Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.38 No.4 pp.283-292
DOI : https://doi.org/10.5467/JKESS.2017.38.4.283

Analysis of Empirical Multiple Linear Regression Models for the Production of PM2.5 Concentrations

Gyo-Hwang Choo, Kyu-Tae Lee*, Myeong-Jae Jeong
Department of Atmospheric & Environmental Sciences, Gangneung-Wonju National University, Gangwon-do 25457, Korea
Corresponding author: ktlee@gwnu.ac.kr+82-33-640-2324+82-33-640-2320
April 6, 2017 June 18, 2017 July 21, 2017

Abstract

In this study, the empirical models were established to estimate the concentrations of surface-level PM2.5 over Seoul, Korea from 1 January 2012 to 31 December 2013. We used six different multiple linear regression models with aerosol optical thickness (AOT), Ångström exponents (AE) data from Moderate Resolution Imaging Spectroradiometer (MODIS) aboard Terra and Aqua satellites, meteorological data, and planetary boundary layer depth (PBLD) data. The results showed that M6 was the best empirical model and AOT, AE, relative humidity (RH), wind speed, wind direction, PBLD, and air temperature data were used as input data. Statistical analysis showed that the result between the observed PM2.5 and the estimated PM2.5 concentrations using M6 model were correlations (R=0.62) and root square mean error (RMSE=10.70 μg M−3). In addition, our study show that the relation strongly depends on the seasons due to seasonal observation characteristics of AOT, with a relatively better correlation in spring (R=0.66) and autumntime (R=0.75) than summer and wintertime (R was about 0.38 and 0.56). These results were due to cloud contamination of summertime and the influence of snow/ice surface of wintertime, compared with those of other seasons. Therefore, the empirical multiple linear regression model used in this study showed that the AOT data retrieved from the satellite was important a dominant variable and we will need to use additional weather variables to improve the results of PM2.5. Also, the result calculated for PM2.5 using empirical multi linear regression model will be useful as a method to enable monitoring of atmospheric environment from satellite and ground meteorological data.


PM2.5농도 산출을 위한 경험적 다중선형 모델 분석

추 교황, 이 규태*, 정 명재
강릉원주대학교 대기환경과학과, 25457, 강원도 강릉시 죽헌길 7

초록

본 연구에서는 서울지역의 지상 미세먼지(PM2.5) 농도를 산출하기 위하여 경험적인 모델들을 개발하였다. 연구에 이용한 자료는 2012년 1월 1일부터 2013년 12월 31일까지이며 Terra와 Aqua위성의 MODIS센서에서 산출되는 에어로 졸 광학두께, 옹스트롬 지수, 기상변수들과 행성경계층두께와 관련된 6개의 다중 선형 회귀모델들의 차이를 분석하였다. 그 결과 에어로졸 광학두께와 옹스트롬 지수, 상대습도, 풍속, 풍향, 행성경계층두께, 기온 자료를 입력 자료로 사용한 M6모델이 가장 좋은 결과를 보였다. 통계적인 분석에 따르면 M6 모델을 사용하여 계산된 PM2.5와 관측된 PM2.5농도 사 이의 결과는 상관계수(R=0.62)와 평균제곱근오차(RMSE=10.70 μg M−3)이다. 또한 산출된 계절별 지표면 PM2.5농도는 여름철(R=0.38)과 겨울철(R=0.56)보다 봄(R=0.66)과 가을철(R=0.75)에 상대적으로 더 좋은 상관 관계를 보였다. 이러한 결과는 에어로졸 광학두께의 계절별 관측 특성으로 인한 것으로써 다른 계절에 비하여 여름과 겨울철 에어로졸 광학두 께 관측이 구름과 눈/얼음 표면에 의한 관측 제한과 오차를 가져온 것으로 분석되었다. 따라서 본 연구에서 사용한 경 험적 다중선형회귀 모델은 위성에서 산출된 에어로졸 광학두께 자료가 지배적인 변수로 작용하며 PM2.5산출 결과들을 향상시키기 위해서는 추가적인 기상 변수를 이용해야 할 것이다. 또한 경험적 다중선형회귀 모델을 이용하여 PM2.5를 산출한 결과는 인공위성 자료로부터 대기환경 감시를 가능하게 하는 방법이 될 수 있어 유용할 것이다.


