Prediction of Thermal Environment Vulnerability through Meso-Micro Climate Scale CFD Simulations: A Case Study of Pyeongtaek City, Gyeonggi Province, South Korea

중현 안; 준석 강

doi:10.9798/KOSHAM.2024.24.6.51

Abstract

This paper presents an integrated approach for predicting urban thermal environment vulnerability employing computational fluid dynamics (CFD) simulations at the meso- and microclimate scales. The analysis focused on Pyeongtaek City, Gyeonggi Province, which covers an area of approximately 40 km in length. A mesoclimate-scale CFD simulation was performed to assess large-scale thermal patterns, which led to the identification of Bijun-dong, Poseung-eup, and Jisan-dong as climate-vulnerable regions. These areas exhibit elevated temperatures, which can be attributed to their geographical features. A subsequent microclimate-scale CFD simulation covering a 5 km² area in greater detail provided deeper insights into the urban thermal environment. The findings revealed pronounced urban heat island effects in all three regions. Exacerbated by their geographic characteristics and irregular building layouts, these make them particularly susceptible to heat waves. More than 50% of the analyzed areas were identified as climate-vulnerable zones with temperatures surpassing 35 °C at an elevation of 1.5 m above sea level. Based on the results of the study, we propose strategic technologies and guidelines for mitigating climate risks such as heatwaves, and offer recommendations for improving urban climate resilience.

Keywords: Meso-Climate Scale, Mirco-Climate Scale, Computational Fluid Dynamics (CFD), Heatwave Forecast

요지

본 연구는 도시의 열 환경 취약성을 분석하는 Meso-Micro Climate Scale의 통합된 열환경 CFD 시뮬레이션 모델을 제시하였다. 경기도 평택시 전체를 대상으로 약 40 km의 대상지를 Meso-Climate Scale의 CFD 시뮬레이션을 수행하였다. Meso-Climate Scale의 시뮬레이션 결과를 기준으로 기후 취약 지역을 비전동, 포승읍, 지산동으로 선정하였다. 선정된 세 지역은 지리적 특성으로 인해서 온도가 높게 분석되었으며, 이에 대해 5 km 내외의 Micro-Climate Scale의 CFD 시뮬레이션을 수행하여 도시의 열 환경을 상세 단위로 분석하였다. 선정된 세 지역 모두 지리적 특성과 더불어, 건물의 난배치로 열섬현상이 매우 강하게 나타나서 폭염에 취약한 것으로 나타났다. 특히, 1.5 m 높이의 온도를 평가하여, 35 °C가 넘는 기후 취약지역의 면적은 전체 지역의 50%가 넘는 것으로 나타났다. 개발된 기후변화 취약지역 평가모델을 통하여 폭염 등의 기후 위기에 대응할 수 있는 기술을 제안할 수 있으며, 취약성 및 개선도에 대한 가이드를 제시할 수 있을 것으로 판단된다.

핵심용어: 중기후 규모, 미기후 규모, 전산유체역학, 폭염 예측

1. 서 론

기후위기는 인류가 직면한 중대한 문제 중 하나로, 그 영향은 전 지구적 규모부터 도시 단위까지 다양하게 나타나고 있다(Bulkeley, 2013). 특히, 기후위기의 직접적인 영향으로 나타나는 폭염은 인간의 건강과 생명에 심각한 위협을 가할 뿐만 아니라, 경제적 손실, 생태계 파괴, 사회적 불안정성 등을 야기한다. 기후위기로 인해 폭염의 빈도와 강도는 지속적으로 증가하고 있으며, 이러한 변화는 전 세계적으로 더 많은 지역에서, 더 오랜 기간 동안 심각한 영향을 미치고 있다. 이러한 상황에서 시뮬레이션을 활용한 폭염 취약지역 분석은 기후위기에 대응하기 위한 중요한 필수적인 과제 중 하나이다.

