검색
검색 팝업 닫기

Ex) Article Title, Author, Keywords

Article

Split Viewer

Original Article

J Environ Health Sci. 2022; 48(6): 298-305

Published online December 31, 2022 https://doi.org/10.5668/JEHS.2022.48.6.298

Copyright © The Korean Society of Environmental Health.

Existing Population Exposure Assessment Using PM2.5 Concentration and the Geographic Information System

지리정보시스템(GIS) 및 존재인구를 이용한 초미세먼지(PM2.5) 노출평가

Jaemin Woo1 , Gihong Min1 , Dongjun Kim1 , Mansu Cho1 , Kyeonghwa Sung2 , Jungil Won3 , Chaekwan Lee4 , Jihun Shin1* , Wonho Yang1,2*

우재민1, 민기홍1, 김동준1, 조만수1, 성경화2, 원정일3, 이채관4, 신지훈1*, 양원호1,2*

1Department of Health and Safety, Daegu Catholic University, 2Center of Environmental Health Monitoring, Daegu Catholic University, 3Department of Environmental and Health, Chungbuk Provincial University, 4Institute of Environmental and Occupational Medicine, Medical School, Inje University

1대구가톨릭대학교 보건안전학과, 2대구가톨릭대학교 환경보건모니터링센터, 3충북도립대학교 환경보건학과, 4인제대학교 의과대학 환경ㆍ산업의학연구소

Correspondence to:Jihun Shin: Department of Health and Safety, Daegu Catholic University, 13-13 Hayang-ro, Hayang-eup, Gyeongsan 38430, Republic of Korea
Tel: +82-53-850-3739
Fax: +82-53-850-3736
E-mail: shinjs1130@naver.com
Wonho Yang: Department of Health and Safety, Daegu Catholic University, 13-13 Hayang-ro, Hayang-eup, Gyeongsan 38430, Republic of Korea
Tel: +82-53-850-3739
Fax: +82-53-850-3736
E-mail: whyang@cu.ac.kr

Received: November 23, 2022; Revised: December 10, 2022; Accepted: December 16, 2022

This is an open-access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Highlights

ㆍExposure assessment was conducted through the GIS method and existing population data provided by public institutions.
ㆍThe average PWAC was 22% higher in Wonju-si, compare to Guro-gu.
ㆍThis study may be useful in the assessment of exposure in a population with a narrow range of activity.

Graphical Abstract

Background: The concentration of air pollutants as measured by the Air Quality Monitoring System (AQMS) is not an accurate population exposure level since actual human activities and temporal and spatial variability need to be considered. Therefore, to increase the accuracy of exposure assessment, the population should be considered. However, it is difficult to obtain population data due to limitations such as personal information.
Objectives: The existing population defined in this study is the number of people in each region's grid. The purpose is to provide a methodology for evaluating exposure to PM2.5 through existing population data provided by the National Geographic Information Institute.
Methods: The selected study period was from October 26 to October 28, 2021. Using PM2.5 concentration data measured at the Sensor-based Air Monitoring Station (SAMS) installed in Guro-gu and Wonju-si, the concentration for each grid was estimated by applying inverse distance weights through QGIS version 3.22. Considering the existing population, population-weighted average concentration (PWAC) was calculated and the exposure level of the population was compared by region.
Results: The outdoor PM2.5 concentration as measured through the SAMS was high in Wonju-si on all three days. Wonju-si showed an average 22% higher PWAC than Guro-gu. As a result of comparing the PWAC and outdoor PM2.5 concentration by region, the PWAC in Guro-gu was 1~2% higher than the observed value, but it was almost the same. Conversely, observations of Wonju-si were 10.1%, 11.3%, and 8.2% higher than PWAC.
Conclusions: It is expected that the Geographic Information System (GIS) method and the existing population will be used to evaluate the exposure level of a population with a narrow activity radius in further research. In addition, based on this study, it is judged that research on exposure to environmental pollutants and risk assessment methods should be expanded.

KeywordsPM2.5, existing population, geographic information system, population exposure

세계적으로 대기오염을 줄이기 위한 노력을 지속하고 있지만, 대기오염은 사람들의 건강에 심각한 악영향을 미치고 있는 것으로 보고되고 있다.1) 세계보건기구(World Health Organization, WHO)에 따르면 전 세계 인구 10명 중 9명이 높은 수준의 대기오염물질이 포함된 공기를 흡입한다고 발표하였다.2) 그 중 초미세먼지(fine particulate matter, PM2.5)는 주된 위험 요소 중 하나이며, 천식 악화, 만성폐쇄성폐질환과 같은 호흡기계 관련 질환과 심혈관계, 피부질환 등의 발생률을 높일 수 있다.3) WHO에 따르면 PM2.5 농도가 10 μg/m3 증가함에 따라 심폐질환으로 인한 사망률이 6~13% 증가할 수 있으며, 서울시 호흡기질환 사망과의 연관성 연구는 PM2.5 농도가 22.6 μg/m3증가할 경우 총 호흡기질환의 사망 건수 8.2%를 증가시키는 것으로 나타났다.4,5) 홍콩의 18세 미만의 어린이를 대상으로 천식으로 인한 입원 위험을 분석한 결과 PM2.5 농도가 20.6 μg/m3 증가 시 입원율은 3.24% 증가하는 것으로 평가하였다.6) PM2.5에 대한 건강영향이 전 세계적으로 주요 관리 대상 유해인자로 인식이 확대되고 있다.

이러한 PM2.5의 건강위해를 인지하고 국내에서도 대기환경기준(일평균 35 μg/m3, 연평균 15 μg/m3)으로 관리하고 있다.7) 환경부는 1995년부터 대기오염도와 대기환경기준 달성 여부를 파악하기 위해 대기오염측정망(Air Quality Monitoring System, AQMS)을 운영하고 있다.8) 2005년부터 전국 에어코리아(Air Korea)에서 측정소의 대기오염도 정보를 대중에게 실시간 제공하고 있으며, 대기환경 오염물질로 인한 노출을 관리하고 있다.9) 그런데도 국내의 많은 지역에서 대기환경기준을 초과하고 있어 대기오염물질 노출의 체계적인 관리 방안이 요구되고 있다.

환경부에서 제공하는 AQMS의 자료를 이용하여 국내의 각 지역에 대한 대기오염을 평가한 선행 연구들이 다수 수행되었다. 오늘날까지 진행된 선행 연구는 서울, 수도권과 같은 대도시 및 배출원이 뚜렷한 공업지역 등을 중심으로 이루어져 그 외 지역을 평가하는 연구가 부족한 실정이다.10) 대기오염은 특정 배출원을 가지고 있는 지역의 문제뿐만 아니라 기후요소로 인한 대기오염의 지역 간 이동, 인구밀도, 지리적 특성 등이 다르므로 각 지역의 특성을 고려한 연구가 필요하다.

대기오염 건강 위해성평가는 대기오염 노출로 인한 사망 및 질병 등의 변화를 수치로 정량화함으로써 건강 영향을 추정하고 이를 줄이기 위한 정책 결정의 근거로 활용되고 있다.11) 기존의 역학 연구는 AQMS에서 측정된 대기질의 정보를 이용하여 지리정보시스템(Geographic Information System, GIS)과 대기 확산 모델 등의 모델링 방법 등을 통해 미측정 지점에 대한 노출 및 위해성 평가를 실시하였다.12) 그러나 사람이 거주하는 지역과 비거주지역이 존재하며, AQMS의 경우 해당 지역을 대표하는 농도 값으로 실제 거주하는 지점과 측정소 간의 거리가 늘어날수록 정확도가 떨어진다.13) 그리고 AQMS에서 측정된 농도는 대기질의 농도일 뿐, 인구집단에 대한 실제 노출 수준을 대표할 수 없다.14) 따라서 정확한 인구집단의 노출 수준을 평가하기 위해서 인구에 대한 고려가 필요하다.

대기환경 오염물질에 대한 인구집단의 정확한 노출평가를 위해 유동인구(dynamic population) 데이터를 이용하여 노출평가의 정확도를 향상시켜왔다.15) 그러나 인구에 대한 데이터는 실제 사람의 이동에 관한 자료이기 때문에 자료 수집의 많은 시간과 비용이 소요되며, 개인정보 등으로 인해 쉽게 확보할 수 없다는 한계가 있다.16)

본 연구에서는 GIS를 이용한 보간법(interpolation)을 통해 추정된 실외 PM2.5 농도와 국토교통부의 국토지리정보원에서 제공하는 존재인구 데이터를 바탕으로 인구 가중 평균농도 (Population-Weighted Average Concentration, PWAC)를 산출하여 지역별 인구집단의 특성에 따른 인구집단 노출 수준의 차이를 확인하는 것이다. 이를 통해 지역적 특성을 반영한 대기질의 관리 방향을 제공할 수 있으며, 대기환경 오염물질에 취약한 인구집단의 노출 및 위해성평가의 방법론을 제공하는 것에 기여하고자 한다.

