맨위로가기

공간 분석

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

공간 분석은 지도 제작, 측량 등에서 시작되어 생물학, 역학, 통계학, 경제학, 지리 정보 시스템(GIS) 등 다양한 분야의 발전을 거쳐 현대적인 형태로 발전했다. 연구 대상 정의, 분석 기법 구축, 컴퓨터를 이용한 분석, 분석의 한계와 특수성, 분석 결과 제시 등 많은 기초 과제를 포함하며, 공간 자기상관, 공간적 이질성, 축척, 표본 추출 등의 문제점을 가지고 있다. 공간 데이터 분석, 공간 보간, 공간 회귀, 공간적 상호작용, 시뮬레이션 및 모델링, 다중점 지질 통계 등 다양한 종류가 있으며, 지리 정보 시스템(GIS)과 지리 시각화(GVis) 기술은 공간 분석의 발전에 기여한다. 한국에서는 전통적으로 풍수지리 사상이 공간 분석과 유사하게 활용되었으며, 일제강점기 측량 기술 도입, 1990년대 GIS 기술 도입, 최근 빅데이터 분석 기술 발달과 함께 활용 범위가 넓어지고 있다.

더 읽어볼만한 페이지

  • 공간 분석 - 버퍼 (GIS)
    버퍼(GIS)는 지리 정보 시스템에서 특정 객체나 지역을 중심으로 일정 거리 내의 영역을 생성하는 공간 분석 기법으로, 다양한 분야에서 활용되며 지속적으로 발전하고 있다.
공간 분석
개요
분야지리학, 통계학, 컴퓨터 과학, 도시 계획, 공공 보건, 범죄학, 역학, 농업, 생태학, 국토 안보
주요 목표공간 데이터 분석, 공간 관계 이해, 패턴 식별, 예측, 의사 결정 지원
관련 기술지리 정보 시스템(GIS), 공간 통계학, 원격 탐사, 이미지 처리, 데이터 마이닝, 머신 러닝
적용 분야도시 계획, 환경 관리, 자원 관리, 교통 계획, 범죄 분석, 역학 연구, 마케팅, 부동산, 국방
정의
정의공간 분석은 지리적, 기하학적, 또는 공간적 속성을 사용하여 개체를 연구하는 데 사용되는 다양한 기술을 포함한다.
방법
공간 데이터 유형점 데이터 (예: 사건 위치, 주소)
선 데이터 (예: 도로, 강)
면 데이터 (예: 행정 구역, 토지 이용)
래스터 데이터 (예: 위성 이미지, 디지털 고도 모델)
공간 분석 기법공간 통계 (예: 공간 자기 상관 분석, 클러스터 분석)
공간 보간 (예: 크리깅, 역거리 가중법)
네트워크 분석 (예: 최단 경로 분석, 서비스 영역 분석)
공간 회귀 분석 (예: 지리 가중 회귀)
군집 분석 (예: K-평균 군집화, 계층적 군집화)
공간 데이터 마이닝 (예: 공간 연관 규칙 탐사)
응용 분야
도시 계획토지 이용 계획, 교통 계획, 시설 입지 선정
환경 관리오염 확산 모델링, 서식지 분석, 자연 재해 위험 평가
공공 보건질병 확산 패턴 분석, 건강 불평등 연구
범죄학범죄 핫스팟 분석, 범죄 예측
마케팅상권 분석, 고객 프로파일링
부동산부동산 가격 예측, 입지 분석
도구 및 기술
소프트웨어지리 정보 시스템(GIS) 소프트웨어 (예: ArcGIS, QGIS)
공간 통계 소프트웨어 (예: GeoDa)
프로그래밍 언어 (예: Python, R)
데이터 소스위성 이미지
항공 사진
GPS 데이터
주소 데이터
통계 데이터
과제 및 고려 사항
데이터 품질정확성, 정밀도, 완전성
공간적 의존성공간적 자기 상관 고려
축척 문제분석 결과는 축척에 따라 달라질 수 있음
윤리적 고려 사항개인 정보 보호, 데이터 사용의 공정성

