대시메트릭 매핑 기법을 이용한 서울시 건축물별 주거인구밀도의 재현 Representation of Population Distribution based on Residential Building Types by using the Dasymetric Mapping in Seoul원문보기
도시 내 거주하는 인구의 분포는 다양한 연구에 활용될 수 있는 기초자료로서 중요한 의미를 지닌다. 그러나 이와 관련한 데이터는 정보기밀성 등을 이유로 일정한 공간단위로 집계되어 제공된다. 때문에 제공되는 것과 다른 공간단위나, 더 세밀한 공간분석을 요하는 연구와 활용이 제한된다. 이에 본 연구는 인구분포 데이터가 가지는 한계를 극복하여, 행정구역을 기준으로 한 인구데이터 제공단위보다 세밀한 인구분포를 현실적으로 재현하고자 대시매트릭 매핑 기법을 활용하였다. 대시메트릭 매핑은 주 데이터와 연관된 공간적 보조 데이터를 사용하여 주 데이터의 공간적 분포를 세밀하게 나타내는 지도화 방법이다. 본 연구에서는 서울시 집계구별 인구센서스 자료를 주 데이터로, 건축물 대장을 보조 데이터로 사용하였으며, 모든 인구가 주거용 건축물에 거주한다고 가정하여 주거용 건축물 단위에서 인구분포를 재현하였다. 주거용 건축물을 공간적으로 추출하기 위해 바이너리기법이 활용되었으며. 이후 회귀분석 기법을 활용하여 건물 용도와 층수를 고려한 가중치를 부여해 입체적인 거주인구밀도를 재현하는데 성공하였다. 이를 통해 전체 토지 및 용도구역을 기반으로 한 기존의 방법론보다 현실적용오차를 줄였다. 또한 주거가능 건축물의 주택유형과 층수가 반영된 3차원적 공간자료를 활용하여 주거용 건축물에 거주하는 인구를 추정하는 모델을 도출하여, 정확도가 높고 세밀화 된 인구분포지도를 제작하였다. 본 연구를 통해 도출된 개별 건물 단위의 인구 데이터는 일정한 공간단위로 집계를 재가공한 것으로 정보기밀성의 문제가 없는 세밀한 단위의 인구분포 정보를 제공한다. 따라서 이후 도시 내 재난재해 발생에 따른 영향 인구 파악과 같은, 지역인구를 활용한 다양한 연구에 활용될 수 있는 중요한 자료로써 의미를 지닌다.
도시 내 거주하는 인구의 분포는 다양한 연구에 활용될 수 있는 기초자료로서 중요한 의미를 지닌다. 그러나 이와 관련한 데이터는 정보기밀성 등을 이유로 일정한 공간단위로 집계되어 제공된다. 때문에 제공되는 것과 다른 공간단위나, 더 세밀한 공간분석을 요하는 연구와 활용이 제한된다. 이에 본 연구는 인구분포 데이터가 가지는 한계를 극복하여, 행정구역을 기준으로 한 인구데이터 제공단위보다 세밀한 인구분포를 현실적으로 재현하고자 대시매트릭 매핑 기법을 활용하였다. 대시메트릭 매핑은 주 데이터와 연관된 공간적 보조 데이터를 사용하여 주 데이터의 공간적 분포를 세밀하게 나타내는 지도화 방법이다. 본 연구에서는 서울시 집계구별 인구센서스 자료를 주 데이터로, 건축물 대장을 보조 데이터로 사용하였으며, 모든 인구가 주거용 건축물에 거주한다고 가정하여 주거용 건축물 단위에서 인구분포를 재현하였다. 주거용 건축물을 공간적으로 추출하기 위해 바이너리기법이 활용되었으며. 이후 회귀분석 기법을 활용하여 건물 용도와 층수를 고려한 가중치를 부여해 입체적인 거주인구밀도를 재현하는데 성공하였다. 이를 통해 전체 토지 및 용도구역을 기반으로 한 기존의 방법론보다 현실적용오차를 줄였다. 또한 주거가능 건축물의 주택유형과 층수가 반영된 3차원적 공간자료를 활용하여 주거용 건축물에 거주하는 인구를 추정하는 모델을 도출하여, 정확도가 높고 세밀화 된 인구분포지도를 제작하였다. 본 연구를 통해 도출된 개별 건물 단위의 인구 데이터는 일정한 공간단위로 집계를 재가공한 것으로 정보기밀성의 문제가 없는 세밀한 단위의 인구분포 정보를 제공한다. 따라서 이후 도시 내 재난재해 발생에 따른 영향 인구 파악과 같은, 지역인구를 활용한 다양한 연구에 활용될 수 있는 중요한 자료로써 의미를 지닌다.
