Current Issue

도시 가로경관을 직접적으로 묘사하는 하나의 방법은 SVI를 사용하는 것이다. SVI는 녹지, 가로환경 등의 연구에서 활용되고 있다(Biljecki et al., 2023). SVI의 활용은 물리적 환경요인을 분석함에 따라 도시 현상을 이해하는 데 기여한다(Xu et al., 2023).

본 연구에서는 도시 쇠퇴경관에 대한 인간의 주관적 인식을 분석하기 위해 GSV를 활용하였다. GSV 구득 방법은 다음과 같다. 보행자 관점의 이미지를 수집하고자 12m의 생활도로에서 포인트가 생성되도록 파라미터를 설정한다. 다음으로 인간의 평균 보행거리가 500m임을 고려하여 서울시를 500m 그리드로 분할하여 그리드의 중심점과 50m 간격의 포인트 간의 교차지점을 도출한 후, 이미지의 수집지점으로 설정한다. 해당 지점들의 위도와 경도를 수집하고 GSV API를 통해 이미지를 수집한다. 가로경관 이미지 구득 후에 주관적 쇠퇴경관 설문조사에 사용할 수 있는 이미지 정제 작업을 진행하였다. 일차적으로 수집한 가로경관 이미지 중에서 이미지가 없는 지점에서 촬영된 이미지, 터널 내부에서 촬영된 이미지 등 설문조사에 적합하지 않은 이미지를 제거하였다. 그 결과, 전체 약 1,032장의 가로경관 이미지 중에서 전처리 진행 후 740장의 이미지를 연구에 활용하였다.

본 연구에서 진행한 설문조사 내용은 다음과 같다. “두 이미지 중 더 쇠퇴한 경관을 고르시오.”라는 지문이 제시되며, 응답자는 두 개의 이미지 중에서 더 쇠퇴하였다고 판단되는 이미지를 선택하게 된다. 선행연구에 따르면, 평균 약 20분 내외의 지속시간을 가지는 설문조사는 결과의 질에 유의미한 영향을 미치지 않는다(김권현 외, 2015). 이에 따라 총 10분이 넘지 않도록 사전 실험을 통하여 설문조사를 설계하였으며, 해당 시간 안에 완료될 수 있는 서른 쌍의 설문조사 이미지 세트를 구성하였다. 응답자의 개인 특성으로는 성별과 연령대 항목을 포함하였으며, 한 세트의 설문지는 총 30문항으로 구성되었다. 총 1,256명이 설문조사에 참여하였으며, 응답자의 성별과 연령대 특성은 <표 1>과 같다.

본 연구에서 주관적 쇠퇴경관 설문조사의 결과를 쇠퇴점수라고 정의하였다. 쇠퇴점수는 설문조사 결과를 정량화한 값이다. 설문조사 결과를 정량화하기 위하여 Trueskill 알고리즘을 사용하였다. Truskill 알고리즘은 베이지안 확률 추론 방법을 기반으로 게임 플레이어의 순위를 결정하는 Microsoft에서 개발한 랭킹 시스템이다. 게임 플레이어의 실력을 평균값(점수)과 표준편차(불확실성)로 나타낸다. 기본적으로 설정된 평균값과 표준편차는 25와 8.3이며 게임이 순차적으로 진행될 때마다 평균값과 표준편차가 실시간으로 업데이트된다. 단순히 점수에 따라서 순위가 결정되는 것이 아닌 불확실성이 순위 결정에 포함되기 때문에 결과의 신뢰성을 높일 수 있는 것이 장점이다. 본 연구에서는 설문조사 결과를 정량화하기 위하여 사용하였으며 불확실성은 사람들이 이미지를 선택할 불확실한 확률을 말한다. 응답자가 특정 경관 이미지를 선택했을 때, 이미지가 선택되는 불확실성을 설문조사 결과에 적용하여 선택의 신뢰성을 높이고 설문조사의 결과를 정량화하여 쇠퇴점수로 도출하기 위해 Trueskill 알고리즘을 사용하였다.

