[DB : Data] Data의 종류 : 🗺️ GIS 데이터 학습(DA/DS/AI 엔지니어 관점).

▽ [DB : Data] Data의 종류 : 🗺️ GIS 데이터 학습(DA/DS/AI 엔지니어 관점).

목  차

Ⅰ. 공간 데이터(GIS) 자체 이해

Ⅱ. 공간 데이터 분석 기법

Ⅲ. Python & SQL에서의 GIS 활용

Ⅰ. 공간 데이터(GIS) 자체 이해.

---

1️⃣ 기초 개념 (GIS 데이터의 최소 단위 이해)

GIS란 무엇인가(위치정보 + 속성 데이터)

한줄 요약
: "GIS'는 위치(geometry)와 그 위치에 연결된 속성(attribute)을 결합해,
현실 세계를 디지털 데이터로 모델링 및 분석하는 시스템.

1️⃣ 완전 기초 개념.

• GIS(Geographic Information System, 지리정보시스템)
  -> “지도 위에 데이터를 얹어서 문제를 해결하는 시스템”

  • 위치정보(Spatial Data, 공간 데이터) :
    사물이 어디 있는지를 나타내는 정보 (좌표, 위도·경도, 행정구역 등)

  • 속성정보(Attribute Data, 속성 데이터) :
    그 사물이 무엇인지를 설명하는 정보 (예: 인구 수, 건물 높이, 토지 용도)

비유.

• 종이지도 = 단순히 위치만 보여줌.

• GIS = 지도 위에 “층(Layer)”를 쌓아서 → 위치 + 특성 + 시간까지 표현 가능.

  • 예: 지도에 병원 위치(위치정보) + 병상 수, 전문 진료과목(속성정보) 추가.

---

2️⃣ 중급 개념.

• GIS의 핵심 구성 요소.

  • 1. 공간 데이터(Spatial Data)

    • 벡터(Vector) : 점(POI), 선(도로), 면(행정구역)

    • 래스터(Raster) : 격자 형태(위성영상, 고도 DEM, 토양지도)

  • 2. 속성 데이터(Attribute Data)

    • 테이블 형태로 관리 (엑셀처럼 행=객체, 열=속성)

    • 벡터/래스터와 연결되어야 의미 있음.

  • 3. GIS 소프트웨어/도구

    • 오픈소스: QGIS, GRASS GIS

    • 상용: ArcGIS, MapInfo

  • 4. 좌표계 및 투영법

    • GPS 좌표(위도·경도, WGS84)

    • 평면 좌표계(UTM 등)

• GIS의 기본 연산.

  • Overlay (중첩 분석): 도로망 + 인구 분포 → 교통 취약 지역 분석

  • Buffer (완충 영역): 강 주변 500m → 홍수 위험 지역 탐지

  • Spatial Join (공간 결합): 학교 위치 + 학생 거주지 데이터 → 통학권 분석

---

3️⃣ 심화 / 실무 개념

• GIS의 역할 = 단순 지도 제작을 넘어서 공간 의사결정 지원 도구(DSS: Decision Support System)

• 활용 분야

  • 도시계획 : 신도시 부지 선정, 교통 시뮬레이션

  • 환경 관리 : 산사태 위험 분석, 수자원 관리

  • 스마트시티/IoT : 실시간 교통, 대기오염 센서 데이터 시각화

  • 공간 빅데이터/AI : 위성·드론 데이터 → 딥러닝 기반 토지피복 분류

• 실무에서 중요하게 보는 부분

  • 1. 데이터 품질 (정확도, 최신성, 좌표 일관성)
  • 2. 데이터베이스 연계 (PostGIS, Spatialite 등)
  • 3. 클라우드 GIS (Google Earth Engine, Mapbox, CARTO)
  • 4. 프로그래밍 활용 (Python GeoPandas)

🗺 공간 데이터의 2대 축

GIS의 본질 = 위치 데이터(Geometry)와 속성 데이터(Attribute)의 결합 구조

1️⃣ 완전 기초 개념.

