공간 리샘플링 (Spatial Resampling)
쉽게 풀면
디지털 사진의 픽셀 크기를 키우거나 줄일 때 새로운 픽셀 값을 주변 픽셀들을 참고해 계산하는 것처럼, 격자 형태의 지도 자료(래스터)도 해상도를 바꾸거나 좌표를 재배열할 때 새로운 셀 값을 계산해야 합니다. 이 과정을 공간 리샘플링이라고 합니다. 원본 자료를 그대로 늘리거나 줄이는 것이 아니라, 주변 값들을 어떻게 조합할지 규칙(방법)에 따라 새 값을 만들어내는 것이 핵심입니다.
왜 중요한가
서로 다른 해상도의 위성영상이나 격자 자료를 비교·중첩 분석하려면 동일한 셀 크기로 맞춰야 하는데, 이때 공간 리샘플링이 필요합니다. 좌표변환이나 투영변환 과정에서도 격자가 재배열되므로 리샘플링이 동반되는 경우가 많아, 원격탐사와 GIS 분석 모두에서 자주 다뤄지는 개념입니다.
논문에서는 이렇게 쓰입니다
서로 다른 해상도의 자료를 동일한 크기로 맞췄다는 의미입니다.
리샘플링 방법 선택이 자료 특성에 영향을 준다는 점을 보여줍니다.
조금 더 깊게 보면
공간 리샘플링에는 최근린(nearest neighbor), 양선형보간(bilinear interpolation), 3차 회선(cubic convolution) 등의 방법이 있으며, 각각 계산 방식과 결과의 매끄러움이 다릅니다. 범주형 자료(토지피복 등)는 값의 의미가 훼손되지 않도록 주로 최근린 방법이 사용되고, 연속형 자료(고도, 온도 등)는 보간 기반 방법이 흔히 사용됩니다. 리샘플링 방법에는 가장 가까운 격자값을 그대로 쓰는 최근린법, 주변 값을 거리 가중으로 평균 내는 양선형 보간법, 더 넓은 범위를 고려하는 3차 회선 보간법 등이 있으며, 범주형 데이터는 값이 섞이지 않도록 최근린법을 쓰고 연속형 데이터는 매끄러움을 위해 다른 방법을 쓰는 것이 일반적입니다.
주의할 점
리샘플링 방법에 따라 원본 자료의 세부 정보가 손실되거나 값이 왜곡될 수 있으므로, 자료의 성격(범주형/연속형)에 맞는 방법을 선택해야 합니다. 범주형 데이터에 평균 기반 보간법을 잘못 적용하면 존재하지 않는 중간값이 생겨 분류 정보가 훼손될 수 있어, 데이터 유형에 맞는 방법을 선택해야 합니다.