선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이를 위해, 훈련지역(Training area) 선정, 보정 등 WUDAPT를 활용한 최적의 LCZ 분류 방법을 찾아내고, 서울의 LCZ 유형별 특징을 도출하여 유형별 변수를 비교하였으며, 서울시 구별 LCZ 유형의 특징을 도출했다. 본 연구는 국내 도시를 대상으로 한 기존의 도시기후구역 분류 연구에서 활용하지 않았던 WUDAPT protocol의 LCZ 분류 방법론을 활용함으로써 기후구역 분류에 관한 새로운 방법론을 제시하고자 하며, 기후변화 적응에 관한 공간계획 및 정책수립 과정에서 열환경 요소를 보다 적극적으로 고려하는데 기여할 수 있을 것으로 판단한다.
- 본 연구에서는 전 세계적으로 활용되고 있는 WUDAPT protocol의 LCZ 분류체계 및 방법론을 바탕으로 한국의 대표도시인 서울특별시를 대상으로 도시 및 조경계획 등 공간계획 분야에서 활용할 수 있는 LCZ 유형을 분류하였다. 이를 위해, Stewart와 Oke(2012)의 LCZ 분류체계와 WUDAPT protocol에서 제공하는 LCZ 분류 방법론(Bechtel et al.
가설 설정
- 하지만 서울특별시의 면적이 약 600km2인 것과 비교적 좁은 지역에 여러 유형의 토지피복이 혼재되어 있는 것을 고려하면 불가능하다고 판단되며, 한국에 적용할 수 있는 훈련지역 설정 방법에 대한 추가 연구가 필요하다. 둘째, LCZ의 적절한 보정 횟수이다. SAGA GIS에서 LCZ 분석 결과의 보정을 위해 보정 기능이 제공된다.
- 이는 LCZ 분류에 사용된 위성영상의 최저 공간 해상도가 120m이기 때문이다. 둘째, 작은 면적의 지역을 훈련지역으로 선정하지 않는다. 셋째, 각 LCZ 유형간 최소 100m의 거리를 둔다.
- 적절한 필터링 방법에 대한 계속적인 연구가 필요하다. 셋째, LCZ 분류 Data와 서울공간데이터 형식의 차이다. LCZ 분류 데이터는 격자 형식의 Raster Data이고, 도시생태현황도 및 건물 위치정보는 벡터데이터 격자 데이터와 벡터데이터의 형식의 차이로 인해 서울 LCZ 유형별 특징이 정확하게 추출이 안 됐을 것이라 판단된다.
제안 방법
- 이에 따라, 계획 및 정책 수립 등 공간계획 제도에 활용하기 위해서는 1회 보정의 결과가 가장 적합한 것으로 사료된다. 1회 보정 결과를 대상으로 기온이 높은 구와 낮은 구의 LCZ 유형별 특징을 분석하였다. 분석 결과, 기온이 낮은 구는 자연 밀림이며, 투수성이 높은 LCZ A의 비율이 가장 높았고, 기온이 높은 구는 저층 건물이 밀집해 있으며, 불투수성 비율이 높은 LCZ 3의 비율이 가장 높았다.
- LCZ 유형별 특징을 위해 건폐율, 불투수포장율, 투수포장율, 건물 높이를 추출하였다. 이를 위해 건폐율, 불투수포장율, 투수포장율은 도시생태현황도(http://urban.
- SAGA GIS에서 분석된 서울시 LCZ 분류에 대한 특성을 추출하기 위해서 ArcGIS를 활용하여 추가 분석을 하였다. 추가분석은 서울시의 LCZ 유형별 특징을 도출하여 Stewart와 Oke(2012)의 LCZ 유형별 특징 비교와 기온 특징에 따른 구별 LCZ 특징 분석을 하였다.
- WUDAPT protocol에서 제공하는 LCZ 분류 방법론에 따라 서울시 LCZ 분류를 한 후, 분류 결과에 대해 보정을 위해 SAGA GIS의 Filtering 기능을 활용하여 3번 보정을 하였다(Figure 5 참조). 보정 결과, 보정의 횟수에 상관없이 서울시 LCZ 분류 현황의 특징이 나왔는데, 저층 건물이며 녹지가 거의 없는 LCZ 3의 비율이 25.
