Development of a deep learning-based PM2.5 prediction model and evaluation of short-term health impacts based on nationwide exposure data = 딥러닝 기반 대기오염 예측모형 개발 및 전국 노출자료를 이용한 대기오염 단기 건강영향 평가

국문 초록 (Abstract)

연구배경
미세먼지(PM2.5)와 오존(O3)에 대한 단기 노출은 다양한 건강 문제와 관련이 있는 것으로 알려져 있다. 그러나 관측소의 공간적 제약과 인공위성자료의 시간 지연으로 인해 실시간 건강영향 평가에는 한계가 있었으며, 특히 관측소가 부족한 지역에서는 인구 기반의 대표성 있는 평가가 어려웠다. 이에 본 연구는 고해상도 딥러닝 기반 PM2.5 예측 모델을 개발하는 한편, 고해상도 대기오염 노출 자료를 전국 규모의 건강보험자료와 결합해 전 생애주기 기반의 건강영향을 평가함으로써 일 단위로 갱신되는 준실시간 노출 예측모델을 통한 건강영향 평가의 가능성을 탐색하고자 하였다.

연구방법
본 연구에서는 정지궤도 기상위성인 천리안 2호(GEO-KOMPSAT-2A)에서 수집한 실시간 위성자료와 기상청 기상자료를 활용하여, 대한민국 전역의 일별 PM2.5 농도를 1 km² 해상도로 예측하는 심층신경망(Deep Neural Network) 모델을 구축하였다. 모델은 2021–2022년 자료로 학습 및 하이퍼파라미터를 설정한 후, 2023년을 검증기간으로 하여 검증기간동안 8:2로 분리된 데이터를 통해 하루 단위로 매일 새로운 학습과 평가를 진행하였다. 성능 평가는 R², RMSE, MAE를 기준으로 이루어졌다. 별도로 국민건강보험공단(NHIS)의 전 국민 건강보험자료와 AiMS-CREATE Team에서 기구축된 노출자료를 이용해, 5대 질환군 및 51개 세부 질환을 대상으로 초미세먼지 및 오존 노출과 응급실 내원 간의 단기 연관성을 시간층화 환자교차대조군(time stratified case-crossover) 설계를 통해 연령대별로 분석하였다.

연구결과
PM2.5 예측 모델은 2023년 검증 기간 전체 기간에 대해 R2=0.945의 높은 성능을 보였고, 계절별 R2는 0.886–0.960, 월별 R2는 0.868–0.968 범위로 높은 수준의 성능을 보였다. 일별 준실시간 당일 학습을 통한 예측에서도 안정적인 성능을 유지하였으며, 계절 및 지역에 따른 미세먼지 변동을 효과적으로 포착하였다. 건강영향 평가를 위한 역학적 분석에서는 PM2.5 노출이 성인(35–74세)의 정신질환, 아동 및 청년층의 순환기질환, 고령층의 호흡기질환과 유의한 연관성을 보였다. 오존 노출은 성인의 정신질환, 아동 및 고령층의 호흡기/비뇨기계 질환과의 연관성이 뚜렷하였고, 연령과 질환군에 따라 그 영향은 이질적으로 나타났다.

결론 및 고찰
본 연구는 고해상도·실시간 PM2.5 예측이 가능한 딥러닝 기반 모델을 성공적으로 개발한 한편, 전국 단위의 보건자료와의 통합 가능성을 제시하였다. 본 연구에서 개발한 모델의 예측 노출자료가 건강영향 평가에 직접 활용되지는 않았지만, 기존에 개발된 모델의 노출 자료를 통해 향후 건강영향 평가 및 생애주기 기반의 대기오염 질병부담 산출을 진행함으로써 향후 실시간 건강영향 평가 활용을 위한 기술적 접목 가능성을 확인하였다. 마지막으로 본 연구는 상세한 건강영향 평가의 기반을 마련하고, 연령과 질환별 맞춤형 공중보건 개입 및 WHO 권고 수준에 부합하는 대기질 관리정책의 필요성을 뒷받침하는 근거를 제공한다는 점에서 그 의의를 가진다.

다국어 초록 (Multilingual Abstract)

Background: Short-term exposure to fine particulate matter (PM2.5) and ozone (O3) has been associated with a variety of adverse health outcomes. However, spatial limitations of ground monitoring stations and temporal delays in satellite-derived data have posed challenges to timely health impact assessments, particularly in regions with sparse monitoring coverage. This study aimed to develop a high-resolution, deep learning-based PM2.5 prediction model and to explore the feasibility of integrating high-resolution air pollution exposure data with nationwide health insurance records to evaluate life course-specific health impacts, thereby investigating the potential for timely health impact assessments.