1. 실외 PM2.5 농도

실외 PM2.5 농도는 지역사회의 대기질 감시체계 구축을 위해 서울시 구로구와 강원도 원주시에 설치 운영 중인 센서 기반 측정망(Sensor-based Air Monitoring Station, SAMS)을 이용하였다(Fig. 1). 연구에서 사용된 SAMS는 PM2.5 농도, 온도 및 상대습도를 측정할 수 있는 센서를 기반으로 한 모니터링 장치이며, 농도 측정값은 1분마다 수집된다. 두 지역의 인구학적 특성, 배출원, 지형 및 기상 등 다양한 요인을 고려하여 공간 대표성을 가지는 위치에 구로구는 24대, 원주시는 25대의 SAMS가 설치되어 운영 중이다. 이를 이용하여 2021년 10월 26일부터 2021년 10월 28일까지 측정된 1시간 단위의 실외 PM2.5 농도를 추출하여, 일 평균농도로 변환하였으며 노출평가의 신뢰도를 높이기 위해 수집된 격자별 존재인구 데이터의 기간에 맞춰 선정하였다. SAMS를 통해 실측된 PM2.5 농도 데이터는 공공기관을 위해 개발된 G-Cloud (Government Cloud)에서 이상치(outlier)를 개발된 알고리즘에 의해 처리된 데이터를 제공받았다.17) SAMS의 입자 포집 방식은 입자에 산란되는 빛의 양으로 입자의 광학적인 크기와 개수를 통해 실시간 포집하는 광산란법을 이용하였다. PM2.5 농도의 정확도 향상을 위해 환경적인 요인(온도, 상대습도)을 통해 발생할 수 있는 측정 오류는 기기의 전처리 제어 장치를 통해 보완하였다. PM2.5 농도의 정확도는 대기오염측정소와 동일한 위치에 센서-기반 측정기를 설치하여 모니터링된 값을 비교하는 Co-location test를 통해 결정계수(coefficient of determination, R2)는 0.957이었고 AQMS에 비해 SAMS가 다소 낮은 관측값을 제공했지만, 본 연구에서는 별도의 보정계수를 적용하지 않고 데이터를 적용하였다.18)

Figure 1.Location of sensor-based air monitoring station in Guro-gu (N=24) and Wonju-si (N=25)

2. 연구대상 지역 선정 및 존재인구 분포

본 연구는 지역 간의 인구집단에 대한 PM2.5 노출을 비교하기 위해 대도시인 서울시 구로구와 비교적 농지가 많은 강원도 원주시를 대상 지역으로 선정하였다. 각 지역의 격자별 인구분포 자료는 공공기관인 국토교통부의 국토지리정보원(https://www.ngii.go.kr/)에서 제공하고 있으며, 국토통계지도의 격자별 인구 통계자료를 이용하여 2021년 10월 기준 격자별 존재인구(existing population) 자료를 수집하였다.19) 존재인구는 1일 24시간 동안 유동이 없이 그 지역에 존재하는 인구이며, 각 지역의 격자 안의 총인구수를 존재인구로 하였다. 구로구는 전체 면적 20.12 km2에 대해 100 m×100 m 크기의 격자로 총 2,211개로 나누었으며, 원주시는 전체 면적 867.6 km2를 1 km×1 km 크기로 총 979개로 나누어 적용하였다. 인구집단에 대한 정확한 노출평가를 진행하기 위해 각 지역의 공간 내삽에 적합한 공간 해상도를 선정하여 연구에 활용하였다.20)

3. 대기오염 농도 예측 모델링

본 연구에서는 GIS를 이용하여 실외 PM2.5 농도 및 격자별 존재인구 분포에 대한 시각화를 실시하였다. GIS는 넓은 의미에서 지리적인 위치를 갖는 대상의 위치자료와 그 위치의 특성 정보인 속성자료를 통해 지도, 그림 및 도표와 같은 정보를 제공한다. 공간 모델링을 위해 실외 일 평균 PM2.5 농도를 산출하여 속성자료로 이용하였고, 각 지역의 SAMS가 설치된 위치의 위성 좌표계(WGS-84)를 위치자료로 사용하였다. 지리정보 체계 오픈소스 프로그램(Qgis, 3.22)을 사용하여 보간법(interpolation)을 실시하였으며, 보간법 중 역거리 가중법(Inverse Distance Weighted, IDW)을 통해 각 지역의 전체 격자에 대한 일별 농도를 추정 및 시각화하였다(식 (1)).

zp=i=1nziwii=1nwi

여기서 zp는 예측지점의 예측값, zi는 i 지점에서의 측정된 농도, wi는 보간법을 이용한 가중치 농도이며, n은 보간법에 사용된 SAMS의 개수이다.

4. 인구집단 노출

구로구와 원주시에서 추정된 격자별 PM2.5 농도와 존재인구 분포를 사용하여 각 지역의 격자에 해당하는 인구의 PM2.5 노출을 식 (2)와 같이 평가하였으며, 이를 시각화하였다.

PopulationExposure=co×po

여기서 co는 실외 노출농도이며, po는 실외 인구수이다.

각 지역의 전체 인구집단의 PM2.5 노출 수준을 비교하기 위해 인구 가중 평균농도(Population-Weighted Average Concentration, PWAC)를 산출하였다. PWAC는 각 격자의 노출농도에 존재하는 인구수를 가중하여 산출하였다(식 (3)).

PWACμg/m3= o=1ncopop

여기서 Co는 격자 n의 실외 노출농도, Po는 격자 n의 실외 인구수, P는 전체 격자에 대한 존재인구수의 총합이다.

1. 실외 PM2.5 농도

각 연구대상 지역에 설치된 SAMS를 통해 측정된 PM2.5 농도를 분석하여 Table 1과 같이 나타내었고, IDW를 통해 추정된 지역별 일 평균 노출농도를 시각화하였다(Fig. 2). 구로구의 PM2.5 농도는 각각 25.3±11.1 μg/m3, 42.4±18.1 μg/m3, 22.8±17.3 μg/m3였다. 원주시는 각각 46.4±30.3 μg/m3, 62.0±42.1 μg/m3, 26.7±18.4 μg/m3로 구로구와 비교하여 21.1 μg/m3, 19.6 μg/m3, 3.9 μg/m3 높았다. 구로구의 경우 둘째 날의 농도가 42.4±18.1 μg/m3로 대기환경기준 35 μg/m3를 1일 초과하였다. 구로구와 비교하여 원주시의 경우 첫째 날과 둘째 날의 농도가 46.4±30.3 μg/m3, 62.0±42.1 μg/m3였으며, 2일 초과하였다. 구로구와 비교하여 원주시가 측정 기간 모두 실외 PM2.5 농도가 높았다. 특히 첫째 날과 둘째 날은 약 20 μg/m3 정도 높았고, 셋째 날은 4 μg/m3 정도 높았다.

Table 1 Summary of outdoor PM2.5 concentration data measured at a sensor-based air monitoring station located at each study area

Target areaDateNMean±SDGM (GSD)MinMaxPercentile
25%50%75%95%
Guro-guOct 26th (Tue)52825.3±11.123.1 (2.3)8.067.417.123.130.946.4
Oct 27th (Wed)52842.4±18.139.3 (1.5)14.5111.530.438.552.279.3
Oct 28th (Thu)52822.8±17.316.9 (2.1)3.590.99.915.632.260.1
30.2±15.5
Wonju-siOct 26th (Tue)52446.4±30.339.1 (1.8)8.1210.826.438.559.998.3
Oct 27th (Wed)53262.0±42.150.6 (2.0)8.6288.231.653.779.6149.4
Oct 28th (Thu)53526.7±18.423.1 (1.7)6.0294.616.622.831.754.8
45.0±30.3

Mean: arithmatic average, SD: standard deviation, GM: geometric mean, GSD: geometric standard deviation.


Figure 2.Visualization of outdoor PM2.5 concentrations by study area using inverse distance weighted

2. 존재인구 평가

국토지리정보원에서 제공하는 공공데이터를 통해 구로구와 원주시의 격자별 존재인구수를 시각화하여 비교하였다(Fig. 3). 2021년 10월을 기준으로 구로구는 2,211개의 격자(100 m×100 m) 안에 약 396,288명이 거주하고 있었으며, 원주시는 979개의 격자(1 km×1 km) 안에 약 353,971명이 거주하고, 구로구와 비교했을 때 약 4만 명 정도 적었다. 구로구는 산간 지역을 제외한 주거지역과 상업지역에 인구가 고르게 분포되어있는 반면, 원주시는 국토 대부분이 임야로 이루어져 있으며 원주 시청을 중심으로 도심지 한곳에 인구밀집도가 높게 나타났다.

Figure 3.Visualization of the number of existing populations by grid (100 m by 100 m, 1 km by 1 km) of Guro-gu and Wonju-si

3. 인구집단 노출평가

국토지리정보원에서 제공하는 존재인구수와 각 지역에 설치된 SAMS에서 실측된 PM2.5 농도를 통해 IDW를 사용하여 추정된 농도를 가지고 격자별 인구 노출을 시각화하였다(Fig. 4). 이를 통해 각 연구대상 지역의 PWAC를 산출하여 비교하였다(Fig. 5). 구로구의 3일간 PWAC는 각각 25.5 μg/m3, 43.3 μg/m3, 23.1 μg/m3였다. 원주시는 각각 41.7 μg/m3, 55.0 μg/m3, 24.5 μg/m3로 나타났으며, 구로구와 비교하여 38.8%, 21.3%, 5.9% 높았다. 원주시의 3일 평균 PWAC가 22% 높았다. 각 지역에서 인구를 가중하여 산출된 PWAC와 실외 PM2.5 농도를 비교하였을 때 구로구는 PWAC가 약 1~2% 증가하였지만 거의 유사하였고, 원주시는 관측값이 PWAC보다 약 10.1%, 11.3%, 8.2% 높았다.

