「자연재해대책법」제21조에서는 하천범람 등 자연재난이 발생하였을 때 신속한 대피를 위해 재해지도를 제작·활용해야한다고 명시하고 있다. 행정안전부장관 또는 관계 행정기관의 장은 재난관리 업무를 수행할 때 재해지도를 활용하고 있다. 재난위험지도를 구축하기 위해서는 객관적인 정보를 활용하여 재난위험분석을 수행해야 한다. 재난위험분석은 재난안전 사고 발생이 가능한 위험요인을 분석·평가 하는 것을 의미하며(Ahn, 2015), 재난위험분석은 방법과 목적에 따라 다양하게 활용되고 있다. 재난위험분석 시 서로 다른 공간정보 데이터 융합을 하여 활용하게 되면 개별 데이터가 가지고 있는 특성을 결합하여 동시에 활용할 수 있다는 장점이 있다. 특히 건물은 융합분석 시 기본적으로 활용되는 데이터이며, 지속적으로 변화되는 데이터이기 때문에 건물 데이터의 최신성이 중요하다(Park et al., 2014).

국내에서 제공되고 있는 건물 데이터는 Geographic Information System(GIS) 건물통합정보, 도로명주소기본도 등이 있으며, 전국 단위로 건물을 구축하고 있어서 유용하게 활용할 수 있다(Yang, 2013). GIS건물통합정보는 건물 위치, 층수, 용도, 면적 등 건축행정정보를 통합 정보로서 공공데이터로 활용되고 있다(Park et al., 2016). 도로명주소 전자지도는 건물위치, 건물이력, 건물용도 등 특정 주소 건물 위치정보를 파악하기 위해 활용되는 데이터로 공공분야와 민간분야 모두 활용되고 있다(Kim et al., 2009). 그러나, 기관 및 부처별로 개별적으로 건물 데이터를 활용 용도에 맞게 구축하기 때문에 데이터 간의 일관성이 떨어지고 있어(Korea Research Institute for Human Settlements, 2015) 융합 분석 시 어떤 데이터를 써야되는지 불분명하다.

본 연구에서는 분석 시 건물 데이터 적정성을 확인하기 위해 GIS건물통합정보 데이터와 도로명 주소 데이터를 활용하였다. 또한, 재난위험분석을 수행할 때 공간정보 분석단위 선정은 중요한 역할을 하고 있으며, 기존 선행연구에서는 행정단위로 선정하여 재난위험분석을 수행하는 연구가 많이 진행되고 있었다. Jang (2016)은 도시쇠퇴 원인을 진단하기 위해 노후 건축물, 사업체 등 요인을 공간통계기법을 행정구역 단위의 융합분석을 수행하여 도시쇠퇴 특성을 분석하였다. Lee (2019)는 농촌 계획의 적합한 단위를 산출하기 위해 적합한 공간 단위를 설정하기 위해 인구데이터를 활용하여 읍면동 단위의 행정구역을 활용하여 공간 통계 분석을 수행하였다.