The aim of this study is to represent the residential population distribution in Seoul, Korea more precisely through the dasymetric mapping method. Dasymetric mapping can be defined as a mapping method to calculate details from truncated spatial distribution of main statistical data by using ancilla...
The aim of this study is to represent the residential population distribution in Seoul, Korea more precisely through the dasymetric mapping method. Dasymetric mapping can be defined as a mapping method to calculate details from truncated spatial distribution of main statistical data by using ancillary data which is spatial data related to the main data. In this research, there are two types of data used for dasymetric mapping: the population data (2010) based on a output area survey in Seoul as the main data and the building footprint data including register information as ancillary spatial data. Using the binary method, it extracts residential buildings as actual areas where residents do live in. After that, the regression method is used for calculating the weights on population density by considering the building types and their gross floor areas. Finally, it can be reproduced three-dimensional density of residential population and drew a detailed dasymetric map. As a result, this allows to extract a more realistic calculating model of population distribution and draw a more accurate map of population distribution in Seoul. Therefore, this study has an important meaning as a source which can be applied in various researches concerning regional population in the future.
The aim of this study is to represent the residential population distribution in Seoul, Korea more precisely through the dasymetric mapping method. Dasymetric mapping can be defined as a mapping method to calculate details from truncated spatial distribution of main statistical data by using ancillary data which is spatial data related to the main data. In this research, there are two types of data used for dasymetric mapping: the population data (2010) based on a output area survey in Seoul as the main data and the building footprint data including register information as ancillary spatial data. Using the binary method, it extracts residential buildings as actual areas where residents do live in. After that, the regression method is used for calculating the weights on population density by considering the building types and their gross floor areas. Finally, it can be reproduced three-dimensional density of residential population and drew a detailed dasymetric map. As a result, this allows to extract a more realistic calculating model of population distribution and draw a more accurate map of population distribution in Seoul. Therefore, this study has an important meaning as a source which can be applied in various researches concerning regional population in the future.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이에 본 연구는 2차원적 토지이용중심의 대시메트릭 매핑의 한계를 보완하고자 실제인구가 거주하는 건축물 단위에서 인구분포를 나타내고자 한다. 또한 개별 건물의 층수와 유형별 특징, 지역적 특성을 반영하여 현실에 가까운 건축물별 거주인구밀도 모델을 제시하는 것이 본 연구의 목적이다.
본 연구는 건물단위 인구수(BPop)를 반영하는 인구분포 모델을 추정하는 것이다. 이는, 각 건축물의 연면적(GFA)에 회귀분석을 통해 도출한 해당 주택유형별 인구밀도(PDenj)를 곱하여 알 수 있다.
본 연구는 집계구 단위 인구센서스(2010)과 건축물 현황도(2011)을 활용하여 데시매트릭 매핑 기법을 이용하여 인구분포를 개별건물 단위에서 추정하는 것을 목적으로 한다. 이러한 정밀한 인구분포 모델을 도출하기 위하여 바이너리 기법, 연면적 적용기법(Volumetric method), 회귀분석 기법이 차례로 적용되었다.
본 연구를 통하여 기존에 특정 공간단위를 바탕으로 재현하거나 대지 중심의 2차원적인 대시메트릭 매핑의 한계를 보완하고자 실제로 인구가 거주하는 건축물에 해당하는 인구분포를 주거특성과 층수를 반영 한 3차원적인 인구밀도분포를 모델화하였다. 이러한 모델을 통하여 기존의 인구분포모델에서는 과소 또는 과잉 추정되던 문제를 보완할 수 있으며 건축물 단위의 더 정밀한 인구 추정이 가능하다.
