1. 서론

이산화탄소(carbon dioxide, CO₂)는 지구온난화 및 기후변화를 일으키는 대표적인 온실기체로 알려져 있으며, 자연적 및 인위적 배출원 모두에서 발생한다(Intergovernmental Panel on Climate Change, 2001). 대기중으로 배출된 CO₂는 생태계와 해양에서 약 50%가 흡수되지만, 지속적인 화석연료 사용의 증가로 전 지구 CO₂ 배출량은 2021년 기준 전년도 대비 6% 증가한 36.3 Gt으로 보고되었다(International Energy Agency, 2022). 그러나 최근 연구에 따르면, 2011~2020년 평균 해양으로는 10.2±1.5 Gt/yr, 생태계로는 11.2±2.2 Gt/yr으로 흡수되어 CO₂의 배출량 증가에 따라 자연적으로 흡수되는 양도 증가하고 있음을 밝혔다(Friedlingstein et al., 2022). 따라서, 대기 중 CO₂ 농도의 변화를 이해하기 위해서는 배출과 흡수과정이 종합적으로 포함된 탄소순환 시스템에 대한 고려가 필수적이다(Shim, 2010; Choi and Um, 2013; Yun and Jeong, 2021; Friedlingstein et al., 2022; Meng et al., 2022).

한국은 파리협정(Paris Agreement)을 준수하며, 2030년까지 2018년 기준 총 배출량 대비 40% 감축 목표와 2050년까지 탄소중립을 달성하기로 선언하였다(United Nations Framework Convention on Climate Change, 2015). 이 과정에서 객관적이고 검증 가능한 국가배출량 자료와 국가온실가스감축목표(Nationally Determined Contributions)가 제시되어야 한다. 한국의 경우, 이산화탄소를 비롯한 온실가스의 배출량과 흡수량의 변동을 감시하기 위해 환경부 온실가스종합정보센터(Greenhouse Gas Inventory and Research Center, GIR)에서 매년 국가 온실가스 인벤토리보고서(National Inventory Report)를 제출하고 국내배출량을 종합적으로 평가하고 있다. 또한 기상청은 대기 중 CO₂를 감시하는 관측망 4개소(안면도, 고산, 울릉도, 독도)가 1990년부터 운영되고 있으며, 대기 중 기후변화 원인물질들의 농도를 지속적으로 모니터링 하고 있다. 그러나 국가 배출량 인벤토리(inventory)의 경우 배출량 산정 및 검증에 2년 정도의 시차가 발생하고, 지상기반 관측소는 지역적으로 한정되어 있기 때문에 한국 전체의 CO₂ 농도를 관측하기엔 공간적 한계가 있다.

최근에는 지상관측 자료의 공간적 한계성을 보완하기 위해서 위성 원격탐사로 관측된 CO₂ 농도를 이용한 연구들이 활발히 진행되고 있고, 위성에서 관측한 온실가스 정보를 배출량자료와 비교하여 배출량을 평가하는 연구들이 수행되고 있다(Woo et al., 2018; Chevallier et al., 2022). Xu et al. (2023)은 배출량 자료 Multi-resolution Emission Inventory for China의 nitrogen monoxide (NO) + nitrogen dioxide (NO₂)=nitrogen oxides(NOx)와 Ozone Monitoring Instrument (OMI)에서 관측된 NO₂ 연직기 주농도를 비교하여 중국지역의 배출량을 평가하고, 도시 지역에서 인위적 NOx 배출량이 과대평가되었음을 보였다. Seo et al. (2020)은 대기정책지원시스템(Clean Air Policy Support System), 중화인민공화국 국가통계국(National Bureau of Statistics) 배출량 NOx, sulfur dioxide (SO₂) + sulfur trioxide (SO₃) = sulfur oxides (SOx) 자료와 OMI에서 관측된 NO₂, SO₂ 자료를 이용하여 NO₂/NOx, SO₂/SOx 비율이 증가함에 따라 한반도 지역의 인위적 배출량 외에 다른 요인이 대기 중 NO₂ 및 SO₂ 농도에 영향을 주고 있음을 제시하였다. Zhang et al. (2022)은 위성 Greenhouse Gases Observing Satellite (GOSAT)와 Orbiting Carbon Observatory-2 (OCO-2) 관측을 통해 연직건조 공기몰분율(column-averaged CO₂ dry-air mole fraction, XCO₂)을 사용하여 상향식 배출 인벤토리인 China high resolution emission database (CHRED), Peking University (PKU), Open-source Data Inventory for Anthropogenic CO₂ (ODIAC) 및 Emissions Database for Global Atmospheric Research (EDGAR)의 차이와 불확실성을 비교하고, 위성관측 자료를 활용한 머신 러닝 기반 모델에 의해 예측된 배출량 인벤토리를 평가하였다. 그 결과 중국 지역에서 ODIAC 및 EDGAR 배출량이 과대평가되었음을 확인하였다.

