Predicting Local Climate Zones using Urban Morphometrics and Satellite Imagery

이 연구는 321 가지 2 차원 도시 형태 측정치를 기반으로 한 국지 기후대 (LCZ) 예측과 위성 영상과의 융합 방식을 평가한 결과, 도시 형태와 LCZ 간의 관계가 불확실하고 일관성이 부족하여 형태 분석에서 LCZ 프레임워크를 사용할 때 주의가 필요함을 시사합니다.

핵심

이 논문은 **"도시의 모양 (형태) 만으로 그 도시의 기후 구역을 예측할 수 있을까?"**라는 흥미로운 질문에 답하려는 연구입니다.

쉽게 비유하자면, **"집의 외관과 거리 지도만 보고, 그 동네가 '뜨거운 사막'인지 '시원한 숲'인지, 혹은 '바쁜 상업지'인지 '조용한 주거지'인지 맞혀보는 게임"**이라고 생각하시면 됩니다.

연구진은 두 가지 방법을 비교해 보았습니다.

1. 연구의 배경: 도시의 '날씨'를 분류하는 법

우리가 사는 도시에는 다양한 구역이 있습니다. 고층 빌딩이 빽빽한 곳, 낮은 집이 드문드문 있는 곳, 공장이 있는 곳, 숲이 우거진 곳 등요. 과학자들은 이들을 **'국소 기후 구역 (LCZ)'**이라는 이름으로 분류합니다. 보통은 위성 사진 (하늘에서 본 도시의 모습) 을 보고 이 분류를 합니다. 마치 구름을 보고 비가 올지 예측하는 것과 비슷하죠.

하지만 연구진은 **"위성 사진만 보는 게 아니라, 도시의 실제 구조 (건물 크기, 거리 모양, 밀도 등) 를 숫자로 세어보면 더 잘 알 수 있지 않을까?"**라고 생각했습니다. 이를 **'도시 형태 측정 (Urban Morphometrics)'**이라고 합니다.

2. 실험 방법: 세 가지 시나리오

연구진은 5 개 도시 (베를린, 홍콩, 파리, 로마, 상파울루) 를 대상으로 세 가지 방법을 시험해 보았습니다.

• 방법 A (위성 사진만 보기): 하늘에서 찍은 사진만 보고 AI 가 "이곳은 고층 빌딩 구역이야!"라고 추측하는 기존 방식. (기준선)
• 방법 B (도시 구조만 보기): 위성 사진은 보지 않고, 건물 지도와 거리 지도만 보고 "건물이 빽빽하고 좁으니 고층 구역이겠지?"라고 추측하는 방식.
• 방법 C (둘 다 합치기): 위성 사진과 도시 구조 데이터를 섞어서 AI 에게 학습시킴.

3. 주요 발견: "모양만으로는 부족하다"

이 연구의 결과는 다소 놀라웠습니다.

• 도시 구조 (방법 B) 만으로는 한계가 명확했습니다:
  건물 지도와 거리 데이터만으로 기후 구역을 맞추려니, 도시마다 결과가 천차만별이었습니다. 어떤 도시에서는 90% 이상 맞췄지만, 다른 도시에서는 60% 도 못 맞췄습니다.

  • 비유: 마치 사람의 얼굴 특징 (코, 눈, 입) 만 보고 그 사람의 성격을 추측하는 것과 같습니다. 어떤 사람은 코가 크면 성격이 급할 수도 있지만, 다른 사람은 그렇지 않을 수 있어 일관성이 없습니다.
  • 특히 '건물 높이'나 '공업 지역' 같은 세부적인 구분은 모양만으로는 거의 불가능했습니다.

• 위성 사진과 합치면 (방법 C) 조금 나아지지만, 만능은 아님:
  위성 사진에 도시 구조 데이터를 더했을 때, 홍콩이나 로마 같은 도시에서는 정확도가 조금 올라갔습니다. 하지만 다른 도시에서는 오히려 성능이 떨어지거나 별 차이가 없었습니다.

  • 비유: 요리에 소금을 더 넣는 것과 비슷합니다. 어떤 요리는 소금이 맛을 살리지만, 어떤 요리는 소금만 넣으면 맛이 망가질 수 있습니다. 데이터 융합이 항상 좋은 결과를 보장하지는 않는다는 뜻입니다.

4. 결론: "도시의 모양과 기후는 생각보다 연결이 약하다"

이 연구의 핵심 결론은 다음과 같습니다.

