[Python/H3] Python으로 하는 H3 공간 분석

Python으로 하는 H3 공간 분석

I. H3 란 무엇인가?

그리드 시스템(Grid System)은 일반적으로 수직과 수평으로 면, 공간을 분할하는 것을 의미하며 공간 분석의 가장 기초입니다. 우리가 발을 딛고 사는 지구는 둥근 구형체입니다. 때문에 다각형을 사용하여 지구를 균등하게 나누는 것은 불가능하다고 볼 수 있습니다. 연구자들은 다양한 방법으로 이전 세대 그리드 시스템의 한계를 극복하는 새로운 시스템을 개발하고 있는데, H3는 우버에서 공개한 육각형의 그리드 시스템입니다.

육각형의 그리드 시스템의 가장 큰 장점은 인접하고 있는 셀로 이동할 때 어떠한 방향과 각도로 이동하든 각 중심점까지의 거리가 동일하다는 점입니다.
다만 육각형의 그리드 시스템 역시 지구를 완벽히 균등하게 나누는 것은 불가능하며 몇 개의 오각형을 함께 사용해야 합니다. 다행히 지구에서 우리가 관심갖는 지역은 땅 위이기 때문에 우버는 이러한 오각형들을 바다 위에 배치하여 한계를 극복하고자 했습니다.

• H3에 대한 자세한 설명은 링크(https://eng.uber.com/h3/) 를 참고하시기 바랍니다.

II. Python으로 H3 다루기

우버의 H3 는 javascript 으로 짜여졌습니만 파이썬에서도 사용가능하도록 라이브러리가 나와 있습니다. (https://pypi.org/project/h3/)

1. 패키지 설치하기

2. 주요한 기초 메소드 및 자료형

파이썬의 h3 패키지가 좋은점은 변환된 h3 출력에 다양한 자료형을 지원한다는 점입니다. 기본 출력은 str과 list/set 이며 정수형과 numpy, memoryview를 지원합니다.

import h3 # 기본 출력으로 h3.api.basic_str 와 동일하며 str 과 list/set 출력
import h3.api.basic_int as h3_int # int와 list/set 출력
import h3.api.numpy_int as h3_np # uint64 와 ndarray 출력
import h3.api.memview_int as h3_mv # uint64 와 memoryview(colletions) 출력

from shapely.geometry import Point, Polygon
from geopy.distance import distance
import geopandas as gpd
import folium
import pandas as pd

hongdae_lat = 37.557435
hongdae_lng = 126.925808

print("홍대를 H3 7 Level로 출력합니다.\n")
print("basic_str 사용 : ", h3.geo_to_h3(hongdae_lat, hongdae_lng, 7))
print("basic_int 사용 : ", h3_int.geo_to_h3(hongdae_lat, hongdae_lng, 7))
print("numpy_int 사용 : ", h3_np.geo_to_h3(hongdae_lat, hongdae_lng, 7))
print("memview_int 사용 : ", h3_mv.geo_to_h3(hongdae_lat, hongdae_lng, 7))

print("\n홍대 H3 7 level의 1 k-ring을 출력합니다.\n")
print("basic_str 출력 결과", "\n  타입 : ", type(h3.hex_ring(h3.geo_to_h3(hongdae_lat, hongdae_lng, 7),1)), "\n  결과 : ", h3.hex_ring(h3.geo_to_h3(hongdae_lat, hongdae_lng, 7),1))
print("numpy_int 출력 결과", "\n  타입 : ", type(h3_np.hex_ring(h3_np.geo_to_h3(hongdae_lat, hongdae_lng, 7),1)), "\n  결과 : ", h3_np.hex_ring(h3_np.geo_to_h3(hongdae_lat, hongdae_lng, 7),1))
print("memview_int 출력 결과", "\n  타입 : ", type(h3_mv.hex_ring(h3_mv.geo_to_h3(hongdae_lat, hongdae_lng, 7),1)), "\n  결과 : ", h3_mv.hex_ring(h3_mv.geo_to_h3(hongdae_lat, hongdae_lng, 7),1))

A. geo_to_h3

h3.geo_to_h3(lat, lng, resolution) 는 좌표계 -> H3로 변환시켜주는 메소드로 변환하고자 하는 좌표값과 H3 크기를 인수로 받음

B. h3_to_geo

h3.h3_to_geo(h3_exp) 는 geo_to_h3와 반대로 H3 -> 좌표계로 변환시켜주는 메소드입니다. 주의할점은 기존 좌표를 그대로 반환하는게 아닌, 해당 H3의 중심좌표를 반환한다는 점입니다.

c.f) 6 level과 7 level의 차이는 어느정도일까?

H3	Average Hexagon Area (km2)	Average Hexagon Edge Length (km)	Number of unique indexes	Distance
0	4,250,546.8477000	1,107.712591000	122	1827.9519km
1	607,220.9782429	418.676005500	842	719.043km
2	86,745.8540347	158.244655800	5,882	242.902km
3	12,392.2648621	59.810857940	41,162	105.158km
4	1,770.3235517	22.606379400	288,122	39.258km
5	252.9033645	8.544408276	2,016,842	13.134km
6	36.1290521	3.229482772	14,117,882	5.699km
7	5.1612932	1.220629759	98,825,162	2.042km
8	0.7373276	0.461354684	691,776,122	700.1m
9	0.1053325	0.174375668	4,842,432,842	314.2m
10	0.0150475	0.065907807	33,897,029,882	116.3m
11	0.0021496	0.024910561	237,279,209,162	38.3m
12	0.0003071	0.009415526	1,660,954,464,122	16.3m
13	0.0000439	0.003559893	11,626,681,248,842	6.4m
14	0.0000063	0.001348575	81,386,768,741,882	2.4m
15	0.0000009	0.000509713	569,707,381,193,162	0m

III. 활용 예시

각 지역별 버스정류장의 배치, 갯수, 접근성 등을 확인하여 버스정류장을 감축 및 증설할 계획을 갖고 있다고 가정합니다.
필요한 데이터를 문서로 확인하는 것도 방법이겠지만, 시각화를 통해 훨씬 빠르게 확인할 수 있을 것입니다.(이 때 H3 9 level은 약 0.1km^2 넓이로 한 선분이 약 300m 인 크기를 갖습니다. 한 버스정류장이 해당 영역만큼의 접근성을 갖고 있다고 가정해봅시다.)

위와 같이 간단한 코드를 통해 서울 전체의 버스정류장 배치와 접근성을 확인할 수 있으며, 어떤 지역에 증설이 필요하고 감소가 필요한지 의사결정하는데 도움을 줄 수 있습니다.