1. 서론
고밀도 도심지의 열섬현상이 도시 기온을 높이고 있으며, 이로 인해 대기오염 악화, 냉방 에너지 소비 및 온실가스 배출량 증가와 같은 부정적 영향들이 나타나고 있다. 전 세계적으로 기후변화 대응을 위한 온실가스 감축에 많은 노력을 기울이는 상황에서 열섬현상 완화 및 이와 연계된 온실가스 배출 저감을 위한 방안이 필요하다. 도시 열섬현상(urban heat island, UHI)은 도심의 온도가 교외 지역보다 높은 현상으로, 도시화 및 산업화로 인한 인구 집중, 녹지 면적 감소, 대기오염, 교통량 및 에너지 사용량 증가 등에 의해 나타난다(Mohajerani et al., 2017; Lee and Lim, 2022).
대부분의 구조물이 콘크리트로 구성되어 있고 녹지면적의 추가 확보가 어려운 도시 환경에서 인공대지를 활용하여 새로운 녹지 공간을 조성할 수 있는 옥상녹화는 효율적인 온실가스 감축 전략이다(Herrera-Gomez et al., 2017). 도심지 녹화 가용성 및 효과 평가와 관련한 공간분석 선행연구에서는 건축물대장 자료와 도로명주소를 이용하여 옥상녹화 가용면적 추정 후 옥상녹화로 증가하는 탄소저장량을 계산하였고(Kim et al., 2022), 위성자료 등의 공간정보를 이용하여 옥상녹화 가용면적을 추정하였다(Ahn et al., 2016). 또한, 옥상녹화용 초본식물의 이산화탄소 흡수 및 증발산량에 대한 분석이 이루어졌고(Ahn et al., 2011), Landsat-7 위성자료를 이용하여 부산지역의 장기적 토지피복 변화를 시계열 분석 후 지표 온도를 통해 그에 따른 열섬강도를 평가하였다(Ahn et al., 2012). 공원유형에 따른 도시열섬 완화를 연구하여 도시공원이 지표 온도(land surface temperature, LST)와 UHI 감소에 영향을 준다는 결과를 통해 식생 피복의 증가를 제안하였고(Hanif et al., 2022), 랜덤포레스트 머신러닝 모델을 통해 열섬강도와 열섬현상 원인 사이의 상관관계를 분석하는 연구가 이루어졌다(Oukawa et al., 2022).
위성자료를 활용한 대부분의 선행연구의 경우 주로 옥상녹화 가용면적 산정 혹은 공원에 의한 온도 분포 평가의 목적으로 수행되었고, 이와 연계된 옥상녹화에 의한 온도 저감효과 예측 및 평가 내용의 연구는 매우 제한적이다. 지표 온도를 활용한 경우도 고밀도 도심지역을 분석하기에는 다소 부족한 30 m 또는 그 이하의 낮은 공간해상도를 사용한 연구가 대부분이다.
본 연구에서는 위성자료 및 공간정보를 이용하여 옥상녹화에 의한 도시 열섬현상 완화도 예측과 이산화탄소 흡수량 평가를 수행하고자 한다. 이를 위해 고해상도 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 옥상녹화 가용면적을 산정하고 옥상녹화 시나리오별 이산화탄소 흡수량을 평가하였다. 또한, Landsat-8 및 Sentinel-2 위성자료를 복합 이용한 고해상도 지표 온도 자료와 머신러닝 기법을 적용하여 옥상녹화 후 온도 분포 예측모델을 개발하였다. 이를 통해 옥상녹화 전 후의 열섬현상 완화도를 예측하고자 하였다.
2. 연구자료 및 방법
2.1. 연구지역
본 연구에서는 부산광역시의 3개 구(중구, 부산진구, 연제구)를 연구지역으로 선정하였다(Fig. 1). 부산광역시는 대한민국의 무역 및 상공업의 중심지로 경제발전과 도시화가 촉진되며 인구가 급증하였고, 인구수는 약 330만명(https://data.busan.go.kr/)으로 6개의 광역시 중 가장 많다. 국가통계포털(https://kosis.kr/)에서 제공한 2022년 인구밀도에 따르면 부산광역시는 4272.8명/km2로 서울특별시 다음으로 가장 높은 수치를 보인다. 연구지역인 중구, 부산진구, 연제구의 경우 부산광역시 중에서도 도심부에 해당하는 구역으로 건물이 집중 되어 있는 도심 및 주거지역에 해당한다. 부산 지역의 도시 열섬현상에 대한 이전 연구에 따르면 도시화 지역이 큰 비중을 차지하고 있는 중구와 연제구의 경우 평균 지표 온도가 31.6–32.1°C로 나타났고, 쇼핑센터와 상업시설 등의 대형건물로 이루어진 부산진구의 경우 평균 지표 온도가 33.0–36.0°C로 높게 나타났다(Ahn et al., 2012). 따라서 본 연구에서는 부산광역시 내 열섬현상이 상대적으로 강하게 나타나는 지역을 중심으로 연구를 진행하였다.
