1. 서론

우리나라에서는 1960년대부터 도시화가 급속하게 진행되었으며, 2021년 기준 수도권의 도시화율은 97.1%에 이르렀고(통계청, 2024), 인구의 도시 집중과 도시 확장에 따른 토지피복 변화는 다양한 환경문제를 야기하고 있다. 이와 함께 도시의 각종 개발사업으로 인해 산림과 녹지공간은 점차 축소되고 있으며, 이는 도시의 생태적 회복력을 약화시키는 요인으로 작용하고 있다(송인주 등, 2022). 특히 도시 지역의 밀집된 건축 환경과 부족한 녹지공간은 서식지의 변화와 손실, 단절을 초래하여 생물다양성과 생태계 서비스에 부정적인 영향을 미치며(김종윤, 2022; Aleksejeva et al., 2022), 이는 도시민의 삶의 질 저하로도 이어질 수 있다. 이러한 이유로 최근에는 도시 내 자연적인 녹지뿐만 아니라, 구조물을 기반으로 한 녹지공간까지 포괄하는 그린인프라(Green Infrastructure) 개념이 주목받고 있다(김용국･이상민, 2017). 이 중 옥상녹화는 건축물 또는 시설물의 옥상이나 지붕에 식물이 생장할 수 있는 환경을 조성하는 것으로 정의되며(서울특별시, 2017), 인공 구조물을 활용하여 부족한 녹지공간을 보완할 수 있는 효과적인 수단이 될 수 있는 것으로 평가되고 있다. 특히 옥상녹화는 도시의 열섬현상 완화, 대기오염 저감, 우수 관리 등 다양한 도시 환경 문제에 대응할 수 있는 대안으로 주목받고 있다(Langemeyer et al., 2020).

정책적으로도 옥상녹화를 지원하기 위한 사업이 이루어지고 있는데, 서울시, 안양시, 광명시 등의 각 지방자치단체에서 옥상녹화 지원에 대한 조례를 제정하여 옥상녹화 사업을 추진하고 있다. 그러나 옥상녹화의 필요성과 효과에 대한 인식이 확산되고 있음에도 불구하고, 옥상녹화가 가능한 건물과 실제 옥상녹화가 조성된 건물에 대한 체계적인 정보 구축과 관리가 아직 미흡한 실정이다. 도시 내 옥상녹화가 가능한 건물의 위치와 가용면적에 대해 파악하고 있다면, 정책 추진 시 열섬현상이 심한 지역에 옥상녹화를 우선적으로 추진할 수 있고, 환경보호 측면에서도 생태연결성을 고려하여 건물을 선정할 수 있다(김종윤, 2022). 즉, 옥상녹화에 적합한 건물의 공간적 분포를 파악함으로써 지원사업의 대상 선정, 우선순위 선정 등을 통해 예산을 효율적으로 집행할 수 있다.

한편 고해상도 원격탐사 자료의 취득이 용이해지고, AI 기술이 빠르게 발점함에 따라 영상자료와 AI기술을 적용하여 옥상녹화가 가능한 건물을 탐지하는 연구가 시도되고 있으며, 이를 기반으로 옥상녹화의 조성 우선순위를 평가하는 연구도 진행되고 있다(Xu et al., 2020, 2021; Luo et al., 2022; Li et al., 2025). 그러나 국내에서는 건물 공간정보와 건축물대장의 속성정보를 연계하는 방식으로 옥상녹화 가능 건물을 추정하고 있으며(박은진, 2014; 고영호･조상규, 2015; 김희주, 2019; 김인현 등, 2022), 옥상녹화 우선순위 평가 또한 생태 연결성이나 열섬현상 등 단일 지표에 기반한 연구가 주를 이루고 있다(박종훈･양병이, 2010; 박은진, 2014; 김종윤, 2022).

이에 본 연구는 고해상도 항공정사영상과 딥러닝 기법을 활용하여 옥상녹화가 가능한 건물을 정밀하게 탐지하고, 옥상녹화를 우선적으로 도입할 건물을 평가하는 것을 목적으로 한다.

본 연구의 차별성은 다음과 같다. 첫째, 딥러닝 기반 영상자료의 객체 탐지와 GIS 공간분석을 결합한 통합적 접근 방법을 통해 옥상녹화 가능 건물의 선정과 평가를 동시에 수행할 수 있는 통합 프레임워크를 제시한 최초의 연구이다. 둘째, 영상에서 딥러닝으로 평지붕을 탐지하고 GIS 데이터의 층수, 준공연도 등 속성정보를 연계함으로써 옥상녹화에 적합한 건물을 효과적으로 추출하였다. 셋째, 선행연구를 바탕으로 기후변화 대응, 환경･생태, 사회적 기능을 반영한 옥상녹화 평가지표를 도출하고, 이를 DB로 구축하여 건물 단위의 옥상녹화 우선순위 평가를 가능하게 하였다.

연구의 2장에서는 옥상녹화의 개념 및 기능과 선행연구를 살펴보았고, 옥상녹화 가능 건물의 기준을 분석하였다. 3장에서는 옥상녹화 가능 건물 탐지 및 선별, 우선순위 평가지표 설계와 지표별 데이터베이스(Database, DB)구축에 대해 기술하였으며, 4장에서는 옥상녹화 가능 건물 추출과 우선순위 평가 결과를 분석하고, 5장에서는 연구의 요약 및 의의, 향후 과제에 대해 기술하였다.