Bae et al. (2020)은 취약계층을 대상으로 폭염 대응 정책을 마련하기 위해 신체적 취약요인(영유아, 노인 등), 생활여건 취약요인(1인 가구수, 노후건축물 등), 경제적 취약요인(공시지가)으로 취약계층에 대한 판별요인을 구분하고 9개 변수를 활용하여 행정구역 단위로 융합분석을 수행하였다. 앞서 선행연구를 살펴본 결과, 기존 선행연구는 행정구역 단위로 공간통계 분석을 수행하였다. 행정구역은 크기와 형태가 불규칙하고 국가 계획과 행정적 관리 요인에 따라 경계가 조정되될 수 있다. 이러한 특징을 가진 행정구역의 정보를 수집 또는 분석 시에는 통계자료의 집계 범위가 상이할 수 있어서 융합분석 시 결측치가 발생하여 정확성과 신뢰성에 영향을 미치게 된다. 서로 다른 정보를 융합하여 분석 및 활용 시 공간단위를 일관성 있게 맞추는 것이 중요하다(Korea Research Institute for Human Settlements, 2014). 행정구역 단위의 한계를 보완하기 위해 본 연구에서는 모양이 동일한 격자경계 단위를 사용하였으며, 격자경계와 관련된 현황을 조사하였다. 행정안전부에서는 산악, 해안 등 건물이 없는 지역에서 응급상황 발생 시 신속히 대응을 하기위해 2013년부터 국가지점번호제도를 고시하여 격자체계를 운영하기 시작하였다(Ministry of the Interior and Safety, 2012). 국가지점번호는 『도로명주소법』제2조 제9항에 따라 “국토 및 이와 인접한 해양을 격자형으로 일정하게 구획한 지점마다 부여된 번호”로 정의된다. 국가지점번호는 국토를 일정하게 격자형으로 구획한 공간단위로 동일한 기준으로 재난위험분석을 분석할 수 있는 장점이 있다.

본 연구는 행정구역 단위의 불규칙적인 문제를 개선하기 위해 국가지점번호를 활용한 격자체계를 활용하였다. 공간정보 분석 방법에서 격자체계를 분석하는 방식은 벡터 데이터 분석 방식과 래스터 데이터 분석 방식이 있다(Giofandi et al., 2023). 벡터 분석 방식은 지리적 특징을 점, 선, 다각형으로 나타내며, 건물, 도로 및 행정경계와 같은 불연속적인 데이터를 나타내는 데 사용한다. 래스터 분석 방식은 현실세계를 규칙적인 정사각형 격자 픽셀형태로 데이터를 표현한다. 벡터와 래스터는 분석 방법이 다르며, 각 분석 방법별로 장·단점이 있다. 벡터 분석 방법은 정확도가 높고 다양한 속성 값을 제공해줄 수 있는 장점이 있지만 데이터 분석 시간이 오래 걸린다는 단점이 있다. 래스터 분석 방법은 해상도는 낮지만 대용량 처리가 가능하며 다른 자료와 중첩하여 연산할 때 효과적이어서 공간통계 분석에 유용하다. 또한, 래스터 분석 방법은 실세계의 연속적인 현상 표현할 때 효과적이며, 위성영상 등 다른 디지털 자료와 호환이 좋아 다양한 모델링 작업이 가능하다.

앞서 선행연구를 살펴본 결과, 본 연구에서 공간정보 기반 재난위험분석을 수행하기 위해 세가지 관점에서 연구를 수행하였다. 첫 번째는 행정구역 단위의 불규칙적인 문제를 개선하기 위해 국가지점번호를 활용한 격자체계를 활용하였다. 두 번째는 데이터 분석방식의 차이를 비교하기 위해 격자기반 건물 데이터를 활용하여 벡터와 래스터 방식으로 분석하였다. 세 번째는 재난위험분석 시 적합한건물 데이터를 파악하기 위해 격자기반으로 분석된 건물 데이터 면적 값을 활용하여 오차율을 비교하였다.

2.1. 연구지역

본 연구에서는 행정구역 단위의 한계점을 해결하기 위해 격자를 활용하였다. 격자기반 데이터는 동일한 구역을 대상으로 분석이 가능하여 정확도와 오차를 줄일 수 있다. 국내에서 운영되고 있는 국가지점번호 격자체계는 10 m, 100 m, 500 m, 1 km등 다양한 격자를 기본 단위로 설정되고 있다. Fig. 1은 행정안전부에서 관리하고 있는 국가지점번호 표현 방법을 시각화한 예시이다.

Figure 1. National spot number (National Geographic Information Institute, 2017).

