Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Bi-directional Mapping of Morphology Metrics and 3D City Blocks for Enhanced Characterization and Generation of Urban Form

Created by
  • Haebom

저자

Chenyi Cai, Biao Li, Qiyan Zhang, Xiao Wang, Filip Biljecki, Pieter Herthogs

개요

본 논문은 도시 형태의 공간적 배열을 연구하는 도시 형태학이 지속 가능한 도시 설계와 어떻게 연결되는지에 대해 다룹니다. 성능 기반 계산 도시 설계(CUD)에서 형태 측정 지표는 도시 형태 생성, 성능 평가 및 최적화를 통합하는 데 중요한 역할을 합니다. 하지만 형태 측정 지표와 도시 형태, 특히 측정 지표에서 형태로의 워크플로 간의 연결 부재로 인해 성능 평가와 복잡한 도시 형태 생성 간에 중요한 차이가 존재합니다. 이는 최적화된 측정 지표를 적용하여 도시 성능을 향상시킨 개선된 도시 형태를 생성하는 것을 방해합니다. 복잡한 도시 형태를 효과적으로 특징짓는 동시에 다양한 형태의 재구성을 가능하게 하는 형태 측정 지표를 공식화하는 것이 매우 중요합니다. 본 논문에서는 도시 형태 생성과 성능 평가를 통합하기 위해 형태 측정 지표와 복잡한 도시 형태 간의 양방향 매핑을 구축하는 중요성을 강조합니다. 본 연구는 1) 도시 형태를 특징짓고 반대로 다양한 유사한 3D 도시 형태를 검색하는 형태 측정 지표를 공식화하고, 2) 비교를 통해 블록의 3D 도시 형태 특성을 나타내는 형태 측정 지표의 효과를 평가하는 접근 방식을 제시합니다. 뉴욕시의 14,248개 블록을 포함하는 3D 도시 모델을 사용하여 방법론을 보여줍니다. 신경망과 정보 검색을 사용하여 형태 측정 지표 인코딩, 도시 형태 클러스터링 및 형태 측정 지표 평가를 수행합니다. 비교를 통해 블록 규모의 도시 형태를 특징짓는 효과적인 형태 측정 지표 집합을 확인했습니다. 제안된 방법론은 복잡한 도시 형태와 형태 측정 지표를 긴밀하게 결합하므로 지속 가능한 도시 설계 및 계획을 위한 성능 기반 도시 설계에서 도시 형태 생성과 최적화 간의 매끄럽고 양방향적인 관계를 가능하게 합니다.

시사점, 한계점

시사점:
복잡한 도시 형태와 형태 측정 지표 간의 양방향 매핑을 구축하는 방법을 제시하여 성능 기반 CUD에서 도시 형태 생성과 최적화의 통합을 가능하게 함.
뉴욕시의 3D 도시 모델을 사용하여 제안된 방법론의 효과를 실증적으로 보여줌.
블록 규모의 도시 형태를 특징짓는 효과적인 형태 측정 지표 집합을 확인.
지속 가능한 도시 설계 및 계획을 위한 성능 기반 도시 설계를 향상시키는 데 기여.
한계점:
제안된 방법론의 일반성을 평가하기 위해 더 다양한 도시 모델에 대한 추가 연구가 필요.
사용된 형태 측정 지표의 선택이 연구 결과에 미치는 영향에 대한 추가 분석이 필요.
다른 도시 규모나 형태에 대한 방법론의 적용성에 대한 추가 연구가 필요.
신경망 기반 접근 방식의 해석 가능성과 투명성에 대한 더 깊은 이해가 필요.
👍