Korean Journal of Remote Sensing, Vol.37, No.5-3, 2021, pp.1447~1460
https://doi.org/10.7780/kjrs.2021.37.5.3.9 ISSN 1225-6161 ( Print )
ISSN 2287-9307 (Online)
Article
딥러닝 기반 Local Climate Zone 분류체계를 이용한 지표면온도와 도시열섬 분석:
수원시와 대구광역시를 대상으로
이연수 1)*·이시우 2)*·임정호 3)†·유철희 1)
Analysis of Surface Urban Heat Island and Land Surface Temperature Using Deep Learning Based Local Climate Zone Classification:
A Case Study of Suwon and Daegu, Korea
Yeonsu Lee 1)*·Siwoo Lee 2)*·Jungho Im 3)†·Cheolhee Yoo 1)
Abstract: Urbanization increases the amount of impervious surface and artificial heat emission, resulting in urban heat island (UHI) effect. Local climate zones (LCZ) are a classification scheme for urban areas considering urban land cover characteristics and the geometry and structure of buildings, which can be used for analyzing urban heat island effect in detail. This study aimed to examine the UHI effect by urban structure in Suwon and Daegu using the LCZ scheme. First, the LCZ maps were generated using Landsat 8 images and convolutional neural network (CNN) deep learning over the two cities. Then, Surface UHI (SUHI), which indicates the land surface temperature (LST) difference between urban and rural areas, was analyzed by LCZ class. The results showed that the overall accuracies of the CNN models for LCZ classification were relatively high 87.9% and 81.7% for Suwon and Daegu, respectively. In general, Daegu had higher LST for all LCZ classes than Suwon. For both cities, LST tended to increase with increasing building density with relatively low building height. For both cities, the intensity of SUHI was very high in summer regardless of LCZ classes and was also relatively high except for a few classes in spring and fall. In winter the SUHI intensity was low, resulting in negative values for many LCZ classes. This implies that UHI is very strong in summer, and some urban areas often are colder than rural areas in winter. The research findings demonstrated the Received October 2, 2021; Revised October 18, 2021; Accepted October 20, 2021; Published online October 28, 2021
1)울산과학기술원 도시환경공학과 석·박사과정생 (Combined MS/PhD Student, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
2)경북대학교 융복합시스템공학부 학부과정생 (Undergraduate Student, School of Convergence & Fusion System Engineering, Kyungpook National University)
3)울산과학기술원 도시환경공학과 정교수 (Professor, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
†Corresponding Author: Jungho Im ([email protected])
* These authors contributed equally to this work.
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
1. 서론
1950년대 이후 급속한 도시화로 인해 도시에 거주하 는 인구는 기하급수적으로 증가하였고 최근에는 세계인 구의 절반 이상이 도시에 거주하고 있다(United Nations,
2018). 도시화로 인해 증가한 인공구조물과 불투수면적
은 많은 양의 태양복사에너지를 흡수하고 바람의 순환 과 증발산을 저하시키며 증가한 인구로 인한 인공열 배 출은 도시지역의 온도가 교외지역보다 높아지는UHI 현상을 야기한다(Oke, 1995). UHI는 폭염과 함께 도시 민들의 열 스트레스를 유발하고 대기오염물질을 도시 안에 가두는 등 직간접적으로 도시민의 건강을 위협하 고 있다(Tanet al., 2010; Salataet al., 2017; Fallmannet al., 2016; Yadavet al., 2017). 도시개발이 지속되고 최근 기후 변화로 인해 전례 없는 극심한 폭염이 빈번해짐에 따라 UHI는 도시의 중요한 문제로 인식되고 있으므로, 도시 의 전반적인 공간적 특징을 파악하고UHI를 분석하는 것이 필요하다.
UHI는 도시지역과 교외지역의 온도차를 통해 분석 하는데, 지상관측기반의 기온 자료를 이용하는Canopy UHI (Ahn and Kim, 2006; Kim and Baik, 2005, Tanet al., 2008; Zhou and Shepherd, 2010)와 위성관측 기반의LST
를 이용하는Surface UHI (SUHI) (Mendelsohnet al., 2007;
Kim and Yeom, 2012; Zhouet al., 2014; Bokaieet al., 2016) 가 있다. 지상관측자료는 실측값으로 정확하지만 관측 지점을 중심으로 좁은 반경 내의 정보만을 대변하고 (Mendelsohnet al., 2007), 넓은 지역에 대해 고밀도의 관 측소가 존재하지 않는다는 한계점이 존재한다(Zhouet
al., 2014). 위성관측 자료의 경우 공간적으로 연속적인
정보를 제공하기 때문에 시공간적 분석이 가능하다는 장점과 지역제한 없이 전세계의 자료를 쉽게 다운받을 수 있어SUHI에 대한 연구가 활발히 진행되고 있다.
