The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 29 , No. 2

[ Article ]
Atmosphere - Vol. 29, No. 2, pp.131-147
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Jun 2019
Received 14 Mar 2019 Revised 10 May 2019 Accepted 31 May 2019
DOI: https://doi.org/10.14191/Atmos.2019.29.2.131

식생냉각효과 적용을 통한 BioCAS의 폭염기간 일 최고기온 추정 개선 : 서울 및 수도권지역을 중심으로
이한경1) ; 이채연1), * ; 김규랑2) ; 조창범2)
1)한국외국어대학교 대기환경연구센터
2)국립기상과학원 응용기상연구과

Improvement of Vegetation Cooling Effects in BioCAS for Better Estimation of Daily Maximum Temperature during Heat Waves : In Case of the Seoul Metropolitan Area
Hankyung Lee1) ; Chaeyeon Yi1), * ; Kyu Rang Kim2) ; Changbum Cho2)
1)Research Center for Atmospheric Environment, Hankuk University of Foreign Studies, Yongin, Korea
2)Applied Meteorology Research Division, National Institute of Meteorological Sciences, Jeju, Korea
Correspondence to : * Chaeyeon Yi, Research Center for Atmospheric Environment, Hankuk University of Foreign Studies, Yongin 17035, Korea. Phone: +82-31-8020-5589, Fax: +82-31-8020-5574 E-mail: prpr.chaeyeon@gmail.com

Funding Information ▼

Abstract

On the urban scale, Micro-climate analysis models for urban scale have been developed to investigate the atmospheric characteristics in urban surface in detail and to predict the micro-climate change due to the changes in urban structure. BioCAS (Biometeorological Climate Impact Assessment System) is a system that combines such analysis models and has been implemented internally in the Korea Meteorological Administration. One of role in this system is the analysis of the health impact by heat waves in urban area. In this study, the vegetation cooling models A and B were developed and linked with BioCAS and evaluated by the temperature drop at the vegetation areas during ten selected heat-wave days. Smaller prediction errors were found as a result of applying the vegetation cooling models to the heat-wave days. In addition, it was found that the effects of the vegetation cooling models produced different results according to the distribution of vegetation area in land cover near each observation site - the improvement of the model performance on temperature analysis was different according to land use at each location. The model A was better fitted where the surrounding vegetation ratio was 50% or more, whereas the model B was better where the vegetation ratio was less than 50% (higher building and impervious areas). Through this study, it should be possible to select an appropriate vegetation cooling model according to its fraction coverage so that the temperature analysis around built-up areas would be improved.


Keywords: BioCAS, heat-wave days, vegetation cooling effect, tall vegetation, urban climate

1. 서 론

도시 지표면은 인공적인 불투수층과 식생이 존재하는 투수층의 자연피복으로 복잡하게 구성되어 있다(Bokaie et al., 2016). 도시 개발이 심화될수록 인공피복의 단층 또는 복층의 구조물들이 복잡한 형태로 증가하면서, 도시열섬 및 온실효과를 유발하며, 폭염 및 열대야 기간에 재난 위험성을 가중시키는 원인이 된다(Koo et al., 2007; Youngsteadt et al., 2017).

도시기후변화 적응 및 도시폭염 완화를 위한 노력의 일환으로써, 현재 국제적으로 인구밀도가 증가하는 도시들은 열 스트레스 저감을 위해 도시 숲 조성, 옥상녹화, 쿨링포그(cooling fog), 쿨루프(cool roof) 등을 시행하고 있으며(Kim et al., 2008; Park and Kim, 2014; Santamouris, 2014; Norton et al., 2015), 이러한 도시활동들이 도시 미기상에 미치는 영향을 조사하기 위해, 분석모델을 활용한 토지피복변화 실험, 옥상면 알베도 민감도 실험 등을 적용하여 그 정책의 효과에 대한 결과를 조사하고 도시환경 시나리오 방향을 제안하기도 한다(Masson, 2006; Trimmel et al., 2011; Kim et al., 2018; Nishimoto et al., 2018; Resler et al., 2018). 위성영상 또는 무인항공 영상 등을 이용하여 건물옥상 및 도심녹지의 온도를 분석한 연구결과에서 숲의 조성은 주변 지역의 열 환경 완화에 필수적인 요인으로 꼽히는데, 식생지역 관리는 도시계획이나 정책제안에 활용되며(Maimaitiyiming et al., 2014; An et al., 2016; Coutts et al., 2016; Choi et al., 2017), 도시열섬의 완화 요소로 지속적인 연구가 수행되어 왔다(Susca et al., 2011; Cui and Foy, 2012; Lee et al., 2018a).

사람들이 활동하는 스크린 레벨을(약 1.5 m) 기준으로, 식생은 지면으로의 일사차단의 역할을 하며 증발산 작용에 의해서 기온저감 영향을 나타낸다(Wang et al., 2016; Lee et al., 2018a). 기존 연구에서 단층 구조의 식생지역 보다는 다층 구조의 식생지역에서 −0.10oC 이상의 냉각효과가 나타났으며(Lee et al., 1996; Oh and Hong, 2005), 큰 키 식생은 교목류를 의미하며 관목류보다 상대적으로 키가 큰 소나무 등으로 구성되어 있는데, 이러한 큰 키 식생의 비율이 높아질수록 기온저감 효과가 큰 것으로 나타났다(Lee et al., 2016). 낮 동안 저장한 열을 배출하는 도시지역과 달리, 식생지역에서는 야간동안 복사냉각에 의해서 찬공기가 생성되는데, 산림에서 생성된 찬공기는 이류에 의해 바람흐름을 유도하여 도심 주변의 기온이 도시지역과 비교하여 상대적으로 낮아지는 것이 실제 관측을 통해서 규명되기도 하였다(Loughner et al., 2012; Gouma, 2013; Eum et al., 2018). 식생 군락의 일사차단특성을 나타내는 Sky View Factor (SVF) 및 수평적특성인 토지피복유형에 따라 기온에의 영향이 다르게 나타나는 것으로 확인되었고 입체적인 식생의 효과가 미규모열 환경에 중요한 요인으로 나타났다(Yi et al., 2017).

실제 도시에서 다양한 미기후인자들로 인해 나타나는 현상들을 상세하게 설명하기 위해서는 미규모의 도시 및 식생지역을 상세하게 예측할 수 있는 약 10 m 내외의 고해상도의 모델이 필요하다(Gross, 2014; Kwon et al., 2015; Lee et al., 2016). 도시계획과 환경정책에서 요구하는 미기후정보를 산출하기 위해 도시미기후에 큰 영향을 미치는 몇 가지 인자들을 중심으로 도시지표면의 분포 특성들을 상세하게 조사하고 있으며, 도시구조 변화에 따른 미기후변화를 전망하는 모델들이 개발되어 보건 및 도시계획 등에 활용되고 있다(Eum et al., 2011; Eum, 2012; Kim et al., 2014; Yi et al., 2018).

