도시지역에서 토지피복 유형별 지표면 온도 예측 분석

Prediction of Land Surface Temperature by Land Cover Type in Urban Area

Abstract

도시 확장은 도시의 온도를 상승시키고, 이러한 도시의 온도 상승은 사회적, 경제적, 신체적 피해를 초래한다. 이러한 도시열섬을 예방하고 도시의 지표면 온도를 감소시키기 위해서는 도시 공간을 구성하는 지형지물들의 냉각 효과를 계량화하는 것이 중요하다. 이에 본 연구에서는 서울을 대상으로 토지피복 각각의 객체들과 지표면 온도와의 관계를 파악하고자 토지피복지도 6개 클래스로 분류하여 지표면 온도와 객체들의 면적, 둘레/면적, 정규식생지수와의 상관분석과 다중회귀분석을 수행했다. 분석 결과 정규식생지수는 지표면 온도와 상관성이 높게 나타났다. 그리고 다중회귀분석에서도 지표면 온도 예측에 정규식생지수가 다른 계수보다 높은 영향력을 행사했다. 다만 다중회귀분석 결과 도출된 모델들의 설명력은 낮게 나타났는데, 향후 아리랑 3A의 고해상 중적외선 데이터를 연계 활용하여 지속적인 모니터링을 수행한다면 모델의 설명력을 한층 강화할 수 있을 것이다. 그리고 녹지공간의 식생 활력까지 고려한 토지피복 유형과 도시 공간 내 지표면 온도와의 관계를 기반으로 도시계획에 활용한다면 도시의 지표면 온도를 저감하는데 큰 도움이 될 수 있을 것으로 판단된다.

Urban expansion results in raising the temperature in the city, which can cause social, economic and physical damage. In order to prevent the urban heat island and reduce the urban land surface temperature, it is important to quantify the cooling effect of the features of the urban space. Therefore, in order to understand the relationship between each object of land cover and the land surface temperature in Seoul, the land cover map was classified into 6 classes. And the correlation and multiple regression analysis between land surface temperature and the area of objects, perimeter/area, and normalized difference vegetation index was analyzed. As a result of the analysis, the normalized difference vegetation index showed a high correlation with the land surface temperature. Also, in multiple regression analysis, the normalized difference vegetation index exerted a higher influence on the land surface temperature prediction than other coefficients. However, the explanatory power of the derived models as a result of multiple regression analysis was low. In the future, if continuous monitoring is performed using high-resolution MIR Image from KOMPSAT-3A, it will be possible to improve the explanatory power of the model. By utilizing the relationship between such various land cover types considering vegetation vitality of green areas with that of land surface temperature within urban spaces for urban planning, it is expected to contribute in reducing the land surface temperature in urban spaces.

1. 서론

급격한 도시화로 인해 발생하는 도시열섬의 출현과 도시공간 내 지표면 온도(land surface temperature, 이하 LST)의 상승은 인간의 생존 환경을 직접적으로 위협하며 사회·경제적으로도 다양한 피해를 초래한다(Ma et al., 2021). 이러한 피해를 예방하기 위해 도시계획가나 정책입안자들에게 도시지역 내 발생하는 도시열섬 현상을 예방하거나 도시지역 내의 LST를 줄이는 것은 중요 한 과제이다(Saha et al., 2021). 이에 도시지역의 온도 상승을 막기 위한 노력 중 하나로 도시 공간 내 녹지공간의 조성이 종종 제안됐다(Li et al., 2012). 도시지역 내 LST 는 토지이용의 결과물로 인식하고, 녹지공간을 포함한 토지이용 및 토지피복과 도시 내의 열 환경과의 관계를 설명하기 위한 연구들이 진행되었다(Gohain et al., 2021).