• 위치 데이터(Geometry)

  • 사물이 어디에 있는지를 표현하는 좌표 정보

  • 예:

    • 점(Point) → 버스 정류장 위치

    • 선(Line) → 도로, 강

    • 면(Polygon) → 행정구역, 호수

• 속성 데이터(Attribute)

  • 그 사물이 무엇인지, 어떤 특성을 가지는지 설명하는 정보

  • 예:

    • 버스 정류장(위치) → 정류장 이름, 버스 노선 수

    • 도로(위치) → 차선 수, 제한 속도

    • 행정구역(위치) → 인구 수, 면적, 평균 소득

• 결합 구조

  • 위치 = 지도에서 좌표

  • 속성 = 엑셀처럼 표 형식

  • GIS는 좌표와 속성 테이블을 1:1 매칭하여 의미를 부여

---

2️⃣ 중급 개념.

• 공간 데이터 모델의 구조

  • 1. Geometry 객체

    • 점(Point), 선(LineString), 면(Polygon) → WKT(Well-Known Text)나 WKB(Well-Known Binary)로 표현

    • 좌표계(CRS, Coordinate Reference System)에 종속

  • 2. Attribute 테이블

    • 행(Row) = 개별 객체(예: 건물 1동)

    • 열(Column) = 속성 값(예: 층수, 건축연도, 용도)

• 예시 (Shapefile 구조)

  • .shp : Geometry 저장 (위치)

  • .dbf : 속성(Attribute) 테이블 (dBase 형식)

  • .shx : 인덱스 파일 → Geometry와 Attribute 매핑

• 공간 DB(PostGIS 등)

  • 하나의 테이블 안에 geometry 컬럼 + 여러 속성 컬럼

CREATE TABLE building (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    height FLOAT,
    geom GEOMETRY(Polygon, 4326)
);

-> 여기서 geom이 위치 데이터, 나머지가 속성 데이터

---

3️⃣ 심화 / 실무 개념.

• 위치와 속성 결합의 핵심 의미.

  • GIS에서 중요한 건 "지도 위의 점" 그 자체가 아니라,
    그 점이 무엇을 의미하는지 알려주는 속성 데이터

  • 즉, Geometry + Attribute = 공간 객체(Spatial Feature)

• 실무 적용 포인트

  • 1. 데이터 결합(Join & Relate)

    • 위치 데이터는 고정적일 수 있으나, 속성은 주기적으로 업데이트됨

    • 예: 병원 건물 좌표는 변하지 않음 → 속성(진료 과목, 의사 수)은 계속 갱신됨

  • 2. 분석에서의 활용

    • Geometry는 공간 연산(버퍼, 교차, 포함 관계)

    • Attribute는 조건 필터링(예: 인구 10만 이상인 도시만 선택)

    • 결합 분석 → “인구 10만 이상 도시 중 강으로부터 1km 이내 지역 찾기”

  • 3. 빅데이터/AI와의 연계

    • Geometry는 CNN(Convolutional Neural Network) 기반 공간 패턴 학습에 활용 (예: 위성영상 분류)

    • Attribute는 ML 모델의 Feature로 사용 (예: 인구, 토지이용, 교통량 → 주택가격 예측)

📐 Geometry의 기본 단위

1️⃣ 완전 기초 개념

• Geometry = 공간 객체를 표현하는 "위치 정보"

• 기본 단위 = 점(Point), 선(Line), 면(Polygon)

  • 점(Point) = 단일 좌표

    • 공간 표현의 최소 단위, 좌표 1쌍(x,y)
    • 예 : 버스 정류장 위치, ATM 위치.

  • 선(LineString) = 좌표 배열

    • 점들을 연결한 연속, 길이 존재
    • 예 : 도로, 철도 ,강

  • 면(Polygon) = 폐합된 좌표 집합

    • 선이 닫혀서 이루어진 영역, 면적 존재
    • 예 : 행정구역, 토지 구획, 호수.

