대기환경측정망은 설치 목적에 따라 구분되며, 본 연구에서는 도시 지역의 평균 대기질을 파악하여 환경기준 달성 여부를 판정하기 위한 목적으로 설치된 도시대기측정망 자료를 활용하였다. 도시대기측정망은 주로 대상 지역의 기상여건을 고려하여 그 지역의 대표치를 얻을 수 있다고 판단되는 장소에 설치되며 해당 지역의 산업 및 주 풍향을 고려할 때 공업지역으로부터의 영향을 가장 많이 받는 인구밀집지역의 주거지역 또는 상업지역 등의 장소를 선정하여 설치된다. 도시대기측정망은 2025년 기준 전국에 529개 측정소가 설치･운영되고 있으며, 경상북도에는 47개 측정소가 운영되고 있다. 경상북도의 각 지자체별로는 포항시 11개, 구미시 5개, 경주시 4개, 경산시, 김천시 3개, 봉화군, 영덕군, 영주시, 의성군 2개, 나머지 13개 지자체에 1개의 측정소가 설치되어 운영 중이다. 대기환경 자료는 한국환경공단 에어코리아(https://www.airkorea.or.kr)에서 다운로드 받아 이용하였다. 대기환경 자료를 이용해 이산화황(SO₂), 이산화질소(NO₂), 일산화탄소(CO), 오존(O₃), 미세먼지(PM₁₀), 초미세먼지(PM_2.5)에 대해 해당 기간동안 대기오염물질들의 농도 경향을 분석하였다.

국내 국가미세먼지정보센터에서 대기정책지원시스템(Clean Air Policy Support System, CAPSS)을 구축하여 1년 단위로 대기오염물질 배출량을 산정하고 있다. CAPSS는 대기오염물질을 배출목록에 근거한 배출 정보 종합시스템으로, 기초자료 수집과 체계적인 관리를 통해 대기환경 정책 수행에 필요한 배출량 통계 정보를 산정하여 제공하는 시스템이다. CAPSS의 분류체계는 13개의 배출원대분류(에너지산업 연소, 비산업 연소, 제조업 연소, 생산공정, 에너지수송 및 저장, 유기용제 사용, 도로이동오염원, 비도로이동오염원, 폐기물 처리, 농업, 비산먼지, 생물성 연소, 기타 면오염원)로 구성되었다. 배출원 분류체계에 따라 9개의 오염물질(일산화탄소(CO), 질소산화물(NO_x), 황산화물(SO_x), 총부유입자(TSP), 미세먼지(PM₁₀), 초미세먼지(PM_2.5), 휘발성유기화합물(volatile organic compounds, VOCs), 암모니아(NH₃), 블랙카본(Black carbon, BC))을 대상으로 하고 있다. 본 연구에서는 2017년부터 2021년까지의 대기오염물질 배출량(CAPSS) 자료를 환경부 국가미세먼지정보센터(https://www.air.go.kr)에서 다운로드 받아 이용하였다. 이를 통해 8개 대기오염물질(CO, NO_x, SO_x, TSP, PM₁₀, PM_2.5, VOCs, NH₃)에 대해 국내 대기오염물질 현황을 연도별, 지자체별, 배출원별로 분석하였다.

