Innovative Methods for Multi-source Air Dust Pollution Monitoring using Remote Sensing: A Comparative Study of Chalkidiki (Greece) and Ihalainen (Finland)

우리가 마시는 공기는 기체와 그 안에 떠다니는 아주 작은 고체 또는 액체 입자들이 섞인 복잡한 혼합물입니다. 이러한 입자 중 일부는 바람에 의해 사막에서 솟구치거나 화산에서 방출되는 등 자연적으로 발생하며, 다른 것들은 연료를 태우거나, 자동차를 운전하거나, 광물을 캐기 위해 땅을 파는 것과 같은 인간 활동에 의해 생성됩니다. 이 입자들이 흡입될 수 있을 만큼 작아지면 폐를 자극하고, 천식을 유발하며, 시간이 지남에 따라 심각한 심장 및 폐 질환의 원인이 될 수 있습니다. 이 입자들은 육안으로는 보이지 않고 먼 거리까지 이동할 수 있기 때문에 추적하기가 어렵습니다. 과학자들은 전통적으로 오염을 측정하기 위해 지면에 설치된 물리적 센서에 의존해 왔지만, 이러한 센서는 제작 및 유지 관리에 비용이 많이 들어 세계의 광범위한 지역이 직접적인 측정 없이 방치되어 있습니다. 이러한 공백을 메우기 위해 연구자들은 상공을 궤도 비행하는 위성과 대기가 어떻게 움직이고 변화하는지를 시뮬레이션하는 강력한 컴퓨터 모델로 눈을 돌렸습니다. 이러한 도구들은 전체 지역에 걸쳐 오염을 볼 수 있는 방법을 제공하지만, 완벽하지는 않습니다. 위성은 구름에 의해 가려질 수 있고, 컴퓨터 모델은 공장이나 광산 바로 옆에서 발생하는 날카롭고 국지적인 오료의 세부 사항을 종종 뭉뚱그려 표현하기 때문입니다.

본 연구는 매우 다른 두 가지 광업 지역, 즉 그리스의 뜨겁고 건조한 기후와 핀란드의 차갑고 울창한 숲 지형에 이 첨단 도구들을 적용했을 때 얼마나 잘 작동하는지 테스트하기 위해 수행되었습니다. 연구진은 PM10이라고 불리는 특정 유형의 오염 물질에 집중했는데, 이는 사람 머리카락 너비의 약 10마이크로미터보다 작은 먼지 입자를 의미합니다. 그들은 위성과 컴퓨터 모델의 데이터가 서로 대비되는 환경에서 광업 운영으로 인해 발생하는 먼지를 정확하게 추적할 수 있는지, 그리고 이러한 방법이 미래의 공기 질을 예측하는 데 도움이 될 수 있는지 알고 싶었습니다. 위성 및 모델 데이터를 두 지역의 실제 지상 센서 측정값과 비교함으로써, 연구팀은 전통적인 모니터링 네트워크가 희박하거나 존재하지 않는 지역에서 먼지 오염을 모니터링할 수 있는 신뢰할 수 있고 확장 가능한 방법을 구축하고자 했습니다.

연구진은 서로 다른 기후와 광업 유형이 먼지 수준에 어떤 영향을 미치는지 확인하기 위해 두 개의 뚜렷한 위치를 조사했습니다. 첫 번째 사이트는 지중해성 기후를 특징으로 하며 덥고 건조한 여름과 복잡한 지형을 가진 그리스의 키키디키(Chalkidiki)였습니다. 이곳의 광업 운영에서는 금, 은, 납, 아연과 같은 금속을 추출합니다. 두 번째 사이트는 림스톤(석회암)을 채굴하고 석회를 생산하는 회사가 있는 냉대 낙엽수림 기후의 핀란드 이할라이넨(Ihalainen) 지역이었습니다. 그리스 현장이 금속 함유 먼지와 사하라 사막에서 불어오는 모래의 빈번한 유입을 다루는 반면, 핀란드 현장은 탄산염 먼지와 눈이 녹을 때 느슨해지는 도로 먼지와 같은 계절적 문제를 다룹니다. 연구팀은 2013년부터 2024년까지의 데이터를 수집하였으며, 그리스의 12개 지상 관측소와 핀란드의 7개 관측소의 시간당 판독값을 두 가지 주요 출처, 즉 컴퓨터 모델을 사용하여 오염 수준을 추정하는 코페르니쿠스 대기 모니터링 서비스(Copernicus Atmosphere Monitoring Service)와 대기 중 먼지에 의해 햇빛이 얼마나 차단되는지를 측정하는 위성 장비인 MODIS와 결합하였습니다.