생명기후분석시스템(BioCAS, Biometeorological Climate impact Assessment System)은 도시 및 식생 지역을 대표하는 고해상도 입력 파라미터 모델을 결합한 체계이며, 기상청 내부망 웹에 구축되어 도시폭염 건강영향예보시스템으로 개발 중에 있다. BioCAS는 서울 지역에 대해서 국지적 기후와 지표면특성 등에 대한 정보를 종합적으로 고려하여 열적 환경의 공간 변동성을 분석하고, 폭염강도에 따른 초과사망률 및 건강영향을 평가하고 예측한다(Kim et al., 2014; Kim et al., 2016; Jaenicke et al., 2019). 분석영역은 서울을 중심으로 수도권영역으로 확장하고 있으며, 예측성능의 개선을 위하여 도시구조 변화, 다양한 식생종류를 포함하는 산지, 강 및 하천 주변환경 같이 세부적이고 특징적인 지역에 대해서 모델의 검증을 통해 지속적인 개선이 이뤄지고 있다(Lee et al., 2016; Yi et al., 2016a). 식생지역에 대해서는 서울대학교 숲, 서울 숲, 광릉 활엽수림 및 침엽수림에서의 관측자료가 분석되었다. 서울대학교 숲과 서울 숲은 침엽수림, 혼효림, 활엽수림의 큰 키 식생과 초지 등으로 구성되어 있는데, 각 식생유형 및 피복특성에 대한 미기상 관측 값과의 냉각효과를 연구하여, 식생지역 기온냉각모델을 개발하였다(Lee et al., 2018a).

본 연구에서는 숲 유형별 식생지역 기온냉각모델을 BioCAS와 연계하여 식생지역의 기온저감 모의에 대한 효과를 평가하고, 여름철 폭염일에 대한 BioCAS의 일 최고기온 모의성능을 개선하고자 한다.


2. 연구재료 및 방법
2.1 연구영역 및 BioCAS 모델링

본 연구에서 서울 및 수도권 지역의 기상현상을 모의하기 위해 모델링지역(Model Region, MR)과 기본 연구지역(Study Region, SR)으로 두 가지 도메인을 설정하였다(Fig. 1).


Fig. 1. 
(a) Two domains for modelling and analyzing on Korean Peninsula, (b) Study region (SR) domain including Seoul metropolitan area for BioCAS modelling.

BioCAS에서 중규모 기상현상 모의를 위해 MetPhoMod(METeorology and atmospheric PHOtochemistry mesoscale MODel)을 사용하였다. MetPhoMod는 중규모 기상현상 및 대기화학을 계산하기 위해 Navier-Stokes 방정식에 기초한 비정역학 방정식계와 직교좌표계를 사용하여, 도시의 표면과 같은 기복이 심한 지역을 계량화하고 도시 내의 대기 흐름과 기온분포를 안정적으로 계산할 수 있다(Yi et al., 2011). MetPhoMod 구동은 Table 1과 같이 설정하여 수행하였다.

Table 1. 
Model configuration and physics used for the MetPhoMod simulations in the BioCAS.
Category Value(s)
Model domain Domain1 MR: Cartesian grid of 100 × 100 grid points, 2000 m grid spacing
Domain2 SR: Cartesian grid of 198 × 162 grid points, 500 m grid spacing
Vertical layers 60 vertical layers between 10 and 6300 m above sea level
Surface properties Gridded data of surface height, albedo, emissivity, aerodynamic roughness length, volumetric heat capacity, thermal diffusivity, surface temperature and time-constant temperature at 1 m depth
Model physics Air pressure non-hydrostatic, k-ε turbulence closure, full radiation and soil physics, wind advection, no clouds, no border dampening, no spatial filtering
Time period Start: 06:00 KST on the experimental date,
end: 18:00 KST on the day after experimental date
Time interval Regular time steps of 10 s; adaptive time steps down to 1 s
Nesting One-way nesting MR→SR;
forcing data from parent domains applied every 15 min
Initial conditions No wind, i.e. u = v = w = 0 m s−1
Vertically constant virtual potential temperature = 20oC
Vertically constant mixing ratio = 0.4 g kg−1
Surface temperature provided as spatially distributed values
Lateral boundary
conditions (MR)
No wind, i.e. u = v = w = 0 m s−1
Virtual potential temperature of each vertical layer is set to layer mean value
Output variables Data storage every 30 min:
3-dim: air pressure-, wind-, and air temperature fields
2-dim: wind-, and air temperature fields at 10 m above the momentum-absorbing surface
2-dim: full set of energy balance components (surface fluxes) and boundary layer variables

중규모 기상현상 모의 지역은 도메인1로써 경기도 지역을 포함하게 설계하였으며, 수평격자 2000 m 해상도로 모의된다. 도메인 2인 기본 연구지역은 서울 및 수도권 지역을 포함하며, 수평격자 해상도는 500 m이다. 모의된 도메인 1의 기상장은 도메인 2의 경계조건으로 입력되고, 이 중규모 기상장은 국지적 효과를 적용하는 상세화 과정에서 25 m 해상도로 분석된다(2.2절).

국지적 효과를 적용하는 상세화를 위해, BioCAS에 입력되는 지형, 지표면 등의 자료로는 수치지형모델(Digital Terrain Model, DTM), 수치표면모델(Digital Surface Model, DSM), 토지피복자료(Land Cover, LC)가 있는데, 그 중 수치표면모델 자료는 수치건물모델 자료(Digital Building Model, DBM), 수치식생모델 자료(Digital Vegetation Model, DVM)로 구성된다(Fig. 2). DTM 자료는 자연적인 지형정보만을 나타내며, DSM 자료는 건물 및 식생구조물 등의 정보를 지형정보에 추가한다. DBM 자료와 DVM 자료를 산출하기 위해 안전행정부의 수치건물지도(Fig. 2b) 및 산림청의 임상도(Fig. 2d)를 이용하였다. 토지피복자료 생성을 위해서는 환경부 세분류 토지피복지도를 이용하였으며, 건물지역(built-up surface, BS), 큰 키 식생(tall vegetation, TV), 도로 및 인공나지(unvegetated surface, US), 자연초지(vegetation surface, VS), 수역(water surface, WS)으로 각각 분류하여 모델에 입력되는 형태로 구축하였다(Fig. 2c).


