기후변화와 도시화로 인해 지구의 평균 기온 및 여름철 폭염일수가 매년 상승하고 있는 추세이다. 기후변화란 기후 특성의 평균이나 변동성에 생긴 변화가 수십 년 이상 지속되는 것을 말한다. 이러한 변화는 태양에너지 변화, 지구공전 궤도변화, 화산활동, 내부 변동성 등의 자연적 요인과 인간활동으로 인한 대기조성과 토지이용의 변화 등 인위적인 외부 요인에 의해 발생한다(Pachauri et al., 2014). 기상청은 최근 한반도가 전 지구적인 온난화현상 및 장기적 기후 변동성의 직접적인 영향을 받고 있는 근거로 전 지구 평균 지표온도가 1880년부터 2012까지 0.85°C 상승한 반면, 우리나라는 1912년부터 2017년까지 약 1.8°C 상승하였음을 분석하였다(Korea Meteorological Administration, 2020). 우리나라 경우 기후변화에 의한 기온 상승 중 도시화 효과가 차지하는 비중은 지난 103년(1912~2014)동안 약 3∼11%, 최근 42년(1973~2014)동안 약 30∼45%이다(Park et al., 2017). 또한 도시화가 가속화됨에 따라 이러한 기온상승 경향은 더욱 뚜렷해지고 있다(Lee and Lim, 2022).

지난 90년 동안 우리나라의 전국 평균기온이 약 1.0°C 상승한 것으로 나타났으며, 그 중에서도 주요 광역도시의 경우 약 1.7°C 증가하여 상대적으로 높은 상승폭을 보였다(Kim and Eum, 2018). 이와 같은 기후변화 및 급격한 도시화로 인한 도시 기온이 상대적으로 높아지는 열섬 현상은 냉방 에너지 사용 증가 및 온열질환 비율 증가 등 열 환경 관련 문제로 이어질 수 있다. 질병관리청에서 집계한 온열질환으로 인한 인명피해 추이는 2011년 443명, 2015년 1,056명, 2019년 1,841명으로 2011년 이후 최소 약 1,000명 이상의 온열질환자가 꾸준히 발생하는 추세이다. 역대급 폭염을 기록한 2018년의 경우 4,526명을 기록하기도 했다(Baek and Lee, 2024). 우리나라 동남부에 위치한 대구광역시는 주위가 산지로 둘러싸인 분지 지형으로 도시 내에 열을 가두는 특성이 있다. 기상청에서 발표한 ‘대구광역시 기후변화 전망보고서’에 의하면 대구광역시의 2000년부터 2019년까지의 폭염일수는 32.4일로 우리나라 폭염일수(11.8일)보다 20.6일 많고, 일최고기온 연최대는 37.3°C로 우리나라 일최고기온 연 최대(35.1°C)보다 2.2°C 높다. 기후변화 및 도시화로 열 환경 리스크가 점차 변화 및 강화되고 있는 만큼 열 환경 변화를 모니터링하기 위한 연구가 필요하다.

기존에는 자동기상관측장비(AutomaticWeather System, AWS)와 같은 지상관측자료를 온도 자료로 활용한 열 환경 분석 연구들이 진행되어 왔으나(Koo et al., 2007) 관측 지점이 고르게 분포되어 있지 않고 관측소의 개수도 적어 상세한 분석이 어렵다는 단점이 존재한다(Liu and Zhang, 2011). 이러한 지상관측자료의 한계를 극복하기 위해 Landsat과 같은 위성영상이 유용한 수단으로 활용되어 왔으며, 열적외선 밴드 기반의 지표면 온도(Land Surface Temperature, LST) 활용 연구가 국내외에서 활발히 진행되고 있다(Tran et al., 2017). 먼저 국내 연구 사례로 Jee et al. (2016)은 Landsat 8로부터 지표면 온도를 산출하였고, 산출된 값을 지상관측자료와의 선형 회귀식을 통해 보정하였다. Lee et al. (2020)의 연구에서는 Landsat 8과 MODIS Aqua/Terra 영상을 이용하여 지상기상센서가 설치되지 않은 지점의 폭염 기간 고해상도 기온을 추정하였다. Kim et al. (2018)은 Landsat 8 Operational Land Imager/Thermal Infrared Sensor (OLI/TIRS) 위성영상의 열적외선 밴드로부터 지표면 온도를 산출하였으며 이를 기반으로 세종특별자치시의 열섬포텐셜(urban heat island potential) 변화분석을 수행하였다.

