머신러닝을 이용한 부정형 필지의 유형화 = Typification of Irregular Shaped Land Parcels Using Machine Learning

다국어 초록 (Multilingual Abstract)

The shape of land parcels greatly affects land value, the density of buildings, and the shape of a building. Although the Korean system classifies parcel shapes into 6 types, there are irregularly shaped land parcels that cannot be classified. Irregular shaped land parcels impose many restrictions on the arrangement and form of buildings, and these restrictions are even more severe with small parcels. Until now, studies on the shape of parcels have been conducted, but studies on irregularly shaped land parcels have been insufficient. Therefore, this study aims to typify irregular shaped land parcels that are difficult for humans to distinguish by applying machine learning methodology and to identify the characteristics of each type. The subject of this study is irregular shaped land parcels in the class-II general residential areas of Seoul; there were 500 sample parcels extracted and used for analysis. Irregular shaped land parcels were typified using K-means clustering, which is a representative method of unsupervised learning to solve classification problems. Afterwards, the values of Shape Index (SI), STandard Index (STI), and With-depth Ratio (WR), which are indices related to parcel shape, were compared by type. Upon analysis, the types of irregular parcels could be divided into avocado type, potato type, corner type, bell type, stick type, and L-shaped type. The stick type and L-shaped type reflected small SI values. The avocado type, corner type, and L-shaped type revealed small STI values. Lastly, the WR value was substantial for the stick type and L-shaped type.

국문 초록 (Abstract)

필지의 형태는 경제적 가치, 건물의 밀도, 건물의 형태 등에 큰 영향을 미친다. 국내 제도에서는 필지의 형태를 6가지로 분류하고 있으나, 여기에는 구분하지 못한 부정형 필지가 존재한다. 부정형 필지는 토지의 건축물의 배치와 형태에 많은 제약을 가하며, 이 같은 제약은 소형필지인 경우에는 더욱 심하다. 그동안 필지의 형태에 대한 연구가 이루어져 왔으나, 부정형 필지에 대한 연구는 매우 부족하다. 이에 본 연구는 사람이 구분하기 어려운 부정형 필지를 대상으로, 머신러닝 방법론을 적용하여 유형화고자 하고 유형별 특징을 확인하는 것을 목적으로 한다. 본 연구의 대상은 서울시 2종일반주거지역의 부정형필지이며, 500개의 표본을 추출하여 분석에 활용하였다. 분류문제를 해결하는 비지도학습의 대표적인 방법인 K-mean 클러스터링을 이용하여 부정형 필지를 유형화하였다. 이후 유형별로 필지 형상과 관련한 지수인 SI, STI, WR의 값을 비교하였다. 분석결과는 다음과 같다. 첫째, 부정형 필지의 유형은 아보카도형, 감자형, 모서리형, 종형, 막대기형, L형으로 나누어졌다. 둘째, 막대형과 L형은 SI 값이 작게 나타났다. 셋째, STI는 아보카도형, 모서리형, L형이 작게 나타났다. 셋째, 막대형과 L형은 WR값이 크게 나타났다.

참고문헌 (Reference)

