💻 computer science

HeatCast: A Benchmark for Neighborhood-Scale LST Forecasting across 124 U.S. Cities

이 논문은 대규모 데이터셋, 표준화된 평가 지표를 포함하며 Earthformer 모델이 CNN+LSTM 베이스라인보다 우수한 성능을 입증하는 미국 124개 도시의 근접 규모(30m) 월간 지표면 온도 예측을 위한 포괄적인 벤치마크인 HeatCast를 소개한다.

원저자: Jesus Guerrero, Isaac Corley, Leon Najafirad, Maryam Tabar, Paul Rad

게시일 2026-08-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jesus Guerrero, Isaac Corley, Leon Najafirad, Maryam Tabar, Paul Rad

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지구를 거대하고 빛나는 조각보 담요라고 상상해 보세요. 어떤 칸은 검은 아스팔트와 콘크리트로 만들어져 7월의 검은 자동차처럼 태양빛을 흡수합니다. 다른 칸은 초록색 풀이나 푸른 물로 만들어져 시원하고 신선함을 유지합니다. 이러한 온도의 차이는 단순히 쾌적함의 문제가 아닙니다. 그것은 삶과 죽음의 문제입니다. 도시가 너무 뜨거워지면 사람들을 병들게 하거나 심지어 사망에 이르게 할 수도 있습니다. 과학자들은 이를 "지표면 온도(LST)"라고 부르는데, 이는 기본적으로 공기가 아니라 지면이 얼마나 뜨거운지를 측정하는 멋진 표현입니다.

오랫동안 과학자들은 이 열기를 예측하려고 노력해 왔지만, 그들의 지도는 종종 흐릿했습니다. 그들은 도시 전체를 안개 낀 창문을 통해 보는 것처럼 거대한 땅 덩어리를 보았고, 실제로 열기가 쌓이는 아주 작은 세부 사항들을 놓쳤습니다. 또한 그들은 주로 한 번에 한두 개의 도시만을 살펴보았기에, 새로운 방법이 정말 좋은 것인지 아니면 그저 운이 좋았던 것인지 비교하기가 어려웠습니다. 이를 해결하기 위해 연구자들은 모두가 동일한 까다로운 동네 규모의 퍼즐을 대상으로 자신의 예측 도구를 테스트할 수 있는, 거대하고 명확하며 공유된 놀이터가 필요했습니다.

여기에 도시 열기를 예측하기 위한 거대하고 고화질인 비디오 게임 레벨 역할을 하는 새로운 프로젝트, HeatCast가 등장했습니다. 이 팀은 도시 전체를 보는 대신, 124개의 서로 다른 미국 도시를 가로질러 블록 단위로 개별 동네를 확대해 보는 벤치마크를 만들었습니다. 그들은 2013년부터 2025년 중반까지 10년 치의 위성 사진을 수집하여, 뜨거운 주차장과 바로 옆의 시원한 공원 사이의 온도 차이를 볼 수 있을 정도로 상세한 데이터셋을 구축했습니다.

연구자들은 단순히 데이터를 쏟아부은 것이 아니라, 컴퓨터 모델들이 치를 엄격한 "시험"을 만들었습니다. 그들은 구체적인 과제를 설정했습니다: 지난 12개월 동안의 날씨와 지표 데이터를 보고, 다음 달의 지면 온도가 어떻게 될지 추측하는 것입니다. 그들은 두 가지 유형의 AI "학생"을 이 시험에 투입했습니다. 하나는 고전적이고 신뢰할 수 있는 학생(CNN+LSTM)이었고, 다른 하나는 Earthformer라고 불리는 더 새롭고 진보된 학생이었습니다.

