Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

기술 요약: 다중 오염물질 노출에 따른 열적 불쾌감 예측을 위한 설명 가능한 머신러닝 연구: 다카 도로 환경을 중심으로

문제 제로 (Problem Statement)
방글라데시 다카와 같은 급격히 발전하는 메가시티의 도시 도로는 보행자, 통근자, 교통 경찰, 비공식 노동자 등이 열기, 대기 오염(미세먼지 및 CO₂), 교통 소음이라는 복합적인 스트레스 요인에 동시에 노출되는 복잡한 환경을 제시한다. 기존 연구들은 이러한 요인들을 개별적으로 평가하는 경우가 많아, 다중 오염물질 노출이 인간의 열적 지각에 미치는 시너지 효과를 포착하지 못한다. 또한, 표준 통계 방법론은 이러한 변수들 사이의 비선형적 상호작용과 주관적인 열적 쾌적함을 모델링하는 데 어려움을 겪을 수 있다. 본 연구는 설명 가능한 머신러닝(ML) 프레임워크를 활용하여 다중 오염물질 노출 데이터와 통합함으로써, 다카의 도로 미세환경 내 열적 불쾌감을 정량화하고 예측하고자 한다.

연구 방법론 (Methodology)
본 연구는 다카의 세 가지 주요 경로(북부, 중부, 남부)를 따라 배치된 17개의 전략적 모니터링 지점에서 수행된 횡단적, 현장 기반 관찰 설계 방식을 채택하였다. 데이터 수집은 늦은 몬순, 포스트 몬순, 그리고 겨울 전환기(2025년 8월 ~ 2026년 1월) 동안 진행되었다.

• 데이터 수집:
  • 환경 센서: 교정된 지능형 공기 감지기(JLDC)를 사용하여 PM₁, PM₂.₅, PM₁₀ 및 CO₂ 농도를 측정하였다. 미니 소음 측정기(UT353)를 통해 교통 소음 수준을 기록하였다. 또한 기상 데이터(온도, 상대 습도, 풍속)도 함께 수집하였다.
  • 인간 지각: 1,109명의 참가자를 대상으로 한 구조화된 인터뷰를 통해 ASHRAE 가이드라인에 따른 주관적 열 감각 투표(매우 시원함에서 더움까지)와 의복 지수, 건강 문제(예: 두통), 인지된 공기 질 데이터를 수집하였다.
• 데이터 전처리: 원시 데이터셋은 센서 오류, 중복 및 결측치 제거를 포함한 엄격한 정제 과정을 거쳤다. 최종 모델링 데이터셋은 1,109개의 관측치로 구성되었다.
• 머신러닝 프레임워크: 열적 불쾌감 범주를 예측하기 위해 세 가지 지도 학습 분류 알고리즘을 훈련시켰다:
  1. 의사결정나무 (Decision Tree, DT): 해석 가능한 베이스라인으로 사용됨.
  2. 랜덤 포레스트 (Random Forest, RF): 과적합을 줄이고 안정성을 높이기 위한 앙상블 방법.
  3. XGBoost: 복잡한 비선형 관계를 포착하기 위한 고급 그래디언트 부스팅 모델.
• 설명 가능성 및 검증: 모델 성능은 ROC-AUC, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 및 혼동 행렬(Confusion Matrix)을 사용하여 평가되었다. 해석 가능성을 보장하기 위해 SHAP(SHapley Additive exPlanations) 분석을 적용하여 각 예측 변수의 상대적 기여도를 결정하였다. 또한 입력 변수의 변화에 따른 모델의 강건성을 평가하기 위해 민감도 분석을 실시하였다.

