Ⅰ. 서 론

점차 고도화되는 도시 기능과 도로상의 차량들의 통행증가로 교통이 도시환경 및 시민들의 건강, 안전에 미치는 영향은 꾸준히 확대되고 있다. 특히 미세먼지, 소음과 같이 교통과 관련된 도시환경 요소들은 시민들 의 건강 및 삶의 질과 긴밀한 관계에 있어 이러한 위험 요소들의 감소를 위한 방안 모색에 사회적 관심이 매우 높은 실정이다. 도시 내 환경오염을 유발하는 대표적인 요인 중 하나인 도로 재비산먼지는 자동차 배기 가스, 타이어 마모, 브레이크 패드 마모로 인해 도로 위에 침적된 먼지들이 차량의 이동에 의해 대기 상으로 확산되면서 발생하는 것이며, Al, K, Ca 등의 지각 물질에 기인하는 자연적 성분 외에도 Cd, Pb, Cr 등 유해 한 인위 성분을 포함하기 때문에 일반 먼지에 비하여 인체에 더욱 해롭다. 전국의 미세먼지(PM10) 배출량 중에서 비산먼지가 차지하는 비율은 약 50.2%이며, 이 중 도로 재비산먼지 배출량은 약 36.7%에 달한다 (CAPSS, 2017). 특히 교통, 산업, 건설 활동이 빈번한 대도시일수록 인체 건강에 큰 피해를 주고 있다.1)

미세먼지와 마찬가지로 도시 내 소음은 시민들의 건강에 악영향을 준다. 따라서 세계보건기구에서는 소음 을 삶의 질에 영향을 미치는 주요 요인으로 지정하여 관리하고 있다. 국내 환경부에 따르면 40dB(A) 이상의 소음은 수면에 영향을 미치기 시작하고, 50dB(A) 이상부터는 불쾌감을 호소하는 사람이 발생하며 60dB(A) 이상이 되면 신체적 건강에 직접적인 영향을 미치기 시작한다.2) 그러므로 건강한 도시를 조성하기 위해서는 미세먼지, 소음의 건강 위해 요인들과 도시교통 간의 영향 관계 및 위험 수준을 정확히 파악할 필요가 있으 며, 이러한 분석 결과를 바탕으로 시민들에게 건강한 교통환경서비스를 제공할 수 있는 정책을 마련해야 한다.

스마트 서울 정책의 일환으로 구축된 서울시 도시 빅데이터는 2020년 4월부터 서울시 전역에 걸쳐 설치된 약 800개 이상의 IoT 센서를 통하여 매 2분 단위의 환경요인들에 대한 데이터를 수집·저장되고 있다. 따라서 본 연구에서는 스마트 서울 도시 데이터 센서(이하 S-DoT)로부터 수집된 초미세먼지(PM2.5), 미세먼지 (PM10), 소음 등의 도시환경 데이터와 도로 교통량, 속도 등 교통 빅데이터를 통합하여 특정 도시 공간 단위 가 교통 영향권 내 포함되었는지에 따라 미세먼지, 소음 등 유해 환경요인들이 직접적인 영향 관계가 있는지 분석하고, 도출된 분석결과를 바탕으로 미시적 범위의 시공간 측면의 도시교통관리전략을 제시하고자 하 였다.

서울시 전역에 설치된 IoT 센서는 도시 현상을 매우 미시적으로 확인할 수 있는 최적의 시스템으로 빅데 이터 수집을 위한 핵심 임무를 수행할 수 있다. 그러나 기존의 선행 연구들은 IoT 센서로부터 수집된 빅데이 터 활용의 한계로 교통과 환경요인 간의 영향 관계를 미시적·복합적으로 평가·분석할 수 없었다. 또한, 실시 간 IoT 도시환경 데이터와 도로교통데이터의 통합데이터베이스를 구축하여 시간 단위 및 공간 단위의 도시 건강 향상을 위한 교통 분야의 정책을 도출하는 연구는 본 연구가 처음이라는데 의의가 있다. 본 연구에서 교통-도시환경 통합데이터를 구축하고 미세먼지, 초미세먼지, 소음의 도시 공간별 변화패턴을 도로교통특성 과 연계하여 도출하는 것은 향후 도로교통관리를 통하여 미세먼지 또는 초미세먼지 hot-spot, 소음 hot-spot 등 도시 공간 단위의 환경위험 관리를 체계적으로 할 수 있는 가이드라인이 될 수 있다.

