Expansion of Roadside Air Pollution Monitoring Network in Seoul using Learning-based Optimization Method

Kim, TaeHo; Shin, Jihoon; Kim, YoungWoo; Lee, DoYeon; Beak, JuEun; Lee, DoYoon; Cha, YoonKyung

The Korean text of this paper can be translated into multiple languages on the website of http://jksee.or.kr through Google Translator.

J Korean Soc Environ Eng > Volume 45(3); 2023 > Article

학습 기반 최적화 방법론을 이용한 서울시 도로변대기측정망 확장

Research Paper

Journal of Korean Society of Environmental Engineers 2023; 45(3): 148-160.

Published online: March 31, 2023

DOI: https://doi.org/10.4491/KSEE.2023.45.3.148

학습 기반 최적화 방법론을 이용한 서울시 도로변대기측정망 확장

김태호¹

, 신지훈²

, 김영우²

, 이도연²

, 백주은², 이도윤², 차윤경^2,^†

¹미시간대학교 토목환경공학과

²서울시립대학교 환경공학과

Expansion of Roadside Air Pollution Monitoring Network in Seoul using Learning-based Optimization Method

TaeHo Kim¹

, Jihoon Shin²

, YoungWoo Kim²

, DoYeon Lee²

, JuEun Beak², DoYoon Lee², YoonKyung Cha^2,^†

¹Civil and Environmental Engineering Department, University of Michigan, United States of America

²Department of Environmental Engineering, University of Seoul, Republic of Korea

^†Corresponding author E-mail: ykcha@uos.ac.kr Tel: 02-6490-2872

Received February 6, 2023 Revised March 17, 2023 Accepted March 17, 2023

Abstract

Objectives

In this study, a learning-based optimization method is proposed and implemented for determining new monitoring sites when expanding the roadside air pollution monitoring network. Utilizing the bigdata available in Seoul, this decision-making tool is developed that takes into account the objectives of selecting new monitoring sites and incorporates social, economic, and environmental characteristics. The optimized results can suggest potential locations for new roadside air pollution monitoring sites. Additionally, the capability of this tool to facilitate objective decision-making processes is evaluated by determining the influence range providing reliable air pollution information with the addition of the new monitoring sites

Methods

The proposed learning-based optimization algorithm is a new approach for selecting the new optimal monitoring sites by comprehensively considering social, economic, and environmental factors aligned with the installation purpose of the monitoring system in Seoul. The algorithm starts with genetic algorithms to select candidate locations for new monitoring sites that maximize the influence area of the expanded monitoring network compared to the existing monitoring network, capture a high overall level of air pollution, and do not overlap with the existing monitoring network. After that, PROMETHEE method is applied to evaluate the solutions generated by the genetic algorithm and choose the final solution that best fits six evaluation factors (Information entropy, number of new monitoring sites, distance from point sources, wind speed, traffic volume, and population) to be considered when installing new monitoring sites

Results and Discussion

The learning-based optimization algorithm selects 10 potential new monitoring sites adding to the existing roadside air pollution monitoring network having 15 monitoring sites. The explainable spatiotemporal range of the air pollution information that can be expected after the installation of the new monitoring sites is quantified to cover 84.33% of Seoul, reducing the uncertainty of the air pollution information of existing monitoring network by 26.15%. The final solution, selected from several solutions, can get new optimal roadside air pollution monitoring sites reflecting the regional characteristics of Seoul and the installation purpose of the monitoring system by having a small number of newly established monitoring locations, being close to air pollution emissions facilities, and having a high population and traffic volume

Conclusion

The proposed learning-based optimization method, using relevant variables for the installation purpose of the monitoring system, can derive the objective solution for deciding new monitoring locations of the roadside air pollution monitoring network, considering additional social factors as opposed to urban air pollution monitoring network. The final solution obtained through the optimization algorithm has great potential for future use, as it can guide to determine practical and feasible new monitoring sites with additional on-site verification. Furthermore, this optimized approach can be applied widely during the decision-making process for the expansion of other environmental monitoring networks.

Key words: Air pollution, Roadside monitoring network, Expansion of monitoring network, Genetic algorithm, PROMETHEE

요약

목적

본 연구에서, 도로변대기측정망 확장 시 신설 측정망 지점을 결정하기 위한 학습 기반 최적화 방법론을 제시 및 적용하고자 한다. 특히 서울시에서 가용한 빅데이터를 이용하여 측정망의 설치 지점 선정 원리를 잘 반영할 수 있으며 사회·경제·환경 특성을 통합적으로 고려한 의사결정 기법을 고안하고, 기법의 최적화 결과로 잠재적인 신규 도로변대기측정망 설치 후보 지점을 도출하고자 한다. 또한, 측정망 신규 설치 시 신뢰도 있는 대기오염 정보의 확보가 가능한 범위를 산정하여 객관적인 의사결정을 지원할 수 있는 도구로서의 활용 가능성을 확인하고자 한다

방법

제시된 학습 기반 최적화 알고리즘은 서울시에서 측정망 설치 목적에 적합한 사회·경제·환경 변수를 종합적으로 고려하여 최적 신설 측정 지점을 선정하는 새로운 방법이다. 먼저 유전 알고리즘을 통해 신설 측정망 설치 시 기존 측정망과 비교해 측정망의 영향력이 최대가 되고, 전체적인 대기오염 수준이 높고, 기존 측정망과 겹치지 않는 지역에 측정소 후보 지점들을 선정할 수 있도록 학습을 진행하여 동일 수준의 복수 최적 해를 얻었다. 그 다음, PROMETHEE 방법을 적용하여 유전 알고리즘에서 도출된 해들 중 측정망 설치 시 고려해야 하는 여섯 개 평가 지표(정보 엔트로피, 측정망 설치 개수, 점 오염원과의 거리, 풍속, 교통량, 생활 인구)의 우선순위를 종합적으로 잘 만족시키는 최종 해를 결정하였다

결과 및 토의

학습 기반 최적화를 통해 서울시에서 기존에 운영되던 15개의 도로변대기측정소에서 10개의 측정망 신설 후보 지점이 선정되었다. 측정망 신규 설치 시 설명가능한 대기오염의 시공간적 범위는 서울시의 84.33%로 기존 측정망이 갖는 대기오염 정보의 불확실성을 26.15% 감소시킬 것으로 기대된다. 또한, 최종 해는 도출된 여러 해들 중 신설 후보 지점의 개수가 적고, 대기오염 배출 시설과의 거리가 가까우며 생활 인구와 교통량이 많은 곳으로 선정되어 서울시의 지역적 특성을 반영함과 동시에 기존 측정망 설치 목적에 부합하는 도로변대기측정망 신규 설치 지점이라고 판단된다

결론

제시된 최적화 방법은 측정망의 설치 목적에 적합한 변수들을 사용하여 객관적인 최종 해를 도출할 수 있는 방법으로, 도시대기측정망과 달리 사회적 요소를 추가로 고려해야 하는 도로변대기측정망의 신규지점도 도출할 수 있다. 최적화에 의해 도출된 최종 해는 실제 현장 검증과 더불어 보다 실효성 있는 신설 후보 지점을 도출할 수 있어 미래 활용 가능성이 크다. 더 나아가 구축된 최적화 방법은 다른 환경 측정망의 신규 설치 지점 결정 과정에서 범용적으로 적용할 수 있을 것으로 예상된다.

