도서 소개

데이터사이언스는 주어진 데이터를 바탕으로 질문에 대한 해답을 찾고, 그 과정을 재현 가능한 방식으로 투명하게 공개하는 학문이다. 결과 제시를 넘어 데이터 공유와 해답 도출 전 과정을 포함하며, 데이터의 한계와 표본 추출에 따른 결과의 변화를 수용한다.

공간데이터의 기본 개념부터 포인트, 라인, 폴리곤, 래스터, 데이터 큐브, 참조계까지 설명하고, 속성과 지오메트리의 연결과 분석에 미치는 영향을 다룬다. 특히 서포트 개념을 중심으로 공간적 연속성과 이산성, 다양한 데이터 유형에 적용되는 분석 구조를 체계적으로 설명한다.

로저 비반드와 에드저 페베스마는 R 기반 오픈소스 생태계에서 공간데이터분석의 표준을 구축한 핵심 연구자다. 역자 이상일은 서울대학교에서 관련 분야를 연구·교육해 온 학자로, 데이터사이언스와 공간사이언스의 융합과 재현성의 가치를 강조한다. 공간데이터 분석을 실천적으로 이해하려는 데이터 과학자를 위한 입문서다.

  출판사 리뷰

공간데이터사이언스의 이해와 활용

데이터사이언스는 주어진 데이터를 바탕으로 질문에 대한 해답을 찾고, 그 과정을 타인과 효과적으로 소통하는 학문이다. 여기서 소통은 단순히 결과를 제시하는 것을 넘어, 사용된 데이터를 공유하고 해답 도출의 전 과정을 포괄적이며 재현 가능한 방식으로 투명하게 공개하는 것을 포함한다. 또한 데이터사이언스는 주어진 데이터가 질문에 답하기에 충분하지 않을 수 있음을 인정하며, 설령 해답이 도출되었다 하더라도 데이터 수집 또는 표본 추출 방식에 따라 그 결과가 달라질 수 있음을 수용한다.
공간데이터의 기본 개념을 소개하고 설명하는 이 책은 포인트, 라인, 폴리곤, 래스터, 커버리지, 지오메트리 속성, 데이터 큐브, 참조계와 같은 기초 개념부터, 속성과 지오메트리가 어떻게 연결되고 이러한 연결이 분석에 어떤 영향을 미치는지에 관한 고차원 개념까지를 다룬다. 속성과 지오메트리 간의 관계를 서포트(support)라 하며, 서포트가 달라지면 속성의 특성도 변할 수 있다. 일부 데이터는 공간적 연속성에 기반해 생성되어 모든 지점에서 관찰이 가능하지만, 다른 데이터는 공간적 이산성에 기반해 특정한 구획 체계를 통해서만 관찰된다. 현대 공간데이터 분석에서는 이러한 구획 체계 개념이 포인트 데이터, 지구통계학적 데이터, 에어리어 데이터를 포함한 다양한 데이터 유형에 폭넓게 적용된다. 공간적 재현의 중요성을 뒷받침하는 핵심 개념이 바로 서포트이며, 서포트에 대한 이해는 필수적이다.
저자 로저 비반드는 오픈공간데이터사이언스의 형성과 확산에 결정적인 기여를 해 온 학자이다. 공간통계학, 공간데이터분석, 공간계량경제학의 이론을 R이라는 오픈소스 생태계 위에 구현함으로써, 공간분석을 소수 전문가의 영역에서 벗어나 누구나 접근하고 재현할 수 있는 지식으로 전환시키는 데 중심적인 역할을 했다. 특히 spdep를 비롯한 일련의 패키지와 문서, 교육 자료는 공간데이터분석의 표준적 도구와 언어를 형성하며, 연구의 투명성과 재현성이라는 오픈사이언스의 가치를 공간사이언스 영역에 깊이 뿌리내리게 했다.
저자 에드저 페베스마(Edzer Pebesma)의 기여 역시 오픈공간데이터사이언스의 발전을 논함에 있어 빼놓을 수 없다. 그는 sf, stars와 같은 핵심 패키지를 통해 공간데이터를 다루는 방식 자체를 근본적으로 재정의하며, 공간데이터분석을 현대 데이터사이언스의 문법 속으로 자연스럽게 통합시켰다. 단순성, 일관성, 상호운용성을 중시하는 그의 설계 철학은 공간데이터를 특수한 데이터가 아니라 일반적인 데이터 분석 흐름 속에서 다룰 수 있도록 만들었고, 이는 오픈소스 기반 공간사이언스의 저변을 비약적으로 확장시키는 데 결정적인 역할을 했다. 더 나아가 그는 현재 R, Python, Julia 등 여러 프로그래밍 언어를 아우르는 ‘언어초월 공간데이터사이언스’의 비전을 선도적으로 제시하며, 그 실현을 향한 연구와 개발을 이끌고 있다.
역자 이상일은 공간데이터분석으로 박사학위를 받았으며, 현재 서울대학교 지리교육과에서 지도학, GIS, 공간통계분석, 원격탐사, 인구지리학을 공간데이터사이언스의 관점에서 강의하고 있다. 30년 가까이 공간데이터사이언스를 연구하며 함께 진화하고 있다. 그는 진정으로 독보적인 생성형 AI의 탄생이 이제 기술 혁신으로서의 진화보다는 더 넓은 지적, 사회적 맥락 속에서 이해할 필요가 있다고 말한다. 이미 오래전부터 공간사이언스는 데이터사이언스의 탁월한 실천 사례들을 통해 그 잠재력을 입증해 왔다. 이 책은 공간데이터를 분석에 활용하고자 하는 데이터 과학자를 주요 독자로 한다. 이 책 전반에 걸쳐 공간데이터 분석의 절차와 방법을 설명하며, 예시에는 프로그래밍 언어 R을 사용한다. 생성형 AI의 탄생을 이끈, 데이터사이언스, 오픈사이언스, 그리고 공간사이언스의 융합은 앞으로의 진화 경로 또한 규정할 것이다.