- kr/) 데이터를 활용하여 서울의 토지피복 특징을 추출했다(Figure 4 참조). 건물 높이 DB의 제공년도가 2016년이지만, 마지막 건물 고시일자가 2015년이므로, 본 연구에서 활용하는 위성영상의 년도와 크게 차이가 없다고 판단하였으며, 건물 층수의 경우 통상적인 건물 1층 높이인 3m로 환산하여 건물 높이로 수정 후 활용하였다.
- 구글 어스를 활용하여 서울특별시를 포함하는 지역을 대상으로 17개 LCZ 유형별로 대표하는 10개의 훈련지역을 다음과 같은 선정 주요 원칙에 따라 선정한 후 SAGA GIS에서 연동이 가능한 KML 확장자로 저장하였다(Figure 3 참조). 선정 주요 원칙은 첫째, 1km2보다 큰 영역으로 설정하며, 가장 작은 폭이 150m 이상이어야 한다.
- AWS 420지점(북한산)은 기상 자료가 조회되지 않아 제외하였다. 구축된 기온 DB 중 평균기온(℃)과 최고평균기온(℃)을 중심으로 각각 하위 5개 구와 상위 5개 구를 추출하여 중복 선정된 구의 LCZ 유형별 비율을 분석하였다. 구를 중심으로 분석을 수행한 이유는 WUDAPT protocol의 LCZ 분류 특성을 우리나라의 도시구조 특성과 연계하여 살펴보고, 향후 도시관리계획의 전략을 수립하는데 활용할 수 있을 것으로 판단했기 때문이다.
- LCZ 분류 절차는 크게 두 단계로 나눠진다, 첫 번째, 구글어스에서 분석경계인 Regions of interest(ROI)를 기준으로 훈련지역을 선정한다. 두 번째, SAGA GIS를 사용하여 선정된 훈련지역 데이터와 분류정의 파일([camp_WUDAPT_2015])및 Landsat 8 위성영상을 사용하여 LCZ 분류를 한다.
- 본 연구에서는 도시기후 유형화 분류 방법론 중 전 세계적으로 사용이 점차 확대되고 있으면서, 세계 모든 도시를 대상으로 적용 가능한 World Urban Database and Access Portal Tools(WUDAPT) protocol의 Local Climate Zone(LCZ) 분류체계 및 분류 방법론을 바탕으로 한국의 대도시인 서울특별시의 도시기후구역 유형을 분류하였다. 또한, LCZ 유형이 전 세계 모든 도시에서 적용가능하게 개발되었으나, 한국의 대도시는 높은 인구밀도로 인한 초고밀도 개발특징을 가지고 있기 때문에, 한국의 도시 공간구조에 따른 LCZ 유형의 특징을 분석하였다. 이를 위해, 훈련지역(Training area) 선정, 보정 등 WUDAPT를 활용한 최적의 LCZ 분류 방법을 찾아내고, 서울의 LCZ 유형별 특징을 도출하여 유형별 변수를 비교하였으며, 서울시 구별 LCZ 유형의 특징을 도출했다.
- 분석 결과, 기온이 낮은 구는 자연 밀림이며, 투수성이 높은 LCZ A의 비율이 가장 높았고, 기온이 높은 구는 저층 건물이 밀집해 있으며, 불투수성 비율이 높은 LCZ 3의 비율이 가장 높았다. 마지막으로 LCZ 유형별 도시구조적 특징(건폐율, 불투수포장율, 투수포장율, 건물높이)을 도출해 한국의 대표도시인 서울특별시의 LCZ 분류 기준을 제시하고, WUDAPT protocol에서 제공하는 LCZ 유형별 기준과 비교하였다.
- 또한, 전세계의 연구원들이 기후 및 날씨 모델링에서 에너지 균형 연구에 이르기까지 다양한 유형의 애플리케이션에 대한 데이터를 사용할 수 있도록 이 데이터에 대한 공개 엑세스를 제공한다. 마지막으로 데이터를 사용자 지정 참조 격자를 집계하고, 전 세계 도시를 비교할 수 있도록 포털에 기본 도구를 제공한다.
- 마지막으로 분류결과를 보정하기 위해 SAGA GIS에서 제공하는 보정 기능을 활용하였다. 즉, 보정을 통해 개별 픽셀을 주변지역의 대표 LCZ 유형으로 변환함으로써 분석과정에서 발생할 수 있는 오류를 제거하고, 보다 정돈된 LCZ 분석 결과를 추출할 수 있다.