경상북도의 대기오염물질 배출량, 기상, 사회경제적 특성과 대기질 간의 관계를 확인하기 위하여 머신러닝 모델을 활용하였다. 2017년부터 2021년까지의 시군 단위 자료를 사용하였으며, 입력 변수는 배출량 데이터, 기상 자료, 사회경제지표를 사용하였다. 출력 변수는 도시대기측정망에서 측정된 PM₁₀ 및 PM_2.5 농도를 선택하였다. 배출량 데이터는 각 지역의 면적으로 나누어 단위 면적당 대기오염물질(CO, NO_x, SO_x, TSP, PM₁₀, PM_2.5, VOCs, NH₃)의 연간 총 배출량을 사용하였으며, 기상 자료는 기상자료개방포털의 종관기상관측(ASOS)과 방재기상관측(AWS) 자료의 연 단위 자료 중 평균 최고 기온, 평균 최저 기온, 평균 기온, 평균 풍속, 강수량 합을 사용하였다. 사회경제지표는 국가통계포털의 인구수, 한국표준산업분류에 따른 19개 산업대분류 별 종사자수, 자동차주행거리(사업용, 비사업용), 지역내총생산(GRDP; Gross Regional Domestic Product)을 선택하였다. 산업대분류는 농업, 임업 및 어업(Agriculture, forestry and fishing; AFF), 광업(Mining and quarrying; MQ), 제조업(Manufacturing; MFG), 전기, 가스, 증기 및 공기 조절 공급업(Electricity, gas, steam and air conditioning supply; EGSAC), 수도, 하수 및 폐기물 처리, 원료 재생업(Water supply: sewage, waste management, materials recovery; WMR), 건설업(Construction; CON), 도매 및 소매업(Wholesale and retail trade; WRT), 운수 및 창고업(Transportation and storage, TS), 숙박 및 음식점업(Accommodation and food service activities; AFS), 정보통신업(Information and communication; IC), 금융 및 보험업(Financial and insurance activities; FIA), 부동산업(Real estate activities; REA), 전문, 과학 및 기술서비스업(Professional, scientific and technical activities; PST), 사업시설관리, 지원 및 임대서비스업(Business facilities management and business support services; rental and leasing activities; BSR), 공공행정, 국방 및 사회보장행정(Public administration and defence; compulsory social security; PAD), 교육 서비스업(Education; EDU), 보건업 및 사회복지서비스업(Human health and social work activities; HSW), 예술, 스포츠 및 여가 관련 서비스업(Arts, sports and recreation related services; ASR), 협회 및 단체, 수리 및 기타개인서비스업(Membership organizations, repair and other personal services; MRP)으로 구분되어 있다.

수집된 기간의 자료 중 측정망 데이터가 없는 경우 해당 년도의 데이터를 삭제하였으며, min-max scaler[25]를 통해 데이터를 0과 1 사이의 값으로 변환하여 입력자료로 사용하였다. 사용된 모델은 Elastic Net Regression(ElasticNet) [26], K-Nearest Neighbor(KNN) [27], Random Forest(RF) [28], Gradient Boosting Regressor(GBR) [29], XGBoost(XGB) [30], LightGBM(LGBM) [31], Categorical Boosting(CatBoost) [32], Artificial Neural Network(ANN) [33]의 8개 모델이다. 학습 및 테스트 데이터는 8:2로 분할하였으며, 모델의 하이퍼파라미터 최적화는 Bayesian Optimization 기법[34]을 사용하였다. 하이퍼파라미터 최적화 범위 및 최적화된 값은 Table 1에 나타내었다. 각 모델의 성능 평가는 R²와 Root Mean Square Error(RMSE)[35]의 성능 지표를 이용하였으며, R²는 1에 가까울수록, RMSE는 0에 가까울수록 모델의 예측 성능이 높은 것으로 판단하였다. 또한, SHAP(SHapley Additive exPlanations) method[36]를 사용하여 각 입력 변수가 출력 변수에 미치는 영향을 분석하였다. 데이터 전처리 및 머신러닝 모델 구현은 Python 3.12 환경에서 수행하였으며, 주요 Python 라이브러리로 Scikit-learn, XGBoost, LightGBM, CatBoost, Optuna를 활용하였다.

국내 지역의 평균 대기질을 파악하기 위하여 전국 도시대기측정망의 2017년과 2021년의 연평균 농도현황을 Table 2에 나타내었다. 전국 평균농도는 오존을 제외한 대기오염물질의 농도가 지속적으로 감소하는 추세를 보였는데, 2021년 연평균농도는 2017년 대비 CO는 12.3%, NO₂는 24.2%, SO₂는 27.9%, PM₁₀은 18.9%, PM_2.5는 27.7% 감소하였으나, 오존은 6.2%가 증가하였다. 경상북도의 대기오염물질 평균 농도는 전국 평균 농도와 유사한 수준으로 확인되었으며, 오존의 농도는 2017년에는 0.033ppm, 2021년은 0.032ppm으로 거의 유사한 수준을 보였으며, PM₁₀의 경우, 2017년은 PM₁₀의 연평균농도는 2017년 40.3µg/m³, 2021년 33.6µg/m³으로 감소하는 추세를 보였으며, PM_2.5의 연평균농도는 2017년 23.2µg/m³에서 2021년 16.6µg/m³로 감소하였으나, 대기환경기준을 만족하지 않았다.

