Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Vulnerability Assessment for Fine Particulate Matter (PM2.5) in the Schools of the Seoul Metropolitan Area, Korea: Part II - Vulnerability Assessment for PM2.5 in the Schools

인공지능을 이용한 수도권 학교 미세먼지 취약성 평가: Part II - 학교 미세먼지 범주화

  • Son, Sanghun (Division of Earth Environmental System Science (Major of Spatial Information Engineering), Pukyong National University) ;
  • Kim, Jinsoo (Department of Spatial Information Engineering, Pukyong National University)
  • 손상훈 (부경대학교 지구환경시스템과학부 공간정보시스템전공) ;
  • 김진수 (부경대학교 공간정보시스템공학과)
  • Received : 2021.12.09
  • Accepted : 2021.12.21
  • Published : 2021.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Fine particulate matter (FPM; diameter ≤ 2.5 ㎛) is frequently found in metropolitan areas due to activities associated with rapid urbanization and population growth. Many adolescents spend a substantial amount of time at school where, for various reasons, FPM generated outdoors may flow into indoor areas. The aims of this study were to estimate FPM concentrations and categorize types of FPM in schools. Meteorological and chemical variables as well as satellite-based aerosol optical depth were analyzed as input data in a random forest model, which applied 10-fold cross validation and a grid-search method, to estimate school FPM concentrations, with four statistical indicators used to evaluate accuracy. Loose and strict standards were established to categorize types of FPM in schools. Under the former classification scheme, FPM in most schools was classified as type 2 or 3, whereas under strict standards, school FPM was mostly classified as type 3 or 4.

직경 2.5 ㎛ 이하인 초미세먼지는 급격한 도시화와 인구 증가로 인해 대도시에서 많이 발생하며, 유아 및 청소년기는 성인에 비해 초미세먼지에 취약하고 만성 질환으로 이어질 가능성이 높다. 특히 대부분의 청소년들은 학교에서 가장 많은 시간을 보내고 있으며, 다양한 이유에 의해 실외에서 발생한 초미세먼지가 실내로 유입된다. 본 연구는 외부 요인에 의해 발생하는 학교 초미세먼지를 예측하고 학교별 초미세먼지 범주화를 수행하였다. 10-fold cross validation과 grid-search method를 적용한 random forest (RF) 모델에 화학과 기상 인자, 위성 기반의 aerosol optical depth (AOD)를 입력 자료로 하여 학교 초미세먼지를 예측하고 정확도 평가를 위해 4가지 통계 지표를 이용하였다. 학교 미세먼지 범주화를 위해 6가지 유형을 가진 느슨한 기준과 엄격한 기준을 정의하였으며, 범주화 결과 느슨한 기준의 경우 유형 2와 3에, 엄격한 기준의 경우 유형 3과 4에 가장 많은 학교가 포함되었다.

Keywords

1. 서론

산업화로 인한 도시화, 급속한 인구 증가 등으로 인해 대기 오염과 미세먼지(particulate matter, PM)가 증가 하였으며(Choubin et al., 2020; Zhang et al., 2015), 특히 연료 연소, 자동차로부터 발생하여 독성 물질을 가진 직경이 2.5 µm 이하인 PM2.5가 특히 각광받고 있다(Laden et al., 2000; Schwartz and Neas, 2000). 특히 유아 및 청소년들은 신체에 비해 폐가 크고 PM2.5을 비롯한 대기 오염 물질이 어른에 비해 2~4배 이상 폐에 도달하기 때문에 어린 시절에 대기 오염 노출된다면 만성 폐쇄성 폐 질환으로 이어질 가능성이 높다(Grigg, 2009; Roy et al., 2012).

