이변량 프레임워크를 이용한 도시 폭염에 대한 열 탄력성 정량 평가

2.1. 연구 대상 및 입력 자료

본 연구는 서울의 스마트서울 도시데이터 센서(S-DoT) 자료를 기반으로 구별 탄력성을 정량화하는 연구로 서울시를 대상으로 수행하기 위하여 서울 열린데이터 광장에서 스마트서울 도시데이터 센서(S-DoT) 환경정보 자료에서 수집된 2024년과 2025년 자료의 시간 단위 평균 온도(avg_temp (℃)) 값을 받아 활용하였다.

분석 기간을 여름으로 한정하기 위해, 병합된 시계열 자료 중 2024년과 2025년의 6, 7, 8월에 해당하는 관측치만을 활용하였다. 이동형 센서가 도시의 구별 열 환경을 지속적으로 측정하지 못하여 각 구의 온도 변화를 대표하지 못한다는 점을 고려하여, 이동형 센서 시리얼 번호에 해당하는 S-DoT 장비는 모두 분석에서 제외하였다. 분석 대상 공간을 서울시 행정구역 내로 한정하기 위하여, S-DoT 센서망에 포함되어 있으나 실제 설치 위치가 경기도 과천시 서울대공원인 관측소(자치구 변수가 ‘Seoul_Grand_Park’로 표기된 관측치)는 서울시 자치구 단위 열 환경을 대표하지 못하여 분석에서 제외하였다. 기온 변동 자료의 품질관리를 위해 일간 시간별 평균 기온 중 결측(NA)이거나 0℃ 미만인 관측은 모두 제거하여, 비현실적이거나 오류 가능성이 높은 값과 일자가 후속 분석에 영향을 미치지 않도록 하였다. 24개 시각 중 하나라도 결측이 존재하는 일자는 제거하여, 일별 분석에 완전한 시계열이 확보된 여름철 센서 자료만을 연구에 활용하였다(Fig. 1). 폭염일 선정을 위해, 서울시와 각 구의 전체 일 최고기온 분포의 상위 10% (90th percentile)에 해당하는 분위수 기준 온도를 폭염 기준으로 설정하였다(Perkins and Alexander, 2013; Russo et al., 2014). 본 연구에서도 자치구별로 상이한 기후 조건을 반영하기 위하여 자치구 단위 90th percentile 기준을 채택하였으며, 이를 통해 각 자치구의 고유한 기후 맥락에 부합하는 폭염일 식별이 가능하도록 하였다. 이러한 전처리 수행 결과 서울시에서 유효한 9,276개의 시간 단위 일 자료가 활용되었으며, 각 구별 동일한 10% 분위수 평가 방법을 통해 입력 데이터를 확정하였다(Table 1).

Fig. 1.

Spatial distribution of S-DoT stations across the administrative districts of Seoul

Table 1.

Heatwave thresholds by district

2.2. 도시의 열 탄력성 평가 방안

Ingrisch and Bahn (2018)이 제안한 이변량 프레임워크는 저항성(resistance)과 회복력(recovery)을 교란 이전의 기준 상태(baseline state)에 대해 정규화하여 서로 다른 시스템 간 탄력성을 일관되게 비교할 수 있도록 구성되어 있다. 해당 프레임워크에서 Ingrisch and Bahn (2018)은 교란 이전 기준 상태에 대해 정규화된 교란 영향의 크기를 baseline‑normalized impact (Impact_base)로, 교란 이후 기준 상태에 대해 정규화된 회복 기울기를 baseline‑normalized recovery-rate (R_base)로 정의한 바 있다. 본 연구에서는 해당 정의를 준용하여 서울시 도시 열환경에 적합한 형태로 두 지표를 다음과 같이 산정하였다.

