📄 earth_science

UHIQ: An Interactive Explainable Framework for Urban Heat Island Prediction Using Physics-Informed Regression and XGBoost

본 연구는 물리 기반 회귀와 XGBoost를 결합하여 도시 열섬 강도를 예측하는 상호작별 가능하고 설명 가능한 프레임워크인 UHIQ를 소개하며, 이는 연구자와 정책 입안자에게 환경적 동인을 분석하고 열 완화 전략을 평가할 수 있는 투명한 도구를 제공한다.

원저자: Tara Balaji

게시일 2026-09-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tara Balaji

원본 논문은 CC BY 4.0 (https://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

도시가 주변 농촌 지역보다 더 더운 경우가 많은데, 이는 도시 열섬 현상(urban heat island effect)이라고 알려진 현상입니다. 이는 콘크리트, 아스팔트, 건물이 토양이나 식물보다 열을 훨씬 더 잘 흡수하고 보유하는 반면, 나무와 풀이 제공하는 자연적인 냉각 효과는 상실되기 때문에 발생합니다. 지구 온도가 상승하고 더 많은 사람들이 도시로 이동함에 따라, 이 추가적인 열기는 전력망에 부담을 주고, 공기 질을 악화시키며, 취약 계층의 건강을 위험에 빠뜨리는 심각한 문제가 되고 있습니다. 이를 해결하기 위해 도시 계획가들은 도시의 서로 다른 부분들이 어떻게 뜨거워질지, 그리고 나무를 더 심는 것과 같은 변화가 온도를 낮추는 데 어떤 역할을 할지를 정확히 알아야 합니다. 그러나 이러한 온도를 예측하는 것은 어렵습니다. 도시의 모든 물리적 세부 사항을 모델링하려는 전통적인 컴퓨터 시뮬레이션은 매우 복적으로 매우 강력한 슈퍼컴퓨터를 필요로 하는 반면, 더 단순한 통계적 방법들은 다양한 환경 요인들이 상호작용하는 복잡하고 비선형적인 방식을 놓치는 경우가 많습니다.

연구자 타라 발라지(Tara Balaji)가 개발한 UHIQ라는 새로운 프레임워크는 이 수수께집을 풀기 위한 색다른 접근 방식을 제공합니다. 이 시스템은 단 하나의 방법론에만 의존하는 대신, 두 가지 뚜렷한 데이터 관점을 결합합니다. 하나는 이해하기 쉬운 직관적인 물리 기반 모델이고, 다른 하나는 숨겨진 패턴을 찾는 데 매우 능숙한 정교한 머신러닝 모델입니다. 목표는 단순히 온도를 정확하게 예측하는 것뿐만 아니라, 도시 관계자와 연구자들이 실시간으로 아이디어를 테스트할 수 있는 도구를 만드는 것이었습니다. 식생 피복, 시간에 따른 식물 생태의 변화, 고도 차이에 대한 데이터를 시스템에 입력함으로써, 이 프레임워크는 특정 도시 지역이 낮 동안 얼마나 뜨거워질지에 대한 예측치를 생성합니다. 이 작업이 독특한 점은 단순히 숫자 하나를 내뱉는 것이 아니라, 사용자가 환경을 변경하여 그 변화가 예측된 열기에 어떻게 영향을 미치는지 즉각적으로 확인할 수 있는 시각적 대시보드를 포함하며, 그 숫자의 근거까지 보여준다는 것입니다.

연구진이 이 시스템을 테스트했을 때, 데이터로부터 학습하는 XGBoost 기법을 사용하는 머신러러닝 모델이 더 정확한 예측 도구라는 것을 발견했습니다. 머신러닝 모델은 평균 오차를 단 1도 섭씨 미만으로 추정했으나, 더 단순한 물리 기반 모델은 약간 더 큰 평균 오차를 보였습니다. 또한 머신러닝 모델은 연구 대상 도시들 사이의 열 강도 변화를 약 50% 가까이 설명해낸 반면, 단순한 모델은 약 29%만을 설명했습니다. 이는 환경과 열 사이의 복잡하고 비선형적인 관계를 고급 알고리즘이 더 잘 포착한다는 것을 시사합니다. 그러나 연구진은 단순한 모델을 버리지 않았습니다. 그들은 단순한 모델이 열이 작동하는 일반적인 규칙을 보여주는 명확하고 투명한 기준점 역할을 하기 때문에 이를 유지했으며, 이는 복잡한 수학 없이도 식생을 통한 냉각이라는 기본 원리가 여전히 유효하다는 것을 입증했습니다.

