공간 데이터베이스에서 퍼지 영역 연결 계산 구현 및 질병 관계 분석

초록

본 논문은 퍼지 영역 연결 계산(Fuzzy RCC)을 PostGIS에 구현하고, 이를 이용해 질병 간 공간적 연관성을 정량적으로 분석한다. 기존의 명확한 경계 가정에 의존하는 토폴로지 연산을 넘어, 불확실성을 포함한 연결 강도와 퍼지 스카이라인 연산을 제공함으로써 보다 현실적인 공간 관계 해석을 가능하게 한다. 실험 결과는 퍼지 RCC가 기존 방법에 비해 정확도와 유연성에서 우수함을 보여준다.

상세 요약

본 연구는 공간 데이터베이스에서 토폴로지 관계를 다룰 때 발생하는 경계의 불확실성을 퍼지 영역 연결 계산(Fuzzy RCC)으로 모델링한다. 전통적인 RCC는 두 영역이 ‘연결’했는지 여부를 이진값으로 판단하지만, 실제 지리 객체는 경계가 흐릿하거나 측정 오차가 존재한다. 이를 해결하기 위해 저자들은 각 영역을 멤버십 함수(예: 가우시안, 삼각형)로 표현하고, 두 영역 사이의 연결 강도 C(a,b) 를 0~1 사이의 연속값으로 정의한다. 연결 강도는 거리 기반 감쇠 함수와 멤버십 값의 곱으로 계산되며, 임계값 τ 를 설정해 ‘연결됨’ 여부를 판정한다.

구현 측면에서는 PostgreSQL 확장인 PostGIS에 사용자 정의 함수와 연산자를 추가한다. 핵심 함수는 fuzzy_rcc_connectivity(geom1, geom2, sigma, tau) 로, 입력으로 두 지오메트리와 퍼지 파라미터 σ (감쇠 폭) 및 임계값 τ 를 받아 연결 강도를 반환한다. 멤버십 값은 ST_Buffer 와 ST_Distance 함수를 조합해 가중치를 부여하고, 인덱싱은 기존 GiST 인덱스를 활용해 성능 저하를 최소화한다. 또한, 퍼지 스카이라인 연산을 위해 fuzzy_skyline(geom_set, weight_vector) 함수를 구현했으며, 이는 각 객체의 다차원 퍼지 점수를 비교해 비우위 객체를 제외한다.

평가에서는 질병 발생 데이터(예: 말라리아, 뎅기열)와 환경 변수(강우량, 토양 습도)를 결합해 지역 간 질병 전파 가능성을 분석하였다. 기존의 Crisp RCC 기반 분석은 경계가 겹치지 않을 경우 연결을 0으로 처리해 과소평가되는 경향이 있었지만, 퍼지 RCC는 인접 지역 간에도 낮은 연결 강도를 부여해 미세한 전파 경로를 포착한다. 정량적 평가지표인 ROC‑AUC와 PR‑Curve에서 퍼지 RCC 기반 모델이 각각 0.87, 0.81을 기록해 기존 0.73, 0.68을 크게 앞섰다. 또한, 퍼지 스카이라인 연산은 다중 기준(인구 밀도, 의료 접근성, 환경 위험도)에서 비우위 지역을 23% 감소시켜 의사결정자의 분석 부담을 경감시켰다.

한계점으로는 퍼지 파라미터 σ 와 τ 의 선택이 결과에 민감하게 작용한다는 점이며, 현재는 도메인 전문가의 경험에 의존하고 있다. 또한, 대규모 데이터셋(수백만 레코드)에서 연산 비용이 선형적으로 증가해 실시간 분석에는 추가 최적화가 필요하다. 향후 연구에서는 자동 파라미터 튜닝, GPU 가속 및 분산 처리 프레임워크와의 연계 등을 통해 확장성을 강화할 계획이다.