- 즉, 보정을 통해 개별 픽셀을 주변지역의 대표 LCZ 유형으로 변환함으로써 분석과정에서 발생할 수 있는 오류를 제거하고, 보다 정돈된 LCZ 분석 결과를 추출할 수 있다. 보정은 총 3번 진행되었으며, 결과 분석을 위해 ArcGIS에서 호환 가능한 ASCII File로 추출하기 위해 Export ESRI Arc/info Grid Tool을 이용하였으며, ArcGIS에서 보정 횟수에 따른 각 유형별 셀 수 변화 및 인공위성 영상을 활용한 현황과의 비교를 통해 최적의 보정 횟수를 분석하였다. 최적의 보정 횟수 LCZ 분류 결과와 도시의 기온에 영향을 직접적으로 미치는 Built type인 LCZ 1 ~ 10유형을 중심으로 분석하였다.
- 본 연구에서는 도시기후 유형화 분류 방법론 중 전 세계적으로 사용이 점차 확대되고 있으면서, 세계 모든 도시를 대상으로 적용 가능한 World Urban Database and Access Portal Tools(WUDAPT) protocol의 Local Climate Zone(LCZ) 분류체계 및 분류 방법론을 바탕으로 한국의 대도시인 서울특별시의 도시기후구역 유형을 분류하였다. 또한, LCZ 유형이 전 세계 모든 도시에서 적용가능하게 개발되었으나, 한국의 대도시는 높은 인구밀도로 인한 초고밀도 개발특징을 가지고 있기 때문에, 한국의 도시 공간구조에 따른 LCZ 유형의 특징을 분석하였다.
- 본 연구에서는 전 세계적으로 활용되고 있는 WUDAPT protocol의 LCZ 분류체계 및 방법론을 바탕으로 한국의 대표도시인 서울특별시를 대상으로 도시 및 조경계획 등 공간계획 분야에서 활용할 수 있는 LCZ 유형을 분류하였다. 이를 위해, Stewart와 Oke(2012)의 LCZ 분류체계와 WUDAPT protocol에서 제공하는 LCZ 분류 방법론(Bechtel et al., 2015)을 고찰하고, 우리나라 공간계획의 실정에 적용하기 위한 적합한 보정횟수를 선정한 후, 체계적인 접근을 바탕으로 서울특별시의 LCZ 유형별 특성과 구별 LCZ 유형 비율을 비교하였다.
- 또한, LCZ 유형이 전 세계 모든 도시에서 적용가능하게 개발되었으나, 한국의 대도시는 높은 인구밀도로 인한 초고밀도 개발특징을 가지고 있기 때문에, 한국의 도시 공간구조에 따른 LCZ 유형의 특징을 분석하였다. 이를 위해, 훈련지역(Training area) 선정, 보정 등 WUDAPT를 활용한 최적의 LCZ 분류 방법을 찾아내고, 서울의 LCZ 유형별 특징을 도출하여 유형별 변수를 비교하였으며, 서울시 구별 LCZ 유형의 특징을 도출했다. 본 연구는 국내 도시를 대상으로 한 기존의 도시기후구역 분류 연구에서 활용하지 않았던 WUDAPT protocol의 LCZ 분류 방법론을 활용함으로써 기후구역 분류에 관한 새로운 방법론을 제시하고자 하며, 기후변화 적응에 관한 공간계획 및 정책수립 과정에서 열환경 요소를 보다 적극적으로 고려하는데 기여할 수 있을 것으로 판단한다.
- 이때 4개의Landsat 8 위성영상에 대한 36개 밴드, 훈련지역, Class Definition File을 Input data로 사용한다. 이후 SAGA GIS에서 저장되는 KMZ 파일을 통해 구글 어스에서 결과를 비교하여 이를 바탕으로 훈련지역을 재선정하여 분석을 반복하였다(Figure 3). Output data로는 120m 격자의 Grid data가 결과로 나온다.
- 적절한 보정 횟수를 도출해내기 위해 보정 횟수에 따른 LCZ 분류와 현황을 비교하기 위해 4개 지역을 선정한 후, 위성사진과 비교․분석하였다(Table 4 참조). Case 1은 종각역 주변 일대이며, 대부분 일반상업지역만 있는 지역이고, 좌측하단에는 투수성이 높은 서울광장이 있다.