Figure 4.Visualization of population exposure by study area, calculated using existing population and projected PM2.5 concentrations per grid

Figure 5.Comparison of population weighted average concentration between Guro-gu and Wonju-si

본 연구에서는 서울시 구로구와 강원도 원주시의 공간보간기법을 통해 추정된 실외 PM2.5 농도와 국토지리정보원에서 제공하는 존재인구수를 통해 PWAC를 산출하여 대기환경 오염물질에 대한 지역별 인구집단의 노출 수준을 비교하였다. 국토지리정보원에서 제공하는 2021년 10월의 격자별 존재인구를 사용하였으며 이에 맞춰 연구 기간을 2021년 10월 26일(화), 27일(수), 28일(목)로 선정하였다. 선정된 연구 기간은 센서 기반 측정망의 실측에 영향을 주는 기상인자(비, 황사 등)를 고려하였으며, 연구 기간 동안 황사나 비 등은 관측되지 않았다.

사람의 활동과 인구 유동 데이터를 통해 대기오염물질에 대한 인구집단의 노출평가를 진행한 연구가 보고되었다. 그러나 인구에 대한 데이터는 비용적인 측면과 개인정보 등으로 연구에 활용하기 어렵다. 반면, 공공기관에서 제공하는 존재인구 데이터는 인구집단 노출평가의 대안이 될 수 있다. Kim (2021) 등21)의 연구에 따르면 유동인구 데이터를 활용한 연구를 통해 사람의 활동량 감소가 대기오염물질의 노출 수준을 낮춘다고 보고하였다. Heo (2022)22)의 군집 별 이동 거리에 관한 연구를 통해 영유아, 주부, 노인과 같은 취약계층의 활동 반경은 1 km 미만인 것으로 나타났다. 본 연구는 각 지역의 존재인구수와 공간보간기법을 통해 추정된 PM2.5 농도를 격자별(100 m×100 m, 1 km×1 km)로 공간 해상도를 증가시켰으며, 이를 통한 인구집단의 노출평가는 활동 반경이 좁은 인구집단에 적합할 수 있다.

실외 PM2.5 농도는 각 연구대상 지역에 설치된 센서 기반 측정망을 통해 실측된 데이터를 공공기관으로부터 수집하여 연구를 수행하였다. 대기오염측정망과 센서 기반 측정기의 정확도를 비교한 평가는 이전 많은 선행 연구를 통해 수행되었다. Gupta (2018) 등23)의 연구에 따르면 2016년 12월부터 2017년 1월까지 미국 캘리포니아주에서 센서의 성능을 평가하기 위해 수행된 현장 평가에서 대기오염측정망과 센서 기반 장비인 3대의 PA-11을 통해 측정된 PM2.5 농도의 상관성을 분석한 결과 결정계수(R2)가 90% 이상으로 우수한 성능을 보였다. Liu (2019) 등24)의 연구에 따르면 등가성 평가를 거친 대기오염측정망에서 측정된 PM2.5 농도를 센서 기반 측정기에서 실측된 농도와 비교했을 때 R2는 0.55에서 0.71 사이로 상관성이 높았다. Gupta (2018) 등23)과 Liu (2019) 등24)의 센서 검증 결과와 비슷하게 본 연구에서도 대기오염측정망과 센서 기반 측정망의 Co-location test 결과 R2가 0.957로 높은 상관관계를 보였다. 센서 기반 측정망은 저비용으로 추가적인 설치를 통해 공간 해상도를 향상시킬 수 있고 시공간적인 농도 변화가 분석 가능하여 대기오염측정망이 가진 한계점을 보완할 수 있다. 이를 통해 인구집단에 대한 노출평가를 고도화할 수 있다고 본다.

SAMS를 통해 실측된 실외 PM2.5 농도를 이용하여 각 지역의 농도 수준을 비교하였고 공간보간기법 중 IDW를 통해 시각화하였다. 공간보간기법은 관측된 지점의 값을 이용하여 미 관측 지점의 값을 예측하는 과정이며 알려진 점들의 정확도, 수, 분포상태 등에 따라 정확도가 좌우된다.25) 또한 대기오염측정망에서 측정되지 않는 지점의 대기오염물질 농도를 예측하는데 사용할 수 있으므로 매우 중요하다.26) 실외 PM2.5 농도 실측 결과 측정 기간 모두 강원도 원주시의 관측값이 서울시 구로구와 비교하여 높게 나타났다. 이것은 편서풍의 영향으로 강원도 원주시 서쪽에 있는 수도권으로부터 이동된 오염물질의 영향을 받을 것으로 판단되며, 풍속이 낮아 외부로부터 유입되거나 자체적으로 발생한 대기오염물질이 정체되어 공기가 순환되지 못해 농도가 높게 나타난 것으로 생각된다.27) 강원도 원주시의 남서쪽에 PM2.5 농도가 다른 지역에 비해 비교적 높았는데, 이는 시멘트 공장과 같은 국지적 배출원의 영향으로 인해 농도가 높은 것으로 판단된다.28)

국토지리정보원에서 제공하는 격자별 존재인구수와 IDW를 실시하여 추정된 실외 PM2.5 농도를 통해 PWAC를 산출하여 각 지역의 전체 인구집단에 대한 노출 수준을 비교하였다. Brody (2021) 등29)의 연구에 따르면 위성을 통한 고해상도의 맵핑 기술을 통해 산출된 인구 데이터를 통해 인구가중치를 두어 PWAC를 산출한 결과 공간 해상도를 세분화시켰을 때 인구집단 노출평가의 정밀도가 향상되었다. 원주시는 구로구와 비교하여 존재인구수가 약 4만 명 적지만 인구밀집이 도심지가 주변보다 높아 PWAC가 평균 22% 높았고, 인구가중치를 고려하지 않은 실외 농도가 동일하게 원주시가 높았다. 관측값과 인구가중치를 두어 산출된 PWAC를 비교하였을 경우 원주시는 관측값보다 일별 PWAC가 약 10.1%, 11.3%, 8.2% 감소하였고 구로구는 PWAC가 1~2%로 약간 높았지만 거의 유사하였다. Singh (2020) 등30)의 연구에 따르면 인구가중치를 두어 노출 수준을 측정했을 때 인구밀집도가 높은 런던의 중심부가 외곽 지역보다 인구 가중 평균 농도가 20% 높게 나타났다. Singh (2020) 등30)의 연구와 유사하게 본 연구에서도 구로구의 경우 원주시와 비교하여 인구수가 고르게 분포되어있고 면적이 작아 PWAC가 증가하였지만, 원주시는 인구가 밀집된 도심지의 농도가 낮아 감소하였다. 인구분포를 통해 확인 실제 거주하는 지역의 인구수와 노출을 평가할 수 있고, 전체인구수를 고려하여 한 지역을 평가하는 방법을 개선할 수 있는 하나의 방법론이 될 수 있다.

본 연구에서는 실내는 고려하지 않았지만, 실외의 PM2.5 농도에 인구가중치를 두어 실제 인구집단의 노출 수준을 추정했다. 실외 대기오염 수준은 실내공기질 농도 변화에 영향을 미치는 주된 요인으로 고려되어야 한다.31) 실외의 미세먼지는 창틀과 개구부 틈새로 유입되어 실내 미세먼지 농도의 상승시키고 실내공기질을 악화시킬 수 있다.32) 실외 대기오염물질의 농도가 전체 인구집단의 노출을 대표한다고 가정하는 연구는 대기질에 관한 역학 및 위해성평가 연구에 적용할 수 있다고 생각된다.

본 연구는 3일의 실외 PM2.5 농도 데이터를 통해 짧은 기간에 대한 인구집단에 노출 수준을 평가하였고, 국토지리정보원에서 제공하는 인구 데이터는 특정 기간이 정해져 있어 대표성이 낮을 수 있다. 계절의 변동성, 환경적인 인자, 배출원 등 노출 수준에 영향을 주는 변수들에 대해 고려하지 않았다. 따라서 향후 연구를 발전시켜 장기간 노출 정도와 환경적, 사회적 변수를 추가한 연구가 추가로 필요할 것으로 판단된다.

본 연구는 센서 기반 측정망과 공공기관인 국토교통부의 국토지리정보원에서 제공하는 격자별 존재인구를 통해 서울시 구로구와 강원도 원주시의 PM2.5 노출 수준을 산출하여 두 지역을 비교하였다. 구로구와 원주시의 일 평균 PWAC를 비교했을 때 원주시가 약 22% 높았다. 지역별 실제 인구집단의 인구가 집중되는 지역의 PM2.5 노출 수준이 높은 것을 확인하였다. 역학 연구 및 환경성 질환에 관한 연구를 수행할 때, 국가에서 제공하는 인구 데이터를 이용하여 노출을 평가할 수 있다. 이를 통해 연구 활동 시 개인정보에 대한 불안감을 해소하여 환경유해인자와 인구집단에 대한 고도화 방법, 관련 인체 영향 등에 관한 연구의 하나의 방법론을 제공하고, 지속적인 추가 연구가 필요할 것으로 판단된다.