이 연구에서 가장 중요한 발견은 식생이 도시 열을 조절하는 데 있어 단일하게 가장 강력한 요인이라는 점입니다. 연구는 녹지 면적이 증가함에 따라 예측 온도가 떨어진다는 것을 보여주었습니다. 머신러닝 모델은 현재의 녹지 양뿐만 아니라, 지난 1년간 녹지가 어떻게 변했는지가 열을 결정하는 데 결정적인 역할을 한다는 점을 식별해냈습니다. 시스템은 만약 도시가 식생을 늘린다면 열섬 현상이 약화될 것임을 보여줄 수 있었으며, 이는 과학자들이 오랫동안 짐작해 온 바를 이제는 그 영향을 수치화할 수 있는 도구와 함께 확인시켜 준 것입니다. 연구진은 또한 고도의 변화도 중요하지만, 식물의 존재만큼 영향력이 크지는 않다는 것을 발견했습니다. 어떤 변수가 예측값에 가장 큰 변화를 일으키는지 분석함으로써, 시스템은 식생 관리가 도시를 식히는 데 가장 효과적인 지렛대임을 확인했습니다.

이러한 발견을 실제 계획에 유용하게 활용하기 위해, 팀은 코딩을 알거나 복잡한 통계를 이해할 필요 없이 누구나 사용할 수 있는 대화형 대시보드를 구축했습니다. 사용자는 데이터베이스에서 특정 도시를 선택한 다음, 나무를 늘리거나 경관을 바꾸는 것과 같은 시나리오를 나타내는 슬라이더를 조정할 수 있습니다. 사용자가 슬라이더를 움직임에 따라 대시보드는 즉각적으로 온도 예측치를 업데이트하며, 단순 모델과 고급 머신러닝 모델의 결과를 나란히 보여줍니다. 이를 통해 계획가는 예를 들어 녹지 공간을 추가하는 것이 온도를 구체적으로 얼마나 낮출 수 있는지 확인할 수 있고, 두 가지 서로 다른 모델링 방식이 그 결과에 대해 어떻게 일치하거나 상충하는지 비교할 수 있습니다. 이 도구는 정적인 과학 연구를 도시가 더 푸르러진다면 어떤 모습이 될지에 대한 역동적인 대화로 탈바꿈시킵니다.

이 프레임워크가 상당한 진전인 것은 분명하지만, 연구진은 이것이 모든 기후 과제에 대한 완전한 해결책은 아니라는 점을 인정합니다. 현재 버전은 미국의 도시 지역에서 수집된 특정 데이터 세트에 의존하며 낮 시간의 온도에 초점을 맞추고 있기 때문에, 다른 기후나 밤 시간대에는 똑같이 작동하지 않을 수 있습니다. 또한 모델은 제한된 환경 요인 세트를 사용하므로 건물 밀도나 수로와의 근접성과 같은 다른 잠재적 영향력을 제외하고 있습니다. 그럼에도 불구하고, 이 연구는 매우 정확하면서도 이해하기 쉬운 시스템을 구축하는 것이 가능하다는 것을 입증합니다. 현대적인 머신러닝의 예측 능력과 전통적인 물리 기반 모델의 명확성을 결격함으로써, UHIQ는 의사 결정권자들이 나무를 한 그루도 심기 전에 녹색 인프라의 이점을 시각화할 수 있는 실질적인 방법을 제공합니다.