국외 연구 사례는 다음과 같다. Laosuwan et al. (2017)은 Landsat 8 OLI/TIRS 위성영상을 활용하여 태국 북동부의 마하사라캄(Maha Sarakham) 지역의 지표면 온도를 분석하였고, 그 결과 도시의 열섬 현상 및 녹지 공간 조성의 필요성을 확인하였다. Fu and Weng (2016)은 Landsat 5 TM과 Landsat 7 ETM+ 영상을 이용하여 미국 애틀랜타의 대도시 지역에서 도시화로 유발된 토지피복의 변화가 지표면 온도 변화에 미치는 영향을 조사하였다. Liu et al. (2020)은 Landsat과 MODIS 이미지를 융합하여 중국 베이징의 여름철 지표면 온도 데이터를 구축하고, 이를 활용하여 16년 동안의 Urban Heat Island (UHI) 변화를 분석하였다.

다양한 열 환경 연구들 중에서도 변화양상 모니터링의 경우 하나의 도시 내에서도 다르게 나타나는 경우가 많아 공간적인 특성을 고려한 더욱 세밀한 분석이 필요하다(Metzger et al., 2010). Yoo et al. (2017)은 대구광역시의 여름철 열 환경 분석을 위해 MODIS 1 km 공간해상도를 250 m로 상세화하고 환경부 토지피복도를 이용해 행정동 단위로 핫스팟 군집을 분석하였다. Kim et al. (2021)은 고양시를 대상으로 Landsat 위성영상과 Geographic Information System (GIS) 기법을 연계 활용하여 도시 내 열섬우심지구를 상세하게 분석하였다. Lee et al. (2017)의 연구에서는 서울특별시의 행정구 또는 동 단위의 열섬현상 강도를 추출하였으며 열섬강도 차이에 영향을 미치는 변수들을 조사하였다. 또한 도시 개발이 지속적으로 이루어지고 평균 기온 및 폭염강도가 꾸준히 상승하고 있으나 대부분의 고해상도 위성영상을 활용한 지표면 온도 산출 연구에서는 단일 년도 혹은 소수의 자료만 활용하여 여름철 핫스팟의 시계열적인 분석에 있어서는 한계가 있었다.

따라서 본 연구에서는 대구광역시의 장기적인 열 환경 변화를 분석하기 위해 Landsat 8 위성영상을 활용하여 2013년부터 2023년까지 여름철 지표면 온도를 산출하였고, 이를 정규화 하여 도출된 핫스팟 변화양상을 심층적으로 모니터링하였다. 또한, 지상관측자료와의 상관관계 분석을 통해 위성영상으로 추출된 열 환경 데이터의 신뢰성을 검증한 이후 Moran’s I 및 Local Indicator of Spatial Association (LISA) 분석을 통해 핫스팟 군집특성을 행정동 단위로 확인하고 산출된 지표면 온도를 활용하여 2023년의 핫스팟 분포를 예측하였다. 본 연구 결과는 행정동 별로 차별화된 열 환경 대응 전략을 수립하고 폭염 취약 지역에 대한 선제적 관리 등 도시의 열 환경 개선을 위한 정책 수립에 도움이 될 것으로 기대된다.

