초 록
오피스의 수급 불균형은 도시 성장을 약화시킨다. 오피스의 초과공급이 공실률을 높이고 임대료가 하락하는 등 시장의 불안정성을 키울 수 있기 때문이다. 또한 오피스의 초과수요가 기업의 임차비용 을 상승시켜 도시의 산업 성장을 제한할 수 있다. 최근 대규모의 신규 공급이 서울 오피스시장의 변 동성을 높였다. 그럼에도 불구하고 오피스 공급에 대한 연구는 미미한 실정이다. 따라서 본 연구는 서울 오피스 신규 공급의 영향요인을 확인하고 수급 불균형의 주요 원인인 시차를 고려하여 결정요 인들의 동태적 구조적인 움직임을 분석하였다. 이를 위해 시계열모형인 벡터오차수정모형(VECM)을 활용하여 2003년부터 2015년까지 서울 오피스시장의 분기별 자료를 분석하였다. 분석결과, 서울 오 피스 신규 공급에 영향을 주는 요인은 1분기 전 오피스 신규 공급량(-), 1분기 전 오피스 고용자 수 (+), 2분기 전 이자율(+), 1분기 전 cap rate(-), 2분기 전 cap rate(-)으로 확인되었다. 이를 바탕으로 영향요인들 간의 시간에 따른 상호의존성과 변동에 따른 상대적 기여도를 분석한 결과, 이자율과 cap rate은 신규 공급량에 단기적인 영향을 미친 반면 고용과 공실률은 장기적이고 지속적인 영향을 미쳤다. 따라서 예측 가능한 오피스 시장 전망을 위해서는 이러한 오피스 신규 공급 영향요인에 대한 공신력 있는 자료 구축이 필요하고 지속적인 모니터링이 필요하다. 오피스는 기업과 산업의 성장을 이끄는 핵심적인 도시인프라이기 때문이다.
주요어 : 오피스시장, 공급, VECM, 장기 균형, 시계열분석
서울시 미세먼지 관측망 위치 적정성 평가를 위한 공간정보 활용방안
Spatial Information Application Case for Appropriate Location Assessment of PM10 Observation Network in Seoul City
정종철* Jeong, Jong-Chul
Abstract
Recently, PM10 is becoming a main issue in Korea because it causes a variety of diseases, such as respiratory and ophthalmologic diseases. This research studied to spatial information application cases for evaluating the feasibility of the location for PM10 observation stations utilizing Geogrphic Information System(GIS) spatial analysis. The spatial Information application cases for optimal location assessment were investigated to properly manage PM10 observation stations which are closely related with public spatial data and health care.
There are 31 PM10 observation stations in Seoul city and the observed PM10 data at these stations were utilized to understand the overall assessment of PM10 stations to properly manage using interpolation methods. The estimated PM10 using Inverse Distance Weighted(IDW) and Kriging techniques and the map of PM10 concentrations of monitoring stations in Seoul city were compared with public spatial data such as precipitation, floating population, elementary school location. On the basis of yearly, seasonal and daily PM10 concentrations were used to evaluate the feasibility analysis and the location of current PM10 monitoring stations. The estimated PM10 concentrations were compared with floating population and calculated 2015 PM10 distribution data using zonal statistical methods. The national spatial data could be used to analyze the PM10 pollution distribution and additional determination of PM10 monitoring sites. It is further suggested that the spatial evaluation of national spatial data can be used to determine new location of PM10 monitoring stations.
Keywords : PM10, GIS, Spatial Analysis, Public Spatial Data
* 남서울대학교 GIS공학과 교수 Department of GIS, Namseoul University(First author: [email protected])
1. 서론
1.1. 연구배경 및 필요성
서울시는 2016년 1월부터 6월까지 서울시의 입체 측정망과 경계측정망을 포함한 대기오염측정소 31개 지점에서 미세먼지(PM10) 일평균 기준 초과 횟수가 185회였다. 더불어 동기간의 서울시 초미세먼지(PM2.5) 초과횟수는 234회였다(Seoul city 2016). 또한 서울시 는 2017년 봄에도 미세먼지 문제에 대한 언론보도가 급격히 증가하였다. 이에 따라 환경부는 황사와 같이 외국으로부터 유입되는 미세먼지 뿐만 아니라 국내 화 력발전소, 경유 차량 등 미세먼지 발생 원인에 대한 분석 과 저감 대책을 제시하였다.
미세먼지는 크기에 관계없는 총 먼지 기준으로 대 기환경기준을 시행해 오다가 1995년에 PM10으로 미 세먼지 기준을 변경하였다. PM10은 미세먼지의 입자 크기에 따라 PM2.5와 구분된다. PM2.5는 호흡을 통 해 인체로 들어가는 경우 폐의 기능을 약하게 만들며 일부는 주변 모세혈관을 타고 혈액으로 침투하여 관 련 질환자의 사망 가능성을 높이는 것으로 나타났다 (Jaime et al. 2009. PM2.5는 노약자와 호흡기 질환자 에게 보통 머리카락 직경의 20분의 1보다 더 작은 매 우 미세한 입자로 국제적으로 공인된 유해물질이다 (Shuting et al. 2011; Boris et al. 2012.).
이에 따라 정부는 특별대책으로 수송, 발전·산업, 생활주변 등 국내 주요 배출원에 대해 대폭적인 미세 먼지 감축을 추진한다고 밝혔다. 또한 2017년 5월 10 일 취임한 문재인 대통령은 미세먼지 종합대책을 추 진한다고 공약하였고, 업무지시를 통해 화력발전 일 시 중단 등 미세먼지 저감 대책을 지시했다.
2016년 11월 11일에는 미래창조과학부, 환경부, 보 건복지부가 합동으로 ‘과학기술 기반 미세먼지 대응 전략’을 발표했다. 이에 따라 미세먼지 대응기술 개발 을 추진할 범부처 단일사업단을 발족하였고, 미세먼
지 저감기술개발 및 산업화 촉진 생태계 조성을 위해 관계 부처 태스크포스 및 민관 협의회 등 협업체계를 구축, 운영한다고 밝혔다(MISP, 2016). 그러나 전국적 인 미세먼지의 종합대책은 저감 기술 개발과 발생 원 인이 되는 화력발전소, 경유차 등 발생원인의 감소 전 략에 초점을 맞추고 있다. 이러한 정책은 장기적으로 대기질 개선에 효과적인 수단이지만, 이를 지속적으로 추진하기 위해서는 많은 사회적 비용이 요구되고 있다.
국가 공간정보는 미세먼지의 발생 원인에 대한 정 밀한 위치정보를 가지고 있다. 따라서 미세먼지 대책 에 대한 정보를 원하는 수요자는 다양한 미세먼지 관 련 공간정보를 앱을 통해 제공받을 수 있다. 그러나 공 간정보의 기술과 분석기법을 활용한 미세먼지 대응정 책의 연구는 부족한 실정이다. 특히 미세먼지 측정망 의 공간분석을 이용하여 정확한 미세먼지의 시-공간 분포분석을 수행한 연구는 Cho and Jeong(2009)과 Jeong(2014)처럼 제한적이다. 따라서 본 연구에서는 국가공간정보를 이용하여 미세먼지 측정소의 위치 적 정성을 평가하고 효과적인 공간정보 활용 분야를 파 악하는 것은 중요한 요소라고 판단하였다.
