최근 기후변화로 인하여 전 지구 평균기온이 상승하고 폭염의 발생도 증가하고 있다(Perkins et al., 2012). 특히, 도시지역은 열섬 현상으로 인하여 비도심 지역보다 상대적으로 높은 온도를 나타내게 되는데, 이러한 도시의 고온 환경은 도시민의 건강을 위협하고 노동 생산성을 저하해, 장기적으로 도시의 공공보건과 경제에 부정적 영향을 미친다(Anderson and Bell, 2011; Mora et al., 2017).

도시는 구조가 복잡하고, 다양한 토지 이용 유형이 밀집되어 있어 온도 분포가 시공간적으로 큰 변동성을 가지고(Cho et al., 2019), 거주 인구의 신체적, 사회적 조건에 따라서 고온 환경이 미치는 영향의 정도에 큰 편차가 발생하기 때문에 공간적, 시간적으로 편차가 큰 열 취약성을 산정하는 시도들이 지속적으로 이루어져 왔다. 열 취약성 도출에 관한 연구는 주로 Intergovernmental Panel onClimateChange (IPCC)에서 제시한 취약성 분석 기준에 따라 노출(Exposure, E), 민감도(Sensitivity, S), 적응능력(Adaptive Capacity, A)의 세 가지 변수를 기반으로 이루어져 왔다(Niu et al., 2021). 노출 변수는 주로 지상의 기온 데이터 그리고 민감도 및 적응능력 변수는 개인 및 집단이 가지는 열 대응 능력을 대변할 수 있는 사회·환경적 지표 데이터(예: 연령, 건물밀집도, 녹지비율 등)를 활용하여 산출해 왔다.

부산광역시와 대구광역시는 폭염 및 열대야 발생이 잦은 대도시로, 고온 환경의 발생과 열 취약성에 관한 연구에 있어서 주요 대상지역으로 고려되어 왔다(Kim, 2018; Kim et al., 2020; Kim and Kim, 2020; Seong and Rim, 2023). 부산광역시는 2020년부터 2022년까지 연평균 열대야 일수가 22일로 한국의 대도시 중 열대야 수가 가장 많았고(Korea Meteorological Administration, 2022), 열에 취약한 인구 계층의 비율이 높아 온열 질환자가 전국에서 가장 많이 발생하는 지역이다(Korea Disease Control and Prevention Agency, 2023). 대구광역시는 내륙 분지 지형에 위치하여 여름철 기온이 국내 대도시 중 가장 높고, 같은 기간 동안 연평균 폭염일수가 33.6일로 대도시 중 가장 많은 폭염일수를 기록하였다. 부산과 대구에 대한 열 취약성 분석은 Kim and Kim (2020)과 Seong and Rim(2023)의 연구에서 이루어졌는데, 두 연구 모두 Landsat 8 위성의 지표면 온도(Land Surface Temperature, LST) 데이터를 이용하여 노출 변수를 도출하였고 사회경제적 통계 데이터를 이용하여 민감도 변수와 적응능력 변수를 계산하였다.

하지만 상기 부산과 대구에 대한 열 취약성 분석뿐만 아니라, 지금까지의 국제적으로 도시에 대한 일반적인 열 취약성의 노출 변수는 주로 지상 관측소의 기온 데이터를 활용하거나 위성 LST를 사용한 연구가 대부분으로 100 m이하 스케일의 하위지구별 상세 열 취약성은 도출하지 못하였다. 예를 들어, Hwang and Byun (2011)은 공간적으로 산재한 지상 관측소의 기온 데이터를 내삽하여 노출 변수를 도출하였기 때문에 시군구 단위 규모의 취약성 지도가 생산되어 토지 이용 유형별 취약성을 분석하기에는 한계가 있다. 또한, Landsat과 같은 위성은 오전 10시경의 LST만을 제공함으로 하루 중 가장 온도가 높은 이른 오후의 온도를 구하여 사용할 수 없다는 한계가 존재하였다.

본 연구는 국제우주정거장에 탑재되어 운영 중인 고해상도 열적외 센서, ECOsystemSpaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS)로부터 공간적으로 보다 상세하고 시간적으로도 보다 현실적인 온도 데이터를 확보하여 노출 변수로 계산함으로써, 하위지구 단위 수준의 식별력을 가진 보다 정확한 열 취약성 지도를 생산하고자 한다. ECOSTRESS의 LST 데이터를 이용하여 부산과 대구의 모든 70 m 간격의 격자점에 대한 시간별 LST를 여름철에 대하여 구하여 열 노출 변수로 취하였고, 민감도 변수와 적응능력 변수는 14개의 사회·환경적 공간 데이터를 토대로 주성분 분석을 수행하여 도출하였다. 시간 범위는 최근 3년(2020~2022)간의 여름으로 한정하여 가장 최근의 열 취약성을 분석하고자 하였다.