- WUDAPT protocol의 LCZ 분류체계 및 방법론을 한국의 대표도시인 서울특별시에 적용을 한 결과, 몇 가지 논의사항이 도출되었다. 첫째, 1km2보다 크고 가장 작은 폭이 150m 이상인 지역을 LCZ 유형별로 10개 이상의 훈련지역 선정과 서울의 공간 특성에 따른 오류이다. 이러한 선정원칙은 총 170 km2이상의 훈련지역을 설정하는 것을 의미한다.
- 보정은 총 3번 진행되었으며, 결과 분석을 위해 ArcGIS에서 호환 가능한 ASCII File로 추출하기 위해 Export ESRI Arc/info Grid Tool을 이용하였으며, ArcGIS에서 보정 횟수에 따른 각 유형별 셀 수 변화 및 인공위성 영상을 활용한 현황과의 비교를 통해 최적의 보정 횟수를 분석하였다. 최적의 보정 횟수 LCZ 분류 결과와 도시의 기온에 영향을 직접적으로 미치는 Built type인 LCZ 1 ~ 10유형을 중심으로 분석하였다.
- SAGA GIS에서 분석된 서울시 LCZ 분류에 대한 특성을 추출하기 위해서 ArcGIS를 활용하여 추가 분석을 하였다. 추가분석은 서울시의 LCZ 유형별 특징을 도출하여 Stewart와 Oke(2012)의 LCZ 유형별 특징 비교와 기온 특징에 따른 구별 LCZ 특징 분석을 하였다. 이를 위해 사용된 데이터는 Table 2와 같다.
- 한편, 적절한 보정 횟수를 도출해내기 위해 보정횟수에 따른 LCZ 유형별 셀 수의 변화를 비교·분석하였다.
대상 데이터
- org/). LCZ 분류를하기 앞서 WUDAPT protocol에서 제공하는 서울 DB 자료를 수집하였으며, 수집한 자료는 KML 확장자의 구글 어스 분석경계, 촬영시기가 2013년 9월 16일, 2014년 5월 30일, 2014년 10월 5일, 2015년 3월 14일인 Landsat 8 위성영상 4개 자료와 분류 정의 데이터 등이 있다(Table 1 참조).
- 셋째, 각 LCZ 유형간 최소 100m의 거리를 둔다. 넷째, 재동 분류의 정확도를 높이기 위해 각 유형별 5~10곳의 훈련지역을 선정한다. 이는 지붕 색상 변화, 계절의 변화에 따른 식물상태 변화가 있을 수 있기 때문이다.
- 서울특별시의 LCZ 유형별 특징을 추출한 후 구별 기온과LCZ 유형별 비율을 비교․분석하기 위하여 기상청에서 제공하는 서울지역의 방재기상관측장비(AWS) 27곳으로부터 관측된 2015년도 자료를 다운받았다(https://data.kma.go.kr/cmmn/main.do). AWS 420지점(북한산)은 기상 자료가 조회되지 않아 제외하였다.
- jsp). 연구대상지는 분석내용에 따라 2단계의 연구범위인 훈련지역과 서울 LCZ 연구 대상지로 구분된다. 훈련지역은 17개 LCZ 유형별 각 10개씩의 대표 유형을 선정하는 지역으로써 서울특별시를 포함하는 Landsat 8 위성영상 전체를 포함하는 약 100\(\times\)185km 범위이다.
- 연구대상지는 서울특별시를 대상으로 하였다. 서울특별시는 1960년대 이후 강남이 개발을 시발점으로 현재도 개발이 많이 진행되고 있으며, 2015년 현재 서울특별시의 인구는 10,297,138명이며, 면적은 605.
- LCZ 유형별 특징을 위해 건폐율, 불투수포장율, 투수포장율, 건물 높이를 추출하였다. 이를 위해 건폐율, 불투수포장율, 투수포장율은 도시생태현황도(http://urban.seoul.go.kr/4DUPIS/index.do)로부터, 건물 높이는 건물 위치정보(http://data.seoul.go.kr/) 데이터를 활용하여 서울의 토지피복 특징을 추출했다(Figure 4 참조). 건물 높이 DB의 제공년도가 2016년이지만, 마지막 건물 고시일자가 2015년이므로, 본 연구에서 활용하는 위성영상의 년도와 크게 차이가 없다고 판단하였으며, 건물 층수의 경우 통상적인 건물 1층 높이인 3m로 환산하여 건물 높이로 수정 후 활용하였다.
