1. 서 론
도심 지역은 고밀도의 인구와 복잡한 도시 구조로 인해 방사성 물질 확산 사고 발생 시 심각한 인명 피해와 환경 오염을 초래할 수 있는 고위험 지역으로 분류된다. 이러한 위험성으로 인해 국제원자력기구(International Atomic Energy Agency, IAEA)에서도 도심 환경 내 방사능 물질의 대기확산 예측 연구의 필요성을 지속적으로 강조해 왔다(Rentai, 2011; IAEA, 2015). 특히, 2011년 후쿠시마 다이이치 원전 사고는 원전 인근 지역에 국한되지 않고 도심지 전반에 걸친 방사능 노출의 파급 가능성과 그에 따른 건강 및 환경 영향에 대한 사회적 경각심을 고조시켰다(Tsuji et al., 2012; Christoudias and Lelieveld, 2013; Zhang and Wang, 2022).
미국 국토안보부(United State Department of Homeland Security, DHS)는 방사성 물질 분산 장치(Radiological Dispersion Device, RDD)를 이용한 테러 위협에 대한 평가를 통해, 해당 공격이 도심지에서 발생할 경우 대규모 혼란과 막대한 인명 피해를 초래할 수 있다고 지적한 바 있다(Reeves, 2022). 실제로 폴로늄-210 중독에 의한 리트비넨코 사건은 방사성 물질이 테러 수단으로 악용될 수 있음을 보여주는 대표적인 사례로 제시되고 있다(Elcock et al., 2004; Dombroski, 2005; Scott, 2007). 이외에도, 1979년 미국 쓰리마일 섬 원전 사고와 1987년 브라질 고이아니아의 세슘-137 유출 사고는 방사성 물질의 운반 및 관리의 중요성을 여실히 드러낸 사례로 평가된다(Nenot, 1990; Brugge et al., 2007; Rojavin et al., 2011).
이러한 국내외 사례들은 도심지 내 방사능 사고의 가능성이 결코 이론적 위험에 그치지 않으며, 이에 대한 사전 예측과 대응 체계 마련이 필수적임을 뒷받침하고 있다. 특히, 복잡한 지형과 건축물이 밀집한 도심 환경에서는 방사성 물질의 대기 중 확산 경로와 농도 분포가 매우 복잡하게 나타나기 때문에, 이를 효과적으로 예측할 수 있는 정교한 수치 모델의 개발 및 적용이 요구된다.
수치 모의 기법은 비교적 저비용으로 3차원 공간 내의 확산 현상을 정량적으로 분석할 수 있어, 도심 대기확산 예측 분야에서 널리 활용되고 있다(Tominaga and Stathopoulos, 2013; Blocken, 2014). 이 중에서도 가우시안 모델과 라그랑지안 모델은 대표적인 대기확산 예측 기법으로, 다양한 환경 조건에서의 확산 성능 비교 연구가 지속적으로 이루어져 왔다(Senocak et al., 2008; Moonen and Allegrini, 2015; Bahlali et al., 2019; Du et al., 2021). 그러나 각 모델은 특정 조건에서 장단점을 보이며, 기상 조건이나 지형 복잡도에 따라 예측 정확도가 달라질 수 있다는 점이 지속적으로 지적되고 있다(Oettl et al., 2001; Lutman et al., 2004; Ravina et al., 2022).
특히, AERMOD (American Meteorological Society/Environmental Protection Agency Regulatory Model)는 미국 환경보호청(Environmental Protection Agency, EPA)에서 규제용 표준모델로 채택되어 다양한 환경 조건에서 활용되고 있으나, 국지적 기상 변화나 복잡한 지형 조건 하에서의 예측 정확도에는 일정한 한계가 있다는 비판이 제기되어 왔다(Kesarkar et al., 2007; Mohan et al., 2009; Gulia et al., 2015; Mokhadzir and Ramli, 2020; Prasad et al., 2024). PALM (Parallelized Large-Eddy Simulation Model) 모델은 복잡한 도시 환경 내 난류 구조를 상세하게 모사할 수 있는 큰 에디 모의 기반 모델로, 실제 도시 측정 자료를 통해 검증되었으나(Dėdelė and Miškinytė, 2015; Belda et al., 2020; Gronemeier et al., 2021; Resler et al., 2021), 적용을 위해서는 고해상도의 지형 및 건축물 입력 자료가 필수적이다.
기존 연구들은 특정 지역 또는 조건에 국한된 비교 분석에 그친 경우가 많아, 다양한 도심 환경을 반영한 종합적 성능 검증 및 데이터 수집의 필요성이 제기되고 있다(Heldens et al., 2020; Samad et al., 2024). 따라서 실제 도심의 지형 및 건물 조건을 고려한 정밀한 대기확산 모델 비교 연구가 필수적이다. 이에 본 연구는 라그랑지안 입자 기반의 PALM-LPM (Parallelized Large-Eddy Simulation Model-Lagrangian Particle Model) 모델과 가우시안 플룸 기반의 AERMOD 모델을 활용하여 서울 광화문 일대의 상세 도심 대기확산 성능을 비교⋅평가하고자 한다. 두 모델의 결과를 상호 비교함으로써, 방사능 확산 사고 대응을 위한 예측 정밀도, 계산 속도, 실용성 등의 관점에서 각 모델의 한계와 가능성을 도출하고자 하며, 특히 입자 침적률, 지형⋅건물에 의해 형성된 농도 분포, 정밀도와 처리 속도 간 상충 관계의 주요 시사점을 제시하고자 한다.
