| 1차년도 |
가로 이미지 DB구축 및 시지각·인지 기반 근린경관 평가 기법 개발
|
본 연구는 시민들이 근린경관에 대해 품고있는 정서적 정보들을 정량화·객관화 하는 것에 초점을 맞추고 있으며, 이를 위하여 서울시의 대표적인 근린을 추출하여 연구를 진행하고자함. 대표 근린의 추출은 첫째, 서울시 도시개발사업으로 진행된 구역, 둘째, 도시개발사업인 토지구획정리사업에 해당하는 구역으로 함. 택지개발사업은 대규모 아파트개발이며, 이 경우는 대규모단지 형태로 동일한 경관이 조성되어있는 경향이 강하기 때문에 본 연구의 성격상 맞지 않아 제외함. 마지막으로 각 시대별 개발 형태가 유사하므로 시대별로 대표 개발 지구를 선정하여 연구를 진행함. 시대별 대표대상지는 1960년대 이전 ‘돈암지구’, 1960년대 ‘면목지구’, 1970년대 ‘잠실지구’, 1980년대 가락지구 등이며, 선정된 대상지에서 근린경관에 대한 샘플링을 실시함. 이때 근린경관은 ‘단독주택 밀집지역’, ‘다세대·다가구주택 밀집지역’, ‘빌라 밀집지역’ 등으로 주택의 형태에 따라 유형화 하여 가로뷰을 추출함. 가로뷰의 데이터는 평균 10m당 1개의 지점단위로 있으므로 한 지구당 평균 1만개 가량 있을 것으로 가정할 때, 딥러닝의 학습데이터는 예측데이터의 4개소는 예측 16개소, 약 16만개 이미지 추출함. 수집된 이미지 DB의 신뢰성을 확보하기 위해서 가로뷰 파노라마에서 고정된 각도의 이미지를 추출하며, 수집된 이미지 중 다른 이미지에 비해 이미지의 밝기, 채도 등의 특징이 상이한 경우 이를 제거하는 방법으로 데이터의 특이성으로 생기는 오차를 줄임. 경관에 대한 평가는 전적으로 보행자가 시각을 통해 정보를 습득 하는 과정에서 발생함. 따라서 보행자의 지각·인지의 과정에 대한 분석이 필요함. 이를 위해 보행자의 시각에 우선적으로 인지되고 집중되는 요소 도출을 위한 Eye-tracking 분석을 진행하고 이와 병행하여 경관 형용사 설문을 실시함. Eye-tracking 분석은 사람이 사물을 보는 과정상에서의 안구경로를 추적하는 테스트임. 근린경관에 접목하면 근린경관의 가로환경에서 사람들이 어떠한 구성요소에 먼저 시선이 가는지에 대한 확인 및 비교분석이 가능함. 실험을 위해서 다음의 세 가지 사항이 필요함. 첫째, 실험에 활용할 근린경관 사진을 위한 사항으로, 사진은 앞서 선정된 근린경관 기초 샘플 지점을 유형별로 선별하여 직접 촬영하여 사용함. 사진은 사람의 눈높이 수준인 1.5m 지점에서 삼각대를 사용하여 진행하며, 맑은 날에 촬영을 실시함. 이 때 보행자 및 차량에 의한 영향을 최소화하기 위하여 포토샵을 이용하여 보행자와 차량을 최대한 삭제한 사진을 사용함. 둘째, 실험환경 조성을 위한 사항으로, 컴퓨터와 Eye tracking 기기를 연결하여 피실험자의 시선경로 추적환경을 조성함. 경관 사진조사의 실험 특성상 빛 요소의 영향력 때문에 실험실 내 햇빛을 차단하고 형광등의 밝기를 조절함. 셋째, 실험참여자 모집사항임. 참여자는 시각적인 장애가 없는 사람들로 구성되며, 실험 전 진행과정에 대한 내용을 교육을 받은 후 본 실험에 참가토록 함. 실험참가 후에는 추가적으로 설문을 실시하여 어떠한 환경요소가 가장 기억에 남는지에 대한 자료를 수집함. Eye-tracking 실험 후 진행되는 설문문항은 가로경관에 대한 기존의 선행연구를 검토하여 이미지형용사를 추출하며, 본 연구에 맞는 항목으로 최종 수정·보완하여 사용 함. 각 항목별 측정은 리커트 5점 척도로 진행함. 근린경관의 물리적 요소에 대한 시선분포 패턴분석은 ‘정면부’, ‘창공면’, ‘바닥면’, ‘1층부 입면’, ‘건축물상층부입면’, ‘1층부 간판라인’, ‘도출간판’, ‘녹지’, ‘기타시설물’ 등의 분류로 진행함. 이를 기준으로 실험참여자들의 시선분포를 분석하여, 시선이 단순히 사진 상 특정구간에 집중이 되는지 혹은 특정 물리적 요소에 집중이 되는지 알아보고 각 경관 별 차이가 나타나는지 확인함. 또한 피실험자의 실제 시선분포 기록과 피실험자가 강하게 인지하는 요소로 작성한 설문 및 이미지 형용사 설문과의 상관성을 분석함. 분석모델의 경관의 신뢰도를 검증하기 위하여 목표 학습 데이터의 50%이상이 수집될 때, 같은 수의 이미지를 중복되지 않게 샘플들을 추출하고, 상관분석의 평균 R2 값의 변동을 Cronbach’s alpha를 사용하여 통계적으로 검증함. 또한, 실험을 진행하면서 실험자의 개인특성에 따른 편향을 통제하기 위하여 나이, 성별, 인근지역 거주 여부를 추가로 조사하여 개인특성과 상관성이 높은 요인은 제거함
|
| 사회 경제적 파급효과 |
지금까지 공공에서의 지역 및 근린에 대한 관리는 공무원 등 특정 인력에 의해 자료가 수집되고 진행되었음. 그러나 기계학습을 통해 매년 갱신되는 가로뷰 데이터를 바탕으로 지역과 근린에 대한 모니터링이 진행된다면, 여기에 소비되는 인력 절감의 효과를 가져 올 수 있음. 도시 내 낙후된 지역 도출과 이에 대한 개선방향이 플랫폼을 통해 반자동적으로 구동 될 수 있음. 지금까지 새로운 주택을 선택할 때 접근가능 한 정보는 가격, 위치, 학교 등 맵 기반, 부동산시장기반의 정보로 한정적이었음. 이에 반해 주거지 선택에 있어서 각자가 살아가는 근린에 대한 쾌적성, 안전성 등 지역 이미지와 분위기가 어떤지에 대한 정보는 언제나 중요한 요소임. 본 플랫폼을 통하여 사람들은 모든 근린에 대한 이미지 구독이 가능하고 이는 주거지 정보의 폭을 넓히며, 보다 정교하게 각자가 원하는 근린에 대한 선택을 하는데 매우 큰 활용성을 가지게 될 것임. 근린경관에 대한 지속적인 피드백과 관리가 진행된다면, 최종적으로는 근린경관의 향상과 함께 해당 지역에 거주하고 있는 주민들의 삶의 질에 긍정적인 영향을 미칠 것임
|
이 누리집은 대한민국 공식 전자정부 누리집입니다.
