UOS · Landscape Architecture · Spatial Data Community Lab
From scattered data to spatial decisions.흩어진 데이터를 모아, 공간의 결정으로.From scattered data to spatial decisions.
행정·통계·영상·현장에 흩어져 있는 자료를 모아 측정 가능한 공간데이터로 만들고,
이를 AI로 분석하여 도시와 농촌의 문제를 푸는 의사결정 플랫폼으로 잇습니다.We gather data scattered across administrative records, statistics, imagery, and the field,
turn it into measurable spatial data, analyze it with AI, and connect it to a decision-making platform that solves urban and rural problems.
1
공간데이터 구축Spatial data building
collect & measure
→
2
AI 분석AI analysis
spatial AI
→
3
의사결정 플랫폼Decision platform
policy & design
Research areas
03 domains · space × data × ai
우리는 세 갈래의 질문을 다룹니다. 각 분야가 어떤 데이터를 만들어, 무엇을 밝히고,
어떤 결정으로 잇는지를 먼저 보고, 그 아래에서 사용하는 구체적 기법과 실제 과제를 확인하세요.We work on three lines of inquiry. For each, first see what data it creates, what it reveals,
and which decisions it informs, then explore the specific methods and real projects below.
Domain 01Green Access & Equity
“도시의 녹지는 모두에게 공평하게 닿고 있는가?Does the city’s green space reach everyone fairly?”
녹지의 총량은 늘어도, 그 혜택이 모두에게 고르게 닿는 것은 아닙니다. ‘평균이 좋아졌다’는 진단은 여전히 소외된 지역을 가립니다. 더구나 우리가 일상에서 누리는 녹지는 공원만이 아닌데, 통계는 ‘공원’만 셉니다.Even as the total amount of green space grows, its benefits do not reach everyone evenly. A diagnosis that ‘the average has improved’ hides the areas still left behind. And the green space we enjoy in daily life is not only parks — yet statistics count only ‘parks’.
SDC Lab은 녹지 형평성을 측정 가능한 문제로 바꾸는 데서 출발합니다. 누가 소외되어 있고, 그 격차가 어디서 비롯되며, 어디에 먼저 투자해야 하는가 — 직관이 아니라 데이터로 답합니다.SDC Lab starts by turning green-space equity into a measurable problem. Who is left behind, where the gap originates, and where to invest first — we answer with data, not intuition.
이 분야가 작동하는 방식How this area works — Data → Method → Decision
Data · 데이터Data녹지를 다시 정의Redefining green space
위성·항공영상과 토지피복도를 결합해 공원뿐 아니라 하천변·가로수·학교·단지 녹지까지 실측 데이터로 구축Combine satellite and aerial imagery with land-cover maps to build measured data not only for parks but also riverside, street-tree, school, and complex green spaces
Method · 분석Analysis격차의 층위 진단Diagnosing layers of disparity
집단·이동수단별로 접근성을 분리하고, 불평등이 ‘지역 간’인지 ‘지역 내부’인지 분해해 취약 군집을 특정Separate accessibility by population group and travel mode, and decompose inequality into ‘between-region’ and ‘within-region’ to pinpoint vulnerable clusters
형평성 지수로 긴급대응 대상지를 선정하고, 정부 주체별 개입 층위를 안내하는 지표 대시보드로 환류Use the equity index to select priority sites for urgent action, and feed back into an indicator dashboard that guides intervention levels by government actor
공원만으로는 보이지 않는 녹지 격차 — 지도에 공원만 표시되다가 가로수·하천변 녹지가 더해지고, 어느 지역이 녹지 결핍지역인지 드러나는 시퀀스.The green gap parks alone cannot show — a sequence where the map first displays only parks, then adds street-tree and riverside green spaces, revealing which areas are green-deficient.
사용 기법 · 도구상자Methods · toolbox
위 흐름의 Method 단계를 실제로 구현하는 분석 기법들입니다. 클릭하면 설명이 나옵니다.The analytical methods that actually implement the Method step of the flow above. Click for a description.
용역 · R&DCommissioned · R&D
이 분야의 분석이 적용되는 실제 발주 과제입니다.The real commissioned projects where this area’s analysis is applied.
“농촌계획에는 정말 ‘주민의 목소리’가 담기고 있는가?Do rural plans truly capture the ‘voices of residents’?”
제도는 주민참여를 의무화했지만, 현장의 참여는 여전히 형식에 머뭅니다. 고령화된 마을에서 전문용어와 도면은 장벽이 되고, 정작 그 미래를 살아갈 다음 세대의 목소리는 구조적으로 빠집니다.Regulations mandate resident participation, but on the ground it remains a formality. In aging villages, technical jargon and drawings become barriers, while the voices of the next generation who will live that future are structurally left out.