Estoque et al. (2017)은 방콕(태국), 자카르타(인도네시아), 마닐라(필리핀) 수도권의 LST와 녹지 공간 및 도시 공간 내 도로, 주차장과 같이 인공지물의 설치로 인해 물이 잘 침투하지 않는 불투수 면과의 패턴 차이를 조사하였으며, 불투수 면의 평균 LST는 녹지공간보다 약 3℃ 더 높게 나타났다. 이러한 결과를 바탕으로 도시열섬 효과를 완화하는데 녹지공간이 중요한 역할을 한다 고 강조했다. Kong et al. (2014)은 중국 난징을 대상으로 위성영상을 활용하여 도시냉섬(UCI: Urban Cool Island)과 녹지공간에 대해 상관관계를 분석했다. 분석 결과 산림과 식물 비율이 높은 지역은 냉각 효과가 더 컸으며, 산림 초목 면적이 10% 증가했을 때, LST가 약 0.83℃ 감 소한다고 설명했다. Pal and Ziaul(2017)은 인도 Malda 지역의 English Bazar 지역을 대상으로 위성 영상 데이터를 사용하여 토지이용 및 토지피복이 LST에 미치는 영향을 분석했다. 분석 결과 토지이용 및 토지피복 객체에 따라 LST의 상당한 차이를 보였으며, 시가화 지역의 LST가 최대로 나타났다. Tan et al. (2010)은 말레이시아 Penang섬의 토지이용 변화와 관련하여 LST의 영향을 조사하고 평가했다. 분석 결과 토지이용 및 토지피복의 변화에 따른 LST의 변화는 도시와 농촌에서의 상당한 차이를 보여줬다. 그리고 모든 토지이용 및 토지 피복 클래스에 대해 LST와 정규식생지수(Normalized Difference Vegetation Index, 이하 NDVI 간에 강한 상관관계 값이 관찰되었다. Bokaie et al. (2016)은 Landsat TM 위성영상을 활용하여 Teheran 지역의 LST와 6개의 토지이용 및 토지피복 클래스를 구축하여 서로 간의 관계를 검토한 결과 토지피복과 LST는 서로 밀접한 관계가 나타났으며, NDVI와 LST는 음의 상관관계로 나타났다. Sun et al. (2012) 연구에서는 광저우의 LST와 토지이용 및 토지피복의 상관관계를 분석하기 위해 원격 탐사, 지리정보시스템, 경관 생태, 통계분석 방법을 활용하여 분석했으며, 분석 결과 도시에 지어진 건물들의 밀집도 및 불모지의 밀도가 높아짐에 따라 LST는 높아졌으며, 식생이 분포하는 지역에서는 LST가 감소하였다. Zhou andWang(2011)은 지리 정보 시스템과 원격탐사 기법을 사용하여 중국 남서부의 급속히 도시화 가 진행된 Kunming을 대상으로 토지이용 및 토지피복의 변화가 LST에 미치는 영향을 조사했다. 분석 결과, 물과 식생이 도시열섬 효과를 완화하는 데 중요한 역할 을 하였고, 건축물이 건설된 토지에서는 LST가 증가함을 확인하였다.

이러한 선행연구들에서 설명하는 바와 같이 도시화와 산업화가 빠르게 이뤄지고 있는 도시지역에서 도시 열섬을 예방하고 도시 공간 내 LST를 저감하기 위해서 는 토지이용 및 토지피복의 현황과 변화를 탐지하고, LST와의 관계를 분석하는 것이 중요하다. 이러한 분석 결과를 기반으로 일관성 있는 계획(도시계획 및 환경 계획 등)과 통제 정책으로의 적용이 중요하다(Tran et al., 2017).

