AutoML을 활용한 인지적인 도시 환경 평가에 영향을 미치는 가로경관 요소 분석

Abstract

The urban environment is closely linked to the quality of life of citizens, and ongoing policy efforts are being made to systematically manage it through urban planning. In particular, since the 2000s, major cities have focused on improving aging urban environments. Effective urban management requires a comprehensive process of assessing and analyzing the urban environment, which includes not only objective assessments of physical surroundings but also qualitative assessments that capture citizens' perceptions of their surroundings. With improved accessibility to street view images(SVIs) and advancements in deep learning technology, recent studies have proposed various approaches to assess perceived urban environments using SVIs and deep learning models. Given the difficulty in interpreting the decision-making process due to the structural complexity of deep learning models, some studies have focused on identifying factors that influence qualitative assessment results to enhance interpretability. However, domestic research using this methodology is still insufficient, and is needed to analyze influencing factors that may differ from existing research results due to the unique urbanization processes and characteristics of Korean cities. From a methodological perspective, it is also necessary to adopt AutoML techniques that automate the selection and optimization of machine learning models to enhance the efficiency of the analysis. This study aims to propose a methodology for analyzing the factors influencing qualitative assessments of urban environments using AutoML techniques. The objective is to explain the decision-making processes of deep learning models for qualitative assessments and to identify the influence of various factors on the perceived environment of the city. To this end, the study was conducted through the following key steps: First, perceived walking environment and crime anxiety scores were collected using SVIs and RSS-Swin model. Second, the proportion of streetscape elements and image brightness were extracted from the SVIs used in the assessment. In this step, the object ratio was calculated using SegFormer-B5, a semantic segmentation model, and the extracted features were structured as independent variables. Third, AutoML was utilized to compare the performance of various machine learning models, and the optimal model for explaining the influencing factors of perceived walking environment and crime anxiety was selected. Fourth, the factors influencing each qualitative assessment were analyzed using the selected optimal machine learning model and SHAP values. The analysis identified key factors influencing qualitative assessments of urban environments, including sidewalks, openness, trees, buildings, and SVIs brightness. Positively perceived SVIs showed a high ratio of sidewalk, openness, tree, and traffic light, along with higher brightness. In contrast, negatively perceived SVis were associated with closed or poorly maintained areas with a high ratio of wall, pole, and bare ground. Additionally, the analysis revealed factors that had different effects depending on the qualitative assessment type, as well as those that varied in influence based on object types or proportions. For instance, the perceived walking environment assessments tended to rate environments with high vehicle ratios as poor due to perceived congestion, whereas the crime anxiety assessment rated such areas as less fearful, likely due to increased crowdedness and human activity. Grass also had a complex