Fig. 2. 
The input data on (a) Digital Elevation Model, (b) Digital Building Model, (c) Land Cover, and (d) Digital Vegetation Model. The unit of (a), (b) and (d) is meters.

2.2 BioCAS 일 최고기온 산정모델

BioCAS의 기온분석 결과로는 중규모 기온편차(meso-scale air temperature deviation, MD), 국지규모 기온편차(local-scale air temperature deviation, LD), 종합기온편차(total air temperature deviation, TD)가 있다(Yi et al., 2016b). MD는 폭염사례일에 대해 MetPhoMod를 기반으로 기본 연구지역이 500 m 해상도로 모의되고, 연직격자 중 지표면으로부터 10 m 고도의 기온장을 정의한다(Table 1). 스크린 레벨에서의 기온을 추정하기 위해서는 MD에서 모의된 기온장에 지표면에서 방출되는 국지적인 효과를 반영하여야 한다. 이를 위해 LD는 지표면에서의 열방출(surface heat flux, dTSHF)과 식생지역의 큰 키 식생 및 자연초지에서의 찬공기 생성에 의한 기온감률(cold air production, dTCA)에 의해 25 m 해상도로 계산된다(식 (1)-(4), Yi et al., 2016a). MDLD가 구해진 후, 이를 합하여 종합기온편차(TD)가 계산되며 각 25 m 격자마다 상대적인 기온(K)으로 추정된다(식 (5), Lee et al., 2016; Yi et al., 2016a).

fCSAR=1+4fBShBds(1) 
dTSHF=CSHFfCSAR-1(2) 
dTCA=ccaQca(3) 
LD=DTSHF+DTCA(4) 
TD=MD+LD(5) 

LD는 지표면의 건물 및 식생의 열 방출·흡수가 중요한 요소인데, 야간 현열 플럭스 밀도와 순복사량에 대한 비율이 교외·근교외·도시 지역에서 토지피복의 fCSAR (complete surface aspect ratio)에 따라 다르게 나타나므로, fCSAR은 단위면적 당 표면적비(m2 m−2)로 계산하여 적용한다(Christen and Vogt, 2004). 단위면적인 한 격자의 fCSAR 값은 4개의 벽면과 1개의 지붕면적을 가진 단일건물구조로 모수화되며 건물점유 정도가 적용된 건물면적(fBS)과 평균 건물높이(hB)로부터 식 (1)을 통해 추정된다.

fBS는 단위격자 내 건물면적 점유비율(fraction)을 의미하며, fBS를 통해서 단위격자의 중심으로부터 인접 지역(ds)의 토지피복 변화에 따라 국지규모 요인의 영향 반영이 가능하고, hB는 모델 격자 당 평균 높이로 정의된다. fCSAR과 현열 플럭스에 대한 경험계수(CSHF)의 값으로 야간 건물표면에서 대기로의 현열 방출로 인한 국지규모 기온 증가 값(dTSHF)이 구해진다(식 (2), Christen and Vogt, 2004; Yi et al., 2016a). 국지 냉각 dTCA는 경험적 냉각함수(cca)와 시간 및 단위면적 당 생성되는 찬공기의 양(Qca)의 곱으로 계산된다(식 (3)). 위 방법을 통해 계산된 지표면에 대한 dTSHFdTCA의 합으로 LD가 구해진다(식 (4)). 그리고 LDMD의 합으로 TD를 구할 수 있다(식 (5)).

이러한 계산과정으로 TD가 계산되지만 공간적으로 발생하는 오차를 보정하고 극한기상 폭염의 일 최고 기온을 산정하기위해, 기온관측 자료를 이용하여 일최고기온 산정모델(TD')이 적용된다(식 (6)). TD'에 서울관측소 지점의 자료를 기준으로 하여 일 최고기온(TSWS)이 입력되면 상대적 일 최고기온 공간편차(Tmax)를 계산하는데(식 (7)), 서울지역을 대상으로 보정된 일 최고기온 산정모델(TD')에는 MD와 지표면특성변수인 건물면적비(fBS), 큰 키 식생면적비(fTV), 건물높이 × 면적(hB × fBS)과 고도(z 정보가 사용된다(Yi et al., 2016a). 본 연구에서 식생지역 기온냉각효과 분석에는 기존 fTV 항은 제외하고, 개선된 기온냉각모델 dTtv, dTtvs (2.3절)를 각각 적용하여 일 최고기온을 산정하였다.

TD'=0.28+1.18MD+0.5fBS-0.8fTV-0.05hBfBS-0.002z(6) 
Tmax=TSWS+TD'(7) 
2.3 식생지역 기온냉각모델

미규모(micro-scale)에서는 불투수면적과 식생면적의 비율에 따라 모델의 일 최고기온 및 최저기온 예측성능이 결정된다(Yi et al., 2016b). 그 면적비율은dTSHFdTCA를 통해서 계산되는데, 그 중 식생과 관련이 있는 dTCA의 개선방안으로는 식생군락에 의한 일사차단으로 지표면의 기온저감 발생 효과가 반영되어야 한다는 연구가 있었고(Yi et al., 2016b), 후에 식생유형에 따른 식생지역 기온냉각모델이 개발되었다(Lee et al., 2018a).

국립기상과학원과 서울대학교에서 개발한 식생지역 기온냉각모델은 키가 큰 식생이 분포한 지역에서 수집한 미기상 관측자료로부터, 식생지역과 도시내부와의 기온차이를 정량화한 것이다. 서울대학교 캠퍼스 내 숲(서울시 관악구), 서울 숲(서울시 성동구), 그리고 경기도 광릉 숲의 활엽수림과 침엽수림을 대상으로 다양한 미기상 관측자료를 수집하여 식생지역 기온냉각효과를 조사하였다(Lee et al., 2018a). 본 연구에서는 서울대학교 내 숲과 서울 숲을 대상으로 분석된 식생지역 기온냉각모델을 적용하고자 하였으며, 광릉 숲 활엽수 및 침엽수를 대상으로 한 모델은 관측자료의 일치에 제한이 있어 제외하였다. Figure 3은 각각의 관측환경을 보여주는 위성지도이며, 서울대학교 캠퍼스는 관악산으로 둘러싸여 있고 큰 키 식생지역(침엽수림, 활엽수림, 혼효림), 초지, 아스팔트로 지표면 특성을 분류하여 기온을 관측하였다. 서울 숲은 큰 키 식생지역(침엽수림, 활엽수림, 혼효림), 초지, 우레탄피복지로 분류하여 기온을 관측하였다(Lee et al., 2018a). 이와 같은 환경에서 관측된 자료들은 각 지역의 식생환경과 함께 분석하고 기온저감 효과를 정량화하여 식생지역 기온냉각모델을 개발하였다. 아래 식은 도심과 식생지역의 기온차이를 추정하기 위해 개발된 2개의 식생지역 기온냉각모델이다(Lee et al., 2018a).