2.1. 연구 지역

본 연구의 대상지는 한반도의 동남부 내륙에 위치한 대구광역시로, 다양한 주거지역, 상업지역, 공업지역이 발달한 대도시이다(Fig. 1). 본 연구에서는 연구 기간 및 행정 구역 편입 시기를 고려하여 군위군은 제외하였다. 대구광역시는 도시의 남쪽과 북쪽으로 비슬산과 팔공산이 가로막고 있으며, 두 산지 사이에는 평탄한 지형이 형성된 대표적인 분지 지형이다. 이와 같은 지형적 특성은 원활한 대기 순환을 제약하여 도시 내 열을 가두게 하고, 이로 인해 열 환경 문제가 더욱 부각되고 있다. 기상청 기상자료개방포털 자료에 따르면 지난 30년 간(1991~2020년) 대구광역시의 평균 폭염일수는 26.9일이었으며, 최근에는 이보다 많은 폭염일수를 기록한 해가 다수 발생하고 있다. 2022년에 발표된 제3차 대구광역시 기후변화 적응대책 세부시행계획에 의하면 최근 10년간 대구광역시의 연평균 기온은 14.6°C로 전국 평균 기온 13.1°C보다 1.5°C가 높고, 연평균 폭염일수는 대구가 33.1일로 전국 폭염일수(17일) 대비 약 16일 정도가 많다(Korea Meteorological Administration, 2023). 따라서 높은 폭염 일수와 평균 기온 상승이 지속되는 상황인 대구광역시에 대한 열 환경을 모니터링하기 위한 연구가 필요하다.

Figure 1. Study area.

2.2. 연구 자료

2.2.1. 위성영상

본 연구에서는 미국 지질조사국(UnitedStatesGeological Survey, USGS)에서 제공하는 Landsat 8 OLI/TIRS 영상을 이용하였다. Landsat 8 OLI/TIRS 위성은 미국 항공우주국(National Aeronautics and Space Administration, NASA)과 미국 지질조사국이 공동으로 운영하는 지구관측 위성으로, 2013년 2월 11일에 처음 발사되어 현재까지 16일의 재방문주기를 가지고 지구 표면을 관측한다. OLI와 TIRS 두 개의 센서를 가지고 있어 Visible, Near Infrared (NIR) 그리고 Shortwave Infrared (SWIR) 영상을 30 m공간해상도로, 100 m열적외선 대역의 영상을 30 m공간해상도로 변환하여 제공한다(United States Geological Survey, 2016).

Landsat 8 영상은 EarthExplore (https://earthexplorer.usgs.gov/)에서 내려 받을 수 있으며, 본 연구에서는 여름철 핫스팟 변화 분석을 위해 2013년부터 2023년까지의 위성영상을 구름 영향의 여부에 대해 육안으로 판독하여 연도별로 여름철 대표 영상을 취득하였다. 이때 여름철은 7, 8, 9월로 한정하였으며 총 16장의 이미지를 활용하였다(Table 1). Landsat 8의 열적외선 밴드의 경우 Band 10 (10.6–11.19 μm)과 Band 11 (11.5–12.51 μm) 두 가지로 제공된다. 이중 Band 11은 Band 10에 비해 대기의 영향을 많이 받는 특징이 있어서 본 연구에서는 Band 10을 이용하였다(Yale University, 2016).

Table 1 . Information of Landsat 8 imagery used in this study.

No. of images	July	August	September
	3	10	3
Acquisition date	2017.07.27 2021.07.29 2022.07.16	2013.08.08 2013.08.17 2015.08.07 2016.08.25 2018.08.15 2019.08.02 2019.08.18 2020.08.20 2021.08.07 2023.08.13	2014.09.05 2016.09.01 2023.09.05
Path/Row		114/35 115/35

2.2.2. 지상관측자료

본 연구에서는 핫스팟 분석의 결과와 실제 기온 간의 관계를 확인하기 위해 기상청 기상자료개방포털(https://data.kma.go.kr/cmmn/main.do)에서 제공하는 대구광역시 종관기상관측(AutomatedSynoptic Observing System, ASOS) 자료를 이용하였다. 이는 종관규모의 날씨를 파악하기 위하여 정해진 시각에 모든 관측소에서 같은 시각에 실시하는 지상관측을 말한다. 관측값은 분, 시간(매 정시), 일, 월, 연 단위로 제공되며 본 연구에서는 본 연구에서는 대구시 여름철 핫스팟의 대표적인 경향성을 고려하기 위해 위성영상 취득 날짜에 맞춰 일일평균기온 및 일일평균지면온도 자료를 수집하였다(Table 2).

Table 2 . The acquisition date of ASOS used in this study.