각 자치구 i와 시각 t에 대해, 기준 상태 T_base,i,t는 전체 분석기간 동안 해당 시각 t에 관측된 평균 기온이며, 폭염 상태 T_hw,i,t는 일 최고기온 상위 10%에 해당하는 폭염일들에서의 해당 시각 평균 기온으로, 각각 ‘기준 상태(baseline state)’와 ‘교란된 상태(disturbed state)’에 대응한다. 두 상태의 차이는 폭염에 의해 해당 시각 구의 평균 기온이 기준 상태에 비해 얼마나 높아졌는지를 나타내는 값으로 열로 인한 시스템 충격의 크기로 해석하였다(Eq. (1)). 탄력성 지표를 양의 범위에서 취급하기 위해, 모든 ΔT_,i,t 값 가운데 최소값을 차감한 값을 기반으로 이변량 프레임워크에 사용(Eq. (2))하였다. 이러한 처리를 통해 가장 강한 열 충격을 받은 구의 특정 시점에서 S_,i,t = 0으로 설정되도록 하였으며, 연구에서 관측된 ΔT_,i,t의 최솟값은 강북구 16:00의 –4.85℃였다. 이러한 정의에 따라 S_,i,t 값이 0에 가까울수록 해당 자치구·시각의 폭염일 기온이 평균 일변화에 비해 가장 크게 상승한 상태, 즉 평균 대비 폭염 강도가 가장 높은 상태에 해당하며, S_,i,t 값이 클수록 폭염일 기온이 평균 일변화 수준에 근접함을 의미한다. 따라서 시간 진행에 따른 S_,i,t의 감소는 폭염 충격의 누적을, S_,i,t​의 증가는 시스템의 회복 과정을 정량적으로 반영하는 지표로 해석된다.

본 연구에서는 Ingrisch and Bahn (2018)의 정의에 따라 도시 시스템이 받는 열 충격량(impact)을 기준선 대비 시스템 상태의 상대적 감소량으로 정의하여 baseline-normalized impact (Impact_base)로 표현하였으며, 열 회복 속도(recovery rate)는 교란 후 회복 구간에서 기준선 정규화 상태(S_,i,t)의 시간에 대한 평균 기울기로 정의하여 baseline normalized recovery rate (R_base)로 표기하였다. 분석 시간은 서울시와 구별 S_,i,t가 감소하기 시작하는 06:00부터 양천구에서 S_,i,t의 감소가 3.16에서 중단된 21:00까지로 설정하였다. 이는 낮 시간 중 S_,i,t의 감소와 오후와 저녁 중 시스템의 회복을 포함하는 구간으로 시스템의 상대적 교란과 회복을 일관적으로 반영하기 위하여 해당 시간으로 설정하였다. 해당 개념과 연구 대상 시간을 본 연구에 적용하여, 각 자치구 i에서 S_,i,t가 최대와 최소가 되는 시각을 기준으로 Impact_base를 정의하였다(Eq. (3)). 21:00시에 회복된 시스템의 상태인 S_,i,recov와 최대 교란 시점에서의 S_,i,t 차이를 기준으로 회복 시간 내 평균 기울기로 R_base를 정의하였다(Eq. (4)). 본 연구에서 정의한 시스템 상태(S_,i,t)는 폭염일 기온에서 전체 분석기간 동일 시각의 평균 기온을 차감한 값을 기반으로 도출된 지표로, 해가 뜨고 지는 자연적 일변화의 효과는 두 항에 동일하게 반영되어 차분 과정에서 상쇄된다. 따라서 본 연구의 Impact_base와 R_base은 자연적 일변화가 아닌 폭염 특이적 평균 대비 열환경 편차를 정량화하는 지표로 해석된다.

2.3. Urban Heat Index 기반 탄력성 평가 결과 비교 분석

각 탄력성 지표와의 비교를 위해 UHI를 도시 관측소와 교외(rural) 관측소의 기온 차이로 정의하는 접근법을 적용하여 산정하였다(Yagüe et al., 1991). 해당 방법론은 도시–교외 간 기온 차이를 정량화하는 가장 표준적인 방식으로 도시기후학 분야에서 광범위하게 활용되고 있으며, 서울을 대상으로 한 다수의 선행연구에서도 서울 ASOS와 양평 ASOS의 기온 차이가 UHI 강도 산정의 기준으로 활용되었다(Jeon et al., 2026; Kim and Baik, 2004). 본 연구에서도 서울시 UHI를 산정하기 위해, 기준 외곽지점으로 양평 종관기상관측장비(ASOS)의 시각별 대기온도 자료를 활용하였다. S-DoT 각 센서의 일 최고기온이 나타난 시간의 기온값(T_urban)에서 양평 ASOS의 동일 시간 대기온도(T_rural)를 빼서 UHI를 산정하였고(Eq. (5)), 전처리를 수행한 일자를 기준으로 서울시와 자치구별 UHI의 평균을 산출하였다. 산출된 자치구별 UHI 평균값과 두 탄력성 지표 Impact_base​와 R_base 사이의 통계적 연관성을 평가하기 위하여, 25개 자치구를 분석 단위로 한 Pearson 상관 분석을 수행하였다. 이를 통해 기존 UHI 지표와 본 연구에서 도출한 두 탄력성 지표가 자치구 단위에서 통계적으로 어떠한 연관성을 보이는지 정량적으로 비교하였다.

