최근 기후변화로 인한 여름철 극심한 폭염 발생이 증가함에 따라, 국내 온열질환자 수 역시 매년 증가하는 경향을 보이고 있다(Yoon et al., 2020; Lee et al., 2024). 질병관리본부에 따르면, 2012년 984명이었던 온열질환자 수는 2024년 3,704명까지 증가하였다(KDCA, 2025). 특히 실외 작업장, 논⋅밭, 도로 등 실외 온열질환자 발생 비율(19,190건, 78.72%)이 실내 온열질환자(5,187건, 21.28%)보다 높게 나타났으며, 이는 토지피복 유형과 온열질환 발생 간에 밀접한 연관성이 있음을 시사한다(Kestens et al., 2011; Lee and Brown, 2022; Wang et al., 2024). 이러한 장소별 발생 패턴을 바탕으로 토지피복 특성과 온열질환 발생 위험을 연계한 공간분석이 가능하다면, 보다 효과적인 예방 및 완화전략 수립이 가능할 것이다. 하지만 현재 국내에서는 온열질환 발생의 미시적 공간 패턴에 관한 연구 및 공간적 특성을 고려한 연구가 미비한 실정이다. 더욱이 개인정보보호법으로 인해 온열질환자의 정확한 신고 위치를 파악하기 어려워 효과적인 공간 기반 대응 대책 수립에 한계가 존재한다. 이에 본 연구에서는 대시메트릭 매핑 기법을 활용하여 토지피복 특성에 기반한 온열질환자 발생의 공간적 분포를 예측하는 방법론을 제시하고자 하였다.

대시메트릭 매핑(Dasymetric Mapping)은 집계된 통계 데이터를 보다 더 작은 공간 단위로 분배하여 공간해상도를 향상시키고, 통계값의 실제 분포 특성을 보다 정밀하게 표현하기 위한 지도 제작 기법이다. 이 기법은 집계단위 경계에서 인구가 인위적으로 변화하는 것처럼 보이는 문제와 통계현상이 집계 단위 전체에 균일하게 분포되어 있다고 가정하는 문제가 있는 코로플레스 지도(Choropleth Map)의 행정구역 내 균질분포 가정의 한계를 극복하기 위해 개발되었다(Lee and Kim, 2007; Sleeter and Gould, 2007; Hamza et al., 2016).

코로플레스 지도는 동일한 구역 내에 거주하는 인구나 발생하는 현상이 공간적으로 균등하게 분포한다고 가정하지만, 실제 인구, 질병, 자원 등의 다양한 사회⋅환경적 현상은 불균등하게 분포한다. 이에 따라 대시메트릭 매핑은 이러한 비균질성을 보완하기 위해 보조 데이터(ancillary data)를 활용한다. 선행연구(Zandbergen and Ignizio, 2010; Li and Zhou, 2018; Swanwick et al., 2022)에서는 연구목적에 따라 토지피복도, 건물 분포, 도로망, 불투수면 지표, 야간조명 등을 보조 데이터로 활용하였다. 대시메트릭 매핑은 이러한 데이터를 바탕으로 통계값을 재분배함으로써, 기존 행정 단위 중심의 분석보다 더 높은 공간적 정확도와 현실성을 확보할 수 있다. 특히 사람이 실제 존재하거나 활동할 가능성이 높은 지역을 반영하는데 유용하다(Mennis, 2003).

