1. 서론
1950년대 이후 급속한 도시화로 인해 도시에 거주하는 인구는 기하급수적으로 증가하였고 최근에는 세계인 구의 절반 이상이 도시에 거주하고 있다(United Nations, 2018). 도시화로 인해 증가한 인공구조물과 불투수면적은 많은 양의 태양복사에너지를 흡수하고 바람의 순환과 증발산을 저하시키며 증가한 인구로 인한 인공열 배출은 도시지역의 온도가 교외지역보다 높아지는 UHI 현상을 야기한다(Oke, 1995). UHI는 폭염과 함께 도시민들의 열 스트레스를 유발하고 대기오염물질을 도시 안에 가두는 등 직간접적으로 도시민의 건강을 위협하고 있다(Tan et al., 2010; Salata et al., 2017; Fallmann et al., 2016; Yadav et al., 2017). 도시개발이 지속되고 최근 기후 변화로 인해 전례 없는 극심한 폭염이 빈번해짐에 따라 UHI는 도시의 중요한 문제로 인식되고 있으므로, 도시의 전반적인 공간적 특징을 파악하고 UHI를 분석하는 것이 필요하다.
UHI는 도시지역과 교외지역의 온도차를 통해 분석하는데, 지상관측기반의 기온 자료를 이용하는 Canopy UHI (Ahn and Kim, 2006; Kim and Baik, 2005, Tan et al., 2008; Zhou and Shepherd, 2010)와 위성관측 기반의 LST를 이용하는 Surface UHI (SUHI) (Mendelsohn et al., 2007; Kim and Yeom, 2012; Zhou et al., 2014; Bokaie et al., 2016)가 있다. 지상관측자료는 실측값으로 정확하지만 관측 지점을 중심으로 좁은 반경 내의 정보만을 대변하고 (Mendelsohn et al., 2007), 넓은 지역에 대해 고밀도의 관측소가 존재하지 않는다는 한계점이 존재한다(Zhou et al., 2014). 위성관측 자료의 경우 공간적으로 연속적인 정보를 제공하기 때문에 시공간적 분석이 가능하다는 장점과 지역제한 없이 전세계의 자료를 쉽게 다운받을 수 있어 SUHI에 대한 연구가 활발히 진행되고 있다.
UHI 분석에 있어 도시와 교외를 구분하는 것이 중요하지만 교외지역에 대한 정의가 명확하지 않아 연구자마다 서로 다른 기준으로 UHI를 분석하고 있는 상황이다. 토지피복이용도에서 도시로 분류되지 않은 초지, 수역 등을 교외지역으로 사용하거나(Chen et al., 2006; He et al., 2007) 도심을 기준으로 거리에 따른 버퍼(Buffer)를 적용해 교외를 설정하는 방법이 활용되었다(Clinton and Gong, 2013; Li et al., 2017; Xian et al., 2021). 그러나 언급한 방법들은 도시의 규모에 따라 교외의 기준이 달라지고 도시의 상세한 구조적 특성(인공물의 면적 및 높이 등)을 고려하지 않고 거리를 절대적인 기준으로 사용했다는 한계점이 존재한다.
도시의 구조적 특성을 반영하고 전세계에서 통용될 수 있는 기준을 만들어 UHI를 효과적으로 연구하고자 LCZ라는 개념이 새로 제시되었다(Stewart andOke, 2012). LCZ는 10가지 항목의 도시 클래스(Built types; LCZ1-10), 7가지 항목의 자연 클래스(Land cover types; LCZA-G)로 구성되어 있다. 각 LCZ 클래스는 빌딩의 밀도와 높이, 토지피복의 성질, 인간활동의 영향 등 다양한 공간적 특성 정보를 바탕으로 일관성 있게 도시를 분류한다. 국외 LCZ 관련 연구 동향을 보면, 지리정보시스템을 이용한 LCZ 분류기법(Unger et al., 2014)과 위성영상과 랜덤 포레스트(Random Forest; RF)을 이용한 분류기법(Bechtel et al., 2015)이 개발되며 전세계 다양한 도시에 대해 LCZ 분류지도가 제작되었다. 최근에는 LCZ 분류에 있어 이미지 기반 딥러닝인 CNN을 이용하는 것이 RF를 이용 하는 것보다 더 효과적이라는 것을 보였으며(Yoo et al., 2019) 광학영상에 추가적으로 건물정보나 합성개구레이다(Synthetic Aperture Radar; SAR) 자료를 추가하여 분류 정확도를 향상시키고 있다(Hu et al., 2018; Feng et al., 2019; Yoo et al., 2020). Bechtel et al. (2019)는 전세계 50개 도시에 대하여 LCZ를 이용한 SUHI 분석을 수행하여 LCZ 클래스별 유의미한 LST 차이를 확인하였고, LCZ 분류체계가 UHI 연구에 효과적인 도구임을 시사했다. 그 외에도 Perera and Emmanuel (2018)는 LCZ 분류체계 가 UHI 외에도 도시계획의 측면에도 활용될 수 있음을 언급하였다. LCZ 분류체계를 통해 도시 전역에 대한 인공 구조물의 특성과 토지피복의 특성을 나타낼 수 있어 LCZ 활용범위는 넓어지고 있는 추세이다.