이론/모형
- LCZ 분류를 위해 SAGA GIS에서 Local Climate Zon Classification Tool을 활용하여 LCZ 분류한다. 이때 4개의Landsat 8 위성영상에 대한 36개 밴드, 훈련지역, Class Definition File을 Input data로 사용한다.
- LCZ 분류를 위해 다음과 같이 WUDAPT protocol에서 제공하는 절차를 따랐다(http://www.wudapt.org/). LCZ 분류를하기 앞서 WUDAPT protocol에서 제공하는 서울 DB 자료를 수집하였으며, 수집한 자료는 KML 확장자의 구글 어스 분석경계, 촬영시기가 2013년 9월 16일, 2014년 5월 30일, 2014년 10월 5일, 2015년 3월 14일인 Landsat 8 위성영상 4개 자료와 분류 정의 데이터 등이 있다(Table 1 참조).
- 최근에는 LCZ 분류체계에 기반을 둔 WUDAPT protocol이 개발됨으로써, 전세계 도시들을 대상으로 동일한 열환경 공간분석 지도를 제작할 수 있게 됐다. 이를 위해서 WUDAPT에서 제공하는 Stewart와 Oke(2012)의 LCZ 분류체계를 사용하여 토지피복 및 토지이용유형을 샘플링한다. 또한, 전세계의 연구원들이 기후 및 날씨 모델링에서 에너지 균형 연구에 이르기까지 다양한 유형의 애플리케이션에 대한 데이터를 사용할 수 있도록 이 데이터에 대한 공개 엑세스를 제공한다.
성능/효과
- 보정을 안 한 LCZ 분류의 경우, LCZ 1, 2, 3, 4, 5, 8, 9, 10, A, B, D, E, F, G가 혼재되어 있다. 1~3회 필터링한 결과, LCZ 1, 2, 4, 5, 10, A, G의 분류만 남아 있었다.
- 셋째, LCZ 분류 Data와 서울공간데이터 형식의 차이다. LCZ 분류 데이터는 격자 형식의 Raster Data이고, 도시생태현황도 및 건물 위치정보는 벡터데이터 격자 데이터와 벡터데이터의 형식의 차이로 인해 서울 LCZ 유형별 특징이 정확하게 추출이 안 됐을 것이라 판단된다. 추후 데이터의 혼합 방법론과 서울 LCZ 유형별 특징 검증이 논의되어야 한다.
- 구별 온도 비교를 위해 기상청에서 제공하는 27개 AWS를 활용하였으나, AWS가 구별 온도를 대표하는데 한계가 있으며, 지형에 따른 온도 차이는 고려하지 못하였다. 또한, 저층의 건물에 상대적으로 가벼운 재질의 특성을 가지는 LCZ 7의 훈련지역을 비닐하우스 일대로 선정하였는데, 비닐하우스는 건폐율을 적용받지 않기 때문에, 실제 비닐하우스 지역이 자연 토지를 덮고 있는 면적에 비해 LCZ 7의 건폐율이 낮게 분석되었다.
- 한편, 적절한 보정 횟수를 도출해내기 위해 보정횟수에 따른 LCZ 유형별 셀 수의 변화를 비교·분석하였다. 먼저, 보정 횟수에 따른 LCZ 유형별 셀 수의 변화를 비교해 본 결과, 표 1과 같이 LCZ 5, 6, 7, 10은 한 번의 보정 결과, 셀의 수가 확연하게 감소하였으며, 보정의 수가 늘어도 셀의 수가 계속해서 감소한 채로 있었다. LCZ 3, 4의 경우, 한 번의 보정결과 셀의 수가 증가하였으며, 이 후 보정의 수가 증가하여 도셀의 수가 증가한 채로 있었다.