2. 역사

공간 분석은 초창기 지도 제작법과 측량 시도로 시작되었다. 토지 측량은 적어도 기원전 1400년 이집트까지 거슬러 올라간다. 과세 대상 토지 구획의 치수는 측량 로프와 추를 사용하여 측정되었다.[1] 현대적 형태의 공간 분석은 여러 분야의 기여로 발전했다. 생물학은 전 세계 식물 분포 및 지역 식물 위치에 대한 식물학적 연구, 동물의 이동에 대한 동물 행동학적 연구, 식생 블록에 대한 경관 생태학적 연구, 공간적 인구 역학에 대한 생태학적 연구, 그리고 생물지리학 연구를 통해 기여했다. 역학은 질병 지도 작성에 대한 초기 연구, 특히 존 스노우의 콜레라 발병 지도 작성 연구, 질병 확산 지도 작성 연구, 그리고 의료 서비스 제공을 위한 위치 연구를 통해 기여했다. 통계학은 공간 통계 분야의 연구를 통해 크게 기여했다. 경제학은 특히 공간 계량 경제학을 통해 기여했다. 지리 정보 시스템은 현대 분석 도구에서 지리 정보 소프트웨어의 중요성 때문에 현재 주요 기여 분야이다. 원격 탐사는 형태 측정 및 클러스터 분석에 광범위하게 기여했다. 컴퓨터 과학은 알고리즘 연구, 특히 계산 기하학에서 크게 기여했다. 수학은 분석을 위한 기본적인 도구를 지속적으로 제공하고 공간 영역의 복잡성을 드러내고 있으며, 예를 들어 프랙탈 및 스케일 불변성에 대한 최근 연구가 그 예시이다. 과학적 모델링은 새로운 접근 방식을 위한 유용한 프레임워크를 제공한다.

3. 기초 과제

공간 분석은 연구 대상의 정의, 분석 작업 구성, 분석에 컴퓨터 사용, 알려진 분석의 한계 및 특수성, 분석 결과 발표 등에서 많은 근본적인 문제에 직면한다. 이러한 문제들은 현재 연구의 활발한 주제이다.[2]

3. 1. 일반적인 오류

공간 분석에서는 여러 가지 일반적인 오류가 자주 발생한다. 이러한 오류는 공간의 수학, 데이터가 공간적으로 표현되는 방식, 그리고 사용 가능한 도구 때문에 발생한다. 예를 들어, 국세 조사 데이터는 개인의 프라이버시를 보호하기 위해 지역 단위로 집계되므로 여러 통계적 문제를 야기한다. 해안선과 같이 프랙탈 특성을 가진 지형은 길이를 정확하게 측정하기 어렵거나 불가능하게 만든다. 컴퓨터 소프트웨어를 사용하여 해안선의 곡선에 직선을 맞추어 길이를 계산할 수는 있지만, 영국 해안선의 예시처럼 현실 세계에서는 의미가 없을 수 있다.[2]

지도는 강력한 발표 매체이지만, 공간 분석 결과를 지도로 제시할 때 주의해야 한다. 일반적으로 정확한 공간 데이터와 부정확할 수 있는 분석 결과를 결합하여 보여주기 때문에, 분석 결과가 실제보다 더 정확하다는 인상을 줄 수 있다.[2]

3. 2. 주요 문제점

공간 분석은 연구 대상의 정의, 분석 작업의 구성, 컴퓨터 사용, 분석의 한계 및 특수성, 결과 발표 등에서 여러 근본적인 문제에 직면한다. 이러한 문제들은 현대 연구에서 활발하게 다뤄지고 있다.

공간 분석에서는 공간의 수학적 특성, 데이터가 공간적으로 표현되는 방식, 사용 가능한 도구 때문에 일반적인 오류가 자주 발생한다. 예를 들어, 인구 조사 데이터는 지역 단위로 집계되어 개인의 프라이버시를 보호하지만, 이로 인해 여러 통계적 문제가 발생한다. 해안선의 프랙탈 특성 때문에 길이를 정확하게 측정하기 어렵거나 불가능한 경우도 있다. 컴퓨터 소프트웨어를 이용해 해안선의 곡선에 직선을 맞춰 길이를 쉽게 계산할 수는 있지만, 영국 해안선 사례에서 볼 수 있듯이 이러한 직선은 실제 세계에서 의미가 없을 수 있다.

이러한 문제들은 지도가 강력한 발표 매체이기 때문에 공간 분석에서 더욱 어려운 과제로 나타난다. 분석 결과가 지도로 제시될 때, 정확한 공간 데이터와 부정확할 수 있는 분석 결과가 결합되면서 분석 결과가 실제보다 더 정확하다는 인상을 줄 수 있다.[2]

  • 경계 문제
  • 수정 가능한 면적 단위 문제
  • 수정 가능한 시간 단위 문제
  • 이웃 효과 평균화 문제
  • 외판원 문제
  • 불확실한 지리적 맥락 문제
  • 베버 문제