도시 내 물리적 환경 객체의 비율과 상태를 파악하기 위해 의미론적 분할과 MLLM을 활용하였다. 의미론적 분할이란 이미지 내 각 픽셀을 사전에 정의된 객체로 분할하는 것을 의미한다(유승재 외, 2021). 본 연구에서 의미론적 분할을 적용하기 위해 사용된 딥러닝 모델은 Seg-former이다. 이는 멀티 스케일 기능을 출력하는 디코더로 구성되어 있고 다층 퍼셉트론 방식을 사용하기 때문에 효율적으로 진행되어 분할 시간을 줄일 수 있다는 장점이 있다. Seg-former에 사용된 데이터 세트는 ADE20K로 다양한 이미지를 포함하고 있는 대규모 이미지 데이터이다. 본 연구에서는 선행연구 고찰에 따라 하늘, 녹지, 잔디, 차량, 빌딩, 벽, 차도, 보도의 여덟 가지 변수를 사용하였다. 물리적 환경 객체의 비율은 값이 클수록 인간이 인식할 수 있는 요소의 비율이 높다는 것으로 해석된다(기동환 외, 2021).

다음, 물리적 환경 객체의 상태를 파악하기 위해 MLLM을 사용하였다. 최근 SVI를 분석하기 위한 방법 중 하나로, MLLM의 활용이 대두되고 있다. MLLM은 기존 LLM에서 발전된 모델로 이미지와 텍스트 데이터 두 가지 유형의 처리가 가능하여 정교한 데이터 분석이 가능하다(OpenAI, 2023). 본 연구에서 사용된 GPT-4o는 복잡한 이미지 분석과 언어적 추론이 필요한 작업에 적합하다(Jin et al., 2024). 이미지를 분석하여 건물, 도로 등의 상태를 해석할 수 있으며 기존의 비전 모델로는 측정하기 어려운 정성 분석이 가능하다는 강력한 장점이 있다(OpenAI, 2023). 물리적 환경의 주관적인 평가 지표를 도출하여 정량화할 수 있어 이러한 특성은 도시 연구에서 유용하게 적용될 수 있다(Zhang et al., 2024).

의미론적 분할은 물리적 환경을 비율로 인식할 수 있지만 객체의 상태는 알 수 없는 한계점이 존재한다. <표 2>와 같이 유사한 녹지 비율을 가지는 두 가로경관 이미지에서 MLLM을 통해 평가한 녹지 상태의 점수는 큰 차이를 나타내고 있다. 본 연구는 GPT-4o를 활용하여 가로경관 이미지 내 인식되는 물리적 환경 객체의 상태를 점수로 추출하였다. 이를 위해 실험한 프롬프트는 총 11가지이다(부록의 <표 1>). 최종적으로 선택된 프롬프트는 가로경관 이미지 내 인식되는 물리적 환경 객체의 상태를 점수로 평가하도록 설계되었다. 실험을 진행했던 11가지 프롬프트 중 모든 명령에 일관성 있게 결과를 도출하는 프롬프트는 9번째 프롬프트이기 때문에 최종적으로 연구에 활용하였다(표 2).

본 연구는 쇠퇴경관에 영향을 미치는 물리적 환경요인을 분석하기 위해 기계학습과 해석가능한 기계학습을 사용하였다. 기계학습을 활용하면 전통적인 회귀분석에서 파악하기 어려웠던 새로운 관계를 확인할 수 있으며 비선형으로 파악되는 변수 간의 관계를 확인할 수 있다. 비선형 관계를 확인하면 특정 변수의 임계점을 함께 확인할 수 있으며(Park et al., 2023), 이를 통해 이전 연구와는 다른 결과가 확인될 수 있다. 본 연구에서는 선형회귀 모델과 세 가지 기계학습을 사용하여 평가하고 성능이 가장 좋은 모델을 선택하여 쇠퇴경관 영향요인 분석 모델로 활용하였다. 본 연구에서 사용한 기계학습 모델은 XGBoost, GBM, RF 이다. 이는 모두 여러 모델을 단일 모델로 결합하는 앙상블 기법이다. XGBoost는 트리 기반의 앙상블 학습에서 주목받는 알고리즘 중 하나이다. GBM의 단점인 느린 수행 시간, 과적합 등의 문제를 극복한 모델이다. GBM은 다양한 약한 학습기를 순차적으로 학습하면서 예측이 잘못된 데이터에 가중치를 부여하여 오류를 개선해 나간다. RF는 같은 알고리즘으로 여러 개의 분류기를 만들어서 최종결정하는 알고리즘이다. 앙상블 기법 중에서 빠른 속도를 가지고 있으며 높은 예측 성능을 가지고 있다. 위 세 가지 기계학습의 공통점은 여러 개의 결정 트리 모델을 결합하여 하나의 결정 트리 모델보다 더 좋은 성능을 도출한다는 것이다. 그러나 기계학습은 결과의 도출 과정을 파악할 수 없는 블랙박스라는 특징이 있다.