국내 도시에 대해서도 LCZ 분류체계를 활용한 연구가 진행되었으나 도시 전역에 대해 고해상도 LCZ 분류지도를 구축한 사례는 서울특별시(Yoo et al., 2020)가 유일할 만큼 부족한 실정이다. Hong et al. (2013)과 Kim et al. (2017)은 서울에 위치한 자동기상관측장치(Automated Weather Station)의 지점과 그 주변 일대를 LCZ 기준에 따라 분류하고 해당 지점의 기온자료와 함께 UHI를 분석하였다. Kong et al. (2018, 2020)는 연구지역을 수원시 호매실 택지개발지구에 한정하여 LCZ 분류를 수행하고 열환경 및 열쾌적성에 대한 분석을 수행하였다. 이처럼 우리나라 도시들에 대한 고해상도 LCZ 지도 구축이 미흡하고 위성영상과 같이 공간적으로 연속된 자료를 통한 도시 열환경에 대한 세세한 시공간적 분석이 필요한 상황이다. 본 연구는 경기도 수원시와 대구광역시를 대상으로 딥러닝을 이용한 LCZ 분류지도를 제작하고 이를 바탕으로 도시의 구조적 특성에 따른 LST 및 SUHI 강도를 분석하는 것을 목표로 한다. LCZ 지도가 제공해주는 빌딩의 높이와 밀도, 토지피복 특성에 대한 정보가 LST, SUHI에 미치는 영향에 대해 각 LCZ 클래스별로 분석하고자 한다.
2. 연구지역 및 연구자료
1) 연구지역
본 연구에서는 경기도 수원시와 대구광역시를 연구 지역으로 선정하였다(Fig. 1). 두 대상지역은 오랜 시간 도시화를 겪어 도시지역이 주거지역, 상업지역, 공업단지 등 다양하게 혼재되어 있으며 인구수 100만명 이상의 대도시이다. 두 도시 모두 내륙에 위치하여 여름철은 무덥고 겨울철은 한랭한 대륙성 기후특성을 공통적으로 가진다. 대구광역시는 한반도 동남부에 위치하고 있으며 북부와 남부는 높은 산지에 둘러 쌓인 분지형 구조로 폭염과 열대야가 빈번히 발생하며 대규모 상업 및 공업단지가 구축되어 있다. 수원시는 경기도 중남부에 위치하고 있으며 전반적으로 경사가 완만하고 평야지 대가 넓게 존재한다. 수원시는 인간과 환경이 공존하는 지속 가능한 도시를 목표로 설정하여 도시 내 수백 개의 공원, 학교 숲, 가로수 등 다양한 도시녹지가 조성되어 있다는 특징이 있다. 본 연구에서는 서로 다른 특징을 가지는 두 도시에 대하여 LCZ 분류를 수행하고 이를 바탕으로 지표면 온도 및 UHI 현상을 분석하고자 한다.
Fig. 1. Two study sites: (a) Suwon and (b) Daegu, South Korea. The background images are from Bing Maps. The local climate zone (LCZ) training samples visually interpreted using ArcGIS are superimposed in the images.
2) Landsat8 위성자료
Landsat 8 OLI/TIRS(Operational Land Imager/Thermal Infrared Sensor) 위성은 미국 항공우주국(National Aero nautics and Space Administration) 주도로 개발/발사되어 미국지질조사국(United States Geological Survey)에서 운용중인 지구관측위성으로 2013년 2월 발사되어 현재까지 운용 중에 있다. Landsat 8 위성은 16일의 재방문주기를 가지며 OLI 센서는 30 m 공간해상도를, TIRS 센서 는 100 m의 공간해상도를 가지나 30 m로 변환되어 제공된다. Landsat 8 Collection 2 level 1 Terrain Precision (L1TP) 자료는 기본적인 방사보정과 기하보정을 거쳐 도출되는 대기에서 반사되는 태양에너지(Top-of-atmosphere reflectance)이며 Landsat 8Collection 2 level 2 Science Product (L2SP) 자료는 L1TP 자료에 대기보정을 수행하여 사용 자가 분석에 바로 활용할 수 있게 제공되는 자료이다. 분류모델의 입력자료로 식생의 계절특성(phenology)을 고려하여 도시 별로 맑은 날에 촬영된 두 장의 Landsat 8 위성영상을 사용하였는데 수원은 2020년 12월 8일과 2021년 6월 2일의 영상을 대구는 2020년 10월 23일과 2021년 5월 3일의 영상을 다운받았다(https://earthexplorer. usgs.gov/). L1TP 위성영상의 열 적외선 밴드(B10, B11) 와 L2SP의 지표면 반사도(SR_B1-7)는 이중선형 보간법(Bilinear Interpolation)을 이용해 10 m 해상도로 리샘플링(Resampling)되여 분류모델의 입력자료로 사용하였다. UHI 분석에는 2013년부터 2021년까지의 연구지역에 대한 L2SP LST 자료(ST_B10)를 사용하였는데, 일부 지역의 경우 피복에 따른 방사율(emissivity)의 영향으로 LST 값이 NoData 처리되어 있어 주의가 필요하다. 영상내 구름 비율이 10% 미만인 날짜를 선별하였고 QA밴드를 이용하여 구름과 그림자를 NaN값 처리하여 사용하였다. 사용된 영상의 날짜와 개수는 Table 1에 정리하였고, 여름의 경우 구름이 없는 맑은 날의 영상을 확보하는데 제한이 있어 여름철의 LST 및 SUHI 분석에 있어 주의가 필요하다.