그러나 토지이용용도를 사용한 기존의 방법론에서는 인구가 거주하지 않는 건축물 외 지역에서까지 인구가 추정되는 문제와 동일한 용도의 토지에서도 건축연면적과 같이 지역에 따라 다르게 나타나는 실제적인 공간이용 등이 고려되지 못해 세밀한 인구추정에는 한계를 보이고 있다. 이에 본 연구는 2차원적 토지이용중심의 대시메트릭 매핑의 한계를 보완하고자 실제인구가 거주하는 건축물 단위에서 인구분포를 나타내고자 한다. 또한 개별 건물의 층수와 유형별 특징, 지역적 특성을 반영하여 현실에 가까운 건축물별 거주인구밀도 모델을 제시하는 것이 본 연구의 목적이다.
가설 설정
그러나 가정1 에서와 같이 현실에서 실제 인구가 거주하는 지역은 집계구 영역 내에서도 건축물에 한정된다. 본 연구에서는 인구가 주거용도 건축물에만 거주하는 것으로 가정하였다. 따라서 주 데이터인 총인구수의 분포영역을 건축물 현황도를 바탕으로 건축물과 그 외 지역으로 구분하고, 비거주지를 제거하였다.
제안 방법
본 연구는 서울시를 대상으로 인구센서스 데이터를 주 데이터로, 건축물 현황도를 보조 데이터로 활용하여 대시메트릭 매핑을 수행하였다. 기존에 제공되는 인구데이터의 가장 작은 공간단위인 집계구(서울시 16,232개)를 바탕으로 바이너리 기법, 연면적 적용기법을 적용하여 모든 인구는 주거용 건축물에만 거주한다는 가정을 모델화하고 건축물의 층수를 고려한 3차원적인 매핑모델을 제안하였다. 또한, 주거용 건축물이 다섯 가지의 주택유형(단독주택, 다가구주택, 다세대주택, 연립주택, 아파트)으로 나뉘며 이에 따라 각각 다른 주거특성을 반영하는 것을 고려하였다.
데시매트릭 매핑의 첫 번째 단계로 바이너리 기법을 적용하여 인구분포 재현 대상지를 주거가능 건축물로 한정하였다. Figure 1과 같이 현재 제공되는 인구통계 자료는 집계구를 기준으로하고 있다.
건축물 바닥면적과 실제 사용면적의 합인 건축연면적 사이에 차이가 있으며, 동일 집계구 내에도 다양한 층수의 건축물이 존재하기 때문에 실제에 근접한 인구 배분을 위해서는 3차원적인 공간이 고려되어야 한다. 따라서 본 연구에서는 건물의 층수를 반영하여, 기존의 바닥면적만을 고려한 2차원 지도상에서 나타나지 않는 입체적 면적을 모델에 반영하였다.
행정동을 회귀분석의 공간단위(모집단)로 삼을 경우 평균 38개의 집계구만이 포함되어 사례수 부족으로 결과에 대한 신뢰도가 떨어지는 문제가 발생한다. 따라서 본 연구에서는 서울시 내 25개 자치구를 기준으로, 자치구별로 회귀분석을 시행하여 총 25개의 주택유형에 따른 인구분포 모델을 도출하였다.
0121(인/m2)로 4인가구라면 평균 330m2 면적의 단독주택에 살고 있는 것으로 예측할 수 있으나, 현실세계에서는 그보다 더 넓거나 좁은 단독주택에 살고 있는 경우가 존재하며, 동일한 면적에 더 많거나 적은 수의 인구가 거주하기도 한다. 따라서 본 연구에서는 이 같은 차이가 지역적 특성에 따른 것으로 가정하고, 앞서 정의한 회귀분석 기법을 각 지역별로 개별 적용하여 결과를 도출하였다.
771)가 평균적으로 더 우수한 것으로 나타났다. 따라서 본 연구에서는 자치구를 중심으로 지역별 가중치를 고려한 모델을 최종적으로 선택하여 인구분포를 매핑 하였다.
