기계학습 기반 지상 대기오염물질 추정 농도를 활용한 도시숲 대기질 분석 = An Analysis of Urban Forest Air Quality with Machine Learning-Based Estimates of Ground-Level Air Pollutant Concentrations

국문 초록 (Abstract)

도시숲은 자연기반해법(NbS, Nature-based Solutions)의 핵심 요소로서 대기오염을 완화하는 공간으로 주목받고 있다. 그러나 지상 관측소가 전국적으로 분포해 있음에도 불구하고 도심과 도로변에 집중되어 있어 도시숲의 대기질을 평가하는 데에는 한계가 있다. 따라서 본 연구는 지상 관측 및 인공위성 자료를 활용한 기계학습 기반 모델을 구축하여 도시숲 내 이산화질소 농도를 추정하고, 도시숲과 도심 간 이산화질소 농도 특성 차이를 정량적으로 비교하고자 하였다. 이를 위해 Sentinel-5p의 TROPOspheric Monitoring Instrument (TROPOMI)에서 산출된 이산화질소 연직 컬럼 농도와 에어코리아 (Air Korea) 측정소의 지상 농도에 토지피복, 지형, 식생지수(EVI) 등 다양한 환경 변수를 함께 활용하여 남한 전역의 일별 1 km 해상도의 지상 이산화질소 농도를 산출하였다. 연구 결과, XGBoost 모델은 우수한 성능을 보였으며(R2=0.84, RMSE=3.88 ppb), 도시숲의 관측 자료를 활용한 독립 검증에서도 높은 상관성 (R=0.8)을 나타내어 모델의 일반화 성능을 검증하였다. SHAP 분석을 통해 변수별 영향력을 해석한 결과, TROPOMI 이산화질소 연직 컬럼 농도가 모델 예측에 가장 큰 영향을 미치는 변수로 나타났으며 EVI는 음의 방향으로 기여하여 식생의 활력이 높은 지역일수록 예측값을 감소시키는 경향을 보였다. 도시숲의 대기오염물질 저감 효과를 분석하기 위해 서울 및 6대 광역시를 대상으로 도시숲과 도심을 구분하여 비교한 결과, 모든 계절에서 도시숲의 이산화질소 농도가 도심보다 약 5-10 ppb 낮게 나타났다. 특히 겨울철에 이러한 차이가 가장 크게 나타났으며, 서울 도시숲의 겨울철 이산화질소 농도(18.9 ppb)가 도심(25.9 ppb)보다 약 27% 낮아 도시숲이 이산화질소 저감 측면에서 중요한 기능을 수행함을 시사한다. 본 연구는 도시숲이 이산화질소 농도에 미치는 영향을 정량적으로 제시함으로써 향후 도시 녹지 관리 및 환경정책 수립에 활용될 수 있는 기초자료를 제공한다. 또한, 도시숲이 대기질 개선을 위한 자연기반해법으로 기능할 수 있음을 보여준다는 점에서 의의를 가진다.

다국어 초록 (Multilingual Abstract)

Urban forests are increasingly recognized as an important nature-based solution (NbS) for mitigating air pollution. Although ground-based monitoring stations are distributed nationwide, most are located in city centers or along roadways, which restricts assessment of air quality within urban forests. This study aims to estimate daily surface NO₂ concentrations at a 1-km resolution across South Korea by developing a machine learning model that integrates ground-based observations and satellite data, and to quantitatively compare NO₂ concentration characteristics between urban forests and urban areas. Tropospheric NO₂ vertical column densities from the TROPOspheric Monitoring Instrument (TROPOMI) aboard Sentinel-5P, ground-level NO₂ measurements from Air Korea, and other predictor variables (e.g., land cover, topography, and the Enhanced Vegetation Index) are used as inputs to the model. The XGBoost model achieves the highest performance (R² = 0.84, RMSE = 3.88 ppb). Independent validation using observations from urban forest show a strong correlation (R = 0.8), demonstrating the model’s generalization capability. SHAP analysis identifies TROPOMI-derived NO₂ as the most influential predictor, while EVI shows a negative influence, indicating that areas with higher vegetation vigor tend to exhibit lower predicted NO₂ concentrations. To assess the mitigating effect of urban forests, NO₂ concentrations are compared between forested and urban environments in Seoul and six major metropolitan cities. Urban forests display lower NO₂ levels by 5–10 ppb, with the largest differences during winter. In Seoul, wintertime NO₂ concentrations in urban forests (18.9 ppb) are about 27% lower than in urban areas (25.9 ppb), highlighting the substantial capacity of forests to reduce pollution. This study quantitatively demonstrates the influence of urban forests on NO₂ concentrations and provides foundational data to inform urban green space management and policy, reinforcing their role as an NbS for improving air quality.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구 범위 2
• 1. 연구 기간 및 대상지 2
• 2. 분석 대상 3
• 제 3 절 연구 흐름도 4
• 제 2 장 선행 연구의 고찰 5
• 제 3 장 자료 및 방법 7
• 제 1 절 이용자료 및 전처리 7
• 1. 일반대기오염측정망 7
• 2. TROPOMI 연직 컬럼 농도 8
• 3. MODIS EVI 12
• 4. SRTM 1 Arc-Second DEM 15
• 5. LDAPS PBL 17
• 6. 융합기상 고해상도 격자자료 19
• 7. 도로 밀도 20
• 8. 토지피복 21
• 9. 연중일 22
• 제 2 절 연구 방법 24
• 1. 지상 대기오염물질 추정 모델 선정 24
• 2. 입력 변수 선정 26
• 3. 모델 학습 31
• 4. 모델 성능 평가 33
• 제 4 장 연구 결과 35
• 제 1 절 지상 대기오염물질 추정 모델 35
• 1. 모델 성능 평가 35
• 2. 변수 중요도 41
• 제 2 절 지상 NO2 추정 농도 결과 42
• 1. 전국 NO2 농도의 시·공간적 분포 42
• 2. 서울 및 6대 광역시 도심과 도시숲 NO2 농도 특성 46
• 3. 도시숲 및 도심 NO2 관측 및 모델 결과 49
• 제 3 절 식생지수(EVI)를 활용한 NO2 농도 민감도 분석 51
• 제 5 장 결론 및 토의 55
• 제 1 절 연구의 요약 55
• 제 2 절 연구의 한계 및 향후 과제 59
• 1. 인공지능을 활용한 위성자료 기반 지상 농도 추정 59
• 2. 다중 오염물질의 확장 59
• 참고문헌 60
• Abstract 65