본 연구는 환경부의 재원으로 한국환경산업기술원의 환경성 질환 예방관리 핵심 기술개발사업의 지원을 받아 수행되었습니다(과제번호: 2021003320008).

No potential conflict of interest relevant to this article was reported.

우재민(연구원), 민기홍(연구원), 김동준(연구원),

조만수(교수), 성경화(연구원), 원정일(교수),

이채관(교수), 신지훈(연구원), 양원호(교수)

  1. EEA. Air Quality in Europe 2019. Available: https://www.eea.europa.eu/publications/air-quality-in-europe-2019 [accessed 18 November 2022]. 
  2. World Health Organization. 9 out of 10 People Worldwide Breathe Polluted Air, but More Countries are Taking Action. Available: https://www.who.int/news-room/detail/02-05-2018-9-out-of-10-people-worldwide-breathe-polluted-air-but-more-countries-are-taking-action [accessed 18 November 2022]. 
  3. Cohen AJ, Brauer M, Burnett R, Anderson HR, Frostad J, Estep K, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015. Lancet. 2017; 389(10082): 1907-1918.
    Pubmed CrossRef
  4. World Health Organization. Health Effects of Particulate Matter. Copenhagen: World Health Organization Regional Office for Europe; 2013. https://www.euro.who.int/__data/assets/pdf_file/0006/189051/Health-effects-of-particulate-matter-final-Eng.pdf 
  5. Kang C, Park S, Sunwoo Y, Kang B, Lee H. Respiratory health effects of fine particles (PM2.5) in Seoul. J Korean Soc Atmos Environ. 2006; 22(5): 554-563. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO200604623601634 
  6. Lee SL, Wong WH, Lau YL. Association between air pollution and asthma admission among children in Hong Kong. Clin Exp Allergy. 2006; 36(9): 1138-1146.
    Pubmed KoreaMed CrossRef
  7. Ministry of Environment. Atmospheric Environment Standards. Available: https://www.me.go.kr/mamo/web/index.do?menuId=586 [accessed 17 November 2022]. 
  8. Yi S, Kim H, Kim S. Exploration and application of regulatory PM10 measurement data for developing long-term prediction models in South Korea. J Korean Soc Atmos Environ. 2016; 32(1): 114-126. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201609562999787 
    CrossRef
  9. Air Korea. About Air Korea. Available: https://www.airkorea.or.kr/web/contents/contentView/?pMENU_NO=91&cntnts_no=1 [accessed 15 November 2022]. 
  10. Kim J, Ghim Y, Han J, Park S, Shin H, Lee S, et al. Long-term trend analysis of Korean air quality and its implication to current air quality policy on ozone and PM10. J Korean Soc Atmos Environ. 2018; 34(1): 1-15. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201810748278998 
    CrossRef
  11. World Health Organization. Health risk assessment of air pollution: general principles. Geneva: World Health Organization; 2016. https://apps.who.int/iris/handle/10665/329677 
  12. Son J, Kim Y, Cho Y, Lee J. Prediction approaches of personal exposure from ambient air pollution using spatial analysis: a pilot study using Ulsan cohort data. J Korean Soc Atmos Environ. 2009; 25(4): 339-346. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO200931559973245 
    CrossRef
  13. Lin YC, Chi WJ, Lin YQ. The improvement of spatial-temporal resolution of PM2.5 estimation based on micro-air quality sensors by using data fusion technique. Environ Int. 2020; 134: 105305.
    Pubmed CrossRef
  14. Jeon Y, Yang W, Yu S, Lee J, Son B. Personal exposure level and health risk assessment of nitrogen dioxide in an industrial area. J Environ Health Sci. 2008; 34(3): 199-206. https://www.e-jehs.org/journal/view.html?pn=vol&uid=1279&vmd=Full&TG=vol&sm=&s_v=34&s_n=3&year=& 
    CrossRef
  15. Gariazzo C, Carlino G, Silibello C, Renzi M, Finardi S, Pepe N, et al. A multi-city air pollution population exposure study: combined use of chemical-transport and random-forest models with dynamic population data. Sci Total Environ. 2020; 724: 138102.
    Pubmed CrossRef
  16. Kim K, Lee I, Kwak H, Min J. Application study of telecommunication record data in floating population estimation. Seoul Stud. 2015; 16(3): 177-187. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002037565 
  17. Yoo S, Kim B. A decision-making model for adopting a cloud computing system. Sustainability. 2018; 10(8): 2952. https://doi.org/10.3390/su10082952 
    CrossRef
  18. Park J, Ryu H, Kim E, Choe Y, Heo J, Lee J, et al. Assessment of PM2.5 population exposure of a community using sensor-based air monitoring instruments and similar time-activity groups. Atmos Pollut Res. 2020; 11(11): 1971-1981. https://doi.org/10.1016/j.apr.2020.08.010 
    CrossRef
  19. National Geographic Information Institute. National Statistical Map. Available: http://map.ngii.go.kr/ms/map/NlipMap.do [accessed 18 November 2022]. 
  20. Ku C, Shin Y, Lee J, Kim H. The study on the grid size regarding spatial interpolation for local climate maps. Geogr J Korea. 2012; 46(4): 489-500. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART001725948 
  21. Kim D, Min G, Choe Y, Shin J, Woo J, Kim D, et al. Evaluation of population exposures to PM2.5 before and after the outbreak of COVID-19. J Environ Health Sci. 2021; 47(6): 521-529. https://doi.org/10.5668/JEHS.2021.47.6.521 
    CrossRef
  22. Heo J. Advanced exposure assessment based on monitoring sensors estimation for particulate matter in population [dissertation]. [Gyeongsan]: Daegu Catholic University; 2022. http://www.riss.kr/link?id=T16063668 
  23. Gupta P, Doraiswamy P, Levy R, Pikelnaya O, Maibach J, Feenstra B, et al. Impact of California fires on local and regional air quality: the role of a low-cost sensor network and satellite observations. GeoHealth. 2018; 2(6): 172-181. https://doi.org/10.1029/2018GH000136 
    Pubmed KoreaMed CrossRef
  24. Liu HY, Schneider P, Haugen R, Vogt M. Performance assessment of a low-cost PM2.5 sensor for a near four-month period in Oslo, Norway. Atmosphere. 2019; 10(2): 41. https://doi.org/10.3390/atmos10020041 
    CrossRef
  25. Ahmed SO, Mazloum R, Abou-Ali H. Spatiotemporal interpolation of air pollutants in the Greater Cairo and the Delta, Egypt. Environ Res. 2018; 160: 27-34.
    Pubmed CrossRef
  26. Alimissis A, Philippopoulos K, Tzanis CG, Deligiorgi D. Spatial estimation of urban air pollution with the use of artificial neural network models. Atmos Environ. 2018; 191: 205-213. https://doi.org/10.1016/j.atmosenv.2018.07.058 
    CrossRef
  27. National Institute of Environmental Research. Analysis and Interpretation of the Causes of High Particulate Matter Pollution in Gangwon Province. Incheon: National Institute of Environmental Research; 2018. https://scienceon.kisti.re.kr/srch/selectPORSrchReport.do?cn=TRKO201900003799 
  28. Cho S, Kim H, Han Y, Kim W. Characteristics of fine particles measured in two different functional areas and identification of factors enhancing their concentrations. J Korean Soc Atmos Environ. 2016; 32(1): 100-113. https://doi.org/10.5572/KOSAE.2016.32.1.100 
    CrossRef
  29. Brody M, Golub A, Potashnikov V. The effects of increasing population granularity in PM2.5 population-weighted exposure and mortality risk assessment. Environ Health Perspect. 2021; 129(12): 127703.
    Pubmed KoreaMed CrossRef
  30. Singh V, Sokhi RS, Kukkonen J. An approach to predict population exposure to ambient air PM2.5 concentrations and its dependence on population activity for the megacity London. Environ Pollut. 2020; 257: 113623.
    Pubmed CrossRef
  31. Leung DYC. Outdoor-indoor air pollution in urban environment: challenges and opportunity. Front Environ Sci. 2015; 2(69): 1-7. https://www.frontiersin.org/articles/10.3389/fenvs.2014.00069/full 
    CrossRef
  32. Kang D, Choi D. A preliminary study to evaluate the impact of outdoor dust on indoor air by measuring indoor/outdoor particle concentration in a residential housing unit. J KIAEBS. 2015; 9(6): 452-459. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002060943 

Article

Original Article

J Environ Health Sci. 2022; 48(6): 298-305

Published online December 31, 2022 https://doi.org/10.5668/JEHS.2022.48.6.298

Copyright © The Korean Society of Environmental Health.

