Building Matching Analysis and New Building Update for the Integrated Use of the Digital Map and the Road Name Address Map

수치지도와 도로명주소지도의 통합 활용을 위한 건물 매칭 분석과 신규 건물 갱신

Abstract

The importance of fusion and association using established spatial information has increased gradually with the production and supply of various spatial data by public institutions. The generation of necessary spatial information without field investigation and additional surveying can reduce time, labor, and financial costs. However, the study of the integration of the newly introduced road name address map with the digital map is very insufficient. Even though the use of the road name address map is encouraged for public works related to spatial information, the digital map is still widely used because it is the national basic map. Therefore, in this study, building matching and update were performed to associate the digital map with the road name address map. After geometric calibration using the block-based ICP (Iterative Closest Point) method, multi-scale corresponding pair searching with hierarchical clustering was applied to detect the multi-type match. The accuracy assessment showed that the proposed method is more than 95% accurate and the matched building layer of the two maps is useful for the integrated application and fusion. In addition, the use of the road name address map, which carries the latest and most frequently renewed data, enables cost-effective updating of new buildings.

최근 공공기관에서 다양한 공간 정보를 제작하고 보급함에 따라 정부기관 및 지자체 등의 구축된 공간정보를 융합하고 연계하는 일의 중요성이 점점 증대되고 있다. 현지 조사와 별도의 측량 작업 없이 필요한 공간정보를 융합을 통해 생성할 경우 시간과 노동 비용을 절감할 수 있을 뿐만 아니라 불필요한 예산의 이중 집행을 근본적으로 막을 수 있다. 그러나 새롭게 도입된 안전행정부의 도로명주소지도와 기존의 국가 기본도인 국토지리정보원의 수치지도2.0의 통합과 연계에 대한 연구는 매우 부족한 실정이다. 실제 공공기관의 공간정보 관련 업무에 도로명주소지도를 활용하도록 장려하고 있으나 대부분의 업무에는 국가 기본도인 수치지도가 활용되고 있다. 이에 본 연구에서는 수치지도2.0과 도로명주소지도의 통합과 연계를 위해 두 지도의 건물 레이어에 대한 매칭을 실시하고 신규 건물을 갱신하였다. 가구계 기반의 ICP(Iterative Closest Point) 기하보정을 통해 두 지도의 건물에 대한 기하학적 차이를 보정하고 계층적 군집화 기반의 다중 대응 객체 탐색 알고리즘을 적용하여 다대다 매칭을 수행하였다. 제안된 매칭기법의 정확도 평가 결과, 95% 이상의 높은 정확도를 보였으며 매칭 된 두 지도 데이터의 건물 레이어에 대한 통합적인 활용과 융합이 가능함을 확인하였다. 또한 최신성이 높고 갱신주기가 짧은 도로명주소지도를 이용하여 수치지도의 신규건물을 갱신함으로써 융합된 공간정보를 생성하고 비용 절감 효과를 거둘 수 있음을 확인하였다.

1. 서 론

최근 공공기관은 물론 민간에서도 다양한 공간 정보를 제작하고 보급함에 따라 공간정보의 융합과 상호 운용의 중요성이 커지고 있다. 우리나라는 1995년부터 국토 공간정보를 디지털화 하는 NGIS(National Geographic Information System) 사업에 착수하였으며 2010년부터는 4차 사업을 진행하고 있다. NGIS 사업을 통해 정부기관 및 지자체 등에서 다양한 공간정보를 구축하였으며 이렇게 구축된 공간정보를 바탕으로 필요한 공간정보를 생성할 경우 비용 절감 효과를 거둘 수 있다. 이러한 이유로 그 동안 여러 시스템에 분산적으로 구축되어 있던 건물정보를 연계하기 위한 다양한 연구가 진행되었다. 해당 연구들은 건축물 정보의 기본인 건축물대장이 속한 인터넷 건축행정정보시스템과 수치지도 관리시스템, 한국토지정보시스템, 등기나 부동산 관련 시스템, 도로명주소 관리시스템과 같은 다른 건물관련 공간 정보 관리 시스템을 연계하기 방법을 제시하였다(Kang et al., 2006; Ministry of Construction Transportation, 2004; Kim et al., 2008; Kim et al., 2010). 그러나 대표적인 공공분야 공간정보인 국토지리정보원의 수치지도2.0과 안전행정부의 도로명주소지도의 통합과 연계에 대한 연구는 부족한 실정이다. Bang et al.(2012)은 수치지도와 도로명주소 연계 체계 연계를 위하여 매칭 및 속성 융합 방안을 제안하였으나 도로 레이어를 중심으로만 연구를 진행하였다. Moon et al.(2012)은 수치지도와 도로명주소지도의 매칭과 속성정보 생성을 연구하였으나 최소경계사각형 기반의 중첩 면적 분석만을 수행하여 두 지도의 기하학적 차이에 따른 오차가 발생할 수 있다.