Fig. 1. Study area in Jung-gu, Busanjin-gu, and Yeonje-gu, Busan, Republic of Korea. The background image is from Google Earth.
2.2. 연구방법 및 자료
2.2.1. 옥상녹화 가용면적 산정 및 녹지분석
연구지역 내 옥상녹화 가용면적을 산정하고 가용면적에 대한 옥상녹화 전 후 온도 분포 예측 및 이산화탄소 흡수량을 산출해보고자 한다. 연구지역 내 옥상녹화 가용면적 산정을 위해 국토지리정보원(https://www.ngii.go.kr/)에서 제공하는 수치지형도(축척 1:5000)의 건물 레이어를 이용하여 옥상녹화가 가능한 옥상을 선별하였다. 연구지역이 부산광역시 내 이므로 가용 옥상선별 기준은 부산광역시에서 지원하는 옥상녹화 사업 최소 면적인 100 m2로 설정하였다(https://bs2.kr/Ag8i). ArcGIS Pro 소프트웨어의 피처 편집 도구를 이용하여 면적이 100 m2 이하인 건물은 제외시켰으며, 공간정보 오픈플랫폼인 V-World (https://www.vworld.kr/)에서 제공하는 항공사진을 통해 이미 옥상녹화가 되어있거나 구조적으로 옥상녹화가 불가능한 경사 판넬과 같은 형태의 지붕은 제외시켰다. 옥상에 구조물이 차지하고 있는 경우 ArcGIS Pro 소프트웨어를 통해 구조물에 해당하는 폴리곤(polygon)을 생성하였고, 구조물을 제외한 옥상 면적이 옥상녹화 가능 기준에 부합하지 못한 경우는 후보지에서 제외시켰다. 항공사진으로 구분이 어려운 옥상의 경우 현장 방문을 통해 선별 과정의 정확도를 높였다.
기존의 녹지 분포 분석을 위해 고해상도 WorldView-2 위성자료를 활용하였다. WorldView-2 위성 자료는 0.46 m 공간해상도의 전정색밴드 및 1.84 m 공간해상도의 다중분광밴드로 구성되며, 높은 공간해상도 특성으로부터 복잡한 피복을 가진 도심지 분석이 가능하다. 다중분광밴드 영상의 공간해상도를 개선하기 위해 전정색밴드를 이용한 영상융합(pan-sharpening) 후 연구지역의 정규식생지수(normalized difference vegetation index, NDVI) 지도 생성으로부터 기존 녹지 분포를 분석하였다. Pan-sharpening 과정은 ArcGIS Pro 소프트웨어의 ‘create pansharpened raster dataset’ 도구를 통해 수행하였다. WorldView-2 위성자료를 대상으로 여러 pan-sharpening 기법을 적용 후 결과 정량평가 시 ESRI 기법을 적용하였을 때 가장 우수한 결과가 도출되었다는 선행연구에 따라(Sunuprapto et al., 2016) 해당 기법으로 pan-sharpening을 진행하였다.
2.2.2. 고해상도 지표 온도 산출
자동기상관측소를 포함하여 연구지역 내 위치한 기상관측소는 2개(중구 및 부산진구)이고 지표 온도를 제공하는 기상관측소는 한 곳으로 약 45 km2의 연구지역에 대한 높은 정확도의 온도 분포 예측 모델을 구축하기에는 부족하다고 판단하였다. 따라서 옥상녹화 가용면적에 대해 옥상녹화 전 후 온도 분포 예측 모델을 구축하기 위한 훈련자료로 광역적인 도심지역에 대한 분석이 가능한 위성자료로부터 산출된 지표 온도(LST)를 사용하고자 한다. 미국지질조사국(United States Geological Survey, USGS)과 미국항공우주국(National Aeronautics and Space Administration, NASA)에서 운영하는 Landsat-8 Operational Land Imager/ThermalInfrared Sensor (OLI/TIRS) 위성의 TIRS 센서는 열적외선 밴드(Band 10)를 제공하며, 이를 통해 LST 자료 산출이 가능하다. 열적외선 밴드의 공간해상도는 100 m이지만, USGS에서 30 m의 공간해상도로 처리 후 제공한다.