3. 3. 공간적 특성 평가

객체의 공간적 존재 정의는 해당 객체에 적용할 수 있는 분석을 제한하며, 도출할 수 있는 최종 결론에 영향을 미친다. 이 속성은 모든 분석에 근본적으로 적용되지만, 공간 분석에서는 특히 중요하다. 연구 대상 객체의 특성을 특정 방식으로 정의하고 연구하는 도구가 있기 때문이다. 통계 기법은 객체를 점으로 정의하는 것을 선호하는데, 선, 면 또는 부피 요소에 직접 작용하는 통계 기법이 거의 없기 때문이다. 컴퓨터 도구는 객체를 균질하고 분리된 요소로 공간적으로 정의하는 것을 선호하는데, 데이터베이스 요소와 사용 가능한 계산 구조의 수가 제한적이고 이러한 기본 구조를 쉽게 만들 수 있기 때문이다.[2]

3. 4. 공간 의존성

공간 의존성은 변수 값(예: 강수량) 또는 위치(예: 도시)와 같이 공간에 정의된 테마의 공간적 관계를 의미한다. 공간 의존성은 각각 다른 지리적 위치와 관련된 일련의 확률 변수에서 통계적 의존성의 존재로 측정된다.[3] 공간 의존성은 긍정적이든 부정적이든 근접한 특성이 상관관계를 갖는 것으로 보이는 지리 공간 내 특성의 공분산이다. 이는 시계열 자기상관과 같은 통계적 자기상관 문제의 원인이 된다.[45]

공간 의존성 탐색 도구에는 공간 상관 관계, 공간 공분산 함수 및 반변동 함수가 있다. 공간 보간 방법에는 최량 선형 불변 예측의 한 유형인 크리깅이 있다. 공간 의존성이라는 주제는 지질 통계학 및 공간 분석에 중요하다.

입지 효과는 공간적 비균일성이나, 지리 공간 내 위치를 처리하는 과정에서 명백한 변이를 발생시킨다. 대상 지역이 균일하고 무한하지 않는 한, 모든 지점이 다른 지점에 비해 어느 정도의 특이성을 가지며, 공간 의존 관계 및 공간 처리에 영향을 미친다. 공간적 비균일성은 시스템 전체에서 추정된 총 매개 변수가 지정된 지점에서 적절하게 계산되지 않음을 의미한다.

3. 4. 1. 공간 자기상관 (Spatial auto-correlation)

공간 자기상관은 지리적 공간 내에서 속성의 공변동을 의미하며, 인접한 위치의 특성이 양의 상관 관계 또는 음의 상관 관계를 나타내는 경향이 있다.[4] 공간 의존성은 통계에서 '''공간 자기상관''' 문제를 야기하는데, 이는 시간적 자기상관과 마찬가지로 관측치 간의 독립성을 가정하는 표준 통계 기법을 위반하기 때문이다.[5] 예를 들어, 공간 의존성을 보정하지 않은 회귀 분석은 불안정한 매개변수 추정치를 가질 수 있으며 신뢰할 수 없는 유의성 검정 결과를 초래할 수 있다. 공간 회귀 모델은 이러한 관계를 포착하여 이러한 약점을 극복한다. 또한 공간 의존성을 수정해야 할 문제점이라기보다는 정보의 원천으로 간주하는 것이 적절하다.[5]

공간적 이질성은 전체 시스템에 대해 추정된 전반적인 매개변수가 특정 위치의 과정을 적절하게 설명하지 못할 수 있다는 것을 의미한다.

공간 자기상관 통계는 지리 공간에서 관측치 간의 의존성 정도를 측정하고 분석한다. 고전적인 공간 자기상관 통계에는 모란의 I, 기어리의 C, 게티스의 G와 표준 편차 타원이 있다. 이러한 통계는 이웃 간의 거리, 공유 경계의 길이 또는 "서쪽"과 같은 지정된 방향 클래스에 속하는지 여부 등 이웃의 관측치 간의 지리적 관계의 강도를 반영하는 공간 가중치 행렬을 측정해야 한다. 고전적인 공간 자기상관 통계는 공간 가중치를 위치 쌍의 공분산 관계와 비교한다. 무작위로 예상되는 것보다 더 긍정적인 공간 자기상관은 지리 공간에서 유사한 값의 클러스터링을 나타내는 반면, 유의한 음의 공간 자기상관은 우연에 의해 예상되는 것보다 인접 값이 더 다르다는 것을 나타내며 체스판과 유사한 공간 패턴을 시사한다.

모란의 I와 기어리의 C와 같은 공간 자기상관 통계는 데이터 세트에 대한 전반적인 공간 자기상관 정도를 추정한다는 의미에서 전역적이다. 공간적 이질성의 가능성은 추정된 자기상관 정도가 지리 공간 전체에서 크게 달라질 수 있음을 시사한다. '''지역 공간 자기상관 통계'''는 공간 분석 단위 수준으로 분리된 추정치를 제공하여 공간 전체의 의존 관계를 평가할 수 있다. G 통계는 이웃을 전역 평균과 비교하고 강한 자기상관의 지역 영역을 식별한다. I 및 C 통계의 지역 버전도 사용할 수 있다.

