2. [논문] Landsat 원격 감지 데이터를 기반으로 한 지난 20년간의 톈완 (Tianwan) 원자력발전소의 열오염 모니터링

[이승은간사]

소개하며...
원자력발전소로 인한 열오염문제가 국제적으로도 중요한 주제가 되고 있는 가운데 중국에서 나온 이 논문은 열오염이 명확하게 발생하고 있고, 원인이 원전임을 밝히고 있는 것으로 의미가 있습니다.
비록 해당 논문에서는 “2001년부터 2020년까지 열배출 면적이 변화했다”면서도 “국가품질표준을 충족하고, 주변 환경에 오염을 유발하지 않으므로 향후에도 다른 원전 건설이 계속 될 수 있다”고 결론을 냈지만, 열오염이 미래의 해양환경에 어떤 영향을 미칠 것인지 불확실하다는 점에서 논문의 결론은 우려스러운 측면이 많습니다.
그럼에도 불구하고 국내에서는 온배수 열오염에 대한 제대로 된 모니터링이나 평가조차 이루어지지 않는 상황에서 연구방법과 결론데이터가 우리에게 주는 의미가 있다고 생각하여 이 논문을 소개합니다.

Landsat 원격 감지 데이터를 기반으로 한 지난 20년간의 톈완(Tianwan) 원자력발전소의 열오염 모니터링 (Thermal Pollution Monitoring of Tianwan Nuclear Power Plant for the Past 20 Years Based on Landsat Remote Sensed Data)

Publisher: IEEE(Institute of Electrical and Electronics Engineers)

Pingjing Nie(1); Hua Wu; Jie Xu; Letian Wei; Haitao Zhu; Li Ni

(1) State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing, China, University of Chinese Academy of Sciences, Beijing, China

요약:

톈완(Tianwan) 원자력발전소는 중국 장쑤성에 위치해 있다. 냉각 시스템에서 따뜻한 물을 황해로 방출하는데, 이는 생태계에 영향을 미칠 수밖에 없다. 여기서는 Landsat 데이터를 이용하여 원전 가동 후 해수면온도(SST)의 변화를 연구하였다. 첫째, 톈완 원자력발전소 근처의 SST는 단일 채널 알고리즘을 사용하여 추정되었다. 이어서 기준 온도가 추출되었다. 둘째, 열배출 면적을 계산 하였다. 마지막으로 열배출의 전반적인 추세, 계절적 분포 특성, 온도 상승과 열배출이 해양 환경에 미치는 영향 간의 관계를 지속적으로 모니터링하고 분석했다. 2007년 5월 원자력발전소가 가동되기 전에는 뚜렷한 열오염이 없었다. 그러나 원전 가동 이후 열오염 지역은 확연히 확대됐다. 온도가 높아진 지역이 2001년부터 2020년까지 66.77㎢가 되었다. 열오염 지역은 봄에 가장 많이 관찰되며, 여름, 겨울, 가을 순으로 나타났다. 2018년 겨울의 온도 상승 면적은 가을보다 44.82㎢ 더 넓다. 톈완 원자력발전소의 SST 상승은 해양환경에 대한 국가품질표준을 충족하며 주변 환경을 오염시키지 않는다.

출처 : IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (Volume: 14)

페이지: 6146 – 6155

발행일: 2021년 6월 11일

섹션I. 서론

원자력발전소는 핵반응을 열에너지원으로 사용하는 고효율 화력발전 시스템이다. 이들 발전소는 거의 무시할 수 있는 온실가스와 이산화탄소를 배출하는데, 이는 점점 심각해지는 지구 온실효과와 제한된 자원 문제를 해결할 수 있는 큰 잠재력을 나타낸다. 그러나 원자력발전소에서 생산되는 열에너지는 상당한 양의 따뜻한 물을 자연 수역으로 방출하는 경향이 있는데, 이를 열배출이라고 한다. 이에 따라 주변 수질환경의 온도가 상승하여 생태학적 문제를 야기할 수 있다[1]-[3]. 예를 들어, 해수에 대한 열배출의 잠재적 영향에는 수문학적 변화, 해수 질 악화, 고온에 민감한 해양동물의 죽음, 적조 빈도 증가 등이 포함된다[4].

중국의 원자력발전이 가속화됨에 따라 연안 해역으로 유입되는 열배출 문제는 무시할 수 없다[5]. 따라서 원자력발전소의 열배수 분포 범위와 정도에 대한 정확한 모니터링과 평가가 필요하다. 더욱이, 원자력발전소의 열배출을 모니터링하면 적절한 계획을 수립하고 원자력 에너지 사용을 늘리며 해양환경을 보호할 수 있다[6], [7].

