공간과학으로 시대의 새 지평을 열고자 하는 사람들을 위한
ArcGIS Pro 활용 기초입문서!

지리정보시스템은 오늘날과 같은 변화의 시대에 빠른 대처를 가능하게 하는 분야이자 공간과학으로서 공간현상을 통계나 공간분석 기법으로 설명하거나 예측해 왔다. 최근 여러 분야와 마찬가지로 공간과학에서도 정교하고 정밀한 분석 기법, 인공지능 머신러닝, 딥러닝 기법이 도입되었는데, 이는 그동안 개척하지 못했던, 혹은 기존의 공간데이터를 벗어나 우리가 일상에서 사용하는 데이터 영역까지 공간분석을 확대하는 계기를 마련했다.
이 책은 지리정보시스템의 현재와 미래에 대한 열정으로 시대의 지평을 열 준비를 하는 사람들을 위해 집필되었다.
이 책은 총 15장으로 구성했다.
1~3장은 프로그램 기능 사용법, 자료 불러오기 수정편집, 온라인 공간 자료, 지오코딩, 영상정보 활동에 대한 기초를 다루고 있다. 4~7장은 연산자와 검색 방법, 공간검색과 공간조인, 지오프로세싱, 샘플링 제작 방법을 소개하여 공간분석에서 기초가 되는 1차 분석을 위한 기본데이터를 정리하고, 추론이나 예측 분석을 위한 2차 공간데이터 샘플링 방법을 소개한다. 8~10장은 3차원 및 다차원데이터의 시각화 그리고 지오코딩을 다루고 11~15장은 드론이미지, 라이다 자료, 초분광 영상 활용의 기초를 소개하고 인공지능 머신러닝과 딥러닝 학습을 다룬다. 딥러닝 학습은 기존에 위성영상에 의존하던 정보 추출의 세계에서 항공사진, 드론 영상까지 가능하게 했고, 라이다는 초분광 영상과 함께 분석하여 개별정보 분석 방법과 결과를 주제도로 작성하는 방법을 소개한다.

책 속에서

GIS에서 사용하는 자료출처는 지도 형태의 공간정보뿐만 아니라 엑셀과 같은 테이블 자료들이 사용된다. 인구통계, 기상정보 등은 엑셀이나 CSV(comma separated Values) 형식으로 제공되고 GPS(스마트폰) 위치자료도 테이블의 형식을 갖추고 있다. 테이블 자료들은 현장에서 수집한 GPS 정보와 같이 위치정보(경위도 X,Y)를 갖는 경우도 있으며, 행정구역별 인구와 같이 위치정보를 포함하고 있지 않지만 단위 지역의 통계로 되어 있어 공간정보와 결합하여 사용할 수 있는 데이터로 분류할 수 있는 자료도 있고, 기온과 강수량과 같이 우리나라의 위치별 측정 테이블 자료가 위치별 측정값을 갖고 있기 때문에 보간처리를 하여 기상분석에 활용할 수 있는 자료도 있다. _ 47쪽, “제2장, 데이터 불러오기”

지오레퍼런싱(georeferencing)은 위치정보를 갖고 있지 않은 대상에 대해 지리좌표를 부여하여 점, 선, 면 지도 제작 및 공간분석에 활용할 수 있게 만드는 기능이다. GIS 공간정보로 활용할 수 있도록 디지털 형태의 위치정보를 갖고 있지 않은 지도자료에는 과거에 제작된 지형도(1900년대 초에 제작된 일제강점기 지도 포함), 지리좌표 작업이 안 된 드론이나 항공사진 이미지, 그리고 논문이나 보고서에 제시된 각종 주제도 등이 있다. GIS를 이용하여 이들 자료와 비교분석하거나 공간분석을 수행하기 위해 지리좌표를 갖도록 지도작업을 해야 한다. _ 106쪽, “제3장, 지도 제작 및 수정”

속성정보와 래스터 검색은 데이터값 조건 부합에 대한 선택이다. 값에 의한 선택이 일반적으로 많이 사용되기는 하지만 공간정보는 위치정보를 갖고 있기 때문에 레이어 간 위치정보에 의한 공간검색을 할 수 있다. 공간검색은 점, 선, 면 레이어의 위치에 따라, 그리고 중첩 관계에 따라 선택을 할 수 있다.
위치 기반 공간검색은 뒤에서 다루게 되겠지만 레이어 중첩정보에 대한 속성(래스터값)을 조인할 수 있다. 공간적 위치관계로 존재하는 상대 레이어 정보를 가져와 연결할 수 있기 때문에 고도화된 공간분석을 수행할 수 있다. _ 161쪽, “제4장, 연산자와 검색”

완충(buffer)은 일정하게 정해진 값(물리적 거리, 영향범위 기준값, 가중치 등)의 기준에 따라 공간적 범위를 설정하는 것이다. 완충은 점, 선, 면 지표 사상(도로, 하천, 도시, 공장 등)에 따라 모두 적용 가능하다.
Add Data 클릭하여 Chapter6_Data 폴더에서 폐교 점자료를 불러온다. 메인메뉴 Analysis → Tools → buffer 검색 또는 지로프로세싱 원 부분 클릭하면 Buffer 아이콘 클릭 → Buffer 창에서 폐교 선택, landuse_disolv, Linear Unit(meters), 을 클릭하여 Linear Unit 대신 Field 선택할 수 있다. Distance(3000, 필드를 선택할 경우 속성정보 가중치, 중요도 값을 적용할 수 있음) → Run _ 198~199쪽, “제6장, 지오프로세싱”

