1. 서 론
지표면 오존(O3)은 인체 호흡기 질환, 작물 생육 저 해, 광화학 스모그 형성 등 다양한 환경 피해를 유발하 는 대표적인 2차 대기오염물질이다(Kang et al., 2004;Lim et al., 2006). 오존은 질소산화물(NOx)과 휘발성 유기화합물(VOCs)이 태양광 조건에서 광화학 반응 을 통해 생성되며, 그 생성 기작은 전구물질의 농도 비 (Ratio)와 기상 조건에 따라 비선형적인 거동을 보인다 (Carter, 2010). 특히 산업단지 지역은 석유화학, 도장, 인쇄 등 다양한 VOCs 배출원이 밀집되어 있어 도시 대 기 측정망으로는 포착하기 어려운 국지적인 고농도 오 존 현상이 빈번하게 발생한다(Ryou et al., 2018;Shin et al., 2020).
현재 우리나라의 VOCs 관리정책은 ⸢대기관리권역의 대기환경개선에 관한 특별법⸥에 따라 배출 총량을 규 제하거나, 물질 고유의 광화학 반응성(MIR, Maximum Incremental Reactivity)이 높은 물질을 중점 관리하는 방식에 의존하고 있다(Chae and Joo, 2025). 그러나 실 제 산업 현장, 특히 제약 및 바이오 공정이 주를 이루 는 단지에서는 공정 특성상 알켄(Alkene)류보다는 세 척 및 용해 목적으로 사용되는 유기용제(Solvent)류가 다량으로 배출되는 특성을 보인다. 이러한 고농도 용제 플룸(Plume)은 개별 물질의 반응성이 낮더라도 압도적 인 대기 중 농도로 인해 오존 생성에 지배적인 영향을 미칠 수 있으나, 기존의 반응성 기반 평가 체계로는 이 를 과소평가할 우려가 있다(Lee and Yang, 2022;Shin et al., 2024). 또한, 최근 국내외 악취 및 VOCs 규제 정 책 비교 연구에서도 산업단지별 특성을 고려한 관리의 필요성이 제기된 바 있다(Lee et al., 2025).
최근 대기오염 분야에서는 복잡한 대기 현상을 해 석하기 위해 인공지능(AI)과 머신러닝 기술의 도입이 가속화되고 있다(Li et al., 2023). 특히 랜덤 포레스트 (Random Forest)와 같은 앙상블(Ensemble) 기법은 변 수 간의 비선형적 상호작용을 학습하는 데 강점이 있 어, 복잡한 대기 화학 메커니즘을 진단하고 VOCs 기여 도를 정량화하는 데 효과적인 도구로 평가받는다(Chen et al., 2024). 기존의 미세먼지 연구 등에서도 데이터 기반 분석이 물리 화학 모델의 한계를 보완할 수 있음 이 입증된 바 있다(Kim et al., 2014). 이에 본 연구에 서는 실시간으로 대기오염물질을 측정할 수 있는 이동 측정차량으로 수집된 고해상도 시공간 데이터를 머신 러닝 기법으로 해석하는 통합적 분석 체계(Integrated Analysis Framework)를 구축하고자 한다. 화성바이오 밸리의 고농도 오존 사례를 대상으로 본 방법론을 적용 하여, 1) 실제 오존 생성을 주도하는 핵심 VOCs를 규 명하고, 2) 기존 개별 VOCs의 농도와 최대 증분 반응 성(Maximum Incremental Reactivity, MIR) 계수를 곱 하여 오존 생성 잠재력을 평가하는 오존 생성 기여도 (OFP, Ozone Formation Potential) 분석과의 차이점을 비교함으로써 데이터 기반 접근법이 산업단지별 특이 적인 오염 특성을 진단하는 데 얼마나 유효한지를 실증 적으로 검증하는 데 목적이 있다.
