Spatial Analysis of Respiratory Health Effects from Wildfire-Related PM2.5 in Korea = 공간분석 기법을 활용한 국내 산불 발생 시 PM2.5의 호흡기계 건강 영향 평가

다국어 초록 (Multilingual Abstract)

Background: Wildfire smoke, particularly fine particulate matter PM2.5, represents a significant public health risk because of climate change-driven increase in fire activity. Although wildfires are becoming more frequent in South Korea, comprehensive nationwide studies quantifying the spatiotemporal heterogeneity of respiratory morbidity attributable to wildfire smoke are scarce.

Methods: A nationwide exposure–health assessment was conducted across 254 administrative districts from 2015 to 2024. A machine learning-based counterfactual model, specifically the Histogram-based Gradient Boosting Regressor, was used to distinguish wildfire-attributable PM2.5 from background concentrations. Exposure was quantified using two metrics: (1) daily "smoke days" (wildfire-specific PM2.5 ≥15μg/m^3) and (2) hourly "wildfire-affected" status determined by hourly wildfire events and a geometric plume dispersion model. Associations with respiratory emergency department (ED) visits were estimated with a time-stratified case-crossover design, while spatial heterogeneity was assessed with a Spatial Bayesian Hierarchical Model (BHM).

Results: Wildfire smoke exposure was significantly associated with increased respiratory ED visits. In the daily analysis, the strongest effect was observed at lag 1 (OR = 1.062), corresponding to approximately 28,935 excess visits nationwide. Hourly analysis indicated that health risks were both immediate and sustained, with a consistent elevation in risk during wildfire-affected hours (lag 1 OR = 1.056). The Spatial BHM analysis revealed substantial heterogeneity, with high-risk clusters identified not only in fire-prone inland mountains but also in southwestern coastal regions and major metropolitan areas. These associations were not significantly modified by community-level socioeconomic factors, indicating widespread vulnerability.

Conclusion: Wildfire smoke imposes a substantial and geographically uneven respiratory health burden in South Korea, affecting both ignition zones and downwind populations. These findings underscore the limitations of current daily-average monitoring and highlight the urgent need for geographically targeted mitigation strategies, particularly in vulnerable coastal regions.

국문 초록 (Abstract)

배경: 기후변화의 영향으로 동아시아 내 산불 발생 빈도와 강도가 급증함에 따라, 산불 연기 및 그에 포함된 초미세먼지(PM2.5)는 중대한 공중보건 현안으로 부상하고 있다. 그러나 국내에서는 산불 연기가 호흡기 건강에 미치는 영향을 전국 단위에서 시공간적으로 정량화한 연구가 여전히 부족한 실정이다.

방법: 본 연구는 2015년부터 2024년까지 전국 254개 시·군·구를 대상으로 산불 연기 노출이 호흡기 질환에 미치는 건강 영향력을 시공간적으로 평가하였다. 기계학습 기반의 반사실적(counterfactual) 모델을 활용하여 산불 기인 PM2.5 농도를 산출하였으며, 노출 지표는 두 가지를 채택하였다. 첫째는 일별‘연기일(Smoke day, 일 평균 산불 기인 PM2.5 ≥15μg/m^3인 날)’이며, 둘째는 산불 발생 시간과 기하학적 연기 모델을 결합하여 산출한 시간별 ‘산불 영향 시간(Wildfire-affected hours)’이다. 호흡기 질환 응급실 내원과의 연관성은 시간-층화 환자-교차 설계(Time-stratified case-crossover design)를 통해 추정하였으며, 공간 베이지안 위계 모형(Spatial Bayesian Hierarchical Model)을 통해 적용해 지역별 위험도를 분석하였다.

결과: 분석 결과, 산불 연기 노출은 호흡기 응급실 방문 위험을 유의미하게 증가시키는 것으로 나타났다. 일별 분석에서는 노출 1일 후(Lag 1) 위험도가 가장 높았으며(OR = 1.062), 연구 기간 동안 약 28,935건의 발생한 것으로 추산되었다. 시간 단위 분석에서도 산불 영향 시간 발생 시 즉각적이고 지속적인 위험 증가(Lag 1 OR = 1.056)가 확인되었다. 공간 분석 결과 뚜렷한 지역적 이질성이 관찰되었는데, 산불 발생 빈도가 높은 내륙 산간 지역뿐만 아니라 전남 무안(SRD=12.72) 등 남서부 해안 지역과 일부 대도시가 고위험군으로 식별되었다. 한편, 지역사회의 사회경제적 요인은 이러한 위험도 차이를 설명하는 유의미한 효과수정인자로 작용하지 않았다.