2. 도심 상세 대기확산 모델링 비교 실험 설계
2.1 대기확산 모델 개요 및 선정
대기 중 오염 물질의 확산을 예측하기 위한 수치모델은 모델링 기법에 따라 크게 가우시안 모델과 라그랑지안 모델로 구분된다. 가우시안 모델은 오염 물질이 방출원으로부터 거리 증가에 따라 가우시안 곡선 형태로 농도가 분포된다고 가정하며, 평균 기류와 난류 확산을 기반으로 오염물의 이동을 계산한다. 이 모델은 풍속, 풍향, 대기 안정도, 지형 특성 등 다양한 기상 및 환경 변수를 입력값으로 사용하며, 평탄한 지형과 수직 혼합이 제한된 안정적인 대기 조건에서 오염물질 확산을 보다 일관되게 예측할 수 있도록 설계된 모델이다. 또한 수학적 구조가 단순하고 계산 효율이 뛰어나, 실시간 데이터와 결합할 경우 단기 대기 예측에 활용될 수 있다(Kumar et al., 2017).
본 연구에서는 대표적인 가우시안 확산 모델인 AERMOD를 채택하였다. AERMOD는 미국 환경보호청(EPA)에서 개발 및 배포하고 있으며, 2006년 12월부터는 기존의 ISCST3 (Industrial Source Complex Short Term Version 3)을 대체하여 규제용 표준 모델로 활용되고 있다(Faulkner et al., 2008). 이 모델은 복잡한 지형 정보를 효과적으로 반영할 수 있는 알고리즘(AERMAP, PRIME 등)을 포함하고 있으며, 다양한 기상 조건에서의 광범위한 검증을 통해 높은 신뢰성을 확보하고 있다.
라그랑지안 모델은 대기 중 오염 물질을 개별 입자의 집합으로 간주하고, 각 입자의 이동 경로를 시간에 따라 추적함으로써 확산 현상을 모의하는 방식이다. 이 모델은 난류 확산 및 기상장에 민감하게 반응하며, 지형 및 구조물과의 상호작용을 보다 정밀하게 반영할 수 있다는 특징이 있다. 이러한 특성은 복잡한 도심 환경과 같이 이방성이 강한 구조적 요소가 존재하는 경우에 매우 유효하다. 대표적인 라그랑지안 모델에는 NOAA (National Oceanic and Atmospheric Administration)의 HYSPLIT (Hybrid Single Particle Lagrangian Integrated Trajectory Model), 미국 캘리포니아주의 CALPUFF (California Puff Model), 오스트리아 ZAMG (Zentralanstalt für Meteorologie und Geodynamik)의 FLEXPART (FLEXible PARTicle dispersion model), 영국 기상청의 NAME (Numerical Atmospheric-dispersion Modelling Environment), 독일 하노버 대학교의 PALM (Parallelized Large-Eddy Simulation Model) 등이 있으며(Maronga et al., 2020; Khan et al., 2021), 이들 모델은 대기오염 예측, 방사성 물질 확산 추적, 화산재 이동 분석 등 다양한 분야에서 실용적으로 활용되고 있다(Holmes and Morawska, 2006; Jones et al., 2007; Hegarty et al., 2013).
본 연구에서는 라그랑지안 접근 방식의 정밀성과 도시 난류 유동을 모사할 수 있는 큰에디모사(Large Eddy Simulation, LES)의 해석 능력을 결합한 PALM-LPM을 사용하였다. PALM-LPM은 복잡한 도심 환경에서의 실제 적용 가능성을 고려하여 개발된 모델로, 기상 강제력뿐만 아니라 지표면과 대기 간의 에너지 교환을 반영하는 지표 강제력 및 오염물의 지표 침적(deposition) 과정까지 포함하여 보다 현실적인 확산 예측이 가능하도록 설계되었다. 이와 같이, 본 연구는 물리적 특성과 계산 성능이 상이한 두 모델인 AERMOD와 PALM-LPM 모델을 활용하여 도심 내 방사성 물질의 확산 양상을 비교⋅분석하고자 하였다.
2.2 연구 대상지 및 모델 설정
방사능 테러의 위험도는 인구 밀도, 기관 밀집도, 주요 기반시설의 분포 등을 종합적으로 고려할 때 수도권 및 대도시 지역에 집중되는 경향이 있다. 특히 서울특별시 중구는 유동 인구가 매우 높은 지역으로, 테러 발생 시 대규모 인명 피해가 우려되는 주요 대상지 중 하나로 분류된다(Kim et al., 2011). 국내 원자력안전위원회는 방사성 물질 누출 사고 발생 시 방사선량에 따라 대응 구역을 설정하며, 일반적으로 2 km를 기준 거리로 하여 안전 조치를 취하고 있다(Jeon et al., 2020; Lee and Song, 2020). 이에 따라 본 연구에서는 서울 중구 광화문-시청 일대를 중심으로 반경 2 km의 영역을 도심 대기확산 시뮬레이션의 실험 구역으로 설정하였다(Fig. 1(a)).
