Article information

J Korean Soc Environ Eng. 2022;44(8):276-286

Publication date (electronic) : 2022 August 31

doi : https://doi.org/10.4491/KSEE.2022.44.8.276

Hyunjun Ahn, Dongju Kim, Okgil Kim, Jae-Bum Lee, Daegyun Lee

Air Quality Forecasting Center, Climate and Air Quality Research Department, National Institute Environmental Research, Republic of Korea

안현준, 김동주, 김옥길, 이재범, 이대균

국립환경과학원 기후대기연구부 대기질통합예보센터

^†Corresponding author E-mail: kamjakang@korea.kr Tel: 032-560-7659 Fax: 032-560-7725

Received 2022 April 8; Revised 2022 July 1; Accepted 2022 July 13.

Abstract

Trans Abstract

1. 서 론

대기환경은 인간의 활동, 보건, 그리고 삶의 질에 있어서 매우 중요한 영향을 미칠 수 있다. 최근 세계보건기구(world health organization, WHO)의 발표에 따르면 매년 700만명에 해당하는 인구가 대기오염과 관련하여 조기에 사망하고 있다[1]. 이와 관련하여 대기질과 건강에 관련된 연구를 살펴보면 대기중의 오염물질, 특히 미세먼지는 호흡기 및 심장질환 등에 직접적인 영향을 미치는 것으로 알려져 있다. 미국의 경우 PM-2.5에 만성적으로 노출될 경우 그 수치가 10 µg/m³ 증가할 때 사망률이 1.6배 증가하고, 단기 노출의 경우도 10 µg/m³ 증가할 때마다 사망률이 2.8% 높아졌다[2]. 또한 유럽의 경우도 PM-2.5의 농도가 5 µg/m³ 상승할 때마다 폐암 발생 위험이 1.18배 증가하는 것으로 분석되었다[3]. 그 밖에 산모와 태아, 안구 및 피부질환에도 간접적인 영향이 있는 것으로 알려져 있다[4,5,6]. 이처럼 미세먼지는 인간의 건강과 매우 밀접한 연관을 가지며 인체에 유해하기 때문에 WHO는 포름알데히드, 벤젠, 그리고 석면과 같은 유해물질들과 함께 1급 발암물질로 규정하고, PM-2.5에 대해 1일(24시간) 및 연간 관리 기준을 제시하고 있다. 최근 개발도상국과 저개발국을 중심으로 산업화 및 도시화와 더불어 인간의 활동이 확대됨에 따라 대기오염의 강도나 범위 등 그 영향이 더욱더 커지고 있는 실정이다. 이렇게 변화하고 있는 사회현상 등을 반영하여 WHO에서는 지난 2005년 대기질 가이드를 수립한 이후 16년만인 2021년에 미세먼지(PM-10), 초미세먼지(PM-2.5), 오존(O₃), 그리고 이산화질소(NO₂) 등 대기오염물질들에 대한 새로운 대기질 가이드라인(air quality guidelines, AQG)를 발표한바 있다[1]. 국외뿐만 아니라 국내에서도 대기질과 미세먼지에 대한 경각심이 커지고 사회적인 요구가 늘어가고 있는 실정이다. 2019년 국민환경의식조사[7]에 따르면 우리나라 국민은 환경 부문 중 ‘수질 부분’과 더불어 ‘대기(공기)질 부문’에 대해 불만족 비율이 가장 높게 나타났고 가장 시급하게 해결해야 할 환경 문제로 ‘대기질(미세먼지 등) 개선’ 항목을 가장 우선순위 (46.5%)로 꼽았는데 이는 2018년 조사 대비 15.9%p 상승한 결과로 나타났다. 또한 국민의 대다수(91%)가 미세먼지 오염도가 심각하다고 느끼고 있으며, 78.7%는 건강에 위협이 된다고 인식하고 있는 것으로 조사되었다.

이처럼 대기중 오염물질이 인간에 미치는 영향을 고려하고 국민들의 사회적 요구를 반영하기위해 기상, 환경, 화학 등 다양한 분야에서 대기오염물질에 대한 분석 및 예측을 수행하기 위한 수치예보 기반 대기질 모델의 예측성 향상에 필요한 연구가 꾸준히 수행되어오고 있다.