결론: 산불 연기는 한국인의 호흡기 건강에 유의미하고 불균등한 부담을 주고 있으며, 그 영향은 발원지를 넘어 인근 지역까지 광범위하게 미치고 있다. 본 연구의 결과는 기존 대기질 관리 체계를 넘어선 공간 기반의 정밀한 산불 연기 대응 전략과 고위험 지역(특히 남서부 해안)을 대상으로 한 맞춤형 보건 정책의 필요성을 시사한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Study Background 1
• 1.2 Purpose of Research 7
• 1.3 Case Study 10
• 1.3.1 Overview of a large wildfire episode in 2022 10
• 1.3.2 Spatiotemporal patterns of wildfire smoke and ED visits 14
• 1.3.3 Case-study lessons and motivation for the nationwide analysis 18
• Chapter 2. Methods 20
• 2.1 Data Sources and Study Population 20
• 2.1.1. Environmental and wildfire Data 20
• 2.1.2. Health outcome data 21
• 2.1.3. Community characteristics 22
• 2.1.4. Preprocessing health data and administrative codes 23
• 2.2 Exposure Assessment 27
• 2.2.1 Spatial preprocessing for exposure data 27
• 2.2.2 Estimation of wildfire smoke plume 37
• 2.2.3 Baseline PM2.5 modeling 39
• 2.2.4 Estimation of wildfire-specific PM2.5 41
• 2.2.5 Daily smoke-day indicator 41
• 2.2.6 Hourly wildfire-flag and wildfire-affected indicator 42
• 2.3 Statistical Analysis 44
• 2.3.1 Time-stratified case-crossover 44
• 2.3.2. Estimation of risk difference for smoke-day exposure 52
• 2.3.3. Spatial Bayesian Hierarchical Modeling 53
• 2.3.4. Assessment of effect modification 58
• 2.4 Sensitivity Analysis 63
• 2.4.1 Alternative smoke-day thresholds 63
• 2.4.2 Distributed Lag Non-linear Modeling (DLNM) 64
• 2.4.3 Sensitivity of Bayesian Hierarchical Model 67
• Chapter 3. Results 71
• 3.1 Descriptive Statistics 71
• 3.1.1 Characteristics of wildfire events 71
• 3.1.2 Health outcome distribution 75
• 3.2 Exposure Patterns 78
• 3.2.1 Distribution of plume scores 78
• 3.2.2 Hourly wildfire flag and wildfire-affected exposure 81
• 3.2.3 Estimation of wildfire-specific PM2.5 and smoke days 86
• 3.3 Country-level Risk Estimates 90
• 3.3.1 Daily smoke-day exposure and respiratory morbidity 90
• 3.3.2 Hourly wildfire flag and wildfire-affected exposure 92
• 3.4 Initial Assessment of Spatial Heterogeneity 98
• 3.4.1 SGG-level crude odds ratios for daily smoke days 98
• 3.4.2 SGG-level odds ratios for hourly wildfire-affected exposure 103
• 3.5 Spatially Smoothed Risk Estimates 108
• 3.5.1 Bayesian spatial modeling of SGG-level risk differences for smoke days 108
• 3.5.2 Bayesian spatial modeling of SGG-level odds ratios for wildfire-affected hours 112
• 3.6 Effect Modification by Community Factors 116
• 3.6.1 Daily smoke-day exposure 116
• 3.6.2 Hourly wildfire-affected exposure 119
• 3.7 Sensitivity Analysis 122
• 3.7.1 Alternative smoke-day thresholds 122
• 3.7.2 Distributed Lag Non-linear Modeling (DLNM) 126
• 3.7.3 Sensitivity of Bayesian Hierarchical Model 130
• Chapter 4. Discussion 134
• Chapter 5. Conclusion 140
• Bibliography 143
• Abstract in Korean 160
• Appendix 162