DOI QR코드

DOI QR Code

Evaluating the Impact of Walkability Environments on Leisure Walking Using Google Street View and Deep Learning - A Case Study of Yongsan District, Seoul -

구글 스트리트 뷰와 딥러닝을 활용한 보행 친화적 환경이 여가보행에 미치는 영향 평가 - 서울특별시 용산구를 대상으로 -

  • Lee, Da-Yeon (Dept. of Landscape Architecture, College of Urban Science, The University of Seoul) ;
  • Lee, Ji-Yun (Dept. of Landscape Architecture, College of Urban Science, The University of Seoul) ;
  • Lee, Jae Ho (Dept. of Landscape Architecture, College of Urban Science, The University of Seoul)
  • 이다연 (서울시립대학교 조경학과) ;
  • 이지윤 (서울시립대학교 조경학과) ;
  • 이재호 (서울시립대학교 조경학과)
  • Received : 2024.06.11
  • Accepted : 2024.07.04
  • Published : 2024.08.31

Abstract

This study aims to distinguish between utilitarian walking and leisure walking activities and analyze the correlation between these types of walking and the walking environment. To measure the walking environment, we utilized Google Street View (GSV) and employed semantic segmentation deep learning techniques to quantitatively assess urban walking environment elements as perceived by pedestrians. A survey was conducted to measure utilitarian walking, leisure walking, and perceived walking environment satisfaction, collecting valid responses from 192 participants. Using the survey data, we visualized utilitarian walking, leisure walking, and perceived walking environment satisfaction, and analyzed the correlation between these variables and the walkability scores. The results indicated that leisure walking had a significant positive correlation with walkability (Pearson's r = 0.121, p-value = 0.012), while there was no significant correlation between utilitarian walking and walkability (Pearson's r = 0.093, p-value = 0.055). These findings suggest that people prioritize mobility efficiency over the walking environment for utilitarian walking, whereas the quality of the walking environment significantly influences the frequency of leisure walking. Based on these results, the study proposes specific strategies to improve the walking environment around residential areas to promote leisure walking. These strategies include creating vertical gardens or various forms of three-dimensional gardens on narrow walkways and improving sidewalk design. The findings of this study can contribute to promoting leisure walking by creating walk-friendly environments, ultimately enhancing urban sustainability and the quality of life for residents.

본 연구는 보행 활동을 일상보행(utilitarian walking)과 여가보행(leisure walking)으로 구분하고, 보행 유형과 보행 환경 간의 상관관계를 분석하고자 한다. 연구 대상지는 서울특별시 용산구로, 보행환경 측정을 위해 구글 스트리트뷰(Google Street View: GSV)와 의미론적 분할(semantic segmentation) 딥러닝 기법을 활용하여 보행자가 실제로 체감하는 도시 보행환경 요소들을 정량적으로 산출하였다. 일상보행과 여가보행, 인지적 보행환경 만족도를 측정하기 위해 설문조사를 실시하여 192명의 유효 응답을 수집하였고, 설문 응답 데이터를 바탕으로 일상보행, 여가보행, 보행환경 만족도를 시각화하고, 보행친화도 값 간의 상관관계를 분석하였다. 연구 결과, 여가보행과 보행친화도는 유의미한 양의 상관관계를 보였으나(Pearson's r= 0.121, p-value= 0.012), 일상보행과 보행친화도 간에는 유의미한 상관관계가 없었다(Pearson's r= 0.093, p-value= 0.055). 이는 사람들이 일상보행에서는 보행환경보다 이동 효율성을 더 중요하게 고려하지만, 여가보행에서는 보행환경의 질을 고려하여 보행 빈도가 결정된다는 결과를 보여준다. 이러한 결과를 바탕으로 본 연구는 여가보행을 증진시키기 위해 주거지 주변의 보행환경을 개선하는 방안으로, 좁은 보행로에 수직 정원이나 다양한 형태의 입체적 정원을 조성하고, 보도 디자인을 개선하는 등의 구체적인 전략이 필요함을 제시한다. 본 연구 결과는 보행 친화적인 환경 조성을 통해 여가보행을 활성화하고, 궁극적으로 서울시의 지속 가능성과 주민들의 삶의 질을 향상시키는 데 기여할 수 있을 것이다.