    Korea Meteorological Administration
    NMSC-2016-01

    서 론

    미세먼지(Particulate Matter, PM)는 대기 질에 악 영향을 미치는 오염 물질 들 중의 하나로서 천식과 같은 호흡기 질환과 폐 질환 및 심혈관계 질환 등을 유발하여 인체에 악영향을 끼치기 때문에 환경보건학 적으로 매우 중요한 인자이다(Brook et al., 2010; Hoek et al., 2013; EPA, 2015). 또한 미세먼지는 대 기 중에서 태양 복사의 흡수와 산란 및 반사 그리고 구름의 생성과 발달 및 강수 과정에 영향을 미치기 때문에 기후학적으로 매우 중요하게 취급된다(Schwartz et al., 1996; Kaufman et al., 2002; Intergovernmental Panel on Climate Change, 2013). 이러한 미세먼지는 그 크기에 따른 공기역학적 특징 때문에 직경이 10 μm 보다 작은 입자들을 PM10 그리고 2.5 μm보다 작은 입자를 PM2.5로 정의(Schwartz et al., 1996)하고 있으 며, 특히 PM2.5는 PM10에 비하여 상대적으로 체류 시 간이 길어 장거리 수송을 통해 보다 넓은 지역에 영 향을 미칠 수 있다(World Health Organization, 2006; Kim et al., 2010; Tiwari et al., 2012).

    동북아시아지역에서는 산불, 화산, 황사 그리고 해 염 입자 등 자연적 발생 에어로졸뿐만 아니라 중국 의 빠른 경제성장으로 인한 산업 및 공업 활동과 겨 울철 난방 등의 주거 활동에 의해 발생되는 인위적 고농도 에어로졸 등이 한반도를 크게 위협하고 있다. 이러한 미세먼지가 대기의 질, 환경보건학과 기후학 적 영향에 대한 이해를 위하여 시ㆍ공간적 연속 관 측이 필수적이고 우리나라의 미세먼지 관측소가 수도 권 부근에 확대 운용 추세임에도 불구하고 한반도 미세먼지 공간 변동성 분석을 위해서는 역부족이다 (Lee and Park, 2012). 따라서 인공위성을 이용한 원 격탐사 방법을 통해 미세먼지 농도 산출 필요성이 제기되고 이 경우 미세먼지의 시ㆍ공간적 한계를 보 완할 수 있으며, 이러한 방법은 국내외에서 활발하게 진행되어 오고 있다(Liu et al., 2005; Liu et al., 2007; Kim et al., 2012; Benas et al., 2013; Zheng et al., 2013; Xin et al., 2014; Seo et al., 2015).

    인공위성 원격탐사 방법을 이용한 대표적 생산물은 지상에서 대기 상단까지 연직 공기 기둥 속의 에어 로졸 광학두께(Aerosol Optical Thickness, AOT)이고 그 이외의 에어로졸 관련 요소들에 대한 산출하는 알고리즘들이 지난 30년 이상 개발되어 왔다(Lee et al., 2006). 이 연구에서는 Terra와 Aqua위성의 Moderate Resolution Imaging Spectroradiometer (MODIS)센서 에서 산출된 에어로졸 광학두께 자료를 이용하여 지 상에서의 PM2.5 농도 산출을 위한 경험적 다중 선형 회귀식을 구축하고 그 활용 가능성을 분석하였다.

    연구자료 및 방법

    연구 자료

    연구 대상 지역은 Fig. 1의 서울특별시 지상 미세 먼지 관측소(25개소)들이 포함된 지역이고 사용된 자 료들은 Table 1에 정리하였다. 즉, 이 연구에서는 Table 1과 같이 서울시 도시 대기 측정소에서 제공하 는 지상 PM2.5농도의 시간 자료를 이용하였고 지상 PM2.5농도와 기상 변수들(상대습도, 풍속, 풍향, 기온) 과의 관계를 분석하기 위해서 서울특별시 내에 존재 하는 무인자동기상 관측장비(Automatic Weather Station, AWS)의 시간 자료를 사용하였다(김부경 외, 2012). 그리고 이 연구 지역의 AOT 분석을 위해서 MODIS 에서 산출되는 AOT550 nm자료(Level 2.0 Collection 6) 와 Ångström exponents (AE)자료를 사용하였다. AE 는 파장별 에어로졸 광학두께 자료를 이용하여 산출 된 지수로서 이 지수가 클수록 에어로졸 입자 크기 가 작음을 의미한다.