주제어: 대기오염, 도로변대기측정망, 측정망 확장, 유전 알고리즘, PROMETHEE

1. 서 론

대기오염은 지속적인 도시화와 산업화를 겪는 도시에서 인간 활동(산업 및 수송 분야 등)에 기인한 환경 오염으로, 국제적으로 한국의 대기오염도는 매우 높은 수준으로 나타난다[1]. 한국의 주요 도시에서 매년 발생하는 고농도 대기오염은 국민의 건강상 피해를 일으키며[2,3], 사회･경제적으로 직간접적인 악영향을 미치고 있다[4,5]. 한국은 대기오염에 대한 국민의 관심과 수요 증가와 함께 2013년부터 본격적으로 대기오염 예경보제가 시행되면서 대기오염을 예보하고 신속하게 대응할 수 있는 체계를 구축해왔다. 현재 대기오염측정망은 전국적으로 설치되어 운영되고 있으며 신뢰도 높은 대기환경 정보 제공을 위해 측정망을 추가하여 확대 운영하고 있다. 또한, 도시 대기측정소 외에 도로변대기, 중금속, 산성강하물, 광화학오염물질 측정망 등 다목적 대기오염측정소들을 운영함으로써 대기오염에 대한 다차원적인 정보를 얻고 이를 바탕으로 대기오염 실태 연구 및 대응 전략 수립 등에 활용되고 있다.

도로변대기측정망은 전반적인 대기오염을 측정하는 대기측정망과는 달리 전체 미세먼지의 상당량을 차지하는 수송 분야로부터 기인한 대기오염을 측정한다. 따라서, 도시대기측정망에서 파악할 수 없었던 도로변 대기오염의 상세한 정보를 취득할 수 있어 시공간적인 대기오염의 불확실성을 줄여 실제와 더욱 유사한 대기오염 정보를 파악할 수 있도록 한다. 도로변대기측정망은 자동차 통행량과 유동 인구가 많은 도로변 중 대기오염물질이 일반 대기질에 미치는 영향을 파악하기에 적절한 지점을 신설지점으로 하며, 도시대기측정소와 동일하게 10 항목(SO₂, CO, NO_x, O₃, PM_-10, PM_-2.5, 풍향, 풍속, 온도, 습도)을 측정하고 있다[6]. 현재 주요 도시를 중심으로 설치되어 있으나 보다 정확한 대기오염 파악을 위해 각 지방자치단체에서 매년 새롭게 운영되는 측정망의 개수가 증가하고 있으며 2023년 기준 전국적으로 총 56 개소가 운영되고 있다[7]. 따라서, 측정망 신설 후보 지점 중 실제 대기오염물질의 실제 대기오염물질의 시공간적 패턴에 대한 정보 손실을 최소화하고 사회·경제적인 측면을 종합적으로 고려할 수 있는 도로변대기측정망 확장의 의사결정을 도울 수 있는 객관적인 지표나 방법론 개발에 대한 심층적인 연구가 필요하다.

측정망 확장 시 데이터에 기반한 신설지점의 위치 결정은 최종 신규 측정망 설치 지점에 대해 객관성과 정당성을 부여할 수 있다. 측정망 확장에 관한 데이터 기반 의사결정 기법은 전 세계적으로 수자원[8,9], 대기[10,11], 토양[12,13] 측정망 등 다양한 종류의 환경 측정망의 신규 설치 지점 결정 혹은 재배치하는데 사용되어 왔다. 하지만 지역에 따라 측정망 설치 목적에 부합하는 변수 확보가 어렵고 축적된 데이터의 양이 부족하여 데이터 기반 최적 신설 지점 의사결정 도구 개발에 대한 제한이 있었다. 특히, 도시대기 측정망과 달리 도로변대기측정망의 경우 측정망의 특수한 설치 목적을 갖기 때문에 해당 지역의 교통량 및 유동 인구를 신규 설치 지점 선정 시 추가로 고려해야 한다. 하지만, 최근 공개 데이터 플랫폼의 대중화로 빅데이터에 대한 사용자 접근성이 용이하여 방대하고 품질 높은 데이터를 확보할 수 있어, 데이터 기반 측정망 확장 의사결정 기법의 개발이 더욱 편리해지고 이를 통해 신뢰성 높은 신규 지점 설치가 가능해질 것으로 판단된다.

최적화된 대기오염측정망 확장을 구현하기 위해서 여러 측정망 후보 지점 중 측정망 설치 목적을 가장 잘 만족시키는 지점을 식별해야 한다. 신규 설치 지점은 확장된 측정망이 신뢰도 높은 대기오염 정보를 제공할 수 있는 공간적인 면적을 최대화하여 대기오염에 대한 시공간적인 정보 불확실성을 줄이고 신설 지점에 의해 제공되는 정보와 기존 측정망의 정보가 최대한 겹치지 않는 것이 바람직하다[11,14]. 또한, 대기오염 배출원과 거리가 가까워 대기오염의 우려가 있어 지속적으로 모니터링이 요망되는 지점에 설치되어야 한다[15,16]. 최종 위치에 대한 의사결정 시, 지역의 특수한 사회･경제･환경적 조건들을 고려해야 한다. 교통량이 많아 대기질 악화가 우려되는 지점[17,18], 대기오염이 많은 사람에게 악영향을 줄 수 있는 지점[19,20], 느린 풍속으로 인해 대기오염 집중이 우려되는 지점[16,21], 낮은 측정소의 설치 비용[22,23] 등이 측정소의 최종 선정에 필요한 조건들의 예시가 될 수 있다. 하지만 국내외에서 설치 목적 및 다양한 속성들을 한꺼번에 반영하여 최적의 위치를 통합적으로 도출하는 방법론에 대한 연구들은 미미한 실정이다.

데이터 기반 대기오염 측정망 최적화의 시작은 격자로 연구 대상 지역을 분할하여 격자 중 대기오염이 가장 심각한 지점을 측정망 설치 후보 지점으로 선정한 후, 각 지점들에 대한 영향 반경을 산정하고 우선순위가 낮은 후보 지점을 제외하면서 총 영향 반경의 교집합이 최소가 되고 합집합이 최대가 되는 측정망을 구상하였다[14,24,25]. 그러나, 측정망 최적화 대상 지역의 공간적 범위가 넓어지고 정교한 위치에 측정망 설치의 필요성 증가로 격자의 크기가 작아지면서 최적화를 위해 고려해야 할 연산의 경우의 수가 기하급수적으로 증가해 효과적인 탐색 방법이 요구되었다. 최적화 기술의 발전과 함께 다목적 의사결정 방법의 일종으로 설계된 목적함수에 대해 여러 세대에 걸쳐 우수한 해들을 남겨 최종적으로 목적함수를 가장 잘 만족시키는 해집합을 찾을 수 있는 유전 알고리즘[26,27]이 대기오염측정망 최적화에 도입되어 사용되어왔다[10,16]. 하지만, 일반적으로 최대 세 개의 목적함수의 최적화가 가능하나 직관적인 의미를 갖는 목적함수가 아닌 경우 최적화에 대한 의미 해석이 난해하여 측정망의 설치 목적에 대한 추가적인 변수들이 요구될 경우 목적함수에 반영하기 어렵다. 또한, 유전 알고리즘은 최종적으로 목적함수를 잘 만족시키는 복수의 해집합을 산정함으로 추가적인 과정을 거치지 않고 여러 해 중 최종 해를 결정할 수 없었다[11]. 반면, 다속성 의사결정 방법은 여러 해들 중 다양한 속성들을 고려하여 해들의 상호비교를 통해 우선순위를 산정할 수 있는 방법으로 AHP [18]와 PROMETHEE [28] 등의 방법이 측정망 최적화에 사용된 바 있으나 비교적 고려해야 할 해의 수가적을 때 효과적이다. 본 연구에서 사용된 유전 알고리즘과 PROMETHEE 방법을 결합한 최적화 방법론은 두 방법이 갖는 단점들을 상호 보완할 수 있어 많은 경우의 수에 대한 최적화가 가능할 뿐만 아니라 다양한 속성을 갖는 해의 우선순위를 결정할 수 있다. 즉, 제안된 알고리즘은 도로변대기측정망의 측정망 설치 목적에 부합하는 목적함수를 설계하여 최적화된 해집합을 산정하고 해집합 중 지역적인 특성들을 가장 잘 반영할 수 있는 최종 해를 결정하여 최적의 측정망 신규 설치 지점을 제안할 수 있다.

