2.1 데이터 수집

Landsat 8 위성은 정량화되고 보정된 DN (Digital Number)으로 구성되며 다중 스펙트럼 이미지의 데이터를 기록하여 저장하고 있다. 데이터는 OLI (Operational Land Imager) 및 TIRS (Thermal Infrared Sensor)를 사용하여 수집된다. 본 연구에서 사용된 Landsat 8 대역의 사양은 Table 1과 같다. 밴드 4, 5, 6은 각각 적색 근적외선(NIR) 및 단파 적외선(SWIR) 파장에 해당하며, 밴드 10과 11은 열적외선(TIRS) 파장에 해당한다. 공간 해상도는 4, 5, 6대역의 경우 30 m이고 10, 11대역의 경우 100 m이다. 연구의 공간적 범위는 대구광역시이므로, 경상북도지역이 포함된 Path/Row-114/36으로 선정하였다. 운량(雲量)은 0.33 %로 2020년 8월 20일 01:59 GMT (10:59 KST)에 수집되었다.

지반 측정 데이터는 Fig. 1과 Table 2와 같이 대구광역시 내의 선택된 ASOS/AWS의 기상관측소에서 연속형 데이터를 획득하였다.

Fig. 1. Study Region (Daegu City) with the Locations of Weather Stations

2.2 데이터 전처리 및 LST 도출

본 연구는 지형처리 라이브러리를 사용하여 Python 스크립트를 통해 수행하였으며, 연구진행 프로세스는 Fig. 2와 같다.

Fig. 2. Flowchart for the Present Study

위성 이미지 데이터는 메타데이터 파일과 함께 GeoTIFF 형식으로 저장된다. 이 중 필요한 대역(4, 5, 6, 10, 11)은 Fig. 3(a)와 같이 Python 라이브러리 earthpy를 사용하여 전처리를 위한 래스터 형식으로 변환하였다. 이후 Fig. 3(b)와 같이 좌표 기준 시스템(CRS)을 일치시켜 형상 파일을 사용하여 연구 공간범위의 영역을 도출하였다. Fig. 4는 6번, 5번, 4번 밴드가 결합된 자연 색상의 이미지이다.

Level 1 Landsat 8 데이터는 방사측정 및 기하학적으로 보정된 영상에서 각 이미지 픽셀에 해당하는 16비트 정수 값을 가지며 DN 단위로 사용할 수 있다. LST를 계산하기 위해서는 NDVI (Normalized Difference Vegetation Index)와 NDBI (Normalized Difference Built-up Index)가 필요하다. NDVI는 식생의 유·무를, NDBI는 건물의 유·무를 강조하는 데 사용되는 기술이다. 해당 정규화 지수를 계산하기 위하여 Landsat 8 Handbook ^{(USGS, 2019)}에 기초하였다. 밴드 4, 5, 6에 대한 TOA (Top of Atmosphere) 반사율 값은 Eq. (1)와 같은 공식을 사용하여 도출하였다.

$\rho_{\lambda}$는 TOA에서 스펙트럼 반사율, $M_{\rho}$은 해당 밴드의 대한 반사율 다중 스케일링 계수, $A_{\rho}$은 해당 밴드의 대한 반사율 가법 스케일링 계수, $Q_{cal}$은 해당 화소의 DN 값, 태양 표고각$\theta_{SE}$은 보정을 위한 값이다.

실제 스펙트럼 광도는 Eq. (2) 공식과 같이 메타데이터 파일에서 사용할 수 있는 계수 재조정 스케일링 계수를 사용해 계산하였다.

$L_{\lambda}$는 TOA에서 스펙트럼 복사량($W/(m^{2}sr\mu m)$), $M_{L}$은 해당 밴드의 대한 반사율 다중 스케일링 계수, $A_{L}$은 해당 밴드의 대한 반사율 가법 스케일링 계수, $Q_{cal}$은 해당 화소의 DN 값이다.

정규화지수인 NDVI 및 NDBI는 Eqs. (3) and (4)의 공식을 사용하여 밴드 4, 5, 6의 TOA 반사율(Eq. (1)) 값으로부터 도출하였다.