    MODIS센서는 Terra와 Aqua위성에 탑재되어 오전/ 오후 10시 30분과 1시 30분에 적도 부근을 통과하는 극궤도 위성으로서 하루에 1~2회 동일한 지점을 관 측한다. 그리고 파장 약 0.4~14.0 μm범위 내에서 36 개의 채널로 관측되며, 약 0.25~1 km의 공간해상도를 가진 다목적 센서이다. 이 중 에어로졸 산출물(Terra 위성: MOD04 L2, Aqua 위성: MYD04 L2)은 위성 의 직하점에서 약 10 km의 공간해상도를 갖는 자료 이다. 연구 기간은 2012년 1월 1일부터 2013년 12월 31일의 자료이며 NASA에서 운용하고 있는 LAADS (Level 1 and Atmosphere Archive and Distribution System)를 통하여 획득하였다. 또한, 이 연구에서 행 성경계층두께(Planetary Boundary Layer Depth, PBLD)와 지상 PM2.5농도와의 상관성을 분석을 위하 여 사용한 자료는 현재 기상청에서 예보를 위하여 현업으로 사용하고 있는 지역예보모델(Regional Data Assimilation and Prediction System, RDAPS)의 3시 간 간격 예측 자료를 이용하였다(Table 1).

    연구 방법

    이 연구에서 사용된 지상 및 위성 관측 자료의 경 우에는 지상 PM2.5관측소를 기준으로 가장 가까운 AWS지점의 자료를 공간 일치시킨 후, 약 10 km의 공간 해상도의 인공위성 AOT550 nm 및 AE 자료와 지 상 PM2.5농도, 상대습도, 풍속, 풍향 그리고 기온자료 들의 시ㆍ공간일치를 위하여 Fig. 2와 같이 PM2.5관 측소를 기준으로 MODIS 화소의 평균 거리(° 단위) 변화에 따른 통계값들(상관계수, 평균제곱근오차(Root Mean Square Error, RMSE), 선형회귀식의 기울기, 절편)의 반응도 변화를 분석하였다. Fig. 2는 반응도 변화를 분석하기 위한 방법으로 AOT550nm와 PM2.5농 도 자료를 이용하였으며 지상 PM2.5관측소를 기준으 로 반경 0.1~0.4° (0.1° 간격)내의 화소들을 평균하고, MODIS (Terra와 Aqua) 관측 시간에 가장 근접한 시 간(Nearest time)과 연속된 3시간의 평균(Mean time) 및 시간 내삽(Interpolation time)하는 방법들을 사용 하여 분석한 결과를 나타내었다.

    그 결과, Fig. 2a에서 시간 일치를 위한 방법들의 상관계수는 연속적으로 3시간 평균된 자료가 다른 두 방법의 자료들보다 상관계수가 높았고 반경 평균 변화에 따른 상관계수는 0.2°일 경우 가장 높았다. 그 러나 Fig. 2b에서와 같이 RMSE 에 대한 결과는 반 경 평균이 0.1°이내의 경우가 가장 우수하였다. 또한 Fig. 2c~d의 결과는 상대적으로 미세한 차이를 보이 는 것으로 나타났다. 결과적으로 Fig. 2a의 시간평균 방법과 반경 0.2°로 평균된 방법일 경우 상관계수가 가장 높았으나 종합적으로 보았을 때 시간평균방법과 반경 0.1°이내의 화소들을 평균한 방법의 통계값들이 우수한 것으로 평가되기 때문에 이 연구에서는 PM2.5 관측소를 기준으로 연속된 3시간의 자료를 평균하는 방법과 반경 0.1°이내의 평균된 MODIS 화소 자료를 통해 시ㆍ공간일치를 수행하였다. 추가적으로 행성경 계층두께 자료는 이와 같이 시ㆍ공간적으로 일치된 자료들에 대하여 시간 내삽을 수행하여 연구하였다.

    그리고 이 연구의 PM2.5 산출을 위해서 다중 선형 회귀식을 이용한 Table 2와 같은 경험적 모델들이 사 용되었고 이 모델들은 PM2.5농도와 AOT550 nm, AE, PBLD, 상대습도, 풍속, 풍향, 기온의 관계를 나타낸 것으로서 관련 내용은 3.2장에 기술하였다.