- WUDAPT protocol에서 제공하는 LCZ 분류 방법론에 따라 서울시 LCZ 분류를 한 후, 분류 결과에 대해 보정을 위해 SAGA GIS의 Filtering 기능을 활용하여 3번 보정을 하였다(Figure 5 참조). 보정 결과, 보정의 횟수에 상관없이 서울시 LCZ 분류 현황의 특징이 나왔는데, 저층 건물이며 녹지가 거의 없는 LCZ 3의 비율이 25.8~32.0%로 가장 많았으며, 다음으로 고층 건물이 있으며, 녹지가 풍부한 LCZ 4(17.0~21.2%)와 저밀도의 건물이며, 투수성이 뛰어난 LCZ 9(15.0~17.5%) 순으로 많았다. 한편, 적절한 보정 횟수를 도출해내기 위해 보정횟수에 따른 LCZ 유형별 셀 수의 변화를 비교·분석하였다.
- 보정 횟수에 따른 셀 수의 변화와 현황을 비교해본 결과, 보정을 안 한 경우, 현황과 다른 LCZ 유형이 개별 픽셀로 분류되어 있는 것을 확인할 수 있었으며, 1번 보정을 한 결과, 개별 픽셀 단위로 분류되어 있던 LCZ 분류를 주변의 대표 LCZ 유형으로 변환됨으로써 정돈된 LCZ 분석 결과를 추출할 수 있었다. 2~3번 보정을 한 결과는 대표 유형으로 변환된 픽셀이 다시 개별 픽셀로 변환되는 것을 확인할 수 있었다.
- 마지막으로 분류결과를 보정하기 위해 SAGA GIS에서 제공하는 보정 기능을 활용하였다. 즉, 보정을 통해 개별 픽셀을 주변지역의 대표 LCZ 유형으로 변환함으로써 분석과정에서 발생할 수 있는 오류를 제거하고, 보다 정돈된 LCZ 분석 결과를 추출할 수 있다. 보정은 총 3번 진행되었으며, 결과 분석을 위해 ArcGIS에서 호환 가능한 ASCII File로 추출하기 위해 Export ESRI Arc/info Grid Tool을 이용하였으며, ArcGIS에서 보정 횟수에 따른 각 유형별 셀 수 변화 및 인공위성 영상을 활용한 현황과의 비교를 통해 최적의 보정 횟수를 분석하였다.
- 1회 보정 결과를 대상으로 기온이 높은 구와 낮은 구의 LCZ 유형별 특징을 분석하였다. 분석 결과, 기온이 낮은 구는 자연 밀림이며, 투수성이 높은 LCZ A의 비율이 가장 높았고, 기온이 높은 구는 저층 건물이 밀집해 있으며, 불투수성 비율이 높은 LCZ 3의 비율이 가장 높았다. 마지막으로 LCZ 유형별 도시구조적 특징(건폐율, 불투수포장율, 투수포장율, 건물높이)을 도출해 한국의 대표도시인 서울특별시의 LCZ 분류 기준을 제시하고, WUDAPT protocol에서 제공하는 LCZ 유형별 기준과 비교하였다.
- 분석 결과, 적합한 보정 횟수의 경우, 보정을 적용하지 않은 결과는 개별 픽셀단위로 분포되고 있어 상세한 결과를 보여줄 수는 있으나, 분석 오류에 대한 비율 또한 증가할 수 있다. 반면, 1회 보정을 한 결과는 개별 픽셀이 주변의 대표적 유형의 픽셀로 변환되기 때문에, 그 지역의 대표적인 도시기후구역의유형을 표현하기에 적합하다.
- 기온이 낮게 나온 구는 종로구, 은평구, 관악구, 노원구였으며, 기온이 높게 나온 구는 서초구, 양천구, 영등포구였다. 이들 구를 대상으로 LCZ 유형별 비율을 비교해 본 결과(Figure 7 참조), 연 평균기온 및 최고평균기온이 낮게 나온 구들은 공통적으로 자연 밀림이며, 투수성이 높은 LCZ A의 비율이 44~54%로 가장 높게 나타났다. 연 평균기온 및 최고평균기온이 높게 나온 구는 서초구를 제외하고, 공통적으로 저층 건물이 고밀도로 있는 LCZ 3이 20~32%로 가장 높은 비율을 차지하고 있었다.
- Case 2는 암사 1동 일대이며, 제2종 일반주거지역이 주를 이루는 지역이고, 우측 상단에는 제3종 일반주거지역이 있다. 제3종 일반주거지역에 위치한 건물은 최고 30층인 프라이어팰리스 아파트며, 1번 및3번 보정한 결과와 모양이 가장 유사하였다. Case 3은 압구정역 북쪽에 위치한 강남구 압구정로 현대아파트이고, 제2종 일반주거지역과 제3종 일반주거지역이 혼재된 지역이며, 대부분10층 이상의 건물로 이루어진 지역이다.