본 연구에서는 인구가 주거용도 건축물에만 거주하는 것으로 가정하였다. 따라서 주 데이터인 총인구수의 분포영역을 건축물 현황도를 바탕으로 건축물과 그 외 지역으로 구분하고, 비거주지를 제거하였다. 즉, 주거용도의 건축물=1, 그 외(비주거 건축물 및 기타 지역)=0의 가중치를 부여하여 모든 인구가 주거용 건축물에만 분포되어 있는 모델을 추출하였다.
주거용 건축물의 유형별 인구밀도 가중치를 서로 다르게 부여하기 위하여 본 연구에서는 다중회귀분석을 이용하였다. 또한 이러한 인구밀도패턴은 각 지역특성으로 인하여 지역적으로 차이가 있다고 전제하여 각 지역별로 다중회귀분석을 재차 진행하여 인구분포 예측모델을 정교화 하였다.
본 연구는 서울시를 대상으로 인구센서스 데이터를 주 데이터로, 건축물 현황도를 보조 데이터로 활용하여 대시메트릭 매핑을 수행하였다. 기존에 제공되는 인구데이터의 가장 작은 공간단위인 집계구(서울시 16,232개)를 바탕으로 바이너리 기법, 연면적 적용기법을 적용하여 모든 인구는 주거용 건축물에만 거주한다는 가정을 모델화하고 건축물의 층수를 고려한 3차원적인 매핑모델을 제안하였다.
앞서 회귀분석 기법 주택유형별 가중치를 도출, 주택유형사이에 존재하는 특징적인 인구밀도의 차이를 반영하였다. 그러나 동일한 주택유형이라 할지라도 지역적인 특성에 따라 그 연면적에 대한 인구밀도의 차이가 존재한다.
건축물 현황도는 서울시 내 총 678,595개 개별건축물 정보를 포함하는 자료로써, 건축물 주용도, 층수, 면적, 행정코드 등의 정보를 포함한다. 이 자료는 보조자료로 활용되어 건축물 주용도와 면적을 바탕으로 서울시 인구의 각 건축물별 분포를 결정한다(Table 2).
이는 회귀분석 기법를 통하여 각 주택유형별 인구밀도(β값)을 도출하였으며, 도출된 주택유형별 인구밀도(β값)와 각 주택유형의 연면적의 곱을 통하여 개별 건축물별로 거주하는 인구를 추정할 수 있는 모델을 완성하였다. 이러한 연구를 통하여 서울시 16,232개 집계구를 바탕으로 한 서울시 전체 건축물별 인구분포모델과 각 지역의 주거 특성을 반영하는 각 자치구의 건축물별 인구분포모델(25개 케이스)을 재현하였다.
종속변수는 서울시 16,232개의 집계구 인구수, 독립변수는 각 집계구 주택유형별 연면적의 합으로 설정한다. 이러한 다중회귀분석을 통하여 도출된 베타값(β1~β5)은 각 주택유형별 특성을 반영한 가중치로써 해당 주택유형에 살고 있는 단위면적당 인구수, 즉 인구밀도를 의미한다.
따라서 주 데이터인 총인구수의 분포영역을 건축물 현황도를 바탕으로 건축물과 그 외 지역으로 구분하고, 비거주지를 제거하였다. 즉, 주거용도의 건축물=1, 그 외(비주거 건축물 및 기타 지역)=0의 가중치를 부여하여 모든 인구가 주거용 건축물에만 분포되어 있는 모델을 추출하였다. 바이너리 기법에 의해 추출된 인구분포 재현 대상지는 서울시 면적의 약 9%, 개발가능지3)만을 기준으로 할 경우에도 약 14%정도에 해당하는 면적이다.
이러한 다중회귀분석을 통하여 도출된 베타값(β1~β5)은 각 주택유형별 특성을 반영한 가중치로써 해당 주택유형에 살고 있는 단위면적당 인구수, 즉 인구밀도를 의미한다. 회귀분석을 통해 보조 데이터(건축물 현황)에서 도출한 각 집계구의 주택유형별 연면적의 합에 따른 주 데이터(집계구의 인구수)를 설명하는 주택 유형별 인구분포 모델을 도출하였다. 여기서, 특정 집계구 내의 주택유형에 따른 유형별 가중치(주택유형별 평균 인구밀도)와 유형별 연면적의 곱을 모두 더한 값이 그 집계구의 인구수가 된다.