Fig. 3. 
The Google satellite images of observation station for the development of cooling effect models by vegetation area.

dTtv=-0.568+-1.292×fTV90m(8) 
dTtvs=0.057+-1.713×fTV50m+fVS50m(9) 
fTV90m : fractional coverage for Tall Vegetation of 90m resolution
fTV50m : fractional coverage for Tall Vegetation of 50m resolution
fTV50m : fractional coverage for Vegetation Surface of 50m resolution

식 (8)은 서울대학교 숲, 식 (9)는 서울 숲을 대상으로 개발된 모델이다. 본 연구에서는 서울대학교 숲에 대한 모델은 dTtv, 서울 숲에 대한 모델은 dTtvs로 명시한다. 도심과 숲의 기온편차 dTtv를 산출하기 위해서는 기본 연구지역에서 90 m × 90 m 면적 내 TV 면적비율 분포도가 필요하며, dTtvs의 기온편차를 산출하기 위해서는 50 m × 50 m 면적 내 TV 분포도 및 50 m × 50 m 면적 내의 VS 면적비율 분포도가 필요하다. 이를 위해 환경부 토지피복자료를 이용하여 서울 및 수도권 영역의 식생분포도를 구축하고 각 모델을 구동하였다(Fig. 4).


Fig. 4. 
The distributions of temperature deviation for (a) dTtv and (b) dTtvs model.

2.4 사례일 선정

BioCAS는 여름철 기간동안 폭염강도를 분석하므로, 본 연구에서의 실험 사례일 선정을 위해서 Back et al. (2018)이 분류한 방법을 이용하여 폭염유형을 구분하였다. 자기조직화지도(Self-Organised Map, SOM) 기법을 이용하여 최근 30년동안 폭염발생에 기인하는 종관규모 대기구조 패턴을 군집 분류하였는데, 그 결과 우리나라 서울지역 폭염유형이 6종류로 분류되었다. 본 연구에서는 폭염일 종관규모 대기구조 유형 중 최근에 주로 나타나지 않은 한가지 유형을 제외하고 5가지 유형에 포함되는 폭염 사례일들 중 2013년부터 2017년 기간의 10일의 폭염일을 분석 사례로 선정하였다. 선정한 폭염 사례일들의 서울관측소 일 평균 풍속은 2.4 m s−1 이하였으며, 군집 별로 주풍향이 다르게 나타났다(Table 3). 유형1과 유형3에 해당하는 사례일에는 서풍계열, 유형2와 유형4의 사례일은 북동풍 계열, 유형5의 사례일은 남서풍계열이 주풍향으로 나타났다.

2.5 관측자료

본 연구에서 이용되는 관측자료는 모델에 입력을 위한 관측자료와 검증을 위한 관측자료로 구분된다. 모델에 입력되는 관측자료는 BioCAS에서 MetPhoMod 구동을 위하여 서울관측소(#108)의 기상자료가 초기장으로 사용되며, 2.4절에서 폭염사례로 선정한 10일의 기온, 습도, 풍속, 풍향, 기압자료가 사용되었다.

모델의 검증은 BioCAS로부터 산출되는 일 최고기온분포(TD')와 이를 개선한 식생지역 기온냉각모델(dTtv, dTtvs)을 적용한 3가지 실험에 대한 결과를 평가한다. 사용 가능한 관측자료는 서울 및 수도권지역의 자동기상관측소(Automatic Weather Station, AWS)와 종관기상관측장비(Automated Synoptic Observing System, ASOS)의 자료이다. 식생지역 기온냉각모델 평가는 관측지점 주변 환경을 기준으로 반경 100 m 이내에 TV와 VS 면적비율이 10% 이상인 관측지점을 선별하였다. 총 9개 관측지점을 선정하였으며, 선정된 지점은 남현, 능곡, 북악산, 중구, 안산, 관악(레), 노원, 성동, 구로 지점이다(Fig. 5, Table 2).


Fig. 5. 
The Google satellite map for location of the observation stations.

Table 2. 
Percentage of land use types within the radius of 100 m near the observation stations in Seoul metropolitan area (TV: Tall Vegetation, VS: Vegetated Surface, BS: Built-up Surface, US: Unvegetated Surface, and WS: Water Surface).
  Station TV (%) VS (%) BS (%) US (%) WS (%)
  Namhyun (#425) 100.00 0.00 0.00 0.00 0.00
  Neonggok (#589) 99.14 0.01 0.00 0.85 0.00
  Bukaksan (#422) 98.43 0.00 0.00 1.57 0.00
  Junggu (#419) 84.09 0.31 4.08 11.51 0.00
  Ansan (#545) 01.64 60.40 2.75 35.22 0.00
  Gwanak (#116) 53.18 0.00 0.00 46.82 0.00
  Nowon (#407) 0.04 42.80 0.44 56.71 0.00
  Seongdong (#421) 0.00 17.91 21.57 60.53 0.00
  Guro (#423) 6.60 7.78 7.92 77.70 0.00

Table 3. 
The meteorological information at the Seoul weather station (#108) for 10 selected heat-wave cases, which were selected by the Self-Organized Map during the period of 2013-2017.
Date Daily mean
temperature (oC)
Daily maximum
temperature (oC)
Daily mean
windspeed (ms−1)
Main wind
direction (o)
2013.08.11 (Cluster4) 28.70 33.20 2.10 67.50
2013.08.21 (Cluster4) 28.80 33.90 2.40 67.50
2014.07.07 (Cluster3) 27.10 33.80 2.30 270.00
2014.07.30 (Cluster5) 28.60 33.50 2.20 247.50
2015.08.06 (Cluster1) 29.30 34.40 2.00 270.00
2015.08.07 (Cluster2) 28.90 34.40 1.40 45.00
2016.08.04 (Cluster4) 31.00 35.70 1.70 50.00
2016.08.06 (Cluster5) 30.50 34.00 1.70 281.25
2017.08.01 (Cluster2) 28.60 33.00 1.70 45.00
2017.08.04 (Cluster2) 30.30 35.30 2.10 90.00