- 마지막으로 분류결과를 보정하기 위해 SAGA GIS에서 제공하는 보정 기능을 활용하였다. 즉, 보정을 통해 개별 픽셀을 주변지역의 대표 LCZ 유형으로 변환함으로써 분석과정에서 발생할 수 있는 오류를 제거하고, 보다 정돈된 LCZ 분석 결과를 추출할 수 있다. 보정은 총 3번 진행되었으며, 결과 분석을 위해 ArcGIS에서 호환 가능한 ASCII File로 추출하기 위해 Export ESRI Arc/info Grid Tool을 이용하였으며, ArcGIS에서 보정 횟수에 따른 각 유형별 셀 수 변화 및 인공위성 영상을 활용한 현황과의 비교를 통해 최적의 보정 횟수를 분석하였다.
- 보정 횟수에 따른 LCZ 분류 결과, 보정이 적용되지 않은 LCZ 분류의 경우, 상당수의 LCZ 유형이 셀 단위로 분포하였다. 한 번의 보정 후, LCZ 유형별로 군집을 하였으며, 2~3번의 보정한 결과는 부분적으로 LCZ 유형이 분산되는 경향이 있었다(Table 3 참조)
- 보정을 안 한 경우, 고층 건물이 밀집해 있으며, 불투수포장율이 높은 LCZ 1, 저층건물이 밀집해 있으며, 불투수포장율이 높은 LCZ 3, 고층 건물이 있으며, 투수포장률이 높은 LCZ 4, 저층 건물이 있으며, 투수포장률이 높은 LCZ 6, 저밀도의 건물이 있으며, 투수성이 높은 LCZ 9가 부분적으로 있다. 한번 보정을 한 결과, LCZ 4가주로 있으며, 상단에 중층 건물이 있으며, 투수포장율이 높은 LCZ 5가 있었다. 보정 2~3회 결과, 한 번의 보정 때 사라졌던 LCZ 9가 생겨났다.
- 보정을 안 한 경우에는 바닥 면적이 큰 저층 건물이 있으며, 녹지가 거의 없는 LCZ 8과 공장인 LCZ 10이 분류되었으며, 좌측하단에는 서울광장이 저밀도의 건물이며, 투수성이 뛰어난 LCZ 9로 분류되어 있다. 한번 보정을 한 결과, 좌측 하단의 서울광장에 해당하는 LCZ 9는 그대로 있었으며, LCZ 8과 LCZ 10은 주변 분류에 보정되었다. 2~3번의 보정 결과, 좌측하단의 서울광장이 LCZ 1에 보정되었다.
후속연구
- 추후 데이터의 혼합 방법론과 서울 LCZ 유형별 특징 검증이 논의되어야 한다. 그러나 본 연구가 우리나라의 국토의 계획 및 이용에 관한 법률에서 명시하고 있는 도시계획위계를 고려한 서울시구별 LCZ 분류를 분석하여 열환경 개선 계획수립에 도움이 될 것으로 생각된다.
- 그럼에도 불구하고, 본 연구는 국내 도시를 대상으로 한 기존의 도시기후구역 분류 연구에서 활용하지 않았던 WUDAPT protocol의 LCZ 분류 방법론을 활용함으로써 기후구역 분류에 관한 새로운 방법론을 제시하고자 하며, 기후변화 적응에 관한공간계획 및 정책수립 과정에서 열환경 요소를 보다 적극적으로 고려하는데 기여할 수 있을 것으로 판단한다. 향후, 한국의 도시에 실질적으로 적용하기 위해서는 LCZ 분류 선정원칙에 대한 한국형 기준 마련이 필요하며, 적절한 보정 횟수를 결정하는 데 있어 현장검증이 필요하다.