복잡한 토지피복을 가진 도심지역을 연구하기 위해서는 높은 공간해상도가 요구되므로 Landsat-8 위성자료의 30 m 공간해상도 LST는 연구에 활용하기에 부적합하다. 따라서 본 연구에서는 GoogleEarthEngine (GEE)을 통해 10 × 10 m의 공간해상도를 가진 Sentinel-2 Multispectral Instrument (MSI) 위성자료를 이용하여 Landsat-8의 30 m 공간해상도 LST 자료를 10 m로 축소하였다. European Space Agency에서 운영하는 Sentinel-2 MSI 위성자료의 경우 10 m 공간해상도의 자료를 제공한다. Landsat-8 위성 자료에서 산출된 LST를 10 m 공간해상도로 개선하기 위해 Onačillová et al. (2022)에서 제안된 다중선형회귀모델을 적용하였다. 이 과정에서 유사한 분광 특성 유지를 위해 촬영 시기가 동일하거나 최대한 가까운 시기의 Landsat-8 Surface Reflectance (SR) Collection 2 및 Sentinel-2 Level 2A (L2A) 두 영상을 이용하여 각각의 영상에 정규수분지수(normalized difference water index, NDWI), NDVI, 정규시가지지수(normalized difference built-up index,NDBI) 밴드 연산을 수행하였다. 먼저USGS 배포 30 m 공간해상도의 LST와 Landsat-8의 NDWI, NDVI, NDBI 사이의 선형회귀모델을 통해 회귀 계수를 계산하고, 이 회귀 계수는 Sentinel-2의 NDWI, NDVI, NDBI를 통해 공간해상도가 10 m로 축소된 LST 자료를 생성한다. 또한, 회귀 잔차는 bicubic 보간법을 통해 10 m 공간해상도로 재배열된 후 Gaussian convolution을 사용하여 필터링 된다. 필터링된 잔차 자료는 10 m 공간해상도의 LST에 추가하여 최종 LST 자료를 생성한다(Onačillová et al., 2022).
GEE는 클라우드 기반의 위성자료 분석 플랫폼으로 대량의 위성자료를 다운로드 및 전처리 과정 없이 브라우저 상에서 분석할 수 있어 효율적인 연구가 가능하다(Kim and Hyun, 2023). Fig. 2는 연구지역의 LST의 공간 해상도의 축소과정을 나타내는 GEE Code Editor 화면이다. Landsat Collection-2 Surface Temperature (ST) 자료는 여러 입력 자료소스와 NASA의 Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Emissivity Dataset (ASTER GED) 자료를 이용하여 생성된다. USGS에 따르면 ASTER GED에는 ST 생성에 필요한 평균 방사율 자료가 누락된 영역이 포함되어 있고, 그런 경우에는 해당영역의 ST 자료 역시 누락된다. 본 연구지역에서도 평균 방사율 자료가 누락된 영역이 소규모 포함되어 있어 해당영역을 제외하고 연구를 진행하였다.
Fig. 2. Downscaling the spatial resolution of LST in the study area using Google Earth Engine.
2.2.3. 열섬현상 완화도 평가
위성자료에서 산출한 지표 온도를 기반으로 머신러닝 기법을 활용한 옥상녹화 가용면적에 대한 녹화 전후 온도 분포를 추정하는 모델을 구축하여 열섬현상 완화도 평가를 하고자 하였다. 랜덤포레스트 머신러닝 기법은 Breiman (2001)이 제안한 앙상블 학습법으로 다수의 의사결정트리(decision tree)를 조합하여 예측을 수행한다. 이를 통해 모델의 성능을 향상시키며, 과적합 방지와 예측의 안정성을 제공한다. 특히 자료의 복잡성이나 노이즈가 있는 상황에서 효과적으로 작동하여 다양한 분야에서 예측 및 분류 문제에 대한 해결책으로 사용된다(Breiman, 2001). 본 연구에서는 옥상녹화 후의 온도 분포를 예측하고 다양한 입력 변수들이 도시 열섬현상에 미치는 영향도를 알아보고자 랜덤포레스트 기법을 적용하였다. 도시 열섬현상의 주요 원인으로는 인공구조물의 증가, 녹지 면적 감소, 대기오염 등이 있다(Mohajerani et al., 2017; Lee and Lim, 2022). 따라서 랜덤 포레스트 모델은 지표 온도를 종속변수로 하며 독립변수의 경우 토지피복, 지형, 도시 구조, 날씨, 대기 지수로 다섯 개의 카테고리로 구분하여 구축하였다(Table 1).
