[논문 리뷰] Modelling and characterization of fine Particulate Matter dynamics in Bujumbura using low cost sensors

Egide Ndamuzi, Rachel Akimana외 2명|arXiv (Cornell University)|2023. 12. 19.

Air Quality Monitoring and Forecasting인용 수 6

한 줄 요약

이 연구는 2022년 8월부터 2023년 8월까지 부줄룸부라의 세 개의 도시 구역에 배치된 저비용 센서를 사용하여 부줄룸부라에서 PM2.5의 시간-공간 특성을 처음으로 규명하였다. 연구는 연중 내내 WHO 기준을 초과하는 PM2.5 농도를 입증하였으며, 주로 생물질 연소와 불량한 폐기물 관리로 인해 주거 지역인 무하에서 높은 농도를 보였고, LSTM 모델을 통해 RMSE 8.2–12.8 µg/m³, R² 0.7–0.8의 정확한 예측 성능을 달성하였다.

ABSTRACT

Air pollution is a result of multiple sources including both natural and anthropogenic activities. The rapid urbanization of the cities such as Bujumbura economic capital of Burundi, is one of these factors. The very first characterization of the spatio-temporal variability of PM2.5 in Bujumbura and the forecasting of PM2.5 concentration have been conducted in this paper using data collected during a year, from august 2022 to august 2023, by low cost sensors installed in Bujumbura city. For each commune, an hourly, daily and seasonal analysis were carried out and the results showed that the mass concentrations of PM2.5 in the three municipalities differ from one commune to another. The average hourly and annual PM2.5 concentrations exceed the World Health Organization standards. The range is between 28.3 and 35.0 microgram/m3 . In order to make prediction of PM2.5 concentration, an investigation of RNN with Long Short Term Memory (LSTM) has been undertaken.

연구 동기 및 목표

• 부줄룸부라의 수도인 부줄룸부라에서 저비용 센서를 활용하여 PM2.5의 시간-공간 변동성을 규명하기 위해.
• 도시화, 교통, 폐기물 연소 및 계절 패턴이 PM2.5 농도에 미치는 영향을 평가하기 위해.
• 저자원 도시 환경에서 PM2.5 농도를 예측하기 위해 장기 단기 기억(長短期記憶, LSTM) 네트워크의 성능을 평가하기 위해.
• 기준 모니터가 없기 때문에 저비용 센서 데이터를 ALT CF3 방법을 사용해 校正하기 위해.
• 무카자, 니타앙와, 무하의 세 개의 서로 다른 도시 구역 간의 PM2.5 농도를 비교하기 위해.

제안 방법

• 실시간 PM2.5, 온도, 습도, 기압 모니터링을 위해 식물워터 PMS5003 및 보쉬 BME280 센서를 탑재한 퍼플에어 PA-II-FLEX 센서를 배치하였다.
• 2022년 8월부터 2023년 8월까지 무카자(상업), 니타앙와(산업), 무하(주거)의 세 구역에서 연속적으로 데이터를 수집하였다.
• 기준 모니터가 없기 때문에 입자 농도가 세 가지 크기 범주에 나누어진 데이터를 기반으로 원시 센서 데이터를 校正하기 위해 ALT CF3 校正 방법을 적용하였다. PM2.5 = 3(αX + βY + γZ)에서 X, Y, Z는 각각 크기 범주에 속한 입자 수이다.
• 시간대별(시간, 일, 계절)로 PM2.5 농도를 분석하여 시간적·공간적 변동성을 평가하였다.
• 시간당 PM2.5 데이터를 기반으로 장기 단기 기억(LSTM) 순환 신경망을 훈련시켜 향후 농도를 예측하였다.
• 근본 평균 제곱 오차(RMSE), 평균 절대 오차(MAE), 결정 계수(R²)를 사용하여 모델 성능을 평가하였다.

(a) Location of Bujumbura city in Burundi

실험 결과

연구 질문

• RQ1 Bujumbura의 다양한 도시 구역에서 PM2.5 농도는 시간당, 일일 및 계절 단위로 어떻게 변동하는가?
• RQ2 Bujumbura 도시 환경에서 PM2.5 변동성의 주요 인위적 요인과 기상적 요인은 무엇인가?
• RQ3 기준 모니터가 없는 상황에서 ALT CF3 보정을 적용한 저비용 센서가 신뢰할 수 있는 PM2.5 추정치를 제공할 수 있는가?
• RQ4 저비용 데이터가 부족한 아프리카 도시 환경에서 LSTM 모델의 PM2.5 농도 예측 성능는 얼마나 효과적인가?
• RQ5 무하 구역에서 무카자 및 니타앙와보다 더 높은 PM2.5 농도가 관찰되는 이유는 무엇인가?

주요 결과

• Bujumbura의 연간 평균 PM2.5 농도는 28.3~35.0 µg/m³로, WHO 24시간 기준치 25 µg/m³를 초과하였다.
• 무하(주거 지역)에서 PM2.5 농도가 가장 높았는데, 주로 요리용 목재/탄소 사용과 개방형 폐기물 연소로 인한 것으로 나타났다. 무카자 및 니타앙와보다 높았다.
• 출퇴근 시간대와 저녁 시간대에 피크가 관찰되어 교통과 가정 활동과 연관된 뚜렷한 일일 주기 패tern이 확인되었다. 특히 무카자 및 무하에서 두드러졌다.
• 계절적 변동성 분석 결과, 먼지 재활성화 및 농업 잔여물 연소로 인해 건기(6~8월) 동안 PM2.5 농도가 높았다.
• LSTM 모델은 R² 값 0.7~0.8을 기록하였으며, RMSE는 8.2~12.8 µg/m³, MAE는 5.3~6.8 µg/m³로 나타나 강력한 예측 가능성을 보였다.
• 각 지점 간 상관계수가 약간에서 중간 수준이었고, 무카자가 가장 낮은 상관관계를 보여 각 구역이 고유한 지역 오염 원천을 가졌음을 시사하였다.

(b) PM measurement sites in Bujumbura