따라서 본 연구에서는 블랙박스를 해석하기 위해 해석가능한 기계학습을 사용한다. 해석가능한 기계학습의 종류는 SHAP, LIME 등이 있다. 이 중 SHAP는 쉽게 사용될 수 있도록 배포되어 있기 때문에 SHAP를 사용하여 주관적 인식과 물리적 환경객체 간의 비선형 관계를 분석하였다. SHAP에는 Global SHAP와 Local SHAP가 있다. Global SHAP는 변수 간의 전역적 연관성을 나타내며 변수의 영향력이 높은 순서대로 위에서부터 배열된다. 막대그래프 색깔의 차이로 변수의 영향력(+/-)을 설명한다. 빨간색은 변수 간의 긍정적 연관성이 있음을 나타내고 파란색은 변수 간의 부정적 연관성이 있음을 나타낸다. Local SHAP는 변수 간의 관계를 산점도를 이용하여 나타낸다. Y축을 기준으로 오른쪽에 산점도가 몰려있다면 양의 관계를 나타낸다. 반면, 왼쪽에 몰려있다면 음의 관계를 나타내며 파란색으로 나타난다. 또한 빨간색과 파란색의 점이 섞여 있는 패턴을 보인다면 비선형 관계가 있음을 나타낸다.

본 연구에서 GPT-4o는 물리적 환경 객체의 상태(Quality)를 평가하기 위해 사용되었다. GPT-4o를 사용하여 도출한 점수의 활용 가능성을 입증하기 위해 쇠퇴점수와의 피어슨 상관분석을 진행하였다. 우선, <그림 4>의 왼쪽은 GPT-4o 점수와 쇠퇴점수의 이동평균 추세선을 확인한 결과이다. 빨간색은 쇠퇴점수이며, 파란색은 GPT-4o 점수를 가리킨다. 두 점수의 추세선을 확인한 결과, 두 점수 모두 전반적으로 우상향하는 추세를 보이며 유사한 패턴을 나타내고 있다. 두 점수의 추세선이 일치한다는 것은 GPT-4o가 각 물리적 환경 객체들의 상태를 인간의 주관적인 인식과 유사한 방식으로 평가하고 있음을 시사한다. 다음으로 <그림 4>의 오른쪽 그림은 GPT-4o 점수와 쇠퇴점수의 피어슨 상관분석 결과이다. 그 결과, 쇠퇴점수와 GPT-4o 점수는 0.5875(p<0.01)의 유의미한 양의 상관관계가 있는 것으로 확인됨으로써 이는 GPT-4o의 활용 가능성을 입증할 수 있음을 시사한다.

Figure 4.  
Correlation analysis between GPT-4o score and decline score

다음 <표 4>는 인간이 가장 쇠퇴하였다고 인식한 경관(<표 4>의 (A))과 가장 쇠퇴하지 않았다고 인식한 경관(<표 4>의 (B))이다. 두 가로경관 이미지를 비교한 결과, 가장 쇠퇴하였다고 인식한 경관은 건물, 차도, 하늘, 벽 등의 순서로 비율이 높았으며 자연환경 요인은 검출되지 않았다. 또한, 가장 쇠퇴하지 않았다고 선택한 경관은 보도, 나무, 하늘, 건물 등의 순서로 비율이 높았다. 의미론적 분할 결과에 따르면, 인간은 자연적 환경과 인공적 환경이 적절한 비율로 이루어진 경관을 쇠퇴하지 않았다고 인식하는 것으로 나타났다. 또한, GPT-4o 점수에 따르면 인간이 쇠퇴하지 않았다고 판단한 경관의 GPT-4o 점수가 월등히 높게 평가되었다.