한편 2011년 7월부터 도로명주소 체계가 시행됨에 따라 모든 공공업무는 물론 민간에서도 점차 기존의 지번 주소 체계 대신 도로명주소를 사용하고 있다. 도로명주소 체계는 해당 지점으로 통하는 도로의 이름과 번호, 건물번호 등에 의하여 위치 표현이 이루어지므로 기존의 법정동 단위 지번 방식에 비하여 업무 효율성 향상, 직관적 위치표현 강화, 길차지 비용 절감 등의 효과를 얻을 수 있다(Ministry of Security and Public Administration, 2014). 공공업무에 도로명주소를 활용하도록 장려하고 있으나 대부분의 공간정보 관련 공공업무에는 국가 기본도인 수치지도가 활용되고 있으며 수치지도는 도로명주소 관련 정보를 포함하고 있지 않다는 문제점이 있다. 실제로 중앙부처 및 지자체에서 수행하는 총 8개 분야 300여종의 공공업무에서 수치지도를 활용하고 있다(National Geographic Information Institute, 2011). 따라서 실제 업무를 수행할 때에는 도로명주소 값을 입·출력하기 위해서 별도로 제작된 매칭테이블을 이용하여 기존의 지번주소와 도로명주소간의 변환 과정이 필요하다. 이는 비용과 시간 등 업무상 효율성 저하를 초래할 뿐 아니라 국가기본도로서의 수치지도 활용목적에도 어긋나며 도로명주소 체계의 확산 및 정착을 위한 국가 정책 기조에도 방해요소가 될 수 있다(Bang et al., 2012).

따라서 수치지도와 도로명주소지도의 체계 연동을 위한 지도 융합 및 두 이종 데이터간의 융합 가능성 검토가 필요하다. 이에 본 연구에서는 수치지형도2.0과 도로명주소지도의 통합 활용을 위해 두 지도의 건물 레이어에 대한 매칭을 실시하고 신규 건물을 갱신하였다. 두 이종 지도 데이터간의 융합 가능성 검토를 위하여 일부 지역의 데이터가 아닌 서울시 은평구 전체 건물 레이어에 대한 자동화된 매칭을 수행하고 건물 중첩 비율 분석을 통해 매칭 정확도를 분석하였다. 또한 최신성이 높은 도로명주소지도를 이용하여 수치지도의 신규 건물을 갱신함으로써 구축된 공간 정보를 바탕으로 필요한 공간정보를 효과적으로 생성하였다.

본 연구의 전체적인 흐름은 Fig. 1과 같다. 수치지도 2.0과 도로명주소지도의 도로 레이어를 이용하여 도로로 둘러싸인 가구계(block)를 각각 추출하였다. 추출된 가구계에 대하여 중첩 면적이 가장 높은 매칭쌍을 탐색한 후 해당 가구계에 위치한 건물들에 대하여 ICP(Iterative Closest Point) 알고리즘 기반의 위치보정을 수행하였다. 기하학적 오차가 보정된 두 건물 레이어에 Huh et al.(2014)이 제안한 계층적 군집화 기반의 다중 대응 객체 탐색 알고리즘을 적용하여 1:1, 1:N, M:N 대응쌍을 탐색하고 대응 건물 객체의 중첩 면적 유사도를 계산하였다. 계산된 유사도 값의 Otsu 임계화 기법을 적용하여 매칭된 건물을 정매칭(기존 건물)과 비매칭(신규 건물)으로 분류하였다. 최종적으로 두 지도 건물 레이어의 매칭 정확도를 분석하였으며 매칭 되지 않은 신규 건물을 갱신하여 수치지도와 도로명주소지도의 체계 연동을 위한 지도 융합 가능성을 검토하였다.

