포인트밀도추정 (Point Density Estimation)
쉽게 풀면
지도 위에 찍힌 수많은 점(예: 사건 발생 위치)을 하나하나 세는 대신, 마치 안개가 짙고 옅은 정도로 표현하듯 밀도가 높은 곳은 진하게, 낮은 곳은 옅게 색칠해서 보여주는 방법입니다. 특정 지점 주변에 점이 많이 몰려 있으면 그 지점의 밀도 값이 높게 계산되고, 점이 드문 곳은 밀도 값이 낮게 계산됩니다. 결과물은 흔히 히트맵(heatmap) 형태로 시각화되어 한눈에 밀집 지역을 파악할 수 있게 해줍니다.
왜 중요한가
개별 점 데이터만으로는 지도에서 패턴을 직관적으로 읽기 어렵기 때문에, 포인트밀도추정은 범죄 다발 지역, 상권 집중 지역, 야생동물 서식 밀집 구역 등을 시각적으로 명확하게 드러내는 데 활용됩니다. 정책 입안자나 연구자가 자원 배분 우선순위를 정할 때 근거 자료로도 널리 쓰입니다. 범죄 발생 지점, 질병 발병 사례처럼 개별 점 사건의 공간적 집중도를 시각화해 핫스팟(hotspot)을 식별하는 데 널리 활용됩니다.
논문에서는 이렇게 쓰입니다
점 데이터로부터 상업시설의 공간적 집중도를 시각화한 사례입니다.
교통 안전 정책 수립을 위한 근거 자료로 밀도 분석이 쓰인 예입니다.
조금 더 깊게 보면
대표적인 방법으로 커널밀도추정(Kernel Density Estimation)이 있으며, 이는 각 점 주변에 부드러운 커널 함수를 적용하여 주변 지역까지 영향을 확산시키는 방식으로 계산됩니다. 커널의 탐색 반경(bandwidth)을 어떻게 설정하느냐에 따라 결과 지도의 부드러움과 세밀함이 달라집니다. 커널밀도추정에서는 각 점 주변에 커널 함수(가우시안, 4차(quartic) 커널 등)를 씌워 밀도를 부드럽게 분산시키며, 대역폭(bandwidth) 설정이 결과의 매끄러움을 좌우합니다. 대역폭이 좁으면 세부 군집이, 넓으면 전반적인 경향이 강조됩니다.
주의할 점
탐색 반경 설정에 따라 결과가 크게 달라질 수 있어 임의로 정하기보다 데이터 특성에 맞는 근거가 필요하며, 밀도가 높다고 해서 반드시 통계적으로 유의한 군집을 의미하는 것은 아니라는 점을 유의해야 합니다.