이에 Kim et al. (2021)의 연구에서는 서울시를 대상으로 세분류 토지피복지도의 각각의 객체에 대해 토지피복 클래스, LST, NDVI, 표고를 추출하고, 추출한 값들을 이용하여 서로 간의 관계에 대해 살펴봤다. 분석 결과 시가화 건조지역이 산지, 농경지, 자연초지, 기타 초지와 문화·체육시설보다 LST가 높게 나타났으며, 표고가 높을수록 LST가 낮게 나타났다. 그리고 NDVI가 높은 녹지공간에서 LST가 낮게 나타났으며, NDVI가 높게 나타나는 산림, 농경지와 자연초지, 기타 초지와 문 화·체육시설 중 일정 규모 이상(10,000 m² 이상)의 크기를 가진 객체들을 기준으로 주변 50 m 이내의 토지피복 객체들에서 LST가 낮게 나타나는 경향이 있었다. 이러한 토지피복 유형에 따른 토지피복 온도의 분포 경향을 살펴보는 것도 중요하지만 도시열섬을 예방하고 토지 피복 온도를 감소시키기 위한 도시 공간의 녹지 계획 및 관리를 위해서는 도시 녹지공간의 냉각 효과를 계량화 하는 것이 중요하다(Liao et al., 2021). 즉 도시 공간 내 수 많은 토지피복 클래스 중 일부를 녹지공간으로 변경하거나 도시 계획상 일부의 녹지공간을 조성했을 때 녹지 공간의 규모와 녹지공간의 NDVI와 같은 녹지공간의 질에 따른 LST의 변화를 계량화할 수 있는 도구 또는 분석 방법론의 제시가 필요하다. 이러한 분석 방법론 기반의 분석 결과는 녹지공간의 조성 면적 및 공간 배치와 관련된 효과의 예측을 지원한다면 도시 관리자 또는 계획자가 도시공간 내 온도 증가를 완화하는 데 도움을 줄 수 있을 것이다(Kong et al., 2014).

본 연구에서는 Kim et al. (2021)에서 구축한 데이터를 기반으로 도시 공간 내 다양한 토지피복과 녹지공간의 면적 및 NDVI와 같은 녹지공간의 특성들을 고려하여 LST를 예측할 수 있는 방법론을 제시하고자 한다. 이러한 예측을 위해 본 연구에서는 다양한 분야에서 예측 모델로 활용하고 있는 다중회귀분석 기법을 활용하여 예측 모델을 구축했다. 다중회귀분석 기반의 구축 모델은 직관적으로 이해할 수 있는 결과를 도출할 수 있으며, 어떠한 인자가 LST를 결정하는 데 어떠한 영향을 미쳤 는지 확인할 수 있다. 그리고 어떠한 토지피복 클래스가 녹지공간으로 조성되었을 때 변화되는 토지피복 온도를 예측할 수 있을 것으로 판단되며, 이러한 토지피복 온도의 변화 예측은 도시계획과 환경계획 등 다양한 계획에서 활용할 수 있을 것으로 판단된다.

2. 연구재료 및 방법

1) 연구지역

다양한 도시 공간 내 토지피복과 LST와의 관계를 파악하고, 녹지공간의 특성까지 고려하여 LST를 예측할 수 있는 분석을 수행하기 위해 본 연구에서는 우리나라 수도이자 대표 대도시이며, 도시화가 고밀하게 진행된 서울을 실험지역으로 선정하였다. 특히 Kim and Jung (2020)의 연구에서 폭염을 대상으로 기후변화 리스크의 취약 지자체를 검토했을 때 서울과 같은 대도시의 기초 지자체들 중 일부가 취약한 지자체들이 나타남에 따라 본 연구에서는 서울시를 실험대상으로 실험하고자 한다. 서울시 전체 면적은 약 605 km²이며, 시가화 건조지역의 면적은 313 km²이다. 서울의 대표 토지피복의 면적은 Table 2와 같다.

Table 2. Representative sub-classifications of Seoul’s land cover map Cover types and extraction points

2) 연구자료

(1) 세분류 토지피복지도

토지피복지도는 지표면의 지형지물에 대해 일정한 기준으로 동일 특성으로 분류하여 구분한 주제도이다(Oh et al., 2016). 우리나라 환경부에서는 토지피복지도는 대분류, 중분류, 세분류로 구분하는데 본 연구에서는 토지피복과 토지이용을 대축척으로 세분화하여 구분한 세분류 토지피복지도를 활용했다. 세분류 토지피복 지도는 Fig. 1과 같이 토지의 피복을 1 m 해상도, 41개 항목으로 세분화했다. 환경부에서는 세분류 토지피복지도에 대해 매년 갱신사업을 수행하고 있어, 우리나라 국토의 최근 토지피복 및 토지이용을 확인할 수 있다. 이에 본 연구에서는 토지이용 및 토지피복이 정확하고 세분화하여 구분되어있는 세분류 토지피복지도를 활용하여 실험을 진행했다. 본 연구에서는 이러한 세분류 토지피복지도를 10 m GSD의 래스터로 변환하여 분석에 활용했다.