Fig. 1.Flow chart

 

2. 수치지도와 도로명주소지도의 매칭

2.1 가구계 추출 및 건물 레이어 위치 보정

수치지도와 도로명주소지도는 기준 좌표계와 사용되는 타원체가 다를 뿐만 아니라 관리기관과 갱신 방식이 상이하다(Table 1). 따라서 건물 레이어의 기하학적 위치 오차가 존재하며 이를 보정해야만 두 이종 데이터의 통합적인 활용이 가능하다. 그러나 실험 지역 전체를 대상으로 전역적인 기하보정을 수행할 경우 일괄적으로 변환을 수행하기 때문에 지역적인 왜곡이 발생하는 문제점이 있다. 따라서 본 연구에서는 도로로 둘러싸인 가구계를 지도별로 추출하고 건물 매칭의 기본 단위로 이용하였다. 가구계는 실험 지역 전체를 포함하는 폴리곤에 대하여 도로 레이어의 여집합으로 표현된다. 두 지도에서 추출된 M:N의 가구계에 대하여 대응되는 중첩면적이 가장 큰 가구계 쌍을 선정하고 기하학적 보정을 위해 ICP 알고리즘을 적용하였다.

Table 1.The difference of digital map 2.0 and road name address map

대응 가구계 뿐만 아니라 가구계 내에 위치한 각 지도의 건물 레이어를 대상으로 ICP 알고리즘을 적용하여 기하학적 불일치를 보정하였다. ICP 알고리즘은 두 벡터 데이터의 기하학적 차이가 최소화 되도록 변환하는 알고리즘으로 2차원 또는 3차원의 데이터의 등록(registration)에 자주 사용된다. 대상 포인트(t)를 기준 포인트 데이터(b)로 변환 할 때, Eq. (1)의 목적함수를 최소화 하는 대상 포인트 데이터의 회전(rotation), 이동(translation) 변환을 계산한다(Besl and Mckay, 1992; Chen and Medioni, 1992). 일반적으로 대상 포인트와 가장 가까운 기준 포인트를 대응관계에 있다고 보며 이에 대한 회전 및 이동 변환을 초기값으로 설정한다. 반복적으로 대응 포인트와 변환량을 탐색함으로써 두 데이터의 유클리드 거리가 최소화 되는 변환량을 계산한다. Eq. (1)에서 N은 포인트 데이터수, R은 회전 행렬, T는 이동 벡터를 의미하며 b와 t는 각각 기준 및 대상포인트 데이터의 좌표이다.

where N: Number of poin data, R: Rotation matrix, T: Translation vector, bi , ti : i-th point coordinate of base and target data.

2.2 계층적 군집화 기반의 다중 대응 객체 탐색

매칭 된 폴리곤 객체 a와 b가 주어졌을 경우 가장 일반적인 유사도는 중복면적비로 측정될 수 있다. 하지만 이 유사도는 1:1 대응 관계에는 적합하지만 1:N이나 M:N 대응 관계에는 적합하지 않다. 또한 면적비를 이용하기 때문에 상대적으로 면적이 작은 객체들의 경우 매칭을 수행할 공간정보의 위치 오차에 의하여 유사도가 크게 영향을 받을 수 있다는 문제점을 가지고 있다. 따라서 본 연구에서는 Huh et al.(2014)이 제안한 M:N 객체 매칭을 위한 탐색 기법을 이용하였다. Eq. (2)를 통해 폴리곤 a와 b의 가능한 대응 조합에 대한 유사도를 계산하게 되며 이를 가중치 행렬로 나타낸다 (Fig. 2 (b)).