한편, 최근 온열질환의 공간적 분포와 취약성 분석에 관한 연구들이 활발히 이루어지고 있다. Yi and Kwon (2023)은 전라남도 구례군과 전북특별자치도 순창군을 대상으로 기상, 환경, 인구요인에 기반한 폭염 취약성을 평가하였으며, 집계구 단위에서 Global Moran’s I를 통해 위험지역을 도출하였다. Jung et al. (2021)은 플로리다 67개 카운티를 대상으로 극한 고온 노출에 따른 다섯 가지 건강결과에 대해 Case-Crossover 분석을 수행하고, 그 결과를 사회경제적 변수와 결합하여 공간 회귀 분석을 통해 위험 요인을 규명하였다. Park et al. (2016)은 국내 227개 시군구를 대상으로, 폭염 발생 일수와 온열질환 사망자수 간의 상관관계를 분석하였다. 1998년부터 2012년까지 15년간의 폭염 주의보⋅경보 발령일수와 사망원인 통계를 활용하여, 지역별 폭염 발생 빈도 및 폭염 사망률 특성을 파악하고, 폭염피해를 줄이기 위한 지역 맞춤형 대응 방안의 필요성을 강조하였다. Cho et al. (2019)은 서울시를 대상으로 도시열섬 현상과 사회적 취약계층의 공간적 관계를 분석하였다. 행정동 단위의 평균 대기온도를 기반으로 Hot Spot 분석을 수행하고, 독거노인 등 취약계층 비율과 연계하여 열환경 취약지역을 도출하였다. Choi et al. (2018)은 서울시를 대상으로 폭염 취약지역의 공간적 패턴과 적응능력을 분석하였다. 행정동 단위의 평균 대기온도를 기반으로 Global Moran’s I와 LISA 군집지도를 활용하여 공간자료분석 수행 및 취약지역의 적응능력을 평가하였다. Song et al. (2020)은 창원시를 대상으로 노인 인구 분포와 폭염과의 관계를 GIS 기반으로 분석하였다. K-평균 클러스터링을 통해 노인인구 특성과 토지이용 특성을 고려한 공간 유형을 분류하고, 농촌지역에 거주하는 노인층이 폭염에 더 취약함을 밝혔다. Nayak et al. (2018)은 뉴욕시의 인구통계 및 환경데이터를 활용하여 열 취약성 지수(HVI)를 개발하여, 온열질환 발생 위험 지역을 파악하고 공간적 취약성을 지도화하였다. 이를 통해 온열질환 발생이 높은 지역을 확인하였다.

이처럼 선행연구들은 온열질환의 공간적 분포와 취약성 요인들을 다양하게 분석하였으나, 대부분 시군구 단위에서 수행되어 세밀한 위험지역을 도출하는데 한계가 있다. 기존 연구들은 주로 행정구역 단위의 분석이나 인구⋅기후 변수 중심의 취약성 평가에 집중되어 있으며, 토지피복 기반 가중치를 활용하여 격자 단위에서 온열질환 발생 가능성을 정량적으로 평가한 고해상도 공간분포 예측 연구는 국내외에서 미비한 실정이다.

이러한 선행연구들의 한계를 극복하기 위해 본 연구는 대시메트릭 매핑 기법과 공간통계분석을 결합함으로써, 단순 행정구역 단위를 넘어 토지피복 특성을 반영한 고해상도 격자단위 분석의 정밀한 온열질환 위험지역 예측을 하고자 하였다.

본 연구는 온열질환자 발생의 공간적 분포를 고해상도로 추정하기 위해 대시메트릭 매핑 기법을 적용하였다. 특히 토지피복 특성과 온열질환 발생 간의 관계를 정량화하여 보조 공간 데이터로 활용함으로써, 100 m × 100 m 격자 단위의 상세한 온열질환 위험도를 추정하였다. 이는 기존의 인구추정 대시메트릭 매핑 기법을 온열질환자 분포 예측에 응용한 것으로, 개인정보보호법으로 인해 취득이 불가능한 온열질환자의 발생 위치를 토지피복 특성을 통해 간접적으로 추정하였다.

토지피복도를 활용하기 위하여 환경공간정보서비스에서 제공하는 세분류(해상도 1 m급) 토지피복지도를 활용하였다. 해당 토지피복지도의 경우 대분류(7항목), 중분류(22개 항목), 세분류(41개 항목)로 구성되어 있으며 Table 1과 같다. 또한 온열환자 발생장소에 맞게 토지피복분류를 재분류하기 위해 질병관리청에서 발행하는 폭염으로 인한 온열질환 신고현황 연보를 활용하였다(Table 2). 해당 연보는 전국의 응급실 운영 의료기관 중 자발적 참여를 통해 수집된 온열질환자 관련 신고자료이다. 온열질환자 신고서식에 따른 온열질환 증상 발생 장소는 실내(집, 건물, 작업장, 비닐하우스, 찜질방(사우나) 기타), 실외(작업장, 운동장 및 공원, 논밭, 산, 강가 및 해변, 길가, 주거지주변, 기타)로 구성되어 있으며, 본 연구에서는 Table 3과 같이 토지피복분류 항목별 분류기준을 바탕으로 온열질환 신고현황 연보의 온열환자 발생 장소에 맞게 토지피복 분류를 수행하였다.

