전 세계적 기후변화로 인한 건조화(desiccation)로 인해 산불의 발생과 그로 인한 피해가 증가하고 있다. 여러 연구들이 산불의 발생을 예측하고자 시도해 왔으나, 예측은 예측 불가능한 인위적 활동과 변동하는 환경 조건 때문에 여전히 어렵다. 본 연구는 기상(meteorology), 지형(topography), 인위적 활동(anthropogenic activities) 등 모든 관련 요인을 고려하여 대한민국 강원도에서 산불 발생 가능성을 예측한다. 온도, 습도, 풍속, 강수량, 정규화 차이 식생 지수(normalized difference vegetation index), 고도(elevation), 경사(slope), 인구밀도(population density), 지표면(land surface) 등 비선형 요인을 반영하기 위해, 다중모달(multimodal) 합성곱 신경망 기반의 딥러닝 모델을 개발하였다. 학습 데이터셋은 2011년부터 2021년까지의 2106개 역사적 사례로 구성되었으며, 그중 1053건은 산불 발생, 1053건은 산불 비발생이었다. 분류 성능 지표에 따르면, 모델의 성능은 기상 변수만 사용했을 때 69%에서 환경 지수 NDVI와 지형 자료를 함께 포함하면 74%로 향상되었고, 인간 요인을 포함한 모든 자료를 사용하면 77%까지 추가로 상승하였다. 오류 지도(error map) 분석 결과, 모델 결과에는 체계적인 지역 편향과 공간적 자기상관이 나타나지 않았다. 각 변수의 기여도를 평가하기 위해 조합 기반 모델 평가 및 부분의존도(partial dependence plot, PDP) 분석을 수행하였다. 입력 특성 31개 조합에 대한 분석에서 인간 관련 요인을 포함하는 경우 모델의 성능이 개선되는 것으로 나타났다. 또한 PDP 분석에서는 토지 이용—특히 주거(residential), 산업(industrial), 농업(agricultural) 부문—과 산불 발생 가능성 증가 간에 유의한 연관성이 있음을 확인하였다. 실제 적용 시험에서, 모든 요인을 포함한 본 모델은 2022년 양구(Yanggu) 산불에서 고위험 지역을 보다 효과적으로 식별하였다. 본 연구는 다중모달 접근이 사회적 및 환경적 요인을 효과적으로 통합함으로써 산불 예측의 정확도를 향상시킬 수 있음을 시사한다.

서울의 농도는 대기질 정책에 도움이 될 수 있다.

인간의 건강을 위협하는 대기질 악화는 국소적인 복합 유해요인으로 인식된다. 여기서는 한국을 중심으로 2차 에어로졸 형성의 활성화를 위한 결정적인 열역학적 조건을 조사하였다. 상대습도 < 60%의 건조한 환경에서는 미세입자 형성을 위한 기체상 반응이 표면 온도에 크게 의존하였다. 그러나 상대습도 ≥ 60%의 습윤한 환경에서는 총 에어로졸 질량의 67%를 차지하는 황산염, 질산염, 암모늄으로 이루어진 2차 무기 에어로졸의 수용액 상(수상) 반응이 더 활성화되었다. 따라서 에어로졸의 2차 생성에서 습도는 온도만큼이나 중요하며, 한반도에서 저기압성 계통이 우세할 때 대기질이 종종 악화되었다. 이는 고기압과 대기정체로 특징지어지는 미립자 물질 고농도의 일반적인 시놉틱(synoptic) 조건과는 다르다. 본 연구는 향후 빈번할 수 있는 대기질 유해의 추가적인 유리한 조건과 이에 책임이 있는 메커니즘을 시사한다.

농도 사건은 바람 패턴과 지역 대기오염물질 배출원, 즉 질소산화물과 황산화물을 통해 설명될 수 있다. 도출된 지역 분류는 대한민국의 도(道) 단위 행정 구역 구분과는 다르게 나타났다. 따라서 본 연구는 행정 구역 단위의 대기질 관리가 지닌 한계를 극복하기 위한 과학적 근거를 제공할 것으로 기대된다.