본 연구에서 도로변대기측정망의 확장 시 신뢰성 있는 신설 측정망 지점을 결정하기 위한 방법론을 새롭게 제시하고자 한다. 특히 서울시에서 가용한 빅데이터를 활용하여 측정망의 설치 목적을 잘 반영할 수 있으며 사회･경제･환경 특성을 통합적으로 고려한 의사결정 기법을 고안하고 이를 통해 잠재적인 측정망 신규 설치 후보 지점을 도출하고자 한다. 또한, 최종적으로 도출된 해를 통해 측정망 신규 설치 시 신뢰성 있는 대기오염정보를 제공할 수 있는 공간적인 정보 범위를 수치화함으로써 도로변대기측정망의 확장 시 객관적인 의사결정을 지원할 수 있는 도구로서의 잠재적 가능성에 대해 확인하고자 한다.

2. 연구 방법

2.1. 자료 수집 및 도로변대기측정망 신설 후보 지점

연구 지역인 대한민국의 수도 서울(북위 37° 34′ 00″ 동경 126° 58′ 41″)은 25개의 자치구가 있으며, 면적은 605.2 km2로 대한민국 면적의 0.6%이고, 인구는 약 950만명으로 대한민국 인구의 17%를 차지한다(Fig. 1a). 서울시는 대기오염 정도를 측정하고자 각 구별 도시대기측정망과 15 개소의 도로변대기 측정망을 운영하고 있으며 6개 대기오염 항목(PM₁₀, PM_2.5, 일산화 탄소(CO), 이산화황(SO₂), 이산화 질소(NO₂), 오존(O₃)) 데이터를 시간 단위로 수집하고 있다[29].

도로변대기측정망 설치를 위한 후보지를 결정하기 위해 서울시 전체 도로 중 도로 폭의 전체 평균보다 표준 편차가 2.5배 이상인 도로들을 추출하였다. 추출한 도로 중 교차로 지점은 차량의 출발, 정지, 가속이 잦고 교통량이 많아 도로변대기오염에 의한 영향을 파악하기에 적합하다고 판단되어[30] 평면 교차로 및 입체교차로를 포함한 교차로 555 지점을 도로변대기측정망을 신설하기 위한 후보 지점으로 선택하였다(Fig. 1b). 또한, 특정 범위에서 동일한 대기질을 가정하기 위해 서울시를 500 m 그리드 총 2631개로 분할하였다. 이 중 신설 도로변대기측정망 설치 대상 후보 지점을 한 개 이상 포함하는 그리드는 총 461개이며, 선택된 그리드는 신설 측정망 설치 대상 후보 지점을 최소 한 개 이상 최대 세 개를 포함하고 있다. 선택된 그리드로부터 기존 서울시에 설치되어 있는 도로변대기측정망 15 개소를 포함한 그리드를 제외하면 최종적으로 446개 그리드가 도로변대기측정망 신설을 위한 후보 그리드로 선정되었다(Fig. 1c). 최적화 과정을 통해 후보 그리드 중 도로변대기측정망 신설을 위한 그리드가 선정되면, 해당 그리드의 중심으로부터 가장 근접한 신설 측정망 설치 대상 후보 지점이 최종적인 측정망 신규 설치 지점이 된다.

도시대기측정망 데이터로 도로변대기측정망 설치 대상 후보 그리드의 6개 대기오염 측정 항목의 2019년 시간 단위 예측 값과 각 설치 대상 후보 지점 측정소 별 2019년의 사회, 경제, 환경적 요인을 반영하기 위해 인접 생활 인구, 대기오염 배출 시설과 거리, 도로 교통 정보, 기상 정보를 고려하여 도로변대기측정망 최적화에 입력자료로 사용하였다. 이때, 인접 생활 인구는 서울시와 KT가 공공빅데이터와 통신데이터를 이용하여 추계한 서울시 인구 집계구 19,254 지점의 시간 단위 생활 인구 데이터를 활용하여[31] 각 측정망 후보 지점을 기준으로 500 m 반경에 포함되는 생활 인구 측정 지점으로부터 일평균 총 생활 인구(명)로 변환하여 최적화에 사용하였다. 대기오염 배출 시설은 공간적인 대기오염 수준을 결정하는 직접적인 오염 발생원으로 서울시 내 총 29개의 1ㆍ2종 대기오염 배출 시설의 위치 정보를 통해[31] 각 측정망 신설 후보 지점과 대기오염 배출 시설의 거리(km)를 산정하여 최적화에 반영하였다. 도로 교통 정보는 서울시 교통정보 시스템의 교통량 측정 지점 145 개소에서 시간 단위로 측정되는 총 차량 대수 자료를 취합하여[32] 측정망 신설 후보 지점에 최근접 측정 지점의 일평균 차량 대수(대)로 변환하였으며, 기상 정보는 기상청에서 운영하는 서울시 내 방재기상관측소(AWS) 30개 소에서 취득된 시간 단위 풍속(m/s)을 취합하여[33] 일평균 풍속정보로 변환 후 입력자료로 사용하였다.

2.2. 대기오염 공간 보간 모델

서울시 도시대기측정망에서 측정하는 6개의 대기오염 항목별 각각 미계측 지역에서 대기오염 패턴을 합리적으로 나타내기 위해 보간 기법을 활용하였다. 통계적 기법에 기반한 보간 방법인 크리깅 기법(Kriging)을 사용하였으며[20,34], 널리 사용되는 네 가지의 크리깅 모델(OK-Ordinary kriging, LOK-Log transformed ordinary kriging, UK-Universal kriging, EBKEmpirical Bayesian kriging)의 예측 성능을 비교하였다[35]. 모델의 성능을 판단하기 위해 교차 검증을 수행하였으며, 각 시간 단위 데이터별 훈련 데이터(80%)와 테스트 데이터(20%)를 나누고, 훈련 데이터를 이용하여 공간 보간 모델을 학습시키고 시험 데이터를 이용하여 예측 값을 산정한다. 또한, 모든 시간에 대해 시험 데이터의 예측 값과 관측 값을 통해 평가지표를 산정하여 최종 모델 성능을 산정하였다. 평가지표는 평균 제곱근 오차(Root mean squared error, RMSE) (Eq. 1)과 결정 계수(R-squared, R²) (Eq. 2)를 사용하였으며 수식의 y_obs와 y_pred는 대기오염 정보의 실측 값과 예측 값이고, yobs¯는 관찰 값의 평균을 의미한다.

(Eq. 1)

RMSE=∑i=1nyobs-ypred2n

(Eq. 2)

R2=∑i=1nyobs-ypred2∑i=1nyobs-yobs¯2

항목 별로 가장 우수한 공간 보간 모델을 결정하고 이 모델을 기반으로 산정된 미계측 지점의 대기오염 정보를 실제 값을 대체할 수 있는 예측 값으로 판단한다. 크리깅 모델과 교차 검증은 ArcGIS Pro 2.5 [36]의 기능과 파이썬 3.6.5 [37]을 사용하여 수행하였다.

