딥러닝 기반 북한 도시공간 연구 : 개성시 공간격차를 중심으로
Deep Learning-based Urban Spatial Research in North Korea: Focusing on spatial disparities in City of Kaesong
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
이 연구는 남북경협의 배후도시인 개성시의 공간격차를 밝히고, 딥러닝 기반 위성자료 분석과 심층인터뷰교차검토 통해 북한연구의 방법론적 확장을 가져오고 있다. 연구과정은 개성시를 ‘동’ 단위 40개 구역으로 나누고, 위성자료와 지리정보자료, 문헌자료에서인구수, 건물밀도, 시장접근성, 야간조도 등 14개 변수를 추출했다. 딥러닝 기반 분석은 개성시 도시공간은 4개 클래스로 구분했으며, 위성사진과 변수 비교검토를 통해 각 클래스에 대한 공간환경위계를 지정했다. 공간격차 분석 결과는 가장 양호한 지역은 도심 남문동 인근, 가장 열악한 지역은 도시 동남쪽 언덕 보선동 인근으로나타났다. 심층인터뷰 교차 검토 결과딥러닝 공간분석 결과는 유효한 것으로확인되었다. 이 연구는 개성시에 대한 후속 연구와북한 연구의 주제, 대상 지역, 방법론에서 한계를 극복하고 다양성을 확장해가는 계기가 될 것이다.
Abstract
To overcome the limitations of research on North Korea, such as lack of data and inaccessibility to the field, this study conducted a spatial gap analysis of satellite data based on deep learning and a cross-examination of in-depth interviews. For this study, the city of Kaesong was divided into 40 districts, and 14 variables such as population, building density, market accessibility, and nighttime illumination were extracted from satellite data, geographic information data, and literature. The deep learningbased analysis divided the urban space of Kaesong into four classes, and the spatial environment hierarchy for each class was specified through a comparative review of satellite images and variables. The results of the spatial disparity analysis showed that the best area was near Namundong in the city center, and the worst area was near Boseon-dong in the southeast hills of the city. A cross-check with in-depth interviews confirmed the validity of the results of the deep learning spatial analysis. This study will serve as an opportunity to overcome the limitations and expand the diversity of future research on North Korea in terms of topics, target areas, and methodologies.
참고문헌 (29)
- 김진향, "개성공단 사람들" (2015), 내일을 여는책
- 양윤석, "R로 배우는 데이터 과학" (2021), 한빛아카데미
- 개성공단 운영실태와 발전방안: 개성공단 운영 11년(2005-2015)의 교훈, "임강택", 통일연구원, ~ (2016)
- 북한 전국 시장 정보 : 공식시장 현황을 중심으로, "홍민", 통일연구원, ~ (2016)
- 2022 북한 공식시장 현황, "홍민", 통일연구원, ~ (2023)
- D. Jean Clandinin, "내러티브 탐구" (2007), 교육과학사
- John W. Creswell, "혼합연구방법" (2017), 학지사
- 김유연, "개성공단 근무 경험자가 인식한 북한 근로자의 특성과 그에 따른 관계형성 전략", 통일과 평화, 12(2), pp.183~228 (2020), 통일평화연구원[DOI]
- 김종수, "개성공단 운영 평가와 재개를 위한 과제", 세계지역연구논총, 39(1), pp.193~220 (2021), 한국세계지역학회[DOI]
- 박용석, "한반도 비핵화 경제특구 건설", 도시문제, (53), pp.36~39 (2018)
- 양문수, "개성공단에서의 남북한 접촉이 북한 근로자에 미친 영향에 관한 연구－남한 주민에 대한 북한 근로자의 태도 변화를 중심으로－", 통일연구, 17(2), pp.131~158 (2013), 통일연구원[DOI]
- 이시효, "평양 모자이크: 위성사진과 GIS를 활용한 평양 도심 15개 구역 빈부격차 연구", 현대북한연구, 26(1), pp.45~83 (2023), 심연북한연구소[DOI]
- 정은미, "개성공단 북한 근로자의 정체성 인식과 행동 양식의 메커니즘", 북한연구학회보, 18(2), pp.123~146 (2014), 북한연구학회
- Andreoli F, "Understanding trends and drivers of urban poverty in American cities", Empirical Economics, 63(3), pp.1663~1705 (2022)
- Aprianto K, "Deep Learning Approach using Satellite Imagery data for Poverty analysis in Banten, Indonesia", IEEE conference on Cybernetics and Computational Intelligence, pp.126~131 (2022)
- Brelsford C, "Heterogeneity and scale of sustainable development in cities", Proc Natl Acad Sci USA, 114(34), pp.8963~8968 (2017)
- Cuaresma JC, "What do we know about poverty in North Korea?", Palgrave Communications, 6(40), pp.1~8 (2020)
- Donghyun Ahn, "A human-machine collaborative approach measures economic development using satellite imagery", Nature Communications, pp.1~11 (2023)
- Putri SR, "Munti-source satellite imagery and point of interest data for poverty mapping in East Java, Indonesia: Machine learning and deep learning approaches", Remote sensing application: Society and Environment, 29, pp.1~20 (2023)
- Hall GB, "Integration of Remote Sensing and GIS to Detect Pockets of Urban Poverty: The Case of Rosario, Argentina", Transaction in GIS, 5(3), pp.235~253 (2001)
- Irvine JM, "Remote Sensing to Analyze Wealth, Poverty, and Crime", IEEE Applied Imagery Pattern Recognition Workshop, pp.1~9 (2017)
- Kyoochul Kim, "The North Korean economy seen by satellite: Estimates of national performance, regional gaps based on nighttime light", Journal of Asian Economics, 78, pp.1~19 (2022)
- Li G, "Identifying Urban Poverty using Highresolution satellite imagery and Machine Learning Approaches: Implications for housing inequality", MDPI Land, 10(6), pp.1~16 (2021)
- Ni Y, "An investigation on Deep Learning approaches to combining nighttime and daytime satellite imagery for Poverty prediction", IEEE Geoscience and Remote Sensing Letters, 18(9), pp.1545~1549 (2021)
- Thejas B U, "Poverty detection using satellite imagery", Firth International conference on I-SMAC, pp.1293~1298 (2021)
- Wang K, "Measuring urban poverty spatial by Remote Sensing and Social Sensing data: A Fine-Scale Empirical study from Zhengzhou", Remote Sens, 15(2), pp.1~20 (2023)
- Woelk, F, "Measuring Consumption changes in Rural villages based on Satellite image data: A Case study for Thailand and Vietnam", IEEE Xplore, pp.600~607 (2022)
- "국립통일교육원 자료"[URL]
- "통일부 주요사업 통계"[URL]