지적 필지를 구성하고 있는 폴리곤 집합은 현실세계의 국토를 반영하는 가장 기반이 되는 데이터 집합이다. 따라서 지적 필지는 서로 간에 겹쳐있거나 공백을 가지지 않는 위상적 무결성이 보장되어야하는 데이터이다. 하지만, 여러 가지 이유로 필지들 간의 겹침과 공백의 문제가 발생하고 있고, 이러한 경우 폴리곤의 경계들은 주변의 폴리곤과 정확하게 인접하고 있지 못하기 때문에 의도하지 않은 겹침 영역과 공백 영역이 생산되고 있다. 이와 같이 정확하게 인접되어 있지 않은 경계가 불확실한 모서리를 하나 이상 포함하고 있는 경우, 이 폴리곤을 불확실한 영역이라고 부른다. 본 논문에서는 이러한 영역을 탐색하기 위한 TTA 기법을 제안하고자 한다. TTA 처리 순서는 우선 폴리곤 데이터 집합으로부터 포인트와 폴리라인을 추출하여 제한된 델로네 삼각분할을 수행한다. 다음으로 각 삼각형마다 데이터 집합과 중첩되는 면의 수를 세어 삼각형에 태깅을 수행한다. 태깅 값이 0 또는 1 이상인 삼각형을 추출한 후 연결성을 가지고 있는 삼각형끼리 병합을 수행하여 위상적 모순이 있는 영역들을 발견한다. 본 실험에서는 제안하는 알고리즘을 자동화하여 실세계에서 경계가 교차하는 지적 데이터에 적용하여 실험을 하였다.
지적 필지를 구성하고 있는 폴리곤 집합은 현실세계의 국토를 반영하는 가장 기반이 되는 데이터 집합이다. 따라서 지적 필지는 서로 간에 겹쳐있거나 공백을 가지지 않는 위상적 무결성이 보장되어야하는 데이터이다. 하지만, 여러 가지 이유로 필지들 간의 겹침과 공백의 문제가 발생하고 있고, 이러한 경우 폴리곤의 경계들은 주변의 폴리곤과 정확하게 인접하고 있지 못하기 때문에 의도하지 않은 겹침 영역과 공백 영역이 생산되고 있다. 이와 같이 정확하게 인접되어 있지 않은 경계가 불확실한 모서리를 하나 이상 포함하고 있는 경우, 이 폴리곤을 불확실한 영역이라고 부른다. 본 논문에서는 이러한 영역을 탐색하기 위한 TTA 기법을 제안하고자 한다. TTA 처리 순서는 우선 폴리곤 데이터 집합으로부터 포인트와 폴리라인을 추출하여 제한된 델로네 삼각분할을 수행한다. 다음으로 각 삼각형마다 데이터 집합과 중첩되는 면의 수를 세어 삼각형에 태깅을 수행한다. 태깅 값이 0 또는 1 이상인 삼각형을 추출한 후 연결성을 가지고 있는 삼각형끼리 병합을 수행하여 위상적 모순이 있는 영역들을 발견한다. 본 실험에서는 제안하는 알고리즘을 자동화하여 실세계에서 경계가 교차하는 지적 데이터에 적용하여 실험을 하였다.
Cadastral parcel objects as polygons are fundamental dataset which represent land administration and management of the real world. Thus it is necessary to assure topological seamlessness of cadastral datasets which means no overlaps or gaps between adjacent parcels. However, the problem of overlaps ...
Cadastral parcel objects as polygons are fundamental dataset which represent land administration and management of the real world. Thus it is necessary to assure topological seamlessness of cadastral datasets which means no overlaps or gaps between adjacent parcels. However, the problem of overlaps or gaps are frequently found due to non-coinciding edges between adjacent parcels. These erroneous edges are called uncertain edges, and polygons containing at least one uncertain edge are called uncertain polygons. In this paper, we proposed a new algorithm to efficiently search parcels of uncertain polygons between two adjacent cadastral datasets. The algorithm first selects points and polylines around adjacent datasets. Then the Constrained Delaunay Triangulation (CDT) is applied to extract triangles. These triangles are tagged by the number of the original cadastral datasets which intersected with the triangles. If the tagging value is zero, the area of triangles mean gaps, meanwhile, the value is two, the area means overlaps. Merging these triangles with the same tagging values according to adjacency analysis, uncertain edges and uncertain polygons could be found. We have performed experimental application of this automated derivation of partitioned boundary from a real land-cadastral dataset.