Month	July	August	September
Acquisition date	2017.07.27 2022.07.16	2013.08.08 2015.08.07 2016.08.25 2018.08.15 2019.08.18 2020.08.20 2021.08.07	2014.09.05 2023.09.05

3.1. 지표면 온도 산출

Fig. 2는 지표면 온도 산출 과정을 나타낸 그림이다. Landsat 8 데이터는 각 밴드마다 정량화된 값(Digital Number, DN)의 형태로 제공된다. 따라서 이 값을 복사에너지로 변환하기 위해 NASA에서 제공하는 Users handbook에 명시된 식(1)을 이용하였다. M_L과 A_L은 각 밴드마다 제공되는 스케일링 상수이다.

Figure 2. LST calculation process.

산출된 복사에너지를 바탕으로 식(2)를 통해 밝기온도(Brightness Temperature, BT)를 계산하였다. 이때 K₁과 K₂는 절대온도의 보정계수이며, 본 연구에서 활용한 Band 10의 경우 각각 774.89와 1321.08의 값을 갖는다(Montanaro et al., 2014).

그러나 이렇게 산출된 밝기온도의 경우 지표면 방사율이 고려되지 않아 추가적인 계산 과정이 필요하다(Anandababu et al., 2018). 지표면 방사율은 화소별 방사율과 같이 값이 고정된 형태로 제공되는 경우도 있으나 실제로는 식생이나 토지피복 등의 조건에 의해 변동이 있을 수 있다(Kim et al., 2018). 따라서 본 연구에서는 정규식생지수(Normalized Difference Vegetation Index, NDVI)를 이용한 지표면 방사율을 이용하였다(Wang et al., 2015).

정규식생지수는 식(3)과 같이 위성영상의 근적외선 밴드(NIR)와 적색 밴드(Red)로부터 산출된다. 건강하고 활력이 높은 식생의 경우 근적외선 반사율이 높아 주로 식물의 건강 상태를 평가하는 데 가장 널리 사용된다. 다음으로 산출된 정규식생지수를 이용해 식(4)와 같이 식생 비율(Proportion of Vegetation, P_v)을 산출하였다.

이렇게 계산된 식생 비율을 활용하여 식(5)와 같이 지표면 방사율(land surface emissivity)을 계산하였고 P_v의 값에 따라 방사율은 최소 0.986, 최대 0.99의 값을 갖는다.

마지막으로 식(6)은 지표면 온도를 산출하는 식으로 앞서 계산한 밝기온도, 방사율, 파장을 종합적으로 고려하여 값을 계산한다. λ는 복사에너지를 구하는데 사용된 Band 10의 파장으로 10.8의 값을 갖는다. 계산된 값에서 273.15 값만큼 감하여 절대온도에서 섭씨온도로 변환하였다.

지표면 온도 산출 이후 Landsat 8의 QA_pixel 파일을 이용하여 그림자를 포함한 구름을 모두 제거하였다. 제거된 영역은 같은 년도의 다른 날짜 위성영상을 사용해서 1차 커버를 진행하였으며 이때 커버에 사용된 이미지 역시 앞의 지표면 온도 산출 및 구름 제거 과정을 동일하게 수행한 뒤 사용되었다. 그리고 QGIS 3.34.4 소프트웨어의 보간 기능을 활용하여 2차 커버를 수행하였다. 이는 데이터 값이 없는 래스터(raster) 영역을 경계로부터 보간하여 채우는 방식으로, NODATA 영역을 둘러싸고 있는 픽셀들의 값을 역거리 가중치법(inverse distance weighting)으로 보간하여 NODATA 영역의 값을 계산한다.

3.2. 핫스팟 변화 탐지

핫스팟 변화 탐지 분석은Normalization과 Z-score 두 가지 방식을 이용하여 실시하였다. 먼저 계절적 대표성 고려 및 기상조건에 무관하게 일관된 분석 기준을 적용하기 위해 산출된 지표면 온도를Normalization을 통하여 0–1 범위의 정규화 맵을 생성하였다. 이때 전체 픽셀 수와 극값을 고려하여 각 연도별 상위 1% 값의 평균을 최대값으로, 하위 1% 값의 평균을 최소값으로 설정하였다. 이후 정규화 맵에서 0.6, 0.7, 0.8을 핫스팟 선정의 기준값으로 두고, 전체 면적 대비 기준값 이상 면적의 비율을 산정하여 핫스팟의 변화를 분석하였다. 이때의 면적은 값이 유효한 픽셀의 수를 의미한다. 다음으로 산출한 LST로부터 평균과 표준편차를 이용하여 Z-score를 계산한 뒤 0과 1을 핫스팟 선정의 기준값으로 두고, 앞서 Normalization을 이용한 방법과 동일한 방식으로 핫스팟 변화 분석을 수행하였다.