본 연구에서는 온실기체 중 CO₂ 배출량 자료와 위성기반 대기 중 CO₂ 농도에서 나타나는 한반도 권역별 차이를 우선적으로 확인하고자 하였다. 이를 위해 2014년부터 2018년까지 5년 동안 OCO-2 위성으로 관측된 XCO₂ 자료, 환경부 GIR의 국가 배출량 인벤토리, EDGAR 배출량 자료를 활용하여 연도별, 월별로 변화추이를 살펴보고, XCO₂ 농도가 높거나 낮은 권역에서 나타나는 관계성을 분석하였다. 또한, 이 과정에서 OCO-2 위성으로 관측되는 CO₂의 식생 흡수와 관계된 solar-induced fluorescence (SIF)와 비교하여 배출량과 위성기반 관측자료의 차이점을 설명하고자 하였다.

2. 연구자료 및 방법

2.1. 연구자료

2.1.1. OCO-2 XCO₂와 SIF

OCO-2는 2014년 7월에 발사된 National Aeronautics and Space Administration의 극궤도 위성으로, 대기 중 이산화탄소의 배출 및 흡수를 파악하고 전 지구 이산화탄소의 계절 주기 변동성을 정량적으로 측정하는 임무를 가지고 있다(Baker et al., 2010). OCO-2는 태양동기궤도로 약 705 km 고도에서 1.61 µm, 2.06 µm CO₂ 흡수선과 O₂ A밴드 흡수선의 세기를 측정하여 16일에 한 번씩 전지구 XCO₂를 평균 오차 1 ppm 이내에서 관측한다. 또한 높은 공간분해능(1.29 × 2.25 km)을 보이며 좁은 영역 내에서도 CO₂의 변동을 민감하게 감지할 수 있어 최근까지 많은 연구들에서 사용되어 왔다(Schwandner et al., 2017; Qiu et al., 2020; Jiang et al., 2021; Park et al., 2021; Albright et al., 2022; Fu et al., 2022).

OCO-2 위성에서는 XCO₂ 관측자료와 함께 대기 중 이산화탄소의 생태계 흡수를 살펴볼 수 있는 SIF가 산출된다. SIF는 엽록소a 분자가 햇빛에 노출될 때 방출하는 전자기 신호이며, 광합성과 상관관계가 높아(Sun et al., 2017; Dechant et al., 2022) 식물 성장에 따른 탄소흡수의 변동성을 설명할 수 있다. OCO-2 위성에서는 757 nm, 771 nm 2개 파장에서 SIF가 관측되는데, 757 nm SIF는 771 nm SIF보다 1.4~1.7배 더 강하게 반응한다.

따라서 Verma et al. (2017)과 Park et al. (2021)의 선행연구 방법론과 동일하게 771 nm SIF에 1.4배를 곱하고 2개 파장 SIF값을 평균하여 사용하였다.

본 연구에서는 2014년 9월부터 2018년 12월까지 OCO-2 V10r Level 2 XCO₂ 및 OCO-2 V10r Level 2 Lite SIF 자료를 이용하였다. XCO₂ 자료는 quality flag가 good인 픽셀, SIF의 경우는 quality flag가 good 또는 best인 픽셀만 사용하였다. 또한, 한반도 지역을 7개 대도시(서울, 부산, 대구, 인천, 광주, 대전, 울산)와 10개의 지방도 및 지방자치시/도(세종특별자치시, 경기도, 강원도, 충청북도, 충청남도, 전라북도, 전라남도, 경상북도, 경상남도, 제주특별자치도)로 구분하고 각 권역에 해당하는 값으로 분석을 진행하였다.