2. 선행연구

1) 옥상녹화 관련 연구

옥상녹화는 그린인프라의 구성요소 중 하나로서 건축물의 옥상에 식물의 생장이 원활할 수 있도록 녹화하는 것을 의미한다(서울특별시, 2017). 또한 옥상녹화는 급속한 도시화와 기후변화로 인해 지속가능한 개발에 대한 관심이 높아지면서 도시의 녹지 확보 방안 중 하나로 주목받고 있다. 우리나라에서는 1970년대 말부터 옥상녹화와 관련된 법률을 제정하였고, 1980년대 들어서 백화점 및 호텔을 중심으로 옥상녹화가 시행되었다(나혜영･변병설, 2006).

옥상녹화를 비롯한 건축물 조경은 도시의 미기후 관리와 생태적 기능 향상을 위한 녹지 네트워크의 주요한 구성요소가 될 수 있으며(김용국･이상민, 2017), 이외에도 도시 열섬현상 완화, 도시홍수 예방, 대기오염 완화, 냉난방 효과 및 에너지 절약, 우수를 활용한 건물 관리비용 절감, 심리적 안정 제공, 휴식 공간 제공 등의 환경적, 경제적, 사회적 효용이 있는 것으로 평가되고 있다(나혜영･변병설, 2006).

옥상녹화의 효용성이 인식됨에 따라 이를 효과적으로 조성하기 위한 연구가 활발히 이루어지고 있으며, 연구는 크게 옥상녹화 가능 건물 탐지 연구와 옥상녹화 우선순위 평가 연구로 구분할 수 있다. 옥상녹화가 가능한 건물을 파악하기 위한 연구는 공간정보의 유형에 따라 분류할 수 있다. 우선, GIS 데이터를 기반으로 지붕 유형, 가용면적, 설립연도 등을 추정하는 연구들을 살펴보면, Berger(2013)는 뉴욕시의 도시 옥상 농장에 적합한 건물을 추출하기 위해 건물 GIS데이터의 속성정보를 이용하여 옥상 면적, 건물 설립연도, 높이 등의 기준에 부합하는 건물들을 추출하였다. Sultana et al.(2024)는 다카에서 농업에 적합한 건물 옥상을 평가하기 위해 옥상 면적, 건물 높이, 건물 연령, 건물 용도, 수자원 이용 가능성, 일조량, 부동산 가치의 7가지 기준을 선정하고 건물 데이터와 기타 GIS데이터를 이용하여 기준에 적합한 건물을 분류하였다. LiDAR를 이용한 연구에서는 LiDAR 포인트 클라우드와 건물 면적 데이터를 사용하여 평지붕인 건물을 추출하였고(Saha and Eckelman, 2017), LiDAR 데이터로 제작한 수치표면모델(Digital Surface Model, DSM)로 각 건물 내부의 셀에 대한 지붕 경사를 계산하고, 건물 평면도와 DSM 래스터를 교차시켜 지붕 경계와 면적을 계산하였다(Gandini et al., 2023).

국내에서는 주로 건물 GIS데이터와 건축물대장정보를 이용하여 옥상녹화 대상 건물들을 추출하였다. 옥상녹화 가능 건물의 기준은 평지붕과 준공 30년 미만을 적용하거나(박은진, 2014; 고영호･조상규, 2015; 김희주, 2019; 김인현 등, 2022), 연구 대상 지역의 옥상녹화 지원사업 면적 기준을 활용하기도 하였다(안지연 등, 2016). 지붕 형태 판단 시, 건축물대장정보를 활용하여 평지붕을 추정하였고(박은진, 2014; 고영호･조상규, 2015; 김희주, 2019; 김인현 등, 2022), 연구지역이 넓지 않은 경우에는 항공사진을 이용하여 육안으로 선별하였다(김민주 등, 2023). 옥상녹화 가용면적은 옥상의 면적이 건물의 면적과 같다고 가정하고 수치지형도의 건물레이어로 면적을 계산하거나(안지연 등, 2016), 건축물대장정보를 활용하여 산정하였다(김희주, 2019).

옥상녹화 가능 건물을 판단하는 중요한 기준 중 하나는 지붕의 경사도이다. 그러나 GIS 데이터를 활용한 기존 연구에서는 콘크리트, 슬라브와 같은 속성정보를 기반으로 평지붕 여부를 간접적으로 추정하기 때문에 정확도에 한계가 있다(한양대학교 산학협력단, 2021). LiDAR 데이터를 활용하면 지붕 경사와 옥상 면적을 보다 정밀하게 산정할 수 있지만, 데이터 구축에 많은 시간과 비용이 소요된다는 제약이 존재한다.

이러한 한계를 보완하기 위해 해외에서는 고해상도 영상자료와 딥러닝 기술을 활용하여 옥상녹화의 조건 중 하나인 평지붕 객체들을 탐지하고, GIS 데이터와 연계하여 옥상녹화 가능 건물을 추출하는 연구가 진행되고 있다. Xu et al.(2020)은 중국 샤먼섬에서 위성영상과 D-LinkNet을 활용해 이미지 내 모든 지붕을 탐지한 뒤, 다시 평지붕만 탐지하는 전략을 통해 옥상녹화 적합 건물을 탐지하고, 건물 층수데이터를 활용하여 높이 조건에 해당하는 건물을 추출하였다. Xu et al.(2021)은 구글 위성영상과 YOLOv3 모델을 이용하여 평지붕을 탐지하고, 구글 지도에서 12층 미만 건물을 선별하여 대상 건물을 선정하였다. Luo et al.(2022)은 GF-2 위성영상과 D-LinkNet을 활용하여 청두 지역 내 평지붕 건물을 탐지하고, Josiah Goddard Map 데이터를 크롤링하여 높이 15층 이하 조건을 충족하는 건물을 추출하였다. 이러한 접근 방식은 지붕 경사 정보를 직접적으로 추출할 수 있어 속성정보를 기반으로 한 기존의 분석에 비해 높은 정확도를 제공하며, 건물 단위의 실제 형상을 반영할 수 있다는 장점이 있다.

