KR101475359B1 - 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 - Google Patents

수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 Download PDF

Info

Publication number
KR101475359B1
KR101475359B1 KR1020130060286A KR20130060286A KR101475359B1 KR 101475359 B1 KR101475359 B1 KR 101475359B1 KR 1020130060286 A KR1020130060286 A KR 1020130060286A KR 20130060286 A KR20130060286 A KR 20130060286A KR 101475359 B1 KR101475359 B1 KR 101475359B1
Authority
KR
South Korea
Prior art keywords
map
network
scale
digital
data
Prior art date
Application number
KR1020130060286A
Other languages
English (en)
Other versions
KR20140139782A (ko
Inventor
유기윤
박우진
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020130060286A priority Critical patent/KR101475359B1/ko
Publication of KR20140139782A publication Critical patent/KR20140139782A/ko
Application granted granted Critical
Publication of KR101475359B1 publication Critical patent/KR101475359B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/02—Maps; Plans; Charts; Diagrams, e.g. route diagram sectional

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Technology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 네트워크 객체의 선택 및 삭제에 영향을 미치는 다양한 속성요소간의 상관성 또는 선택 결과에 미치는 상대적 영향력을 정량적으로 분석하고, 이를 선택 및 삭제 규칙에 적용할 수 있고, 또한, 수치지형도의 네트워크 데이터에 대한 다축척 모델을 제작할 수 있게 함으로써 웹 또는 모바일 서비스에 있어서 사용자가 수치지형도의 축척을 변화시키면서 지도를 활용할 수 있고, 또한, 축척별 수치지형도 네트워크 데이터셋을 생성하는 과정을 자동화함으로써 지도의 생산과정에서 소요되는 비용과 시간을 기존의 수동편집에 의한 방식에 비해 현저하게 줄일 수 있으며, 또한, 지도제작자의 성향과 관계없이 균질한 지도의 제작이 가능할 뿐만 아니라 지형지물의 속성 또는 도형 정보에 수정사항이 발생하였을 때, 이를 갱신하기 위한 작업량을 최소화할 수 있는, 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법이 제공된다.

