열에 민감한 보행 경로 탐색을 위한 핫헴 워크플로우
📝 원문 정보
- Title: 열에 민감한 보행 경로 탐색을 위한 핫헴 워크플로우
- 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)
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.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