Fig. 2.Identification of multi-scale corresponding object-set pairs between two polygon datasets with hierarchical co-clustering (Huh et al., 2014)

where w : Weight matrix, ai : i-th polygon of a, bj : j-th polygon of b.

대응 되는 객체의 군집화를 수행하기 위해서는 개별 객체들 사이의 유사도를 특징 벡터공간상에 투영하는 것이 필요하다. 이를 위하여 그래프 임베딩 기법을 적용하였다. 쌍대 비교를 수행함으로써 측정된 폴리곤 공간데이터 a와 b의 유사도가 높을수록 서로 인접한 좌표로, 낮을수록 먼 좌표로 투영되게 된다. 이 때 Dhillon (2001)이 제안한 Eq. (3)에 의해 임베딩 할 좌표공간의 차원이 결정되며 Belkin and Niyogi (2003)와 Yan et al.(2007)이 제안한 Eq. (4)의 목적함수(F)를 최소화 시키도록 좌표가 결정된다. 최종적으로 변환된 좌표 공간을 바탕으로 계통적 군집화를 수행하여 매칭쌍을 선별한다(Fig. 2 (d)). 여기서, na 와 nb 는 데이터 a와 b의 객체수, k는 임베딩 차원, xi 와 xj는 폴리곤 객체 Xi 와 Xj가 투영된 공간 좌표이다.

where na , nb : Number of data a and b, k : Embedding dimension, F: Objective function, x : Projected coordinates of poiygon X.

 

3. 정매칭 탐색 및 정확도 평가

3.1 정매칭 탐색

다중 대응 객체 탐색을 통해 대응 되는 M:N 건물 객체의 유사도를 알 수 있으나 이 중 어느 객체가 정확하게 매칭된 것인지 판별할 유사도 기준이 필요하다. 건물 이종 데이터의 경우 동일 건물은 유사도가 높게 나타나며 신규 건축, 증축, 철거된 건물은 유사도가 낮게 나타난다. 본 연구에서는 매칭여부에 대한 이진 분류를 수행하기 위하여 Otsu 임계화 기법을 적용하여 정매칭을 탐색하였다. Otsu 임계화 기법은 클래스 사이의 분산은 최대로 하며 클래스 내의 분산은 최소로 하는 임계값을 탐지하는 알고리즘이다(Otsu, 1975). Otsu 임계화는 클래스 내외의 분산을 이용하는데 Eq. (5)와 같이 통계학적으로 전체 분산(σ2)은 클래스 내 분산()과 클래스 간 분산()의 합으로 나타낼 수 있다. 이때 클래스 내 분산은 클래스 1(매칭건물)과 2(비매칭 건물)의 가중치 합인 Eq. (6)으로 표현한다.

where σ : Total standard deviation, σw , σb : Standard deviation within and between class, σ1 , σ2 : Standard deviation within class 1 and 2, t : Threshold value, w : Weight.

여기서 가중치(w)란 전체 유사도 중에서 그 클래스에 해당하는 유사도가 나타날 확률을 의미한다. 양 클래스의 분산이 작을수록 클래스 내 분산이 작고 클래스 간의 분리도가 높기 때문에 Eq. (6)이 최소가 되도록 하는 임계값(t)을 건물의 매칭 여부에 대한 기준으로 결정하였다.

3.2 정확도 평가 및 신규 건물 갱신

계산된 임계값을 통해 매칭과 비매칭 건물을 이진분류하게 되며 이에 대한 정확도 평가를 수행하였다. 은평구 전체 건물의 정확도 평가 참조 자료를 구축하는 것은 불가능하기 때문에 추출된 가구계의 약 5%를 임의 표집(random sampling)하여 해당 가구계 건물의 매칭 여부를 판독하고 참조 자료를 구성하였다. 그리고 이진 분류 결과와 참조 자료를 바탕으로 Table 2의 오차행렬을 생성하였다.