Korea Land and Geospatial InformatiX Corporation (2019)에서는 국내 개인정보보호, 지리적 형상, 통계적 유의성 확보 등을 고려하여 구축한 집계구를 최소 통계구역으로 설정해야 한다고 권장하고 있다. 집계구 형태의 크기는 100–500 m의 격자형태로 구획되어 있다. Statistics Research Institute (2022)에서는 국내·외 국가 간 활용하고 있는 격자 단위를 비교하였으며, 가장 많이 사용되고 있는 격자 단위는 100 m이므로 격자 분석을 수행하는 경우 최대 250 m를 사용하라고 권장하고 있다. 본 연구에서는 분석 지역을 선정하기 위해 집계구 형태의 크기인 100 m 격자경계를 활용하여 분석하였다. Fig. 2는 격자 크기별로 나타내는 단위를 행정구역 단위와 비교하는 예시이다.

Figure 2. District units expressed by grid size (National Geographic Information Institute, 2020).

본 연구에서는 적합한 재난유형을 선정하기 위해 행정안전부 재난연감 자료를 활용하여2016년부터 2020년까지의 전국에서 발생한 재난피해 통계를 조사하였다(Ministry of the Interior and Safety, 2016; 2017; 2018; 2019; 2020). 피해 분석 결과, 산불 유형은 2017년부터 지속적으로 증가하고 있는 추세로 나타났다. Fig. 3은 2016년부터 2020년까지 발생건수, 인명피해, 재산피해를 종합적으로 나타낸 그림을 보여주고 있다.

Figure 3. Wildfire damage records over the past five years (Ministry of the Interior and Safety, 2016; 2017; 2018; 2019; 2020).

기후 변화로 인해 매년 산불 피해가 대형화되면서 2017년부터 매년 지속적으로 100 ha 이상의 산불 피해가 발생하고 있으며, 산불은 한번 발생하게 되면 광역적으로 농가와 산림에 피해를 주고 있다(Korea Forest Service, 2022). 2021년 기준으로 10년간 발생했던 산불 피해 건수 중 3.3%에 해당되는 건은 피해면적의 42.7%가 발생한 강원도 동해안 지역인 것으로 나타났다(Ahn et al., 2021). 동해안 지역은 산불에 취약한 건조한 대기, 양간지풍 등의 기후 특성과 침엽수림의 산림 조건을 지니고 있어서 최근 5년동안 발생한 강원도 지역에서 대형산불의 90%는 동해안 지역에 집중되었다. 이러한 피해 현황을 바탕으로 본 연구에서는 대형 산불이 자주 발생한 지역인 강원도 동해안 지역을 연구지역으로 선정하였으며, 대기, 수질환경 등 재난위험 분석 시 100 m 단위의 격자 크기로 분석하는 것이 적절하다는 연구사례(Kim et al., 2015)를 토대로 100 m격자를 활용하여 건물 데이터를 분석하였다. Fig. 4는 연구지역인 동해안 지역을 시각화하여 나타낸 것이다.

Figure 4. Research target area.

2.2. 데이터 수집

건물 정보는 국토교통부에서 제공하는 GIS건물통합정보와 행정안전부에서 제공하는 도로명주소 전자지도 데이터를 활용하였다. 격자경계 데이터는 국토지리정보원에서 운영하는 국토정보플랫폼을 통해 국토통계지도 데이터를 수집하여 격자경계로 활용하였다. 행정구역 경계는 국토교통부 브이월드 디지털트윈국토 플랫폼에서 제공하는 시군구 행정구역 데이터를 수집하였다. Table 1은 자료 분석을 위해 수집한 데이터 현황을 보여주고 있다.

Table 1 . Collected data for this study.