2.1.2. 한국의 온실가스 배출량 자료

본 연구에서는 한국지역 온실가스 배출량 자료로 환경부 GIR에서 제공하는 지역별 온실가스 인벤토리를 사용하였다(https://www.gir.go.kr). 1990년부터 산정된 온실가스 배출량은 Intergovernmental Panel on Climate Change (IPCC) 지침에 따라 크게 에너지, 산업공정, 농업, Land Use-Land Use Change and Forestry (LULUCF), 폐기물 분야로 구분된다. 이 중 LULUCF는 토지이용, 토지용도의 변경, 임업분야에 따른 온실가스의 흡수 및 배출을 평가한다. 국가 온실가스 인벤토리는 6대 온실가스인 이산화탄소, 메탄, 아산화질소, 수소불화탄소, 과불화탄소, 육불화황의 배출량을 산출하며, IPCC 제2차 평가보고서의 지구온난화지수를 사용해 CO₂ 환산량(CO₂ equivalent, CO₂eq.)으로 제공한다(Greenhouse Gas Inventory and Research Center, 2022). 본 연구에서는 2021년에 공식적으로 발표된 광역지자체 기준 지역별 온실가스 인벤토리 자료를 사용하였고, 특히 LULUCF가 포함된 연도별 이산화탄소 순 배출량 자료(본 연구에서는 GIR로 명명함)를 사용하였다.

2.1.3. The Emissions Database for Global Atmospheric Research

EDGAR는 전 지구 상향식 배출량 인벤토리로 0.1° × 0.1° 공간해상도의 국가별 배출량을 제공한다. EDGAR 배출량은 전력산업, 정유산업, 제조용 연소, 화석연료 연소, 비금속광물 공정, 금속생산 공정, 용제 사용과 같은 20개 분야의 화석 CO₂ 배출원을 포함한다. 국가 별 배출량은 국제에너지기구(International Energy Agency)의 에너지 균형 통계와 Beyond Petroleum (BP)의 국가별 활동 데이터 세트에서 도출된다(Crippa et al., 2021). 본 연구에서는 2014년부터 2018년까지 월별 EDGAR CO₂ 배출량(버전 6.0)을 사용하였다. 앞서 구분한 한국의 17개 지역에 해당하는 EDGAR 격자의 값을 평균하여 각 지역의 배출량으로 간주하였다.

2.2. 연구 방법

대기 중 이산화탄소는 약 5~200년의 장기 체류 물질이며(Intergovernmental Panel on Climate Change, 2001), 연별로 뚜렷하게 증가되는 추세를 제거하고 분석하기 위해서 최소 제곱 선형법(Bevington and Robinson, 2003)으로 각 지역별 추세선을 구하고, 추세선과 각 일별 값의 편차를 구하였다. 그리고 전체 기간의 각 지역 평균 농도에서 편차를 더하여 추세를 제거한 XCO₂ (본 연구에서는 detrended XCO₂ = dXCO₂로 표시)를 사용하였다(Jiang et al., 2021; Albright et al., 2022).

위에서 계산한 dXCO₂ 값과 GIR, EDAGR를 2014년부터 2018년까지 평균하여 17개 지역에 대한 순위로 Table 1에 정리하였다. 또한, dXCO₂, GIR, EDGAR에 대한 관계성을 분석하기 위해서, dXCO₂를 기준으로 상위, 하위 20%인 지역들을 선정하였다. 상위 그룹 지역으로는 인천(415.9 ppm), 서울(413.6 ppm), 경기도(412.5 ppm) 순으로 높게 나타나고, 하위 그룹으로는 제주도(407.8 ppm), 강원도(409.1 ppm), 충청북도(409.8 ppm)순으로 낮게 나타났다(Table 1). 광주는 2014년부터 2018년까지 OCO-2의 관측 값이 없기 때문에 연구에서 제외하였고, 제주와 인천지역 XCO₂는일년중 4개월 이상 결측, 즉 계절 편차에 따른 오차 가능성으로 dXCO₂ 순위 3위인 경기도, 14위인 충청북도로 각각 대체하였다.