전 세계적 기후변화로 인한 건조화(desiccation)로 인해 산불의 발생과 그로 인한 피해가 증가하고 있다. 여러 연구들이 산불의 발생을 예측하고자 시도해 왔으나, 예측은 예측 불가능한 인위적 활동과 변동하는 환경 조건 때문에 여전히 어렵다. 본 연구는 기상(meteorology), 지형(topography), 인위적 활동(anthropogenic activities) 등 모든 관련 요인을 고려하여 대한민국 강원도에서 산불 발생 가능성을 예측한다. 온도, 습도, 풍속, 강수량, 정규화 차이 식생 지수(normalized difference vegetation index), 고도(elevation), 경사(slope), 인구밀도(population density), 지표면(land surface) 등 비선형 요인을 반영하기 위해, 다중모달(multimodal) 합성곱 신경망 기반의 딥러닝 모델을 개발하였다. 학습 데이터셋은 2011년부터 2021년까지의 2106개 역사적 사례로 구성되었으며, 그중 1053건은 산불 발생, 1053건은 산불 비발생이었다. 분류 성능 지표에 따르면, 모델의 성능은 기상 변수만 사용했을 때 69%에서 환경 지수 NDVI와 지형 자료를 함께 포함하면 74%로 향상되었고, 인간 요인을 포함한 모든 자료를 사용하면 77%까지 추가로 상승하였다. 오류 지도(error map) 분석 결과, 모델 결과에는 체계적인 지역 편향과 공간적 자기상관이 나타나지 않았다. 각 변수의 기여도를 평가하기 위해 조합 기반 모델 평가 및 부분의존도(partial dependence plot, PDP) 분석을 수행하였다. 입력 특성 31개 조합에 대한 분석에서 인간 관련 요인을 포함하는 경우 모델의 성능이 개선되는 것으로 나타났다. 또한 PDP 분석에서는 토지 이용—특히 주거(residential), 산업(industrial), 농업(agricultural) 부문—과 산불 발생 가능성 증가 간에 유의한 연관성이 있음을 확인하였다. 실제 적용 시험에서, 모든 요인을 포함한 본 모델은 2022년 양구(Yanggu) 산불에서 고위험 지역을 보다 효과적으로 식별하였다. 본 연구는 다중모달 접근이 사회적 및 환경적 요인을 효과적으로 통합함으로써 산불 예측의 정확도를 향상시킬 수 있음을 시사한다.

서울의 농도는 대기질 정책에 도움이 될 수 있다.

인간의 건강을 위협하는 대기질 악화는 국소적인 복합 유해요인으로 인식된다. 여기서는 한국을 중심으로 2차 에어로졸 형성의 활성화를 위한 결정적인 열역학적 조건을 조사하였다. 상대습도 < 60%의 건조한 환경에서는 미세입자 형성을 위한 기체상 반응이 표면 온도에 크게 의존하였다. 그러나 상대습도 ≥ 60%의 습윤한 환경에서는 총 에어로졸 질량의 67%를 차지하는 황산염, 질산염, 암모늄으로 이루어진 2차 무기 에어로졸의 수용액 상(수상) 반응이 더 활성화되었다. 따라서 에어로졸의 2차 생성에서 습도는 온도만큼이나 중요하며, 한반도에서 저기압성 계통이 우세할 때 대기질이 종종 악화되었다. 이는 고기압과 대기정체로 특징지어지는 미립자 물질 고농도의 일반적인 시놉틱(synoptic) 조건과는 다르다. 본 연구는 향후 빈번할 수 있는 대기질 유해의 추가적인 유리한 조건과 이에 책임이 있는 메커니즘을 시사한다.

농도 사건은 바람 패턴과 지역 대기오염물질 배출원, 즉 질소산화물과 황산화물을 통해 설명될 수 있다. 도출된 지역 분류는 대한민국의 도(道) 단위 행정 구역 구분과는 다르게 나타났다. 따라서 본 연구는 행정 구역 단위의 대기질 관리가 지닌 한계를 극복하기 위한 과학적 근거를 제공할 것으로 기대된다.