3.1. 이변량 프레임워크 기반 탄력성 평가 결과

06 ~ 21시 사이 서울시 평균과 25개 자치구의 시간별 S_,i,t의 분포가 Fig. 2와 같이 도출되었다. 서울시 평균 곡선은 06:00에 약 4.20℃의 평균 대비 편차로 시작하여 일사가 강해지는 오후 시간대에 점진적으로 감소한 뒤, 16:00 부근에서 약 0.81℃의 최저점에 도달하였으며, 이후 야간 복사냉각이 시작되는 18시 이후 다시 회복되어 21:00에 약 2.97℃에 도달하는 양상을 보였다.

Fig. 2.

Hourly variation of urban thermal disturbance and recovery (Si,t) averaged across Seoul (red curve) and the corresponding distribution across the 25 administrative districts at three reference time points (boxplots): 06:00, the district-specific peak disturbance hour within 14:00–17:00, and 21:00

자치구별 분포를 시점별로 살펴보면, 06:00에서는 S_,i,t의 자치구별 분포가 약 2.90℃에서 5.05℃ 사이에 위치하여 분포 폭이 약 2.15℃으로 나타났다. 최대 교란 시점에서는 자치구별 최저값이 강북구의 0.00℃에서 약 1.70℃ 사이에 분포하였으며, 21:00 시점에는 분포가 1.13℃에서 약 3.99℃에 걸쳐 형성되어 회복 후에도 자치구 간 분포 폭이 유지되었다. 한편 자치구별 최대 교란이 발생한 시각은 14:00 ~ 17:00 구간 내에서 자치구마다 상이하게 나타났으며, 16:00에 최저점에 도달한 자치구가 9개로 가장 많았고, 14:00에 6개, 15:00과 17:00에 각각 5개의 자치구가 최저점에 도달하였다(Fig. 2). 또한 동일 시각에 최저점을 보인 자치구들 사이에서도 분포의 폭이 약 0.6 ~ 1.0℃에 달하여, 동일한 폭염 조건에서도 자치구별 열 응답 특성이 상이하게 작동함을 확인할 수 있다. 모든 자치구가 06:00의 값으로 회복되지 않아 낮 동안 축적된 열이 21:00까지 완전히 해소되지는 않는다는 것을 의미하며, 이러한 시공간 패턴은 이후의 이변량 프레임워크(Impact_base–R_base) 해석에서 각 구의 위치를 이해하는 중요한 배경을 제공한다.

Fig. 3은 Ingrisch and Bahn (2018)이 제안한 이변량 프레임워크를 열에 의한 서울의 도시 시스템 교란과 회복에 적용한 결과로, 각 구가 ‘얼마나 크게 교란을 받는지’와 ‘얼마나 빨리 평균 상태로 회복하는지’를 동시에 보여준다. Impact_base는 구별로 66 ~ 100% 범위에 분포하며, 자치구들의 평균은 83.1%로 나타났고, R_base는 약 6 ~ 18% t⁻¹ 범위에 분포하며 자치구들의 평균은 10.2% t⁻¹으로 나타났다. 두 변수 간에는 r = 0.64 (p < 0.01) 수준의 양의 상관이 나타나, 폭염 시 큰 교란을 겪는 자치구일수록 평균적으로 더 높은 회복률을 보이는 통계적 패턴이 관찰되었다. 이는 토양 미생물, 산림 등 일반적인 생태계 연구에서 관찰되는 저항성-회복성 간 trade-off 패턴과 부합하는 양상으로, 본 연구의 도시 기후 시스템에서도 동일한 통계적 패턴이 관찰되었음을 시사한다(Orwin and Wardle, 2004; Patrick et al., 2022). 낮은 온도 변화 저항성을 가진 도시 지역이 폭염 중에는 평균 대비 큰 온도 편차를 보이지만, 일사량이 감소하면 상대적으로 빠르게 평균 온도로 되돌아가는 특성을 가짐을 의미한다.

