열에 민감한 보행 경로 탐색을 위한 핫헴 워크플로우
📝 원문 정보
- Title:
- ArXiv ID: 2512.11896
- 발행일:
- 저자: Unknown
📝 초록 (Abstract)
보행자 열 노출은 인구 밀도가 높은 열대 도시에서 중요한 건강 위험 요인이며, 기존 경로 탐색 알고리즘은 미세한 온도 변화를 무시하는 경우가 많다. 본 연구는 베트남 호치민시(구 사이공)에서 보행자 열 노출을 추정하고 실시간 경로에 적용할 수 있는 GeoAI 파이프라인인 Hot Hẻm을 제시한다. 이 워크플로우는 구글 스트리트 뷰(GSV) 이미지, 의미론적 이미지 분할, 원격 탐사를 결합한다. 선택된 행정구역(phường)에서 구축한 GSV 학습 데이터를 활용해 두 개의 XGBoost 모델을 훈련시켜 지표면 온도(LST)를 예측하고, 이를 OSMnx 기반 보행 네트워크 노드 전역에 패치워크 방식으로 배포한다. 결과적으로 열에 민감한 경로 안내가 가능해지며, 인프라 수준에서 특정 도시 복도가 왜 과도한 온도를 보이는지 파악하는 기반을 제공한다.💡 논문 핵심 해설 (Deep Analysis)
Hot Hẻm 프로젝트는 도시 열섬 현상이 보행자의 일상 생활에 미치는 영향을 정량화하고, 이를 실시간 경로 선택에 반영하려는 시도로서 학제간 접근법이 돋보인다. 첫 번째 단계는 구글 스트리트 뷰(GSV) 이미지를 활용해 도로·보도·건물·녹지 등 다양한 도시 요소를 의미론적 이미지 분할(Semantic Segmentation) 기법으로 라벨링하는 것이다. 이 과정에서 딥러닝 기반 세그멘테이션 모델을 사전 학습시켜야 하며, 라벨링 정확도가 이후 온도 예측 모델의 성능에 직접적인 영향을 미친다.두 번째 단계에서는 라벨링된 GSV 데이터와 위성·항공에서 획득한 지표면 온도(LST) 레이어를 결합해 XGBoost 회귀 모델을 두 개 구축한다. 하나는 미세 기후 변동을 포착하기 위해 거리 수준의 세부 변수를, 다른 하나는 보다 거시적인 공간 패턴을 반영하기 위해 행정구역 수준의 통계 변수를 포함한다. 이렇게 두 모델을 병렬로 학습시킨 뒤, 각 보행 네트워크 노드에 가장 적합한 모델을 선택해 적용하는 ‘패치워크’ 전략은 데이터 불균형과 지역별 특성 차이를 효과적으로 보완한다.
세 번째 단계는 OSMnx를 이용해 추출한 보행자 전용 네트워크에 온도 예측값을 매핑하고, 다중 목표 최적화(예: 최소 거리 + 최소 열 노출) 알고리즘을 적용해 열에 민감한 경로를 실시간으로 제공한다. 여기서 중요한 점은 열 노출을 단순히 평균 온도가 아닌, 노드별 예측 LST와 보행 시간(속도) 등을 가중치로 결합해 ‘열 위험 점수’를 산출한다는 것이다. 이는 기존 최단거리 기반 라우팅과 차별화된 사용자 맞춤형 서비스를 가능하게 한다.
마지막으로, 이 워크플로우는 정책 입안자에게도 유용한 인사이트를 제공한다. 특정 거리·보도 구간이 지속적으로 높은 열 위험 점수를 기록한다면, 조경 확대, 차양 설치, 고반사 도로 포장 등 물리적 완화 조치를 우선순위에 두어 시행할 근거 자료가 된다. 또한, 모델이 학습된 데이터와 변수 중요도 분석을 통해 ‘왜 특정 구간이 뜨거운가’를 설명함으로써, 도시 설계 단계에서 열섬 완화 전략을 사전에 반영할 수 있다. 전반적으로 Hot Hẻm은 데이터 수집·전처리·모델링·응용까지 일련의 과정을 자동화하고, 실제 GIS 기반 서비스에 통합함으로써 열에 민감한 보행자 안전을 향상시키는 실용적인 GeoAI 솔루션이라 할 수 있다.