분석가과정day2 공간분석과 시각화 slideshare

2015.04.23

대한지적공사 공간정보아카데미

오픈소스GIS 분석가 과정

(주)GIS United

정보린 ([email protected])

박용재 ([email protected])

분석가과정 Day2: 공간분석과 시각화

mailto:[email protected]


사례를 통한 분석 과정 소개

2013년시중은행점포 폐쇄, 신설로보는부동산및 돈의흐름

2014.1

Q) 점포가많이사라지고생겨난지역을분석해보면패턴의특징

이있지않을까요?

Imagine SpatiallyLX 공간정보 아카데미 오픈소스GIS 분석가과정 Day2: 공간분석과 시각화

“가장 많이 없어진 지역은 강남구(9개), 서초구(7개), 성남시(7개), 송파구(6개), 부천시(5개),

가장 많이 생긴 지역은 수원시(8개), 성남시(5개), 강남구(4개), 부산 강서구(4개) 등입니다.”


질문1: 임대료가 비싸고 경쟁이 치열한 지역에 폐점이 집중되지 않았을까?

표준지 공시지가와 은행 폐점 위치 비교


질문2: 폐점 패턴은 주거밀집지와 관계있지 않을까?

아파트 밀집지역과 은행 폐점 위치 비교


경쟁밀도, 표준지공시지가, 주거인구 및 직장인구 비교

은행점포 경쟁밀도 표준지 공시지가

각 점포별 500m 반경내 주거인구 및 직장인 수 비교


대규모 아파트 단지에 인접한 '주거유형'의 점포 수익률이 전반적으로 낮았고, 그 중 하위권에 위치한 점포들 위주로 폐점이 진행된 것으로 추측됨

5,150천4,782천

6,112천

폐점 신설 수도권 전체

표준지공시지가

5.4

4.2

6.3


은행경쟁지수

8,862

12,042

14,431


사업체 종사자수

4,960

1,688

3,708


아파트 세대수

질문1: 임대료가 비싸고 경쟁이 치열한지역에 폐점이 집중되지 않았을까? 신설지역에 비해 폐점지역의평균 표준지공시지가와 경쟁밀도가높긴하나, 수도권 전체와 비교시특징이 드러나지 않음

질문2: 폐점 패턴은 주거밀집지와관계있지 않을까? 폐점 은행 반경 500m 내 아파트세대수는 신설은행 및 수도권 전체은행 대비 월등히 높았고, 사업체종사자의 경우 신설은행이두드러짐(사업체종사자 데이터의구축시기를 고려시 더욱 두드러질수 있음)


강남富村서 사라진 은행들… 산업단지로 몰렸다 동아일보 2014-01-16

○ 부촌에서 은행이 사라졌다

지난해 전국 시군구 가운데 은행 점포가 가장 많이 문을 닫은 곳은 서울 강남구(9개)였고 서초구(7개)와 송파구(6개)가 그 뒤를 이었다. 강남 3구에서도 잠실,

반포, 대치동, 도곡동 등 주거밀집지역 점포가 주로 간판을 내렸다. 경기 성남시에서는 7개 통폐합 점포 중 5개가 분당구였다. (중략)

○ 월급계좌 겨냥한 산업단지 점포 부상

실제로 지난해 신설 점포 상당수는 산업단지에 입주했다. 외환은행은 9개 신설 점포 중 5개를 서울 가산디지털단지 등 산단 지역에 냈다. 경기 수원시(8개),

성남시(5개), 부산 강서구(4개) 등에 신설이 많았지만 이들 지역은 광교신도시 판교신도시 명지국제신도시 개발에 따른 것이라는 분석이 지배적이다. (후략)

동아일보 이상훈 기자 [email protected]