비유

• 점 = 주소 하나
• 선 = 길
• 면 = 동네/구역

---

2️⃣ 중급 개념

• Geometry 기본 객체 (OGC – Open Geospatial Consortium 표준)

  • 1. Point : 단일 좌표 (x, y[, z])
  • 2. MultiPoint : 여러 점의 집합
  • 3. LineString : 최소 2개 이상의 점을 연결한 선
  • 4. MultiLineString : 여러 선 집합
  • 5. Polygon : 닫힌 LineString으로 둘러싸인 영역 (외곽선 + 홀(구멍))
  • 6. MultiPolygon : 여러 면 집합

• 좌표 차원

  • 2D (x, y) → 평면

  • 3D (x, y, z) → 고도 포함 (건물 높이, 지형)

  • 4D (x, y, z, t) → 시간까지 포함 (이동 데이터, 시계열 GIS)

• 표현 방식.

  • WKT(Well-Known Text)

    POINT(127.0276 37.4979)
    LINESTRING(127.0 37.5, 127.1 37.6)
    POLYGON((127.0 37.5, 127.1 37.5, 127.1 37.6, 127.0 37.6, 127.0 37.5))
    

  • WKB(Well-Known Binary) : 이진 표현 -> DB에서 빠른 처리.

---

3️⃣ 심화 / 실무 개념.

• Geometry의 확장 개념

  • 1. GeometryCollection : Point, Line, Polygon을 혼합 저장

  • 2. Topology 기반 표현 : 단순 Geometry가 아니라 객체 간의 관계를 표현

       • 예: “이 선은 저 면의 경계”, “이 점은 저 폴리곤 안에 있음”
  • 3. 곡선 Geometry : CircularString, CurvePolygon → 철도 곡선, 원형 교차로 표현.

• 실무 적용.

  • 도시계획 :

    • 건물 = Polygon (위치) + 층수, 용도 (속성)

    • 도로 = LineString + 차선수, 교통량

  • 환경분석 :

    • 강 = LineString

    • 호수 = Polygon

    • 오염원 위치 = Point

  • 빅데이터 GIS :

    • 이동 궤적 = Point 집합 + 시간

    • 위성影像 분류 = Raster → Polygon 변환 (Land Cover Map)

🗂️ Vector 데이터 기본

1️⃣ 완전 기초 개념

• Vector 데이터란?

  • 공간 데이터를 좌표(점)로 정의하고,
    그 좌표를 점(Point) / 선(Line) / 면(Polygon) 으로 연결해 표현하는 방식

  • 즉, 좌표 기반 도형으로 세상을 표현

• 예시

  • 점(Point) : 버스 정류장, 편의점 위치

  • 선(Line) : 도로, 철도, 하천

  • 면(Polygon) : 행정구역, 공원, 호수

• 비유.
  • 벡터 = "스케치"
    (좌표만 있으면 확대/축소해도 선명함 → 지도 확대에도 선명)

---

2️⃣ 중급 개념

• Vector 데이터 구조

  • 1. Geometry : 위치 (좌표 기반 도형)
  • 2. Attribute : 속성 (엑셀처럼 테이블로 관리)
  • 3. ID(Key) : Geometry ↔ Attribute 매칭

• 저장 포맷

  • Shapefile : 가장 대표적인 벡터 형식 (.shp, .shx, .dbf)

  • GeoJSON : JSON 기반 → 웹 지도에서 많이 활용

  • KML/KMZ : Google Earth, Google Maps에서 사용

  • Spatial Database : PostGIS, Spatialite

• 좌표계(CRS, Coordinate Reference System)

  • 모든 벡터 데이터는 좌표체계에 종속

  • 예: 위도·경도(WGS84), UTM, 국가 좌표계

• 특징.

  • ✅ 위치 정확도가 높음 (도로, 건물 같은 경계 표현에 유리)
  • ✅ 속성과 결합하기 쉬움 (행정구역 ↔ 인구 데이터 매핑)
  • ❌ 대용량·연속 데이터(예: 위성영상)는 비효율적 → 래스터 적합

---

3️⃣ 심화 / 실무 개념

• Topology(위상 관계)

  • 벡터 데이터는 단순히 좌표 모음이 아니라,
    객체 간의 관계(Adjacency, Connectivity, Containment) 를 포함할 수 있음.

  • 예:

    • “이 도로(Line)는 저 행정구역(Polygon)을 통과한다.”
    • “이 지점(Point)은 저 구역(Polygon) 안에 있다.”