본 연구는 산불 및 산업 화재의 조기 감지를 위해 설계된 고급 스캐닝 LiDAR 시스템 SMART LiDAR MK-II(Samwoo TCS co., Ltd)의 개발과 적용을 소개한다. 전통적인 화재 감지 방법은 다양한 대기 조건, 지형적 요인, 화재 및 연기의 특성 변동성으로 인해 한계를 겪는다. 이러한 문제에 대응하기 위해서는 30미터 미만의 공간 해상도를 갖춘 모니터링 시스템이 필수적이다. SMART LiDAR MK-II는 이중 파장(532 nm 및 1064 nm)을 사용하며, 약 3&#176;의 각 분해능으로 30분 간격 동안 총 360&#176; 관측을 제공함으로써 다양한 환경 조건에서 연기 및 입자상 물질을 실시간으로 감지할 수 있다.&#160;본 시스템은 2024년 7월 22일 한국의 시화 산업단지에서 자동차 도장 공장에서 발생한 화재 상황에서 현장 배치로 검증되었다. 모니터링 높이 55미터, 화원으로부터 약 20미터 지점에 설치된 SMART LiDAR MK-II는 PM10 및 PM2.5에서 각각 724 &#181;g/m&#179; 및 334 &#181;g/m&#179;의 최고 농도를 보이는 연기를 감지하였다. 연기 플룸은 우세한 바람의 영향을 받아 5 km 이상 북쪽으로 확산되는 것이 관측되었다. 또한 시스템은 화재 진압 이후 입자상 물질 농도의 시간적 감소를 성공적으로 포착하여, 배출 역학 및 확산 양상을 모니터링할 수 있는 능력을 입증하였다.&#160;현재 SMART LiDAR MK-II는 다양한 조건에서의 운용 신뢰성을 보장하기 위해 방수 및 방진에 대한 엄격한 시험을 진행 중이며, 상용화도 진행 중이다. 이러한 첨단 기술은 LiDAR 기반 화재 감지에서 의미 있는 진전을 나타내며, 연기 배출과 대기 영향의 실시간 모니터링을 위한 높은 공간 해상도, 감도, 신뢰성을 제공한다. 본 결과는 SMART LiDAR MK-II가 전 세계적 화재 감지 및 환경 모니터링 역량을 향상시키는 데 있어 전환적 잠재력을 지닌다는 점을 보여준다.&#160;감사의 글: 본 연구는 행정안전부의 재난안전 분야 협력 R&amp;D 사업의 일환으로 행정안전부(MOIS, Korea)가 지원한 과제(2023-MOIS-20024324)의 지원을 받았다.

시베리아 고기압(Siberian High, SH)은 동아시아의 겨울철 대기 순환을 지배하며, 이 지역의 지름 ≤ 2.5 μm인 입자상 물질(PM2.5) 농도를 강하게 조절한다. SH는 상당한 일별 변동을 보이지만, 선행연구들은 PM2.5 농도에 대한 단기적 영향보다는 계절 및 연간 효과에 주로 초점을 맞추었다. 본 연구는 SH 강도 변화와 연계된 대기 순환의 발달 양상이 대한민국 서울에서 고농도 PM2.5(≥ 35 µg m−3) 발생과 어떤 관련이 있는지를 규명한다. 계층적 군집화(hierarchical clustering) 방법을 사용하여 2008–2022년 겨울철 동안 서울에서 발생한 94건의 고-PM2.5 사례에 해당하는 시놉틱(synoptic) 패턴을 SH의 강도에 따라 두 그룹으로 분류하였다: 강한 SH 49건과 약한 SH 45건이다. 각 SH 패턴은 상층 및 하층 대류권에서 서로 다른 역학적·열역학적 과정들을 통해 서로 다른 일 단위 시간 척도에서 고-PM2.5 사례를 유발할 수 있다. 강한 SH는 한국 상공에서 이동성 고기압으로 전환되어 하층 대류권에서 바람 속도를 감소시킨다. 이러한 조건은 대기 환기(ventilation)를 억제하고 역학적 안정성을 강화하여, 표층 부근의 PM2.5가 2일 이내에 빠르게 축적되기 유리한 환경을 제공한다. 약한 SH 사건 동안에는 상층 대류권의 고기압성 순환이 중·하층 대류권의 기온을 상승시켜, 하층 대류권의 열적 안정성이 증가한다. 대기 오염물질은 상층 대기로 확산되지 못하고 4일에 걸쳐 점진적으로 고농도 PM2.5 수준으로 축적된다. 본 연구는 강한 SH와 약한 SH 패턴 모두에서 나타나는 대기 순환의 발달이 서로 다른 시간적 특성을 통해 서울의 대기질 악화에 중요한 역할을 함을 보여준다. SH에 의해 유도되는 이러한 대기 순환은 오염 사례의 예상 시점을 바탕으로 예측 정확도를 향상시키고 표적 배출 제어 전략을 가능하게 하는 데 유용한 통찰을 제공한다.