    Table 2의 모델 중 M1, M3, M4, M5은 선행 연구에 서 PM2.5농도 산출을 위해 사용했던 모델들이다(Liu et al., 2005; Liu et al., 2007; Xin et al., 2014; Seo et al., 2015). M1모델은 PM2.5농도의 예측변수로서 AOT만을 이용하고 M2모델은 AOT변수와 더불어 에 어로졸 입자 크기 예측 변수를 사용하였다. 그리고 M3모델에서 사용된 행성경계층두께 자료는 에어로졸 이 행성경계층내에서 균일하게 혼합된 것으로 가정하 였다. 이는 행성경계층두께가 작을수록 PM2.5농도가 증가할 것이다. M4모델은 에어로졸 흡습 성장의 효 과를 고려해 주기 위하여 상대습도 자료를 추가적으 로 사용하였으며 M5모델은 PM2.5농도에 영향을 미칠 수 있는 풍속, 풍향 그리고 기온 의 기상자료를 추가 하였다. 마지막으로, M6모델은 에어로졸의 흡습 성장 항인 f(RH)를 Liu et al. (2008)의 계수들을 이용하여 계산하였다.

    연구결과

    지상 PM2.5농도와 AOT550 nm, 기상변수들과의 상관성

    Fig. 3은 서울 도시 대기 측정소에서의 AOT550 nm와 PM2.5에 대한 상관성을 나타낸 그림이다. Fig. 3과 같 이 서울지역 내에서도 AOT550 nm와 PM2.5이 지역별로 서로 다른 상관성을 갖고 서울시 성동구(Seongdong) 지역의 상관계수가 약 0.71로 가장 높고 마포구 지역 이 약 0.44로 가장 낮았다. 특히 한강 이북 지역의 상관계수가 이남 지역보다 상대적으로 높은 것으로 분석되었다. 그 이유는 한강 이북 지역의 북한산, 도 봉산, 수락산, 불암산의 영향으로 대기가 정체하여 미세먼지가 산악 인근 지역에 축적됨에 따라 미세입 자들의 수밀도가 증가하기 때문이다(Chun and Lim, 2004).

    Fig. 4는 연구 기간 동안에 PM2.5와 예측 변수 (AOT550 nm, PBLD, 풍속, 풍향, 상대습도, 기온)들과의 상관성을 나타낸 것이고 Fig. 4a에서와 같이 AOT550 nm 와 PM2.5의 상관계수(R=0.54)는 Fig. 4b~f의 다른 변 수들보다 가장 크게 나타났다. 그리고 Fig. 4b는 앞 에서 언급한 바와 같이 행성경계층두께가 증가할수록 PM2.5의 농도가 감소하여 약 −0.23로 음의 상관계수 가 나타났고, Fig. 4c에서도 풍속이 강할수록 PM2.5의 농도가 감소하여 상관계수가 약 −0.11으로 분석되었 다. Fig. 4e의 경우는 상대습도가 증가에 따라 PM2.5 도 증가였고 상관계수는 약 0.21로 나타났다(Liu et al., 2007; Pan et al., 2009; Li et al., 2012; Chen et al., 2013; Zhao et al., 2013). 그러나 Fig. 4df의 풍향 및 기온의 경우, PM2.5과의 상관계수가 약 0.02 와 0.09로 다른 변수들과 비교하여 상관성이 약하였 으나 Fig. 4f의 경우 기온 증가에 따라 PM2.5농도가 다소 증가하는 것으로 분석되었다.

    다중 선형회귀모델을 이용한 PM2.5농도 추정

    다중 선형 회귀 모델은 PM2.5농도 산출 관련 예측 변수들의 함수로써 통계적 방법에 근거하고 이러한 모델들에 의하여 산출된 PM2.5농도는 지상 관측된 농 도와 비교 검증된다. 즉, Table 2의 경험적 모델에 의한 PM2.5농도와 지상 관측 자료의 상관 계수(R)와 결정 계수(R2) 그리고 RMSE는 Table 3과 같다.