Description

수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 {METHOD FOR GENERATING MULTI-SCALE MODEL FOR NETWORK DATA OF DIGITAL TOPOGRAPHIC MAP}
본 발명은 수치지형도 네트워크 데이터를 위한 다축척 모델 생성 방법에 관한 것으로, 보다 구체적으로, 도로, 하천 및 철도와 같은 네트워크 형태의 데이터에 대하여 축척별 수치지형도(Digital Topographic Map)를 상호 비교하여 목표 축척수준에 따른 네트워크 선택(Selection) 및 삭제(Elimination) 기준들을 역공학(Reverse Engineering) 방식으로 추출한 후, 추출된 네트워크 선택 및 삭제 기준들을 수치지형도에 적용함으로써 다축척의 네트워크 모델을 생성하는 방법에 관한 것이다.
최근에 웹(WEB) 환경에서의 지도서비스와 위치기반서비스(LBS)가 큰 인기를 끌면서, 구글(Google)과 애플(Apple)사를 중심으로 웹 또는 모바일 지도서비스 및 위치기반서비스를 위한 지도 제작 경쟁이 가속화되고 있다. 국내의 경우, 네이버, 다음 등의 포털사이트에서 제공하는 지도서비스를 비롯하여 경로안내 서비스, 위치기반 소셜네트워크 서비스, 주변상점찾기 서비스 등 다양한 위치기반 서비스가 인기를 얻고 있다.
이러한 지도서비스 및 위치기반서비스를 제공하기 위해서는 다양한 축척수준으로 지도 DB(Multi-Representation/Resolution/Scale Database: MRDB 또는 MSDB)를 구축하는 작업이 필수적으로 요구된다. 이러한 지도 DB 구축을 위해서 타사에서 제작한 지도 DB를 개방형 어플리케이션 형태로 끌어와 활용하기도 하지만, 다수의 업체에서는 고유의 지도를 직접 생산하여 사용하기도 한다. 예를 들면, 벡터 형태의 지도 데이터를 웹 환경에서 서비스하기 위해서는 일반적으로 다양한 축척수준에 따른 지도 데이터셋(Dataset)을 생성한 후, 각각을 래스터(Raster) 형태의 맵 캐시(Map Cash)로 데이터베이스화 한 후에, 사용자의 요청에 따라 해당 맵 캐시를 서버에서 전송해주는 방식을 쓰고 있다.
한편, 국토지리정보원에서는 다양한 축척의 수치지형도(Digital Topographic Map)를 제작하여 관리하고 있다. 여기서, 수치지형도는 등고선을 이용하여 땅의 기복, 형태, 수계의 배열 등의 지형을 정확하고 상세하게 나타낸 지도인 지형도를 컴퓨터에서 사용할 수 있도록 디지털(Digital) 형태로 변환한 것이다. 현재 국내에서 제작되고 있는 수치지형도는 그 축척에 따라 1/1,000, 1/2,500, 1/5,000, 1/25,000 등이 있다.
도 1은 수치지형도의 축척수준을 예시하는 도면이고, 도 2는 수치지형도 데이터 및 도로명주소 전자지도의 데이터의 종류를 예시하는 도면이다.
도 1을 참조하면, 예를 들면, 1/5,000과 1/25,000 수치지형도는 국토지리정보원에서 전체 국토에 대해 제작하여 관리하고 있으며, 또한, 1/1,000 수치지형도는 시가지 지역을 대상으로 지방자치단체별로 제작되고 있다. 이러한 수치지형도의 제작 및 갱신은 항공측량, 지리조사, 현지보완측량을 통해 디지타이징 방식으로 이루어진다. 이때, 이러한 수치지형도에서 표현하고 있는 지형지물은, 예를 들면, 1) 교통, 2) 수계 및 해양, 3) 건물 및 시설물, 4) 문화 및 시설, 5) 식생, 6) 지형, 7) 경계 및 8) 주기의 총 8개 대분류와 104개의 소분류로 나누어 구성되어 있다.
한편, 도로명주소 전자지도는 도로명 주소체계를 관리하기 위해 구축한 벡터형 지도자료를 말한다. 이러한 도로명주소 전자지도 시스템은 DB상의 주소 요소뿐만 아니라, 해당 주소를 공간상에 표현함으로써 각종 주소정보를 활용할 수 있는 표준체계를 제공한다. 이러한 도로명주소 전자지도는 특정 주소의 건물과 관련된 위치 정보, 건물용도, 상호, 건물설계도, 비상구의 위치정보 등이 단계적으로 정부부처 및 지방 자치단체 등 공공분야 및 민간에 제공되어 재난 대응, 신속한 물류처리 등의 목적으로도 활용할 수 있다. 또한, 이러한 도로명주소 전자지도는, 도 2에 도시된 바와 같이, 도로명 주소안내를 위해 1) 건물, 2) 건물이력, 3) 건물군, 4) 실폭도로, 5) 도로구간, 6) 도로구간 이력, 7) 도로명판, 8) 기초구간, 9) 출입구, 10) 연결선, 11) 교차로, 12) 지하철선로, 13) 지하철역사, 14) 지하철출입구, 15) 철도역사, 16) 철도선로, 17) 터널, 18) 교량, 19) 하천호수, 20) 공원, 21) 고가도로, 22) 자동차전용도로, 23) 지하차도, 24) 기타시설물 및 25) 기타표지판의 25개의 레이어를 포함한다.
전술한 수치지형도 및 도로명주소 전자지도는 정해진 몇 개의 축척 또는 단일 축척으로 제작되기 때문에 보다 다양한 축척수준에서 이러한 데이터들을 시각화하고 활용하기 위해서는 원하는 축척수준에 맞게 다축척 데이터셋(Dataset)으로 생성하는 과정이 필요하다.
그러나 단일 축척의 기본 지도 데이터에서 다축척 지도 데이터셋을 생성하는 작업이 아직까지 수동편집에 의존하는 부분이 많기 때문에 지도의 생산과 갱신에 상당한 시간과 비용이 소요되며, 지도의 균질성을 확보하기 어렵다는 문제점이 있다.
한편, 지도 일반화(Map Generalization) 기술은 대축척의 지도 데이터를 이용하여 지도상의 객체에 적절한 기하학적 변환을 적용하여 소축척 지도를 생성하는 기술을 말한다. 따라서 기본 지도 데이터에 지도 일반화 기법을 적용함으로써 다축척 지도 데이터셋을 생성하는 과정을 최대한 자동화할 수 있다. 특히, 수지형도 데이터는 네트워크 데이터 및 비네트워크 데이터로 구분되는데, 도 2에 도시된 바와 같이, 비네트워크 형태의 데이터인 건물과 같은 폴리곤 데이터와는 달리, 도로, 하천, 철도와 같은 네트워크 형태의 데이터는 폴리라인으로 저장되어 있으며, 폭, 길이, 방향, 연결성 등과 같은 속성을 가지고 있기 때문에 비네트워크 형태의 데이터들과 구별된다.
이러한 네트워크 형태의 데이터를 위한 일반화 기법은 네트워크 데이터만의 특성을 고려해야 하며, 가장 중요한 부분은 객체의 선택 및 삭제 연산자(Selection/Elimination Operator)라고 할 수 있다. 이러한 선택 및 삭제 연산자는 해당 축척수준에서 지형지물의 크기가 작거나 중요도가 낮아서 해당 축척수준의 지도상에서 굳이 표현할 필요가 없는 객체들을 선택하여 삭제할 수 있다. 여기서, 이러한 선택 및 삭제 연산자의 적용을 위해서 어떤 객체(which)를 몇 개 정도(how many)로 남길 것인지가 가장 핵심적인 문제이다. 즉, 어떤 객체를 선택하고 삭제할 것인가는 객체의 기하학적 특성, 의미론적 특성, 객체들 간의 분포 특성 등을 고려하여 객체의 중요도를 측정함으로써 이루어질 수 있다. 예를 들면, 몇 개의 객체를 선택하고 삭제할 것인가는 지도의 목표 축척수준, 목적, 생산자의 의도 등에 따라 결정되는데, 일반적으로 Topfer's radical law, 최소도화객체(Minimum Mapping Unit: MMU) 크기 등을 이용하고 있다.
한편, 네트워크 데이터에 대한 선택 및 삭제 기법과 관련된 선행기술로서, 2010년 Liu 등은 도로 네트워크 일반화를 위한 도로 선택을 위해 도로의 4가지 정보인 통계적 정보, 계량적 정보, 위상적 정보 및 주제적 정보를 보로노이(Voronoi) 다이어그램과 스트로크(Stroke)에 기초하여 산정한 후, 선택 기준으로 활용하는 방법을 제안하였다. 이러한 방법은 도로 네트워크 객체를 스트로크 형태로 재구조화하고, 도로 객체의 여러 가지 속성정보를 종합적으로 고려하고 있지만, 도로 객체의 선택에 있어서 4가지 속성정보를 이용하여 ISODATA 클러스터링(Clustering)을 수행한 후에 각 클러스터(Cluster)의 순위를 매겨서 순위가 높은 객체들만 선택하는 방식을 사용하고 있고, 또한, 선택하는 객체의 개수를 결정하는 부분에 있어서 도로 밀집도(Road Density)를 이용한다.
한편, 네트워크 데이터에 대한 선택 및 삭제 기법과 관련된 다른 선행기술로서, 2010년 Touya는 도로 네트워크를 선택할 때 지리적 문맥과 구조적 특성을 분석하고 이를 참고자료로 활용하는 선택 방법을 제안하였으며, 비도심 지역의 도로는 그래프 이론을 적용하고 도심 지역의 도로는 블록 병합 알고리듬을 적용하여 도로를 선택하였다. 이 방법의 경우, 도로 객체를 스트로크 단위로 재구조화하고, 네트워크 객체의 길이, 굴곡도(Sinuousity), 근접한 주요 건물, 경로탐색 상에서의 이용빈도 등을 종합적으로 고려하여 도로 객체를 선택한다. 하지만, 도로 네트워크의 다양한 속성정보들에 대해서 각 객체마다 조건식을 부여하는 방식으로 도로를 선택하는데, 이것은 각 객체에 대한 임계조건을 사용자가 직접 지정해줘야 한다는 불편함이 있다.
종래의 기술에 따른 네트워크 데이터에 대한 선택 및 삭제 기법은, 대부분 객체의 다양한 특성 정보를 종합적으로 고려하여 목표 축척수준에서 도화되거나 삭제될 객체를 선택하는데, 이러한 과정에서 각 특성에 대한 임계조건에 만족하지 않는 객체를 삭제하거나, 또는 객체의 상대적 중요도를 계산한 후에 중요도가 낮은 객체를 삭제하는 방식을 주로 사용하고 있다. 그러나 객체의 선택 및 삭제에 활용되는 여러 속성요소들에 대해서 객체의 선택에 영향을 미치는 가중치를 결정하는 부분 및 임계조건을 결정하는 부분이 자의적 판단이나 실험적으로 결정되는 경우가 많다는 문제점이 있다. 예를 들면, 객체의 선택 및 삭제 과정에서 영향을 미치는 여러 파라미터들 가운데에는 영향력이 큰 항목도 있지만 영향력이 낮은 항목이 있을 수도 있는데, 파라미터 간에 높은 상관 관계가 나타날 경우, 비합리적인 결과가 도출될 수도 있다는 문제점이 있다.
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, S194S202. Touya, G., 2010, "A Road Network Selection Process Based on Data Enrichment and Structure Detection", Transaction in GIS, Vol. 14, No. 5, pp. 595~514.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 네트워크 객체의 선택 및 삭제에 영향을 미치는 다양한 속성요소간의 상관성 또는 선택 결과에 미치는 상대적 영향력을 정량적으로 분석하고, 이를 선택 및 삭제 규칙에 적용할 수 있는, 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 수치지형도의 네트워크 데이터에 대한 다축척 모델을 제작할 수 있게 함으로써 웹 또는 모바일 서비스에 있어서 사용자가 수치지형도의 축척을 변화시키면서 지도를 활용할 수 있는, 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 또 다른 기술적 과제는, 축척별 수치지형도 네트워크 데이터셋을 생성하는 과정을 자동화함으로써, 지도의 생산과정에서 소요되는 비용과 시간을 기존의 수동편집에 의한 방식에 비해 현저하게 줄일 수 있는, 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 또 다른 기술적 과제는, 지도제작자의 성향과 관계없이 균질한 지도의 제작이 가능할 뿐만 아니라 지형지물의 속성 또는 도형 정보에 수정사항이 발생하였을 때, 이를 갱신하기 위한 작업량을 최소화할 수 있는, 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법은, a) 자료 입력부가 수치지형도의 축척별 데이터 및 도로명주소 전자지도로부터 네트워크 데이터인 네트워크 객체를 각각 추출하여 입력하고, 목표 축척수준을 설정하는 단계; b) 전처리 수행부가 상기 도로명주소 전자지도를 기준으로 하여 상기 수치지형도의 네트워크 객체에 대한 네트워크 링크들을 재구조화하고, 상기 네트워크 객체에 대한 속성값을 정제하는 전처리 과정을 수행하는 단계; c) 객체 매칭 및 특성값 측정부가 상기 수치지형도의 축척별 데이터에 대하여 각 축척간의 네트워크 객체 매칭쌍을 탐색하여 선택 객체 그룹 및 삭제 객체 그룹으로 분류하고, 상기 선택 객체 그룹 및 삭제 객체 그룹 각각에 대한 네트워크 특성값들을 측정하는 단계; d) 특성값 통계적 분석부가 상기 선택 객체 그룹 및 삭제 객체 그룹의 네트워크 특성값들을 역공학(Reverse engineering) 방식을 통해 통계적으로 분석하고, 상기 네트워크 객체에 대한 선택 및 삭제 기준들을 각각 추출하는 단계; 및 e) 선택 및 삭제 모델 적용부가 상기 추출된 선택 및 삭제 기준들을 상기 수치지형도에 적용하여 상기 목표 축척수준에 따른 다축척 네트워크 데이터셋(Dataset)을 생성하는 단계를 포함하여 이루어진다.
여기서, 상기 a) 단계의 수치지형도 축척별 데이터는 도로, 하천 및 철도 레이어와 관련된 네트워크 데이터로서 폭, 길이, 방향 및 연결성의 속성을 갖는 폴리라인(Polyline) 데이터로 형성되는 것을 특징으로 한다.
여기서, 상기 b) 단계의 전처리 과정은, 상기 도로명주소 전자지도를 보조데이터로 활용하여, 교차점 단위로 분절되어 있는 수치지형도의 네트워크 링크들을 스트로크(Stroke) 단위로 재구조화하고, 각 네트워크 객체에 대하여 속성값이 누락되거나 잘못 기입된 부분들을 정제하는 것을 특징으로 한다.