Table 1. Ranking of OCO-2 dXCO₂, GIR and EDGAR CO₂ emissions inventory for 17 regions in the Korean Peninsula from 2014 to 2018

3. 연구결과 및 분석

3.1. 한반도 XCO₂ 및 GIR, EDGAR 배출량의 연평균 특성

Fig. 1은 2014년부터 2018년까지 한국 지역의 dXCO₂, GIR, EDGAR 연변동성을 나타낸 것이다.GIR과 EDGAR의 CO₂ 배출량은 모두 매년 꾸준히 증가하고 있지만, 위성기반 대기 중 CO₂ 농도를 나타내는 dXCO₂는 2015년과 2018년에 전년 대비 감소하여 배출량 연변동성과 불일치를 보인다. 또한, GIR과 EDGAR 배출량의 경우도 2014년 대비 2018년에 각각 6.4%와 10.8% 증가한 것으로 나타나 각 배출량의 증가율에서도 차이를 보였다.

Fig. 1. Average annual trend of dXCO₂ and emissions on the Korean Peninsula from 2014 to 2018. The black circles, white circles, and squares indicate data dXCO₂ of OCO-2, GIR, and EDGAR emissions.

이러한 위성기반 dXCO₂와 CO₂ 배출량의 연변동성 차이는 지역별로 나눠서 살펴볼 때 뚜렷한 차이를 보인다. Fig. 2는 dXCO₂ 순위에 따른 상위지역(서울, 경기도)과 하위지역(충청북도, 강원도)에 대해서 Fig. 1과 동일하게 나타낸 것이다. Fig. 2(a)에서 나타낸 서울의 경우, EDGAR 배출량은 매년 증가하지만 GIR 배출량은 2015년부터 감소하면서, 배출량 자료들의 연변동성이 반대로 나타났다. 반면 경기도, 강원도, 충청북도 지역의 경우는 GIR과 EDGAR 배출량 모두 전반적으로 증가되는 경향을 동일하게 보였다(Fig. 2b–d).

Fig. 2. Average annual trend of dXCO₂ and emissions for 4 regions. High concentrations of dXCO₂: (a) Seoul and (b) Gyeonggi-do. Low concentrations of dXCO₂: (c) Gangwon-do and (d) Chungcheongbuk-do. The black circles, white circles, and squares indicate data dXCO₂ of OCO-2, GIR, and EDGAR emissions.

지역별로 살펴봤을 때, 위성기반 dXCO₂와 배출량의 연변동성 차이는 더 크게 나타났다. 특히, 한국 전체로 살펴본 Fig. 1에서도 2018년 dXCO₂ 감소가 나타난 바와 같이 경기도, 충청북도 지역에서 두 배출량(GIR, EDGAR)이 전년도에 비해 증가하지만(경기도 8%, 3.4%; 충청북도 2.2%, 1.1%), dXCO₂ 값은 각각 0.4%, 0.8% 감소하였다(Fig. 2b, d). 이러한 결과들은 위성기반 XCO₂ 농도와 배출량 인벤토리 사이에 내재된 물리적 방법론 차이를 감안하더라도 지역별로 보다 자세히 살펴볼 필요성을 시사한다.