Fig. 2에 경상북도의 도시대기측정망에서 수집된 대기오염 현황을 나타내었는데, 도시대기측정망에서 시간 단위로 수집되는 데이터를 종합 분석하여 월평균 농도(파란색 실선) 및 표준편차(파란색 영역)로 표시하였다. 또한, 대기관리권역법에 따라 대기오염이 심각하다고 판단되는 대기관리권역 중 동남권에 해당하는 경상북도 6개 지자체 (구미시, 칠곡군, 경산시, 영천시, 포항시, 경주시)에 대한 대기오염 현황을 추가적으로 나타내었다. 기준치를 초과하는 항목의 경우, 기준치와의 비교를 위해 PM₁₀, PM_2.5는 대기환경기준의 연간 평균치와 24시간 평균치를 각각 빨간색 실선 및 빨간색 점선을 표시하였고, 오존은 대기환경기준의 8시간 평균치를 빨간색 점선으로 표시하였다.

NO₂, CO, PM₁₀, PM_2.5는 연료 사용량이 적은 여름철에 농도가 낮고 가을, 겨울철에 증가하는 경향을 보이며, 군 단위 지자체들보다 교통량과 산업활동이 많은 시 단위 지자체에서는 상대적으로 농도가 높게 확인되었다. 오존은 봄, 여름철에 증가하는 경향을 보였으며, NO₂와 같은 전구물질의 광분해와 광화학 반응에 의해 발생되어 일사량이 높은 봄, 여름철에 높은 농도가 측정되었다[37]. SO₂ 또한 여름철에 농도가 낮고 겨울철에 증가하는 경향을 보였으나, 다른 항목에 비해 변동 폭이 크지 않았으며, 이는 여름철보다 겨울철의 농도 감소 추이가 커져서 계절 차이가 줄어든 것으로 보고되었다[38]. 또한, 경상북도의 월별 SO₂ 변화가 6개 지자체의 그것보다 상대적으로 컸는데, 이는 영주시와 봉화군의 SO₂ 평균 농도가 다른 지역에 비해 크기 때문이다. 영주시와 봉화군의 SO₂ 평균 농도가 높게 나타난 것은 해당 지역에 측정소가 1개소로 운영되고 있어 해당 지역의 SO₂ 고농도에 대한 원인 분석이 어려우며, 해당 지역의 대기질에 대한 원인을 분석하기 위하여 측정망 지점을 추가하여 보다 많은 대기질 데이터의 확보가 필요하다고 판단된다.