1. 위성 사진이 여전히 최고입니다: 도시의 기후 구역을 분류할 때, 하늘에서 찍은 사진 (위성 영상) 이 건물 지도보다 훨씬 더 강력하고 일관된 정보를 줍니다.
2. 형상 측정의 한계: 도시의 모양 (건물 밀도, 거리 형태 등) 만으로는 기후 구역을 완벽하게 설명할 수 없습니다. 두 가지 사이의 관계가 생각보다 복잡하고 약합니다.
3. 주의가 필요함: 앞으로 도시 계획이나 기후 연구를 할 때, 단순히 "이 구역은 건물 모양이 이러하니까 기후도 이러할 것이다"라고 너무 쉽게 결론 내리면 안 된다는 경고입니다.

요약

이 논문은 **"도시의 구조를 숫자로 세어보는 것 (형태 측정) 은 흥미롭지만, 위성 사진만큼 강력하지는 않다"**는 사실을 증명했습니다.

마치 사람을 판단할 때 옷차림 (위성 사진) 을 보는 것이, 손가락 길이 (건물 구조) 만을 보는 것보다 더 정확한 경우가 많다는 것과 비슷합니다. 물론 옷차림과 손가락 길이를 함께 보면 더 잘 알 수 있지만, 옷차림이 가장 중요한 단서라는 것입니다.

따라서 도시의 기후를 분석할 때는 위성 사진을 주력으로 하되, 도시의 구조 데이터는 보조적인 참고 자료로만 조심스럽게 사용해야 한다는 교훈을 줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 지역 기후대 (Local Climate Zone, LCZ) 프레임워크는 도시 형태를 표현하고 기후 분석을 수행하는 데 널리 사용되지만, 기존 LCZ 매핑은 주로 위성 영상 (원격 탐사) 에 의존합니다.
• 문제점:
  • 기존 연구들은 도시 형태를 설명하기 위해 제한된 수의 특정 지표 (예: 건물 밀도, 높이 등) 만을 사용했습니다.
  • 도시 형태측정학 (Urban Morphometrics) 은 건물의 물리적 속성과 공간적 관계를 수치화하여 도시 형태를 포괄적으로 설명할 수 있는 잠재력이 있음에도 불구하고, LCZ 분류에 적용된 사례는 드뭅니다.
  • LCZ 와 도시 형태 측정치 간의 관계가 명확하지 않으며, 기존 방법론의 정확도와 효율성 개선 필요성이 대두되었습니다.
• 연구 목적:
  1. 도시 형태측정학 데이터만으로 LCZ 를 예측할 수 있는지 평가 (형태 기반 예측).
  2. 도시 형태측정학 데이터와 위성 영상을 융합 (Fusion) 하여 LCZ 예측 정확도를 향상시킬 수 있는지 평가.

2. 연구 방법론 (Methodology)

연구는 5 개 도시 (베를린, 홍콩, 파리, 로마, 상파울루) 를 대상으로 진행되었으며, 4 가지 분류 체계 (S1~S4) 를 설계하여 비교 분석했습니다.

2.1. 데이터 수집 및 전처리

• 입력 데이터:
  • 도시 형태 데이터: Overture Maps(2025) 에서 추출한 건물 발자국 (footprints), 도로 네트워크, 수계 데이터.
  • 위성 영상: Sentinel-2 Level-2A 영상 (2017 년 성장기, 10m 해상도).
  • 참조 데이터 (Ground Truth): 2017 IEEE GRSS 데이터 퓨전 컨테스트의 전문가 검증 LCZ 데이터.
• 형태측정학 지표 계산 (momepy 라이브러리 활용):
  • 기본 지표: 건물, 도로, Enclosed Tessellation Cells(ETC, 필지) 에 대해 107 개의 1 차 형태측정학 속성 계산 (크기, 형태, 공간 분포, 강도, 연결성 등).
  • 맥락적 속성 (Contextual Attributes): 1 차 속성을 주변 ETC(3 단계 위상적 인접) 에서 25, 50, 75 백분위수로 집계하여 321 개의 2D 맥락적 형태측정학 속성으로 확장.

2.2. 분류 체계 (Classification Schemes)

1. S1 (형태 기반 예측): 321 개의 형태측정학 속성만 사용하여 Random Forest(RF) 로 LCZ 분류.
2. S2 (위성 영상 기반 기준선): Sentinel-2 영상을 입력으로 하는 Multi-Scale, Multi-Level Attention CNN(MSMLA-50) 을 사용한 기준선 모델.
3. S3 (단순 융합): S1 에서 선별된 상위 20 개 중요 속성을 영상 밴드에 추가하여 RF 로 분류.
4. S4 (심층 융합): CNN 의 특징 벡터 (Feature Vector) 와 형태측정학 속성을 결합한 후 RF 로 분류.