1.2. 연구의 목적
미세먼지 농도는 다양한 배출원과 미세먼지 발생인 자에 의해 시-공간적으로 농도 분포가 다르다. 또한 미세먼지 농도 분포는 기상조건과 지역적인 지형조건 등에 영향을 받기 때문에 미세먼지 농도 분포에 영향 을 미치는 인자를 파악하여야 한다(Stijn 2008).
미세먼지의 공간 분포 특성을 파악하기 위해서는 미세먼지 측정치를 측정소 위치정보를 반영하여 해석 할 수 있다(Wong et al 2004). 그러나 미세먼지 농도 를 측정하는 관측망은 미세먼지 관측소가 설치된 위 치의 공간적 대표성이 부족하다. 지역적인 미세먼지 농도 분포는 관측망의 표준화된 지역적 특성을 반영 해야 함에도 불구하고 미세먼지 관측망은 도로변, 공
원, 주택단지 등 다양한 관측망의 위치에 따라 분포하 고 있다. 이러한 측정지점에 대한 미세먼지 측정은 공 간 대표성이 부적합하여 공간분석을 적용할 수 없는 문제점이 나타나고 있다. 또한 미세먼지 관측망은 관 리주체의 기관에 따라 측정소 위치가 지정되고 있어 서 공간적 대표성을 판단하기 어렵다.
서울시에 있는 미세먼지 관측소는 서울시 보건환경 연구원과 환경부가 운영하고 있는 측정소가 있다. 이 들 미세먼지 관측소는 공중 보건과 대기질의 평가를 위해 측정된 자료를 시간별, 일별, 월별 평균 자료에 의해 관측지점의 전체적인 PM10 현황 파악을 수행 하고 있다(Cho and Jeong 2009; Wasim et al 2015:
Jeong 2014: Fikret and Meryem 2015). 그러나 기 존의 대기오염 자동측정소는 측정소 공간적 배치의 위치선정 문제점과 해당 측정소 관측농도가 측정소 지역을 대표할 수 있는가의 문제를 개선하기 위해 다 양한 공간적 평가가 필요하다. 그러나 미세먼지 관측 망의 적정성을 평가하는 기법과 평가절차에서 국가공 간정보의 효과적인 활용이 이루어지지 못하고 있다.
본 연구는 국가공간정보와 GIS 공간분석 기법을 활용하여 미세먼지 관측망의 최적화를 위한 공간정보 활용방안을 도출하기 위한 연구사례를 제시하고 향후 공간정보 활용 연구 과제를 제시하는데 연구의 목적 을 두었다.
2. 연구방법 및 범위
2.1. 자료 수집 및 공간범위
본 연구에서는 서울시 미세먼지 측정소 위치정보에 의한 미세먼지 측정농도의 공간적 분포를 분석하였다 (Figure 1). 미세먼지 농도는 서울시와 환경부에서 운 영하는 측정소 위치정보를 비교하였고, 서울시를 연구 의 공간적 범위로하여 미세먼지의 공간적 분포 특성을 파악하였다(https://www.airkorea. or.kr).
국가공간정보는 인구, 도로, 공원, 공시지가, 학교 위 치정보 등 국가공간정보의 위치정보와 속성정보를 데 이터베이스로 구축하고 미세먼지의 분포와 비교하였 다(https://www.data.go.kr).
Figure 1. Distribution map of fine dust station in Seoul Source : Air Korea
2.2. 자료 분석방법
본 연구에서는 미세먼지의 관측 농도와 공시지가, 공원율, 초등학교 분포, 유동인구 같은 자료를 비교 분 석하여 국가공간정보를 활용한 사례를 제시하였다. 특히 미세먼지의 관측점 위치가 지역을 대표할 수 있 는 적정한 위치인가를 평가하기 위해 미세먼지의 공 간분포에 대한 공간정보 적용 사례를 제시하였다. 유 동인구는 요일별로 07시부터 21시까지 집계되는데 평일과 주말을 구분하여 진행하기 위해 평일은 월요 일, 주말은 토요일로 기준을 설정했다. 또한 시간대는 유동인구가 가장 많을 것으로 추정되는 출, 퇴근 혼잡 시간대인 08~09시와 18~19시로 각각 설정했다. 특히 미세먼지는 Figure 1과 같이 도시대기측정소와 도로 변측정소의 측정치를 공간보간 기법을 적용하여 측정 소 위치의 적정성을 최적화할 수 있도록 관측소 이외 미관측지점의 미세먼지농도를 추정하였고, 미세먼지 농도와 각각의 공간정보에 대한 활용 가능성을 평가 하였다(Figure 2).
1. 서론
1.1. 연구배경 및 필요성
서울시는 2016년 1월부터 6월까지 서울시의 입체 측정망과 경계측정망을 포함한 대기오염측정소 31개 지점에서 미세먼지(PM10) 일평균 기준 초과 횟수가 185회였다. 더불어 동기간의 서울시 초미세먼지(PM2.5) 초과횟수는 234회였다(Seoul city 2016). 또한 서울시 는 2017년 봄에도 미세먼지 문제에 대한 언론보도가 급격히 증가하였다. 이에 따라 환경부는 황사와 같이 외국으로부터 유입되는 미세먼지 뿐만 아니라 국내 화 력발전소, 경유 차량 등 미세먼지 발생 원인에 대한 분석 과 저감 대책을 제시하였다.
미세먼지는 크기에 관계없는 총 먼지 기준으로 대 기환경기준을 시행해 오다가 1995년에 PM10으로 미 세먼지 기준을 변경하였다. PM10은 미세먼지의 입자 크기에 따라 PM2.5와 구분된다. PM2.5는 호흡을 통 해 인체로 들어가는 경우 폐의 기능을 약하게 만들며 일부는 주변 모세혈관을 타고 혈액으로 침투하여 관 련 질환자의 사망 가능성을 높이는 것으로 나타났다 (Jaime et al. 2009. PM2.5는 노약자와 호흡기 질환자 에게 보통 머리카락 직경의 20분의 1보다 더 작은 매 우 미세한 입자로 국제적으로 공인된 유해물질이다 (Shuting et al. 2011; Boris et al. 2012.).
이에 따라 정부는 특별대책으로 수송, 발전·산업, 생활주변 등 국내 주요 배출원에 대해 대폭적인 미세 먼지 감축을 추진한다고 밝혔다. 또한 2017년 5월 10 일 취임한 문재인 대통령은 미세먼지 종합대책을 추 진한다고 공약하였고, 업무지시를 통해 화력발전 일 시 중단 등 미세먼지 저감 대책을 지시했다.