해수면 온도(SST)의 전통적인 측정은 시간이 많이 걸리고 힘든 반면, 데이터 업데이트는 느리고 모든 연구 영역을 포괄할 수 없다. 항공 원격 감지는 특정 공역 통제 규정에 의해 적용 가능성이 제한되는 미성숙한 기술이기 때문에 장기간 쉽게 접근할 수 있는 데이터를 제공할 수 없다[5]. 공간 기반 원격 감지 기술은 동적 연속성과 넓은 감지 범위의 장점을 나타내면서 열 방전 모니터링에 적합한 것으로 간주된다[8,9]. 또한, 열배출량의 변화를 모니터링하고, 환경평가를 위한 참고자료를 제공하며, 향후 원전 건설 계획을 구현할 수 있다.

일부 연구자들은 원자력발전소의 열배출을 모니터링하기 위해 공간 해상도가 1.1km인 AVHRR(Advanced Very High-Resolution Radiometer)에서 파생된 열 적외선 데이터를 사용했다[11]. 공간 해상도가 300m인 HJ-1B 열 적외선 데이터도 원자력발전소의 열배출을 모니터링하는 데 사용되었다[12]-[14]. 또한 여러 연구자들은 Landsat 데이터를 사용하여 해수면의 열배출을 모니터링했다[5],[15].

AVHRR 및 특정 센서를 기반으로 한 SST 검색은 약 1㎢ 미만의 열 적외선 대역 해상도를 나타내지만 1㎢ 미만의 열오염 영역(예를 들어, 4℃ 및 5℃를 초과하는 온도상승영역)을 나타낼 수 없기 때문에 1㎢ 미만의 온도 상승 데이터에 민감하지 않다[16].

Landsat 위성은 원자력발전소를 모니터링하기 위한 크고 포괄적인 데이터를 제공한다[5],[8],[9]. 1984년 3월 1일, NASA는 다중스펙트럼 스캐너 시스템과 주제 매퍼(TM) 장비를 탑재한 Landsat 5호를 발사했다. 2013년 2월 11일에 발사된 Landsat 8은 작동가능한 육상 이미지와 열적외선 센터(TIRS)라는 두가지 장비로 구성되었다. 레벨1제품(적외선 데이터)의 해상도는 30m로 재표집된 후 본 연구에 사용되어 원자력발전소의 열배출을 모니터링하는데 이상적인 데이터 소스가 되었다.

기존 연구에서 연구자들은 원자력발전소 열배출 분포 특성을 연구하기 위해 주로 2~3년간의 데이터를 활용해 왔지만 [6],[11],[12], 열오염의 장기적인 변화는 아직까지 밝혀지지 않았다. 따라서 이 논문에서는 Landsat 5와 Landsat 8 데이터를 결합하여 2001년부터 2020년까지 하늘이 거의 맑아 데이터 품질이 좋은 18개 장면을 선정했다. 이후 Landsat 5와 Landsat 8 위성(band11은 심각한 교정 불확실성을 나타냄)에서 적합한 TIR 채널이 하나밖에 없어 단일 채널 방식을 사용하여 SST를 검색했다. 그리고 톈완 원전의 열배출 지도에 따라 열배출 분포 특성을 분석했다. 마지막으로 지난 20년 동안 온도의 다양한 증가를 나타내는 톈완 원전지역을 추출했다.

이 논문의 목적은 다음 질문에 답하는 것이다.

1) 뚜렷한 열배출 현상이 있는가?

2) 2001년부터 2020년까지 열배출 면적은 어떻게 변했나?

3) 열분포 영역이 어떻게 변했는지, 열배출 구역의 분포 특성에 영향을 미치는 것을 나타내는 특성이 있는가?

4) SST의 상승은 해양 환경에 대한 국가품질기준에 부합하는가?

섹션II. 연구 영역 및 데이터

A. 연구 장소

중국 장쑤성에 위치한 톈완 원전은 중국과 러시아 간 기술협력 프로젝트의 결과로 건설되었다.(그림1 참조). 발전소 부지에는 800만kW급 원자력발전소를 건설할 계획이다. 1단계와 2단계로 4기(No.1, No.2, No.3, No.4)의 106만kW 규모가 건설되었다. 1,2호기는 2007년에 가동되었고, 3,4호기는 2018년에 가동되었다. 5호기는 2020년에 가동되었고, 6호기는 2021년 10월에 가동될 계획이다. 한편, 7,8호기는 여전히 계획 중에 있다.

그림 1. 텐완(Tianwan) 원자력 발전소의 위치.  

톈완 원자력발전소의 동쪽은 황해와 접해 있다. 배수구 근처의 바다는 반원형처럼 동쪽으로 열려있어 우리 연구 지역은 3면이 폐쇄된 동쪽 개방형 고리 모양의 항구로 이어진다.

B. Landsat 데이터

Landsat 프로그램은 1970년대 초반부터 16일마다 50년 이상 일괄되게 보관된 지구 표면 이미지를 뛰어난 품질, 세부 묘사, 적용 범위 및 길이로 제공해왔다. Landsat 5는 TM을, Landsat 8은 TIRS를 운반했다. 본 연구에서는 Landsat Collection 1을 사용하여 도출된 레벨1 데이터를 사용했으며, USGS웹사이트를 통해 무료로 다운로드 받을 수 있다.