실외 작업장의 경우, 인공나지-기타나지 분류가 공사로 인한 나지를 포함하고 있으나, 토사로 인한 절성토면, 벌채 등으로 인한 산림 내 나지, 비포장도로 등을 포함하고 있어 토지피복도를 활용하여 특정하기 불가능한 문제가 발생하여 분석 대상에서 제외하였다. 또한 기타 실내(예: 차량 내부, 지붕 없는 건물 등) 및 기타 실외(예: 축제장, 야외 임시시설 등) 역시 토지피복 유형으로 장소 분류가 불가능한 경우 분석에서 제외하였다.

실내로 분류된 공간(집, 건물, 작업장, 비닐하우스)의 경우 토지피복 원본 경계를 그대로 활용하였으나, 강가 및 해변, 길가, 주거지 주변과 같이 특정 지형지물 근처 공간을 나타내는 유형의 경우, 해당 토지피복 경계로부터 일정 거리를 buffer 처리하여 공간을 정의하였다.

대시메트릭 매핑에 활용할 보조 공간데이터의 가중치를 산정하기 위해, 질병관리본부에서 제공하는 2014년부터 2024년까지의 국내 온열질환자 발생 장소별 데이터를 활용하였다. 각 장소 유형별 연도별 발생 건수를 누적하여 총합을 구한 뒤, 전체 발생 건수 대비 장소 유형별 비중을 산출하였다. 해당 비중은 토지피복 유형에 따라 환자 발생 가능성을 반영하는 가중치로 적용하였다. 전국 온열환자 발생 데이터 분석 결과, 실외 작업장(31.49%)이 가장 높은 비중을 차지하였으며, 논/밭(14.35%), 길가(10.97%), 그리고 집(7.98%) 순으로 온열환자가 많이 발생하는 것으로 나타났다. 토지피복도를 통해 공간적으로 특정 가능한 장소만을 대상으로 비율을 재계산한 결과, 논/밭(24.86%), 길가(19.00%), 집(13.82%)이 주요 발생 장소로 확인되었으며, 이 재조정된 비율을 토지피복 기반 대시메트릭 매핑의 가중치로 활용하였으며, 재조정된 비율은 Table 4와 같다.

본 연구에서는 온열질환자 발생 위치의 세밀한 공간분석을 위해 100 m × 100 m 격자를 활용하여 토지피복을 분할하였다. 이를 위해 국토조사 격자경계를 활용하였으며, 국토조사 격자경계는 국토에 관한 계획 또는 정책 수립, 공간정보 제작 등에 필요한 인구, 경제, 사회, 문화, 교통, 환경, 토지이용 등에 관한 조사를 수행할 때 활용하는 다양한 크기의 격자로 구분한 경계이다.

격자경계 Layer와 토지피복 레이어를 교차(intersect)하여 각 격자에 토지피복 속성을 부여하였다. 이를 통해 각 격자 내 토지피복 유형별 면적을 계산하였으며, 토지피복 레이어 간 중첩된 경우, 면적을 균등하게 분배하여 면적을 산출하였다. 또한 연구대상지를 100 m × 100 m의 격자 단위로 분할하고, 각 격자에 포함된 토지피복 유형 및 면적 비율을 바탕으로 온열환자 발생 가능성 지수(Heat Illness Occurrence Possibility Index, HIOPI)를 산정하였다.

HIOPI는 격자 내에 분포하는 토지피복 유형의 면적 비율과 각 유형에 부여된 온열질환자 발생 가중치의 곱을 합산하여 계산되며, 다음의 식으로 정의된다.