Table 1. Summary of the Landsat 8 L2SP ST_B10 images measured under clear sky conditions used in this study
3) 지상참조자료
본 연구에서는 고해상도의 LCZ 분류모델의 학습 및 정확도 분석을 위해 ArcGIS 10.4.1 프로그램을 이용하여 폴리곤 형태의 지상참조자료를 구축하였다. Bechtel et al. (2015)에서 제시한 고해상도 위성영상 및 지도를 이용하여 지상참조자료 구축하는 방법을 참고하였으며, 본 연구에서는 ArcGIS 프로그램의 도구인 ArcBruTile (https://bertt.itch.io/arcbrutile)와 Draw 기능을 이용하여 우리나라 고해상도 지도를 바탕으로 폴리곤을 생성하였다. 지상참조자료의 폴리곤 개수와 픽셀 개수는 클래스별 LCZ 이미지와 함께 Table 2에 나타냈다. 두 대상지역 모두 7개의 도시 클래스(LCZ1-6, 8)와 4개의 자연 클래스(LCZA, B, D, G)로 총 11개의 클래스를 포함하고 있다(Fig. 1). 클래스별 폴리곤은 무작위로 절반씩 나누어 분류모델의 훈련과 정확도 검증용으로 사용하였는데, 폴리곤의 수가 적을 경우 분류학습에 어려움이 있을 수 있으므로(Yoo et al., 2019; Yoo et al., 2020) 수원의 LCZ1 (Compact high-rise)은 폴리곤 구분 없이 픽셀개수를 무작위로 50:50으로 나누어 훈련과 검증에 사용하였다.
Table 2. The number of reference polygons and the corresponding pixels at 50m resolution in the parentheses for each LCZ class. The reference data were randomly divided into training (~50%) and test (~50%) datasets. Some classes were not included as they did not exist in the study sites. The LCZ figures in the first column are taken from Stewart and Oke (2012)
3. 연구방법
Fig. 2는 본 연구에서 제시하는 연구 흐름을 나타낸 것으로, LCZ 분류지도 제작과 이를 바탕으로 한 LST 및 SUHI 분석으로 나뉜다. 분류모델은 Yoo et al. (2019)에서 제시된 CNN과 Landsat 8 위성영상을 이용한 분류기법을 적용하였으며, 입력자료로 Landsat 8 위성영상의 지표면 반사도와 열 적외선 밴드가 사용되었다. 본 연구에서는 도시지역에 대해 상세한 LCZ 분류지도를 구축하기 위해 LCZ 지도의 공간해상도를 50 m로 설정하였다. 2013년부터 2021년까지 맑은 날의 L2SP ST_B10 자료를 이용해 계절별로 LST 및 SUHI 패턴 분석을 수행하였다.
Fig. 2. The process flow diagram proposed in this study.
CNN은 합성곱 필터(convolutional filters)를 이용해 이미지의 공간 정보를 유지한 상태로 학습을 수행할 수 있어 이미지 기반의 분류 문제에 효과적인 성능을 보여주며 다양한 분야에서 활발히 활용되고 있다(Kim et al., 2018; Carranza-García et al., 2019; Yoo et al., 2019; Zhang et al., 2019; Lee et al., 2020; Yoo et al., 2020; Memon et al., 2021). CNN은 합성곱층(convolutional layer)와 풀링층(pooling layer)을 반복적으로 쌓고 마지막에 완전연결층(fully connected layer)을 두고 분류작업을 수행한다. 합성곱층에서는 m×m 크기의 합성곱 필터가 입력된 이미지에서 특징맵(feature map)을 추출하고, 풀링층에서 평균값 또는 최대값 레이어를 거치며 특징맵의 크기를 축소한다. 추출된 2차원 특징맵은 완전연결층에서 1차원으로 변환되고 신경망의 다층 퍼셉트론(Multi-Layer Perceptron, MLP)과 동일하게 분류를 수행한다.
Fig. 3은 본 연구에 사용된 CNN의 구조로 5개의 합성곱층과 2개의 풀링층 그리고 1개의 완전연결층으로 이루어져 있으며 최적의 구조와 하이퍼파라미터의 설정은 시행착오법을 통해 결정하였다. 각 합성곱층은 3×3 크기의 합성곱 필터를 사용하였고 2번째와 5번째 합성곱층 뒤에 2×2 크기의 최대값 풀링층을 두었고 완전 연결층은 256개의 노드로 구성하였다. 활성함수로는 ReLU와 sigmoid를 사용하였고 배치의 크기는 256, 최대 1000 epochs 동안 학습하였다.
Fig. 3. The structure of CNN model in this study.
분류모델의 입력자료로 두 장의 맑은 날의 위성영상에서 각 9개씩 총 18개의 밴드정보를 사용하였다. 분류 모델의 입력된 이미지의 크기는 LCZ 샘플 한 개(50 m 해상도)와 주변 픽셀을 포함하는 350 m×350 m의 크기로 설정하였다. 분류하고자 하는 도시가 복잡한 경우 CNN에 주변부 픽셀을 넓게 포함한 큰 이미지를 제공하는 것이 오히려 모델 학습에 혼란을 줄 수 있어 주의가 필요하다(Yoo et al., 2020). 분류결과는 혼동행렬(Confusion Matrix; CM)을 그려 전체 정확도(Overall Accuracy; OA)와 각 검증용 샘플이 분류된 클래스를 상세히 확인하였다.