Cadastral parcel objects as polygons are fundamental dataset which represent land administration and management of the real world. Thus it is necessary to assure topological seamlessness of cadastral datasets which means no overlaps or gaps between adjacent parcels. However, the problem of overlaps or gaps are frequently found due to non-coinciding edges between adjacent parcels. These erroneous edges are called uncertain edges, and polygons containing at least one uncertain edge are called uncertain polygons. In this paper, we proposed a new algorithm to efficiently search parcels of uncertain polygons between two adjacent cadastral datasets. The algorithm first selects points and polylines around adjacent datasets. Then the Constrained Delaunay Triangulation (CDT) is applied to extract triangles. These triangles are tagged by the number of the original cadastral datasets which intersected with the triangles. If the tagging value is zero, the area of triangles mean gaps, meanwhile, the value is two, the area means overlaps. Merging these triangles with the same tagging values according to adjacency analysis, uncertain edges and uncertain polygons could be found. We have performed experimental application of this automated derivation of partitioned boundary from a real land-cadastral dataset.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 지적 필지에서 문제가 되는 겹침 영역과 공백 영역을 탐색하기 위한 방법으로 TTA 기법을 제안하였다. TTA 기법은 인접한 지적 데이터에 CDT를 적용하여 삼각 분할을 수행한 뒤, 두 지적 데이터와의 중첩회수를 속성값으로 각각의 삼각형에 태깅한다.
본 연구에서는 불확실한 영역을 탐색하는 방법으로 다음과 같이 5단계로 구성되는 TTA(Triangles-Tag Algorithm)기법을 제안하였다.
따라서 교차하는 경계선을 대상으로 추가적인 알고리즘을 적용하여 겹침 및 공백 영역을 구성해야 한다. 본 연구에서는 이 문제를 해결하기 위하여 제한된 델로네 삼각분할 (Constrained Delaunay Triangulation, 이하 CDT)을 적용하여 인접 지적 데이터에서 겹침 및 공백 영역을 직접 탐색하는 방안을 제안하고자 한다.
제안하는 기법을 수행하기 위해서는 삼각형을 생성하는 기준인 시드 점 집합과 제약 조건인 경계선 집합이 정의되어야 한다. 본 연구에서는 인접 지적 데이터의 필지 폴리곤을 구성하는 꼭지점들과 필지 폴리곤들의 경계선을 CDT에 적용하기 위하여 시드 점 집합과 제약 조건으로 이용하였다.
지적 데이터의 가장 이상적인 목표는 위와 같은 겹침과 공백 영역을 제거하고 인접한 필지들의 위상관계 일관성을 확보하는 것이다. 이를 위해서는 하나의 기관에서 오류가 발생한 지역에서 불확실한 경계를 재측량하여 위상적 무결성을 확보해야하며, 하나의 통합 데이터베이스에 전국토의 지적 데이터를 관리하고 모든 측량 성과의 입출력 과정에서 위상적 무결성을 검사 및 탐색할 수 있는 기능을 구축하는 것이 필요하다.
제안 방법
따라서 삼각형들 사이의 인접성을 확인하여 하나의 영역으로 병합하는 과정이 필요하다. 본 연구에서는 하나의 선분을 공유하는 삼각형들을 탐색하여 폴리곤으로 병합하였다. 이 과정을 통하여 Fig.
만약 태깅값이 0이라면 공백영역, 2라면 겹침 영역을 구성하는 삼각형이 된다. 이렇게 탐색된 삼각형들의 인접관계를 고려하여 병합함으로써 겹침 및 공백 영역을 탐색할 수 있었다. 제안된 방법의 결과를 서로 다른 숙련도를 가진 작업자의 수작업에 의한 탐색 결과와 비교해 보았을 때 작업자가 탐색하지 못하는 오류도 정확하게 탐색할 수 있음을 확인할 수 있었다.
제안하는 TTA 기법을 평가하기 위하여 TTA에 의한 탐색 결과와 서로 숙련도가 다른 8명의 작업자에 의하여 탐색된 오류 영역을 비교하였다. 제안 알고리즘은 윈도우즈 7 플랫폼에서 Visual C++를 사용하여 구현하였다. 실험 대상 지역은 경기도의 시군구 중에서 수원시와 용인시의 경계 지역 (510개 필지, 둘레 20.