이러한 폭염 시뮬레이션을 위한 공간적 스케일 단위는 Macro-Climate Scale, Meso-Climate Scale, Micro-Climate Scale 세 가지로 구분할 수 있다. Meso-Climate Scale은 지리적 영역의 기후를 말하며 일반적으로 몇 킬로미터에서 수십 킬로미터에 이르는 크기의 기후 규모로, 지역의 지리적 특징에 영향을 받으며, Micro-Climate Scale은 제한된 영역의 기후를 의미하며, 미터 단위에서 10 km 이하에 이르는 크기를 가지는 정원, 공원, 건물 등과 같이 매우 구체적인 지역을 포함한다(Camuffo, 2019). 국내에서 사용되는 행정구역상 구분을 하자면 일반적으로 Meso-Climate Scale은 시단위 수준의 규모라고 말할 수 있고, Micro-Climate Scale은 동단위 수준의 규모라고 말할 수 있다.

국외의 선행연구로 Mochida et al. (1997)은 자체적으로 개발한 도시환경 CFD (Computational Fluid Dynamics) 모델을 통해서 도쿄 지역의 Meso-Scale Climate를 수치해석하여, 1930년대부터 1990년대까지의 기후 변화에 따른 도시 환경 변화를 분석하고, 미래 도쿄 개발에 대한 열섬 현상 등에 대해서 예측하였다. Franke et al. (2004)는 CFD 수치해석 기법을 통하여 도시 단위 스케일의 시뮬레이션 수행 시 필요한 Atmopsheric Boundary Layer의 적용을 위하여 도메인의 크기 및 각종 경계조건에 대한 Reference를 정립하였고, CFD 시뮬레이션을 통해서 정립된 수식을 검토하였다.

Wong et al. (2021)는 도시 열섬 완화 연구를 위한 Meso Scale, Local Scale, Micro Scale 및 건물스케일 모델과 통합된 도시 미기후 모델을 제시하였다. 이 통합된 모델을 통하여 지역 및 도시 기후, 건물 및 포장 재료 속성, 인위적인 열의 여러 물리적 프로세스가 도시 미기후에 미치는 영향을 고려할 수 있었다. 이를 날씨 및 에너지 모델, Weather research forecasting과 CFD 시뮬레이션을 결합하여 예측하는 모델을 제시하였고, 싱가포르 국립대학교의 테스트 케이스로 적용하여 통합 모델을 검토하였다. 하지만 모델의 한계로 인해서 건물 몇 개 수준의 작은 모델로 검증되었다.

국내의 선행된 연구로 Kim and Suh (2002)는 도시 기후의 수치해석적 접근을 위해서 Mellor-Yamada 모델을 적용하여 도쿄의 Meso-Scale 미기후 분석을 수행하였고, 이를 일본 국토청에서 제공하는 측정 값과 비교하여 결과의 유사성을 확인하였다. Kim et al. (2018)은 지리정보시스템 자료와 CFD 시뮬레이션 모델을 사용하여 방풍벽이 건물 밀집지역의 공사 지역에서 발생하는 대기 오염물질의 확산에 대해 분석하였다. 대상지역에서 가장 가까운 유인기상관측소인 부산 ASOS (ASOS 159)를 대상으로 분석하고, 방풍벽 건설 전과, 방풍벽 5 m, 10 m에 대한 차이를 비교하였다. 5 m 방풍벽을 설치한 경우는 방풍벽이 없을 때에 비해서 풍속이 감소하고 오염물질의 확산이 줄었으며, 10 m 방풍벽을 설치한 경우 대기 오염물질의 농도가 37% 감소했다는 것을 확인하였다. Lee (2021)은 도시 재생사업의 일환으로 소규모 녹지 조성이 바람길 형성 및 열환경에 미치는 정량적 영향을 CFD 시뮬레이션을 활용하여 분석 및 평가하였다. 대구 인동촌 백년마을 도시 재생활성화 지역 및 주변 지역의 데이터를 모델링하여 다양한 시나리오를 통해 도시 내 소규모 녹지 조성이 바람길 형성 및 열환경에 미치는 영향을 분석하였다. 선형 공원과 같이 넓은 면적을 차지하는 녹지 조성이 가장 효과적인 온도 저감을 가져옴을 확인하였고, 이는 도시 재생 사업의 설계에 중요한 시사점을 제공한다고 설명하였다. Kim and Kang (2022)는 CFD 시뮬레이션을 통하여 대구시의 도시 열섬 현상을 분석하였으며, 이를 해소하는 방안으로 쿨링 포그를 제안하고 쿨링 포그를 설치했을 때의 다양한 시나리오에 대해서 도시 열환경 개선에 대해서 분석하여 최적의 개선 방안을 제시하였다.