Table 2.2×2 error matrix

Table 2 의 2×2 오차행렬 요소들을 각각 (a), (b), (c), (d)라고 할 때 정확률 (p), 재현율 (r), F 측정치(F), Jaccard 계수(JC), Yule 계수(YC)는 각각 Eq. (7)~(11)과 같고 지수가 1에 가까울수록 높은 정확도를 의미한다(Sneath et al., 1973).

where a, b, c, d : Factors in error matrix.

두 지도에서 변화가 없는 건물은 위치와 형태적 차이가 작기 때문에 매칭 결과 높은 임계값을 갖는다. 이와 반대로 신축이나 재건축과 같이 변화가 있는 건물은 임계값이 낮으며 갱신 대상이라 할 수 있다 . 매칭 이진 분류와 참조 데이터 모두 매칭 되지 않은 건물(d)은 정확한 갱신 대상 건물이며 분류에서는 매칭 되지 않았으나 실제로는 매칭 되어야 하는 건물(c)은 오차이다. 본 연구에서는 분류에서 매칭 되지 않은 건물을 대상으로 판독을 실시하여 신규 건물 갱신을 수행하였다 .

 

4. 연구결과 및 분석

4.1 연구 대상지역

연구 대상지역은 서울시 은평구로 2002년부터 2010년 까지 서울 전지역의 균형 발전을 목표로 뉴타운사업이 추진된 지역이다. 2011년에 제작된 1:5000 축척의 수치지도 2.0과 2012년에 제작된 도로명주소지도의 도로 및 건물 레이어를 이용하여 연구를 진행하였다(Fig. 3). 두 지도의 경우 기준 타원체와 측지 기준이 다르기 때문에 본 연구에서는 도로명주소지도를 투영 변환하여 수치지도와 좌표체계를 일치시켰다.

Fig. 3.Eunpyeong-Gu building layer of (a) digital map 2.0 and (b) projected road name address map

수치지도 2.0은 데이터간의 지리적 상관관계를 파악하기 위하여 정위치 편집된 지형·지물을 기하학적 형태로 구성하는 구조화편집 작업이 완료된 수치지형도를 말한다(National Geographic Information Institute, 1999). 수치지도의 지형지물 분류체계는 국토지리정보원의 분류체계를 바탕으로 인공 지형지물(교통, 건물, 시설물, 경계)과 자연 지형지물(지류, 수계, 지형)의 7개 대분류 항목을 갖는다(National Geographic Information Institute, 2002).

도로명주소지도는 지번주소의 위치정보 기능 상실로 인한 국민 불편을 해소하고 주소를 자원화하여 사회의 인프라를 구축하기 위해 96년 도입이 결정되었다. 대부분의 국가에서는 도로명주소를 표준으로 사용하고 있으며 우리나라도 2014년부터 본격적인 새주소 사용이 시작되었다. 도로명주소지도는 데이터의 위치 정확도 보다는 실제 지형지물과의 일치성이 더 중요하기 때문에 수치지도 뿐만 아니라 건축물 대장, 준공도면, 현장 도면을 활용하여 구축 및 갱신하고 있다.

4.2 가구계 추출 및 건물 레이어 위치 보정

투영변환 후 좌표 체계가 일치된 두 지도의 건물과 도로 레이어는 기하학적 위치 오차가 존재하며 이를 보정할 필요가 있다. 우선 대응 가구계를 선정하고 기하보정하기 위해 중첩 면적비가 가장 큰 가구계 쌍 중 도로명주소지도의 가구계에 ICP 알고리즘을 적용하였다(Fig. 4). 은평구에는 총 2036개의 가구계가 존재하며, Fig. 4의 ICP 보정 후 결과에서 두 이종 데이터간의 가구계가 잘 일치하는 것을 알 수 있다. 두 가구계 데이터의 주요 차이점은 도로명주소지도의 경우 도로 레이어가 수치지도에 비해 자세히 표현되어 있어 가구계 내의 작은 도로를 추가적으로 표현하고 있다는 점이다.