2.3. 다목적 의사결정 방법

다목적 의사결정 방법(Multiple objective decision making, MODM)을 통해 도로변대기측정망 설치 후보 그리드의 여러 조합 중 대기오염 정보의 불확실성을 최소로 하면서 대기오염도를 잘 파악하고, 현재 측정 지점과의 적절한 간격이 잘 유지되도록 배치된 신설 측정망의 조합을 찾고자 한다. 특히, 강화 학습의 일종인 유전 알고리즘(Genetic algorithm, GA)을 이용하여[26], 설계된 목적함수의 조건을 가장 잘 만족하는 신설 측정 그리드 조합들의 복수 최적해를 도출할 것이다.

2.3.1. 목적함수 설계

트레이드 오프 관계에 있는 두 개의 목적함수를 설계하여 유전 알고리즘을 학습시켰다. 목적함수 구성 시, 영향 반경(Sphere of Influence, SOI)과 대기오염도 수준(Violation rate)을 수치화 하였다[11]. 이때, 측정망을 설치하기 위해 무작위로 추출된 그리드의 조합은 S, 대기오염 측정 항목의 전체 집합은 K, 전체 시간은 T로 각 변수 별 집합의 개수는 n_s, n_K, n_T 이다.

영향 반경은 기준 그리드와 정보의 관련성이 높은 그리드를 선택하여 기준 그리드에 측정망이 위치할 때 확보할 수 있는 공간적인 정보의 양을 추정하는데 사용된다[14]. 기준 그리드(s)와 다른 그리드(x) 사이의 관련성을 판단하기 위해 그리드 사이 대기오염 예측 값의 시계열 패턴을 제거한 잔차 간 상관관계(r)를 산정하고 상관 정도가 상당한(r^c = 0.9) 그리드를 특정 대기오염 항목(k)의 영향 반경으로 산정하였다(Eq. 3). 대기오염 측정 항목 별 서로 다른 영향 반경을 통합하기 위해 개별 항목의 영향 반경 들의 교집합을 선정된 그리드의 최종 영향 반경으로 판단하였다(Eq. 4, 5).

(Eq. 3)

rks,x=∑t∈Tcks,t-cks¯ckx,t-ckx¯∑t∈Tcks,t-cks¯2∑t∈Tckx,t-ckx¯2

(Eq. 4)

SOIks=x⊆X|rks,x≥rc rc=0.9

(Eq. 5)

SOIs=∩k∈KSOIks

신설 측정망 설치 후보 그리드들의 영향 반경의 전체 합집합(Ep. 6)과 교집합(Eq. 7)은 각각 측정망을 실제 설치 시 얻을 수 있는 대기오염 정보의 설명 범위와 정보 수집의 효율성을 나타낸다.

(Eq. 6)

SOIUnion=∪s∈SSOIs

(Eq. 7)

SOIIntersectiuon=∪s∈SSOIs

대기오염도가 더 높은 측정망의 조합을 선정하기 위해 대기오염 수준을 산정하였다. 특정 그리드(s)에서 대기오염 측정 항목별(k) 시간에 따라 예측된 농도를 대기오염 기준 경계 값에 따라 대응되는 오염도 수준(0-500)으로 변환하였다(Eq. 8, 9). 각 대기오염 항목의 기준은 한국에서 사용되는 통합 대기 환경지수(Comprehensive air quality index, CAI)의 기준 값을 참고하였으며[29], 오염도 수준의 점수는 오염도가 낮은 상태인 0에서 오염도가 높은 상태인 500까지로 나타낼 수 있다(Table 1).

(Eq. 8)

Violation rateks=∑t∈T∑v∈Vwkv+1-wkvcks,t-ckvckv+1-ckv·Ikvs,t/nT

(Eq. 9)

Ikvs,t=1ckv+1>cks,t≥ckv0else

특정 그리드에서 대기오염 측정 항목 별 오염도 수준이 계산되면, 산술 평균하여 해당 그리드의 오염도 수준으로 결정하였다(Eq. 10). 또한, 각 해에 포함하는 그리드들이 나타내는 종합적인 오염도 수준은 각 그리드의 오염도 수준을 기하 평균한 값으로 산정되었다(Eq. 11).

(Eq. 10)

Violation rates=∑k∈KViolation rateks/nK

(Eq. 11)

Violation rate=IIs∈SViolation rates1/ns

유전 알고리즘에서 최적화 대상이 되는 두 목적함수를 설계하였다. 첫번째 목적함수는 영향 반경 합집합과 대기오염 탐지 능력의 곱을 최대화하는 방향으로 학습되며(Eq. 12), 두번째 목적함수는 영향 반경 교집합과 신설 도로변대기측정망과 기존 도로변대기측정망의 최근접 거리(km) 평균의 역수의 곱을 최소화하는 방향으로 학습된다(Eq. 13).

(Eq. 12)

Maximize. Objective function 1: SOIUnion×Violation rate

(Eq. 13)

Minimize. Objective function 2: SOIIntersection×Distance-1

2.3.2. 유전 알고리즘

유전 알고리즘은 유전적 진화 개념을 도입하여 목적함수를 더 잘 만족시키는 방향으로 해를 찾아가는 최적화 방법으로, 부모 세대의 유전 형질의 선택(Selection), 교차(Crossover), 변이(Mutation)를 통해 우수한 유전 형질을 갖는 자손 세대가 반복적으로 세대를 이어가는 방식으로 학습을 진행한다(Fig. 2). 두 개의 목적함수를 동시에 최적화하기에 알맞은 유전 알고리즘 방법인 NSGA-II(Non-dominated sorting genetic algorithm II)를 사용하여 최적화를 진행하였다[27]. NSGA-II 알고리즘은 각 해마다 산정된 두 목적함수 값에 의한 비 지배 정렬을 통해 해의 서열을 산정하고 혼잡도 거리를 산정하여 최종적으로 우수한 복수 최적해(Pareto frontier)를 도출한다(Fig. 2).

유전 알고리즘의 적용하기 위해 측정망 설치 후보 그리드 중 측정망이 존재할 경우 1, 측정망이 존재하지 않을 경우 0으로 설정하여 총 461개의 이진 속성을 갖는 유전정보를 구성하였다. 초기해 생성시 난수를 생성하여 유전정보에 0과 1 속성을 부여하였다. 단, 현재의 도로변대기측정망의 위치를 고려하기 위해, 도로변대기측정망에서 최근접 그리드의 경우 측정망이 고정적으로 존재한다고 가정하여, 유전적인 변이가 발생하지 않도록 고정시켰다. 유전 알고리즘의 초기 개체 수, 세대 수, 변이 수를 변화시키면서 매개 변수를 조정하며 유전 알고리즘을 실행하였다. 개체 수의 경우 50, 100, 150 개체, 세대의 경우, 100, 200, 300 세대, 변이의 경우, 3, 4, 5 개의 유전자 변이를 시켰으며 총 27개의 유전 알고리즘을 시행하였다. 이때, 교차 지점은 유전자 정보의 무작위 위치를 선정하여 교차하였다. 유전 알고리즘의 마지막 세대에서 각 개체 수만큼 목적함수 1과 목적함수 2가 도출되는데 이 도출된 값의 평균을 구하고 목적함수 1의 평균(F_{1 avg})을 목적함수 2의 평균(F_{2 avg})으로 나누어 유전 알고리즘의 최종적인 성능 지표(Efficiency Index, E.I.) (Eq. 14)를 통해 27개의 유전 알고리즘의 성능 순위를 산정하였다.

(Eq. 14)

E.I.=F1 avgF2 avg

이를 통해 가장 우수한 성능을 보인 유전 알고리즘 결과를 선택하고 동일한 수준으로 목적함수 값을 갖는 복수 최적해를 도출하였다.