해당 실험 영역은 광화문 세종사거리를 기준점으로 하여 수평 및 수직 방향으로 각각 2 km씩 확장된 구역이며, 수평 격자 해상도는 10 m로 설정하였다. PALM-LPM 모델의 연직 해상도는 지면에서 336 m까지는 3 m 간격으로 구성하였으며, 이후 고도 구간은 일정한 규칙에 따라 1,168 m까지 연직 격자망을 구성하였다. 시뮬레이션 시간은 총 5,600초로 설정하였고, 초기 1,800초는 모델의 안정화를 위한 스핀업(spin-up) 기간으로 지정하였다. 평균 결과값은 10분 간격으로 산출되었으며, 오염물질의 방출은 스핀업 종료 직후인 1,800초 시점에 순간 방출(point release) 방식으로 이루어졌다. 방출 지점은 위도 37.570178N, 경도 126.976988E이며, 방출 영역은 가로 및 세로 10 m의 정사각형 형태로 설정하였고, 방출 높이는 지표면으로 지정하였다.
AERMOD 모델에서도 동일한 지리적 좌표를 방출원으로 설정하였으며, 방출 영역은 지름 10 m의 원형으로 지정하였다. 다만, AERMOD의 특성상 모델에 입력되는 기상자료가 1.5 m 높이를 기준으로 측정되므로, 방출 높이는 지표면이 아닌 1.5 m로 설정하였다. 이는 수평 확산장의 일관성과 모델링 결과의 정합성을 확보하기 위한 설정으로, 지표면 자료와 방출원의 기준 높이를 일치시키기 위함이다. 본 연구에서는 방사능 사고 및 테러 시나리오에서 대표적으로 사용되는 세슘-137 (Cs-137)을 오염물질로 선정하였다. 이는 해당 물질이 주요 방사능 누출 사고에서 반복적으로 검출된 바 있으며, 도시 환경 내 대기 중 확산 및 침적 특성이 뚜렷하게 나타나는 인공 핵종으로서 도시 확산 모델 비교에 적합하기 때문이다(Jeong et al., 2010; Simsek et al., 2014). 이에 대한 상세한 방출 조건은 Table 1에 제시하였다. 아울러 AERMOD 모델은 건물과 지형의 유무에 따른 민감도 분석을 위하여 복수 조건을 기반으로 실험이 수행되었으며, 각 실험명은 지형(terrain/flat)과 건물(bld/nbld)의 유무 조합에 따라 부여되었다. 예를 들어, fl_nbl은 평탄한 지형에서 건물이 없는 조건으로 기준 실험에 해당하며, ter_bld는 지형 고도와 건물이 모두 포함된 조건을 의미한다. 이와 같은 네 가지 실험 조건은 Table 2에 정리하였다.
Table 1
Specification of Emission Parameters for AERMOD Simulations
Table 2
Sensitivity Experiment Design for the AERMOD Simulations
| Terrain (Abbreviation) | Building (Abbreviation) | Experiment Name |
|---|---|---|
| Flat (fl) | No (nbld) | fl_nbld (control experiment) |
| Yes (bld) | fl_bld | |
| Elevation (ter) | No (nbld) | ter_nbld |
| Yes (bld) | ter_bld |
연구 대상 지역 내의 건물 정보는 행정안전부에서 제공하는 도로명주소 데이터베이스의 건물 레이어 자료(출처: http://data.nsdi.go.kr/dataset)와 공간정보 오픈 플랫폼(출처: http://map.vworld.kr/map/maps.do)의 지도를 활용하여 구축하였다(Fig. 1(b)). PALM-LPM 모델에 입력되는 지형 정보는 국토지리정보원에서 제공하는 수치지형도 v2.0 (축척 1 : 25,000)의 등고선 및 표고점 자료를 활용하였으며, 이를 TIN (Triangulated Irregular Network) 방식으로 보정한 후 10 m 해상도의 격자 지형자료로 변환하여 모델에 적용하였다. AERMOD에서는 PRIME (Plume Rise Model Enhancements) 알고리즘의 구성요소인 BPIPPRM (Building Profile Input Program for PRIME) 모듈을 통해 건물 정보를 모델에 입력하였으며, Fig. 2(a)는 입력된 건물 형상 파라미터의 개념도를, Fig. 2(b)는 입력된 각 변수들의 수치 결과를 나타낸다. 지형 정보는 AERMOD의 AERMAP 모듈을 활용하여 계산하였으며, 입력 지형자료로는 SRTM3 (Shuttle Radar Topography Mission 3) 기반의 90 m 해상도 자료가 활용되었다(Fig. 1(c)). 이와 같은 상세한 공간정보는 각 모델의 시뮬레이션 결과에 있어 지형 및 건축물 효과를 정밀하게 반영하는 데 필수적인 역할을 하였다.