2. 연구 방법
2.1 연구 대상 지역 및 측정 개요
본 연구는 경기도 화성시 남양읍 일대에 위치한 화성 바이오밸리 산업단지를 대상으로 수행하였다. 이 지역 은 의약, 화학, 도장 공정 등 VOCs 배출원이 밀집되어 있어 국지적 오염도가 높은 지역이다. SIFT-MS, 오존 측정장비가 장착된 이동측정 차량을 이용하여 2025년 6월 30일과 7월 25일 두 차례에 걸쳐 측정을 수행하였 다. 6월 30일 측정에서는 전 구간에서 오존 농도가 60 ppb 이하의 배경 농도 수준으로 유지되어 뚜렷한 국지 적 생성 반응이 관측되지 않았다. 반면, 7월 25일에는 기온 상승(평균 30.5°C)과 대기 정체(풍속 1.6 m/s)로 인해 최대 94.0 ppb의 고농도 오존 이벤트가 포착되었 다. 이에 본 연구에서는 고농도 오존 발생 시의 전구물 질 기여도와 화학적 특성을 규명하기 위해, 오존 생성 반응이 활발했던 7월 25일의 관측 자료를 중심으로 AI 모델링 및 심층 분석을 수행하였다. 측정차량은 산업단 지 주요 도로와 외곽을 포함하는 약 18 km 구간을 측정 하였으며, 평균 주행속도는 약 15 km/h로 유지하여 오 염 플룸의 공간 분포를 고해상도로 파악하였다.
2.2 이동측정시스템 구성 및 운용 방법
VOCs 분석에는 선택적 이온 유동관 질량분석기 (SIFT-MS, Syft Technologies, Voice200ultra)를 이용하 였다. SIFT-MS는 반응이온(H3O+, NO+, O2+)을 이용하 여 시료를 연성 이온화(Soft Ionization)함으로써, 전처 리 없이 실시간으로 50여 종의 VOCs를 ppt 단위까지 정량할 수 있다. 오존은 자외선 흡수법(UV Absorption) 기반의 분석기(Teledyne API Model T400)를 이용하였 으며, 해당 장비는 254 nm 파장의 자외선을 이용하며 검출 한계(Lower Detectable Limit)는 0.4 ppb 미만으 로 저농도 분석에 적합하다.
기상자료는 연구 대상 지역 인근(약 5 km 거리)에 위 치한 국가대기오염측정망(경기도 화성시 남양읍 신남 리 27-1 소재 화성대기측정소)의 자료를 활용하였다.
2.3 데이터 전처리 및 통합 절차
수집된 VOCs(15초 단위)와 오존(30초 단위) 데이터 는 동일한 시간 축을 기준으로 동기화 과정을 거쳐 통 합 데이터셋을 구축하였다. 각 항목별로 평균 ±3σ(표준 편차)를 초과하는 이상치를 제거하였으며, 변수 간 단 위 및 스케일 차이에 따른 모델 편향을 방지하기 위해 Min-Max 정규화를 적용하였다. 최종적으로 약 1,200 개의 시계열 데이터 포인트가 모델 학습에 사용되었다.