2016년 11월 11일에는 미래창조과학부, 환경부, 보 건복지부가 합동으로 ‘과학기술 기반 미세먼지 대응 전략’을 발표했다. 이에 따라 미세먼지 대응기술 개발 을 추진할 범부처 단일사업단을 발족하였고, 미세먼
지 저감기술개발 및 산업화 촉진 생태계 조성을 위해 관계 부처 태스크포스 및 민관 협의회 등 협업체계를 구축, 운영한다고 밝혔다(MISP, 2016). 그러나 전국적 인 미세먼지의 종합대책은 저감 기술 개발과 발생 원 인이 되는 화력발전소, 경유차 등 발생원인의 감소 전 략에 초점을 맞추고 있다. 이러한 정책은 장기적으로 대기질 개선에 효과적인 수단이지만, 이를 지속적으로 추진하기 위해서는 많은 사회적 비용이 요구되고 있다.
국가 공간정보는 미세먼지의 발생 원인에 대한 정 밀한 위치정보를 가지고 있다. 따라서 미세먼지 대책 에 대한 정보를 원하는 수요자는 다양한 미세먼지 관 련 공간정보를 앱을 통해 제공받을 수 있다. 그러나 공 간정보의 기술과 분석기법을 활용한 미세먼지 대응정 책의 연구는 부족한 실정이다. 특히 미세먼지 측정망 의 공간분석을 이용하여 정확한 미세먼지의 시-공간 분포분석을 수행한 연구는 Cho and Jeong(2009)과 Jeong(2014)처럼 제한적이다. 따라서 본 연구에서는 국가공간정보를 이용하여 미세먼지 측정소의 위치 적 정성을 평가하고 효과적인 공간정보 활용 분야를 파 악하는 것은 중요한 요소라고 판단하였다.
1.2. 연구의 목적
미세먼지 농도는 다양한 배출원과 미세먼지 발생인 자에 의해 시-공간적으로 농도 분포가 다르다. 또한 미세먼지 농도 분포는 기상조건과 지역적인 지형조건 등에 영향을 받기 때문에 미세먼지 농도 분포에 영향 을 미치는 인자를 파악하여야 한다(Stijn 2008).
미세먼지의 공간 분포 특성을 파악하기 위해서는 미세먼지 측정치를 측정소 위치정보를 반영하여 해석 할 수 있다(Wong et al 2004). 그러나 미세먼지 농도 를 측정하는 관측망은 미세먼지 관측소가 설치된 위 치의 공간적 대표성이 부족하다. 지역적인 미세먼지 농도 분포는 관측망의 표준화된 지역적 특성을 반영 해야 함에도 불구하고 미세먼지 관측망은 도로변, 공
원, 주택단지 등 다양한 관측망의 위치에 따라 분포하 고 있다. 이러한 측정지점에 대한 미세먼지 측정은 공 간 대표성이 부적합하여 공간분석을 적용할 수 없는 문제점이 나타나고 있다. 또한 미세먼지 관측망은 관 리주체의 기관에 따라 측정소 위치가 지정되고 있어 서 공간적 대표성을 판단하기 어렵다.
서울시에 있는 미세먼지 관측소는 서울시 보건환경 연구원과 환경부가 운영하고 있는 측정소가 있다. 이 들 미세먼지 관측소는 공중 보건과 대기질의 평가를 위해 측정된 자료를 시간별, 일별, 월별 평균 자료에 의해 관측지점의 전체적인 PM10 현황 파악을 수행 하고 있다(Cho and Jeong 2009; Wasim et al 2015:
Jeong 2014: Fikret and Meryem 2015). 그러나 기 존의 대기오염 자동측정소는 측정소 공간적 배치의 위치선정 문제점과 해당 측정소 관측농도가 측정소 지역을 대표할 수 있는가의 문제를 개선하기 위해 다 양한 공간적 평가가 필요하다. 그러나 미세먼지 관측 망의 적정성을 평가하는 기법과 평가절차에서 국가공 간정보의 효과적인 활용이 이루어지지 못하고 있다.
본 연구는 국가공간정보와 GIS 공간분석 기법을 활용하여 미세먼지 관측망의 최적화를 위한 공간정보 활용방안을 도출하기 위한 연구사례를 제시하고 향후 공간정보 활용 연구 과제를 제시하는데 연구의 목적 을 두었다.
2. 연구방법 및 범위
2.1. 자료 수집 및 공간범위
본 연구에서는 서울시 미세먼지 측정소 위치정보에 의한 미세먼지 측정농도의 공간적 분포를 분석하였다 (Figure 1). 미세먼지 농도는 서울시와 환경부에서 운 영하는 측정소 위치정보를 비교하였고, 서울시를 연구 의 공간적 범위로하여 미세먼지의 공간적 분포 특성을 파악하였다(https://www.airkorea. or.kr).
국가공간정보는 인구, 도로, 공원, 공시지가, 학교 위 치정보 등 국가공간정보의 위치정보와 속성정보를 데 이터베이스로 구축하고 미세먼지의 분포와 비교하였 다(https://www.data.go.kr).
Figure 1. Distribution map of fine dust station in Seoul Source : Air Korea
2.2. 자료 분석방법
본 연구에서는 미세먼지의 관측 농도와 공시지가, 공원율, 초등학교 분포, 유동인구 같은 자료를 비교 분 석하여 국가공간정보를 활용한 사례를 제시하였다.
특히 미세먼지의 관측점 위치가 지역을 대표할 수 있 는 적정한 위치인가를 평가하기 위해 미세먼지의 공 간분포에 대한 공간정보 적용 사례를 제시하였다. 유 동인구는 요일별로 07시부터 21시까지 집계되는데 평일과 주말을 구분하여 진행하기 위해 평일은 월요 일, 주말은 토요일로 기준을 설정했다. 또한 시간대는 유동인구가 가장 많을 것으로 추정되는 출, 퇴근 혼잡 시간대인 08~09시와 18~19시로 각각 설정했다. 특히 미세먼지는 Figure 1과 같이 도시대기측정소와 도로 변측정소의 측정치를 공간보간 기법을 적용하여 측정 소 위치의 적정성을 최적화할 수 있도록 관측소 이외 미관측지점의 미세먼지농도를 추정하였고, 미세먼지 농도와 각각의 공간정보에 대한 활용 가능성을 평가 하였다(Figure 2).