결과는 다소 놀라웠습니다. 진보된 Earthformer 모델은 평균 오차 7.74 K(켈빈)로 열기를 훨씬 더 잘 예측한 반면, 고전적인 모델은 10.42 K의 오차를 보였습니다. 하지만 가장 흥istic한 발견은 어떤 모델이 더 똑똑했느냐가 아니라, 그들이 무엇을 근거로 생각했느냐는 점이었습니다. 연구자들은 최고의 예측이 단지 과거의 열 기록만을 보고서 나온 것이 아님을 발견했습니다. 사실, Earthformer 모델은 과거의 열 데이터를 완전히 무시하고 대신 녹지 면적, 가시적인 수량, 그리고 지면의 반사율(shiny) 등 8가지 다른 단서들에 집중했을 때 가장 낮은 오차율인 7.72 K를 기록했습니다. 결국, 지면이 어떻게 보이는지를 아는 것이 어제 얼마나 뜨거웠는지를 아는 것보다 어떻게 뜨거워질지를 예측하는 데 더 나은 수정구슬이 된다는 사실이 밝혀진 것입니다.

이 논문은 열 문제에 대한 해답을 영원히 찾아냈다고 주장하는 것이 아니라, 과학계에 강력한 새로운 도구를 건네준 것입니다. 그들은 모든 데이터와 코드, 그리고 모델을 위한 "정답지"를 공개함으로써, 모두가 더 나은 열 예측 도구를 만들 수 있는 공정한 방법을 제공했습니다. 이는 도시 계획가들이 정확히 어디에 나무를 심거나 공원을 조성하여 가장 뜨겁고 취약한 동네를 식힐 수 있을지 파악하는 데 도움을 줄 수 있으며, 결과적으로 도시를 모두에게 더 안전하고 쾌적하게 만들 수 있을 것입니다.

기술 요약: HeatCast – 이웃 규모(Neighborhood-Scale) LST 예측을 위한 벤치마크

문제 정의

지표면 온도(LST)는 도시 열 환경을 이해하는 데 중요한 지표이지만, 이웃 규모(30m 해상도)의 LST 예측을 위한 널리 채택된 공개 벤치마크는 존재하지 않는다. 기존 연구는 다음 세 가지 요인으로 인해 제한적이다:

지리적 범위: 대부분의 연구는 단 하나 또는 세 개의 도시에만 집중되어 있다.
해상도: 기존 데이터셋은 종종 킬로미터 규모의 제품을 사용하여 도시 내부의 열 구배(예: 불투수면과 식생 사이의 차이)를 매끄럽게 만들어 버린다.
재현성: 많은 연구가 데이터, 코드 또는 표준화된 평가 프로토콜을 공개하지 않아, 연구 간 모델 성능이나 작업 난이도를 비교하기 어렵게 만든다.

결과적으로, 커뮤니티에는 다양한 도시 환경에 걸쳐 다음 달 LST를 예측하기 위한 모델을 평가할 수 있는 표준화된 방법이 부족한 실정이다.

방법론

데이터셋 구축 (HeatCast)

저자들은 도시 면적이 90 mi²보다 큰 124개 미국 도시를 포괄하는 HeatCast 벤치마크 데이터셋을 구축하였다.

시간적 범위: 2013년 중반(Landsat 8 가동 시기)부터 2025년 6월까지.
공간 해상도: Landsat 8/9 Collection 2 Level-2 데이터에서 유도된 30m 그리드.
데이터 볼륨: 약 140만 개의 128×128 픽셀 패치 (~150 GB).
입력 채널 (타일당 9개):
- 지표면 온도 (LST).
- 디지털 고도 모델 (DEM).
- 표면 반사율 RGB (Bands 2–4).
- 분광 지수: NDVI, NDWI, NDBI.
- 광대역 알베도 (Albedo).
레이블: 분류 가능한 평가를 위해 각 픽셀에 로컬 기후 구역(LCZ) 레이블(17개 클래스 + 미분류)이 할당되었다.
전처리: 장면(Scenes)들을 모자이크 처리하고 공통 UTM 그리드로 재투영하였으며, 구름의 영향을 받은 픽셀은 마스킹 처리하였다. 시퀀스 내의 누락된 달은 선형 보간법(연속된 두 달까지)을 사용하거나 제외하였다.