2.4. 다속성 의사결정 방법

다속성 의사결정 방법론(Multi-attribute decision making, MADM) 중 PROMETHEE(Preference ranking organization method for enrichment evaluation)방법을 이용하여 유전 알고리즘을 통해 도출된 복수 최적해 중 다양한 평가 속성을 이용하여 우선순위가 높은 해를 최종 최적해로 선정하였다.(Fig. 3) [38,39] PROMETHEE 방법 중 PROMETHEE-II는 상호 간 비교 불가능한 경우가 생기는 PROMETHEE-I 방법과 달리 상호 비교가 불가능한 경우를 보완하여 모든 대안들의 순위를 산정함으로써 가장 우수한 최적해를 산정하기 위해 사용되었다[40].

2.4.1. PROMETHEE-II 분석 기법

PROMETHEE-II는 평가 속성 별 선호 함수, 선호의 유출량 및 유입량을 사용하여 대안들의 순위 선호도를 도출하는 방법이다. 이는 순위 선호 체계를 기반으로 계산된 선호 유출량(Φ(a)⁺)과 유입량(Φ(a)‒)의 차인 순 흐름량(Φ(a))을 이용하여 복수 최적해의 우선순위를 구한다(Eq. 15, Fig. 3).

(Eq. 15)

ϕa=ϕa+-ϕa-

선호 유출량은 특정 대안(a)이 다른 대안들보다 얼마나 더 선호되는지를 나타내는 지표이며, 이 값이 클수록 특정 대안이 나머지 비교 대안들 보다 선호된다는 것을 의미한다. 반면, 선호 유입량은 특정 대안(a)가 다른 비교 대안들보다 얼마나 덜 선호되는지를 나타내는 지표이며, 이 값이 클수록 특정 대안이 덜 선호된다는 것을 의미한다.

선호 유출 및 유입량을 산정하기 위해, 산정된 복수 최적해에 있는 해 중 최적해를 판가름하기 위한 평가 항목 6개를 결정하였다. 이를 기반으로 각 복수 최적해의 평가 항목 값을 산정하고 최대-최소 정규화를 통해 공통의 규모로 변환하였다. 평가 항목에 따라 최댓값이 최적 해의 선택에 중요할 경우 최댓값을 1로 하고 최솟값이 최적 해의 선택에 중요할 경우 최솟값을 1로 하였다. 각 대안의 항목별 정규화 된 값들은 복수 최적 해 정규 값의 차이를 산정하여 상호 비교(Pairwise comparison)를 하게 된다. 일반적인 선호 함수로 정규 값들의 차이가 양수인 경우 그대로 두고, 0보다 작은 값인 경우 0으로 대체하여 평가 항목 별 선호 점수를 산정하였다. 각 대안의 평가 항목들의 선호 점수를 종합하여 선호 유입 및 유출량을 산정하게 된다. 선호 유출량에서 유입량을 뺀 순 흐름량 값이 큰 최적해가 평가 항목들을 종합적으로 잘 반영한 최종해로 선정하였다.

2.4.2. 평가 항목 선정

도로변대기측정망에 사회, 경제, 환경적 요소를 고려하여, 정보전달 엔트로피(Transinformation Entropy, TE), 측정망 신설 후보 그리드의 개수, 대기오염 배출 시설과 거리, 생활 인구, 도로 교통량, 풍속으로 총 6 가지 평가 항목을 고려하였다.

(1) 정보전달 엔트로피

상호 의존적인 정보의 정도로 정보전달 엔트로피가 낮을수록 정보의 독립성이 크고, 높을수록 정보의 독립성이 낮다[41]. 최적해에 포함된 그리드(s)에서 크리깅을 통해 산정된 예측값의 항목별 등급(i)과 실제 근접 측정소(m)의 항목별(k) 대기오염 실측 값의 등급(j)을 이용하여 정보 전달 엔트로피를 산정하였다(Eq. 16). 이때 항목별 등급 기준은 대기질 통합 대기환경지수에서 사용하는 등급 구간(L)을 사용하였다(Table 1).

(Eq. 16)

TEa=-∑s∈S∑k∈K∑i∈L∑j∈Lpi,j·lnpi,jpipj/ns

(2) 측정망 신설 후보 지점의 개수

복수 최적해의 각 해들이 가지고 있는 측정망 설치 대상 그리드의 총 개수를 의미하며, 그리드의 개수가 적을수록 측정망 설치 요구 개수가 적기 때문에 경제적인 측면에서 유리하다.

(3) 대기오염 배출 시설과 거리

측정망 설치 지점으로부터 근접 대기오염 배출 시설까지의 거리(D_s)를 의미하며 대기오염 배출과의 거리가 가까울수록 오염 수준이 높다[42]. 선정된 그리드로부터 인접한 대기오염 배출 시설까지의 거리 평균을 산정하였다(Eq. 17).

(Eq. 17)

Point Distancea=∑s∈SDs/ns

(4) 생활 인구

대기오염 상태에 영향을 받는 생활 인구가 많을수록 측정되는 정보의 가치가 높다[19]. 후보 설치 측정망으로부터 500 m이내에 존재하는 평균 생활 인구(P_s)로 산정되었으며, 생활 인구가 많을수록 해의 우선순위가 부여되었다(Eq. 18).

(Eq. 18)

Populationa=∑s∈SPs/ns

(5) 도로 교통량

교통량이 많은 지점과 인접 지역이 대기오염도가 높다[43]. 측정 후보 그리드와 가장 인접한 교통량 측정지점을 매칭하고 평균적인 교통량(T_s)을 산정한다(Eq. 19).

(Eq. 19)

Traffica=∑s∈STs/ns

(6) 풍속

풍속이 낮을 경우, 대기 정체로 인해 고농도 대기오염 물질의 집중 가능성을 증가시키므로 대기오염도가 높다[44]. 측정 후보 그리드와 가장 인접한 기상 측정 지점을 매칭하고 평균 풍속(V_s)을 산정한다(Eq. 20).

(Eq. 20)

Wind speeda=∑s∈SVs/ns

3. 결 과

3.1. 대기오염 측정 항목 별 최적 공간 보간 모델 선정

서울시 대기오염 측정 항목(PM₁₀, PM_2.5, 일산화 탄소(CO), 이산화황(SO₂), 이산화 질소(NO₂), 오존(O₃))에 대해 미계측 지역의 대기오염 물질 농도 값을 합리적으로 예측할 수 있는 대기오염 공간 보간 모델 기법을 선정하였다. 2019년 각 시간별 교차 검증 결과 모든 대기오염 측정 항목에 대해 공통적으로 4개의 공간 보간 모델 중 Empirical Bayesian Kriging(EBK) 방법에서 평가 지표인 RMSE와 R²를 산정한 결과 우수한 성능을 보였다(Table 2). EBK는 다른 공간 보간 방법론(OK, LOK, UK)과 비교하여 각 지표의 성능 차이는 RMSE는~0.57, R²는 ~0.16 로 나타났다(Table 2). EBK에 의해 산정된 최종 RMSE는 PM₁₀이 9.15로 가장 높았고, PM_2.5(6.83), CO(0.18), NO₂(0.007), O₃(0.005), SO₂(0.001) 순이다. 최종 결정계수의 경우, PM₁₀과 PM_2.5가 0.94로 가장 높았으며, O₃(0.88), NO₂(0.79), CO(0.65), SO₂(0.27) 순으로 나타났다.