Jia et al.(2017) 8) 은 2015년 12월에 베이징, 텐진, 허베이 지역에 발생한 고농도 사례를 대상으로 WRF-CAMx 모델링 시스템을 활용하여 분석을 수행한 결과 지역 배출량이 가장 큰영향을 제공하는 것으로 나타났으며 당시 두 번 발령된 비상대책(the red alert)은 대기 오염 감소에 효과가 있었으며 교통량 조절에 대한 조치가 가장 의미가 있었음을 분석하였다. 조유진 등(2017) [9]은 기상모델의 기상 초기 및 경계 조건 자료인 GFS와 FNL을 이용하고 CMAQ을 이용하여 초기 기상장 차이에 유발되는 미세먼지 농도 모사 결과를 분석하였다. 분석 결과 기온의 경우 큰 차이가 보이지 않았으나 풍속의 경우 GFS를 사용했을 경우 서해안과 수도권지역을 중심으로 더 강하게 모사되는 것을 확인하였다. 공지영 등(2021) [10]은 대기화학-수송 모델링 시스템(SMOKE-WRF-CAMx)을 구성하여 충청지역의 PM-2.5 실태와 기여도 분석을 수행하였다. 우리나라 정부에서도 미세먼지를 체계적이고 집중적으로 관리하기 위하여 미세먼지 관리 종합대책(2017)을 마련하고 미세먼지 관리 종합계획(2020~2024)을 수립하는 등 관련 법령 체계를 마련하고 관리 정책을 수립하고 있다. 또한 이러한 법령을 근거로 환경부에서는 ‘대기질 통합 예보센터’를 운영하여 국민들에게 대기질(미세먼지) 농도, 오존 등 대기 현황에 대한 정보 제공 및 대기질 등급에 대한 예보를 시행하고 있다. 또한 기상 및 계절적 요인 등으로 인해 대기질 농도가 나빠지는 겨울철 기간(당해년 12월부터 이듬해 3월까지)을 특별 관리 기간으로 선정하여 ‘미세먼지 계절관리제’를 운영하고 있다.

정부가 추진하고 있는 종합계획과 정책 수립 등이 효과적으로 수행되기 위해서는 무엇보다도 정확한 예측과 분석이 필수적이다. 그러나 앞서 언급된 수치해석을 기반으로 한 연구들은 정책적 결정을 위한 분석과 예측에 있어서 한계가 존재한다. 수치모델 기반의 예측과 분석 연구의 경우 대기현상이나 물리 역학을 기반으로 한 지배방정식을 이용하거나 대기 중 오염물질들 간 화학반응을 이용하여 정량적으로 분석 또는 예측하는 과정이기 때문에 특정 사례에 대한 변화 흐름과 기상, 화학적 원인 등에 대한 분석 수행에는 용이할 수 있다. 하지만 인간의 인위적인 활동으로 인해 불특정하게 발생하는 대형 화재나 COVID-19와 같은 사회적 재난 등으로 변화하는 현상들을 즉각적으로 고려하기 어렵고 발생 추이에 대한 빈도, 중장기적 확률론적 (발생)예측, 그리고 변동성 분석 및 결과 제시 등에서 한계를 가질 수 있다. 따라서 수치모델 기반 연구 및 각종 오염물질들의 화학적 반응과 결합 등에 대한 연구뿐만 아니라 실제 관측 정보 및 기록들을 활용하여 미세먼지의 발생 특성과 농도 변화 추이에 대한 충분한 이해와 검토가 필요하다. 그러나 대기질 농도 및 등급 예측을 위한 인벤토리 및 수치모델링에 대한 연구는 꾸준하게 이루어지고 있는 반면 대기질 관측 농도 자료를 기반으로한 통계역학적 분석 연구는 관측 자료의 부족 등으로 인해 상대적으로 활발히 수행되고 있지 않은 실정이다. 여민주와 김용표 (2019) [11]는 2001년부터 2017년까지의 PM-10의 장기 시계열자료를 활용하여 우리나라의 미세먼지 농도 및 고농도 사례에 대한 추이를 분석하였다. 박순애와 신현재(2017) [12]는 국내 16개 광역시･도를 대상으로 초미세먼지(PM-2.5)에 대해 풍향을 고려한 계절성 원인을 중심으로 영향요인 분석 연구를 수행하였다. 유혁균 등(2020) [13]은 서울시를 대상으로 황사, 풍속, 무강우 일수, 일교차 등 기상 조건에 따른 PM-2.5 와 PM-10의 영향 및 그 경향을 분석 하였다.