• 실무 활용 예시

  • 1. 도시계획 :

    • Polygon = 토지 필지

    • Attribute = 용도(상업/주거), 면적, 건폐율

  • 2. 교통 분석 :

    • Line = 도로 네트워크

    • Attribute = 제한 속도, 차선 수 → 경로 최적화

  • 3. 환경/재난 관리 :

    • Polygon = 홍수 범람 지역

    • Point = 대피소 위치

    • 분석 = 홍수 범위 안에 속한 대피소 식별

Raster 데이터 기본

• Cell, Resolution, Band 개념

• 단일 밴드 vs 다중 밴드 (예: 위성영상 RGB, NIR)

1️⃣ 완전 기초 개념

• Raster 데이터란?
  • 공간을 일정한 격자(Cell,Pixel)로 나누고,
    각 칸에 값(숫자)을 저장하는 방식.
  • 사진이나 위성영상처럼 '이미지 기반 데이터'
• Cell(픽셀)
  • Raster 데이터의 가장 작은 단위 (정사각형 칸)
  • 각 셀에는 1개의 값이 저장됨
    • ex) 고도값(100m), 토양 종류 코드(3), RGB 색상 값(255,0,0)
• Rsolution(해상도)
  • 한 셀이 실제 공간에서 표현하는 크기
  • ex)
    • 해상도 30m → 픽셀 1개 = 30m × 30m 지역
    • 해상도 낮으면(큰 Cell) → 뭉뚱그려짐
    • 해상도 높으면(작은 Cell) → 세밀한 표현 가능
• Band (밴드)
  • 하나의 Raster는 여러 "층(layer)"을 가질 수 있음
  • 각 Band = 특정 파장(빛) 정보.
    • ex)
      • 가시광선 Red, Green, Blue -> 3개 밴드 조합으로 일반 사진
      • 적외선(NIR:Near-Infrared) -> 식생 상태 분석.

---

2️⃣ 중급 개념

• Raster 데이터 구조.

  • 1. 셀 크기(Cell size) -> '공간 해상도를 결정'
  • 2. 행(ROW) * 열(Column) -> 그리드로 전체 영역 구성.
  • 3. 밴드(Band) -> 각 셀에 저장되는 값의 채널 수.

• 단일 밴드(Single-band Raster)

  • 셀당 값이 1개
  • ex)
    • DEM(Digital Elevation Model) → 고도 값
    • 토양 지도 → 토양 코드(1=사질토, 2=양토…)
    • 기온 분포도 → 온도 값(℃)

• 다중 밴드(Multi-band Raster)

  • 셀당 여러 값(다중 채널)을 저장
  • ex)
    • 위성영상 (RGB) = 3 밴드 (Red, Green, Blue)
    • 위성영상 (RGB + NIR) = 4 밴드 (Red, Green, Blue, Near-Infrared)
    • Sentinel-2 위성 → 13개 밴드 (가시광선 + 적외선 + 단파적외선 등)

• 밴드 조합.

  • 밴드들을 합성하여 특정 현상 분석 가능
    • True Color 합성(RGB 그래도) -> 사람이 보는 자연 색상
    • False Color 합성(NIR + R + G) -> 식생 분석(식생이 붉게 보임)

---

3️⃣ 심화 / 실무 개념

• 실무 활용 예시.

  • 1. 환경/농업
    • NIR 밴드 -> 식생 건강도 분석(NDVI 지수 계산)
    • ex) NDVI = (NIR-Red) / (NIR+Red)
  • 2. 재해 관리
    • 다중 밴드 영상 -> 홍수 피해 지역 탐지(물 = 특정 파장 반사율 낮음)
  • 3. 도시계획/스마트시티
    • 다중 밴드 영상 -> 토지 피복 분류 (건물, 숲, 도로 자동 분류)

• 기술적 관점

  • 파일 포맷: GeoTIFF, IMG, NetCDF
  • 데이터 크기: 해상도·밴드 수가 많을수록 파일 용량 ↑
  • 분석 툴:
    • QGIS/ArcGIS → 시각화, 밴드 조합 분석
    • Google Earth Engine → 클라우드 기반 위성영상 처리
    • Python: rasterio, GDAL, xarray

• Vector vs Raster 정리

  • Vector = 좌표 기반 (도로, 건물, 행정구역 등 경계 표현에 강점)
  • Raster = 격자 기반 (영상, 연속적 현상 표현에 강점 -> 고도, 기온, 토양, 위성영상)

좌표계(Coordinate Reference System, CRS) 개념

• GCS, PCS, EPSG 코드.