UHI분석에 있어 도시와 교외를 구분하는 것이 중 요하지만 교외지역에 대한 정의가 명확하지 않아 연구 자마다 서로 다른 기준으로UHI를 분석하고 있는 상황 이다. 토지피복이용도에서 도시로 분류되지 않은 초지, 수역 등을 교외지역으로 사용하거나(Chenet al., 2006; He et al., 2007) 도심을 기준으로 거리에 따른 버퍼(Buffer) 를 적용해 교외를 설정하는 방법이 활용되었다(Clinton and Gong, 2013; Liet al., 2017; Xianet al., 2021). 그러나 언 급한 방법들은 도시의 규모에 따라 교외의 기준이 달라 지고 도시의 상세한 구조적 특성(인공물의 면적 및 높 이 등)을 고려하지 않고 거리를 절대적인 기준으로 사 용했다는 한계점이 존재한다.
applicability of the LCZ data for SUHI analysis and can provide a basis for establishing timely strategies to respond urban on-going climate change over urban areas.
Key Words: Local Climate Zone, Deep Learning, Convolutional Neural Network, Urban Heat Island, Urban Climate
요약 : 도시화에 따른 인공피복의 증가는 도시지역의 온도가 주변 교외지역보다 높아지는UHI (Urban Heat Island; UHI) 현상을 야기한다. 국지기후대(Local Climate Zone; LCZ)는 빌딩의 기하학적 구조와 피복특성에 따 라 도시를 분류하는 체계로, UHI 분석을 위해 제안되어 현재 다양한 도시기후 연구에 활용되고 있다. 본 연구 는 합성곱신경망(Convolutional Neural Network)과Landsat 8 위성영상을 이용하여 수원시와 대구광역시의LCZ 분류모델을 구축하였고, LCZ 지도와Landsat 8 지표면온도(Land Surface Temperature; LST)를 이용하여 도시 구 조적 특성에 따른LST와Surface UHI (SUHI) 강도를 분석하였다. LCZ 분류모델은 수원시와 대구광역시에 대 해 각각87.9%와81.7%의 높은 분류 정확도를 보였다. 대구가 수원보다 전반적으로 모든LCZ 클래스에서LST 가 높게 나타났으며 건물이 밀집할수록, 건물의 높이가 낮을수록LST가 증가하는 공통점을 보였다. SUHI 강 도는 두 도시 모두 여름철에 가장 강한 값을 가지고 봄과 가을에도 일부LCZ 클래스를 제외하고 양의SUHI 강 도가 나타났지만 겨울에는 다수의LCZ 클래스에서 음의 값이 나타났다. 이는UHI가 여름철에 가장 강하게 나 타나며, 겨울에는 일부 도시지역이 교외지역보다 더 차가운 현상이 나타나기도 함을 의미한다. 본 연구는 우리 나라UHI 분석에 있어LCZ 분류체계의 활용가능성을 확인하였고, 향후 도시기후 분석 및 기후변화 대응 전략 수립에 있어 도시의 구조적 특성을 고려하는데 기초자료로 활용될 것으로 기대된다.
도시의 구조적 특성을 반영하고 전세계에서 통용될 수 있는 기준을 만들어UHI를 효과적으로 연구하고자 LCZ라는 개념이 새로 제시되었다(StewartandOke, 2012).
LCZ는10가지 항목의 도시 클래스(Built types; LCZ1-10), 7가지 항목의 자연 클래스(Land cover types; LCZA-G) 로 구성되어 있다. 각LCZ클래스는 빌딩의 밀도와 높이, 토지피복의 성질, 인간활동의 영향 등 다양한 공간적 특 성 정보를 바탕으로 일관성 있게 도시를 분류한다. 국외 LCZ관련 연구 동향을 보면, 지리정보시스템을 이용한 LCZ분류기법(Ungeret al., 2014)과 위성영상과 랜덤 포 레스트(Random Forest; RF)을 이용한 분류기법(Bechtel
et al., 2015)이 개발되며 전세계 다양한 도시에 대해LCZ
분류지도가 제작되었다. 최근에는LCZ분류에 있어 이 미지 기반 딥러닝인CNN을 이용하는 것이RF를 이용 하는 것보다 더 효과적이라는 것을 보였으며(Yooet al.,
2019) 광학영상에 추가적으로 건물정보나 합성개구레
이다(Synthetic Aperture Radar; SAR) 자료를 추가하여 분 류 정확도를 향상시키고 있다(Huet al., 2018; Fenget al., 2019; Yooet al., 2020). Bechtelet al. (2019)는 전세계50개 도시에 대하여LCZ를 이용한SUHI분석을 수행하여 LCZ클래스별 유의미한LST차이를 확인하였고, LCZ 분류체계가UHI연구에 효과적인 도구임을 시사했다. 그 외에도Perera and Emmanuel (2018)는LCZ분류체계 가UHI외에도 도시계획의 측면에도 활용될 수 있음을 언급하였다. LCZ분류체계를 통해 도시 전역에 대한 인 공 구조물의 특성과 토지피복의 특성을 나타낼 수 있어 LCZ활용범위는 넓어지고 있는 추세이다.