Fig. 1. Sub-division land cover map of Seoul.

(2) NDVI 구축

NDVI는 식생의 활력을 -1과 1 사이의 값으로 표현 한 지표이다. 1에 가까울수록 식생의 활력이 좋음을 나타내며, 식 (1)을 통해 구축할 수 있다(Deardorff, 1978). 여기서 NIR는 위성영상에서의 적외선 파장대를 나타내며, red는 가시광선 파장대의 적색 밴드를 나타낸다. 본 연구에서는 Fig. 2와 같이 2019년 5월 23일에 촬영된 Sentinel-2A/MSI L1C 영상을 원자료로 구축하였고, NDVI를 구축하는데 사용한 4, 8번 밴드의 공간해상도는 10 m이다(Kim et al., 2021).

Fig. 2. NDVI extracted using Sentinel-2 (Kim et al., 2021).

\(N D V I=\frac{N I R-r e d}{N I R+r e d}\)       (1)

(3) LST 구축

본 연구에서는 LST 자료를 구축하기 위해 Landsat 8 위성영상을 활용했다. 서울 상공의 운량이 가장 적었던 2019년 6월 13일 촬영 영상을 활용했다. LST를 구축하기 위해 먼저 대기 상층부 복사량(Top of Atmosphere radiance, TOA)를 계산했으며, 이를 위해 USGS에서는 제공하는 식 (2)를 사용했다. 여기서 L_λ는 대기상층부 복사량, Q_cal은 화소 값(DN), M_L과 A_L은 각각 승수 계수와 가산 계수이다. 이때 Landsat 8 10번 밴드의 승수 계수는 3.3420E-04, 가산 계수는 0.1이다.(Kim et al., 2021)

\(L_{\lambda}=M_{L} Q_{c a l}+A_{L}\)       (2)

다음으로 식 (3)을 통하여 밝기 온도를 계산한다. T는 밝기 온도, L_λ는 대기상층부 복사량, K₁과 K₂는 보정 상수이다. Landsat 8 10번 밴드의 K₁ 보정상수는 774.8853, K₂ 보정상수는 1321.0789이다(Kim et al., 2021).

\(T=\frac{K_{2}}{\ln \left(\frac{K_{1}}{L_{\lambda}}+1\right)}\)       (3)

마지막으로, 식 4를 사용하여 밝기 온도(T)와 지표복 사율(є)로부터 Fig. 3과 같이 LST를 계산하였다. T_s는 LST, є는 지표복사율, T는 밝기온도이다. 이때 지표복사율은 대기 효과와 관련된 에어로졸, 구름의 양 등 다양한 자료들이 활용하지만, 관련 데이터의 수집의 한계로 인하여 경험식을 통한 간접 계산을 통해 도출한 Table 1과 같이 NDVI를 통해 지표복사율을 확인할 수 있는 방법을 채택하였다(Zhang et al., 2006).

Table 1. Surface emissivity according to NDVI

\(T S=e^{\frac{1}{4}} T\)       (4)

3) 연구방법

연구에서는 다양한 토지피복의 유형들과 LST와의 관계를 분석하기 위해 서울을 대상으로 세분류 토지피복지도의 모든 객체들(폴리곤)을 포인트로 변환했다. 이때 서울시를 구성하는 세분류 토지피복지도의 클래스 중 서울의 전체 면적 중 1% 내외를 차지하는 클래스들을 대상으로 했다. 이때 각각의 포인트는 토지피복 객체의 중심에 위치하게 된다. 하지만 산지, 하천, 도로, 대규모 문화·체육시설, 초지의 경우 객체 하나가 큰 객체로 편집된 경우가 다수여서, 해당 객체를 하나의 포인트 값으로 대표하기에는 한계가 있다고 판단하여, 10,000 m²보다 큰 객체에 대해서는 50 m 간격으로 샘플 포인트를 추가로 생성하여 속성값들을 추출했다. 이때 수집된 세분류 토지피복지도, NDVI, LST는 동일한 환경의 10 m의 raster 자료로 변환하여 분석에 활용하였다. 추출한 세분류 토지피복의 피복 유형은 Table 2와 같이 331,479개의 샘플 포인트를 생성하였다. 이렇게 생성한 샘플 포인트를 활용하여 각 세분류 토지피복 클래스 유형, LST, NDVI, DEM을 추출하였다(Kim et al., 2021).