본 논문의 구성은 다음과 같다. 2장에서는 부산과 대구를 연구 대상으로 선정한 배경과 연구에 활용된 데이터 및 분석 방법론을 설명한다. 3장에서는 노출, 민감도, 적응능력 세 요소를 기반으로 지역별 열 취약성을 정량화한 열 취약성 지수(HeatVulnerability Index, HVI)를 산출하고, 이를 통해 도출된 도시 내 고취약 및 저취약 지역의 특성을 분석한다. 또한, 온열 질환자 통계와의 비교를 통해HVI의 유효성을 검증한다. 그리고 이를 바탕으로 도출된 도시 내 고취약 및 저취약 지역의 특성을 분석하며, 온열 질환자 통계와 비교를 통해 HVI의 유효성을 검증한다. 마지막으로 4장에서는 연구 결과를 요약하고, 열 취약성 저감을 위한 정책적 시사점과 본 연구의 한계를 바탕으로 한 향후 연구 방향을 제시한다.

2.1. 연구 대상 지역

본 연구는 여름철 고온 환경에서의 열 취약성을 분석하기 위해 대한민국의 대도시인 부산광역시와 대구광역시를 연구 대상으로 선정하였다. 부산과 대구는 지리 및 기후 조건과 인구 구조적 요인으로 인하여 열 스트레스에 취약한 지역이다(Kim et al., 2014). 부산광역시는 대한민국 남동부 해안에 위치한 인구 약 340만 명의 대도시로, 산악지역이 도시 내부에 산재해있다는 지형적 특성으로 시가화 지역이 평지에 밀집되는 도시 구조가 형성되어 있다. 2020년부터 2022년까지 부산의 연평균 열대야 일수는 22일로 국내 주요 대도시 중 가장 높았다(Korea Meteorological Administration, 2022). 또한, 고령인구의 비율이 2023년 기준 22.2%로 전국에서 가장 높았으며(Statistics Korea, 2023), 이에 따라 연평균 온열 질환자 수도 100만 명당 21.8명으로 7개 대도시 중 가장 높은 수준을 보였다(Korea Disease Control and Prevention Agency, 2023).

대구광역시는 약 240만 명이 거주하는 내륙 도시로, 북쪽의 팔공산과 남쪽의 비슬산에 둘러싸인 분지에 위치한다. 이러한 지리적·지형적 특성으로 인해 공기 흐름이 제한되고 열이 쉽게 축적되어, 대구는 우리나라에서 여름철 기온이 가장 높은 도시 중 하나이다(Korea Meteorological Administration, 2022). 2018년부터 2022년까지의 통계에 따르면 대구는 8월 평균 기온이 27.3°C, 최고 기온이 39.2°C에 이르렀으며, 연평균 폭염 일수(최고 기온 33°C 초과일)는 33.6일로 집계되어 모든 수치가 7개 대도시 중 가장 높았다(Korea Meteorological Administration, 2022). 부산의 기장군과 대구의 달성군 및 군위군은 인구 밀도 및 건물 밀집도가 낮아 도시화 수준이 상대적으로 낮은 지역으로 도시 지역에 대한 열 취약성 분석 대상에서 제외하였다.

2.2. 열 취약성 지수(HVI)

2.2.1. 열 취약성 지수 개요

도시 내 열 취약성을 정량적으로 평가하기 위해 열 취약성 지수(HVI)를 사용하였다(Wilhelmi and Hayden, 2010). HVI는 고온 환경에 대한 개인 및 지역의 취약성을 평가하는 지표로, 열에 대한 노출(E), 민감도(S), 적응능력(A)의 세 가지 취약성 변수에 대한 함수로 정의된다(식 1).

여기서 E 변수는 고온 환경에 대한 노출 정도를 나타내는 변수로, 특정 지역이 얼마나 자주 또는 심하게 높은 온도에 노출되는지를 설명한다. S 변수는 열에 대한 개인이나 지역의 반응성 정도를 나타내는 변수로, 인구의 생물학적 또는 사회경제적 요인에 의해 결정된다. A 변수는 열 스트레스를 완화하거나 효과적으로 대응할 수 있는 능력을 나타내는 변수로, 그 지역의 사회적 및 환경적 자원에 의해 결정된다. 노출과 민감도는 열 취약성을 증가시키는 요인이므로 HVI 산출 시 이들 구성 요소에 대한 변수는 더해져 계산되는 반면, 적응능력 변수는 취약성을 낮추는 요인으로 차감돼서 계산된다.

2.2.2. 열 취약성 지수 구현

본 연구에서는 부산광역시와 대구광역시를 대상으로 2020년부터 2022년까지 3년간 여름철(6~8월) 평균을 대표하는HVI 지도를 도출하여 하위지구 단위에서 분석을 수행하였다. 이를 위해, 3년간의 여름철 평균 조건을 반영하는 각 취약성 변수(E, S, A)를 도출하였다. 특정 장소와 시간에 대한 HVI를 계산하기 위한 취약성 변수를 구하기 위해서 다음과 같은 데이터를 사용하였다. 우선 E 변수는 국제우주정거장에 설치되어 운영되는 ECOSTRESS의 LST 데이터를 사용하였다. ECOSTRESS는 지구상의 임의의 위치에 대해 약 2~5일의 불규칙한 관측 주기로 하루 중 다양한 시간대의 LST 데이터를 제공하며, 70 m 공간해상도의 데이터를 생산한다(Hulley et al., 2022). 본 연구에서 최고 온도의 열 노출 환경을 반영한 읍면동 단위의 고해상도 노출 변수를 도출하기 위해, 피크 시간대(11:00~14:00)에 대한 최소 100 m 이하의 공간해상도를 가지는 LST 데이터가 필요한데(Sobrino et al., 2012), 현재로써는 ECOSTRESS LST가 이러한 조건을 충족하는 유일한 광역 원격탐사 데이터이다.

