초록 열기/닫기 버튼
최근 미세먼지 농도가 높은 날이 늘면서 국민들의 관심도 증가하고 있다. 미세먼지의 분포는 공간적으로 상이하며 그발생도 지역별로 다르게 기인하는데도 불구하고 미세먼지 저감을 위한 정책은 차별성 없이 이루어지고 있기 때문에 미세먼지의공간적 이질성을 반영한 연구가 필요하다. 본 연구에서는 미세먼지 농도에 영향을 미치는 자연요소와 인문요소를 함께 고려하여요인을 선정 후 OLS, GWR, GWRR기법을 이용하여 미세먼지 분포의 공간 패턴을 분석하였다. 연구결과는 다음과 같다. 첫째, OLS 분석 결과 자연요인의 경우 강수량과 대기정체일이 적을수록 그리고 주변고도가 낮을수록 미세먼지의 높은 농도의 기여율이높았으며, 축사나 공업시설과 같은 인문요인의 경우 대부분 미세먼지와 양의 관계가 있음이 파악되었다. 둘째, GWRR 분석 결과각 하위 지역별로 미세먼지의 분포에 영향을 주는 변수나 그 정도는 다르게 나타났다. 셋째, GWRR의 효용성 평가 결과 GWRR이다른 두 모델에 비해 향상된 결과를 보였으며, 이는 미세먼지 뿐만 아니라 다양한 대기오염물질의 분석에도 적용이 가능함을확인하였다.
Recently, people are giving more attention to the high concentration of particulate matter (PM10). The distribution of PM10 depends on spaces and the occurrence is also different according to regions. In spite of these, the government does not take the difference into account and implement identical policies in order to reduce the concentration of PM10, Therefore, there is a need for a research which reflects the spatial heterogeneity. This research analyzes spatial patterns of PM10 concentration considering both natural and human factors using OLS, GWR, and GWRR. The findings are as follows. First, the OLS analysis has found, in case of natural factor, low precipitation, atmosphere stagnation, and low ambient are the major contributors causing the high concentration of PM10. In case of human factors, they are relevant to the amount of PM10. Second, GWRR analysis shows that factors influencing on the distribution of PM10 and the degree vary according to sub-regions. Third, by comparing the three methods, GWRR shows the best performance and it has been identified that GWRR can be applied for not only PM, but also various atmospheric pollutants.
키워드열기/닫기 버튼
Particulate matter, Spatial heterogeneity, Geographically weighted regression (GWR), Geographically weighted ridge regression (GWRR)
