All Issue

2026 Vol.26, Issue 1 Preview Page

Research Article

Estimating Small-area Populations Using Spatial Deep Learning-based Dasymetric Mapping

공간 딥러닝 기반의 대시메트릭 매핑을 활용한 소지역 인구 추정

이 찬1 · 이건학2†

Chan Lee1 · Gunhak Lee2†

1서울대학교 지리학과 석사과정
2서울대학교 지리학과 교수 및 국토문제연구소 겸무연구원
1Master Student, Department of Geography, Seoul National University
2Professor, Department of Geography and Institute for Korean Regional Studies, Seoul National University
30 April 2026. pp. 81~95
PDF Citation
Abstract
Most rural areas have lower population densities than urban areas, and their settlement patterns are spatially dispersed. Due to these spatial characteristics, it is generally difficult to capture micro-level spatial variations using census data published by national statistical offices. Estimating such population distributions can benefit from several approaches. Among them, a dasymetric mapping could be a viable option, particularly for estimating populations in sparsely populated areas when meaningful auxiliary variables are available. Many previous studies on dasymetric population estimation have primarily relied on physical and environmental variables such as land cover, terrain, and road networks. In this research, we focus on variables representing essential living infrastructure (referred to as living SOC), which are expected to shape the spatial patterns of micro-scale population distributions in rural areas. This research aims to estimate the population with a small area unit in rural areas more accurately utilizing a spatial deep learning model integrated with dasymetric techniques. As results of case study, the graph neural network (GNN)–based dasymetric mapping approach explicitly learning spatial dependencies among grid cells. shows outstanding performance for estimating small-area population in rural areas, and living SOC variables embedded in this model can function as spatial anchors for explaining rural population distributions. Furthermore, this study is worth as the original attempt to validate micro-scale population distributions in Korean rural areas using observed tongban-level population data, where official small-area statistics are not available. The findings are expected to provide important implications for public planning and rural regeneration policies.
Keywords
Dasymetric mapping
Graph neural networks (GNN)
Spatial deep learning
Living SOC
Rural population
small-area population estimation
농촌지역은 도시지역에 비해 인구 밀도가 낮고, 정주 패턴이 분산되어 있다는 특징을 가진다. 이러한 경우에 국가 통계기관에서 제공하는 인구 자료만으로는 미시적 수준의 공간적 변동성을 충분히 포착하기 어렵다. 농촌지역의 인구 분포를 추정하기 위해서는 다양한 접근 방법이 활용될 수 있으며, 그중에서도 대시메트릭 매핑은 의미 있는 보조 변수가 확보될 경우 저밀 지역의 인구를 추정하는데 유효한 방법이 될 수 있다. 기존의 대시메트릭 인구 추정 연구들은 주로 토지피복, 지형, 도로망과 같은 물리·환경적 변수에 의존해 왔지만 본 연구는 농촌지역 미시적 인구 분포의 공간적 패턴을 형성하는 사회적 인프라 영역인 생활 SOC 변수에 주목한다. 본 연구의 목적은 공간 딥러닝 모델을 대시메트릭 기법과 결합함으로써 농촌지역의 소지역 단위 인구를 보다 정확하게 추정하는데 있다. 사례 연구 결과, 공간적 의존성을 학습하는 GNN 기반의 대시메트릭 모델이 농촌지역의 소지역 단위 인구 추정에 탁월한 성능을 보이고 있으며, 이 모델에 적용한 생활 SOC 변수는 농촌 인구 분포를 설명하는 중요한 공간적 앵커로서 역할을 하고 있음을 확인하였다. 본 연구는 통반 단위 실측 인구 자료를 활용하여 추정 결과를 절대적으로 검증함으로써, 공식적인 소지역 인구 통계가 제공되지 않는 우리나라 농촌지역 인구 추정의 시초적 연구로서 의의를 가지며, 향후 농촌지역의 공공 계획 수립에 중요한 시사점을 제공할 것으로 기대된다.
키워드
대시메트릭 매핑
그래프 신경망 모델(GNN)
공간 딥러닝
생활 SOC
농촌지역 인구
소지역 인구 추정
References
  1. 구양미, 2021, “인구 변화와 도시 쇠퇴의 지역 불균형: 저출산과 지방소멸 문제에 대한 시사점,” 국토지리학회지, 55(3), 301-320. 10.22905/kaopqj.2021.55.3.5
