[Cities] Kernel Density를 활용한 공간 밀도 시각화

도시공간 분석이나 범죄·환경 데이터 시각화 등 다양한 분야에서 Kernel Density Estimation (KDE) 은 데이터의 공간 분포를 시각화하는 데 효과적인 도구입니다.

이 글에서는 KDE를 활용해 생성한 Contour Map 분석 사례를 소개하고, 속성 가중치를 반영한 밀도 분석 결과까지 비교합니다.

​

---

1️⃣ 커널 밀도 추정 기반의 Contour Map

먼저, 단순 공간 위치만을 기준으로 생성한 커널 밀도 기반 등치선 지도(Contour Map) 를 확인해볼까요

분석 대상: 평균 -1과 1, 표준편차 0.7을 따르는 정규분포 난수, 사용 커널 함수: Gaussian (기본값)

특징: 점들이 집중된 지역일수록 등고선이 밀집, 전반적인 공간 분포를 직관적으로 확인 가능

이 지도는 단순한 공간적 집중도 분석에 적합하며, 분석의 출발점으로 활용됩니다.

---

2️⃣ 속성 가중치를 반영한 KDE 분석

이번에는 속성 가중치(예: 영향력, 심각도 등) 를 반영한 커널 밀도 분석입니다. 점마다 가중치 z를 부여하여 밀도를 계산했어요.

분석 대상: 평균 2, 표준편차 0.6의 정규분포 난수, 속성: 각 지점마다 가중치(z 값) 부여, 특징:중심부가 더 뚜렷하게 강조, 색상 스케일이 확장되어 미세한 차이도 시각화 가능, 속성의 영향을 반영한 의사결정 지원에 유리합니다.

---

✨ 마무리

Kernel Density는 단순한 위치 분석뿐 아니라, 속성 정보를 함께 고려해

다차원적인 공간 패턴을 도출할 수 있는 강력한 도구입니다.

가중치를 반영한 분석은 정책 결정, 자원 분배, 위험 평가 등 현장 중심의 데이터 기반 의사결정에 활용될 수 있어요.

참고문헌 : 이재길, R 프로그램에 기반한 지리공간 정보 자료 분석, 황소걸음아카데미