2.3. 평가 지표

• 가중 F1 점수 (F1), 전체 정확도 (OA), 도시 유형별 (F1U) 및 자연 유형별 (F1N) 성능 평가.
• 5 교차 검증 (5-fold cross-validation) 을 통해 모델 안정성 평가.

3. 주요 결과 (Results)

3.1. 형태 기반 예측 (S1) 의 성능

• 사이트 의존성: 성능이 도시마다 크게 달랐음 (로마: F1 64.2% ~ 파리: F1 92.5%).
• 불안정성: 학습 데이터 구성에 따라 성능 변동 폭이 매우 컸음 (13%~57% 이상).
• 분류 패턴:
  • 성공적: 밀집형 (Compact, LCZ 1-3) 과 개방형 (Open, LCZ 4-6) 구분은 비교적 잘 됨.
  • 실패/혼동:
    • 희소 건축 (LCZ 9) 은 개방형 저층 (LCZ 6) 과 혼동됨.
    • 건물 높이 차이에 따른 구분 (예: LCZ 1 vs 2) 은 제한적.
    • 중공업 (LCZ 10) 은 대부분 오분류됨.
• 결론: 2D 형태측정학만으로는 LCZ 분류에 한계가 있으며, 특정 도시 구조 (예: 밀집/개방형이 명확한 지역) 에만 유효함.

3.2. 융합 기반 예측 (S3, S4) vs 기준선 (S2)

• 전반적 성과: 융합이 기준선 (S2) 대비 정확도를 크게 향상시키지 못함.
  • 홍콩, 로마: 융합 시 도시 유형 (F1U) 정확도가 4%~6.4% 향상됨.
  • 파리, 베를린: 향상폭이 미미 (약 1% 미만).
  • 상파울루: 오히려 정확도가 하락함.
• 모델 안정성: 융합 모델은 기준선 CNN 모델보다 학습 데이터에 더 민감하고 불안정함.
• 오분류 패턴:
  • 희소 건축 (LCZ 9) 의 오분류는 융합을 통해 개선되지 않음.
  • 중공업 (LCZ 10) 은 S3(단순 융합) 에서만 정확도가 크게 향상됨.
  • 자연 유형 (LCZ A-G) 의 경우, 융합이 오히려 오분류를 증가시킨 경우가 많음.

4. 주요 기여 및 시사점 (Key Contributions & Significance)

4.1. 학술적 기여

• 포괄적 형태측정학 적용: 기존 연구들이 제한된 지표를 사용한 것과 달리, 321 개의 다양한 2D 도시 형태 측정치를 LCZ 분류에 적용한 가장 포괄적인 연구임.
• LCZ 프레임워크의 한계 제기: LCZ 분류 체계와 측정 가능한 2D 도시 형태 간의 관계가 **'선택적 (selective)'**이고 **'일관성 없음 (inconsistent)'**임을 실증. 이는 LCZ 가 도시 형태 분석을 위한 완전한 대리 지표 (proxy) 가 될 수 없음을 시사.
• 데이터 융합의 비일관성: 형태측정학과 위성 영상의 융합이 항상 성능 향상을 보장하지 않으며, 도시의 특성에 따라 효과가 달라짐을 보여줌.

4.2. 실용적 시사점

• LCZ 사용 주의: LCZ 프레임워크는 도시 형태 연구 (Morphological studies) 에서 도시 구조의 복잡성을 과도하게 단순화할 위험이 있으므로, 형태학적 분석 시 신중하게 사용해야 함.
• 향후 연구 방향:
  • LCZ 예측에 가장 적합한 형태측정학 속성 하위 집합 (Parsimonious subset) 식별 필요.
  • 2D 형태측정학에 3D 건물 높이 데이터 (3D City Models) 를 통합한 연구 필요.
  • 융합이 효과적인 특정 조건 (도시 유형, 데이터 특성 등) 규명 필요.

5. 결론

이 연구는 도시 형태측정학이 LCZ 분류에 일부 유용한 정보를 제공할 수 있음을 보여주었으나, 2D 형태 데이터만으로는 LCZ 의 복잡한 특성을 완전히 포착하기 어렵고, 위성 영상과의 융합도 일관된 성능 향상을 가져오지 못함을 증명했습니다. 이는 LCZ 가 도시 형태와 기후 간의 관계를 설명하는 데 있어 개념적 한계가 있음을 시사하며, 향후 도시 형태 분석 시 LCZ 를 맹목적으로 적용하기보다는 보다 정교한 형태학적 접근이 필요함을 강조합니다.