[논문 리뷰] Real-time and Seamless Monitoring of Ground-level PM2.5 Using Satellite Remote Sensing

Tongwen Li, Chengyue Zhang외 3명|arXiv (Cornell University)|2018. 03. 09.

Air Quality Monitoring and Forecasting인용 수 5

한 줄 요약

이 연구는 구름으로 인한 데이터 누락을 보완하기 위해 시간당 정지궤도 히마와리-8 위성 관측과 딥러닝 모델 및 시공간 융합 기법을 융합하여 지면 미세먼지(PM2.5)의 실시간 및 원활한 모니터링 프레임워크를 제안한다. 이 방법은 PM2.5 추정에서 R² = 0.80 및 RMSE = 17.49 μg/m³의 성능을 달성하였으며, 복구된 데이터는 지상 측정값과 상관관계 R² = 0.75를 보였다.

ABSTRACT

Satellite remote sensing has been reported to be a promising approach for the monitoring of atmospheric PM2.5. However, the satellite-based monitoring of ground-level PM2.5 is still challenging. First, the previously used polar-orbiting satellite observations, which can be usually acquired only once per day, are hard to monitor PM2.5 in real time. Second, many data gaps exist in satellite-derived PM2.5 due to the cloud contamination. In this paper, the hourly geostationary satellite (i.e., Himawari-8) observations were adopted for the real-time monitoring of PM2.5 in a deep learning architecture. On this basis, the satellite-derived PM2.5 in conjunction with ground PM2.5 measurements are incorporated into a spatio-temporal fusion model to fill the data gaps. Using Wuhan Urban Agglomeration as an example, we have successfully derived the real-time and seamless PM2.5 distributions. The results demonstrate that Himawari-8 satellite-based deep learning model achieves a satisfactory performance (out-of-sample cross-validation R2=0.80, RMSE=17.49 ug/m3) for the estimation of PM2.5. The missing data in satellite-derive PM2.5 are accurately recovered, with R2 between recoveries and ground measurements of 0.75. Overall, this study has inherently provided an effective strategy for the real-time and seamless monitoring of ground-level PM2.5.

연구 동기 및 목표

• 하루에 한 번만 관측 가능한 태양동행궤도 위성의 한계를 해결하여 실시간 모니터링을 가능하게 하기 위해
• 구름 오염으로 인한 위성 기반 PM2.5의 지속적인 데이터 누락 문제를 해결하기 위해
• 정지궤도 위성 데이터와 지상 측정값을 활용하여 지면 미세먼지(PM2.5)에 대한 원활하고 실시간 모니터링 시스템을 개발하기 위해
• 우한을 사례 연구로 삼아 도시 대기질 평가를 위한 고시계수 해상도의 PM2.5 지ap도 제작을 가능하게 하기 위해

제안 방법

• 히마와리-8에서 제공하는 시간당 정지궤도 위성 관측을 활용하여 고시계수 해상도의 대기 에어로졸 데이터를 캡처하기 위해
• 히마와리-8 데이터를 기반으로 훈련된 딥러닝 모델을 구현하여 실시간으로 지면 수준의 PM2.5를 추정하기 위해
• 위성 기반 PM2.5와 현장에서 측정한 지상 측정값을 융합하여 누락된 데이터를 복구하기 위해 시공간 융합 모델을 적용하기 위해
• 위성 데이터와 지상 데이터 간의 시간적 및 공간적 상관관계를 활용하여 데이터 완전성과 정확도를 향상시키기 위해
• 모델의 유효성을 검증하기 위해 샘플 외 교차검증을 실시하고, 복구된 PM2.5 값과 지상 측정값을 비교하기 위해
• 데이터 복구 오차를 최소화하면서도 공간적 및 시간적 패턴을 유지하기 위해 융합 모델을 최적화하기 위해

실험 결과

연구 질문

• RQ1 시간당 정지궤도 위성 데이터는 고정밀도로 지면 수준의 PM2.5를 실시간으로 추정하는 데에 가능한가?
• RQ2 히마와리-8 데이터를 기반으로 훈련된 딥러닝 모델이 PM2.5 농도를 얼마나 정확하게 예측할 수 있는가?
• RQ3 시공간 융합 모델은 위성 관측에서 구름 오염으로 인해 발생한 누락된 PM2.5 데이터를 얼마나 효과적으로 복구할 수 있는가?
• RQ4 통합 프레임워크는 도시 지역에서 원활하고 지속적인 PM2.5 지도를 얼마나 잘 생성하는가?
• RQ5 위성 전용 예측 결과와 융합된 위성-지상 결과 간의 모델 정확도는 어떻게 비교되는가?

주요 결과

• 히마와리-8 데이터를 기반으로 한 딥러닝 모델은 PM2.5 추정에서 샘플 외 교차검증 R² = 0.80 및 RMSE = 17.49 μg/m³의 성능을 달성하였다.
• 시공간 융합 모델은 위성 기반 PM2.5 데이터의 누락을 성공적으로 복구하였으며, 복구된 값과 지상 측정값 간 상관계수(R²)가 0.75에 도달하였다.
• 정지궤도 위성 데이터와 지상 측정값의 통합을 통해 단일 일일 태양동행궤도 위성 과거 관측의 한계를 극복하고 실시간 및 원활한 PM2.5 모니터링이 가능해졌다.
• 이 프레임워크는 우한 도시집적지역에서 PM2.5의 공간적 및 시간적 변화를 잘 포착하는 데 강력한 성능을 보였다.
• 결과적으로 고시계수 해상도의 위성 데이터가 지속적인 대기질 모니터링의 실현 가능성을 크게 향상시킨다는 것이 확인되었다.
• 제안된 방법은 도시 환경에서 운영 가능한 실시간 PM2.5 모니터링을 위한 강력하고 확장 가능한 전략을 제공한다.