Table 1. List of variables for random forest model construction (Oukawa et al., 2022)
변수 자료의 구축 과정은 다음과 같다. 모델 훈련을 위한 지표 온도 자료의 경우 Landsat-8 TIRS 자료에서 추출한 LST 자료를 이용하였다(Table 2). 토지피복 분류를 위해 감독분류 기법 중 최대우도법을 적용하였으며, 도심지역의 복잡한 토지피복 특성을 고려하여 pansharpening 처리된 WorldView-2 위성 자료를 이용하였다(Table 2). 토지피복 분류 클래스는 아스팔트 도로, 지붕, 식생, 물, 토양, 그림자까지 총 6개로 분류하였다. 사용한 위성 자료의 촬영 시기가 비교적 태양고도가 낮은 겨울이므로 높은 건물이 많은 도시 구조상 많은 양의 그림자가 함께 감지되어 그림자에 해당하는 부분은 연구에서 제외하였다. 온도는 대류권 내에서 고도가 높아짐에 따라 감소하는 경향을 보이므로 도시 열섬현상과 밀접한 관련이 있고(Oukawa et al., 2022), 이와 관련하여 고도는 국토지리정보원(https://www.ngii.go.kr/)에서 제공하는 수치지형도(1:5000)의 연구지역에 해당하는 등고선과 표고점을 이용하여 triangulated irregular network(TIN)을 생성 후 digital elevation model (DEM)을 통해 구축하였다. 도시 구조(urban geomorphology) 변수의 건물높이, 건물체적밀도(building volume density, BVD; 식1)는 수치지형도 내 건물별 층수 속성 정보를 활용하여 구축하였다. 건물 높이에 사용된 하나의 층의 높이는 건축법 시행령 제119조 제1항 제9호에 따라 4 m로 설정하였다. 식(1)의 Vmax는 연구지역 내 건물 중 큰 체적, Ai는 건물의 면적, hi는 건물 높이를 의미한다.
\(\begin{aligned}\mathrm{BVD}=\frac{V_{i}}{V_{\max }}, V_{i}=\sum_{i=1}^{n} A_{i} h_{i}\end{aligned}\) (1)
Table 2. List of satellite images and usage
건물은 도시의 구조를 결정하고, 도시 구조 배치에 따라 sky view factor (SVF)가 결정된다. SVF는 0.0에서 1.0 사이의 값으로 특정 지점에서 관측되는 하늘의 비율을 나타내며 SVF 계수 값이 낮을수록 도시 대기 온도 증가에 영향을 끼친다(Grimmond, 2007). 온도 분포 예측을 위해 연구지역 내에 ArcGIS Pro 소프트웨어의 ‘fishnet’ 도구를 통해 연구지역을 300 m 크기의 격자 구역으로 나누었고(Fig. 3), 각 격자의 중심 지점에서 ‘skyline’ 및 ‘skyline graph’ 도구를 이용하여 SVF 계수를 도출하였다. 2.2.2에서 언급한 바와 같이 LST 자료에 누락된 값이 존재하므로 해당 부분을 제외하고 격자를 생성하였다. 날씨 및 대기 관련 자료는 기상청의 기상자료개방포털(https://data.kma.go.kr/) 및 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)에서 제공하는 재분석 자료(ERA5)에서 수집하였다(https://cds.climate.copernicus.eu/). ERA5는 1940년 1월부터 현재까지의 지구 기후에 대한 5세대 재분석 자료로 많은 대기, 육지, 해양 기후 변수에 대한 추정치를 제공한다(https://www.ecmwf.int/). 모든 자료는 LST 자료 획득 시기에 맞추어 현지 시각(universal time coordinated [UTC] +9) 오전 11시경으로 수집하였다. 랜덤포레스트 회귀모델 구축을 위해 파이썬의 사이킷런(Scikit-Learn) 라이브러리를 이용하였고, 결정계수(R-squared, R2) 및 평균 제곱근오차(root mean square error, RMSE)를 이용하여 모델의 정확도를 검증하였다. 300 × 300 m 크기의 격자 419개로 분할한 연구지역에 대하여 개발한 랜덤포레스트 모델을 적용하였고 각 격자 당 옥상녹화 전 후 온도를 추정하여 도시 열섬현상 완화 지도를 생성하였다.