제작된 LCZ 지도는 맑은 날 ST_B10 자료와 함께 사용되어 계절별 LST와 SUHI 분석에 활용되었다. LST 분석은 수원의 경우 35장, 대구의 경우 46장의 ST_B10 영상에 대하여 계절별로 평균값을 구하고 LCZ 지도와 매치하여 클래스 별 LST값을 추출하였다. LCZ 클래스 별 LST의 분포는 박스플롯(Box Plot)을 그려 상세히 분석하였다. UHI 분석을 위해 식 (1)을 이용해 SUHI 강도를 계산하였는데, 수식에서 LSTLCZX은 도시 클래스에 해당하는 LCZ1-6, 8의 LST를 의미하며 LSTRural 은 LCZD(Low Plants)에서의 LST를 의미한다. 기존의 연구들에서 LCZD가 SUHI 강도 계산의 기준으로 사용되는 것을 참고하였다(Bechtel et al., 2019; Budhiraja et al., 2019). SUHI 강도는 사계절에 대해 계산되었으며 여름과 겨울에 대해 공간적인 분석을 추가하였다.
\(S U H I=L S T_{L C Z X}-L S T_{R u r a l}\) (1)
4. 연구결과 및 토의
1) 수원시와 대구광역시의 LCZ분류지도 제작
Fig. 4은 수원과 대구에 대해 구축된 LCZ 분류지도를 나타낸 것으로, 수원의 경우 도시 중심부에 LCZB (Scattered trees)가 많이 분포해 있고 외곽으로 LCZ4 (Open high-rise)가 많이 발달해 있으며 대구의 경우 중심부에는 LCZ3 (Compact low-rise)가 많고 외곽으로 LCZ8 (Large low-rise)이 많이 분포해 있는 것을 확인할 수 있다. 이는 도시공원과 대규모 고층 주거단지가 많이 형성된 수원의 특징과 산업단지가 넓게 자리잡고 있는 대구의 특징이 LCZ 분류지도에서 잘 나타나고 있음을 의미한다.
Fig. 4. Local climate zone (LCZ) maps of (a) Suwon and (b) Daegu produced at the 50m resolution using Landsat 8 data based on the convolutional neural network (CNN) models.
Fig. 5는 분류결과에 대한 CM으로 검증용 샘플이 각 클래스로 분류된 비율을 색과 숫자로 표현하였다. 대각선 요소들의 색이 진할수록 검증용 샘플이 정확하게 분류되었음을 의미하는데 수원의 경우 대구보다 대각선 방향으로 잘 분류된 것을 확인할 수 있고 실제 OA값도 약 6% 정도 높은 것으로 나타났다. 이는 두 연구지역의 전체 면적이 크게 다르고 단위면적당 지상참조자료의 개수가 수원에서 더 많았기 때문으로 생각된다. 추후 분류모델 구축에 있어 적절한 지상참조자료의 샘플수에 대한 연구가 필요해 보인다. 한편 현재 구축된 지상 참조자료를 바탕으로 학습된 분류모델의 결과를 분석했을 때, 두 도시 모두 도시 클래스와 자연 클래스 사이의 혼동이 드물고 주로 도시 클래스 내에서 오분류가 발생하고 있다.
Fig. 5. Confusion matrices generated using the test datasets for (a) Suwon and (b) Daegu.
LCZ 클래스 별 분류 결과를 살펴보면, 자연 클래스의 경우 수원과 대구 모두 LCZG (Water)와 LCZA (Dense trees)에서 97~100%에 해당하는 정확도를 보였다. 자연 클래스 중에서 LCZB와 LCZD는 대구에서 서로 오분류 되는 경향을 보였지만 수원의 경우 두 클래스 사이의 오분류가 거의 없었다. 이는 수원의 경우 도시 내 다양한 공원이 존재하여 LCZB에 대한 양질의 훈련 샘플을 구축할 수 있었으나 대구의 경우 비교적 도시 내 공원이 부족하여 작은 크기의 LCZB 폴리곤 위주로 구축되어 충분한 훈련 샘플을 확보하지 못한 한계점이 분류모델에 반영된 결과로 생각된다.
도시 클래스의 경우 수원은 LCZ4, LCZ1 순서로 정확도를 보였고 대구는 LCZ4, LCZ8 순서로 높은 정확도를 보였다. 두 도시 모두 LCZ4에서 가장 높은 정확도를 보이는데 이는 LCZ4가 우리나라의 대표적인 주거형태인 대규모 아파트 단지에 해당하여 도시의 많은 면적을 차지하고 있을 뿐만 아니라 육안상으로도 Mid-rise, Low rise 건물들과 차이가 뚜렷하기 때문으로 사료된다. 건물이 밀집하고 건물의 높이만 서로 다른 LCZ2 (Compact mid-rise)와 LCZ3의 경우 위성영상만으로는 건물의 높이를 정확히 구분하기 어렵기 때문에 서로 오분류되는 경향이 있으며 이는 두 도시에서 공통적으로 나타났다. 최근 건물 정보와 위성영상을 융합하여 도시 클래스 내 오분류를 개선한 연구가 제안되고 있어(Qiu et al., 2018; Yoo et al., 2020) 추후 건물 정보를 반영하면 더욱 정교하게 분류된 LCZ 지도를 구축할 수 있을 것으로 기대된다.