Ⅱ. 문학 검토

2000년대부터 국내외 연구들을 통하여 교통 요인은 미세먼지의 주요 원인이라는 것이 증명되어 오고 있 으며, 미세먼지가 도시민의 건강에 미치는 영향을 정량화하는 방법론에 관한 연구가 꾸준히 시도되어 오고 있다(Penard-Morand et al., 2006;Vardoulakis et al., 2005;Ponce et al., 2005;Gulliver and Briggs, 2005;Hochadel et al., 2006;Kuehni et al., 2006;Lipfert et al., 2006;Gastaldi et al., 2014). 교통 현황과 미세먼지 농도와의 관계 를 고찰한 Kim et al.(2018)의 연구에서는 11개의 대기 환경 감지 센서로부터 수집된 미세먼지 데이터와 교통 현황의 상관관계 분석을 위하여 대전 권역 전체 중 센서와 매칭을 할 수 있는 일부 구간(대덕대로와 계룡로 2개의 도로)을 공간적 범위로 정하여 분석을 수행하였으며, 그 결과 차량의 통행속도가 높아질수록 미세먼지 농도가 증가하는 추세를 보이고, 혼잡도가 높을수록 미세먼지 농도가 감소한다는 사실을 선형 상관관계 분 석 방법론을 통해 제시하였다. Zhang et al.(2018)의 연구에서는 485개의 RFID 및 카메라 센서로 수집된 시간 대별 교통량 및 속도 데이터, 가솔린 차량의 배출 계수(CO₂등 주요 대기오염원)의 시공간별 변화 추이를 시각화하여 분석한 결과 가솔린 차량의 배출 계수는 교통변화와 유사한 패턴을 보이고 있으며, 도심 지역에 주로 집중적으로 분포하고 있는 것을 도출하였다. 또한 Jeong et al.(2019)의 연구에서는 주요 간선도로와 고 속도로의 15m 이내에 위치한 도심 및 고속도로 현장에서 PM2.5를 측정하여 비교·분석한 결과 고속도로 인 근의 미세먼지 배출 기여도는 도심 인근보다 2~3배가량 높은 수준을 보이는 것을 발견하였다. Wu et al.(2020)은 중심 상업 지구 내 2개의 모니터링 지점에서 대기 환경 지표를 분석하였으며, 그 결과 도로 인근 지점에서 대기 환경이 더욱 심각한 수준인 것을 발견하였다. 이처럼 기존 연구들은 미세먼지 발생량이 교통 량, 차량 통행속도 등 도시 내 교통 요인들의 특징과 높은 상관관계를 가진다는 것을 도출하였다.