• 1 이인성 ; 임상준 ; 김충식, "필지형상이 개발밀도에 미치는 영향 분석 - 서울시 강동구 천호ㆍ암사 지구단위계획구역을 대상으로" 한국도시설계학회 10 (10): 151-162, 2009
• 2 최진호 ; 이석희, "필지의 기하학적 특성 정보와 의사결정트리 기법을 활용한 토지 형상 인식 방법론 연구" 한국부동산원 3 (3): 19-34, 2017
• 3 梁承雨, "조선후기 서울의 도시조직 유형연구" 서울大學校 大學院 1994
• 4 원석환 ; 황철수, "의사결정나무와 서포트 벡터 머신 모델을 활용한 토지이용 변화 시뮬레이션: 통일 후 북한 도시를 대상으로" 국토연구원 97 : 41-56, 2018
• 5 김동영 ; 정성원, "시·공간 데이터를 활용한 머신러닝 기반 범죄예측모형 비교" 대한건축학회 37 (37): 135-143, 2021
• 6 윤성범 ; 문성철 ; 박순용 ; 김태현, "서울 데이터 기반 필지별 용도전환 발생 예측" 한국방송∙미디어공학회 25 (25): 176-184, 2020
• 7 오지훈 ; 김정섭, "머신러닝을 활용한 서울시 아파트 물리적 특성 변수들의 비선형 영향 분석: 다변량 적응 회귀 스플라인 모형의 적용" 한국감정평가학회 17 (17): 5-26, 2018
• 8 신동윤, "머신러닝을 통한 건축 도시 데이터 분석의 기초적 연구 - 딥러닝을 이용한 유동인구 모델 구축 -" 한국BIM학회 9 (9): 22-31, 2019
• 9 이주미 ; 박성훈 ; 조상호 ; 김주형, "머신러닝을 이용한 부동산 지수 예측 모델 비교" 대한건축학회 37 (37): 191-199, 2021
• 10 유동철 ; 김경수 ; 최창호 ; 조성은 ; 장향인, "머신러닝기반 저층 주거 건물 에너지소요량 예측 모델 개발 - 단독주택, 다세대, 연립주택을 대상으로" 한국건축친환경설비학회 15 (15): 152-165, 2021
• 11 허선영 ; 김주영 ; 문태헌, "머신러닝기반 범죄발생 위험지역 예측" 한국지리정보학회 21 (21): 64-80, 2018
• 12 윤규섭 ; 이주미 ; 고선주 ; 김희정 ; 김주형, "머신러닝 분석을 통한 분양가 상한제의 주택시장 영향 연구" 대한건축학회 37 (37): 221-228, 2021
• 13 이성우 ; 태성호, "머신러닝 기술을 활용한 건축물 사례기반 온실가스 감축 의사결정 지원 모델 구축" 한국생태환경건축학회 20 (20): 39-46, 2020
• 14 전해정, "머신러닝 ELM과 VAR 모형을 이용한 오피스 임대료 예측에 관한 연구" 한국부동산경영학회 (22) : 55-74, 2020
• 15 민미경, "기계학습 클러스터링을 이용한 승하차 패턴에 따른 서울시 지하철역 분류" 한국인터넷방송통신학회 18 (18): 13-18, 2018
• 16 이예린 ; 윤영란 ; 문현준, "계절별 실내 환경 데이터 기반 재실자 행동 분류 모델 개발" 대한건축학회 36 (36): 239-245, 2020
• 17 박근덕 ; 이수기, "가로공간 보행만족도 예측을 위한 딥러닝 모형의적용과 검증" 한국도시설계학회 19 (19): 19-34, 2018
• 18 National Institute of the Korean Language, "Standard Korean Dictionary"
• 19 Park, H., "Self-study Machine Learning and Deep Learning" Hanbit Media 2020
• 20 Jeon, S., "Predicting indoor air quality in Korean schools using machine learning techniques" 112-113, 2020
• 21 "National Spatial Data Infrastructure Portal"
• 22 홍일영, "LBSN(Location-Based Social Network) 데이터와 머신러닝 기법을 이용한 토지이용 분류" 한국지도학회 17 (17): 59-67, 2017
• 23 MOLIT, "Guidelines for Investigation and Calculation of Individual Official Land Price Applied in 2021" MOLIT 108-113, 2021
• 24 MOLIT, "Guidelines for Investigation and Calculation of Individual Official Land Price Applied in 2020" MOLIT 105-107, 2020
• 25 McGarigal, K., "FRAGSTATS:Spatial Pattern Analysis Program for Quantifying Landscape Structure" U.S. Department of Agriculture, Forest Service, Pacific Northwest Research Station 1995
• 26 Kim, K., "Analysis on Mechanism of Individual Building Development in Low-Rise Residential Area of Seoul using Machine Learning-based Decision Tree" University of Seoul 2020
• 27 Kim, S., "A model for the analysis of crime risk by street based on the principles of CPTED" 40 (40): 233-234, 2020
• 28 강민수 ; 정용규 ; 장두환, "A Study on the Search of Optimal Aquaculture farm condition based on Machine Learning" 한국인터넷방송통신학회 17 (17): 135-140, 2017
• 29 Choi, J., "A Study on Improvement of Land Characteristic Survey" Research Institute of REB 2015
• 30 Ko, Y., "A Comparative Analysis of Floor Area Ratio According to the Standardization of Small-size Irregular Parcel" Seoul National University of Science and Technology 2016
• 31 MOLIT, "2020 Urban Planning Status" MOLIT 101-136, 2021
• 32 이승희 ; 정성원 ; 임기택, "1인 가구 거주자의 생활패턴이 고려된 에너지소요량 유형 분석" 대한건축학회 35 (35): 37-46, 2019