안하늘 인턴기자 고려대 영문학과 4학년


데이터 수집 및 구축방법


통계지리정보서비스 http://sgis.kostat.go.kr/

연도별 행정경계, 센서스 데이터 신청

http://sgis.kostat.go.kr/


관광지식정보시스템 http://www.tour.go.kr/main.asp

주요관광지점 입장객 통계, 관광사업체기초통계조사 등

http://www.tour.go.kr/main.asp


국가통계포털 http://kosis.kr/

시도-시군구-동읍면 기준 다양한 통계정보 수록

http://kosis.kr/


주민등록인구통계 http://rcps.egov.go.kr:8081/jsp/stat/ppl_stat_jf.jsp

시도-시군구-동읍면 단위 최신 주민등록 인구

http://rcps.egov.go.kr:8081/jsp/stat/ppl_stat_jf.jsp


XsDB(인문사회공간DB) http://bigdata.biz-gis.com/

토지, 기업, 교육시설, 은행, 편의점 등 shp파일 제공

http://bigdata.biz-gis.com/


한국스마트카드(T머니) https://www.t-money.co.kr

월별 지하철 및 버스정류장별 승하차인원 제공

https://www.t-money.co.kr/


서울시 열린데이터 광장 http://data.seoul.go.kr/

서울특별시의 여러가지 정보를 sheet, chart, map, open API 등 다양한 형태로 제공

http://data.seoul.go.kr/

서울시 종로구 어린이집 데이터 구축하기


1. 데이터 검색

1) 서울열린데이터광장(http://data.seoul.go.kr/) 접속

2) ‘종로구 어린이집’ 검색

[1-1]

[1-2]

http://data.seoul.go.kr/


2. 데이터 다운로드

1) Dataset 검색결과 ‘종로구 어린이집 시설연락처주소’ 클릭

2) ‘로그인’ 또는 ‘이용약관동의’

3) 데이터 확인 후 ‘xls’ 클릭하여 다운로드

[2-1]

[2-3]

[2-2]


3. 지오코딩 준비

1) geocoding.co.kr 접속 및 회원가입

2) ‘새주소정제/지오코딩’ 탭 클릭

[3-1]

[3-2]


4. 지오코딩 실행

1) “종로구어린이집시설연락처주소.xls” 데이터를 열어 주소데이터 복사

2) ‘새주소정제’ 창에 붙여넣기

[4-1]

[4-2]


5. 지오코딩 실행

5) 정제결과 확인 및 상세다운로드(정제결과_상세.xls)

[5]


6. 지오코딩 결과 붙이기

1) 1행의 국문 필드제목을 삭제

2) “정제결과_상세.xls”의 경도, 위도 컬럼을 “종로구어린이집시설연락처주소.xls”에 추가

3) 경도, 위도의 내용을 드래그 한 후 ‘오류(느낌표)’ 버튼을 눌러 ‘숫자로 변환(C)’ 클릭

4) ‘좌표구분 result’, ‘경도 x’, 위도 y’ 로 변경

[6-2][6-1] 1행 전체 삭제(행번호에서 ‘1’ 우클릭 후 ‘삭제(D)’ 버튼 누름

[6-3] 느낌표 버튼을 눌러 ‘숫자로 변환’ 클릭


7. 정제결과를 ‘탭으로 분리된 텍스트 형식’으로 저장

1) 다른이름으로 저장 텍스트(탭으로 분리)(*.txt) 지정 후 “종로구어린이집.txt” 이름으로 저장

2) 저장 후 뜨는 팝업 창에서 ‘아니오(N)’ 클릭

[7-1]

[7-2]


8. QGIS에서 .txt 데이터 로드

1) 레이어 레이어 추가 구분자로 분리된 텍스트 레이어를 추가

2) 저장한 txt 파일을 불러온 뒤 [파일포맷: 구분자정의 – 탭], [x필드: x], [y필드: y] 점검 후 확인버튼 클릭

[8-1]

[8-2]


9. QGIS에서 .txt 데이터 로드

1) ‘좌표계 선택’ 창에서 [필터]탭에 4326을 기입한 뒤, 아래에서 ‘경위도 좌표계 – WGS84’ 클릭 후 확인 버튼 누름

2) QGIS화면에 데이터가 로드 결과 확인

[9-1]