2.3 기상 강제력 및 전처리 설정
대기확산 시뮬레이션의 정확도는 입력 기상자료의 대표성과 해상도에 큰 영향을 받는다. 본 연구에서는 모델의 대기확산 모의 특성을 효과적으로 분석하기 위하여, 겨울철 강수가 없고 기상 조건이 비교적 안정적인 맑은 날의 야간 사례를 선정하였다. 시뮬레이션은 2016년 2월 28일 01 LST를 기준으로 수행되었으며, 기상 입력자료로는 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)에서 제공하는 ERA5 (Fifth Generation ECMWF Reanalysis) 자료의 풍속, 풍향, 온위, 비습 연직 프로파일을 사용하였다(Fig. 3).
Fig. 3
Profiles of ERA5 for Meteorological Forcing Used as Input in the Model (Febraury 28, 2016, 01 LST)
ERA5 자료에 따르면, 지표면 인근에서는 동풍이 관측되며, 고도가 상승함에 따라 북풍으로 풍향이 전환되었다. 300 m 이상의 고도에서는 다시 서풍이 우세하였고, 풍속은 고도 300 m에 이르기까지 점진적으로 약화되다가, 이후 다시 증가하는 형태의 전형적인 야간 안정 경계층 구조를 나타냈다. PALM-LPM 모델에서는 이와 같은 기상 구조를 반영하기 위해 동서 및 남북 바람 성분(u, v), 온위(θ), 그리고 비습(q)의 연직 프로파일 데이터를 기상 강제력으로 입력하였다.
AERMOD 모델의 기상자료 전처리는 AERMET (AERMOD Meteorological Preprocessor) 모듈을 통해 수행되었다. 지표면 기상자료는 기상청의 ASOS (Automated Synoptic Observing System) 관측 데이터를 활용하였으며(Fig. 4), 상층 기상 정보는 일반적으로 라디오존데(radiosonde sounding) 관측 자료가 사용되지만, 본 연구에서는 PALM-LPM 실험과의 일관성 유지를 위해 동일한 ERA5 연직 프로파일을 사용하였다(Fig. 5). AERMET 입력 자료의 변환은 Table 3의 수식을 기반으로 계산되었으며, 여기에는 동서 및 남북 풍속 성분, 증기압(e), 그리고 이로부터 유도되는 풍향 및 노점 온도 등의 파생 변수가 포함된다. 풍향 계산 시 u와 v의 부호에 따라 방향이 결정되며, MOD 360 연산을 통해 풍향 값을 0°에서 360° 사이로 변환함으로써 해석의 일관성을 확보하였다.
Table 3
Equations of Meteorological Variables Used as Inputs for AERMOD
| Variable | Equation |
|---|---|
| Wind Velocity [m s-1] |
|
| Wind Direction [Deg] | winddirection =mod(ATAN2(-v,-u)*180/π),360) |
| Dew Point Temperature (Td) [C] (Magnus-Tetens eq. (Feld et al., 2013) |
|
AERMOD에서는 오염물질의 확산 경로와 농도를 예측하기 위해 경계층 특성을 정밀하게 설정하는 것이 중요하다. 이에 따라 AERMET 모듈은 지표면 특성과 관련된 다양한 경계층 매개변수를 산출한다. 주요 매개변수로는 Monin-Obukhov 길이(L, [m]), 지표면 마찰 속도(u*, [m s-1]), 지표면 거칠기 길이(z0, [m]), 현열속(H, [W m-2]), 대류 속도 스케일(w*, [m s-1]), 대류 혼합층 높이(zic, [m]), 그리고 기계적 혼합층 높이(zᵢₘ, [m]) 등이 있으며, 이들은 지형, 기상 조건, 지표 특성에 따라 달라질 수 있다. 일반적으로 H > 0은 불안정 대기 조건을, H < 0은 안정된 야간 경계층 조건을 나타낸다. 본 연구에서는 안정경계층(Stable Boundary Layer, SBL) 조건을 반영하였으며, 해당 조건 하에서는 혼합층의 높이가 주로 기계적 난류에 의해 형성되므로 zim 값이 혼합층 높이로 간주된다. 측정값이 부재한 경우에는 평형 기계적 혼합층 높이(zᵢₑ)를 대체 지표로 사용하였다(Cimorelli et al., 2005; U.S. EPA, 2023). Table 4는 본 연구에서 도출된 주요 경계층매개변수인 현열속, 표면 마찰속도, 혼합고도, Monin-Obukhov 길이의 식과 해당 시점(2016년 2월 18일 01 LST)에서 계산된 수치를 제시한 것이다. 음의 현열속과 양의 Monin-Obukhov 길이 값은 당시 대기가 안정 상태에 있었음을 나타낸다. 이와 같이, PALM-LPM과 AERMOD 두 모델은 동일한 기상 데이터를 바탕으로 구성되었으나, 모델 특성에 따라 기상 입력의 전처리 방식과 활용 범위에 차이가 있으며, 이는 이후 모델 결과 해석 시 중요한 고려 요소가 된다.