    Table 3에서 M1모델은 오직 AOT550 nm만을 이용하 여 PM2.5농도를 계산하기 때문에 다른 모델과 비교하 여 상관계수가 0.54로 작고 RMSE는 21.04 μg m−3로 크게 나타났다. M2모델은 에어로졸 입자크기 관련 지수인 AE를 추가적으로 이용하였고 그에 따른 상관 계수는 0.56로 증가 하였고 RMSE는 11.35 μg m−3로 감소하였으며 PBLD항을 추가한 M3모델의 경우는 상관계수와 RMSE가 M2모델 보다 좋아져 각각 0.61 와 10.83 μg m−3이었다. 즉, M1모델과 비교하여 M2 및 M3모델의 경우 상관계수와 RMSE가 크게 좋아져 PM2.5농도산출을 위한 PBLD와 AOT550 nm의 중요성이 부각된 결과이다. 그리고 상대습도와 풍향풍속 및 기 온 그리고 흡수성장 함수가 포함된 M4~M6 모델은 M1~M3 모델에 비교하여 PM2.5농도 산출에 따른 상 관계수 및 RMSE 계산결과가 다소 향상되었다. 그 중 M6 모델은 이 연구에서 사용한 모델들 중 가장 우수한 것으로 평가되며 M6 모델에 의한 PM2.5농도 계산 및 지상 관측 자료의 산포도는 Fig. 5와 같다.

    즉, Fig. 5는 연구 기간 및 연구 지역에 대한 Table 2의 M6 모델에 의한 PM2.5농도 계산 결과(총 2526개 자료)와 지상관측자료이다. 이 그림에서 M6 모델에 의한 PM2.5농도 계산 결과는 Table 3와 Fig. 5에서처럼 상관계수가 0.62이고 두 값의 회귀계수 기 울기는 약 0.77 그리고 통계 검증 값인 p value가 0.01 미만의 값으로서 통계적으로 유의한 수준이다. 이 연구의 M6 모델에 의한 PM2.5농도는 관측 자료와 비교하여 다소 적게 나타났다. 그리고 M6모델이 사 용된 변수들의 p value와 표준 오차(Standard Error) 및 추정 회귀 계수(Estimated Regression Coefficient) 를 Table 4에 요약하였다.

    Fig. 6는 마찬가지의 M6모델에 의하여 계산된 계절 별 PM2.5 농도의 산포도이다. 이 그림에서와 같이 봄 철의 PM2.5 농도가 네 계절 중 가정 높게 나타났고 여름철과 겨울철은 구름과 적설 때문에 AOT550 nm자 료가 부족하여 산출된 PM2.5 농도 수가 다른 계절과 비교하여 적었다. 또한 M6 모델에 의한 PM2.5농도 계산 결과와 지상관측 자료의 계절별 상관성은 가을, 봄, 겨울, 그리고 여름의 순으로 좋게 나타났다. 특히, 가을은 모델과 관측자료에 의한 PM2.5 농도의 상관 계수와 RMSE가 각각 약 0.75과 6.78 μg m−3로 네 계절 중 가장 잘 일치 하였다.

    결과적으로 경험적 다중선형 회귀 모델에 의한 PM2.5산출 과정에서 지배적 변수는 AOT550 nm와 AE 및 PBLD이고, 그 이외에 상대습도, 풍향풍속, 기온 그리고 흡수성장 함수 등이 중요 요소로 작용되며 만약 인공위성의 AOT550 nm 변수만으로 PM2.5를 추정 할 경우 비교적 큰 오차가 발생할 수 있기 때문에 주의할 필요가 있다. 또한 Fig. 5~6에서와 같이 인공 위성 자료를 이용한 PM2.5산출 결과 향상을 위해서는 추가적 기상 변수 및 다양한 채널 활용 관련 연구가 요구된다.

    예로서 Fig. 7은 2012년 5월 9일 0220UTC 사례로 서 고농도의 미세먼지가 수송되어 오는 사례를 나타 내었다. Fig. 7a는 MODIS센서의 RGB 합성영상 (Red: 0.66 μm, Green: 0.55 μm, Blue: 0.47 μm)이고 Fig. 7b는 MODIS센서에서 관측된 AOT550 nm 분포이 며 Fig. 7c는 서울지역에 대한 AOT550 nm와 지상에서 관측된 PM2.5농도(μg m−3)이다. 이 그림과 같이 고농 도의 사례의 경우 서울지역의 각 관측소마다 서로 다른 AOT550 nm의 값이 분포하였다. 특히 대기 상공에 서 수송되는 고농도 에어로졸 입자들의 경우 AOT550 nm 를 이용하여 지상 PM2.5농도 추정 오차 유발 원인 중 하나로 분석된다.