S와 A 변수는 열 스트레스에 대한 민감성과 대응 및 관리 역량을 설명하기 위해 총 14개의 사회·환경적 지표 데이터를 기반으로 정량화되었다. 이러한 사회·환경적 지표는 열 취약성에 영향을 미치는 다양한 특성을 나타내며, 변수를 도출하는데 기초 데이터로 활용된다. 그러나 이러한 데이터는 상호 높은 상관관계를 가지는 경우가 많아, 단순히 합산하거나 가중치를 적용하는 방식으로는 복잡한 상호작용을 반영하기 어렵다. 이를 해결하기 위해 본 연구에서는 Principal Component Analysis (PCA)를 통해 지표 데이터 간의 상관관계를 제거하고, 독립적인 주성분을 도출하여 S와 A 변수로 재구성하였다(Inostroza et al., 2016; Nayak et al., 2018; Hulley et al., 2019; Conlon et al., 2020).

2.3. 연구 데이터

2.3.1. 위성 기반 지표면온도(LST) 데이터

ECOSTRESS는 2018년 국제우주정거장에 탑재된 열적외 센서로 4~5일 주기로 다양한 시간대에 동일 지역을 관측하며, 70 m수준의 고해상도 LST 데이터를 제공한다. 이 데이터는 14개 지점의 현장 관측 데이터와 비교한 결과, 평균 절대 오차(MeanAbsolute Error, MAE) 0.40 K와 제곱근 평균 제곱 오차(RootMean Suqared Error, RMSE) 1.07 K의 정확도를 나타냈다(Hulley et al., 2022). 본 연구에서는 2020년부터 2022년까지 여름철(6~8월) 동안 한반도 남동 지역을 관측한 ECOSTRESS LST 데이터를 수집하였다. 구름 영향을 배제하기 위해 ECOSTRESS의 Cloudmask 산출물을 활용하여 구름 픽셀을 제거했으며, 구름 비율이 70% 이상인 영상은 분석에서 제외되었다. 수집된 데이터의 구체적인 관측 시간은 Table 1에 제시되어 있다.

Table 1 . Acquisition time (KST) for utilized ECOSTRESS LST images in the study.

Season	Time	Date	Year
Summer	06:32:50	06/21	2020
	07:46:51	08/18	2020
	10:37:16	06/09	2022
	11:15:34	06/09	2021
	14:25:51	06/01	2020
	17:08:42	06/11	2022
	17:46:30	07/21	2022

KST: Korea Standard Time..

본 연구에서는 E 변수를 도출할 때, 계절별, 즉 3개월 기간의 모든 ECOSTRESS 데이터를 모아서 해당 계절을 대표할 수 있는 LST 데이터를 생산하여 사용하는 것을 목표로 하고 있다. 앞에서 나타나듯이 ECOSTRESS가 하루중 다양한 시간대의 LST 데이터를 제공하여 일주변화를 관측할 수 있다는 장점이 있지만, 각각의 데이터가 다른 날짜에 관측되기 때문에 일별편차가 발생한다는 단점이 있다. 따라서 각기 다른 날짜의 ECOSTRESS 데이터가 일별 편차의 영향 없이 동일한 기준으로 계절 대표 LST 계산에 사용될 수 있도록, 하루 중 모든 시간에 대해 데이터가 생성되는 정지궤도위성의 LST 데이터를 이용하여 그 일별편차를 제거하였다. 각 ECOSTRESS LST 데이터의 일별편차를 제거하고 동일한 기후 조건으로 조정하는 방법론은 Chang et al. (2022)을 참고하였으며, 구체적인 수식과 적용 방법은 2.4.1 섹션에 기술하였다.

정지궤도 위성 자료로는 대한민국의 정지궤도 기상위성인 Geostationary Korea Multi Purpose Satellite-2A (GK-2A)를 사용하였다. GK-2A는 10분 주기로 한반도 지역을 관측하며, 구름이 없는 청천 지역에 한해 LST를 산출한다. GK-2A LST 데이터는 Moderate Resolution Imaging Spectroradiometer (MODIS) LST 데이터와의 교차검증에서 1.227K의 편향 및 2.281K의 RMSE를 기록하였으며, 일본 Tateno 지점의 현장 관측 데이터를 활용한 검증에서는 0.523K의 편향과 2.021K의 RMSE를 기록하였다(Choi and Suh, 2020). 2020년부터 2022년까지 여름철 동안 매 정시와 30분마다 관측된 30분 간격의 GK-2A LST 데이터를 수집하여 ECOSTRESS LST 조정에 활용하였다.