3.2. 목적에 부합하는 복수 최적해 선정

유전 알고리즘을 통해 두 개의 목적함수의 값을 가장 잘 최적화시키는 그리드 지점을 선정하였다. 세 가지 매개변수(개체 수, 세대 수, 변이)의 조합에 따라 총 27개의 유전 알고리즘을 실행하였고, 세대가 진화함에 따라 목적함수 1은 증가하며, 목적함수 2는 감소해가는 해를 찾아간다. 총 27개의 유전 알고리즘 시행 결과, 최종 세대에서 산정된 목적함수 1의 범위는 83579.1 ~ 86250.5, 목적함수 2의 범위는 3517.1 ~ 4701.4, 목적함수 1과 2를 통해 산정된 E.I.의 범위는 18.38 ~ 23.85이다. 그 중 유전자의 개체수가 150, 전체 세대 수가 300, 진화 시 3개의 유전자 변이를 적용했을 때, 최종 세대에서 E.I.의 값이 23.85로 모든 시행 중 최대 값이 나왔으며, 이때 산정된 목적함수 1은 83869.2이고 목적함수 2는 3517.0이었다.

유전 알고리즘을 통해 최종적으로 도출된 그리드의 조합에서 해의 우선순위가 동일 선상에 있는 집합을 산정하였고, 총 20개의 프론트가 도출되었다. 여러 프론트 중 두 개의 목적함수를 동시에 가장 잘 만족시키는 프론트를 파레토 프론트 즉, 복수 최적해라고 하며, 최적화 결과 150 개체 중 37개의 해가 복수 최적해로 선정되었다(Fig. 4). 각각의 최적해는 최소 24개에서 48개의 후보 그리드 지점을 포함하고 있으며, 원래 존재하는 도로변대기측정망을 포함하는 15개의 그리드를 제외하면, 추가적으로 측정망이 설치되기 위한 후보로 최소 9개에서 최대 33개의 그리드가 선택되었다.

3.3. 다양한 판단 지표에 의한 최종 해 도출

유전 알고리즘에서 산정한 37개의 복수 최적해 중 측정망의 사회, 경제, 환경적 가치에 부합하는 최종 해를 PROMETHEE-II를 사용하여 선택하였다. 이때 우선순위를 결정하기 위해 순흐름량(Φ(a))을 여섯 개의 판단 지표(정보전달 엔트로피, 측정망 신설 후보 지점의 개수, 대기오염 배출 시설과 거리, 생활인구, 도로 교통량, 풍속)를 사용하여 산정하였다(Fig. 5). 총 37개해(Sol.1-37)의 선호 유출량(Φ(a)⁺), 선호 유입량(Φ(a)^‒), 순 흐름량(Φ(a))의 범위는 각각 0.070-0.250, 0.071-0.234, -0.163- 0.226으로 산정되었다. 이때, 가장 높은 순 흐름량을 갖는 Sol. 13가 최종 해로 선정되었다.

신설 측정망 지점을 결정하는데 미치는 판단지표의 영향력을 알아보고자 순 흐름량을 기준으로 산정된 랭킹과 각 판단 지표의 랭킹과의 상관계수를 산정하였다. 그 결과, 순 흐름량의 랭킹에 유의한 관계가 있는 항목(Kendall’s Tau, p-value <0.05)은 측정망 신설 후보 지점의 개수(0.46), 대기오염 배출 시설과 거리(0.43), 생활 인구(0.41), 교통량(0.25)였으며, 정보 전달 엔트로피(-0.09)와 풍속(0.12)의 경우 유의한 수준의 관계를 보이지 않았다. 이때, 최종 해인 Sol.13은 10개의 신설 지점을 갖고 있으며 이는 전체 해의 평균(20개)보다 적다. 생활 인구는 715명으로 전체 해의 평균(700명)보다 많은 생활 인구가 일 평균 교통량은 3073대로 전체 해의 평균(2881대)에 비해 통행량이 많다. 점오염원과의 거리는 2.4 km로 평균 2.6 km보다 더 가깝다.

3.4. 최종 측정망 신설 지점

최종 해인 Sol. 13가 포함하는 총 그리드의 수는 25개로 15개의 기존 서울시 도로변대기측정망을 포함한 그리드를 제외하고, 총 10개의 그리드가 측정망 신설 후보 지점을 포함한 그리드로 선정되었다. 그리드 내의 중복되는 도로 지점의 경우, 그리드의 중심으로부터 가장 가까운 지점을 선택하여 측정망을 설치한다고 가정하였으나, 최종 해에서 중복된 도로지점은 따로 존재하지 않았다. 그 결과, 최종 해의 그리드 내 총 10개의 도로 지점이 선택되었고, 이 10개의 제안된 신설 측정망은 도봉구, 강북구, 광진구, 강동구, 송파구, 은평구, 서대문구, 양천구, 강서구, 영등포구에 각 한 개소 씩 확장되는 것으로 나타났다(Fig. 6).

4. 고 찰

4.1. 데이터 기반 신설 측정망 위치 선정 최적화 알고리즘의 특징

연구에서 새롭게 제시된 최적화 알고리즘은 가용한 데이터를 기반으로 기존 측정망 체계에서 수많은 도로변대기측정망의 신설 후보 지점 중 최적화 목적을 가장 잘 만족시키는 지점을 선정하는 기법이다. 최적화 알고리즘은 크게 다목적 의사결정 방법인 유전 알고리즘과 다속성 의사결정방법인 PROMETHEE-II를 조합하여 최종적인 신설 지점을 도출하게 된다. 첫번째 단계인 유전 알고리즘의 목적함수 설계 시, 지침에 의거한 신규 측정망의 위치선정 원리를 반영하였다[6]. 측정망의 능력을 평가할 수 있는 영향 반경, 공간 보간 모델을 통해 미계측 지역의 대기오염 정도, 기존 도로변대기측정망과의 최근접 거리를 조합하여 두 개의 상반된 목적함수를 설계하였다. 유전 알고리즘은 이 두 목적함수 값의 차이를 극대화하는 방향으로 최적 해의 집합인 파레토 분포를 탐색한다(Fig. 2). 이 방법은 유전 알고리즘만 적용하여 측정망 신설지점을 결정할 때, 목적함수의 최적화를 통해 얻을 수 있는 파레토 분포에 위치한 해들은 우선순위가 같아 특정 해를 선택할 수 없어[11], PROMETHEE-II를 추가적으로 후단에 적용시켜 신설 측정망의 우선순위가 높은 지점을 최종적인 해로 도출할 수 있도록 개선하였다. 이를 통해, PROMETHEE-II에서 측정망 설치 시 요구되는 정보를 활용하여 최선의 측정망 위치를 선정할 수 있도록 한다.

4.2. 지역 맞춤형 최적화 기법 설계

설계된 최적화 기법은 신설 도로변 측점 지점 선정의 목적을 수행하기 위해 신규 측정소 설치 의사 결정과 관련이 있고 취득 가능한 데이터를 확보하여 지역적으로 고유한 특성을 반영한 해를 찾는 과정이다. 따라서, 연구에서 도출한 최종 제안 지점은 서울시의 지역적 특징을 반영한 서울시 맞춤형 신설 도로변대기측정망 추천 지점이라고 할 수 있다(Fig. 6). 이 지점을 도출하기 위해 서울시와 관련된 여러 정보들을 최적화 기법에 사용하였다. 우선, 유전 알고리즘의 목적함수는 서울시에 설치된 대기오염 측정소들의 위치에서 가장 멀고 신설 측정소가 측정됐을 때 정보의 불확실성을 최소화할 수 있는 지점으로 선정되도록 설계하였다. 또한, 여러 보간 모델 중 EBK 모델을 통해 실제 측정되지 않는 미계측 지역에 대한 대기오염을 예측하였고(Table 1), 이 값을 통해 통합 대기환경 지수를 사용하여 대기오염 심각도를 수치화 하여 서울시에서 대기오염의 심각도가 높은 지역이 목적함수에 부합하는 지점으로 판단되게 하였다. PROMETHEE-II에서 여섯 개의 판단 지표를 활용하여 유전 알고리즘에서 선택된 해의 우선순위를 결정하였다. PROMETHEE-II에서 사용된 측정소 설치 개수, 생활 인구 및 교통량 정보, 점 오염원의 위치 등의 여러 특성은 서울시가 갖고 있는 고유 특성으로 신설 지점의 위치를 선정하는데 영향을 미친다. 이 방법은 서울시 외에도 다른 지역의 신규 측정망 설치 시 가변적으로 활용가능성이 높은 방법으로, 그 지역에서 취득가능한 데이터를 활용하여 종합적인 기준을 가장 잘 만족시키는 측정망 후보 신설 지점을 도출할 수 있다.