벤치마크 프로토콜

작업: 다음 달 LST 예측. 12개월 연속된 9채널 관측치를 바탕으로 다음 달의 LST 채널을 예측한다.
시계열 분할:
- 훈련(Training): 2013–2021.
- 검증(Validation): 2022–2023.
- 테스트(Test): 2024년 1월–2025년 6월.
지표: 유효한 픽셀들에 대한 평균값으로 보고되는 켈빈(Kelvin) 단위의 평균 제곱근 오차(RMSE). 평가는 LCZ 슈퍼 클러스터(Compact Urban, Open Urban, Other Urban, Natural)별로 계층화하여 수행된다.

베이스라인 모델

두 가지 아키텍처가 구현되어 시계열 분할 데이터로 훈련되었다:

CNN+LSTM: 2개 층의 컨볼루션 인코더(64개 은닉 채널)와 시계열 모델링을 위한 128개 유닛의 LSTM, 그리고 선형 디코더로 구성된다.
Earthformer: 입방체 주의집중(Cuboid Attention)을 사용하는 트랜스포머 기반 모델로, 256개 베이스 유닛, 4개 어텐션 헤드, 스택-컨 다운샘플러(stack-conv downsampler)로 구성된다.

두 모델 모두 AdamW(학습률 $5 \times 10^{-4}$ )를 사용하여 훈련되었으며, 조기 종료(early stopping)와 데이터 증강(회전/플립)을 적용하였다.

주요 결과

베이스라인 성능

Earthformer는 테스트 세트 전체에서 7.74 K의 집계 RMSE를 달 기록했다.
CNN+LSTM은 테스트 세트 전체에서 10.42 K의 집계 RMSE를 기록했다.
LCZ 계층화: Earthformer는 Open Urban, Other Urban, Natural 카테고리에서 CNN+LSTM보다 우수한 성능을 보였다. 그러나 CNN+LSTM은 데이터셋의 0.76%만을 차지하는 Compact Urban 픽셀에서 더 나은 성능(8.62 K vs. 12.68 K)을 보였다.

특징 제거 실험 (Ablation Study - Earthformer)

저자들은 서로 다른 입력 채널 서브셋의 예측 가치를 조사하였다:

보조 채널만 사용 (LST 제외): 8개의 비-LST 채널(DEM, RGB, 지수, 알베도)을 사용했을 때 가장 낮은 RMSE인 7.72 K를 기록했다.
모든 채널 사용: 7.74 K.
LST 이력만 사용: 8.15 K.
RGB만 사용: 8.68 K.

이는 Earthformer의 경우, 보조 변수들이 과거의 LST 데이터보다 다음 달 LST를 예측하는 데 더 강력한 신호를 제공함을 나타낸다. 반대로, CNN+LSTM의 경우 과거 LST를 제거하면 성능이 크게 저하되었다 (RMSE가 10.42 K에서 12.47 K로 증가).

의의 및 주장

본 논문은 다음과 같은 기여와 의의를 주장한다:

최초의 이웃 규모 벤치마크: HeatCast는 기존의 킬로미터 규모 또는 단일 도시 연구의 공백을 메우는, 124개 미국 도시를 대상으로 한 30m 해상도의 최초 공유 벤치마크이다.
재현성: 데이터셋, 코드, 고정된 시계열 분할 및 참조 평가 하네스가 MIT 라이선스 하에 공개되어 향후 모델들의 직접적인 비교를 가능하게 한다.
예측 특징에 대한 통찰: 특징 제거 실험은 트랜스포머 기반 모델에서 보조 변수(알베도 및 분광 지수와 같은)가 역사적 LST 데이터보다 더 뛰어난 성능을 낼 수 있음을 보여준다.
미래 연구를 위한 토대: 이 벤치마크는 클래스 균형 예측(특히 희귀한 Compact Urban 클래스에 대해), 특징 융합, 그리고 열 예측에 대한 지리 공간 파운데이션 모델의 적용 연구를 지원한다.

저자들은 Landsat LST 제품의 본질적인 불확실성(맑은 하늘 아래에서도 1–2 K), 충분한 무구름 영상을 보유한 대도시 중심의 연구라는 점, 그리고 이 벤치마크가 미지의 지리적 위치로의 전이가 아닌 알려진 도시 내의 미래 날짜를 평가한다는 점 등 한계점을 언급하였다. 데이터셋은 https://doi.org/10.57967/hf/9889 에서 이용 가능하다.