Table 4
Equations and Computed Values of Boundary Layer Parameters from AERMET at 01 LST on February 18, 2016
| Variable | Equation | Computed value |
|---|---|---|
| Sensible Heat Flux (H, [Wm-2]) |
H=-ρcp u*θ* θ* =0.09(1-0.5n2) - ρ: density of air [kg m-3], cp:specific heat at constant pressure (= 1,004 Jg-1 K-1), θ*:temperature scale [K], n: cloud cover fraction |
-15.9 |
| Surface Friction Velocity (u*, [ms-1]) |
- CD: neutral drag coefficient [cal g-1 C-1], uref: wind speed at reference height [m s-1], zref: reference height for wind [m], g: gravity acceleration (= 9.8 m s-2), Tref: ambient temperature at reference temperature height [K], βm= 5, k: von Karman constant (= 0.4 (dimensionless)), zr: height of the receptor above local sources base [m], d_h: zero-plane displacement (Qian and Venkatram, 2011) |
0.201 |
| Mechanical Mixing Height (zim, [m]) |
zie =0.4(u* L/f)0.5 zie =2400u*3/2 (in mid-latitudes) - f: Coriolis parameter |
216 |
| Monin-Obukhov Lengh (L, [m]) |
|
46.1 |
2.4 성능 비교 방법
본 연구에서는 동일한 기상 조건, 실험 도메인(반경 2 km), 방출 조건 하에서 라그랑지안 기반의 PALM-LPM과 가우시안 기반의 AERMOD 두 모델의 확산 예측 특성을 비교하였다. 두 모델은 물리적 기반, 출력 형식, 공간 및 시간 해상도 등에서 차이가 있으므로, 동일 기준에서의 상대적 비교를 통해 성능을 평가하였다. 비교 항목으로는 누적 농도 분포의 공간적 범위와 주요 확산 방향, 침적 비율 등이 포함되며, 동일 시간 조건(예: 1시간 누적 기준)을 중심으로 분석하였다. 특히 모델별로 도출된 농도장의 분포 양상과 도시 구조에 따른 영향 반응을 중심으로 정성적 차이를 해석하였다. 한편, 실측 기반의 검증 자료가 존재하지 않기 때문에 정량적인 통계적 성능 분석 지표는 본 연구에 적용하지 않았다. 대신, 시뮬레이션 결과 간의 상대적인 비교와 물리적 해석을 통해 모델 간 예측 특성의 차이를 분석하였다.
2.5 계산 자원 및 실행 시간 비교
본 연구에 사용된 두 확산 모델은 계산 자원 소요와 실행 시간 면에서 큰 차이를 보인다. PALM-LPM 모델은 한국 기상청 슈퍼컴퓨터 5호기 ‘두루(duru)’에서 수행되었다. 해당 시스템은 Intel Xeon Platinum 8268 기반으로 하며, 하나의 노드는 24코어의 CPU 두 개가 각각의 소켓에 장착된 듀얼-소켓 구조로 구성되어, 총 48코어의 병렬 처리가 가능하다. 본 연구에서는 총 400개의 CPU 코어를 병렬로 활용하였다. 시뮬레이션 전체에 약 6,649.8초(약 1시간 51분)가 소요되었다.
반면 AERMOD는 일반적인 Windows 기반 개인용 컴퓨터 환경에서도 수 분 내외에 계산이 완료되었다. 병렬 연산이 필요하지 않으며, 계산 효율성이 매우 높다. 이처럼 두 모델은 계산 자원 소요 및 실행 시간 측면에서 명확한 차이를 가지며, 분석 목적과 적용 환경에 따라 적절한 모델 선택이 필요하다.
3. 도심 상세 대기확산 모의 성능 비교
3.1 PALM-LPM 모델의 시뮬레이션 결과 분석
PALM-LPM 모델을 활용하여 수행된 도심 대기확산 시뮬레이션 결과는 시간별 농도 변화, 연직 분포 특성, 입자 침적 특성 등 다양한 관점에서 분석되었다. Fig. 6은 2016년 2월 28일 01 LST를 기준으로, 10분 간격으로 1분부터 60분까지 총 6회에 걸쳐 누적된 오염물질 농도를 나타낸다. 해당 농도 값은 지표면으로부터 고도 300 m까지의 누적 농도 분포를 의미한다. 초기 적분 시간대에는 농도 확산이 방출지점에서 북쪽 방향으로 뚜렷하게 나타났다. 시간이 경과함에 따라 북서방향으로의 확산도 나타났으며, 이 확산 축은 점차 서쪽으로 이동하며 보다 넓은 영역으로 확산되는 형태를 보였다. 기상 조건 분석 결과, 지상에서는 동풍이 우세하였고, 상층으로 갈수록 풍향이 반시계 방향으로 회전하였는데, 이러한 수직 풍향의 차이가 시간이 지남에 따라 시계방향으로 회전하는 확산 양상에 영향을 미친 것으로 분석된다. 그러나 초기에 나타난 북향 확산은 방출 지점의 북쪽에 도로가 위치하여 건물로 인한 기류 차단 효과가 상대적으로 덜 받았기 때문으로 해석된다. 건물의 영향으로 인해 초기 확산이 북쪽으로 이루어져 북쪽으로 확산된 농도값은 다른 방향보다 비교적 더 높게 나타났다. 서향 확산은 북향에 비해 확산 속도가 느려 비교적 낮은 농도값을 보였으나, 바람의 영향으로 인하여 북향 확산보다 확산 거리가 더 길었고, 면적 또한 넓게 나타났다. 이와 같은 결과는 도심 대기확산 모델링에서 입력되는 기상자료와 건물정보가 중요함을 의미한다. 특히 건물정보는 농도가 높은 초기 확산 양상에 크게 영향을 미치므로, 건축물의 단순 유무뿐만 아니라 건물의 높이, 밀집도, 배치 구조 등 세부적인 도시 구조적 특성이 중요하게 고려되어야 함을 시사한다. 따라서 확산 예측의 신뢰성과 정확성을 제고하기 위해서는 도시 구성 요소를 정밀하게 반영하는 입력 정보의 구성이 필수적이다.
