지도 일반화 기법을 이용하여 대축척 지도자료로부터 소축척 지도자료를 생산하기 위한 방법론 개발은 수치지형도의 제작, 갱신 등의 관리에 있어서 매우 중요하다. 본 연구에서는 수치지형도의 도로와 같은 네트워크 형태의 객체를 일반화하기 위한 하나의 단계인 선택 기법을 제안, 적용하였다. 이를 위해, 기존의 1:5,000 축척과 1:25,000 축척의 수치지형도를 상호 비교하여 도로 네트워크 객체의 선택과 관련된 기준(선택 객체의 개수, 상대적 중요도) 들을 T$\ddot{o}$pfer의 radical 법칙과 Logit 모형을 이용하여 분석하였다. 여기서 분석된 결과를 바탕으로 하여 테스트 데이터에 대해 선택 모델을 적용하여 1:5,000 수치지형도 도로중심선 레이어로부터 일반화된 1:18,000, 1:72,000 축척의 네트워크 데이터셋을 도출하였다. 일반화된 결과에 대하여 정성적, 정량적 평가를 실시한 결과, 상대적으로 높은 중요도를 가진 네트워크 객체들이 목표 축척수준에 맞게 적절히 선택된 결과를 나타내었다.
지도 일반화 기법을 이용하여 대축척 지도자료로부터 소축척 지도자료를 생산하기 위한 방법론 개발은 수치지형도의 제작, 갱신 등의 관리에 있어서 매우 중요하다. 본 연구에서는 수치지형도의 도로와 같은 네트워크 형태의 객체를 일반화하기 위한 하나의 단계인 선택 기법을 제안, 적용하였다. 이를 위해, 기존의 1:5,000 축척과 1:25,000 축척의 수치지형도를 상호 비교하여 도로 네트워크 객체의 선택과 관련된 기준(선택 객체의 개수, 상대적 중요도) 들을 T$\ddot{o}$pfer의 radical 법칙과 Logit 모형을 이용하여 분석하였다. 여기서 분석된 결과를 바탕으로 하여 테스트 데이터에 대해 선택 모델을 적용하여 1:5,000 수치지형도 도로중심선 레이어로부터 일반화된 1:18,000, 1:72,000 축척의 네트워크 데이터셋을 도출하였다. 일반화된 결과에 대하여 정성적, 정량적 평가를 실시한 결과, 상대적으로 높은 중요도를 가진 네트워크 객체들이 목표 축척수준에 맞게 적절히 선택된 결과를 나타내었다.
Development of methodologies to generate the small scale map from the large scale map using map generalization has huge importance in management of the digital topographic map, such as producing and updating maps. In this study, the selection methodology of map generalization for the road network da...
Development of methodologies to generate the small scale map from the large scale map using map generalization has huge importance in management of the digital topographic map, such as producing and updating maps. In this study, the selection methodology of map generalization for the road network data in digital topographic map is investigated and evaluated. The existing maps with 1:5,000 and 1:25,000 scales are compared and the criteria for selection of the road network data, which are the number of objects and the relative importance of road network, are analyzed by using the T$\ddot{o}$pfer's radical law and Logit model. The selection model derived from the analysis result is applied to the test data, and the road network data of 1:18,000 and 1:72,000 scales from the digital topographic map of 1:5,000 scale are generated. The generalized results showed that the road objects with relatively high importance are selected appropriately according to the target scale levels after the qualitative and quantitative evaluations.
Development of methodologies to generate the small scale map from the large scale map using map generalization has huge importance in management of the digital topographic map, such as producing and updating maps. In this study, the selection methodology of map generalization for the road network data in digital topographic map is investigated and evaluated. The existing maps with 1:5,000 and 1:25,000 scales are compared and the criteria for selection of the road network data, which are the number of objects and the relative importance of road network, are analyzed by using the T$\ddot{o}$pfer's radical law and Logit model. The selection model derived from the analysis result is applied to the test data, and the road network data of 1:18,000 and 1:72,000 scales from the digital topographic map of 1:5,000 scale are generated. The generalized results showed that the road objects with relatively high importance are selected appropriately according to the target scale levels after the qualitative and quantitative evaluations.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
네트워크 형태의 선형 데이터에 대한 지도 일반화는 선택(selection), 재분류(reclassification), 단순화(simplification) 등의 기법을 적용해야 한다(Choe and Kim, 2007). 본 연구에서는 수치지형도의 도로 네트워크 객체에 대한 선택 기법을 제안하고 이를 실제 수치지형도에 적용하고자 한다.