Selection of PM10 Network
▫ Spatial analysis of PM10 location
▫ Collection of PM10 observation data
⇩
Seasonal and daily PM10
▫ Spatial data analysis test
▫ Location manage of PM10 observation sites
⇩
Suggestion of Research Field of Spatial Data Analysis
▫ Map of PM10 using IDW
▫ Public spatial data analysis
▫ Elementary school location analysis
▫ Floating population analysis
Figure 2. Research flow and data processing of average concentration PM10 in Seoul
서울시와 환경부 미세먼지 측정소의 위치정보를 기 반으로 미세먼지의 공간적 분포를 파악하기 위한 공 간분석은 Inverse Distance Weighted(IDW)와 Kriging 기법을 활용하여 서울지역이외 정점을 포함 PM10 농도 지도를 작성하였다. 이러한 공간분석은 최적합 위치선정 기법을 파악하기 위한 방법으로 도시대기측 정소에 의한 미세먼지 관측농도가 어떤 분포 특성이 있는지 시계열 분석하였다(Fuentes 2002:Diema and Comrie 2002). Figure 3과 같이 IDW는 인접 지점은 공통된 위치요인으로 측정값이 유사성을 가지는 반면 측정점의 거리가 멀어질수록 측정값의 유사성은 상대 적으로 감소한다는 원리를 나타낸 것이다. 공간보간 의 추정값은 측정점 거리의 역수를 가중치로 하여 공 간보간을 실시한 것으로 탐색반경과 샘플수의 지정에 따라 최적의 공간보간 결과를 도출할 수 있다. 공간보 간기법에서 RBF(Radial Basis Function)과 Spline은 표면 곡률 총합이 최소가 되도록 미관측 지점의 값과 관측값의 범위가 최대, 최소를 벗어날 수 있으며, RBF 과 IDW는 다음 식 1과 같다.
(1)
미세먼지 관측소의 관측 농도는 월 평균자료와 4계 절의 평균자료를 공간보간기법에 적용하였고, 이의 공간보간 결과를 통해 미관측지점의 미세먼지 농도 분포를 파악하였다(Figure 3).
Figure 3. Spatial interpolation algorithm IDW
3. 연구결과 및 고찰 3.1. 미세먼지 공간보간 분석
Figure 4는 서울시의 2015년 월별 미세먼지 농도 평균치를 나타낸 것이다. 서울시의 PM10과 PM2.5는 2월과 3월에 가장 높은 농도를 나타내고 있으며, 1월 과 12월에도 대기환경기준인 50㎍/㎥을 초과하는 측 정지역이 나타나고 있다. 본 연구에서는 미세먼지 측 정소의 평균치 이상인 공간분포를 확인하였다. 미세 먼지 농도의 공간분석에서 가장 피해가 심각한 행정지 역을 바탕으로 하여 상관관계 분석을 실시하였고, 2월 평균 미세먼지 농도를 공간분석의 표본으로 설정하였다.
Figure 5는 2015년 2월 서울시 미세먼지 측정 농도 공간자료에서 성북구가 가장 낮게 나왔고, 서초구, 종
로구, 노원구, 관악구, 마포구 등이 다른 구에 비하여 높은 수치로 나타났다. 미세먼지의 공간보간 결과에 대한 측정소와 인접 지역에서의 농도 분포는 Figure 6(서울시 봄철 미세먼지 분포)과 Figure 7(서울시 여 름철 미세먼지 분포)의 계절적 농도 분포 경향을 반영 하고 있는 상황이다. Figure 8(서울시 가을철 미세먼 지 분포)과 Figure 9(서울시 겨울철 미세먼지 분포)의 계절적 미세먼지 농도 분포는 강서구와 중구 지역의 농도가 높은 경향을 나타내고 있다. 이러한 서울시 계 절에 따른 미세먼지 공간분포는 지역적인 배출원과 서울시의 다양한 공간적 특성을 반영하고 있는 결과 이다. 향후 서울시 미세먼지 측정소의 측정지점과 지 형, 상업지역 배출원, 도로망 등 다양한 공간정보와 미 세먼지의 상관성을 분석하는 것이 요구된다.
Figure 4. Graph of monthly average concentration of PM10 and PM2.5 Source : Seoul city
Figure 5. Phase PM10 distribution map of February 2015 concentration value of IDW
Figure 6. Spring season of PM10 concentration in Seoul(2015)
Figure 7. Summer season of PM10 concentration in Seoul(2015)
Figure 8. Fall season of PM10 concentration in Seoul(2015)
Selection of PM10 Network
▫ Spatial analysis of PM10 location
▫ Collection of PM10 observation data
⇩
Seasonal and daily PM10
▫ Spatial data analysis test
▫ Location manage of PM10 observation sites
⇩
Suggestion of Research Field of Spatial Data Analysis
▫ Map of PM10 using IDW
▫ Public spatial data analysis
▫ Elementary school location analysis
▫ Floating population analysis
Figure 2. Research flow and data processing of average concentration PM10 in Seoul
서울시와 환경부 미세먼지 측정소의 위치정보를 기 반으로 미세먼지의 공간적 분포를 파악하기 위한 공 간분석은 Inverse Distance Weighted(IDW)와 Kriging 기법을 활용하여 서울지역이외 정점을 포함 PM10 농도 지도를 작성하였다. 이러한 공간분석은 최적합 위치선정 기법을 파악하기 위한 방법으로 도시대기측 정소에 의한 미세먼지 관측농도가 어떤 분포 특성이 있는지 시계열 분석하였다(Fuentes 2002:Diema and Comrie 2002). Figure 3과 같이 IDW는 인접 지점은 공통된 위치요인으로 측정값이 유사성을 가지는 반면 측정점의 거리가 멀어질수록 측정값의 유사성은 상대 적으로 감소한다는 원리를 나타낸 것이다. 공간보간 의 추정값은 측정점 거리의 역수를 가중치로 하여 공 간보간을 실시한 것으로 탐색반경과 샘플수의 지정에 따라 최적의 공간보간 결과를 도출할 수 있다. 공간보 간기법에서 RBF(Radial Basis Function)과 Spline은 표면 곡률 총합이 최소가 되도록 미관측 지점의 값과 관측값의 범위가 최대, 최소를 벗어날 수 있으며, RBF 과 IDW는 다음 식 1과 같다.
(1)
미세먼지 관측소의 관측 농도는 월 평균자료와 4계 절의 평균자료를 공간보간기법에 적용하였고, 이의 공간보간 결과를 통해 미관측지점의 미세먼지 농도 분포를 파악하였다(Figure 3).
Figure 3. Spatial interpolation algorithm IDW
3. 연구결과 및 고찰 3.1. 미세먼지 공간보간 분석
Figure 4는 서울시의 2015년 월별 미세먼지 농도 평균치를 나타낸 것이다. 서울시의 PM10과 PM2.5는 2월과 3월에 가장 높은 농도를 나타내고 있으며, 1월 과 12월에도 대기환경기준인 50㎍/㎥을 초과하는 측 정지역이 나타나고 있다. 본 연구에서는 미세먼지 측 정소의 평균치 이상인 공간분포를 확인하였다. 미세 먼지 농도의 공간분석에서 가장 피해가 심각한 행정지 역을 바탕으로 하여 상관관계 분석을 실시하였고, 2월 평균 미세먼지 농도를 공간분석의 표본으로 설정하였다.