국내 도시에 대해서도LCZ분류체계를 활용한 연구 가 진행되었으나 도시 전역에 대해 고해상도LCZ분류 지도를 구축한 사례는 서울특별시(Yooet al., 2020)가 유 일할 만큼 부족한 실정이다. Honget al. (2013)과Kimet al.
(2017)은 서울에 위치한 자동기상관측장치(Automated Weather Station)의 지점과 그 주변 일대를LCZ기준에 따라 분류하고 해당 지점의 기온자료와 함께UHI를 분 석하였다. Konget al. (2018, 2020)는 연구지역을 수원시 호매실 택지개발지구에 한정하여LCZ분류를 수행하 고 열환경 및 열쾌적성에 대한 분석을 수행하였다. 이 처럼 우리나라 도시들에 대한 고해상도LCZ지도 구축 이 미흡하고 위성영상과 같이 공간적으로 연속된 자료 를 통한 도시 열환경에 대한 세세한 시공간적 분석이 필
요한 상황이다. 본 연구는 경기도 수원시와 대구광역시 를 대상으로 딥러닝을 이용한LCZ분류 지도를 제작하 고 이를 바탕으로 도시의 구조적 특성에 따른LST및 SUHI강도를 분석하는 것을 목표로 한다. LCZ지도가 제공해주는 빌딩의 높이와 밀도, 토지피복 특성에 대한 정보가LST, SUHI에 미치는 영향에 대해 각LCZ클래 스별로 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, 공업단 지 등 다양하게 혼재되어 있으며 인구수100만명 이상 의 대도시이다. 두 도시 모두 내륙에 위치하여 여름철 은 무덥고 겨울철은 한랭한 대륙성 기후특성을 공통적 으로 가진다. 대구광역시는 한반도 동남부에 위치하고 있으며 북부와 남부는 높은 산지에 둘러 쌓인 분지형 구 조로 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 개 의 공원, 학교 숲, 가로수 등 다양한 도시녹지가 조성되 어 있다는 특징이 있다. 본 연구에서는 서로 다른 특징 을 가지는 두 도시에 대하여LCZ분류를 수행하고 이를 바탕으로 지표면 온도 및UHI현상을 분석하고자 한다.
2) Landsat 8 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 운 용중인 지구관측위성으로2013년2월 발사되어 현재까 지 운용 중에 있다. Landsat 8 위성은16일의 재방문주기 를 가지며OLI센서는30 m공간해상도를, TIRS센서 는100 m의 공간해상도를 가지나30 m로 변환되어 제공 된다. Landsat 8 Collection 2 level 1 Terrain Precision (L1TP)
자료는 기본적인 방사보정과 기하보정을 거쳐 도출되 는 대기에서 반사되는 태양에너지(Top-of-atmosphere reflectance)이며Landsat8 Collection2 level2 ScienceProduct
(L2SP) 자료는L1TP자료에 대기보정을 수행하여 사용
자가 분석에 바로 활용할 수 있게 제공되는 자료이다.
분류모델의 입력자료로 식생의 계절특성(phenology)을
고려하여 도시 별로 맑은 날에 촬영된 두 장의Landsat 8 위성영상을 사용하였는데 수원은2020년12월8일과 2021년6월2일의 영상을 대구는2020년10월23일과 2021년5월3일의 영상을 다운받았다(https://earthexplorer.
usgs.gov/). L1TP위성영상의 열 적외선 밴드(B10, B11) 와L2SP의 지표면 반사도(SR_B1-7)는 이중선형 보간법 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.