본 연구에서는 최근 6년(2015~2021) 계절관리제 기간(당해년 12월~차년도 3월)동안 전국에 위치한 도시대기관측망(AQMS, Air Quality Monitoring System)을 통해 관측한 PM-2.5 자료를 기반으로 통계적 기법을 활용하여 종관적인 규모에서의 국내 미세먼지 농도의 변화 경향을 정량적으로 파악하고 발생 특성을 이해하고자 한다.

2. 자료 및 방법

3. 결 과

3.1. 기술통계분석 - PM-2.5 관측자료

Fig. 1은 2015년 12월부터 2021년 3월까지의 계절관리제 기간의 전국 일평균 시계열 자료를 시각화한 결과이고, 범례에해 당하는 2015부터 2020은 각 시즌을 의미한다. Fig. 1에서각 시즌 별 시계열 자료를 분석해보면 우리나라의 일평균 PM-2.5 관측 농도는 전반적으로 10~60 µg/m³ 사이에 분포하는 것으로 보이며 2017년도 1월, 12월, 2019년 1월~3월 등일부 기간에서 60 µg/m³ 를 초과하는 고농도 미세먼지 관측값 발생 사례가 나타나는 것으로 확인되었다. 전체 기간 및 각 시즌 별 기초통계량은 Table 1과 같다.

Fig. 1.

Time series of daily average PM-2.5 observations.

Table 1.

The basic statistics of daily PM-2.5 observations.

Table 1의 기초통계량 결과를 살펴보면 2015년 12월부터 2021년 3월까지 전체 기간의 평균 관측 농도는 28.4 µg/m³ 으로 나타났고, 각 시즌 별 평균 관측 농도값 중 최소값은 시즌 2020에 23.1 µg/m³ , 최대값은 시즌 2018에 최대 32.2 µg/m³ 으로 나타났다. 분산과 표준편차의 경우 시즌 2018이 가장 크고 시즌 2017이 그 다음으로 큰 값이 산정되었으며 나머지 시즌에서는 비슷한 통계량을 보였다. 왜곡도 계수(coefficient of skewness) 경우 시즌 2018에서 1.6으로 다른 시즌보다 상대적으로 큰 값이 산정되었음을 확인 할 수 있었고 첨예도 계수 또한 왜곡도 계수와 비슷한 양상으로 나타났다. Table 1에서 산정된 결과를 box plot으로 시각화한 결과는 Fig. 2와 같다. Fig. 2에서 시각화된 기초통계량 값을 살펴보면 시즌 2019와 시즌 2020에서 다른 기간에 비해 다소 낮은 평균 관측농도가 확인되었으며 왜곡도 계수와 첨예도 계수가 높았던 시즌 2018에서는 자료의 분포가 평균을 중심으로 더 큰 값을 취하는 방향으로 치우쳐진 형태로 나타나는 것과 다른 기간에 비해 많은 이상치(outlier)가 나타나는 것을 확인할 수 있었다. 또한 시즌에 관계없이 모두 양의 왜곡도 계수(positive coefficient of skewness)가 나타남에 따라 자료의 분포가 평균을 중심으로 표본 값의 크기가 큰 방향으로 더 길게 나타나는 것을 알 수 있다.

Fig. 2.

box plot of daily average PM-2.5 observation in each duration.