여기서, 상기 b) 단계는, b-1) 좌표체계 변환부가 상기 도로명주소 전자지도의 네트워크 데이터를 수치지형도에 대응하는 좌표체계로 변환하는 좌표체계 변환 단계; b-2) 상기 도로명주소 전자지도의 네트워크 데이터에 적절한 크기의 버퍼를 적용하는 버퍼링 단계; b-3) 공간 조인부가 상기 도로명주소 전자지도 네트워크 데이터의 버퍼영역과 상기 수치지형도의 네트워크 레이어에 대하여 공간조인(Spatial Join)을 수행하여, 상기 수치지형도 네트워크 객체를 공간적으로 포함하고 있는 버퍼 객체를 매칭시키고, 그에 해당하는 도로명주소 전자지도 네트워크 데이터의 속성값들을 해당 수치지형도 네트워크 객체의 속성값에 대응하도록 수정하는 공간 조인 단계; b-4) 속성 스키마 조정부가 상기 공간 조인 결과에 따라 상기 도로명주소 전자지도 네트워크 데이터의 속성값 및 상기 수치지형도 네트워크 객체의 속성값으로 이루어진 두 데이터로부터 합쳐진 속성 스키마를 단일한 스키마로 조정하는 속성 스키마 조정 단계; b-5) 스트로크 재구조화부가 상기 수치지형도의 네트워크 데이터로부터 중심선을 추출하여 스트로크 단위로 재구조화하는 스트로크 재구조화 단계; 및 b-6) 속성값 정리부가 상기 재구조화된 네트워크 데이터에 대하여 각각의 속성값을 정리하는 속성값 정리 단계를 포함할 수 있다.
여기서, 상기 b-2) 단계의 버퍼의 크기는 상기 도로명주소 전자지도의 네트워크 데이터의 버퍼영역 내에 상기 수치지형도의 네트워크 레이어인 도로중심선, 하천중심선, 철도중심선의 대부분이 포함되도록 5~10m 정도의 수치를 적용할 수 있다.
여기서, 상기 b-3) 단계는 상기 수치지형도 네트워크 객체가 두 개의 도로명주소 전자지도 네트워크 버퍼 객체에 걸쳐있다면, 두 객체의 속성값들을 평균하여 평균값을 선택하거나 임의로 하나의 값을 선택하는 것을 특징으로 한다.
여기서, 상기 b-4) 단계에서 상기 도로명주소 전자지도 네트워크 데이터의 속성값과 상기 수치지형도 네트워크 객체의 속성값이 상이한 경우, 상기 도로명주소 전자지도 네트워크 데이터의 속성값을 기준으로 상기 수치지형도 네트워크 객체의 속성값을 수정하는 것을 특징으로 한다.
여기서, 상기 b-5)에서 추출되는 중심선은 도로중심선, 하천중심선 및 철도중심선이고, 상기 스트로크(Stroke)는 네트워크 구조에서 같은 방향성과 속성을 가진 인접한 링크들로 구성된 링크들의 집합으로서, 두 링크가 만나는 교점에서 이루는 편각이 일정각도 이하이면 같은 방향성을 가진다고 판단하는 것을 특징으로 한다.
여기서, 상기 b-6) 단계에서 상기 재구조화된 네트워크 데이터에 대하여 위계 및 폭 정보를 병합된 객체 내에서 평균하거나 최빈값 또는 중앙값으로 입력하고, 각 스트로크 객체의 길이는 병합된 객체의 길이들을 총합하여 입력할 수 있다.
여기서, 상기 c) 단계에서 축척별 수치지형도에 대하여 각 축척 간의 네트워크 객체 매칭쌍을 탐색하여 두 개의 축척 지도자료에 동시에 존재하는 객체를 선택 객체 그룹으로 분류하고, 하나의 축척 지도자료에만 존재하는 객체를 삭제 객체 그룹으로 분류하여 각각 두 그룹에 대한 네트워크 특성값들을 측정할 수 있다.
여기서, 상기 d) 단계에서 선택 객체 그룹과 삭제 객체 그룹의 특성값들의 통계적 분석을 위해 Topfer's radical law를 이용한 객체 선택 개수 기준 분석을 적용하거나 로지스틱 회귀분석을 이용한 특성값과 선택 그룹간의 상관성 분석을 적용할 수 있다.
여기서, 상기 Topfer's radical law를 이용한 객체 선택 개수 기준 분석은 전체 네트워크 객체의 총길이와 선택된 객체 그룹의 네트워크 객체 총길이를 Topfer's radical law에 적용하여 네트워크 객체 클래스에 대한 심볼계수(
Figure 112013047218370-pat00001
)를 하기 수학식과 같이 계산하되,
Figure 112013047218370-pat00002
, 여기서,
Figure 112013047218370-pat00003
는 결과 지도의 객체 수,
Figure 112013047218370-pat00004
는 입력 지도의 객체 수,
Figure 112013047218370-pat00005
는 심볼계수,
Figure 112013047218370-pat00006
는 입력 지도의 축척계수,
Figure 112013047218370-pat00007
는 결과 지도의 축척계수를 나타내며, 상기
Figure 112013047218370-pat00008
에 선택된 객체 그룹의 객체 총길이, 상기
Figure 112013047218370-pat00009
에 전체 객체 총길이, 상기
Figure 112013047218370-pat00010
에는 대축척 수치지형도의 축척계수, 상기
Figure 112013047218370-pat00011
에 소축척 수치지형도의 축척계수를 입력하면, 선택된 객체 그룹에 대한 심볼계수(
Figure 112013047218370-pat00012
)를 도출하는 것을 특징으로 한다.
여기서, 상기 로지스틱 회귀분석을 이용한 특성값과 선택 객체 그룹 및 삭제 객체 그룹 간의 상관성 분석은, 네트워크 객체의 다양한 특성값들과 상기 "선택 객체"와 "삭제 객체" 그룹 간의 상관분석을 실시하여 특성값들 중에서 선택된 객체 그룹 및 삭제된 객체 그룹의 상관성을 분석할 수 있다.
여기서, 상기 로지스틱 회귀분석은 독립변수의 선형결합을 이용하여 사건의 발생확률을 예측하는 Logit 모형을 적용하여 각 객체의 특성값들과 구분된 그룹 간의 상관성 분석하며, 상기 Logit 모형은 다음의 수학식에 의해 구해지고,
Figure 112013047218370-pat00013
, 여기서,
Figure 112013047218370-pat00014
는 종속변수,
Figure 112013047218370-pat00015
는 독립변수,
Figure 112013047218370-pat00016
는 종속변수가 1이 될 확률(Probability),
Figure 112013047218370-pat00017
는 기대값(Expectation),
Figure 112013047218370-pat00018
는 각 독립변수에 대한 회귀계수를 나타내며, 이러한 로지스틱 회귀분석을 통해서 도출된 각 특성값에 따른 회귀계수들을 상기 수학식에 다시 대입하면 네트워크 객체가 소축척으로 일반화될 때 선택될 확률을 계산할 수 있는 선택확률함수(SPF)가 되는 것을 특징으로 한다.
여기서, 상기 선택확률함수(SPF) 값은 0~1 사이의 값을 갖고, 목표 선형 총길이(
Figure 112013047218370-pat00019
)를 이용하여 선택확률함수(SPF) 값의 임계치를 구한 후, 상기 선택확률함수(SPF) 값의 임계치보다 크면 "선택"되고, 상기 선택확률함수(SPF) 값의 임계치보다 작으면 "삭제"하는 것을 특징으로 한다.
본 발명에 따르면, 대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 네트워크 객체의 선택 및 삭제에 영향을 미치는 다양한 속성요소간의 상관성 또는 선택 결과에 미치는 상대적 영향력을 정량적으로 분석하고, 이를 선택 및 삭제 규칙에 적용할 수 있다.
본 발명에 따르면, 대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 네트워크 데이터에 대한 축척별 모델을 생성하는 과정을 자동화함으로써 지도의 생산과정에서 소요되는 비용과 시간을 기존의 수동편집에 의한 방식에 비해 현저하게 줄일 수 있다.
본 발명에 따르면, 지도제작자의 성향과 관계없이 균질한 지도의 제작이 가능할 뿐만 아니라 지형지물의 속성 또는 도형 정보에 수정사항이 발생하였을 때, 이를 갱신하기 위한 작업량을 최소화할 수 있다.
본 발명에 따르면, 기존의 수치지형도 축척뿐만 아니라 사용자가 원하는 다양한 축척수준의 수치지도를 제작할 수 있어 수치지형도의 활용도를 높일 수 있다.
도 1은 수치지형도의 축척수준을 예시하는 도면이다
도 2는 수치지형도 데이터 및 도로명주소 전자지도의 데이터의 종류를 예시하는 도면이다.
도 3은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 시스템의 구성도이다.
도 4a 내지 도 4c는 각각 네트워크 데이터의 축척수준에 따른 일반화 및 표현 규칙을 예시하는 도면들이다.
도 5는 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법의 동작흐름도이다.
도 6은 도 5에 도시된 전처리 과정을 수행하기 위한 세부 동작흐름도이다.
도 7은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성을 위해 링크 기반으로 되어 있는 네트워크 데이터를 스트로크 기반으로 재구조화하는 과정을 개념적으로 나타내는 도면이다.
도 8a 내지 도 8c는 각각 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 수치지형도 도로중심선과 도로명주소 전자지도 도로구간 데이터의 매칭을 통해 전처리 과정을 적용한 것을 예시하는 도면이다.
도 9는 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 축척별 도로중심선 데이터간의 도로 객체 매칭 결과를 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에 적용되는 Logit 모형에서 쓰는 확률함수를 예시하는 도면이다.
도 11은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 SPF와 선형길이에 대한 누적함수와 목표 선형 총길이를 이용하여 SPF 임계치를 산정하는 과정을 나타내는 도면이다.
도 12a 내지 도 12c는 각각 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 도출한 SPF 임계치를 적용하여 목표 축척수준에 따라 네트워크 객체를 선택 또는 삭제한 결과를 예시적으로 나타내는 도면들이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 3은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 시스템의 구성도이다.
도 3을 참조하면, 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 시스템은, 자료 입력부(110), 전처리 수행부(120), 객체 매칭 및 특성값 측정부(130), 특성값 통계적 분석부(140) 및 선택 및 삭제 모델 적용부(150)를 포함한다.
여기서, 상기 자료 입력부(110)는 수치지형도 네트워크 객체 추출부(111), 도로명주소 네트워크 객체 추출부(112) 및 목표 축척수준 설정부(113)를 포함하며, 이때, 상기 수치지형도 네트워크 데이터는 도로, 하천 및 철도 레이어일 수 있지만, 본 발명의 실시예에서는 도로인 경우에 대해 예시적으로 설명하며, 수치지형도 네트워크 데이터가 도로중심선이고, 도로명주소 전자지도의 데이터는 도로구간인 것으로 설명하기로 한다.
또한, 상기 전처리 수행부(120)는, 좌표체계 변환부(121), 버퍼(122), 공간 조인부(123), 속성 스키마 조정부(124), 스트로크 재구조화부(125) 및 속성값 정리부(126)를 포함할 수 있다.
본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 시스템은, 프로그램 언어를 통해 직접 알고리즘을 코딩한 프로그램 또는 상용프로그램(ArcGIS 등)이 설치된 컴퓨터로서, 중앙처리장치(CPU), 메인 메모리, 입력장치 및 출력장치 등을 포함하여 구현될 수 있지만, 이에 국한되지 않고 다축척 모델 생성 과정을 수행할 수 있다면 다른 장치여도 무방하다.
자료 입력부(110)는 수치지형도의 축척별 데이터 및 도로명주소 전자지도로부터 네트워크 데이터인 네트워크 객체를 각각 추출하여 입력하고, 목표 축척수준을 설정한다. 예를 들면, 상기 자료 입력부(110)는 수치지형도 축척별 데이터가 저장된 수치지형도 DB(210)로부터 네트워크 데이터인 네트워크 객체를 추출하여 입력하고, 도로명주소 전자지도가 저장된 도로명주소 전자지도 DB(220)로부터 네트워크 데이터인 네트워크 객체를 추출하여 입력하며, 목표 축척수준을 설정 입력한다. 예를 들면, 네트워크 객체가 도로인 경우, 상기 자료 입력부(110)의 수치지형도 네트워크 객체 추출부(111)는 수치지형도 DB(210)에 저장된 수치지형도 축척별 데이터로부터 네트워크 객체인 도로중심선을 추출하여 입력하고, 상기 자료 입력부(110)의 도로명주소 네트워크 객체 추출부(112)는 도로명주소 전자지도 DB(220)에 저장된 도로명주소 전자지도로부터 도로구간을 추출하여 입력하며, 상기 자료 입력부(110)의 목표 축척수준 설정부(113)에서 목표 축척수준을 설정한다.
전처리 수행부(120)는 상기 도로명주소 전자지도를 기준으로 하여 상기 수치지형도의 네트워크 객체에 대한 네트워크 링크들을 재구조화하고, 상기 네트워크 객체에 대한 속성값을 정제하는 전처리 과정을 수행한다.
구체적으로, 상기 전처리 수행부(120)의 좌표체계 변환부(121)는 상기 도로명주소 전자지도의 도로구간, 하천, 철도 등의 네트워크 데이터를 상기 수치지형도에 대응하는 좌표로 변환한다. 또한, 상기 전처리 수행부(120)의 버퍼(122)는 상기 도로명주소 전자지도의 네트워크 데이터의 버퍼링을 위해 적절한 크기로 적용된다. 또한, 상기 전처리 수행부(120)의 공간 조인부(123)는 상기 도로명주소 전자지도 네트워크 데이터의 버퍼영역과 상기 수치지형도의 네트워크 레이어에 대하여 공간조인(Spatial Join)을 수행하여, 상기 수치지형도 네트워크 객체를 공간적으로 포함하고 있는 버퍼 객체를 매칭시키고, 그에 해당하는 도로명주소 전자지도 네트워크 데이터의 속성값들을 해당 수치지형도 네트워크 객체의 속성값에 대응하도록 수정한다. 또한, 상기 전처리 수행부(120)의 속성 스키마 조정부(124)는 상기 공간 조인 결과에 따라 상기 도로명주소 전자지도 네트워크 데이터의 속성값 및 상기 수치지형도 네트워크 객체의 속성값으로 이루어진 두 데이터로부터 합쳐진 속성 스키마를 단일한 스키마로 조정한다. 또한, 상기 전처리 수행부(120)의 스트로크 재구조화부(125)는 상기 수치지형도의 네트워크 데이터로부터 중심선을 추출하여 스트로크 단위로 재구조화한다. 또한, 상기 전처리 수행부(120)의 속성값 정리부(126)는 상기 재구조화된 네트워크 데이터에 대하여 각각의 속성값을 정리한다.
