기상학적 변수가 PM 2.5 입자의 형성, 농도 및 확산에 미치는 영향으로 인해 시공간 PM 2.5 모델에서 특성으로 활용되어 왔다. 본 연구는 최적화된 심층 신경망(DNN) 모델로 PM 2.5 농도를 예측함에 있어, 서로 다른 방법으로 재샘플링한 다양한 기상 데이터셋의 효과를 조사하였다. 그 결과, DNN 모델의 기상 특성으로 사용된 3차 스플라인 재샘플링된 유럽 중기 기상예보센터(ECMWF) 데이터셋이 PM 2.5 값을 예측하는 데 가장 우수한 성능을 보였으며, MAE와 RMSE 값은 각각 3.597 및 5.363 μg/m3였다. 연중 일(day of the year), 에어로졸 광학 두께, 기온은 각 DNN 모델에 대한 SHAP 값에 근거하여 PM 2.5 농도 예측에 가장 큰 영향을 미치는 특성들이었다. 또한 각 재샘플링 방법과 데이터셋 조합에서 재샘플링된 값들의 분포 및 상관관계를 논의하였다. 본 연구는 시공간 PM 2.5-농도 모델링 과정을 개선하기 위한 향후 탐색에 대해서도 논의한다. • 서로 다른 기상 데이터셋을 사용하여 PM2.5를 모델링하였다. • 서로 다른 방법으로 기상 데이터셋을 재샘플링하였다. • DNN 모델을 이용하여 일별 PM2.5 농도를 예측하였다. • 공간 및 시간 예측 오차를 제시하였다. • SHAP 값으로 핵심 특성을 결정하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.