이전의 연구에서는 원자력발전소의 열배출이 조수 및 계절과 관련이 있음을 보여주었다[5], [11],[13], [18]. 따라서 본 논문에서 선정된 18개의 장면은 대부분 추운 계절을 나타내며, 썰물 때 관찰되는 것과 유사한 조수 특성을 나타냈다. 이를 통해 열배출의 분포 특성을 보다 명확하게 확인할 수 있다[5],[13]. 본 연구에서는 톈안 원자력발전소 건설을 포함하여 2001년부터 2020년까지 거의 맑은 하늘 조건에서 총 18개의 Landsat 장면을 사용했다. 사용된 대역의 해상도는 30m이다. 한편, Landsat 영상 자료의 경로와 행 번호는 각각 120과 36으로 전체 연구 영역을 포괄한다. Landsat 데이터의 획득시간은 표1에 나열되어 있다.

표 I. Landsat 5/8 이미지와 관련된 정보  

섹션III. 방법론

A. 열배출 모니터링 절차

데이터 처리 방법은 온도 배수 모니터링 기술 프로세스를 기반으로 한다[14]. 한편, SST는 복사전달 방정식(RTE) 방법을 사용하는 온도 검색 프로세스를 사용하여 계산된다[19].

그림2는 원격으로 감지된 Landsat 데이터를 기반으로 원자력발전소 열배출을 모니터링하는 워크플로우를 보여준다[14]. 먼저, 이미지의 TOA 복사열량을 결정하기 위해 영상의 원시 디지털 번호를 기반으로 기하보정 및 방사보정을 수행했다. 그런 다음 대기보정, 해양지역 추출 및 구름 인식 등을 수행했다. SST는 RTE를 기반으로 검색되었다. 이후 해수면 온도를 계산하고 열분포 특성과 열배출 영역을 분석하였다. 마지막으로, 2001년부터 2020년까지 톈완 원자력발전소에 대해 다양한 온도 증가를 경험하는 지역의 열분포 관련 지도가 생성되었다.

그림 2. 원격 감지된 Landsat 데이터를 기반으로 원자력 발전소의 열배출을 모니터링하는 워크플로우  

B. 데이터 전처리

Landsat 데이터의 전처리에는 주로 방사성 교정 및 해양지역 추출이 포함된다. 센서의 원시 디지털수를 스펙트럼 복사량으로 변환하는 데 사용된 방정식은 다음과 같다.

Lλ= DN×Gain+h   (1)

여기서 Lλ은 복사에너지를 나타내고, DN은 이미지의 원시디지털 번호, Gain은 보정계수, h는 오프셋을 나타낸다. 후자의 두 매개변수는 Landsat 메타데이터 파일에서 찾을 수 있다. 실제로 계측기 보정의 오류는 본 연구의 온도 시공간적 변화분석에 일정한 영향을 미친다. Barsi의 연구에 따르면 보정 후 ETM+와 TIRS10의 차이는 0.78/(m2·sr·μm) 미만이다[2]. 또한 2017년에는 Landsat 5 TM의 복사 기반 절대 보정과 Landsat 8 컬렉션 레벨1 데이터에 적용된 미광 보전에 대한 업데이트로 절대 보정의 정확도가 향상되었다. 유광 보정 영상 데이터를 평가하기 위해 대형 수역에 대한 대리 보정 데이터를 사용했다. 초기 결과는 두 TIRS 대역 모두 절대 정확도가 크게 향상되었음을 나타낸다. Band 10에 대한 미광 교정으로 300K에서 보정이 없는 2.1K에서 0.3K로 오차가 감소했다. 또한 Band 10의 경우 300K에서 이러한 오차의 변동성이 0.87K에서 0.52K로 감소한다. 더욱이, 이 연구는 SST의 상대적인 변화에 초점을 맞추고 있으며, 이 논문의 온도 시공간적 변화의 결론에 대한 보정 및 온도 검색의 불확실성의 영향을 더욱 약화시킨다.

이후 해양 지역 마스크 파일을 사용하여 ArcGIS 10.6 소프트웨어에서 해양 영역을 추출했다[6]. 또한 구름에 의해 오염된 픽셀은 Landsat Quality Assurance 밴드로 식별되어 본 논문에서 제외되었다.

C. SST 검색

Landsat 5에서 단 하나의 열적외선 채널이 있고[20], Landsat 8의 11밴드 데이터는 교정 불확실성이 크기 때문에[21], 본 논문에서는 단일 채널 알고리즘을 사용하여 SST를 추정했다.

