공기오염 동시예측을 위한 이변량 시공간 다운스케일러

본 논문은 오존과 미세먼지(PM2.5)라는 두 주요 대기오염 물질을 동시에 예측하기 위한 통계적 융합 모델을 개발한다. 두 물질 모두 EPA가 규제하는 ‘기준 오염물질’이며, 각각의 관측 데이터와 복잡한 대기화학·물리 과정을 시뮬레이션한 CMAQ(Community Multiscale Air Quality) 모델 출력이 존재한다. 그러나 관측소는 공간적으로 희소하고, PM2.5는 3일 간격으로 측정되는 등 시간적 불일치가 심각하며, 관측소와 모델 격자(12 km) 사이의 해상도 차이도 존재한다. 이러한 ‘공간·시간 불일치’와 두 물질 간 상관관계를 동시에 고려한 모델이 부족한 상황에서, 저자는 기존 단변량 다운스케일러를 확장한 이변량 시공간 다운스케일러를 제안한다. 데이터는 2002년 6월 1일부터 9월 30일까지 미국 남동부 지역(226개 관측소)에서 수집된 일일 오존(최대 8시간 평균)과 PM2.5(24시간 평균) 측정값, 그리고 동일 기간에 12 km 격자로 생성된 CMAQ 예측값을 사용한다. 관측소 중 71곳은 오존만, 50곳은 PM2.5만, 105곳은 두 물질을 모두 측정한다. PM2.5는 11곳만이 매일 측정하고 나머지는 3일·6일 간격으로 측정돼 시간적 결측이 많다. 관측값은 오존은 제곱근 변환, PM2.5는 로그 변환을 적용해 정규성을 확보한다. 모델은 베이지안 계층구조를 채택한다. 관측값 \(Y(s,t)\)는 모델 출력 \(X(s,t)\)와 공간적으로 변하는 회귀계수 \(\beta(s)\)의 선형 결합으로 표현한다. 회귀계수는 6차원 다변량 정규 과정으로 가정해, 공간적 상관과 오염물질 간 상관을 동시에 모델링한다. 구체적으로 절편, 오존에 대한 회귀계수, PM2.5에 대한 회귀계수 각각을 두 물질에 대해 정의함으로써 총 6개의 공간적 과정이 생성된다. 이 과정들은 코레골리제이션 모델을 통해 공분산 행렬을 구성하고, 파라미터는 역방향 샘플링(MCMC)으로 추정한다. 시간적 차원은 각 일자를 독립적인 관측으로 처리하면서도, 동일한 공간적 회귀계수를 공유하도록 설계한다. 따라서 PM2.5가 측정되지 않은 일자에도 오존 관측을 이용해 회귀계수를 보정할 수 있다. 계산 효율성을 위해 차원 축소와 블록드 MCMC, 사전 정의된 공분산 구조를 활용해 10 504개의 격자와 226개의 관측소를 동시에 다룰 수 있었다. 모델 적합 후, 관측소를 무작위로 훈련·검증 집합으로 나누어 교차검증을 수행했다. 평가 지표는 평균제곱오차(RMSE)와 예측 점수(CRPS)이며, 이변량 다운스케일러는 단변량 모델 대비 오존 RMSE에서 약 4 %, PM2.5 RMSE에서 약 5 %의 개선을 보였다. 특히, PM2.5가 관측되지 않은 위치에서 오존 정보를 활용한 예측이 크게 향상되었다. 그러나 전체적인 성능 향상이 제한적인 이유는 두 물질 간 상관이 강하지만 선형 회귀가 복잡한 화학 반응을 완전히 포착하지 못하기 때문이다. 논문은 또한 모델의 한계와 향후 연구 방향을 제시한다. 현재 모델은 정규성을 전제로 하며, 비정규(예: 베타, 감마) 분포나 비선형 회귀(스플라인, 신경망) 도입이 필요하다. 또한, 동적 베이지안 구조를 강화해 시간적 상관을 명시적으로 모델링하고, 더 높은 해상도(4 km) CMAQ 출력과 결합하는 방안도 논의한다. 마지막으로, 정책적 활용을 위해 예측 불확실성을 정량화하고, 위험 기반 의사결정에 적용하는 연구가 필요함을 강조한다.