딥러닝 기반 GeoAI 프레임워크를 활용한 도시 옥상녹화 우선순위 결정

Abstract

최근 도시 내 기후변화 및 환경문제에 대응하기 위해, 자연공간의 녹지뿐만 아니라 인공 구조물에 조성된 녹지를 포함한 그린인프라(Green Infrastructure)에 대한 관심이 높아지고 있다. 그중에서도 건축물 옥상을 생태적으로 활용하는 옥상녹화(Green Roof)는 도시 면적에서 큰 비중을 차지하는 건물 지붕을 활용함으로써, 추가적인 자연공간 확보가 어려운 고밀도 도시 환경에서 효율적인 녹지 확보 전략으로 주목받고 있다. 이에 따라 해외뿐만 아니라 국내에서도 지방자치단체를 중심으로 옥상녹화를 지원사업 형태로 추진하고 있으며, 일부 지역에서는 조례 제정을 통해 제도적으로 뒷받침하고 있다. 옥상녹화는 기후 조절, 대기질 개선, 생태적 연결성 강화 등 다양한 환경적 기능을 수행하지만, 이러한 기능의 효과는 지역의 토지이용, 녹지 분포, 대기오염 수준 등 공간적 맥락에 따라 상이하게 나타난다. 따라서 한정된 재정 여건 속에서 도시 내 수많은 건물들 중 옥상녹화의 파급 효과가 크게 나타날 수 있는 대상을 선별하고, 지역의 환경적․사회적 특성을 종합적으로 고려하여 우선적으로 녹지를 조성할 수 있는 건물을 도출하는 것이 중요하다. 이에 본 연구는 GeoAI 기반의 옥상녹화 대상 건물 탐지․진단 및 신규 후보 건물 도출, 그리고 우선순위 평가까지를 연계한 통합 프레임워크를 제시하였다. 먼저 국내외 선행연구를 검토하여 옥상녹화 가능 건물의 기준을 지붕 경사, 지붕 면적, 건물 노후도, 건물 높이로 설정하였다. 지붕 경사 조건을 충족하는 평지붕을 탐지하기 위해 항공정사영상을 활용하여 훈련데이터를 구축한 뒤, 세 가지 탐지 전략과 사전학습 모델을 포함한 7종의 세그멘테이션 모델을 비교․평가하였다. 그 결과, 1단계에서 전체 지붕을 학습하고 2단계에서 평지붕 단일 클래스를 재학습(fine-tuning)하는 2단계 탐지 전략과 Mask2Former 모델의 조합이 가장 우수한 성능을 나타내어 최종 탐지 방법으로 선정하였다. 최종 선정된 모델을 활용하여 서울시 동남권을 대상으로 평지붕을 탐지하고, 서울시 옥상녹화 지원사업 기준인 30㎡ 이상인 건물을 우선 선별하였다. 이후 탐지 결과를 GIS 건물통합정보와 연계하여 준공 후 30년 이내, 높이 45m 또는 15층 이하 등의 구조적 조건을 충족하지 않는 건물을 제외하였다. 또한 기존 옥상녹화 건물을 제외하기 위해 옥상 녹지 탐지용 추가 훈련데이터를 구축하고 Mask2Former 모델로 별도 탐지를 수행하여, 최종적으로 신규 옥상녹화 후보 건물을 도출하였다. 후보 건물들을 대상으로, 기후변화 대응, 환경․생태적 개선, 사회적 기능 강화의 세 측면에서 옥상녹화의 기능이 효과적으로 발휘될 수 있는 지역을 평가하기 위한 6가지 평가지표를 설정하고, 지표별 데이터베이스를 구축하여 정량적 평가와 종합 우선순위 분석을 수행하였다. 지표별 분석과 종합 평가를 수행한 결과, 도시 내 옥상녹화의 수요와 효과가 공간적․기능적 특성과 밀접하게 연관됨을 확인하였다. 지표별로 살펴보면, 지표면 온도는 저층 건물이 밀집된 지역에서 높게 나타났으며, 녹지와 조경공간이 비교적 잘 조성된 아파트 단지에서는 낮게 나타났다. 탄소배출량은 에너지 수요가 집중되는 강남구·서초구의 고밀도 업무·상업지역과 송파구의 상업지역에서 높게 나타났으며, 생태연결성은 산지와 공원 등 생태공간조각이 다수 분포하는 서초구·강남구에서 양호하게 나타났다. 인구밀도는 대규모 아파트 단지가 밀집한 주거지역에서 높게 나타났고, 상업기능이 중심인 강남구 신사동에서는 상대적으로 낮게 나타났다. 공원접근성 취약지수는 강남구 선릉역, 삼성역 일대에서 낮게 나타났다. 이러한 결과를 종합하면, 서초구와 강남구의 도심지역은 주요 지표에서 전반적으로 높은 값을 보여 옥상녹화 도입의 필요성이 높게 나타난 반면, 강동구 천호역․강동역 일대는 상대적으로 탄소배출량과 대기오염도가 낮고 생태연결 효과가 제한적이어서 우선순위가 낮게 나타났다. 본 연구의 의의는 다음과 같다. 첫째, 고해상도 항공영상과 딥러닝을 기반으로 평지붕 탐지, 기존 옥상녹화 현황 진단, 신규 후보 건물 도출, 그리고 우선순위 평가까지를 일관되게 수행하는 GeoAI 프레임워크를 구축하였다. 이를 통해 옥상녹화 가능성 평가와 정책 의사결정 지원을 동시에 구현하였다. 둘째, 세 가지 탐지 전략과 일곱 가지 세그멘테이션 모델을 조합한 총 19개 실험을 수행하여, 기존 연구에서 다루지 않았던 평지붕 탐지 전략․모델 조합의 성능 차이를 체계적으로 검증하였다. 그 결과 2단계 탐지 전략과 Mask2Former가 가장 우수한 조합임을 확인하여 향후 평지붕 탐지 연구의 방법론적 시사점을 제공한다. 셋째, 동일 아키텍처 기반의 범용 모델과 해외 사전학습 모델을 비교한 결과, 국내 항공영상으로 직접 학습한 모델이 더 높은 성능을 보임을 확인함으로써 사전학습 모델의 도메인 한계를 실증하였다. 이는 지역 특성을 반영한 데이터셋 구축의 필요성을 강조하는 시사점을 제공한다. 넷째, 기존 옥상녹화 건물을 제외하는 프로세스를 추가하였으며, 이를 위해 딥러닝 기반 옥상녹지 탐지 모델을 구축하여 실제 녹지가 조성된 건물을 정밀하게 검출하였다. 기존의 NDVI 기반 녹지 탐지 방식은 영상의 공간해상도 및 방사품질의 한계로 인해 옥상 단위의 녹지 탐지에 정확도 저하가 발생하였다. 본 연구는 이를 보완하고자 딥러닝 기반 접근을 적용하여 기존의 옥상녹화 가능 건물 선정 과정을 보완하였으며, 향후 정기적 갱신이 가능한 모니터링 기반을 마련하였다. 마지막으로, 건물 특성과 환경․사회적 지표를 통합하여 건물 단위 옥상녹화 우선순위 평가체계를 구축함으로써 기존 ‘가용면적 중심’ 접근을 넘어 도시 기후․환경정책 목표에 부합하는 실질적 평가가 가능하도록 하였다. 종합적으로, 본 연구는 평지붕 탐지 기술의 정교화, 기존 옥상녹화 현황 검증, 건물 단위 가치평가를 통합한 GeoAI 기반의 접근으로서, 도시 내 옥상녹화의 공간적 효과성과 잠재력을 체계적으로 평가할 수 있는 통합 프레임워크를 제시하였다는 점에서 의의가 있다. 