학교는 흡연과 요리 등과 같은 실내 미세먼지 발생 원이 일반적으로 존재하지 않지만 다른 건물보다 많은 사람들이 제한된 공간에서 장기간 생활하기 때문에 미 세먼지에 대한 노출의 위험이 있다(Fromme et al., 2008; Rovelli et al., 2014). 특히 10대 학생들은 하루의 대부분을 학교에서 생활하기 때문에 미세먼지에 취약하며, 특히 한국의 초등학교 학생들은 하루에 7시간 이상, 1년에 190일 이상을 학교에서 생활하기 때문에 더 취약하다 (Weichenthal et al., 2008; park et al., 2020). PM2.5의 경우 주로 실외에서 발생하지만 입자의 침투 효율과 지리적 위치에 따라 실내 PM2.5의 약 28%는 실외에서 유입되며 (Isiugo et al., 2019; habre et al., 2014), PM2.5 배출원에서과 의 거리, 배출량과 빈도 등이 큰 영향을 미친다(Polednik, 2013). 학교 미세먼지 범주화를 위해 Part I에서는 PM2.5 농도 예측을 위해 에어코리아의 air quality monitoring sites (AQMS)의 PM2.5 자료를 종속 변수로 설정하고 AQMS 의 화학 인자와 기상청의 automaticweathersystem (AWS)의 기상인자,moderate resolution imaging spectroradiometer (MODIS) 위성 기반의 aerosol optical depth (AOD) 자료를 독립 변수로 선정하였다. 미세먼지 예측 모델링을 위해 10-fold cross validation과 grid-search method를 적용한 random forest (RF) 모델을 선정하였으며, 정확도 평가를 위해 여러 통계 지표 산출과 인자별 중요도 평가, 공간 분포 분석 등을 수행하였다(Son and Kim, 2021). 본 연구에서는 Part I에서 학습된 모델을 이용하여 외부 요인이 학교 PM2.5에 미치는 영향을 평가하기 Part I에서 선정한 16개의 독립 변수를 random forest (RF) 모델의 입력 자료로 하여 수도권 학제별 PM2.5 농도를 예측하고 학교 미세먼지 범주화하는데 그 목적을 둔다.

2. 연구대상지역

본 연구는 전국의 초중고등학교 중 35%인 4,186개교 가 소재한 수도권(서울특별시, 인천광역시, 경기도)를 연구 지역으로 선정하였다. 수도권 지역은 전국 초등학교 중 35.3%(2,135개교), 중학교 중 36.0%(1,139개교), 고등학교 중 38.9%(912개교)가 위치하며 서울특별시는 1,309개교(초등학교 604개교, 중학교 385개교, 고등학교 320개교), 인천광역시는 493개교(초등학교 246개교, 중학교 128개교, 고등학교 119개교), 경기도는 2,384개교 (초등학교 1,285개교, 626개교, 473개교)가 소재하고 있다(Fig. 1).

OGCSBN_2021_v37n6_2_1891_f0001.png 이미지

Fig. 1. The research area in this study.

3. 방법론

1) 데이터셋 구축

본 연구는 한국교육개발원(Korean educational development institute)의 교육통계서비스(Korean educational statistics service) 제공하는 2018년 10월 1일 기준 전국 초 중고등학교 자료를 이용하여 학교 범주화를 수행하였다. 전국 초중고등학교 자료는 학교별 학제, 유형, 주소 등의 정보를 제공하고 있으며 주소 정보를 geocoding을 이용하여 공간 자료(point)로 구축하였다. 학교 미세먼지 예측을 위한 학교 데이터셋은 geocoding을 이용하여 생성된 학교별 경위도 좌표와 에어코리아의 AQMS 의 화학 인자 4개(carbon monoxide (CO), nitrogen dioxide (NO2), ozone (O3),sulfur dioxide (SO2)), MODIS의 470 nm 와 550 nm 파장대의 공간 해상도 1 km AOD, 기상청 AWS의 최고기온, 최저기온, 평균기온, 강수량, 평균풍속, 최대풍속, 상대습도와 일별 황사 유무 자료로 선정하였다. 학교 공간 자료와 geotiff 형식의 AOD와 중첩 분석을 통해, AQMS의 화학 인자와 AWS의 기상 인자 는 수도권 지역에 inverse distance weighted (IDW) 기법을 통해 공간 해상도 30 m급의 격자 자료로 구축한 다음 학교 공간 자료와 중첩 분석을 통해 학교 미세먼지 범주화를 위한 데이터셋을 구축하였다(Fig. 2).

OGCSBN_2021_v37n6_2_1891_f0002.png 이미지

Fig. 2. The example of Dataset of November 29th, 2019 constructed in this study; (a) CO, (b) NO2, (c) O3, (d) SO2, (e) AOD observed at 470 nm wavelength, (f) AOD observed at 550nm wavelength, (g) average temperature, (h) average relative humidity

2) 학교 미세먼지 농도 예측과 미세먼지 범주화

본 연구는 10-fold cross validation과 grid-search method 를 적용한 random forest 기법에 구축된 데이터셋을 입력 자료로 하여 학교별/일별 PM2.5 농도를 예측하였으며, PM2.5를 측정하는 에어코리아의 AQMS는 도시대기, 국가배경농도, 교외대기, 도로변대기 측정망이 있다. 이 중 도시대기 측정망은 국가 기관, 학교 등에서 초미세 먼지를 측정하며, 학교 미세먼지 농도 예측의 정확도 평 가를 위해 초중고등학교에 위치한 AQMS 측정소를 선정하여 각 측정소에서 측정한 PM2.5 농도와 본 연구의 모델을 통해 예측된 PM2.5 농도에 대한 정확도 평가를 수행하였다.