4.3. 최종 도로변대기측정망 신설 지점의 잠재적 의미

기존 측정망에서 도출된 신설 지점에 도로변대기측정망 설치 시 기존 측정망 시스템이 갖는 시공간적인 정보 불확실성을 줄일 수 있을 것으로 기대된다. 개별 측정망의 영향 반경은 여섯 개의 대기오염 측정항목에 대해 각각 시공간적인 상관성이 높은 영향 반경(r^c = 0.9)을 산정한 뒤 공통 영향 반경을 측정망의 최종 영향 반경으로 산정하였다. 기존 측정망 시스템의 정보 설명 가능 영향 반경은 전체 서울 면적의 58.68%으로 나머지 41.42%의 경우 대기오염 측정망을 통해 대기오염에 대한 신뢰성 있는 정보를 얻었다고 판단할 수 없는 지역이다. 하지만, 신규 도로변대기측정망을 추가 구축할 경우, 설명가능한 정보의 영향 반경은 전체 서울 면적의 84.33% (약 1.45배)가 되며, 이는 기존 측정망 체계가 갖는 불확실성의 26.15 %를 줄일 수 있음을 의미한다(Fig. 7). 따라서, 신설 도로변대기측정망 지점 확장 시, 서울시의 도로변에서 발생하는 대기오염을 촘촘히 관측하여 전체적인 시공간적인 대기오염 발생 및 분포를 보다 정밀하게 관측할 수 있을 것으로 판단된다.

최적 알고리즘은 사회, 경제, 환경적인 요소를 고려하여 최종 신설 지점을 선정하였다. 최종 측정망을 선정하는데 신설 후보 지점의 개수, 대기오염 배출 시설과 거리, 인구, 교통량이 유의한 영향을 주는 요인으로 판단되었다. 위 요소들은 기존 신설 도로변대기측정망을 설치할 때 고려되는 변수로 최적화 알고리즘의 최종 신설 지점 선택에 영향을 미친다(Fig. 5). 최종 해에서 신설 후보 지점의 개수는 최소로 하여 경제적인 지출을 줄이면서 정보 불확실성을 최소화하는 지점들이 선택되었다. 또한, 대기오염 배출 시설과 가까이 있고 교통량이 높은 지점을 우선순위에 두어 오염원과 가까워 대기오염이 심각한 지점을 측정망 설치 지점으로 판단하였다. 뿐만 아니라, 생활 인구가 많은 지역이 대기오염이 사람에게 영향을 미칠 가능성이 높으므로 그 지점들에 설치 우선순위가 부여되었다. 결과적으로 얻게 된 최종해는 위 요소들의 의미를 종합적으로 평가할 때 그 우선 순위가 가장 높은 해이다.

다만, 최종 결정된 지점들은 그리드에 존재하는 지역을 선택한 것으로 상세한 지형 지물을 고려한 세부적인 위치 판단은 불가능하다. 따라서, 결정된 지역을 측정망 설치를 위해 현장 방문을 통해 주위의 지형지물에 대한 실제를 확인하고 적절한 지점에 대한 상세 위치를 정할 수 있을 것으로 판단된다. 따라서, 이 최적화 기술은 기존에 존재하는 의사결정 과정에서 객관적으로 대략적인 위치에 대해 추천할 수 있으며 최종적인 위치 결정을 위해 사람들의 현장 검증을 필요로 한다.

5. 결 론

서울시에서 제공되는 다양한 데이터를 종합하여 도로변대기측정망 확장을 위한 최적 신설지점을 선정하는 알고리즘을 개발하였다. 제시된 알고리즘은 빅데이터의 시대의 도래와 함께 측정망의 선정에 있어 기존에 활용되는 지침과 연계하여 보다 과학적이고 객관적인 의사결정을 지원할 수 있는 도구로써 활용성이 높을 것으로 판단된다. 또한, 전국적으로 매년 도로변대기측정망의 수가 증가하고 있으므로, 위 방법을 통해 다른 지역에서 신설측정망을 추가 설치할 때 지역적 특성을 고려한 맞춤형 신설지점을 제시할 수 있다. 더 나아가, 위 방법론은 도로변대기측정망의 확장에만 국한된 것이 아니라 수질, 토양 등 다른 환경 측정망 확장에도 적용가능성이 높을 것으로 예상된다.

Acknowledgments

본 연구는 서울시녹색환경지원센터의 연구비 지원으로 수행되었습니다(과제번호: 20-01-03-01-16). 이에 감사드립니다.

Notes

Declaration of Competing Interest

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

Fig. 1.

Study site and candidate locations of new roadside air pollution monitoring sites.

Fig. 2.

Flowchart of genetic algorithm (left) and schematic diagram of NSGA-Ⅱ (right).

Fig. 3.

Schematic diagram of PROMETHEE.

Fig. 4.

Extracting optimal solutions on the Pareto front from genetic algorithm.

Fig. 5.

Ranking of evaluation factors for multiple optimal solutions evaluated in PROMETHEE-Ⅱ.

Fig. 6.

The proposed new roadside air pollution monitoring sites from the learning-based optimization process.

Fig. 7.

Influence range of (a) existing and (b) expanded roadside air pollution monitoring network.

Table 1.

Classification of air pollution and scores for calculating the comprehensive air quality index.

	Good	Normal	Bad	Very bad
Score	0-50	51-100	101-200	251-500
PM₁₀ (㎍/m³)	0-30	31-80	81-150	≥ 151
PM_2.5 (㎍/m³)	0-15	16-35	36-75	≥ 76
CO (ppm)	0-2.00	2.01-9.00	9.01-15.00	≥ 15.01
SO₂ (ppm)	0-0.020	0.021-0.050	0.051-0.150	≥ 0.151
NO₂ (ppm)	0-0.030	0.031-0.060	0.061-0.200	≥ 0.201
O₃ (ppm)	0-0.030	0.031-0.090	0.091-0.150	≥ 0.151

Table 2.

Performance of kriging models (OK, UK, LOK, and EBK) for air pollution monitoring variables.

Monitoring variables	Model performance	OK	UK	LOK	EBK
PM₁₀	R²	0.93	0.93	0.93	0.94
PM₁₀	RMSE(㎍/m³)	9.419	9.662	9.398	9.151
PM_2.5	R²	0.93	0.93	0.93	0.94
PM_2.5	RMSE(㎍/m³)	7.396	7.548	7.420	6.825
CO	R²	0.59	0.57	0.62	0.65
CO	RMSE(ppm)	0.201	0.210	0.202	0.179
SO₂	R²	0.11	0.10	0.12	0.27
SO₂	RMSE(ppm)	0.002	0.002	0.002	0.001
NO₂	R²	0.79	0.78	0.78	0.79
NO₂	RMSE(ppm)	0.008	0.008	0.008	0.007
O₃	R²	0.87	0.87	0.88	0.88
O₃	RMSE(ppm)	0.005	0.005	0.005	0.005

References

1. OECD, Exposure to air pollution, https://stats.oecd.org, January (2019)

2. D. C. Shin, Health effects of ambient particulate matter, J Korean Med. Assoc., 50(2), 175-182(2007).

3. H. J. Bae, S. M. Lee, D. U. Jeong, K. R. Oh, S. J. Kim, J. T. Lee, Assessing the health effects of PM_2.5 constituents for establishing the health risk reducing management plan, KEI Environment Forum., 4(3), 1-20(2019).