2) 옥상녹화 가능 건물 기준

건물의 지붕에 식생이 생장할 수 있는 환경을 조성하기 위해서는 식생 외 토양층, 여과층, 배수층, 방수층 등의 요소들이 필요하다(서울시특별, 2017). 옥상녹화를 시공할 수 있는 건물을 판별하기 위해 선행연구에서는 표 1과 같이 지붕 지지력, 지붕 경사, 건물의 노후도, 건물 높이, 지붕 자재, 지붕 면적 등을 고려하였다.

본 연구에서는 옥상녹화가 가능한 건물을 추출하는 기준으로 지붕 경사, 건물의 노후도, 건물 높이, 지붕 면적을 적용하고자 한다. 이러한 기준은 구조적 안전성, 유지･관리 용이성, 시공 가능성 등을 고려하여 옥상녹화의 현실적 적용 가능성을 확보하기 위한 최소 조건이라 할 수 있다.

건물의 지붕은 평탄형, 경사형, 복합형 등 다양한 형태를 가질 수 있으나, 경사가 증가할수록 미끄럼 및 밀림 방지를 위한 특별한 조치를 고려해야 하므로(서울시특별, 2017), 형태적 기준은 평지붕으로 한정하였다. 건물의 노후 기준은 「도시 및 주거환경정비법 시행령」 제2조 제3항에 따라 준공된 후 30년 미만인 건물로 적용하였다. 건물 높이의 경우, 고층 건물일수록 바람의 세기가 강해져 식물의 생장에 부정적인 영향을 미칠 수 있고, 옥상녹화로 인한 추가 하중에 대한 부담이 커지며 시공 및 유지관리가 어려워지므로 Luo et al.(2022)의 연구를 참고하여 약 15층에 해당하는 45m를 기준으로 적용하였다. 지붕 면적에 대해서는 연구지역을 고려하여 「서울특별시 옥상녹화 지원에 관한 조례」에 따라 ‘평지붕 면적 30㎡ 이상’을 기준으로 적용하였다.

3) 우선순위 평가지표 도출

옥상녹화가 가능한 건물들을 식별한 후, 우선순위 평가를 통해 한정된 행정･재정 자원을 효율적으로 활용하고, 기후변화 대응 및 도시 환경 개선 효과를 극대화할 수 있다. 해외에서는 기후변화, 환경･생태, 사회적 편익 등을 반영하여 다양한 평가지표를 설정하고, 이를 종합하여 옥상녹화의 적합 지역을 도출하는 연구가 진행되어 왔다. Grunwald et al.(2017)은 열 환경, 대기질, 빗물 저류, 생물다양성의 네 가지 지표를 설정하고 500m 격자 단위에서 전체 건물 대비 적합 건물의 비율을 산출하여 잠재성을 분석하였다. Gwak et al.(2017)은 사회경제적･환경적 편익을 통합하고, 꿀벌 먹이 활동과 서식지 적합성을 고려하여 최적 입지를 지닌 100개의 건물을 선정하였다. Velázquez et al. (2019)은 대기오염, 교통량, 녹지, 인구밀도 지표를 활용하여 환경문제 완화에 기여할 수 있는 최적 위치를 제안하였으며, Langemeyer et al.(2020)은 도시 생태계 서비스의 수요를 반영하여 기온 조절, 빗물 유출 관리, 서식지 및 수분, 식량 생산, 여가 제공, 사회적 결속 강화를 기준으로 우선 조성 지역을 도출하였다. Xu et al.(2020)은 지표온도, 강수량, 대기오염, 녹지, 인구밀도를, Xu et al.(2021)은 기온, 강수량, 교통량/도로, 공원녹지를 지표로 삼았으며, Luo et al.(2022)은 지표온도, 도로밀도, 건물밀도, 인구밀도를 기준으로 옥상녹화 적합성을 평가하였다. 이러한 분석 결과는 옥상녹화 우선순위 평가가 하나의 환경 요인에 국한되지 않고, 기후변화･환경･생태･사회적 요소를 종합적으로 고려하는 다차원적 접근이 필요함을 시사한다.

국내에서는 윤소원(2005)이 불투수성면적, 대기오염 심화지역, 상습침수지역, 에너지 다소비지역, 도시열섬 심화지역, 녹지 부족지역을 기준으로 옥상녹화 우선 조성지역을 도출하였고, 박종훈･양병이(2010)는 조류의 행동권을 기반으로 옥상녹화의 적지를 선정하였다. 박은진(2014)는 지표온도를 기반으로 도시열섬 적응능력을 제고하기 위해 옥상녹화 중점지역을 선정하였으며, 김종윤(2022)은 생태 네트워크 연결성 향상 효과 분석을 토대로 옥상녹화 조성 우선지역을 선정하였다. 국내 연구들은 옥상녹화의 정책적 활용 가능성을 높이는 다양한 지표를 제시하였으나, 윤소원(2005)의 연구를 제외하면 대부분 단일 지표를 활용하여 우선순위를 평가하고 있다. 따라서 기후･환경･생태･사회적 편익을 종합적으로 반영한 다차원적 분석이 부족하며, 옥상녹화의 복합적 효과를 충분히 반영하지 못하는 한계가 있다.