3.3. 분산분석

본 연구에서는 국내 일평균 미세먼지 관측 농도 자료의 통계적 특성과 변화를 살펴보기 위하여 표본 자료의 기초통계량 분석뿐만 아니라 분산분석(analysis of variance, ANOVA)을활용한 추론통계분석을 수행하였다. 먼저 ANOVA 분석을 위한 가정 조건 중 정규성 가정은 각 시즌 별로 표본 자료(n)가 충분하게 준비(n>100)되어 있기 때문에 중심극한정리(central limit theory)를 통해 정규성 가정이 충족되었다고 가정하였다. 다음으로 등분산 가정에 대해서는 레빈의 검정(Levene’s test) 을 적용하여 검토하였고 그 결과는 Table 2와 같다. 여기서, 귀무가설(H₀)은 ‘각 그룹 간의 분산이 같다’ 이고 대립가설 (H₁)은 ‘적어도 두 집단간 분산이 다르다’ 로 가설을 세웠으며 유의수준 5%를 가정하였다. 등분산 분석 결과 F 통계량이 4.32로 발생확률이 0.001 미만인 것으로 나타났다. 따라서 각시즌 별 자료들은 유의수준 5%에서 귀무가설을 기각하고 대립 가설을 채택하여 통계적으로 집단간의 동일 등분산을 만족하지 못하는 것으로 분석되었다.

Table 2.

The result of Levene's test for homogeneity of variance.

등분산 분석 결과에 따라서 ANOVA 분석기법 중 등분산 가정이 만족되지 못했을 경우에 사용 가능한 Welch’s ANOVA 방법을 채택하여 각 시즌 별 자료의 통계적 유의성을 검증하기 위하여 일원분산분석(one-way ANOVA)을 수행하였다. 분산분석의 H₀는 ‘모든 집단간의 평균은 같다’ 이고 H₁는 ‘평균이 서로 다른 집단이 존재한다’ 이다. Table 3은 Welch’s one-way ANOVA 분석의 결과이다.

Table 3.

The results of Welch’s one-way ANOVA for daily average PM-2.5 data.

ANOVA 분석 결과 F 통계량은 13.603이 나왔고 이때 발생 확률이 0.001 미만이므로 유의수준 5%에서 귀무가설이 기각되고 대립가설인 ‘평균이 서로 다른 집단이 존재한다’가 채택 되었다. 이를 통해 각 시즌에 따라서 PM-2.5의 관측 농도 자료가 통계적으로 유의미한 차이가 있음을 확인할 수 있었다. 본 연구에서는 ANOVA 분석을 통해 얻은 결과를 토대로 각시즌 별로 어느 기간에서 유의미한 차이가 있고, 그 상대적인 차이가 어떻게 나타나는지 검토하기 위해 사후 분석(post-hoc analysis)을 수행하였다. 사후 분석 방법으로는 각 집단간 분산의 동질성이 확보되지 않았을 경우에 적용이 가능하면서 집단간 비교 분석할 때 성능이 우수한 것으로 알려진 Games-Howell 검정 방법을 채택하여 분석을 수행하였다[20,21]. Games-Howell 검정 방법을 활용한 사후 분석 결과는 Fig. 3과 같다. 각 연도별 비교결과에서 시즌 2015에서 시즌 2018까지는 통계적으로 유의미한 수준에서 계절관리제 기간 동안 고농도 미세먼지 평균 농도의 차이가 없다고 분석되었다. 그러나 시즌 2019와 2020은 시즌 2015부터 2018까지의 고농도 미세먼지 농도의 평균값과 통계적으로 유의미한 차이를 보이는 것으로 분석되었다. 반면, 시즌 2019와 2020의 고농도 미세먼지의 평균 농도는 통계적으로 서로 유의미한 차이가 없는 것으로 확인되었다. 이와 같은 사후 분석을 통해 국내 계절관리제 기간 동안의 고농도 미세먼지 관측 농도는 관측 자료의 평균 통계량에서 변화가 있었음을 확인할 수 있었고, 그 변화는 시즌 2019를 기점으로 이전과 이후로 나누어 볼 수 있었다. 시즌 2019를 기준으로 이전과 이후의 평균 값을 도식화 하고 각 시즌 별 평균값과 신뢰수준 95%에 해당하는 값을 나타낸 결과는 Fig. 4와 같다. 시즌 2019 이전의 평균은 30.9 µg/m³ 으로 시즌 2019 이후의 평균 23.4 µg/m³ 와 평균 7.5 µg/m³ 차이가 나는 것을 확인할 수 있다. 또한 시즌 2015부터 시즌 2018까지의 평균 농도는 유의수준 95% 범위에서 서로 공통 구간이 존재함을 확인 할 수 있었으나 시즌 2019와 2020에서의 유의 수준 범위는 앞선 시즌과 겹치는 구간이 존재하지 않음을 확인할 수 있었다.