2021년 환경기준 만족 수준을 살펴보면, 경상북도 및 6개 도시 모두 가스상 오염물질인 SO₂, NO₂, CO의 경우, 환경기준을 초과한 사례가 확인되지 않았으나, 오존, PM₁₀, PM_2.5의 경우 환경기준을 초과한 사례가 다수 확인되었다. 오존의 기준은 8hr 평균 0.06ppm 이하인데, 6개 도시에서는 5일정도 초과되었으나, 상대적으로 인구가 적은 지역에서 오존의 초과일수가 높게 확인되었다(상주시 61일, 울릉군 36일, 예천군 27일). 주로 4~6월에 기준치를 초과한 일수가 집중되어 있으며, 오존의 농도가 높다고 알려진 해안가 지역뿐만 아니라 내륙 지역에서도 오존 농도가 높은 것을 확인하였다. 오존은 일반적으로 NO₂, VOCs에 의해 발생되는데, 인구수가 높은 도시 지역의 경우 NO에 의해 오존이 분해되기도 하여 오존의 농도가 낮아질 수도 있다. 그러나 도시 지역에서 발생한 NO₂ 및 VOCs가 인구수가 낮은 지역으로 이동할 경우 오존 농도를 낮출 수 있는 NO가 부족하여 오존의 농도가 높게 측정될 수도 있음이 보고되었다[39,40]. PM₁₀과 PM_2.5는 황사, 해염 등의 자연적 발생원과 사업장 연소, 자동차 연료 연소, 생물성 연소 등의 인위적 발생원이 있으며, 화석 연료 및 바이오매스 기반 연료의 연소, SO₂, NO_x, NH₃, VOCs 등의 전구물질들의 반응을 통해 2차 에어로졸이 생성된다. PM₁₀은 주로 자동차 연소 및 모래 먼지가 주요 발생원이며, PM_2.5는 2차 에어로졸 배출원이 주요 오염원으로 알려져 있다[41,42]. PM₁₀의 기준은 24hr 평균 100µg/m³ 이하이며, 3~5월에 기준치를 초과하는 일수가 많았는데, 시군별로 살펴보면 22개 시군에서 3~9일 수준의 초과일수가 확인되었다. 황사는 2021년 3~5월에 13일 발생하였으며, PM₁₀ 기준치 초과 일수와 황사 발생 일수가 일부 일치하는 것으로 확인되었다. PM_2.5는 PM₁₀과 비교하여 환경기준을 초과하는 일수가 많았는데, 주로 11~3월에 기준치를 초과하였다. PM_2.5의 기준은 24hr 평균 35µg/m³ 이하인데, 상주시 43일, 영주시 39일, 문경시 33일을 초과하였으며, 6개의 도시에서는 구미시, 칠곡군, 경산시에서 26~29일이 초과되었으며, 영천시와 경주시 포항시는 15~19일이 초과된 것으로 확인되었다. PM₁₀과 PM_2.5의 고농도 사례 기간이 다른 것은 두 물질의 주요 발생원에 차이가 있기 때문으로 판단된다. 국내에서는 오존 및 미세먼지 농도를 저감하기 위하여 오염물질 대량배출 사업장 총량관리제, 노후 경유차 조기 폐차와 같은 다양한 정책을 시행하고 있으나 관련 연구를 통해 보다 실효적인 방안 마련이 필요하다.

Fig. 3에 5년 간(2017년~2021년) 전국의 8개 대기오염물질 배출량 추이 변화를 나타내었는데, 전국의 대기오염물질 배출량은 NH₃를 제외하고 전반적으로 감소하는 추세를 보이고 있다. 2021년의 배출량은 2017년 대비 CO 16.8%, NO_x 27.0%, SO_x 42.3%, PM₁₀ 10.2%, PM_2.5 14.4% 감소하였으며, TSP, VOCs는 둘 다 변화율 3% 정도로 낮은 감소추세를 보였다. NH₃는 다른 오염물질들과 달리 0.5% 정도 증가하였다. 경상북도의 배출량 또한 전국과 마찬가지로 NH₃를 제외하면 전반적으로 감소하는 추세를 보이고 있다. 2017년 대비 2021년의 배출량은 CO 9.9%, NO_x 25.1%, SO_x 32.5%, PM₁₀ 7.1%, PM_2.5 10.9% 감소하였으며, TSP와 VOCs는 약 1% 감소하여 그 변화폭이 적었다. 앞서 서술한 바와 같이 NH₃는 4.5% 정도 증가하였다.

Fig. 4에 2021년 배출량을 기준으로 배출되는 오염물질들에 대한 각 광역시/도 지자체의 기여율을 산정하여 나타내었다. 광역시/도별로 CO, NO_x, TSP, PM₁₀, PM_2.5의 배출량은 경기도에서 가장 많은 비중을 차지하고 있으며, 오염물질별로 다소 차이는 있으나 경상북도, 전라남도, 충청남도가 그 뒤를 이었다. VOCs 역시 경기도에서 가장 많이 배출되었으며, 전라남도, 경상남도, 울산광역시 순으로 확인되었다. SO_x는 충청남도, 울산광역시, 전라남도, 경상남도 순으로 배출량이 많으며, 대부분의 지역에서 17년 대비 큰 폭으로 감소하는 추세를 보였다. NH₃는 충청남도, 경기도, 전라남도에서 많은 비중을 차지하였다. 8개 오염물질에 대해 경상북도의 배출량은 10% 내외를 차지하고 있으며, 가스상 오염물질인 CO, NO_x, SO_x의 배출량은 감소하는 추세를 보이며, NH₃, VOCs의 배출량은 매년 일정 수준을 유지하였다. 최근 5년간 입자상 오염물질 중 TSP의 배출량은 매년 일정 수준을 유지하는 경향을 확인하였다. PM₁₀과 PM_2.5는 5년간 감소하는 추세를 보이며, 각각 2017년 대비 2021년의 배출량이 7%, 11% 정도 감소하였다.

