임의효과모형을 이용한 도시숲의 미세먼지 저감영향 분석

Abstract

본 연구에서는 선형 혼합 모형과 일반화 가법 혼합 모형을 이용하여 도시숲의 미세먼지 저감영향을 살펴보았다. 선형혼합모형에서 도시숲에서 완충지역 거리요인을 임의효과로 두어 미세먼지 저감에 미치는 영향을 분석결과, 도시숲 미세먼지를 설명하는데 있어 임의효과를 고려하지 않는 모형보다 고려하는 모형이 좋으며, 임의효과 중에서는 발생원 지역 내 측정점을 고려한 모형의 모형 적합도가 가장 좋은 결과를 보였다. 또한 날짜, 기상변수, 좌표변수에 비선형함수를 적용한 일반화 가법 혼합모형의 실행 결과, 일반화 가법 혼합모형에서도 임의효과를 고려하지 않은 모형보다 고려하는 모형이 더 좋았으며, 임의효과 중 발생원 유형 내 지역을 고려한 일반화 가법 혼합모형이 가장 좋은 모형으로 생각되었다. 선택된 선형 혼합 모형과 일반화 가법 혼합 모형 둘 중에 어떤 모형이 데이터를 더 적절히 설명하는지 알아보기 위해 모형적합도를 비교하였을 때, 일반화 가법 혼합 모형이 선형 혼합 모형보다 더 좋은 모형적합도를 보였다. 이러한 결과는 일반화 가법 혼합모형이 도시숲의 미세먼지 관측 데이터의 복잡한 관계를 잘 포착하는데 더 적합하다고 볼 수 있다. 본 연구는 공중보건에 대한 미세먼지의 지속적인 위협을 완화하기위한 도시숲의 역할과 가치를 확인한다는 점에서 의의가 있다. 다음 연구에서는 유사한 오염원 유형 내에서 지리적 위치 구별과 해안 지역 대 내륙 지역, 침엽수림 대 혼합림과 같은 산림 유형 요인을 고려할 필요가 있다.|This study investigated the impact of urban forests on the reduction of Particulate Matter (PM) by using Linear Mixed Model (LMM) and Generalized Additive Mixed Model (GAMMs). In the LMM, the inclusion of random effects associated with the distance from the source to the buffer zone resulted in a superior performance for the model considering random effects (plots in pollution source site) compared to the one that did not. Also, when utilizing GAMM and incorporating non-linear functions for meteorological and coordinate, date variables, it was determined that it was more advantageous to consideration of random effects (plots in pollution source type). In comparing the chosen models, The Akaike Information Criterion (AIC) was used, revealing that the AIC for LMM was higher than that for GAM. These findings indicate that GAMM offers a superior fit for capturing intricate relationships. This study is significant in evaluating the importance and role of urban forests in alleviating the ongoing threats of Particulate Matter (PM) to public health. In following studies, it will be important to regard forest-type factors, such as coniferous vs. mixed, and geographical divisions, such as coastal vs. inland, particularly when dealing with similar source types.