Figure 5는 2015년 2월 서울시 미세먼지 측정 농도 공간자료에서 성북구가 가장 낮게 나왔고, 서초구, 종
로구, 노원구, 관악구, 마포구 등이 다른 구에 비하여 높은 수치로 나타났다. 미세먼지의 공간보간 결과에 대한 측정소와 인접 지역에서의 농도 분포는 Figure 6(서울시 봄철 미세먼지 분포)과 Figure 7(서울시 여 름철 미세먼지 분포)의 계절적 농도 분포 경향을 반영 하고 있는 상황이다. Figure 8(서울시 가을철 미세먼 지 분포)과 Figure 9(서울시 겨울철 미세먼지 분포)의 계절적 미세먼지 농도 분포는 강서구와 중구 지역의 농도가 높은 경향을 나타내고 있다. 이러한 서울시 계 절에 따른 미세먼지 공간분포는 지역적인 배출원과 서울시의 다양한 공간적 특성을 반영하고 있는 결과 이다. 향후 서울시 미세먼지 측정소의 측정지점과 지 형, 상업지역 배출원, 도로망 등 다양한 공간정보와 미 세먼지의 상관성을 분석하는 것이 요구된다.
Figure 4. Graph of monthly average concentration of PM10 and PM2.5 Source : Seoul city
Figure 5. Phase PM10 distribution map of February 2015 concentration value of IDW
Figure 6. Spring season of PM10 concentration in Seoul(2015)
Figure 7. Summer season of PM10 concentration in Seoul(2015)
Figure 8. Fall season of PM10 concentration in Seoul(2015)
Figure 9. Winter season of PM10 concentration in Seoul(2015)
3.2. 미세먼지 측정소와 공간정보 적용사례 Figure 10은 2015년 서울시 2월 미세먼지 농도 자 료와 공원율을 함께 나타내었다. 공원율이 가장 높은 강북구의 미세먼지 농도가 다른 구에 비해 높은 농도 를 보이고, 오히려 그 아래에 위치한 성북구가 공원율 이 강북구보다 훨씬 낮음에도 불구하고 미세먼지 농 도가 가장 낮은 모습을 보인다. 이러한 결과를 보았을 때, 공원율이 높은 지역이 미세먼지 농도가 낮다고 보 기 어렵다고 판단되었다.
Figure 10. Phase classification map of percentage of park and average concentration value of PM10 in Seoul(2015.2)
Figure 11. Phase classification map of average precipitation and average concentration value of PM10 in Seoul
Figure 12. Average concentration value of PM10 and Elementary School locations in Seoul(2015.1)
Figure 11은 2015년 서울시 2월 미세먼지 농도 데 이터와 평균 강수량 데이터를 함께 제시하였다. 대체 적으로 성북구와 동작구를 보았을 때 강수량이 가장 많은 지역의 미세먼지 농도 수치가 다른 구에 비해 확 연히 낮은 것을 확인할 수 있다. 하지만 강수량이 적었 던 동대문구, 금천구, 송파구 등도 미세먼지 농도가 낮 게 나타났기 때문에 상관관계가 높은 것으로 판단하 기 어려워 보인다.
Figure 12는 2015년 서울시 1월 평균 미세먼지 농 도 단계구분도 및 초등학교, 미세먼지 측정소 분포도 를 나타낸 사례이다. 미세먼지 측정지점과 고농도 미 세먼지 분포지역에 포함되는 초등학교를 추출하고 해 당 시점의 학교 체육활동과 교외활동에서 미세먼지
경보에 대한 노약자 피해 대응을 제안한 것이다.
2017년 정부는 모든 초등학교에 미세먼지 측정 장 비를 보급하는 계획을 검토한바 있으며, 이러한 장비 의 보급이 추진될 경우 현재 환경부와 서울시 관측지 점과 학교측정망의 측정 자료는 상호 보완적으로 사 용되어 미세먼지 공간분석을 위한 측정망이 효과적으 로 운영될 수 있을 것으로 기대된다.
3.3. 유동인구 공간정보 적용사례
Figure 13은 서울시 미세먼지(PM10) 측정소 위치 와 유동인구의 시-공간적 분포를 비교한 것이다. 서울 시는 관리주체에 따라 구마다 1곳씩 미세먼지 측정소 가 설치되어 있다. 서울시와 환경부는 최근과 같은 미 세먼지 농도의 심각성을 고려할 때, 추가적인 측정소 설치 장소를 파악하고 기존 측정소의 문제점을 공간 정보의 비교 사례를 기초로 재설정할 필요가 있다. 먼 저 기존 측정소 이외 추가적인 측정소를 설치하게 된 다면 유동인구가 많은 곳이 필요하다고 판단되었다.
미세먼지의 특성상 집안 보다는 야외 활동 특히 출퇴 근 시간 등에 따른 노출피해가 클 것으로 판단된다. 따 라서 측정소의 공간적 대표성을 찾기 위해 미세먼지 피해자인 서울시민의 유동인구가 측정소 입지 분석 시에 고려해야 할 가장 중요한 요소 중 하나이다.
본 연구에서는 2015년 서울시 유동인구 데이터를 바탕으로 ArcGIS에서 유동인구를 Figure 13부터 Figure 16과 같이 나타내었다. 이를 현재 측정소의 위 치와 유동인구가 많은 지역의 위치 정보와 비교하였 다. 그 결과 현재 설치되어 있는 측정소와 거리가 먼 유동인구 밀집 지역 중에 평일과 주말 공통적으로 미 세먼지 관심지역으로 나타난 곳을 발견하였다. 여의 도 일대의 영등포구와 경부고속도로 시작점이 위치한 반포IC부근의 강남구이다.
본 연구에서 제시한 토요일과 월요일은 유동인구의 대표성을 제시한 사례이며, 인구 밀집도가 높은 지역
은 미세먼지 측정 자료의 정밀한 평가가 요구된다. 미 세먼지 원인과 대기질 개선 및 저감기술 적용에 대한 기여도와 실질적인 미세먼지 농도 감소 효과의 인과 관계를 적절하게 파악하기 위해서는 무엇보다도 미세 먼지 관측 자료의 신뢰도를 확보해야 하고 정확한 측 정 자료에 기반하여 미세먼지의 시-공간적 분포를 파 악하여야 한다. 그러나 미세먼지 농도의 측정소가 공 간정보를 기반으로 최적지로 위치되지 못하고 이에 대한 정밀한 진단을 내리지 못하는 경우 미세먼지 저 감 정책의 실패를 경험할 것으로 예상된다.
Figure 13. Interpolation map of the floating population on Monday during the morning rush hours (08~09h) and Distribution map of PM10 station in Seoul (2015)
Figure 14. Interpolation map of the floating population on Monday during the evening rush hours (18~19h) and Distribution map of PM10 station in Seoul (2015)
Figure 9. Winter season of PM10 concentration in Seoul(2015)
3.2. 미세먼지 측정소와 공간정보 적용사례 Figure 10은 2015년 서울시 2월 미세먼지 농도 자 료와 공원율을 함께 나타내었다. 공원율이 가장 높은 강북구의 미세먼지 농도가 다른 구에 비해 높은 농도 를 보이고, 오히려 그 아래에 위치한 성북구가 공원율 이 강북구보다 훨씬 낮음에도 불구하고 미세먼지 농 도가 가장 낮은 모습을 보인다. 이러한 결과를 보았을 때, 공원율이 높은 지역이 미세먼지 농도가 낮다고 보 기 어렵다고 판단되었다.