Fig. 4.Overlapped block polygon of (a) digital map 2.0 (blue) and (b) projected road name address map (hollow and red outline)

대응 가구계 폴리곤을 기하 보정의 기본 단위로 이용할 경우 건물 레이어 전체를 대상으로 전역적인 ICP 기하 보정을 수행하는 것에 비해 지역적인 왜곡을 감소시킬 수 있다. 이를 위해 대응 가구계에 위치한 건물 폴리곤에 대하여 수치지도를 기준으로 도로명주소 지도 건물의 ICP 기하보정을 수행하였다(Fig. 5). 기하보정 전에는 도로명주소지도에 일정 방향으로 위치편차가 존재하나 기하보정 후에는 두 지도의 대부분 건물이 일치하는 것을 알 수 있다.

Fig. 5.Rectified building polygon of (a) block 10 and (b) block 1843

4.3 다중 대응 객체 탐색 및 정매칭 탐색

다중 대응 객체 탐색 결과는 가구계 번호, 도로명주소지도 건물 번호, 수치지도 건물 번호, 유사도의 네 가지 속성을 가진다(Table 3). Table 3을 통해 알 수 있듯이, 688번 가구계에는 도로명주소지도 건물이 23개 그리고 수치지도 건물이 25개 존재하며 1:N, M:1, M:N의 모든 종류 매칭이 성공적으로 탐색되었다.

Table 3.Corresponding building table of multi-scale pair searching

정확도 평가를 위해 임의 표집된 건물들의 유사도에 따른 분포를 살펴보면 Fig. 6과 같다. 수치지도와 도로명주소지도는 1년의 시간 밖에 차이가 나지 않기 때문에 대부분의 건물이 변화가 없다. 따라서 매칭 결과가 0.9~1 사이의 높은 유사도 값을 가지며 이는 성공적으로 두 지도의 ICP 기하 보정과 다중 대응이 이루어 진 것을 의미한다.

Fig. 6.Histogram of corresponding building similarity

일반적으로 분석가가 설정한 임계값에 따라 매칭 여부를 판정하지만 본 연구에서는 Otsu 임계화 기법을 적용하여 자동으로 유사도 임계값을 계산하였다. 이를 통해 분석가의 주관적 개입 없이 신속하며 객관적으로 임계값을 선정할 수 있다. 계산된 임계값은 0.7550이며 해당 값을 기준으로 매칭 된 건물과 매칭 되지 않은 건물을 분류하였다.

4.4 정확도 평가 및 신규 건물 갱신

전체 2036개 가구계의 약 5%인 100개 가구계를 임의 표집하여 참조 자료를 생성하였다. 이 때 표집된 가구계의 수치지도와 도로명주소지도 건물을 직접 비교하고 판독하여 매칭 여부를 결정하였다. 이진 분류 결과에서는 1795개의 건물 중 약 10.6%인 190개의 건물이 신축 또는 재건축 등으로 인해 매칭 되지 않은 것으로 나타났으나 실제로는 약 6.0%인 107개의 건물이 매칭 되지 않는 건물로 나타났다(Table 4).

Table 4.Accuracy assessment table

Table 4의 정확도 평가 결과를 통해 계산된 정확률, 재현율, F 측정치, Jaccard 계수, Yule 계수는 각각 1.00, 0.95, 0.97, 0.95, 0.56 이다. Yule 계수를 제외한 대부분의 지표가 0.95 이상으로 매우 높게 나타났다. 이는 두 지도간의 매칭이 정확하게 이루어졌으며 제안 기법을 통해 이종 데이터간의 효과적인 융합이 가능하다는 것을 뜻한다.

이진 분류 결과를 바탕으로 매칭 되지 않은 건물을 자동으로 갱신할 수 있다. 매칭 되지 않은 건물은 두 데이터의 불일치로 인한 차이 또는 시기적인 차이로 인한 신규 및 증축 건물을 의미한다. 본 연구에서는 갱신 주기가 긴 수치지도를 갱신하기 위하여 도로명주소지도를 이용하였다. 이는 도로명주소지도가 2012년에 제작되어 수치지도에 비해 1년 후 데이터일 뿐만 아니라 도로명주소지도는 매달 갱신되기 때문에 도로명주소지도를 이용한 갱신이 활용도가 높기 때문이다. 수치지도의 신규 건물 갱신은 이진 분류 결과에서 매칭 된 건물을 제외한 나머지 건물의 판독을 통해 수행되었다. 이를 통해 전체 건물 중 매칭 되지 않은 약 10%의 건물만 판독을 수행하여 시간과 비용을 절감할 수 있다.