주요 결과 (Key Results)

• 노출 부담: 연구 결과 높은 수준의 다중 오염물질 노출 부담이 확인되었다. 평균 PM₂.₅ 농도는 71.37 µg/m³였으며, PM₁ 농도는 평균 58.35 µg/m³였다. 도로변 측정값 중 최대 PM₂.₅ 농도는 본 데이터셋에서 100.00 µg/m³로 기록되었으나, 텍스트에서는 미르푸르-10(Mirpur-10) 구역에서 172.2 µg/m³의 피크치가 발생했음을 명시하고 있다. 평균 소음 수준은 82.96 dB에 달했다. 이 수치들은 세계보건기구(WHO) 가이드라인을 크게 상회한다.
• 열적 불쾌감 유병률: 현장 데이터 분석 결과, 관측치의 99.46%가 "더움(Hot)", "따뜻함(Warm)", 또는 "약간 따뜻함(Slightly Warm)"으로 분류되었다. 중립적이거나 시원함을 느꼈다고 보고한 비율은 극히 미미했다.
• 모델 성능: 앙상블 모델은 단일 의사결정나무 모델보다 유의미하게 우수한 성능을 보였다. 랜덤 포레스트와 XGBoost 모두 0ity 0.96의 정확도와 0.96의 F1-score를 달성하였으며, ROC-AUC 값은 우수한 판별력(AUC = 0.96)을 나타냈다. 모델은 다양한 노출 시나리오 전반에서 열적 불쾌감을 분류하는 데 높은 안정성을 보였다.
• 예측 변수의 중요도 (SHAP 분석): 온도가 유일한 동인이라는 가정과 달리, SHAP 분석 결과 **풍속(Wind Velocity)**과 CO₂ 농도가 열적 불쾌감의 가장 영향력 있는 예측 변수로 식별되었다. PM₁₀, 의복 지수, 습도 또한 중간 정도의 기여를 하였으며, PM₂.₅와 소음 수준은 작지만 무시할 수 없는 영향을 미쳤다. 이는 미세 기후의 공기 흐름과 교통 관련 배출물(교통 정체 및 환기 불량의 지표)이 불쾌감을 결정하는 핵심 요소임을 시사한다.
• 민감도: 민감도 분석을 통해 PM 및 소음 변수는 상대적으로 안정적인 영향력을 유지하는 반면, CO₂ 노출의 변화는 모델 예측에 더 큰 변동을 일으킨다는 점을 확인하였다. 이는 열적 쾌적함이 교통 밀도 및 환기 조건에 매우 민감함을 강조한다.

의의 및 기여 (Significance and Contributions)
본 논문은 도시 환경 보건 및 머신러닝 분야에 다음과 같은 몇 가지 중요한 기여를 한다고 주장한다:

1. 통합적 다중 오염물질 접근법: 열기, 소음, 또는 오염을 개별적으로 다루었던 기존 연구들과 달리, 본 연구는 밀집된 열대 메가시티에서 이러한 스트레스 요인들이 열적 지각에 미치는 결합된 영향을 이해하기 위한 증거 기반 프레임워크를 제공한다.
2. 설명 가능한 AI의 적용: SHAP 분석을 활용함으로써 본 연구는 "블랙박스"식 예측을 넘어선다. 풍속 및 CO₂와 같은 변수의 구체적인 영향력을 정량화함으로써, 단순한 예측 정확도를 넘어 정책 입안자들에게 실행 가능한 통찰력을 제공한다.
3. 공중 보건 관련성: 연구 결과는 다카의 열적 불쾌감이 단순히 기상학적 문제가 아니라, 열기, 입자상 물질, 소음의 시너지에 의해 발생하는 공중 보건 위기임을 강조한다. 99.46%에 달하는 높은 불쾌감 유병률은 야외 노동자와 통근자의 취약성을 여실히 보여준다.
4. 정책 프레framework: 본 연구는 자연 기반 솔루션(도로변 수목 식재, 그늘진 보도), 교통 배출 제어, 소음 완화 등을 포함한 다부처적 개입 전략을 제안한다. 또한 공간 분석을 통해 식별된 특정 고위험 도로 구간을 대상으로 이러한 조치들이 집중되어야 함을 시사한다.

저자들은 열적 불쾌감을 해결하기 위해서는 대기 질, 소음, 미세 기후를 동시에 관리하는 통합적인 도시 계획 접근 방식이 필요하며, 이는 데이터 기반의 설명 가능한 예측 모델에 의해 뒷받침되어야 한다고 결론짓는다.