공간정보 제작은 일반적으로 2D로 제작된다. 그렇지만 2D로 제작되는 공간정보 중에는 속성정보에 높이값을 저장하는 경우가 있다. 건물, 나무와 같이 각각의 지표에서부터의 높이를 정할 수 있는 대상이 있고, 공간분석 결과로 생성되는 래스터 자료나 수치고도모델(DEM)과 같이 그 자체값이 3D값을 갖고 있는 자료도 3D 시각화가 가능하다.
건물이나 나무와 같은 2D 속성자료에 높이값을 입력하는 경우는 일일이 높이를 조사해야 하기 때문에 제작에 어려움이 있다. 그렇지만 라이다(LiDAR: light detecting and Ranging)의 경우 레이저파로 지상정보를 3차원으로 스캔한 점운(point cloud) 자료는 높이값 정보 추출이 가능하다. _ 224쪽, “제8장, 2D to 3D 시각화”

GIS 지도화에 아직까지도 시각적 전달력이 떨어지는 부분이 있다. 여러 변수, 즉 다변인 자료의 분석결과를 효과적으로 표현하지 못한다는 점이다. 이러한 문제에 대해 Herman Chernoff가 다변인 시각화 방안을 제시한 것이 본인의 얼굴형을 상징화하는 Chernoff face이다. 사람의 눈썹, 눈, 입술 등이 감정에 따라 비춰지는 모습에서 따온 것이다. Chernoff face는 다변인 대상에 따라 형상화하여 가능하다. 예를 들면 대기가스 오염정도에 대해 범례로 표현하고자 한다면 나무의 색상, 잎, 가지를 상징화하여 오염정도에 따라 표현할 수 있다.
지도에서 범례와 기호를 사용하는 이유는 지도가 담고 있는 내용을 시각적으로 간단명료하고 쉽게 전달하기 위해서이다. 그럼에도 정형화된 범례와 기호 방식은 의미가 시각적으로 전달이 잘 안 되어 범례의 데이터값과 병행하여 봐가며 판단해야 하는 경우가 종종 있다. Chernoff face 방식의 지도 이미지 기호는 시각적으로 지도판독 능력을 향상시킬 수 있을 것으로 판단된다. Chernoff face 방식의 범례의 장점은 2D로도 3D 데이터 지도화가 쉽고, 공간정보 전달효과가 높다는 점이다. _ 295~295쪽, “제10장, 레이이아웃”

캐노피(canopy)는 식생의 수고와 수관(crown)으로 형성되는 층위들의 집합체이다. 캐노피모델(CHM: Canopy Digital Model)은 식생의 수고를 연속수치의 높이값으로 표현한 것이다. 캐노피모델은 식생의 수관 단위인 캐노피를 추출할 수 있고, 나무위치와 수고정보를 추출할 수 있다. 그뿐 아니라 식생밀도, 식생층위구조, 바이오매스, 수령 등을 계산할 수 있다. 다만 라이다 추출에 의한 나무위치, 수고 등은 계산이 가능하지만 수종정보를 추출하여 나무를 구분할 수는 없다. 수종정보는 고해상도 영상(드론, 항공사진, 고해상도 초분광 이미지)에서 추출하여 캐노피분석 결과와 결합하면 된다. _ 368쪽, “제13장, 라이다 자료 활용”

항공이나 드론으로 촬영하는 초분광 영상은 가시광선~적외선 대역을 파장을 세분화하여 연속 촬영하는 방식으로 밴드가 수십에서 수백 개다. 초분광 영상의 연속파장 특성을 이용하면 지표의 세부적인 정보 추출이 가능하다. 농작물, 산림의 개별 수종, 습지와 초지의 정밀한 수종 및 군집 정보 추출로 직접 조사의 낮은 정확도를 보완할 수 있다. 국토지리정보원의 공개로 다운받아 사용할 수 있는 해상도 0.25cm 항공사진은 RGG 영상(국가에 따라 RGB에 적외선도 촬영하는 나라도 있음), 드론이미지는 GSD 5cm 또는 그 이하 해상도 영상으로 센서카메라 탑재에 따라 RGB, 근적외선, 열적외선을 촬영할 수 있다. 항공사진과 드론이미지는 최근 추세인 인공지능 딥러닝(Deep learning) 학습과 정보 추출이 가능하여 기존의 근적외선, 적외선 등 대역에 의존하던 영상분석에 획기적인 변화를 가져올 것으로 예상된다. _ 391~392쪽, “제14장, 인공지능 영상분석”

제1장공간데이터 기초와 ArcGIS Pro 기능
제2장데이터 불러오기
제3장지도 제작 및 수정
제4장연산자와 검색
제5장조인(결합)
제6장지오프로세싱
제7장샘플링 그리드
제8장2D to 3D 시각화
제9장지오코딩
제10장레이아웃
제11장드론 매핑
제12장지역통계
제13장라이다 자료 활용
제14장인공지능 영상분석
제15장점자료 활용 주제도 제작
부록공개자료 사이트 소개