가구계 688번의 신규 건물 갱신 결과는 Fig. 7과 같다. Table 3에서 확인할 수 있듯이, 수치지도와 도로명주소지도 건물 대응쌍 중 임계값 이하의 매칭은 총 4개이다. 수치지도 11번과 14번 건물은 도로명주소지도 8번 건물, 수치지도 21번과 25번 건물은 도로명주소지도 10번 건물, 수치지도 18번, 20번, 22번 건물은 도로명주소지도 18번과 19번 건물, 수치지도 12번 건물은 도로명주소지도 23번 건물과 임계값 이하의 매칭이 이루어지므로 갱신 대상이다. 신규 건물 갱신 결과 Fig. 7과 같이 수치지도의 기존 8개 건물이 도로명주소지도의 5개 건물로 갱신되었으며 이는 두 개의 건물이 철거되어 보다 큰 형태의 건물로 재건축되었기 때문이다.

Fig. 7.Digital map (a) before and (b) after the building update

 

5. 결 론

대표적인 공공분야 공간정보인 국토지리정보원의 수치지도 2.0과 안전행정부의 도로명주소지도의 건물 레이어 통합과 연계에 대한 연구는 부족한 실정이다. 또한 공공업무에 도로명주소지도를 활용하도록 장려되고 있으나 아직까지 대부분의 공간정보 관련 공공업무에는 국가 기본도인 수치지도가 활용되고 있으며 별도의 입·출력 변환을 거쳐 업무 효율성 저하를 초래하는 문제점이 있다. 따라서 본 연구에서는 수치지도와 도로명주소지도의 체계 연동을 위한 지도 융합 가능성을 검토하였다. 수치지도 2.0과 도로명주소지도의 건물 레이어 통합과 연계를 위해 각 지도의 도로 레이어를 이용하여 가구계를 추출 하였으며 대응되는 가구계를 기준으로 ICP 기법을 적용하여 두 지도 내 건물의 기하학적 오차를 보정하였다. 이 후 계층적 군집화 기반의 다중 대응 객체 탐색 알고리즘을 이용하여 다대다 건물 매칭을 탐색하고 유사도를 계산하였다. 계산된 유사도를 바탕으로 Otsu 임계화 기법을 적용하여 건물 매칭 여부를 분류하였으며 정확도 평가를 수행하였다.

본 연구의 결과와 의의는 다음과 같다.

첫째, 두 이종 지도 데이터간의 융합 가능성 검토를 위하여 일부 지역의 데이터가 아닌 서울시 은평구 전체 건물 레이어에 대한 자동화된 매칭과 매칭 결과 분류를 수행함으로써 신뢰도 높고 강건한 지도 융합 기법을 제안하였다.둘째, 가구계와 건물의 단계적인 ICP 기하매칭을 통해 매칭의 정확도를 향상시키고 계층적 군집화를 통해 다중 대응쌍을 효과적으로 탐색하였다.셋째, 건물 대응쌍의 유사도를 자동으로 임계화하여 매칭여부에 대한 효과적인 분류를 수행하였으며 대부분의 정확도 지표에서 0.95 이상의 높은 값을 보였다.넷째, 분류 결과를 통해 전체 건물 중 10%의 건물에 대한 판독만을 수행하여 시간 및 비용 효율적인 신규 건물 갱신을 수행하였다.

최신성이 높은 도로명주소지도를 수치지도의 신규 건물을 갱신을 위한 기본 자료로 활용할 경우 기 구축된 공간 정보를 효율적으로 활용하는 기반 기술이 될 것이라 기대된다.