Fig. 3. Distribution of grids in the study area for predicting urban heat islands.
2.2.4. 이산화탄소 흡수량 평가
식생은 증발산, 태양에너지 흡수 및 반사 등을 통해 대기의 온도를 낮추고, 광합성 과정에서 대기 중의 이산화탄소를 흡수함으로써 온실가스를 저감할 수 있다. 본 연구에서는 옥상녹화 시 빈번하게 사용되는 초본식물별 시나리오 분석을 통해 옥상녹화 가용면적에 대한 이산화탄소 흡수량을 평가하였다. 옥상녹화용 초본식물이 가지는 이산화탄소 흡수량은 식물 잎의 이산화탄소 흡수량 및 증발산량을 측정하여 각각의 평균 총엽면적을 토대로 개체당 이산화탄소 흡수량 및 증발산량으로 환산한 이전 연구를 참고하였다(Ahn et al., 2011). 사용한 식물은 캔터키블루그래스(Poa pratensis), 매발톱꽃(Aquilegia buergariana), 아주가(Ajugamultiflora), 벌개미취(Aster koraiensis Nakai)로 옥상녹화에 많이 사용되는 식물 중 이산화탄소 흡수량이 높은 상위 4개로 선정하였다. 단위면적(1 m2) 당 이산화탄소 흡수량은 Table 3과 같다. 해당 이산화탄소 흡수량은 맑은 날 강한 햇빛의 조도인 150,000 lux 조건에서 m2 당 식생 40본을 기준으로 측정되었다.
Table 3. Quantity of CO2 uptake per unit area of planting (Ahn et al., 2011)
3. 연구결과 및 토의
3.1. 옥상녹화 가용면적 산정 및 이산화탄소 흡수량 평가
고해상도 광학영상에 pan-sharpening 후 NDVI 지도를 생성하여 기존 녹지 분포를 분석하고 수치지형도 및 항공사진 기반 옥상녹화 가용면적 산정 후 이산화탄소 흡수량 평가를 진행하였다. 그림자를 제외한 연구지역 내 기존 녹지 분석 결과 8,478,405 m2의 녹지면적이 산출되었다. 항공사진과 1:5000 수치지형도를 통해 산정한 연구지역 내 전체 옥상 면적은 5,665,232 m2이며 이 중 옥상녹화 최대 가용면적은 중구 550,629.1 m2, 부산진구 2,521,125.9 m2, 연제구 1,448,547.8 m2로 총 4,520,302.8 m2이다(Table 4). Fig. 4는 최대로 산정한 옥상녹화 가능 건물 분포도이다. 연구지역 내 세개의 구 중 옥상녹화 가용면적의 비율이 가장 큰 중구는 대부분이 주거 및 상업지역으로 대부분의 옥상이 옥상녹화 기준에 부합하였으나, 부산진구의 경우 가야역(기차역) 주변 철도관리건물 등 큰 규모의 경사 판넬 형태의 지붕이 다수 존재하여 옥상녹화가 가능한 옥상 면적의 비율이 가장 낮았다.
Table 4. Available roof area for green roofing in the study area
Fig. 4. Available rooftops for rooftop greening. The background image is from ArcGIS Pro. (a) Jung-gu, (b) Busanjin-gu, and (c) Yeonje-gu in the study area.
연구지역 내 옥상녹화 가용면적에 대해 앞서 선정하였던 옥상녹화용 초본식물 4종(Table 3)의 m2 당 이산화탄소 흡수량을 적용하였다. 옥상 내 시행하는 실제 녹화 면적을 고려하여 건축면적 대비 옥상녹화 가능면적의 비율은 Park et al. (2012)에서 제안된 건물용도별 평균 녹화가능면적 비율 67.3%를 적용하였다. 해당 비율을 적용하여 산정된 연구지역 내 옥상녹화 가용면적 약 3,042,163.78 m2에 대한 이산화탄소 흡수량을 Table 3의 초본식물종별 이산화탄소 흡수량을 적용하여 ton으로 환산해보면 캔터키블루그래스의 경우 2.50 ton/s, 매발톱꽃 0.48 ton/s, 아주가 0.30 ton/s, 벌개미취 0.29 ton/s의 이산화탄소를 흡수한다. 위 초본식물의 이산화탄소 흡수량은 150,000 lux의 조건에서 진행되었고, 이는 구름 없는 맑은 날의 하루 중 햇빛의 세기가 가장 강할 때의 조도이다. 최대 조도 환경에서 측정된 연구 결과이므로 이러한 환경을 하루 당 1시간으로 가정 후 이산화탄소 흡수량을 평가하였다.
