Estimating Diurnal Variation of Surface Nitrogen Dioxide Volume Mixing Ratios over South Korea Using Machine Learning from GEMS Observations

Abstract

본 연구는 정지궤도 환경위성(Geostationary Environment Monitoring Spectrometer, GEMS)으로부터 관측된 이산화질소 칼럼농도 자료를 기반으로 기계학습 기법을 활용하여 대한민국의 시간별 지표 이산화질소 혼합비를 추정하였다. 구축된 모델의 일반화 성능은 지표 유형(예: 도시, 국가배경, 도로변, 교외, 항만) 및 계절에 따라 평가하였으며, 위성 자료 기반 지표 이산화질소 추정 모델의 성능이 저하되는 조건을 분석하였다. Random forest (RF) 모델로 추정한 지표 이산화질소 혼합비와 in-situ 측정값 간의 correlation coefficient (R), mean absolute error (MAE), root mean squared error (RMSE)는 각각 0.88, 3.61 ppbv, 5.45 ppbv로 나타났으며, eXtreme Gradient Boosting (XGBoost) 및 Light Gradient Boosting Machine (LightGBM) 모델(R = 0.71—0.86; MAE = 3.72—5.62 ppbv; RMSE = 5.62—7.96 ppbv)에 비해 우수한 추정 성능을 보였다. 도시 및 도로변 유형에서는 높은 이산화질소 농도와 관련되어 상대적으로 높은 상관관계(R = 0.83—0.87)를 나타냈다. 반면, 국가배경 및 교외 지역에서는 이산화질소 농도의 변동성이 낮고 관측자료가 부족하여 낮은 상관관계(R = 0.66—0.68)를 보였다. 항만 유형은 육상과 해상 픽셀이 혼합된 위성자료의 공간 특성으로 인해 중간 수준의 성능(R = 0.74)을 보였다. 계절적으로는 겨울철에 경계층이 얕고 대기가 안정되어 지표와 칼럼농도 간 연계성이 강화됨에 따라 가장 높은 성능(R = 0.89)을 나타냈으며, 여름철에는 경계층 확장으로 인해 성능이 저하(R = 0.82)되었다. 지표 유형과 계절을 함께 분석한 결과, 겨울철의 도시 및 도로변 유형에서는 일관되게 높은 성능이 유지되었다. 이는 공간적 및 계절적 요인이 위성 기반 지표 이산화질소 추정 정확도에 영향을 미친다는 것을 보여준다. 향후에는 이산화질소 농도, 경계층 특성, 육해상 픽셀 보정 등을 고려하여 위성 기반 지표 이산화질소 혼합비 추정의 정확도를 향상시킬 필요가 있다