향후 그린인프라 계획 수립과 도시환경 개선을 위한 정책적 의사결정 지원의 기초자료로 활용될 수 있을 것으로 기대된다.;In response to the escalating impacts of climate change and environmental issues in urban areas, growing attention has been directed toward Green Infrastructure, which encompasses not only natural green spaces but also vegetation established on artificial structures. Among various Green Infrastructure strategies, green roofs—which ecologically utilize building rooftops—have gained prominence as an effective means of securing green space in high-density urban environments where additional land-based green areas are difficult to obtain. Consequently, both international and domestic municipalities have initiated various green-roof support programs, and some regions have institutionalized such efforts by enacting relevant ordinances. Green roofs provide a wide range of environmental benefits, including climate regulation, air quality improvement, and enhanced ecological connectivity. However, the magnitude of these benefits varies depending on spatial context, such as land-use patterns, existing green-space distribution, and local air pollution levels. Given limited municipal resources, it is therefore essential to identify buildings where green-roof installation would yield the greatest potential impact and to prioritize candidates by comprehensively considering the environmental and socio-spatial characteristics of surrounding areas. This study proposes an integrated GeoAI framework that links green-roof building detection, diagnostic assessment, candidate identification, and prioritization. Based on a review of domestic and international literature, four criteria for identifying green-roof–eligible buildings were established: roof slope, roof area, building age, and building height. To detect flat roofs that satisfy the slope condition, a training dataset was constructed using high-resolution aerial orthophotos, and seven segmentation models—including three detection strategies and pretrained models—were evaluated. The results indicate that the two-stage detection strategy, which first trains on all roof types and subsequently fine-tunes on the flat-roof class alone, combined with the Mask2Former model, achieved the highest performance and was therefore adopted for final roof detection. Using the selected model, flat roofs in the southeastern districts of Seoul were detected, and buildings with at least 30㎡ of roof area—the threshold used in Seoul’s green-roof incentive programs—were initially screened. The detected results were then integrated with the municipal building information database to exclude structures that did not meet structural requirements, such as buildings older than 30 years since completion or exceeding 45 meters or 15 stories in height. To further eliminate buildings with existing green roofs, an additional training dataset for rooftop vegetation detection was constructed, and a separate Mask2Former-based model was applied, thereby producing the final set of new candidate buildings for green-roof installation. For these candidate buildings, six evaluation indicators were established to assess areas where green roofs would yield effective climate, environmental, ecological, and social benefits. Each indicator dataset was compiled, followed by quantitative assessment and integrated prioritization analysis. The indicator-specific and overall evaluation results demonstrate that the need and potential impact of green roofs are strongly shaped by spatial and functional urban characteristics. Surface temperature was highest in