또한 목표 축척은 가장 기본적인 수준에서부터 점진적으로 높은 수준까지 만들어져야 한다. 본 연구에서의 목표 축척수준은 수치지형도를 웹 또는 모바일 환경에서 지도서비스 형태로 제공하는 것을 전제로 하여 산정하였다. Google Map과 같은 인터넷 지도 서비스에서는 지도자료의 웹서비스를 위한 타일 스키마(tile scheme)를 정의하고 있는데 여기에는 타일의 ID, 크기, 해상도를 비롯하여 여러 단계의 확대/축소 레벨에 따른 축척수준을 설정해 놓고 있다(MicroImages, Inc, 1999).
본 연구에서는 위의 Google Map 타일 스키마를 바탕으로 하여 다축척 네트워크 데이터셋의 목표 축척수준을 1:5,000(Level 17), 1:18,000(Level 15), 1:72,000(Level 13)의 3단계로 설정하였다. 이러한 목표 축척수준은 모델 일반화(model generalization) 프로세스의 결과물이라고 할 수 있으며, 이를 바탕으로 Level 18부터 Level 13까지 6단계로 확대 또는 축소할 수 있는 다축척 네트워크 데이터를 생성하는 것을 목표로 하였다.
제안 방법
따라서, 본 연구에서는 네트워크 객체의 선택에 미치는 요소들과 영향력을 정량적으로 분석하기 위해 기존의 수치지형도 1:5,000과 1:25,000 축척에 대한 도로중심선 데이터를 중첩하여 축척별 도로 네트워크 객체 간의 매칭쌍을 탐색하고 매칭된 객체들에 대한 형상적 특성값들을 통계적으로 분석하였다. 여기서 도출된 분석결과를 바탕으로 하여 네트워크 객체선택의 기준이 되는 속성값들에 대해 확률함수 형태의 선택모형을 도출하였다.
따라서, 본 연구에서는 네트워크 객체의 선택에 미치는 요소들과 영향력을 정량적으로 분석하기 위해 기존의 수치지형도 1:5,000과 1:25,000 축척에 대한 도로중심선 데이터를 중첩하여 축척별 도로 네트워크 객체 간의 매칭쌍을 탐색하고 매칭된 객체들에 대한 형상적 특성값들을 통계적으로 분석하였다. 여기서 도출된 분석결과를 바탕으로 하여 네트워크 객체선택의 기준이 되는 속성값들에 대해 확률함수 형태의 선택모형을 도출하였다. 또한 이를 테스트용 수치지형도에 적용하여 목표 축척수준에 맞게 도로 네트워크 객체를 선택 또는 삭제하였다.
여기서 도출된 분석결과를 바탕으로 하여 네트워크 객체선택의 기준이 되는 속성값들에 대해 확률함수 형태의 선택모형을 도출하였다. 또한 이를 테스트용 수치지형도에 적용하여 목표 축척수준에 맞게 도로 네트워크 객체를 선택 또는 삭제하였다. 마지막으로, 목표 축척수준으로 선택된 결과 데이터에 대해서 정량적, 정성적인 평가를 실시하였다.
또한 이를 테스트용 수치지형도에 적용하여 목표 축척수준에 맞게 도로 네트워크 객체를 선택 또는 삭제하였다. 마지막으로, 목표 축척수준으로 선택된 결과 데이터에 대해서 정량적, 정성적인 평가를 실시하였다. 본 연구에서 제안한 방법론의 상세 흐름도는 다음 그림과 같다(Fig.