대상 데이터
건축물 현황도는 서울시 내 총 678,595개 개별건축물 정보를 포함하는 자료로써, 건축물 주용도, 층수, 면적, 행정코드 등의 정보를 포함한다. 이 자료는 보조자료로 활용되어 건축물 주용도와 면적을 바탕으로 서울시 인구의 각 건축물별 분포를 결정한다(Table 2).
16%가 거주하는 서울특별시로 한정한다. 본 연구에서는 데시매트릭 매핑을 위해 인구주택총조사(통계청, 2010)의 집계구별 센서스 인구자료를 주 데이터로, 서울시 건축물 현황도(2011) 자료를 보조 데이터로 이용하였다(Table 1).
본 연구의 공간적 범위는 우리나라 인구의 20.16%가 거주하는 서울특별시로 한정한다. 본 연구에서는 데시매트릭 매핑을 위해 인구주택총조사(통계청, 2010)의 집계구별 센서스 인구자료를 주 데이터로, 서울시 건축물 현황도(2011) 자료를 보조 데이터로 이용하였다(Table 1).
인구센서스 데이터는 서울특별시 25개 구, 424개 행정동을 총 16,232개로 나눈 집계구2)를 바탕으로 인구데이터가 집계되어 있다. 서울시의 2010년 기준 총 인구수는 9,409,255명, 총 가구수는 3,470,025호로 집계되었다.
데이터처리
주거용 건축물의 유형별 인구밀도 가중치를 서로 다르게 부여하기 위하여 본 연구에서는 다중회귀분석을 이용하였다. 또한 이러한 인구밀도패턴은 각 지역특성으로 인하여 지역적으로 차이가 있다고 전제하여 각 지역별로 다중회귀분석을 재차 진행하여 인구분포 예측모델을 정교화 하였다.
Mennis 등[14]은 토지용도를 구분하고 각 토지용도가 잘 나타나는 전형적인 구역을 선정하여, 그 구역의 인구밀도를 산정하여 이를 각 토지용도별 표준인구밀도로 산출하여 가중치를 만들었다. 회귀분석법은 센서스 인구를 종속변수로 두고 토지용도별 거주하는 인구수를 독립변수로 두어 상수항이 없는 OLS 회귀분석을 실시한다. 이 과정을 통해 구한 회귀계수는 각 토지용도별 인구밀도로 해석할 수 있다(이상일 외[2]).
이론/모형
본 연구는 집계구 단위 인구센서스(2010)과 건축물 현황도(2011)을 활용하여 데시매트릭 매핑 기법을 이용하여 인구분포를 개별건물 단위에서 추정하는 것을 목적으로 한다. 이러한 정밀한 인구분포 모델을 도출하기 위하여 바이너리 기법, 연면적 적용기법(Volumetric method), 회귀분석 기법이 차례로 적용되었다. 각 단계는 인구분포에 대한 다음과 같은 가정으로부터 출발하여 발전되었다.
성능/효과
결과에 따르면, 인구분포패턴에 대한 초기의 가정과 같이 주택유형에 따른 인구밀도의 차이가 존재함을 확인할 수 있다. 주택 연면적에 대한 인구밀도는 경험적으로 예상되는 바와 같이, 다가구주택과 다세대주택에서 높게 나타나 단독주택이나 아파트의 경우보다 집약적으로 이용되고 있음이 확인되었다(Table 4).
이와 유사하게 아파트인 ‘건물C’의 경우에도 Figure 5의 예측값은 현실과 거리를 보인다. 따라서 본 연구에서는 Figure 6와 같이 주택유형과 지역적 특성을 모두 반영한 경우에 가장 실제에 가까운 인구분포 모형을 얻을 수 있었다.