Kim et al. (2021)의 연구에서는 DEM에 따라 LST가 영향을 미쳤다고 판단하였기 때문에 대부분의 시가화 건조지역이 포함된 표고 50 m 이하의 포인트만 활용하 였다. 그리고 앞서 살펴본 많은 선행연구에서 녹지공간이 LST 저감에 영향을 미친다고 하였기 때문에 녹지공간의 면적과 녹지공간 면적과 NDVI와의 곱의 값을 포함하여 분석에 활용했다. 50 m 이내 표고의 토지피복 유형별 LST 분포 결과를 살펴보면 Fig. 4와 같다.

Fig. 4. LST distribution by land cover type within 50 m (Kim et al., 2021).

Fig 4에서 비슷한 토지피복 유형에서 유사한 LST가 나타남에 따라 토지피복지도 클래스 유형을 그룹화했다. 그리고 선행연구에서 고려했던 토지피복 유형별 면적을 포함하여 객체의 면적과 둘레길이를 고려한 모양 복잡도(둘레길이/면적), NDVI를 활용하여 상관분석을 통하여 인자들과 LST와의 관계를 파악하고, 다중회귀 분석을 수행하여 토지피복별 LST를 예측할 수 있는 모델을 구축하고자 했다. 토지피복지도 클래스 그룹은 중분류 토지피복지도의 분류와 같이 단독 주거 시설, 공동 주거 시설, 상업·업무시설, 문화·체육·휴양시설, 도로, 교육·행정시설, 기타 공공시설을 1)시가화 건조지역으로, 경지정리가 안 된 밭과 같은 2)밭, 활엽수림, 침엽 수림, 혼효림과 같은 3)산림, 4)자연초지, 5)기타 초지, 6) 기타 나지로 구분하여 총 6개 그룹으로 구분하여 분석했다.

3. 연구의 결과

시가화 건조지역, 경지정리가 안 된 밭, 산림, 자연 초지, 기타 초지, 기타 나지의 추출 포인트의 LST와 토지피복 객채들의 면적, 객체 등의 모양의 복잡성(둘레 길이/면적), 객체들의 NDVI 값과의 피어슨 상관분석을 수행한 결과는 Table 3과 같다. 분석 결과 각각의 객체들의 면적과 모양의 복잡성과 객체들의 LST와의 상관성은 거의 없었으며, 객체들의 NDVI 값과 음의 상관관계가 나타났다. 특히 콘크리트와 아스팔트와 같이 불투수면이 대부분인 시가화 건조지역에서도 LST는 NDVI와 음의 상관관계가 나타났다. 그리고 가로수, 화단과 같이 도심지역에서 대부분의 녹지공간이라 할 수 있는 기타초지 또한 객체의 면적과 LST는 상관성이 거의 없게 나타났으며, 시가화 건조지역과 유사하게 NDVI와 음의 상관관계가 나타났다. 그리고 산림지역에서 LST와 NDVI가 가장 강한 음의 상관관계가 나타 났으며, 그다음으로는 경지정리가 안 된 밭이 강한 음의 상관관계가 나타났다.