세계보건기구(world health organization, WHO)는 24 시간 PM2.5 평균값이 15 µg/m3를 기준으로 두고 있으며, 연평균으로는 5 µg/m3를 기준으로 두고 있다. 국내의 경우 환경부에서 제시한 대기환경기준은 24시간 평균 값이 35 µg/m3를 기준으로 보통과 나쁨으로 구분하고 연평균으로는 15 µg/m3를 기준으로 보통과 나쁨으로 구분한다. 예보 기준의 경우 4단계(좋음, 보통, 나쁨, 매우 나쁨)으로 구분하며 각 기준값은 15 µg/m3, 35 µg/m3, 75 µg/m3로 규정하고 있다. 본 연구는 환경부의 24시간 평균치인 35 µg/m3 이상인 나쁨 기준을 초과하는 일자의 비율을 이용하여 느슨한 기준과 엄격한 기준인 2개의 기준으로 구분하여 학교 범주화를 수행하였다. 각 기준은 6개의 유형으로 구분되며, 기준별/유형별 일자의 비율 범위는 Table 1과 같다.

Table 1. Daily ratio for 6 types of loose and strict standards

OGCSBN_2021_v37n6_2_1891_t0001.png 이미지

4. 결과 및 토의

본 연구에서는 학교 미세먼지 범주화를 위해 RF 모델을 이용하여 학교별/일별 PM2.5를 예측하였으며, 본 연구에서 정의한 기준에 맞게 범주화를 수행하였다. PM2.5 측정소인 AQMS는 국가 기관, 학교, 도로 등에 설치되어 있으며, 본 연구에서는 학교 미세먼지 농도 예측의 정확도 평가를 위해 초,중,고등학교에 설치된 AQMS 9곳을 선정하여 PM2.5 측정 값과 예측 값을 R2, root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) 지표를 이용하였다. 9개 학교에서의 R2와 RMSE, MAE의 범위는 각각 0.71~ 0.89, 4.86~8.25, 3.57~6.65로 높은 정확도를 나타냈으나 반면 MAPE의 범위는 20.24~49.60으로 학교마다 큰 차이를 보인다(Table 2). 낮은 정확도를 보이는 예솔 초등학교, 양지 중학교, 양일 초등학교의 경우 Fig. 2와 같이 AOD의 결측 때문에 구축된 데이터셋의 수가 다른 학교에 비해 적으며 PM2.5 측정값이 높은 날의 경우 과소 추정을 하며 낮은 날의 경우 과대 추정을 하는 경향을 보이기 때문이다.

Table 2. Accuracies evaluation of observed and predicted PM2.5 in 9 AQMS located in school