Fig. 5에 2021년 대기오염물질 배출량 기준 경상북도의 각 시군별 기여율을 산정하여 나타내었다. NO_x, SO_x, TSP, VOCs, PM₁₀, PM_2.5의 배출량은 포항시가 가장 높은 비율을 차지하고 있으며, 다음으로 구미시의 비율이 높고 오염물질마다 차이는 있으나 상주시, 경주시, 김천시, 안동시가 그 뒤를 이었다. CO의 경우도 포항시에서 가장 많이 배출되었으며, 안동시, 상주시 순으로 배출량이 많았다. NH₃는 대부분이 농업으로 인해서 배출되어 다른 대기오염물질과는 달리 영주시, 상주시, 경주시 순으로 높은 배출 기여율을 보였다. 배출량이 가장 많은 포항시, 구미시의 대기질(대기측정망 자료)은 다른 지역에 비해 좋지 않은 편이나, 배출량이 상대적으로 적은 다른 시군의 대기질을 고려하면 그 차이가 크지는 않은 것으로 확인되었다. PM_2.5의 경우 포항시가 경상북도 배출량의 26.5%를 차지하고 있으나, 연평균 농도는 16.67µg/m³으로 오히려 배출 기여도가 낮은 영주시(21.31µg/m³), 상주시(20.72µg/m³), 성주군(20.16µg/m³),칠곡군(20.45µg/m³)등의 지역에서 PM_2.5의 농도가 상대적으로 높았다. SO_x는 포항시가 경상북도 배출량의 64.2%를 차지하고 있으나, 모든 시군이 SO₂의 연평균 농도가 0.002~0.005ppm 수준으로 유사하였다. NO_x는 포항시의 배출 기여도가 35.4%이며, NO₂의 연평균 농도는 0.013ppm으로 나타나 구미시(0.015ppm), 문경시(0.013ppm), 영천시(0.013ppm), 칠곡군(0.016ppm), 성주군(0.013ppm)으로 상대적으로 배출 기여도가 낮은 지역보다 농도가 낮거나 비슷한 수준을 보였다. PM₁₀의 경우 경상북도 배출량의 18.5%를 포항시가 배출하고 있으며 연평균 농도는 37.97µg/m³로 상대적으로 배출량이 적은 구미시(38.79µg/m³), 영주시(37.54µg/m³), 칠곡군(39.80µg/m³)과 비슷한 수준을 보였다. 현 단계에서 상대적으로 배출량이 적은 지역이 배출량이 많은 지역보다 대기질이 나쁜 것에 대한 정확한 원인 규명은 어려웠으며, 결과적으로 현재 수집된 데이터 수준으로는 대기질과 배출량 간의 높은 연관성이 확인되지 않았다. 이러한 한계를 극복하기 위한 시공간적으로 더욱 세분화된 데이터 수집 및 관련 연구가 필요할 것으로 판단된다.

