AI의 극한 폭염 대응: 예측을 넘어 보호로 나아가야 할 과제

도시와 연구자들은 AI를 사용하여 극한 폭염 위험을 지도화하고 예측하는 데 사용하고 있지만, 새로운 연구는 이것이 공무원들의 대응을 돕기보다는 사람들이 위험한 곳을 식별하는 데 훨씬 더 많이 사용되고 있음을 시사합니다.

중요성: 기후 변화가 강화됨에 따라 폭염이 심해지면서, 아무리 좋은 예측이라도 정부가 이를 행동으로 전환하지 못하면 취약한 지역사회는 보호받을 수 없습니다.

---

• 2025년 예일(Yale)의 연구에 따르면, 고온과 관련된 미국 사망자 수는 20002009년 연평균 2,670명에서 20102020년 4,000명이 넘는 수치로 53% 증가했습니다.

주요 내용: _Climate Risk Management_에 발표된 연구는 AI와 머신러닝(machine learning)이 극한 폭염을 관리하는 데 어떻게 사용되고 있는지 기존 연구를 검토했습니다.

• 검토된 논문 중 98.4%가 예측에, 59.2%가 예방에 초점을 맞추었습니다. 이는 대응(response)은 10.4%, 복구(recovery)는 3.2%, 대비(preparedness)는 1.6%에 불과한 수치로, 저자들은 이러한 격차를 '연구-실행 간극(research-to-implementation gap)'이라고 부릅니다.
• 이 연구는 AI를 사용하여 위험한 폭염을 예측하고 누가 위험에 처해 있는지 식별하는 데 중점을 두었으며, 공무원들이 다음에 무엇을 해야 할지 결정하는 데 어떻게 도움을 줄 수 있을지에 대한 관심은 훨씬 적었습니다.
• 연구의 공동 저자인 RAND 정책 연구원 Karishma V. Patel은

코넬대 연구원들은 '강건한 데이터 시스템' 구축이 핵심 전제 조건이다

• 코넬대학교 연구원 Jennah Gosciak은 Axios와의 인터뷰에서, 다양한 출처의 데이터를 수집(ingest)하고 이를 실무자들이 활용할 수 있도록 만드는 "강건한 데이터 시스템(robust data systems)"을 갖추는 것이 이 분야의 가장 중요한 과제라고 말했다.

사례: Google은 지난 6월에 AI 기반 '열 회복력 데이터(Heat Resilience data)'를 초기 14개 도시 파일럿에서 전 세계 50개 이상의 도시로 확장했다고 발표했다. 이를 통해 도시 계획가들은 열 개입을 목표 설정하는 데 필요한 건물 수준의 데이터를 얻게 되었다.

• 이 데이터는 AI와 고해상도 이미지를 사용하여 개별 건물 단위까지 지붕 반사율(roof reflectivity)을 매핑한다.
• Google에 따르면, 파일럿에서 수집된 데이터는 냉방 지붕(cool-roof) 조례 및 적응 계획 등 여러 도시의 의사 결정에 도움을 주었다.

현실 점검: 더 나은 정보가 반드시 더 좋은 결과를 보장하지는 않는다.

• Gosciak은 뉴욕시 비상 관리국에서 공익 기술 펠로우(Public Interest Technology Fellow)로 활동하며, 정부의 열 관련 의사 결정을 위해 단순한 열 취약성 지수와 복잡한 예측 알고리즘을 비교 분석했다.
• 그녀는 중요한 차이점 중 하나를 "느린 데이터 대 빠른 데이터(slow versus fast data)"라고 설명했다. 예측 알고리즘은 특정 트리거 이벤트에 연결된 시간 민감도가 높은 결정에 더 유용할 수 있는 반면, 단순한 지수는 장기적인 계획에 더 적합하다.
• 코넬대학교 정보과학과 박사 과정 학생인 Gosciak은 단순 지수의 한 가지 이점은 공무원들이 어떤 취약 계층을 우선순위로 지정할지 명시적으로 선택할 수 있다는 점이라고 덧붙였다.

다음 단계: 다음 개척지는 열 예측 자체를 점진적으로 개선하는 것보다는, 예측 결과를 실제 개입(interventions)과 연결하는 데 초점을 맞출 가능성이 높다.

패텔(Patel)은 AI가 변화하는 신호를 통합하고 '초지역적 예측 (hyperlocal forecasting)'을 세밀한 수준에서 제공함으로써 공무원들이 '거의 실시간 의사결정'을 내리는 데 도움을 줄 수 있다고 말했습니다.

그녀는 이것이 공무원들이 열 위험에 실시간으로 대응하고, 열, 대기 오염, 산불 연기 및 가뭄과 관련된 복합적인 위협을 더 잘 이해하는 데 도움이 될 것이라고 덧붙였습니다.

핵심은 다음과 같습니다: "중요한 것은 우리가 AI 기반 기술을 구축할 수 있다는 사실뿐만 아니라, 그것이 실제로 문제를 해결하거나 병목 현상을 제거해야 한다"고 패텔은 말했습니다.