Figure 10. Phase classification map of percentage of park and average concentration value of PM10 in Seoul(2015.2)
Figure 11. Phase classification map of average precipitation and average concentration value of PM10 in Seoul
Figure 12. Average concentration value of PM10 and Elementary School locations in Seoul(2015.1)
Figure 11은 2015년 서울시 2월 미세먼지 농도 데 이터와 평균 강수량 데이터를 함께 제시하였다. 대체 적으로 성북구와 동작구를 보았을 때 강수량이 가장 많은 지역의 미세먼지 농도 수치가 다른 구에 비해 확 연히 낮은 것을 확인할 수 있다. 하지만 강수량이 적었 던 동대문구, 금천구, 송파구 등도 미세먼지 농도가 낮 게 나타났기 때문에 상관관계가 높은 것으로 판단하 기 어려워 보인다.
Figure 12는 2015년 서울시 1월 평균 미세먼지 농 도 단계구분도 및 초등학교, 미세먼지 측정소 분포도 를 나타낸 사례이다. 미세먼지 측정지점과 고농도 미 세먼지 분포지역에 포함되는 초등학교를 추출하고 해 당 시점의 학교 체육활동과 교외활동에서 미세먼지
경보에 대한 노약자 피해 대응을 제안한 것이다.
2017년 정부는 모든 초등학교에 미세먼지 측정 장 비를 보급하는 계획을 검토한바 있으며, 이러한 장비 의 보급이 추진될 경우 현재 환경부와 서울시 관측지 점과 학교측정망의 측정 자료는 상호 보완적으로 사 용되어 미세먼지 공간분석을 위한 측정망이 효과적으 로 운영될 수 있을 것으로 기대된다.
3.3. 유동인구 공간정보 적용사례
Figure 13은 서울시 미세먼지(PM10) 측정소 위치 와 유동인구의 시-공간적 분포를 비교한 것이다. 서울 시는 관리주체에 따라 구마다 1곳씩 미세먼지 측정소 가 설치되어 있다. 서울시와 환경부는 최근과 같은 미 세먼지 농도의 심각성을 고려할 때, 추가적인 측정소 설치 장소를 파악하고 기존 측정소의 문제점을 공간 정보의 비교 사례를 기초로 재설정할 필요가 있다. 먼 저 기존 측정소 이외 추가적인 측정소를 설치하게 된 다면 유동인구가 많은 곳이 필요하다고 판단되었다.
미세먼지의 특성상 집안 보다는 야외 활동 특히 출퇴 근 시간 등에 따른 노출피해가 클 것으로 판단된다. 따 라서 측정소의 공간적 대표성을 찾기 위해 미세먼지 피해자인 서울시민의 유동인구가 측정소 입지 분석 시에 고려해야 할 가장 중요한 요소 중 하나이다.
본 연구에서는 2015년 서울시 유동인구 데이터를 바탕으로 ArcGIS에서 유동인구를 Figure 13부터 Figure 16과 같이 나타내었다. 이를 현재 측정소의 위 치와 유동인구가 많은 지역의 위치 정보와 비교하였 다. 그 결과 현재 설치되어 있는 측정소와 거리가 먼 유동인구 밀집 지역 중에 평일과 주말 공통적으로 미 세먼지 관심지역으로 나타난 곳을 발견하였다. 여의 도 일대의 영등포구와 경부고속도로 시작점이 위치한 반포IC부근의 강남구이다.
본 연구에서 제시한 토요일과 월요일은 유동인구의 대표성을 제시한 사례이며, 인구 밀집도가 높은 지역
은 미세먼지 측정 자료의 정밀한 평가가 요구된다. 미 세먼지 원인과 대기질 개선 및 저감기술 적용에 대한 기여도와 실질적인 미세먼지 농도 감소 효과의 인과 관계를 적절하게 파악하기 위해서는 무엇보다도 미세 먼지 관측 자료의 신뢰도를 확보해야 하고 정확한 측 정 자료에 기반하여 미세먼지의 시-공간적 분포를 파 악하여야 한다. 그러나 미세먼지 농도의 측정소가 공 간정보를 기반으로 최적지로 위치되지 못하고 이에 대한 정밀한 진단을 내리지 못하는 경우 미세먼지 저 감 정책의 실패를 경험할 것으로 예상된다.
Figure 13. Interpolation map of the floating population on Monday during the morning rush hours (08~09h) and Distribution map of PM10 station in Seoul (2015)
Figure 14. Interpolation map of the floating population on Monday during the evening rush hours (18~19h) and Distribution map of PM10 station in Seoul (2015)
Figure 15. Interpolation map of the floating population on Saturday during the morning rush hours (08~09h) and Distribution map of PM10 station in Seoul (2015)
Figure 16. Interpolation map of the floating population on Saturday during the evening (18~19h) and Distribution map of PM10 station in Seoul (2015)
4. 결론
서울의 연평균 미세먼지 농도는 2001년 이후부터 2014년까지 감소하였다. 2010년 이후 서울의 연평균 미세먼지 농도는 환경기준치인 50μg/m³ 이하를 기록 하였다. 이러한 결과는 대기질 개선대책에 투입된 많 은 예산의 결과이다. 그러나 2016년과 2017년 서울시 미세먼지는 높은 농도가 계속되었다. 이에 대한 정밀
한 미세먼지 관측정보의 수집과 노약자, 호흡기 피해 자 중심의 미세먼지 대응 정책을 수립하는 것이 필요 하며, 이를 위해서는 국가공간정보의 활용이 무엇보 다도 절실하게 요구되는 시점이다.
본 연구에서는 미세먼지 측정자료의 공간보간과 국 가공간정보자료를 이용하여 미세먼지 측정망의 정확 도를 높이고 미세먼지 피해자를 중심으로 한 측정망 입지설계를 위한 사례를 제시하였다. 특히 초등학교 위치와 측정소 입지의 평가와 유동인구와 측정망의 공간적 분포와의 관계를 적용사례로 비교하였다.
본 연구는 공간정보의 활용을 위한 사례연구이며, 공간분석기법과 알고리즘을 적용한 신규 측정소 입지 선정을 향후 연구과제로 제안하고자 한다. 특히 미세 먼지 저감을 위한 국가 예산 투입과 이를 효과적으로 분석 평가하기 위한 공간정보 분석기술 개발은 추후 연구될 과제로 제안하였고, 본 연구에서는 이러한 연 구목적을 달성하기 위한 다양한 시도와 정밀한 평가 기법의 개발을 제안한다. 특히 본 연구에서는 강우량, 공시지가, 초등학교 위치, 유동인구 등의 다양한 정보 를 기반으로 향후 미세먼지에 대한 효과적인 정보서 비스 플렛폼 개발을 제안한다.