본 연구에서는 위의 Google Map 타일 스키마를 바탕으로 하여 다축척 네트워크 데이터셋의 목표 축척수준을 1:5,000(Level 17), 1:18,000(Level 15), 1:72,000(Level 13)의 3단계로 설정하였다. 이러한 목표 축척수준은 모델 일반화(model generalization) 프로세스의 결과물이라고 할 수 있으며, 이를 바탕으로 Level 18부터 Level 13까지 6단계로 확대 또는 축소할 수 있는 다축척 네트워크 데이터를 생성하는 것을 목표로 하였다.
목표 축척수준 1:5,000에 대해서는 기구축된 수치지형도와 같은 축척수준이므로 기존 자료를 그대로 활용하였으며 1:18,000과 1:72,000 축척수준은 1:5,000 축척의 수치지형도에 지도 일반화를 적용해서 새로 구축하고자 하였다. 다음의 표는 본 연구에서 설정한 목표 축척수준과 그에 대한 특징을 정리한 표이다(Table 2).
즉, 인접한 두 도로객체 간의 편각이 30° 이내이고 차선수의 차이가 일정개수(본 연구에서는 실험적으로 3개를 적용) 이하인 경우에 동일한 stroke 객체로 묶어주는 방식으로 모든 도로객체를 stroke로 재구조화 하였다.
이에 본 연구에서는 도로명주소 전자지도의 도로구간 데이터를 보조자료로 하여 도로중심선을 ‘stroke’ 단위로 재구조화하고, 속성값 문제를 보완하기 위한 전처리 과정을 적용하였다.
본 연구에서는 우선, 누락되거나 잘못 기입된 속성값(차로수, 도로폭, 도로구분 등)들에 대해서 도로명주소 전자지도의 도로구간 데이터로부터 동일한 도로객체의 속성값을 추출하여 도로중심선 데이터의 속성값을 수정하였다. 그런 다음, 인접한 도로객체들 간의 연결성과 속성적 유사성을 이용하여 stroke 재구조화를 실시하였다.
본 연구에서는 우선, 누락되거나 잘못 기입된 속성값(차로수, 도로폭, 도로구분 등)들에 대해서 도로명주소 전자지도의 도로구간 데이터로부터 동일한 도로객체의 속성값을 추출하여 도로중심선 데이터의 속성값을 수정하였다. 그런 다음, 인접한 도로객체들 간의 연결성과 속성적 유사성을 이용하여 stroke 재구조화를 실시하였다. 즉, 인접한 두 도로객체 간의 편각이 30° 이내이고 차선수의 차이가 일정개수(본 연구에서는 실험적으로 3개를 적용) 이하인 경우에 동일한 stroke 객체로 묶어주는 방식으로 모든 도로객체를 stroke로 재구조화 하였다.
본 연구에서는 정량적 분석을 위해 가장 하위단계인 ‘소로’에 1, ‘면리간도로’에 2, ‘미분류’에 3, ‘지방도’에 4, ‘일반국도’에 5, 그리고 가장 상위단계인 ‘고속국도’에 6의 값을 각각 부여하였다.
추출된 도로경계선 객체들에 대응되는 1:5,000 도로중심선 객체들을 ‘선택된 객체’ 그룹, 그 이외의 도로중심선 객체를 ‘삭제된 객체’ 그룹으로 분류하였다.
두 그룹에 속한 도로객체들의 특성값들을 계산하는데 있어서 속성적 특성값(도로구분 등 명목적 특성), 형상적 특성값(도로폭, 차선수, 길이, stroke degree5), 굴곡도6) 등), 관계적 특성값(주요 공공기관과의 이격거리, 일정 면적 이상의 공원과 이격거리, 지하철, 철도역, 터미널 등 주요 교통시설과의 이격거리 등) 등을 적용할 수 있다. 본 연구에서는 도로길이, 도로폭, 도로구분을 통계분석을 위한 도로객체의 특성값으로 선정하였다. 그 이외의 변수들에 대해서는 통계적으로 유의하지 못하거나 다른 변수와의 다중공선성(multicollinearity)7)이 발생하여 모델에서 제외시켰다.