기존 국내외 선행연구는 큰 스케일의 경우 단순 수치모델을 사용하여 접근하거나 CFD 시뮬레이션의 경우 모델링 및 수치해석적 한계로 인해서 1 km 내외의 Micro-Climate Scale에 대해 포커스를 맞추고 있었으며, 특히 도시 열환경에 대한 다차원적 분석이 미흡하다는 한계가 있었다. 게다가 일반적으로 기상청 같은 국가 기관에서 제공하는 기후 데이터를 기반으로 경계조건을 구성하나, 이는 측정점에서만의 값을 제공하기 때문에, 특정 지역의 정확한 기상 데이터는 추출할 수 없으며 특히 지형적 특성에 의한 지역별 바람 및 온도 분포에 대한 예측이 어렵다는 한계점이 있다. 본 연구는 이러한 선행 연구의 한계를 극복하기 위해 Meso-Climate와 Micro-Climate Scale을 통합한 CFD 시뮬레이션 기법을 도입하였으며, 이를 통해 도시 열환경을 보다 정밀하게 분석하였다. 특히, Micro-Climate Scale에서 도시 내부의 건물 배치, 바람길 형성, 열섬 효과를 고려한 모델을 적용함으로써, 기존 연구보다 상세한 기후 예측이 가능하도록 하였다. 이를 통해 도시 열환경 취약성을 다차원적으로 평가하였으며, 향후 도시 기후 위기 대응에 실질적인 기여를 할 수 있는 기술적 근거를 제시하고자 한다.

따라서 본 연구에서는 가로길이가 약 40 km에 달하는 경기도 평택시에 대해 Meso-Climate Scale의 CFD 시뮬레이션을 수행하고 이를 기준으로 위치를 선정하여 도시 열환경 시뮬레이션에 적합한 크기인 5 km 내외의 Micro-Climate Scale의 CFD 시뮬레이션을 수행하였다. 전체의 프로세스를 다이어그램화하여 Fig. 1로 표현하였다.

Fig. 1

Schematic Diagram of the Study

2. 연구 방법 및 내용

2.1 연구 대상지역

본 연구의 대상지는 경기도 평택시로, 그 전체 크기는 약 458.25 km²이다. 동고서저 지형에 평야지대이며, 서쪽에는 바다와 동쪽에는 높은 산이 위치하고 있는 지형적 특성을 가진다. 이러한 지형적 특성에 의한 기후적 특성을 갖기 때문에 다중스케일로 분석하기 적합할 것으로 판단된다. 대상지 선정은 2 step으로 구분되며, 먼저 1단계는 Meso-Climate Scale 의 시단위 CFD 분석을 위해서 건물이 생략된 평택시 전체 지형에 대한 모델에 대해 시뮬레이션을 수행한 후, 결과에 따라 폭염 피해가 클 것으로 예상되는 세 지역을 선정한다. 2단계는 선정된 세 지역에 대해 건물을 포함한 디테일한 모델링을 수행하여 Micro-Climate Scale의 동 단위 CFD 분석을 수행하였다. 모델링을 위해서 국가공간 정보포털에서 해당 지역의 DEM 자료와 건물자료, 교통, 시설, 식생, 수계자료 등을 제공받았다. 제공받은 대상지는 Fig. 2와 같다.

Fig. 2

Site Analyses: Pyeongtaek City

2.2 시뮬레이션 방법론

Meso-Micro Climate Scale의 통합된 열환경을 시뮬레이션으로 분석하기 위해서 유한 체적법(Finite Volume Method, FVM) 기반의 전산유체역학(Computational Fluid Dynamics, CFD) 시뮬레이션 프로그램을 사용하는 것이 필수적이다. CFD는 유체 현상을 편미분 방정식으로 표현한 지배 방정식(Governing equations)을 차분화하고 이를 컴퓨터로 계산한다. 이를 통해 유동의 물리적 현상을 이해하고 분석한다(Siemens, 2023; Zastawny and Lardeau, 2020). 따라서 본 연구에서는 CFD 기반의 Multiphysics CAE (Computer Aided Engineering) 프로그램인 Simcenter STAR-CCM+ 2310을 사용하였다. STAR-CCM+ 2310은 Siemens에서 개발한 시뮬레이션 및 분석을 위한 포괄적인 소프트웨어 이다. STAR-CCM+는 전산 유체 역학(CFD), 전산 고체 역학(CSM), 열 전달, 입자 역학, 반응물 흐름, 전기 화학, 음향학 및 유변학(Siemens, 2023)을 포함한 학제간 시뮬레이션 기능을 제공한다.

