대기 확산 모델 동시 보정 및 원천 추정 방법

초록

본 논문은 가우시안 프로세스(GP) 에뮬레이터와 베이지안 추론을 결합해 대기 확산 모델의 파라미터 보정과 오염원 배출량 추정을 동시에 수행하는 방법을 제시한다. 고비용 PDE 모델을 GP로 근사하고, 설계점 선택에 라틴 하이퍼큐브와 최대 최소 설계를 활용한다. 실제 아연 제련소의 월간 입자 침적 데이터를 대상으로 검증했으며, 모델 파라미터와 배출량에 대한 불확실성을 정량화한다.

상세 분석

이 연구는 대기 중 입자 확산을 기술하는 방정식(∂C/∂t+∇·(vC−D∇C)=f)을 기반으로, 원천 강도 q와 모델 파라미터 θ를 동시에 추정하는 새로운 베이지안 프레임워크를 제안한다. 전통적인 역문제는 w=A(θ)q 형태의 선형 관계를 갖지만, A(θ)는 θ에 대해 비선형이며 고차원 PDE 해석이 필요해 계산 비용이 크게 늘어난다. 이를 해결하기 위해 저자들은 각 행렬 원소 a_ij(θ)를 가우시안 프로세스(GP)로 에뮬레이션한다. GP는 설계점 Θ={θ_k}_{k=1}^K에서 실제 모델 출력을 학습하고, 조건부 평균을 새로운 θ에서의 예측값으로 사용한다. 이 과정에서 예측 분산 σ_ij(θ)도 제공되어 에뮬레이터의 불확실성을 정량화한다.

설계점 선택은 라틴 하이퍼큐브 디자인(LHD)으로 초기 샘플을 균등하게 배치하고, 이후 입자 군집 최적화(particle swarm) 기반의 maximin 설계로 공간을 최대한 채우도록 보강한다. 이러한 공간‑채우기 전략은 고차원 파라미터 공간에서 GP의 예측 정확도를 크게 향상시킨다.

베이지안 추론 단계에서는 사전분포를 θ와 q에 대해 설정하고, 관측 데이터 w와 에뮬레이터 Â(θ) 사이의 오차를 가우시안 노이즈로 모델링한다. 마르코프 체인 몬테 카를로(MCMC) 샘플링을 통해 사후분포를 탐색함으로써, θ와 q의 점 추정값뿐 아니라 신뢰구간도 동시에 얻는다. 이 접근법은 기존의 단순 최적화 방식이 제공하지 못하는 불확실성 정량화를 가능하게 한다.

실제 사례 연구에서는 캐나다 브리티시컬럼비아 주 트레일에 위치한 아연‑납 제련소에서 월간 아연 입자 침적량을 측정한 데이터를 사용한다. 기존 엔지니어링 추정치와 비교했을 때, 본 방법은 모델 파라미터(예: 거칠기 길이, Monin‑Obukhov 길이 등)를 자동으로 보정하고, 배출량 q에 대한 95 % 신뢰구간을 제시한다. 결과는 보정된 θ가 모델 예측을 실측치와 더 잘 일치시키며, 불확실성 범위가 합리적인 수준임을 보여준다. 또한, GP 에뮬레이터 덕분에 전체 베이지안 추정 과정이 수십 시간에서 몇 분 수준으로 크게 단축되었다.

이 논문의 핵심 기여는 (1) 고비용 대기 확산 PDE를 GP로 효율적으로 대체하는 에뮬레이션 기법, (2) LHD와 maximin 설계를 결합한 설계점 최적화 전략, (3) 모델 파라미터와 원천 강도를 동시에 추정하면서 불확실성을 정량화하는 베이지안 프레임워크이다. 이러한 접근은 실시간 혹은 대규모 환경 모니터링 시스템에 적용 가능하며, 향후 다른 종류의 대기 오염원 추정 문제에도 확장될 여지가 크다.