경상북도 8개 대기오염물질의 배출량 산정 배출원을 살펴보면, CO의 경우 생물성 연소(58.88%)와 도로(13.07%) 및 비도로이동오염원(15.85%)이 주요 배출원이며, NO_x는 도로(39.78%) 및 비도로이동오염원(16.26%), 생산공정(16.26%)에 의해 발생한다. SO_x는 산업 활동(생산공정 59.92%, 제조업연소 25.27%)에 의해 발생되며, VOCs는 유기용제 사용(38.93%)과 생물성 연소(37.99%)에서 주로 배출되었으며, NH₃는 농업(94.49%)에서 대부분이 발생하였다. TSP는 비산먼지(72.41%), 생물성 연소(13.88%)이 주요 배출원이며, PM₁₀은 비산먼지(56.13%), 생물성 연소(13.88%), PM_2.5는 생물성 연소(35.21%), 비산먼지(23.13%), 생산공정(17.34%), 비도로이동오염원(11.99%)에 의해 발생되었다. 가스상 오염물질의 배출원을 자세히 살펴보면, CO는 주로 농업잔재물 소각(46.43%), 레저용 선박(10.95%), 목재난로 및 보일러(9.93%)에서 발생하였으며, NO_x는 도로이동오염원 중 경유 화물차(61.49%)와 제철제강산업(15.37%), RV(8.33%), SO_x의 배출량은 제철제강업(50.24%)과 가구 및 기타제품 제조업(21.27%), 석회 생산 공정(8.39%)에서 발생한다. VOCs의 배출량은 농업 잔재물 소각(33.87%), 건축 및 건물 도장(10.31%), 가정 및 상업용 유기용제 사용(8.35%)에 의해 발생하며, NH₃은 주로 가축의 분뇨 관리 과정(88.24%)에서 배출된다. 입자상 오염물질(TSP, PM₁₀, PM_2.5)은 주로 도로재비산먼지, 농업잔재물 소각에 의해 배출된다. 자세히 살펴보면, TSP가 도로재비산먼지(34.76%), 농업잔재물 소각(11.67%), 축산활동(10.07%), PM₁₀이 도로재비산먼지(17.67%), 농업잔재물 소각(15.14%), 제철제강업(6.77%), PM_2.5가 농업잔재물 소각(28.92%), 도로재비산먼지(9.69%)에 의해 주로 배출되었다. 2000-2018년 미국, 캐나다, 유럽 등의 정부에서 발표한 자료 및 전세계의 배출량을 정리한 연구에 따르면, 전세계적으로 미세먼지는 비산먼지와 가정용 연소, 산업 공정에서 많이 발생했다고 보고하였다[29]. 그러나 국내의 경우 85.7%(2023년 기준)의 가구에서 도시가스를 사용하고 있기 때문에 가정용 연소가 주요 미세먼지 발생원이 아닌 것으로 판단된다. 연소과정에서 주로 발생하는 SO₂, NO₂는 에너지 산업 및 산업 활동에서 많이 발생하는 것으로 알려져 있는데, 경상북도에는 화석연료를 이용하는 화력발전소가 없기 때문에 그 비중이 낮은 것으로 고려되었다. 또한, 전세계적으로 VOCs의 배출은 유기용제 사용, 비산 배출, 도로이동오염원에서 발생하였으며, NH₃는 대부분이 농업에서 발생된다고 보고하였는데[5, 43], 이는 본 연구에서 경상북도의 VOCs 배출이 주로 유기용제 사용, NH₃ 배출이 대부분 농업에서 발생한다는 결과와 일치한다.

앞서 살펴본 바와 같이 산정된 배출량과 측정된 대기질 간의 연관성이 낮아 선행연구에서 대기질에 영향을 주는 지역의 사회경제지표를 추가 고려하여[14] 관계성을 분석하였다. 경상북도 대기오염물질의 배출량, 대기질, 지역의 사회경제지표와의 선형 관계를 확인하기 위해 Pearson 상관관계를 도출하여 다음 Fig. 6에 나타내었다. Pearson 상관계수는 1~0.7 범위에서는 높은 상관관계, 0.7~0.3는 보통의 상관관계, 0.3~0.1는 낮은 상관관계를 나타낸다[44]. Fig. 6(a)에서 나타낸 바와 같이 대부분의 경우 배출량과 대기질 데이터 간의 상관계수의 값이 대부분 0.5이하의 값으로 선형적 상관성이 높지 않은 것이 확인되었다. 일부 항목에서 상대적으로 높은 선형적 상관관계를 보였는데, 배출량의 TSP와 대기질의 NO₂, PM₁₀은 0.6 이상의 상관계수를 나타났으며, 배출량의 PM₁₀과 대기질의 NO₂, PM₁₀이 각각 0.54, 0.59로 비교적 높은 양의 상관관계를 나타내었다. 특이한 점은 대기질의 오존은 배출량의 모든 항목과 낮은 음의 상관관계를 보였는데, 국내에서 발생된 NO_x, VOC 등의 전구물질에 의해 생성되는 내부 발생원과 오존과 그 전구물질의 장거리 이동으로 유입된 외부 발생원이 국내의 오존 농도에 영향을 미쳐[45-47], 다른 물질들과 다른 경향을 보인 것으로 판단된다. Fig. 6(b)에서는 배출량과 사회경제지표 간의 상관관계를 분석하였으며, 배출량과 사회경제지표는 대부분 높은 상관관계를 나타내었다. 그러나 광업(MQ), 농업, 임업 및 어업(AFF), 전기, 가스, 증기, 공기 조절 공급업(EGSAC)의 지표는 해당 산업이 여러 대기오염물질을 배출할 수 있으나 본 연구에서는 낮거나 혹은 음의 상관관계를 나타내었다. 특히, NH₃의 경우, 주로 농업분야에서 배출되는데 농업, 임업 및 어업(AFF)과의 상관성이 0.03으로 매우 낮은 수준을 보였다. Fig. 6(c)에는 측정된 대기질과 사회경제지표의 상관관계를 나타내었는데, 대부분 중간 정도의 상관관계를 보였으며, 여기에서도 농업, 임업 및 어업(AFF)과 전기, 가스, 증기, 공기 조절 공급업(EGSAC)은 모든 대기오염물질들과 낮거나 음의 상관관계를 나타내었다. 오존은 대부분의 요소에서 낮거나 음의 상관관계를 보였는데, 광업(MQ)과는 상관계수가 0.5로 상대적으로 매우 높은 음의 상관관계를 확인하였다. 결과적으로 현재 수집된 정보로는 각 항목 간의 상관관계에 대한 정확한 분석은 어려우나 많은 사회경제지표와 유의미한 상관성이 있는 것으로 확인되었다.