자치구 내에 특정주택유형이 너무 적게 분포하거나, 인구밀도의 편차가 큰 소수의 경우를 제외한 대부분의 경우에서 높은 신뢰수준에서 지역적 특성을 반영한 주택유형별 연면적 대비 인구밀도가 도출되었다. 모델의 설명력에 있어서도 서울시 전체를 대상으로 한 인구분포 추정 모델의 경우(R2=0.724)보다 서울시 25개 자치구별로 나누어 시행한 경우(R2=0.771)가 평균적으로 더 우수한 것으로 나타났다. 따라서 본 연구에서는 자치구를 중심으로 지역별 가중치를 고려한 모델을 최종적으로 선택하여 인구분포를 매핑 하였다.
결과에 따르면, 인구분포패턴에 대한 초기의 가정과 같이 주택유형에 따른 인구밀도의 차이가 존재함을 확인할 수 있다. 주택 연면적에 대한 인구밀도는 경험적으로 예상되는 바와 같이, 다가구주택과 다세대주택에서 높게 나타나 단독주택이나 아파트의 경우보다 집약적으로 이용되고 있음이 확인되었다(Table 4).
후속연구
그러나 본 연구는 기존의 집계공간단위(행정구역)를 기준으로 분석을 진행하여 행정구역이 아닌 지역적 특성이 발현되는 공간단위를 고려하지 못했다는 한계를 갖는다. 예를 들어, 각 자치구의 경계부에 위치한 행정동들은 해당 자치구의 반대편에 위치한 행정동보다 인접한 다른 자치구의 행정동과 유사한 특성을 지니는 것이 일반적이다.
공간계량모델에서는 (회귀분석을 위한 사례수의 한계를 넘어) 지역적 특성이 발현되는 공간적 범위를 기존 행정경계가 아닌, 인접한 지역들 사이에서 자기상관성을 가장 잘 보이는 영역으로 활용하기 때문에 이러한 문제를 극복할 수 있는 유용한 방안으로 판단된다. 따라서 이후 보다 실제에 가까운 인구분포 재현을 위한 추가적인 연구가 진행되어야 할 것이다.
이러한 모델을 통하여 기존의 인구분포모델에서는 과소 또는 과잉 추정되던 문제를 보완할 수 있으며 건축물 단위의 더 정밀한 인구 추정이 가능하다. 본 연구 결과를 토대로 인구정보분석에 기반을 둔 재난관리, 응급상황 대비, 범죄분석 등의 다양한 연구와 정책적 기초자료의 기반이 될 수 있을 것이다.
예를 들어, 각 자치구의 경계부에 위치한 행정동들은 해당 자치구의 반대편에 위치한 행정동보다 인접한 다른 자치구의 행정동과 유사한 특성을 지니는 것이 일반적이다. 이러한 공간적 경계를 넘어 존재하는 지역특성의 연속성은 본 연구에서 도출한 모델에는 반영되지 못하여 한계로 남는다.
이러한 한계의 극복을 위해 향후 공간적 특성을 반영할 수 있는 공간계량모델(Geographical Weighted Regression)을 통한 추가적인 연구가 요구된다. 공간계량모델에서는 (회귀분석을 위한 사례수의 한계를 넘어) 지역적 특성이 발현되는 공간적 범위를 기존 행정경계가 아닌, 인접한 지역들 사이에서 자기상관성을 가장 잘 보이는 영역으로 활용하기 때문에 이러한 문제를 극복할 수 있는 유용한 방안으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
코로폴레스 맵의 문제점을 보완하는 방법은 무엇인가?
즉, 인구밀도를 재현할 경우 면적이 큰 지역은 낮은 인구밀도를, 면적이 작은 지역은 높은 인구밀도를 나타내는 경향을 보인다(Langford외[10]; Holt 외[7]). 이러한 문제점을 보완하고 실제 데이터의 이질성(heterogeneous) 표현을 위하여 대시메트릭 매핑(Dasymetric mapping)의 개념이 사용되는데, 이는 주 데이터와 연관된 공간적 보조 데이터를 사용하여 더 세밀한 밀도 분포를 재현하는 방법이다(Eicher 외[4]; Munnis 외[14]). 대시메트릭 매핑을 이용할 경우, 보조 정보를 토대로(예를 들어 토지 이용용도) 데이터의 공간 단위를 더 작은 크기로 분할하여 각 구역 내의 밀도 분포를 실제와 더 가깝게 추정할 수 있다.