Data name	Used data	Data type	Reference
National statistical map	Grid boundary	SHP (Shapefile)	National Geographic Information Institute (2022) (https://map.ngii.go.kr/)
Administrative boundary	Administrative boundary		Ministry of Land, Infrastructure and Transport (2024a) (https://www.vworld.kr/)
GIS building integrated information	Building area		Ministry of Land, Infrastructure and Transport (2024b) (http://www.vworld.kr/)
Road name addresses electronic map			Ministry of the Interior and Safety (2023) (https://www.juso.go.kr/)

2.3. 연구 방법

본 연구에서는 격자경계를 활용하여 격자기반 건물 데이터 분석을 수행하고 벡터 데이터 유형과 래스터 데이터 유형의 건물 데이터 종류에 따른 면적 오차율 분석을 수행하였다. 먼저 GIS건물통합정보데이터와 도로명주소 건물 데이터를 가공한 후, 가공된 건물데이터를 활용하여 격자경계와 교차분석을 수행하고 지역별 교차된 면적을 산정하였다. 마지막으로, 래스터 유형의 격자기반 데이터를 구축하여 벡터 기반의 데이터와 비슷한 값이 도출되는지 확인하기 위해 오차율 분석을 수행하였다. Fig. 5는 본 연구에서 수행된 연구방법 흐름을 나타낸 것이다.

Figure 5. Research flow chart.

3.1. 기본 데이터 구축

국토교통부와 행정안전부에서 수집한 건물 정보는 폴리곤(polygon) 형태로 되어 있다. 건물 데이터에는 다양한 속성정보가 포함되어 있는 필터를 통해 null 값, 중복된 주소나 도형 등 불필요한 정보를 제거하였다. 건물 데이터를 활용하기 위해 건물 면적을 산정하였으며, 1평(3.3 m²)을 기준으로 데이터 구축 오류 발생을 방지하기 위해 1평 미만의 면적 데이터를 제거하였다. 제거된 데이터를 가지고 건물 데이터 중 중첩되어 있는 건물 도형이 존재하여 하나의 건물 데이터로 가공하였다(Fig. 6). 동일한 분석 방법을 사용하여 GIS건물통합정보와 도로명주소 기초 데이터를 구축하였다.

Figure 6. Data pre-processing results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

3.2. 격자기반 벡터 데이터 변환

앞서 구축한 기본 건물 데이터를 활용하여 수집한 격자경계 100 m 데이터와 융합시켜 격자기반 벡터 데이터를 구축하였다. 격자기반 데이터로 구축하기 위해 교차분석(intersection analysis) 기능을 사용하였다. Fig. 7은 격자기반 벡터 데이터 분석 방법에 대한 설명이며, Fig. 8은 교차분석을 수행하여 도출된 결과이다.

Figure 7. Grid vector data analysis method.

Figure 8. Grid data intersection analysis results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

격자 내 건물 전체 면적을 파악하기 위해서는 교차분석을 통해 구축된 데이터에 대해서 건물 면적을 산정하였다. 면적 산정 후 격자 내에 면적을 포함시키기 위해서는 다양하게 교차된 영역의 면적을 합쳐야하기 때문에 위치를 이용한 속성 결합 기능을 사용하여 한 격자 내의 면적을 산정하였다. GIS건물통합정보와 도로명주소 데이터는 동일한 방식으로 데이터 분석을 수행하였으며, 결합을 통해 구축된 격자 분석 결과는 Fig. 9와 같다

Figure 9. Grid data processing results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

3.3. 격자기반 건물 데이터 교차분석 결과

본 연구에서는 건물 데이터 적합성을 판단하기 위해 국가기지점번호 100 m데이터를 활용하여 격자기반 분석을 수행하였다. 격자경계와 건물 데이터를 교차 분석하게 될 경우 건물 도형이 격자와 겹쳐지면서 작은 단위로 잘라지게 된다. 이 과정에서 중복 도형이 발생하게 된다. GIS건물통합정보를 활용하여 산출된 결과로 중복된 데이터 수는 총 261,591개로 나타났으며, 도로명주소 데이터를 활용하여 산출된 중복 데이터 결과는 218,896개로 나타났다. 중복된 도형을 한 격자에 포함된 여러 건물 면적 기준으로 하나로 합치게 되면 전체적인 격자 면적이 산출된다. 이 때 한 격자에 포함된 여러 도형을 담기 위해 “위치기반 속성 결합” 기능을 사용하여 최종 격자 면적을 산정하였다. 최종적으로 합산된 GIS건물통합정보 데이터 격자 수는 38,248개, 도로명주소 데이터는 36,601개로 도출되었다. 해당 분석을 통해 벡터기반 격자 데이터는 GIS건물통합정보 데이터가 더 많은 것이 확인이 되었다. Table 2와 Table 3은 격자경계와 건물 데이터를 교차분석하여 구축한 결과이며, Fig. 10은 강릉시 지역의 벡터기반 격자 교차분석된 데이터를 시각화한 결과이다.