Fig. 3.

Result of Games-Howell's post-hoc analysis.

Fig. 4.

Concentration of PM-2.5 with 95% confidence interval of mean.

4. 논의 및 고찰

본 연구에서는 2015년 12월부터 2021년 3월까지의 전국에서 관측된 PM-2.5 관측 농도 자료를 바탕으로 기술 통계량 분석을 통한 기초 자료 분석과 추론 통계 기법을 활용하여 관측자료의 변동성 분석을 수행하였다. 추가적으로 사후분석을 통해 각 시즌별 데이터 집단간의 차이를 살펴보고 어느 구간에서 통계적으로 유의미한 차이가 발생되는지 분석하였다. 분석 결과 유의수준 5%에서 시즌 2019를 기준(2019년 12월~2020년 3월)으로 그 이전과 이후의 평균 통계량의 차이가 나타남을 확인하였다. 또한 2019년 이후의 두 개의 시즌인 시즌 2019와 시즌 2020은 서로 통계적으로 유의미한 차이가 없는 관측 데이터로 볼 수 있다는 결과를 확인하였다. 이와 같은 결과는 시즌 2019 이후로 기록된 PM-2.5 관측 자료가 그 이전의 관측 자료들과는 다르게 어떠한 외부 요인(자연현상 또는 인위적인 사회 현상 등)에 의해 변화가 나타났음을 시사하고 있다. 또한 사후 분석을 통해 시즌 2019와 시즌 2020의 관측 자료를 동질한 자료로 볼 수 있다는 분석결과를 확인했기 때문에 시즌 2019에 발생된 변화 또는 현상이 시즌 2020까지 지속되고 있음을 확인 할 수 있다.

국내에서 관측되는 미세먼지 농도의 경우 농업, 산업, 발전, 수송 및 교통, 생활, 기타 비산먼지 발생 등 다양한 사회･환경적인 요인에 의해서 달라질 수 있으며 더 나아가 국외 주변국가로부터의 영향에 따라 변화가 있을 수 있다[12,22]. 또한 인위적인 활동에 의한 직접적인 영향을 분석하기 위해선 인위적인 배출 총량의 조사가 이루어져야 하지만 배출량 정보는 조사되고 분석되어 사용할 수 있을 때까지 최소 2~3년의 시간이 소요되기 때문에 즉각적인 분석이 어려운 측면이 있다. 따라서 정확한 원인을 분석하기 위해서는 다양한 분야에서 미세먼지에 영향을 줄 수 있는 여러 변인을 대상으로 살펴보아야 할 필요성이 있으며 이를 위한 많은 연구가 활발히 지속되고 있다[23-30].

본 연구에서는 시즌 2019 이후의 기간의 대기질 관측농도의 변화가 다양한 환경 요인 중 기상(풍속 및 풍향)의 영향에 의한 변화인지 검토하기 위하여 대기질 관측농도 자료의 수집 기간과 동일한 전체 기간 중에 풍속, 최대 풍속, 그리고 풍향의 빈도와 비율 등을 분석하고 시즌 2019과 2020의 A, B구간의 해당 요소의 통계량과 비교 분석하였다. Table 4는 전체 기간의 전국 ASOS 지점의 평균 풍속 및 평균 최대풍속 16방위 풍향의 빈도와 그 빈도에 따른 전체 비율을 나타낸 결과이고 Table 5는 시즌 2019와 2020의 A, B구간의 통계량 결과이다.

Table 4.

Average wind speed and frequency of wind direction in South Korea.

Table 5.