교통시설로 인해 발생하는 소음 역시 사람들의 신체적, 정신적 건강에 어떠한 영향을 가지는지 도출하기 위하여 국내외 연구자들은 교통 소음에 의한 건강 위해성을 평가할 수 있는 방법들을 제시해 왔다. 특히 교 통 소음은 시민들의 수면 방해, 심장질환 발병과 연관성이 있는 것으로 밝혀져 정부 차원에서 교통 소음 저 감 대책을 위한 다양한 정책 및 관리방안을 제시하고 있다(Korea Environment Institure, 2007). Zuo et al.(2014) 의 연구에서는 캐나다 토론토 지역 내 554개 지점을 대상으로 30분 단위의 교통 소음을 측정하였으며 교통 량과 소음이 높은 상관관계(피어슨 상관계수가 0.79 이상)를 보이는 지점 중 무작위로 62개 지점을 분석하였 다. 그 결과 교통량과 소음은 시간적(Temporal) 영향보다 지리적 특성과 같은 공간적(Spatial) 영향이 더 큰 것 으로 나타났으며, 교통량이 많고, 간선도로이며, 공업시설이 많은 지역은 소음과 연관성이 매우 높다는 결과 를 도출하였다. Welch et al.(2013)의 연구에서는 교통 소음이 직접 또는 간접적으로 건강에 미치는 영향을 분 석하기 위하여 고속도로에서 50m이내 거주하는 사람들과 고속도로 영향권에서 먼 곳에 거주하는 사람들에 게 소음 민감도에 대한 설문을 실시하였다. 그 결과 고속도로로부터 50m 이내에 거주하는 사람들은 물리적, 심리적, 사회적, 환경적 측면의 건강 관련 삶의 질이 낮은 것으로 나타났으며 소음으로 인한 건강 문제를 야 기하고 있는 것을 발견하였다. Can and Aumond(2018)의 연구에서는 차량 속도에 따라 소음 수준을 추정하였 으며, Makarewicz and Gałuszka(2011)는 교통체증은 차량의 속도를 감소시킴으로써 소음 수준을 낮춘다는 사 실을 speed-flow 다이어그램을 통해 제시하였다. 이외에도 도로 교통량과 소음 간 연관 관계를 도출하고, 효 과적으로 소음 정도를 예측할 수 있는 방법론 연구 또한 활발하게 진행되어 왔다(Ali et al., 2019;Nourani et al., 2020). 이처럼 교통시설과 소음, 소음과 건강 간의 유의한 연관성은 기존 연구들을 통해 알 수 있으며, 교 통 소음의 수준을 미시적 도시 공간 단위별로 추정 가능할 경우 시민들의 건강에 위해한 고위험 수준의 도 시 공간들에 대하여 사전에 교통관리 전략 및 정책 마련이 가능할 수 있다는 것을 알 수 있다.

<Table 1>

Contents of Literature Review

Ⅲ. 데이터 수집

1. 연구의 시공간 범위

S-DoT 센서는 서울시 행정동(2019년 기준 424개)별로 약 한 개 이상 지정·설치되었으며, 주거공간, 상업공 간, 개방공간, 정책수요공간으로 설치 용도를 구분하여 서울시 전역에 걸쳐 약 800개 이상이 설치되어 있다. 본 연구에서는 특정 도시공간이 교통 영향권 내에 포함되는지 여부에 따라 미세먼지, 소음 등 도시환경요인 들의 위험수준 변화 패턴을 분석하기 위하여 서울시 전역에 분포하고 있는 S-DoT 센서로부터 매 2분 단위로 수집된 도시환경요인들과 공간범위 내 교통량, 통행속도 간 관계를 분석하였다.

본 연구에서 분석 공간범위의 유형을 구분하는 주요 기준은 도로 영향권 여부이다. Britter&Hanna의 연구 등 기존 연구들에서는 도시 내 대기환경모델링을 위한 공간적 범위를 Street Scale(~100m), Neighborhood Scale(~1km), City Scale(~10km), Regional Scale(~100km)로 구분하였다(Britter and Hanna, 2003;Wu et al., 2020). 그러나 Hagler et al.(2009)는 도로변 비산먼지의 발생 지점으로부터 거리가 멀어질수록 10m당 평균 8.5%씩 영향력이 감소하며, Barzyk et al.(2009)는 도로에서 발생하는 VOCs(Benzene, Toluene, Ethylbenzene) 등 독성 물질들의 영향 범위는 최대 반경 250m, 직선 거리 100m까지 유효하다고 주장하였다. 이 외에 대부분의 연구 들에서도 도로변을 기준으로 분석 반경을 작게 할수록 반경 안에 있는 대기환경 요인들로부터 일관성 있는 분석 결과를 보여주는 것으로 나타났다. 또한 Kang et al.(2008)은 서울시 주거지 유형 및 유형별 특성 분석을 위한 기본 단위로 12m 이상의 도로 등으로 분리되는 구간을 하나의 블록으로 지정하였고, 서울시의 블록 사 이즈 중 소형 블록은 35~40m * 80m의 가구표준도를 기준으로 하였다(Sohn and Shin, 2003).