[9-2]


10. shp파일로 저장하기

1) 레이어 우클릭 후 ‘다른 이름으로 저장’

2) [형식: ESRI Shape 파일]로 지정하고, 좌표계 변환이 필요할 경우 [좌표계] 에서 새로운 좌표계 선택

3) [새 이름으로 저장]에서 원하는 위치와 이름을 지정한 뒤 ‘확인’버튼 클릭

[10-1] [10-2]

실습1: 서울시 어린이집 부족지역 분석


서울시, 국공립어린이집 확충사업 기본계획 발표 – 동별 최소 2개 확보 2012.02.20


어린이집 부족지역 분석을 위한 네가지 질문 & Dataset

1. 분석을 위한 네가지 질문

• 영유아 인구가 많은 지역은 어디인가?• 영유아 인구 대비 국공립어린이집이 부족한 지역은 어디인가?• 상대적으로 소득수준이 낮은 지역을 판별할 수 있는가?• 현재 30대 인구가 증가하고 있는 지역은 어디인가?

2. Dataset

• 서울시 행정동 경계(seoul_emd_epsg5181.shp)• 서울시 행정동별 인구(서울행정동별인구_2012_1분기.xlsx)• 서울시 어린이집 위치 및 수용가능인원(seoul_daycarecenter_epsg5181.shp)• 서울시 행정동별 공동주택 가격집계(seoul_emd_apt_price_epsg5181.shp)• 서울시 발표 어린이집 확충 행정동(seoul_emd_add_location.shp)


분석 프로세스 및 적용되는 QGIS 기능

분석 및 시각화에 적용되는 QGIS 기능• 결합(table join)• 위치에 따라 속성결합(spatial join)• 폴리곤 센트로이드(polygon centroid)• 표현식을 이용하여 객체 선택• 속성테이블 편집• 레이어 라벨 옵션• 스타일 활용• 구성기를 활용한 지도 출력

필수 플러그인(plugin)• Table manager: 속성테이블의 편집을 도와줌• Statist: 벡터 레이어의 기초통계를 조회할 수 있음

1. 분석에 필요한 데이터셋 마련하기

• 결합(table join)• 위치에 따라 속성결합(spatial join)• 추가 플러그인: Table manager

2. 현황을 살펴보기 위한 기초적인 지도시각화

• 스타일 활용• 레이어 라벨 옵션• 추가 플러그인: Group stat

3. 취약지를 찾기 위한 데이터 편집 및 시각화

• 속성테이블 편집: 컬럼 추가, 수식 활용• 표현식을 이용한 스타일/라벨 변경

4. 서울시 발표 정책과 비교하기

• 폴리곤 센트로이드(polygon centroid)

5. 슬라이드 작성을 위한 지도출력

• 구성기를 활용한 지도 출력


결합(Table join)