그리고 ASOS 자료를 이용하여 각 분석 방법에 따른 핫스팟 변화 결과와의 상관관계를 확인하였고, GeoDa software를 활용하여 Moran’s I 및 LISA 분석을 실시하였다. Moran’s I 공간자기상관 계수는 데이터 전체의 군집화 정도를 나타내는 지표로 전역적 자기상관공간 분석이라고도 불린다. 공간상에 분포한 값들이 지역적으로 인접할수록 비슷한 값을 갖는 경우를 정적(positive)공간자기상관, 반대의 값을 갖는 경우를 부적(negative)공간자기상관으로 분류한다. 본 방법을 통해 핫스팟의 군집화 정도를 수치적으로 해석할 수 있다. LISA는 전체 공간관계에서 국지적인 변화를 다룰 수 있는 통계량으로 행정구역 상에서 국지적 공간 군집성을 파악하고자 할 때 주로 사용된다. 지역적 상관관계를High-High (HH), Low-Low (LL), Low-High (LH), High-Low (HL)로 분류하며, 앞서 Moran’s I를 통해 핫스팟의 군집화 정도를 확인한 것과는 달리 LISA 분석 수행을 이용하면 군집이 형성되는 위치 및 스케일을 시각적으로 확인할 수 있다.

3.3. 핫스팟 맵 예측

2013년부터 2022년까지의 Normalized LST를 이용해 2023년의 핫스팟 맵을 예측하였다. 예측 모델로는 Breiman (2001)이 제안한 랜덤 포레스트(Random Forest)를 활용하였다. 랜덤 포레스트는 다수의 의사결정트리(decision tree)로부터 획득한 결과를 조합하여 최종 예측을 수행하는 앙상블 기법이다. 과적합(overfitting) 방지와 예측의 안정성을 제공하는 것으로 널리 알려져 있어 다양한 분야에서 예측 및 분류 문제에 사용된다(Breiman, 2001). 정규화 맵 이미지의 픽셀값을 각각의 요소로 갖는 1차원의 각각의 배열로 변경하여 예측을 수행하였고, 예측한 결과를 다시 이미지로 변경해주었다. 이때 전체 배열값에서 랜덤하게 5%의 point를 추출하여 입력데이터로 사용하였으며 training, validation, testset은 6:2:2의 비율로 분할하였다. RF model의 파라미터(parameter)는 n_estimators=200, max_depth=5로 설정하였다. 예측 결과 생성된 핫스팟 맵 역시 0–1의 범위를 가지며 행정구역 단위로 평균값을 계산하여 위성영상으로부터 산출된 LST 데이터와 비교하였다.

4.1. 핫스팟 분석 결과

Fig. 3은 핫스팟의 변화를 분석하기 위해 산출한 LST를 Normalized LST와 Z-score 값으로 나타낸 결과이다. ASOS 자료를 참고하였을 때 기온이 가장 낮았던 연도인 2014년과 가장 높았던 연도인 2020년을 선정하였다. LST 산출결과에서는 두 연도 사이의 온도 차이가 뚜렷하게 나타났으나 Normalized LST 및 Z-score 이미지에서는 비슷한 분포 양상을 보였다. 2020년의 경우 산출된 LST 값이 전체적으로 3–4°C 정도 높아 ASOS 데이터와 일치하는 경향을 보였다. 최저값은 다른 연도와 비교하였을 때 약 6–8°C 높게 나타나 큰 차이를 보였으며, 이로 인해 Normalized LST 및 Z-score 이미지에서 비슷한 분포 양상을 보인 것으로 분석된다. 또한 두 산지 사이에 열이 가둬진 형태를 통해 분지 지형의 특징이 잘 드러났음을 확인할 수 있다. 특히, 열이 가둬진 대구광역시의 중심 지역 내에서도 대구성서산업단지관리공단을 중심으로 가장 높은 온도 분포를 보였다.