이처럼 도로 영향권과 비영향권을 구분하기 위한 적절한 공간적 범위를 설정하기 위해서는 S-DoT 센서를 기준으로 수집된 주요 도시환경 요인들의 관측 결과가 도로로부터 어느 정도까지 이격되어 있을 때 도로의 영향을 받는다고 판단할 수 있는지에 대한 적절한 판단 근거가 필요하다. 따라서 앞서 살펴본 기존 문헌들의 고찰 결과를 바탕으로 분석 반경을 최소화하면서 일반적인 서울시 도로 블록별 사이즈를 함께 반영한 반경 범위를 비교·분석한 결과, 각각의 S-DoT 센서로부터 50m 반경을 기준으로 하여 도로 영향권과 비영향권을 구분했을 때 분석 범위가 중복되지 않고, 보다 정확한 대기환경 요인들의 영향을 반영할 수 있는 데이터를 수립할 수 있었으며, 각 권역별 S-DoT 센서의 분포 비율(360:387)도 가장 이상적으로 나타났다.

<Fig. 1>

Example of Radius Setting for each sensor

2. 데이터 수집 및 전처리

1) 도로 교통량 및 속도 데이터

국가교통DB에서 제공하는 2017년 서울시 링크별 교통량 및 속도 데이터를 서울시에서 제공하는 TOPIS 교통량과 속도 데이터를 활용하여 2020년 3월 1일부터 2021년 2월 28일까지의 서울시 링크별 추정 교통량 및 속도 데이터를 보정ᐧ구축하였다. 따라서 3월부터 12월까지는 2017년과 2020년 TOPIS 자료를 활용하고, 1 월과 2월의 경우 2017년과 2021년 TOPIS 자료를 활용하여 2017년 ViewT2.0 자료를 2020년으로 보정하였다. 또한 일평균으로 구축되어 있는 TOPIS 자료를 활용하여 연평균으로 구축되어 있는 ViewT2.0 자료를 보정하 기 위해서 2017년 일평균 TOPIS 교통량/속도의 월별/일별 분포 비율로 2017년 연평균 ViewT2.0 서울시 링크 별 교통량/속도를 일평균으로 보정하는 과정이 필요하다.

추정된 도로교통현황과 도시환경 데이터의 통합DB 구축을 위해 ArcGIS 상에서 S-DoT 센서 좌표를 기준 으로 교통망 GIS DB(국가교통DB)에서 추출한 서울시 도로 링크와 매칭(One-to- Many)한 후 도로 영향권과 비영향권으로 분류하여 통합하였다. <Fig. 2>은 2020년 서울시 링크별 교통량 및 속도 추정 과정을 보여준다.

<Fig. 2>

Flowchart of Traffic & Speed Estimation Process

2) 도시환경요인 데이터

매 2분 단위로 수집되는 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise)의 S-DoT 도시환경 데이터는 시 간별 도로교통 현황데이터와 통합하기 위하여 1시간 단위로 집계하였다. 분석의 정확성을 높이기 위하여 주 요 도시환경요인별 데이터를 통계적으로 검증하였으며, 극단적 이상값으로 판단되는 이상치는 전처리하였 다. 따라서 주요 도시환경요인별 이상치 전처리 기준은 데이터 분포의 통계치를 기준으로 초미세먼지 (PM2.5)와 미세먼지(PM10) 0μg/m³ ~ 500μg/m³ , 소음(Noise) 0dB 이상, 기온(Temperature) 50℃ 이하로 설정 하였으며 이 외의 값들은 이상치로 간주하고 분석 대상에서 제거하였다.

각각의 도시환경 요인들은 서울시에서 제공하는 통합대기환경지수와 환경부 환경통계포털에서 제공하는 소음지수를 기준으로 <Table 2>에서 보여주는 바와 같이 Class1 (Very Unhealthy) ~ Class4 (Good)까지 카테고 리화형 변수로 변환한 뒤 시각화하였다. 이는 도시환경 요인별로 상이한 측정 범위와 관측 단위를 단일 기준 으로 통일하여 이후 영향 관계 및 Hot-Spot 비교·분석을 용이하게 하기 위함이다.