2.4 인공지능(AI) 기반 분석 방법
랜덤 포레스트 모델 설계 및 학습 파라미터 오존 생 성 반응은 전구물질인 NOx와 VOCs의 농도 비 및 기상 조건에 따라 복잡한 비선형적 거동(Non-linear behavior)을 보인다. 이에 본 연구에서는 다중공선성 (Multicollinearity) 문제에 강건하고 비선형성을 효과적 으로 학습할 수 있는 앙상블기반의 랜덤 포레스트 알고 리즘을 채택하였다(Breiman, 2001). 모델 학습을 위해 2025년 7월 25일 SIFT-MS로 측정된 시계열 데이터를 전처리하여 학습 데이터셋(Training Dataset)을 구축하 였다. 입력 변수(Feature, X)로는 벤젠, 톨루엔, 사이클 로헥산, MEK 등 50여 종의 개별 VOCs 농도를 사용하 였으며, 종속 변수(Target, y)는 동일 시점의 오존 농도 로 설정하였다. 총 데이터 포인트는 약 1,200개이며, 변 수 간 스케일 차이에 의한 왜곡을 방지하기 위해 최소- 최대 정규화를 적용하였다. 모델 구현에는 Python 환경 의 Scikit-learn 라이브러리를 사용하였으며, 과적합을 방지하고 일반화 성능을 확보하기 위해 결정 트리의 개 수는 100개로 설정하였다. 노드 분할 기준으로는 평균 제곱오차(MSE, Mean Squared Error)를 사용하여 예측 오차를 최소화하도록 학습하였다. 한편, 본 연구에서 는 VOCs 종(Species)별 기여도를 집중적으로 규명하기 위해 무기 전구물질인 NOx (NO, NO2)와 기상 변수를 입력 변수에서 의도적으로 배제하는 VOCs 중심 모델 링 전략을 취하였다. 이는 배경 농도로 항시 존재하는 NOx와 국지적 변동성이 큰 기상 요인의 지배적인 영향 력을 통제하고, 오존 스파이크를 유발하는 특정 유기화 합물을 식별하기 위함이다. 다만, NOx는 광화학 반응 의 필수 요소이므로, 향후 연구에서는 고정밀 NOx 분 석 장비를 활용한 동시 측정을 통해 모델의 화학적 완 성도와 신뢰성을 제고할 필요가 있다.
SHAP (SHapley Additive exPlanations) 기반 기여 도 산출 랜덤 포레스트와 같은 ‘블랙박스’ 모델의 불 투명성을 해소하고 예측 결과에 대한 화학적 인과성 을 설명하기 위해, 본 연구에서는 설명 가능한 인공 지능(XAI, Explainable Artificial Intelligence) 기법인 SHAP을 적용하였다(Lundberg and Lee, 2017). SHAP 은 협력 게임 이론(Cooperative Game Theory)의 섀플 리 값(Shapley Value)을 기반으로, 전체 예측값에 대해 각 입력 변수가 기여한 정도를 ‘한계 기여도(Marginal Contribution)’로 산출하는 알고리즘이다. 본 분석에서 는 TreeExplainer를 활용하여 각 VOC 물질이 오존 농 도 예측값에 미치는 영향력을 정량화하였다. 특정 시점 t에서의 SHAP 값(φt)이 양(+)의 값을 가지면 해당 물 질이 오존 농도를 평균보다 높이는 데 기여하였고, 음 (–)의 값을 가지면 낮추는 데 기여했음을 의미한다. 본 연구는 개별 데이터 포인트에서 산출된 SHAP 값의 절 대값 평균(Mean Absolute SHAP Value)을 통해 전구 물질의 전반적인 중요도 순위를 도출하였으며, 이를 통 해 기존 물성 중심의 OFP 분석과 달리 실제 관측된 농 도 분포와 반응성이 결합된 ‘실질적 기여도’를 평가하 였다.
3. 결과 및 고찰
2025년 7월 25일 화성바이오밸리에서 관측된 오존 의 공간 분포는 측정결과 상위 10% 부분인 90 ppb 이 상 지역을 구분하여 표출하였고 전체 측정 지점은 Fig. 1과 같다. 평균 오존 농도는 80.9 ppb였으나, 특정 지점 에서 최대 94.0 ppb까지 상승하였다. Table 1은 측정 기 간 동안의 오존 농도 및 기상 조건의 통계적 요약을 보 여준다.