    결 론

    이 연구에서는 인공위성 및 지상 관측 자료를 이 용하여 경험적 다중 선형회귀모델에 의한 PM2.5 농도 추정 연구를 진행하였다. 즉, 2012년 1월 1일부터 2013년 12월 31일까지의 기간 동안 MODIS의 AOT550 nm 및 AE자료, 지상관측 PM2.5농도와 AWS의 기상 변수 들(상대습도, 풍속, 풍향, 기온) 그리고 RDAPS의 PBLD자료들에 따른 경험적 다중 선형회귀모델을 구 축하여 PM2.5농도를 산출 및 검증하였다.

    그 결과, 지상의 PM2.5 농도 관측소로부터 반경 0.1 도이내의 인공위성 자료(AOT550 nm)와 지상 관측 자료 (PM2.5농도)의 상관성이 우수하였고 이들 상관성은 이 연구 지역인 서울의 각 지상 관측소마다 차이가 존 재하였으며, 성동구와 마포구 관측소의 상관계수가 각각 최대 및 최소 값을 나타내었다. 그리고 PM2.5농 도 추정을 위한 기상 변수들로써 AOT550 nm가 가장 중요한 요소이고 PBLD, 풍속, 풍향, 상대습도 그리 고 기온 등도 정확한 PM2.5 농도 산출을 위한 필수 요소로 분석된다.

    즉, 경험적 다중 선형회귀모델에 의하여 PM2.5농도 를 산출할 경우 오직AOT550 nm만을 입력 자료로 사용 하면 지상관측 자료와의 상관 계수와 RMSE가 각각 0.54와 21.04 μgm−3이었던 반면에 AOT550 nm와 PBLD, 풍속, 풍향, 상대습도 그리고 기온 등의 기상 변수들 을 사용하게 되면 상관 계수와 RMSE가 각각 0.62와 10.70 μg m−3이으로 크게 향상되었다. 이는 다양한 지역에 대한 선행연구에서 AOT 이외의 기상 변수들 을 이용할 경우 PM2.5농도 산출 상관성이 더 높게 나 타나는 경향과 일치한다(Liu et al., 2007; Seo et al., 2015).

    이 연구는 인체의 건강에 치명적인 영향을 미칠 수 있는 미세먼지 탐지를 위한 것으로서 인공위성 자료와 지상 관측 자료로부터 다중 선형회귀모델을 구축하는 것이 핵심이나 다양한 기상 자료들이 사용 되어야 할 것이고 특히, 대기 상공에서 고농도의 에 어로졸 입자들이 수송되어 올 경우는 AOT550 nm 자료 이외에 다양한 지상관측 자료들이 활용되어야 산출되 는 PM2.5농도의 오차를 줄일 수 있을 것이다.

    사 사

    이 연구는 기상청 국가기상위성센터 “정지궤도 기 상위성 지상국 개발(NMSC-2016-01)” 출연금 사업의 일환으로 한국전자통신연구원(ETRI)에서 추진하는 “복사/에어로졸 분야 알고리즘/활용기술 개발” 과제의 지원으로 수행되었습니다.

    Figure

    JKESS-38-283_F1.gif

    Locations of the ground PM2.5 measurement sites in Seoul.

    JKESS-38-283_F2.gif

    The result for sensitivity test between ln(AOT550 nm) and ln(PM2.5) in Seoul. The color lines represent nearest (blue), mean (red), and interpolation (green) time results for (a) coefficient of correlation, (b) root mean square error (RMSE), (c) slope, and (d) intercept, respectively.

    JKESS-38-283_F3.gif

    The distribution of correlation coefficients between MODIS AOT at 550nm and PM2.5 concentrations for each site.

    JKESS-38-283_F4.gif

    Scatterplots of the various parameters including (a) AOT550 nm, (b) PBLD, (c) wind speed, (d) wind direction, (e) relative humidity, and (f) temperature against the dependent variable of PM2.5 concentrations. The regression line is shown as a red line.