현재 대표적인 단일 채널 알고리즘은 RTE 방법, 모노 윈도우[22], 일반화된 SC[23] 등 세가지가 있다. 세가지 알고리즘의 주요 차이점은 대기 보정 프로세스로 나타난다[17]. 기존 방법은 일반적으로 전체 물 또는 다른 매개 변수의 함수로 대기 매개 변수를 매개 변수화하므로 온도 검색 프로세스에서 체계적인 편향이 발생할 수 있다. 따라서 본 논문에서는 MODTRAN을 사용하여 방사선 전송 과정을 시뮬레이션 한다. MODTRAN 기반 복사 전달 시뮬레이션은 대기 매개변수화 과정의 불확실성을 줄이고 온도 검색 정확도를 향상시키는데 큰 이점이 있다[24]. SST의 검색에서 복사 전달 방정식 기반 단일 채널 알고리즘의 RMSE는 1K 이내라는 것이 많은 연구에서 입증되었다[25]. 따라서 이 논문에서는 온도를 검색하기 위해 RTE 방법을 사용한다[26]-[29]. 열적외선 스펙트럼의 해수면 방사율은 높고, 흑체의 방사율에 가깝다[22]. 따라서 ASTER 스펙트럼 라이브러리에서 계산할 수 있다.

D. SST 검증

연구 지역 근처에 SST관측소가 부족하기 때문에 Superior 호수의 두 지점에서 수집된 현장 수온 측정값을 사용하여 단일 채널 알고리즘의 유효성을 평가했다[30]. 온도센서는 국립 데이터 부표 센터(NDBC, National Data Buy Center)에서 유지 관리된다. 모든 데이터는 품질이 관리되며 무료로 이용가능하다. 부표는 보통 4월이나 5월에 배치되고 10월이나 11월에 철수된다. 현장에 대한 자세한 정보는 표 II에 나와 있다.

표 II. 9개 NDBC 사이트 및 Landsat의 세부 정보  

측정된 데이터의 획득 시간에 따라 현장 주변의 원격탐사 영상을 다운로드 하였다. 품질관리 후, 이 두 장소에서 20장과 21장의 이미지가 선택되었으며 단일채널 알고리즘을 사용하여 수면온도를 추정하였다. 또한, 위성으로 수집한 표면온도와 비교하기 위해 특정 수심에서 NDBC 부표로 측정한 체적온도를 표면온도로 변환해야 한다[31],[32]. 이 방법은 체적온도, 풍속, 풍속계 높이 및 부표 깊이를 사용하여 일일 평균 표면온도를 계산하고 표면온도의 일교차를 추정하며, 연속적으로 표면온도의 일교차를 계산하는 3단계로 구성되어 있다[33].

그림3은 현장SST에 대해 검색된 SST의 산점도를 보여주며, R2, RMSE 및 Bias를 계산했다. 서부 및 동부 사이트의 R2는 0.98 및 0.95, Bias는 0.37℃ 및 0.78℃, RMSE는 각각 0.91℃ 및 1.03℃로 본 논문에서 사용된 단일 채널 알고리즘이 SST 검색에 높은 정확도를 가짐을 보여주었다. 또한 본 논문에서는 SST의 상대적인 변화에 초점을 맞추고 있으며, 온도 시공간적 변화에 대한 교정 및 온도 검색의 불확실성의 영향력을 더욱 약화시킨다.

그림 3. 두 NDBC 사이트에서 검색 SST 대 현장 SST의 산점도.  

E. 기준 온도 추출 및 열배출 분류

열배출이 없다고 가정할 때, 수면의 평균온도로 정의되는 기준온도는 주로 열배출에 의한 열이상에 의해 영향을 받는다[14]. 본 논문에서는 평균 온도 보정 방법을 사용하여 톈완 지역의 기준온도를 추출했다[5]. 먼저, 연구 지역의 평균 SST를 계산했다. 이어서, 톈완 Bay 지역 전체 수역의 평균 온도보다 1℃ 높은 온도를 갖는 배출 지역의 픽셀을 제거했다[8]. 나머지 지역의 온도를 기준온도로 사용했다. 결과적으로 “임계값” 방법을 사용하여 원전의 열배출 분포지역을 추출했는데, 열배출 수준은 5단계로 분류될 수 있다[8],[14]: + 1°C, + 2°C, + 3°C, + 4°C, > 5°C. 자세한 정보는 표III에 나열되어 있다.

표 III. 열배출 분류  

섹션IV. 결과 및 논의

A. 데이터 분포

구름, 에어로졸 등 SST 검색의 정확성에 영향을 미칠 수 있는 인자들의 간섭을 제거한 후 2001년부터 2020년까지 총 50장의 Landsat 이미지를 이 논문에 사용했다(그림 4 참조). 2007년 5월에 원자력 1호기가 가동되었다는 점을 고려하면, 최근 톈완 원전의 열오염 현황을 분석하기 위해 더 많은 이미지가 사용되고 있다[그림 4 참조]. 사용 가능한 이미지의 계절적 분포를 보면, 겨울에 사용 가능한 Landsat 이미지가 더 많아 전체의 약 41%를 차지하며, 여름에는 사용가능한 이미지가 약 10%로 가장 적다. 이는 연구 지역이 몬순 기후대에 있고 여름에 흐린 비로 인해 사용가능한 데이터의 양이 감소했기 때문일 수 있다.

그림 4. 계절별 및 연도별 데이터 분포.  

