도로 및 터널구간의 미세먼지 농도 추정 모형 개발
Development of Particulate Matter Concentration Estimation Models on Roadway and Tunnel Sections
초록/요약
지구온난화, 미세먼지 등의 환경요인이 전 세계적으로 관심도가 지속적으로 증가하고 있으며, 국내에도 미세먼지 저감을 위해 많은 정책들이 수립되어 시행되고 있다. 미세먼지(PM) 저감을 위해서는 현상규명, 감시, 통합예측으로 정확한 데이터를 가지고 미세먼지(PM) 발생 원인을 파악하며, 지속적인 관리체계를 구축하는 것이 필요하다. 그러나 현재는 국내 도로구간에서 발생하는 미세먼지에 관한 영향 인자에 대한 정확한 분석 결과와 이를 활용한 예측 모형이 없는 실정이다. 본 연구에서는 도로구간과 터널구간으로 분류하여 초미세먼지(PMR,2.5)와 미세먼지(PMR,10) 농도 추정 모형 개발을 위해 미세먼지(PM) 영향인자간의 상관성을 분석하였고 이를 바탕으로 회귀분석 모형을 구축하여 교통량에 따른 초미세먼지(PM2.5)와 미세먼지(PM10) 농도에 대한 민감도를 분석 시행하였다. 분석 결과, 시간당 교통량이 1,000대 증가함에 따라 도로주변지역의 초미세먼지(PMR,2.5) 농도는 약 2.421μg 증가할 수 있으며, 미세먼지(PMR,10) 농도는 약 6.769μg 증가할 수 있음을 확인하였다. 기계학습기반의 미세먼지(PM) 농도 추정 모형을 구축하였으며, 선형회귀모형, 합성곱신경망모형, 랜덤포레스트모형의 3가지 모형을 비교하였고 그 중 가장 우수한 모형으로는 랜덤포레스트 모형을 제시하였다. 랜덤포레스트 모형으로 모형별 구축 결과, 도로구간 초미세먼지(PMR,2.5)의 결정계수(R2)는 0.74, MAE는 5.78로 분석되었으며, 미세먼지(PMR,10)의 결정계수(R2)는 0.71, MAE는 9.60으로 분석되었다. 또한, 터널구간의 초미세먼지(PMT,2.5) 모형의 결정계수(R2)는 0.95, MAE는 2.81, 미세먼지(PMT,10) 모형의 결정계수(R2)는 0.90, MAE는 11.74로 분석 되었다. 이와 같은 평가 결과, 도로 및 터널구간의 초미세먼지(PM2.5)와 미세먼지(PM10) 농도 추정 모형은 모든 경우에서 랜덤포레스트 모형이 가장 오차가 적은 모형으로 나타났다. 그리고 본 연구에서 개발된 모형에 대한 실제적인 활용방안을 제시하였다.
more초록/요약
Worldwide interest regarding environmental factors such as global warming and fine particles is consistently increasing. South Korea is also establishing and implementing numerous policies to reduce fine particles. To reduce fine particles (PM), it is necessary to establish a continuous management system by identifying the causes with accurate data obtained through phenomenon investigation, monitoring, and integrated prediction. However, currently, there is no accurate analysis of influencing factors regarding PM occurring at South Korean road sections and adequate prediction models using such analysis. The study analyzed the correlation between fine particle (PM) influencing factors by classifying them into road and tunnel sections to develop a concentration estimation model of ultrafine particle (PMR,2.5) and fine particle (PM10). A regression analysis model was built based on the above. Using the model, the sensitivity to ultrafine particle (PMR,2.5) and fine particle (PM10) concentrations according to traffic volume was analyzed. The analysis revealed that when traffic volume per hour increases by one thousand vehicles, the concentration of ultrafine particle (PMR,2.5) in the road vicinity may increase by approximately 2.421μg, while the concentration of fine particle (PM10) may increase by approximately 6.769μg. A machine learning-based fine particle(PM) concentration estimation model was built. Three models, including the linear regression model, a convolutional neural network model, and a random forest model, were compared, and the random forest model was proposed as the best one. The results of the random forest model constructed for each model are as follows. For the road section, the coefficient of determination (R2) of the ultrafine particle (PMR,2.5) model was 0.74, and MAE was 5.78. The coefficient of determination (R2) for the fine particle (PMR,10) model was 0.71, and MAE was 9.60. For the tunnel section, the coefficient of determination (R2) of the ultrafine particle (PMT,2.5) model was 0.95, and MAE was 2.81. The coefficient of determination (R2) of the fine particle (PMT,10) model was 0.90, and MAE was 11.74. The evaluation revealed that the random forest model displayed the least amount of error in the concentration estimation model of ultrafine particle (PM2.5) and fine particle (PM10) in all cases of road and tunnel sections. Additionally, a practical application plan for the model developed in the study is proposed.
more목차
제1장 서론 1
제1절 연구의 배경 및 목적 1
1. 연구의 배경 1
2. 연구의 목적 4
제2절 연구의 범위 5
제3절 연구의 수행절차 및 방법 6
제2장 이론적 배경 7
제1절 미세먼지 저감 정책 7
1. 미세먼지 정의 7
2. 미세먼지 관련 주요 법제 8
3. 미세먼지 저감 정책 9
제2절 이론 고찰 12
1. 상관분석 12
2. 회귀분석 14
제3절 기존 연구 고찰 23
1. 미세먼지 영향인자와의 상관성 23
2. 미세먼지 농도 추정 연구 26
제4절 시사점 및 기존 연구와의 차별성 29
제3장 자료 수집 및 기초 분석 30
제1절 데이터 수집 30
1. 도로구간 데이터 수집 30
2. 터널구간 데이터 수집 37
제2절 데이터 구축 44
1. 변수선정 44
2. 데이터 구축 46
3. 데이터 병합 53
4. 이상치 제거 55
제3절 상관관계 분석 57
1. 초미세먼지(PM2.5) 상관분석 결과 57
2. 미세먼지(PM10) 상관분석 결과 58
3. 상관분석 종합 결과 59
제4절 시사점 61
제4장 미세먼지 농도 추정 모형 개발 62
제1절 도로구간 미세먼지 농도 추정 모형 개발 62
1. 분석 방법론 62
2. 통계기반 모형 개발 63
3. 기계학습(Machine Learning)기반 모형 개발 72
4. 도로구간 초미세먼지(PMR,2.5) 농도 추정 모형 구축결과 73
5. 도로구간 미세먼지(PMR,10) 농도 추정 모형 구축결과 79
6. 도로구간 모형 이전성(Model Transferability) 검증 85
제2절 터널구간 미세먼지 농도 추정 모형 개발 88
1. 분석 방법론 88
2. 터널구간 초미세먼지(PMT,2.5) 농도 추정 모형 구축결과 90
3. 터널구간 미세먼지(PMT,10) 농도 추정 모형 구축결과 96
4. 터널구간 미세먼지 농도 예측 102
제3절 활용방안 104
제5장 결론 및 향후 연구과제 105
제1절 결 론 105
제2절 향후 연구과제 107
참고문헌 108