2.3.2. 사회·환경적 지표 데이터

열에 대한 민감도와 적응능력을 정량적으로 평가하기 위해 각 요소를 설명할 수 있는 14개의 사회·환경적 지표 데이터를 선정하고 수집하였다. 신체적 특성과 관련된 지표로는 고령 인구 비율, 유아 인구 비율, 장애인 인구 비율이 포함된다(McGeehin and Mirabelli, 2001; Harlan et al., 2006). 고령 인구와 유아는 체온 조절 능력이 떨어져 열 스트레스에 민감하게 반응하며, 장애인은 신체적·인지적 제한으로 인해 폭염에 효과적으로 대응하기 어려운 특성을 보인다(Johnson et al., 2005; Füssel and Klein, 2006; Nitschke et al., 2011). 사회경제적 특성을 반영하는 지표로는 인구 밀도, 기초생활수급자 비율, 실업률이 있다. 인구 밀도는 단위 면적당 인구수로, 높은 인구 밀도는 열섬 효과를 강화하고 더 많은 인구가 열 스트레스에 노출될 가능성이 높아진다(Stone et al., 2010).

기초생활수급자 비율과 실업률은 경제적 취약 계층의 분포를 반영하며, 이들은 냉방 시설이나 의료 서비스에 대한 접근성이 제한되어 열 스트레스에 대한 대응 능력이 낮다(Jones, 1982; Borrell et al., 2006). 건축 및 환경적 특성을 나타내는 지표로는 건폐율, 건물 높이, 노후 건물 비율, 녹지 비율이 포함된다. 건폐율과 건물 높이는 도시 내 건축물의 밀집도를 나타내며, 밀집도가 높을수록 열 축적 및 열섬 효과를 심화시킨다(Jones, 1982; Borrell et al., 2006). 노후 건물은 단열 성능이 낮고 냉방 효율이 떨어져 열에 취약한 환경을 제공한다. 녹지 비율은 MODIS 위성의 Enhanced Vegetation Index (EVI) 데이터를 활용하여 산출되었으며, 식생의 증산작용을 통해 열 축적을 감소시키는 식생의 역할을 평가할 수 있는 지표이다(Huete et al., 2002).

지역사회 인프라 수준을 나타내는 지표로는 공시지가, 무더위 쉼터 접근성, 의료시설 접근성이 포함된다. 공시지가는 지역 내 인프라 발달 수준과 냉방 시설 보유 가능성을 평가하는 지표로 활용되었다. 무더위 쉼터 및 의료시설 접근성은 각각 가장 가까운 시설까지의 거리를 기반으로 산출되었으며, 접근 거리가 짧을수록 열 스트레스에 대응할 수 있는 역량이 높은 것으로 평가된다(Eum, 2016; Choi et al., 2018; Hwang et al., 2023). 선정된 모든 지표 데이터는 정부 기관 및 공공 데이터베이스로부터 수집되었으며, 각 데이터의 세부 출처 및 정보는 Table 2에 정리되어 있다.

Table 2 . Specific information on socio-environmental indicator data.

Index	Variable	Data description	Data source	Data type
Sensitivity	Basic living recipients	Proportion of basic living recipients	Local Government Statistics	Administrative unit data (Eup/Myeon/Dong)
	Building cover ratio	Ratio of built-up area to total area	National Land Information Platform	Grid data (100 m)
	Building height	Average building height	National Land Information Platform	Grid data (100 m)
	Disabled population	Proportion of registered disabled individuals	Local Government Statistics	Grid data (100 m)
	Elderly population	Proportion of population aged 65 and over	National Land Information Platform	Grid data (100 m)
	Old building proportion	Proportion of buildings over 20 years old	National Land Information Platform	Grid data (500 m)
	Population density	Number of people per square kilometer	National Land Information Platform	Grid data (100 m)
	Unemployment rate	Proportion of unemployed individuals	Local Government Statistics	Administrative unit data (Si/Gun/Gu)
	Young children population	Proportion of population aged 2 to 5 years	National Land Information Platform	Grid data (100 m)
Adaptive capacity	Cooling center distance	Accessibility to the nearest cooling center	National Disaster Safety Portal	Grid data (70 m)
	Education level	Proportion of population aged 6+ with a bachelor’s degree or higher	Local Government Statistics	Administrative unit data (Si/Gun/Gu)
	Green vegetation fraction	Vegetation health and density indicator	MODIS EVI Data (MOD13Q1)	Grid data 250 m)
	Medical facility distance	Accessibility to the nearest medical facility	Health and Medical Big Data Open System	Grid data (70 m)
	Official land price	Average government-declared land price	National Land Information Platform	Grid data (100 m)

EVI: Enhanced Vegetation Index..