  2. 서용훈·이건학, 2023, “GWR 기반 대시매트릭 매핑 기법을 이용한 건물 단위 현재 인구 추정,” 한국지도학회지, 23(1), 21-34. 10.16879/jkca.2023.23.1.021
  3. 손승호·이호상, 2021, “한국 농촌지역의 인구분포 및 변화의 특징 – 1995~2020년의 면을 대상으로 -,” 대한지리학회지, 56(6), 607-622.
  4. 이건학·김감영, 2013, “개별공시지가와 주택실거래가의 공간적 불일치에 관한 연구: 공간 단위 임의성 문제 (MAUP) 의 스케일 효과 탐색: 공간 단위 임의성 문제 (MAUP) 의 스케일 효과 탐색,” 대한지리학회지, 48(6), 879-896.
  5. 이지민, 2019, “농촌계획 수립에 적합한 공간단위 설정을 위한 공간단위에 따른 인구 비교 분석,” 농촌계획, 25(3), 1-9.
  6. 조진우, 2020, “인구감소시대 도래에 따른 지방재정의 법적 과제,” 지방자치법연구, 20(3), 3-27.
  7. 조희은·남지현, 2019, “생활 SOC 의 범위 및 시설의 유형별ㆍ지역별 특성 연구-경기도 생활 SOC 현황 및 개선방안을 중심으로,” 한국도시설계학회지 도시설계, 20(5), 33-52. 10.38195/judik.2019.10.20.5.33
  8. Cromley, R. G., Hanink, D. M., and Bentley, G. C., 2012, A quantile regression approach to areal interpolation, Annals of the Association of American Geographers, 102(4), 763-777. 10.1080/00045608.2011.627054
  9. Davern, M., Gunn, L., Whitzman, C., Higgs, C., Giles-Corti, B., Simons, K., Villanueva, K., Mavoa, S., Roberts, R., and Badland, H., 2017, Using spatial measures to test a conceptual model of social infrastructure that supports health and wellbeing, Cities & Health, 1(2), 194-209. 10.1080/23748834.2018.1443620
  10. Flowerdew, R. and Green, M., 1993, Developments in areal interpolation methods and GIS, in Fischer, M.M., Nijkamp, P. (eds.), Geographic Information Systems, Spatial Modelling and Policy Evaluation, Berlin, Heidelberg: Springer, 73-84. 10.1007/978-3-642-77500-0_5
  11. Goodchild, M. f., Anselin, L., and Deichmann, U., 1993, A framework for the areal interpolation of socioeconomic data, Environment and Plainning A, 23(3), 383-397. 10.1068/a250383
  12. Hollis, H., Skropke, C., Smith, H., Harries, R., and Garling, O., 2023, Social infrastructure: international comparative review, Institute for Community Studies and Bennett Institute for Public Policy
  13. Treasury, H. M., 2016, National infrastructure delivery plan 2016-2021, Funding and Finance Supplement, 16(02), 2022.
  14. Karunarathne, A. and Lee, G., 2019, Estimating hilly areas population using a dasymetric mapping approach: a case of Sri Lanka’s highest mountain range, ISPRS International Journal of Geo-Information, 8(4), 166. 10.3390/ijgi8040166
  15. Latham, A. and Layton, J., 2022, Social infrastructure: Why it matters and how urban geographers might study it, Urban Geography, 43(5), 659-668. 10.1080/02723638.2021.2003609
  16. Legeby, A. and Pech, C., 2023, Social values and social infrastructures: a multi-perspective approach to place, Buildings and Cities, 4(1), 801-816. 10.5334/bc.341
  17. Li, Y., Yu, D., Liu, Z., Zhang, M., Gong, X., and Zhao, L., 2023, Graph neural network for spatiotemporal data: methods and applications. arXiv preprint arXiv:2306.00012. 10.2139/ssrn.4725185
  18. liu, p. and Biljecki, F., 2022, A review of spatially-explicit GeoAI applications in Urban Geography, International Journal of Applied Earth Observation and Geoinformation, 112, 102936. 10.1016/j.jag.2022.102936
  19. Liu, P., Chen, Y., Liang, X., Li, H., Biljecki, F., and Stouffs, R., 2025, A graph neural network for small-area estimation: integrating spatial regularisation, heterogeneous spatial units, and Bayesian inference, International Journal of Geographical Information Science, 1-39. 10.1080/13658816.2025.2597971