Fig. 6
Accumulated Concentrations from the Surface to 300 m at 01 LST on February 28, 2016, After Pollutant Release at (a) 600 s, (b) 1,200 s, (c) 1,800 s, (d) 2,400 s, (e) 3,000 s, and (f) 3,600 s
Fig. 7은 동일 시점 기준으로 1시간 동안의 적분 결과를 기반으로 도출된 연직 농도 분포 및 바람장의 특성을 보여준다. Fig. 7(a)는 지표면으로부터 300 m 고도까지의 누적 수평 농도 분포이며, Fig. 7(b)는 y축 2,290 m 위치(수평 농도가 가장 높게 나타난 위치)의 동-서 방향(Fig. 7(a)의 빨간 점선) 연직 농도 단면 및 연직 기류를 시각화한 것이다. 수평 농도는 방출 지점을 중심으로 동-서 방향으로 약 1 km까지 확산된 반면, 남북 방향으로의 확산은 상대적으로 제한적이었다. 이는 지표면 근처의 경계층 내에서 지배적인 바람의 방향성과 속도에 의해 확산 경로가 크게 영향을 받았기 때문으로 판단된다. 연직 단면 분석 결과, 대기 하층(약 100 m 이하)에서 농도 강도가 높게 유지되는 안정적 구조가 나타났으며, 이는 연직 온위 프로파일에서 하층의 안정도가 상대적으로 강하게 유지되고 있음을 의미한다. 이러한 결과는 대기확산 예측에서 수평 및 연직 기상장 모두의 정확한 입력이 중요함을 강조하는 사례라 할 수 있다.
Fig. 7
(a) One-Hour Average Horizontal Concentration Accumulated from the Surface to 300 m based on the Initial Condition at 01 LST on February 28, 2016, and (b) Vertical (x-z) Concentration Profile Along the Dashed Line in (a), With the y-Coordinate Fixed at 2,290 m
또한 Fig. 8은 오염물질 방출 시점부터 모델 적분 종료 시점까지의 도메인 영역 내에서 침적된 입자의 비율을 분석한 결과이다. 전체 입자의 약 72%가 모델링 도메인의 지표면 및 벽면 등에 침적되었으며, 침적 경향은 시간에 따라 동적 변화를 보였다. 특히 지표면 근처에서는 동풍이, 상층에서는 북풍이 우세하여, 주된 침적 방향이 서쪽 및 남쪽 벽면에 집중되는 특징을 나타냈다. 반면, 모델 영역 내에 공기 중에 여전히 부유한 상태로 존재하는 입자의 비율은 전체의 약 27%로 나타났으며, 이를 통해 침적량이 부유량보다 약 2.7배가량 많은 것으로 확인되었다. 이와 같은 결과는 도심 환경 내 입자 확산 및 침적 과정이 복합적인 기류 구조와 도시 형태의 상호작용에 의해 강하게 영향을 받는다는 점을 실증적으로 보여준다.
3.2 AERMOD 실험 조건별 농도 분포 특성
AERMOD 모델 실험에서는 건물 및 지형 요소가 오염물 확산에 미치는 영향을 정량적으로 분석하기 위하여 총 네 가지 조건(fl_nbl, fl_bld, ter_nbld, ter_bld)에 대한 시뮬레이션을 수행하였다. Fig. 9는 각각의 실험에서 1시간 동안 누적된 오염물질 농도 분포와 기준 실험(fl_nbld)과 다른 세 실험(fl_bld, ter_nbld, ter_bld) 간의 차이를 시각적으로 나타낸 것이다. 농도 데이터 간의 직접 비교를 위한 정규화 기법으로 Patro and Sahu (2015)가 제안한 Min-Max 정규화를 적용하였으며, 이를 통해 서로 다른 범위와 척도를 가진 결과값의 왜곡 없이 상호 비교가 가능하도록 하였다.
