열지도를 넘어
가장 더운 동네만으로는 전체를 설명할 수 없습니다.

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.
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.
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.
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.
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.
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.
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.
하나의 도시. 읽는 방법 세 가지.
- 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.
- 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.
- 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.
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.
이어지는 지점.
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.