Fig. 3은 dXCO₂와 GIR (Fig. 3a, c), dXCO₂와 EDGAR (Fig. 3b, d)를 산점도로 나타내고, 선택된 상위지역과 하위지역별로 상관관계를 나타낸 것이다. 또한, 모든 지역에서 dXCO₂와 배출량에 뚜렷한 차이를 보인 2018년도를 제외한 결과(Fig. 3a, b)와 포함된 결과(Fig. 3c, d)를 함께 나타내었다. 전체적으로, dXCO₂와 배출량 사이의 관계성은 지역별로 큰 차이를 보였으며, 2018년도를 제외한 상관계수가 높게 나타났다. 이 결과에서 흥미로운 부분은 dXCO₂와 GIR, EDGAR의 상관성이 서울과 강원도 지역에서 큰 차이를 나타낸 것이다. 서울 지역의 경우 dXCO₂와 EDGAR는 각각 기간에서 0.75와 0.63의 양의 상관성을 나타냈다(dXCO₂와 GIR은 0.22, 0.03). 이와 반대로, 강원도의 경우 dXCO₂와 GIR이 각각 기간에서 0.49와 0.21의 양의 상관성을 나타냈다(dXCO₂와 EDGAR는 0.16, –0.02). 이 결과는 CO₂ 배출량 산정방법, 각 지역별 배출 부문, 지역 특성 등에 따라 두 값(위성기반 관측 값과 배출량 인벤토리)의 차이가 달라질 수 있음을 시사한다. 특히, 온실가스 배출량 통계에는 활동자료 및 배출계수의 기초 자료 누락, 대표성 결여, 측정오차 등에 따른 불확도(uncertainty)가 상당부분 존재한다(Greenhouse Gas Inventory and Research Center, 2022). 따라서 배출량 산정의 불확실성에 의해 위성기반 관측값과의 관계성이 달라질 수 있다고 판단되며, 이를 탐색하기 위해서는 배출원별, 특히 산업 배출 동향의 변화를 살펴보는 것이 중요하다(Xu et al., 2023).

Fig. 3. Relationship between OCO-2 dXCO₂ and CO₂ emissions of (a), (c) GIR and (b), (d) EDGAR for two time periods of (a), (b) 2014–2017 and (c), (d) 2014–2018. Circles, squares, asterisks, and triangles indicate data points for Seoul, Gyeonggi-do, Chungcheongbuk-do, and Gangwon-do, respectively.

Fig. 4는 4개 지역에 대해서 GIR의 CO₂ 배출량 분야를 연도별로 나타낸 것으로, 지역에 따라 포함여부가 달라지는 농업 분야를 제외하면 에너지, 산업공정, 폐기물, LULUCF로 나눌 수 있다. 2014년부터 2018년까지 GIR 순 배출량 변화에서 에너지 분야가 지배적인 역할을 하며, 총 이산화탄소 배출량의 93%를 차지한다. 앞서 살펴본 GIR과 dXCO₂ 사이의 상관성이 낮은 서울의 경우 에너지 분야에서 상대적으로 낮은 배출량을 보인다.

Fig. 4. Average annual trend of GIR emissions by sector (energy, industry, waste, and LULUCF). Green, navy, yellow, and red indicate data points for Gangwon-do, Chungcheongbuk-do, Gyeonggi-do, and Seoul respectively.

GIR 순 배출량에서 에너지 분야는 세부적으로 에너지산업, 제조업 및 건설업, 수송, 기타, 탈루로 나뉘게 되는데 에너지 산업 중 연료 연소의 보고대상 시설에는 화력발전시설, 열병합 발전시설, 발전용 내연기관, 일반보일러 시설, 공정 연소시설 등의 발전시설 위주의 사업장이 포함된다(Korea Environment Corporation, 2014). 통계청에 따르면 2018년 기준 서울의 경우 한반도 인구의 18%가 생활하지만, 산업단지 수는 2018년 4분기 기준 3개로 한반도 17개 권역 중에서 제일 적은 수의 산업단지를 가지고 있다(Korea Industrial Complex Corporation, 2018). 따라서 GIR의 배출원 산정 과정에서 산업단지수가 적은 서울 지역의 특성이 잘 반영되지 못한다면, 위성기반 관측값과 배출량 자료의 관계성이 더 낮아질 수 있음을 시사한다.

Fig. 5는 4개 지역에 대해서 EDGAR CO₂의 배출량 분야를 연도별로 나타낸 것으로 20개 분야 중에서 비중이 큰 전력 산업, 화학 공정, 제조용 연소, 비금속광물 생산, 건물 에너지와 도로교통분야가 해당된다. 대체로 dXCO₂가 상위권인 서울과 경기도에서 배출량이 높으며, 하위권인 강원도와 충청북도는 배출량이 낮은 것으로 나타났다. 그러나 전력산업 분야에서는 강원도가 2위로 배출량이 상당히 높게 나타났다.