두개 이상의 테이블을 공통된 Key값을 기준으로 연결

레이어 우클릭 속성 결합

지역코드 특징

001 외국인 밀집지

002 설악산, 영랑호 등

003 중국인 관광객이 많음

004 한옥마을

지역코드 지역명

001 이태원

002 속초

003 제주도

004 전주

지역코드 지역명 특징

001 이태원 외국인 밀집지

002 속초 설악산, 영랑호 등

003 제주도 중국인 관광객이 많음

004 전주 한옥마을

Key값


결합(Table join) : 1. shp파일 불러오기

[레이어] – [레이어 추가] - [벡터 레이어 추가]를 클릭하여 서울시 행정동 경계(seoul_emd_epsg5181.shp) 로드


결합(Table join) : 2. .xls 파일을 .txt(또는 .csv) 파일로 저장 후 레이어 로드

“서울행정동별인구_2012_1분기.xlsx” 열기

엑셀에서 [다른이름으로 저장] – [텍스트(탭으로 분리)(*.txt)] 를 클릭하여 저장


결합(Table join) : 3. .txt파일 로드

[레이어] – [레이어 추가] - [구분자로 분리된 텍스트 레이어를 추가]를 클릭

저장한 txt 파일 로드

레이어 이름 지정

[구분자 정의]-[탭]클릭

지오메트가 아님(단지 속성 테이블임) 클릭

지오메트가 아님(단지 속성 테이블임) 클릭

텍스트 인코딩 지정


결합(Table join) : 4. SHP파일과 TXT파일 결합

“seoul_emd_epsg5181” 레이어 우클릭 [속성] [결합] 탭 클릭

[+] 버튼 누른 후 각 항목 설정

[+] 버튼 클릭

Txt파일 레이어 선택

“Txt파일”의 결합 기준이 되는 Key필드 선택

“shp파일”의 결합 기준이 되는 Key필드 선택


결합(Table join) : 5. 결과 확인

“seoul_emd_epsg5181” 레이어 우클릭 [속성테이블 열기(O)] 클릭

Key값이 된 필드 “seoul_emd_epsg5181” 뒤에 붙은 “seoul_pop.txt”레이어의 데이터


table manager

플러그인 중 table manager를 이용하면 기본기능 외에 추가적인 수정이 가능함

특히 지저분한 필드명을 수정하기에 적합

필드순서 조정

필드명 수정

컬럼 추가

컬럼 복제

컬럼 삭제


스타일

지도표현방법을 선택하는 메뉴

데이터 값에 따른 구분, 점-선-면 색상 및 두께 선택 등 지도스타일링


스타일에 앞서… 기본적인 4가지 지도시각화 방식

• Dot – Bubble – Pie (점)

• Choropleth (면)

• Flow (선)

• Heatmap 등 raster


1. dot, bubble: John Snow의 콜레라지도


1. dot + pie: 광주광역시 광산구 중학교별 고등학교 진학 패턴


2. Choropleth map: 영국의 실업률과 폭동, The Guardian

Mapping London Riots


3. Flow map: 인구이동, 택배물류이동

American Migration (source: Forbes) 택배물류이동


3. Flow map: 나폴레옹 군대의 진격과 퇴각


4. Heat map(density map): 부천시 가격대별 공동주택 분포

개발연대: 신도시가 추진되기 이전인 1990년 전에 완공된 주택의 분포는 소사구와 원미구 중간 지대를 축으로서울~인천방향에 밀집되어 있고, 오정구 지역에 높은 밀도를 형성하고 있음. 1991년 이후 완공된 주택은 중동신도시 지역에 최고 밀도를 이루며, 소사구 지역과 오정구 지역에도 지속적인 주택교체 및 확대가 이루어진 것으로 분석됨

공동주택 가격대 분포: 자산의 지리적 편차가 분명하게 드러남. 여타 수도권 대도시가 겪고 있는 현상처럼, 부천시의 발전과정에서도 신도시 개발 이전과 이후의 양상이 분기점을 이룸. 90년대 이전에 보급된 주택밀집지역은기준시가 1억원 미만의 밀도가 높고, 신도시 지역에는 3~4억대가 집중적으로 분포함


4. Heat map(density map) (2): HunchLab (Azavea사의 범죄분석 어플리케이션)


기타. Small multiples: MRI촬영, Growth of Walmart


기타. Small multiples: Drought’s Footprint


스타일: 단계구분도(choropleth map) 그리기 (1)

서울시 행정동별 인구(seoul_emd_pop_epsg5181) 레이어 우클릭 속성 [스타일] 탭 클릭

[컬럼] “단일심볼”을 “단계로 나누어진”으로변경 “y2012_pop” 선택 [분류] 클릭

“y2012_pop”(2012년 총인구) 선택

[분류] 클릭

“단일심볼” “단계로 나누어진”으로변경



[색상표]를 클릭하여 원하는 색상 선택



[클래스] 변경 - 단계의 구분이 더욱 정교해짐



[모드] 변경 – 단계를 구분하는 방식을 설정

등간격 분위수(동일갯수) 내츄럴브레이크(Jenk)