3. 결과 및 고찰
3.1 폭염일 토지피복 유형별 기온특성

Figure 6는 폭염일 10개 사례일에 대한 BioCAS의 MetPhoMod 모의를 통한 10 m 고도에서의 중규모 기온편차이다. 이는 서울관측소를 기준으로 높고 낮음을 나타내는 캘빈온도(K)로 표시하였다. 서울시 내부 도심의 경우에는 1.00 K 이상의 상대적으로 높은 기온편차를 나타냈다. 2016년 8월 4일은 다른 폭염 사례일보다 높은 최고기온을 기록하였는데, 이 날의 MD는 서울을 포함하여 수도권 동부(구리, 하남, 성남) 및 남부(안양, 군포, 수원)지역에 서울 도심과 유사하게 −0.10 K~0.60 K 이상의 기온편차를 보였다(Fig. 6g). 도시 중심부에서는 불투수면적 비율이 높아짐에 따라 열섬효과로 보이는 기온 상승이 뚜렷하며, 특히 도시화된 지역에서 건물 및 도로의 면적비율이 지표면 온도와 가장 강한 상관도를 나타낸다(Imhoff et al., 2010; Kim and Yeom, 2012). 이러한 폭염일에서의 MD는 일 최고기온 산정모델(TD)의 주요 변수값으로 적용되었다. 10개 사례일에 대한 MD 외에 LDTD에서 나타나는 결과를 토지피복 유형별로 분석하였다(Fig. 7, Table 4).


Fig. 6. 
The distributions of meso-scale air temperature deviation (MD) for the 10 heat-wave cases.


Fig. 7. 
Box plot of MD, LD, TD and TD' for the 10 heat-wave cases according to the land use types.

Table 4. 
The average (K) and standard deviation (K) of MD, LD, TD and TD' for the 10 cases according to the land use types.
TV VS US BS
Avg. Std. Avg. Std. Avg. Std. Avg. Std.
MD −1.67 0.33 −2.14 0.25 −1.43 0.18 −1.03 0.17
LD −1.38 0.00 −0.52 0.00 −0.10 0.00 −0.18 0.00
TD −3.05 0.33 −2.65 0.25 −1.52 0.18 −0.86 0.17
TD' −2.79 0.39 −2.38 0.29 −1.48 0.21 −0.94 0.20

MD의 중앙 값을 보면 TV, US에서 −1.50 K로 유사한 기온을 나타내며, BS에서는 −1.00 K로 상대적으로 높게, VS에서는 −2.00 K로 낮게 분석되었다. LD가 함께 적용된 종합기온편차 TD는 식생이 있는 지역 TV, VS에서 MD보다 더 낮은 기온편차(−3.05 K, −2.65 K)가 분석되었고, BS에서는 더 높은 기온(−0.86 K)이 분석되었다(Fig. 7). Table 4는 각 토지이용도에 따른 MD, TD, LD 그리고 TD'의 평균 기온편차 및 표준편차 값을 나타내는데, US, BS보다 TV와 VS에서의 표준편차 값이 0.10 K 이상 높게 산출된 것을 확인할 수 있다. 식생지역은 기온과의 상관도에서 다른 지역과 비교하여 일관성을 나타내지 않는 것으로 판단된다. US, BS보다 TV와 VS의 기온 표준편차가 0.25 K 이상으로 크게 나타난 것은 토지피복에 따라 기온냉각 또는 상승의 영향에 대한 경험식 개선이 필요함을 나타낸다. Yi et al. (2016b)TD에는 MD에 추가적으로 식생 및 건물의 국지적인 효과를 적용하였으나, 관측자료와의 편향오차를 개선할 필요가 있다고 언급하였다. TD에 국지적 특성을 반영하여 보정하고, 일 최고기온을 산정하는 TD'을 적용하여, 서울관측소 일 최고기온 기준으로 수도권 전체의 일 최고기온(Tmax, TSWS + TD')분포를 산출하였다(Fig. 8). 그림에서 볼 수 있듯이 TD'으로 보정한 후, 모든 사례일의 일 최고기온 분포도에서 서울 도심지역이 주변보다 상대적으로 기온이 높게 나타났다. 2013년 사례일에서 일 최고기온이 서울 도심에서는 33.00oC 이상으로 나타나며, 경기 동부 외곽지역은 28.00oC의 분포도를 보였다(Figs. 8a, b). 2014년도 이후로는 2013년도 폭염일보다 상대적으로 기온 분포가 높았으며, 서울 내부의 최고기온이 34.00oC 이상 나타나는 것을 볼 수 있다(Figs. 8c, e, f, g, h, j). 특히, 2016년 8월 4일은 다른 폭염 사례일보다 높은 최고기온을 기록하였는데, 서울 도심의 기온은 35.00oC 이상으로 높았으며 경기 동부 외곽지역에서도 서울 도심만큼의 최고기온 분포를 나타냈다. 2016년 8월 4일에는 다른 사례일보다 도메인 전 영역에서 1.00oC 이상 높은 기온 분포를 보였다. 실제로 사례일 중 이때의 일 최고기온이 가장 높게 관측되었다. 2017년 8월 4일에는 서울 도심에서의 기온이 35.00oC 이상으로 경기 동부 외곽지역보다 2.00oC 이상 높게 나타났다. 폭염일 최고기온 분포장이 보정되면서 대체로 서울지역의 기온은 상대적으로 높고, 외곽 지역은 상대적으로 낮게 분포되었다. 그러나, 최고기온 산정모델은 서울 도심지역을 대상으로 개발된 모델이기 때문에 비도심지역에 적용하거나 수도권까지 확장하여 적용하기에는 한계가 있는 것으로 판단된다. 특히 식생지역에서는 찬공기 생성에 의한 기온감률이 크게 계산되어 과소추정됨에 따라, 이에 대한 보정이 추가로 필요한 것으로 나타났다(Yi et al., 2016b; Lee et al., 2018b).


Fig. 8. 
The temperature distributions of Tsws + TD' for 10 cases.

3.2 식생지역 기온냉각모델 적용

3.1절에서 산출한 TD'에 기존의 식생지역 fTV는 제외하고, 기온냉각모델 dTtv, dTtvs를 새로 적용하여 일최고기온 분포도를 산출하였다. Figure 9은 일 최고기온 산정모델 TSWS + TD'과 식생지역 기온냉각모델 dTtv, dTtvs를 적용한 2016년 8월 4일과 2016년 8월 6일 폭염사례의 1700 LST 기온분포 결과이다. 2016년 8월 4일과 6일의 서울관측소의 시간별 관측기온은 1700 LST에서 가장 높았다.


