기계학습을 이용한 보행환경 정성적 평가에 영향을 미치는 거리영상 특성분석
Analysis of Street View Image Object Affecting Perceived Walkability Using Machine Learning
- 주제(키워드) 인지된 보행환경 , 시멘틱 세그먼테이션 , 기계학습 , 설명가능한 AI , Perceived walkability , Semantic segmentation , Machine learning , Explainable AI
- 주제(기타) 지리정보시스템
- 설명문(URI) https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002878409
- 등재 KCI등재
- 발행기관 한국지리학회
- 발행년도 2022
- URI http://www.dcollection.net/handler/ewha/000000193932
- 본문언어 한국어
초록/요약
보행은 녹색교통수단의 하나로 지속 가능한 도시로의 전환에 매우 중요하다. 또한 걷기 좋은 보행환경은 지역민의 건강증진에도 긍정적 효과를 나타냄이 확인되면서 세계 많은 도시들이 친환경적이고 사람중심의 보행환경 조성을 도시 계획에 있어 최우선 아젠더로 추진하고 있다. 보행환경의 중요성이 확대되면서, 보행환경을 구성하는 물리적 구성요소를 파악하기 위한 연구와 함께, 사람들이 걷기 좋다고 판단하는 보행환경이 어떤 것인지를 파악하고자 하는 연구도 이루어졌다. 정성적 보행환경을 분석하기 위한 방법으로 기존에는 주민이나 전문가를 통한 설문조사가 주를 이루면서 대표성의 한계를 보이고 있었지만, 최근 고해상도의 거리영상과 딥러닝 기술의 발전은 거리영상에 대한 쌍체비교 데이터를 훈련셋으로 하여 가로단위의 상세한 정성적 보행환경 평가점수 획득을 가능하게 하고 있다. 하지만 딥러닝 기술에 기반한 정성적 보행환경 평가 점수 예측은 왜 이러한 평가점수를 얻게 되었는지에 대한 해답을 제공하는데 한계가 있다. 본 연구의 목적은 거리영상을 기반으로 사람들이 걷기 좋다고 느끼는 보행환경에 영향을 미치는 도시경관의 특성을 분석하는 것이다. 이를 위해 거리영상의 정성적 보행환경 점수를 종속변수로, 거리영상의 시멘틱 세그먼테이션 비율 값을 독립변수로 하여 다양한 기계학습 모델을 실험하였다. 실험 결과 서포트 벡터 머신 회귀식이 가장 정확도가 높았고, 정성적 보행환경 점수를 예측함에 있어 도로와 보행로, 건물, 나무, 하늘 등의 순으로 객체 중요도가 도출되었다. 보행로(sidewalk), 가로등(streetlight), 길(road), 잔디(grass), 나무(tree) 등은 세그먼테이션 값이 높을수록 정성적 보행환경 평가를 높게 만들며, 쓰레기통(ashcan), 산(mountain), 트럭(truck), 담벼락(wall) 등은 세그먼테이션 값이 높을수록 평가점수를 낮게 만듦을 알 수 있었다. 본 연구는 기계학습모델을 통해 보행환경에 대한 정성적 평가에 영향을 주는 중요 객체와 객체의 방향성을 확인할 수 있었으며, 딥러닝 모델을 통해 예측한 보행환경 정성평가 점수를 일부 설명 가능하게 하였다는 점에 의의가 있다.
more초록/요약
Walking, one of the green modes of transportation, is very important for the transition to a sustainable city. In addition, as it has been confirmed that a pleasant walking environment has a positive effect on health of local residents, many cities around the world are promoting the creation of an eco-friendly and people-centered walking environment as the top agenda in urban planning. As the awareness of the importance of the walking environment has increased, many studies have been conducted to identify the physical components that constitute the walking environment and to find out what kind of walking environment people consider good for walking. Existing methods for analyzing the qualitative walking environment based on surveys targeting residents or experts showed limitations in their representativeness. On the other hand, the recent development of high-resolution street view images and deep learning technology makes it possible to obtain detailed perceived walkability scores by using paired comparison data for street view images as a training set. However, perceived walkability score prediction based on deep learning technology has limitations in providing an answer to why such evaluation score was obtained. The purpose of this study is to analyze the characteristics of the urban landscape that affect the perceived walkability based on street view images. In this study, we tested various machine learning models with the perceived walkability score of the street image as the dependent variable and the semantic segmentation ratio value of the street view image as the independent variable. According to our study, the regression equation of the support vector machine was the most accurate. And in predicting the perceived walkability score, the importance of the object was in the order of roads, sidewalks, buildings, trees, and the sky. Our study showed that the higher the segmentation value, the higher the perceived walkability score for sidewalk, streetlight, road, grass, and tree. On the contrary, the higher the segmentation value, the lower the score for ashcans, mountains, trucks, and walls. This study is meaningful in that it was possible to identify important objects and their direction that affect the evaluation of the walking environment through the machine learning model, and to partially explain the perceived walkability score predicted by the deep learning model.
more