2.4. 취약성 변수 도출 방법

2.4.1. 조정 방법론을 활용한 일 중 최고 지표면 온도(LST) 지도 도출

여름철 다양한 시간대에 수집된 7개의ECOSTRESSLST는 동일한 기후 조건으로 조정하기 위해Chang et al. (2022)에서 제시한 조정 방법론을 활용하였다. 기존 연구에서는GeostationaryOperational Environmental Satellites (GOES-R) LST를 사용하여 조정을 수행한 반면, 본 연구에서는 GK-2A LST를 활용하였다. 조정 과정에서, 먼저 ECOSTRESS LST와 동일한 날짜 및 시간에 관측된 GK-2A LST와 해당 시간대에 대한 여름철 평균 GK-2A LST 간의 편차(ΔLST(t₁, d₁))를 다음 식(2)와 같이 계산하였다:

계산된 편차(ΔLST(t₁, d₁))를 ECOSTRESS LST에 적용하여 변동성을 조정하였으며, 조정된 ECOSTRESS LST($\overline{LS{T}_{ECO}(t_1,d_1)}$)는 아래 식(3)과 같이 표현된다:

조정된 ECOSTRESS LST는 관측일에 관계없이 일관된 기후 조건을 가지는 여름철 일주 시계열 LST 데이터를 확보하였으며, 지역별로 하루 중 가장 더운 시점에 대한 취약성을 평가하기 위해 시계열 데이터로부터 각 픽셀별 시간대별 최고 LST를 추출하였다. 도출된 일 중 최고 LST 지도는 20°C에서 55°C 범위를 최대-최소 정규화를 통해 0과 1 사이의 범위로 변환하였으며, 이를 최종 열 노출 변수로 활용하였다(Fig. 2).

Figure 2. Summer diurnal maximum LST maps derived from adjusted ECOSTRESS data. (a) Diurnal maximum LST map for Busan. (b) Diurnal maximum LST map for Daegu.

Fig. 2에서 나타나는 공간적 불연속적 패턴과 해안 지역에 대한 데이터 누락은 두 위성 데이터의 해상도 차이와 결합 과정에서 기인한다. GK-2A LST의 2 km 해상도 데이터를 기반으로 계산된 일별편차를 ECOSTRESS LST의 70 m 해상도 데이터에 적용하는 과정에서 공간적 연속성이 일부 손실되었다. 또한, GK-2A LST는 수역 데이터를 필터링하는 과정에서 낮은 공간 해상도로 인해 부산 해안 지역의 일부 육지 지역의 데이터까지 함께 제외되었다. 이로 인해, 조정된 ECOSTRESS LST 데이터에서도 부산 해안 지역 일부 데이터가 누락되어 나타났다.

2.4.2. 주성분 분석(PCA)을 통한 민감도 및 적응능력 정량화

수집된 사회환경적 지표 데이터는 PCA를 활용하여 데이터 간 상관관계를 제거하고, 열 취약성을 구성하는 독립적인 민감도와 적응능력 변수로 재구성되었다(Hulley et al., 2019). 최근린 보간법을 통해 모든 지표 데이터를 동일한 격자체계로 변환하여 공간 단위를 통일하였으며, 단위 차이로 인한 영향을 제거하기 위해 Z-score 표준화를 적용하여 평균을 0, 표준편차를 1로 변환하였다. Kaiser 규칙에 따라 고유값이 1 이상인 주성분(Principal Component, PC)만 선택하여 전체 데이터의 분산을 효율적으로 설명하도록 하였으며(Kaiser, 1960), 바리맥스 (Varimax) 회전을 통해 각 주성분의 로딩을 최대화하였다. 회전된 로딩 계수를 바탕으로 각 주성분의 의미를 해석하여 민감도 혹은 적응능력을 설명하는 성분으로 분류하고, 분류된 주성분의 고유값을 기반으로 가중평균을 산출하여 최종 민감도 및 적응능력 변수를 도출하였다. 도출된 최종 변수는 윈저화(Winsorization)를 통해 이상치를 제거했으며, 0과 1 사이의 범위로 정규화되어 HVI 산출에 활용되었다.

3.1. 민감도와 적응능력 변수 도출 및 공간적 특성 분석

PCA 결과, Kaiser’s rule에 따라 4개의 주성분이 도출되었다. 각 주성분의 로딩 계수는 데이터들과의 상관관계를 나타내며, 열 취약성의 복합적인 특성을 독립적으로 분석할 수 있는 기초를 제공한다. Table 3은 바리맥스 회전 후 4개 주성분에 대한 로딩 계수를 제시한다.

Table 3 . Varimax-Rotated loading coefficients for the four selected principal components (PC).

Index	Variables	PC1	PC2	PC3	PC4
Sensitivity	Basic living recipients	–0.1393	–0.2218	–0.0397	0.3263
	Building cover ratio	0.5653	–0.0283	–0.0115	–0.0868
	Building height	0.1744	0.0187	0.3918	–0.0607
	Disabled population	0.0425	–0.6193	0.0005	–0.1347
	Elderly population	0.0097	–0.0275	0.4898	0.027
	Old building proportion	0.3419	–0.0782	–0.0085	0.1152
	Population density	–0.0172	–0.0193	0.5496	0.0134
	Unemployment rate	–0.0161	–0.4979	0.0503	0.0672
	Young children population	–0.1394	0.0219	0.5462	0.0047
Adaptive capacity	Cooling center distance	0.0898	0.0318	0.0072	0.6247
	Education level	–0.0304	0.5504	0.0329	–0.0443
	Green vegetation fraction	–0.4066	–0.0543	–0.0102	–0.1499
	Medical facility distance	0.0555	0.0503	0.0139	0.6402
	Official land price	0.5607	0.0336	0.0224	–0.1441
Eigenvalue		4.5369	2.2120	1.8774	1.0834