Average wind speed and wind frequency between S2019 and S2020

Table 4를 살펴보면 국내 겨울철 계절관리제 기간의 평균 풍속은 2.2 m/s 이고 평균 최대 풍속의 경우 8.9 m/s으로 추정된다. 또한 풍향의 경우 서북서, 서, 북서풍 계열의 바람이 각각 24, 16, 그리고, 14%의 비율로 나타났으며 상위 3개의 풍향은 전체 기간 동안 54% 비율을 차지하는 것으로 분석되었다. 시즌 2019의 A, B구간과 시즌 2020의 A, B구간에서도 이와 동일하게 분석해본 결과 Table 5와 같이 분석되었다. 평균 풍속은 1.9에서 2.2 m/s의 범위에서 전체 평균인 2.2 m/s와 유사하게 나타났으며 평균 최대 풍속 또한 9.0에서 9.6 m/s으로 전체 평균인 8.9 m/s와 비슷한 수준으로 분석되었다. 풍향의 경우 각 시즌 별로 상위 3개의 풍향은 각각 시즌 별로 동일하게 나타났으며 주로 북서풍 계열이 지배적인 것으로 나타났다. 일반적으로 국내 대기 환경의 경우 서풍의 영향을 받을 때 대기질 농도가 부정적인 영향을 받는 것으로 알려져 있다[12]. 그러나 분석결과를 살펴보면 오히려 대기질 농도가 감소한 시즌 2019 B구간과 시즌 2020 A구간에서 상대적으로 대기질 농도가 높았던 시즌 2019 A구간과 시즌 2020 B구간보다 서풍의 빈도가 많았고 전체 풍향 중 서풍이 차지하는 비율이 높았던 것으로 파악된다. 특히 Kang et al. [31]에 따르면 한반도 PM-2.5 농도에 대해서 시즌 2019에 해당하는 기간인 2019년 12월부터 1월 사이에 기상으로 인한 대기질의 변화는 +5% 였지만 코로나 19(COVID-19)가 발생한 이후 국내에 영향을 미친 2019년 2월에서 3월 사이에는 기상의 영향이 -5%, COVID-19에 의한 영향이 -21%으로 분석된 결과를 볼 때 기상의 영향보다는 인위적인 활동에 따른 대기질 농도의 변화가 지배적이었던 것으로 분석되었다. 이와 같은 연구 결과는 본 연구에서 분석된 결과와 유사한 결과를 보이는 것으로 판단된다.

앞선 선행 연구들의 결과 및 기상(풍향, 풍속)의 영향이 크게 대기질 농도에 지배적인 영향을 미치지 못했다는 가정아래 시즌 2019부터 국내외 관측 농도에 영향을 미칠만한 사회·환경적인 변화 요인을 분석해보면 2019년 12월부터 전세계적으로 확산이 시작된 COVID-19의 영향이 가장 높았을 것으로 추론된다. 이러한 본 연구의 결과 및 추론은 전세계적으로 미세먼지와 COVID-19와의 영향을 분석한 선행연구에서도 유사한 연구결과를 찾아볼 수 있다[32,33,34,35]. Chauhan and Singh [32]는 세계 주요 도시에서 PM-2.5 관측 데이터를 활용하여 COVID-19 이전(2017~2018)에 비해 COVID-19 이후 (2019.12~2020.3)에 PM-2.5의 관측값이 현저하게 감소되었음을 밝혔고 이를 COVID-19로 인한 lockdown의 영향으로 분석하였다. 또한 Xing et al. [33]에 의하면 NO₂, SO₂, Primary PM-2.5 등 중국의 징진지 지역의 인위적 배출량이 각각 51, 28, 63% 감소 하였으며 이와 같은 결과는 COVID-19로 인한 shutdown으로 인한 변화로 분석하였다. 특히 중국의 경우 우리나라의 대표적인 풍상지역이기 때문에 본 연구의 결과와 매우 상관성이 높을 수 있다. Fig. 5는 COVID-19 발생 이전과 이후의 PM-2.5 관측 농도 분포의 변화를 나타낸 결과이다. COVID-19 발생 이전에는 산술평균도 높았지만 국내에서 대기질 등급 기준 중 ‘매우나쁨’에 해당하는 75 µg/m³ 초과의 고농도 관측 자료가 8회 발생하였고 최고 관측 농도는 103.9 µg/m³ 였으나 COVID-19 발생 이후에는 최고 관측 농도가 66.3 µg/m³ 이고 ‘매우나쁨’ 등급에 해당하는 사례는 관측되지 않았다. 자료의 빈도를 고려하여 저농도 및 고농도에 해당하는 관측 농도 자료의 분포 검토를 위해 히스토그램 및 커널밀도추정(kernel density estimation, KDE)함수를 작성하였다 (Fig. 6). Fig. 6을 살펴보면 COVID-19 발생 이전의 관측 농도의 분포는 COVID-19 발생 이후의 관측 농도의 분포에 비해 상대적으로 오른쪽 꼬리가 길게 나타났으며 대기질 등급 기준에서 ‘나쁨’에 해당하는 35 µg/m³ 초과 농도에 해당하는 꼬리부분의 두께가 더 두껍게 나타나는 것을 확인하였다. 또한 상대적으로 20 µg/m³ 미만의 저농도 구간의 왼쪽 꼬리 부분에서는 COVID-19 발생 이후를 나타내는 붉은색 점선이 더 두껍게 나타나는 것을 확인할 수 있었다. 이를 통해 COVID-19 이후로 고농도의 PM-2.5 발생 빈도가 감소하고 상대적으로 저농도에 해당하는 관측 농도가 빈번하게 관측되었다고 볼 수 있다.