Table 1. Summary of the Landsat 8 L2SP ST_B10 images measured under clear sky conditions used in this study Number
of images
Suwon Daegu
Spring Summer Fall Winter Spring Summer Fall Winter
18 2 8 7 13 6 14 13
Date of each image (yyyymmdd)
20130511 20140530 20150314 20150330 20150501 20160316 20160401 20160519 20170319 20170506 20180306 20180322 20180509 20180525 20200311 20200428 20210330 20210415
20150704 20170826
20130916 20140919 20141005 20150922 20160924 20171013 20181101 20191120
20131221 20140122 20140223 20170215 20190120 20200123 20210226
20130513 20140414 20140516 20150417 20150519 20160419 20170321 20180324 20180425 20200414 20200430 20210503 20210519
20150604 20150807 20170609 20170727 20180815 20200820
20130918 20131004 20131105 20140905 20151010 20161129 20170913 20171031 20171116 20181002 20181103 20181119 20191106 20201023
20140225 20150127 20150212 20160215 20161215 20170116 20180204 20181205 20190122 20191208 20200109 20200210 20210127
(Bilinear Interpolation)을 이용해10 m해상도로 리샘플링 (Resampling)되여 분류모델의 입력자료로 사용하였다. UHI분석에는2013년부터2021년까지의 연구지역에 대 한L2SP LST자료(ST_B10)를 사용하였는데, 일부 지역 의 경우 피복에 따른 방사율(emissivity)의 영향으로LST 값이NoData처리되어 있어 주의가 필요하다. 영상내 구 름 비율이10% 미만인 날짜를 선별하였고QA밴드를 이 용하여 구름과 그림자를NaN값 처리하여 사용하였다. 사용된 영상의 날짜와 개수는Table 1에 정리하였고, 여 름의 경우 구름이 없는 맑은 날의 영상을 확보하는데 제 한이 있어 여름철의LST및SUHI분석에 있어 주의가 필요하다.
3) 지상참조자료
본 연구에서는 고해상도의LCZ분류모델의 학습 및 정확도 분석을 위해ArcGIS 10.4.1 프로그램을 이용하
여 폴리곤 형태의 지상참조자료를 구축하였다. Bechtel
et al. (2015)에서 제시한 고해상도 위성영상 및 지도를 이
용하여 지상참조자료 구축하는 방법을 참고하였으며, 본 연구에서는ArcGIS프로그램의 도구인ArcBruTile (https://bertt.itch.io/arcbrutile)와Draw기능을 이용하여 우리나라 고해상도 지도를 바탕으로 폴리곤을 생성하 였다. 지상참조자료의 폴리곤 개수와 픽셀 개수는 클래 스별LCZ이미지와 함께Table 2에 나타냈다. 두 대상지 역 모두7개의 도시 클래스(LCZ1-6, 8)와4개의 자연 클 래스(LCZA, B, D, G)로 총11개의 클래스를 포함하고 있 다(Fig. 1). 클래스별 폴리곤은 무작위로 절반씩 나누어 분류모델의 훈련과 정확도 검증용으로 사용하였는데, 폴리곤의 수가 적을 경우 분류학습에 어려움이 있을 수 있으므로(Yooet al., 2019; Yooet al., 2020) 수원의LCZ1 (Compact high-rise)은 폴리곤 구분 없이 픽셀개수를 무
작위로50:50으로 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)
LCZ Daegu Suwon
Training Test Training Test
Compact high-riseLCZ1 8 (35) 8 (34) 6 (38)
Compact midriseLCZ2 7 (77) 6 (63) 6 (133) 6 (122)
Compact low-riseLCZ3 7 (222) 7 (210) 5 (97) 5 (87)
LCZ4
Open high-rise 5 (369) 5 (312) 6 (489) 5 (577)
Open midriseLCZ5 7 (131) 6 (120) 4 (98) 4 (94)
Open low-riseLCZ6 8 (89) 7 (81) 5 (216) 6 (209)
Lightweight low-riseLCZ7 – – – –
Large low-riseLCZ8 6 (124) 5 (106) 5 (147) 5 (146)
Sparsely builtLCZ9 – – – –
3. 연구방법
Fig. 2는 본 연구에서 제시하는 연구 흐름을 나타낸
것으로, LCZ분류지도 제작과 이를 바탕으로 한LST및 SUHI분석으로 나뉜다. 분류모델은Yooet al. (2019)에 서 제시된CNN과Landsat 8 위성영상을 이용한 분류기 법을 적용하였으며, 입력자료로Landsat 8 위성영상의 지표면 반사도와 열 적외선 밴드가 사용되었다. 본 연
구에서는 도시지역에 대해 상세한LCZ분류지도를 구 축하기 위해LCZ지도의 공간해상도를50 m로 설정하 였다. 2013년부터2021년까지 맑은 날의L2SP ST_B10 자료를 이용해 계절별로LST및SUHI패턴 분석을 수 행하였다.