표준편차 프리티브레이크

동일한 간격으로 등급을 구분ex) 8점 단위로 구분하기 92~100점 1등급, 84~91점 2등급

76~83점 3등급…동일한 개수 단위로 등급을 구분Ex) 1~10등 1등급, 11~20등 2등급…

동일한 간격이면서 이해하기 쉬운 숫자단위 사용ex) 91~100점 1등급, 81~90점 2등급

81~90점 3등급…

지도표현시 시각적으로 보다 정확하게 전달되도록등급을 일반화(generalize)하여 구분(자세한 설명은 다음 슬라이드)


스타일: Natural breaks (Jenks)

• Jenks 최적화 알고리듬(Jenks optimal algorithm)은 정량적인 동질성(quantifiable homogenetity)과통계적 클러스터 개념(cluster concept in statistics)을 기초로 한 최적화된 등급화(classification)

방법이라고 증명된 바가 있다.

• 이 방법은 등급(class)의 평균으로부터 각 등급의 평균적인 편차를 최소화하는 동시에, 다른 등급의평균값으로부터 각 등급의 편차를 최대화하는 방법이다. 달리 말하면, 등급 내 값의 분산은 최소화하고,

등급 간 분산은 최대화하는 방법이다.

• The Jenks optimal algorithm has been proven optimal classification because it is based on

quantifiable homogeneity and cluster concept in statistics (Smith 1986, North 2009).

• This is done by seeking to minimize each class’s average deviation from the class mean, while

maximizing each class’s deviation from the means of the other groups. In other words, the method

seeks to reduce the variance within classes and maximize the variance between classes (2012,

Kevin Roebuck).

or


레이어 라벨 옵션

공간정보의 속성을 표현하는 옵션

시각적 전달력이 높일 수 있도록 글꼴종류, 크기, 배치, 위계 등을 설정함


위치에 따라 속성결합(spatial join): 방법1 - 점(point) 기준 속성정보 연결

점(point)과 맞닿은 면(polygon)의 속성정보를 점의 속성정보로 추가하는 방법

점의 속성테이블 뒤에 면의 정보가 추가 기록됨

서교동

연남동

구역번호 구역이름 속성

A 연남동 저런특징

B 서교동 이런특징

Polygon

고객번호 고객이름

1 홍길동

2 가나다

3 윤도현

4 김영수

Point

고객번호 고객이름 구역번호 구역이름 속성

1 홍길동 → A 연남동 저런특징

2 가나다 → B 서교동 이런특징

3 윤도현 → A 연남동 저런특징

4 김영수 → B 서교동 이런특징

Point PolygonSpatial Join


위치에 따라 속성결합(spatial join): 방법2 - 면(polygon) 기준 속성정보 집계

면(polygon) 위에 올려진 점(point)들의 속성정보를 합계, 평균, 최대값, 최소값 등으로 요약 집계하는 방법

면의 속성테이블에 통계정보로 추가 기록됨

서교동

연남동

구역번호 구역이름 속성

A 연남동 저런특징

B 서교동 이런특징

Polygon

고객번호 고객이름

1 홍길동

2 가나다

3 윤도현

4 김영수

Point

구역번호 구역이름 속성 count sum average max min

A 연남동 저런특징 → 2 … … … …

B 서교동 이런특징 → 2 … … … …

Polygon Spatial Join

(집계)

Point


위치에 따라 속성결합(spatial join) : 방법1, 방법2 비교

[벡터] [데이터 관리 도구] [위치에 따라 속성 결합]

포인트 레이어

폴리곤 레이어

선택

선택

폴리곤 레이어

포인트 레이어

선택

선택

1. 점(point) 기준 속성정보 연결 2. 면(polygon) 기준 속성정보 집계


위치에 따라 속성결합(spatial join) : 1. point레이어 불러오기

[레이어] – [레이어 추가] - [벡터 레이어 추가]를 클릭하여 어린이집 위치(seoul_daycarecenter_epsg5181.shp) 로드