  작가 소개

지은이 : 로저 비반드
노르웨이 경제대학교(NHH) 경제학과의 명예교수이다. 영국 출신의 지리학자이자 경제학자로, 공간데이터분석과 공간계량경제학, 지리정보과학 등의 분야에서 오랫동안 연구와 교육 활동을 수행했다. R에서 공간데이터분석을 위한 기반을 구축하는 데 핵심적인 역할을 했으며, 특히 공간데이터 클래스 체계를 제공한 sp 패키지와, 공간적 자기상관 및 공간계량 분석을 위한 spdep와 spatialreg 패키지의 개발과 발전에 중요한 기여를 하였다.

지은이 : 에드저 페베스마
네덜란드 출신으로 독일 뮌스터대학교 지리정보과학 연구소의 교수로 재직하고 있다. 공간데이터분석, 지구관측 데이터 처리, 지구통계학 등의 분야에서 활발한 연구 활동을 이어가고 있다. R의 공간분석 인프라 구축에 결정적인 기여를 하였으며, sf, stars, gstat와 같은 핵심 패키지를 개발하였다. 최근에는 언어를 초월한 공간데이터사이언스 국제 협력 네트워크 구축과, 대규모 지구관측 데이터 처리를 위한 개방형 API 표준이자 생태계인 openEO의 개발에도 핵심적인 역할을 수행하고 있다.

지은이 : 이상일
서울대학교 사범대학 지리교육과 교수로 재직 중이며, 지도학, GIS, 공간통계분석, 원격탐사, 인구지리학을 가르치고 있다. 서울대학교 사범대학 지리교육과에서 학사 및 석사학위를, 미국 오하이오주립대학교 지리학과에서 박사학위를 취득했다. 한국지도학회와 한국지리학회 회장을 역임했으며, 2023년도 서울대학교 학술연구교육상(교육부문)을 수상했다. 연구와 교육 관련 사항은 개인 홈페이지(https://sangillee.snu.ac.kr)에 잘 나타나 있다.