객체 매칭 및 특성값 측정부(130)는 상기 수치지형도의 축척별 데이터에 대하여 각 축척간의 네트워크 객체 매칭쌍을 탐색하여 선택 객체 그룹 및 삭제 객체 그룹으로 분류하고, 상기 선택 객체 그룹 및 삭제 객체 그룹 각각에 대한 네트워크 특성값들을 측정한다.
특성값 통계적 분석부(140)는 상기 선택 객체 그룹 및 삭제 객체 그룹의 네트워크 특성값들을 역공학(Reverse engineering) 방식을 통해 통계적으로 분석하고, 상기 네트워크 객체에 대한 선택 및 삭제 기준들을 각각 추출한다.
선택 및 삭제 모델 적용부(150)는 상기 추출된 선택 및 삭제 기준들을 상기 수치지형도에 적용하여 상기 목표 축척수준에 따른 다축척 네트워크 데이터셋(Dataset)을 생성한다.
본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 시스템에 따르면, 대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 도로, 하천 및 철도와 같은 네트워크 형태의 데이터에 대하여 축척별 수치지형도(Digital Topographic Map)를 상호 비교하여 목표 축척수준에 따른 네트워크 선택(Selection) 및 삭제(Elimination) 기준들을 역공학(Reverse Engineering) 방식으로 추출한 후, 추출된 네트워크 선택 및 삭제 기준들을 수치지형도에 적용함으로써 다축척의 네트워크 모델을 생성할 수 있다. 즉, 네트워크 객체의 선택 및 삭제에 영향을 미치는 다양한 속성요소간의 상관성 또는 선택 결과에 미치는 상대적 영향력을 정량적으로 분석하고, 이를 선택 및 삭제 규칙에 적용하게 된다.
한편, 도 4a 내지 도 4c는 각각 네트워크 데이터의 축척수준에 따른 일반화 및 표현 규칙을 예시하는 도면들로서, 도 4a는 네트워크 데이터가 도로인 경우의 표현 규칙을 나타내며, 도 4b는 네트워크 데이터가 하천인 경우의 표현 규칙을 나타내고, 도 4c는 네트워크 데이터가 철도인 경우의 표현 규칙을 나타낸다.
일반적으로, 전술한 지도 일반화 과정은 선택 및 삭제 연산자, 병합 연산자 및 단순화 연산자를 각각의 객체 클래스에 따라 적절히 조합하여 적용할 수 있다. 이때, 지도의 표현은 가독성을 해치지 않고 지도의 최소 위치정확도를 보존하는 범위 내에서 최대한 단순하고 정리된 선형 형태로 가공되며 지도학적 오류를 최소화하는 것을 원칙으로 한다. 예를 들면, 이러한 일반화 과정은 기본적으로 ArcGIS 10.0 SW(소프트웨어)의 도구박스(Toolbox)와 모델 빌더(model builder)를 이용하여 구현될 수 있는데, 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서는 선택 및 삭제 연산자가 가장 중요한 역할을 하므로, 이를 기준으로 설명하기로 한다.
먼저, 도 4a는 축척수준에 따른 도로 데이터에 대한 일반화 규칙을 정리한 것을 나타낸다. 이러한 도로 데이터(또는 교통 데이터)는, 도 2에 도시된 바와 같이, 도로명주소 전자지도의 "실폭도로"," 도로구간", "터널", "교량", "자동차전용도로", "고가도로", "지하차도" 레이어를 기본으로 하고 있다. 이러한 도로 데이터는, 예를 들면, 1/1,000 축척수준에서는 실폭도로 레이어를 그대로 이용하고, 그 이하의 축척수준에서는 도로구간 데이터의 속성정보인 도로폭 정보를 이용하여 버퍼를 수행하여 실폭도로 데이터를 형성할 수 있다. 이때, 축척별 도로 데이터를 구축하기 위해 도로의 위계구분(GRADE_SE), 도로위계 기능구분(GRADE_SE), 도로구간 종속구분(RD_IN_SE), 도로구간 종속구분(RD_IN_SE) 및 도로폭 정보(RD_BT)를 이용하여 축척수준에 맞게 선택 및 삭제 연산자를 수행할 수 있다. 또한, 터널과 교량 데이터는 수치지형도 1/5,000 데이터로부터 가져와서 병합하였다. 뿐만 아니라, 1/1,000 축척수준에서 보다 세밀한 도로의 표현을 위해 민간 내비게이션 업체인 SK C&C에서 제작한 네트워크 데이터 중 "단지 내 도로" 데이터를 추출하여 추가하였다.
또한, 도 4b는 축척수준에 따른 하천 데이터에 대한 일반화 규칙을 정리한 것을 나타낸다. 이러한 하천 데이터(또는 수계 데이터)는 상기 도로명주소 전자지도의 "하천호수" 레이어를 기본자료로 이용한다. 이때, 같은 개체명을 가지고 있고, 인접해 있으나 다른 개체로 분리되어 있는 경우는 병합 연산자를 적용해서 하나의 개체로 만들 수 있다. 또한, 축척별 일반화를 위해 하천망 개체의 평균 폭과 길이를 이용하여 중요도를 계산한 후, 축척별로 중요도가 낮은 개체를 삭제해주는 방식을 적용할 수 있다. 또한, 하천의 경계에 표현되어 있는 굴곡 중에서 폭이 좁고 긴 굴곡을 제거하기 위해 선형 단순화 알고리듬인 Bend Simplify 알고리듬 및 Douglas-Peucker 알고리듬을 적용하고, 동시에 하천경계 내에 표현된 하도 중 크기가 작은 하도들을 제거하기 위해 폴리곤 제거 알고리듬을 적용한다. 이때, 축척수준에 따른 하천 데이터 중요도의 임계치 기준과 선형 단순화 알고리듬 임계치, 그리고 하도 폴리곤 제거 임계치는 같은 값을 갖는다.
또한, 도 4c는 축척수준에 따른 철도 및 지하철 데이터에 대한 일반화 규칙을 정리한 것을 나타낸다. 이러한 철도 및 지하철 데이터는 상기 도로명주소 전자지도에서 "지하철선로", "지하철역사", "철도선로" 및 "철도역사" 레이어를 추출하여 기본자료로 이용할 수 있다. 이때, 추출한 레이어는 특별히 일반화 연산자를 적용하지는 않고, 축척수준에 따라 표현 유무만을 결정할 수 있다.
전술한 도 4a 내지 도 4c에 도시된 도로, 하천 및 철도에 대한 네트워크 데이터가 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에 적용될 수 있지만, 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서는 네트워크 데이터가 도로인 경우를 중심으로 설명하기로 한다.
[수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법]
도 5는 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법의 동작흐름도이고, 도 6은 도 5에 도시된 전처리 과정을 수행하기 위한 세부 동작흐름도이다.
도 5 및 도 6을 참조하면, 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법은, 먼저, 수치지형도 축척별 데이터 및 도로명주소 전자지도로부터 네트워크 데이터를 추출하여 입력하고, 목표 축척수준을 설정하여 입력한다(S110). 구체적으로, 도 3에 도시된 자료 입력부(110)에 의해 도로명주소 전자지도와 여러 축척의 수치지형도를 입력자료로 하여 컴퓨터의 메인 메모리에 입력되면, 중앙처리장치는 상기 메인 메모리에 저장된 입력자료로부터 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성을 위해 주로 사용되는 도로, 하천, 철도 레이어에 관한 지형지물 레이어(Layer)만을 추출한다. 이때, 상기 목표 축척수준 설정부(113)는 수치지형도 도로, 하천, 철도 레이어를 다양한 축척으로 사상하기 위해서 상기 입력자료를 일반화하고자 하는 일정 개수의 목표 축척수준을 설정하여 입력하며, 상기 일정 개수의 목표 축척수준은 사용자인 전문가의 판단에 의해 지정할 수 있다.
다음으로, 도로명주소 전자지도를 보조데이터로 활용하여, 교차점 단위로 분절되어 있는 수치지형도의 네트워크 링크들을 스트로크(Stroke) 단위로 재구조화하고, 각 네트워크 객체에 대하여 속성값이 누락되거나 잘못 기입된 부분들을 정제하는 전처리 과정을 수행한다(S120).
구체적으로, 도 6을 참조하면, 전처리 과정(S120)은 좌표체계 변환 단계(S121), 버퍼링 단계(S122), 공간 조인 단계(S123), 속성 스키마 조정 단계(S124), 스트로크 재구조화 단계(S125) 및 속성값 정리 단계(S126)로 이루어질 수 있다.
먼저, 전술한 바와 같이 수치지형도 네트워크 객체 추출 단계(S111)에서 네트워크 객체가 추출되고, 도로명주소 전자지도 네트워크 객체 추출 단계(S112)에서 네트워크 객체가 추출되면, 상기 좌표체계 변환 단계(S121)는, 상기 도로명주소 전자지도의 도로구간, 하천, 철도 등의 네트워크 데이터를 수치지형도에 대응하는 좌표로 변환한다. 예를 들면, 상기 수치지형도(ver. 2.0) 데이터는 GRS80 타원체, TM 투영(투영원점: 127°E 38°N, false easting: 200,000, false northing: 500,000)으로 도화되어 있지만, 상기 도로명주소 전자지도는 UTM-K 좌표계, 즉, Bessel 타원체, TM 투영(투영원점: 127.5°E 38°N, false easting: 1,000,000, false northing: 2,000,000)으로 도화되어 있기 때문에, 상기 도로명주소 전자지도의 네트워크 데이터를 상기 수치지형도에 대응하는 좌표체계로 변환한다. 이러한 좌표체계의 변환은 당업자에게 자명하므로 상세한 설명은 생략한다.
이후, 상기 버퍼링 단계(S122)는 상기 도로명주소 전자지도의 네트워크 데이터에 적절한 크기의 버퍼를 적용한다. 이때, 버퍼의 크기는 상기 네트워크 데이터의 버퍼영역 내에 상기 수치지형도의 네트워크 레이어(예를 들면, 도로중심선, 하천중심선, 철도중심선 등)의 대부분이 포함될 수 있을 정도가 되어야 하는데, 예를 들면, 5~10m 정도의 수치를 적용할 수 있다.
이후, 상기 공간 조인 단계(S123)는 전술한 버퍼링 단계(S122)에서 도출된 상기 도로명주소 전자지도 네트워크 데이터의 버퍼영역과 상기 수치지형도의 네트워크 레이어에 대하여 공간조인(Spatial Join)을 수행함으로써, 상기 수치지형도 네트워크 객체를 공간적으로 포함하고 있는 버퍼 객체를 매칭시키고, 그에 해당하는 도로명주소 전자지도 네트워크 데이터의 속성값들(예를 들면, 명칭, 위계, 폭, 길이 등)로 해당 수치지형도 네트워크 객체의 속성값을 수정한다. 예를 들면, 상기 수치지형도 네트워크 객체가 두 개의 도로명주소 전자지도 네트워크 버퍼 객체에 걸쳐있다면, 두 객체의 속성값들을 평균하여 평균값을 선택하거나 임의로 하나의 값을 선택할 수 있다.
이후, 상기 속성 스키마 조정 단계(S124)는 전술한 공간 조인 단계(S123)에서 도출된 조인 결과에 대하여 두 데이터로부터 합쳐진 속성 스키마를 단일한 스키마로 조정한다. 예들 들면, 도로폭에 대한 두 데이터로부터의 속성값들, 예를 들면, 상기 수치지형도 도로중심선에서는 "도로폭" 필드이고, 상기 도로명주소 전자지도 도로구간에서는 "ROAD_BT" 필드를 하나의 필드로 모으는데, 이때, 상기 도로폭에 대한 값이 수치지형도나 도로명주소 전자지도 데이터에 따라 다를 경우, 도로구간 쪽의 도로폭 정보가 더 최신이라고 보고 이에 맞게 도로폭 속성값을 수정한다. 다른 속성 필드에 대해서도 유사한 방식으로 속성 스키마 조정 작업을 수행한다. 여기서, 도로구간 쪽의 도로폭 정보가 더 최신이라고 보는 이유는 상기 도로명주소 전자지도의 데이터 갱신기간이 상기 수치지형도의 데이터 갱신기간보다 최근이기 때문이다.
이후, 상기 스트로크 재구조화 단계(S125)는 상기 수치지형도에서 추출한 네트워크 중심선 데이터, 예를 들면, 도로중심선, 하천중심선, 철도중심선 등을 스트로크 단위로 재구조화한다. 여기서, 상기 스트로크(Stroke)는 네트워크 구조에서 같은 방향성과 속성을 가진 인접한 링크들로 구성된 링크들의 집합을 말한다. 예를 들면, 두 링크가 만나는 교점에서 이루는 편각이 일정각도 이하이면 같은 방향성을 가진다고 판단할 수 있으며, 동시에 속성정보, 예를 들면, 위계, 폭 등이 일정 범위 내에서 유사한 값을 가지면, 두 링크는 동일한 스트로크로 인식할 수 있다. 이러한 과정을 반복해서 모든 링크에 적용하면, 모든 네트워크 데이터를 스트로크 단위로 재구조화할 수 있다.
구체적으로, 도 7은 링크 기반으로 되어 있는 네트워크 데이터를 스트로크 기반으로 재구조화하는 과정을 개념적으로 나타낸 도면으로서, 도 7의 a)는 노드-링크 기반으로 되어 있는 네트워크 데이터이며, 각각의 점이 노드를 나타내고, 점과 점을 잇는 선(A1~A6)이 네트워크 링크를 나타낸다. 또한, 도 7의 b)는 몇 개의 링크가 하나의 스트로크로 모아진 결과(B1~B3)를 나타내며, 이때, 양끝이 화살표로 된 하나의 선이 하나의 스트로크를 나타낸다. 즉, A1 및 A2 링크는 B1 스트로크로 모아지고, A3, A4 및 A5 링크는 B2 스트로크로 모아지며, A6 링크는 B3 스트로크가 된다.
이후, 상기 속성값 정리 단계(S126)는 상기 재구조화된 네트워크 데이터에 대하여 속성값을 정리하는데, 예를 들면, 위계, 폭 정보를 병합된 객체 내에서 평균하거나 최빈값, 중앙값 등으로 입력하고, 각 스트로크 객체의 길이는 병합된 객체의 길이들을 총합하여 입력한다. 이때, 위계 정보는 명목척도로 부여되어 있는 경우가 많은데, 통계분석을 위해 서열척도를 부여한다. 예를 들면, 수치지형도 1/5,000의 지형지물 속성목록에 따르면, 도로구분은 고속국도, 일반국도, 지방도, 면리간도로, 소로 및 미분류(특별시/광역시도, 시도, 군도)로 구분하고 있는데, 가장 하위단계인 "소로"에 1을 부여하고, "면리간도로"에 2를 부여하며, "미분류"에 3을 부여하고, "지방도"에 4를 부여하며, "일반국도"에 5를 부여하고, "고속국도"에 6의 값을 각각 부여할 수 있다.
예를 들면, 도 8a 내지 도 8c는 각각 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 수치지형도 도로중심선과 도로명주소 전자지도 도로구간 데이터의 매칭을 통해 전처리 과정을 적용한 것을 예시하는 도면이다. 도 8a에 도시된 바와 같이, 수치지형도의 제1 도로중심선(310) 및 수치지형도의 제2 도로중심선(320)으로 이루어진 수치지형도의 도로중심선과 도로명주소 전자지도 도로구간(330) 데이터에 도로구간 버퍼 폴리곤(400)을 적용하면, 도 8b에 도시된 바와 같이, 도로구간과 매칭된 도로중심선이 추출되고, 이에 따라 도 8c에 도시된 바와 같이, 재구조화된 도로중심선(340)이 될 수 있다.
