지도 합성을 위한 공간 가중치 진화
Evolving Spatial Weights for Cartographic Synthesis
여러 주제별 데이터 층을 단일 복합 지도로 통합하는, 이른바 지도 합성(cartographic synthesis) 문제는 일반적으로 전문가 주도 가중치 방식으로 해결된다. 본 연구는 공간 자기상관(spatial autocorrelation) 구조에 기반한 지도 합성의 다목적 공식화를 제시한다. 우리는 Global Moran's I로 측정되는 전역 공간 구조를 최대화하고 Local Indicators of Spatial Association(LISA)의 분산으로 측정되는 국소 공간 이질성을 최소화함으로써 층 가중치를 추정하는 이중 목적 진화 프레임워크 GIS-moGA를 개발한다. 공간 관계의 단순 평가는 O(N^2) 연산을 필요로 하므로, 직접 계산은 더 큰 데이터셋에서 비실용적이 된다. 우리는 queen 인접성(contiguity) 행렬의 97.7% 희소성을 활용하여 이 문제를 해결하고, 유효 복잡도를 O(N k)로 낮추며 확장 가능한 시(municipal) 수준 분석을 가능하게 한다. 해당 프레임워크는 브라질 아라라쿠아라(Araraquara)의 N = 523개 단위로 구성된 고차원 공간 역학(spatial epidemiology) 데이터셋에서 평가된다. 64개 시나리오 실험 설계를 사용하여 매개변수 설정에 따른 진화적 행동을 검토한다. 결과는 공간 자기상관 적합도 landscape에서 교차(crossover) 연산자가 지리적으로 일관된 구조를 방해할 수 있는 경우, 더 높은 돌연변이(mutation)율이 개체군 다양성을 유지하고 조기 수렴을 방지하는 데 중요함을 보여준다. 전문가 기반 계층적 분석 과정(Analytic Hierarchy Process, AHP) 기준선과 비교했을 때, 결과 Pareto front는 상당한 hypervolume 이득과 공간 일관성(spatial coherence)의 유의미한 개선(p < 0.001, Cliff's delta = 0.87)을 보인다. 이러한 발견은 데이터 주도 지리 다기준 의사결정 분석을 위한 체계적이고 확장 가능한 프레임워크를 제공한다.