공간 데이터베이스는 지도, 전처리된 원격 탐사(remote sensing) 기록, 의료 영상 데이터, VLSI 칩 설계 데이터 등 방대한 양의 공간 관련 정보를 저장합니다. 공간 데이터베이스는 일반적인 관계형 데이터베이스와 구별되는 몇 가지 특징을 지니는데, 대표적으로 위상(topology) 정보나 거리 정보를 포함하며, 정교한 다차원 공간 인덱싱 구조로 조직되고 공간 데이터 접근 방식을 통해 처리된다는 점입니다. 또한 공간 추론, 기하학적 계산, 공간 지식 표현 기법을 필요로 하는 경우가 많습니다.
공간 데이터 마이닝의 정의
공간 데이터 마이닝(spatial data mining)은 공간 데이터베이스에 명시적으로 저장되어 있지 않은 지식, 공간적 관계, 흥미로운 패턴을 추출하는 과정을 말합니다. 이러한 마이닝 작업이 제대로 수행되려면 데이터 마이닝 기술과 공간 데이터베이스 기술이 하나로 통합되어야 합니다.
공간 데이터 마이닝은 다음과 같은 용도로 활용될 수 있습니다.
- 공간 레코드 학습 및 패턴 발견
- 공간 객체 간의 관계, 그리고 공간 데이터와 비공간 데이터 사이의 관계 발굴
- 공간 지식 베이스(knowledge base) 구축
- 공간 데이터베이스의 재구성
- 공간 쿼리 최적화
다양한 응용 분야
공간 데이터 마이닝은 지리 정보 시스템(GIS), 마케팅, 원격 탐사, 이미지 데이터베이스 탐색, 의료 영상 분석, 내비게이션, 교통管制, 환경 연구 등 공간 데이터가 활용되는 거의 모든 분야에서 폭넓은 응용이 기대됩니다.
핵심 과제: 효율적인 마이닝 기법의 개발
공간 데이터 마이닝의 가장 큰 난제는 방대한 데이터의 양과 복잡한 공간 데이터 유형, 그리고 까다로운 공간 접근 방식 때문에 효율적인 마이닝 기법을 개발하는 일입니다. 전통적으로는 통계적 공간 데이터 분석(statistical spatial data analysis)이 공간 데이터를 분석하고 지리 정보를 탐구하는 대표적인 접근 방식으로 널리 사용되어 왔습니다.
지리통계학과 공간통계학의 차이
일반적으로 '지리통계학(geostatistics)'이라는 용어는 연속적인 지리 공간과 연관되며, '공간통계학(spatial statistics)'은 이산적인(discrete) 공간과 연관됩니다. 비공간 데이터를 다루는 통계 모델에서는 서로 다른 데이터 영역 간의 통계적 독립성을 가정하는 것이 일반적입니다.
공간 자기상관(Spatial Autocorrelation)
그러나 공간적으로 분포된 데이터에는 이러한 독립성이 존재하지 않습니다. 실제로 공간 객체들은 서로 연관되어 있으며, 더 정확히 말해 공간적으로 인접해(co-located) 있습니다. 두 객체가 가까이 위치할수록 유사한 속성을 가질 가능성이 높아지기 때문입니다. 예를 들어, 지리적으로 가까운 지역일수록 천연자원, 기후, 온도, 경제 상황이 비슷한 경향을 보입니다.
이처럼 근접한 공간에서 나타나는 강한 상호 의존성은 '공간 자기상관(spatial autocorrelation)'이라는 개념으로 정립되었으며, 이 개념을 바탕으로 성공적인 공간 통계 모델링 기법들이 개발되어 왔습니다.
공간 데이터 마이닝의 미래 전망
공간 데이터 마이닝은 기존의 공간 통계 분석 방법을 계승·발전시키면서, 이를 대규모 공간 데이터에 맞게 확장해 나갈 것입니다. 앞으로는 단순한 분석 효율성뿐만 아니라 확장성(scalability), 데이터베이스 및 데이터 웨어하우스 시스템과의 연동, 향상된 사용자 상호작용, 그리고 새로운 유형의 지식 발견에 더욱 중점을 두고 발전해 나갈 것으로 기대됩니다.