CNN은 합성곱 필터(convolutional filters)를 이용해 이 미지의 공간 정보를 유지한 상태로 학습을 수행할 수 있 어 이미지 기반의 분류 문제에 효과적인 성능을 보여주 며 다양한 분야에서 활발히 활용되고 있다(Kimet al., 2018; Carranza-Garcíaet al., 2019; Yooet al., 2019; Zhanget al., 2019; Leeet al., 2020; Yooet al., 2020; Memonet al., 2021).
CNN은 합성곱층(convolutional layer)와 풀링층(pooling layer)을 반복적으로 쌓고 마지막에 완전연결층(fully connected layer)을 두고 분류작업을 수행한다. 합성곱 층에서는m×m크기의 합성곱 필터가 입력된 이미지 에서 특징맵(feature map)을 추출하고, 풀링층에서 평 균값 또는 최대값 레이어를 거치며 특징맵의 크기를 축소한다. 추출된2차원 특징맵은 완전연결층에서1차 원으로 변환되고 신경망의 다층 퍼셉트론(Multi-Layer Table 2. Continued
LCZ Daegu Suwon
Training Test Training Test
LCZ10
Heavy industry – – – –
Dense treesLCZA 6 (1340) 6 (1260) 5 (2165) 5 (1025)
Scattered treesLCZB 7 (360) 6 (229) 5 (294) 4 (163)
Bush, scrubLCZC – – – –
Low plantsLCZD 5 (309) 5 (294) 5 (382) 4 (357)
Bare rock or pavedLCZE – – – –
Bare soil or sandLCZF – – – –
LCZGWater 5 (322) 4 (231) 5 (390) 5 (351)
Fig. 2. The process flow diagram proposed in this study.
Perceptron, MLP)과 동일하게 분류를 수행한다.
Fig. 3은 본 연구에 사용된CNN의 구조로5개의 합성 곱층과2개의 풀링층 그리고1개의 완전연결층으로 이 루어져 있으며 최적의 구조와 하이퍼파라미터의 설정 은 시행착오법을 통해 결정하였다. 각 합성곱층은3×3 크기의 합성곱 필터를 사용하였고2번째와5번째 합성 곱층 뒤에2×2 크기의 최대값 풀링층을 두었고 완전 연결층은256개의 노드로 구성하였다. 활성함수로는 ReLU와sigmoid를 사용하였고 배치의 크기는256, 최대 1000 epochs동안 학습하였다.
분류모델의 입력자료로 두 장의 맑은 날의 위성영상
에서 각9개씩 총18개의 밴드정보를 사용하였다. 분류
모델의 입력된 이미지의 크기는LCZ샘플 한 개(50 m해 상도)와 주변 픽셀을 포함하는350 m×350 m의 크기로 설정하였다. 분류하고자 하는 도시가 복잡한 경우CNN 에 주변부 픽셀을 넓게 포함한 큰 이미지를 제공하는 것이 오히려 모델 학습에 혼란을 줄 수 있어 주의가 필
요하다(Yooet al., 2020). 분류결과는 혼동행렬(Confusion
Matrix; CM)을 그려 전체 정확도(Overall Accuracy; OA) 와 각 검증용 샘플이 분류된 클래스를 상세히 확인하 였다.
제작된LCZ지도는 맑은 날ST_B10 자료와 함께 사 용되어 계절별LST와SUHI분석에 활용되었다. LST분 석은 수원의 경우35장, 대구의 경우46장의ST_B10 영 상에 대하여 계절별로 평균값을 구하고LCZ지도와 매 치하여 클래스 별LST값을 추출하였다. LCZ클래스 별 LST의 분포는 박스플롯(Box Plot)을 그려 상세히 분석 하였다. UHI분석을 위해 식(1)을 이용해SUHI강도를 계산하였는데, 수식에서LSTLCZX은 도시 클래스에 해당 하는LCZ1-6, 8의LST를 의미하며LSTRural은LCZD
(Low Plants)에서의LST를 의미한다. 기존의 연구들에 서LCZD가SUHI강도 계산의 기준으로 사용되는 것을 참고하였다(Bechtelet al., 2019; Budhirajaet al., 2019).
SUHI강도는 사계절에 대해 계산되었으며 여름과 겨울 에 대해 공간적인 분석을 추가하였다.
SUHI= LSTLCZX–LSTRural (1)
4. 연구결과 및 토의
1) 수원시와 대구광역시의 LCZ 분류지도 제작
Fig. 4은 수원과 대구에 대해 구축된LCZ분류지도
를 나타낸 것으로, 수원의 경우 도시 중심부에LCZB (Scattered trees)가 많이 분포해 있고 외곽으로LCZ4 (Open high-rise)가 많이 발달해 있으며 대구의 경우 중 심부에는LCZ3 (Compact low-rise)가 많고 외곽으로 LCZ8 (Large low-rise)이 많이 분포해 있는 것을 확인할 수 있다. 이는 도시공원과 대규모 고층 주거단지가 많 이 형성된 수원의 특징과 산업단지가 넓게 자리잡고 있 는 대구의 특징이LCZ분류지도에서 잘 나타나고 있음 을 의미한다.