CFD에 사용되는 미분 방정식의 차분법으로는 유한차분법(Finite Difference Method, FDM), 유한요소법(Finite Element Method, FEM), 유한체적법(Finite Volume Method, FVM) 등이 있는데, Simcenter STAR-CCM+에서는 유한체적법을 사용하고 있다. 유한체적법은 각 격자요소에 대해 적분형 지배 방정식을 차분화하여 그 근사 값을 사용하는데, 복잡한 형상과 불연속면의 유동에 적합하다(Peiró and Sherwin, 2005).

2.3 모델 구축

DEM, 건물, 교통, 시설, 식생, 수계자료들의 3D 모델 제작을 위해서 Rhino 8.0 프로그램을 사용하고, Simcenter STAR-CCM+ 내의 Surface Cleanup 작업을 수행하였다. Rhino에서 작성된 3D모델은 도로, 블록, 건물 등의 파트별 네이밍 및 구분을 위해서 각 파트별로 분리되어 생성되며, 부드러운 곡면 생성을 위해서 약 7,600만개의 Surface mesh 형태로 추출되었다. 이러한 형상을 STAR-CCM+에서 Import하고 시뮬레이션 격자 생성에 적합한 형태로 수정하기 위해서 Surface Cleanup 작업을 수행하였다. Surface Cleanup 작업은 각각 다른 파트의 면을 붙여주는 Zip edge, 불필요한 면을 지워주는 Delete Face, 지워진 면을 채워주는 Fill Hole 등이 있다. 이를 통하여 시뮬레이션 격자 생성에 적합한 형태로 수정되었다.

Franke et al. (2004)의 CFD Best Practice Guidelines를 충족시키기 위해서 관심영역 건물 동서남북으로 각각 5 km씩 늘려서 도메인을 확장하였다. 모든 지면은 실제 지형이 고려되어 있으며, Closed System으로 구성하기 위해서 하늘은 지상 1,500 m 지점까지 모델링하였다. 전체 도메인은 Fig. 3(a)와 같이 육면체의 형태를 띄게되며, 외기의 바람과 속도를 벡터 형태로 입력하기 때문에 측면 경계면은 모두 유입구이자 배출구로 경계조건에 따라 다르게 적용된다. Meso-Climate Scale Site의 도메인의 크기는 45,000 * 35,000 * 1,500 m³ 이며, 시뮬레이션 격자는 STAR-CCM+의 Automated mesh를 통해 19,055,394개의 Trimmed cell로 구성된다. Micro-Climate Scale Site 시뮬레이션의 도메인 크기는 Fig. 3(b)와 같이 사이트마다 조금씩 다르지며, 각 사이트 별로 사방을 1 km 씩 늘려서 도메인을 확장하고, 격자를 구성하였다. 각 도메인의 정보는 Table 1과 같다. 본 연구의 격자는 대공간 열환경 시뮬레이션에 적합한 격자의 크기로, 대공간에 대한 격자 크기는 Kim and Kang (2022)를 참고하였으며, 지형과 빌딩은 Wagenbrenner et al. (2019)의 선행연구와 비교 검증하였다.

Fig. 3

Modeling and Mesh Configuration

Table 1

Micro-climate Scale Simulation Domain Information

Regions	Width (m)	Length (m)	Height (m)	Number of mesh (EA)
Bijeon-dong	7,172	5,984	652	59,648,334
Poseung-eup	6,000	6,000	400	29,979,609
Jisan-dong	3,891	3,897	660	23,378,290

평택시의 Meso-Climate Scale 시뮬레이션 계산에 사용된 데이터는 기상청의 최근 5년간 평택시 기상데이터를 사용해 외기에 대한 바람장미도를 구성하였으며, 그를 통해서 북동풍에 풍속 1.36 m/s가 도출되어 사용하였으며, 온도는 5년간 최고 온도인 35.6 °C를 적용하였다. Micro-Climate Scale 시뮬레이션의 기상 조건은 Meso-Climate Scale의 결괏값을 적용하였다.