3. 4. 2. 공간 연관성 (Spatial association)

공간 연관성은 사물이 공간에서 유사하게 배열되는 정도를 나타낸다. 두 현상의 분포 패턴 분석은 지도 중첩을 통해 수행된다. 분포가 유사하면 공간 연관성이 강하고, 그렇지 않으면 약하다.[6] 지리 정보 시스템에서 분석은 정량적으로 수행될 수 있다. 예를 들어, 일치하는 위치의 관찰 집합(점 또는 래스터 셀에서 추출)을 교차시키고 회귀 분석으로 검사할 수 있다.

공간 자기 상관과 마찬가지로, 이는 공간 예측에 유용한 도구가 될 수 있다. 공간 모델링에서 공간 연관성 개념을 사용하면 회귀 방정식에서 공변량을 사용하여 지리적 필드를 예측하고, 따라서 지도를 생성할 수 있다.

3. 5. 축척 (Scaling)

공간 측정 규모는 공간 분석에서 지속적인 문제이며, 더 자세한 내용은 가변 면적 단위 문제 (MAUP) 항목에서 확인할 수 있다. 조경 생태학자들은 본질적으로 프랙탈인 생태학적 측면에 대한 일련의 척도 불변 지표를 개발했다.[8] 좀 더 일반적인 용어로, 공간 통계에 널리 합의된 척도 독립적인 분석 방법은 없다.

3. 6. 표본 추출 (Sampling)

공간 표본추출은 종속성과 이질성을 겪는 현상을 충실하게 측정하기 위해 지리적 공간에서 제한된 수의 위치를 결정하는 것을 포함한다. 종속성에 따라 특정 지점의 측정 결과로부터 다른 지점의 값을 예측할 수 있으므로, 모든 지점의 관측이 필요하지 않다. 그러나 이질성에 따라 장소마다 변화하기 때문에, 소지역 단위에서는 측정한 의존 정도를 신뢰할 수 없다.

기본적인 공간 표본 조사 방식에는 무작위 추출, 군집 추출, 계통 추출이 있다. 이러한 기본 방식은 지정된 공간 계층 구조(예: 도시 지역, 도시, 이웃)에서 여러 수준으로 적용될 수 있다. 또한 보조 데이터를 활용하는 것도 가능한데, 예를 들어 부동산 가치를 공간 표본추출 방식의 지침으로 사용하여 교육 수준과 소득을 측정할 수 있다. 공간 자기상관 통계, 회귀 및 보간(아래 참조)과 같은 공간 모델도 표본 설계를 결정할 수 있다.

4. 공간 분석의 종류

공간 분석은 연구 대상의 정의, 분석 작업의 구성, 컴퓨터 사용, 알려진 분석의 한계 및 특수성, 분석 결과의 발표 등에서 많은 근본적인 문제에 직면하며, 이러한 문제 중 많은 부분이 현재 연구의 활발한 주제이다.[2]

공간 분석에서 일반적인 오류는 자주 발생하며, 일부는 공간의 수학 때문에, 일부는 데이터가 공간적으로 표현되는 특정 방식 때문에, 일부는 사용 가능한 도구 때문에 발생한다. 인구 조사 데이터는 데이터를 지역 단위로 집계하여 개인의 프라이버시를 보호하기 때문에 여러 가지 통계적 문제를 제기한다. 해안선의 프랙탈 특성으로 인해 길이를 정확하게 측정하는 것이 어렵거나 불가능하다. 영국 해안선의 사례에서 볼 수 있듯이, 컴퓨터 소프트웨어를 이용해 해안선의 곡선에 직선을 맞춰 길이를 계산할 수 있지만, 이러한 직선은 실제 세계에서 내재적인 의미가 없을 수 있다.[2]

이러한 문제는 발표 매체로서 지도의 강력함 때문에 공간 분석에서 어려운 과제를 나타낸다. 결과가 지도로 제시될 때, 프레젠테이션은 일반적으로 정확한 공간 데이터와 부정확할 수 있는 분석 결과를 결합하여 분석 결과가 데이터가 나타내는 것보다 더 정확하다는 인상을 준다.[2]

4. 1. 공간 데이터 분석 (Spatial data analysis)

도시 및 지역 연구는 인구 조사 및 설문 조사에서 얻은 대규모 공간 데이터 테이블을 다룬다. 주요 트렌드를 추출하기 위해 방대한 양의 상세 정보를 단순화해야 한다. 다변량 분석 (또는 요인 분석)을 통해, 서로 상관 관계가 있는 인구 조사의 많은 변수를 더 적은 수의 독립적인 "요인" 또는 "주성분"으로 변환할 수 있다. 이는 데이터 상관 행렬의 고유벡터에 해당 고유값의 역수를 곱한 것이다. 이 변수 변경에는 두 가지 주요 장점이 있다.