• Datum, EPSG 코드 (예: EPSG:4326, EPSG:5179)

1️⃣ 완전 기초 개념.

• 좌표계란?

  • 지구 표면의 위치를 수학적으로 표현하는 규칙
  • 지구는 둥글기 때문에, 평면에 그대로 옮기려면 특정한 방법이 필요.

• GCS(Geographic Coordinate System)

  • 지구 위의 위치를 위도(φ), 경도(λ) 로 표현하는 방식
  • 단위 = '도(Degree)'
  • ex) 서울 시청 = (37.5665°N, 126.9780°E)

• PCS (Projected Coordinate System)

  • 지구의 곡면을 평면(지도) 으로 투영한 좌표계.
  • 단위 = m(미터) 또는 ft(피트)
  • 예: “서울시청은 X=953,000m, Y=1,950,000m 지점”

👉 비유:

• GCS = “지구본 위의 위도·경도 좌표”
• PCS = “종이 지도 위의 평면 좌표”

---

2️⃣ 중급 개념.

• Datum ( 기준 타원체 )

  • 지구 모양을 수학적으로 단순화한 '기준 타원체 + 원점 기준'
  • 대표 Datum:
    • WGS84 (GPS 기본, 전세계 표준)
    • GRS80 (우리나라 국가 좌표계 기반)
    • Bessel 1841 (과거 일본·한국에서 사용)
  • ex)
    • 같은 서울시청이라도 Datum이 다르면 좌표 값이 다름

• EPSG 코드

  • 전 세계 좌표계를 표준화한 고유 번호 (European Petroleum Survey Group)

  • GIS 소프트웨어(QGIS, ArcGIS, PostGIS 등)에서 좌표계를 지정할 때 EPSG 코드를 사용.

  • 자주 쓰는 EPSG 코드 예시

    • EPSG:4326 → WGS84 (위도·경도, 단위=Degree)

      • 구글맵, GPS, OpenStreetMap 기본 좌표계

    • EPSG:3857 → Web Mercator (웹지도 표준, 단위=m)

      • 구글맵, 네이버맵, 카카오맵

    • EPSG:5179 → UTM-K (한국 국가 표준 평면좌표계, 단위=m)

      • 국토지리정보원, 공공 GIS 시스템

---

3️⃣ 심화 / 실무 개념.

• GCS <-> PCS 변환

  • 실무에서는 GCS(위도 * 경도) 와 PCS(평면좌표)를 자주 변환해야 함.
  • ex)
    • GPS → EPSG:4326 좌표 획득
    • 도시계획 분석 → EPSG:5179 (미터 단위)로 변환 후 면적/거리 계산

• 좌표계 선택 기준.

  • 1. 분석 목적
    • 전 세계 단위 → EPSG:4326
    • 국가/지역 단위 → 해당 국가 PCS 사용
    • 거리·면적 계산 → PCS 필요 (Degree 단위는 계산 부정확)
  • 2. 실무 적용.

    • 공간 DB(PostGIS)

      SELECT ST_Transform(geom, 5179) 
       FROM building;
      

      -> Geometry 좌표계를 4326 -> 5179로 변환

    • QGIS/ArcGIS

      • 좌표계(Project CRS)와 레이어 좌표계(Layer CRS)를 구분해서 관리

• EPSG 충돌 문제

  • 서로 다른 좌표계 데이터를 겹쳐서 시각화할 때,
    좌표계 지정이 잘못되면 “레이어가 어긋남” 현상 발생

  • 해결: 올바른 EPSG 코드 지정 + 필요시 Reprojection 수행

좌표계와 투영 : 위도/경도, UTM, EPSG 코드

1️⃣ 완전 기초 개념.

• 좌표계란?

  • 지구 위의 위치를 수학적으로 표현하는 방법.
    • "주소"가 일상생활의 위치 표현이라면, '좌표계'는 지구 과학의 주소 체계.

