[논문]위성영상과 머신러닝 활용 도시열섬 지역 옥상녹화 효과 예측과 이산화탄소 흡수량 평가

김민주; 박정우; 박주현; 박지수; 현창욱

doi:10.7780/kjrs.2023.39.5.1.2

초록
AI-Helper

고밀도 도심지의 열섬현상이 도시 기온을 더 높이고 있으며 이로부터 대기오염 악화, 냉방 에너지 소비 증가 및 온실가스 배출 증대와 같은 부정적 영향들이 발생한다. 녹지의 추가 확보가 어려운 도시 환경에서 옥상녹화는 효율적인 온실가스 감축 전략이다. 본 연구에서는 열섬현상 현황 분석에서 더 나아가 고해상도 위성자료 및 공간정보를 활용하여 연구 지역 내 옥상녹화 가용면적 산정 후 옥상녹화가 가져오는 온도 분포 예측을 통한 열섬현상 완화도 및 이산화탄소 흡수량 평가를 수행하였다. 이를 위해 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 기존 토지피복을 분류하고 머신러닝 기법을 적용하여 옥상녹화 전 후 온도 분포 예측 모델을 개발하였다. 옥상녹화 면적 변화에 따른 열섬현상 완화도를 평가하기 위해 랜덤포레스트 기법을 통해 온도가 종속변수인 온도 분포 예측모델을 구축하였고, 이 과정에서 랜덤포레스트 모델의 훈련자료로 사용될 고해상도 지표 온도 도출을 위해 Google Earth Engine을 활용하여 Landsat-8과 Sentinel-2 위성자료를 융합하는 다중회귀모델을 적용하였다. 또한, 옥상녹화용 초본식생별 이산화탄소 흡수량을 기반으로 녹화 면적에 따른 이산화탄소 흡수량을 평가하였다. 연구 결과를 통해 개발된 위성자료 활용 도시 열섬현상 평가 및 랜덤포레스트 모델 기반 온도 분포 예측 기술은 도시열섬 취약 지역에 확대 적용이 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

In high-density urban areas, the urban heat island effect increases urban temperatures, leading to negative impacts such as worsened air pollution, increased cooling energy consumption, and increased greenhouse gas emissions. In urban environments where it is difficult to secure additional green spa...

In high-density urban areas, the urban heat island effect increases urban temperatures, leading to negative impacts such as worsened air pollution, increased cooling energy consumption, and increased greenhouse gas emissions. In urban environments where it is difficult to secure additional green spaces, rooftop greening is an efficient greenhouse gas reduction strategy. In this study, we not only analyzed the current status of the urban heat island effect but also utilized high-resolution satellite data and spatial information to estimate the available rooftop greening area within the study area. We evaluated the mitigation effect of the urban heat island phenomenon and carbon sequestration capacity through temperature predictions resulting from rooftop greening. To achieve this, we utilized WorldView-2 satellite data to classify land cover in the urban heat island areas of Busan city. We developed a prediction model for temperature changes before and after rooftop greening using machine learning techniques. To assess the degree of urban heat island mitigation due to changes in rooftop greening areas, we constructed a temperature change prediction model with temperature as the dependent variable using the random forest technique. In this process, we built a multiple regression model to derive high-resolution land surface temperatures for training data using Google Earth Engine, combining Landsat-8 and Sentinel-2 satellite data. Additionally, we evaluated carbon sequestration based on rooftop greening areas using a carbon absorption capacity per plant. The results of this study suggest that the developed satellite-based urban heat island assessment and temperature change prediction technology using Random Forest models can be applied to urban heat island-vulnerable areas with potential for expansion.