Figure 10. Vector-based grid unit building area analysis results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

Table 2 . Integrated building information data cross-analysis results.

Municipality name	Grid count	Duplicated grid count	Final grid count	Null
Gangneung-si	105,153	75,195	13,348	91,805
Donghae-si	18,639	43,655	4,004	14,635
Samcheok-si	120,008	54,740	8,768	111,240
Yangyang-gun	63,740	38,664	6,454	57,286
Sokcho-si	10,940	31,513	2,323	8,617
Goseong-gun	25,044	17,824	3,351	21,693

Table 3 . Road name address electronic map data cross-analysis results.

Municipality name	Grid count	Duplicated grid count	Final grid count	Null
Gangneung-si	105,153	79,118	14,063	91,090
Donghae-si	18,639	32,669	3,545	15,094
Samcheok-si	120,008	44,314	7,962	112,046
Yangyang-gun	63,740	27,942	5,953	57,787
Sokcho-si	10,940	21,758	2,176	8,764
Goseong-gun	25,044	13,095	2,902	22,142

4.1. 래스터 기반 데이터 변환

벡터 데이터 변환 방식은 다양한 속성정보를 보여줄 수 있고 시각화시 고화질로 보여줄 수있다는 장점이 있지만, 속성정보가 많을수록 분석 속도가 느려지는 한계가 발생한다. 반면, 래스터 데이터 방식은 벡터 데이터 방식보다 데이터가 가볍고 빠르게 계산할 수 있으며, 다양한 레이어간 융·복합 분석이 가능하다(You, 2022). 본 연구에서는 벡터 데이터 방식의 한계점을 극복하기 위해 래스터 분석 방법을 사용하여 건물 데이터별 벡터 기반의 건물 면적 산출값과 래스터 분석 방식으로 도출된 결과 값을 활용하여 오차율 비교 분석을 수행하였다. 본 연구에서 활용한 벡터와 래스터 분석 방법를 비교한 내용은 Fig. 11과 같다.

Figure 11. Process of analyzing vector and raster data.

앞에서 기본적으로 구축한 건물 데이터를 10 m 단위의 래스터로 변환하였다. Fig. 12는 강릉시 지역의 건물 데이터를 래스터로 변환한 결과이다.

Figure 12. Raster-based building data conversion results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

래스터 분석방법은 면적을 직접 산정할 수 있는 벡터 데이터 분석 방식과 다르게 건물 면적을 계산하기 위해 격자 개수를 산정할 수 있는 구역 통계(zonal statics) 기능을 사용해야 한다. 구역통계는 해당 영역 내에 포함되어 있는 격자의 개수를 종합적으로 계산해준다. 기본적으로 기준이 되는 격자경계의 크기는 100 m로 격자에 포함된 개수를 산정하기 위해서는 100 m보다 더 작은 단위의 격자크기로 변환해야 한다. 격자 단위크기가 클수록 수치값 오차 범위와 형상의 차이가 많아지기 때문에 작은 단위의 격자크기로 변환해야 한다. 본 연구에서 다양한 격자크기별로 분석한 결과, 10 m가 가장 효율적인 것으로 나타났다. 또한, 국가지점번호 격자경계의 최소 격자 크기가 10 m이기 때문에 10 m로 설정하여 건물 데이터를 변환하였다. Fig. 13은 100 m 격자경계 내에 GIS건물통합정보와 도로명 주소 데이터의 10 m격자 개수 현황을 나타낸 결과이다.