  20. Lu, W. and Weng, Q., 2024, An ANN-based method for population dasymetric mapping to avoid the scale heterogeneity: a case study in Hong Kong, 2016–2021, Computers, Environment and Urban Systems, 108, 102072. 10.1016/j.compenvurbsys.2024.102072
  21. Mennis, J., 2003, Generating surface models of population using dasymetric mapping, The Professional Geographer, 55(1), 31-42. 10.1111/0033-0124.10042
  22. Metzger, N., Vargas‑Muñoz, J. E., Daudt, R. C., Kellenberger, B., Whelan, T. T. T., Ofli, F., Imran, M., Schindler, K., and Tuia, D., 2022, Fine-grained population mapping from coarse census counts and open geodata, Scientific Reports, 12(1), 20085. 10.1038/s41598-022-24495-w 36418443 PMC9684450
  23. Petrov, A., 2012, One hundred years of dasymetric mapping: back to the origin, The Cartographic Journal, 49(3), 256-264. 10.1179/1743277412Y.0000000001
  24. Pirowski, T. and Szypuła, B., 2024, Dasymetric population mapping using building data, Annals of the American Association of Geographers, 114(5), 1001-1019. 10.1080/24694452.2024.2313500
  25. Tobler, W. R., 1979, Smooth pycnophylactic interpolation for geographical regions, Journal of the American Statistical Association, 74(367), 519-530. 10.1080/01621459.1979.10481647
  26. Tonks, A., Harris, T., Li, B., Brown, W., and Smith, R., 2024, Forecasting West Nile virus with graph neural networks: Harnessing spatial dependence in irregularly sampled geospatial data, GeoHealth, 8(7), e2023GH 000784. 10.1029/2023GH000784 38962698 PMC11220409
  27. Voss, P. R., Long, D. D., and Hammer, R. B., 1999, When Census Geography Doesn’t Work: Using Ancillary Information to Improve the Spatial Interpolation of Demographic Data, Wisconsin: Center for Demography and Ecology, University of Wisconsin – Madison.
  28. Wu, Y., Zhuang, D., Labbe, A., and Sun, L., 2021, Inductive graph neural networks for spatiotemporal kriging, Proceedings of the AAAI Conference on Artificial Intelligence, 35(5), 4478-4485. 10.1609/aaai.v35i5.16575
  29. Zandbergen, P. A. and Ignizio, D. A., 2010, Comparison of dasymetric mapping techniques for small-area population estimate, Cartography and Geographic Information Science, 37(3), 199-214. 10.1559/152304010792194985
  30. Zhao, X., Xia, N., Xu, Y., Huang, X., and Li, M., 2021, Mapping population distribution based on XGBoost using multisource data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 11567-11580. 10.1109/JSTARS.2021.3125197
  31. Zong, Z., Feng, J., Liu, K., Shi, H., and Li, Y., 2019, DeepDPM: Dynamic population mapping via deep neural network, Proceedings of the AAAI conference on artificial intelligence, 33(1), 1294-1301. 10.1609/aaai.v33i01.33011294
  32. 국토교통부, 2026, 「건축법」.
  33. 농림축산식품부, 2024, 「농촌공간 재구조화 및 재생지원에 관한 법률 시행규칙」.
  34. 임실군청 일반현황, “기본현황,” https://www.imsil.go.kr/index.imsil?menuCd=DOM_000000105001001000(2026.2 검색)
Information
  • Publisher :The Korean Cartographic Association
  • Publisher(Ko) :한국지도학회
  • Journal Title :Journal of the Korean Cartographic Association
  • Journal Title(Ko) :한국지도학회지
  • Volume : 26
  • No :1
  • Pages :81~95
  • DOI :https://doi.org/10.16879/jkca.2026.26.1.081
Journal Informaiton Journal of the Korean Cartographic Association Journal of the Korean Cartographic Association
Online Submission
  • NRF
  • KCI 문헌 유사도 검사
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close