Fig. 5는 분류결과에 대한CM으로 검증용 샘플이 각 클래스로 분류된 비율을 색과 숫자로 표현하였다. 대각 선 요소들의 색이 진할수록 검증용 샘플이 정확하게 분 류되었음을 의미하는데 수원의 경우 대구보다 대각선 방향으로 잘 분류된 것을 확인할 수 있고 실제OA값도
약6% 정도 높은 것으로 나타났다. 이는 두 연구지역의
전체 면적이 크게 다르고 단위면적당 지상참조자료의 개수가 수원에서 더 많았기 때문으로 생각된다. 추후 분 Fig. 3. The structure of CNN model in this study.
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. 5. Confusion matrices generated using the test datasets for (a) Suwon and (b) Daegu.
류모델 구축에 있어 적절한 지상참조자료의 샘플수에 대한 연구가 필요해 보인다. 한편 현재 구축된 지상참 조자료를 바탕으로 학습된 분류모델의 결과를 분석했 을 때, 두 도시 모두 도시 클래스와 자연 클래스 사이의 혼동이 드물고 주로 도시 클래스 내에서 오분류가 발생 하고 있다.
LCZ클래스 별 분류 결과를 살펴보면, 자연 클래스의 경우 수원과 대구 모두LCZG (Water)와LCZA (Dense trees)에서97~100%에 해당하는 정확도를 보였다. 자연 클래스 중에서LCZB와LCZD는 대구에서 서로 오분류 되는 경향을 보였지만 수원의 경우 두 클래스 사이의 오 분류가 거의 없었다. 이는 수원의 경우 도시 내 다양한 공원이 존재하여LCZB에 대한 양질의 훈련 샘플을 구 축할 수 있었으나 대구의 경우 비교적 도시 내 공원이 부족하여 작은 크기의LCZB폴리곤 위주로 구축되어 충분한 훈련 샘플을 확보하지 못한 한계점이 분류모델 에 반영된 결과로 생각된다.
도시 클래스의 경우 수원은LCZ4, LCZ1 순서로 정확 도를 보였고 대구는LCZ4, LCZ8 순서로 높은 정확도를 보였다. 두 도시 모두LCZ4에서 가장 높은 정확도를 보 이는데 이는LCZ4가 우리나라의 대표적인 주거형태인 대규모 아파트 단지에 해당하여 도시의 많은 면적을 차 지하고 있을 뿐만 아니라 육안상으로도Mid-rise, Low-
rise건물들과 차이가 뚜렷하기 때문으로 사료된다. 건물 이 밀집하고 건물의 높이만 서로 다른LCZ2 (Compact mid-rise)와LCZ3의 경우 위성영상만으로는 건물의 높 이를 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(Qiuet al., 2018;
Yooet al., 2020) 추후 건물 정보를 반영하면 더욱 정교하
게 분류된LCZ지도를 구축할 수 있을 것으로 기대된다.
2) LCZ를 이용한 LST 및 SUHI 강도 분석
Fig. 6는LCZ클래스에 따른 계절별LST의 패턴을 나 타낸 박스플롯으로Fig. 6(a)-(d)는 수원의 봄, 여름, 가을, 겨울의LST패턴이고Fig. 6(e)-(h)는 대구의 봄, 여름, 가을, 겨울의LST패턴이다. 계절의 구분은 기상학적 계 절 구분법을 따라 봄(3~5월), 여름(6~8월), 가을(9~11월), 겨울(12~2월)로 구분하였으며 계절별로Y축의 범위가 다르게 설정되었다. 두 도시 모두 일조시간이 길고 일 사량이 많은 여름철에LST가 가장 높게 나타났고 봄, 가을, 겨울 순으로 계절에 따라LST에 차이가 나는 것 을 확인할 수 있다. 수원과 대구의LST를 비교해보면, 전반적으로 모든 계절에서 대구의LST가 높게 나타나 는데 이는 분지형 구조를 가진 대구와 평야 지형인 수
Fig. 6. Boxplots of seasonal mean LST patterns of each LCZ class: (a)-(d) for Suwon and (e)-(h) for Daegu.