감사의 글
본 연구는 2017년도 남서울대학교 학술연구비 지 원에 의해 연구되었습니다.
참고문헌 References
조홍래. 정종철. 2009. 공간보간 기법에 의한 서울시 PM10 분포 분석, 한국환경영향평가학회지.
18(1):31-39.
Cho HR. Jeong, JC. 2009. The Distribution Analysis of PM10 in Seoul Using Spatial Interpolation Methods. KSEIA. 18(1):31-39.
정종철. 2014. 서울시 PM10의 시계열 공간 분포 분석, 한국지리정보학회지. 17(1):61-69.
Jeong JC. 2014. A Spatial Distribution Analysis and Time Series Change of PM10 in Seoul City.
KAGIS. 17(1):61-69.
Boris A. 2012. High prevalence of childhood asthma in Northern Israel is linked to air pollution by particulate matter: evidence from GIS analysis and Bayesian Model Averaging.
International Journal of Environmental Health Research 22(3):249-269.
Diema JE, Comrie AC. 2002. Predictive mapping of air pollution involving sparse spatial observations.
EnvironmentalPollution.119(1):99-117.
Jaime E. Hart. 2009. Spatial Modeling of PM10 and NO2 in the Continental United States, 1985–
2000. Environ Health Perspect. 2009 Nov;
117(11): 1690–1696.
Fuentes, M. 2002. Interpolation of nonstationary air pollution processes; a spatial spectral approach, Statistical Modelling. 2:281-298.
Fikret T. Meryem B. 2015.Analysis of PM10 Pollutant in Istanbul by Using Kriging and IDW Methods: Between 2003 and 2012.
International Journal of Computer and Information Technology. 4(1):170-175.
Rogas-Avellaneda, D. 2007. Spatial interpolation techniques for stimating levels of pollutant concentraions in the atmosphere. Revista Mexicana de Fisica, 53(6):447-454.
Stijn Janssen. 2008. Spatial interpolation of air pollution measurements using CORINE land cover data. Atmosphere Environment. 42(1) : 2882- 2903.
Shuting Li. Shujun Song. Xin Fei. 2011. Spatial
characteristics of air pollution in the main city area of Chengdu, China. Geoinformatics, 2011 19th International Conference.
Seoul City. 2015. Report of Air-Quality of Seoul City. pp. 25-26.
Wasim J. Ghulan M. Hamaad R. 2015. A GIS based on Air Quality Assessment along the Roadside Environment in PAKISTAN. Poll Res. 34(1): 1-7.
Wong D.W. Yuan, L. Perlin, S.A. 2004. Comparison of spatial interpolation methods for the estimation of air quality data. Journal of Exposure Analysis and Environmental Epidemiology. 14(1):404-415.
서울시 대기환경정보. 2017. 서울시 대기환경정보[인 터넷]. [http://cleanair.seoul.go.kr]. 2017년 10 월 2일 검색.
Air Quality Information in Seoul City. 2017. Air Quality Information in Seoul City[Internet]. [http://cleanair.seoul.go.kr]. Last accessed 2 October 2017.
I Seoul You 서울통계. 2017. 서울통계[인터넷]. [http://stat.seoul.go.kr]. 2017년 10월 2일 검색. I Seoul You Statistics of Seoul City. 2017. Statistics
of Seoul City[Internet]. http://stat.seoul. go.kr]. Last accessed 2 October 2017.
서울특별시.2017. 자동기상관측시스템[인터넷]. [http://aws.seoul.go.kr/]. 2017년 10월 2일 검색.
Seoul City. 2017. Automatic Weather System [Internet]. [http://aws.seoul.go.kr/]. Last accessed 2 October 2017.
공공데이터포털. 2017. 공공데이터포털[인터넷]. [https://www.data.go.kr/dataset]. 2017년 10 월 2일 검색.
Figure 15. Interpolation map of the floating population on Saturday during the morning rush hours (08~09h) and Distribution map of PM10 station in Seoul (2015)
Figure 16. Interpolation map of the floating population on Saturday during the evening (18~19h) and Distribution map of PM10 station in Seoul (2015)
4. 결론
서울의 연평균 미세먼지 농도는 2001년 이후부터 2014년까지 감소하였다. 2010년 이후 서울의 연평균 미세먼지 농도는 환경기준치인 50μg/m³ 이하를 기록 하였다. 이러한 결과는 대기질 개선대책에 투입된 많 은 예산의 결과이다. 그러나 2016년과 2017년 서울시 미세먼지는 높은 농도가 계속되었다. 이에 대한 정밀
한 미세먼지 관측정보의 수집과 노약자, 호흡기 피해 자 중심의 미세먼지 대응 정책을 수립하는 것이 필요 하며, 이를 위해서는 국가공간정보의 활용이 무엇보 다도 절실하게 요구되는 시점이다.
본 연구에서는 미세먼지 측정자료의 공간보간과 국 가공간정보자료를 이용하여 미세먼지 측정망의 정확 도를 높이고 미세먼지 피해자를 중심으로 한 측정망 입지설계를 위한 사례를 제시하였다. 특히 초등학교 위치와 측정소 입지의 평가와 유동인구와 측정망의 공간적 분포와의 관계를 적용사례로 비교하였다.
본 연구는 공간정보의 활용을 위한 사례연구이며, 공간분석기법과 알고리즘을 적용한 신규 측정소 입지 선정을 향후 연구과제로 제안하고자 한다. 특히 미세 먼지 저감을 위한 국가 예산 투입과 이를 효과적으로 분석 평가하기 위한 공간정보 분석기술 개발은 추후 연구될 과제로 제안하였고, 본 연구에서는 이러한 연 구목적을 달성하기 위한 다양한 시도와 정밀한 평가 기법의 개발을 제안한다. 특히 본 연구에서는 강우량, 공시지가, 초등학교 위치, 유동인구 등의 다양한 정보 를 기반으로 향후 미세먼지에 대한 효과적인 정보서 비스 플렛폼 개발을 제안한다.
감사의 글
본 연구는 2017년도 남서울대학교 학술연구비 지 원에 의해 연구되었습니다.
참고문헌 References
조홍래. 정종철. 2009. 공간보간 기법에 의한 서울시 PM10 분포 분석, 한국환경영향평가학회지.
18(1):31-39.
Cho HR. Jeong, JC. 2009. The Distribution Analysis of PM10 in Seoul Using Spatial Interpolation Methods. KSEIA. 18(1):31-39.
정종철. 2014. 서울시 PM10의 시계열 공간 분포 분석, 한국지리정보학회지. 17(1):61-69.
Jeong JC. 2014. A Spatial Distribution Analysis and Time Series Change of PM10 in Seoul City.
KAGIS. 17(1):61-69.
Boris A. 2012. High prevalence of childhood asthma in Northern Israel is linked to air pollution by particulate matter: evidence from GIS analysis and Bayesian Model Averaging.
International Journal of Environmental Health Research 22(3):249-269.