Methods: The author constructed a deep neural network (DNN) model to predict daily PM2.5 concentrations across South Korea at a 1 km2 spatial resolution, utilizing near same-day satellite data from the geostationary GEO-KOMPSAT-2A satellite and meteorological data from the Korea Meteorological Administration. The model was trained and hyperparameters were tuned using data from 2021–2022, and validated using daily updated predictions throughout 2023 using an 8:2 random split of monitoring data for training and testing. Model performance was assessed using R2, RMSE, and MAE metrics. Separately, the author conducted time-stratified case-crossover analyses to examine the short-term associations between PM2.5 and ozone exposure and emergency department (ED) admissions, using nationwide health insurance data from the National Health Insurance Service (NHIS) and pre-existing exposure estimates provided by the AiMS-CREATE Team. Associations were analyzed across five major disease categories and 51 specific diseases by age group.

Results: The DNN model achieved strong predictive performance, with an overall R2 of 0.945 for the test period (2023) and seasonal R2 values ranging from 0.886 to 0.960. Monthly R2 ranged from 0.868 to 0.968, and daily retraining showed stable performance in daily updated prediction settings. Spatial patterns of predicted PM2.5 reflected known seasonal and regional variations. Meanwhile, in the epidemiologic analysis, short-term PM2.5 exposure was associated with increased ED admissions for mental disorders (particularly in adults aged 35–74), respiratory diseases, and circulatory diseases (notably in children and younger adults). Ozone exposure showed strong associations with mental disorders in older adults, respiratory diseases in both young children and the elderly, and genitourinary diseases in the most vulnerable age groups. Across both pollutants, associations were heterogeneous by age and disease category.

Conclusion: This study successfully developed a high-resolution, deep learning-based PM2.5 prediction model capable of supporting timely exposure assessments and demonstrated the potential for integration with nationwide health data. Although the PM2.5 exposure estimates generated by the model were not directly applied in the current health impact analysis, the results highlight the future potential for using such timely exposure data to quantify air pollution-related disease burden across the life course. Overall, the findings contribute to building a foundation for detailed health impact assessments and support the need for age- and disease-specific public health interventions and air quality management policies aligned with WHO guidelines.

목차 (Table of Contents)

• Abstract i
• Chapter 1. General Introduction １
• 1.1 Study Background １
• 1.2 Purpose of Research ３
• Chapter 2. Nationwide deep learning-based PM2.5 mapping prediction models with high spatiotemporal resolution in South Korea ４
• 2.1 Introduction ４
• 2.2 Materials and Methods ７
• 2.2.1 Study Area ７
• 2.2.2 Ground-Level PM2.5 Monitoring Data ７
• 2.2.3 Satellite Data from GEO-KOMPSAT-2A ７
• 2.2.4 Meteorological Data ９
• 2.2.5 Modeling １０
• 2.3 Results １９
• 2.4 Discussion ３７
• Chapter 3. Short-term exposure to outdoor fine particulate matter (PM2.5) and hospitalizations for various causes depending on infants to seniors: a nationwide time-stratified care-crossover study in South Korea ４４
• 3.1 Introduction ４４
• 3.2 Materials and Methods ４５
• 3.2.1 Study population ４６
• 3.2.2 Air pollution and Environmental data ４７
• 3.2.3 Statistical analysis ４７
• 3.2.4 Excess ED admission costs estimation ４９
• 3.3 Results ５０
• 3.4 Discussion ７５
• Chapter 4. Heterogeneous associations between short-term ambient ozone exposure and morbidities from infants to seniors: A nationwide case-crossover study in South Korea ８０
• 4.1 Introduction ８０
• 4.2 Materials and Methods ８２
• 4.2.1 Study population ８２
• 4.2.2 Air pollution and environmental data ８３
• 4.2.3. Statistical analysis ８４
• 4.2.4. Specific disease analysis ８６
• 4.2.5. Excess ED admission costs attributable to ozone ８６
• 4.3 Results ８７
• 4.4 Discussion １１１
• Chapter 5. General Discussion １２３
• 5.1 Key findings １２３
• 5.2 Public Health Implication １２４
• 5.3 Recommendation for Future Works １２６
• Bibliography 128
• Abstract in Korean 138