Table 3. Result of correlation analysis

그리고 시가화 건조지역, 경지정리가 안된밭, 산림, 자연초지, 기타 초지, 기타 나지의 추출 포인트의 LST와 토지피복 객채들의 면적, 객체등의 모양의 복잡성(둘레 길이/면적), 객체들의 NDVI 값을 활용하여 다중회귀 분석을 수행한 결과는 Table 4와 Table 5와 같이 나타났다. 각각의 토지피복 객체들의 LST를 예측하는 모델의 설명력은 Table 4와 같이 수정된 R 제곱 값으로 확인할 수 있다. 분석 결과를 살펴보면 산림이 43.8%로 가장 높게 나타났으며, 시가화 건조지역이 10.3%의 설명력으로 가장 낮게 나타났다. 이러한 설명력은 상관분석의 결과와 유사하게 나타난 것으로 판단된다. 그리고 다중회귀분석 결과 도출된 모델은 Table 5와 같다. 6개의 모델 모두 모델에 사용된 인자들에 대해 VIF가 10 이하로 나타나 다중공선성이 나타나지 않았다. 그리고 도출된 계수값을 살펴보면 6개 모델에서 NDVI가 음의 계수로 나타났다. 이는 NDVI가 높아질수록 예측되는 LST가 감소되는 결과를 도출할 것이다. 그리고 모양의 복잡성(둘레길이/면적)을 나타내는 Ratio 계수는 6개 모델에서 모두 양의 계수로 나타났다. 각각의 객체의 면적은 기타 초지를 제외하고 음의 상관관계가 나타났다.

Table 4. Model summary of multiple regression results

Table 5. Results of multiple regression analysis

즉 이러한 모델의 결과를 살펴보면 도시지역의 토지 피복 온도를 감소시키기 위해서는 NDVI를 높일 수 있도록 조경 등 녹지공간을 조성할 필요가 있음을 알 수 있다. 그리고 이렇게 도출한 6개 모델을 이용하여 산림이 시가화 건조지역으로 변경되거나, 초지나 나지가 시가화 건조지역으로 개발되었을 때, 해당 지역의 LST 변화를 예측할 수 있을 것이다. 예를 들어 식 (5)와 식 (6)의 적용을 통해 변화 전 LST를 계산할 수 있으며, 해당 지역이 변화할 시가화 건조지역의 LST 적용을 통해 LST 의 변화와 예측치를 검토할 수 있다. 예를 들어 한 변의 길이가 100 m이고 면적이 10,000 m²이고 NDVI가 0.7인 산림지역이 모양은 동일하고 NDVI가 0.1인 시가화 건조지역으로 개발되었을 때 식 (5)와 식 (6)의 적용을 통해 개발 전 산림지역이었을 때 LST는 25.531로 나타났 지만, 시가화 건조지역으로 개발되었을 때는 29.264로 LST가 더 높아짐을 예측할 수 있다.

\(\begin{aligned} &\text { 시가화 건조지역의 } L S T=30.217-1.832 E \\ &-07 \times \text { 면적 }+0.003 \times \text { 비율 }-4.755 \times N D V I \end{aligned}\)       (5)

\(\begin{aligned} &\text { 산림지역의 } L S T=31.081-5.966 E-07 \\ &\times \text { 면적 }+0.259 \times \text { 비율 }-7.935 \times N D V I \end{aligned}\)       (6)

또한 동일한 시가화 건조지역이라고 할지라도 옥상 녹화와 벽면녹화 등 건축물에서 NDVI를 높일 수 있는 추가적인 녹지공간을 조성함으로써 LST를 저감할 수 있을 것이다. 예를 들어 옥상녹화 또는 벽면녹화 등으로 인공지물의 NDVI가 0.1 높아졌을 때 식 (5)에 적용 하면 해당 인공지물의 LST는 0.4755가 낮아짐을 해당 모델을 통해 예측할 수 있다.

상관분석과 다중회귀분석 결과를 살펴보면 도시 공간 내에 LST를 저감하기 위해서는 단순한 녹지공간의 조성을 통한 녹지공간의 면적 증가보다는 녹지공간의 조성을 통해 NDVI를 높여야 할 것으로 판단된다. 즉 상관분석 결과와 다중회귀분석을 통해 도출된 모델에서는 NDVI가 낮은 녹지공간의 면적 증가는 LST 저감에 기여할 수 있는 부분이 작았으며, 작은 면적일지라도 NDVI가 높은 녹지공간의 조성이 LST 저감에 도움이 될 수 있을 것으로 판단된다.