Fig. 9
Min-max Normalized Mean Concentration Fields for Each Experiment at 01 LST on February 28, 2016, and the Deviation Relative to fl_nbl. The Opened Circle Indicates the Emission Source Location
기준 실험인 fl_nbld (건물 및 지형이 없는 조건)에서는 방출 지점을 중심으로 대체로 균질한 타원형 확산 형태가 나타나 풍하측으로 비교적 자유롭게 확산이 이뤄지는 전형적인 가우시안 확산 패턴을 보였다. 반면, 건물과 지형을 각각 혹은 동시에 고려한 조건(fl_bld, ter_nbld, ter_bld)에서는 확산 형태가 다소 비대칭적이며, 방출 지점 인근의 지표 특성이 암시적으로 반영된 결과가 관찰되었다. 지형은 없지만 건물은 있는 fl_bld (Figs. 9(b) and (e))는 기준 실험과 비교했을 때, 확산방향으로 좁고 집중된 형태의 농도값을 보였다. 지형은 있지만 건물은 없는 ter_nbld (Figs. 9(c) and (f))는 기준 실험에 비해서는 좁고 집중된 형태를 보였지만, fl_bld에 비해서는 분산 범위가 넓었다. 이때 지형의 영향으로 인해 확산방향 좌우의 농도값 경계가 비정형화된 곡선형태를 보였다. 건물과 지형이 포함된 조건(ter_bld; Figs. 9(d) and (g))에서는 풍하측 약 1 km 이내 지역에서 농도가 확산 방향으로 좁게 집중되어, 실험들 중에서 가장 확산방향에서의 좌우방향 분산이 억제된 양상을 보였다. 이는 건축물 및 지형적 요소가 기류의 흐름을 제약하여 해당 영역에서 오염물질이 정체되거나 재순환되는 현상을 유도한 것으로 해석된다. 또한 풍하측 약 1 km 지점까지는 타원형태로 점차 농도가 감소하다가, 그 이후 약 2 km 이상 떨어진 지역에서 다시 농도가 증가하는 패턴이 나타났다. 이러한 확산 구조는 지형과 건물이 풍하측 수평 방향으로의 확산을 제한함과 동시에 오염물질의 수직 재배치나 누적 효과를 유도할 수 있음을 시사한다.
Table 5는 각 실험에서 1시간 동안 계산된 농도 및 침적에 대한 평균값과 최댓값을 정리한 것이다. 평균 농도 측면에서, 건물의 존재는 하류 지역에서의 기류 변화 및 와류 생성에 따라 대기 중 농도를 가장 크게 증가시키는 요인으로 작용하였다. 반면, 지형 요소는 대기 중 농도를 일정 부분 감소시키는 경향을 보였으며, 이는 지형에 따른 확산 경로의 이탈 또는 상승류 유도로 인한 희석 효과에 기인한 것으로 판단된다. 건물과 지형을 동시에 고려한 조건(ter_bld)은 두 요인의 복합적 영향을 반영하며, 평균 농도 측면에서는 두 번째로 높은 값을 나타냈다.
Table 5
Average and Maximum Values of Concentration and Deposition in the Domain at 01 LST on February 28, 2016
최대 농도는 건물과 지형을 모두 반영한 ter_bl 조건에서 가장 높은 값을 보였고, 다음으로 건물만 고려한 fl_bld 조건이 뒤를 이었다. 반면, 지형만 고려한 ter_nbld 조건에서는 최대 농도가 가장 낮게 나타났는데, 이는 스택 위치의 지형 높이가 풍향 및 난류 구조에 영향을 미쳐 확산이 상대적으로 원활하게 이뤄졌기 때문으로 해석된다. 즉, 지형은 오염물질의 흐름을 우회시키거나 상층으로 유도하는데 기여함으로써 최고 농도 값을 낮추는 효과가 있음을 시사한다. 이와 같은 결과는 도심지 내에서 대기확산을 예측할 때, 단순한 기상 변수뿐만 아니라 주변 건축 환경과 지형 특성을 정밀하게 반영하는 것이 오염물의 확산 경로 및 정체 현상 분석에 매우 중요한 요소임을 뒷받침한다.
나아가, 본 연구는 동일한 도메인과 기상 조건에서 PALM- LPM과 AERMOD의 예측 결과를 비교함으로써 각 모델의 구조적 차이가 확산 양상에 어떻게 반영되는지를 정리하였다. PALM-LPM은 복잡한 도시 구조물의 영향을 고해상도로 반영하면서 세부적인 확산 경로와 침적 분포를 구현하였으며, AERMOD는 상대적으로 계산 구조가 단순하지만 조건별 차이를 통해 도시 구조물의 영향 민감도를 확인할 수 있었다. 특히 동일 시간 기준의 평균 및 최대 농도를 중심으로 분석한 결과, 건축물 및 지형의 반영 유무에 따라 모델의 응답 양상이 달라졌으며, 이는 도시 환경 내에서의 적용 목적에 따라 모델 선택이 달라져야 함을 시사한다.