Fig. 5. Average annual trend of Emissions Database for Global Atmospheric Research (EDGAR) emissions by sector (power industry, chemical processes, combustion for manufacturing, non-metallic minerals production, energy for buildings, and road transportation no resuspension). Navy, green, yellow, and red indicate data points for Chungcheongbuk-do, Gangwon-do, Gyeonggi-do, and Seoul respectively.

전력거래소에 등재되어 있는 국내 전력발전소(한국수력원자력, 한국남동발전, 한국중부발전, 한국서부발전 등)는 경기도 다음으로 강원도에 많이 위치하고 있다. 또한 EDGAR 배출량 산정의 경우 산불, LULUCF의 발생원과 흡수원을 동반한 바이오매스는 제외된 데이터이기 때문에(Crippa et al., 2021), 산림율이 81%인 강원도의 경우 배출량 산정에 불확실성이 클 것으로 판단된다(Korea Forest Service, 2021). 즉, 이러한 배출량 산정의 불확실성을 바탕으로 강원도 지역에서 위성기반 dXCO₂와 EDGAR의 관계성은 낮아졌을 가능성이 있다. 이와 다르게 GIR 배출량 산정에서는 LULUCF가 포함되며, 특히 강원도 지역에서 LULUCF에 따른 흡수가 5년 평균 9647.52 (Gg CO₂ eq.)로 나타나(Fig. 4), dXCO₂와 GIR의 관계성이상대적으로높게나타난것으로보인다(R=0.49).

3.2. 한반도 지역 SIF와의 관계성

챕터 3.1에서 살펴본 위성기반 CO₂ 관측값과 배출량 자료의 차이는 예상된 부분이지만, 한반도 지역 내에서도 그 차이의 정도는 지역의 배출량 부문 특성, 배출량 산정 방법론에 따라 달라질 수 있음을 보였다. 이번 챕터에서는 위성기반 CO₂ 식생 흡수와 관계된 SIF를 이용해서 살펴보고자 한다. Fig. 1에서 제시한 바와 같이, 한반도 연평균 GIR와 EDGAR의 배출량은 매년 모두 증가하지만, dXCO₂는 2015년과 2018년에 전년대비 감소하였고, 특히 2018년에 큰 폭의 감소율을 보였다. 이러한 배출량과 위성관측 이산화탄소 농도의 차이는 식생으로 인한 탄소 흡수와 관련될 가능성이 있다. 식생이 성장하고 광합성 활성도가 높아질수록 SIF 값은 커지며, 대기 중 이산화탄소가 식생에 흡수되기 때문에 dXCO₂와 SIF의 역관계는 뚜렷하다. Fig. 6은 2014년부터 2018년까지 한반도 지역 (a)와 4개 지역 (b)에 대한 연평균 SIF 값을 나타낸 것이다. XCO₂의 연변동성과는 다르게, SIF는 전반적으로 완만한 증가 추세를 보이고 있다. 특히 2018년과 2015년은 해당 기간 중에서 SIF가 가장 높은 2개 해에 해당되며, dXCO₂의 2015, 2018년 감소와 연관될 가능성이 있다.

Fig. 6. Average annual trend of OCO-2 SIF from 2014 to 2018. (a) Korean Peninsula and (b) 4 regions. Circles, squares, asterisks, and triangles indicate data points for Seoul, Gyeonggi-do, Chungcheongbuk-do, and Gangwon-do respectively.

지역적으로 살펴봤을 때도 서울을 제외한 3개 지역의 SIF는 전체적으로 증가 추세를 나타낸다(Fig. 6b). 또한, 이들 3개 지역은 Fig. 2(b–d)에서 나타난 바와 같이 dXCO₂가 전년 대비 2018년에 감소된 것으로 나타났다. 반면 경기도, 충청북도, 강원도 지역의 SIF는 2017년 대비 2018년에 각각 38%, 36%, 72%로 큰 폭의 증가를 보였다. 특히 경기도와 충청북도의 GIR, EDGAR 배출량은 2018년에 전년 대비 각각 증가하였지만 dXCO₂가 감소하였다. 이 결과들은 dXCO₂의 변동성 및 dXCO₂-배출량 자료의 관계성을 분석할 때 탄소 흡수와 연관된 SIF를 같이 고려해야 된다는 점을 시사한다.

