크리깅 보간 (Kriging Interpolation)
쉽게 풀면
여러 지점에서 온도나 오염 농도 등을 측정했다고 할 때, 측정하지 않은 중간 지점의 값은 어떻게 알 수 있을까요? 크리깅 보간은 단순히 가까운 점들의 평균을 내는 것이 아니라, "가까운 곳일수록 값이 비슷하다"는 공간적 패턴을 먼저 통계적으로 분석한 뒤, 그 패턴을 바탕으로 가장 정확할 것으로 기대되는 값을 계산합니다. 마치 주변 친구들의 키를 보고 그 사이에 있을 법한 사람의 키를 추정하되, 단순 평균이 아니라 각 친구와의 거리와 관계를 정교하게 반영하는 것과 비슷합니다. 이 방법은 예측값뿐 아니라 그 예측이 얼마나 불확실한지도 함께 알려준다는 장점이 있습니다.
왜 중요한가
지도학과 공간분석 분야에서는 모든 지점을 직접 측정할 수 없기 때문에, 제한된 관측 자료로 연속적인 공간 표면을 만드는 작업이 필수적입니다. 크리깅 보간은 단순 거리 기반 보간법보다 통계적으로 더 신뢰할 수 있는 예측과 오차 추정을 제공하기 때문에, 환경 모니터링, 지질 자원 탐사, 기후 지도 제작 등 다양한 분야의 논문에서 널리 활용됩니다.
논문에서는 이렇게 쓰입니다
기상 관측소가 없는 지역의 강수량을 추정하기 위해 공간적 상관관계를 반영한 보간 기법을 사용했다는 의미입니다.
두 가지 보간 방법의 정확도를 비교한 결과, 크리깅 보간이 더 우수한 예측 성능을 보였다는 내용입니다.
조금 더 깊게 보면
크리깅 보간은 먼저 세미베리오그램을 통해 거리에 따른 값의 변동성을 모델링하고, 이 모델을 바탕으로 각 관측값에 가중치를 부여하여 예측값을 산출합니다. 목적과 자료 특성에 따라 정규크리깅, 범용크리깅, 공동크리깅 등 다양한 변형이 존재하며, 예측의 불확실성을 나타내는 크리깅 분산도 함께 계산됩니다.
주의할 점
크리깅 보간은 관측점 수가 적거나 공간적 패턴이 명확하지 않을 경우 신뢰도가 떨어질 수 있으며, 세미베리오그램 모델을 어떻게 설정하느냐에 따라 결과가 크게 달라질 수 있어 분석자의 신중한 판단이 요구됩니다.