<Table 2>

Atmospheric Environment & Noise Pollution Index

3) 토지이용현황 데이터

도로환경요인들은 도로 교통량 및 속도 뿐 만 아니라 공간적 특성에 의해서도 변화패턴이 상이할 수 있으 므로 토지이용현황 정보를 수집하였다. 국토지리정보원에서 제공하는 토지이용현황도를 활용하여 38가지 토 지이용현황 UCB Code를 분석에 용이하도록 다음과 같이 5가지로 재분류하였다. Industry Facility(이하 공업 시설)는 처리장, 매립지 등 공업시설과 발전시설을 포함하며 Public Facility(이하 공공시설)는 교육 및 군사시 설을 비롯한 공공용지를 포함하고 Transportation Facility(이하 교통시설)는 도로, 철로 등 주변 지역과 공항, 항만 등의 주요 교통 시설로 이용되는 토지를 포함한다. 그 외 Residential Facility(이하 주거시설)는 일반 및 고층 주택지와 상업 등 시민들이 머무르고 주로 활동하는 지역이며 Green Area(녹지구역)는 초지 및 임목지 와 골프장, 유원지, 하천, 댐 등을 포함한다.

4) 기초 현황 분석

본 연구에서 분석대상으로 선정한 800개의 S-DoT 센서 중 2020년 3월부터 2021년 2월까지 전체 분석 기 간 중 데이터 누락 없으며 KTDB 도로 Link ID 매칭이 가능한 747개 S-DoT 센서를 재추출하였으며 이 센서 들을 대상으로 통합DB를 구축하였다. 통합DB 분석 결과 <Table 3>과 같이 초미세먼지(PM2.5)는 최소 0 μg/m³에서 최대 454.53μg/m³의 범위 내에 분포하고 있으며, 소음은 0dB에서 최대 70dB까지 분포하는 것 으로 나타났다. 분석범위 내 평균교통량 및 평균속도는 각각 1,897대/시간, 29.08km/h이다. <Fig. 3>에서 나 타나는 바와 같이 S-DoT 센서들을 기준으로 50m 반경 내에 도로교통현황(속도, 교통량)에 대한 속성값이 존 재하는 도로들과 매칭되는 도로 영향권 S-DoT 센서는 360개, 그 외 도로 비영향권 S-DoT 센서는 387개이다.

<Table 3>

Summary of Integrated DataBase

<Fig. 3>

Smart Seoul Data of Things(S-DoT) Sensor Distribution/Road Effective Status of Seoul

Ⅳ. 시계열 군집분석(Time-Series Clustering Analysis)

본 연구에서는 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise) 수준을 분석할 때 시공간별로 유사하게 변화하는 패턴을 고려하기 위하여 시계열 군집분석 기법을 활용하였다. 각 IoT 센서가 설치된 위치를 기반으 로 설정된 공간단위를 시계열적 특성을 기반으로 군집화하였고, 군집별로 초미세먼지(PM2.5), 미세먼지 (PM10), 소음(Noise) 수준 패턴의 유사성을 도출하였다.

군집분석에서 유사성은 거리(distance)기반으로 측정할 수 있다. 군집분석 연구에서 많이 사용되고 있는 유 클리디안 거리(Euclidean distance)는 시계열 변수 값들을 같은 시점을 기준(time-rigid)으로 측정하므로 시간 유연성(time-flexible)이 반영되지 않는다. 따라서 변수의 관측치가 시간의 흐름에 따라 변화하는 시계열 데이 터를 속성이 비슷한 동적 개체들끼리 군집화하기 위해서는 유클리디안 거리보다 시간 지연으로 인한 맵핑 (mapping)오류와 이상치에 강한 동적타임워핑(DTW: Dynamic Time Warpping) 거리가 더욱 적합하다. 특히 도 시환경데이터와 같이 계절성, 추세성을 가지고 있는 데이터일수록, 패턴에 따라 관측치들을 묶을 수 있는 DTW거리 알고리즘이 적합하므로 시계열 클러스터링의 효과가 더욱 유의미하게 나타날 수 있다. 길이가 m 인 시계열 데이터 x → = ( x 1 , … , x m )와 y → = ( y 1 , … , y m )에서 벡터 간 원소들이 정렬되어 있을 때 유클리디안 거리는 식(1)과 같이 정의된다.