여기서, HIOPI_g는 격자의 온열환자 발생 가능성 지수, A_gi는 격자 내 토지피복유형 i의 면적비율, W_i는 토지피복 유형 i의 가중치, n는 고려된 토지피복 유형 수를 의미한다. 이 지수는 격자 단위에서 온열질환자 발생의 상대적 가능성을 수치화한 것으로, 높은 HIOPI 값을 갖는 격자일수록 폭염 취약성이 높은 지역으로 해석할 수 있다. 본 방식은 온열환자 수 자체를 추정하거나 분배하지 않고, 토지이용 특성과 가중치만을 이용하여 공간적 위험 수준을 상대적으로 평가하는 데 초점을 두었으며, 이를 통해, 행정구역 단위의 일반화된 분석을 보다 세밀하고 실질적인 대응이 가능한 격자 기반의 온열질환자 발생가능성이 높은 지역의 도출이 가능하다.

마지막으로 Global Moran’s I 분석을 통해 격자별 HIOPI의 공간적 자기상관성을 확인하고, Hot Spot 분석을 위한 최적거리를 설정하였다. Getis-Ord Gi 통계 기반의 Hot Spot 분석은 통계적으로 유의미한 공간적 군집을 식별하는 방법으로, 높은 값의 군집 지역(Hot Spot)과 낮은 값의 군집 지역(Cold Spot)을 구분한다. 이는 단순한 시각적 패턴 인식을 넘어 통계적 유의성을 기반으로 한 공간 패턴 분석을 가능하게 한다. 이를 통해 통계적으로 유의미하게 높은지역을 식별함으로써 온열질환 취약지역의 공간적 분포를 파악하였다.

본 연구의 대상지는 광주광역시로 최근 5년간(2020-2024) 광주광역시의 온열질환자 발생 현황(Table 5)을 살펴보면, 총 227명의 온열질환자가 보고되었으며, 자치구별로는 광산구가 84명(37.0%)으로 가장 많은 환자가 발생했으며, 북구 52명(22.9%), 남구 28명(12.3%), 서구 23명(10.1%), 동구 13명(5.7%) 순으로 나타났다. 특히 연도별 추이를 살펴보면, 2020년 39명에서 2022년 20명으로 감소했다가 2023년부터 64명으로 증가하는 경향을 보였다.

연구 대상지의 토지피복 구성은 Fig. 1과 같이 산림지역이 168.64 km² (41.82%)로 가장 큰 비중을 차지하고 있으며, 그 뒤를 이어 시가화⋅건조지역 118.63 km² (29.43%), 농업지역 101.39 km² (25.14%) 순으로 나타났다. 나지, 수역, 습지, 초지 등 기타 유형은 상대적으로 낮은 비중(각각 2% 미만)을 차지한다.

온열질환자 발생 가능성의 공간분석을 위해 대상지의 토지이용 특성을 고려하고자, 토지피복분류 분류항목별 분류기준을 바탕으로 온열환자 발생 장소에 맞게 토지피복 분류를 재수행하였다.

이 과정에서 토지피복 유형 중 온열질환 발생 위치에 적합하지 않은 유형은 분석 대상에서 제외하였다. 재분류 결과는 Fig. 2와 같으며, 이를 바탕으로 격자별 온열환자 발생 가능성 지수를 Fig. 3과 같이 산출하였다. 온열환자 발생 가능성 지수의 범위는 최소 0부터 최대 24.88까지이며, 평균은 11.12, 중앙값은 11.36으로 전체적으로 양의 비대칭성(왜도 0.365)을 가지는 것으로 나타났다. 표준편차는 6.10, 변동계수(CV)는 0.55로, 전체 값의 상대적 변동성은 중간 수준으로 판단되었다. 이상치는 확인되지 않았으며, 사분위범위(IQR)는 10.20으로 하위 25%에 해당하는 Q1은 4.91, 상위 25%인 Q3는 15.12로 나타났다. 첨도는 2.16으로, 정규분포보다 약간 평탄한 분포를 보이며, 전반적으로 정규성에서 큰 이탈 없이 분포하는 경향을 보였다.