3. 연구 방법

본 연구는 그림 1과 같은 흐름으로 진행되었다. 먼저 옥상녹화와 관련된 선행연구를 분석하여 옥상녹화의 개념 및 기능을 정리하고, 옥상녹화 가능 건물 탐지 방법론과 우선순위 평가 지표 개발 방법론을 정리하였다. 다음으로 옥상녹화 가능 건물에 대해 지붕 경사, 건물 노후도, 높이, 면적을 기준으로 정의하였으며, 딥러닝을 활용하여 건물 평지붕을 탐지하고, GIS건물통합정보의 속성정보를 연계하여 옥상녹화가 가능한 건물을 추출하였다. 이후 우선순위를 평가하기 위한 지표를 개발하고 지표별 DB를 구축하였으며, 이를 기반으로 옥상녹화 우선순위를 평가하였다.

그림 1.

연구흐름도

1) 연구 지역 및 활용 데이터

본 연구의 대상 지역은 서울시 동남권에 해당하는 서초구, 강남구, 송파구, 강동구로 선정하였다. 서울시는 지역균형발전계획에서 서울을 5대 권역으로 구분하고 있는데, 그중 동남권은 도시화율이 높은 서울시 내에서도 지난 20년간 폭염일수가 가장 많았고, 온실가스 배출량이 높은 지역이다.

옥상녹화 가능 건물을 추출과정에서 평지붕 탐지를 위한 영상정보는 국토지리정보원에서 제공하는 공간해상도 25 cm의 2023년 항공정사영상을 사용하였고, 추가적으로 건물 노후도, 높이등을 고려하기 위해 2025년 갱신된 GIS건물통합정보(일반건물, 집합건물)의 속성데이터를 활용하였다. 옥상녹화 우선순위는 6개 지표별로 데이터를 구축하였고, 평가지표별 데이터의 출처는 표 2와 같다.

2) 항공정사영상과 딥러닝을 활용한 평지붕 탐지

옥상녹화를 조성하기 위해서는 건물 지붕의 경사도가 중요한데, 일반적으로 평지붕이 식생 조성에 용이하다. 옥상녹화가 가능한 건물을 선별하기 위해 국내에서는 건축물대장 정보의 속성자료를 이용하는 방식이 주를 이루었으나, 이러한 방식은 지붕 경사 정보를 간접적으로 추정하기 때문에 정확성에 한계가 있다. 본 연구에서는 이러한 한계를 보완하고자, 고해상도 항공정사영상과 딥러닝 기반의 의미론적 분할(Semantic Segmentation) 기법을 활용하여 평지붕을 정밀하게 탐지하였다.

본 연구에서 평지붕 탐지는 김현덕･강영옥(2025)에서 구축한 훈련데이터셋 및 모델, 탐지 결과를 활용하였다. 탐지 대상은 옥상 구조물이나 옥상 탑을 제외한 실질적인 평지붕 영역으로 정의하였다. 평지붕에 대한 훈련데이타 셋이 없어 훈련데이타 셋 구축이 필요하였다. 훈련데이터는 서울시 내 상이한 지역 특성과 건물 특성이 반영될 수 있도록 강남구청역 인근의 고밀도 주거･업무지역, 서초구 청계산입구역 주변의 저층 주거지역, 송파구 올림픽공원 일대의 혼합지역을 선정하여 평지붕 라벨링 데이타를 구축하였다. 이미지 패치는 512×512 픽셀 크기로 총 2,353장을 활용하였으며, 이 중 평지붕 객체는 2,752개, 전체 지붕 객체는 3,155개 이다. 전체 데이터셋을 훈련셋과 테스트셋으로 85:15 비율로 분할하여 모델을 학습하고, 모델의 성능을 평가하였다. 평지붕 탐지를 위한 딥러닝 모델은 이미지 세그먼테이션 모델 가운데 성능이 좋다고 알려진 Mask R-CNN, U-Net, DeepLabV3+, HRNet, Mask2Former, 그리고 ESRI에서 제공하는 Building Footprint Extraction과 Parking Lot Classification 2개의 사전훈련 모델(pretrained model)을 포함하여 총 7개의 딥러닝 모델을 적용하여 성능을 평가하였다. 성능 평가는 혼동행렬(confusion matrix)을 기반으로 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score를 산출하였다. 가장 성능이 좋게 나온 모델은 Mask2Former였으며, 정확도 98.4%, 정밀도 90.09%, 재현율 90.44%, F1-scoer 90.26%로 안정적인 탐지 성능을 보였다. Mask2Former모델을 최종모델로 선정한 후, 훈련된 모델을 연구지역 전역에 적용하여 평지붕 객체를 탐지한 결과는 그림 2와 같다.

그림 2.

서울시 동남권 평지붕 탐지 결과

3) 건물 속성정보를 활용한 옥상녹화 가능 건물 선별

옥상녹화 가능 건물의 기준으로 지붕은 평지붕이어야 하며, 건물 노후도는 준공후 30년 이내, 건물 높이는 45m이하이며, 지붕면적은 30㎡이상이어야 함을 앞서 정리하였다. 이 가운데 지붕면적은 앞에서 평지붕을 탐지한 후 탐지된 평지붕을 벡터로 처리한 후 면적을 계산하였다.

건물 노후도 및 높이정보는 GIS건물통합정보와 건축행정시스템의 건축물대장 속성정보를 융합한 ‘GIS건물일반공간정보’및 ‘GIS건물집합공간정보’를 평지붕 데이터와 공간 결합(Spatial Join)하여 연계하였다. 건물의 구조적 안정성을 고려하여, 준공 후 30년 미만인 건물만 추출하였다. 이를 위해 건물데이터의 속성정보 중 ‘사용승인일자’항목을 활용하여 1995년 1월 1일 이후에 사용승인된 건물만을 추출하였다. 또한 옥상녹화시 구조 하중을 고려하여 건물 높이 45m 초과 건물은 제외하였으며, 면적 기준은‘서울특별시 옥상녹화 지원에 관한 조례’에 따라 평지붕 면적이 30㎡이상인 건물로 설정하였다.