- 향후, 한국의 도시에 실질적으로 적용하기 위해서는 LCZ 분류 선정원칙에 대한 한국형 기준 마련이 필요하며, 적절한 보정 횟수를 결정하는 데 있어 현장검증이 필요하다. 또한, LCZ 분류 데이터 형식인 래스터와 서울공간데이터 형식인 벡터의 차이에서 기인하는 오류를 줄이기 위해 래스터데이터와 벡터데이터를 혼합하는데 있어 최적의 혼합방법론에 대한 연구가 필요하다. 향후 국내의 도시기후 유형화 분류에 실질적으로 활용될 수 있는 분류 방법론에 대한 연구가 지속적으로 진행된다면, 도시계획 및 조경계획분야에서 보다 정확한 열환경 특성에 기초한 공간계획 및 정책 마련에 도움이 될 것으로 기대된다.
- 본 연구에서는 WUDAPT protocol에서 제공하는 LCZ 분류체계 및 방법론을 활용하여 서울지역의 도시기후구역의 유형을 분류하였으나, 실제 현황과의 일치성에 대한 검증이 이루어지지 못한 한계가 있다. 구별 온도 비교를 위해 기상청에서 제공하는 27개 AWS를 활용하였으나, AWS가 구별 온도를 대표하는데 한계가 있으며, 지형에 따른 온도 차이는 고려하지 못하였다.
- LCZ 분류 데이터는 격자 형식의 Raster Data이고, 도시생태현황도 및 건물 위치정보는 벡터데이터 격자 데이터와 벡터데이터의 형식의 차이로 인해 서울 LCZ 유형별 특징이 정확하게 추출이 안 됐을 것이라 판단된다. 추후 데이터의 혼합 방법론과 서울 LCZ 유형별 특징 검증이 논의되어야 한다. 그러나 본 연구가 우리나라의 국토의 계획 및 이용에 관한 법률에서 명시하고 있는 도시계획위계를 고려한 서울시구별 LCZ 분류를 분석하여 열환경 개선 계획수립에 도움이 될 것으로 생각된다.
- 이처럼, 열환경을 개선하기 위한 방안을 구체적이며 계획적으로 실현하기 위해서는 도시구조 특성에 따라 도시기후의 유형을 구분한 공간자료가 구축되어야 한다. 특히, 국내 제도와 법에 적용하기 위해서는 유형분류에 관한 통일된 기준과 분석방법이 필요하며, 범용적으로 사용하기 위해서는 쉽게 확보할 수 있는 자료를 바탕으로 한 간단한 분석도구가 필요할 것으로 판단된다.
- 이러한 선정원칙은 총 170 km2이상의 훈련지역을 설정하는 것을 의미한다. 하지만 서울특별시의 면적이 약 600km2인 것과 비교적 좁은 지역에 여러 유형의 토지피복이 혼재되어 있는 것을 고려하면 불가능하다고 판단되며, 한국에 적용할 수 있는 훈련지역 설정 방법에 대한 추가 연구가 필요하다. 둘째, LCZ의 적절한 보정 횟수이다.
- 또한, LCZ 분류 데이터 형식인 래스터와 서울공간데이터 형식인 벡터의 차이에서 기인하는 오류를 줄이기 위해 래스터데이터와 벡터데이터를 혼합하는데 있어 최적의 혼합방법론에 대한 연구가 필요하다. 향후 국내의 도시기후 유형화 분류에 실질적으로 활용될 수 있는 분류 방법론에 대한 연구가 지속적으로 진행된다면, 도시계획 및 조경계획분야에서 보다 정확한 열환경 특성에 기초한 공간계획 및 정책 마련에 도움이 될 것으로 기대된다.
- 그럼에도 불구하고, 본 연구는 국내 도시를 대상으로 한 기존의 도시기후구역 분류 연구에서 활용하지 않았던 WUDAPT protocol의 LCZ 분류 방법론을 활용함으로써 기후구역 분류에 관한 새로운 방법론을 제시하고자 하며, 기후변화 적응에 관한공간계획 및 정책수립 과정에서 열환경 요소를 보다 적극적으로 고려하는데 기여할 수 있을 것으로 판단한다. 향후, 한국의 도시에 실질적으로 적용하기 위해서는 LCZ 분류 선정원칙에 대한 한국형 기준 마련이 필요하며, 적절한 보정 횟수를 결정하는 데 있어 현장검증이 필요하다. 또한, LCZ 분류 데이터 형식인 래스터와 서울공간데이터 형식인 벡터의 차이에서 기인하는 오류를 줄이기 위해 래스터데이터와 벡터데이터를 혼합하는데 있어 최적의 혼합방법론에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.