← 모든 프로젝트

열지도를 넘어

가장 더운 동네만으로는 전체를 설명할 수 없습니다.

역할

학생연구원

활동 배경

Pioneer Academics · 2026년 6월~9월

도구 및 방법

Landsat 8/9 · NLCD 토지 피복 · 인구 조사 ACS · k-means 군집화 · 공간 통계

직접 제작한 섬 모델: 열지도를 넘어
섬에 담긴 이야기

위성 궤도와 거리에서 바라본 사막 도시.

이 사이트를 위해 Blender로 만든 일러스트입니다. 개념을 설명할 뿐, 프로젝트의 데이터가 아닙니다.

프로젝트의 원본 이미지, 도표, 영상은 원래 언어로 제공됩니다.

출발점이 된 질문

표면 온도 지도는 도시의 어느 곳이 뜨거운지 알려 줍니다. 하지만 그것만으로는 어느 동네가 가장 취약한지 알 수 없습니다. 저는 피닉스의 인구 조사구 369곳에 대해 위성, 토지 피복, 인구 조사 정보를 결합해 그 차이를 살펴보고, ‘우선순위’의 정의가 바뀌면 냉방 프로그램의 우선순위가 얼마나 달라지는지 물었습니다.

369분석한 피닉스 인구 조사구
17 / 37두 순위 모두에 포함된 상위 10% 인구 조사구
0.749두 순위 간 순위 상관계수
3취약성 프로필
01

질문을 하는 다른 방법

저는 피닉스의 인구 조사구 369곳을 연구했습니다. 온도를 문제의 전부로 보지 않고, 먼저 조치할 곳을 고르는 두 가지 방법을 비교했습니다. 하나는 표면 온도만으로 매긴 순위이고, 다른 하나는 인구 조사구가 얼마나 시가지화되었는지, 얼마나 많은 사람이 사는지, 그리고 그들이 열에 얼마나 민감한지까지 반영한 점수로 매긴 순위입니다.

02

열한 장으로 한 장의 그림 만들기

표면 온도는 Landsat 8과 9의 Collection 2 Level-2 장면에서 얻었습니다. 2024년 6월부터 8월까지의 장면 중 열한 개가 품질 검사를 통과했습니다. 구름, 그림자, 포화 픽셀을 마스킹하고 남은 값의 픽셀별 중앙값으로 온도와 식생의 여름 합성 영상을 만들었습니다. 포장 면적과 수관 피복은 2024 National Land Cover Database에서, 연령·빈곤·주거 수치와 그 오차 범위는 American Community Survey에서 가져왔습니다.

03

구성 요소가 그대로 보이는 점수

우선순위 점수는 네 가지 백분위 순위의 단순 평균입니다. 열, 시가지 부담(포장 면적과 식생 부족), 노출(인구 밀도), 민감도(65세 이상 인구, 5세 미만 아동, 빈곤)입니다. 동일 가중치는 데이터에 맞춘 모델이 아니라 가치 선택이며, 논문도 이를 밝힙니다. 네 요소를 분리해 두면 누구나 인구 조사구가 왜 그 순위에 있는지 알 수 있습니다.

04

순위가 다를 때

전체 인구 조사구를 놓고 보면 두 순위는 순위 상관계수 0.749로 꽤 잘 일치합니다. 하지만 실제 결정이 내려지는 상위권에서는 그렇지 않습니다. 가장 뜨거운 37개 인구 조사구 중 우선순위 상위 37곳에도 드는 곳은 17곳뿐입니다. 한 순위에서 다른 순위로 바꾸면 인구 조사구의 순위가 중앙값 기준 42계단 움직였고, 가장 크게 움직인 곳은 양방향으로 각각 약 250계단이었습니다.

05

세 가지 유형의 동네

표준화한 일곱 가지 특성으로 인구 조사구를 군집화하자 해석 가능한 세 가지 유형이 나왔습니다. 열과 사회경제적 부담이 겹친 206곳, 냉방 센터에서 멀리 떨어진 저밀도 45곳, 그리고 주민 연령이 가장 높고 녹지가 많아 약간 더 시원한 118곳입니다. 인구 조사 입력값을 오차 범위 안에서 50번 교란해도 군집 구성은 안정적으로 유지되었으며, 이 검증이 있었기에 이 유형들을 논의할 수 있습니다.

기술 구현 살펴보기

하나의 도시. 읽는 방법 세 가지.

  1. 01

    복사휘도에서 인구 조사구까지

    Landsat 열적외 값은 제품에 공개된 배율과 오프셋으로 켈빈 단위로 변환하고, 픽셀 품질 밴드로 마스킹한 뒤, 여름 기간의 픽셀별 중앙값으로 결합합니다. 이후 각 래스터를 공통 지도 투영 체계에서 인구 조사구 경계 안으로 요약합니다. 구축한 인구 조사구 373곳 중 369곳이 커버리지와 품질 검사를 통과했습니다.

  2. 02

    결정 규칙의 변경

    온도만으로 매긴 순위와 네 요소로 구성된 우선순위 순위를 상위 10%와 상위 20% 구간에서 비교합니다. 겹침은 개수와 자카드 지수(상위 10%에서 0.298)로 보고하므로, 이 결과는 평균적인 차이가 아니라 프로그램이 어느 곳을 먼저 찾아갈지에 관한 것입니다.

  3. 03

    교란을 견디는 유형

    k-means(군집 3개)는 군집 수 3~6개와 Ward 연결법을 비교한 뒤 선택했습니다. 안정성은 인구 조사 변수를 오차 범위 안에서 교란한 뒤 다시 군집화하여 측정했습니다. 조정 랜드 지수의 중앙값은 k-means가 0.797, Ward가 0.580이었습니다. 두 점수 모두 공간적으로 군집되어 있어(Moran’s I 약 0.5), 이웃한 인구 조사구는 독립적인 표본이 아닙니다.

표면 온도, 인구학적 취약성, 개입 우선순위는 서로 관련되지만 다른 질문에 답합니다. 이 연구는 그 관점들을 비교할 뿐, 완료된 냉방 프로그램의 효과를 측정하지 않습니다.

이 결과가 보여 주지 않는 것

정직하게 밝히는 한계.

  • 위성 표면 온도는 기온, 야간 열기, 실내 열기와 다릅니다.
  • 우선순위 점수의 동일 가중치는 명시적인 가치 선택입니다. 가중치가 다르면 인구 조사구의 순위도 달라집니다.
  • 이 연구는 어떤 순위도 건강 결과와 연결하지 않으며, 냉방 센터까지의 거리는 이동 시간이 아니라 직선거리입니다.
가까운 섬들

이어지는 지점.

문맥 및 추가 자료

논문: “Remote Sensing and Interpretable Machine Learning for Neighborhood-Level Urban Heat Vulnerability in Phoenix, Arizona.” 지도교수에게 제출하여 승인받았으며, 아직 출판되지 않았습니다. ‘해석 가능한(Interpretable)’이라는 표현은 읽기 쉬운 군집 유형과 투명한 점수를 가리킵니다.