4) 우선순위 평가지표 설계

옥상녹화 가능 건물 가운데 우선순위를 선정하기 위해 관련 연구에서 제시된 평가지표를 종합적으로 검토한 후 이를 바탕으로 평가 체계를 설계하였다. 국내 연구는 주로 열섬현상 완화나 생태연결성 강화에 추점을 맞추어 평가가 이루어졌으나, 해외 연구에서는 지표면 온도, 기온, 강수량, 대기오염, 교통량, 공원녹지, 인구밀도 등 3~4개 이상의 다양한 지표를 활용하여 복합적인 평가를 수행하고 있었다. 따라서 본 연구는 선행연구에서 주로 사용된 지표를 중심으로, 지표면 온도, 기온, 열취약성과 같이 유사한 성격을 갖는 지표는 통합하여 지표면 온도, 대기오염, 공원녹지, 인구밀도, 생태연결성 지표를 최종적으로 선정하였다. 또한 국내의 옥상녹화 정책이 주로 열섬현상 완화 및 온실가스 감축을 목표로 한다는 점을 반영하여 해외에서 기후변화 대응 지표로 일부 활용된 강수량 대신 탄소배출량 지표를 추가하여 국내 현실에 적합한 평가틀을 구성하였다.

선정된 지표들은 이예솔(2021)이 제시한 그린인프라 기능 분류에 따라 기후변화 대응, 환경･생태적 기능, 사회적 기능의 세 범주로 구분하였다. 기후변화 대응 기능에는 지표면 온도와 탄소배출량을 포함하여 기후위기 대응이 시급한 지역을 평가하였고, 환경･생태적 기능에는 대기오염도와 생태연결성 지표를 적용하여 대기질 개선이 필요한 지역과 서식지 네트워크 강화에 효과적인 지역을 도출하였다. 사회적 기능에는 공원 접근성 취약지역과 인구분포 지표를 포함하여 휴식･소통 공간 제공과 심리적･심미적 안정 등 주민 생활환경 개선 효과가 필요한 지역을 평가하였다. 도출된 6개 지표에 대한 설명은 표 3과 같다.

5) 각 지표별 공간데이터 구축

옥상녹화 우선순위를 건물 단위에서 종합적으로 평가하기 위하여, 공원 접근성과 같이 건물 단위로 구축이 가능한 지표는 해당 단위로 구축하였다. 그 외 지표들은 래스터 데이터 또는 100m 격자 단위로 구축한 후, 이를 각 건물 단위로 할당하여 분석에 활용하였다.

지표면 온도 계산은 USGS의 Landsat8 Collection2 위성영상과 QGIS의 RS&GIS 플러그인을 활용하였다. Landsat 8 TIRS 밴드 10을 이용하여 디지털 수치(Digital Number)를 기반으로, 메타데이터에 포함된 복사 보정 계수를 적용하여 대기 상층 복사 휘도(Top of Atmosphere radiance)를 산정하고, 이를 밝기온도(Brightness Temperature)로 변환한 후, 지표면 방사율(Emissivity)을 고려하여 최종적으로 수식(1)을 따라 지표면 온도를 산출하였다. 영상은 여름철 중 운량이 5% 이하였던 2024년 8월 29일자 영상을 활용하여 열섬현상을 반영할 수 있도록 하였다.

TB = 밝기온도(K)

𝜆 = 중심 파장(10.895μm)

ρ=h∙cσ (약 1.438×10^-2mK)

𝜖 = 지표 복사율

h = 플랑크 상수, c = 광속, 𝜎 = 볼츠만 상수

탄소배출량은 국토교통부의 ‘탄소공간지도 시스템’에서 제공하는 500m 격자 단위의 건물 부문 탄소배출량 데이터를 활용하였다. 해당 데이터는 LPG, LNG 등과 같은 연료의 연소로 인한 직접 배출과 전기･열 사용으로 인한 간접 배출을 포함하여 산정한다(탄소공간지도 시스템, 2025). 그러나 500m 단위 격자는 공간해상도가 낮아 지역 특성 반영에 한계가 있으므로, 분석 정밀도를 높이기 위해 대시매트릭(Dasymetric) 기법을 적용하여 100m 단위로 다운스케일링하였다. 다운스케일링에는 보조자료로 ‘중분류 토지피복도’와 서울시의 ‘2023년 건물유형별 에너지 사용량(전기･가스･지역난방)’ 데이터를 활용하였다. 먼저, 토지피복분류에 따라 건물유형별 전기･가스･지역난방 에너지 사용량을 매칭하였으며, 각 에너지의 토지피복분류별 사용량을 계산한 후, 이를 이용하여 에너지 항목별로 가중치를 산정하였다. 가중치는 해당 토지피복 유형의 연간 에너지 사용량을 서울시 전체 연간 에너지 사용량으로 나누어 계산하였다. 이후 토지피복도와 각 에너지의 탄소배출량 데이터를 100m 격자 단위로 할당하고, 변환된 100m 격자 데이터에 토지피복 유형별 전기･가스･지역난방 가중치를 곱하여 탄소배출량을 산정하였다. 마지막으로 전기･가스･지역난방 부문별 100m 격자 단위 탄소배출량 데이터를 통합하여 최종적으로 탄소배출량 지도를 구축하였다.