연구진이 지상 측정값과 위성 및 모델 데이터를 비교했을 때, 결과는 위치와 사용된 도구에 따라 크게 달라지는 것으로 나타났습니다. 그리스의 경우, 지상 센서는 먼지 농도가 최대 347마이크로그램/세제곱미터에 달하는 훨씬 높은 수준의 먼지를 기록한 반면, 핀란드는 최대 132마이크로그램/세제곱미터였습니다. 지상 데이터 또한 그리스의 오염이 매우 불균일하다는 것을 보여주었는데, 광산 근처의 일부 지역은 불과 몇 킬로미터 떨어진 다른 지역보다 훨씬 높은 먼지 수치를 보였습니다. 핀란드의 경우, 오염이 지역 전체에 걸쳐 더 균일했습니다. 코페르니쿠스 서비스의 컴퓨터 모델은 시간 경과에 따른 변화를 추적하는 데 가장 신뢰할 수 있는 도구임이 증명되었습니다. 이 모델은 지상의 패턴과 매우 잘 일치하였으며, 강한 상관관계를 통해 먼지 수준의 상승과 하락을 잘 포착해 냈습니다. 그러나 모델은 아마도 격자 셀이 너무 커서 광업 장비 바로 옆에서 발생하는 강렬하고 국지적인 먼지 분출을 포착하지 못했기 때문에, 오염의 최고 정점을 과소평가하는 경 경향이 있었습니다. 지면에서 우주까지의 대기 기둥 내 총 먼지량을 측정하는 위성 데이터는 효과가 덜했습니다. 위성은 구름으로 인해 데이터를 놓치거나, 대기 높이의 먼지와 지면 근처의 먼지를 구별하는 데 어려움을 겪어 실제 지상 측정값과의 연결성이 약하게 나타났습니다.

연구진은 또한 오염이 장기적으로 어떻게 변하는지, 그리고 예측이 가능한지를 조사했습니다. 데이터를 추세와 계절적 패턴으로 세분화함으로써, 연구진은 두 사이트 모두에서 공기 질이 점진적으로 개선되고 있음을 관찰했습니다. 핀란드에서는 먼지 수준의 감소가 특히 눈에 띄었는데, 지상 측정값은 연구 기간 동안 약 5에서 10마이크로그램/세방미터의 감소를 보였습니다. 그리스의 경우 추세는 더 안정적이었으며 전반적으로 약간의 감소를 보였습니다. 계절적 패턴은 각 지역마다 뚜렷했습니다. 핀란드는 눈이 녹으면서 도로 먼지가 노출되는 봄에 가장 높은 먼지 수치를 보였고, 그리스는 건조한 조건과 북아프리카에서 불어오는 먼지로 인해 여름과 초가을에 정점을 찍었습니다. 이러한 패턴을 미래의 공기 질을 예측하는 데 사용할 수 있는지 테스트하기 위해 연구팀은 다양한 수학적 접근 방식을 시도했습니다. 그들은 장기적인 추세를 예측하는 데 있어서는 계절적 순환을 처리하도록 설계된 통계 모델이 가장 효과적이라는 것을 발견했습니다. 아주 가까운 미래, 예를 들어 다음 날의 상황을 예측하는 데 있어서는 과거의 데이터 패턴으로부터 학습하는 머신러닝 방식이 더 우수한 성능을 보였습니다.

연구 결과는 위성과 컴퓨터 모델이 지상 센서를 대체할 수는 없지만, 센서가 없는 곳의 공백을 메울 수 있는 강력한 도구임을 시사합니다. 특히 컴퓨터 모델은 넓은 지역과 긴 시간에 걸쳐 공기 질에 대한 일관된 그림을 제공하므로, 광업이 환경에 미치는 전반적인 영향을 이해하는 데 가치가 있습니다. 그러나 이러한 모델은 세부 사항을 뭉뚱그리기 때문에 광산 바로 옆에서 발생하는 최악의 오염 급증을 놓칠 수 있습니다. 본 연구는 모델의 넓은 시야와 지상 관측소의 구체적이고 정확한 데이터를 결합하는 것이 최선의 접근 방식이라는 결론을 내립니다. 이러한 하이브리드 방식은 먼지 오염에 대한 더 완전한 이해를 가능하게 하여, 원격지나 모니터링이 어려운 지역에서도 공중 보건을 보호하고 환경 정책을 안내하는 데 도움을 줍니다. 이 연구는 적절한 도구의 조합이 있다면, 기후가 뜨겁고 건조하든 춥고 눈이 내리든 관계없이 광업 지역의 공기 질을 효과적으로 추적하고 관리하는 것이 가능하다는 것을 보여줍니다.