# 정보가 처음 몇 개의 새 요인에 집중되어 있으므로, 정보 손실을 최소화하면서 소수의 요인만 유지할 수 있다. 이를 매핑하면 더 적고 더 의미 있는 맵이 생성된다.

# 요인, 즉 고유벡터는 구성상 직교, 즉 상관 관계가 없다. 대부분의 경우, 지배적인 요인(가장 큰 고유값을 가짐)은 사회적 구성 요소이며, 도시에서 부자와 빈자를 분리한다. 요인이 상관 관계가 없으므로, 그렇지 않으면 숨겨졌을 사회적 지위보다 작은 다른 프로세스가 두 번째, 세 번째, ... 요인에 나타난다.

요인 분석은 관측치 간의 거리를 측정하는 데 달려 있다. 중요한 메트릭을 선택하는 것이 중요하다. 유클리드 메트릭(주성분 분석), 카이제곱 거리(대응 분석) 또는 일반화된 마할라노비스 거리(판별 분석)가 널리 사용된다.[14] 공통성 또는 회전을 사용하는 더 복잡한 모델이 제안되었다.[15]

추출된 벡터는 데이터 행렬에 의해 결정되므로, 서로 다른 인구 조사에서 얻은 요인을 비교할 수 없다. 한 가지 해결책은 여러 인구 조사 행렬을 단일 테이블로 병합한 다음 분석하는 것이다. 그러나, 이는 변수의 정의가 시간이 지남에 따라 변경되지 않았다고 가정하고, 관리하기 어려운 매우 큰 테이블을 생성한다. 더 나은 해결책은 심리 측정학자들이 제안했으며,[21] 데이터를 세 개의 항목(예: 위치, 변수, 기간)이 있는 « 큐빅 행렬 »로 그룹화한다. 3방향 요인 분석은 작은 큐빅 « 코어 행렬 »로 관련된 세 그룹의 요인을 생성한다.[22]

4. 2. 공간 보간 (Spatial interpolation)

공간 보간은 관측된 위치의 값을 기반으로 지리 공간에서 관측되지 않은 위치의 변수를 추정하는 방법이다. 기본적인 방법으로는 역 거리 가중법이 있는데, 이는 관측된 위치로부터의 거리가 멀어질수록 변수를 약화시킨다. 크리깅은 체계적이고 임의적인 구성 요소를 모두 갖는 공간 지연 관계에 따라 공간을 보간하는 보다 정교한 방법이다. 이는 관측 위치 사이의 숨겨진 값에 대한 광범위한 공간 관계를 수용할 수 있다. 크리깅은 가설적 지연 관계를 고려하여 최적의 추정치를 제공하며, 공간 패턴의 존재 여부를 결정하기 위해 오차 추정치를 매핑할 수 있다.

4. 3. 공간 회귀 (Spatial regression)

공간 회귀 방법은 회귀 분석에서 공간 의존성을 포착하여 불안정한 매개변수와 신뢰할 수 없는 유의성 검정과 같은 통계적 문제를 방지하고 관련 변수 간의 공간 관계에 대한 정보를 제공한다. 특정 기법에 따라 공간 의존성은 독립 변수와 종속 변수 간의 관계, 종속 변수와 자체의 공간 래그 간의 관계, 또는 오차 항으로 회귀 모델에 들어갈 수 있다. '''지리 가중 회귀'''(GWR)는 분석의 공간 단위별로 매개변수를 생성하는 공간 회귀의 국소 버전이다.[25] 이를 통해 독립 변수와 종속 변수 간의 추정된 관계에서 공간적 이질성을 평가할 수 있다. 베이즈 계층 모델링[26]을 마르코프 연쇄 몬테카를로(MCMC) 방법과 함께 사용하면 푸아송-감마-CAR, 푸아송-로그 정규-SAR 또는 과분산 로짓 모델을 사용하여 복잡한 관계를 모델링하는 데 효과적인 것으로 나타났다.