주성분 1은 건폐율(0.5653), 노후 건물 비율(0.3419), 건물 높이(0.1744)에서 높은 로딩 값을 보였으며, 녹지 비율(–0.4066)에 대해서는 음의 로딩 값을 나타내, 건물이 밀집되고 녹지가 부족하여 열에 민감할 가능성이 높은 지역을 설명한다. 공시지가(0.5607)와도 양의 관계를 보였는데, 이는 공시지가가 높은 도심 지역에 건물이 밀집되어 있는 한국의 대도시 특성이 반영되었음을 시사한다(Yoon et al., 2014; Lee and Choi, 2017). 결론적으로 주성분 1은 건물 밀집성을 설명하는 S 변수로 해석된다. 주성분 2는 교육 수준(0.5504)에 높은 로딩 값을 보였으며, 장애인 인구 비율(–0.6193), 실업률(–0.4979), 기초생활수급자 비율(–0.2218)에서 음의 로딩 값을 나타내었다. 이는 사회경제적으로 안정된 지역을 설명하며, 주성분 2는 사회경제적 안정성을 설명하는 적응능력 변수로 해석된다. 주성분 3은 인구 밀도(0.5496), 유아 인구 비율(0.5462), 고령 인구 비율(0.4898), 건물 높이(0.3918)에서 높은 로딩 값을 보였다. 이는 인구 밀도가 높고 신체적으로 열에 취약한 계층이 많이 분포한 지역을 나타내며, 주성분 3은 인구 밀집 및 생물학적 취약성을 설명하는 민감도 변수로 해석된다. 건물 높이와의 양의 상관관계(0.3918)는 고층건물이 높은 용적률로 많은 인구를 수용할 수 있기 때문으로 설명될 수 있다(Choi and Choi, 1995). 주성분 4는 의료시설 접근성(0.6402)과 무더위 쉼터 접근성(0.6247)에 높은 로딩 값을 보여, 지역사회 내 열 스트레스에 대응할 수 있는 사회적 인프라의 가용성이 높은 지역을 의미한다. 따라서 주성분 4는 사회적 인프라 접근성을 나타내는 적응능력 변수로 해석된다.

민감도 변수는 건물 밀집성과 인구 밀도 및 생물학적 취약성을 설명하는 주성분 1과 주성분 3을 각 성분의 고유값을 기반으로 가중평균 하여 도출하였다(Fig. 3). 적응능력 변수는 사회경제적 안정성을 나타내는 주성분 2와 사회적 인프라 접근성을 나타내는 주성분 4의 가중평균으로 도출하였다(Fig. 4). 민감도 및 적응능력 변수 도출에 사용된 사회·환경적 공간 자료가 서로 다른 공간적 스케일(읍면동 단위, 시군구 단위, 격자 단위(70–500 m))을 기반으로 하고 있기 때문에 Fig. 3과 4에서 공간적으로 불연속적인 패턴이 나타나며, 향후 고해상도의 공간 자료를 활용하여 이를 개선할 필요가 있다. 각 변수는 모두 0과 1사이 값으로 정규화되어 HVI 산출에 활용되었다.

Figure 3. Sensitivity variable images: (a) Busan and (b) Daegu.

Figure 4. Adaptive capacity variable images: (a) Busan and (b) Daegu.

3.2. 열 취약성 지수(HVI) 공간 분포 및 취약지역 특성 분석

노출, 민감도, 적응능력 변수를 활용하여 HVI를 산출하였으며, 이를 0과 1 사이의 범위로 정규화하여 부산광역시와 대구광역시의 HVI 지도를 작성하였다(Fig. 5). 이를 통해 두 도시 내 열 취약성의 공간적 분포를 분석하고, 고취약 및 저취약 지역의 특성을 파악하였다.

Figure 5. HVI map: (a) Busan and (b) Daegu.

3.2.1. 최대 HVI 지역 도출 및 지역 특성 분석

부산광역시에서 HVI 값이 가장 높은 지역은 부산진구 부전2동의 서면역 일대로, HVI 값은 최대치인 1을 기록하였다. 이 지역의 열 노출 변수 값은 0.6으로 지표면 온도 40.9°C에 해당하며, 민감도 변수는 0.622로 높게 나타났다. 반면, 적응능력 변수는 0.07로 매우 낮았다. 이러한 결과는 서면역 일대가 고층 건물과 노후 건물이 밀집되어 있고, 녹지 비율이 낮은 도시 환경적 특성을 반영한다. 건물의 밀집과 부족한 녹지 공간은 열 축적을 유발하여 열 노출을 증가시키며, 노후 건물은 단열 성능이 부족하여 열에 대한 민감도를 높이는 요인으로 작용한다. 또한, 이 지역은 인구 밀도가 높고, 취약 계층의 비율이 상대적으로 높아 열 스트레스에 더욱 민감한 것으로 판단된다.