Keywords

References

  1. 강창덕(2013) 서울시 보행 편의성 지수 측정과 정책과제. 서울연구원 연구보고서 14(4): 1-25.
  2. 기동환(2021) Google Street View와 딥러닝을 활용한 서울시 녹지 형평성 분석. 대한국토도시계획학회지 56(4): 194-211.
  3. 김규리, 이제선(2016) 보행공간 요소에 대한 보행자의 인지 및 보행만족도에 관한 연구. 한국도시설계학회지 17(3): 89-103.
  4. 김창국, 임하나, 최창규(2016) 보행 목적별 보행자 만족도에 영향을 미치는 근린 건조 환경 구성요소 특성 분석. 대한국토도시계획학회지 51(4): 145-159.
  5. 박근덕, 기동환, 이수기(2021) 서울시 가로환경 요소의 시각적 특성이 보행만족도에 미치는 영향 분석 - 구글 가로이미지와 딥러닝 의미론적 분할 기법을 활용하여. 한국도시설계학회지 22(3): 55-72.
  6. 서울특별시(2022) 2022년 도시정책지표 조사 결과 보고서. 서울특별시.
  7. 이신해(2016) 걷는 도시 서울. 서울연구원.
  8. 이수기, 이윤성, 이창관(2014) 보행자 연령대별 보행만족도에 영향을 미치는 가로환경의 특성분석. 대한국토도시계획학회지 49(8): 91-105.
  9. 이지윤, 강영옥, 김지연, 박지영(2022) 기계학습을 이용한 보행환경 정성적 평가에 영향을 미치는 거리영상 특성 분석. 한국지리학회지 11(3): 375-391.
  10. 유승재, 하정원, 김혜준, 기동환, 이수기(2021) 서울시 가로경관 이미지에 대한 주관적 인지에 영향을 미치는 가로 환경 요인 분석. 대한국토도시계획학회지 56(2): 79-93.
  11. 조혜민, 이수기(2016) 보행목적별 보행활동시간에 영향을 미치는 근린환경 특성 분석. 대한국토도시계획학회지 51(4): 105-122.
  12. 정동기, 이임평(2021) 드론 영상으로부터 월동 작물 분류를 위한 의미론적 분할 딥러닝 모델 학습 최적 공간 해상도와 영상 크기 선정. 대한원격탐사학회지 37(6): 1573-1587.
  13. 최재연, 김소망, 강영옥(2024) 어디가 더 걷기 좋다고 생각하십니까? 거리영상과 샴 네트워크 기반의 딥러닝 모델을 활용한 정성적 보행환경 평가. 한국도시지리학회지 27(1): 65-79.
  14. 한명주(2015) 보행자 행태를 반영한 보행공간 분석 프로그램. 철도저널 18(3): 103-108.
  15. 한영천(2016) 보행자 중심의 보행환경개선에 관한 연구. 전북대학교 환경대학원 석사학위논문.
  16. 한효진(2023) 보행 친화적 가로환경이 개인의 주관적 건강에 미치는 영향. 한양대학교 도시대학원 석사학위논문.
  17. Basu, N., O. Oviedo-Trespalacios, M. King, M. Kamruzzaman, and M. M. Haque(2022) The influence of the built environment on pedestrians' perceptions of attractiveness, safety and security. Transportation Research Part A: Policy and Practice 87: 203-2018. https://doi.org/10.1016/j.trf.2022.03.006
  18. Biljecki F. and K. Ito(2021) Street view imagery in urban analytics and GIS: A review. Landscape and Urban Planning 215: 104217.
  19. Cao, X., P. L. Mokhtarian and S. L. Handy(2009) No particular place to go: An empirial analysis of travel for the sake of travel. Environment and Behavior 41(2): 233-257. https://doi.org/10.1177/0013916507310318
  20. Christman Z., M. Wilson-Genderson, R. H. Allison and R. Pruchno(2019) The effects of neighborhood built environment on walking for leisure and for purpose among older people. Gerontologist(Oxford Academic) 60(4): 651-660. https://doi.org/10.1093/geront/gnz093
  21. Eynard, E., G. Melis, and M. Tabasso(2020) Walkable urban environments for wellbeing: An analysis of walkability in the city of Torino. International Journal of Urban Planning and Smart Cities 1(2): 17-29. https://doi.org/10.4018/IJUPSC.2020070102
  22. Fernando F., F. Escolastica and R. Rui(2022) Walkable cities: Using the smart pedestrian net method for evaluating a pedestrian network in Guimaraes, Portugal. Sustainability 2022 14(16): 10306.