한편, 본 연구는 실제 관측 자료를 확보하지 못한 한계로 인해 수치 예측 결과에 대한 정량적 정확도 검증은 수행하지 않았으나 동일 조건에서 생성된 수치 결과를 비교하여 모델 간 상대적인 성능 특성을 해석하였다. 이러한 한계에도 불구하고, 두 모델이 동일한 조건에서 보여준 예측 결과의 상이한 특성을 바탕으로, 도심 대기확산 시나리오에서 각 모델의 장단점과 적용 범위를 해석할 수 있었다. 향후에는 관측기반의 정량검증을 병행하거나, 두 모델의 장점을 결합한 통합 시뮬레이션 접근법에 대한 연구도 고려할 수 있을 것이다.
4. 결론 및 제언
다양한 기반시설과 인구가 밀집된 도심지에서 방사성 물질 확산이 발생할 경우 대규모 피해를 초래할 수 있어, 도심의 특성에 맞는 정확한 대기확산 모의가 필수적이다. 특히, 모델의 계산 특성에 따라 모의 정확도와 실시간 대응을 위한 계산 효율에 차이에 발생할 수 있으므로, 같은 지역과 사례에 대해 계산 방식이 다른 모델을 비교 분석하여 각각의 장단점을 파악할 필요가 있다. 본 연구는 복잡한 도심 지형과 건축물의 구조가 밀집한 서울 광화문 일대를 대상으로 라그랑지안 입자 확산 모델인 PALM-LPM과 가우시안 플룸 모델인 AERMOD를 이용하여 도심 대기 확산 특성을 분석하고, 결과를 비교하였다. 시뮬레이션은 맑은 날의 안정한 대기 경계층 조건을 기반으로 수행되었으며, 각 모델의 확산 패턴, 농도 분포, 지형⋅건물 반응 특성을 중심으로 비교 분석하였다.
PALM-LPM은 입자 단위의 세밀한 추적을 통해 도시 지형 내 정밀한 확산 예측이 가능하였다. 특히 복잡한 건축 구조와 지형의 영향을 상세히 반영할 수 있어, 본 연구와 같이 고정밀 확산 계산이 요구되는 과제 목적에 부합했다. 반면, AERMOD는 계산 속도와 효율성 측면에서 우수하나, 모델 구조의 단순화로 인해 도심 지역에서의 세밀한 농도 분포 예측에는 한계를 보였다. 이러한 특성 차이를 고려하면, PALM-LPM은 고해상도의 도시지형 확산 모의에 유용하나, 계산 시간은 실시간 적용에 제약이 될 수 있으며, 이에 따라 향후 유사 조건에 대한 사전 시뮬레이션을 기반으로 한 데이터베이스 구축 및 이를 활용한 간접 예측 체계가 보다 현실적인 대안이 될 수 있다.
본 연구에서 활용된 PALM-LPM과 AERMOD는 방사성 물질뿐 아니라 미세먼지(PM10, PM2.5), 이산화질소(NO2), 아황산가스(SO2), 일산화탄소(CO) 등의 주요 대기오염물질 및 유해대기오염물질(Hazardous Air Pollutants, HAPs) 확산 모의에도 적용가능하며, 특히 PALM-LPM은 에어로졸, 바이오에어로졸 등 다양한 입자 및 기체 예측에도 활용될 수 있다. 향후 연구에서는 이들 물질 군별 모델 성능을 비교⋅평가하여 도심 대기확산 모델의 범용성과 한계를 명확히 규명할 필요가 있다.
더 나아가, 복잡한 도심 지표 조건을 반영한 정밀한 대기확산 시뮬레이션과 이를 기반으로 한 방사선량 평가 체계는 방사성 물질 확산 사고에 대한 규제 대응과 안전 관리에 있어 핵심적인 도구로 기능할 수 있다. 큰에디모사(LES) 기반의 도시 유동 해석과 라그랑지안 입자 확산 모델을 융합한 고해상도 대기확산 평가체계는 규제기관이 요구하는 영향 범위, 노출 수준, 선량 한계 등을 과학적으로 산정할 수 있도록 지원할 수 있다. 이러한 통합 모델은 방사능 확산 사고 발생 시, 사고 대응 전략 수립과 규제 절차 최적화, 사고 후 복구 및 재개발 정책 마련 등에서 중요한 정책 기반 자료를 제공할 수 있으며, 도시 환경 내 공공 안전 확보 및 지속 가능한 환경 관리를 위한 과학적 기반으로 활용될 수 있다.
또한, 도심지 내 방사성 물질 확산 허용 범위 설정, 실시간 예보 및 경보 시스템 구축, 선량 한계 설정 등에 필요한 기술적 근거를 제시함으로써 향후 규제 요건의 고도화 및 과학화에 기여할 수 있을 것이다. 따라서 향후 연구에서는 다양한 기상 조건 및 도심 구조에 따른 확산 경향 분석을 확대하고, 모델 간 결합 또는 상호보완 가능한 통합 플랫폼 개발을 통해 현실 적용성과 운영 효율성을 동시에 확보하는 방향으로 발전이 이루어져야 할 것이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