Fig. 3. (a) Original Landsat8 Imagery Data (DN) for Path/Row of 114/35 and (b) Cropped Images of the Study Region (Daegu City)

Fig. 4. Natural Color Composite Image of the Study Region (Daegu City)

LSE는 Table 3과 같이 NDVI 값의 범위에 기초하여 계산하였다.

밴드 11 데이터에 큰 편향이 있으므로^{(Meng et al., 2019)}, 본 연구에서는 밴드 10 데이터를 기반으로 한 LST 계산에 mono- window 알고리즘을 사용하였다. 밝기온도인 BT (At-Sensor Brightness Temperature)는 위성이 관측한 유효 온도이며, Eq. (5)의 공식을 이용하여 스펙트럼 광도 $L_{\lambda}$를 계산할 수 있다.

$K_{1}$ 과 $K_{2}$ 는 메타데이터 파일의 열 변환 상수이다. LST는 Eqs. (6) and (7)에 나타난 것처럼 BT를 사용하여 도출하였다.

$\lambda$는 밴드의 평균 파장($10.895\mu m$), $h=6.626\times 10^{-34}J s$은 플랑크상수(Planck’s constant), $c=2.998\times 10^{8}m/s$는 빛의 속도(velocity of light), 그리고 $\sigma =1.38\times 10^{-23}J/K$는 볼츠만상수(Boltzmann constant)이다. 온도는 켈빈(K)에서 섭씨(°C)로 변환을 위해 –273.15를 하였다.

2.3 딥러닝 기반 온도 예측 및 분석

데이터셋 구축을 위하여 기상청^{(KMA, 2021)}에서 제공하고 있는 ASOS/AWS 관측소에서 측정된 데이터를 Table 2와 같이 수집하였다. 데이터셋은 전처리하여 결측변수 및 결측값을 제외하고 Table 4와 같은 변수로 구성되었다. TensorFlow/Keras Python 라이브러리를 이용하여 Fig. 5와 같은 Multistep Stacked LSTM (long short-term memory) 모델을 개발하였다.

Fig. 5. LSTM Model

여러 수치 실험을 통해 선택된 최상의 모델 파라메타값은 Table 5와 같다. 이 모델은 2010년 1월 1일부터 2019년 12월 31까지 10년 데이터셋의 학습을 하고, 2020년 1월 1일부터 7월 31일까지 데이터셋의 검증을 수행하였다. 또한 모델 과적합을 방지하기 위하여 학습 데이셋를 기반으로 정규화하였다. 모델은 향후 24시간 기온 예측을 하기 위하여 과거 36시간 자료를 바탕으로 구현되었다.

3.1 NDVI, NDBI, LST 시각화

NDVI 및 NDBI는 Fig. 6과 같이 TOA 반사율을 사용하여 계산되었다. Fig. 6(a)에서 노란색 지역은 도시 지역, 녹색 지역은 식생지역, 빨간색은 수역을 나타낸다. 도시지역은 Fig. 6(b)의 NDBI 분포의 어두운 지역(더 높은 값)으로 더욱 명확하게 구별할 수 있었다. Fig. 7은 열 밴드 10의 스펙트럼 광도와 센서 광도(BT)에 기초하여 계산된 LST를 나타낸다. 도시지역은 식물이 많은 지역의 기온보다 훨씬 더 높은 기온을 보였다.

Fig. 6. (a) NDVI and (b) NDBI Calculated from Landsat 8 Imagery Data After Reflectance Correction

Fig. 7. Land Surface Temperatures (LST) in °C Computed Using Band 10 Data of Landsat 8

3.2 핫스팟 지역 도출

국내의 폭염주의보 기준은 33 °C이상이므로, Fig. 8과 같이 LST가 33 °C 이상인 취약한 핫스팟 지역을 추출하여 인근 ASOS/AWS 관측소와 함께 나타내었다. Table 6은 전체 연구범위에서 계산된 NDVI, NDBI, LSE 및 LST 분포의 통계적 요약이다. 전 지역의 LST 평균값은 31.49 °C이고 표준편차(std)는 5.09 °C이다. 취약지역 통계요약은 Table 7과 같으며, 평균값 38.54 °C, 표준편차 3.39 °C인 취약지역에 대하여 LST의 급격한 증가를 관찰할 수 있었다. 기온이 상당히 높은 이유는 일반적으로 폭염과 도시열섬현상의 복합적인 피해가 가중된 것으로 판단된다.