제안하는 TTA 기법을 평가하기 위하여 TTA에 의한 탐색 결과와 서로 숙련도가 다른 8명의 작업자에 의하여 탐색된 오류 영역을 비교하였다. 제안 알고리즘은 윈도우즈 7 플랫폼에서 Visual C++를 사용하여 구현하였다.
제안하는 기법을 수행하기 위해서는 삼각형을 생성하는 기준인 시드 점 집합과 제약 조건인 경계선 집합이 정의되어야 한다. 본 연구에서는 인접 지적 데이터의 필지 폴리곤을 구성하는 꼭지점들과 필지 폴리곤들의 경계선을 CDT에 적용하기 위하여 시드 점 집합과 제약 조건으로 이용하였다.
대상 데이터
실험 대상 지역은 경기도의 시군구 중에서 수원시와 용인시의 경계 지역 (510개 필지, 둘레 20.7km, 면적 6.94km²)으로 설정하였다.
이론/모형
2(g)와 같이 제한 선을 넘어가지 않는 삼각형을 얻는다. 본 연구에서는 지적 필지의 경계 내외에서 삼각형을 얻기 위하여 CDT를 사용하였다.
성능/효과
즉 인접 필지 폴리곤들은 반드시 그 모서리나 경계가 정확하게 일치해야 한다(Laurini and Milleret-Raffort, 1994). 그러나 지적을 구성하는 필지들은 여러 가지 이유의 오류로 인해 위상관계의 일관성을 유지할 수 없게 되었고, 결과적으로 현재의 지적 공간정보는 위상관계에 있어 다양한 형태의 오류를 가지게 되었다. 이러한 오류는 오랜 기간 지적 서고에 보관되어 있던 지적 원도의 이완, 수축이 가장 큰 원인이고, 다음으로 지적 원도를 디지타이징하는 과정에서 작업자의 판단과 숙련도에 따라 필지 경계에 위치 오차에 의하여 발생하였다.
또한 임계값에 의해 불확실한 영역이 누락되는 문제 역시 발생하지 않는다. 따라서 제안된 TTA 기법은 그동안 수작업에 의한 방법이나 임계치에 의한 방법이 가지고 있던 한계를 해결할 수 있었다. 하지만 제안된 방법은 기하학적 형상만을 이용한 방법이므로 실제 지적 데이터가 가지고 있는 불부합지 탐색에 있어서는 더 많은 연구가 필요하다.
수작업에 의한 탐색 정확도가 서로 다르게 나타나는 이유는 식별 가능한 면을 가지는 오류면적의 여부에 따른 것이다. 식별 가능한 면의 오류에 대해서 많은 작업자가 정확하게 탐색한 반면, 얇고 긴 모양의 오류는 작업자의 숙련도에 따라 탐색율이 다르게 나타났다.
실험 대상 지역에 대해 TTA 기법을 수행한 결과, 다양한 모양의 겹침 영역과 공백 영역이 발견되었다. 탐색된 결과를 크게 두 가지의 모양으로 분류하면, 한 쪽 방향으로 얇고 긴 모양과 넓은 면을 가진 결과로 나눌 수 있었다.
이렇게 탐색된 삼각형들의 인접관계를 고려하여 병합함으로써 겹침 및 공백 영역을 탐색할 수 있었다. 제안된 방법의 결과를 서로 다른 숙련도를 가진 작업자의 수작업에 의한 탐색 결과와 비교해 보았을 때 작업자가 탐색하지 못하는 오류도 정확하게 탐색할 수 있음을 확인할 수 있었다.
실험 대상 지역에 대해 TTA 기법을 수행한 결과, 다양한 모양의 겹침 영역과 공백 영역이 발견되었다. 탐색된 결과를 크게 두 가지의 모양으로 분류하면, 한 쪽 방향으로 얇고 긴 모양과 넓은 면을 가진 결과로 나눌 수 있었다. 넓은 면을 가진 결과는 쉽게 육안 판별이 가능하지만, 얇고 긴 모양의 결과는 1m2 이내의 면적을 가지기 때문에 직선으로 오인할 수 있을 것으로 판단된다.
