Physics-Regularized Neural Networks for Urban Air Quality Prediction Under Meteorological Variability: Emission Source Estimation from Sparse Observations in London

기술 요약: 도시 대기 질 예측을 위한 물리 정규화 신경망 (Physics-Regularized Neural Networks)

문제 정의
도시 대기 질 평가는 희소하고 불규칙한 모니터링 네트워크로부터 공간적으로 연속적인 오염물질 농도장을 재구성하고 배출원 패턴을 식별해야 하는 중대한 과제에 직면해 있다. 런던과 같은 도시의 모니터링 스테이션은 국지적 이질성을 해결하기에 불충분한 경우가 많으며, 이는 동일한 제한된 측정값에 대해 여러 해가 존재할 수 있는 부적정(ill-posed) 역문제를 생성한다. 전통적인 수용체 모델(예: PMF, PSCF)은 명시적인 물리적 제약이 부족하며 표준 네트워크에서 사용 불가능한 화학적 성분 분석 데이터를 필요로 하는 경우가 많다. 반대로, WRF-Chem 또는 CMAQ와 같은 화학 수송 모델(CTM)은 물리적 엄밀성을 제공하지만, 높은 계산 비용, 하향식 인벤토리 불확정성에 대한 민감도, 그리고 미세 규모에서의 희소한 관측치 동화의 어려움을 겪는다. 순수 데이터 기반 머신러닝 접근 방식은 계산 효율성은 높지만, 보존 법칙을 위반하거나 변화하는 기상 체계 하에서 일반화에 실패할 수 있는 "블랙박스"로 작용할 수 있다. 핵심적인 문제는 어떻게 물리적 일관성을 유지하면서 희소한 데이터로부터 유효 배출 지표와 농도장을 추론할 것인가이다.

방법론
본 연구는 심각한 관측 결핍 상황에서도 작동하도록 설계된 물리 정규화 신경망(PRNN) 프레임워크를 제안한다. 방법론은 전체 편미분 방정식(PDE)을 엄격한 하드 제약 조건으로 강제하는 엄격한 물리 정보 신경망(PINN)과는 차별화된다. PINNN은 희소한 데이터와 함께 사용할 때 수치적으로 불안정할 수 있기 때문이다. 대신, 저자는 단순화된 **내류-반응 질량 균형 방정식(advection–reaction mass-balance equation)**을 사용하는 "소프트 제약" 방식을 채택한다:

$$\frac{\partial C}{\partial t} + \mathbf{u} \cdot \nabla C = S(x, t) - \lambda C$$

여기서 $C$는 $\text{PM}_{2.5}$ 농도, $\mathbf{u}$는 풍속장, $S$는 유효 소스 항, $\lambda$는 1차 제거율이다. 확산 항($\nabla \cdot (K\nabla C)$)은 수치적 안정성을 확보하고 희소하고 불규칙한 격자에서 2차 자동 미분의 불안정성을 피하기 위해 명시적으로 제외되었다.

신경망 아키텍처는 공간 좌표, 시간, ERA5 기상 재분석 데이터(풍속, 경계층 높이, 온도), 주기적 시간 인코딩, 그리고 시차를 둔 $\text{PM}_{2.5}$ 관측치를 입력값으로 받는다. 이 모델은 세 가지 필드를 출력한다: 농도($C_\theta$), 유효 소스($S_\theta$), 그리고 제거율($\lambda_\theta$).

모델은 다음의 합성 손실 함수를 최소화하도록 훈련된다:
$$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda_{phys}\mathcal{L}_{phys}$$

• 데이터 손실 ($\mathcal{L}_{data}$): 6개 모니터링 스테이션의 관측된 시간당 $\text{PM}_{2.5}$ 값과의 일치성을 강제한다.
• 물리 손실 ($\mathcal{L}_{phys}$): 자동 미분을 사용하여 콜로케이션 포인트(collocation points)에서의 내류-반응 방정식 잔차를 처벌한다.

2단계 훈련 스케줄이 적용된다: 데이터 전용 워밍업 후 물리 정규화 단계가 이어진다. 정규화 가중치 $\lambda_{phys}$는 예측 정확도를 극대화하기 위해서가 아니라, 솔루션 공간을 물리적으로 타당한 매개변수 조합으로 제한하기 위해 조정된다.