Fig. 9. 
The distributions of daily maximum temperature for results of cooling effect model by vegetation area (a) at 1700 LST on 04 August 2016 and (b) at 1700 LST on 06 August 2016.

dTtv, dTtvs 모델을 적용한 후에는 고도가 높은 산지부근 또는 서울 외곽 지역에서 기온저감이 나타났다. TSWS + TD'에 비해 기온이 감소한 지역은 주로 서울 외곽지역이다. 특히, dTtv 모델의 결과에서는 남양주와 가평부근 산림 기온이 다른 모델과 비교하여 더욱 감소하는 경향을 보였고, 기온이 상대적으로 크게 감소한 지역들은 큰 키 식생 지역이 주로 분포한 것으로 확인되었다. dTtvs 모델의 결과에서는 서해 부근에서의 기온이 상대적으로 더 감소하는 경향을 보였다. dTtvs 모델은 큰 키 식생지역과 초지의 영향을 반영하는데, 그 결과 dTtv 모델과 달리 해안가 부근 낮은 고도에서의 기온이 상대적으로 감소하였다. 각 기온냉각모델을 적용한 2016년 8월 4일과 6일의 최고기온 분포장에서 기온감소 경향은 유사하게 나타났다.

3.3 최고기온 산출결과 검증

일 최고기온 산정모델 TSWS + TD'과 식생지역 기온냉각모델 dTtv, dTtvs의 일최고기온 분포 결과를 관측자료와 비교하여 검증하였다. 관측지점은 서울 내부에 위치한 지점과 서울 외곽에 위치한 지점들로 구성되어 있다. 남현, 능곡, 북악산, 중구 지점은 TV의 비율이 80.00% 이상으로 주변 환경이 주로 TV의 영향을 받고 있다(Table 5). 관악(레) 지점의 경우, 53.18%의 TV 영향을 받고 있으며, 9개 지점들 중에서 가장 고도가 높아 산지특성 요인이 크게 작용되는 지점이다. 안산지점과 노원지점은 각각 60.40%, 42.80%의 VS 영향을 받고 있다. 성동지점은 실제 관측지점 반경 100 m 이내에 식생의 비율이 높지는 않았지만, 500 m 거리에 서울 숲 공원이 있어 식생의 영향이 크게 나타나는 지점으로 사료된다(Table 2).

Table 5. 
Percentage of vegetation areas within the radius of 100 m near each observation station and the RMSEs of daily maximum temperature over the 10 heat-wave cases with the original (Tsws + TD') and modified vegetation cooling models (dTtv and dTtvs).
Station TV + VS (%) TV (%) VS (%) Tsws + TD' (K) dTtv (K) dTtvs (K)
  Namhyun (#425) 100.00 100.00 0.00 1.66 1.30 1.65
  Neonggok (#589) 99.15 99.14 0.01 1.44 1.42 1.41
  Bukaksan (#422) 98.43 98.43 0.00 1.45 1.04 1.25
  Junggu (#419) 84.40 84.09 0.31 1.58 1.13 1.58
  Ansan (#545) 62.04 1.64 60.40 1.36 1.17 1.17
  Gwanak (#116) 53.18 53.18 0.00 1.66 1.31 1.49
  Nowon (#407) 42.84 0.04 42.80 1.08 1.08 0.79
  Seongdong (#421) 17.91 0.00 17.91 1.71 1.71 1.54
  Guro (#423) 14.38 6.60 7.78 0.88 0.88 0.88
Average 1.42 1.23 1.31

연구영역에서 식생지역을 선별하여 기온냉각모델을 적용한 일 최고기온 평균제곱근오차(RMSE)를 산출하였다(Fig. 10, Table 5). 10개 사례일을 모두 이용하여 산출한 식생지역 기온냉각모델 dTtv, dTtvs의 RMSE는 TSWS+ TD'의 RMSE보다 향상된 결과를 나타냈다. 특히, dTtv의 전체 평균 RMSE 값이 가장 낮아, dTtvs 보다 향상된 모델성능을 보였다. 식생지역(TV + VS)의 비율이 50% 이상인 지점들 중 능곡 지점을 제외한 남현, 북악산, 중구, 안산, 관악 지점에서는 dTtv의 RMSE 값이 dTtvs보다 작게 나타났다. 즉, 식생비율이 50% 이상인 경우에는 dTtv의 성능이 가장 향상된 결과를 나타냈다. 또한 식생지역의 비율이 50% 이하로 건물지역과 도로의 비율이 상대적으로 높은 노원, 성동지점의 경우에는 dTtvs의 RMSE가 dTtv보다 작게 나타난 것으로, 식생비율이 50% 이하인 경우에는 dTtvs 모델 성능이 향상된 것으로 나타났다. 반면, 식생지역의 비율이 가장 낮고, 도로 및 나지의 비율이 가장 높았던 구로지역의 경우에는 기온냉각모델의 효과가 거의 나타나지 않았다. 식생지역 기온냉각모델을 이용하여 기온저감 효과를 추정할 수 있었으며, 각 지점 토지이용 분포에 따라 모델 성능의 향상도는 다르게 나타났다.


Fig. 10. 
The RMSE comparison for model results of 10 cases by 9 observation values.


4. 결 론

폭염기간동안 BioCAS의 일 최고기온 개선을 위해, 최근 5년(2013년~2017년) 중 10개 폭염 사례일을 선정하여 BioCAS의 MetPhoMod를 구동하였다. 그 결과 중규모 기온편차 MD를 산출하고 국지규모 기온편차 LD를 결합하여 종합기온편차 TD를 산출하였다. 이 TD를 이용하여 일 최고기온분포 TSWS+ TD'을 산출하여, 관측기반으로 개선된 식생지역 기온냉각모델 dTtv, dTtvs과 함께 비교하였다. 서울 및 수도권에 위치한 관측지점을 식생면적 비율에 따라 즉, 관측지점의 반경 100 m 이내의 토지피복 특성으로부터 큰 키 식생지역과 초지의 비율이 10% 이상인 지점을 선정하였다. 10개 폭염 사례일의 일 최고기온에 대해 dTtv, dTtvs를 적용한 일 최고기온 RMSE는 TSWS+ TD'의 RMSE보다 작게 나타났다. 특히, 평균 RMSE는 dTtv에서 가장 작게 나타나 관측 값과 유사하였다. 지점 주변의 식생면적 비율이 50% 이상의 높은 지점일 경우에는 서울대학교 숲을 대상으로 개발된 dTtv 모델의 기온냉각 효과가 높게 나타났으나, 서울 도심에 위치하여 식생의 비율이 50% 이하인 지점(노원, 성동) 일 경우에는 서울 숲을 대상으로 개발된 dTtvs 모델의 기온냉각 효과가 높게 나타나는 것으로, 이것은 각 관측지 부근의 토지피복에서 식생분포에 따라 기온냉각모델의 효과가 다르게 나타났다는 것을 알 수 있다. 본 연구에서는 관측지점 반경 100 m 이내 식생 비율이 50% 이상일 경우에는 dTtv, 50% 이하인 경우에는 dTtvs 모델의 적용이 적합한 것으로 분석되었다. 결과적으로 식생지역 기온냉각모델을 이용하여, 서울에서 더 확장된 영역내의 식생지역에서 과대하게 낮게 추정되었었던 기온저감 효과를 개선할 수 있었고 이는 일 최고기온 산정에 기여됨을 알 수 있었다. 또한 각 지역의 식생분포 특성에 따라 적절한 모델을 적용하거나 토지이용 특성에 적합하게 개선할 필요가 있다는 타당성을 알 수 있었다.