후속연구
공차 계산에 사용되는 면적은 필지의 대장 면적과 축척인데, 이 면적은 100년 전 일제 강점기 때에 시작된 측량 오차가 누적된 면적이다. 이는 현재 지적 필지의 불부합 여부 판단에도 영향을 미치기 때문에 이 문제를 해결하기 위한 추가 연구가 필요하다.
따라서 제안된 TTA 기법은 그동안 수작업에 의한 방법이나 임계치에 의한 방법이 가지고 있던 한계를 해결할 수 있었다. 하지만 제안된 방법은 기하학적 형상만을 이용한 방법이므로 실제 지적 데이터가 가지고 있는 불부합지 탐색에 있어서는 더 많은 연구가 필요하다. 예를 들어, 가장 우선시되는 지적 필지의 불부합 여부 판단 기준은 필지 면적의 오차가 공차 범위 내에 포함되는가이다.
질의응답
핵심어
질문
논문에서 추출한 답변
지적이란 무엇인가?
지적은 현실세계의 땅을 소유 관계로 구분한 경계이다. 개별 필지는 이들 경계를 폐합한 폴리곤 형태로 결정된다.
지적에서 인접한 필지 경계의 위상관계의 일관성을 유지하는 것이 필요한 이유는 무엇인가?
개별 필지는 이들 경계를 폐합한 폴리곤 형태로 결정된다. 지적은 토지의 인허가는 물론 재산권과 밀접하기 때문에 인접한 필지 경계의 위상관계의 일관성을 유지하는 것이 필요하다. 즉 인접 필지 폴리곤들은 반드시 그 모서리나 경계가 정확하게 일치해야 한다(Laurini and Milleret-Raffort, 1994).
현재의 지적 공간정보가 위상관계에 있어 다양한 형태의 오류를 가지게 된 원인으로 어떤 것들이 있는가?
그러나 지적을 구성하는 필지들은 여러 가지 이유의 오류로 인해 위상관계의 일관성을 유지할 수 없게 되었고, 결과적으로 현재의 지적 공간정보는 위상관계에 있어 다양한 형태의 오류를 가지게 되었다. 이러한 오류는 오랜 기간 지적 서고에 보관되어 있던 지적 원도의 이완, 수축이 가장 큰 원인이고, 다음으로 지적 원도를 디지타이징하는 과정에서 작업자의 판단과 숙련도에 따라 필지 경계에 위치 오차에 의하여 발생하였다. 또한, 서로 다른 기준점 사용한 측량 성과를 통합하는 과정에서 발생하는 오차의 전이가 원인이기도 한다(Chrisman, 1987; Ubeda and Egenhofer, 1997). 이러한 오류들은 중앙집중적 지적 데이터베이스가 아닌 각자의 관할 지역을 담당하고 있는 측량 주체가 지적 데이터베이스를 관리할 경우 경계 지역에서 더욱더 심각한 오류가 발생할 수밖에 없다.
참고문헌 (12)
Ai, T. and Van Oosterom, P. (2002), Gap-tree extensions based on skeletons. 10th International Symposium on Spatial Data Handling, Advances in Spatial Data Handling. Berlin, Springer, pp. 501-513.
Aurenhammer, F. (1991), Voronoi diagrams-a survey of a fundamental geometric data structure. ACM Computing Surveys (CSUR), Vol. 23, No. 3, pp. 345-405.
Chrisman, R. (1987), Efficient digitizing through the combination of appropriate hardware and software for error detection and editing. Journal of Geographical Information Systems Vol. 1, No. 3, pp. 265-277.
Laurini, R. and Milleret-Raffort, F. (1994), Topological reorganization of inconsistent geographical databases: a step towards their certification. Computers & Graphics, Vol. 18, No. 6, pp. 803-813.
Perkal, J. (1966), On the length of empirical curves, Discussion Paper No. 10, Michigan Inter-University Community of Mathematical Geographers, Ann Arbor, pp. 132-142.
Siejka, M., Slusarski, M. and Zygmunt, M. (2013), Correction of topological errors in geospatial databases. International Journal of Physical Sciences, Vol. 8, No. 12, pp. 498-507.
Ubeda, T. and Egenhofer, M. (1997), Advances in Spatial Databases, Fifth International Symposium on Large Spatial Databases, SSD'97, Lecture Notes in Computer Sciences. Berlin, Springer, pp. 283-287.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.