코로폴레스 맵이란?
공간적으로 집계된 데이터를 별도의 가공 없이 공간단위 면적으로 나누어 지도화(mapping)한 것을 코로폴레스 맵(Choropleth map, 이하 단계구분도)이라고 한다. 이는 특정 경계 내의 합산된 데이터만 보여주기 때문에, 데이터를 지도화하는 과정에서 특정 공간의 평균적인 밀도데이터로 대표(homogeneous)되어 세부적인 데이터의 특성을 잃어버리게 된다.
대시메트릭 매핑을 활용한 연구들에서 주로 활용된 보조 데이터는 무엇인가?
대시메트릭 매핑을 활용한 기존 연구들에서는 집계된 자료를 세부 공간단위로 할당하기 위한 방법론 구축 측면의 연구가 주로 이루어졌으며, 이때 활용된 보조 데이터로는 토지이용용도가 주를 이루고 있다. 그러나 토지이용용도를 사용한 기존의 방법론에서는 인구가 거주하지 않는 건축물 외 지역에서까지 인구가 추정되는 문제와 동일한 용도의 토지에서도 건축연면적과 같이 지역에 따라 다르게 나타나는 실제적인 공간이용 등이 고려되지 못해 세밀한 인구추정에는 한계를 보이고 있다.
참고문헌 (16)
Lee, B. K. 2006, An Evaluation of Spatial Interpolation of Statistical Information Using Dasymetric Mapping, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography 24(4): 343-350.
Lee, S. I; Kim, K. Y. 2007, Representing the Population Density Distribution of Seoul Using Dasymetric Mapping Techniques in a GIS Environment, Journal of the Korean Cartography 7(2): 53-67.
Bajat, B; Kruni？, N; Kilibarda, M. 2011, Dasymetric mapping of Spatial distrivution of Population in Timok region, International Science Conference and XXIV Meeting of Serbian Surveyors.
Eicher, C ; Brewer, C. 2001, Dasymetric Mapping and Areal Interpolation: Implementation and Evaluation, Cartography and Geographic Information Science, 28(2): 125-138.
Fisher, P ; Langford, M. 1996, Modeling Sensitivity to Accuracy in Classified Imagery: A Study of Areal Interpolation by Dasymetric Mapping, Professional Geographer, 48(3): 299-309.
Holloway, S. R ; Schumacher, J. ; Redmond, R. 1996, People and place: Dasymetric mapping using ArcInfo, Missoula: Wildlife Spatial Analysis Lab, University of Montana.
Holt, J; Lo, C. P ; Hodler, T. W. 2004, Dasymetric Estimation of Population Density and Areal Interpolation of Census Data, Cartography and Geographic Information Science, 31(2): 103-121.
Kim, H. H. 2007, Comparison of Three Dasymetric Methods for Population Density Mapping, The Geographical Journal of Korea, 41(4): 411-419.
Kim, H. H ; Choi, J. M. 2011, A Hybrid Dasymetric Mapping for Population Density Surface using Remote Sensing Data, Journal of the Korean Geographical Society, 46(1): 67-80.
Langford, M ; Unwin, D. J. 1994, Generating and mapping population density surfaces within a geographical information system, The Cartographic Journal 31: 21-26.
Lwin, K. K ; Murayama, Y. 2010, Development of GIS Tool for Dasymetric Mapping, International Journal of Geoinfomatics, 6(1): 11-18.
MacEachren, A. M. 1994, Some truth with maps: A primer on symbolization ans design. Washington DC: Association of American Geographers.
McCleary, G. F. 1984, Cartography, geography, and the dasymetric method. In: Proceeding, 12th Conference of International Cartographic Association, August 6-13, Perth, Australia, 1: 599-610.
Mennis, J ; Hultgren, T. 2006, Intelligent Dasymetric Mapping and Its Application to Areal Interpolation, Cartography and Geographic Information Science, 33(3): 179-194.
Su, M. D ; Lin, M. C ; Hsieh, H. I. ; Tsai, B. W. ; Lin, C. H. 2010, Multi-layer multi-class dasymetric mapping to estimate population distribution, Science of the Total Environmental, 408: 4807-4816.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.