주요 기여

1. 희소 역전(Inversion)을 위한 프레임워크: 본 논문은 실제 도시 대기 질 데이터에 물리 정규화 학습을 적용하여, 조밀한 배출 인벤토리 없이도 희소한 모니터링 네트워크로부터 공간적으로 연속적인 유효 소스 필드를 추론할 수 있음을 입증한다.
2. 부적정 문제의 안정화: 물리 정규화가 주로 점 단위의 예측 성능($R^2$, RMSE)을 높이는 것이 아니라, 역문제에 내재된 "퇴화된(degenerate)" 소스-제거 트레이드오프를 제약하는 데 필수적임을 보여준다. 정규화가 없으면 모델은 비현실적으로 짧은 유효 수명(<1일)을 추론하지만, 적절한 정규화를 적용하면 수명이 물리적으로 타당한 범위(~9–10일)로 안정화된다.
3. 투명한 한계 분석: 저자는 확산 항의 누락으로 인한 "공간적 뭉개짐(spatial smearing)" 효과와 조밀한 ERA5 기상 데이터(~25 km)와 도시 미세 환경 사이의 스케일 불일치 등 접근 방식의 한계를 엄격하게 기록하였다. 저자는 추론된 소스 필드가 규제용 배출 인벤토리에 대한 직접적인 추정치가 아니라, 단순화된 물리에 일관된 **모니터링 유도 진단 필드(monitoring-derived diagnostic fields)**임을 명확히 한다.
4. 계산 효율성: 이 접근 방식은 데이터가 제한된 환경에서 도시 규모의 스크리닝 및 탐색적 평가를 위한 계산 효율적인 대안을 제공한다.

결과
프레임워크는 6개의 AURN/LAQN 스테이션의 시간당 $\text{PM}_{2.5}$ 데이터와 ERA5 기상 데이터를 사용하여 그레이터 런던의 90일간 겨울 기간에 대해 테스트되었다.

• 예측 성능: 물리 정규화 모델은 테스트 $R^2$ 0.707, RMSE 3.91 µg/m³를 달 기록하였으며, 이는 데이터 전용 베이스라인($R^2$ 0.703)과 유사하다. 이는 물리 정규화의 주된 역할이 점 단위 예측 지표를 높이는 것이 아니라 역매개변수를 정규화하는 것임을 확인시켜 준다.
• 매개변수 안정성: 물리 정규화가 없는 경우($\lambda_{phys}=0$), 추론된 유효 수명은 0.37일로 붕괴되었다. 정규화를 적용했을 때($\lambda_{phys}=10^{-3}$), 수명은 9.56일로 안정화되었으며, 이는 영국에서 알려진 $\text{PM}_{2.5}$ 제거 시간 척도와 일치하는 값이다.
• 공간적 이질성: 성능은 사이트 유형에 따라 달랐다. 교외 및 도시 배경 스테이션(예: Harlington, Bloomsbury)은 높은 예측 기술($R^2 \approx 0.84, 0.79$)을 보인 반면, 도로변 사이트(예: Hackney, Euston Road)는 예측하기 더 어려웠다($R^2 \approx 0.33, 0.65$). 이는 단순화된 내류 물리와 조밀하지 않은 기상 데이터가 건물에 의한 난류 및 스트리트 캐년 효과를 해결하지 못하기 때문으로 분석된다.
• 민감도: 추론된 유효 수명은 다양한 정규화 가중치($\lambda_{phys} \in [3 \times 10^{-5}, 3 \times 10^{-3}]$)에 대해 견고했으나, 과잉 정규화($\lambda_{phys} = 10^{-2}$)가 발생하면 수명이 다시 붕괴되었다.

의의 및 주장
본 논문은 이 연구를 규제 목적의 배출원 규명이나 고충실도 CTM을 대체하는 도구가 아닌, 모니터링 중심의 탐색적 도구로 위치시킨다. 이 연구의 의의는 데이터가 부족한 환경에서 단순화된 대기 수송 물리와 일관성을 유지하면서 공간적으로 연속적인 진단 필드를 생성하는 계산 효율적인 방법을 제공한다는 점에 있다.

저자는 추론된 패턴이 모델의 단순화된 가정 하에서 배출, 수송, 제거의 결합된 영향을 반영하는 진단 필드로 해석되어야 한다고 명시적으로 밝힌다. 저자는 고유한 인벤토리 등가 배출 플럭스를 회복한다고 주장하지 않는다. 이 프레임워크는 기존 모니터링 네트워크를 보완하여, 특히 전통적인 모델링이 너무 비용이 많이 들거나 데이터가 너무 희소한 환경에서 스크리닝 수준의 통찰력을 제공하고, 오염도가 높은 지역을 식별하며, 센서 배치 전략을 알리는 데 사용되도록 의도되었다. 본 연구는 물리적 유연성을 일부 희생하더라도 물리적 타당성을 확보하기 위해 머신러닝에 물리적 제약을 통합하는 것의 가치를 강조한다.