기술 요약: 도시 열섬 현상 예측을 위한 UHIQ 프레임워크

문제 정의

도시 열섬(Urban Heat Islands, UHIs) 현상은 급격한 도시화와 기후 변화의 심각한 환경적 결과로서, 공중 보건, 에너지 소비 및 도시 지속 가능성에 부정적인 영향을 미치는 온도 상승을 초래합니다. 다양한 예측 접근 방식이 존재하지만, 이들은 종종 정확도와 해석 가능성 사이의 절충안(trade-off)을 제시합니다. 전통적인 물리 기반 수치 시뮬레이션(예: ENVI-met, SOLWEIG)은 현실적인 미기후 시뮬레이션을 제공하지만, 상당한 계산 자원과 전문 지식을 필요로 하여 신속한 의사 결정 지원 도구로서의 활용도가 제한됩니다. 반대로, XGBoost나 딥러닝과 같은 머신러닝(ML) 모델은 복잡한 비선형 관계를 포착함으로써 예측 정확도를 향상시켰으나, 예측의 배후에 있는 환경적 동인에 대한 통찰력을 거의 제공하지 못하는 "블랙박스"로 기능하는 경우가 많습니다. 또한, 기존의 많은 연구는 오프라인 평가에서 결론을 맺으며, 계획가들이 모델링 접근 방식을 비교하거나 환경 시나리오를 실시간으로 탐색할 수 있게 해주는 접근 가능한 도구가 부족합니다. 따라서 예측 정확성, 모델 투명성, 설명 가능성 및 상호작업성을 통합하여 근거 기반 도시 계획을 지원하는 통합된 프레임워크가 필요하다는 점이 입증되었습니다.

방법론

본 연구는 물리 기반 선형 회귀 모델과 Extreme Gradient Boosting(XGBoost) 머신러닝 모델을 결합한 인터랙티브하고 설명 가능한 프레임워크인 UHIQ를 소개합니다. 방법론은 미국 표면 도시 열섬 데이터베이스(버전 3)를 활용하며, 여러 미국 도시 지역의 연간 주간 UHI 강도에 초점을 맞춥니다.

데이터 및 전처리

프레임워크는 소스 데이터셋의 변수 일부를 활용합니다:

대상(Target): 연간 주간 도시 열섬 강도 ( $UHI_{annual\_day}$ ).
예측 변수(Predictors): 도시 정규 식생 지수 ( $NDVI_{urb\_CT\_act}$ ), 연간 식생 변화량 ( $\Delta NDVI$ ), 고도 차이 ( $\Delta DEM$ ).
전처리: 결측치를 제거했습니다. 수치적 안정성을 확보하기 위해 $\Delta DEM$ 을 100으로 나누어 정규화했습니다.

이중 모델 구조

프레임워크는 동일한 환경 입력값을 사용하되 서로 다른 특징(feature) 구성을 가진 두 가지 병렬 모델링 접근 방식을 채택합니다:

물리 기반 선형 회귀 (Physics-Informed Linear Regression):
- 해석 가능성을 위해 설계되었으며, 다음의 선형 방정식을 사용합니다: $UHI = \beta_0 + \beta_1(1-NDVI) + \beta_2(\Delta NDVI) + \beta_3(\Delta DEM_{100})$ .
- 식생 지표는 높은 예측값이 낮은 식생 피복 및 높은 예상 열기와 직관적으로 일치하도록 "식생 결핍"( $1-NDVI$ )으로 변환되었습니다.
- 이 모델은 개별 환경 요인의 영향을 정량화하기 위한 투명한 기준점 역할을 합니다.
XGBoost 머신러닝 모델:
- 비선형 상호작용을 포착하기 위해 설계되었으며, 동일한 예측 변수에 엔지니어링된 상호작용 특징인 $NDVI \times \Delta NDVI$ 를 추가로 사용합니다.
- 설정: 부스팅 추정기(boosting estimators) 1,200개, 학습률 0.05, 최대 트리 깊이 7, L1(0.01) 및 L2(1.0) 규제 적용.
- 이 모델은 기존 식생 상태와 장기적인 식생 역학 사이의 복잡한 관계를 학습함으로써 예측 성능을 개선하는 것을 목표로 합니다.

설명 가능성 및 평가

성능 지표: 두 모델 모두 홀드아웃 테스트 세트(80/20 분할)를 사용하여 평균 절대 오차(MAE)와 결정 계수( $R^2$ )로 평가되었습니다.
민감도 분석: NDVI를 0.00에서 0.95까지 체계적으로 변화시키면서 다른 변수들을 일정하게 유지하여 모델의 반응을 관찰했습니다.
순열 특징 중요도 (Permutation Feature Importance): 특징을 무작위로 치환했을 때 발생하는 예측 오차의 증가량을 측정하여, 각 특징의 상대적 기여도를 정량화하기 위해 XGBoost 모델에 적용되었습니다.
인터랙티브 대시보드: 전체 워크플로우는 Streamlit 기반의 웹 애플리케이션으로 캡슐화되어, 사용자가 도시 시나리오를 선택하고 슬라이더를 통해 환경 변수를 수정하며, 두 모델의 예측값을 실제 관측값과 실시간으로 비교할 수 있도록 합니다.