본 연구에서는 식생지역 기온냉각모델을 적용하여 편향오차의 향상이 나타났다. 추가적으로는 식생의 면적비율 외에도 기온저감 효과에 중요변수인 수목의 밀도, 높이 등의 영향 변수에 대한 상세한 고려도 요구된다(NIMS, 2017). 또한, 대상지역이 확장될수록 지역기후, 지형 및 수변 등의 특성을 분석하여 각 지역별로 일 최고기온이 산정되어야 타당할 것으로 사료된다. 향후, 여름철 폭염 사례에 대하여 각 지역의 특징을 구분하고, 주야 기온과의 상관도 및 타 영향변수에 대한 연구가 면밀하게 진행되어야 할 것이다.


Acknowledgments

이 연구는 국립기상과학원 연구개발사업 “기상업무지원기술개발연구”의 일환으로 수행되었습니다.


References
1. An, S. M., S. Kim, H. Lee, and E. Y. Son, (2016), Urban microclimate management directions, KRIHS Policy Brief, 583, p1-6.
2. Back, S.-Y., S.-W. Kim, M.-I. Jung, J.-W. Roh, and S.-W. Son, (2018), Classification of heat wave events in Seoul using self-organizing map, Journal of Climate Change Research, 9, p209-221, (in Korean with English abstract).
3. Bokaie, M., M. K. Zarkesh, P. D. Arasteh, and A. Hosseini, (2016), Assessment of urban heat island based on the relationship between land surface temperature and land use/ land cover in Tehran, Sustainable Cities and Society, 23, p94-104.
4. Choi, T.-Y., J.-G. Cha, H.-G. Moon, S.-M. Lee, and D.-I. Kang, (2017), Analysis of the effects of temperature mitigation on urban green area using UAV images. Proc, Korean Soc. Environ. Ecol. Con., 27, p69-70, [Available online at http://db.koreascholar.com/article.aspx?code=324977], (in Korean).
5. Christen, A., and R. Vogt, (2004), Energy and radiation balance of a central European city, Int. J. Climatol., 24, p1395-1421.
6. Coutts, A. M., R. J. Harris, T. Phan, S. J. Livesley, N. S. G. Williams, and N. J. Tapper, (2016), Thermal infrared remote sensing of urban heat: Hotspots, vegetation, and an assessment of techniques for use in urban planning, Remote Sens. Environ., 186, p637-651.
7. Cui, Y. Y., and B. Foy, (2012), Seasonal variations of the urban heat island at the surface and the near-surface and reductions due to urban vegetation in Mexico City, J. Appl. Meteor. Climatol., 51, p855-868.
8. Eum, J. H., (2012), Review of environmental assessment for climate factors in urban planning, Korea Environment Institute, 11, p27-48, (in Korean with English abstract).
9. Eum, J. H., D. Scherer, U. Fehrenbach, and J.-H. Woo, (2011), Development of an urban landcover classification scheme suitable for representing climatic conditions in a densely built-up Asian megacity, Landscape and Urban Plan., 103, p362-371.
10. Eum, J. H., J.-M. Son, K.-H. Seo, and K.-H. Park, (2018), Management strategies of ventilation paths for improving thermal environment (A case study of Gimhae, South Korea), Journal of the Korean Association of Geographic Information Studies, 21, p115-127.
11. Gross, G., (2014), On the parametrization of urban land use in mesoscale models, Bound.-Layer Meteor., 150, p319-326.
12. Gouma, V., (2013), Comparisons of air temperature summer conditions between an urban forest park and its surrounding built-up area with their nearby mountainous forest, in the greater Athens Area, Greece, In, C. Helmis, et al. Eds., Advances in Meteorology, Climatology and Atmospheric Physics, Springer Atmospheric Sciences, Springer-Verlag, p471-477.
13. Imhoff, M. L., P. Zhang, R. E. Wolfe, and L. Bounoua, (2010), Remote sensing of the urban heat island effect across biomes in the continental USA, Remote Sens. Environ., 114, p504-513.
14. Jaenicke, B., A. Holtmann, K. R. Kim, M. Kang, U. Fehrenbach, and D. Scherer, (2019), Quantification and evaluation of intra-urban heat-stress variability in Seoul, Korea, Int. J. Biometeorol., 63, p1-12.
15. Kim, K., J.-Y. Yoon, H.-J. Kwon, J.-H. Han, J. E. Son, S.-W. Nam, G. A. Giacomelli, and I.-B. Lee, (2008), 3-D CFD analysis of relative humidity distribution in greenhouse with a fog cooling system and refrigerative dehumidifiers, Biosyst. Eng., 100, p245-255.
16. Kim, H.-O., and J.-M. Yeom, (2012), Effect of the urban land cover types on the surface temperature: Case study of Ilsan new city, Korean Journal of Remote Sensing, 28, p203-214, (in Korean with English abstract).
17. Kim, K. R., C. Yi, J.-S. Lee, F. Meier, B. Jaenicke, U. Fehrenbach, and D. Scherer, (2014), BioCAS: Biometeorological Climate impact Assessment System for buildingscale impact assessment of heat-stress related mortality, DIE ERDE–Journal of the Geographical Society of Berlin, 145, p62-79.
18. Kim, K. R., J.-S. Lee, C. Yi, B.-J. Kim, B. Jänicke, A. Holtmann, and D. Scherer, (2016), Evaluation of health impact of heat waves using bio-climatic impact assessment system (BioCAS) at building scale over the Seoul city area, J. Environ. Impact Assess, 25, p514-524, (in Korean with English abstract).
19. Kim, H., K. Oh, and S.-J. Lee, (2018), The effects of green and cool roofs on temperature reduction in Seoul using a mesoscale meteorological model (WRFARW), Seoul City Research, 19, p39-57.
20. Koo, H.-J., Y.-H. Kim, and B.-C. Choi, (2007), A study on the change of the urban heat island structure in Seoul, J. Climate Res., 2, p67-78, (in Korean with English abstract).
21. Kwon, H.-G., H.-J. Yang, C. Yi, Y.-H. Kim, and Y.-J. Choi, (2015), Urban climate impact assessment reflecting urban planning scenarios - connecting green network across the north and south in Seoul, Journal of the Environmental Impact Assessment, 24, p134-153.
