도시 CO2 배출량 검증을 위한 역모델링 입력변수 민감도 분석 = Parameter Sensitivity of Inverse Modeling for Verifying Urban CO2 Emission

국문 초록 (Abstract)

도시 CO2 배출량을 추정하는 역모델링은 입력변수에 대해 다양한 가정을 요구한다. 따라서, 연구에 따라 상이한 입력변수 산정 방식은 추정치에 불확실성을 유발할 수 있다. 본 연구에서는 입력변수의 산정 방식이 배출량 추정에 미치는 영향을 규명하고, 이에 따른 불확실성을 고려한 최적의 CO2 배출량을 도출하고자 하였다. 이를 위해 2021년 서울의 CO2 배출량을 대상으로 사전 배출량(a priori emission), 배경 농도, 관측 오차(observation-model data mismatch) 산정 방식을 달리한 18개의 역모델링 실험을 구성하고 추정치를 상호 비교하였다. 사전 배출량은 Open-Data Inventory for Anthropogenic Carbon dioxide (ODIAC)와 Inventory System for Accounting Anthropogenic Carbon dioxide (ISAAC)를 활용하였으며, 배경 농도는 관측 자료를 통계적으로 처리한 서로 다른 세 가지 방식을 사용하였다. 관측 오차는 Relative Residual Error (RRE), R sum matrix (Rsum), Desroziers (Des) 방법을 적용하였다. 분석 결과, 사후 배출량(a posteriori emission)의 공간 분포는 사전 배출량에 의해 약 96.1%가 결정되었으며, 시간적 변동성은 관측 오차의 영향이 가장 크게 나타났다(12.2%). 2021년 12월 서울에 가장 적합한 역모델링 구성은 산정 방식에 따른 추정치의 변동성이 작고, 관측 농도와의 상관성이 높으며, 편차가 가장 작은 조합으로 도출하였다. 이는 ISAAC 사전 배출량, N 서울 타워 고층 농도의 일 최솟값 배경 농도, Rsum 방식의 관측 오차를 적용한 IS_nshdm_Rsum 구성으로, 산정 방식에 따른 불확실성은 평균 배출량의 약 26%에 해당하였다. 또한 추정치는 ISAAC 사전 배출량이 낮 시간대 총배출량을 25.0 Gg CO2 과대 모의하는 것으로 나타났다. 본 연구는 도시 역모델링에서 입력변수의 산정 방식이 배출량 추정에 미치는 영향을 정량적으로 규명하였다. 조절인자가 배출량의 시·공간 분포에 미치는 영향이 상이함에 따라, 정확한 배출량 추정을 위해 입력변수 별로 그 특성에 따른 개선 방안을 제시할 수 있음을 보여준다. 또한 26%에 해당하는 불확실성은, 입력변수 산정 방식에 따른 배출량의 불확실성이 배출량을 26%까지 과대·과소 모의할 수 있음을 시사한다. 나아가 여러 역모델링 구성을 통해 이러한 불확실성을 고려함으로써 도시 CO2 배출 자료 검증의 신뢰성을 제고할 수 있음을 제시한다.

다국어 초록 (Multilingual Abstract)

Urban CO2 inversions constrain emissions through parameters such as prior emissions, background concentrations, and observation-model mismatch error (R). However, since these parameters rely on various assumptions, they induce inherent uncertainties into the estimates. To assess the impacts of different assumptions on estimates and to identify the fluctuation as parameter sensitivity, we conducted 18 inversions with different configurations.
All inversions estimated CO2 emissions for Seoul in December 2021 using the same 6 ground-based observations. We varied three inputs under different assumptions: (1) Prior emissions-ODIAC and ISAAC, (2) background concentrations- using three statistical methods to define Seoul‘s background concentrations; and (3) observation-model mismatch error (observation error)-using three assumptions commonly applied in previous studies.
The spatial distribution of a posterior was mainly determined by prior emissions (96.1%). It is an observation error that strongly influences the variations of the time-series (12.2%). The model configuration that showed the best agreement with observation and the smallest parameter sensitivity used ISAAC, the daily minimum concentration at the N Seoul Tower as the background concentration, and the R-sum matrix method for the observation error. This configuration yielded a parameter sensitivity equivalent to 26% of the mean emissions. In addition, this estimate indicates that the ISAAC overestimates total daytime CO2 emissions by 25.0 Gg CO2.
These results underscore that the impact of different assumptions used in inverse modeling is non-negligible at the urban scale. As controlled parameters influence different primary aspects of emission estimates, we can provide targeted improvement for each parameter to constrain more robust urban CO2 emissions. This study contributes to the understanding of urban-scale inversion systems and, by considering the uncertainty from different assumptions, enables more reliable estimates of urban CO2 emissions.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구 범위 5
• 제 3 절 연구 흐름도 7
• 제 2 장 연구 방법 9
• 제 1 절 베이지안 역모델링 프레임워크 9
• 1. 베이지안 원리 9
• 2. 불확실도 12
• 제 2 절 입력 자료 및 전처리 14
• 1. 인위적 탄소 플럭스 14
• 1) ODIAC 14
• 2) ISAAC 17
• 2. 식생 CO2 플럭스, CASS 18
• 3. CO2 지상 관측 자료 20
• 4. 배경 농도 23
• 5. 대기 수송모델 28
• 1) WRF 28
• 2) STILT 36
• 6. 초기 배출량 오차 공분산 40
• 7. 관측 오차 공분산 43
• 1) Relative Residual Error 방식(RRE) 43
• 2) R sum 방식(Rsum) 44
• 3) Desroziers 방식(Des) 46
• 제 3 절 역모델링 구성(configuration) 47
• 제 3 장 연구 결과 49
• 제 1 절 조절 인자 49
• 1. 초기 배출량과 초기 배출량 불확실도 49
• 2. 배경 농도 54
• 3. 관측 오차 56
• 제 2 절 조절 인자 영향 분석 64
• 1. 모델 검증 64
• 2. 초기 배출량 68
• 3. 배경 농도 75
• 4. 관측 오차 81
• 5. 분산 분석(Analysis of Variance, ANOVA) 87
• 6. 배출량 총량 89
• 제 3 절 입력변수 민감도 92
• 1. 입력변수 민감도 분석(Parameter Sensitivity) 92
• 2. 최적화된 배출량 산출 97
• 제 4 절 불확실도 감소율 100
• 제 4 장 결론 104
• 제 1 절 연구 요약 104
• 제 2 절 연구 의의 및 한계 106
• 참 고 문 헌 108
• Abstract 120