선형회귀 분석에 앞서, 각 변수의 평균, 표준편차, 최솟값, 최댓값을 확인하였고, 결과는 <표 7>과 같다. 종속변수는 주관적 쇠퇴경관 설문조사 결과에 Trueskill 알고리즘을 적용한 쇠퇴점수이다. 독립변수는 가로경관 이미지에 의미론적 분할을 적용하여 도출한 물리적 환경요인의 비율에 GPT-4o를 통해 도출한 물리적 환경요인의 상태 점수를 가중치로써 곱한 값이다. 기술통계 분석 결과, 종속변수인 쇠퇴점수의 평균값은 25.28로 나타났으며 표준편차는 4.67로 비교적 낮기때문에 지역 간 쇠퇴점수의 분포가 균등한 것이 확인되었다. 최솟값은 4.91, 최댓값은 36.85로 나타나 쇠퇴점수의 분포가 극단적이지 않고 안정적임을 알 수 있다. 이는 인간이 인식하는 서울시의 쇠퇴 수준 차이는 크지 않음을 시사한다.

독립변수의 기술통계 분석 결과, 차량의 표준편차는 15.98로 높은 변동성을 보인다. 일부 경관에서 차량의 비중이 매우 높거나 거의 없는 경관이 있음을 의미한다. 벽은 평균값이 5.14이고 표준편차가 13.39로 나타나 상대적으로 낮은 비중을 나타내었다. 건물은 평균값이 134.59로 가장 높은 값을 나타내며 이는 건물이 차지하는 비중이 크다는 것을 의미한다. 반면에 잔디는 평균값이 1.76으로 매우 낮아 잔디의 비율이 다른 요인에 비해 현저히 낮음을 의미한다. 보도는 평균값이 15.53이고 표준편차가 18.09로 상대적으로 안정적인 분포를 나타내며, 경관에서 일정한 비율을 유지하고 있음을 시사한다. 나무의 평균값은 20.39, 표준편차는 34.21로 나타났으며 하늘은 평균값이 64.34, 표준편차는 32.41로 나타났다. 하늘은 비교적 높은 평균값을 나타내었으며 최댓값은 201.13으로 나타났기 때문에 일부는 폐쇄적인 경관을 보이는 반면, 다른 경관은 개방적인 환경임을 시사한다. 다음으로 다중공선성을 검토하기 위해서 분산팽창지수를 확인한 결과, 5를 초과하지 않아 다중공선성 문제가 없음을 확인하였다.

다음 <표 8>은 선형회귀분석 결과이다. 먼저 기계학습 모형을 사용하기 전에 선형회귀모형을 사용하여 분석하였다. 선형회귀 결과에 따르면, 전체 변수 중에서 차량, 벽, 차도, 건물, 잔디, 보도, 나무의 변수가 쇠퇴경관과 유의미한 관계를 보이는 것으로 나타났으며, 모두 음의 관계인 것으로 나타났다. 이는 차량, 벽, 차도, 건물, 잔디, 보도, 나무의 비율이 높아질수록 쇠퇴점수는 낮아진다는 것을 의미한다. 이는 인간이 경관을 인식할 때, 차량, 벽, 차도, 건물, 잔디, 보도, 나무의 비율이 높을수록 쇠퇴하지 않은 경관이라고 인식한다는 것을 시사한다. 그러나, 선형회귀 분석에서 유의미한 변수는 많이 도출되었지만, 하늘을 제외한 모든 변수가 유의미한 결과를 보이기 선형적인 관계만으로 쇠퇴경관에 대한 영향요인을 분석하는 것은 심층적인 분석이 어려울 수 있다. 따라서 비선형적인 관계를 분석할 필요가 있다고 판단된다.

다음 <그림 5>는 최종적으로 선정한 XGBoost 기계학습 모형에 SHAP를 적용하여 분석한 결과이다.<그림 5>의 왼쪽은 전역적 SHAP의 결과이다. 전역적 SHAP의 경우, 위에 배치된 막대그래프부터 변수의 영향력이 높은 순서대로 배치된다. 또한, 막대그래프의 색깔로 양/음의 관계를 확인할 수 있다. 막대그래프의 색깔이 빨간색이면 쇠퇴점수와 양의 관계로 설명되고 본 연구에서는 쇠퇴점수가 높아지는 것에 영향을 미치는 것으로 설명된다. 이는 곧 인간이 쇠퇴했다고 인식하는 것을 의미한다. 반대로 막대그래프의 색깔이 파란색이면 쇠퇴점수와 음의 관계로 설명되며, 쇠퇴점수가 낮아지는 것에 영향을 미치는 것으로 설명된다. 이는 곧 인간이 쇠퇴하지 않았다고 인식되는 것을 의미한다.