위성영상에서 검색한 SST에 따라 전체 데이터 중 톈완 원전의 온도상승 영역의 다양한 강도가 계산되었다. 그림 5에서 알 수 있듯이 2008년 2월 이전에는 연구지역에 뚜렷한 온도 상승 지역이 없었다. 온도 상승 지역은 전체 연구기간 동안 증가하는 추세를 보였으며, 계절적 특성은 약 1년 정도의 기간으로 유사하다. 봄과 여름의 온도 상승은 가을과 겨울의 온도 상승보다 높다.

그림5. 2001년부터 2020년까지 강도가 다른 온도 상승 영역  

B. 원전 가동 전 SST

2007년 원자력발전소가 가동되기 이전 기간을 나타내는 Landsat 이미지가 3장 있다. 이 세 이미지는 유사하므로 그중 하나만 그림6에 표시되었다. 톈완 원전 근처의 SST는 대부분 정상적인 것을 확인할 수 있다.육지 가장자리 부근에서 약간의 SST 증가가 관찰되었는데, 이는 육지 경계 지역의 혼합 픽셀의 영향으로 발생하는 것으로 간주된다. 따라서 원전이 정식으로 가동되기 전에는 뚜렷한 열배출은 없었다고 할 수 있다.

그림6. 텐완 원전 가동 전 온도 상승이 발생한 지역의 분포.  

C. 원전 가동 후 SST 변화

1) 온도 상승지역의 증가 추세에 관한 연구

2007년 이후 원자력발전소의 운영을 나타내는 Landsat에서 도출된 이미지는 15장이 있다. 그림 7은 2008년부터 2020년까지 다양한 온도 증가를 경험하는 톈완 원전 지역의 분포를 보여준다. 이 지역들은 톈완 원전의 배수구 북동쪽 또는 남동쪽에 위치하고 있다. 배수구 근처의 온도 상승이 가장 높은 것으로 관찰된다. 그러나 배수구에서 멀리 떨어진 지역에서는 해수의 희석 및 냉각으로 인해 온도 상승 속도가 점차 감소한다. 표IV는 다양한 수준의 온도 증가에 따른 열배출 지역을 보여준다.

그림7. 텐완 원자력 발전소 가동 중 온도 상승이 발생하는 지역의 분포. (a) 2008-02-03. (b) 2009-03-25. (c) 2010-11-07. (d) 2011-02-11. (e) 2013-11-15. (f) 2014-07-29. (g) 2015-03-10. (h) 2016-01-08. (i) 2017-02-27. (j) 2018-06-06. (k) 2019-04-06. (l) 2020-03-23.  

표 Ⅳ. 수준별 열배출면적 통계  

2008년 열배출 면적(1℃ 이상 상승)은 20.45 km²인데 반해, 2020년 열배출 면적은 64.84 km²이다(그림7 참조). 열오염을 겪는 지역이 점차 확대되고 있는 것을 볼 수 있다.

또한 그림7의 이미지는 확산 방향, 해상 거리, 분포 형태 및 다양한 온도 상승 수준 사이의 온도 구배를 포함하여 시간에 따른 열배출의 분포 특성이 다르다는 것을 보여준다. 이러한 다양한 특성이 조류 형성의 원인일 수 있다.

썰물이 관찰될 때마다(예를 들어, 2017년 2월 27일[그림7(i)]와 2016년 1월 8일[그림7(h)]) 조류의 이동방향은 열배출 확산 방향과 같다. 외해 쪽으로 확산되는 데 도움이 되는 열배출은 보통 동쪽이나 북동쪽으로 분포한다. 썰물은 열배출을 해안에서 멀리 밀어낸다. 열배출의 분포는 부채꼴 또는 타원형이며 다양한 온도 증가 등급 간의 온도 구배가 감소한다.

밀물 때마다(예를 들어, 2011년 2월 11일[그림7(d)]과 2015년 3월 10일[그림7(g)]) 조류의 이동방향은 확산방향과 반대이다. 열배출 분포는 해류에 의해 비집고 들어간다. 연안 가장자리는 방류구의 남동쪽에 분포하는 반면, 분포 형태는 긴 띠 또는 직사각형 형태로 점점 더 좁아진다. 다양한 등급의 온도 증가 간 온도 구배가 증가한다.

그림8은 2001년부터 2020년까지 온도 상승을 경험한 가장 큰 지역을 보여준다. 1℃ 이상의 온도 상승을 보이는 지역은 면적이 64.77 km² 증가한 반면, 4℃ 이상의 온도 상승을 보이는 지역은 면적이 21.31 km² 증가한 것으로 나타났다. 이 결과는 온도 상승을 보이는 톈완 원전 지역이 2001년부터 물결 모양의 상승 추세로 변화했음을 보여준다. 2008년부터 2016년까지의 변화곡선은 더 완만해졌다. 2017년 이후 온도 상승을 경험하는 지역은 거의 선형에 가까운 성장을 보였다. 온도 상승이 낮은 지역은 온도 상승이 높은 지역보다 더 빠르게 증가하는 경향이 있다.

