Novel Use of Local Climate Zones: Urban Form-based Method for Carbon Sink Assessment using Convolutional Neural Network

기술 요약: 도시 탄소 흡수원 평가를 위한 국지 기후 구역(LCZ)의 새로운 활용

문제 제기
지구 온난화로 인해 탄소 배출 감소 전략이 필수적인 가운데, 탄소 흡수원(특히 식생 기반 탄소 흡수원, $CS_v$)이 결정적인 역할을 하고 있습니다. 해양과 산림이 주요 흡수원이지만, 도시화는 종종 자연 경관을 파괴하여 도시의 탄소 격리 능력을 감소시킵니다. 현재의 도시 $CS_v$ 추정 방식은 복잡한 계산, 상세한 식생 조사 또는 고해상도 디지털 모델을 필요로 하는 경우가 많아 광범위하게 적용하기 어렵습니다. 따라서 도시 계획 및 넷제로(net-zero) 배출 목표 달성을 돕기 위해 도시 형태와 탄소 격리 사이의 관계를 정량화할 수 있는 단순화되고 비용 효율적인 방법이 필요합니다.

연구 방법론
본 연구는 상세한 식생 데이터 없이도 $CS_v$를 추정하기 위해 **국지 기후 구역(Local Climate Zones, LCZ)**과 **합성곱 신경망(Convolutional Neural Networks, CNN)**을 결합한 새로운 프레임워크를 제안합니다.

1. 연구 지역 및 데이터: 본 연구는 도시화 밀도가 서로 다른 대만의 두 도시인 타이베이시(고밀도)와 자이시(저밀도)에 초점을 맞추었습니다.

   • LCZ 매핑: 도시 형태를 정량화하기 위해 두 도시에 대한 글로벌 LCZ 지도(100m 해상도)를 확보했습니다. 이 지도는 환경을 17개 클래스(건물형 10개, 자연형 7개)로 분류합니다.
   • 탄소 흡수량($CS_v$) 계산: SPOT 6 위성 영상, K-평균 군집화(K-means clustering), 그리고 ETH Global Sentinel-2 캐노피 높이 지도를 사용하여 3D 식생 모델을 생성했습니다. 대만의 녹색 건축 가이드라인에 따라 식생을 대교목, 소교목, 관목, 녹지로 분류하고 각각에 특정 격리율(kgCO2e/m²/yr)을 할당하여 $CS_v$를 계산했습니다.
   • 데이터 준비: 계산된 $CS_v$ 지도는 500m 그리드로 재표집되었습니다. LCZ 지도는 10m로 재표집된 후, CNN의 입력 이미지로 사용하기 위해 50m × 50m 그리드(2,500 m²)로 나누어졌습니다.

2. 모델 아키텍처: 4개의 합성곱 계층(convolutional layers), 4개의 풀링 계층(pooling layers), 1개의 플래튼 계층(flattened layer)으로 구성된 표준 CNN 모델을 구축했습니다.

   • 학습: 모델은 LCZ 그리드 입력을 바탕으로 그에 상응하는 $CS_v$ 값을 예측하도록 학습되었습니다. 학습은 50%에서 80% 사이의 샘플링 비율로 수행되었습니다.
   • 평가: 성능은 결정계수($R^2$), 평균 절대 오차(MAE), 코사인 유사도, 피어슨 상관계수를 사용하여 평가되었습니다. 모델은 "본 데이터(동일 도시)"와 "낯선 데이터(교차 도시 적용)" 모두에 대해 테스트되었습니다.

주요 결과

• 도시 형태와 탄소 흡수원: 통계 분석 결과, 도시화 강도가 낮은 건물 환경, 특히 **LCZ 5(중층 개방형), LCZ 6(저층 개방형), LCZ 9(희소 건물형)**가 $CS_v$에 기여할 수 있는 높은 잠재력을 가진 것으로 나타났습니다. 이는 식생 성장을 위한 공간 확보 능력 때문입니다. 자연 경관(LCZ 11, 12, 14) 또한 높은 기여도를 보였으며, 이는 예상과 일치합니다.
• CNN 성능 (타이베이): 타이베이시 데이터로 학습된 CNN 모델은 50% 샘플링 시 $R^2$ 점수 0.75 이상, 낮은 MAE(약 29,000 kgCO2e/yr)를 달축하며 강력한 성능을 보였습니다. 모델은 동일 도시 내에서 관측값과 예측값 사이에 높은 상관관계(Pearson ~0.999)를 입증했습니다.
• CNN 성능 (자이): 자이시 데이터로 학습된 모델은 음수 또는 낮은 $R^2$ 값을 기록하며 성능이 저조했습니다. 저자들은 이를 자이시 LCZ 지도의 오분류(예: 자연 경관이 건물 구역으로 잘못 분류됨) 때문으로 분석했으며, 이로 인해 모델이 도시 형태와 탄소 흡수원 사이의 신뢰할 수 없는 관계를 학습하게 되었다고 설명했습니다.
• 도시 간 적용 가능성: 한 도시에서 학습된 모델을 다른 도시에 적용했을 때("낯선 데이터셋"), 성능이 크게 하락했습니다($R^2$ 낮음, MAE 높음). 상관관계 분석 결과, 타이베이와 자이는 $CS_v$와 LCZ의 공간적 패턴이 뚜렷하게 달랐으며, 이는 모델이 일반적인 글로벌 패턴이 아닌 도시 특유의 관계를 학습함을 시사합니다.

주요 기여

• LCZ의 새로운 활용: 본 연구는 LCZ를 도시 기후 및 열섬 현상 연구에 사용하는 전통적인 방식을 넘어, 탄소 흡수량을 추정하기 위한 도시 형태의 대리 지표(proxy)로 활용할 것을 제안합니다.
• 단순화된 추정 방법: 제안된 CNN-LCZ 방식은 예측 단계에서 상세한 지면 수준의 식생 조사나 복잡한 3D 모델링을 요구하지 않고 LCZ 지도와 원격 탐사에 의존하므로, 기존의 $CS_v$ 평가에 대한 더 단순한 대안을 제공합니다.
• 도시 형태의 영향 정량화: 본 연구는 저밀도 건물 환경(LCZ 5, 6, 9)이 도시 탄소 흡수원에 크게 기여할 수 있음을 실증적으로 보여줌으로써, 도시 계획에 실행 가능한 통찰력을 제공합니다.

의의 및 주장
저자들은 본 연구가 도시 탄소 흡수량을 추정하기 위한 새롭고, 비용 효율적이며, 효율적인 방법을 제시한다고 주장합니다. LCZ 패턴과 $CS_v$ 사이의 관계를 활용함으로써, 개발 과정에서도 높은 수준의 탄소 격리를 유지할 수 있도록 돕는 도시 계획을 지원할 수 있습니다.

그러나 논문은 한계점에 대해 신중한 태도를 유지합니다. 저자들은 이 방법의 신뢰성이 LCZ 지도의 정확도에 크게 의존함을 명시적으로 밝히고 있습니다. LCZ 지도에 분류 오류가 있었던 자이시의 사례처럼, 결과가 신뢰할 수 없게 될 수 있습니다. 따라서 저자들은 이 방법이 실현 가능하지만, 효과를 거두기 위해서는 고품질의 지역 검증된 LCZ 지도와 도시별 모델 학습이 필요하다고 결론짓습니다. 즉, 본 연구는 이 방법이 별도의 지역적 보정 없이 보편적으로 적용 가능하다고 주장하는 것이 아니라, 정확한 환경 정량화가 이루어진 도시들을 위한 도구로서의 잠재력을 강조하고 있습니다.