Fig. 5.

Impact of COVID-19 on the concentration of PM-2.5.

Fig. 6.

Histogram and kernel density estimation function with PM-2.5 data set.

COVID-19의 발생으로 인한 국내 대기질의 영향을 보다 미시적으로 살펴보기 위하여 Fig. 7에서는 시즌 2019 이후 PM-2.5 관측 농도의 시계열 자료와 특정 구간별 평균을 산정해 보았다. 특정 구간은 시즌의 기간을 12월부터 1월까지(A구간)와 2월부터 3월까지(B구간) 각각 2개월간의 2개의 구간으로 나누어 분석을 수행해보았다. 우선 COVID-19가 본격적으로 국내에 영향을 미치기 이전의 기간이라고 볼 수 있는 시즌 2019의 A구간에서는 평균 농도가 25.2 µg/m³ 으로 나타났지만 종교단체 등의 영향으로 인해 전국적인 확산이 일어난 1차 대유행 시기가 포함된 시즌 2019의 B구간에서는 평균 농도가 22.3 µg/m³ 으로 낮아진 것을 확인할 수 있었다. 한편 시즌 2020의 A구간에서는 시즌 2019의 B구간과 비슷하지만 더 낮아진 21.4 µg/m³ 였으나 시즌 2020 B구간에서는 24.7 µg/m³ 으로 다소 높아진 것을 확인할 수 있었다. 또한 2021년 3월 28일 발생한 66.3 µg/m³ 에 해당하는 고농도 사례를 제외하더라도 시즌 2020 B구간의 평균 농도는 24.0 µg/m³ 으로 산정되었다. 따라서 시즌 2019 B구간에서의 관측 농도의 저감 현상이 단순한 계절적인 요인으로만 볼 수 없음을 시사할 수 있다.

Fig. 7.

Time series of concentration of PM-2.5 after COVID-19.

따라서 앞서 언급된 참고문헌들과 본 연구에서의 추가적인 계절 및 기상 자료의 검토 결과들을 종합적으로 고려해볼 때 시즌 2019를 기점으로 국내 PM-2.5의 평균 관측 농도의 변화의 원인으로는 기상이나 계절적인 요인보다는 COVID-19와 같은 사회·환경적인 요소의 영향이 더 클 수 있음을 확인하였다. 또한 COVID-19 발생 기간 내에서도 인간의 인위적인 활동 및 사회 환경 변화에 따라 대기질의 관측농도가 달라질 수 있는 가능성을 확인하였다.