가우시안 프로세스와 같은 공간 확률 프로세스도 공간 회귀 분석에 점점 더 많이 사용되고 있다. 공간적으로 변화하는 계수 모델로 알려진 GWR의 모델 기반 버전이 베이즈 추론을 수행하는 데 적용되었다.[26] 공간 확률 프로세스는 가우시안 예측 프로세스[28] 및 최근접 이웃 가우시안 프로세스(NNGP)와 같은 계산적으로 효과적이고 확장 가능한 가우시안 프로세스 모델이 될 수 있다.[29]

4. 4. 공간적 상호작용 (Spatial interaction)

공간 상호 작용 또는 "중력 모형"은 지리적 공간에서 위치 간의 사람, 물질 또는 정보의 흐름을 추정한다. 요인에는 거주 지역의 통근자 수와 같은 기원 추진 변수, 고용 지역의 사무실 공간 양과 같은 목적지 매력 변수, 운전 거리 또는 이동 시간과 같은 용어로 측정된 위치 간의 근접성 관계가 포함될 수 있다. 또한, 특히 거리와 위상 간의 종종 상충되는 관계를 고려하여 지역 간의 위상적 또는 지리 공간적 위상 관계를 식별해야 한다. 예를 들어, 공간적으로 가까운 두 이웃은 고속도로로 분리되어 있다면 유의미한 상호 작용을 나타내지 않을 수 있다. 이러한 관계의 함수 형태를 지정한 후 분석가는 관찰된 흐름 데이터와 최소 제곱법 또는 최대 우도와 같은 표준 추정 기법을 사용하여 모형 매개변수를 추정할 수 있다. 공간 상호 작용 모형의 경쟁 목적지 버전은 기원-목적지 근접성 외에도 목적지(또는 기원) 간의 근접성을 포함한다. 이는 흐름에 대한 목적지(기원) 클러스터링의 영향을 포착한다.

신경망과 같은 계산 방법으로도, 위치 간의 공간적 관련성을 추정하거나 노이즈가 많은 정성적인 데이터의 처리가 가능하다.

4. 5. 시뮬레이션 및 모델링 (Simulation and modeling)

복잡 적응계 이론은 공간 분석에 적용될 수 있다. 인접한 엔티티 간의 단순한 상호작용은 집계 수준에서 복잡하고 지속적이며 기능적인 공간 엔티티로 이어질 수 있다. 공간 시뮬레이션의 두 가지 기본 방법은 셀룰러 오토마타와 에이전트 기반 모델링이다.[30][31][32][33]

  • 셀룰러 오토마타 모델링: 그리드 셀과 같은 고정된 공간 프레임워크를 적용하고, 인접 셀의 상태에 따라 셀의 상태를 결정하는 규칙을 지정한다. 시간이 지남에 따라 셀이 이웃을 기반으로 상태를 변경하면서 공간 패턴이 나타나며, 이는 미래 기간의 조건을 변경한다. 예를 들어 셀은 도시 지역의 위치를 나타낼 수 있으며, 상태는 다양한 유형의 토지 이용이 될 수 있다. 지역 토지 이용의 단순한 상호 작용에서 나타날 수 있는 패턴에는 사무실 지구와 도시 스프롤이 있다.

  • 에이전트 기반 모델링: 의도적인 행동(목표)을 가지고 목표를 추구하면서 환경에 반응하고 상호 작용하며 수정할 수 있는 소프트웨어 엔티티(에이전트)를 사용한다. 셀룰러 오토마타의 셀과 달리 시뮬레이터는 에이전트가 공간에 대해 이동할 수 있도록 허용할 수 있다. 예를 들어, 개별 차량을 나타내는 에이전트를 사용하여 교통 흐름 및 역학을 모델링하여 지정된 출발지와 목적지 간의 이동 시간을 최소화할 수 있다. 최소 이동 시간을 추구하는 동안 에이전트는 이동 시간을 최소화하려는 다른 차량과의 충돌을 피해야 한다.


셀룰러 오토마타와 에이전트 기반 모델링은 상호 보완적인 모델링 전략이다. 일부 에이전트가 고정되어 있고 다른 에이전트가 이동 가능한 공통 지리적 오토마 시스템에 통합될 수 있다.

4. 6. 다중점 지질 통계 (Multiple-point geostatistics, MPS)

개념 지질 모델의 공간 분석은 모든 MPS(Multiple-point geostatistics, 다중점 지질 통계) 알고리즘의 주요 목적이다. 이 방법은 훈련 이미지라고 하는 지질 모델의 공간 통계를 분석하고, 해당 입력 다중점 통계를 준수하는 현상의 실현을 생성한다.[34]

이 작업을 수행하기 위해 사용되는 최근의 MPS 알고리즘은 Honarkhah의 패턴 기반 방법이다.[34] 이 방법에서는 거리 기반 접근 방식을 사용하여 훈련 이미지의 패턴을 분석한다. 이를 통해 다중점 통계와 훈련 이미지의 복잡한 기하학적 특징을 재현할 수 있다. MPS 알고리즘의 각 출력은 임의의 필드를 나타내는 실현이다. 여러 실현을 함께 사용하여 공간적 불확실성을 정량화할 수 있다.