  목차

역자 서문
한국어판 서문
서장
감사의 글

제1부 공간데이터

1. 시작하기
1.1 첫 번째 지도 | 1.2 좌표참조계(CRS) | 1.3 래스터 데이터와 벡터 데이터 | 1.4 래스터 유형 | 1.5 시계열, 어레이, 데이터 큐브 | 1.6 서포트 | 1.7 공간데이터사이언스를 위한 소프트웨어 1.7.1 GDAL 1.7.2 PROJ 1.7.3 GEOS와 s2geometry 1.7.4 NetCDF, udunits2, liblwgeom | 1.8 연습문제
2. 좌표계
2.1 물리량, 단위, 데이텀 | 2.2 타원체 좌표계 | 2.2.1 구체 혹은 타원체 좌표 | 2.2.2 투영 좌표계와 거리 | 2.2.3 한정 공간과 비한정 공간 | 2.3 CRS | 2.4 PROJ와 지도 정확도 | 2.5 WKT-2 | 2.6 연습문제
3. 지오메트리
3.1 심플 피처 지오메트리 3.1.1 7개의 대표 지오메트리 3.1.2 심플 지오메트리, 밸리드 지오메트리, 링 디렉션 3.1.3 Z 좌표와 M 좌표 3.1.4 엠프티 지오메트리 3.1.5 10개의 부수적인 지오메트리 3.1.6 텍스트 인코딩과 바이너리 인코딩 | 3.2 지오메트리에 적용되는 연산 3.2.1 단항 프레디케이트 3.2.2 이항 프레디케이트와 DE-9IM 3.2.3 단항 측도 3.2.4 이항 측도 3.2.5 단항 변환자 3.2.6 이항 변환자 3.2.7 다항 변환자 | 3.3 정밀도 | 3.4 커버리지: 테셀레이션과 래스터 3.4.1 토폴로지 모형 3.4.2 래스터 테셀레이션 | 3.5 네트워크 | 3.6 연습문제
4. 구면 지오메트리
4.1 직선 64 | 4.2 링 디렉션과 완전 폴리곤 | 4.3 바운딩 박스, 바운딩 직사각형, 바운딩 캡 | 4.4 구면상의 밸리드 지오메트리 | 4.5 연습문제
5. 속성과 서포트
5.1 속성-지오메트리 관계와 서포트 | 5.2 애그리게이션과 속성 요약 | 5.3 면적 가중 내삽 5.3.1 공간 확장형 변수와 공간 집약형 변수 5.3.2 대시메트릭 매핑 5.3.3 파일 포맷과 서포트 | 5.4 업스케일링과 다운스케일링 | 5.5 연습문제
6. 데이터 큐브
6.1 4차원 데이터 큐브 | 6.2 디멘션, 속성, 서포트 6.2.1 규칙 디멘션과 GDAL의 지오변환 6.2.2 큐브 디멘션과 서포트 | 6.3 데이터 큐브 연산 6.3.1 큐브의 분할: 필터 6.3.2 디멘션에 함수 적용하기 6.3.3 디멘션 축소 | 6.4 래스터 큐브를 벡터 큐브로 애그리게이션하기 | 6.5 디멘션을 속성으로 교체하기 | 6.6 기타 동적 공간데이터 | 6.7 연습문제

제2부 공간데이터사이언스와 R

7. sf와 stars 패키지
7.1 sf 패키지 7.1.1 객체 생성 7.1.2 읽기와 쓰기 7.1.3 서브세팅 7.1.4 이항 프레디케이트 7.1.5 타이디버스 패키지 | 7.2 공간적 조인 7.2.1 표본추출, 그리드 생성, 내삽 | 7.3 타원체 좌표 | 7.4 stars 패키지 7.4.1 래스터 데이터의 읽기와 쓰기 7.4.2 stars 데이터 큐브의 서브세팅 7.4.3 크로핑 7.4.4 stars 객체의 디멘션 재설정 및 결합 7.4.5 포인트 샘플추출과 애그리게이션 7.4.6 예측모형 7.4.7 래스터 데이터 플로팅 7.4.8 래스터 데이터 분석 7.4.9 곡선 래스터 7.4.10 GDAL 유틸리티 | 7.5 벡터 데이터 큐브 예제 7.5.1 예제: 대기질 시계열 데이터 애그리게이션 실행 7.5.2 예제: 브리스톨 출발지-도착지 데이터 큐브 7.5.3 타이디 어레이 데이터 7.5.4 벡터 데이터 큐브를 위한 파일 포맷 | 7.6 래스터-벡터 전환과 벡터-래스터 전환 7.6.1 벡터-래스터 전환 | 7.7 좌표 변환 및 좌표 전환 7.7.1 st_crs( ) 함수 7.7.2 st_transform( )함수와 st_project( ) 함수 7.7.3 sf_proj_info( ) 함수 7.7.4 데이텀 그리드, proj.db, cdn.proj.org. 로컬 캐시 7.7.5 변환 파이프라인 7.7.6 축 순서와 방향 | 7.8 래스터 변환 및 워프 | 7.9 연습문제
8. 공간데이터의 플로팅
8.1 모든 지도는 투영법을 가지고 있다 8.1.1 데이터에 맞는 투영법 선정 | 8.2 포인트, 라인, 폴리곤, 그리드 셀 플로팅 8.2.1 컬러 8.2.2 컬러 단절값: classInt 8.2.3 그래티큘 및 관련 요소 | 8.3 베이스 플롯 8.3.1 플롯에 범례 첨가하기 8.3.2 베이스 플롯의 투영법 8.3.3 컬러와 컬러 단절값 | 8.4 ggplot2 패키지를 활용한 지도 제작 | 8.5 tmap 패키지를 활용한 지도 제작 | 8.6 인터랙티브 지도: leaflet, mapview, tmap 패키지 | 8.7 연습문제
9. 대규모 데이터와 클라우드 네이티브
9.1 벡터 데이터: sf 패키지 9.1.1 로컬 디스크에서 불러오기 9.1.2 데이터베이스에서 불러오기와 dbplyr 패키지 9.1.3 온라인 리소스 또는 웹 서비스에서 불러오기 9.1.4 API와 OpenStreetMap 9.1.5 GeoParquet와 GeoArrow | 9.2 래스터 데이터: stars 패키지 9.2.1 stars 프록시 객체 9.2.2 프록시 객체에 대한 연산 9.2.3 원격 래스터 리소스 | 9.3 초대규모 데이터 큐브 9.3.1 에셋의 검색과 처리 9.3.2 클라우드 네이티브 스토리지: Zarr 9.3.3 데이터 API: GEE와 openEO | 9.4 연습문제