Figure 5.  
SHAP results of physical environmental objects influencing subjective urban landscape decline

우선, 선형회귀분석 결과와 비교한 결과, 변수의 중요도가 다르게 나타났다. 선형회귀 결과에서는 하늘은 통계적으로 유의하지 않았으며, 낮은 중요도를 나타내었다. 반면, SHAP 분석에서는 하늘의 중요도가 높게 나타났다. 이러한 차이는 두 분석 비법의 변수 중요도 산정 방식의 차이에서 비롯된다. 선형회귀는 독립변수와 종속변수 간의 선형적 관계를 반영하기 때문에 하늘의 영향력이 단순화될 가능성이 있다. 반면에 SHAP 분석은 변수의 비선형적 영향까지 함께 고려하여 예측에 대한 기여도를 평가하기 때문에 하늘의 기여도가 상대적으로 높게 나타난 것으로 판단된다. 이러한 분석 방법의 차이로 인해 본 연구에서는 SHAP 분석을 통해 선형회귀만으로는 확인하기 어려운 인지적 판단의 복합성을 정밀하게 설명할 수 있었다. 따라서, 본 연구에서 SHAP 분석을 통해 도출된 변수 중요도는 선형회귀 기반 해석에서 간과되기 쉬운 비선형성을 반영한 결과로 해석할 수 있다. 이는 SHAP 분석이 기계학습 모델의 예측값 변화에 따른 비선형성을 기반으로 해석을 제공함으로써, 전통적인 선형회귀보다 더 풍부하고 정교한 통찰을 제공할 수 있다는 선행연구와 일치한다(Lundberg and Lee, 2017; Molnar, 2022).

주관적 쇠퇴경관에 영향을 미치는 도시 내 물리적 환경 객체는 차도, 나무, 보도, 건물, 차량, 하늘, 잔디, 벽의 순서로영향력이 높은 것으로 나타났다. 쇠퇴경관에 양의 영향을 미치고 있는 변수는 하늘로 나타났으며 음의 영향을 미치고 있는 변수는 차도, 나무, 보도, 건물, 차량, 잔디, 벽으로 나타났다. 하늘의 비율이 증가하면 쇠퇴점수가 높아지며 이는 인간이 해당 경관은 쇠퇴하였다고 인식한다는 것을 의미한다. 반대로 차도, 나무, 보도, 건물, 차량, 잔디, 벽의 비율이 증가하면 쇠퇴점수가 낮아지며 해당 경우에는 쇠퇴하지 않았다고 인식한다는 것을 의미한다. 국지적 SHAP의 경우에도 가장 위쪽부터 배치된 변수부터 영향력이 높다고 설명된다. 다만, 전역적 SHAP와는 다르게 변수의 영향력을 산점도로 나타내는 것이 특징이며 빨간색 산점도와 파란색 산점도가 섞여 있는 양상이 나타날 경우에 단순하게 양과 음의 관계를 판단하기 어렵다. <그림 5>의 오른쪽을 확인하면 차도, 나무, 보도, 건물, 차량, 하늘의 경우에는 빨간색 산점도와 파란색 산점도가 함께 섞여 있는 양상이 나타나기 때문에 해당 변수들은 비선형적 관계가 있음을 예상할 수 있으며 비선형 관계를 해석하기 위한 추가적인 분석이 필요하다고 판단하였다.