OGCSBN_2021_v37n6_2_1891_t0002.png 이미지

Fig. 3는 검증에 사용한 각 학교별 일별 PM2.5 측정값 과 예측 값을 나타낸 그래프로 9개 학교 모두 일별 추세를 잘 반영하나 미세먼지 측정값이 과도하게 높거나 낮은 경우 예측 값이 과소추정하거나 과대추정하는 경우가 발생하였다. 9개 학교에서의 PM2.5 측정값 평균 범위 는 19.91~26.45 µg/m3이고 예측 값의 평균 범위는 21.51 ~26.69 µg/m3로 다소 높게 PM2.5를 예측하였다. 하지만 최대값의 경우 측정값의 범위는 79.83~140.63 µg/m3이 고 예측 값은 52.19~131.55 µg/m3로 평균값에 비해 큰 편차를 보인다. 측정값과 예측 값의 전체 평균의 편차 범위는 3.57~6.65 µg/m3로 큰 차이를 보이지 않으나, 일별 편차의 의 경우 최대 43.91 µg/m3까지 차이가 발생하는 것으로 나타났으나 전반적으로 예측 값과 측정값은 유사한 경향을 보였다. 9개 학교에서 계절에 따른 PM2.5 농도를 보았을 때, 일반적으로 늦은 봄부터 가을 중순 까지 상대적으로 낮은 PM2.5 관측 값과 예측 값이 보이 고 늦가을부터 이른 봄까지 가장 높은 PM2.5 관측 값과 예측 값을 보였다. 반면 R2는 봄과 겨울이 여름과 겨울에 비해 높은 정확도를 보이고 있으며, AOD의 결측 값 이 많아 데이터셋의 수가 가장 적은 여름이 0.61로 가장 낮은 정확도를 보인다. RMSE과 MAE는 Fig. 3과 같이 관측 값과 예측 값의 차이가 가장 큰 봄에 가장 낮은 정확도(8.444)를 보이며, MAPE는 R2와 마찬가지로 여름과 가을에 낮은 정확도를 보이며, 이는 MAPE를 산출할 때 식 (1)과 같이 관측 값과 예측 값의 차이를 관측 값으로 나눈 후 절대값을 하고 이들을 평균하고 백분율하기 때문이다. 여름의 경우 관측 값의 수가 적어 평균할 때 오차가 커지며, 가을은 관측 값의 수가 많으나 관측 값 이 다른 계절에 비해 상대적으로 낮아 예측 값과의 차가 클 경우 다른 계절에 비해 큰 오차를 보이기 때문이 다(Table 3).

Table 3. Evaluation of Seasonal accuracy in 9 AQMS located in school

OGCSBN_2021_v37n6_2_1891_t0003.png 이미지

OGCSBN_2021_v37n6_2_1891_f0003.png 이미지

Fig. 3. Line graph by date of observed and predicted PM2.5 in 9 AQMS located in school.

학교 미세먼지 범주화를 위해 본 연구에서는 학교별 /일별 PM2.5 농도 값을 예측하고 일자의 비율을 이용하여 느슨한 기준과 엄격한 기준으로 구분하였다. 느슨한 기준의 경우 유형 2에 포함된 학교가 가장 많았으며 다음으로 유형3, 4, 1, 5, 6순이였다. 유형 2와 3에 속한 학교의 수가 전체 학교의 80% 이상이 차지하고 있으며 유 형 6에 속하는 학교는 경기도 안성시에 위치한 동신초등학교이다. 유형 5의 경우 대부분이 경기도에 위치하고 있으며, 서울특별시의 경우 강남구에 위치한 언주 초 등학교와 서초구에 위치한 양재고등학교이고 인천광역시의 경우 유형 5에 포함된 학교는 없었다(Table 2). 엄격한 기준의 경우 유형 3에 가장 많은 학교가 위치하고 있으며, 유형 4, 5, 2, 6, 1순으로 포함되어 있다. 70% 이상이 유형 3과 유형 4에 속하고 있으며, 엄격한 기준 에서는 유형 5와 6에 포함된 학교의 수가 유형 1과 2에 포함된 학교의 수보다 더 많았다. 서울특별시에서 유형 6에 속하는 학교는 느슨한 기준의 유형 5에 속하는 학교이며, 인천광역시의 경우 유형 6에 포함되는 학교가 없었으며 대부분의 유형 5와 6의 학교가 경기도에 포함되 었다(Table 4). 이는 본 연구에서 적용한 RF 모델이 서울특별시와 인천광역시에서는 높은 정확도를 보이나, 경기도에서는 AQMS 밀도가 낮아 상대적으로 낮은 정확도를 보이기 때문이다(Son and Kim, 2021). 또한 본 연구에서 학교 미세먼지 범주화를 위해 느슨한 기준과 엄격한 기준의 각 유형별 일자의 비율에서 느슨한 기준의 유형 2와 3은 5~10%와 10~15%이고, 엄격한 기준의 유형 3과 4는 6~10%와 10~14%로 매우 유사하기 때문이다.

