저가 공기질 센서 보정(Calibration)을 위한 시계열 딥러닝 프레임워크

저비용 공기질 센서(Low-cost air quality sensors, LCS)는 고가의 규제 등급 측정 장비를 대체할 수 있어 도시 전역에 걸친 밀집 모니터링 네트워크 구축을 가능하게 합니다. 하지만 이들 센서는 센서 드리프트(sensor drift), 환경 간 교차 민감도(environmental cross-sensitivity), 기기별 성능 편차 등의 보정 문제로 인해 활용에 어려움을 겪습니다.

본 연구는 이러한 LCS 측정값(PM${2.5}$, PM${10}$, NO$_2$)을 보정하기 위한 시계열 딥러닝 프레임워크를 제시합니다. 핵심은 Long Short-Term Memory (LSTM) 네트워크를 활용하여 시간적 의존성(temporal dependencies)과 환경적 지연 효과(delayed environmental effects)를 포착하는 것입니다. 이 모델은 영국 Oxford의 OxAria 네트워크에서 수집된 공동 배치(co-located) 기준 데이터를 기반으로 훈련되었습니다.

기존의 통계적 방법론이나 Random Forest (RF)와 같은 기법들은 각 관측치를 독립적으로 처리하는 경향이 있어, 시간 흐름에 따른 변화나 오염물질 간의 복잡한 상호작용을 모델링하는 데 한계가 있었습니다. 반면, 본 연구에서 제안된 시퀀스 기반 학습(sequence-based learning) 접근 방식은 이러한 시간적 패턴과 지연 효과를 성공적으로 포착하여, 세 가지 오염물질 모두에서 훈련, 검증, 테스트 세트 전반에 걸쳐 높은 $R^2$ 값을 달성했습니다.

모델의 일반화 성능을 극대화하기 위해, 특징 집합(feature set)은 단순한 측정값 외에도 시간 지연 매개변수(time-lagged parameters), 조화 인코딩(harmonic encodings), 그리고 오염물질 간 상호작용 항(interaction terms)을 결합하여 구성되었습니다. 이러한 다차원적인 특징 설계는 모델이 이전에 보지 못한 새로운 시계열 구간에서도 안정적으로 성능을 발휘할 수 있도록 돕습니다.

최종적으로, 제안된 보정 프레임워크의 신뢰성을 검증하기 위해 실제 환경에서 얻은 미사용(unseen) 데이터를 사용하여 보정한 값을 Equivalence Spreadsheet Tool 3.1에 대조했습니다. 그 결과, NO$2$는 22.11%, PM${10}$은 12.42%, PM$_{2.5}$는 9.1%의 확장 불확실성(expanded uncertainties)을 가지면서도 규제 기관이 요구하는 기준에 부합하는 높은 신뢰도를 입증했습니다. 이는 LCS가 공공 보건 및 환경 모니터링 분야에서 실질적인 대안으로 자리매김할 수 있음을 시사합니다.