대상 데이터
국토지리정보원에서는 수치지형도를 다양한 축척(1/1,000, 1/2,500, 1/5,000, 1/25,000)으로 제작, 관리하고 있으며 수치지형도의 제작 및 갱신은 항공측량, 지리조사, 현지보완측량을 통해 디지타이징 방식으로 이루어진다. 본 연구에서의 대상데이터는 수치지형도 Ver. 2.0의 도로중심선(A002) 데이터이며, 도로경계(A001) 데이터를 보조데이터로 활용하였다(NGII, 2010).
도로 네트워크 객체의 선택 모델을 도출하기 위한 ‘선택 기준 통계적 분석’ 과정을 훈련용 데이터에 적용하여 결과를 분석하였다. 대상지역은 도심지역, 비도심지역, 고속도로와 지방도, 소로 등이 적절히 혼합되어 분포하고 있는 용인시 기흥구 지역으로 선정하였으며 대축척 지도자료는 수치지형도 1:5,000(도엽번호: 37709085, 37709095), 소축척 지도자료는 수치지형도 1:25,000(도엽번호: 377093) 데이터로 구성하였다(Fig. 2).
데이터처리
도로 네트워크 객체의 선택 모델을 도출하기 위한 ‘선택 기준 통계적 분석’ 과정을 훈련용 데이터에 적용하여 결과를 분석하였다.
이론/모형
즉, 경로탐색에서 빈번하게 이용되는 arc에 높은 중요도를 부여하였으며 제거되어야 할 도로의 적정 수는 Töpfer의 radical 법칙을 이용하였다.
분류된 그룹 내에서 전체 객체 개수와 선택된 객체 개수를 Töpfer의 radical 법칙에 적용하여 도로객체 클래스에 대한 심볼계수를 계산하였다(박우진 등, 2012).
성능/효과
분류 결과, 전체 도로중심선 객체(총연장 143920.14m)에 대하여 59%의 ‘선택된 객체’(총연장 85075.15m) 그룹과 41%의 ‘삭제된 객체’(총연장 58844.99m)그룹으로 분류되었다.
참고문헌 (10)
Choe, B. and Kim, Y. (2007), Framework and Workflows for Spatial Database Generalization, Transactions in GIS, Vol. 11, No. 1, pp. 101-114.
Gujarati, D. N. and Por ter, D. C. (2008), Basic Econometrics 5th edition, McGraw-Hill, New York, pp. 541-573.
Liu, X., Zhan, F. B., and Ai, T. (2010), Road selection based on Voronoi diagrams and ''strokes'' in map generalization, International Journal of Applied Earth Observation and Geoinformation, 12S, S194-S202.
Mackaness, W. A. and Mackechnie, G. A. (1999), Automating the Detection and Simplification of Junctions in Road Networks, GeoInformatica, Vol. 3, No. 2, pp. 185-200.
MicroImages, Inc, (1999), Google Maps Structure, http://www.microimages.com/documentation/TechGuides/76googleMapsStruc.pdf (last data accessed: 16 May 2013)
National Geographic Information Institute (2010), Attribute Lists of Terrains and Features of Digital Map ver. 2.0.
Park, W., Ji, B., and Yu, K. (2012), Control methodology of map generalization scale using Topfer's radical law, Proceedings on 2012 Spring Conference of Korea Society of Surveying, Geodesy, Photogrammetry, and Cartography, 26-27 April, Gangneung, South Korea, pp. 309-311. (in Korean with English abstract)
Thomson, R. C. and Richardson, D. E. (1999), The 'good continuation' principle of perceptual organization applied to the generalization of road network, In: Proceedings of the 8th International Symposium on Spatial Data Handling, Vancouver, Canada, pp. 1215-1223.
Topfer, F. and Pillewizer, W. (1966), The Principles of Selection, The Cartographic Journal, Vol. 3, No. 1, pp. 10-16.
Touya, G. (2010), A Road Network Selection Process Based on Data Enrichment and Structure Detection, Transactions in GIS, Vol. 14, No. 5, pp. 595-614.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.