Physics Guided AI for Urban Heat Mitigation Planning

기술 요약: 도시 열 완화 계획을 위한 물리 기반 AI

문제 정의
도시 열 완화 계획은 자원의 제한으로 인해 후보 지역 중 일부에만 개입(예: 옥상 녹화)을 배치해야 할 때, 최적의 공간적 할당 전략을 결정해야 하는 중요한 과제에 직면해 있다. 기존의 접근 방식은 다양한 열 상태 및 부분적 배치 시나리오 하에서 개입 위치를 비교하는 데 어려움을 겪는 경우가 많다. 또한, 위성 유래 지표면 온도(LST)는 공간적 열 이질성을 식별하는 데 효과적이지만, 지표 근처 기온이나 인간의 열 쾌적성과는 구별된다. 본 연구는 후보 건물 픽셀을 스크리닝하고, 반사실적 표면 특성 변화를 비교하며, 완전한 과정 기반의 녹색 지붕 에너지 수지를 시뮬레이션한다는 주장 없이 우선순위 지정 전략을 평가할 수 있는 모델링 프레임십을 다룬다.

방법론
본 연구는 노르웨이 오슬로에 초점을 맞추며, 세 차례의 맑은 하늘 조건의 Landsat 8 획득 데이터(2025년 5월 19일, 6월 4일, 6월 20일)로부터 유도된 30m 격자를 활용한다. 방법론은 위성 원격 탐사, 기상 재분석, 도시 공간 데이터를 물리 정보 신경망(PINN) 프레임워크 내에서 통합한다.

1. 데이터 소스:

   • 열 및 표면 데이터: Landsat 8 Band 10을 사용하여 LST, 정규 식생 지수(NDVI), 표면 방사율을 추출하였다.
   • 기상 데이터: ERA5 재분석 데이터를 통해 2m 기온($T2m$), 2m 이슬점 온도($Td2m$), 그리고 풍속 성분(10m에서 2m로 변환됨)을 제공받았다.
   • 도시 형태학: OpenStreetMap(OSM) 데이터를 사용하여 건물, 도로, 철도, 공원, 수역, 나무에 대한 이진 마스크를 제공받았다.

2. 물리 가이드 모델 (PINN):

   • 정규화된 LST를 예측하기 위해 시계열 PINN을 훈련시켰다. 신경망 구조는 7개의 은닉층(15 입력 $\to$ 256 $\to$ 256 $\to$ 256 $\to$ 128 $\to$ 128 $\to$ 64 $\to$ 32 $\to$ 1 출력)으로 구성된다.
   • 손실 함수: 훈련 목표는 다음을 포함하는 복합 손실($\mathcal{L}_{comp}$)을 최소화하는 것이다:
     • 지도 학습 손실 ($\mathcal{L}_{sup}$): 예측된 LST와 관측된 LST 사이의 평균 제곱 오차.
     • 물리 손실 ($\mathcal{L}_{phy}$): 이류-확산 방정식($\frac{\partial \hat{T}}{\partial t} + \mathbf{u} \cdot \nabla \hat{T} - \alpha^* \nabla^2 \hat{T} - \frac{Q^*}{\rho c^*_p} = 0$)에 기반한 잔차 항. 여기서 $\alpha^*$와 $\rho c^*_p$는 OSM 토지 피복 클래스(예: 건물 vs 수역)에 따라 할당된 상대적 계수이다. $Q^*$는 시간적으로 조절되는, OSM 특징(건물 밀도, 공원/수역과의 근접성 등)에서 유도된 미교정 공간 소스-싱크 지수이다.
     • 경계 손실 ($\mathcal{L}_{bnd}$): 예측값을 관측 데이터에 고정하기 위해 5-픽셀 주변부에 적용되는 페널티.
   • 입력 변수: 모델은 15개의 변수를 입력받는다: 정규화된 공간 좌표, 정규화된 획득 시간, NDVI, 방사율, 6개의 도시 특징 마스크, 풍속 성분, $T2m$, $Td2m$.

3. 반사실적 분석 (Counterfactual Analysis):

   • 핫스팟 식별: 각 날짜별로 LST 분포의 상위 15%(85~100 백분위수)에 해당하는 건물 픽셀을 식별하였다.
   • 개입 시나리오: 선택된 후보 픽셀에 처방된 변화를 적용하였다. 두 가지 시나리오를 테스트하였다: NDVI를 0.55 및 0.75로 증가시키는 것. 방사율은 새로운 NDVI를 기반으로 계산되었으며, NDVI $\ge$ 0.50인 경우 0.985로 제한되었다.
   • 우선순위 지정 전략: 세 가지 규칙을 사용하여 후보지를 순위화하였다: (i) 기준 예측 LST (높은 순), (ii) 공원/수역과의 근접성, (iii) 철도와의 근접성.
   • 배치 수준: 적격한 후보 집단의 커버리지 비율(15%에서 100%까지)에 따라 시뮬레이션을 수행하였다.