Figure 13. Raster-based building data zonal statistics analysis results. (a) Integrated building information data. (b) Road name addresses of electronic map data.

구역통계는 건물 래스터 개수를 파악하는데 이용하는 통계 분석해주는 기능으로 래스터 분석단위로 격자면적을 산정하기 위해서 구역통계 결과를 래스터 단위로 변환해야한다. 래스터 단위에서 면적을 산정하기 위해서는 raster calculator 기능을 사용해야한다. 격자 면적은 총 10,000 m²이기 때문에 최대값은 10,000으로 표시된다. Fig. 14는 raster calculator 기능을 사용하여 면적 값을 산출한 결과이다.

Figure 14. Area calculation results using raster calculator. (a) Integrated building information data. (b) Road name addresses of electronic map data.

4.2. 건물 데이터별 오차율 비교

벡터와 래스터는 분석하는 방식의 차이가 있어서 건물 면적 값의 차이가 발생한다. 벡터 분석 시 면적을 산정하는 방법은 도형에 대해서 직접 면적을 산정하는 방법이며, 래스터 분석은 격자 경계 내 픽셀 개수를 산정하여 면적을 계산하는 방법이다. 분석 방법의 차이로 격자 ID별 면적 산정 결과가 다르게 나타날 수 있다. 본 연구에서는 면적 값의 차이를 파악하기 위해 앞에서 분석한 벡터 값을 기준으로 래스터 면적 값을 비교하여 오차율을 분석하였다. 벡터와 래스터 분석 방식으로 격자 ID별 면적을 산정하고 오차율을 비교하는 방법은 Fig. 15와 같다.

Figure 15. Comparison of error rates in area estimation by vector and raster analysis methods.

벡터와 래스터 격자기반 건물 면적 비교 분석 결과, 강릉시, 동해시, 양양군, 고성군은 2%의 오차율 차이가 발생하였고, 삼척군은 1%의 오차율이 발생하였다. 속초시의 경우는 데이터 간 오차율 차이가 3%로 가장 큰 오차가 발생하였다. 결과적으로 전체 GIS건물통합정보 343,524개 격자 중에서 벡터와 래스터 결과의 값이 같은 격자는 305,575개, 결과값이 다른 격자는 37,949개로 나타났으며, 오차율은 12%로 도출되었다. 도로명주소 데이터는 전체 343,524개 격자 중에서 결과값이 같은 격자는 309,390개, 결과값이 다른 격자는 34,134개로 나타났으며, 오차율은 11%로 나타났다.

Yang (2021)은 도로명 주소는 GIS건물통합정보와 비슷하지만 연속지적도와 맞춰서 변환을 하기 때문에 실제 건물 현황과 부합이 잘 맞고 실시간 갱신이 잘 이루어지기 때문에 기초정보로 많이 활용하고 있다고 언급하였다. 이러한 선행연구를 바탕으로 분석해본 결과, 도로명주소 건물데이터가 GIS건물통합정보 데이터보다 융합분석할 떄 정확도가 높은 데이터로 확인되었다. Table 4와 Table 5는 GIS건물통합정보와 도로명주소의 건물 면적 오차율 분석을 나타낸 결과이며, Fig. 16과 Fig. 17은 GIS건물통합정보와 도로명주소의 건물 면적 오차율 수치를 시각화한 결과이다.

Figure 16. Integrated building information area count error results. (a) Gangneung-si, (b) Donghae-si, (c) Samcheok-si, (d) Yangyang-gun, (e) Sokcho-si, and (f) Goseong-gun.

Figure 17. Road name address grid building area count error results. (a) Gangneung-si, (b) Donghae-si, (c) Samcheok-si, (d) Yangyang-gun, (e) Sokcho-si, and (f) Goseong-gun.

Table 4 . GIS building integrated information vector and raster grid building area and count error.