그림8. 톈완 원자력발전소의 열오염 지역별 강도 추이  

2) 온도 상승을 보이는 지역의 계절적 변화에 관한 연구

그림9는 봄과 여름에 열배출이 방류구를 중심으로 확산되고, 해안에 도달하면 남동쪽과 북동쪽으로 확장되는 것을 보여준다. 또한, 열배출 면적이 크고, 특히 봄철에는 해안에서 멀리 떨어진 곳까지 분포한다. 가을과 겨울에는 열배출이 배수구와 가깝지만 그 분포는 현저히 작다. 또한, 봄철에는 열배출 영역이 혼합되어 있는 반면, 다른 계절에는 열배출 수준의 구역 경계가 더 명확하다. 여름에는 다양한 열배출 수준 영역에서의 온도 강하와 관련된 구배가 가장 작다.

그림 9. 열배출 온도 상승의 계절별 분포. (a) 2018-04-19. (b) 2018-06-06. (c) 2018-10-28. (d) 2018-01-13.  

그림10은 온도 상승 강도가 높을수록 이러한 상승을 경험하는 영역이 작아짐을 보여준다. 이것은 매 시즌마다 마찬가지이다. 온도 상승 강도별로 보면 봄철에 열오염 면적이 가장 크고, 여름, 겨울, 가을 순으로 나타났다. 열분포의 차이는 온도가 1℃ 이상 증가할 때 가장 크고, 5℃ 이상 증가할 때 가장 작다.

그림10. 계절에 따라 다양한 온도 증가를 경험하는 지역의 통계그래프  

D. 온도 상승폭과 해양환경기능구역의 관계

중국 정부의 관련 문서(“롄윈강 톈완 원자력발전소 인근환경기능구역 조정 승인에 관한 서신의 요건”(수환위원회사무소[2015] 제27호))에 따르면 톈완 해역의 해양환경기능구역은 그림 11과 같다. 톈완 원전의 다양한 열배출이 혼합된 통제구역은 44.9 km²이며, 이 지역의 SST는 국가해수품질표준을 준수할 필요가 없다. 그러나 나머지 지역에서는 해수품질표준을 준수해야 한다. 해수품질국가표준(GB 3097-1997)에는 클래스I 및 클래스II 환경기능구역의 해수 수질의 경우 여름철에는 인공 해수 온도 상승이 1℃, 그 외 계절에는 2℃를 초과해서는 안 되며, 클래스III 및 클래스IV 환경기능구역의 해수 수질의 경우 인공 해수 온도 상승이 4℃를 초과해서는 안 된다.

그림11. 해양환경기능구역  

2001년부터 2020년까지 18개 영상의 원격 감지 모니터링 결과를 중첩하여 그림 12에 표시하였으며, 이 결과를 원전 인근 환경기능지역과 비교하였다. 그림12는 원전 출구 부근에서 4℃를 초과하는 온도 증가가 발생하는 모든 지역이 혼합제어구역에 있음을 보여준다. 그러나 혼합구역의 SST는 해수수질기준을 충족할 필요가 없다.

그림12. 톈완 원자력발전소의 열배출 및 환경기능구역 비교  

5℃를 초과하는 온도 상승을 경험하는 지역의 일부는 남동해 육지 경계지역의 원자력발전소 방류구에 분포하고 있다. 또한, 조수가 해외로 흘러갈 때 여러 이미지를 수집하여 해안의 건조한 해변을 노출시켰다. 건조한 해변의 온도는 해수온도보다 훨씬 높았고, 이로 인해 이 지역의 온도는 5℃ 이상 상승했다. 그림 12는 또한 1℃를 초과하는 온도 상승을 경험한 지역이 클래스 III 또는 클래스 IV 환경기능구역 범위에 속하지만 클래스I 또는 클래스II 기능구역 범위에는 속하지 않음을 보여준다. 그러나 온도 상승은 클래스 III 기능구역범위 (1℃ 및 2℃)에 있다. 클래스III도 지역 내에서 4℃를 초과하는 온도 상승을 경험하는 작은 지역도 건조한 해변에 위치한 것으로 간주된다. 따라서 해양기능구역의 온도 상승은 국가 해양환경품질기준에 부합한다.

결론적으로, SST는 톈완 원전에서 상승하지만, 일반적으로 해양 환경에 대한 국가 품질 기준을 충족하고 주변 환경에 오염을 일으키지 않는다.

섹션 V. 요약 및 결론

본 논문에서는 톈완 원자력발전소의 열배출을 연구했다. 오염분석은 주변 환경과의 수온 비교를 기반으로 수행했다. Landsat 자료와 단일 채널 알고리즘을 사용하여 해수면 온도를 검색하였다. 또한 본 연구는 2001년부터 2020년까지 열배출 면적이 변화하였음을 밝혀냈다.

1) SST는 원전이 가동되기 전에는 톈완 원전 근처에서 대부분 정상이었고, 따라서 열오염이 없었다. 원전 가동 후에는 열오염 지역이 확대되는 것을 확연히 확인할 수 있다.

2) 온도 증가를 보이는 지역은 전반적으로 증가하는 추세를 보인다. 2001년부터 2020년까지 온도 상승이 나타나는 지역은 66.77 km² 증가한 것으로 나타났다. 2℃(19.49 km²) 이상의 온도 상승에서 면적의 최대 증가가 관찰된 반면, 4°C (5.84 km²) 이상의 상승에서는 최소 증가가 관찰되었다.