Existing Population Exposure Assessment Using PM2.5 Concentration and the Geographic Information System

Jaemin Woo1 , Gihong Min1 , Dongjun Kim1 , Mansu Cho1 , Kyeonghwa Sung2 , Jungil Won3 , Chaekwan Lee4 , Jihun Shin1* , Wonho Yang1,2*

1Department of Health and Safety, Daegu Catholic University, 2Center of Environmental Health Monitoring, Daegu Catholic University, 3Department of Environmental and Health, Chungbuk Provincial University, 4Institute of Environmental and Occupational Medicine, Medical School, Inje University

Correspondence to:Jihun Shin: Department of Health and Safety, Daegu Catholic University, 13-13 Hayang-ro, Hayang-eup, Gyeongsan 38430, Republic of Korea
Tel: +82-53-850-3739
Fax: +82-53-850-3736
E-mail: shinjs1130@naver.com
Wonho Yang: Department of Health and Safety, Daegu Catholic University, 13-13 Hayang-ro, Hayang-eup, Gyeongsan 38430, Republic of Korea
Tel: +82-53-850-3739
Fax: +82-53-850-3736
E-mail: whyang@cu.ac.kr

Received: November 23, 2022; Revised: December 10, 2022; Accepted: December 16, 2022

This is an open-access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

Background: The concentration of air pollutants as measured by the Air Quality Monitoring System (AQMS) is not an accurate population exposure level since actual human activities and temporal and spatial variability need to be considered. Therefore, to increase the accuracy of exposure assessment, the population should be considered. However, it is difficult to obtain population data due to limitations such as personal information.
Objectives: The existing population defined in this study is the number of people in each region's grid. The purpose is to provide a methodology for evaluating exposure to PM2.5 through existing population data provided by the National Geographic Information Institute.
Methods: The selected study period was from October 26 to October 28, 2021. Using PM2.5 concentration data measured at the Sensor-based Air Monitoring Station (SAMS) installed in Guro-gu and Wonju-si, the concentration for each grid was estimated by applying inverse distance weights through QGIS version 3.22. Considering the existing population, population-weighted average concentration (PWAC) was calculated and the exposure level of the population was compared by region.
Results: The outdoor PM2.5 concentration as measured through the SAMS was high in Wonju-si on all three days. Wonju-si showed an average 22% higher PWAC than Guro-gu. As a result of comparing the PWAC and outdoor PM2.5 concentration by region, the PWAC in Guro-gu was 1~2% higher than the observed value, but it was almost the same. Conversely, observations of Wonju-si were 10.1%, 11.3%, and 8.2% higher than PWAC.
Conclusions: It is expected that the Geographic Information System (GIS) method and the existing population will be used to evaluate the exposure level of a population with a narrow activity radius in further research. In addition, based on this study, it is judged that research on exposure to environmental pollutants and risk assessment methods should be expanded.

Keywords: PM2.5, existing population, geographic information system, population exposure

I. 서 론

세계적으로 대기오염을 줄이기 위한 노력을 지속하고 있지만, 대기오염은 사람들의 건강에 심각한 악영향을 미치고 있는 것으로 보고되고 있다.1) 세계보건기구(World Health Organization, WHO)에 따르면 전 세계 인구 10명 중 9명이 높은 수준의 대기오염물질이 포함된 공기를 흡입한다고 발표하였다.2) 그 중 초미세먼지(fine particulate matter, PM2.5)는 주된 위험 요소 중 하나이며, 천식 악화, 만성폐쇄성폐질환과 같은 호흡기계 관련 질환과 심혈관계, 피부질환 등의 발생률을 높일 수 있다.3) WHO에 따르면 PM2.5 농도가 10 μg/m3 증가함에 따라 심폐질환으로 인한 사망률이 6~13% 증가할 수 있으며, 서울시 호흡기질환 사망과의 연관성 연구는 PM2.5 농도가 22.6 μg/m3증가할 경우 총 호흡기질환의 사망 건수 8.2%를 증가시키는 것으로 나타났다.4,5) 홍콩의 18세 미만의 어린이를 대상으로 천식으로 인한 입원 위험을 분석한 결과 PM2.5 농도가 20.6 μg/m3 증가 시 입원율은 3.24% 증가하는 것으로 평가하였다.6) PM2.5에 대한 건강영향이 전 세계적으로 주요 관리 대상 유해인자로 인식이 확대되고 있다.

이러한 PM2.5의 건강위해를 인지하고 국내에서도 대기환경기준(일평균 35 μg/m3, 연평균 15 μg/m3)으로 관리하고 있다.7) 환경부는 1995년부터 대기오염도와 대기환경기준 달성 여부를 파악하기 위해 대기오염측정망(Air Quality Monitoring System, AQMS)을 운영하고 있다.8) 2005년부터 전국 에어코리아(Air Korea)에서 측정소의 대기오염도 정보를 대중에게 실시간 제공하고 있으며, 대기환경 오염물질로 인한 노출을 관리하고 있다.9) 그런데도 국내의 많은 지역에서 대기환경기준을 초과하고 있어 대기오염물질 노출의 체계적인 관리 방안이 요구되고 있다.

환경부에서 제공하는 AQMS의 자료를 이용하여 국내의 각 지역에 대한 대기오염을 평가한 선행 연구들이 다수 수행되었다. 오늘날까지 진행된 선행 연구는 서울, 수도권과 같은 대도시 및 배출원이 뚜렷한 공업지역 등을 중심으로 이루어져 그 외 지역을 평가하는 연구가 부족한 실정이다.10) 대기오염은 특정 배출원을 가지고 있는 지역의 문제뿐만 아니라 기후요소로 인한 대기오염의 지역 간 이동, 인구밀도, 지리적 특성 등이 다르므로 각 지역의 특성을 고려한 연구가 필요하다.

대기오염 건강 위해성평가는 대기오염 노출로 인한 사망 및 질병 등의 변화를 수치로 정량화함으로써 건강 영향을 추정하고 이를 줄이기 위한 정책 결정의 근거로 활용되고 있다.11) 기존의 역학 연구는 AQMS에서 측정된 대기질의 정보를 이용하여 지리정보시스템(Geographic Information System, GIS)과 대기 확산 모델 등의 모델링 방법 등을 통해 미측정 지점에 대한 노출 및 위해성 평가를 실시하였다.12) 그러나 사람이 거주하는 지역과 비거주지역이 존재하며, AQMS의 경우 해당 지역을 대표하는 농도 값으로 실제 거주하는 지점과 측정소 간의 거리가 늘어날수록 정확도가 떨어진다.13) 그리고 AQMS에서 측정된 농도는 대기질의 농도일 뿐, 인구집단에 대한 실제 노출 수준을 대표할 수 없다.14) 따라서 정확한 인구집단의 노출 수준을 평가하기 위해서 인구에 대한 고려가 필요하다.

대기환경 오염물질에 대한 인구집단의 정확한 노출평가를 위해 유동인구(dynamic population) 데이터를 이용하여 노출평가의 정확도를 향상시켜왔다.15) 그러나 인구에 대한 데이터는 실제 사람의 이동에 관한 자료이기 때문에 자료 수집의 많은 시간과 비용이 소요되며, 개인정보 등으로 인해 쉽게 확보할 수 없다는 한계가 있다.16)

본 연구에서는 GIS를 이용한 보간법(interpolation)을 통해 추정된 실외 PM2.5 농도와 국토교통부의 국토지리정보원에서 제공하는 존재인구 데이터를 바탕으로 인구 가중 평균농도 (Population-Weighted Average Concentration, PWAC)를 산출하여 지역별 인구집단의 특성에 따른 인구집단 노출 수준의 차이를 확인하는 것이다. 이를 통해 지역적 특성을 반영한 대기질의 관리 방향을 제공할 수 있으며, 대기환경 오염물질에 취약한 인구집단의 노출 및 위해성평가의 방법론을 제공하는 것에 기여하고자 한다.

Ⅱ. 재료 및 방법

1. 실외 PM2.5 농도

실외 PM2.5 농도는 지역사회의 대기질 감시체계 구축을 위해 서울시 구로구와 강원도 원주시에 설치 운영 중인 센서 기반 측정망(Sensor-based Air Monitoring Station, SAMS)을 이용하였다(Fig. 1). 연구에서 사용된 SAMS는 PM2.5 농도, 온도 및 상대습도를 측정할 수 있는 센서를 기반으로 한 모니터링 장치이며, 농도 측정값은 1분마다 수집된다. 두 지역의 인구학적 특성, 배출원, 지형 및 기상 등 다양한 요인을 고려하여 공간 대표성을 가지는 위치에 구로구는 24대, 원주시는 25대의 SAMS가 설치되어 운영 중이다. 이를 이용하여 2021년 10월 26일부터 2021년 10월 28일까지 측정된 1시간 단위의 실외 PM2.5 농도를 추출하여, 일 평균농도로 변환하였으며 노출평가의 신뢰도를 높이기 위해 수집된 격자별 존재인구 데이터의 기간에 맞춰 선정하였다. SAMS를 통해 실측된 PM2.5 농도 데이터는 공공기관을 위해 개발된 G-Cloud (Government Cloud)에서 이상치(outlier)를 개발된 알고리즘에 의해 처리된 데이터를 제공받았다.17) SAMS의 입자 포집 방식은 입자에 산란되는 빛의 양으로 입자의 광학적인 크기와 개수를 통해 실시간 포집하는 광산란법을 이용하였다. PM2.5 농도의 정확도 향상을 위해 환경적인 요인(온도, 상대습도)을 통해 발생할 수 있는 측정 오류는 기기의 전처리 제어 장치를 통해 보완하였다. PM2.5 농도의 정확도는 대기오염측정소와 동일한 위치에 센서-기반 측정기를 설치하여 모니터링된 값을 비교하는 Co-location test를 통해 결정계수(coefficient of determination, R2)는 0.957이었고 AQMS에 비해 SAMS가 다소 낮은 관측값을 제공했지만, 본 연구에서는 별도의 보정계수를 적용하지 않고 데이터를 적용하였다.18)