Fig. 3.

Scatterplot of bivariate framework

고 Impact_base–고 R_base 구역에는 중구, 금천구, 종로구, 중랑구 등이 위치하여, 해당 구들은 폭염 시 열 충격이 크지만, 회복 또한 빠른 고충격–고회복 열탄력성 특성을 나타내었다. 반대로 강북구, 도봉구, 노원구 등은 85% 이상의 높은 Impact_base를 보이면서도 R_base 값이 다른 구에 비해 상대적으로 낮아, 열 저항성과 회복력 모두 취약한 고충격–저회복 특성을 보였다. 송파구, 광진구, 성북구 등은 Impact_base가 약 70% 수준으로 비교적 낮지만 R_base 역시 6–8% t⁻¹에 머무르는 저충격–저회복 구역으로, 장기적인 관점에서 열 스트레스 완화 효과가 제한적일 수 있음을 시사한다. 서울시 평균은 Impact_base=80.7%, R_base=10.3% t⁻¹로 전체 분포의 중앙부에 위치하였다.

이변량 프레임워크 관점에서 “더 회복력이 높다”가 곧바로 “더 탄력적이다”를 뜻하지는 않는다. 같은 R_base를 가지더라도 Impact_base가 작은 구가 더 작은 총 교란(perturbation)인 누적된 평균 대비 편차를 가지므로, 전체적인 열 스트레스는 도심보다 작을 수 있다. 반대로, 높은 Impact_base와 높은 R_base를 동시에 보이는 구는 단기적인 회복 능력은 크지만, 폭염 피크 시 시스템에 주어지는 절대적인 열 부담, 즉 총 교란이 크다는 점에서 관리 우선순위가 높다고 해석할 수 있다. 정책적으로는, Impact_base와 R_base 중 어떤 요소를 줄일 것인가에 따라 구별로 상이한 열섬현상 완화와 기후적응 전략이 필요함을 시사한다.

3.2. Urban Heat Index와의 비교

기존 도시의 열섬 영향에 대한 지표로 활용되는 UHI 지표와 Impact_base와 R_base가 서울시와 서울의 자치구별로 통계적으로 상이한 결과를 보이는지 평가하고자 하였다(Fig. 4). UHI과 Impact_base 간 상관관계는 r = 0.15 (p = 0.47)로 나타났으며, UHI와 R_base 간 상관관계는 r = 0.43 (p < 0.05) 수준의 양의 상관을 보였다. UHI가 큰 구일수록 대체로 높은 회복률을 보였지만, Impact_base의 크기와 유의한 상관관계를 확인할 수 없었다.

Fig. 4.

Scatterplot of Seoul(red) and 25 autonomous district’s UHI and two resilience indices

UHI와 Impact_base간 산점도를 통해 기존 활용된 UHI 지표와 ‘폭염일이 평균에 비해 얼마나 더 뜨거운가(Impact_base)’ 사이 관계가 단순하게 정의될 수 없음을 보여준다(Fig. 4(a)). UHI는 평균적인 도시–교외 온도 차이를 반영하지만, Impact_base는 해당 지역의 정상 상태에 대한 편차의 지표이다. 덥고 UHI가 강한 도심이라도, 폭염일의 절대 온도 증가는 평균적인 더위에 비해 상대적으로 크지 않을 수 있다. 반면, 비교적 열섬현상이 약한 자치구에서 갑작스럽게 극한 열파가 발생하면, 평균 대비 편차는 크게 나타날 수 있다. 또한 Impact_base는 도시 형태, 고도, 바람 조건, 주변 녹지·수변 등 다양한 요인의 영향을 함께 받을 수 있으므로 해당 결과는 UHI 단독으로 폭염의 탄력성 평가에 대한 설명력이 제한적임을 시사한다. 이는 폭염 영향 저감을 위해서는 기존 UHI 지표뿐 아니라, 평균 상태와의 상대적인 차이를 반영하는 탄력성 기반 지표를 병행해 볼 필요가 있다는 점을 뒷받침한다.

