[논문 리뷰] Urban morphology meets deep learning: Exploring urban forms in one million cities, town and villages across the planet

Vahid Moosavi|arXiv (Cornell University)|2017. 09. 09.

Land Use and Ecosystem Services참고 문헌 33인용 수 9

한 줄 요약

이 논문은 전 세계 100만 개 이상의 도시, 마을, 농촌 지역의 도로망 이미지를 바탕으로 깊이 있는 컨볼루션 오토인코더를 사용하여 도시 형태의 조밀하고 계층적인 벡터 표현을 학습하는 딥러닝 프레임워크를 제안한다. 주요 기여는 전 세계 도시 패tern 탐색을 위한 확장 가능하고 비지도 학습 기반의 방법으로, 공간적 구조, 밀도, 방향성에 기반한 도시 형태의 유사성 검색, 군집화 및 시각화를 가능하게 한다.

ABSTRACT

Study of urban form is an important area of research in urban planning/design that contributes to our understanding of how cities function and evolve. However, classical approaches are based on very limited observations and inconsistent methods. As an alternative, availability of massive urban data collections such as Open Street Map from the one hand and the recent advancements in machine learning methods such as deep learning techniques on the other have opened up new possibilities to automatically investigate urban forms at the global scale. In this work for the first time, by collecting a large data set of street networks in more than one million cities, towns and villages all over the world, we trained a deep convolutional auto-encoder, that automatically learns the hierarchical structures of urban forms and represents them via dense and comparable vectors. We showed how the learned urban vectors could be used for different investigations. Using the learned urban vectors, one is able to easily find and compare similar urban forms all over the world, considering their overall spatial structure and other factors such as orientation, graphical structure, and density and partial deformations. Further cluster analysis reveals the distribution of the main patterns of urban forms all over the planet.

연구 동기 및 목표

• 伝통적인 도시 형태 연구의 한계를 해결하기 위해, 작은 질적 샘플에 의존하고 재현성이 부족한 점을 개선한다.
• 제한된 데이터와 일관되지 않은 방법으로 인한 정량적 도시 형태 분석의 확장성과 일관성 문제를 해결한다.
• 대규모 개방형 도시 데이터(OpenStreetMap)와 딥러닝을 활용하여 대규모, 자동화되고 비교 가능한 도시 형태 분석을 가능하게 한다.
• 세계 각지의 지리적 맥락에서 구조적, 방향성, 밀도 기반 유사성을 포괄하는 보편적인 도시 형태 표현을 개발한다.
• 학습된 임베딩을 기반으로 전 세계 도시 형태 검색 엔진과 비교 도시 연구 도구의 기반을 마련한다.

제안 방법

• 전 세계 100만 개 이상의 도시 위치에서 OpenStreetMap을 통해 도로망 이미지를 수집하였다.
• 도시 형태의 공간적 구조와 형태적 특징을 유지하면서도 압축된 조밀한 벡터 표현을 학습하기 위해 깊이 있는 컨볼루션 오토인코더를 훈련시켰다.
• 유사성 계산을 위해 학습된 벡터를 정규화된 유클리드 거리 기반으로 활용하여 유사한 도시 형태를 식별하였다.
• 자기조직화 지도(SOM)를 적용하여 지구 전역의 도시 형태의 위상적 분포를 시각화하고 군집 및 공간 패턴을 파악하였다.
• 80% 유사성 임계값과 2,000개의 군집을 사용하여 주요 도시 형태를 식별하기 위한 군집 분석을 수행하였다.
• 북미 지역의 도시 형태에 대해 특화된 SOM을 훈련시켜 이행성(transferability)을 검증하고 주요 메트로폴리탄 지역 주변의 도시 발전 패턴을 드러내었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 글로벌 스케일에서 도시 형태의 의미 있고 비교 가능한 표현을 자동으로 학습할 수 있는가?
• RQ2 세계 각지의 도시 형태에서 지배적인 형태 패턴은 무엇인가?
• RQ3 도시 형태는 구조적, 방향성, 밀도 기반의 유사성에 따라 어떻게 군집화되는가?
• RQ4 학습된 도시 벡터는 다양한 글로벌 도시 맥락에서 확장 가능한 유사성 검색과 비교를 지원할 수 있는가?
• RQ5 학습된 표현은 특정 지역에서 도시 발전의 공간 패턴을 어느 정도 드러낼 수 있는가?

주요 결과

• 깊이 있는 컨볼루션 오토인코더는 글로벌한 구조적 및 밀도 기반의 유사성을 포착하는 계층적이고 조밀한 도시 형태의 벡터 표현을 성공적으로 학습하였다.
• 80% 유사성 임계값과 2,000개의 군집을 사용한 자기조직화 지도(SOM)는 주로 고리형 위상의 주요 도시 형태를 드러내었으며, 고유하고 빈도가 낮은 패턴들이 긴 尾(꼬리)를 이룬다.
• 군집 분포는 자연스러운 고리형 구조를 보였으며, 반복적으로 나타나는 주요 도시 형태의 코어 집합이 존재하고, 희귀하거나 매우 특수한 형태들이 긴 꼬리에 해당함을 시사한다.
• SOM 시각화에서 색상으로 구분된 노드는 유사한 도시 형태가 함께 군집되어 있음을 확인하였으며, 북미 지역의 공간 패턴은 지역적 발전 추세를 반영하고 있었다.
• 학습된 벡터는 부분적인 변형이나 방향성의 차이가 있는 경우에도 효과적인 도시 형태 간 비교 및 검색을 가능하게 하였다.
• 이 프레임워크는 이행성을 입증하였으며, 지역별 특화된 SOM(예: 북미)는 주요 메트로폴리탄 지역 주변의 의미 있는 도시 발전 패턴을 드러내었다.