다음으로, 도 5를 다시 참조하면, 전술한 전처리 과정(S120)이 수행된 후, 축척별 수치지형도에 대하여 각 축척 간의 네트워크 객체 매칭쌍을 탐색하여 두 축척의 지도자료에서 동시에 존재하는 객체와 하나의 축척에서만 존재하는 객체로 각각 구분하고, 두 그룹(두 축척에 동시에 존재하는 객체 그룹 및 하나의 축척에만 존재하는 객체 그룹)에 대한 네트워크 특성값들을 각각 측정한다(S130).
구체적으로, 이러한 S130 단계는 객체 매칭 단계와 특성값 측정 단계로 구분될 수 있다. 여기서, 객체 매칭 단계는 수치지형도의 축척별 지도자료에 대하여 각 지도객체 간의 매칭쌍을 탐색하여 두 축척의 지도자료에서 동시에 존재하는 객체와 대축척 지도에서만 존재하는 객체로 구분한다. 즉, 대축척 지도자료를 일반화한 결과물이 소축척 지도자료라고 가정하고, 일반화 과정에서 삭제된 객체와 삭제되지 않은 객체를 구분하는 것이다. 이러한 매칭쌍 탐색은 먼저, 대축척 수치지형도의 네트워크 경계(예를 들면, 도로경계, 하천경계, 철도경계) 폴리곤과 소축척 수치지형도의 네트워크 중심선(예를 들면, 도로중심선, 하천중심선, 철도중심선) 데이터를 중첩하여 소축척 수치지형도 네트워크 중심선을 포함하고 있는 대축척 수치지형도 네트워크 경계 폴리곤 객체를 추출한다. 이와 같이 추출된 경계선 객체들에 대응되는 대축척 네트워크 중심선 객체들을 "선택된 객체" 그룹, 대응되지 않는 중심선 객체를 "삭제된 객체" 그룹으로 분류한다. 예를 들면, 도 9는 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 축척별 도로중심선 데이터간의 도로 객체 매칭 결과를 나타내는 도면으로서, 도 9에 도시된 바와 같이, 진한 회색 점선은 1/25,000 수치지형도 상의 객체(510)를 나타내며, 검은색 실선은 1/5,000 수치지형도에서 "선택된 객체(520)"을 나타내고, 옅은 회색 실선은 1/5,000 수치지형도 상의 "삭제된 객체(530)"을 나타낸다.
또한, 특성값 측정 단계는 두 그룹(선택된 객체, 삭제된 객체)에 속한 도로 객체들의 특성값들을 계산하는데 있어서 주제적 특성값(예를 들면, 위계, 차선수, 방향 등), 형상적 특성값(예를 들면, 폭, 길이, stroke degree, 굴곡도 등) 및 관계적 특성값(예를 들면, 주요 공공기관과의 이격거리, 일정면적 이상의 공원과 이격거리, 주요 교통시설과의 이격거리 등) 등을 적용할 수 있다. 여기서, stroke degree는 하나의 스트로크 상에 존재하는 교차점의 수이다. 상기 기술한 특성값 이외에도 데이터의 특성과 사용자의 의도에 따라 네트워크 데이터의 속성, 형상, 위계에 대한 다양한 특성값을 추가할 수 있다. 이때, 주제적 특성 중에서 명목척도로 저장된 경우에는 서열척도나 등간척도 등으로 적절히 변환시킨다. 여기서, 통계적으로 유의하지 못하거나 다른 변수와 상관성이 높은 특성값은 통계 분석에서 제외할 수 있다.
다음으로, 도 5를 다시 참조하면, 역공학(Reverse engineering) 방식을 통해서 상기 분류된 두 그룹(두 축척에 동시에 존재하는 객체 그룹 및 하나의 축척에만 존재하는 객체 그룹)의 특성값들을 통계적으로 분석하여 네트워크 객체의 선택 및 삭제를 위한 기준들을 수정하여 추출한다(S140).
구체적으로, S140 단계는 전술한 특성값 측정 단계로부터 도출된 선택된 객체 그룹과 삭제된 객체 그룹의 특성값들을 다양한 통계적 분석을 통하여 네트워크 객체의 선택 및 삭제와 관련된 기준들을 도출한다. 이때, 통계적 분석으로는 Topfer's radical law를 이용한 객체 선택 개수 기준 분석, 로지스틱 회귀분석을 이용한 특성값과 선택 그룹간의 상관성 분석 등을 적용할 수 있다.
예를 들면, Topfer's radical law를 이용한 객체 선택 개수 기준 분석은 전체 네트워크 객체의 총길이와 선택된 객체 그룹의 네트워크 객체 총길이를 Topfer's radical law에 적용하여 네트워크 객체 클래스에 대한 심볼계수를 계산하는 분석법이다. 다음의 수학식 1은 심볼계수를 계산하기 위한 Topfer's radical law에 대한 수학식을 나타낸다.
Figure 112013047218370-pat00020
여기서,
Figure 112013047218370-pat00021
는 결과 지도의 객체 수,
Figure 112013047218370-pat00022
는 입력 지도의 객체 수,
Figure 112013047218370-pat00023
는 심볼계수,
Figure 112013047218370-pat00024
는 입력 지도의 축척계수,
Figure 112013047218370-pat00025
는 결과 지도의 축척계수이다. 여기서,
Figure 112013047218370-pat00026
에 선택된 객체 그룹의 객체 총길이,
Figure 112013047218370-pat00027
는 전체 객체 총길이,
Figure 112013047218370-pat00028
에는 대축척 수치지형도의 축척계수,
Figure 112013047218370-pat00029
에는 소축척 수치지형도의 축척계수를 입력하면, 선택된 객체 그룹에 대한 심볼계수(
Figure 112013047218370-pat00030
)를 도출할 수 있다.
또한, 로지스틱 회귀분석을 이용한 특성값과 선택 객체 그룹 및 삭제 객체 그룹 간의 상관성 분석은, 네트워크 객체의 다양한 특성값들과 상기 "선택된 객체"와 "삭제된 객체" 그룹 간의 상관분석을 실시하여 특성값들 중에서 선택된 객체 그룹 및 삭제된 객체 그룹의 상관성을 분석한다. 여기서, 특성값들과 그룹 간의 관계를 분석하여 그룹을 분류하는 방법론으로는, 다중회귀모형, 다기준 의사결정 방법론, 기계학습(machine learning) 또는 데이터마이닝(data mining) 분야의 분류(classification) 알고리듬을 이용한 방법 등을 적용할 수 있다.
본 발명의 실시예에서는 분석 방법 중에서 계량경제학 분야에서 주로 쓰이는 정성적 반응 회귀모형을 적용하였다. 이러한 정성적 반응 회귀모형은 피회귀변수(종속변수)가 이분적 변수(예를 들면, 상품의 구입의사 여부, 안건에 대한 찬성 또는 반대 여부 등이며 1 또는 0의 값으로 표현됨)이고, 그와 관련된 다양한 독립변수가 있을 때, 각 독립변수의 값에 따라 피회귀변수가 1이 될 확률을 구하는 확률모형이다. 이러한 분석 방법에는 선형확률모형(Linear Probability Model: LPM), Logit 모형, Probit 모형, Tobit 모형 등이 있다. 이 중에서, 본 발명의 실시예에서는 Logit 모형을 적용하여 각 객체의 특성값들과 구분된 그룹 간의 상관성을 분석한다.
구체적으로, 상기 Logit 모형은 독립변수의 선형결합을 이용하여 사건의 발생가능성(발생확률)을 예측하는데 사용되는 통계기법으로서, 로지스틱 회귀분석(Logistic regression)이라고도 불린다. 즉, 종속변수가 1이 될 확률을 표현하는데 있어서 선형확률모형(LPM)이 직선 형태의 확률함수를 가지는데 반해서, 상기 Logit 모형은 누적확률함수 형태에 가까운 비선형 확률함수를 가지기 때문에 종속변수(Y)의 설명력이 높다는 장점이 있다. 또한, 이러한 Logit 모형은 독립변수로 연속형 변수와 범주형 변수를 동시에 사용할 수 있기 때문에 네트워크 데이터의 특성값인 폭, 길이, 위계 등을 독립변수로 적용하는 데에도 적정하다고 할 수 있다.
도 10은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에 적용되는 Logit 모형에서 쓰는 확률함수를 예시하는 도면이다. 다음의 수학식 2는 Logit 모형에 대한 계산식이다.
Figure 112013047218370-pat00031
이때,
Figure 112013047218370-pat00032
는 종속변수,
Figure 112013047218370-pat00033
는 독립변수,
Figure 112013047218370-pat00034
는 종속변수가 1이 될 확률(Probability),
Figure 112013047218370-pat00035
는 기대값(Expectation),
Figure 112013047218370-pat00036
는 각 독립변수에 대한 회귀계수이다. 이러한 회귀분석을 통해서 도출된 각 특성값에 따른 회귀계수들을 위 식에 다시 대입하면 네트워크 객체가 소축척으로 일반화될 때 선택될 확률을 계산할 수 있는 계산식, 즉, 선택확률함수(selection probability function: 이하 "SPF")가 된다.
다음으로, 도 5를 다시 참조하면, 상기 추출된 네트워크 객체 각각에 대한 선택 및 삭제 기준들을 대상 수치지형도에 적용하여 목표 축척수준에 따른 다축척 네트워크 데이터셋을 생성한다(S150). 이때, 이러한 일련의 과정은 이를 컴퓨터로 수행하기 위해 프로그램 언어를 통해 직접 알고리즘을 코딩한 프로그램 또는 상용프로그램(ArcGIS 등)에 의해 수행될 수 있다.
구체적으로, S150 단계는 전술한 S140 단계에서 도출된 통계적 분석결과를 이용하여 대축척 수치지형도의 네트워크 중심선 데이터로부터 목표 축척수준의 네트워크 중심선 데이터를 추출하기 위한 선택 및 삭제 모델을 적용한다. 전술한 S140 단계에서 도출된 선택확률함수를 수치지형도의 모든 네트워크 중심선 객체에 적용하여 SPF 값을 측정한다.
전술한 바와 같이 산정된 SPF 값을 바탕으로 하여 목표 축척수준에 대응하여 낮은 확률값을 가지는 객체는 "삭제"하고, 높은 확률값을 가지는 객체는 "선택"해야 한다. 이를 위해서 본 발명의 실시예에서는 Topfer's radical law에 전술한 통계분석 과정에서 도출된 선밀도에 대한 심볼계수(
Figure 112013047218370-pat00037
)를 적용하고, 원자료 축척계수인 입력 지도의 축척계수(
Figure 112013047218370-pat00038
) 및 목표 축척수준의 축척계수인 결과 지도의 축척계수(
Figure 112013047218370-pat00039
)를 대입함으로써, 각 목표 축척수준에 대한 목표 선형 총길이(
Figure 112013047218370-pat00040
), 즉, 결과 지도의 객체 수를 계산할 수 있다. 이후, 입력 지도 객체 각각의 선택확률함수(SPF) 값과 선형길이에 대한 누적함수를 그려서, 목표 선형 총길이가 도출되기 위해 적용되어야 할 SPF 값의 임계치를 누적함수 상에서 역산하여 계산하였다.
예를 들면, 도 11은 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 선택확률함수(SPF)와 선형길이에 대한 누적함수와 목표 선형 총길이(
Figure 112013047218370-pat00041
)를 이용하여 SPF 임계치를 산정하는 과정을 나타내는 도면이다.
도 11을 참조하면, 선택확률함수(SPF) 값은 0~1 사이의 값을 갖고, 상기 목표 선형 총길이(
Figure 112013047218370-pat00042
)를 이용하여 선택확률함수(SPF) 값의 임계치를 구하게 되며, 이에 따라 상기 선택확률함수(SPF) 값의 임계치보다 크면 "선택"되고, 상기 선택확률함수(SPF) 값의 임계치보다 작으면 "삭제"하게 된다. 즉, 이러한 선택확률함수(SPF) 값의 임계치가 선택 및 삭제 기준이 되고, 이러한 선택 및 삭제 기준을 대상 수치지형도에 적용하여 목표 축척수준에 따른 다축척 네트워크 데이터셋을 생성하게 된다.
한편, 도 12a 내지 도 12c는 각각 본 발명의 실시예에 따른 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법에서 도출한 SPF 임계치를 적용하여 목표 축척수준에 따라 네트워크 객체를 선택 또는 삭제한 결과를 예시적으로 나타내는 도면들로서, 도 12a는 1/5,000 축척의 수치지형도 도로중심선(원자료), 도 12b는 1/18,000 축척에 맞게 선택된 도로중심선, 도 12c는 1/72,000 축척에 맞게 선택된 도로중심선을 각각 나타낸다.
결국, 본 발명의 실시예에 따르면, 대축척 수치지형도로부터 소축척의 수치지형도를 생성할 경우, 네트워크 객체의 선택 및 삭제에 영향을 미치는 다양한 속성요소간의 상관성 또는 선택 결과에 미치는 상대적 영향력을 정량적으로 분석하고, 이를 선택 및 삭제 규칙에 적용할 수 있다.
또한, 본 발명의 실시예에 따르면, 수치지형도의 네트워크 데이터에 대한 다축척 모델을 제작할 수 있게 함으로써 웹 또는 모바일 서비스에 있어서 사용자가 수치지형도의 축척을 변화시키면서 지도를 활용할 수 있다.
또한, 본 발명의 실시예에 따르면, 축척별 수치지형도 네트워크 데이터셋을 생성하는 과정을 자동화함으로써 지도의 생산과정에서 소요되는 비용과 시간을 기존의 수동편집에 의한 방식에 비해 현저하게 줄일 수 있다.
또한, 본 발명의 실시예에 따르면, 지도제작자의 성향과 관계없이 균질한 지도의 제작이 가능할 뿐만 아니라 지형지물의 속성 또는 도형 정보에 수정사항이 발생하였을 때, 이를 갱신하기 위한 작업량을 최소화할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110: 자료 입력부
111: 수치지형도 네트워크 객체 추출부
112: 도로명주소 네트워크 객체 추출부
113: 목표 축척수준 설정부
120: 전처리 수행부
121: 좌표체계 변환부
122: 버퍼
123: 공간 조인부
123: 속성 스키마 조정부
125: 스트로크 재구조화부
126: 속성값 정리부
130: 객체 매칭 및 특성값 측정부
140: 특성값 통계적 분석부
150: 선택 및 삭제 모델 적용부
210: 수치지형도 DB
220: 도로명주소 전자지도 DB
310: 수치지형도 제1 도로중심선
320: 수치지형도 제2 도로중심선
330: 도로명주소 전자지도 도로구간
340: 재구조화된 도로중심선
400: 도로구간 버퍼 폴리곤