• 위도/경도 (Lat/Lon)

  • 위도 : 적도를 기준으로 북쪽/남쪽 각도 (0°~90°)
  • 경도: 본초자오선(그리니치)을 기준으로 동/서쪽 각도 (0°~180°)
  • 단위: 도(°)

• 투영 (Projection)

  • 둥근 지구를 종이 지도처럼 평면에 펼치는 과정
  • 풍선에 지도를 그려놓고 종이에 눌러 찍는다고 생각하면 됨
  • 펼치는 방식에 따라 왜곡(거리, 면적, 모양)이 다르게 발생

• EPSG 코드

  • 좌표계의 “고유 번호판”
  • 예: GPS 기본 좌표계 WGS84 → EPSG:4326

---

2️⃣ 중급 개념.

• 좌표계 구분

  • 지리 좌표계(GCS): 위도/경도 (단위: degree)

  • 투영 좌표계(PCS): 평면 직교 좌표 (단위: meter)

• UTM (Universal Transverse Mercator)

  • 전 세계를 경도 6° 단위 Zone으로 나눈 투영 방식
  • 단위: meter
  • 좁은 지역을 정밀하게 표현 가능
  • 예: 서울은 UTM Zone 52N

• EPSG 코드 예시

  • EPSG:4326 : WGS84, 위도·경도 (degree)
  • EPSG:3857 : Web Mercator, 웹 지도에서 사용 (meter)
  • EPSG:5179 : 한국 TM 좌표계, 국내 행정/공공 데이터에서 사용 (meter)

---

3️⃣ 심화 / 실무 개념.

• 투영의 목적별 구분

  • 등각 투영 (Conformal) → 각도 보존 (항해, 항공)
  • 등적 투영 (Equal Area) → 면적 보존 (인구·토지 통계)
  • 등거리 투영 (Equidistant) → 거리 보존 (특정 구간에서만 정확)

• 실무에서 자주 겪는 문제

  • 데이터 좌표계 불일치 → 겹치지 않고 어긋나 보임
  • WGS84(EPSG:4326) GPS 데이터 + 한국 TM(EPSG:5179) 행정 데이터 → 변환 필요
  • 웹 지도 서비스(Google, OpenStreetMap) → Web Mercator(EPSG:3857)로 자동 표시

• 좌표계 변환 툴/라이브러리

  • QGIS: “좌표계 정의 → 재투영(Export with CRS)” 기능
  • GDAL/OGR: ogr2ogr -t_srs EPSG:5179 input.shp output.shp
  • Python(PyProj, GeoPandas):

데이터 품질 요소 : 정확도, 정밀도, 해상도

1️⃣ 완전 기초 개념.

• 정확도(Accuracy)
  → 실제 위치와 얼마나 가까운지.
  🎯 과녁의 정중앙에 맞췄는가?

• 정밀도(Precision)
  → 측정값들이 얼마나 일관되게 모여 있는지.
  🎯 계속 같은 위치에 맞췄는가? (비록 중심에서 벗어나 있어도)

• 해상도(Resolution)
  → 데이터를 얼마나 세밀하게 표현할 수 있는지.

  • 이미지에서: 픽셀 크기
  • 지도에서: 최소 구분 가능한 거리 단위

👉 비유:

• 정확도 = 내 집 주소를 제대로 찍었는가?
• 정밀도 = 같은 주소를 반복해서 찍어도 흔들림 없이 동일한가?
• 해상도 = 집을 지도에 핀으로만 찍는가, 아니면 건물 윤곽선까지 표현하는가?

---

2️⃣ 중급 개념.

• 정확도(Accuracy)

  • 위치 정확도: 측정 좌표 vs 실제 좌표 차이
  • 속성 정확도: 속성 값이 실제와 얼마나 일치하는가
  • 시간 정확도: 데이터 기록 시점의 정확성

• 정밀도(Precision)

  • 공간 데이터의 좌표 반복 측정 시 편차
  • 통계적으로 표준편차(σ)와 관련
  • 높은 정밀도 = 데이터의 “재현성” 높음

• 해상도(Resolution)

  • 공간 해상도: 한 셀/픽셀이 표현하는 실제 면적 크기 (예: 30m × 30m)
  • 분광 해상도: 센서가 구분할 수 있는 파장 밴드 수 (예: RGB vs RGB+NIR)
  • 시간 해상도: 데이터 갱신 주기 (예: 위성 하루 1회 관측 vs 16일 주기)

---

3️⃣ 심화 / 실무 개념.