원의 지형적인 요소의 영향으로 해석될 수 있다. LCZ클래스 별로LST패턴을 비교해보면, 인공피복 과 자연피복의 비율에 따른LST차이와 건물의 높이에 따른LST차이를 확인할 수 있다. 첫 번째로, 두 도시 모 두 불투수면적이 많이 존재하는 도시 클래스(LCZ1-6, 8)에서 자연 클래스(LCZA, B, D, G)보다 높은LST를 보 였다. 특히 도시 클래스 중에서는 넓고 낮은 건물과 인 공피복으로 구성된LCZ8이 두 도시의 모든 계절에서 가장 높은LST를 보였다. 해당 클래스의 지상참조자료 를 구축할 때 주로 상공업단지, 물류창고 등이 샘플링 되었는데 공장에서 배출되는 인공열과 넓고 낮은 구조 물로 그림자에 의한 냉각효과가 적고 자연피복이 없어 LST가 높게 나타난 것으로 생각된다. 건물이 밀집하고 자연피복이 거의 없는Compact클래스(LCZ1-3)가 자연 피복과 인공피복이 함께 있는Open클래스(LCZ4-6)보
다LST가 높게 나타난 것을 통해 도시지역 내 밀집한 인
공물과 적은 자연피복은 높은LST를 형성하고UHI현 상 가중에 크게 기여함을 확인할 수 있다. 두 번째로, 건 물 높이가 높은High-rise클래스(LCZ1, LCZ4)에 비해 높이가 낮은Mid-rise클래스(LCZ 2, LCZ 5), Low-rise 클래스(LCZ3, LCZ 6)의 온도가 상대적으로 높게 나타 났다. 이는Elmeset al. (2020)에서 언급되었듯이 높은 건 물이 존재하면 그 그림자에 의한 지표면 냉각효과가 있 으나 낮은 건물만 존재할 경우 그림자의 영향 없이 열 에 더 많이 노출되기 때문이다.
Table 3은 수원과 대구에 대해 사계절의LCZ클래스 별SUHI강도를 계산한 결과로LST박스플롯(Fig. 5)과 비슷한 경향을 보였다. 여름철에는 두 도시 모두 가장 강한SUHI강도를 가지고 봄과 가을에는 여름에 비해
감소하나 건물이 밀집한LCZ1-3에서는UHI현상이 나 타남을 확인할 수 있으며 이는 선행연구들의 결과와 상 응한다(Budhirajaet al., 2019; Geletičet al., 2019). 겨울의 경우 오히려 많은 클래스에서 음의SUHI강도를 보이 는데 이는 도시보다 자연피복으로 이루어진LCZD가 더 따뜻함을 뜻한다. 이러한 현상은 밤과 아침의 온도 가 낮은 겨울에 주로 나타나는데Hafner and Kidder (1999)과Theeuweset al. (2015)에서 언급된 것처럼, 인공 피복이 자연피복보다 열관성이 강해 일출에 따른 온도 변화에LCZD보다 느리게 반응하기 때문이다. 두 연구 지역에서 산업단지 및 공업단지로 샘플링된LCZ8의 경 우 모든 계절에서 가장 강한SUHI강도를 보였으며 높 고 낮은 건물이 밀집한LCZ1-3에서도 겨울을 제외한 모든 계절에서 양의 값을 보였다. 하지만 인공피복과 자 연피복이 함께 존재하는LCZ4-6에서는 여름을 제외하 면 비교적SUHI강도가 약했다. 이는 같은 도시지역일 지라도 인공피복과 자연피복의 비율, 건물의 밀집도에
따라서UHI의 강도가 다르게 나타남을 시사한다.
두 연구지역에서 강한SUHI강도를 보였던 여름과
음의SUHI를 보였던 겨울에 대한 공간적인 분석을 수
행하였다(Fig. 7). 서로 다른 범위를 가지는 두 계절 간의 SUHI강도 비교를 위해 각 이미지 별로 최소 최대값을 이용한 정규화 과정을 거쳤다. 두 도시 모두 여름철에 는 도시지역의SUHI강도가 산지, 수역 등 자연과 확연 한 차이를 보이며UHI가 강하게 나타나는 것을 확인할 수 있다(Fig. 7(a), (c)). 하지만 겨울의 경우 도시지역과 자연 사이의SUHI강도 차이가 뚜렷하지 않고 연구지 역 전반에서 약한SUHI강도를 보였다(Fig. 7(b), (d)).