Claims (15)

  1. a) 자료 입력부가 수치지형도의 축척별 데이터 및 도로명주소 전자지도로부터 네트워크 데이터인 네트워크 객체를 각각 추출하여 입력하고, 목표 축척수준을 설정하는 단계;
    b) 전처리 수행부가 상기 도로명주소 전자지도를 기준으로 하여 상기 수치지형도의 네트워크 객체에 대한 네트워크 링크들을 재구조화하고, 상기 네트워크 객체에 대한 속성값을 정제하는 전처리 과정을 수행하는 단계;
    c) 객체 매칭 및 특성값 측정부가 상기 수치지형도의 축척별 데이터에 대하여 각 축척간의 네트워크 객체 매칭쌍을 탐색하여 선택 객체 그룹 및 삭제 객체 그룹으로 분류하되, 두 개의 축척 지도자료에 동시에 존재하는 객체를 상기 선택 객체 그룹으로 분류하고, 하나의 축척 지도자료에만 존재하는 객체를 상기 삭제 객체 그룹으로 분류하여 상기 선택 객체 그룹 및 삭제 객체 그룹 각각에 대한 네트워크 특성값들을 측정하는 단계;
    d) 특성값 통계적 분석부가 상기 선택 객체 그룹 및 삭제 객체 그룹의 네트워크 특성값들을 역공학(Reverse engineering) 방식을 통해 통계적으로 분석하고, 상기 네트워크 객체에 대한 선택 및 삭제 기준들을 각각 추출하는 단계; 및
    e) 선택 및 삭제 모델 적용부가 상기 추출된 선택 및 삭제 기준들을 상기 수치지형도에 적용하여 상기 목표 축척수준에 따른 다축척 네트워크 데이터셋(Dataset)을 생성하는 단계
    를 포함하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  2. 제1항에 있어서,
    상기 a) 단계의 수치지형도 축척별 데이터는 도로, 하천 및 철도 레이어와 관련된 네트워크 데이터로서 폭, 길이, 방향 및 연결성의 속성을 갖는 폴리라인(Polyline) 데이터로 형성되는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  3. 제1항에 있어서,
    상기 b) 단계의 전처리 과정은, 상기 도로명주소 전자지도를 보조데이터로 활용하여, 교차점 단위로 분절되어 있는 수치지형도의 네트워크 링크들을 스트로크(Stroke) 단위로 재구조화하고, 각 네트워크 객체에 대하여 속성값이 누락되거나 잘못 기입된 부분들을 정제하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  4. 제1항에 있어서, 상기 b) 단계는,
    b-1) 좌표체계 변환부가 상기 도로명주소 전자지도의 네트워크 데이터를 수치지형도에 대응하는 좌표체계로 변환하는 좌표체계 변환 단계;
    b-2) 상기 도로명주소 전자지도의 네트워크 데이터에 버퍼를 적용하는 버퍼링 단계;
    b-3) 공간 조인부가 상기 도로명주소 전자지도 네트워크 데이터의 버퍼영역과 상기 수치지형도의 네트워크 레이어에 대하여 공간조인(Spatial Join)을 수행하여, 상기 수치지형도 네트워크 객체를 공간적으로 포함하고 있는 버퍼 객체를 매칭시키고, 그에 해당하는 도로명주소 전자지도 네트워크 데이터의 속성값들을 해당 수치지형도 네트워크 객체의 속성값에 대응하도록 수정하는 공간 조인 단계;
    b-4) 속성 스키마 조정부가 상기 공간 조인 결과에 따라 상기 도로명주소 전자지도 네트워크 데이터의 속성값 및 상기 수치지형도 네트워크 객체의 속성값으로 이루어진 두 데이터로부터 합쳐진 속성 스키마를 단일한 스키마로 조정하는 속성 스키마 조정 단계;
    b-5) 스트로크 재구조화부가 상기 수치지형도의 네트워크 데이터로부터 중심선을 추출하여 스트로크 단위로 재구조화하는 스트로크 재구조화 단계; 및
    b-6) 속성값 정리부가 상기 재구조화된 네트워크 데이터에 대하여 각각의 속성값을 정리하는 속성값 정리 단계
    를 포함하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  5. 제4항에 있어서,
    상기 b-2) 단계의 버퍼의 크기는 상기 도로명주소 전자지도의 네트워크 데이터의 버퍼영역 내에 상기 수치지형도의 네트워크 레이어인 도로중심선, 하천중심선, 철도중심선이 포함되도록 5~10m 의 수치를 적용하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  6. 제4항에 있어서,
    상기 b-3) 단계는 상기 수치지형도 네트워크 객체가 두 개의 도로명주소 전자지도 네트워크 버퍼 객체에 걸쳐있다면, 두 객체의 속성값들을 평균하여 평균값을 선택하거나 임의로 하나의 값을 선택하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  7. 제4항에 있어서,
    상기 b-4) 단계에서 상기 도로명주소 전자지도 네트워크 데이터의 속성값과 상기 수치지형도 네트워크 객체의 속성값이 상이한 경우, 상기 도로명주소 전자지도 네트워크 데이터의 속성값을 기준으로 상기 수치지형도 네트워크 객체의 속성값을 수정하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  8. 제4항에 있어서,
    상기 b-5)에서 추출되는 중심선은 도로중심선, 하천중심선 및 철도중심선이고, 상기 스트로크(Stroke)는 네트워크 구조에서 같은 방향성과 속성을 가진 인접한 링크들로 구성된 링크들의 집합으로서, 두 링크가 만나는 교점에서 이루는 편각이 일정각도 이하이면 같은 방향성을 가진다고 판단하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  9. 제4항에 있어서,
    상기 b-6) 단계에서 상기 재구조화된 네트워크 데이터에 대하여 위계 및 폭 정보를 병합된 객체 내에서 평균하거나 최빈값 또는 중앙값으로 입력하고, 각 스트로크 객체의 길이는 병합된 객체의 길이들을 총합하여 입력하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  10. 삭제
  11. 제1항에 있어서,
    상기 d) 단계에서 선택 객체 그룹과 삭제 객체 그룹의 특성값들의 통계적 분석을 위해 Topfer's radical law를 이용한 객체 선택 개수 기준 분석을 적용하거나 로지스틱 회귀분석을 이용한 특성값과 선택 그룹간의 상관성 분석을 적용하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  12. 제11항에 있어서,
    상기 Topfer's radical law를 이용한 객체 선택 개수 기준 분석은 전체 네트워크 객체의 총길이와 선택된 객체 그룹의 네트워크 객체 총길이를 Topfer's radical law에 적용하여 네트워크 객체 클래스에 대한 심볼계수(
    Figure 112013047218370-pat00043
    )를 하기 수학식과 같이 계산하되,
    Figure 112013047218370-pat00044