Diema JE, Comrie AC. 2002. Predictive mapping of air pollution involving sparse spatial observations.
EnvironmentalPollution.119(1):99-117.
Jaime E. Hart. 2009. Spatial Modeling of PM10 and NO2 in the Continental United States, 1985–
2000. Environ Health Perspect. 2009 Nov;
117(11): 1690–1696.
Fuentes, M. 2002. Interpolation of nonstationary air pollution processes; a spatial spectral approach, Statistical Modelling. 2:281-298.
Fikret T. Meryem B. 2015.Analysis of PM10 Pollutant in Istanbul by Using Kriging and IDW Methods: Between 2003 and 2012.
International Journal of Computer and Information Technology. 4(1):170-175.
Rogas-Avellaneda, D. 2007. Spatial interpolation techniques for stimating levels of pollutant concentraions in the atmosphere. Revista Mexicana de Fisica, 53(6):447-454.
Stijn Janssen. 2008. Spatial interpolation of air pollution measurements using CORINE land cover data. Atmosphere Environment. 42(1) : 2882- 2903.
Shuting Li. Shujun Song. Xin Fei. 2011. Spatial
characteristics of air pollution in the main city area of Chengdu, China. Geoinformatics, 2011 19th International Conference.
Seoul City. 2015. Report of Air-Quality of Seoul City. pp. 25-26.
Wasim J. Ghulan M. Hamaad R. 2015. A GIS based on Air Quality Assessment along the Roadside Environment in PAKISTAN. Poll Res. 34(1):
1-7.
Wong D.W. Yuan, L. Perlin, S.A. 2004. Comparison of spatial interpolation methods for the estimation of air quality data. Journal of Exposure Analysis and Environmental Epidemiology.
14(1):404-415.
서울시 대기환경정보. 2017. 서울시 대기환경정보[인 터넷]. [http://cleanair.seoul.go.kr]. 2017년 10 월 2일 검색.
Air Quality Information in Seoul City. 2017. Air Quality Information in Seoul City[Internet].
[http://cleanair.seoul.go.kr]. Last accessed 2 October 2017.
I Seoul You 서울통계. 2017. 서울통계[인터넷].
[http://stat.seoul.go.kr]. 2017년 10월 2일 검색.
I Seoul You Statistics of Seoul City. 2017. Statistics of Seoul City[Internet]. http://stat.seoul.
go.kr]. Last accessed 2 October 2017.
서울특별시.2017. 자동기상관측시스템[인터넷].
[http://aws.seoul.go.kr/]. 2017년 10월 2일 검색.
Seoul City. 2017. Automatic Weather System [Internet]. [http://aws.seoul.go.kr/]. Last accessed 2 October 2017.
공공데이터포털. 2017. 공공데이터포털[인터넷].
[https://www.data.go.kr/dataset]. 2017년 10 월 2일 검색.
Open Data Portal. 2017. Open Data Portal [Internet]. [https://www.data.go.kr/dataset].
Last accessed 2 October 2017..
2017년 10월 10일 원고접수(Received) 2017년 11월 21일 1차심사(1st Reviewed) 2017년 12월 5일 2차심사(2nd Reviewed) 2017년 12월 8일 게재확정(Accepted)
초 록
최근 미세먼지는 국내에서 중요한 사안으로 되어가고 있다. 왜냐하면 미세먼지는 호흡기 질환, 안과 질 환과 같은 수많은 질병을 불러일으키기 때문이다. 본 연구는 GIS 공간분석 기술을 이용하여 PM10 관측소 의 위치에 대한 적정성을 평가하기 위하여 공간정보의 활용 사례를 제시하였다. 미세먼지 측정소 최적 위 치를 평가하기 위한 공간정보 활용사례는 국가 공간자료와 건강위해성과 밀접하게 관련있는 PM10 측정 자료의 최적 위치와 함께 조사되었다. 서울시에는 31개 관측소가 있으며, 이들 측정소에서 관측된 PM10 자료를 가지고 추정된 PM10 농도는 공간보간기법을 적용하여 적정한 측정소 위치평가기법을 제시하는데 적용하였다. 서울시에서 PM10 측정망의 농도지도와 IDW와 크리깅 방법으로 추정된 농도는 강우량, 유동 인구, 초등학교 위치정보와 같은 국가공간정보와 비교하였다. 일평균, 계절평균, 연평균 등의 PM10 농도 는 현재의 PM10 측정소 위치와 위치적정성을 분석하는데 사용하였다. PM10농도는 2015년 유동인구와 지역 통계분석법에 적용된 계산된 PM10 분포와 비교하였다. 국가공간데이터는 PM10 오염분포와 부가적 인 PM10 모니터링 사이트를 분석하는데 적용 가능하였다. 본 연구의 향후 연구과제는 PM10 모니터링 측 정소의 새로운 위치를 선정하는데 사용된 국가공간정보의 활용성을 제안하는데 있다.
주요어 : 미세먼지, 지리정보시스템, 공간분석, 국가공간데이터
재조합을 위한 Bottom-up 공간정보제품 제작 방법
*A Study on a Recombination Method for the Bottom-up Construction of Spatial Information Products
최재연** · 김은형*** Choi, Jae-Yeon · Kim, Eun-Hyung
Abstract
This study is on a recombination method for the construction of spatial information products which demands are unpredictably various. The present production method of digital maps is not flexible enough for their reusability because it is not object-oriented but top-down. Each spatial object needs to have particular attributes to be recombined. The demand changes the production method through the reclassification of data and changing the properties. In a user perspective, the bottom-up method can produce on-demand spatial information products including existing digital maps. The method is derived from case studies and theoretical reviews and compared with the existing production method. In the method spatial information products are reclassified by their geometry objects such as point, line, and polygon, with basic attributes, and other related domain attributes. The geometry objects and domain attributes are connected by adding new attributes for their later relationship and management, which make the recombination possible. To prove its usability of the method it is tested for current and future user demands including the national base map, thematic maps and the future spatial information products.
Keywords: Cartography, Spatial object, Spatial information product, Recombination method, Bottom-up approach, National base map
1. 서론
지도제작의 영역에서 공간정보는 과거 지형지물의 기록물로서의 지도에서 현실에서 보이지 않는 정보의
저장과 표현, 개인 제작이 가능한 맞춤형 스마트지도 의 개념으로 확장되고 있다. 이런 지도의 개념적 확장 은 지도제작의 주체를 변화시키고 있다. 과거 지도 제 작은 국가 및 공공기관을 통해서 제작되었는데 이는
* 본 논문은 국토지리정보원의 '신국가기본도체계 연구'의 일환으로 수행된 '신국가기본도 체계 실현을 위한 추진계획 연구'를 수정·보완하였습니다.
** 가천대학교 조경학과 석사 Dept. of Landscape Architecture, Gachon University(First author: [email protected]) *** 가천대학교 조경학과 교수 Dept. of Landscape Architecture, Gachon University(Corresponding author: ehkim1@
gachon.ac.kr)