Municipality name	True/False (Count, Vector Area/Raster Area, km2)			Error
	True	False	Total
Gangneung-si	90,534 (0.01/0.01)	14,619 (8.63/7.53)	105,153 (8.64/7.54)	16%
Donghae-si	15,131 (0.02/0.02)	3,508 (3.33/3.34)	18,639 (3.35/3.36)	23%
Samcheok-si	112,154 (0.02/0.02)	7,854 (3.77/3.77)	120,008 (3.79/3.79)	7%
Yangyang-gun	57,341 (0.004/0.004)	6,399 (2.34/2.49)	63,740 (2.34/2.49)	11%
Sokcho-si	8,635 (0.001/0.001)	2,305 (2.34/2.50)	10,940 (2.34/2.50)	26%
Goseong-gun	21,780 (0.001/0.001)	3,264 (0.001/0.001)	25,044 (1.39/1.61)	14%
Total	305,575 (0.056/0.056)	38,193 (21.80/21.24)	343,524 (21.85/21.29)	12%

Table 5 . Road name address vector and raster grid building area and count error.

Municipality name	True/False (Count, Vector Area/Raster Area, km2)			Error
	True	False	Total
Gangneung-si	92,054 (0.28/0.28)	13,099 (8.37/8.40/130.99)	105,153 (8.65/8.68/1051.53)	14%
Donghae-si	15,302 (0.09/0.09)	3,337 (3.26/3.27/33.37)	18,639 (3.35/3.36/186.39)	21%
Samcheok-si	112,615 (0.13/0.13)	7,393 (3.65/3.66/73.93)	120,008 (3.78/3.79/1200.08)	6%
Yangyang-gun	58,213 (0.10/0.10)	5,527 (2.24/2.23/55.27)	63,740 (2.34/2.33/637.4)	9%
Sokcho-si	8,869 (0.04/0.04)	2,071 (2.30/2.29/20.71)	10,940 (2.34/2.33/109.40)	23%
Goseong-gun	22,337 (0.05/0.05)	2,707 (1.35/1.33/27.07)	25,044 (1.40/1.38/250.44)	12%
Total	309,390 (0.69/0.69)	34,134 (21.17/21.18)	343,524 (21.86/21.87)	11%

본 연구에서는 불규칙한 행정구역 단위의 문제를 해결하기 위해 국가지점번호 격자체계를 활용하였으며, 격자기반 건물 데이터를 구축하기 위해서 벡터 방식과 래스터 방식으로 분석하여 분석 방식의 차이점을 비교하였다. 벡터 분석 방식은 정확도가 높고 해상도가 좋아 고화질로 표현될 수 있는 장점이 있지만 분석속도가 느리고 주기적으로 데이터 갱신하는데 한계가 있다. 반면, 래스터 분석 방식은 벡터 분석 방식보다는 해상도는 낮지만 빠르게 분석 이 가능하다. 재난피해 현황 등 빠르게 분석을 수행해야하는 경우에는 래스터 방식의 분석 방법이 더 효율적이다. 또한, 본 연구에서는 벡터 분석과 래스터 분석 방법을 적용하여 데이터 형식에 따른 건물 데이터별 오차율을 분석하였다. 벡터 분석방법과 래스터 분석 방법의 차이가 있어서 건물 면적 값이 차이가 발생한다. 면적 값의 차이를 분석해본 결과, 오차율이 더 낮게 나온 데이터는 도로명주소 데이터인 것으로 확인이 되었다.

이 논문은 2022년 국립재난안전연구원의 “재난안전관리업무지원기술개발(R&D)-재난안전정보기반 재난상황판단을 위한 인지기술 개발(NDMI-2022-03-01)과 2024년 재난안전관리업무지원기술개발(R&D)-도시단위 대규모 재난대피 시뮬레이션 기술 개발(NDMI-주요-2024-05-01)”의 지원으로 수행되었습니다.

No potential conflict of interest relevant to this article was reported.