레이어 우클릭 [속성테이블 열기(O)] 클릭

시설별정원, 현원, 전화번호,주소, 좌표 등이 있음


위치에 따라 속성결합(spatial join) : 2. 행정동별 어린이집 정보 집계하기

[벡터] [데이터 관리 도구] [위치에 따라 속성 결합]

폴리곤 레이어(seoul_emd_epsg5181) 선택

포인트 레이어(seoul_daycarecenter_epsg5181) 선택

집계 방식 선택(실습에서는 총계 선택)

모든 레코드 남기기(일치 않는 대상 레코드 포함) 선택

2. 면(polygon) 기준 속성정보 집계

seoul_emd_daycare_spatialjoin_epsg5181.shp 으로 저장


위치에 따라 속성결합(spatial join) : 3. 결과 확인

새로 생성된 “seoul_emd_epsg5181” 레이어 우클릭 [속성테이블 열기(O)] 클릭

서울시 어린이집 데이터 중 숫자로 기록된 필드는 행정동별로 합계(sum)되어 붙은 것을 확인


표현식을 이용하여 객체 선택

특정 조건을 입력하여 객체를 선택하는 방법

표현식 의미

“pop” >= 10000 인구가 100000명 이상인 객체를 선택

“pop” >= 100000and

“pop” < 200000인구가 100000명 이상이면서 동시에 200000명 미만인 객체 선택

“emd_nm” like ‘중%’ 행정동 이름이 ‘중’으로 시작하는 객체 선택

“emd_nm” like ‘중%’or “emd_nm” like ‘도%’

행정동 이름이 ‘중’ 또는 ‘도’로 시작하는 객체 선택

인구가 3만명을 초과하는 행정동을 선택


속성테이블 편집: 행정동별 국공립어린이집 수용율 계산하기

100*(“sum_capa”/”y12_a00_04”)

= 100 X ((어린이집 수용가능인원) / (0~4세 인구))

[새 필드 생성] 클릭

“ratio_care” 적기

“십진수(real)” 선택

[출력 필드 폭] = 10, [정확도] = 2 (기록가능한 숫자길이 10, 소수점 둘째자리까지)

100*(“sum_capa”/”y12_a00_04”)= 100 X ((어린이집 수용가능인원) / (0~4세 인구))

[편집 모드 전환] [필드계산기 열기]


폴리곤 센트로이드(polygon centroid)

면(polygon)을 구성하는 전체 점들의 평균점을 연산하여 점(point)으로 변환하는 방법

[벡터] [지오메트리 도구] [폴리곤 센트로이드]

Polygon centroid


Statist

레이어의 특정 컬럼의 기초통계를 조회할 수 있는 플러그인

데이터 개수(row 수)

동일값을 제외한 데이터 갯수

최소값

최대값

값 범위(= 최대값 – 최소값)

값 총계

평균값

중앙값

표준편차

히스토그램(구간별 객체 수)


구성기를 활용한 지도 출력

구성기를 통해 지도, 범례, 방위표, 제목, 텍스트 등을 디자인하고 고해상도 지도를 출력할 수 있음

JPG, PNG, PDF 등 다양한 포맷으로 출력이 가능하며, 여러 개의 구성기를 동시에 사용 가능

MS파워포인트처럼 화면크기, 가이드라인, 축척 등을 템플릿으로 저장하여 다른 지도작업시에도 동일한 환경 사용 가능


국공립어린이집수용율

아파트평당가하위지역영유아인구수

영유아인구및국공립어린이집분포


국공립어린이집 못사는 동네일수록 소외… 거꾸로 가는 보육정책 세계일보 2012-07-22


어린이집 부족지역 분석결과와 서울시 발표 우선공급 행정동 비교

실습2: 치킨집 입지선정을 위한 상권분석


분석 및 시각화에 적용되는 QGIS 기능과 필수 플러그인

분석 및 시각화에 적용되는 QGIS 기능

• 밀도지도(Kernel Density) 그리기

• 등고선(Contour) 그리기

• 선을 폴리곤으로 만들기 기능

• 클리핑 기능

• 버퍼 기능

• 위치에 따라 속성 결합(Spatial Join) 기능

• 보간법(Interpolation) 기능

• Point Sampling Tool(점에서 값 추출) 기능

필수 플러그인(plugin)