관측 당일 평균 기온은 30.5°C에 달했고, 평균 풍속은 1.6 m/s로 매우 낮아 오존 생성에 유리한 고온 및 대기 정체 조건이 형성되었다. 이러한 기상학적 조건 하에서 평균 오존 농도는 80.9 ppb를 기록하였으나, 산업단지 내 특정 지점에서는 최대 94.0 ppb까지 급격히 상승하 는 고농도 현상이 포착되었고 이 지점을 고농도 지점으 로 지정하였다. Fig. 1의 공간 분포와 우측 상단의 바람 장미(Wind Rose)를 종합해 볼 때, 당시 주 풍향은 북서 풍(NW) 계열이 우세하였다. 고농도 지점이 산업단지 의 풍하측(Downwind) 구역에서 집중적으로 관측된 점 은, 산업단지 북서쪽에 밀집된 배출원으로부터 발생한 전구물질이 바람을 타고 이동하며 광화학 반응을 일으 켜 오존을 생성 및 축적시켰음을 시사한다.
3.1 오존 및 주요 VOCs의 시계열 특성
오존 고농도 발생 시점의 전구물질 거동을 파악하기 위해 주요 VOCs와 오존 농도의 시계열 변화를 분석 하였고 Table 2는 분석 기간 동안 관측된 주요 VOCs 의 농도 분포를 요약한 것이다. Fig. 2에 나타난 바와 같이, 오존 농도가 급격히 상승하여 피크(94.0 ppb) 에 도달하는 10시 30분 경, 유기용제인 사이클로헥산 (Cyclohexane)과 부타논(MEK, Methl Ethyl Ketone) 의 농도 또한 동조하여 급등하는 경향(Synchronized Pattern)이 뚜렷하게 관측되었다. 사이클로헥산은 최대 100 ppb 이상, MEK는 50 ppb 이상의 고농도를 기록하 며 오존 상승을 견인하는 모습을 보였다. 반면, 관측 기 간 중 가장 높은 평균 농도(114.4 ppb)를 기록한 부탄의 경우, 오존 농도의 급등락 시점과 무관하게 전체 구간 에서 지속적으로 높은 농도를 유지하는 경향을 나타냈 다. 이는 부탄이 특정 배출원에 의한 일시적 고농도 플 룸이라기보다는, 해당 산업단지 대기 중에 상존하는 배 경 물질로서의 성격이 강함을 시사한다. 또한, 프로펜 등 알켄류의 농도 변화 역시 오존 피크와의 상관성이 상대적으로 낮았다. 따라서 해당 시점의 고농도 오존 현상은 배경 농도로 존재하는 물질보다는, 특정 배출원 으로부터 비산 배출되어 오존과 강한 시계열적 동조를 보인 용제 플룸의 광화학 반응에 기인함을 시각적으로 뒷받침한다.
3.2 AI기반 VOCs 기여도 및 SHAP 분석 결과
50여 종의 VOCs만을 이용하여 랜덤 포레스트 모델 을 학습시킨 결과, 결정계수(R2)는 0.91로 나타났다. 이는 무기 전구물질 정보 없이 오직 VOCs 농도 패턴 만으로도 오존 변동성의 90% 이상을 설명할 수 있음 을 의미하며, 해당 산업단지의 오존 생성이 VOCs 배 출 특성에 민감하게 반응함을 시사한다. SHAP 값을 기 반으로 도출된 주요 기여 VOCs 순위는 Table 3과 같 다. 분석 결과, 사이클로헥산(Cyclohexane)이 가장 높 은 중요도(0.17)를 보였으며, 알칸계 용제인 메틸헵탄 (Methylheptane) 및 트라이메틸펜탄(Trimethylpentane) 그룹(0.10), 1-헥센(1-Hexene)(0.08), 부타논(MEK) (0.07)이 그 뒤를 이었다.
특히 최상위 기여 물질로 규명된 사이클로헥산과 MEK, 알칸계 화합물들은 모두 화학 공정 및 세척 과정 에서 사용되는 대표적인 유기용제들이다. 또한 해당 물 질이 산업단지의 주요 악취 원인물질로도 알려져 있어, 오존과 악취를 동시에 유발하는 공통적인 배출원이 존 재할 가능성이 높다. 반면, 기존 OFP 분석에서 강조되 던 톨루엔(Toluene)은 8위, 프로펜(Propene)은 상위 10 위권 밖으로 밀려났다. 이는 AI 모델이 이론적인 반응 성보다는 실제 대기 중에서 관측되는 고농도 플룸의 영 향력(Impact)을 우선적으로 평가했기 때문이다.