제3부 공간통계분석과 공간모델링

10. 공간데이터의 통계적 모형화
10.1 비공간적 회귀분석과 머신러닝 모형을 통한 지도화 | 10.2 서포트와 통계적 모형화 | 10.3 예측모형에서의 시간 | 10.4 디자인 기반 추정과 모형 기반 추정 | 10.5 좌표값을 활용한 예측모형 | 10.6 연습문제
11. 포인트 패턴 분석
11.1 관측 윈도우 | 11.2 CRS | 11.3 마크 포인트 패턴과 선형 네트워크상의 포인트 | 11.4 공간적 표본추출과 포인트 프로세스 시뮬레이션하기 | 11.5 구체상에서 포인트 시뮬레이션하기 | 11.6 연습문제
12. 공간적 내삽
12.1 첫 번째 데이터셋 | 12.2 표본 베리오그램 | 12.3 베리오그램 모형 적합 | 12.4 크리깅 내삽 | 12.5 에어리어 평균: 블록 크리깅 | 12.6 조건부 시뮬레이션 | 12.7 경향 모형 12.7.1 인구 밀도 그리드 | 12.8 연습문제
13. 다변량 및 시공간 지구통계학
13.1 대기질 데이터셋 준비 | 13.2 다변량 지구통계학 | 13.3 시공간 지구통계학 13.3.1 시공간 베리오그램 모형 13.3.2 불규칙 시공간 데이터 | 13.4 연습문제
14. 근접성과 에어리어 데이터
14.1 근접성의 재현: spdep 패키지의 경우 | 14.2 연접성에 기반한 이웃의 규정 | 14.3 그래프에 기반한 이웃의 규정 | 14.4 거리에 기반한 이웃의 규정 | 14.5 가중치 지정 | 14.6 고차 이웃의 정의 | 14.7 연습문제
15. 공간적 자기상관 측도
15.1 측도와 프로세스 오지정 | 15.2 전역적 측도 15.2.1 범주 데이터를 위한 조인 카운트 통계량 15.2.2 모런 통계량 | 15.3 국지적 측도 15.3.1 국지적 모런 통계량 15.3.2 국지적 게티스-오드 통계량 15.3.3 국지적 기어리 통계량 15.3.4 rgeoda 패키지 | 15.4 연습문제
16. 공간적 회귀분석
16.1 마르코프 랜덤 필드와 다수준모형 16.1.1 보스턴 주택가격 데이터셋 | 16.2 보스턴 주택가격 데이터셋에 대한 다수준모형 16.2.1 IID 임의효과: lme4 패키지의 활용 16.2.2 IID와 CAR 임의효과: hglm 패키지의 활용 16.2.3 IID와 ICAR 임의효과: R2BayesX 패키지의 활용 16.2.4 IID, ICAR, Leroux 임의효과: INLA 패키지의 활용 16.2.5 ICAR 임의효과: mgcv 패키지의 gam( ) 함수의 활용 16.2.6 상위 수준 임의효과: 요약 | 16.3 연습문제
17. 공간계량경제학적 모형
17.1 정의 | 17.2 최대우도추정법: spatialreg 패키지의 활용 17.2.1 보스턴 주택 가격 데이터셋 예시 | 17.3 공간 효과 추정 | 17.4 예측 | 17.5 연습문제
Appendix A - 예전 R 공간 패키지
A.1 rgdal과 rgeos 패키지의 퇴역 | A.2 sf와 sp 패키지의 연결성 및 차별성 | A.3 코드와 패키지 마이그레이션 | A.4 raster와 terra 패키지
Appendix B - R 기초
B.1 파이프 연산자 | B.2 데이터 구조 B.2.1 동질 벡터 B.2.2 이질 벡터: list B.2.3 NULL과 리스트 요소의 제거 B.2.4 속성 B.2.5 names 속성 B.2.6 structure의 사용 B.3 MULTIPOLYGON 객체 분할하기

  회원리뷰