Keyword

표/그림 (12)

그림 Fig. 1. Study area in Jung-gu, Busanjin-gu, and Yeonje-gu, Busan, Republic of Korea. The background image is from Google Earth.
그림 Fig. 2. Downscaling the spatial resolution of LST in the study area using Google Earth Engine.
표 Table 1. List of variables for random forest model construction (Oukawa et al., 2022)
표 Table 2. List of satellite images and usage
그림 Fig. 3. Distribution of grids in the study area for predicting urban heat islands.
표 Table 3. Quantity of CO₂ uptake per unit area of planting (Ahn et al., 2011)
그림 Fig. 4. Available rooftops for rooftop greening. The back ground image is from ArcGIS Pro. (a) Jung-gu, (b) Busanjin-gu, and (c) Yeonje-gu in the study area.
표 Table 4. Available roof area for green roofing in the study area
그림 Fig. 5. LST image on January 14, 2022, downscaled to 10-meter spatial resolution.
그림 Fig. 6. Supervised classification results performed on WorldView-2 satellite imagery: (a) image before supervised classification and (b) image after supervised classification.
그림 Fig. 7. Top 10 variable importance scores derived from the random forest results.
그림 Fig. 8. Image displaying urban heat island mitigation based on LST prediction results. The background is from ArcGIS Pro.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 위성자료 및 공간정보를 이용하여 옥상녹화에 의한 도시 열섬현상 완화도 예측과 이산화탄소 흡수량 평가를 수행하고자 한다. 이를 위해 고해상도 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 옥상녹화 가용면적을 산정하고 옥상녹화 시나리오별 이산화탄소 흡수량을 평가하였다.

제안 방법

본 연구에서는 위성자료 및 공간정보를 이용하여 옥상녹화에 의한 도시 열섬현상 완화도 예측과 이산화탄소 흡수량 평가를 수행하고자 한다. 이를 위해 고해상도 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 옥상녹화 가용면적을 산정하고 옥상녹화 시나리오별 이산화탄소 흡수량을 평가하였다. 또한, Landsat-8 및 Sentinel-2 위성자료를 복합 이용한 고해상도 지표 온도 자료와 머신러닝 기법을 적용하여 옥상녹화 후 온도 분포 예측모델을 개발하였다.
이를 위해 고해상도 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 옥상녹화 가용면적을 산정하고 옥상녹화 시나리오별 이산화탄소 흡수량을 평가하였다. 또한, Landsat-8 및 Sentinel-2 위성자료를 복합 이용한 고해상도 지표 온도 자료와 머신러닝 기법을 적용하여 옥상녹화 후 온도 분포 예측모델을 개발하였다. 이를 통해 옥상녹화 전 후의 열섬현상 완화도를 예측하고자 하였다.
산정한 옥상녹화 가용면적을 대상으로 한 옥상녹화전 후의 온도 분포를 예측하기 위해 랜덤포레스트 회귀분석모델을 구축하였다. 종속변수는 Landsat-8 및 Sentinel-2를 이용하여 추출한 고해상도 지표 온도 자료를 사용하였고, 온도에 영향을 주는 독립변수로는 토지피복, 지형, 도시 구조, 날씨, 대기 지수를 사용하였다. Fig.
본 연구에서는 부산광역시 연구지역 내 옥상녹화 전후 도시 열섬현상 완화도 정도와 옥상녹화를 통한 이산화탄소 흡수량을 평가하기 위해 고해상도 위성자료와 공간정보를 활용하였다. 연구지역의 옥상유형 및 녹화여부 분석을 통해 옥상녹화 가용면적을 산정하고 추가 녹지 면적과 이산화탄소 흡수량을 평가하였다. 옥상녹화 가용면적 산정 결과를 주요 독립변수로 사용하여 랜덤포레스트 회귀분석모델 개발을 통해 지표 온도 분포예측을 수행하였다.