    JKESS-38-283_F5.gif

    Scatter plot for estimated PM2.5 concentrations using M6 model versus observed PM2.5 concentrations.

    JKESS-38-283_F6.gif

    Scatter plots for seasonal variations between estimated PM2.5 using M6 model and observed PM2.5 concentrations over Seoul.

    JKESS-38-283_F7.gif

    The maps of MODIS RGB (Red, Green, and Blue) color composite image (a) and Aerosol Optical Thickness at 550 nm (AOT550 nm) observed from Terra/MODIS at 0220UTC on 09 May 2012 (b). Circles indicate AOT550 nm and the observed PM2.5 concentrations at PM monitoring sites in Seoul.

    Table

    List of data and observation parameters used in this study

    The empirical multiple linear regression models and application data used for PM2.5 retrievals in this study

    Correlation coefficient (R), Coefficient of determination (R2), root mean square error (RMSE), and the number of data (N) between measured PM2.5 concentrations and those retrieved by the different empirical linear models in Seoul

    Estimated regression coefficients of the M6 for the multiple linear regression model using MODIS data (N=2526)

    Reference

    1. Benas N , Beloconi A , Chrysoulakis N (2013) Estimation of urban PM10 concentration, based on MODIS and MERIS/AATSR synergistic observations , Atmospheric Environment, Vol.79 ; pp.448-454
    2. Brook RD , Rajagopalan S , Pope CA , Brook JR , Bhatnagar A , Diez-Roux AV , Holguin F , Hong YL , Luepker RV , Mittleman MA , Peters A , Siscovick D , Smith SC , Whitsel L , Kaufman JD , Epidemiol AHAC , Dis DKC , Metab CNPA (2010) Particulate matter air pollution and cardiovascular disease: an update to the scientific statement from the American heart association , Circulation, Vol.121 ; pp.2331-2378
    3. Chen BB , Sverdlik LG , Imashev SA , Solomon PA , Lantz J , Schauer JJ , Shafer MM , Artamonova MS (2013) Empirical relationship between particulate matter and aerosol optical depth over Northern Tien-Shan, Central Asia, Air Quality , Atmosphere and Health, Vol.6 ; pp.385-396
    4. Chun Y , Lim JY (2004) The recent characteristics of Asian dust and haze events in Seoul, Korea , Meteorology and Atmospheric Physics, Vol.87 ; pp.143-152
    5. Eck TF , Holben BN , Reid JS , Dubovik O , Smirnov A , O'Neill NT , Slutsker I , Kinne S (1999) Wavelength dependence of the optical depth of biomass burning, urban and desert dust aerosols , Journal of Geophysical Research, Vol.104 ; pp.31333-31349
    6. Environmental Protection Agency (EPA) (2015) PM centers, http://www.epa.gov/ncer/science/pm/centers.html Accessed on 2 October 2015
    7. Holben BN , Tanré D , Smirnov A , Eck TF , Slutsker I , Abuhassan N , Newcomb WW , Schafer JS , Chatenet B , Lavenu F , Kaufman YJ , Vande Castle J , Setzer A , Markham B , Clark D , Frouin R , Halthore R , Karneli A , O'Neill NT , Pietras C , Pinker RT , Voss K , Zibordi G (2001) An emerging ground-based aerosol climatology: Aerosol optical depth from AERONET , Journal of Geophysical Research, Vol.106 (D11) ; pp.12067-12097
    8. Hoek G , Krishnan RM , Beelen R , Peters A , Ostro B , Brunekreef B , Kaufman JD (2013) Long-term air pollution exposure and cardio-respiratory mortality: a review , Environmental Health, Vol.12
    9. International Panel on Climate Change (IPCC) (2013) Climate Change 2013, The physical science basis. Contribution of working group I to the fifth assessmentreport of the intergovernmental panel on climate change, Cambridge University Press,
    10. Kaufman YJ , Tanre D , Boucher O (2002) A satellite view of aerosols in the climate system , Nature, Vol.419 ; pp.215-223
    11. Kim BK , Lee DI , Kim JC , Lee JH (2012) Characteristics of Diurnal Variation of High PM25 Concentration by Spatio-Temporal Wind System in Busan, Korea , Journal of the Korean Earth Science Society, Vol.33 ; pp.469-480