CFD에서는 시뮬레이션을 수행하기 위해서 필요한 물리모델의 조합을 구성하며, 하기와 같이 총 16개의 시뮬레이션 조건이 사용되었다.

Three Dimensional
- - 3D 형상 기반 시뮬레이션
Gradients
- - 이송방정식(mass, momentum, energy 등)의 계산에서의 변수 변화에 따른 기울기 계산
Steady
- - 시간 변화를 고려하지 않는 정상상태 조건
Gas
- - 작동 유체를 기체로 선정
Segregated Flow
- - 유체 운동량 방정식을 독립적으로 계산
Constant Density
- - 비압축성 유동을 고려하여 밀도를 상수로 사용
Turbulent
- - 난류 조건을 고려
RANS Realizable K-epsilon Turbulence
- - 난류운동에너지와 소산율로 구분하여 난류를 계산하는 방식
Exact Wall Distance
- - 벽면 경계층을 고려
Two-Layer All y+ Wall Treatment:
- - 모든 경계층에 대하여 보간된 함수를 사용하는 방식
Segregated Fluid Temperature
- - 유체 에너지방정식을 독립적으로 계산
Radiation
- - 복사 조건을 고려
Grey Thermal Radiation
- - 회색체 복사 조건을 가정
Surface-to-Surface Radiation
- - 표면 간 복사 에너지 방정식을 적용
Solar Load
- - 태양열 복사를 고려
Cell Quality Remediation
- - 계산시 격자의 품질을 보정하여 계산하는 방식

적용된 조건은 일반적으로 도시 열환경을 시뮬레이션 할 때 사용되는 일반적인 물리모델의 세트이다(Lee, 2021)

추가적으로 태양의 위치에 따라 건물의 그림자 형태에 따라서 열섬현상의 영향이 달라질 수 있고, 이러한 변화를 보다 정확하게 시뮬레이션하기 위해서는 태양열에 의한 복사에너지를 포함하는 것이 필수적이기에 Radiation 모델을 적용했다. 난류의 모델링은 RANS Realizable K-epsilon Turbulence로 일반적인 난류 유동에서 가장 많이 사용되는 해석 방법이다. 사용된 난류 모델의 수송방정식은 Eqs. (1) 및 (2)와 같다.

(1)

∂∂t(ρk)+∂∂xi=∂∂xj[(μ+μtσk)∂k∂xj]+Gk+Gn−ρε

(2)

∂∂t(ρ∈)+∂∂xi(ρ∈ui)=∂∂xj[(μ+μtσ∈)∂∈∂xj]+C1∈∈k(Gk+G3∈Gb)−C2ερ∈2k

Eq. (1)과 Eq. (2)에서 μt=ρCμk2∈ 이고 G_k 는 평균속도 구배에 의한 난류운동에너지, G_b 는 부력에 의한 난류 운동에너지 그리고 C_1∈, C_2∈, C_3∈ 은 상수이며, σ_k, σ_∈ 은 k와 _∈에 대한 난류 Prandtl number이다.

2.4 기후 취약 지역

평택시 전체에 대해서 Meso-Climate Scale CFD 시뮬레이션을 통해서 하절기 평균온도가 가장 높은 세 지역을 기후 취약지역을 선정하였으며, 선정된 지역은 비전동, 포승읍, 지산동이다. 선정된 지역의 공간정보를 분석하여 열섬현상이 가장 강하게 나타날 것으로 예상되는 지역의 모델링은 Fig. 4와 같다. 선정된 각 지역에 대해 Micro-Climate Scale의 디테일한 CFD 시뮬레이션을 통해 도시의 환경과 열적 취약성을 분석하였다.