SDC Lab은 ‘참여했다’는 절차가 아니라 ‘의견이 실제로 반영되었는가’를 묻습니다. 침묵하거나 배제된 목소리를 데이터로 복원하고, AI를 매개로 참여의 문턱 자체를 낮춥니다.SDC Lab asks not about the procedure of ‘having participated’ but ‘whether opinions were actually reflected’. We restore silenced or excluded voices as data, and use AI to lower the threshold of participation itself.
이 분야가 작동하는 방식How this area works — Data → Method → Decision
Data · 데이터Data주민을 데이터로Residents as data
공공통계와 영농 데이터로 이해관계자 유형을 설계하고, 음성·현장 발화를 구조화된 의견 데이터로 수집Use public statistics and farming data to design stakeholder types, and collect voice and on-site speech as structured opinion data
Method · 분석Analysis가상 참여 · 검증Virtual participation & validation
LLM 페르소나로 의견을 사전 탐색하고, 전문가–주민 이중검증으로 그 결과의 유효 범위와 한계를 실증Pre-explore opinions with LLM personas, and empirically establish the valid scope and limits of the results through expert–resident dual validation
Decision · 의사결정Decision참여의 실질화Making participation real
갈등 지점을 미리 드러내 시행착오를 줄이고, 농촌협약 참여 가이드라인과 의견 반영도 지표로 정책에 환류Surface points of conflict in advance to reduce trial and error, and feed back into policy via rural-compact participation guidelines and an opinion-reflection indicator
형식적 설문에서, 가상 페르소나 토론으로 — 고령 주민의 종이 설문 장면에서 시작해 LLM 가상 페르소나들이 채팅 말풍선으로 의견을 주고받는 모습으로 전환되는 시퀀스.From formal surveys to virtual persona debate — a sequence that starts with an elderly resident’s paper survey and shifts to LLM virtual personas exchanging opinions in chat bubbles.
사용 기법 · 도구상자Methods · toolbox
위 흐름의 Method 단계를 실제로 구현하는 분석 기법들입니다. 클릭하면 설명이 나옵니다.The analytical methods that actually implement the Method step of the flow above. Click for a description.
용역 · R&DCommissioned · R&D
이 분야의 분석이 적용되는 실제 발주 과제입니다.The real commissioned projects where this area’s analysis is applied.
“‘걷고 싶은 거리’를 숫자로 잴 수 있을까?Can a ‘street worth walking’ be measured in numbers?”
‘나무가 몇 그루인가’를 세는 지표와 ‘이 거리가 실제로 걷기 좋은가’라는 경험 사이에는 큰 간극이 있습니다. 위에서 내려다본 위성으로는, 또 평면적인 면적 지표만으로는 거리를 걷는 사람의 눈높이를 담지 못합니다.There is a wide gap between a metric that counts ‘how many trees’ and the experience of ‘whether this street is actually good to walk’. Top-down satellite views and flat area-based metrics cannot capture the eye level of a person walking the street.
SDC Lab은 거리뷰 이미지에서 사람의 시선이 닿는 경관을 읽고, 평면 너머의 깊이와 경험까지 정량화합니다. 물리 지표가 놓치는 ‘체감’의 격차를 드러내는 것이 이 분야의 출발점입니다.SDC Lab reads the scenery within a person’s line of sight from street-view images, and quantifies the depth and experience beyond the flat plane. Revealing the gap in ‘perceived experience’ that physical metrics miss is the starting point of this area.
이 분야가 작동하는 방식How this area works — Data → Method → Decision
Data · 데이터Data눈높이 경관 수집Collecting eye-level scenery
거리뷰 이미지를 도시 보행 네트워크 전역에서 수만 장 단위로 수집해 사람 시점의 경관 데이터로 구축Collect tens of thousands of street-view images across the entire urban pedestrian network to build human-perspective scenery data
Method · 분석Analysis2D를 넘어 3D·경험Beyond 2D to 3D & experience
객체 분할에 깊이추정(원근)을 더하고, 언어모델로 ‘회복감’ 같은 경험을 이미지에 직접 질의해 정량화Add depth estimation (perspective) to object segmentation, and quantify experiences such as ‘restorativeness’ by querying images directly with a language model
계절에 강건한 보행 지표를 만들고, 개인 맞춤형 보행경로 추천과 가로녹화 설계 기준으로 연결Build season-robust walkability indicators and connect them to personalized walking-route recommendations and street-greening design criteria
객체 인식에서, 원근(깊이)까지 — 거리를 걷다 화면이 멈추며 객체 분할·픽셀 비율이 표시되고, 이어 깊이맵으로 원근까지 읽어내는 워크스루.From object recognition to perspective (depth) — a walkthrough where the view stops mid-street to show object segmentation and pixel ratios, then reads perspective through a depth map.
사용 기법 · 도구상자Methods · toolbox
위 흐름의 Method 단계를 실제로 구현하는 분석 기법들입니다. 클릭하면 설명이 나옵니다.The analytical methods that actually implement the Method step of the flow above. Click for a description.
용역 · R&DCommissioned · R&D
이 분야의 분석이 적용되는 실제 과제입니다.The real projects where this area’s analysis is applied.