Table 4. Number of school by standards/types for each administrative division

OGCSBN_2021_v37n6_2_1891_t0004.png 이미지

Table 5과 6는 시도별/학제별 느슨한 기준과 엄격한 기준에 포함된 학교 수를 나타낸 것이며, Fig. 4와 5는 기준별/유형별 학교의 공간 분포를 나타낸 것이다. 느슨한 기준에서 유형 1과 2에 속한 학교들은 주로 인천과 경기도 북쪽에 위치하고 있으며, 반면 유형 4, 5, 6은 주로 경기도 남쪽에 위치하고 있다. 엄격한 기준 또한 느슨한 기준과 같이 유형2와 3은 주로 경기도 북쪽에 위치하고 있으며, 유형 5와 6은 주로 경기도 남쪽에 위치하고 있다. 이는 본 연구에서는 Son and Kim (2021)의 RF 모델을 채택하여 범주화를 수행하였기에 31개 검증 AQMS 공간 분포와 Fig. 4와 5의 공간 분포는 유사한 경향을 보인다. Fig. 6는 학교 PM2.5 농도의 시군구별 평균 값으로 Fig. 3과 4의 범주화 결과와 같이 낮은 유형들이 속한 시군구는 시군구별 PM2.5 농도 예측 값이 낮게 나타났으며, 높은 유형에 속한 시군구는 PM2.5 예측 값이 높게 나타났다. 가장 낮은 PM2.5 예측 값을 가진 시군구는 인천광역시 옹진군으로 14.38 µg/m3이고, 가장 높은 예측 값을 가진 시군구는 경기도 안성시로 102.10 µg/m3 로 나타났다.

Table 5. Number of school by school/types for each administrative division in loose standard

OGCSBN_2021_v37n6_2_1891_t0005.png 이미지

Table 6. Number of school by school/types for each administrative division in strict standard

OGCSBN_2021_v37n6_2_1891_t0006.png 이미지

OGCSBN_2021_v37n6_2_1891_f0004.png 이미지

Fig. 4. 6 Types of loose standard to categorize school PM2.5 concentrations.

OGCSBN_2021_v37n6_2_1891_f0005.png 이미지

Fig. 5. 6 Types of strict standard to categorize school PM2.5 concentrations.

OGCSBN_2021_v37n6_2_1891_f0006.png 이미지

Fig. 6. Average prediction of PM2.5 concentrations each Administrative districts.

5. 결론

본 연구는 수도권에 소재한 학교의 일별 PM2.5 농도 값을 예측하고 환경부에서 규정한 PM2.5 농도가 나쁨 기준인 일평균 35 µg/m3 이상인 날의 비율을 본 연구에서 정의한 기준에 맞추어 학교 미세먼지 범주화를 수행하였다. 10-fold cross validation과 grid-search method를 적용한 RF에 화학 인자, 위성 기반의 AOD, 기상 인자를 입력 자료로 하여 학교별/일별 PM2.5 농도 값을 예측하였다. 예측된 PM2.5 농도 값의 정확도 평가를 위해 AQMS 측정소가 초중교등학교에 위치한 9개의 지점을 선정하였고 PM2.5 측정값과 모델의 예측 값 간의 4가지 통계 지표(R2, RMSE, MAE, MAPE)를 산출하였으며, 모든 측정소에서 높은 정확도를 나타내었다. 학교 미세먼지 범주화는 느슨한 기준과 엄격한 기준으로 나누어 수행하였으며, 느슨한 기준의 경우 일자의 비율이 5~10% 인 유형 2에 가장 많은 학교가 포함되어 있으며, 다음으로 가장 많은 학교는 10~15%인 유형 3에 포함되었다. 반면 일자의 비율이 25% 이상인 유형 6은 유일하게 경기도 안성시에 위치한 동신초등학교가 포함되었으며 인천광역시는 20% 이상의 비율을 가지는 유형 5와 6에 포함되어 있는 학교가 없었다. 엄격한 기준의 경우 6~ 10% 비율을 가진 유형 3에 가장 많은 학교가 포함되어 있으며, 10~14%인 유형 4에 다음으로 가장 많은 학교가 포함되어 있다. 비율이 20% 이상인 유형 6의 학교는

대부분 경기도에 위치하고 있으며 인천광역시는 유형 6에 해당하는 학교가 존재하지 않았다. 유형별 공간 분포를 보았을 때, 느슨한 기준과 엄격한 기준 모두 경기도 남쪽에 유형 3~5에 해당하는 학교가 많이 분포하고 있었으며, 각 시군구별 학교 PM2.5 평균 농도를 보았을 때, 인천광역시 웅진군이 14.38 µg/m3로 가장 낮은 농도를 나타났으며, 경기도 안성시가 102.10 µg/m3로 가장 높은 농도로 나타났다.

사사

이 논문은 2020학년도 부경대학교 연구년 교원 지원 사업에 의하여 연구되었음.