Fig. 4

Selection of Climate Vulnerable Areas

3. 연구 결과

3.1 Meso-Climate Scale Simulation

STAR-CCM+를 활용한 평택시의 Meso-Climate Scale 폭염 시뮬레이션의 결과는 Fig. 5와 같이 볼 수 있으며, 해당 시뮬레이션의 결과를 토대로 평택시의 읍면동에 따른 평균과 최고 온도를 Table 2와 같이 볼 수 있다. 여름철 낮 시간의 주풍향은 동풍으로, 주풍향으로 인해 우측의 산지 지역은 대체적으로 온도가 낮게 나타나며, 달궈진 지열을 흡수하여 뜨거운 바람의 영향을 받은 서쪽은 전체적으로 높게 나타나는 것으로 확인된다. Table 2를 보면 최고 온도 기준으로 가장 높은 곳은 비전동, 그리고 포승읍과 지산동으로 나타났으며, 지산동은 평택시 북동쪽에 위치한 지역으로 부락산과 적봉리 사이의 분지지역에 위치하여 지형으로 인해 바람의 흐름이 방해되어 열이 정체되는 지역이다. 또한, 송탄역이 위치하여 대규모 주택 및 상업시설로 인해 열섬현상이 강하게 나타날 것으로 예측되는 지역으로 최고온도가 44.72 °C이다. 포승읍은 서측 바닷가에 위치한 지역으로, 대규모 산업 시설들 때문에 높은 건축물 밀도의 영향으로 열섬현상이 강하게 나타날 것으로 예측되며, 주풍향이 동풍으로 바닷가에 위치하여도 그로인한 냉각효과는 기대하기 힘든 지역으로 최고온도가 45.02 °C이다. 비전동은 평택시의 남동쪽 지역에 위치하며 대부분 평탄한 지형을 가지고 있는데, 평탄한 지형은 공기의 흐름이 덜 방해 받아 열이 쉽게 누적되는 경향이 있고,해당 지역 역시 평택역이 위치하는 지역으로 열섬현상이 강하게 형성되는 것으로 나타나며, 최고 온도는 45.26 °C에 이를 정도로 높은 온도가 나타난다. 이 세 지역을 하절기 폭염 취약지역으로 선정하고 디테일한 Micro-Climate Scale Simulation을 수행하였다.

Fig. 5

Meso-climate Scale Results

Table 2

Meso-scale Simulation Result by Regions

Regions	Temperature (°C)
Regions	Mean temp.	Max temp.
Bijeon-dong	34.56	45.26
Poseung-eup	34.09	45.02
Jisan-dong	34.23	44.72
Paengseong-eup	34.95	44.01
Anjung-eup	32.39	42.47
Cheongbuk-eup	31.35	42.34
Godeok-myeon	33.78	41.99
Jinwi-myeon	28.76	41.86
Sinjang-dong	31.2	41.38
Seojeong-dong	31.14	41.18
Tongbok-dong	32.99	41.05
Chilgoe-dong	31.03	40.85
Sindae-dong	34.47	40.83
Seotan-myeon	32.22	40.73
Jangdang-dong	31.89	39.95
Mogok-dong	32.6	39.54
Godeok-dong	32.27	38.38
Sosa-dong	34.21	38.32
Hyeondeok-myeon	33.66	38.32
Jangan-dong	29.99	37.61
Jije-dong	33.16	37.41
Ichung-dong	29.6	36.91
Chilwon-dong	30.99	36.73
Hapjeong-dong	33.59	36.72
Segyo-dong	33.89	36.7
Doil-dong	32.29	36.33
Wolgok-dong	28.93	36.19
Oseong-myeon	33.57	35.7
Gunmun-dong	31.92	35.27
Pyeongtaek-dong	32.47	35.23
Jukbaek-dong	30.54	34.75
Dokgok-dong	28.96	34.74
Yucheon-dong	32.16	34.61
Dongsak-dong	31.68	34.59
Cheongryong-dong	28.58	34.56
Yongi-dong	32.65	34.54
Gajae-dong	32.67	34.09

3.2 Micro-Climate Scale Simulation

선정된 지역에 대해 기존 지형에 모든 건물 및 시설을 포함하여 디테일한 Micro-Climate Scale Simulation을 수행하였으며, 그에 대한 1.5 m에 대한 전체 온도 결과 화면은 Fig. 6과 같다. 먼저 Fig. 6(a)의 비전동의 경우, 앞서 언급한 바와 같이 평탄한 지형이기 때문에 바람길을 부드럽게 구성해줘야 도시를 지나는 바람이 문제없이 빠져나가서 열의 고임이 발생하지 않게 된다. 하지만 Fig. 6(b)에서 보이는 Zoom A에서 보이는 평택역과 평택 터미널을 중심으로 건물이 거미줄 같이 배치되어 있는 지역은 바람이 모든 방향에서 막혀서 열섬현상이 극심하게 발생하는 것으로 나타난다. 이 위치가 평택시 전체를 통틀어 가장 높은 온도인 55.26 °C로 나타난다. Fig. 6(c)의 Zoom B는 주거 및 상업 건물이 복잡하게 밀집되어 있는 지역으로 건물의 밀집도가 커서, 일렬로 늘어선 건물이 바람길을 차단하여 해당 블록 내부에서 발생하는 열이 빠져나가지 못해 열섬현상이 강하게 나타나는 위치인 것으로 나타난다. 해당 지역은 공원이 작게 배치되어 있는 것으로 나타나는데, 이 공원의 기능을 확대하여 환경을 개선할 필요가 있어보인다.