대상 데이터

지표 온도를 종속변수로 하는 옥상녹화 전 후 온도 예측 모델 개발을 위한 지표 온도 자료로 사용하기 위해 Landsat-8 및 Sentinel-2 위성자료를 활용하여 10 m 고해상도 LST 자료를 산출하였다(Fig. 5).
본 연구에서는 부산광역시 연구지역 내 옥상녹화 전후 도시 열섬현상 완화도 정도와 옥상녹화를 통한 이산화탄소 흡수량을 평가하기 위해 고해상도 위성자료와 공간정보를 활용하였다. 연구지역의 옥상유형 및 녹화여부 분석을 통해 옥상녹화 가용면적을 산정하고 추가 녹지 면적과 이산화탄소 흡수량을 평가하였다.

데이터처리

산정한 옥상녹화 가용면적을 대상으로 한 옥상녹화전 후의 온도 분포를 예측하기 위해 랜덤포레스트 회귀분석모델을 구축하였다. 종속변수는 Landsat-8 및 Sentinel-2를 이용하여 추출한 고해상도 지표 온도 자료를 사용하였고, 온도에 영향을 주는 독립변수로는 토지피복, 지형, 도시 구조, 날씨, 대기 지수를 사용하였다.
연구지역의 옥상유형 및 녹화여부 분석을 통해 옥상녹화 가용면적을 산정하고 추가 녹지 면적과 이산화탄소 흡수량을 평가하였다. 옥상녹화 가용면적 산정 결과를 주요 독립변수로 사용하여 랜덤포레스트 회귀분석모델 개발을 통해 지표 온도 분포예측을 수행하였다. 또한, 고해상도 지표 온도를 산출하는 과정에서 클라우드 기반 플랫폼 Google Earth Engine 및 Landsat-8과 Sentinel-2 위성자료를 이용하여 지표 온도의 공간해상도를 10 m로 개선시켰다.

성능/효과

6은 토지피복 변수를 위해 수행하였던 WorldView-2 위성자료의 감독분류 결과이다. 연구지역 내 500개 지점의 임의 선택 및 분석을 통한 토지피복 분류정확도는 87.4% 전체정확도(overall accuracy)로 평가되었다.

참고문헌 (16)

Ahn, G. Y., Han, S. W., and Lee, E. H., 2011. The analysis？of instantaneous CO 2 uptake and evapotranspiration？of herbaceous plants for artificial roof greening.？Korean Journal of Environment and Ecology,？25(1). 91-101.
Ahn, J. S., Hwang, J. D., Park, M. H., and Suh, Y. S., 2012. Estimation of urban heat island potential？based on land cover type in Busan using Landsat-7？ETM+ and AWS data. Journal of the Korean？Association of Geographic Information Studies,？15(4), 65-77. https://doi.org/10.11108/KAGIS.2012.15.4.065

원문보기 상세보기
Ahn, J. Y., Jung, T. W., and Koo, J. H., 2016. Estimation？of the available green roof area using geospatial data. Journal of the Korean Society of？Environmental Restoration Technology, 19(5),？11-17. https://doi.org/10.13087/kosert.2016.19.5.11

원문보기 상세보기
Breiman, L., 2001. Random forests. Machine Learning, 45,？5-32. https://doi.org/10.1023/A:1010933404324
Grimmond, S. U. E., 2007. Urbanization and global？environmental change: Local effects of urban？warming. The Geographical Journal, 173(1),？83-88. https://doi.org/10.1111/j.1475-4959.2007.232_3.x

상세보기
Hanif, A., Nasar-u-Minallah, M., Zia, S., and Ashraf, I., 2022. Mapping and analyzing the park cooling？intensity in mitigation of urban heat island effect？in Lahore, Pakistan. Korean Journal of Remote？Sensing, 38(1), 127-137. https://doi.org/10.7780/kjrs.2022.38.1.10

원문보기 상세보기
Herrera-Gomez, S. S., Quevedo-Nolasco, A., and Perez-Urrestarazu, L., 2017. The role of green roofs in？climate change mitigation. A case study in Seville？(Spain). Building and Environment, 123, 575-584.？https://doi.org/10.1016/j.buildenv.2017.07.036