Figure 1. Location of sensor-based air monitoring station in Guro-gu (N=24) and Wonju-si (N=25)

2. 연구대상 지역 선정 및 존재인구 분포

본 연구는 지역 간의 인구집단에 대한 PM2.5 노출을 비교하기 위해 대도시인 서울시 구로구와 비교적 농지가 많은 강원도 원주시를 대상 지역으로 선정하였다. 각 지역의 격자별 인구분포 자료는 공공기관인 국토교통부의 국토지리정보원(https://www.ngii.go.kr/)에서 제공하고 있으며, 국토통계지도의 격자별 인구 통계자료를 이용하여 2021년 10월 기준 격자별 존재인구(existing population) 자료를 수집하였다.19) 존재인구는 1일 24시간 동안 유동이 없이 그 지역에 존재하는 인구이며, 각 지역의 격자 안의 총인구수를 존재인구로 하였다. 구로구는 전체 면적 20.12 km2에 대해 100 m×100 m 크기의 격자로 총 2,211개로 나누었으며, 원주시는 전체 면적 867.6 km2를 1 km×1 km 크기로 총 979개로 나누어 적용하였다. 인구집단에 대한 정확한 노출평가를 진행하기 위해 각 지역의 공간 내삽에 적합한 공간 해상도를 선정하여 연구에 활용하였다.20)

3. 대기오염 농도 예측 모델링

본 연구에서는 GIS를 이용하여 실외 PM2.5 농도 및 격자별 존재인구 분포에 대한 시각화를 실시하였다. GIS는 넓은 의미에서 지리적인 위치를 갖는 대상의 위치자료와 그 위치의 특성 정보인 속성자료를 통해 지도, 그림 및 도표와 같은 정보를 제공한다. 공간 모델링을 위해 실외 일 평균 PM2.5 농도를 산출하여 속성자료로 이용하였고, 각 지역의 SAMS가 설치된 위치의 위성 좌표계(WGS-84)를 위치자료로 사용하였다. 지리정보 체계 오픈소스 프로그램(Qgis, 3.22)을 사용하여 보간법(interpolation)을 실시하였으며, 보간법 중 역거리 가중법(Inverse Distance Weighted, IDW)을 통해 각 지역의 전체 격자에 대한 일별 농도를 추정 및 시각화하였다(식 (1)).

zp=i=1nziwii=1nwi

여기서 zp는 예측지점의 예측값, zi는 i 지점에서의 측정된 농도, wi는 보간법을 이용한 가중치 농도이며, n은 보간법에 사용된 SAMS의 개수이다.

4. 인구집단 노출

구로구와 원주시에서 추정된 격자별 PM2.5 농도와 존재인구 분포를 사용하여 각 지역의 격자에 해당하는 인구의 PM2.5 노출을 식 (2)와 같이 평가하였으며, 이를 시각화하였다.

PopulationExposure=co×po

여기서 co는 실외 노출농도이며, po는 실외 인구수이다.

각 지역의 전체 인구집단의 PM2.5 노출 수준을 비교하기 위해 인구 가중 평균농도(Population-Weighted Average Concentration, PWAC)를 산출하였다. PWAC는 각 격자의 노출농도에 존재하는 인구수를 가중하여 산출하였다(식 (3)).

PWACμg/m3= o=1ncopop

여기서 Co는 격자 n의 실외 노출농도, Po는 격자 n의 실외 인구수, P는 전체 격자에 대한 존재인구수의 총합이다.

Ⅲ. 결 과

1. 실외 PM2.5 농도

각 연구대상 지역에 설치된 SAMS를 통해 측정된 PM2.5 농도를 분석하여 Table 1과 같이 나타내었고, IDW를 통해 추정된 지역별 일 평균 노출농도를 시각화하였다(Fig. 2). 구로구의 PM2.5 농도는 각각 25.3±11.1 μg/m3, 42.4±18.1 μg/m3, 22.8±17.3 μg/m3였다. 원주시는 각각 46.4±30.3 μg/m3, 62.0±42.1 μg/m3, 26.7±18.4 μg/m3로 구로구와 비교하여 21.1 μg/m3, 19.6 μg/m3, 3.9 μg/m3 높았다. 구로구의 경우 둘째 날의 농도가 42.4±18.1 μg/m3로 대기환경기준 35 μg/m3를 1일 초과하였다. 구로구와 비교하여 원주시의 경우 첫째 날과 둘째 날의 농도가 46.4±30.3 μg/m3, 62.0±42.1 μg/m3였으며, 2일 초과하였다. 구로구와 비교하여 원주시가 측정 기간 모두 실외 PM2.5 농도가 높았다. 특히 첫째 날과 둘째 날은 약 20 μg/m3 정도 높았고, 셋째 날은 4 μg/m3 정도 높았다.

Table 1 . Summary of outdoor PM2.5 concentration data measured at a sensor-based air monitoring station located at each study area.

Target areaDateNMean±SDGM (GSD)MinMaxPercentile
25%50%75%95%
Guro-guOct 26th (Tue)52825.3±11.123.1 (2.3)8.067.417.123.130.946.4
Oct 27th (Wed)52842.4±18.139.3 (1.5)14.5111.530.438.552.279.3
Oct 28th (Thu)52822.8±17.316.9 (2.1)3.590.99.915.632.260.1
30.2±15.5
Wonju-siOct 26th (Tue)52446.4±30.339.1 (1.8)8.1210.826.438.559.998.3
Oct 27th (Wed)53262.0±42.150.6 (2.0)8.6288.231.653.779.6149.4
Oct 28th (Thu)53526.7±18.423.1 (1.7)6.0294.616.622.831.754.8
45.0±30.3

Mean: arithmatic average, SD: standard deviation, GM: geometric mean, GSD: geometric standard deviation..



Figure 2. Visualization of outdoor PM2.5 concentrations by study area using inverse distance weighted

2. 존재인구 평가

국토지리정보원에서 제공하는 공공데이터를 통해 구로구와 원주시의 격자별 존재인구수를 시각화하여 비교하였다(Fig. 3). 2021년 10월을 기준으로 구로구는 2,211개의 격자(100 m×100 m) 안에 약 396,288명이 거주하고 있었으며, 원주시는 979개의 격자(1 km×1 km) 안에 약 353,971명이 거주하고, 구로구와 비교했을 때 약 4만 명 정도 적었다. 구로구는 산간 지역을 제외한 주거지역과 상업지역에 인구가 고르게 분포되어있는 반면, 원주시는 국토 대부분이 임야로 이루어져 있으며 원주 시청을 중심으로 도심지 한곳에 인구밀집도가 높게 나타났다.

Figure 3. Visualization of the number of existing populations by grid (100 m by 100 m, 1 km by 1 km) of Guro-gu and Wonju-si

3. 인구집단 노출평가

국토지리정보원에서 제공하는 존재인구수와 각 지역에 설치된 SAMS에서 실측된 PM2.5 농도를 통해 IDW를 사용하여 추정된 농도를 가지고 격자별 인구 노출을 시각화하였다(Fig. 4). 이를 통해 각 연구대상 지역의 PWAC를 산출하여 비교하였다(Fig. 5). 구로구의 3일간 PWAC는 각각 25.5 μg/m3, 43.3 μg/m3, 23.1 μg/m3였다. 원주시는 각각 41.7 μg/m3, 55.0 μg/m3, 24.5 μg/m3로 나타났으며, 구로구와 비교하여 38.8%, 21.3%, 5.9% 높았다. 원주시의 3일 평균 PWAC가 22% 높았다. 각 지역에서 인구를 가중하여 산출된 PWAC와 실외 PM2.5 농도를 비교하였을 때 구로구는 PWAC가 약 1~2% 증가하였지만 거의 유사하였고, 원주시는 관측값이 PWAC보다 약 10.1%, 11.3%, 8.2% 높았다.

Figure 4. Visualization of population exposure by study area, calculated using existing population and projected PM2.5 concentrations per grid

Figure 5. Comparison of population weighted average concentration between Guro-gu and Wonju-si

Ⅳ. 고 찰

본 연구에서는 서울시 구로구와 강원도 원주시의 공간보간기법을 통해 추정된 실외 PM2.5 농도와 국토지리정보원에서 제공하는 존재인구수를 통해 PWAC를 산출하여 대기환경 오염물질에 대한 지역별 인구집단의 노출 수준을 비교하였다. 국토지리정보원에서 제공하는 2021년 10월의 격자별 존재인구를 사용하였으며 이에 맞춰 연구 기간을 2021년 10월 26일(화), 27일(수), 28일(목)로 선정하였다. 선정된 연구 기간은 센서 기반 측정망의 실측에 영향을 주는 기상인자(비, 황사 등)를 고려하였으며, 연구 기간 동안 황사나 비 등은 관측되지 않았다.