Fig. 6

Micro-climate Scale Results

Fig. 6(d)는 포승읍의 아산국가산업단지 경기 포승지구로 공장 및 산업시설이 다수 밀집되어 있는 산업단지로 지역이며, 산업단지의 고밀도 건축물로 인해 열섬현상이 강하게 나타 해당 지역의 온도가 높게 나타난다. 게다가 앞서 언급한 바와 같이 낮 시간의 주풍향이 동풍이기 떄문에 해안가에서 발생하는 냉각 효과는 기대하기 어려운 것으로 평가된다. Fig. 6(e)의 Zoom C는 산업단지로 건축물이 매우 밀집되어 있어서 바람길이 제대로 형성되지 못하기 때문에 열섬현상이 두드러지게 나타나며, Fig. 6(f)의 Zoom E는 주거 및 상업 시설로 비전동의 Zoom B와 같이 건물의 밀집도가 커서 내부에서 발생하는 열을 식힐 수 있는 바람이 차단되어 열섬현상이 강하게 나타나며, 마찬가지로 해당 지역도 공원이 작게 배치되어 있는데, 공원의 기능을 확대할 필요가 있는 것으로 보인다.

Fig. 6(g)는 지산동의 송탄역과 그 주변으로 앞서 언급한 바와 같이 분지지역이기 때문에 지형적 영향으로 온도가 높은 지역에다가 송탄역 양 옆으로 건물들이 매우 밀집해있는 지역이다. Fig. 6(h)의 Zoom E는 고층 빌딩 주변의 저층 건물이 밀집되어 있는 지역으로 재래시장을 포함해 각종 상업 시설들이 밀집되어 있다. 동쪽에 위치한 고층건물이 바람길을 차단하여 옆쪽의 저층 건물 지역에서 발생한 열이 빠져나가지 못하는 현상이 발생한다. 이러한 복잡한 배치의 건물로 인해서 열섬현상이 강하게 나타난다. Fig. 6(i)의 Zoom F는 소형 빌라들이 밀집되어 있는 지역으로 이곳 역시 복잡한 배치의 건물로 인해서 열섬현상이 강하게 나타난다. 이러한 지역들은 개인에 의한 무분별한 개발은 지양하고 철저한 시,군 단위의 도시 계획 단계를 거친 개발이 반드시 필요하다는 것을 시사한다.

선정된 세 지역의 폭염 취약지역에 대해서 평균/최대 온도와 1.5 m 높이 기준 35 °C가 넘는 지역의 면적과 비율을 아래 Table 3에 정리하였다. 세 지역 모두 기후 취약지역의 면적이 50%가 넘는 것으로 파악되어, 개선이 필요한 것으로 나타났다.

Table 3

Micro-climate Scale Simulation Result by Regions

Regions	Mean temp. (°C)	Max temp. (°C)	Total area (m²)	Vulnerable area (m²)	Vulnerable ratio (%)
Bijeon-dong	34.53	55.26	20,704,820	11,293,100	54.54
Poseung-eup	33.40	46.47	12,470,020	6,475,003	51.92
Jisan-dong	34.23	44.72	6,418,484	3,628,159	56.53

다중스케일 시뮬레이션의 효과를 분석하기 위해서 Meso-Climate Scale과 Micro-Climate Scale 시뮬레이션에서 취약지역의 면적 비교에 대해서 아래 Table 4에 정리하였다. 지형적 영향만 고려하는 Meso-Climate Scale은 취약지역이 Micro-Climate Scale보다 전체적으로 대략 40% 적게 나오며, 이는 건물에 의한 열섬현상이 기후 취약에 큰 영향을 미친다는 것을 의미한다. 그러므로 Meso-Climate Scale 시뮬레이션으로 빠르게 전체적인 영향을 분석하고, Micro-Climate Scale 시뮬레이션으로 디테일한 도시에서의 영향을 분석하는 방법이 효과적으로 도시의 열환경을 분석하는 방법이라고 판단된다.