대구광역시에서 HVI 값이 가장 높은 지역은 중구 동성로 일대로, HVI 값은 0.88로 나타났다. 동성로는 대구의 주요 상업 및 교통 중심지로, 건물 밀집도가 높고 유동 인구가 많은 지역이다. 이 지역의 열 노출 값은 0.77로 지표면 온도 46.8°C에 해당하며, 이는 대구가 내륙 분지 지형으로 인해 열 축적이 심한 특성을 반영한다. 민감도 변수는 0.34로 비교적 낮게 나타났으며, 적응능력 변수는 0.12로 부산의 최대 HVI 지역보다 높았다. 이는 동성로 일대가 서면에 비해 상대적으로 사회경제적 안정성이 높고, 의료 시설 등 사회적 인프라 접근성이 더 좋음을 시사한다. 그러나 높은 열 노출로 인해 HVI 값이 크게 산출되었다.

종합하면, 부산과 대구의 최대HVI 지역은 모두 높은 열 노출로 인해 높은 열 취약성을 보였으나, 민감도와 적응능력의 조합은 서로 다른 양상을 나타냈다. 부산의 서면역 일대는 높은 민감도와 낮은 적응 능력으로 인해 열 취약성이 극대화된 반면, 대구의 동성로 일대는 낮은 민감도와 상대적으로 높은 적응능력을 가졌음에도 불구하고 높은 열 노출로 인해 높은 HVI 값을 나타냈다. 이는 열 취약성이 단순히 열 노출에만 의존하는 것이 아니라, 지역의 사회경제적 특성과 환경적 요인에 따라 복합적으로 결정됨을 시사한다. 따라서 열 취약성 저감을 위한 전략 수립 시에는 열 노출뿐만 아니라 민감도와 적응능력 요소를 종합적으로 고려한 지역 맞춤형 접근이 필요하다.

3.2.2. 행정동별 평균 HVI 도출 및 각 행정동 지역 특성 분석

열 취약성의 공간적 패턴을 더욱 상세히 분석하기 위해 행정동 단위로 평균 HVI 값을 계산하고, 각 지역의 LST와 사회·환경적 지표 데이터의 평균값을 도출하였다. 평균HVI 값이 0.7 이상인 지역을 고취약 지역으로, 0.3 미만인 지역을 저취약 지역으로 정의하여 지역 특성을 비교 분석하였다(Table 5). 부산에서는 영도구의 영선1동과 봉래1동이 고취약 지역으로 식별되었으며, 대구에서는 서구의 비산동, 내당동, 평리동 일대를 포함한 13개 동과 남구의 대명1동, 대명2동, 봉덕1동 등 총 16개 동이 고취약 지역으로 판별되었다. 이들 고취약 지역의 평균 LST는 46.1°C로 전체 지역에 대해 상위 12%에 해당하였으며, 건폐율, 장애인 인구 비율, 고령 인구 비율 등이 상위 10% 이내로 나타났다. 이는 건물 및 취약 계층의 밀집도가 열 스트레스 민감도를 증가시키는 주요 요인으로 작용함을 의미한다. 반면, 적응능력에 해당하는 교육 수준(상위 92%)과 녹지 비율(상위 84%)은 매우 낮게 나타나 열 스트레스에 효과적으로 대응하기 어려운 환경적 특성을 지니고 있었다. 주목할 점은 고취약 지역임에도 불구하고 무더위 쉼터와 의료시설 접근성이 각각 상위 14%와 18%로, 상대적으로 높은값을 보였다는 것이다. 이는 열 노출과 민감도가 높은 취약 지역에 이 미 많은 열 스트레스 대응을 위한 사회적 인프라 시설이 설치되어 있음을 시사한다. 그러나 이러한 인프라의 존재만으로는 열 취약성을 완화하기에 충분하지 않음을 보여준다. 따라서 열 취약성 감소를 위해서는 사회적 인프라의 양적 확충뿐만 아니라, 녹지 공간 조성 등 환경적 개선이 병행되어야 할 것으로 판단된다.

저취약 지역의 경우, 부산에서는 총 23개 행정동, 대구에서는 5개 행정동이 식별되었다. 이들 지역의 평균 LST는 31.4°C로 하위 10% 수준으로 낮았으며, 건물 밀집도와 인구 밀도, 생물학적 취약성을 나타내는 지표들도 대부분 하위 20% 이하로 나타났다. 적응능력에 해당하는 교육 수준과 녹지 비율은 각각 상위 20% 이상으로 나타나, 열 노출 및 민감도는 낮고 적응능력은 높은 특성을 보였다. 그러나 사회적 인프라 시설 접근성은 하위 15%로 낮게 나타나, 환경적 완화 요인이 풍부한 경우 사회적 인프라의 부족이 열 취약성에 큰 영향을 미치 지 않을 수 있음을 시사한다.

3.3. 온열 질환자 통계 자료를 통한 HVI 취약성 검증

온열 질환자 수는 열 스트레스에 대한 취약성을 평가하고 검증하는 중요한 지표이다. 본 연구에서는 2020년부터 2022년까지의 시군구별 온열 질환자 수를 분석하여 도출된 HVI 지도가 실제 열 스트레스에 따른 건강 위험을 얼마나 잘 반영하는지 평가하였다. 온열 질환 통계 자료는 대한민국 질병관리청에서 제공한 것으로, 열사병, 열실신, 열경련, 열탈진 등 10가지 온열 관련 질환을 포함한다(National Health Insurance Service, 2023).

