 결과 대비 우수한 성능을 보였다. 수도권(서울)의 PM_2.5 등급이 매우나쁨(Serious)인 경우로 한정할 때, 기존 CMAQ 모델의 모의 정확도는 12.7%로 매우 낮은 반면, 기계학습으로 후처리한 방법의 모의 정확도는 65.8%, 개별 구성성분을 후처리한 후 농도를 합산한 PM_2.5 combine 방식의 모의 정확도는 48.1%로 나타났다. 호남권(광주)의 경우 기존 CMAQ 모델의 POD는 20%였으나, 기계학습으로 후처리한 결과의 POD는 70%로 향상되었다. 또한 PM_2.5 combine 방식의 POD도 60%로 기존 CMAQ 모델보다 모의 성능이 우수하였다. 호남권(광주)의 PM_2.5 등급이 매우 나쁨인 경우로 한정할 때, 기존 CMAQ 모델의 모의 정확도는 0%로 나타났다. 이는 호남권에서 매우 나쁨 등급은 전체 중 약 2.4%로 사례가 적어 예측 정확도가 낮은 것으로 분석된다. 기계학습으로 후처리한 결과의 모의 정확도는 10.3%로 다소 향상되었으며, combine ML 방식의 모의 정확도도 2.6%를 보였다. 선행 연구에 따르면 기계학습을 통한 미세먼지 예측 시 고농도 사례 자체가 적기 때문에 학습이 적어 예측 정확도가 낮은 것으로 알려져 있다(Yu, 2024; Cho et al., 2020). 백령도에서 기존 CMAQ 모델의 POD는 21%, 기계학습으로 후처리한 결과의 POD는 35%, PM_2.5 combine 방식의 POD는 33%로 내륙 지역에 비해 기계학습으로 인한 모의 정확도 개선 정도가 낮았다. 백령도의 PM_2.5 등급이 매우 나쁨인 경우로 한정할 때, 기존 CMAQ 모델의 모의 정확도는 8.89%인 반면, 기계학습으로 후처리한 결과와 combine ML 방식의 모의 정확도는 0%로 고농도 모의 정확도가 낮아졌다.

호남권과 백령도의 경우 수도권보다는 여전히 낮은 모의 정확도임에도 기존 CMAQ 모델보다 기계학습 방식으로 후처리한 결과가 더 나은 성능을 보인다는 공통점을 찾을 수 있었다. 전반적으로 PM_2.5 질량 농도를 직접 학습하여 개선하는 방식보다 개별 구성성분을 각각 학습하여 개선하는 방식이 아직은 효율적이지 못한 결과를 보인다. 이는 각 지역의 대기 중 물리화학 과정, 지형 및 기상의 요인 등을 충분히 반영하지 못해서일 것으로 판단되며 이를 개선하기 위한 노력이 앞으로도 더 필요하다. 또한 기계학습 방식으로 후처리한 결과는 관측이 없는 지역에서도 적용이 가능하나, 해상에서는 모의 정확도가 낮게 나타나 관측 지점이 많은 내륙 지역에서 적용성이 더 큰 것으로 판단된다.