3) 온도 상승이 일어나는 지역도 계절에 따라 달라진다. 가장 큰 열오염 계절은 봄이고, 여름, 겨울, 가을 순으로 나타난다.

4) 톈완 원자력발전소의 SST 상승은 해양환경에 대한 국가품질표준을 충족하고, 주변 환경에 오염을 유발하지 않으므로 향후에도 다른 원전 건설이 계속 될 수 있다.

원격탐사 데이터를 활용해 원전의 온도변화를 모니터링한 결과는 원전의 열배출과 환경영향을 연구하는데 참고자료가 될 수 있다. Landsat 데이터는 톈완 원전의 열배출을 연구하기에 적합한 원격 감지 데이터를 제공한다. 이러한 결과는 원전이 향후 계획 및 주변환경에 미치는 영향을 평가하는 데 유용한 정보가 될 수 있다. 하지만 데이터 온도 추출방식은 원전의 열배출 분석에 영향을 미친다. 향후 연구에서는 데이터 온도에 사용되는 추출 방법에 더 많은 관심을 기울일 것이다.

(번역자 이승은)

원문보기>>

https://ieeexplore.ieee.org/document/9453158

Thermal Pollution Monitoring of Tianwan Nuclear Power Plant for the Past 20 Years Based on Landsat Remote Sensed Data

References>>

1.

J. Yu, D. Tang, L. Yao, P. Chen, X. Jia and C. Li, "Long-term water temperature variations in Daya Bay China using satellite and in situ observations", Terr. Atmos. Ocean. Sci., vol. 21, no. 2, pp. 393-399, Apr. 2010.

2.

F. Verones, M. M. Hanafiah, S. Pfister, M. A. J. Huijbregts, G. I. Pelletier and A. J. E. S. Koehler, "Characterization factors for thermal pollution in freshwater aquatic environments", Environ. Sci. Technol., vol. 44, no. 24, pp. 9364-9369, 2010.

3.

W. Zhao, J. He, Y. Wu, D. Xiong, F. Wen and A. Li, "An analysis of land surface temperature trends in the central Himalayan region based on MODIS products", Remote Sens., vol. 11, no. 8, 2019.

4.

X. Huang, X. Chen, X. Peng, R. Zhang, X. Qian and J. Tang, "Research progress on the impact of warm drainage on marine environment in coastal power plants", Mar. Environ. Sci., vol. 33, no. 6, pp. 972-976, Dec. 2014.

5.

X. Zhang, J. Xu, M. Zhang and J. Li, "Distribution of thermal discharge from Tianwan nuclear power plant: Analysis of thermal infrared data from Landsat", Adv. Mar. Sci., vol. 37, no. 3, pp. 518-525, Jul. 2019.

6.

X. Wang, X. Su, X. Wang, L. Wang and S. Wen, "Thermal plume monitoring of Hongyanghe nuclear power plant based on Landsat-8 satellite data", Infrared, vol. 36, no. 8, pp. 50-56, Jul. 2015.

7.

K. Wei et al., "Reflections on the Catastrophic 2020 Yangtze river basin flooding in Southern China", Innovation, vol. 1, no. 2, 2020.

8.

C. Chen, P. Shi and Q. Mao, "Application of remote sensing techniques for monitoring the thermal pollution of cooling-water discharge from nuclear power plant", Environ. Lett., vol. 38, no. 8, pp. 1659-1668, Aug. 2003.

9.

A. Thomas, D. Byrne and R. Weatherbee, "Coastal sea surface temperature variability from Landsat infrared data", Remote Sens. Environ., vol. 81, no. 2/3, pp. 262-272, 2002.

10.

L. Zhu et al., "Monitoring the thermal plume from coastal nuclear power plant using satellite remote sensing data modeling and validation", Spectrosc. Spectral Anal., vol. 34, no. 11, pp. 3079-3084, Nov. 2014.

11.

D. Tang, D. R. Kester, Z. Wang, J. Lian and H. Kawamura, "AVHRR satellite remote sensing and shipboard measurements of the thermal plume from the Daya Bay nuclear power station China", Remote Sens. Environ., vol. 84, no. 4, pp. 506-515, 2003.

12.

J. Xu, L. Zhu, J. Jiang, J. Li, S. Zhao and L. Yuan, "Monitoring thermal discharge in Daya Bay plant based on the thermal infrared band of HJ-1B and TM remote sensing data", China Environ. Sci., vol. 34, no. 5, pp. 1181-1186, 2014.

13.

Y. Zhou, C. Gong, Y. Hu and Q. Chen, "Distribution of thermal discharge from a power station based on HJ-1B and FY-3 thermal infrared data", Proc. SPIE, vol. 8193, 2011.

14.

L. Zhu et al., "Remote sensing monitoring of thermal discharge in Daya Bay nuclear power station based on HJ-1 infrared camera", Proc. SPIE, vol. 9261, 2014.