2) LCZ를 이용한 LST및 SUHI강도 분석
Fig. 6는 LCZ 클래스에 따른 계절별 LST의 패턴을 나타낸 박스플롯으로 Fig. 6(a)-(d)는 수원의 봄, 여름, 가을, 겨울의 LST 패턴이고 Fig. 6(e)-(h)는 대구의 봄, 여름, 가을, 겨울의 LST 패턴이다. 계절의 구분은 기상학적 계절 구분법을 따라 봄(3~5월), 여름(6~8월), 가을(9~11월), 겨울(12~2월)로 구분하였으며 계절별로 Y축의 범위가 다르게 설정되었다. 두 도시 모두 일조시간이 길고 일사량이 많은 여름철에 LST가 가장 높게 나타났고 봄, 가을, 겨울 순으로 계절에 따라 LST에 차이가 나는 것을 확인할 수 있다. 수원과 대구의 LST를 비교해보면, 전반적으로 모든 계절에서 대구의 LST가 높게 나타나는데 이는 분지형 구조를 가진 대구와 평야 지형인 수원의 지형적인 요소의 영향으로 해석될 수 있다.
Fig. 6. Boxplots of seasonal mean LST patterns of each LCZ class: (a)-(d) for Suwon and (e)-(h) for Daegu.
LCZ 클래스 별로 LST 패턴을 비교해보면, 인공피복과 자연피복의 비율에 따른 LST 차이와 건물의 높이에 따른 LST 차이를 확인할 수 있다. 첫 번째로, 두 도시 모두 불투수면적이 많이 존재하는 도시 클래스(LCZ1-6, 8)에서 자연 클래스(LCZA, B, D, G)보다 높은 LST를 보였다. 특히 도시 클래스 중에서는 넓고 낮은 건물과 인공피복으로 구성된 LCZ8이 두 도시의 모든 계절에서 가장 높은 LST를 보였다. 해당 클래스의 지상참조자료를 구축할 때 주로 상공업단지, 물류창고 등이 샘플링 되었는데 공장에서 배출되는 인공열과 넓고 낮은 구조물로 그림자에 의한 냉각효과가 적고 자연 피복이 없어 LST가 높게 나타난 것으로 생각된다. 건물이 밀집하고 자연피복이 거의 없는 Compact 클래스(LCZ1-3)가 자연피복과 인공피복이 함께 있는 Open 클래스(LCZ4-6)보다 LST가 높게 나타난 것을 통해 도시지역 내 밀집한 인공물과 적은 자연피복은 높은 LST를 형성하고 UHI 현상 가중에 크게 기여함을 확인할 수 있다. 두 번째로, 건물 높이가 높은 High-rise 클래스(LCZ1, LCZ4)에 비해 높이가 낮은 Mid-rise 클래스(LCZ 2, LCZ 5), Low-rise 클래스(LCZ3, LCZ 6)의 온도가 상대적으로 높게 나타났다. 이는 Elmes et al. (2020)에서 언급되었듯이 높은 건물이 존재하면 그 그림자에 의한 지표면 냉각효과가 있으나 낮은 건물만 존재할 경우 그림자의 영향 없이 열에 더 많이 노출되기 때문이다.
Table 3은 수원과 대구에 대해 사계절의 LCZ 클래스별 SUHI 강도를 계산한 결과로 LST 박스플롯(Fig. 5)과 비슷한 경향을 보였다. 여름철에는 두 도시 모두 가장 강한 SUHI 강도를 가지고 봄과 가을에는 여름에 비해 감소하나 건물이 밀집한 LCZ1-3에서는 UHI 현상이 나타남을 확인할 수 있으며 이는 선행연구들의 결과와 상응한다(Budhiraja et al., 2019; Geletič et al., 2019). 겨울의 경우 오히려 많은 클래스에서 음의 SUHI 강도를 보이는데 이는 도시보다 자연피복으로 이루어진 LCZD가 더 따뜻함을 뜻한다. 이러한 현상은 밤과 아침의 온도가 낮은 겨울에 주로 나타나는데 Hafner and Kidder (1999)과 Theeuwes et al. (2015)에서 언급된 것처럼, 인공 피복이 자연피복보다 열관성이 강해 일출에 따른 온도 변화에 LCZD보다 느리게 반응하기 때문이다. 두 연구 지역에서 산업단지 및 공업단지로 샘플링된 LCZ8의 경우 모든 계절에서 가장 강한 SUHI 강도를 보였으며 높고 낮은 건물이 밀집한 LCZ1-3에서도 겨울을 제외한 모든 계절에서 양의 값을 보였다. 하지만 인공피복과 자연 피복이 함께 존재하는 LCZ4-6에서는 여름을 제외하면 비교적 SUHI 강도가 약했다. 이는 같은 도시지역일 지라도 인공피복과 자연피복의 비율, 건물의 밀집도에 따라서 UHI의 강도가 다르게 나타남을 시사한다.