low-rise, high-density areas, while apartment complexes with well-established landscape features exhibited lower temperatures. Carbon emissions were highest in dense commercial and business districts in Gangnam and Seocho, as well as in the commercial zones of Songpa. Ecological connectivity was relatively strong in areas of Seocho and Gangnam where forested hills and parks are more abundant. Population density was greatest in residential areas dominated by large apartment complexes, and relatively lower in commercial districts such as Sinsa-dong in Gangnam. Park accessibility vulnerability was highest around Seolleung and Samseong Stations in Gangnam. Synthesizing these results, central districts of Seocho and Gangnam showed high priority for green-roof adoption due to elevated values across key indicators, whereas the areas around Cheonho and Gangdong Stations exhibited lower priority, given relatively low carbon emissions, lower air pollution, and limited ecological connectivity benefits. The contributions of this study are as follows. First, a GeoAI-based framework was developed that consistently integrates flat-roof detection, existing green-roof diagnostics, new candidate identification, and prioritization, all using high-resolution aerial imagery and deep learning. This enables simultaneous support for both feasibility assessment and policy decision-making. Second, by conducting 19 experiments combining three detection strategies and seven segmentation models, the study systematically evaluated performance differences that have not been fully explored in previous research. The results reveal that the two-stage detection strategy paired with Mask2Former is the most effective, offering methodological insights for future flat-roof detection studies. Third, by comparing a domestically trained model with generalized architectures and foreign pretrained models, the study empirically demonstrates the domain limitations of pretrained models, highlighting the necessity of region-specific dataset construction. Fourth, a deep-learning–based rooftop vegetation detection process was incorporated to exclude buildings with existing green roofs. While traditional NDVI-based detection approaches often suffer from low accuracy due to limitations in spatial resolution and radiometric quality, the proposed deep-learning approach overcomes these issues and enables accurate detection at the rooftop level, providing a reliable basis for periodic monitoring. Finally, by integrating building characteristics with environmental and social indicators, this study establishes a building-level prioritization framework for green-roof installation that moves beyond the conventional “available area–based” approach toward a more substantive evaluation aligned with climate and environmental policy goals. In summary, this study presents an integrated GeoAI framework that advances the precision of flat-roof detection, verifies existing green-roof status, and evaluates building-level priority. This approach offers a systematic assessment of the spatial effectiveness and potential of green roofs in urban environments and is expected to serve as foundational evidence for policymaking and planning of green infrastructure for sustainable urban environmental management.