• TMS Korea: Daum, Naver등 대한민국 지도를 바탕으로 이용가능• Point Sampling Tool


상권분석


치킨의 원가

1. 치킨 1마리 14,000원 판매하는 치킨집 주인이 밝힌 닭 1마리의 평상시 원가는 4,300~4,800원

2. 조류 독감이 유행하면 닭 1마리 원가는 5,000 ~ 5,700원

3. 대한육계협회(www.chicken.or.kr) 2015. 4.16일 9~10호 닭 1마리 원가는 3,462원

생닭 1마리 3,462원 + (부가재료) = 4,000원

14,000원 치킨 1마리 – 4,000원 = 치킨 1마리 당 10,000원 이익

http://www.chicken.or.kr/


입지선정

서울시 치킨집 평균 거리 210m

200m 반경 내 약 900 가구 거주

1가구 1달에 치킨 2 마리

= 1800 만원

1800만원 / 8개 치킨점포

= 월평균 225만원

1800만원 / 8개 치킨점포 + 신규1개 점포

= 월평균 200만원


상권분석

Q. 50대 중반의 샐러리맨이 퇴직 이 후 서울 시내에서 치킨집을

열어보려고 합니다. 어디에서 창업하는 것이 가장 성공의 확률이

높을까요?

고객

경쟁

상권

입지

1. 주거인구 밀집 지역

2. 직장인 밀집 지역

3. 경쟁점포 적은 지역

4. 유동인구 많은 지역


주거인구 밀집지역(가구)

직장인 밀집지역(가구)

서울시내 치킨집 적합 상권 찾기

인구 밀집(가구 밀집) 지역인구 밀집(가구 밀집) 지역

직장인구 밀집지역직장인구 밀집지역

두 조건을 만족 시키는 지역두 조건을 만족 시키는 지역

매물 검색매물 검색



1. TMS Korea 이용 배경지도 Open

2. 인구 센서스 Data Layer 추가

3. 밀집도(Gagu 기준) 작성 – Kernel Density Map(Radius 1500, Cell Size 50)

4. 등고선(Contour) 만들기

레스터(R) > 추출 > 등고선

5. 필터 기능(등고선 Layer 우클릭)을 이용한 상위 밀집지역(Elev=30) 등고선 선택

6. 선택된 등고선 폴리곤 만들기

벡터(o) > 지오메트리도구 > 선을 폴리곤으로



7. 직장인 센서스 Data Layer 추가

8. 밀집도(Emp_To 기준) 작성 – Kernel Density Map(Radius 1500, Cell Size 50)

9. 등고선(Contour) 만들기

레스터(R) > 추출 > 등고선

10.필터 기능(Layer 우클릭)을 이용한 상위 밀집지역(Elev = 40) 등고선 선택

11.선택된 등고선 폴리곤 만들기

12.클리핑 기능을 이용한 두 조건을 만족 시키는 지역 추출

벡터(o) > 공간연산도구 > 클리핑


매물 비교

1. 매물 주변 200m 반경 주거인구1. 매물 주변 200m 반경 주거인구

2. 매물 주변 200m 반경 직장인구2. 매물 주변 200m 반경 직장인구

3. 200m 반경 내 경쟁 상대3. 200m 반경 내 경쟁 상대

4. 토지가를 반영한 임대료4. 토지가를 반영한 임대료

5. 대중 교통 유동인구5. 대중 교통 유동인구


매물 비교

1. 지오코딩 된 매물 레이어에 추가

2. 매물을 중심으로 반경 200m 버퍼 작성

3. Open API를 이용 경쟁점포 데이터 구축

4. 위치에 따른 속성 결합 기능을 이용하여 주거인구/직장인구/경쟁점포수/유동인구수 총합

결합

4. 보간법(Interpolation)을 이용한 토지가격 지도 작성

5. Point Sampling Tool을 이용한 매물의 추정 토지가격 추출

Open API Data를 이용한 치킨집 데이터 구축


POI Data

POI(Point of Interest): 주요 시설물들을 좌표로 전자 수치 지도에 표시하는 데이터로, 목적지의 주소나

전화번호 또는 정확한 명칭을 알고 있는 경우는 그 데이터를 직접 입력함으로써 직접 목적지를 검색할 수 있다.