시계열 데이터는 대체적으로 발생 및 측정 시점에 따라 나타나는 시간 지연과 시종점의 차이로 인해 벡터 공간 상 정렬되지 않는 경우가 많기 때문에 이러한 한계점을 보완한 DTW는 식(2)와 같이 정의된다.

x → = ( x 1 , … , x m )와 y → = ( y 1 , … , y m )를 바탕으로 m×m개의 행렬집합 M을 생성하고 각 행렬의 원소 (i, j) 는 x_i와 y_j의 거리 d(x_i , y_j)를 계산한다. 생성된 행렬 집합 M에서 x →부터 y →까지 mapping 되는 경로의 집합 이 W={w₁,w₂, … ,w_r} withr≥m을 만족하는 W 라고 정의할 때, W 의 r번째 값 r(i, j)는 식(3)과 같이 정의된다.

따라서 DWT 거리 알고리즘은 시간차에 제약받지 않고 두 개의 시계열 데이터에 존재하는 서로 다른 원 소들 간 가장 유사도가 높은(minimum distance) 쌍을 찾아 매칭한다. DWT 거리는 식(4)와 같다.

시계열 군집분석의 성능을 최적화하기 위하여 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise)의 도시환 경요인 변수들을 정규화하여 0~1 사이의 값으로 변환한 뒤 비교·분석하였으며 분석의 성능평가를 위하여 한 군집 안의 데이터들이 다른 군집과 비교하여 얼마나 유사한지를 판단하는 SilhouetteI Index를 적용하였다.

Ⅴ. 결 과

1. 도시환경지표와 교통 및 토지이용 간 영향 관계

본 연구에서 구축한 IoT 도시·교통 통합데이터베이스를 기반으로 시간대별 토지이용현황과 도로 영향권 유무를 구분하여 동 시간대 주요 도시환경 요인 변화 추이를 비교·분석하였다. 그 결과 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise) 3가지의 도시환경요인들이 공통적으로 주거시설과 교통시설 인근에서 Class1(Very Unhealthy) 수준의 시간대가 가장 빈번하게 나타났고, 교통시설 인근 지역의 Class1(Very Unhealthy) 수준의 시간대는 도로 비영향권보다 도로 영향권에서 더욱 빈번하게 발생하는 것으로 분석되었 다. 특히 미세먼지와 초미세먼지는 녹지구역에서 도로 영향권 내 위치하는지 여부에 따라 차이가 가장 극명 하게 드러나는 것으로 분석되었다. 녹지구역 내 도로영향권 지역은 봄과 가을의 초미세먼지 및 미세먼지 수 치가 도로 비영향권 지역보다 높은 수준으로 증가하는 것을 발견하였다.

시계열 소음 패턴은 5가지 토지이용 유형에서 공통적으로 도로 영향권이 도로 비영향권보다 Class1(Very Unhealthy)이 훨씬 빈번하게 발생하였고, 특히 공업시설 인근 지역은 Class3 (Moderate) 수준 또는 그 이상의 높은 소음이 지속적으로 발생하고 있는 것으로 분석되었다. 공업시설 이외의 지역들은 시계열 흐름에 따라 Class4 (Good)에서 Class1(Very Unhealthy) 사이를 폭넓게 변동하는 것을 알 수 있다. <Fig. 4>와 <Fig. 5>는 미 세먼지와 소음의 시계열 변화패턴 분류한 수준별로 시각화한 것을 보여준다.

<Fig. 4>

Comparison of PM10 Trend during Analysis Period by Landuse and Road Effect

<Fig. 5>

Comparison of Noise Trend during Analysis Period by Landuse and Road Effect

2. 시공간별 도시환경요인의 위험수준 Hot-Spot 분석

S-DoT 센서별로 유사한 도시환경-도로교통현황 간 특성을 가진 그룹별로 비교·분석하기 위해 Silhouette Index를 기반으로 우수한 성능을 보이는 최적 군집을 도출하였다. 도로 영향권 내의 월평균ᐧ일평균 클러스터 링을 도출한 결과 <Fig. 6>과 같이 Centroid가 3개일 때 뛰어난 군집성능을 보였으며 도로 비영향권 관측치들 또한 월평균ᐧ일평균 클러스터가 <Fig. 7>과 같이 Centroid가 3개일 때 뛰어난 Silhouette Index를 보여주었다.