부산광역시를 분석한 결과, 온열 질환자가 가장 많이 발생한 구는 영도구로, 3년 동안 영도구 총인구의 0.54%에 해당하는 581명의 온열 질환자가 발생하였다. 이는 본 연구에서 HVI 지도를 통해 고취약 지역으로 식별된 영선1동과 봉래1동이 모두 영도구에 속해 있다는 점과 일치한다. 또한 최고HVI 값을 보인 서면역 일대가 포함된 부산 진구에서도 211명의 온열 질환자가 발생하여 부산에서 세 번째로 높은 수치를 기록하였다. 이러한 결과는 HVI 지수가 실제 열 스트레스에 대한 취약성을 유효하게 반영하고 있음을 시사한다.

대구광역시에서도 일관된 경향이 확인되었다. 서구는 평균 HVI 값이 0.687로 부산과 대구를 통틀어 가장 높은 수준을 기록하였으며, 대구에서 고취약 지역으로 분류된 16개 행정동 중 13개 지역이 서구에 위치한다. 서구의 인구 대비 온열 질환 발병률은 0.063%로 대구 내에서 가장 높아HVI 지수와 온열 질환 발생 간의 높은 상관성을 보여주었다. 남구의 경우 평균 HVI 값이 0.57로 대구에서 두 번째로 높았고, 인구 대비 온열 질환 발병률도 0.054%로 두 번째로 높아 연구 결과와의 일치성을 뒷받침하였다.

이러한 결과는 본 연구의 HVI 지도가 열 스트레스에 따른 건강 위험을 실제로 잘 반영하고 있음을 보여준다. HVI를 기반으로 식별된 고취약 지역이 온열 질환자 발생 통계와 높은 일치성을 보인다는 점은 HVI 지수가 열 취약성 평가에서 효과적인 도구로 활용될 수 있음을 시사하며, 도시 계획 및 재난 관리 정책 수립 시 열 취약성을 고려한 맞춤형 대응 전략의 필요성을 강조한다. 그러나 온열 질환자 수는 신고된 사례에 한정되므로 실제 발생한 모든 사례를 반영하지 못할 수 있다는 한계가 있다. 따라서 향후 연구에서는 더 포괄적인 건강 데이터와의 비교를 통해 HVI의 검증을 강화할 필요가 있다.

본 연구에서는 ECOSTRESS LST 데이터와 사회·환경적 지표 데이터를 활용하여 부산광역시와 대구광역시의 열 취약성을 정량적으로 평가하였다. 연구 결과, 부산의 서면역 일대와 대구의 동성로 일대가 열에 가장 취약한 지역으로 식별되었으며, 높은 열 노출, 건물밀집도, 취약 계층의 높은 비율, 낮은 녹지 비율 등이 열 취약성을 증가시킨 요인으로 분석되었다. 반면, 사회적 인프라 시설 접근성이 높음에도 불구하고 열 스트레스 완화에 충분히 기여하지 못하는 점이 확인되었으며, 이는 단순한 시설 배치만으로는 열 스트레스를 효과적으로 완화할 수 없음을 시사한다. 저취약 지역은 지표면 온도가 상대적으로 낮고, 적응능력이 높은 지역으로 나타나, 환경적 완화 요인의 중요성을 강조한다.

온열 질환자 통계와의 비교 검증 결과, 도출된 HVI 지수가 실제 건강 위험을 잘 반영하고 있음이 확인되었다. 부산과 대구에서 HVI가 높은 지역은 실제 온열 질환 발병률이 높았으며, 이는 HVI가 열 취약성 평가에 유효한 지표로 활용될 수 있음을 입증한다. 이러한 결과는 도시 계획 및 재난 관리 정책 수립 시 열 취약성을 고려한 맞춤형 대응 전략의 필요성을 강조하며, 특히 열에 취약한 지역에서는 의료 및 냉방 자원의 접근성을 개선하고, 장기적으로는 녹지 공간 확대와 같은 도시 환경 개선이 필요함을 시사한다. 그러나 온열 질환자 수는 신고된 사례에 한정되어 실제 발생한 모든 사례를 반영하지 못할 수 있다. 향후 포괄적인 건강 데이터와의 비교를 통해HVI의 검증을 강화할 필요가 있다.

결론적으로, 본 연구는 열 취약성 평가와 온열 질환자 통계 간의 높은 일관성을 보여주며, HVI가 기후 변화에 따른 도시 열 재난 대응의 효과적인 도구임을 입증하였다. 향후 연구에서는 기후 변화에 따른 열 스트레스의 장기적인 영향을 평가하고, 다양한 사회적·환경적 요인을 추가로 고려하여 HVI 모델을 개선함으로써 도시 열 관리 전략을 보다 효율적으로 설계할 필요가 있다.

Figure 1. Study area.

Figure 6. Spatial distribution of average HVI by administrative districts: (a) Busan and (b) Daegu.

본 과제는 부산대학교 기본연구지원사업(2년)에 의하여 연구되었음.

No potential conflict of interest relevant to this article was reported.