References

  1. Choubin, B., M. Abdolshahnejad, E. Moradi, X. Querol, A. Mosavi, S. Shamshirband, and P. Ghamisi, 2020. Spatial hazard assessment of the PM10 using machine learning models in Barcelona, Spain, Science of The Total Environment, 701(20): 1-11.
  2. Fromme, H., J. Diemer, S. Dietrich, J. Cyrys, J. Heinrich, W. Lang, M. Kiranoglu, and D. Twardella, 2008. Chemical and morphological properties of particulate matter (PM10, PM2.5) in school classrooms and outdoor air, Atmospheric Environment, 42(27): 6597-6605. https://doi.org/10.1016/j.atmosenv.2008.04.047
  3. Grigg, J., 2009. Particulate matter exposure in children: relevance to chronic obstructive pulmonary disease, Proceedings of the American Thoracic Society, 6(7): 564-569.
  4. Habre, R., E. Moshier, W. Castro, A. Nath, A. Grunin, A. Rohr, J. Godbold, N. Schachter, M. Kattan, B. Coull, and P. Koutrakis, 2014. The effects of PM2.5 and its components from indoor and outdoor sources on cough and wheeze symptoms in asthmatic children, Journal of Exposure Science and Environmental Epidemiology, 24(4): 380-387. https://doi.org/10.1038/jes.2014.21
  5. Isiugo, K., R. Jandarov, J. Cox, P. Ryan, N. Newman, S.A. Grinshpun, R. Indugula, S. Vesper, and T. Reponen, 2019. Indoor particulate matter and lung function in children, Science of the Total Environment, 663: 408-417. https://doi.org/10.1016/j.scitotenv.2019.01.309
  6. Laden, F., L.M. Neas, D.W. Dockery, and J. Schwartz, 2000. Association of fine particulate matter from different sources with daily mortality in six US cities, Environmental Health Perspectives, 108(10): 941-947. https://doi.org/10.1289/ehp.00108941
  7. Park, J.H., T.J. Lee, M.J. Park, H. Oh, and Y.M. Jo, 2020. Effects of air cleaners and school characteristics on classroom concentrations of particulate matter in 34 elementary schools in Korea, Building and environment, 167: 106437. https://doi.org/10.1016/j.buildenv.2019.106437
  8. Polednik, B., 2013. Particulate matter and student exposure in school classrooms in Lublin, Poland, Environmental Research, 120: 134-139. https://doi.org/10.1016/j.envres.2012.09.006
  9. Rovelli, S., A. Cattaneo, C.P. Nuzzi, A. Spinazze, S. Piazza, P. Carrer, and D.M. Cavallo, 2014. Airborne particulate matter in school classrooms of northern Italy, International Journal of Environmental Research and Public Health, 11(2): 1398-1421. https://doi.org/10.3390/ijerph110201398
  10. Roy, A., W. Hu, F. Wei, L. Korn, R.S. Chapman, and J.J. Zhang, 2012. Ambient particulate matter and lung function growth in Chinese children, Epidemiology (Cambridge, Mass.), 23(3): 464. https://doi.org/10.1097/EDE.0b013e31824cbd6d
  11. Schwartz, J. and L.M. Neas, 2000. Fine particles are more strongly associated than coarse particles with acute respiratory health effects in schoolchildren, Epidemiology, 11(1): 6-10. https://doi.org/10.1097/00001648-200001000-00004
  12. Son, S. and J. Kim, 2021. Vulnerability Assessment for Fine Particulate Matter(PM2.5) in the Schools of the Seoul Metropolitan Area, Korea: Part I - Predicting Daily PM2.5 Concentrations, Korean Journal of Remote Sensing, 37(6-2): 1881-1890. https://doi.org/10.7780/kjrs.2021.37.6.2.10
  13. Weichenthal, S., A. Dufresne, C. Infante-Rivard, and L. Joseph, 2008. Characterizing and predicting ultrafine particle counts in Canadian classrooms during the winter months: model development and evaluation, Environmental Research, 106(3): 349-360. https://doi.org/10.1016/j.envres.2007.08.013
  14. Zhang, L., L. Liu, Y. Zhao, S. Gong, X. Zhang, D.K. Henze, S.L. Capps, T. Fu, Q. Zhang, and Y. Wang, 2015. Source attribution of particulate matter pollution over North China with the adjoint method, Environmental Research Letters, 10(8): 084011. https://doi.org/10.1088/1748-9326/10/8/084011