추가적으로 각 식물의 연간 이산화탄소 흡수량과 자동차의 이산화탄소 배출량을 비교 분석하였다. 녹화용 초본식물 4종의 연간 이산화탄소 흡수량은 캔터키 블루그래스의 경우 약 3,279,868.54 ton/y, 매발톱꽃 약 626,389.20 ton/y, 아주가 약 399,739.70 ton/y, 벌개미취 약 378,545.53 ton/y이다. 2023년 기준 부산광역시에 등록된 연구지역 내 차량은 318,187 대이며(https://www.busan.go.kr/car/crprovince/), 2019년 기준 국내 자동차 평균 탄소배출량 149.0 g/km (Korea Energy Agency, 2020)과 한국에너지공단(https://bpms.kemco.or.kr/transport_2012/car/car_co2_relation.aspx)에서 제공하는 식(2)를 통해 주행거리 당 자동차의 탄소배출량을 산정하였다. 연구지역 내 등록된 자동차가 주행하며 배출하는 이산화탄소량과 비교할 경우 캔터키블루그래스 연간 약 69,181.14 km, 매발톱꽃 13,212.21 km, 아주가 약 8,431.57 km, 벌개미취는 약 7,984.53 km를 주행하며 배출하는 이산화탄소량과 같은 양을 흡수할 수 있는 것으로 평가되었다.
\(\begin{aligned}\begin{array}{c}\mathrm{CO}_{2} \text { emissions }\left(\frac{\mathrm{g}}{\mathrm{km}}\right) \times \text { Annual mileage }= \\ \text { Annual total } \mathrm{CO}_{2} \text { cemissions }(\mathrm{g})\end{array}\end{aligned}\) (2)
3.2. 고해상도 지표 온도 산출 결과
지표 온도를 종속변수로 하는 옥상녹화 전 후 온도 예측 모델 개발을 위한 지표 온도 자료로 사용하기 위해 Landsat-8 및 Sentinel-2 위성자료를 활용하여 10 m 고해상도 LST 자료를 산출하였다(Fig. 5). 자료가 없는 부분은 앞서 언급하였던 ASTER GED 자료에 평균 방사율 자료가 누락된 영역이다. 대체적으로 녹지 비율이 높은 도시 외곽은 온도가 낮고 건물과 같은 인공구조물 비율이 높은 도심지는 상대적으로 온도가 높은 것을 확인할 수 있다. 특히, 녹지가 거의 없고 대부분의 면적을 인공구조물이 차지하고 있는 중구의 경우 부산진구 및 연제구와 비교하여 전반적으로 높은 온도가 분포하고 있다.
Fig. 5. LST image on January 14, 2022, downscaled to 10-meter spatial resolution.
3.3. 열섬현상 완화도 평가
산정한 옥상녹화 가용면적을 대상으로 한 옥상녹화전 후의 온도 분포를 예측하기 위해 랜덤포레스트 회귀분석모델을 구축하였다. 종속변수는 Landsat-8 및 Sentinel-2를 이용하여 추출한 고해상도 지표 온도 자료를 사용하였고, 온도에 영향을 주는 독립변수로는 토지피복, 지형, 도시 구조, 날씨, 대기 지수를 사용하였다. Fig. 6은 토지피복 변수를 위해 수행하였던 WorldView-2 위성자료의 감독분류 결과이다. 연구지역 내 500개 지점의 임의 선택 및 분석을 통한 토지피복 분류정확도는 87.4% 전체정확도(overall accuracy)로 평가되었다.
Fig. 6. Supervised classification results performed on WorldView-2 satellite imagery: (a) image before supervised classification and (b) image after supervised classification.
