In urban studies, analyzing urban growth and decline is a good example of demonstrating urban change. Over the past several decades, various approaches to urban change detection have been developed, most notably urban change detection using satellite imagery. However, existing approaches cannot easily detect and analyze specific changes at the street level. Hence, we seek to use street-level panoramic images of Google StreetView to identify changes and to develop a new way to evaluate the growth and decline of cities. After collecting Google Street View images year by year, we undertake an object detection process using the open-source software Tensorflow based on a neural network. Because the detected objects show changes in urban areas, we score the objects or factors detected street by street by evaluating them. Objects or factors detected at the street level show how far the street has advanced, grown, or declined. In fact, streets with numerous growth factors had high scores and frequent changes, and streets with declining factors had low scores of changes. The results of this study are expected to contribute to city policy planning and urban planning based on sociological research results, along with forecasts of future urban changes.
도시 연구에 있어서, 도시의 성장과 쇠퇴 분석은 도시 지역의 변화를 보여주는 좋은 예시이다. 지난 수십 년 동안 도시 변화 감지에 대한 다양한 접근법이 개발 되었고 특히 위성 이미지를 활용한 도시 변화 감지가 가장 많이 사용 되었다. 하지만, 기존의 접근 방법은 거리 수준에서 특정 변화를 탐지하여 분석하는데 어려움이 있었다. 따라서 우리는 거리 단위의 데이터인 구글 스트리트뷰의 파노라마 이미지를 사용하여 변화를 파악하고 도시의 성장과 쇠퇴를 평가할 수 있는 새로운 방법을 개발하고자 한다. 구글 스트리트뷰 이미지를 연도별로 수집한 후, 뉴럴네트워크를 활용하여, 객체 탐지를 수행한다. 탐지 된 물체가 도시 지역의 변화를 보여주기 때문에, 우리는 거리별로 탐지된 물체 혹은 요인들에 점수를 부여하여 평가하였다. 거리마다 감지된 물체나 요인들은 거리가 얼마나 활성화, 성장 또는 쇠퇴 하였는지를 보여준다. 실제로 성장 요인들이 많은 거리들은 높은 점수와 동시에 변화가 잦았고, 쇠퇴 요인들이 많은 거리들은 낮은 점수의 변화가 있었다. 본 결과로 미래에 다가올 도시 변화에 대한 예측과 더불어, 사회학적인 연구 결과를 바탕으로 한 도시 정책 수립과 도시 계획에도 기여를 할 수 있으리라 생각된다.