22. Lee, E. Y., S. K. Moon, and S. R. Shim, (1996), A study on the effect of air temperature and ground temperature mitigation from several arrangements of urban green, Journal of the Korean Institute of Landscape Architecture, 24, p1065-1078, (in Korean with English abstract).
23. Lee, H., and Coauthors, (2018a), The quantitative analysis of cooling effect by urban forests in summer, Korean Journal of Agricultural and Forest Meteorology, 20, p73-87, (in Korean with English abstract).
24. Lee, H., C. Yi, J.-S. Lee, and K. R. Kim, (2018b), Analysis on the cooling effect of vegetation in the Seoul metropolitan area by using BioCAS, Proc., 2018 Korean Meteorological Society Fall Meetingt, JeJu, Korea, Korean Meteorological Society, p355.
25. Lee, J., Y.-G. Lee, and B.-J. Kim, (2016), Analysis of the thermal environment around an urban green area in Seoul, Korea Using Climate Analysis Seoul (CAS), Atmosphere, 26, p413-421, (in Korean with English abstract).
26. Loughner, C. P., D. J. Allen, D.-L. Zhang, K. E. Pickering, R. R. Dickerson, and L. Landry, (2012), Roles of urban tree canopy and buildings in urban heat island effects: Parameterization and preliminary results, J. Appl. Meteor. Climatol., 51, p1775-1793.
27. Masson, V., (2006), Urban surface modeling and the mesoscale impact of cities, Theor. Appl. Climatol., 84, p35-45.
28. Maimaitiyiming, M., A. Ghulam, T. Tiyip, F. Pla, P. Latorre-Carmona, U. Halik, and M. Caetano, (2014), Effects of green space spatial pattern on land surface temperature: Implications for sustainable urban planning and climate change adaptation, ISPRS J. Photogramm., 89, p59-66.
29. NIMS, (2017), The study on the analysis of cooling effect by tall vegetation and cold air flow using BioCAS, Research and Development for KMA Applied Meteorology Services - Advanced Research on Biometeorology, p106.
30. Nishimoto, T., T. Tashiro, Y. Hashimoto, K. Yamaguchi, Y. Kikegawa, Y. Ohashi, and T. Ihara, (2018), Development and verification of urban canopy - building energy coupled model considered multiple building types, Proceeding of the International Conference of Urban Climate, New York, USA, Amer. Meteor. Soc., p83.
31. Norton, B. A., A. M. Coutts, S. J. Livesley, R. J. Harris, A. M. Hunter, and N. S. G. Williams, (2015), Planning for cooler cities: A framework to prioritise green infrastructure to mitigate high temperatures in urban landscapes, Landscape Urban Plan., 134, p127-138.
32. Oh, K. S., and J. J. Hong, (2005), The relationship between urban spatial elements and the urban heat island effect, J. Urban Design Institute of Korea, 6, p47-63, (in Korean with English abstract).
33. Park, S.-J., and J.-J. Kim, (2014), Effects of building-roof cooling on scalar dispersion in urban street canyons, Atmosphere, 24, p331-341, (in Korean with English abstract).
34. Resler, J., and Coauthors, (2018), An urban surface scheme for the urban microscale model PALM-4U - model development and first validation, Proceeding, 10th International Conference of Urban Climate. 14th Symposium on the Urban Environment, New York, 12D.8.
35. Santamouris, M., (2014), Cooling the cities–a review of reflective and green roof mitigation technologies to fight heat island and improve comfort in urban environments, Solar Energy, 103, p682-703.
36. Susca, T., S. R. Gaffin, and G. R. Dell’Osso, (2011), Positive effects of vegetation: Urban heat island and green roofs, Environmental Pollution, 159, p2119-2126.
37. Trimmel, H., J. Kreutziger, G. Fertsak, R. Fitzka, M. Dittrich, and W. G. Voelckel, (2011), Use of the airtraq laryngoscope for emergency intubation in the prehospital setting: a randomized control trial, Crit. Care Med., 39, p489-493.
38. Wang, Y., U. Berardi, and H. Akbari, (2016), Comparing the effects of urban heat island mitigation strategies for Toronto, Canada, Energy and Buildings, 114, p2-19.
39. Yi, C., J.-H. Eum, Y.-J. Choi, K.-R. Kim, D. Scherer, U. Fehrenbach, and G.-H. Kim, (2011), Development of Climate Analysis Seoul (CAS) Maps Based on Landuse and Meteorological Model, Journal of Korean Association of Geographic Information Studies, 14, p12-25, (in Korean with English abstract).
40. Yi, C., K. R. Kim, S. M. An, Y.-J. Choi, A. Holtmann, B. Jaenicke, U. Fehrenbach, and D. Scherer, (2016a), Estimating spatial patterns of air temperature at buildingresolving spatial resolution in Seoul, Korea, Int. J. Climatol., 36, p533-549.
41. Yi, C., S. M. An, K. R. Kim, H.-G. Kwon, and J.-S. Min, (2016b), Surface micro-climate analysis based on urban morphological characteristics: Temperature deviation estimation and evaluation, Atmosphere, 26, p445-459, (in Korean with English abstract).
42. Yi, C., Y. Shin, and S. M. An, (2017), A study on a comparison of sky view factors and a correlation with air temperature in the city, Atmosphere, 27, p483-498, (in Korean with English abstract).
43. Yi, C., Y. Shin, and J.-W. Roh, (2018), Development of an urban high-resolution air temperature forecast system for local weather information services based on statistical downscaling, Atmosphere, 9, p164.
44. Youngsteadt, E., A. F. Ernst, R. R. Dunn, and S. D. Frank, (2017), Responses of arthropod populations to warming depend on latitude: evidence from urban heat islands, Global Change Biology, 23, p1436-1447.