랜덤포레스트 회귀분석모델은 평균제곱근오차(RMSE) 1.385(°C), 결정계수(R2) 0.953로 평가되었다. 랜덤포레스트 모델을 통해 산출된 변수 중요도를 분석해 보면(Fig. 7), 일사량이 가장 큰 중요도를 나타내었으며, 대기 지수인 total column water vapor (TCWV), k index (KINX), 토지 피복인 아스팔트, 식생 순으로 중요도를 나타내었다. 날씨 및 대기지수 변수를 제외하면 토지피복인 아스팔트 도로와 식생 면적이 온도 예측에 가장 큰 영향을 주었다. 이로부터 옥상녹화 가용면적을 녹지면적으로 변환한 자료에 해당 모델을 적용하여 온도 분포를 예측할 경우 지표 온도가 하강할 것이라 판단할 수 있다. 예측을 수행한 결과 연구지역 내에서 옥상녹화 전후의 예측 온도 차를 가시화한 지도인 Fig. 8과 같이 온도 변화가 도시되었다. 옥상녹화 후 연구지역 내 온도는 최대 약 -3.08°C, 평균적으로 약 -0.07°C 하강하는 것으로 예측되었고, 부산진구와 연제구 지역에서는 북동과 남서를 가로지르는 방향으로 옥상녹화 후 식생 피복 비율이 높아짐에 따라 주변에 비해 두드러진 온도 하강현상이 나타난 것으로 판단된다. 이러한 경향을 따르지 않는 지역의 경우 옥상녹화 대상지 선정에 사용된 수치지형도와 토지피복 분류에 사용된 위성자료 사이의 위치오차에 의해 지붕 및 건물 클래스 외 다른 피복 클래스까지 옥상녹화 후 식생으로 변화된 결과가 일부 영향을 미쳤을 것으로 생각된다. 최대 온도 하강(-3.08°C)를 나타내는 격자는 그림자 피복의 비율이 분석 영역의 대부분을 차지하는 지역으로, 이러한 그림자의 영향으로부터 상대적으로 큰 수치 변화가 도출된 것으로 보인다. 온도가 증가한 지점의 경우 감독분류를 하는 과정에서 도심지의 복잡한 토지피복으로 인한 분류 오차의 영향을 받은 것으로 판단된다.
Fig. 7. Top 10 variable importance scores derived from the random forest results.
Fig. 8. Image displaying urban heat island mitigation based on LST prediction results. The background is from ArcGIS Pro.
4. 결론
본 연구에서는 부산광역시 연구지역 내 옥상녹화 전후 도시 열섬현상 완화도 정도와 옥상녹화를 통한 이산화탄소 흡수량을 평가하기 위해 고해상도 위성자료와 공간정보를 활용하였다. 연구지역의 옥상유형 및 녹화여부 분석을 통해 옥상녹화 가용면적을 산정하고 추가 녹지 면적과 이산화탄소 흡수량을 평가하였다. 옥상녹화 가용면적 산정 결과를 주요 독립변수로 사용하여 랜덤포레스트 회귀분석모델 개발을 통해 지표 온도 분포예측을 수행하였다. 또한, 고해상도 지표 온도를 산출하는 과정에서 클라우드 기반 플랫폼 Google Earth Engine 및 Landsat-8과 Sentinel-2 위성자료를 이용하여 지표 온도의 공간해상도를 10 m로 개선시켰다.
연구지역 내 옥상녹화 가용면적을 산정한 결과 최대 면적은 전체 옥상 면적의 약 79.8%였고, 실제 시행되는 옥상 내 녹화 면적을 고려한 경우 약 53.7% 면적에 대한 녹화가 가능한 것으로 평가되었다. 녹화 진행 시 캔터키블루그래스를 기준으로 약 2.03 ton/s의 이산화탄소를 흡수할 것으로 예상된다. 또한, 가용면적에 대해 녹화를 진행할 경우 연구지역 내 온도는 평균 약 –0.07°C 완화될 것으로 예상된다. 연구과정에서 LST 자료의 낮은 시간해상도 및 누락자료와 건축물 그림자의 영향이 다수 존재하였다. 향후 높은 시간해상도의 위성자료의 활용, LST 예측 공간 규모의 축소 및 위성자료 분류 시 그림자에 대한 영향을 줄인다면 보다 상세한 분석이 가능할 것으로 기대된다. 본 연구 결과를 통해 부산광역시 내 열섬지역의 기존 녹지현황 및 인공구조물을 이용한 추가 녹지 확보 가능성을 확인하였고, 본 연구의 방법론 및 결과로 개발된 위성자료 기반의 도시 열섬현상 완화도 평가 및 랜덤 포레스트 모델 기반 온도 분포 예측 기술은 이후 다른 도시열섬 취약 지역으로 확대 적용이 가능할 것으로 기대된다.
사사
이 논문은 2023년도 정부재원(과학기술정보통신부 여대학원생 공학연구팀제 지원사업)으로 과학기술정보통신부와 한국여성과학기술인육성재단의 지원을 받아 연구되었습니다(과제번호: 2023-0515).