본 연구에서는 격자 기반 데이터의 공간적 구조 특성과 환경 변수의 국지적 영향 범위를 고려하여, 공간 관계 개념화 방식으로 Fixed Distance Band를 선택하였다. 이는 일정 반경 내 이웃만을 분석에 포함함으로써 격자 간 비교의 공정성을 확보하고, 분석 결과의 공간적 해석을 보다 일관되게 유지할 수 있도록 하였다. 특히, 격자 단위가 동일한 면적(100 m × 100 m)으로 구성된 경우, 고정 거리 기반의 공간 관계 설정은 군집 분석의 신뢰도를 높이는 데 효과적이다. 이에 격자 온열환자 발생 가능성 지수의 공간적 자기상관 여부를 검정하기 위해 ArcGIS Pro의 Global Moran’s I 분석 도구를 활용하였다. 공간 관계 개념화는 Fixed Distance Band, 거리 방법은 Euclidean, 표준화는 Row로 설정하였으며, 거리 밴드는 100 m 격자 해상도를 고려하여 200 m, 300 m, 500 m로 반복 실행하였다.

격자 기반 온열환자 발생 가능성 지수의 공간적 자기상관 여부를 평가한 결과(Table 6), 모든 거리에서 양의 Moran’s I 지수가 확인되었으며, z-score가 100 이상으로 매우 높고, p-value는 0에 수렴하는 수준으로 나타나 통계적으로 유의미한 공간 클러스터링 경향이 확인되었다. 특히, 200 m 거리에서는 Moran’s I 값이 0.7077로 가장 높게 나타나, 가장 강한 국지적 클러스터링 특성을 나타냈으며, 이는 200 m 거리에서 온열질환 위험의 공간적 군집 특성이 가장 명확하게 나타남을 의미한다. 이를 바탕으로 Hot Spot 분석의 거리 기준으로 200 m를 최종 채택하였다. 그 결과는 다음 Fig. 4와 같다. Table 7은 구단위 행정경계별 핫스팟 분석결과를 정리한 내용이고, Table 8은 토지피복 현황이다.

구단위 행정경계별 분석결과(Tables 7, 8)를 살펴보면, 동구는 99% 신뢰수준의 Cold Spot 셀이 1,250개로 저위험지역 특성을 보였다. 시가화⋅건조지역(8.31 km²)이 5개 구 중 최소이고 산림지역(32.75 km²)이 지역 면적의 대부분을 차지하여, 넓은 산림이 상대적으로 쾌적한 온열환경을 조성한 것으로 판단된다. 실제 5년간 발생한 온열질환자 수는 13명으로 5개 구 중 최소 발생을 나타났다.

서구는 95% 신뢰수준의 Hot Spot 셀이 2,046개(35.9%)로 높은 온열질환 위험도를 보이며, 온열질환자는 42명이 발생했다. 시가화⋅건조지역(19.91 km²)이 면적 대비 높은 비중을 차지하고 산림(6.05 km²)은 적어, 도시열섬 현상과 넓은 불투수면적이 온열질환 위험을 높인 요인으로 사료된다.

남구는 90% 신뢰수준의 Hot Spot 셀이 2,174개로 확인되었으며, 온열질환자는 28명이 발생했다. 시가화 지역(14.04 km²), 농업지역(18.15 km²), 산림(13.97 km²)이 균형적으로 분포하여 중간 수준의 온열질환 위험도를 나타냈다.

북구는 Hot Spot과 Cold Spot이 혼재된 특성을 보였다. 99% 신뢰수준 Hot Spot 셀이 1,068개인 반면, 95% 신뢰수준 Cold Spot도 1,774개로 확인되었다. 온열질환자는 60명으로 5개 구 중 두 번째로 많았다. 시가화 지역(30.46 km²)과 산림(48.68 km²) 모두 넓게 분포하여, 도시 지역에서는 Hot Spot, 산림 지역에서는 Cold Spot이 형성된 것으로 판단된다. 이는 다양한 토지피복 구성에 따른 것으로, Hot Spot과 Cold Spot이 혼재함에도 불구하고 온열질환자 발생이 시가화⋅건조지역과 농업지역에 집중된 Hot Spot 지역에서 집중되어 있을 가능성을 시사한다.

