크리깅 (Kriging)
쉽게 풀면
등산로 곳곳에 온도계를 설치해 기온을 쟀는데, 온도계가 없는 지점의 기온이 궁금하다고 해봅시다. 가장 단순한 방법은 "가까운 온도계 값을 그대로 쓰거나 거리 반비례로 평균 내기"겠지만, 크리깅은 한 걸음 더 나아갑니다. 먼저 "거리가 얼마나 떨어지면 값이 얼마나 달라지는 경향이 있는지"를 데이터로부터 통계적으로 학습한 뒤(공간자기상관 구조), 이 학습된 패턴을 바탕으로 각 관측값에 "이 지점 예측에 얼마나 신뢰할 만한가"에 따라 가중치를 다르게 부여해 예측값과 예측 오차까지 함께 계산합니다. 그래서 단순 보간보다 통계적으로 더 정교한 예측과 불확실성 추정이 가능합니다.
왜 중요한가
현실의 많은 관측 자료는 모든 지점을 다 잴 수 없고, 비용이나 접근성 때문에 일부 지점에서만 측정됩니다. 크리깅은 이 제한된 관측값으로부터 통계적으로 타당한 방식으로 전체 공간의 분포를 추정할 수 있게 해주기 때문에, 환경 모니터링, 자원 탐사, 부동산 가치 평가처럼 "공간 전체의 값을 알아야 하지만 일부만 잴 수 있는" 문제를 다루는 여러 분야에서 핵심 도구로 쓰입니다. 특히 예측값뿐 아니라 예측 불확실성까지 함께 제공한다는 점에서, 후속 의사결정(관측망 확충, 위험지역 선정 등)의 근거자료로 자주 인용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 "실제로 측정 장비가 없는 곳의 값을, 주변 관측소 데이터의 공간적 관련성을 통계적으로 분석해 추정했다"는 뜻입니다. 토양오염, 강수량, 지가(地價) 분포 등 공간적으로 퍼져 있는 자료를 다루는 지리·환경·경제 분야 논문에서 자주 사용됩니다.
지질·광업 분야에서는 시추를 통해 일부 지점의 광물 함량만 알 수 있는데, 크리깅을 이용해 채굴 전체 영역의 품위(광물 함유 정도)를 예측하여 채산성 평가와 채굴 계획 수립에 활용합니다.
기후·수문 분야에서는 강수량처럼 관측소 밀도가 낮은 변수를, 고도나 지형처럼 더 촘촘히 알려진 보조변수와 함께 예측하는 협동 크리깅이 자주 쓰이며, 이는 예측 정확도를 높이는 확장된 형태의 크리깅입니다.
조금 더 깊게 보면
크리깅의 핵심에는 베리오그램(variogram)이라는 도구가 있습니다. 이는 두 지점 사이의 거리에 따라 값의 차이(분산)가 어떻게 변하는지를 나타낸 함수로, 크리깅은 관측 데이터에 베리오그램 모형을 적합시킨 뒤 이를 바탕으로 가중치를 계산합니다. 또한 논문에서는 정상성 가정 여부나 추정하려는 대상(평균이 알려졌는지, 지역적으로 변하는 추세가 있는지 등)에 따라 단순 크리깅, 정규 크리깅, 범용 크리깅(universal kriging) 등 여러 변형이 구분되어 쓰이므로, 어떤 종류의 크리깅이 사용되었는지 확인하면 해당 연구가 어떤 가정을 전제하는지 파악하는 데 도움이 됩니다. 아울러 교차검증(cross-validation)을 통해 예측 성능을 점검하는 것이 일반적인 관행입니다.
주의할 점
크리깅은 공간자기상관이 안정적으로 존재한다는 가정, 즉 공간적 패턴이 지역 전체에서 크게 변하지 않는다는 가정(정상성)에 의존합니다. 관측 지점 밀도가 낮거나 공간 패턴이 지역마다 급격히 달라지는 경우 예측 신뢰도가 크게 떨어질 수 있어, 예측값과 함께 반드시 예측 오차(분산)를 함께 보고해야 합니다.