최근 방법 중 하나는 Tahmasebi 등이 제시한 방법이다.[35] 이 방법은 공간 패턴 재현을 개선하기 위해 상호 상관 함수를 사용한다. 그들은 MPS 시뮬레이션 방법을 CCSIM 알고리즘이라고 부른다. 이 방법은 공간 연결성, 변동성 및 불확실성을 정량화할 수 있다. 또한 이 방법은 모든 유형의 데이터에 민감하지 않으며 범주형 및 연속형 시나리오를 모두 시뮬레이션할 수 있다. CCSIM 알고리즘은 모든 정상성, 비정상성 및 다변량 시스템에 사용할 수 있으며, 높은 품질의 시각적 매력을 가진 모델을 제공할 수 있다.[36][37]

5. 지리 정보 시스템(GIS)과 공간 분석

지리 정보 시스템(GIS)은 다양한 유형의 지리 데이터를 캡처, 저장, 조작, 분석, 관리 및 제시하도록 설계되었으며, 다양한 분야에서 공간 및 수문 공간 분석을 활용한다.

지리 정보 시스템(GIS)과 지리 정보 과학은 공간 분석에 큰 영향을 미치고 있다. 지리 데이터 수집 및 처리 성능이 향상되면서 공간 분석 환경이 발전하고 있다. 지리 데이터 수집에는 원격 이미지나 첨단 교통 시스템과 같은 환경 감시 시스템, 위치를 전송하는 휴대 단말기 등의 위치 인식 기술이 포함된다. GIS는 이러한 데이터를 관리하고, 거리, 연결성, 공간 단위 간의 방향성 등 공간 관계를 계산하며, 지도 제작에서 원시 데이터와 공간 분석 결과를 시각화하는 기능을 제공한다.

5. 1. 지리 시각화 (Geographic visualization, GVis)

지리 시각화(GVis)는 과학적 시각화와 디지털 지도 제작을 결합하여 공간 분석 또는 시뮬레이션 결과를 포함한 지리 데이터 및 정보의 탐색 및 분석을 지원한다.[43] GVis는 지리 데이터 및 정보의 탐색, 분석, 전달 과정에서 시각 정보 처리에 대한 인간의 지향성을 활용한다. 전통적인 지도 제작과 달리 GVis는 일반적으로 3차원 또는 4차원(후자는 시간을 포함)이며 사용자 상호 작용적이다.

나폴레옹의 모스크바 원정을 보여주는 이 흐름 지도는 지리 시각화의 초기이자 유명한 예시이다. 이 지도는 군대가 이동한 방향, 통과한 장소, 굶주림과 부상으로 사망한 병사들의 수에 따른 군대 규모, 그리고 그들이 겪었던 혹독한 추위를 보여준다.

5. 2. 지리 지식 발견 (Geographic knowledge discovery, GKD)

지리 지식 발견(GKD)은 방대한 공간 데이터베이스를 탐색하기 위해 효율적인 계산 도구를 적용하는 인간 중심 프로세스이다. GKD에는 지리적 데이터 마이닝이 포함되지만, 데이터 선택, 데이터 정리 및 전처리, 결과 해석과 같은 관련 활동도 포함한다. 지리 시각화(GVis)는 GKD 프로세스에서 핵심적인 역할을 할 수도 있다. GKD는 방대한 데이터베이스에 표준 분석 기술로는 찾을 수 없는 흥미로운(유효하고, 새롭고, 유용하고, 이해할 수 있는) 패턴이 포함되어 있다는 전제에 기반한다. GKD는 공간 분석에 대한 가설 생성 프로세스로 작용하여 공간 분석 기술을 사용하여 확인해야 하는 잠정적인 패턴과 관계를 생성할 수 있다.[43]

5. 3. 공간 의사 결정 지원 시스템 (Spatial decision support systems, SDSS)

공간 의사 결정 지원 시스템(SDSS)은 기존 공간 데이터를 사용하고 다양한 수학적 모델을 사용하여 미래를 예측한다. 이를 통해 도시 및 지역 계획가들은 개입 결정을 구현하기 전에 테스트할 수 있다.[43]