Table 3. The magnitude of SUHI for each LCZ class by season in Suwon and Daegu
두 연구지역에서 강한 SUHI 강도를 보였던 여름과 음의 SUHI를 보였던 겨울에 대한 공간적인 분석을 수행하였다(Fig. 7). 서로 다른 범위를 가지는 두 계절 간의 SUHI 강도 비교를 위해 각 이미지 별로 최소 최대값을 이용한 정규화 과정을 거쳤다. 두 도시 모두 여름철에는 도시지역의 SUHI 강도가 산지, 수역 등 자연과 확연한 차이를 보이며 UHI가 강하게 나타나는 것을 확인할 수 있다(Fig. 7(a), (c)). 하지만 겨울의 경우 도시지역과 자연 사이의 SUHI 강도 차이가 뚜렷하지 않고 연구지 역 전반에서 약한 SUHI 강도를 보였다(Fig. 7(b), (d)). SUHI 강도의 공간적 패턴은 계절에 따라 큰 차이를 보였지만 가장 높은 값을 가지는 곳은 동일했는데, 이는 LCZ8에 해당한다. LCZ8은 생산활동으로 인해 배출되는 인공열에 의해 계절구분 없이 가장 높은 SUHI값을 띄었다.
Fig. 7. Spatial patterns of SUHI calculated from (a) summer LST over Suwon, (b) winter LST over Suwon, (c) summer LST over Daegu, and (d) summer LST over Daegu. Gray color represents NoData pixels of L2SP ST_B10 which are omitted in the process of constructing surface temperature due to the high uncertainty.
5. 결론
본 연구에서는 수원시와 대구광역시에 대해 딥러닝과 위성영상 기반의 고해상도 LCZ 지도를 구축하였고 이를 바탕으로 다양한 도시의 구조적 특성에 따른 LST 와 SUHI 강도를 분석하였다. LCZ는 SUHI 강도 계산에 있어 모호하였던 도시지역과 교외지역을 구분하는 기준으로 활용되어 객관적인 SUHI 분석을 가능하게 하였다. 분류모델의 정확도는 연구지역에 대해 구축한 지상참조자료를 통해 검증하였고 전체 분류정확도가 수원의 경우 87.88%이고 대구의 경우 81.70%를 보였다. LCZ 지도에서 다양한 종류의 도시녹지가 많이 조성된 수원의 특징과 산업단지가 넓게 위치한 대구의 특징을 확인할 수 있었다. 일부 도시 클래스 사이에 발생했던 오분류는 LCZ 분류모델에 건물 정보를 추가로 제공하거나 더 상세한 원격탐사 자료를 사용하면 정확도가 개선될 것으로 기대된다. LST를 분석한 결과, 건물이 밀집한 클래스(i.e., LCZ1-3)에서 건물이 비교적 적고 자연피복이 혼재된 클래스(i.e., LCZ4-6)보다 높은 LST를 띄었고 건물의 높이가 낮은 클래스에서 고층 건물들로 이루어진 클래스 보다 LST가 높게 나타나는 것을 확인할 수 있었다. LCZ 분류체계를 바탕으로 계절별 SUHI 강도에 대해 계산한 결과, 여름철에는 강한 UHI가 발생하고 겨울철에는 도시가 자연보다 아침의 낮은 온도를 오래 유지하고 있는 현상이 발견되었다. 본 연구는 고해상도 LST 위성영상을 사용하였지만 시간해상도가 낮고 구름의 영향으로 계절별로 사용된 영상의 개수에 차이가 존재하였다. LST와 SUHI 강도는 계절에 따른, 시간에 따른 변동성이 크므로 향후 시간해상도가 높은 위성영 상을 공간 상세화하여 사용하거나 구름에 의한 빈 값을 채운다면 보다 정확하고 다양한 시공간적 분석을 수행 할 수 있을 것으로 기대된다. 본 연구의 결과는 LCZ 분류체계가 우리나라 도시들의 복잡한 구조적 특성, 피복의 특징을 잘 반영할 수 있으며, LCZ를 이용해 상세한 도시구조에 따른 LST와 SUHI를 분석하였다. 본 연구의 방법론과 분석결과는 향후 도시열환경 분석에 있어 유의미한 자료로 활용될 수 있을 것으로 기대된다.
사사
본 연구는 행정안전부의 재난안전 산업육성지원 사업(No. 20009742)과 한국연구재단의 이공분야기초연구 사업(과제번호: NRF-2021R1A2C2008561)의 지원으로 수행되었습니다.
References
- Ahn, J.S. and H.D. Kim, 2006. On the Seasonal Variation of Urban Heat Island Intensity According to Meteorological Condition in Daegu, Journal of the Environmental Sciences International, 15(6): 527-532 (in Korean with English abstract).