Conflict of Interest
No potential conflict of interest relevant to this article was reported.
참고문헌
- Ahn, G. Y., Han, S. W., and Lee, E. H., 2011. The analysis of instantaneous CO2 uptake and evapotranspiration of herbaceous plants for artificial roof greening. Korean Journal of Environment and Ecology, 25(1). 91-101.
- Ahn, J. S., Hwang, J. D., Park, M. H., and Suh, Y. S., 2012. Estimation of urban heat island potential based on land cover type in Busan using Landsat-7 ETM+ and AWS data. Journal of the Korean Association of Geographic Information Studies, 15(4), 65-77. https://doi.org/10.11108/KAGIS.2012.15.4.065
- Ahn, J. Y., Jung, T. W., and Koo, J. H., 2016. Estimation of the available green roof area using geospatial data. Journal of the Korean Society of Environmental Restoration Technology, 19(5), 11-17. https://doi.org/10.13087/kosert.2016.19.5.11
- Breiman, L., 2001. Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
- Grimmond, S. U. E., 2007. Urbanization and global environmental change: Local effects of urban warming. The Geographical Journal, 173(1), 83-88. https://doi.org/10.1111/j.1475-4959.2007.232_3.x
- Hanif, A., Nasar-u-Minallah, M., Zia, S., and Ashraf, I., 2022. Mapping and analyzing the park cooling intensity in mitigation of urban heat island effect in Lahore, Pakistan. Korean Journal of Remote Sensing, 38(1), 127-137. https://doi.org/10.7780/kjrs.2022.38.1.10
- Herrera-Gomez, S. S., Quevedo-Nolasco, A., and Perez-Urrestarazu, L., 2017. The role of green roofs in climate change mitigation. A case study in Seville (Spain). Building and Environment, 123, 575-584. https://doi.org/10.1016/j.buildenv.2017.07.036
- Kim, I. H., Yang, A. R., Kim, S. U., Han D. H., Shin, G. S., Park, S. J., Kim H. Y., and Kim Y. M., 2022. Study on carbon storage calculation and green roof simulation modules to understand the current status and potential of urban ecosystem services: In case of Suwon-si in Korea. Journal of Korea Planning Association, 57(1), 128-144. https://doi.org/10.17208/jkpa.2022.02.57.1.128
- Kim, M., and Hyun, C. U., 2023. Oil spill monitoring in Norilsk, Russia using Google Earth Engine and Sentinel-2 data. Korean Journal of Remote Sensing, 39(3), 311-323. https://doi.org/10.7780/kjrs.2023.39.3.5
- Korea Energy Agency, 2020. 2020 Vehicle fuel economy and CO2 emissions: Data and analyses. Korea Energy Agency.
- Lee, K., and Lim, C. H., 2022. Analysis of the surface urban heat island changes according to urbanization in Sejong city using Landsat imagery. Korean Journal of Remote Sensing, 38(3), 225-236. https://doi.org/10.7780/kjrs.2022.38.3.1
- Mohajerani, A., Bakaric, J., and Jeffrey-Bailey, T., 2017. The urban heat island effect, its causes, and mitigation, with reference to the thermal properties of asphalt concrete. Journal of Environmental Management, 197, 522-538. https://doi.org/10.1016/j.jenvman.2017.03.095
- Onacillova, K., Gallay, M., Paluba, D., Peliova, A., Tokarcik, O., and Laubertova, D., 2022. Combining Landsat 8 and Sentinel-2 data in Google Earth Engine to derive higher resolution land surface temperature maps in urban environment. Remote Sensing, 14(16), 4076. https://doi.org/10.3390/rs14164076
- Oukawa, G. Y., Krecl, P., and Targino, A. C., 2022. Fine-scale modeling of the urban heat island: A comparison of multiple linear regression and random forest approaches. Science of the Total Environment, 815, 152836. https://doi.org/10.1016/j.scitotenv.2021.152836
- Park, E. J., Nam, M., and Kang, G., 2012. Estimation of the potential area for roof greening in Gyeonggi-do and its implications. Journal of the Korean Society of Environmental Restoration Technology, 15(1), 107-117. https://doi.org/10.13087/kosert.2012.15.1.107
- Sunuprapto, H., Danoedoro, P., and Ritohardoyo, S., 2016. Evaluation of pan-sharpening method: Applied to artisanal gold mining monitoring in Gunung Pani Forest area. Procedia Environmental Sciences, 33, 230-238. https://doi.org/10.1016/j.proenv.2016.03.074