참조

[1] 웹사이트 The History of Land Surveying https://info.courtho[...] 2020-12-17
[2] 서적 How to Lie with Maps University of Chicago Press 1996
[3] 서적 Mining Geostatistics Academic Press Inc
[4] 간행물 Spatial dynamics of epidemics https://linkinghub.e[...] Elsevier 2023-03-05
[5] 논문 Spatial autocorrelation and the scaling of species–environment relationships https://research.utw[...] 2010
[6] 웹사이트 Spatial Association http://www.gtav.asn.[...] Geography Teachers' Association of Victoria 2014-11-17
[7] 논문 The second dimension of spatial association 2022-07
[8] 논문 Uses and abuses of fractal methodology in ecology 2004-03-01
[9] 논문 Common errors in disease mapping 2010
[10] 웹사이트 Understanding Spatial Fallacies https://www.e-educat[...] Penn State Department of Geography 2018-04-27
[11] 서적 Integrating scale in remote sensing and GIS Taylor & Francis 2016-02-01
[12] 논문 Ecological Correlations and the Behavior of Individuals* 2009-04
[13] 서적 Spatial Data Analysis by Example Volume 1: Point Pattern and Quantitative Data John Wiley & Sons 1985
[14] 서적 Modern Factor Analysis University of Chicago Press 1960
[15] 서적 Applied Factor Analysis Northwestern University Press 1970
[16] 서적 Social Area Analysis Stanford University Press 1955
[17] 서적 British Towns; A Statistical Study of their Social and Economic Differences Oliver & Boyd 1961
[18] 서적 Geographic Perspectives on Urban Systems John Wiley 1971
[19] 서적 City Classification Handbook : Methods and Applications John Wiley 1972
[20] 문서 Méthodes d’analyse multivariée dans la géographie anglo-saxonne http://www-ohp.univ-[...] Université de Paris-1 1974
[21] 간행물 "The extension of Factor Analysis to three-dimensional matrices" Holt, Rinehart and Winston 1964
[22] 서적 Multiway data analysis Elsevier 1989
[23] 논문 Changes in the location of manufacturing in New Zealand 1957-1968: An application of three-mode factor analysis 1971
[24] 서적 The Emergence of Los Angeles, 1940-1970 Pion Ltd 1986
[25] 논문 Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity 1996
[26] 서적 Hierarchical Modeling and Analysis for Spatial Data, Second Edition Chapman and Hall/CRC 2014
[27] 웹사이트 CRAN Task View: Analysis of Spatial Data https://cran.r-proje[...] 2021-01-21
[28] 논문 Gaussian predictive process models for large spatial datasets 2008
[29] 논문 Hierarchical Nearest Neighbor Gaussian Process Models for Large Geostatistical Datasets 2016
[30] 논문 Calibration of the SLEUTH urban growth model for Lisbon and Porto, Portugal 2002
[31] 논문 Complexity, emergence and cellular urban models: lessons learned from applying SLEUTH to two Portuguese metropolitan areas 2003
[32] 논문 Examining the dynamics of the interaction between the development of creative industries and urban spatial structure by agent-based modelling: A case study of Nanjing, China 2017
[33] 논문 A machine learning-based method for the large-scale evaluation of the qualities of the urban environment https://www.reposito[...] 2017
[34] 논문 Stochastic Simulation of Patterns Using Distance-Based Pattern Modeling
[35] 논문 Multiple-point geostatistical modeling based on the cross-correlation functions
[36] 논문 Reconstruction of nonstationary disordered materials and media: Watershed transform and cross-correlation function
[37] 논문 Geostatistical Simulation and Reconstruction of Porous Media by a Cross-Correlation Function and Integration of Hard and Soft Data
[38] 웹사이트 Graduate Program in Spatial Analysis http://www.ryerson.c[...] 2015-12-17
[39] 간행물 geospatial http://www.collinsdi[...] Collins English Dictionary - Complete & Unabridged 11th Edition 2012-08-05
[40] 웹사이트 Dictionary.com's 21st Century Lexicon http://dictionary.re[...] Dictionary.com, LLC 2010
[41] 웹사이트 The geospatial web – blending physical and virtual spaces. http://www.receiver.[...] 2008
[42] 서적 Geospatial Computing in Mobile Devices http://www.artechhou[...] Artech House 2014
[43] 논문 A decision-support system for sustainable urban metabolism in Europe
[44] 서적 How to Lie with Maps University of Chicago Press 1996
[45] 논문 Spatial autocorrelation and the scaling of species–environment relationships
[46] 논문 Common errors in disease mapping http://www.ncbi.nlm.[...]
[47] 서적 Modern Factor Analysis University of Chicago Press
[48] 서적 Applied Factor Analysis Northwestern University Press
[49] 서적 The extension of Factor Analysis to three-dimensional matrices Holt, Reinhart and Winston
[50] 서적 Multiway data analysis Elsevier
[51] 논문 Changes in the location of manufacturing in New Zealand 1957-1968: An application of three-mode factor analysis.
[52] 논문 Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis
[53] 논문 Stochastic Simulation of Patterns Using Distance-Based Pattern Modeling https://doi.org/10.1[...]
[54] 논문 Multiple-point geostatistical modeling based on the cross-correlation functions http://www.springerl[...]


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com