4. Y. S. Eom, H. Oh, Health risks from particulate matters (PM₁₀) and averting behavior: Evidence from the reduction of outdoor leisure activities, Korean Econ. Assoc., 67(2), 39-70(2019).

5. M. Lee, G. H. Kim, A Study on the effects of fine dust pollution on economic damages in Seoul, J. Assoc. Korean Photo-Geo., 32(3), 30-44(2022).

6. Ministry of Environment, Guidelines for the installation and operation of air pollution monitoring network, (2021).

7. AirKorea Home Page, Information of monitoring station, https://airkorea.or.kr, January(2023)

8. S. Y. Park, J. H. Choi, S. Wang, S. S. Park, Design of a water quality monitoring network in a large river system using the genetic algorithm, Ecol. Modell., 199(3), 289-297(2006).

9. H. Alilou, A. M. Nia, H. Keshtkar, D. Han, M. Bray, A cost-effective and efficient framework to determine water quality monitoring network locations, Sci. Total Envion., 624, 283-293(2018).

10. J. Li, H. Zhang, Y. Luo, X. Deng, M. Grieneisen, F. Yang, B. Di, Y. Zhan, Stepwise genetic algorithm for adaptive management: Application to air quality monitoring network optimization, Atmos. Environ., 215, 116894(2019).

11. Y. Hao, S. Xie, Optimal redistribution of an urban air quality monitoring network using atmospheric dispersion model and genetic algorithm, Atmos. Envion., 177, 222-233(2018).

12. W. Zhang, J. Han, A. Molla, S. Zuo, Y. Ren, The optimization strategy of the existing urban green space soil monitoring System in Shanghai, Int. J. Environ. Res., 18(9), 4820(2021).

13. A. M olla, S. Zuo, W. Zhang, Y. Qiu, Y. Ren, J. Han, Optimal spatial sampling design for monitoring potentially toxic elements pollution on urban green space soil: A spatial simulated annealing and k-means integrated approach, Sci. Total Envion., 802, 149728(2022).

14. M . K. Liu, J. Avrin, R. I. Pollack, J. V. Behar, J. L. M cElroy, Methodology for designing air quality monitoring networks: I. Theoretical aspects, Environ. Monit. Assess., 6, 1-11(1986).

15. D. A. Sarigiannis, M. Saisana, Multi-objective optimization of air quality monitoring, Environ. Monit. Assess., 136(1), 87-99(2008).

16. K. Z. Benis, E. Fatehifar, S. Shafiei, F. K. Nahr, Y. Purfarhadi, Design of a sensitive air quality monitoring network using an integrated optimization approach, Stoch. Envion. Res. Risk Assess., 30(3), 779-793(2016).

17. C. H. Chen, W. L. Liu, C. H. Chen, Development of a multiple objective planning theory and system for sustainable air quality monitoring networks, Sci. Total Environ., 354(1), 1-19(2006).

18. A. Mofarrah, T. Husain, A holistic approach for optimal design of air quality monitoring network expansion in an urban area, Atmos. Environ., 44(3), 432-440(2010).

19. A. Kim, C. Kwon, Study on optimal location of air pollution monitoring networks in urban area using GIS: focused on the case of Seoul City, J. Soc. Disaster Info., 12(4), 358-365(2016).

20. J. C. Jeong, Selection of new particulate matter monitoring stations using kernel analysis-elementary schools, LX Spatial Info. Res. Ins., 49(2), 83-92(2019).

21. M. Chen, S. Wang, Q. Xu, Multiobjective optimization for air-quality monitoring network design, Ind. Eng. Chem. Res., 54(31), 7743-7750(2015).

22. J. Zheng, X. Feng, P. Liu, L. Zhong, S. Lai, Site location optimization of regional air quality monitoring network in china: methodology and case study, J. Environ. Monit., 13(11), 3185-3195(2011).

23. K. Wang, H. Zhao, Y. Ding, T. Li, L. Hou, F. Sun, Optimization of air pollutant monitoring stations with constraints using genetic algorithm, J. High Speed Netw., 21(2), 141-153(2015).

24. J. Langstaff, C. Seigneur, L. Mei-Kao, J. Behar, J. L. McElroy, Design of an optimum air monitoring network for exposure assessments, Atmos. Envion., 21(6), 1393-1410(1697).

25. P. M. Modak, B. N. Lohani, Optimization of ambient air quality monitoring networks: (Part I), Environ. Monit. Assess., 5(1), 1-19(1985).

26. M. Mitchell, An introduction to genetic algorithms, MIT press publishing, USA, (1998).

27. K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, A fast and elitist multiobjective genetic algorithm: NSGA-II, IEEE Trans. Evol. Comput., 6(2), 182-197(2002).

28. A. Orlowski, M. Marc, J. Namiesnik, M. Tobiszewski, Assessment and optimization of air monitoring network for smart cities with multicriteria decision analysis, in Proceedings of the 9th Asian Conference, ACIDS 2017, Kanazawa, Japan, Part 2, 9, pp. 531-538(2017).

29. Seoul Metropolitan Government Home Page, The Seoul Clean Air Pollution Information, https://cleanair.seoul.go.kr, January (2023).

30. M. S. Hong, W. G. Woo, J. I. Choi, A study on the variation of air pollutants emission rates for different traffic signal system in metropolitan area, J. Kapra., 9(1), 93-100(1993).

31. Seoul Metropolitan Government Home Page, The Seoul Open Data, https://data.seoul.go.kr, January(2023)

32. Seoul Metropolitan Government Home Page, The Seoul Transport Operation and Information Service, https://topsis.seoul.go.kr, January(2023)

33. Korea Meteorological Administration Home Page, Meteorological Data Open Portal, https://data.kma.go.kr, January(2023)

34. E. C. Yoo, O. H. Park, Optimization of air quality monitoring networks in Busan using a GIS-based decision support system, J. KOSAE., 23(5), 526-538(2007).

35. D. Katz, A. Kuhn, J. Sullivan, M. Cantwell, Optimization of sampling design to determine the spatial distributions of emerging contaminants in Estuaries, in Proceedings of Coastal and Estuarine Research Federation (CERF) 24th Biennial Conference., RI, 338551(2017).

36. Esri Inc. ArcGIS Pro (version 2.5) Home Page, https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview, February(2020)

37. G. Van Rossum, F. L. Drake, The Python Language Reference Manual CWI Publishing, Amsterdam(1995).

38. J. P. Brans, Y. De Smet, PROMETHEE methods, Multiple criteria decision analysis, 187-219(2016).

39. J. P. Brans, P. Vincke, B. Mareschal, How to select and how to rank projects: The PROMETHEE method, Euro. J. Oper. Res., 24(2), 228-238(1986).

40. C. L. Hwang, K. Yoon, Methods for multiple attribute decision making, Lecture Notes in Economics and Mathematical Systems, 186, (1981).

41. C. E. Shannon, A mathematical theory of communication, ACM SIGMOBILE mobile computing and communications review 5(1), 3-55(2001).

42. S. Kim, S. Lee, C. Kim, J. Kim, Estimation of air pollutant source contribution to air quality management in the Dalseong area, Atmos. Envion., 232, 117951(2020).

43. H. J. Kim, M. J. Jun, Analysis on relationship between urban development characteristics and air pollution level, J. Korea Plan. Assoc., 49(7), 151-167(2014).

44. J. Eum, H. Kim, Effects of air pollution on assaults: Findings from South Korea, Sustainabililty., 13(20), 11545(2021).