Fig. 4(b)를 통해 UHI가 강한 지역일수록, 폭염 피크 이후 회복이 상대적으로 빠르게 회복되는 경향을 확인할 수 있었다. UHI가 강한 도심은 건물·포장재의 열용량과 복사 특성이 커서 낮 동안 많은 열을 저장하지만(Kleerekoper et al., 2012), 냉각 시 절대적 교란의 크기는 높더라도, ‘평균 상태와의 차이(MeanT–HWT)’는 빠르게 줄어들 수 있다. 특히, 중구를 제외하면 r = 0.72 (p < 0.01)로 강한 양의 상관관계를 확인할 수 있어, UHI가 강한 도심 자치구일수록 폭염일 기온의 평균 상태로의 회복률이 높게 나타나는 통계적 경향이 보다 명확하게 확인되었다.

본 연구 결과는 열섬 관련 적응 대책 설계 시 기존 UHI 저감 중심 접근 대신, UHI–Impact–Recovery의 3요소를 통합적으로 고려하는 접근이 필요함을 시사한다. 자치구별 차별화된 적응 전략의 구체적 설계는 도시 형태·피복·바람장 등 물리적 인자와의 통합 분석을 통해 후속 연구에서 검토될 필요가 있다. 높은 UHI를 가진 종로구는 Impact_base도 높지만, R_base 역시 높아 “크게 달아오르지만 빨리 식는” 시스템의 특성을 보인다. UHI가 비교적 낮은 강남구는 Impact_base가 낮고 R_base도 낮은 경우로, 폭염일에 평균 대비 발생한 편차가 저녁까지 비교적 오래 유지되는 양상을 보였다. 이에 반해, 중구는 4.32℃의 낮은 UHI 값을 보였지만 Impact_base와 R_base가 각각 95.2%, 17.99% t^-1로 강한 충격을 받는 자치구였다. 은평구와 강북구 역시 낮은 UHI 보였지만, 큰 Impact_base 값과 낮은 R_base 값(각, 7.43% t^-1, 7.78% t^-1)을 갖는 자치구로 분류되어, 일중 회복률이 상대적으로 낮은 특성을 보였다. 이러한 자치구는 현재 기후조건에서는 낮은 UHI로 인해 열 관련 우선순위가 상대적으로 낮게 평가될 수 있으나, 폭염 충격에 대한 회복 속도가 낮은 특성을 함께 고려한 선제적 적응 대응이 필요할 수 있음을 시사한다.

3.3. 연구의 한계 및 향후 연구 방향

본 연구는 Ingrisch and Bahn (2018)의 이변량 프레임워크를 도시 열환경에 적용한 시범적 시도로서, 자료의 공간적 대표성, 자치구별 폭염 기준의 상이성, 그리고 회복률 산정의 선형 가정 측면에서 다음과 같은 방법론적 한계를 지닌다. 첫째, S-DoT 센서는 시민 생활공간에 인접하여 설치된 특성상 지면 피복, 건폐율, Local Climate Zone 분류 등 자치구별 설치 환경의 동질성이 완전히 확보되지 않을 수 있으며, 이로 인해 본 연구의 자치구별 결과가 기상청 AWS 기반 평균 기온 분포와 일부 상이하게 나타날 수 있다. 다만 이러한 특성은 AWS가 포착하지 못하는 도시민 생활공간의 열환경을 반영한다는 S-DoT 본연의 학술적 가치이기도 하므로, 본 연구의 결과는 AWS 기반 평균 기온 분포와 상호 보완적 관점에서 해석될 필요가 있다. 둘째, Impact_base와 R_base는 각 자치구의 기준 상태에 대해 정규화된 상대적 지표이나, 자치구별 폭염 기준 온도가 상이하여 절대 기온 수준의 영향이 부분적으로 잔존할 가능성을 완전히 배제하기 어렵다. 셋째, R_base는 평균 기울기로 정의된 선형 지표로 회복 과정의 열역학적 비선형성을 완전히 반영하지 못하며, 초기 냉각 속도가 물리적 기온 차에 의해 자연스럽게 결정될 가능성이 Impact_base–R_base trade-off 해석에 영향을 미칠 수 있다.

이러한 한계를 보완하기 위하여 향후 연구에서는 (1) 자치구별 S-DoT 센서 설치 환경의 이질성 분석 및 도시 형태·피복·바람장 등 물리적 조건과의 통합 분석, (2) 비선형 회복 모델 기반 회복률 산정 방식의 도입을 통해 도시 열 탄력성 평가의 정밀도를 제고할 필요가 있다.