15.

Y. H. Ahn, P. Shanmugam, J. H. Lee and Y. Q. Kang, "Application of satellite infrared data for mapping of thermal plume contamination in coastal ecosystem of Korea", Mar. Environ. Res., vol. 61, no. 2, pp. 186-201, 2006.

16.

Y. Zhou, C. Gong, D. B. Kuang and Y. Hu, "Distribution of thermal discharge from a power plant: Analysis of thermal infrared data from the environmental mitigation satellite", J. Infrared Millimeter Terahertz Waves, vol. 31, no. 6, pp. 544-549, Dec. 2012.

17.

M. Wang, Z. Zhang, T. Hu and X. Liu, "A practical single-channel algorithm for land surface temperature retrieval‎: Application to Landsat series data", J. Geophys. Res.-Atmos., vol. 124, no. 1, pp. 299-316, 2019.

18.

M. Liu, X. Yin, Q. Xu, Y. Chen and B. Wang, "Monitoring of fine-scale warm drain-off water from nuclear power stations in the Daya Bay based on Landsat 8 data", Remote Sens., vol. 12, no. 4, Feb. 2020.

19.

A. Sekertekin, "Validation of physical radiative transfer equation-based land surface temperature using Landsat 8 satellite imagery and SURFRAD in-situ measurements", J. Atmos. Sol.-Terr. Phys., vol. 196, 2019.

20.

M. A. Wulder et al., "Current status of Landsat program science and applications", Remote Sens. Environ., vol. 225, pp. 127-147, May 2019.

21.

J. C. Jimenez-Munoz, J. A. Sobrino, D. Skokovic, C. Mattar and J. Cristobal, "Land surface temperature retrieval‎ methods from Landsat-8 thermal infrared sensor data", IEEE Geosci. Remote Sens. Lett., vol. 11, no. 10, pp. 1840-1843, Oct. 2014.

22.

Z. Qin, A. Karnieli and P. Berliner, "A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region", Int. J. Remote Sens., vol. 22, no. 18, pp. 3719-3746, Dec. 2001.

23.

J. A. Sobrino, J. C. Jiménez-Muñoz and L. Paolini, "Land surface temperature retrieval‎ from LANDSAT TM 5", Remote Sens. Environ., vol. 90, no. 4, pp. 434-440, 2004.

24.

J. Yang et al., "Eval‎uation of seven atmospheric profiles from reanalysis and satellite-derived products: Implication for single-channel land surface temperature retrieval‎", Remote Sens., vol. 12, no. 5, Mar. 2020.

25.

X. Yu, X. Guo and Z. Wu, "Land surface temperature retrieval‎ from Landsat 8 TIRS—Comparison between radiative transfer equation-based method split window algorithm and single channel method", Remote Sens., vol. 6, no. 10, pp. 9829-9852, Oct. 2014.

26.

M. Wang, Z. Zhang, G. He, G. Wang, T. Long and Y. Peng, "An enhanced single-channel algorithm for retrieving land surface temperature from Landsat series data", J. Geophys. Res. Atmos., vol. 121, no. 19, pp. 11712-11722, 2016.

27.

M. Pivovarnik, S. J. S. Khalsa, J. C. Jimenez-Munoz and F. Zemek, "Improved temperature and emissivity separation algorithm for multispectral and hyperspectral sensors", IEEE Trans. Geosci. Remote Sens., vol. 55, no. 4, pp. 1944-1953, Apr. 2017.

28.

F. Wang, Z. Qin, C. Song, L. Tu, A. Karnieli and S. Zhao, "An improved mono-window algorithm for land surface temperature retrieval‎ from Landsat 8 thermal infrared sensor data", Remote Sens., vol. 7, no. 4, pp. 4268-4289, Apr. 2015.

29.

X. Yang and P. Huang, "Restored relationship between ENSO and Indian summer monsoon rainfall around 1999/2000", Innovation, vol. 2, no. 2, 2021.

30.

S.-B. Duan et al., "Validation of Landsat land surface temperature product in the conterminous United States using in situ measurements from SURFRAD ARM and NDBC sites", Int. J. Digit. Earth, vol. 14, no. 5, pp. 640-660, 2020.

31.

C. W. Fairall, E. F. Bradley, J. S. Godfrey, G. A. Wick, J. B. Edson and G. S. Young, "Cool-skin and warm-layer effects on sea surface temperature", J. Geophys. Res. Oceans, vol. 101, no. C1, pp. 1295-1308, 1996.

32.

W. Zhao, D. Xiong, F. Wen and X. Wang, "Lake area monitoring based on land surface temperature in the Tibetan Plateau from 2000 to 2018", Environ. Res. Lett., vol. 15, no. 8, 2020.

33.

X. Zeng, M. Zhao, R. E. Dickinson and Y. He, "A multiyear hourly sea surface skin temperature data set derived from the TOGA TAO bulk temperature and wind speed over the tropical Pacific", J. Geophys. Res. Oceans, vol. 104, no. C1, pp. 1525-1536, 1999.