<Fig. 6>

Best number of clusters in Road Effective Zone

<Fig. 7>

Best number of clusters in Road Non-effective Zone

Silhouette Index S _x(i)는 클러스터링의 유효성을 검증하기 위해 사용되는 지표 중 하나로 본 연구에서는 타 지표 대비 클러스터링 성능을 가장 직관적으로 평가하기에 적합하다고 판단되며 아래와 같이 정의된다.

where

where

where

교통량 시계열 군집분석 결과(<Fig. 8>) 성북구, 서초구, 관악구 등이 Cluster 1로 군집되었다. Cluster 1은 1 년 동안 꾸준히 교통량이 많은 지역으로 경부고속도로와 내분순환로가 통과되는 지역들을 포함한다. 이 지 역들은 다른 Cluster들과 비교하였을 때 많은 통행량이 관측되는 지역으로 소음 측면의 교통관리가 중요한 지역이라고 할 수 있다. 서대문구, 광진구, 강북구 등이 포함되는 Custer 2는 연간 교통량이 가장 적게 나타난 지역으로 주로 관측지점 인근에 산림 지역이 분포하고 있다. 주거시설 비율이 25개 자치구 중 각각 2위, 3위 인 서대문구와 광진구는 Cluster 2로 분류되었다. Cluster 3에는 금천구, 강동구, 마포구 등이 포함되며 Cluster 1과 Cluster 2 사이의 교통량 수준이 나타나는 지역으로 주로 외곽의 간선도로를 경유하는 지역들이 분포하 고 있다.

<Fig. 8>

Monthly Averaged Traffic by S-DoT sensor/Annual Averaged Traffic by District in Seoul

<Fig. 9>에서 보여지는 바와 같이 초미세먼지 시계열 군집분석 결과 노원구, 강북구 등이 Cluster 1에 포함 되며 겨울철(12월~2월) 초미세먼지 수치가 가장 높게 올라가는 지역으로 해당 계절에 초미세먼지 저감 조치 가 우선적으로 관리되어야 하는 지역이다. 노원구는 교통시설 및 공공시설 비율이 25개 자치구 중 2위로 주 로 교통시설과 공공시설 인근 지역에서 Cluster1과 같은 특성을 보이는 것으로 분석되었다. Cluster2는 중구와 서초구 등이 포함되며 봄철(3월~5월) 초미세먼지 수치는 가장 양호하지만 겨울철(12월~2월) 초미세먼지 수치 는 Cluster1 보다는 양호하고 Cluster3보다는 심각한 지역이다. 중구는 공공시설의 비율이 25개 자치구 중 3위 로 주로 공공시설 인근 지역에서 Cluster2와 같은 특성이 나타난다. Cluster3에는 동대문구와 강남구가 대표적 이고 겨울철(12월~2월) 초미세먼지 수치가 가장 양호한 지역이다. 주거시설 비율이 높은 강남구와 동대문구 에서 주로 발생하며 주거시설 인근 지역일수록 Cluster3과 같은 특성을 보인다. 미세먼지 시계열 군집분석 및 연평균 지역별 분포 비교·분석 결과 <Fig. 10>의 Cluster1은 초미세먼지 비교·분석 결과와 유사한 시공간상 특성을 보이나 Cluster2와 3의 경우 초미세먼지보다 한달 가량 지연되어 봄철(3월~5월) 중 4월부터 미세먼지 수치가 급등하는 경향이 있는 것을 도출하였다. 반면 토지이용현황에 따른 Cluster별 초미세먼지와 미세먼지 분포는 유사한 것으로 나타났다.

<Fig. 9>

Monthly Averaged PM2.5 by S-DoT sensor/Annual Averaged PM2.5 by District in Seoul

<Fig. 10>

Monthly Averaged PM10 by S-DoT sensor/Annual Averaged PM10 by District in Seoul

<Fig. 11>

Monthly Averaged Noise by S-DoT sensor/Annual Averaged Noise by District in Seoul