- Bechtel, B., P.J. Alexander, J. Bohner, J. Ching, O. Conrad, J. Feddema, G. Mills, L. See, and I. Stewart, 2015. Mapping local climate zones for a worldwide database of the form and function of cities, ISPRS International Journal of Geo-Information, 4(1): 199-219. https://doi.org/10.3390/ijgi4010199
- Bechtel, B., M. Demuzere, G. Mills, W. Zhan, P. Sismanidis, C. Small, and J. Voogt, 2019. SUHI analysis using Local Climate Zones-A comparison of 50 cities, Urban Climate, 28: 100451. https://doi.org/10.1016/j.uclim.2019.01.005
- Bokaie, M., M.K. Zarkesh, P.D. Arasteh, and A. Hosseini, 2016. Assessment of Urban Heat Island based on the relationship between land surface temperature and Land Use/ Land Cover in Tehran, Sustainable Cities and Society, 23: 94-104. https://doi.org/10.1016/j.scs.2016.03.009
- Budhiraja, B., L. Gawuc, and G. Agrawal, 2019. Seasonality of surface urban heat island in Delhi City region measured by local climate zones and conventional indicators, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(12): 5223-5232. https://doi.org/10.1109/jstars.2019.2955133
- Carranza-Garcia, M., J. Garcia-Gutierrez, and J.C. Riquelme, 2019. A framework for evaluating land use and land cover classification using convolutional neural networks, Remote Sensing, 11(3): 274. https://doi.org/10.3390/rs11030274
- Clinton, N. and P. Gong, 2013. MODIS detected surface urban heat islands and sinks: Global locations and controls, Remote Sensing of Environment, 134: 294-304. https://doi.org/10.1016/j.rse.2013.03.008
- Elmes, A., M. Healy, N. Geron, M.M. Andrews, J. Rogan, D.G. Martin, F. Sangermano, C.A. Williams, and B. Weil, 2020. Mapping spatiotemporal variability of the urban heat island across an urban gradient in Worcester, Massachusetts using in-situ Thermochrons and Landsat-8 Thermal Infrared Sensor (TIRS) data, GIScience and Remote Sensing, 57(7): 845-864. https://doi.org/10.1080/15481603.2020.1818950
- Fallmann, J., R. Forkel, and S. Emeis, 2016. Secondary effects of urban heat island mitigation measures on air quality, Atmospheric Environment, 125: 199-211. https://doi.org/10.1016/j.atmosenv.2015.10.094
- Feng, P., Y. Lin, J. Guan, Y. Dong, G. He, Z. Xia, and H. Shi, 2019. Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data, Proc. of In IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, JP, Jul. 28-Aug. 2, pp. 6344-6347.
- Geletic, J., M. Lehnert, S. Savic, and D. Milosevic, 2019. Inter-/intra-zonal seasonal variability of the surface urban heat island based on local climate zones in three central European cities, Building and Environment, 156: 21-32. https://doi.org/10.1016/j.buildenv.2019.04.011
- Hafner, J. and S.Q. Kidder, 1999. Urban heat island modeling in conjunction with satellite-derived surface/soil parameters, Journal of Applied Meteorology, 38(4): 448-465. https://doi.org/10.1175/1520-0450(1999)038<0448:UHIMIC>2.0.CO;2
- Hong, J.-W., J. Hong, S.-E. Lee, and J. Lee, 2013. Spatial Distribution of Urban Heat Island based on Local Climate Zone of Automatic Weather Station in Seoul Metropolitan Area, Korean Meteorological Society, 23(4): 413-424 (in Korean with English abstract).
- Hu, J., P. Ghamisi, and X.X. Zhu, 2018. Feature extraction and selection of sentinel-1 dual-pol data for global-scale local climate zone classification, ISPRS International Journal of Geo-Information, 7(9): 379. https://doi.org/10.3390/ijgi7090379
- Kim, H.-O. and J.-M. Yeom, 2012. Effect of the Urban Land Cover Types on the Surface Temperature: Case Study of Ilsan New City, Korean Journal of Remote Sensing, 28(2): 203-214 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2012.28.2.203
- Kim, K. and J.-H. Eum, 2017. Classification of Local Climate Zone by Using WUDAPT Protocol - A Case Study of Seoul, Korea -, Journal of the Korean Institute of Landscape Architecture, 45(4): 131-142 (in Korean with English abstract). https://doi.org/10.9715/KILA.2017.45.4.131
- Kim, M., J. Lee, and J. Im, 2018. Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data, GIScience and Remote Sensing, 55(5): 763-792. https://doi.org/10.1080/15481603.2018.1457201
- Kim, Y.-H. and J.-J. Baik, 2005. Spatial and Temporal Structure of the Urban Heat Island in Seoul, American Meteorological Society, 44(5): 591-605.
- Kong, H., N. Choi, S. Park, J. Lee, and S. Park, 2018. A Study on Human Thermal Comfort of Residential Development Districts in Summer Season, Korean Society of Ecology and Infrastructure Engineering, 5(4): 219-228 (in Korean with English abstract).
- Kong, H., N. Choi, and S. Park, 2020. Human Thermal Environment Analysis with Local Climate Zones and Surface Types in the Summer Nighttime-Homesil Residential Development District, Suwon-si, Gyenggi-do, Korean Society of Ecology and Infrastructure Engineering, 7(4): 227-237 (in Korean with English abstract).