Fig. 7은 4개 지역에 대한 2014~2018년 기간 평균된 dXCO₂, EDGAR 배출량, SIF의 월변동성을 나타낸 것이다. 많은 선행연구에서 제시된 바와 같이(Qian et al., 2019; Albright et al., 2021; Park et al., 2021), dXCO₂와 SIF의 월변동성과 그 둘의 역관계가 뚜렷하게 보인다. 즉, 대기 중 CO₂의 생태계 흡수와 관련된 식생이 성장하는 시기에 SIF가 높아지고, 그에 따른 dXCO₂ 값이 낮아지는 패턴이 잘 나타나 있다. 또한, EDGAR의 배출량은 겨울철과 봄철에 높게 나타나며 이는 난방 및 산업시설 등의 화석연료 사용인 것으로 판단된다. 따라서 위성기반 dXCO₂ 월변동성은 배출량과 SIF가 유기적으로 관련되어 있으며, 다소 시차가 존재할 수 있지만 종합적인 고려가 필요하다는 점을 제시한다.

Fig. 7. Average monthly time series of OCO-2 dXCO₂, EDGAR CO₂ emissions, and SIF for (a) Seoul, (b) Gyeonggi-do, (c) Chungcheongbuk-do, and (d) Gangwon-do from 2014 to 2018.

Fig. 8은 식생이 활발한 5~9월과 그 외의 기간(10~4월)에 대해서 dXCO₂와 SIF의 산점도를 나타내고, EDGAR 월별배출량에 따라 점의 크기를 다르게 하였다. 또한, 4개 지역을 합친 분포(a)와 상위(b) 및 하위(c) 지역 각각의 분포를 나타낸 것이다. 모든 4개 지역에서 SIF가 높아질수록 XCO₂가 낮아지는 음의 상관관계를 보였다(Fig. 8a). 식생이 활발한 5~9월 기간과 그 외 기간에는 각각 –0.33와 –0.21의 상관계수로 모두 음의 상관성을 보였고, Fig. 7의 월별 변동성에서도 나타난 바와 같이 EDGAR 배출량은 5~9월에 10~4월 대비 대체적으로 감소한 것을 확인할 수 있다.

Fig. 8. Monthly average dXCO₂ and solar-induced fluorescence (SIF) correlation for (a) 4 regions, (b) Seoul, Gyeonggi-do, and (c) Chungcheongbuk-do, Gangwon-do. The size of the circle indicates the amount of EDGAR CO₂ emissions. Each region is color-coded. Filled and empty circles are May-September period and other months respectively. The correlation for each period is indicated by R₁ and R₂.

dXCO₂ 순위가 높은 서울과 경기도 지역에서도 5~9월과 10~4월의 두 기간 모두 음의 상관성을 보였다(Fig. 8b). dXCO₂ 순위가 낮은 강원도와 충청북도 지역의 상관관계에서는 식생이 활발한 시기와 활발하지 않은 시기의 두 관계성이 반대로 나타났다(Fig. 8c). 10~4월의 식생이 활발하지 않은 시기는 다른 결과와 유사하게 음의 상관성을 보이는데, 식생이 활발한 시기인 5~9월에는 +0.46의 양의 상관성이 나타난다. 두 지역을 구분해서 살펴봤을 때, 충청북도에서는 5~9월에 +0.11로 양의 상관계수이지만 유의미성이 없었고, 강원도에서는 +0.71의 비교적 높은 양의 상관성을 보였다. 강원도 지역은 식생을 통한 탄소 흡수가 활발한 지역으로 대기 중 CO₂ 농도의 변화에 다른 외부 요인(수송, 산불 등)이 포함되는 경우, 그 관계성이 크게 달라질 가능성이 있다. 분석 기간과 자료 수가 제한적인 문제가 있지만, 강원도 지역의 식생이 활발한 시기에 나타난 dXCO₂와 SIF의 관계성은 추후 심도 있는 연구가 필요할 것으로 판단된다.