광산구는 99% 신뢰수준 Hot Spot 셀이 4,250개(58.7%)로 가장 높은 온열질환 위험도를 보였으며, 온열질환자도 84명으로 최다 발생했다. 시가화 지역(45.92 km²)과 농업지역(57.47 km²)이 연구 대상지에서 가장 넓어, 야외 노출이 온열질환 위험을 크게 증가시킨 것으로 판단된다.

실제 온열질환자 발생 건수와 Hot Spot 분포 간에는 높은 일치도가 확인되었다. 특히 주목할 점은 광산구의 경우 99% 신뢰수준 Hot Spot 셀이 4,250개(전체 Hot Spot의 58.7%)로 가장 많고 온열질환자 발생 건수도 84명(전체의 37.0%)으로 최다였으며, 동구는 99% 신뢰수준 Cold Spot 셀이 1,250개로 가장 많고 온열질환자 발생 건수도 13명(전체의 5.7%)으로 최소였다는 점이다. 이러한 공간적 분포의 일치는 대시메트릭 매핑 기법을 통해 도출된 온열질환 위험지역 예측이 실제 발생 패턴과 상당한 일치도를 보인다는 것을 의미하며, 본 연구에서 제시한 HIOPI 지표의 타당성을 간접적으로 입증한다. 또한, 토지피복 유형이 온열질환 발생 가능성과 밀접한 관련이 있음을 시사하며, 본 연구의 토지피복 기반 접근법의 타당성을 뒷받침한다.

본 연구는 행정구역 단위의 온열질환자 발생통계를 활용한 폭염관리의 문제점을 해결하기 위해 대시매트릭 매핑기법을 활용한 격자 기반의 온열질환자 발생가능성의 분포를 도출하는 방법론을 제시하였다. 또한 광주광역시를 대상으로 방법론을 적용하여 대시매트릭 매핑을 통한 온열질환 위험지역 예측이 실제 발생 현황과 상당히 일치함을 확인하였다. 본 연구에서 제시한 방법론은 각 격자별 토지피복 구성에 따른 온열환자 발생 가능성을 정량적으로 평가할 수 있으며, 이는 향후 폭염 취약지역 파악 및 대응 정책 수립에 중요한 기초자료로 활용될 수 있을 것으로 판단된다. 특히 온열질환자 발생 가능성이 높은 지역을 식별하여 무더위쉼터나 쿨링포그의 위치 선정 등 효과적인 폭염 대응 정책 수립에 활용할 수 있다.

다만 전술한 바와 같이 개인정보보호 등의 이유로 온열질환자 발생의 정확한 위치정보를 취득하지 못해 연구결과의 정확도를 수치적으로 분석하지 못하였다. 또한 온열질환자 발생장소의 공간정보를 가공하는데 있어 작업장, 기타 등의 토지피복상에서 명확히 구분되지 않는 특성을 가져 연구에서 제외하였다는 한계가 있다. 특히 실외 작업장의 경우 토지피복도를 바탕으로 명확하게 구분하기 불가능하여 본 연구에서 제외하였지만, 통계상 온열질환자의 발생비중이 높기 때문에 향후 공사현장 위치정보 등 추가적인 보조 데이터를 활용한 방법론의 보완이 필요하다. 또한 본 연구에서는 토지피복 기반의 물리적 환경 특성을 중심으로 분석하였으나, 온열질환 발생은 환경적 요인뿐만 아니라, 인구학적, 사회경제적 요인의 복합적 작용으로 발생한다. 따라서 향후 연구에서는 격자단위의 고령자 및 독거노인 밀도, 의료시설 접근성, 소득 수준 등 다양한 요인들을 포함한 통합 취약성 지수를 개발하여 예측 정확도를 향상 시킬 필요가 있다.

그럼에도 불구하고 본 연구는 100 m × 100 m 격자 단위의 세밀한 공간 분석을 통해 행정구역 내에서도 온열질환 위험이 불균등하게 분포함을 실증적으로 보여주었다. 이러한 고해상도 위험지역 정보는 한정된 폭염 대응 자원을 효율적으로 배치하고, 취약지역에 대한 우선적 관리 정책을 수립하는 데 실질적으로 활용될 수 있을 것이다.