지표면 온도 너머: 설명 가능한 공간 기계 학습이 인간 중심 열 스트레스에 대한 도시 형태 영향 규명

열 노출은 건축 환경과 공중 보건을 연결하여 도시 지역의 거주 가능성과 지속 가능성을 직접적으로 형성합니다. 열 노출의 공간적 이질성과 그 동인을 이해하는 것은 기후 적응형 도시 계획에 필수적입니다. 그러나 대부분의 계획 지향적 연구는 지표면 온도 (LST) 에 의존하며, LST 가 인간 열 노출을 적절히 대표하는지 그리고 생리학적 관련성이 있는 열 스트레스와 어떻게 다른지는 충분히 검토되지 않았습니다. 여기서는 싱가포르에서 Landsat 기반 30m LST 와 GPU 가속화된 1m 보편적 열 기후 지수 (UTCI) 를 채택하여, 두 지표 간의 공간적 및 메커니즘적 차이를 체계적으로 평가하기 위한 포괄적인 '모델링-비교-평가' 프레임워크를 수립합니다. 우리는 또한 새로운 지리 가중 XGBoost (GW-XGBoost) 와 일반화 가법 모델 (GAM) 워크플로우를 통해 두 지표와 도시 요인 간의 뚜렷한 비정상적 및 임계 기반 정량적 관계를 추가로 조사합니다. 우리의 결과는 설명 가능한 GW-XGBoost 모델을 통해 밝혀낸 LST 와 UTCI 의 공간 패턴에서 유의미한 차이와 2D 및 3D 도시 요인이 이 두 열 지표를 영향 미치는 방식의 상당한 공간 이질성을 보여줍니다 (LST 에 대한 전역 아웃오브바그 R2 = 0.855, UTCI 에 대해서는 각각 0.905). 특히, 공간적으로 명시적인 SHAP 해석은 하늘 시야 계수 (sky view factor) 가 UTCI 변동성을 설명하는 데 중심 역할을 하지만 LST 에 비해 상대적으로 소소한 독립적 기여를 함을 나타내어, LST 가 실제 인간 열 스트레스를 지배하는 그늘 드리븐 및 복사 과정을 적절히 포착하지 못함을 시사합니다. 주목할 점은 SHAP-GAM 분석이 더 높은 반사율 (albedo) 이 증가된 UTCI 와 관련되어 있음을 보여줍니다. 이러한 새로운 발견들은 표적화된 열 위험 관리와 기후 적응형 도시 계획을 위한 생리학적 관련성이 있는 열 지수를 통합하는 데 대한 증거를 제공합니다.