서울시의 대기오염도는 서울열린데이터광장에서 2024년 ‘서울시 월별 평균 대기오염도 정보’를 수집하여‘이산화질소, 오존, 일산화탄소, 아황산가스, 미세먼지, 초미세먼지’ 데이터를 활용하였다. 이를 통합하여 서울특별시 대기환경정보 사이트에서 제공하는 수식(2)로 계산하여 ‘통합대기환경지수(Comprehensive air-quality index, CAI)’를 산출하였다. CAI는 6개 오염물질 중 가장 높은 지수값에 기반하여 산출되며, ‘나쁨' 등급 이상의 물질이 2종 이상일 경우 가산점(2개일 경우 50점 추가, 3개 이상일 경우 75점 추가)을 부여하는 방식으로 계산된다(서울특별시 대기환경정보, 2025). 월별 평균 CAI를 산출하여 대기오염이 가장 심했던 4월의 데이터를 이용하였고, 서울시 전역의 공간 데이터를 구축하기 위해 총 50개소의 대기오염측정소 자료를 바탕으로 크리깅(Kriging) 보간법을 적용하였다.

Ip = 대상 오염물질의 대기지수점수

Cp = 대상 오염물질의 대기 중 농도

BPHI = 대상 오염물질의 오염도 해당 구간에 대한 최대 오염도

BPLO = 대상 오염물질의 오염도 해당 구간에 대한 최소 오염도

IHI = BPHI에 해당하는 지수값(구간 최대 지수값)

ILO = BPLO에 해당하는 지수값(구간 최소 지수값)

생태연결성 분석에는 ArcGIS에서 사용가능한 오픈소스 툴인 ‘Linkage Pathway Tool’을 활용하였다. 최소비용경로 알고리즘 기반의 생태네트워크 분석은 3단계로 구성된다. 먼저, 도시생태현황도에서 ‘생태자연도 1･2등급 지역’과 ‘별도관리지역’을 핵심 지역(Core areas)으로 식별하고(권용석, 2023), 최소 면적기준을 1ha로 설정하였다(권오성, 2021). 두 번째 단계에서는 핵심 지역 간 이동하는 개체가 극복해야 하는 저항 정도를 표현하는 저항표면을 마련하기 위해, 세분류 토지피복도를 기반으로 100m 격자 단위의 저항값(Resistance Surface)을 생성하였다. 저항값은 토지피복 세분류에 따라 권용석(2023)의 기준을 참조하여 부여하였다. 마지막 단계에서는 핵심 지역 폴리곤과 저항 표면 래스터를 기반으로 각 핵심 지역에서 다른 지역까지의 비용 가중 거리를 계산하고, 저항값이 가장 낮은 경로를 따라 이동하는 최소비용경로를 계산하여 생태연결성을 공간적으로 시각화하였다.

공원접근성 취약지수는 Xu et al.(2021)의 연구에서 개발한 지표를 참고하여 수식(3)과 같이 건물별 반경 내의 공원 수와 건물과 공원 사이의 거리를 기반으로 산출하였으며, 건물별 반경은 도보 10분 거리인 750m로 설정하였다(국토지리정보원, 2021). 인구의 공간적 분포는 국토지리정보원에서 제공하는 2024년 100m 격자 단위의 인구수 데이터를 활용하였다.

dij: 건물 xi와 공원 j사이의 거리

R: 건물 반경

4. 연구 결과

1) 평지붕 탐지 결과

서울시 동남권(서초구, 강남구, 송파구, 강동구)을 대상으로 평지붕을 탐지한 결과, 총 77,979개의 평지붕이 추출되었다(표 4). 구별로 살펴보면, 서초구 14,596개, 강남구 22,136개, 송파구 23,514개, 강동구 17,733개로 탐지되었다. 평지붕 탐지 결과를 살펴보면, 경사 지붕, 옥상 구조물 등을 제외하고 평지붕 영역을 정확하게 구분하여 탐지하고 있으며, 건물이 밀집된 지역(그림 3), 비닐하우스와 논, 밭과 저층 건물이 있는 교외지역(그림 4), 고층 건물들과 비닐하우스 등이 혼재된 지역(그림 5) 등 공간적 특성이 다양한 환경에서 일관된 성능을 보였다.

그림 3.

건물 밀집지역 평지붕 탐지 결과

그림 4.

교외지역 평지붕 탐지 결과

그림 5.

혼재된 지역 평지붕 탐지 결과

2) 건물 속성정보를 활용한 옥상녹화 가능 건물 추출 결과

앞서 탐지한 평지붕 중 실제 옥상녹화에 적합한 건물을 추출하기 위해, 벡터화한 평지붕 데이터의 면적 정보, GIS건물통합정보의 속성정보 중 준공년도, 건물 높이를 이용하여 필터링하였다. 그 결과, 표 4와 같이 서초구 5,437개, 강남구 8,432개, 송파구 7,280개, 강동구 5,491개가 옥상녹화 가능 건물로 추출되었다.

옥상녹화 가능 건물의 추출 결과를 시각화하면 그림6과 같다. 서초구에서는 주로 반포동의 아파트 단지가 부적합한 건물로 나타났으며(그림 6a), 구축 아파트의 경우 30년 이상 노후되었고 신축 아파트는 건물 높이가 기준을 초과하였다. 강남구의 경우 양재천 주변의 구축 아파트가 주로 제외되었으며(그림 6b), 송파구는 오금역 인근의 구축 아파트와 주택가에서 기준을 충족하지 못하는 건물들이 많았다. 강동구는 암사역 인근 천호1, 2, 3동의 주택가에서 부적합한 건물들이 분포했다(그림 6c).

그림 6.