Figure 3. LST, Normalized LST, and Z-score distribution images: 2014 and 2020.

Fig. 4는 핫스팟 분석 결과를 나타낸 것이고, Table 3은 Fig. 4의 결과를 이용해 ASOS 자료와의 상관관계를 분석한 것을 정리한 것이다. 먼저 Fig. 4(a)는 ASOS 자료를 그래프로 나타낸 것으로 Average temperature는 일일평균기온을, Average surface temperature는 일일평균지면온 도를 의미한다. Fig. 4(b)는 Normalized LST를 이용하여 2013년부터 2023년까지의 핫스팟 면적의 변화를 분석한 결과로, 변화의 추세가 모든 기준에서 유사한 패턴을 가지고 있음을 확인할 수 있다. 특히 Fig. 4(a)의 ASOS 그래프와 비교하였을 때 기온이 가장 낮았던 2014년에 핫스팟 면적의 비율 역시 가장 낮은 값을 보였다. 그러나 2016년에 가장 높은 핫스팟 비율을 보이거나 2020년의 폭염 특징을 잡아내지 못한 부분도 확인할 수 있었다. 이는 앞서 언급한 것처럼 2020년도의 최저 기온이 앞뒤 두 연도에 비해 다소 높았던 점과 열이 도심 내부를 중심으로 갇혀 있기 보다 전체적으로 높은 기온을 보였기 때문이라 생각된다. 반면에 Fig. 4(c)의 경우, Normalized LST 그래프와 달리 각 기준에 따라 분석 결과가 다소 다르게 나타남을 확인하였다. 이는 Z-score를 이용한 분석이 실제 기온의 패턴을 잘 반영하지 못한 결과라 생각한다. Z-score는 평균과 표준편차를 이용하여 계산되는데, 이때 평균의 경우 극값의 영향을 많이 받기 때문에 구름으로 인한 이상 치가 포함되어 있다면 정확한 분석이 어려울 수 있기 때문이다(James et al., 2021).

Figure 4. Time series analysis of Hotspot area change. (a) ASOS, (b) Normalized LST, and (c) Z-score.

Table 3 . Correlation analysis result.

R	Normalized LST			Z-score
	0.6	0.7	0.8	0	1
Average temperature	0.537	0.682	0.791	0.512	0.116
Average surface temperature	0.646	0.655	0.435	0.365	0.282

ASOS 자료의 평균 온도, 평균 지면 온도와의 상관관계를 확인한 결과 Normalized LST를 이용한 핫스팟 변화 분석 방법이 Z-score를 이용한 방법에 비해 전체적으로 더 높은 r값을 보여 실제 온도의 경향성을 잘 나타내었다. 핫스팟의 기준을 0.8로 설정하여 분석했을 때 평균 온도와의 r값이 0.791로 가장 높은 수준의 결과를 보였으나 평균 지면 온도와의 r값은 0.435로 나타나 거의 절반 수준으로 감소한 것을 볼 수 있다. 핫스팟의 기준이 0.7일 때는 평균 온도, 평균 지면 온도와의 r값이 각각 0.682, 0.655로 두 값 간의 가장 적은 차이를 나타냈고, 이러한 결과에 기반하여 본 연구에서는 정규화 된 맵에서 값이 0.7 이상인 경우를 최종적으로 핫스팟으로 선정하여 시각화 하였다(Fig. 5). 시각화 결과 기온에 따라 핫스팟의 분포가 조금씩 다르게 나타났지만 산지로 둘러 쌓인 도심 내부에 핫스팟이 형성되는 점은 공통적으로 볼 수 있다. 또한, 공업단지와 산업단지를 중심으로 가장 높은 강도를 보였으며, 시간이 지남에 따라 달성군의 산업단지를 중심으로 새로운 핫스팟이 형성되고 그 면적이 확대되는 것을 확인할 수 있다. 이는 건물이 밀집되어 있고 생산활동으로 인한 인공열 배출이 잦은 특징 때문이라 볼 수 있다(Lee et al., 2021).