3.3 OFP 분석과 AI 결과의 상관 비교
전통적인 OFP 분석에서는 최대 증분 반응성(MIR, Maximum Incremental Reactivity)이 높은 알켄류가 상 위권을 차지하지만, 본 연구의 AI 모델은 실질적 영향 력(Actual Impact)을 평가하여 관측 농도가 높은 용제 류를 핵심 인자로 지목하였다. 이를 더욱 명확히 보여 주기 위해 주요 물질들의 농도 분포를 비교 분석하였 다(Fig. 3). 실측 기간 중 사이클로헥산과 MEK의 농 도 범위는 프로펜에 비해 월등히 높은 수준을 유지하 였다. 즉, 단위 반응성은 낮더라도 압도적인 배출 농도 가 이를 상쇄하여 실제 오존 생성 반응을 주도한 것이 다. 이는 농도 효과(Abundance Effect)가 반응성 효과 (Reactivity Effect)를 압도한 사례로, 단순한 물성치 기 반의 OFP 분석만으로는 산업단지의 국지적 고농도 현 상을 설명하는 데 한계가 있음을 보여준다. Table 4에 서 확인할 수 있듯이, AI 모델과 OFP 분석 간의 전체적 인 경향성은 상관계수(r) 0.86으로 높은 편이나, 최상위 기여 물질의 순위에서는 뚜렷한 차이를 보였다. OFP는 반응성이 높은 프로펜을 1순위로 지목한 반면, AI는 실 제 농도가 높은 사이클로헥산과 MEK를 더 중요한 인 자로 평가하였다. 이는 단순한 물성치 기반의 OFP 분 석만으로는 산업단지의 국지적 고농도 현상을 설명하 는 데 한계가 있음을 시사하며, AI 모델이 현장의 농도 분포를 반영하여 실질적인 기여도를 산출했음을 의미 한다.
4. 결 론
본 연구는 AI와 이동측정 기술의 융합이 산업단지의 복잡한 대기질 현상을 진단하는 강력한 도구가 될 수 있음을 실증하였다. 화성바이오밸리의 고농도 오존 사 례 분석을 통해, 이론적으로 예측되는 알켄류(Propene) 가 아닌, 현장에서 다량 사용되는 유기용제류가 오존 생성의 실질적인 지배 인자임을 규명하였다. 특히 NOx 를 배제한 VOCs 중심의 AI 모델링은 배경 농도의 간 섭을 제거하고 오존 스파이크를 유발하는 핵심 물질을 명확히 식별해냄으로써, 기존의 MIR을 활용한 물성 중 심 평가가 놓칠 수 있는 농도 우세 효과를 성공적으로 입증하였다. 이러한 결과는 현재의 ‘배출 총량 규제’ 및 ‘물질별 획일적 관리’ 방식이 산업단지의 국지적 특성 을 충분히 반영하지 못할 수 있음을 시사한다. 따라서 향후 대기환경 정책은 본 연구에서 제시한 AI 기반 진 단 방법론을 도입하여, 산업단지별 오염 특성을 선제적 으로 진단하고, 그 결과에 따라 제약·바이오 공정의 용 제 회수 효율 개선 및 비산 배출원 정밀 추적을 수행하 는 데이터 기반 맞춤형 관리 체계로 전환되어야 한다. 더불어, 해당 연구에서 오존 전구물질로 지목된 MEK 등의 용제류는 대표적인 악취 유발 물질이기도 하다. 이는 오존 저감을 위한 용제 관리 강화가 산업단지의 고질적인 악취 문제 해결에도 동시에 기여할 수 있음을 의미한다. 본 연구는 이러한 정책적 패러다임 전환을 위한 과학적 근거와 실질적인 방법론적 토대를 제공하 였다.