상세보기
Kim, I. H., Yang, A. R., Kim, S. U., Han D. H., Shin,？G. S., Park, S. J., Kim H. Y., and Kim Y. M., 2022. Study on carbon storage calculation and？green roof simulation modules to understand the？current status and potential of urban ecosystem？services: In case of Suwon-si in Korea. Journal？of Korea Planning Association, 57(1), 128-144.？https://doi.org/10.17208/jkpa.2022.02.57.1.128

상세보기
Kim, M., and Hyun, C. U., 2023. Oil spill monitoring？in Norilsk, Russia using Google Earth Engine？and Sentinel-2 data. Korean Journal of Remote？Sensing, 39(3), 311-323. https://doi.org/10.7780/kjrs.2023.39.3.5

원문보기 상세보기
Korea Energy Agency, 2020. 2020 Vehicle fuel economy？and CO 2 emissions: Data and analyses. Korea？Energy Agency.
Lee, K., and Lim, C. H., 2022. Analysis of the surface？urban heat island changes according to urbanization？in Sejong city using Landsat imagery. Korean？Journal of Remote Sensing, 38(3), 225-236.？https://doi.org/10.7780/kjrs.2022.38.3.1

원문보기 상세보기
Mohajerani, A., Bakaric, J., and Jeffrey-Bailey, T., 2017.？The urban heat island effect, its causes, and？mitigation, with reference to the thermal properties？of asphalt concrete. Journal of Environmental？Management, 197, 522-538. https://doi.org/10.1016/j.jenvman.2017.03.095

상세보기
Onacillova, K., Gallay, M., Paluba, D., Peliova, A.,？Tokarcik, O., and Laubertova, D., 2022. Combining？Landsat 8 and Sentinel-2 data in Google Earth？Engine to derive higher resolution land surface？temperature maps in urban environment. Remote？Sensing, 14(16), 4076. https://doi.org/10.3390/rs14164076

상세보기
Oukawa, G. Y., Krecl, P., and Targino, A. C., 2022.？Fine-scale modeling of the urban heat island: A comparison of multiple linear regression and？random forest approaches. Science of the Total？Environment, 815, 152836. https://doi.org/10.1016/j.scitotenv.2021.152836

상세보기
Park, E. J., Nam, M., and Kang, G., 2012. Estimation of？the potential area for roof greening in Gyeonggi-do？and its implications. Journal of the Korean Society？of Environmental Restoration Technology, 15(1),？107-117. https://doi.org/10.13087/kosert.2012.15.1.107

원문보기 상세보기
Sunuprapto, H., Danoedoro, P., and Ritohardoyo, S., 2016. Evaluation of pan-sharpening method:？Applied to artisanal gold mining monitoring in？Gunung Pani Forest area. Procedia Environmental？Sciences, 33, 230-238. https://doi.org/10.1016/j.proenv.2016.03.074

상세보기

이 논문을 인용한 문헌

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 위성영상과 머신러닝 활용 도시열섬 지역 옥상녹화 효과 예측과 이산화탄소 흡수량 평가
Predicting the Effects of Rooftop Greening and Evaluating CO2 Sequestration in Urban Heat Island Areas Using Satellite Imagery and Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

참고문헌 (16)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 위성영상과 머신러닝 활용 도시열섬 지역 옥상녹화 효과 예측과 이산화탄소 흡수량 평가 Predicting the Effects of Rooftop Greening and Evaluating CO2 Sequestration in Urban Heat Island Areas Using Satellite Imagery and Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

참고문헌 (16)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 위성영상과 머신러닝 활용 도시열섬 지역 옥상녹화 효과 예측과 이산화탄소 흡수량 평가
Predicting the Effects of Rooftop Greening and Evaluating CO2 Sequestration in Urban Heat Island Areas Using Satellite Imagery and Machine Learning 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

활용도 Top5 논문