옥상녹화 가능 건물 추출 결과

3) 우선순위 평가 결과

우선순위 지표별 평가 결과는 그림 7과 같다. 각 지표는 내추럴 브레이크 방법을 이용하여 5개 등급으로 분류하였으며, 등급이 높을수록 우선순위가 높은 것으로 해석된다. 단, 생태연결성 지표의 경우는 저항값을 기반으로 산출되기 때문에 점수가 낮을수록 생태적 연결 가능성이 높아져, 해당 지역에 녹지를 조성하는 것이 더욱 효과적인 것으로 간주된다. 따라서 종합 평가점수를 합산하기 위해 6개 지표별 결과를 종합할 때, 5개의 지표는 높은 등급에서 5점, 낮을수록 1점을 부여하였고, 생태연결성 지표는 등급이 낮을수록 5점, 높을수록 1점을 부여하여 합산하였다. 각 지표의 가중치는 동일 가중치로 적용하여 향후 실제 정책 적용에서는 지역의 특성이나 정책 목표에 따라 유동적으로 지표의 가중치를 조정할 수 있게 하였다.

그림 7.

지표별 옥상녹화 우선순위 평가 결과 시각화

기후변화 대응과 관련되는 지표면 온도 지표는 서초구 방배동, 강남구 논현동과 역삼1동에서 높게 나타났으며, 특히 송파구에서 잠실본동, 삼전동, 석촌동, 송파1동, 방이2동으로 이어지는 구간에서도 온도가 높게 나타났다. 전반적으로 지표면 온도가 높은 지역은 단독주택이 밀집한 저층 주거지역으로 아파트 단지에 비해 조경이나 녹지공간이 상대적으로 부족하고, 건물간 간격이 좁으며 지표면 포장이나 건물로 덮인 불투수 면적이 높기 때문으로 판단된다. 탄소배출량은 강남구 역삼동과 압구정역 인근이 상대적으로 높은 지역으로 나타났다. 이 지역은 고밀도 업무와 상업, 주거 기능이 혼합된 도심 지역으로, 에너지 수요가 집중되며 이에 따라 탄소배출이 높은 것으로 보인다. 이는 건물의 단위면적당 탄소배출량을 추정하여 강남구, 종로구와 같은 도심 지역의 배출량이 높게 나타났다고 분석한 조항훈･김흥순(2023)의 연구와, 서울시 토지 용도별 건물 부문 온실가스의 공간적 분포를 분석하여 상업용 토지에서는 영등포구, 송파구, 강남구에 핫스팟이 형성되었음을 밝힌 여관현･유선철(2024)의 연구 결과와도 일치한다.

환경･생태적 측면으로 우선순위를 평가하기 위한 지표인 대기오염은 서초구와 강남구가 상대적으로 높게 나타났으며, 이는 건물이 밀집된 도심지역으로 간선도로가 밀집되어 교통량이 많기 때문인 것으로 보인다. 생태연결성은 강동구의 천호역과 강동역 인근이 저항성이 높게 나타났는데, 토지피복분류상 상대적으로 녹지가 적고 상업지역과 주거지역으로 주택이 밀집되어 있기 때문인 것으로 판단된다.

사회적 기능이 필요한 지역을 평가하기 위해 격자 단위의 인구수를 분석한 결과, 송파구와 강동구의 주거지역에서 인구밀도가 대체로 높게 나타났다. 공원접근성 지표는 강남구의 선릉역과 삼성역 주변이 녹지 조성이 필요한 것으로 나타났으며, 송파구의 위례신도시 및 강동구의 강일동 또한 접근성이 낮은 것으로 나타났다. 다만, 위례신도시와 강일동은 실제로 인근에 공원이 존재함에도 불구하고, 서울시 공원 데이터에 누락되어 지수가 과소평가된 것으로 판단된다.

6개 지표별 점수를 합산한 종합 평가 점수는 7점에서 22점 사이에 분포하고 있으며, 내추럴 브레이크 방식으로 5개 등급으로 구분하여 시각화한 결과는 그림 8과 같다. 강남구와 서초구 도심지역은 지표면 온도, 생태연결성, 대기오염도 지수가 높게 나타나 종합점수가 높았으며, 강남구의 삼성역 인근에서는 대기오염도 대신 탄소배출량이 높아 우선순위 점수가 높게 나타났다. 송파구에서는 문정동 주택가에서 종합점수가 높게 나타났는데 지표면 온도가 높고 생태연결성 효과가 높은 것으로 나타났다. 반면, 강동구의 천호역과 강동역 주변은 지표면 온도와 인구수는 다소 높게 나타났으나, 생태연결성 측면에서 녹지 조성 효과가 낮고, 탄소배출량도 낮으며, 공원접근성이 상대적으로 양호하여 우선순위 점수가 낮게 나타났다.

자치구별로 종합하면, 강남구는 녹화 대상 평지붕 수가 가장 많고 1, 2순위 비중도 높아, 단기적으로 옥상녹화를 도입할 경우 열섬현상 완화와 탄소 저감 등 환경 개선 효과가 클 것으로 예상된다. 서초구는 대상 평지붕 수는 비교적 적지만, 1, 2순위 비중이 높아 강남구와 함께 우선적으로 조성할 필요가 있다. 송파구는 3순위 비중이 가장 높아 중장기적 관점에서 점진적으로 추진할 수 있다. 반면 강동구는 4, 5순위 비중이 높아 장기적인 계획이 가능하므로 주변 녹지와의 생태적 연결성 강화, 열섬현상 완화를 위한 미기후 개선 등 기반 여건을 먼저 개선한 뒤 옥상녹화를 추진할 수 있을 것으로 판단된다(표 5).

그림 8.