Figure 5. Hotspot area visualization. (a) 2014, (b) 2016, (c) 2018, and (d) 2020.

핫스팟 변화 분석을 바탕으로 정규화 맵을 행정동 단위로 구축하여 대구광역시 열 환경의 군집성을 파악하고자Moran’s I 및 LISA 분석을 실시하였다. 분석 결과는 Fig. 6와 같으며, 2014년과 2020년에 대해 분석을 수행하였다. 먼저Moran’s I의 경우 전체 년도에 대해 분석을 수행한 결과 0.54–0.73 범위를 형성하고 있었으며, 이는 대구광역시의 열 환경이 강한 정적공간자기상관을 나타냄을 의미한다. LISA 분석 결과 값이 높은 지역의 주변에도 높은 값이 인접하는HH(High-High), 값이 낮은 지역의 주변으로 낮은 값이 인접하는 LL (Low-Low), 값이 높은 지역의 주변에 낮은 값이 인접하는 HL (High-Low), 마지막으로 값이 낮은 지역의 주변에 높은 값이 인접하는 LH (Low-high) 4가지 유형의 클러스터 맵(clustermap)이 생성된다(Park et al., 2021). 본 연구에서HH클러스터의 수는 2014년에 35개, 2020년에 40개로 나타났고, 이 밖에도 전체 년도에서 30개가 넘는 HH 클러스터의 수를 확인하였다. 주로 도심 외곽의 산지지역에서 LL 클러스터, 도심 내부의 주거지역에서HH클러스터가 군집을 이루고 있음을 확인할 수 있다. 또한, 중심에서 외곽으로 벗어나는 경계지역 및 공업단지 부근에서 LH 클러스터가 나타나기도 하였다. 그러나 정규화 맵을 이용하여 핫스팟을 시각화 한 결과와는 달리 LISA 분석 결과, 주로 상업지역과 주거지역에서 열 환경이 군집성을 띠는 형태로 나타남을 확인할 수 있다. 앞서 Fig. 5에서 달성군의 산업단지를 중심으로 새로운 핫스팟이 형성됨을 확인하였으나 LISA 분석을 통해 생성된 클러스터 맵에서 산업단지는 주로 Not significant 혹은 LL 클러스터에 해당됨을 볼 수 있다. 이러한 결과는 산업단지와 주거지역이 속한 행정구역의 면적 및 밀집도의 차이로 인한 것이라 판단된다.

Figure 6. Moran’s I and LISA analysis result. (a) 2014 and (b) 2020.

4.2. 핫스팟 맵 예측 결과

2023년의 핫스팟 맵 예측은 2013년부터 2022년까지 정규화 맵을 이용하여 수행되었고 한 연도를 기준으로 다음 연도의 정규화 맵을 예측하는 방식으로 모델이 학습되었다. Fig. 7은 위성영상으로부터 산출한 정규화 맵과 예측 모델로부터 얻은 결과를 함께 나타낸 것이다. 정확한 비교를 위해 구름은 두 이미지 모두 동일하게 제거해 주었다. Validation set의 Mean Square Error (MSE) 값은 0.0156, test set의 MSE 값은 0.0201, R-square 값은 0.6596의 값을 보였다. Figs. 7(a, b)를 통해 핫스팟이 형성되는 중심 지역은 실제 정규화 맵보다 더 연속적인 값의 분포를 나타내었고, 이외의 지역은 전체적으로 다소 높은 온도 분포를 갖는 예측 결과를 보여주었음을 확인할 수 있다. Fig. 7(c, d)는 Figs. 7(a, b)의 값들을 행정구역 단위로 평균 내준 것으로 직관적인 비교가 가능하다. 전체적으로 높은 온도 분포를 가지나 온도가 높게 형성되는 패턴은 거의 일치하는 결과를 보여주었다. 이후 행정구역 단위로 평균된 예측값과 관측값을 이용하여 Scatter plot을 그려 비교하였다(Fig. 8). 분석 결과R2는 0.7375로 높은 예측 성능을 보여주었으며, 이는 예측값과 관측값 사이에 높은 상관성이 있음을 보여준다. 이러한 결과를 통해 핫스팟 예측에 RF 모델이 적절하게 활용되었다고 판단되며, 구름의 영향을 줄일 수 있는 방법과 다양한 예측 변수를 추가한다면 개선된 성능을 보일 것으로 기대한다.