사람의 활동과 인구 유동 데이터를 통해 대기오염물질에 대한 인구집단의 노출평가를 진행한 연구가 보고되었다. 그러나 인구에 대한 데이터는 비용적인 측면과 개인정보 등으로 연구에 활용하기 어렵다. 반면, 공공기관에서 제공하는 존재인구 데이터는 인구집단 노출평가의 대안이 될 수 있다. Kim (2021) 등21)의 연구에 따르면 유동인구 데이터를 활용한 연구를 통해 사람의 활동량 감소가 대기오염물질의 노출 수준을 낮춘다고 보고하였다. Heo (2022)22)의 군집 별 이동 거리에 관한 연구를 통해 영유아, 주부, 노인과 같은 취약계층의 활동 반경은 1 km 미만인 것으로 나타났다. 본 연구는 각 지역의 존재인구수와 공간보간기법을 통해 추정된 PM2.5 농도를 격자별(100 m×100 m, 1 km×1 km)로 공간 해상도를 증가시켰으며, 이를 통한 인구집단의 노출평가는 활동 반경이 좁은 인구집단에 적합할 수 있다.

실외 PM2.5 농도는 각 연구대상 지역에 설치된 센서 기반 측정망을 통해 실측된 데이터를 공공기관으로부터 수집하여 연구를 수행하였다. 대기오염측정망과 센서 기반 측정기의 정확도를 비교한 평가는 이전 많은 선행 연구를 통해 수행되었다. Gupta (2018) 등23)의 연구에 따르면 2016년 12월부터 2017년 1월까지 미국 캘리포니아주에서 센서의 성능을 평가하기 위해 수행된 현장 평가에서 대기오염측정망과 센서 기반 장비인 3대의 PA-11을 통해 측정된 PM2.5 농도의 상관성을 분석한 결과 결정계수(R2)가 90% 이상으로 우수한 성능을 보였다. Liu (2019) 등24)의 연구에 따르면 등가성 평가를 거친 대기오염측정망에서 측정된 PM2.5 농도를 센서 기반 측정기에서 실측된 농도와 비교했을 때 R2는 0.55에서 0.71 사이로 상관성이 높았다. Gupta (2018) 등23)과 Liu (2019) 등24)의 센서 검증 결과와 비슷하게 본 연구에서도 대기오염측정망과 센서 기반 측정망의 Co-location test 결과 R2가 0.957로 높은 상관관계를 보였다. 센서 기반 측정망은 저비용으로 추가적인 설치를 통해 공간 해상도를 향상시킬 수 있고 시공간적인 농도 변화가 분석 가능하여 대기오염측정망이 가진 한계점을 보완할 수 있다. 이를 통해 인구집단에 대한 노출평가를 고도화할 수 있다고 본다.

SAMS를 통해 실측된 실외 PM2.5 농도를 이용하여 각 지역의 농도 수준을 비교하였고 공간보간기법 중 IDW를 통해 시각화하였다. 공간보간기법은 관측된 지점의 값을 이용하여 미 관측 지점의 값을 예측하는 과정이며 알려진 점들의 정확도, 수, 분포상태 등에 따라 정확도가 좌우된다.25) 또한 대기오염측정망에서 측정되지 않는 지점의 대기오염물질 농도를 예측하는데 사용할 수 있으므로 매우 중요하다.26) 실외 PM2.5 농도 실측 결과 측정 기간 모두 강원도 원주시의 관측값이 서울시 구로구와 비교하여 높게 나타났다. 이것은 편서풍의 영향으로 강원도 원주시 서쪽에 있는 수도권으로부터 이동된 오염물질의 영향을 받을 것으로 판단되며, 풍속이 낮아 외부로부터 유입되거나 자체적으로 발생한 대기오염물질이 정체되어 공기가 순환되지 못해 농도가 높게 나타난 것으로 생각된다.27) 강원도 원주시의 남서쪽에 PM2.5 농도가 다른 지역에 비해 비교적 높았는데, 이는 시멘트 공장과 같은 국지적 배출원의 영향으로 인해 농도가 높은 것으로 판단된다.28)

국토지리정보원에서 제공하는 격자별 존재인구수와 IDW를 실시하여 추정된 실외 PM2.5 농도를 통해 PWAC를 산출하여 각 지역의 전체 인구집단에 대한 노출 수준을 비교하였다. Brody (2021) 등29)의 연구에 따르면 위성을 통한 고해상도의 맵핑 기술을 통해 산출된 인구 데이터를 통해 인구가중치를 두어 PWAC를 산출한 결과 공간 해상도를 세분화시켰을 때 인구집단 노출평가의 정밀도가 향상되었다. 원주시는 구로구와 비교하여 존재인구수가 약 4만 명 적지만 인구밀집이 도심지가 주변보다 높아 PWAC가 평균 22% 높았고, 인구가중치를 고려하지 않은 실외 농도가 동일하게 원주시가 높았다. 관측값과 인구가중치를 두어 산출된 PWAC를 비교하였을 경우 원주시는 관측값보다 일별 PWAC가 약 10.1%, 11.3%, 8.2% 감소하였고 구로구는 PWAC가 1~2%로 약간 높았지만 거의 유사하였다. Singh (2020) 등30)의 연구에 따르면 인구가중치를 두어 노출 수준을 측정했을 때 인구밀집도가 높은 런던의 중심부가 외곽 지역보다 인구 가중 평균 농도가 20% 높게 나타났다. Singh (2020) 등30)의 연구와 유사하게 본 연구에서도 구로구의 경우 원주시와 비교하여 인구수가 고르게 분포되어있고 면적이 작아 PWAC가 증가하였지만, 원주시는 인구가 밀집된 도심지의 농도가 낮아 감소하였다. 인구분포를 통해 확인 실제 거주하는 지역의 인구수와 노출을 평가할 수 있고, 전체인구수를 고려하여 한 지역을 평가하는 방법을 개선할 수 있는 하나의 방법론이 될 수 있다.

본 연구에서는 실내는 고려하지 않았지만, 실외의 PM2.5 농도에 인구가중치를 두어 실제 인구집단의 노출 수준을 추정했다. 실외 대기오염 수준은 실내공기질 농도 변화에 영향을 미치는 주된 요인으로 고려되어야 한다.31) 실외의 미세먼지는 창틀과 개구부 틈새로 유입되어 실내 미세먼지 농도의 상승시키고 실내공기질을 악화시킬 수 있다.32) 실외 대기오염물질의 농도가 전체 인구집단의 노출을 대표한다고 가정하는 연구는 대기질에 관한 역학 및 위해성평가 연구에 적용할 수 있다고 생각된다.

본 연구는 3일의 실외 PM2.5 농도 데이터를 통해 짧은 기간에 대한 인구집단에 노출 수준을 평가하였고, 국토지리정보원에서 제공하는 인구 데이터는 특정 기간이 정해져 있어 대표성이 낮을 수 있다. 계절의 변동성, 환경적인 인자, 배출원 등 노출 수준에 영향을 주는 변수들에 대해 고려하지 않았다. 따라서 향후 연구를 발전시켜 장기간 노출 정도와 환경적, 사회적 변수를 추가한 연구가 추가로 필요할 것으로 판단된다.

Ⅴ. 결 론

본 연구는 센서 기반 측정망과 공공기관인 국토교통부의 국토지리정보원에서 제공하는 격자별 존재인구를 통해 서울시 구로구와 강원도 원주시의 PM2.5 노출 수준을 산출하여 두 지역을 비교하였다. 구로구와 원주시의 일 평균 PWAC를 비교했을 때 원주시가 약 22% 높았다. 지역별 실제 인구집단의 인구가 집중되는 지역의 PM2.5 노출 수준이 높은 것을 확인하였다. 역학 연구 및 환경성 질환에 관한 연구를 수행할 때, 국가에서 제공하는 인구 데이터를 이용하여 노출을 평가할 수 있다. 이를 통해 연구 활동 시 개인정보에 대한 불안감을 해소하여 환경유해인자와 인구집단에 대한 고도화 방법, 관련 인체 영향 등에 관한 연구의 하나의 방법론을 제공하고, 지속적인 추가 연구가 필요할 것으로 판단된다.

감사의 글

본 연구는 환경부의 재원으로 한국환경산업기술원의 환경성 질환 예방관리 핵심 기술개발사업의 지원을 받아 수행되었습니다(과제번호: 2021003320008).

CONFLICT OF INTEREST

No potential conflict of interest relevant to this article was reported.

저자정보

우재민(연구원), 민기홍(연구원), 김동준(연구원),

조만수(교수), 성경화(연구원), 원정일(교수),

이채관(교수), 신지훈(연구원), 양원호(교수)

Fig 1.

Figure 1.Location of sensor-based air monitoring station in Guro-gu (N=24) and Wonju-si (N=25)
Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Fig 2.

Figure 2.Visualization of outdoor PM2.5 concentrations by study area using inverse distance weighted
Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Fig 3.

Figure 3.Visualization of the number of existing populations by grid (100 m by 100 m, 1 km by 1 km) of Guro-gu and Wonju-si
Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Fig 4.

Figure 4.Visualization of population exposure by study area, calculated using existing population and projected PM2.5 concentrations per grid
Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Fig 5.

Figure 5.Comparison of population weighted average concentration between Guro-gu and Wonju-si
Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Fig 6.