• 정확도 vs 정밀도 Trade-off

  • GPS 단말기 A: ±3m 오차 (높은 정확도)
  • GPS 단말기 B: ±10m 오차이지만 항상 같은 지점에 찍힘 (높은 정밀도)
    → 실무에서는 정확도와 정밀도를 모두 고려해야 신뢰성 확보

• 해상도와 분석 단위

  • 공간 해상도 < 분석 대상 크기 → 정보 손실
  • 예: 30m 해상도 위성영상으로 도로 폭(5m)을 분석하면 도로 식별 불가
  • 반대로 해상도 너무 높으면 → 저장 용량 ↑, 처리 시간 ↑

• 품질 평가 기준

  • RMSE (Root Mean Square Error): 좌표 정확도 평가 지표
  • CE90/LE90: 90% 신뢰 구간에서 수평/수직 오차 범위
  • 데이터 품질 메타데이터에 Accuracy, Precision, Resolution 명시 필수

2️⃣ 기본 개념 (데이터 구조와 저장 형식 이해)

Vector 구조 상세

1️⃣ Vector 구조 상세.

🔹 Geometry 기본 단위

• Point(점) : 단일 좌표(x,y) -> '위치' 표현 (ex: 버스 정류장, 나무 위치)
• Line(선) : 점들의 연결 -> '길이' 표현 (ex: 도로, 하천)
• Polygon(면) : 닫힌 선(Line)으로 둘러싼 영역 -> 면적 표현(ex : 건물, 행정구역)

🔹 Multi-Geometry

• Multipoint : 여러 개의 점을 하나의 객체로 묶음 (ex: 여러 센서 위치)
• Multiline : 여러 선을 하나의 객체로 묶음 (ex: 도로 네트워크, 철도망)
• Multipolygon : 여러 면을 하나의 객체로 묶음 (ex: 섬으로 이루어진 국가, 제주도 +독도 포함 한국 행정구역)

👉 즉, 단일 객체를 확장해서 “복수의 동일 타입 Geometry”를 하나의 Feature로 관리하는 구조.

---

2️⃣ Geometry vs Feature vs Layer.

• Geometry(지오메트리)

  • 순수한 공간 형상(점,선,면)

  • 좌표 정보만 담고 있음.

• Feature ( 피처 )

  • Geometry + 속성(Attribute) 결합체

  • ex: 거눔ㄹ Polygon + 건물명, 층수, 용도 등 속성 데이터.

• Layer(레이어)
  • 같은 성격의 Feature들을 모아둔 집합.
  • ex : "도로 레이어" (Line Features 집합) , "건물 레이어"(Polygon Features 집합)

👉 비유:

• Geometry = 좌표만 있는 위치
• Feature = 좌표 + 설명 붙은 객체(실제 사물)
• Layer = 비슷한 사물들을 묶어놓은 지도 한 장

---

3️⃣ Raster 기본 단위.

• Cell(픽셀)

  • Raster 데이터의 최소 단위
  • 하나의 Cell이 일정 공간 영역을 대표 (예: 30m × 30m)

• Resolution(해상도)

  • Cell이 표현하는 실제 크기
  • 고해상도: Cell이 작아 세밀한 표현 가능 (예: 0.5m 위성영상)
  • 저해상도: Cell이 커서 정보가 뭉뚱그려짐 (예: 1km 기후 데이터)

• Band(밴드)

  • Raster는 값(밝기, 반사율 등)을 저장하는데, 이를 파장대별로 나눈 것
  • 단일 밴드 (흑백 영상, 고도 DEM)
  • 다중 밴드 (위성영상: RGB + NIR → 3~4개 밴드 이상)

👉 Raster는 “격자 데이터”라면, Vector는 “도형 데이터”라고 이해하면 됨.