Pearson 상관관계를 확인한 결과 대기질과 배출량 사이의 상관성이 높게 나타나지 않아 최근 그 적용이 확대되고 있는 머신러닝 모델을 이용하여 측정망 자료, CAPSS의 배출량, 기상 자료, 사회경제지표 사이의 상관성 연구를 추가적으로 진행하였다. 본 연구에서 대상 대기오염물질은 미세먼지(PM₁₀, PM_2.5) 농도로 한정하였다. 상관성 분석을 위해 ElasticNet, KNN, RF, GBR, XGB, LGBM, CatBoost, ANN 등의 머신러닝 모델을 적용하여 학습 및 테스트를 진행하였다. 입력 변수로는 단위 면적당 배출량 데이터와 기상 자료, 사회경제지표를 사용하였으며, 출력 변수로는 미세먼지(PM₁₀, PM_2.5) 농도를 선택하였다. 이를 통해 미세먼지 농도 예측이 가능한 머신러닝 모델의 개발이 가능하나, 본 연구에서는 측정망 자료, 배출량 자료, 기상 자료, 사회경제지표 사이의 상관성 분석을 주 목적으로 하였다. PM₁₀과 PM_2.5는 앞서 언급한 바와 같이 주요 발생 매커니즘이 다르기 때문에 농도에 대한 경향성 및 분포의 형태가 다르게 나타날 것으로 생각되어 각 물질별로 예측 성능이 높은 모델을 선정하여 분석하였다. 높은 예측 성능을 보인 모델의 예측 값과 실제 값을 비교한 결과를 Fig. 7에 나타내었다. PM₁₀ 예측의 경우 성능은 RF가 R² 0.481, RMSE 4.603로 가장 높았으며, PM_2.5 예측에서는 CatBoost가 R² 0.696, RMSE 1.892로 가장 높았다.