주요 결과

예측 성능: XGBoost 모델이 물리 기반 선형 회귀 모델보다 우수한 성능을 보였습니다.
- XGBoost: MAE 1.03°C, $R^2$ 0.485.
- 선형 회귀: MAE 1.27°C, $R^2$ 0.290.
- 결과는 머신러닝 모델이 더 정확한 예측을 제공하고 UHI 강도의 분산을 더 많이 설명한다는 것을 나타냅니다.
민감도 분석:
- 선형 회귀 모델은 NDVI와 UHI 강도 사이에 일관된 거의 선형적인 역관계(inverse relationship)를 보였으며, NDVI가 0.00에서 0.95로 증가함에 따라 약 0.43°C의 감소를 나타냈습니다.
- XGBoost 모델은 비선형 민감도 프로필을 생성하였으며, 예측된 UHI 값은 -0.70°C에서 2.40°C 사이로 나타나 단일한 단조 증가 추세보다는 국지적인 증가와 감소를 포착했습니다.
특징 중요도: 순열 중요도 분석 결과, ** $\Delta NDVI$ (연간 식생 변화)**가 가장 영향력 있는 예측 변수(점수: 0.638)로 식별되었으며, 그 다음은 상호작용 특징인 $NDVI \times \Delta NDVI$ (점수: 0.557)였습니다. 기본 NDVI와 $\Delta DEM$ 은 각각 중간 및 낮은 중요도를 보였습니다. 두 모델 모두 식생 관련 변수를 지배적인 동인으로 일관되게 식별했습니다.

의의 및 주장

본 논문은 UHIQ가 높은 예측 정확도와 투명하고 접근 가능한 의사 결정 지원 도구에 대한 필요성 사이의 간극을 해결한다고 주장합니다. 주요 기여는 다음과 같습니다:

통합 프레임워크: 물리 기반 기준점과 비선형 ML 모델을 통합함으로써, UHIQ는 사용자가 단일 워크플로우 내에서 해석 가능성과 예측 성능 간의 절충안을 직접 비교할 수 있게 합니다.
강화된 설명 가능성: 순열 특징 중요도와 민감도 분석의 포함은 단순한 정적 수치 출력을 넘어, 왜 특정 예측이 이루어졌는지, 그리고 특정 환경 변화(예: 식생 증가)가 UHI 강도에 어떻게 영향을 미치는지에 대한 통찰력을 제공합니다.
실무적 접근성: 인터랙티브 대시보드는 복잡한 모델링을 연구자, 계획가, 정책 입안자를 위한 사용자 친화적인 도구로 변환합니다. 이는 시나리오 기반 탐색을 가능하게 하여, 구현 전 녹색 인프라 전략의 잠재적 영향을 시각화할 수 있게 합니다.
균형 잡힌 접근 방식: 본 연구는 ML 모델이 복잡한 도시 열 환경에 대해 우수한 정확도를 제공하는 한편, 해석 가능한 통계 모델이 일반적인 환경 트렌드를 이해하는 데 여전히 가치가 있음을 보여줍니다. UHIQ는 이러한 접근 방식들을 연결하여, "블랙박스" 알고리즘이나 계산 집약적인 시뮬레이션에만 의존하지 않고 기후 탄력적 도시를 위한 근거 기반 의사 결정을 지원합니다.

저자는 세 가지 예측 변수만을 사용했다는 점(건물 밀도나 불투수면 등의 요인을 제외함)과 미국 주간 데이터에 집중했다는 점을 한계로 언급하며, 향-후 연구에서 변수를 확장하고, 국제 데이터셋을 포함하며, SHAP 값과 같은 고급 설명 가능한 AI 기술을 도입할 수 있음을 시사했습니다. 그러나 현재의 프레임워크는 투명하고 데이터에 기반한 도시 열 완화 계획을 위한 실질적인 단계로 제시됩니다.