폭염과 도시열섬의 복합적 피해가 극심할 수 있는 건설근로자에 대한 조기경보체계를 마련하기 위해서는 취약구역 내 건설현장 파악과 그에 따른 대책의 필요성이 대두된다. 대구광역시 지역의 현재 준공중인 건설 현장 데이터는 국토교통부에서 제공하는 데이터를 이용하여 건설현장의 위도 및 경도를 변환하는 과정을 거쳤다. 그 결과 Fig. 9와 같이 건설현장 총 164개소 중 17개소가 취약지역에 위치한 ASOS/AWS 관측소 반경 2 km 이내로 파악되었다.

Fig. 8. LST (Above 33 °C) at Vulnerable Areas with Nearby ASOS and AWS Locations for Study Region with Zoomed-In Views

Fig. 9. Selected Vulnerable Construction Sites within a 2 km Radius of ASOS and AWS Locations and a Zoomed-In View

3.3 정규화지수 상관관계 분석

상관분석은 취약한 영역에 대해 도출된 NDVI, NDBI, LSE 및 LST 값 사이에서 수행되었다. 계산된 피어슨 계수 행렬은 Fig. 10에 나와 있으며, 여기서 LST는 NDVI와 LSE에 대한 강한 상관관계를 보였다. NDVI, NDBI, LSE 및 LST 사이의 관계는 Fig. 11과 같이 산점도 행렬을 통해 알 수 있었다. LST는 LSE에 따라 선형적으로 변화하지만 NDVI와의 관계는 매우 비선형적이다.

Fig. 10. Pearson Correlation Matrix for NDVI, NDBI, LSE, and LST for Vulnerable Areas (above 33 °C)

Fig. 11. Relationships Among NDVI, NDBI, LSE, and LST for Vulnerable Areas (above 33 °C)

3.4 LSTM을 이용한 온도 예측결과

열에 취약한 건설현장에 대한 조기경보시스템을 구축하기 위해서는 LSTM 모델의 온도 예측은 중요한 역할을 한다. 학습된 LSTM 모델은 취약한 영역 내의 ASOS/AWS 위치의 온도 예측에 사용되었다. Fig. 12는 36시간의 과거 날씨 데이터를 사용하여 미래 24시간 동안의 기온 예측 결과이며, 전반적으로 모든 ASOS/AWS 위치에 대해 실제 측정된 값과 거의 일치함을 보여준다. Fig. 13은 최소제곱법을 사용하여 계산한 실제 값에 대한 온도예측의 회귀 이미지이며, 결정계수(r2)의 값은 모든 관측소에 대해 92 % 이상의 높은 정확성을 보여준다. Table 8은 그래프를 표로 정리해놓은 최고온도, 최저온도, 평균절대오차(MAE), 중위값절대오차(MedAE), 평균제곱근오차(RMSE)이다. AWS 845 관측소를 제외하고 모든 관측소에서의 잔차는 1.66 °C이하로 도출되었다. AWS 845의 잔차가 크게 나온 이유는 ASOS 관측소에서 수집하는 데이터 변수에 비해서 변수가 적기 때문이다. 변수가 다양할수록 기존 데이터가 정확할수록 잔차가 적어진다는 것을 알 수 있다. 예측시간은 10초 안팎으로 폭염시 취약 건설현장에 대한 효율적인 경보시스템의 기반이 될 수 있다. 이는 차후 연구에서 건설근로자의 열스트레스 지수까지도 예측할 수 있는 발판의 자료가 될 수 있다.

Fig. 12. Comparison of LSTM Temperature Predictions

Fig. 13. Regression Plots of Predicted and True Temperature Values