충분한 예측 성능을 보여준 머신러닝 모델인 RF와 CatBoost를 선택하여 측정망 자료, 배출량 자료, 기상 자료, 사회경제지표 사이의 상관성 분석을 위해 SHAP method를 적용하였다. Fig. 8에 각각 PM₁₀과 PM_2.5 예측에서 최고 성능 모델의 SHAP value 점 그래프와 평균 SHAP value를 함께 나타내었다. PM₁₀ 농도 예측은 단위 면적당 CO 배출량과 PM_2.5 배출량이 각각 평균 SHAP value 2.6303, 2.5034로 다른 변수에 비해 기여도가 높게 나타났는데, 이는 CO의 배출원인 도로이동오염원과 PM₁₀의 배출원인 도로재비산먼지가 밀접한 관계를 가지고 있으며, PM_2.5의 경우 PM₁₀에 포함되어 있기 때문으로 판단된다. 그 다음으로 단위 면적당 PM₁₀ 배출량(1.5067), 단위 면적당 NO_x 배출량(1.2098), 보건업 및 사회복지서비스업(HSW; 1.0505), 전기, 가스, 증기 및 공기 조절 공급업(EGSAC; 1.0197) 순으로 기여도가 높았다. NO_x 배출량은 해당 물질의 배출원(도로이동오염원)과 PM₁₀ 배출원인 도로재비산먼지가 밀접한 관계를 가지고 있기 때문으로 판단되며, 보건업 및 사회복지서비스업(HSW), 전기, 가스, 증기 및 공기 조절 공급업(EGSAC)은 각각 산업이 활발한 지역이 인간활동 또한 활발하여 PM₁₀이 많이 발생될 것으로 추정된다. PM_2.5 농도 예측의 경우 전기, 가스, 증기 및 공기 조절 공급업(EGSAC; 0.4734)이 가장 기여도가 높았다. 이러한 결과는 해당 산업의 연소 과정에서 발생하는 PM_2.5의 전구물질과 관련이 있을 것으로 판단되는데, 앞서 수행한 Pearson 상관관계 분석에서 나타난 낮은 선형적 상관관계와는 다른 결과를 보인다. 그 다음으로는 단위 면적당 TSP 배출량(0.2952), 단위 면적당 NH₃ 배출량(0.2108), 도매 및 소매업(WRT; 0.2062) 순으로 PM_2.5 예측에 기여를 하였다. TSP의 경우 PM_2.5를 포함하고 있는 데이터이기 때문에 기여도가 높게 나타났을 것으로 생각되며, NH₃는 PM_2.5의 전구물질로 작용하기 때문으로 생각된다. 도매 및 소매업(WRT; 0.2062)은 해당 산업이 활발하여 인간활동 또한 활발하기 때문으로 판단된다. 불완전한 데이터 사용 등의 이유로 머신러닝 모델 결과의 해석이 어려우나, 보다 관련성 높은 사회경제지표와 기상 조건의 개발 및 도입과 환경 조건 등에 대한 변수 추가 등을 통해 배출량 결과가 대기질에 대한 보다 영향력 있는 상관성을 파악할 수 있을 것으로 판단된다.

본 연구에서는 대기질, 배출량, 기상, 사회경제지표의 관계성을 확인하기 위하여 Pearson 상관관계 분석 및 머신러닝 기법을 활용했는데, 제공되는 배출량 데이터는 시군별, 세부 분류별로 1년에 1개의 데이터 만을 제공하고 있어, 시간 해상도를 일치시키기 위해 나머지 데이터를 1년 단위로 수집하여 비교 연구하였다. 이로 인하여 결과 분석이 실제 상황을 충분히 고려한 것은 아닐 것으로 판단되었다. 또한, 측정소 위치가 해당 지역의 대기질을 대표적으로 나타낼 수 있는 위치에 있지 않을 가능성과 측정소 위치, 배출량 산정 위치, 기상대 위치 간의 공간적 불일치로 인하여 결과 해석에 한계가 있을 것으로 판단된다. 이러한 데이터 간의 공간적 불일치는 역거리 가중법[48], 지리 가중 회귀[49] 등의 공간 보간법으로 해결이 가능하나, 배출량 데이터가 대부분 면 단위로 수집되고 있어 공간 보간법을 이용하더라도 자료 해석에 한계가 있을 수 있다. 추가적으로 기후 및 기상 특성에 영향을 받는 측정망 데이터와 달리 배출량은 이러한 영향을 받지 않아 상대적으로 관계성이 낮게 나타날 수 있을 것으로 판단된다. 또한, 배출량은 다양한 통계자료를 통해 산정되게 되는데, 점오염원으로 분류되는 대규모 산업 현장에서 배출되는 대기환경물질의 배출량은 bottom-up으로 산정되어 비교적 정확하나 많은 부분이 면오염원으로 top-down방식으로 산정되고 있어 배출량에 대한 불확실성 내제되어 있다[15,50,51]. 배출량 데이터와 사회경제 데이터와 같은 통계자료를 이용하여 실측자료인 대기질 데이터를 예측하는 과정에서 불확실성을 내제하고 있다. 그러므로 배출량과 사회경제 항목들에 대한 실제 값에 가까운 데이터를 활용한다면 더욱 신뢰성이 높은 결과를 얻을 것으로 판단되며, 추후 측정망의 지역 대표성 확보와 데이터 간의 공간 보간에 대한 추가적인 연구가 필요할 것으로 보인다.