- Lee, J., J. Im, D. H. Cha, H. Park, and S. Sim, 2020. Tropical cyclone intensity estimation using multidimensional convolutional neural networks from geostationary satellite data, Remote Sensing, 12(1): 108. https://doi.org/10.3390/rs12010108
- Lemonsu, A., V. Viguie, M. Daniel, and V. Masson, 2015. Vulnerability to heat waves: Impact of urban expansion scenarios on urban heat island and heat stress in Paris (France), Urban Climate, 14: 586-605. https://doi.org/10.1016/j.uclim.2015.10.007
- Li, X., Y. Zhou, G. R. Asrar, M. Imhoff, and X. Li, 2017. The surface urban heat island response to urban expansion: A panel analysis for the conterminous United States, Science of the Total Environment, 605: 426-435. https://doi.org/10.1016/j.scitotenv.2017.06.229
- Mendelsohn, R., P. Kurukulasuriya, A. Basist, F. Kogan, and C. Williams, 2007. Climate analysis with satellite versus weather station data, Climatic Change, 81(1): 71-83. https://doi.org/10.1007/s10584-006-9139-x
- Memon, N., H. Parikh, S.B. Patel, D. Patel, and V.D. Patel, 2021. Automatic land cover classification of multi-resolution dualpol data using convolutional neural network (CNN), Remote Sensing Applications: Society and Environment, 22: 100491. https://doi.org/10.1016/j.rsase.2021.100491
- Oke, T.R., 1995. The heat island of the urban boundary layer: characteristics, causes and effects, In Wind Climate in Cities, 277: 81-107. https://doi.org/10.1007/978-94-017-3686-2_5
- Perera, N.G.R. and R. Emmanuel, 2018. A "Local Climate Zone" based approach to urban planning in Colombo, Sri Lanka, Urban Climate, 23: 188-203. https://doi.org/10.1016/j.uclim.2016.11.006
- Qiu, C., M. Schmitt, L. Mou, P. Ghamisi, and X.X. Zhu, 2018. Feature importance analysis for local climate zone classification using a residual convolutional neural network with multi-source datasets, Remote Sensing, 10(10): 1572. https://doi.org/10.3390/rs10101572
- Salata, F., I. Golasi, D. Petitti, E. de Lieto Vollaro, M. Coppi, and A. de Lieto Vollaro, 2017. Relating microclimate, human thermal comfort and health during heat waves: An analysis of heat island mitigation strategies through a case study in an urban outdoor environment, Sustainable Cities and Society, 30: 79-96. https://doi.org/10.1016/j.scs.2017.01.006
- Seifert, L.I., G. Weithoff, and M. Vos, 2015. Extreme heat changes post-heat wave community reassembly, Ecology and Evolution, 5(11): 2140-2148. https://doi.org/10.1002/ece3.1490
- Tan, J.G., Y.F. Zheng, L. Peng, S.Q. Gu, and J. Shi, 2008. Effect of urban heat island on heat waves in summer of Shanghai, Plateau Meteorology, 27(S1): 144-149.
- Tan, J., Y. Zheng, X. Tang, C. Guo, L. Li, G. Song, X. Zhen, D. Yuan, Adam J. Kalkstein, F. Li and H. Chen, 2010. The urban heat island and its impact on heat waves and human health in Shanghai, International Journal of Biometeorology, 54(1): 75-84. https://doi.org/10.1007/s00484-009-0256-x
- Theeuwes, N.E., G.J. Steeneveld, R.J. Ronda, M.W. Rotach, and A.A. Holtslag, 2015. Cool city mornings by urban heat, Environmental Research Letters, 10(11): 114022. https://doi.org/10.1088/1748-9326/10/11/114022
- Thomas, G., A.P. Sherin, S. Ansar, and E.J. Zachariah, 2014. Analysis of Urban Heat Island in Kochi, India, Using a Modified Local Climate Zone Classification, Procedia Environmental Sciences, 21: 3-13. https://doi.org/10.1016/j.proenv.2014.09.002
- Unger, J., E. Lelovics, and T. Gal, 2014. Local Climate Zone mapping using GIS methods in Szeged, Hungarian Geographical Bulletin, 63(1): 29-41. https://doi.org/10.15201/hungeobull.63.1.3
- United Nations, Department of Economic and Social Affairs, Population Division, 2018. World Urbanization Prospects: The 2018 Revision (ST/ESA/SER.A/420), Department of Economic and Social Affairs, New York, NY, USA.
- Xian, G., H. Shi, R. Auch, K. Gallo, Q. Zhou, Z. Wu, and M. Kolian, 2021. The effects of urban land cover dynamics on urban heat Island intensity and temporal trends, GIScience and Remote Sensing, 58(4): 501-515. https://doi.org/10.1080/15481603.2021.1903282
- Yadav, N., C. Sharma, S.K. Peshin, and R. Masiwal, 2017. Study of intra-city urban heat island intensity and its influence on atmospheric chemistry and energy consumption in Delhi, Sustainable Cities and Society, 32: 202-211. https://doi.org/10.1016/j.scs.2017.04.003
- Yoo, C., D. Han, J. Im, and B. Bechtel, 2019. Comparison between convolutional neural networks and random forest for local climate zone classification in mega urban areas using Landsat images, ISPRS Journal of Photogrammetry and Remote Sensing, 157: 155-170. https://doi.org/10.1016/j.isprsjprs.2019.09.009
- Yoo, C., Y. Lee, D. Cho, J. Im, and D. Han, 2020. Improving local climate zone classification using incomplete building data and sentinel 2 images based on convolutional neural networks, Remote Sensing, 12(21): 1-22.
- Zhang, C., S. Wei, S. Ji, and M, Lu, 2019. Detecting large-scale urban land cover changes from very high resolution remote sensing images using CNN-based classification, ISPRS International Journal of Geo-Information, 8(4): 189. https://doi.org/10.3390/ijgi8040189
- Zhou, W., Y. Qian, X. Li, W. Li, and L. Han, 2014. Relationships between land cover and the surface urban heat island: Seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures, Landscape Ecology, 29(1): 153-167. https://doi.org/10.1007/s10980-013-9950-5
- Zhou, Y. and J.M. Shepherd, 2010. Atlanta's urban heat island under extreme heat conditions and potential mitigation strategies, Natural Hazards, 52(3): 639-668. https://doi.org/10.1007/s11069-009-9406-z
- Zhou, D., S. Zhao, S. Liu, L. Zhang, and C. Zhu, 2014. Surface urban heat island in China's 32 major cities: Spatial patterns and drivers, Remote Sensing of Environment, 152: 51-61. https://doi.org/10.1016/j.rse.2014.05.017