다만 분석 결과 다중회귀분석의 모델 설명력이 산림 지역을 제외하고 대부분 낮게 나타났다. 이는 Landsat 8 영상을 통해 구축한 LST는 30 m급 해상도이며, 세 분류 토지피복지도의 해상도(1 m)와 NDVI의 해상도(10 m)보다 낮아서 발생할 수도 있으며, 또는 Landsat 8 영상과 Sentinel-2 영상의 촬영 일자의 차이로 인해 확보된 영상의 설명력이 떨어지는 문제일 수도 있으리라 판단된다. 도시지역에서의 LST를 저감하기 위한 객관적인 데이터 확보를 위해서는 지속적인 모니터링을 통해 토지이 용의 변화와 특성의 변화에 대해 지속적인 모니터링이 필요하리라 판단된다. 하지만 본 연구에서처럼 외산 위성영상으로는 지속적인 모니터링에 한계가 있으므로 우리나라의 직접 촬영하고 있는 아리랑 영상(아리랑 3호, 아리랑 3A호)을 통해 지속적인 영상 및 관련 자료를 수집하고 LST와 NDVI 등 관련 분석을 수행할 수 있는 시스템 및 체계를 마련함으로써 도시 공간 내 LST를 집중 적으로 모니터링할 수 있으리라 판단되며, 이러한 도시 지역에서의 LST 모니터링을 통한 LST 저감 정책의 시행 및 계획의 수립은 도시 기후 및 도시열섬을 예방하는데 큰 도움이 될 것으로 판단된다.

4. 결론

도시의 무분별한 확장은 도시 지표면 온도를 높이고, 도시열섬 문제를 유발한다. 이러한 도시 온도의 상승은 사회, 경제적 피해를 초래하게 된다. 따라서 도시공간에서의 온도를 저감할 수 있는 계획과 정책들이 필요하며, 많은 선행연구에서 도시 공간의 토지이용 및 토지피복의 구성과 녹지공간에 따른 LST의 관계에 관한 연구를 수행했다. 따라서 도시 공간 내 환경 및 도시계획에 객관적으로 활용할 수 있는 계량화된 연구 결과가 필요하다. 즉 일정한 정규식생지수를 나타내는 녹지공간의 증가 에 따라 기대할 수 있는 LST의 감소 효과 등 계량화된 결과물은 계획의 수립 및 정책의 반영에 큰 도움이 될 수 있을 것으로 판단된다. 따라서 본 연구에서는 서울특별시를 대상으로 세분류 토지피복지도의 각각의 객체들의 LST와 NDVI, 객체들의 면적, 둘레길이/면적의 모양 복잡도를 추출하여 각각의 객체의 LST와 토지피복 객체를 구성하는 인자들과의 상관관계 및 다중회귀 분석을 수행하여 인자들이 LST에 미치는 영향을 계량화하고자 하였다. 분석 결과 도시 공간 내에 LST를 저감하기 위해서는 도시 공간 내 단순한 녹지공간의 확보보다는 공간 객체들의 NDVI를 높이는 것이 LST 저감 측면에서 효과가 가장 좋게 판단되었다. 다만 다중회귀분석을 통해 도출된 모델의 설명도가 낮게 나타났는데, 이를 보완하기 위해서는 데이터의 시공간 해상도 증진, 정제 등을 통해 분석의 신뢰도를 향상해야 한다. 아리랑 3A 위성은 공간 해상도 5.5 m의 중적외선(3.3~5.2 μm)을 제공하고 있으며, 2024년에는 보다 고해상의 아리랑 7A를 발사할 예정이다. 이러한 고해상 중적외선 데이터를 연계 활용하여 지표면 온도 산출한다면, 전술한 분석의 신뢰도 및 모델의 설명도를 한층 강화할 수 있을 것이다.

따라서 향후 연구에서는 아리랑 중적외선 영상을 연계하여 시공간적 해상도를 증진하고, 통합된 분석 체계를 마련할 예정이다. 이를 통해 LST와 도시 공간 내 토지피복 및 토지이용의 변화까지 고려한 포괄적 연구의 수행이 필요하다 판단된다.