Table 4

Compare with Meso-climate Scale and Micro-climate Scale Simulation Result

Regions	Total area (m²)	Vulnerable area (m²)		Vulnerable ratio (%)
Regions	Total area (m²)	Meso-climate	Micro-climate	Meso-climate	Micro-climate
Bijeon-dong	20,704,820	3,492,841	11,293,100	16.87	54.54
Poseung-eup	12,470,020	1,909,411	6,475,003	15.31	51.92
Jisan-dong	6,418,484	1,020,904	3,628,159	15.91	56.53

4. 결 론

본 연구는 평택시의 기후 취약지역을 파악하고 선정하기 위해 CFD 시뮬레이션 기술을 이용하여 Meso-Climate Scale과 Micro-Climate Scale로 분류하여 분석하였다. Meso-Climate Scale 시뮬레이션을 위해서 평택시의 GIS 데이터를 사용하여 지형도를 추출하였고, 건물 데이터를 제외한 지형, 건물 피복 유형 등을 분류하여 모델링하고 CFD 시뮬레이션을 수행하여 평택시 전체 지역에 대해 읍,면,동 별로 온도를 분석하였다. Meso-Climate Scale 시뮬레이션 데이터를 기반으로 최고 온도가 가장 높았던 비전동, 포승읍, 지산동을 선정하여 건물 데이터를 포함한 모든 GIS 데이터를 추출하여 디테일하게 모델링하고, CFD 시뮬레이션을 수행하여 폭염에 대한 열환경을 분석하였다. 이러한 새로운 도시 열환경 시뮬레이션 기법을 통하여 다음과 같은 결론을 도출하였다.

1) Meso-Micro Climate Scale CFD 시뮬레이션을 통해 열환경 취약지구를 예측하는 기법을 제시하였다. 본 기법을 통해 지형 단위의 영향은 물론 디테일한 단위에 의한 영향을 고려하여 도시에서의 열환경적 취약성을 수치화 및 가시화 할 수 있었다.
2) 평택시는 비전동, 포승읍, 지산동이 폭염에 특히 취약한 지역이다. 이 세지역은 1.5 m 높이 기준 35 °C가 넘는 취약지역이 전체 면적의 50%가 넘는 비중을 차지하는 것으로 파악되며, 이 지역은 개선이 시급할 것으로 나타난다.
3) 동일 지역에 대해서 Meso-Climate Scale CFD 시뮬레이션과 Micro-Climate Sclae CFD 시뮬레이션의 결과를 비교해봤을 때, 취약지역 면적의 비율이 전체적으로 대략 40% 차이나는 것이 확인된다. 이는 지형적 영향만을 고려하는 Meso-Climate Scale CFD 시뮬레이션은 선행적으로 사용하고 Micro-Climate Scale CFD 시뮬레이션을 통해서 도시의 열환경을 완벽하게 구현하여 분석하는 기법이 정확하다는 것을 의미한다.

본 연구에서는 기존에 분석되지 않았던, 지리적 특성을 포함한 열환경 CFD 분석을 통해 기후 취약지역을 선별하고 현상을 분석했다는데 의의가 있다. 하지만, 본 연구는 기후적 요인에 집중하였으며, 사회적 및 인구통계적 요인을 고려하지 못하였다. 또한, 장기적인 기후 변화 시나리오에 대한 분석이 부족하며, 이는 향후 연구에서 다루어야 할 중요한 과제라고 생각된다. 향후 연구에서는 도시 내 기후 변화 뿐만 아니라 사회적 요인을 통합하여 보다 더 종합적인 취약성 평가를 시도할 계획이다. 또한, 기후 변화에 따른 장기적인 열환경 변화를 예측하고, 다양한 시나리오를 적용한 도시 열섬 완화에 대한 연구가 필요하다. 이를 통해 도시 기후 위기 대응을 위한 보다 구체적인 정책적 가이드라인을 제시할 수 있을 것으로 기대된다.