글로벌 스케일 CO₂농도 예측 및 지도 기반 시각화 = Global-Scale CO2 Concentration Prediction and Map-Based Visualization

국문 초록 (Abstract)

글로벌 스케일 CO₂농도 예측 및 지도 기반 시각화 이 현 수 한국교원대학교 대학원 환경교육 전공 (지도교수 문 윤 섭) 이 연구는 기후변화 대응을 위한 정확한 CO₂농도 예측의 필요성에서 출발 하여, CAMS(Copernicus Atmosphere Monitoring Service) 재분석 자 료(2003-2020년)와 NOAA 관측 자료를 기반으로 전지구 CO₂농도의 시공 간 예측을 수행하였다. 기존 연구들이 전지구 평균 시계열 예측이나 단기 격자 예측에 한정되었던 것과 달리, 본 연구는 공간적 상관관계를 고려한 장기 예측 과 지도 기반 시각화를 통합적으로 제시하였다는 점에서 차별화된다. 먼저 CAMS 자료의 체계적 편향을 제거하기 위해 선형보정, 다항회귀보정, 가 법적 보정을 비교한 결과, 다항회귀보정이 RMSE 1.111 ppm으로 가장 우수한 성능을 보였다. 이를 바탕으로 시공간 예측을 위해 ConvLSTM(Convolutional Long Short-Term Memory) 모델을 구축하고, 장기 추세와 계절 변동을 분 리하는 STL(Seasonal-Trend decomposition using Loess)분해 기법을 적용하였다. 특히 2차 다항 추세 외삽과 계절 진폭 보정(2.009배)을 결합함 으로써 예측 정확도를 크게 개선할 수 있었으며, 그 결과 2021-2025년 검 증 기간에서 RMSE 0.848 ppm, MAE 0.638 ppm, R2 0.955의 우수한 성 능을 달성하였다. 이렇게 검증된 방법론을 2030년까지 확장한 결과, 무감축 시나리오 하에 서 CO₂농도는 442.54 ppm(95% 신뢰구간: 441.20-443.87 ppm)에 도 달하는 것으로 예측되었다. 이는 IPCC의 SSP(Shared Socioeconomic Pathways)2-4.5 중간 배출 시나리오와 일치하는 수준으로, 현재의 감축 노력이 충분하지 않을 경우 예상되는 미래 경로를 보여준다. 한편 생성된 지 도 기반 시각화 자료를 통해서는 CO₂농도의 공간적 불균형이 명확히 드러 났다. 북반구 고위도(60°N 부근)에서 최고 농도를 보이며 남극으로 갈수록 4-6 ppm 감소하는 뚜렷한 위도별 구배가 관찰되었고, 특히 여름철 북반구 중위도 지역에서는 식생의 광합성 활동에 의한 탄소 흡수 현상이 공간 패턴 으로 확인되었다. 본 연구에서 생성된 2003-2030년 전지구 CO₂농도 확장 자료는 단순히 예측값을 제시하는 것을 넘어, 공간적 상관관계를 고려한 시공간 예측 방법 론의 우수성을 입증하였다. ConvLSTM 기반 접근법은 격자별 독립 예측 대 비 66% 향상된 정확도를 보였으며, 이는 대기 중 CO2와 같이 강한 공간적 연관성을 가진 환경 변수 예측에서 공간 정보 활용이 필수적임을 시사한다. 또한 지도 기반 시각화를 통해 CO₂농도의 위도별 구배와 계절별 변동 패턴 을 명확히 제시함으로써, 지역별 배출 책임과 생태계의 탄소 순환 역할을 직 관적으로 파악할 수 있게 하였다. 이러한 결과는 기후 정책 수립과 탄소중립 목표 달성을 위한 과학적 근거 자료로 활용될 수 있으며, 환경교육 분야에서 도 데이터 기반 학습 자료로서 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 필요성 1
• 2. 연구 목적 4
• 가. 연구 목적 4
• II. 이론적 배경 5
• 1. CO2 농도와 관측 현황 5
• 가. CO2 농도의 시공간 분포 5
• 나. NOAA 지상 관측 자료 8
• 다. CAMS 재분석 자료 10
• 라. 관측 자료와 재분석 자료의 관계 12
• 2. CO2 농도 예측 모델 14
• 가. 시계열 예측 모델 14
• 나. 시공간 예측모델 21
• 다. 예측모델 평가 24
• 3. 이산화탄소 농도 증가 시나리오 25
• 4. 예측 결과의 공간 시각화와 활용 가능성 28
• 가. 지도 기반 시각화의 이론적 기초 28
• 나. 환경 데이터의 공간 불균형 표현 사례 29
• III. 연구방법 31
• 1. 연구절차 31
• 2. 연구방법 33
• 가. 데이터 수집 및 전처리 33
• 나. CAMS 자료 편향보정 34
• 다. 예측 모델 선정 37
• 라. 최적 예측 모델 선정 45
• 마. 예측 결과 시각화 46
• 바. 단기 검증을 통한 예측 정확도 개선 및 2030년 확장 49
• IV. 연구결과 51
• 1. CAMS 재분석 자료 편향 보정 51
• 2. CO2 농도 격자별 시계열 예측 54
• 가. 시계열 예측 모델 선정 54
• 나. 격자별 예측 60
• 3. CO2 농도 시공간 예측 66
• 4. 예측 모델의 공간 분포 시각화 73
• 가. 최종 예측 모델 선정 73
• 나. 예측 결과의 지도 기반 시각화 78
• 5. 단기 검증을 통한 예측 정확도 개선 및 2030년 확장 예측 92
• 가. 예측 정확도 개선 92
• 나. 2030년 무감축 시나리오 예측 결과 95
• 6. 연구의 의의 및 환경 교육적 적용 방안 99
• 가. 연구 방법론의 한계와 개선 방향 99
• 나. 연구의 의의 101
• 다. 연구 결과의 교육적 활용 방안 104
• V. 결론 및 제언 109
• 1. 결론 109
• 2. 제언 111
• 참고문헌 114
• ABSTRACT 131
• 부록 134