주요 결과

• 모델 성능: Full PINN은 피팅된 Landsat 장면과 높은 일치도를 보였으며, $R^2$ 값은 0.9638에서 0.9676 사이, RMSE 값은 0.2549에서 0.3959 °C 사이였다. 그러나 순수 데이터 기반 모델(특히 XGBoost 및 ConvLSTM)은 더 낮은 피팅 오차(예: XGBoost RMSE $\approx$ 0.012–0.018 °C)를 달了다. PINN은 더 우수한 피팅 정확도 때문이 아니라, 시나리오를 비교하기 위한 일관된 물리 가이드 표현을 제공하기 위해 유지되었다.
• 어블레이션 연구 (Ablation Studies): 바람의 이류 또는 기상 입력($T2m$, $Td2m$)을 제거하면 RMSE가 증가하여 이들의 중요성을 확인하였다. 반대로, 명시적인 소스-싱크 항($Q^*$)을 제거했을 때 RMSE가 감소하고 $R^2$가 증가하였는데, 이는 $Q^*$가 피팅 오차를 최소화하기 위해서가 아니라 물리적 제약을 위해 포함되었음을 나타낸다.
• 열 반응:
  • 핫스팟 픽셀에서 더 높은 NDVI와 방사율을 처방했을 때, 국지적 모델 LST 감소량은 최대 3.49–4.28 °C에 달했으나, 대부분의 영향을 받은 픽셀은 더 작은 반응을 보였다.
  • 부분 배치(15% 커버리지) 하에서, 평균 온도 감소량($\Delta T$)은 날짜, 공간 그룹, 우선순위 지정 전략에 따라 크게 달라졌다.
  • 보편적 규칙의 부재: 모든 조건에서 가장 큰 음의 평균 $\Delta T$를 생성하는 단일 근접성 기반 규칙은 존재하지 않았다. 예를 들어, 공원/수역 근접성은 근접 철도 그룹 외부에서는 더 효과적이었던 반면, 철도 근접성은 근접 철도 그룹 내부에서는 더 효과적이었다. 최적의 순위 전략은 획득 날짜와 특정 후보 서브셋에 따라 변화하였다.
  • 100% 커버리지의 경우, 모든 적격 집단이 처리되므로 모든 근접성 기반 순위가 동일한 평균 반응으로 수렴하였다.

의의 및 주장
본 논문은 자신의 기여를 완전한 녹색 지붕 성능이나 인간의 열 위험을 예측하는 모델이라기보다, 비교 열 스크리닝 도구로 규정한다.

• 계획 유용성: 본 연구는 개입 범위가 제한될 때, 선택 순서(우선순위 지정 전략)가 열 반응에 상당한 영향을 미친다는 것을 보여준다. 그러나 이러한 관계는 고정적이지 않으며, 도시의 특정 열 상태(획득 날짜)와 후보 세트의 공간적 구성에 따라 달라진다.
• 모델의 역할: PINN은 반사실적 표면 특성 변화를 테스트하기 위한 "공통 열 표현" 역할을 한다. 저자들은 데이터 기반 모델이 역사적 데이터를 더 긴밀하게 피팅하더라도, 통합된 물리적 프레임워크 하에서 시나리오를 비교하는 데 PINN의 가치가 있다고 명시적으로 밝히고 있다.
• 한계 및 범위: 저자들은 다음과 같은 사항을 인정하며 신중한 범위를 유지한다:
  • 시나리오는 표면 특성(NDVI/방사율)의 변화만을 나타내며, 완전한 녹색 지붕 에너지 수지(기질 깊이, 관수, 잠열 피드백 무시)를 나타내지 않는다.
  • LST는 인간의 열 노출이나 기온의 직접적인 대리 지표가 아닌, 표면 이질성을 위한 스크리닝 변수로 사용된다.
  • 시간적 제약(늦봄/초여름의 세 날짜)은 우선순위 지정 규칙을 다른 계절이나 연도로 일반화하는 것을 제한한다.
  • 소스-싱크 항 $Q^*$는 측정된 에너지 플럭스가 아니라 미교정된 공간 지수이다.

결론적으로, 본 분석은 부분 배치 전략의 트레이드오프를 평가하기 위해 물리 가이드 AI를 사용하는 것을 지지하며, 우선순위 지정을 위한 고정된 공간 규칙에 대해 경고하고 개입 효과의 맥락 의존성을 강조한다.