    여기서,
    Figure 112013047218370-pat00045
    는 결과 지도의 객체 수,
    Figure 112013047218370-pat00046
    는 입력 지도의 객체 수,
    Figure 112013047218370-pat00047
    는 심볼계수,
    Figure 112013047218370-pat00048
    는 입력 지도의 축척계수,
    Figure 112013047218370-pat00049
    는 결과 지도의 축척계수를 나타내며, 상기
    Figure 112013047218370-pat00050
    에 선택된 객체 그룹의 객체 총길이, 상기
    Figure 112013047218370-pat00051
    에 전체 객체 총길이, 상기
    Figure 112013047218370-pat00052
    에는 대축척 수치지형도의 축척계수, 상기
    Figure 112013047218370-pat00053
    에 소축척 수치지형도의 축척계수를 입력하면, 선택된 객체 그룹에 대한 심볼계수(
    Figure 112013047218370-pat00054
    )를 도출하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  13. 제11항에 있어서,
    상기 로지스틱 회귀분석을 이용한 특성값과 선택 객체 그룹 및 삭제 객체 그룹 간의 상관성 분석은, 네트워크 객체의 다양한 특성값들과 상기 "선택 객체"와 "삭제 객체" 그룹 간의 상관분석을 실시하여 특성값들 중에서 선택된 객체 그룹 및 삭제된 객체 그룹의 상관성을 분석하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  14. 제13항에 있어서,
    상기 로지스틱 회귀분석은 독립변수의 선형결합을 이용하여 사건의 발생확률을 예측하는 Logit 모형을 적용하여 각 객체의 특성값들과 구분된 그룹 간의 상관성 분석하며, 상기 Logit 모형은 다음의 수학식에 의해 구해지고,
    Figure 112013047218370-pat00055

