7.7.2 다차원 보간법 (Griddata)

Griddata Interpolation

실제 지리 정보(GIS)나 기상 센서망처럼 지도상에 무작위로 흩어진 듬성듬성한 지점의 측정값들은 격자 보간법(Griddata)을 거쳐 조밀하고 규칙적인 2D 평면 격자 데이터로 부드럽게 정밀 재구성됩니다.

1. 다차원 공간 보간(Multi-dimensional Interpolation)의 필요성

이전 섹션에서 살펴본 1차원 보간(interp1d)은 X축 시간 흐름에 따른 기온 변화 등 하나의 변수에만 동작했습니다. 하지만 현실 분석 세계에서는 지도 상의 위도와 경도(X, Y)에 분포된 기상 센서 온도 정보나, 엔진 회전수와 부하율(X, Y)에 따른 연료 소모율 같은 다차원 산포 데이터(Scattered Data)를 다뤄야 합니다.

센서는 물리적 제한 때문에 바둑판 격자 형태로 촘촘하게 배열되어 있지 않고 임의의 흩어진 자리에 놓여 있습니다. 이 관측값들을 기반으로 규칙적인 모니터링 등고선 지도(Regular Grid Map)를 제작하기 위해서는, 흩어진 점들로부터 일정한 격자망의 각 격자점(Grid Point) 위치에서의 예상 수치를 보간해 내는 기술이 반드시 필요합니다.

2. griddata()의 3대 보간 옵션

SciPy는 이를 해결하는 핵심 함수로 scipy.interpolate.griddata를 제공합니다. 타겟 격자 위치를 보간할 때 다음과 같은 3가지 수치 알고리즘(method)을 지원합니다.

  • nearest: 가장 가까운 실측 센서의 값을 그대로 대입합니다. 경계선이 뚝뚝 끊어지는 형태로 보간되어 거친 등고선이 만들어집니다.
  • linear: 인접한 센서 점들을 이은 삼각형 단면 평면(Barycentric) 상의 보간값을 구합니다. 꺾임각이 어느 정도 보입니다.
  • cubic: 2차원 3차 스플라인 곡면 피팅을 거쳐 인접하지 않은 외곽 영역까지 흐르듯 아주 매끄럽고 부드러운 그라데이션 곡면 형태로 온도를 채워 나갑니다.

3. 🎧 Vibe Coding: 흩어진 관측치에서 2D 규칙 격자 맵 복원

10개의 가상 야외 센서에서 불규칙하게 수집한 온도 데이터(X, Y 좌표 및 온도 값)를 가지고, 100x100 크기의 조밀한 2차원 바둑판 그리드 온도를 cubic 보간법으로 설계하는 코드를 작성해 봅니다.

🗣️ 학생 프롬프트 (AI에게 이렇게 명령해 보세요): “파이썬 scipy.interpolate.griddata를 사용하여 2D 평면 위에 무작위로 설치된 10개의 센서 좌표(x, y)와 온도 측정값(z)을 입력받아, 이를 100x100 크기의 촘촘한 규칙 격자망(grid_x, grid_y)에 ‘cubic’ 옵션으로 보간하고 특정 격자점의 온도를 출력하는 예제 코드를 작성해줘.”

실전 코드 작성

import numpy as np
from scipy.interpolate import griddata

# 1. 2D 평면 상에 임의로 배치된 10개의 센서 좌표 (X, Y 범위: 0 ~ 1)
np.random.seed(42)
sensor_points = np.random.rand(10, 2)

# 2. 각 센서 좌표에서 측정한 기온 값(°C) 정의
sensor_temperatures = np.array([25.0, 18.0, 32.0, 15.0, 22.0, 29.0, 12.0, 26.0, 35.0, 20.0])

# 3. 보간하여 값을 채워 넣고 싶은 촘촘한 100 x 100 규칙 격자판 생성
# mgrid[시작:끝:개수j] 형태로 2차원 그리드 격자 좌표를 촘촘히 쏩니다.
grid_x, grid_y = np.mgrid[0:1:100j, 0:1:100j]

# 4. griddata(센서좌표, 센서온도, 타겟격자, method='cubic') 실행
interpolated_grid = griddata(
    sensor_points, 
    sensor_temperatures, 
    (grid_x, grid_y), 
    method='cubic'
)

print("--- [2D 공간 격자 보간 결과] ---")
print(f"1. 입력 센서 좌표 개수: {sensor_points.shape[0]}개")
print(f"2. 복원된 기온 격자 크기: {interpolated_grid.shape[0]} x {interpolated_grid.shape[1]}")

# 3. 격자의 정확히 중심 위치인 [50, 50] 격자점의 예상 온도 출력
center_x = grid_x[50, 50]
center_y = grid_y[50, 50]
center_temp = interpolated_grid[50, 50]
print(f"3. 2D 평면 중심점({center_x:.2f}, {center_y:.2f})의 보간 예상 온도: {center_temp:.2f}°C")

[실행 결과 해석]

--- [2D 공간 격자 보간 결과] ---
1. 입력 센서 좌표 개수: 10개
2. 복원된 기온 격자 크기: 100 x 100
3. 2D 평면 중심점(0.51, 0.51)의 보간 예상 온도: 23.36°C

실제 좌표 (0.51, 0.51)에는 센서가 존재하지 않았지만, 주변에 흩어진 10개 센서의 거리 가중치와 기하학적 3차 곡면 기울기를 수치 연산하여, 해당 중심점의 온도가 약 23.36°C일 것임을 부드럽게 예측해 냈습니다. 이 보간 행렬 데이터를 2D 등고선(Contour)이나 이미지 시각화로 뿌려주면 실시간 날씨 기온 분포 맵이나 지형 높낮이 지도가 완성되는 것입니다.

코딩 영단어 학습 📝

  • Griddata: 격자 데이터. 흩어진 점(Scattered Data) 정보들을 일정한 바둑판 눈금 격자망의 물리값 형태로 보간 매핑해주는 함수명입니다.
  • Scattered Data: 산포 데이터. 규칙적이지 않고 공간이나 변수축 위에 무작위로 드문드문 배치된 이산 데이터를 지칭합니다.
  • mgrid (Mesh Grid): 메시 그리드. 다차원 좌표 배열 격자를 인덱싱 조작용 기호 j를 써서 빠르고 선언적으로 제작해 주는 NumPy 유틸리티입니다.
  • Barycentric: 무게중심의. 다차원 선형 보간 시 기준이 되는 기하학적 다각형이나 사면체의 무게중심 가중치 계산법입니다.
서브목차