Open API Data 구축 • 경쟁점 Data 구축


Open API Data 구축



①

②



http://openapi.naver.com/search?key=68784e4ccc8722893ff1e0decb2173cf&query=치킨집&target=local&start=1&display=10

NAVER API KEY

검색어 찾을 개수

No. Store Address_1 Address_2 Tel Category_1 Category_2 X Y

1 페리카나 독립문점 서울특별시 종로구 교북동 1-16 서울특별시 종로구 통일로 222 02-722-9916 음식점 치킨, 닭강정 308332 552790

2 티바두마리치킨 독립문점 서울특별시 종로구 행촌동 209-69 1층 서울특별시 종로구 통일로 12길 10-16 050-7987-3213 음식점 치킨, 닭강정 308375 552792

…

XXX 오븐에 빠진닭 종로2호점 서울특별시 종로구 관철동 13-3 서울특별시 종로구 종로14길 18 02-734-5892 음식점 치킨, 닭강정 310695 552378

- Sample


매물 비교

1. 지오코딩 된 매물 레이어에 추가

2. 매물을 중심으로 반경 200m 버퍼 작성

3. Open API를 이용 경쟁점포 데이터 구축

4. 위치에 따른 속성 결합 기능을 이용하여 주거인구/직장인구/경쟁점포수/유동인구수 총합

결합

4. 보간법(Interpolation)을 이용한 토지가격 지도 작성

5. Point Sampling Tool을 이용한 매물의 추정 토지가격 추출


보간법(Interpolation) – IDW, Kriging

1. IDW(Inverse Distance Weighted) 보간기법

가까이 있는 실측 값(Point)에 더 큰 가중 값을 주어 보간하는 방법으로 거리가 가까울수록(거리 값이

작을수록) 높은 가중 값이 적용되기 때문에 Inverse Distance Weighted라고 함

반대로 실측 값으로부터 멀어질수록 가중되는 값의 영향력은 줄어듬

실측점으로 부터의 거리가 가까울수록 실측 값의 영향력을 많이 받으며 멀어질수록 영향력을 작게 받는

것을 알 수 있음

2. 크리깅(Kriging) 보간기법

크리깅은 관심있는 지점에서 특성치를 알기 위해 이미 그 값을 알고 있는 주위의 값들의 선형 조합으로

그 값을 예측하는 지구통계학적 기법임

이 방법은 보간을 위해 주위의 실측 값들을 선형으로 조합하며, 이러한 통계학적인 방법을 이용하여

값을 추정하며, IDW가 실측점 사이의 값을 추정하는 것에 비해 크리깅은 주변의 많은 측정 값을

통계적으로 분석하여 값을 추정함

즉, 값을 추정할 때 실측 값과의 거리 뿐만 아니라 주변에 이웃한 각 측정 값 사이의 상관강도를 반영함


보간법(Interpolation) – IDW, Kriging

서울시 기상관측소 데이터 중 대기오염 수치를 이용하여 각각 IDW(왼쪽 그림)와

크리깅(오른쪽 그림) 방법을 이용하여 관측한 결과이다.

IDW는 소지역에서 뚜렷한 지역차이를 나타내고 있는 반면, 크리깅은 소지역에서

지역차이가 뚜렷하지는 않지만 전체적인 경향을 파악하기에는 유리하다.


보간법을 이용한 토지가 지도

분석가과정day2 공간분석과 시각화 slideshare

Data & Analytics