5. 결 론

본 연구에서는 2015년 12월부터 2021년 3월까지 겨울철인 국내 계절관리제 기간 동안의 PM-2.5의 시 단위 관측 농도 자료를 기반으로 기술통계분석을 통해 기초통계량을 분석하 였고 ANOVA 분석과 같은 추론통계분석 기법을 활용하여 국내 종관규모에서의 국내 PM-2.5의 통계적 특성 및 변화를 분석해보고자 하였다. 분석 결과 국내 대기질 관측농도의 몇 가지 특징과 변화를 확인할 수 있었다.

1) 2015년부터 2021년까지 6번의 겨울철 기간 동안의 전체 평균 농도는 28.4 µg/m³ 이었으며 가장 높았던 기간은 시즌 2018의 32.2 µg/m³ 이었고 가장 낮았던 기간은 시즌 2020의 23.1 µg/m³ 이었다. 시계열 분석 측면으로는 각 시즌 별 1~3회 정도의 고농도 미세먼지(60 µg/m³ 이상) 발생을 제외한 대부분의 기간에서 60 µg/m³ 미만의 관측 농도 분포를 보였다.

2) Levene’s 검정과 Welch’s ANOVA 분석을 통해 각 시즌별 관측 자료의 등분포 분석과 분산분석을 수행한 결과 유의 수준 5%에서 집단간 분산과 평균이 유의미한 변화가 나타났음을 확인하였다. 사후 분석을 통해 각 시즌 별 평균 농도의 차이를 분석해본 결과 시즌 2019를 기준으로 전과 후의 두 그룹으로 나누어짐을 확인할 수 있었다. 시즌 2015에서 시즌 2018까지의 평균 관측 농도와 시즌 2019에서 시즌 2020까지의 평균 관측 농도는 각각 30.9 µg/m³ 과 23.4 µg/m³ 으로 7.5 µg/m³ 차이가 났다. 시즌 2019와 시즌 2020의 관측 자료의 동질성을 바탕으로 시즌 2019 이후로 나타난 변화가 시즌 2020까지 지속되고 있음을 확인 할 수 있었다.

3) 시즌 2019를 기준으로 변화된 주된 원인을 COVID-19로 가정하고 분석해본 결과 COVID-19 이전의 경우 국내 대기질 등급 기준 ‘매우나쁨’에 해당하는 고농도 사례가 8회였으나 COVID-19 이후의 경우 ‘매우나쁨’ 등급이 발생하지 않았다. 또한 고농도와 저농도 발생빈도 측면에서는 COVID-19 이전에는 고농도 발생빈도가 높고 저농도 발생빈도가 낮은 반면, COVID-19 이후에는 고농도 발생빈도가 낮고 저농도 발생빈도가 높은 것으로 분석되었다.

4) 기상(풍속과 풍향)측면에서는 코로나 이후의 기간인 시즌 2019와 시즌 2020에서 대기질 관측농도 하락에 영향을 미칠만한 큰 변화를 찾기 어려웠으며 미시적인 관점에서 각 시즌의 A, B구간별 기상자료 통계 분석에서도 대기질 농도변화에 영향을 미칠만한 원인을 찾기 어려웠다.

5) COVID-19 발생 이후 2020년 1차 대유행(2월)을 기점으로 이전과 이후로 나누어 봤을 때도 1차 대유행 이전의 경우 PM-2.5 평균 농도가 25.2 µg/m³ 인 반면 1차 대유행 이후는 22.3 µg/m³ 으로 감소하는 경향을 보였다. 또한 2021년 3차 대유행(11~1월)이 발생한 시기에는 21.4 µg/m³ 였으나 이후에는 24.7 µg/m³ 으로 상승한 것을 확인하였다.

본 연구를 통해 국내에서 관측되고 있는 대기질 관측자료의 특성을 보다 명확하게 파악하여 통계 및 인공지능 기계학습기반 대기질 예측 모형 개발에 도움이 되길 바라며, 과학적이고 데이터 기반의 분석 방법을 이용한 대기질 관련 연구를수행하는데 기초 자료로써 활용될 수 있기를 기대한다. 또한 국민의 건강과 보건 등 국민의 삶과 질에 직간접적으로 영향을 미칠 수 있는 국가 대기질 관리 및 관련 정책수립을 수행하는데 활용될 수 있기를 바란다.

Article information Continued