effect: when appearing as well-maintained flowerbeds, it was associated with walkable environments, but poorly maintained grass in parks or mountainous areas was viewed negatively. Building ratios also influenced assessments differently, depending on the threshold level, in both perceived walking environment and crime anxiety assessments. After identifying these influencing factors through machine learning model analysis, the perceived walking environment and crime anxiety scores were compared to interpret the regional characteristics revealed in SVIs. The results of this analysis provided insights into the correlation between perceived walking environments and crime anxiety, highlighting the features of urban environments that are perceived positively or negatively. This study proposes an efficient methodology for interpreting streetscape elements that influence qualitative assessments of urban environments evaluated using deep learning, using AutoML techniques. Using the selected machine learning models, the overall influencing factors were analyzed, and the characteristics of the top and bottom groups, based on qualitative assessment scores, were compared to identify the key features in detail. Through this process, the study demonstrates how various features observed in streetscapes are reflected in perceived environments. These insights can be utilized in the step of identifying areas in need of environmental improvement in urban planning and designing specific plans.;도시 환경은 시민의 삶의 질과 밀접하게 연관되며, 도시 계획을 통해 이를 체계적으로 관리하려는 정책적 노력이 계속되고 있다. 특히, 2000년대 이후 주요 도시에서는 노후화된 도시 환경을 개선하는 것에 중점을 두고 있다. 도시 관리를 위해서는 도시 환경을 상세하게 평가하고 분석하는 과정이 필요하며, 객관적으로 관찰되는 물리 환경에 대한 평가뿐만 아니라 시민이 인식하는 도시 환경과 관련한 정성적인 평가도 동반되어야 한다. 거리영상 자료에 대한 접근성이 향상되고 딥러닝 기술이 발전하면서, 거리영상 이미지와 딥러닝 기술을 활용하여 도시 환경을 정성적으로 평가하는 다양한 연구가 제시되고 있다. 딥러닝 모델의 의사결정과정을 설명하기 위해 정성평가 결과에 어떤 요인이 영향을 미쳤는지 파악하고자 하는 연구가 진행되기도 하였다. 그러나 이러한 방법론을 활용한 국내 연구는 아직 부족하며, 우리나라의 도시화 과정과 도시 구조 특성을 반영할 때 기존 연구 결과와는 다른 영향 요인이 나타날 수 있으므로, 이에 대한 분석이 필요하다. 분석 방법론 측면에서도 머신러닝 모델을 선정하고 최적화 과정을 자동화하는 AutoML 기법을 도입하여 분석의 효율성을 높이는 접근이 필요하다. 본 연구는 도시 환경 정성평가에 영향을 미치는 요인을 AutoML 기법을 통해 분석하는 방법론을 제시하고, 이를 통해 정성평가 딥러닝 모델의 의사결정과정을 설명하며, 도시의 인지적 환경에 대한 각 요인의 영향력을 확인하는 것을 목적으로 한다. 이를 위해 다음 주요 단계에 따라 연구를 진행하였다. 첫째, 거리영상 이미지와 RSS-Swin 모델을 사용하여 평가한 인지적 보행환경 및 범죄 불안감 점수를 수집하였다. 둘째, 평가에 사용된 거리영상 이미지에서 가로경관 요소의 비율과 이미지 밝기를 추출하였다. 이때, 시멘틱 세그먼테이션 모델인 SegFormer-B5를 사용하여 객체 비율을 도출하였으며, 추출된 거리영상 이미지의 특징에 기반하여 독립변수로 구축하였다. 셋째, AutoML을 사용하여 다양한 머신러닝 모델의 성능을 비교하고, 인지적 보행환경과 범죄 불안감의 영향 요인을 설명하는 최적의 모델을 도출하였다. 넷째, 도출한 최적의 머신러닝 모델과 SHAP value를 사용하여 각 정성평가에 영향을 미친 요인을 분석하였다. 분석 결과, 도시 환경 정성평가에 큰 영향을 미치는 요인으로 보도, 개방감, 나무, 건물, 거리영상 이미지 밝기가 제시되었다. 긍정적으로 인식되는 거리영상 이미지에서는 보도, 개방감, 나무, 신호등 등의 비율이 높으면서 밝다는 특징이 나타났고, 부정적으로 인식되는 거리영상 이미지는 벽, 기둥, 나지의 비율이 높은 폐쇄적이거나 관리가 되지 않은 지역과 연관되었다. 두 정성평가에서 객체의 유형 또는 비율에 따라 다른 방향으로 영향을 미치는 요인 등도 확인할 수 있었다. 먼저, 인지적 보행환경 평가에서는 차량 등이 많아 혼잡해 보일 경우 열악하다고 평가되었으나, 범죄 불안감 평가에서는 혼잡하고 활성화된 지역에서 상대적으로 불안하지 않다고 평가되었다. 잔디는 거리영상 이미지에서 화단으로 나타날 때는 걷기 좋다고 느끼게 하지만, 공원이나 산지의 잘 관리되지 않은 초지일 경우에는 걷기 나쁘다고 인식되었다. 건물의 경우, 두 정성평가에서 모두 일정 비율을 기준으로 변수의 작용 방향이 달라졌다. 머신러닝 모델에 기반하여 영향 요인을 분석한 이후, 두 정성평가 점수를 비교하고 정성평가 결과를 바탕으로 거리영상 이미지에서 드러나는 지역의 특성을 해석하였다. 이와 같은 분석 결과를 통해 인지적 보행환경과 범죄 불안감 간의 상관관계를 파악하고, 긍정적으로 인식되거나 부정적으로 인식되는 도시 환경의 특성을 확인할 수 있었다. 본 연구는 AutoML 기법을 활용하여 딥러닝을 통해 평가된 도시 환경에 대한 정성적인 평가 결과에 영향을 미치는 가로 환경 요소를 해석하는 효율적인 방법론을 제안한다. 도출한 머신러닝 모델을 사용하여 전반적인 영향 요인을 분석한 후, 정성평가 점수를 기준으로 상·하위 그룹에서 나타나는 특징을 비교하고 주요 요인의 특성을 상세하게 파악하였다. 이러한 과정을 거쳐 가로 환경에서 관찰되는 다양한 경관 특징이 인지적인 환경에서 어떻게 반영되는지를 보여주었다. 이는 도시 계획에서 환경 개선이 필요한 지역을 파악하고 구체적인 계획을 설계하는 단계에서 활용될 수 있다.