Journal of Environmental Health Sciences 2022; 48: 298-305https://doi.org/10.5668/JEHS.2022.48.6.298

Table 1 Summary of outdoor PM2.5 concentration data measured at a sensor-based air monitoring station located at each study area

Target areaDateNMean±SDGM (GSD)MinMaxPercentile
25%50%75%95%
Guro-guOct 26th (Tue)52825.3±11.123.1 (2.3)8.067.417.123.130.946.4
Oct 27th (Wed)52842.4±18.139.3 (1.5)14.5111.530.438.552.279.3
Oct 28th (Thu)52822.8±17.316.9 (2.1)3.590.99.915.632.260.1
30.2±15.5
Wonju-siOct 26th (Tue)52446.4±30.339.1 (1.8)8.1210.826.438.559.998.3
Oct 27th (Wed)53262.0±42.150.6 (2.0)8.6288.231.653.779.6149.4
Oct 28th (Thu)53526.7±18.423.1 (1.7)6.0294.616.622.831.754.8
45.0±30.3

Mean: arithmatic average, SD: standard deviation, GM: geometric mean, GSD: geometric standard deviation.


References

  1. EEA. Air Quality in Europe 2019. Available: https://www.eea.europa.eu/publications/air-quality-in-europe-2019 [accessed 18 November 2022]. 
  2. World Health Organization. 9 out of 10 People Worldwide Breathe Polluted Air, but More Countries are Taking Action. Available: https://www.who.int/news-room/detail/02-05-2018-9-out-of-10-people-worldwide-breathe-polluted-air-but-more-countries-are-taking-action [accessed 18 November 2022]. 
  3. Cohen AJ, Brauer M, Burnett R, Anderson HR, Frostad J, Estep K, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015. Lancet. 2017; 389(10082): 1907-1918.
    Pubmed CrossRef
  4. World Health Organization. Health Effects of Particulate Matter. Copenhagen: World Health Organization Regional Office for Europe; 2013. https://www.euro.who.int/__data/assets/pdf_file/0006/189051/Health-effects-of-particulate-matter-final-Eng.pdf 
  5. Kang C, Park S, Sunwoo Y, Kang B, Lee H. Respiratory health effects of fine particles (PM2.5) in Seoul. J Korean Soc Atmos Environ. 2006; 22(5): 554-563. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO200604623601634 
  6. Lee SL, Wong WH, Lau YL. Association between air pollution and asthma admission among children in Hong Kong. Clin Exp Allergy. 2006; 36(9): 1138-1146.
    Pubmed KoreaMed CrossRef
  7. Ministry of Environment. Atmospheric Environment Standards. Available: https://www.me.go.kr/mamo/web/index.do?menuId=586 [accessed 17 November 2022]. 
  8. Yi S, Kim H, Kim S. Exploration and application of regulatory PM10 measurement data for developing long-term prediction models in South Korea. J Korean Soc Atmos Environ. 2016; 32(1): 114-126. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201609562999787 
    CrossRef
  9. Air Korea. About Air Korea. Available: https://www.airkorea.or.kr/web/contents/contentView/?pMENU_NO=91&cntnts_no=1 [accessed 15 November 2022]. 
  10. Kim J, Ghim Y, Han J, Park S, Shin H, Lee S, et al. Long-term trend analysis of Korean air quality and its implication to current air quality policy on ozone and PM10. J Korean Soc Atmos Environ. 2018; 34(1): 1-15. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201810748278998 
    CrossRef
  11. World Health Organization. Health risk assessment of air pollution: general principles. Geneva: World Health Organization; 2016. https://apps.who.int/iris/handle/10665/329677 
  12. Son J, Kim Y, Cho Y, Lee J. Prediction approaches of personal exposure from ambient air pollution using spatial analysis: a pilot study using Ulsan cohort data. J Korean Soc Atmos Environ. 2009; 25(4): 339-346. https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO200931559973245 
    CrossRef
  13. Lin YC, Chi WJ, Lin YQ. The improvement of spatial-temporal resolution of PM2.5 estimation based on micro-air quality sensors by using data fusion technique. Environ Int. 2020; 134: 105305.
    Pubmed CrossRef
  14. Jeon Y, Yang W, Yu S, Lee J, Son B. Personal exposure level and health risk assessment of nitrogen dioxide in an industrial area. J Environ Health Sci. 2008; 34(3): 199-206. https://www.e-jehs.org/journal/view.html?pn=vol&uid=1279&vmd=Full&TG=vol&sm=&s_v=34&s_n=3&year=& 
    CrossRef
  15. Gariazzo C, Carlino G, Silibello C, Renzi M, Finardi S, Pepe N, et al. A multi-city air pollution population exposure study: combined use of chemical-transport and random-forest models with dynamic population data. Sci Total Environ. 2020; 724: 138102.
    Pubmed CrossRef
  16. Kim K, Lee I, Kwak H, Min J. Application study of telecommunication record data in floating population estimation. Seoul Stud. 2015; 16(3): 177-187. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002037565 
  17. Yoo S, Kim B. A decision-making model for adopting a cloud computing system. Sustainability. 2018; 10(8): 2952. https://doi.org/10.3390/su10082952 
    CrossRef
  18. Park J, Ryu H, Kim E, Choe Y, Heo J, Lee J, et al. Assessment of PM2.5 population exposure of a community using sensor-based air monitoring instruments and similar time-activity groups. Atmos Pollut Res. 2020; 11(11): 1971-1981. https://doi.org/10.1016/j.apr.2020.08.010 
    CrossRef
  19. National Geographic Information Institute. National Statistical Map. Available: http://map.ngii.go.kr/ms/map/NlipMap.do [accessed 18 November 2022]. 
  20. Ku C, Shin Y, Lee J, Kim H. The study on the grid size regarding spatial interpolation for local climate maps. Geogr J Korea. 2012; 46(4): 489-500. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART001725948 
  21. Kim D, Min G, Choe Y, Shin J, Woo J, Kim D, et al. Evaluation of population exposures to PM2.5 before and after the outbreak of COVID-19. J Environ Health Sci. 2021; 47(6): 521-529. https://doi.org/10.5668/JEHS.2021.47.6.521 
    CrossRef
  22. Heo J. Advanced exposure assessment based on monitoring sensors estimation for particulate matter in population [dissertation]. [Gyeongsan]: Daegu Catholic University; 2022. http://www.riss.kr/link?id=T16063668 
  23. Gupta P, Doraiswamy P, Levy R, Pikelnaya O, Maibach J, Feenstra B, et al. Impact of California fires on local and regional air quality: the role of a low-cost sensor network and satellite observations. GeoHealth. 2018; 2(6): 172-181. https://doi.org/10.1029/2018GH000136 
    Pubmed KoreaMed CrossRef
  24. Liu HY, Schneider P, Haugen R, Vogt M. Performance assessment of a low-cost PM2.5 sensor for a near four-month period in Oslo, Norway. Atmosphere. 2019; 10(2): 41. https://doi.org/10.3390/atmos10020041 
    CrossRef
  25. Ahmed SO, Mazloum R, Abou-Ali H. Spatiotemporal interpolation of air pollutants in the Greater Cairo and the Delta, Egypt. Environ Res. 2018; 160: 27-34.
    Pubmed CrossRef
  26. Alimissis A, Philippopoulos K, Tzanis CG, Deligiorgi D. Spatial estimation of urban air pollution with the use of artificial neural network models. Atmos Environ. 2018; 191: 205-213. https://doi.org/10.1016/j.atmosenv.2018.07.058 
    CrossRef
  27. National Institute of Environmental Research. Analysis and Interpretation of the Causes of High Particulate Matter Pollution in Gangwon Province. Incheon: National Institute of Environmental Research; 2018. https://scienceon.kisti.re.kr/srch/selectPORSrchReport.do?cn=TRKO201900003799 
  28. Cho S, Kim H, Han Y, Kim W. Characteristics of fine particles measured in two different functional areas and identification of factors enhancing their concentrations. J Korean Soc Atmos Environ. 2016; 32(1): 100-113. https://doi.org/10.5572/KOSAE.2016.32.1.100 
    CrossRef
  29. Brody M, Golub A, Potashnikov V. The effects of increasing population granularity in PM2.5 population-weighted exposure and mortality risk assessment. Environ Health Perspect. 2021; 129(12): 127703.
    Pubmed KoreaMed CrossRef
  30. Singh V, Sokhi RS, Kukkonen J. An approach to predict population exposure to ambient air PM2.5 concentrations and its dependence on population activity for the megacity London. Environ Pollut. 2020; 257: 113623.
    Pubmed CrossRef
  31. Leung DYC. Outdoor-indoor air pollution in urban environment: challenges and opportunity. Front Environ Sci. 2015; 2(69): 1-7. https://www.frontiersin.org/articles/10.3389/fenvs.2014.00069/full 
    CrossRef
  32. Kang D, Choi D. A preliminary study to evaluate the impact of outdoor dust on indoor air by measuring indoor/outdoor particle concentration in a residential housing unit. J KIAEBS. 2015; 9(6): 452-459. https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002060943 
The Korean Society of Environmental Health

Vol.50 No.1
February, 2024

pISSN 1738-4087
eISSN 2233-8616

Frequency: Bimonthly

Current Issue   |   Archives

Stats or Metrics

Share this article on :

  • line