    여기서,
    Figure 112013047218370-pat00056
    는 종속변수,
    Figure 112013047218370-pat00057
    는 독립변수,
    Figure 112013047218370-pat00058
    는 종속변수가 1이 될 확률(Probability),
    Figure 112013047218370-pat00059
    는 기대값(Expectation),
    Figure 112013047218370-pat00060
    는 각 독립변수에 대한 회귀계수를 나타내며, 이러한 로지스틱 회귀분석을 통해서 도출된 각 특성값에 따른 회귀계수들을 상기 수학식에 다시 대입하면 네트워크 객체가 소축척으로 일반화될 때 선택될 확률을 계산할 수 있는 선택확률함수(SPF)가 되는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
  15. 제14항에 있어서,
    상기 선택확률함수(SPF) 값은 0~1 사이의 값을 갖고, 목표 선형 총길이(
    Figure 112013047218370-pat00061
    )를 이용하여 선택확률함수(SPF) 값의 임계치를 구한 후, 상기 선택확률함수(SPF) 값의 임계치보다 크면 "선택"되고, 상기 선택확률함수(SPF) 값의 임계치보다 작으면 "삭제"하는 것을 특징으로 하는 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법.
KR1020130060286A 2013-05-28 2013-05-28 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 KR101475359B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130060286A KR101475359B1 (ko) 2013-05-28 2013-05-28 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130060286A KR101475359B1 (ko) 2013-05-28 2013-05-28 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법

Publications (2)

Publication Number Publication Date
KR20140139782A KR20140139782A (ko) 2014-12-08
KR101475359B1 true KR101475359B1 (ko) 2014-12-22

Family

ID=52457919

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130060286A KR101475359B1 (ko) 2013-05-28 2013-05-28 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법

Country Status (1)

Country Link
KR (1) KR101475359B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101993739B1 (ko) * 2018-12-07 2019-06-28 주식회사 한국에스지티 지도이미지의 소축척 변환시 중복개체를 효과적으로 표시하는 시스템

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J. M. Wilmer 외 1인, ‘APPLICATION OF THE RADICAL LAW IN GENERALIZATION OF NATIONAL HYDROGRAPHY DATA FOR MULTISCALE MAPPING’, A special joint symposium of ISPRS Technical Commission IV & AutoCarto, 2010.*
J. M. Wilmer 외 1인, 'APPLICATION OF THE RADICAL LAW IN GENERALIZATION OF NATIONAL HYDROGRAPHY DATA FOR MULTISCALE MAPPING', A special joint symposium of ISPRS Technical Commission IV & AutoCarto, 2010. *
Xingjian Liu 외 2인, ‘Road selection based on Voronoi diagrams and strokes in map generalization’, International Journal of Applied Earth Observation and Geoinformation 125, 2010년, pp.194-202*
Xingjian Liu 외 2인, 'Road selection based on Voronoi diagrams and strokes in map generalization', International Journal of Applied Earth Observation and Geoinformation 125, 2010년, pp.194-202 *

Also Published As

Publication number Publication date
KR20140139782A (ko) 2014-12-08

Similar Documents

Publication Publication Date Title
Casali et al. Machine learning for spatial analyses in urban areas: a scoping review
KR101394976B1 (ko) 연속지적도의 다축척 모델 생성 방법
Lin et al. Rapid urban flood risk mapping for data-scarce environments using social sensing and region-stable deep neural network
Qiu et al. Automatic extraction of road networks from GPS traces
CN116778146A (zh) 基于多模态数据的道路信息提取方法及装置
Haag et al. Development of a data model to facilitate rapid watershed delineation
Hofmann et al. Usage of fuzzy spatial theory for modelling of terrain passability
Regnauld* et al. Creating a hydrographic network from its cartographic representation: a case study using Ordnance Survey MasterMap data
CN117036939A (zh) 一种基于图卷积网络的多源数据协同的城市功能区识别方法
Dragicevic et al. Space, time, and dynamics modeling in historical GIS databases: a fuzzy logic approach
KR101475359B1 (ko) 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법
McElwee et al. Real-time analysis of city scale transportation networks in New Orleans metropolitan area using an agent based model approach
Jayasinghe et al. Exploration of expansion patterns and prediction of urban growth for Colombo City, Sri Lanka
Parygin et al. Development the methodology of urban area transport coherence assessment
Pokonieczny et al. Using high resolution spatial data to develop military maps of passability
CN114896353A (zh) 一种地理编码方法、存储介质及系统
Sun et al. Distributive continuous fractal analysis for urban transportation network
Treccani et al. Automating the inventory of the navigable space for pedestrians on historical sites: Towards accurate path planning
Ghosh et al. Graph Theory Applications in Advanced Geospatial Research
Turner et al. Creating a dataset of historic roads in Sydney from scanned maps
Park et al. Generalization of road network using logistic regression
Zou et al. Inertia mutation energy model to extract roads by crowdsourcing trajectories
Germanaitė et al. Case study of spatial pattern description, identification and application methodology
Sayidov et al. Constraint-based approach in geological map generalization
Modinpuroju et al. Planning and evaluation of rural road network connectivity using GIS

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
FPAY Annual fee payment

Payment date: 20171124

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20191203

Year of fee payment: 6