    12. Kim HS , Kim JM , Sohn JJ (2012) An Analysis of MODIS Aerosol Optical Properties and Groundbased Mass Concentrations in Central Korea in 2009 , Journal of the Korean Earth Science Society, Vol.33 ; pp.269-279
    13. Kim HS , Yoon MB , Sohn JJ (2010) An Analysis on the Episodes of Large-scale Transport of Natural Airborne Particles and Anthropogenically Affected Particles from Different Sources in the East Asian Continent in 2008 , Journal of the Korean Earth Science Society, Vol.31 ; pp.600-607
    14. Lee KH , Lee DH , Kim YJ (2006) Application of MODIS satellite observation data for air quality forecast , Journal of Korean Society for Atmospheric Environment, Vol.22 (6) ; pp.851-862
    15. Lee KH , Park SS (2012) Relationship between PM25 mass concentrations and MODIS aerosol optical thickness at Dukjuk and Jeju island , Korean Journal of Remote Sensing, Vol.28 (4) ; pp.449-458
    16. Li C , Tsay SC , Hsu NC , Kim JY , Howell SG , Huebert BJ , Ji Q , Jeong M-J , Wang S-H , Hansell RA , Bell SW (2012) Characteristics and composition of atmospheric aerosols in Phimai, central Thailand during BASE-ASIA , Atmospheric Environment,
    17. Liu Y , Sarnat JA , Kilaru V , Jacob DJ , Koutrakis P (2005) Estimating ground-level PM2.5 in the Eastern United States using satellite remote sensing , Environmental Science and Technology, Vol.39 ; pp.3269-3278
    18. Liu Y , Franklin M , Kahn R , Koutrakis P (2007) Using aerosol optical thickness to predict ground-level PM2.5 concentrations in the St. Louis area: A comparison between MISR and MODIS , Remote Sensing of Environment, Vol.107 ; pp.33-44
    19. Liu X , Cheng Y , Zhang Y , Jung J , Sugimoto N , Chang SY , Kim YJ , Fan S , Zeng L (2008) Influences of relative humidity and particle chemical composition on aerosol scattering properties during the 2006 PRD campaign , Atmospheric Environment, Vol.42 ; pp.1525-1536
    20. Pan XL , Yan P , Tang J , Ma JZ , Wang ZF , Gbaguidi A , Sun YL (2009) Observational study of influence of aerosol hygroscopic growth on scattering coefficient over rural area near Beijing mega-city , Atmospheric Chemistry and Physics, Vol.9 ; pp.7519-7530
    21. Schwartz J , Dockery W , Neas LM (1996) Is daily mortality associated specifically with fine particles , Journal of the Air & Waste Management Association, Vol.46 ; pp.927-939
    22. Seo S , Kim J. , Jeong U , Kim W. , Holben B.N. , Kim S.-W , Song C.H , Lim J.H (2015) Estimation of PM10 concentrations over Seoul using multiple empirical models with AERONET and MODIS data collected during the DRAGON-Asia campaign , Atmospheric Chemistry and Physics, Vol.15 ; pp.319-334
    23. Tiwari S , Chate DM , Srivastava AK , Bisht DS , Padmanabhamurty B (2012) Assessments of PM1, PM25 and PM10 concentrations in Delhi at different mean cycles , Geofizika, Vol.29 ; pp.51-57
    24. rizwan m (2006) World Health OrganizationHealth risks of particulate matter from long-range transboundary air pollution , Eur. Cent. For Environ. Health Bonn Germany,
    25. Xin J , Zhang Q , Wang L , Gong C , Wang Y , Liu Z , Gao W (2014) The empirical relationship between the PM2.5 concentration and aerosol optical depth over the background of North China from 2009 to 2011 , Atmospheric Research, Vol.138 ; pp.179-188
    26. Zhao H , Che H , Zhang X , Ma Y , Wang Y , Wang H , Wang Y (2013) Characteristics of visibility and particulate matter (PM) in an urban area of Northeast China , Atmospheric Pollution Research, Vol.4 ; pp.427-434
    27. Zheng J , Che W , Zheng Z , Chen L , Zhong L (2013) Analysis of spatial and temporal variability of PM10 concentrations using MODIS aerosol optical thickness in the Pearl River Delta region China , Aerosol and Air Quality Research, Vol.13 ; pp.862-876