서울시 동남권 옥상녹화 우선순위 종합 평가 결과 시각화

5. 결론

본 연구에서는 옥상녹화가 가능한 건물을 정밀하게 탐지하고, 건물 단위로 우선 조성지역을 평가하고자 하였다. 이를 위해, 먼저 선행연구를 검토하여 옥상녹화 적합 건물의 기준을 설정한 후, 항공정사영상을 활용하여 평지붕 건물의 훈련데이터셋을 구축하고, Mask2Former 모델을 이용하여 평지붕 건물을 탐지하였다. 이후, 탐지된 평지붕 객체, 객체의 면적 정보와 GIS건물통합정보의 층수, 준공연도 속성정보를 활용하여 옥상녹화에 부적합한 건물을 필터링함으로써, 최종적으로 옥상녹화 가능 건물을 도출하였다. 우선순위를 평가하기 위해 옥상녹화의 기후변화 대응, 환경･생태 개선, 사회적 기능 강화 측면에서 공공적 기능들을 반영한 6개 평가지표를 개발하고, 지표별 DB를 구축한 뒤 단일 지표별 평가 및 종합평가를 수행하였다. 분석 결과, 강남구와 서초구의 도심지역이 지표면 온도, 대기오염도, 생태연결성 측면에서 높은 점수를 보여 옥상녹화의 우선 조성지역으로 도출되었다. 반면, 강동구 천호역 및 강동역 인근은 생태연결성, 탄소배출량, 공원접근성 지표에서 상대적으로 점수가 낮아 우선순위가 낮은 지역으로 평가되었다.

이를 도시관리 차원에서 보면, 자치구별 옥상녹화 우선순위 분석 결과는 지역별 맞춤형 전략을 수립하는 데 시사점을 제공한다. 강남구와 서초구는 1, 2순위의 비중이 높아 단기간에 옥상녹화를 집중적으로 추진한다면 열섬현상 완화와 탄소저감 효과를 빠르게 달성할 수 있을 것으로 기대된다. 송파구는 3순위 비중이 높아 중장기적 관점에서 점진적으로 확대할 필요가 있으며, 강동구는 4, 5순위 비중이 많아 기반 여건을 개선한 뒤 장기적으로 추진할 필요가 있다. 이와 같이 본 연구결과는 지역별 물리적･환경적 조건에 따라 차별화된 도시관리 전략을 설계하기 위한 근거자료로 활용될 수 있다.

본 연구는 기술적인 측면에서 건축물대장 속성정보만으로는 추정이 어려웠던 지붕 경사 정보를 고해상도 영상자료와 딥러닝 기술을 활용하여 정밀하게 추출할 수 있는 방안을 제시하였다. 특히, 옥상녹화 대상 건물에 대한 정량적 데이터 구축의 필요성이 제기되는 시점에서 본 연구는 딥러닝 기반 객체 탐지 결과를 GIS데이터와 연계함으로써 건물 단위의 DB를 체계적으로 구축하고, 향후 주기적인 모니터링을 할 수 있는 기반을 마련하였다는 점에서 의의가 있다. 정책적 측면에서는 옥상녹화의 다차원적 기능을 반영한 평가지표를 바탕으로 옥상녹화의 필요성이 높은 지역을 우선적으로 도출함으로써 그린인프라 정책 수립에 활용 가능할 것으로 기대된다. 또한 위성 및 항공영상을 기반으로 딥러닝을 활용한 객체 탐지 연구는 국내에서 다수 수행되었으나, 이를 GIS데이터와 연계하여 활용한 사례는 많지 않았다. 본 연구는 단순 객체 탐지를 넘어 공간분석, 정책 수립 등에 적용할 수 있는 기반을 제시하였다는 점에서 의의가 있다. 또한 도시 전체의 맥락에서 옥상녹화는 개별 건물 단위의 녹화를 도시 내 그린인프라와 유기적으로 연결함으로써 그 체계를 보완하고, 이를 통해 도시 환경문제 개선에 기여할 수 있을것으로 사료된다. 향후 실제 정책에서 활용되기 위해서는 건축적 관점에서 옥상녹화 대상 건물의 구조적 안정성과 활용 가능성을 명확히 검토해야 하며, 도시계획적 관점에서는 옥상녹화가 그린인프라 추진 전략과 연계될 수 있도록 제도적 기반이 마련될 필요가 있다.

연구의 한계점으로는 항공영상의 촬영 시점과 GIS건물통합정보의 구축 시점 간 불일치로 인해 일부 탐지된 건물이 GIS 속성정보와 매칭되지 않아 일부 건물은 속성정보를 활용할 수 없었다. 속성정보가 누락된 건물들은 대부분 신축 건물이므로 노후도 기준은 관계없으나, 높이 기준은 적용되지 못해 필터링 과정에서 누락되는 한계가 발생하였다. 하지만 이는 향후 GIS 데이터의 갱신주기가 개선된다면 충분히 보완될 것이라 판단된다.

향후 연구에서는 식생지수 또는 식생에 대한 시맨틱 세그멘테이션 기법을 활용하여 옥상 내 녹화가 이루어진 건물을 탐지하여, 옥상녹화 가능 건물 탐지의 정확도를 제고하고, 옥상녹화 현황을 모니터링 할 수 있는 체계를 구축할 필요가 있다. 또한 탄소배출량 분석 시 건물의 전기･가스･난방 데이터뿐만 아니라 도로변에서 발생하는 수송 분야의 탄소배출에 대한 고려, 옥상녹화 우선순위 평가 지표에 대한 가중치 부여, 현재 6개 지표에 대한 분석은 네추럴브레이크 방식에 의거하여 종합점수를 산출하였지만, 지표의 시계열 모니터링을 위해서는 각 지표별 데이터 값에 기준한 분석등에 대한 고려도 필요하다.