다음 <그림 6>은 앞선 국지적 SHAP 결과에서 비선형적 결과가 있을 것으로 예상되는 차도, 나무, 보도, 건물, 차량, 하늘 변수를 Scatter Plot으로 시각화한 결과이다. 차도와 건물의 경우에는 약 20-30% 정도까지는 쇠퇴점수 증가에 기여하다가 약 30%를 넘어가면 쇠퇴점수 감소에 기여하는 것으로 나타났다. 이는 인간이 경관을 인식할 때, 차도 및 건물의 비율이 약 20-30% 미만인 경우에는 해당 경관을 쇠퇴하였다고 인식한다는 것을 의미한다. 차도와 건물의 비율이 30% 이상인 가로경관 이미지를 확인한 결과, 대부분 최소 왕복 이차선 도로와 상가가 있는 지역에서 촬영된 가로경관 이미지임을 확인할 수 있었다. 이는 인간이 상업적·경제적으로 활성화된 지역을 쇠퇴한 지역으로 인식하지 않는다는 것을 시사한다. 나무의 경우에는 약 2.5%의 기준으로 쇠퇴경관에 미치는 영향이 다르게 나타나는 것으로 나타났다. 나무의 비율이 약 2.5% 이하에서는 쇠퇴점수가 증가하지만, 그 이상에서는 쇠퇴점수가 감소하는 것으로 확인되었다. 이는 인간이 경관을 인식할 경우, 인식되는 나무의 비율이 약 2.5% 이상이라면 해당 경관을 쇠퇴하지 않았다고 판단하는 경향이 있음을 의미한다. 나무의 비율이 2.5% 미만인 가로경관 이미지를 확인했을 때, 약 2.5% 정도의 나무는 소형의 관목, 수목의 수준임을 확인했다. 따라서 인간은 소형의 녹지만 있어도 해당 경관을 쇠퇴하지 않았다고 인식한다는 것을 의미한다. 이는 인간이 가로경관에서 녹지를 중요하게 인식한다는 것을 의미하며, 선행연구의 결과와 일치한다(Atiqul Haq et al., 2021).

Figure 6.  
Analysis of SHAP results between subjective landscape decline and physical environmental objects

보도의 경우, 약 2% 까지 쇠퇴점수 증가에 기여하다가 해당 비율이 넘어가면 쇠퇴점수 감소에 기여한다. 이는 보도 비율이 약 2% 이상이라면 쇠퇴하지 않았다고 인식한다는 것을 의미한다. 더하여, 나무와 보도의 변곡점이 유사한 것이 주목된다. 이는 보행자 관점에서 경관을 볼 때, 두 요소가 임계점 이하일 때는 경관이 쇠퇴하였다고 인식되지만 두 요소가 함께 적절히 배치된다면, 사람들은 경관에 대한 긍정적인 인식이 확대된다는 것을 시사한다.

차량의 경우, 약 2.5% 이하는 쇠퇴점수 증가에 기여하다가 해당 비율이 넘어가면 쇠퇴점수 감소에 기여한다. 그러나 다시 약 10% 이상부터는 쇠퇴한 경관이라고 인식한다. 차량은 쇠퇴경관과 매우 상당히 비선형적인 그래프로 나타낸다. 약 2.5-10%의 차량 비율이 인식되는 경관의 경우, 골목길 내 1-2개의 차량이 주차되어있는 가로경관임을 확인하였다. 또한, 차량의 비율이 높아질수록 쇠퇴하였다고 인식한다. 이는 차량 비율이 일정 수준을 초과하면 사람의 안전성이 자극되어 부정적인 심리가 유발된다는 선행연구와 일치한다(Sun et al., 2023).

마지막으로 하늘은 다른 물리적 환경요인과 반대되는 양상을 보인다. 하늘의 비율이 약 10% 인식될 경우, 쇠퇴점수 저감에 기여하지만 그 이상의 비율이 인식될 경우, 쇠퇴점수 증가에 기여한다. 0-10%의 하늘 비율이 인식된 가로경관 이미지를 확인한 결과, 대부분 건물, 나무, 벽, 차량, 차도, 보도 등의 비율이 조화롭게 배치된 경우의 경관인 것으로 확인되었다. 또한, 쇠퇴점수 증가에 큰 영향을 미치는 비율인 15% 정도의 하늘 비율이 인식될 경우, 건물의 비율이 지극히 낮거나 보도가 존재하지 않는 등 물리적 환경요인 중 몇 가지 객체의 인식률이 낮음을 확인하였다. 따라서 하늘의 비율이 높아질수록 다른 중요한 도시 요소들이 결여됨을 나타내며, 쇠퇴점수가 상승하는 것으로 판단된다. 이는 하늘은 많이 인식되는 것이 중요하지 않고, 주변에 다른 물리적 환경요인들과의 조화가 쇠퇴 인식에 크게 좌우한다는 것을 시사한다. 위의 결과는 도시의 물리적 환경 요소들이 조화롭게 배치된 경관이 사람들의 긍정적 인식에 영향을 미친다는 선행연구 결과와 일치한다(Xu et al., 2023). 또한, 자연적 요소와 물리적 환경이 조화를 이루었을 때, 사람들의 스트레스가 감소하고 행복감이 증가하는 긍정적 효과가 관찰된다는 선행연구의 결과를 뒷받침할 수 있다(Qi et al., 2024).