소음 시계열 군집분석 및 연평균 지역별 분포 비교·분석 결과 모든 Cluster에서 공통적으로 여름철(6월~8 월)에 소음 발생이 급격하게 증가하는 것으로 분석되었다. 아울러 Cluster1과 같은 유형은 서대문구와 도봉구 에서 주로 나타나며 가장 낮은 수준의 소음 발생이 관측된 지역으로 서대문구와 같이 주로 주거시설 인근 지역에서 Cluster1과 같은 특성을 보이는 것으로 나타났다. Cluster2 유형은 주로 영등포구와 강북구에서 나타 나며 두 번째로 높은 수준의 소음 발생이 관측된 지역에 해당한다. Cluster3 유형의 경우 가장 높은 수준의 소음 발생이 지속적으로 나타나는 지역으로 금천구나 동작구와 같이 공업시설과 교통시설이 많은 지역에서 주로 관측되어 교통량과 토지이용은 소음과 매우 밀접한 관련이 있다.

Ⅵ. 결 론

본 연구에서는 IoT 센서를 통해 수집한 스마트서울 도시빅데이터와 서울시 도로 링크별 교통데이터 및 토 지이용 현황이 함께 반영된 교통-도시환경 통합데이터를 구축하여 도로교통특성과 유해 환경요인 간 영향관 계를 비교·분석하였다.

그 결과, 도로 영향권에서의 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise)은 Class 1(Very Unhealty) 수 준이 도로 비영향권보다 빈번하게 발생하는 것으로 나타났다. 또한 공업시설, 공공시설, 교통시설, 주거시설, 녹지구역 등 5가지 공간적 특성에 따른 유해 환경요인의 변화패턴으로부터 도로 영향권 유무와 무관하게 주 거시설과, 교통시설 인근에서는 초미세먼지(PM2.5)와 미세먼지(PM10)로 인한 지속적인 건강 피해가 예상되 었으며, 도로 영향권에 해당하는 녹지구역의 경우 도로 비영향권 대비 봄·가을철 초미세먼지(PM2.5)와 미세 먼지(PM10) 수치의 급격한 증가에 대한 사전 관리 대책이 필요할 것으로 나타났다. 공업지역은 타 지역 대 비 높은 수준의 소음(Noise)의 피해가 지속적으로 발생하는 것으로 분석되어 소음 저감 정책 등의 주기적인 관리가 필요하다. 아울러 서울시 시공간적 특성에 따른 지역별 도시환경요인 위험수준 Hot-Spot 분석 결과, 교통시설과 공공시설 비율이 타 지역 대비 높은 노원구는 초미세먼지(PM2.5)와 미세먼지(PM10)로 인한 건강 피해가 가장 심할 것으로 예상되는 Hot-Spot 지역으로 분류되었다. 또한 공업시설과 교통시설의 비율이 타 지역 대비 높은 금천구와 동작구는 소음(Noise)으로 인한 건강 피해가 가장 심할 것으로 예상되는 Hot-Spot 지역으로 분류되었다. 이러한 분석 결과로 미루어 보아 교통시설 인근 지역은 초미세먼지(PM2.5), 미세먼지 (PM10), 소음(Noise) 등 주요 3가지 유해 환경요인으로부터 가장 취약할 것으로 분석된다.

본 연구를 통하여 향후에는 초미세먼지(PM2.5), 미세먼지(PM10), 소음(Noise) 등 지역별 주요 도시건강 위 험 요소를 색출하여 시민들이 합리적으로 수용할 수 있는 건강교통체계를 구축하고 나아가 현재 서울 중심 부 4대문 기준 ‘녹색교통 진흥 지역’과 같은 건강교통 정책 결정 과정에 있어 우선순위 선정 기준으로 활용 할 수 있는 연구를 모색할 필요가 있다. 또한 추가적인 IoT 센서의 설치와 성능 향상을 통해 습도, 풍속, 풍 향과 같은 추가적인 기상환경변수의 반영과 더불어 더욱 미시적인 도로 영향권 설정 기준으로 고도화된 분 석 모델 구축도 가능할 것으로 보인다. 아울러 도시 빅데이터 수집 및 활용의 필요성이 증가하고 있고 이러 한 흐름에 기인한 스마트 서울 정책 마련의 일환으로 빅데이터 수집 및 활용이 용이해짐에 따라 IoT 도시 빅데이터를 활용한 건강교통 관점에서의 서비스 제공 방안도 기대할 수 있을 것이다.