---

✅ 정리.

• Vector 데이터 : 점/선/면으로 공간을 표현 → 개별 객체 분석에 적합.

• Raster 데이터 : Cell 단위로 연속적 현상 표현 → 영상 처리, 토지피복, 기후 데이터에 적합.

• Geometry = 좌표만, Feature = 좌표+속성, Layer = Feature들의 모음.

• Vector는 개체 중심, Raster는 현상 중심 데이터 구조.

속성 데이터 구조

• Feature ID(FID/OBJECTID)와 속성 테이블 매핑

• 도메인 값, Null 처리

Raster 구조 상세

• Resolution과 Scale

• Pixel Value 의미 (DN, Reflectance, Elevation 등)

• DEM/DSM/DTM의 차이

대표 포맷

• Shapefile(.shp/.dbf/.shx) 구조 상세

• GeoJSON: 좌표 표현 방식과 FeatureCollection

• GeoTIFF: 메타데이터 포함 구조

• KML/KMZ, GPKG

GIS 데이터 저장소

• File-based (Shapefile, GeoPackage)

• DB-based (PostGIS, Spatialite)

공간 메타데이터 관리.

3️⃣ 심화 개념 (고차원/대용량 데이터 구조 이해)

Topology 구조

• 인접성(Adjacency), 포함성(Containment), 연결성(Connectivity)

• 톱로지 오류 사례: 겹침, 갭, 슬리버

2D GIS 데이터

3D GIS 데이터

• Multipatch 구조

• TIN (Triangulated Irregular Network)

• Point Cloud(LiDAR, Drone)

시공간 데이터

• Trajectory 데이터 모델 (object_id, timestamp, geometry)

• 시계열 래스터 (Time-series Raster stack)

대용량 GIS 데이터와 분산 처리.

• Spatial Index 개념 (R-Tree, QuadTree)

• Tiling, Pyramid 구조 (대규모 래스터 처리)

Ⅱ. 공간 데이터 분석 기법.

---

1️⃣ 기초 개념

공간 연산

• Buffer, Clip, Overlay

기하학적 연산

• ST_Buffer, ST_Union, ST_Intersection

거리/근접 분석.

기본 공간 쿼리

• Within, Intersects, Contains

래스터 연산

• 산술 연산 (NDVI = (NIR-RED)/(NIR+RED))

• Classification

• Reclassification

2️⃣ 기본 개념

공간 통계

• 공간 자기상관: Moran’s I, Kriging

• 핫스팟 분석: Getis-Ord Gi*

공간 회귀(Spatial Regression)

보간 기법

• IDW, Kriging

네트워크 분석

• 최단 경로 (Dijkstra, A*)

• 네트워크 중심성.

• 접근성 지수(Accessibility Index)

밀도 분석

• 밀도 분석 : Kernel Density Estimation(KDE)

패턴 탐지

• 공간 클러스터링 (K-Means, DBSCAN)

3️⃣ 심화 개념

시공간 분석

• Trajectory Clustering(ST-DBSCAN)

• 이동체 패턴 마이닝

고급 공간 회귀

• GWR (Geographically Weighted Regression)

• Spatial Panel Models

GeoAI

• CNN 기반 토지피복 분류

• GNN 기반 교통 네트워크 분석

Ⅲ. Python & SQL에서의 GIS 활용.

---

Python

GeoPandas: Vector CRUD, Spatial Join

Rasterio: 래스터 읽기, 밴드 연산

Shapely: Buffer, Intersection, Union

PyProj: 좌표 변환

Scikit-mobility: 이동체 궤적 분석

딥러닝 연계

• TorchGeo, TensorFlow+Keras with EO Data

• CNN(위성 이미지) + GNN(도로 네트워크)

SQL (PostGIS)

Geometry 생성

• ST_MakePoint, ST_MakeLine

기본 공간 연산

• ST_Buffer, ST_Union, ST_Difference

공간 관계

• ST_Within, ST_Intersects, ST_Contains

공간 인덱스

• GiST, BRIN

쿼리 예시

• 반경 X m 내 POI 찾기

• 도로와 교차하는 건물 찾기

• 궤적 데이터 집계