SUHI강도의 공간적 패턴은 계절에 따라 큰 차이를 보 Table 3. The magnitude of SUHI for each LCZ class by season in Suwon and Daegu
LCZ class
Suwon Daegu
SUHI magnitude (°C)
Spring Summer Fall Winter Spring Summer Fall Winter
1 1.2 6.0 1.5 -0.7 2.5 5.9 1.6 -0.8
2 1.9 6.7 2.3 0.0 3.6 7.2 2.3 -0.3
3 2.0 6.6 2.4 0.1 3.5 7.0 2.3 -0.4
4 -0.6 2.9 -0.2 -1.2 0.6 3.3 0.1 -1.4
5 0.7 4.5 1.1 -0.5 2.3 5.5 1.4 -0.7
6 1.6 4.4 1.8 0.5 0.6 1.7 0.5 0.0
8 2.9 7.2 3.3 0.9 5.3 8.7 4.2 1.4
였지만 가장 높은 값을 가지는 곳은 동일했는데, 이는 LCZ8에 해당한다. LCZ8은 생산활동으로 인해 배출되 는 인공열에 의해 계절구분 없이 가장 높은SUHI값을 띄었다.
5. 결론
본 연구에서는 수원시와 대구광역시에 대해 딥러닝 과 위성영상 기반의 고해상도LCZ지도를 구축하였고 이를 바탕으로 다양한 도시의 구조적 특성에 따른LST 와SUHI강도를 분석하였다. LCZ는SUHI강도 계산에 있어 모호하였던 도시지역과 교외지역을 구분하는 기 준으로 활용되어 객관적인SUHI분석을 가능하게 하 였다. 분류모델의 정확도는 연구지역에 대해 구축한 지
상참조자료를 통해 검증하였고 전체 분류정확도가 수 원의 경우87.88%이고 대구의 경우81.70%를 보였다.
LCZ지도에서 다양한 종류의 도시녹지가 많이 조성된 수원의 특징과 산업단지가 넓게 위치한 대구의 특징을 확인할 수 있었다. 일부 도시 클래스 사이에 발생했던 오분류는LCZ분류모델에 건물 정보를 추가로 제공하 거나 더 상세한 원격탐사 자료를 사용하면 정확도가 개 선될 것으로 기대된다. LST를 분석한 결과, 건물이 밀집 한 클래스(i.e., LCZ1-3)에서 건물이 비교적 적고 자연피 복이 혼재된 클래스(i.e., LCZ4-6)보다 높은LST를 띄었 고 건물의 높이가 낮은 클래스에서 고층 건물들로 이루 어진 클래스 보다LST가 높게 나타나는 것을 확인할 수
있었다. LCZ분류체계를 바탕으로 계절별SUHI강도
에 대해 계산한 결과, 여름철에는 강한UHI가 발생하고 겨울철에는 도시가 자연보다 아침의 낮은 온도를 오래 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.
유지하고 있는 현상이 발견되었다. 본 연구는 고해상도 LST위성영상을 사용하였지만 시간해상도가 낮고 구 름의 영향으로 계절별로 사용된 영상의 개수에 차이가 존재하였다. LST와SUHI강도는 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 결과는LCZ분 류체계가 우리나라 도시들의 복잡한 구조적 특성, 피복 의 특징을 잘 반영할 수 있으며, LCZ를 이용해 상세한 도시구조에 따른LST와SUHI를 분석하였다. 본 연구의 방법론과 분석결과는 향후 도시열환경 분석에 있어 유 의미한 자료로 활용될 수 있을 것으로 기대된다.
사사
본 연구는 행정안전부의 재난안전 산업육성지원 사 업(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. Böhner, 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.
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.
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.
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.
Carranza-García, M., J. García-Gutiérrez, and J.C.
Riquelme, 2019. A framework for evaluating land use and land cover classification using convolutional neural networks, Remote Sensing, 11(3): 274.
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.
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.
Fallmann, J., R. Forkel, and S. Emeis, 2016. Secondary effects of urban heat island mitigation measures on air quality, Atmospheric Environment, 125:
199-211.
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.
Geletič, J., M. Lehnert, S. Savić, and D. Milošević,
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.
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.
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.
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).
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).
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.
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 multi- dimensional convolutional neural networks from geostationary satellite data, Remote Sensing, 12(1): 108.
Lemonsu, A., V. Viguié, 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.
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.
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.
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.
Oke, T.R., 1995. The heat island of the urban boundary layer: characteristics, causes and effects, In Wind Climate in Cities, 277: 81-107.
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.
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.
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.
Seifert, L.I., G. Weithoff, and M. Vos, 2015. Extreme heat changes post-heat wave community reassembly, Ecology and Evolution, 5(11): 2140-2148.
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.
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.
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.
Unger, J., E. Lelovics, and T. Gál, 2014. Local Climate Zone mapping using GIS methods in Szeged, Hungarian Geographical Bulletin, 63(1): 29-41.
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.
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.
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.
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.
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.
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.
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.