Figure 7. 2023 hotspot map prediction result: (a) observation, (b) prediction, (c) average observation, and (d) average prediction.

Figure 8. Scatter plot for average observation and average prediction in Fig. 6.

본 연구는 대구광역시를 대상으로 2013년부터 2023년까지의 Landsat 8 위성영상을 활용하여 핫스팟의 변화 탐지 및 예측을 진행하였다. 7~9월의 위성영상 중 육안 판독을 통해 구름의 영향이 없거나 적은 날짜로 선정하였으며, 선정된 날짜에 맞춰 핫스팟 분석 결과와의 상관관계를 비교하기 위한 지상관측자료도 수집하였다. 이후 위성영상으로부터 지표면 온도를 산출하였으며, 산출된 지표면 온도에 Normalization과 Z-score 두 가지 방법을 적용하 뒤 면적을 이용하여 핫스팟 변화를 분석하였다. 대구광역시의 전체 면적 대비 핫스팟 면적의 변화 추세를 지상관측자료와의 상관관계를 비교해 본 결과 Normalization을 이용한 방법에서 더 높은 상관성을 보여주었다. 이러한 분석 결과에 기반하여 정규화 맵에서 값이 0.7 이상인 경우를 본 연구에서의 핫스팟이라 정하였으며, 이때 평균 온도와 r=0.682, 평균 지면온도와 r=0.655의 상관성을 보여주었다. 핫스팟에 해당되는 영역만을 시각화 한 결과, 전체 년도에서 공통적으로 도심 내부에 열이 갇힌 형태를 나타내었고, 이는 분지 지형의 특징이 잘 반영된 결과라 판단된다. 이 밖에도 도시 개발에 따라 산업단지를 중심으로 한 새로운 핫스팟의 형성도 확인하였다. 이후Moran’s I 및 LISA 분석을 통해 대구광역시 열 환경의 군집성을 확인해 본 결과 핫스팟 시각화와 유사하게 주로 도시 중심에서 HH 클러스터가 집중되어 나타났다.

연구 기간 동안의 평균 HH 클러스터의 수는 약 35개이며, 실제로 기온이 가장 높았던 2020년에 40개로 가장 많은 HH 클러스터 수를 보였다. 공통적으로는 좁은 면적의 영역에서HH클러스터가 밀집된 형태의 패턴으로 나타나는 것이 확인되었다. 추가로 환경부에서 제공하는 중분류 토지피복도를 이용하여 2020년의 HH 클러스터 영역의 피복유형 구성을 확인한 결과 상업지역이 가장 높은 비율을 차지하였다. 인구 활동이 많은 도심지인 만큼 공기 순환 및 바람길 조성 등의 열 환경 개선 정책이 필요해 보이며, 본 연구에서의 행정구역 단위 핫스팟 분석이 정책 수립의 기초자료로 활용 가능할 것이라 판단된다. 핫스팟 예측 결과로는 극값의 비율이 줄어들고 전체적으로 높은 분포를 가지도록 나타났으나 향후 구름의 영향을 더 줄이고 예측 과정에서 열 환경에 영향을 줄 수 있는 다양한 변수들을 추가로 활용한다면 더욱 향상된 성능을 낼 수 있을 것으로 생각한다. 연구 결과 실제 기온이 변하는 패턴에 따라 핫스팟의 강도 및 면적 역시 유의한 상관관계를 가지고 변화하는 것을 확인하였고, 이를 통해 핫스팟의 변화가 폭염의 경향성을 가지고 나타나는 것으로 판단됐다. 본 연구에서의 분석 방법과 결과는 대구광역시의 열 환경 개선과 폭염 대응정책 수립에 근거로서 활용될 수 있을 것이며, 대구광역시뿐만 아니라 폭염에 취약한 다른 지역에도 적용되어 도움을 줄 수 있을 것으로 기대한다.

이 연구는 서울과학기술대학교 교내연구비의 지원으로 수행되었습니다.

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