4. 결론

본 연구에서는 2014년부터 2018년까지 5년 기간에 대해 한국 지역에 대한 위성기반 dXCO₂, GIR, EDGAR 자료를 이용해서 대기 중 이산화탄소 농도와 이산화탄소 배출량 자료의 차이를 확인하고, 배출량 자료 산정 부문과 SIF와의 관계성을 조사하였다. 더욱이 국내 17개 도시 및 권역 중 dXCO₂를 이용해서 상위 20% 서울과 경기도, 하위 20% 강원도와 충청북도를 대상으로 상호 비교하고 차이점을 분석하였다. 한국 지역으로 평균된 값에서는 배출량 자료의 지속적인 증가와 다르게, 2015년과 2018년 위성기반 dXCO₂가 전년대비 감소하는 것으로 나타났다. 지역적으로 자세히 살펴보면, 경기도, 충청북도에서는 2018년에 GIR, EDGAR 배출량이 증가했지만 dXCO₂는 감소하여 배출량과 위성기반 대기 중 농도 경향에 불일치를 보였다.

GIR과 EDGAR 각각의 배출량과 dXCO₂ 자료의 상관성도 서울과 강원도 지역에서 유의미한 차이를 보였다. 서울 지역에서는 EDGAR 배출량 자료와의 관계가, 강원도 지역에서는 GIR 배출량 자료와의 관계가 더 밀접하게 연관되게 나타났다. 이러한 결과는 두 배출량 자료의 산정 방법론 차이에 따른 것으로 보인다. GIR의 배출량 산정은 발전시설위주의 에너지 배출이 큰 비중을 차지하기 때문에, 산업단지가 적은 서울과 같은 대도시의 특성을 반영하지 못한다고 판단되며, EDGAR는 토지이용과 임업에 따른 배출 및 흡수과정이 포함된 LULUCF가 제외되기 때문에 산림지역의 특성을 반영하지 못한 것으로 보인다.

온실가스 배출량과 위성기반 농도의 큰 차이를 보인 2015년과 2018년을 분석하는 과정에서 위성기반 SIF 변동성이 설명 가능 인자로 활용되었다. SIF는 식생 성장에 따른 탄소 흡수 과정을 나타내는 지표이며, 한반도 지역별 dXCO₂와 SIF의 월별 변동성은 강한 음의 상관관계를 보였다. 즉, 식생이 활발한 5~9월에 SIF 증가에 따른 dXCO₂ 값 감소와 겨울철 시기에 SIF 감소 및 배출량 증가에 따른 dXCO₂ 값 증가가 분명하게 나타났다. 그럼에도, 충청북도와 강원도 지역의 경우 식생이 활발한 5~9월에 dXCO₂와 SIF의 양의 관계성이 확인되었고, 지역별로 탄소 배출-흡수 및 대기 중 농도의 관계성에 대한 지속적인 연구가 필요할 것으로 판단된다.

연구에 사용된 OCO-2 dXCO₂의 관측 일수는 서울(=20일), 경기도(=42일), 충청북도(=31일), 강원도(=50일)로 제한된 데이터를 사용하였기 때문에 월평균 편차가 발생할 수 있고, 위성기반 XCO₂ 산출 시 구름 등의 기상 조건에 의한 산출오차가 포함될 수 있다. 보다 정확한 상관관계를 도출하기 위해서는 장기간의 자료가 요구되며 향후 심층적인 연구가 필요할 것으로 보인다. 또한 GIR의 배출량 자료는 연도별로 제공되고 있어 추후 월별 자료구축이 이루어진다면, LULUCF와 SIF의 식생에 따른 월별 경향성 분석이 추가로 이루어질 것으로 생각된다. 이러한 탄소의 배출과 흡수관계의 정확한 연구는 지역별 온실가스 배출 관리와 탄소중립 목표를 달성하기 위한 기초자료로 제시할 수 있을 것으로 기대된다.

Conflict of Interest

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