  23. Hatamzadeh, Y., M. Habibian and A. Khodaii(2014) Walking behaviors by trip purposes. Transportation Research Record Journal of the Transportation Research Board 2464(1): 118-125. https://doi.org/10.3141/2464-15
  24. He, S., S. Yu, L. Ai, J. Dai and C. K. L. Chung(2024) The built environment, purpose-specific walking behaviour and overweight: evidence from Wuhan metropolis in central China. International Journal of Health Geographics 23(2): 1-14. https://doi.org/10.1186/s12942-023-00360-5
  25. Jing, T., T. Ming and W. Julian(2020) The Effect of Path Environment on Pedestrians' Route Selection: A Case Study of University of Cincinnati. POST-CARBON - Proceedings of the 27th CAADRIA Conference, 575-584.
  26. Kim, H., J. H. Lee and S. Lee(2023) A hybrid image segmentation method for accurate measurement of urban environments. Electronics 12(8): 1845.
  27. Meng, L., K.-H. Wen, Z. Zeng, R. Brewin, X. Fan and Q. Wu(2020) The impact of street space perception factors on elderly health in highdensity cities in Macauanalysis based on street view images and deep learning technology. Sustainability 12(5): 1799.
  28. Mirzaei, E., R. Kheyroddin, M. Behzadfar, and D. Mignot(2018) Utilitarian and hedonic walking: examining the impact of the built environment on walking behavior. European Transport Research Review 20(10): 1-14. https://doi.org/10.1186/s12544-018-0292-x
  29. Nagata, S., T. Nakaya, T. Hanibuchi, S. Amagasa, H. Kikuchi, and S. Inoue(2020) Objective scoring of streetscape walkability related to leisure walking: Statistical modeling approach with semantic segmentation of Google street view images. Health and Place, 66.
  30. Panter, J., and D. Ogilvie(2017) Can environmental improvement change the population distribution of walking? International Journal of Behavioral Nutrition and Physical Activity 71: 528-535. https://doi.org/10.1136/jech-2016-208417
  31. Wood, M. S., K. Velauthapillai, G. O'Brien and N. A. Ross(2019) Assessing the micro-scale environment using Google street view: The virtual systematic tool for evaluating pedestrian streetscapes (Virtual-STEPS). BMC Public Health 19: 1-11. https://doi.org/10.1186/s12889-018-6343-3
  32. Xia, Y., N. Yabuki, and T. Fukuda(2021) Development of a system for assessing the quality of urban street-level greenery using street view images and deep learning. Urban Forestry & Urban Greening 59(3): 126995.
  33. Yamada, S. and H. Takayanagi(2023) Study on walking acceleration characteristics for the purpose of evaluating ease of walking. Aij Journal of Technology and Design 29(72): 999-1004. https://doi.org/10.3130/aijt.29.999