R 지리공간 분석 완벽 마스터 가이드: sf와 terra를 활용한 벡터·래스터 공간 데이터 처리 및 고급 시각화

R의 최신 공간 분석 생태계 표준인 sf(벡터)와 terra(래스터) 패키지의 기초 개념부터 좌표계(CRS) 변환, 기하학 계층 구조(sfg-sfc-sf), 공간 연산(버퍼·교집합·최단거리·공간조인), 그리고 ggplot2·tmap·cartogram·geogrid 고급 시각화까지 실무 예제 코드로 완벽 마스터합니다.
데이터·통계
저자

Ikmyungterran

공개

2026년 8월 29일

Modified

2026년 8월 29일

0. 현대 R 지리공간 분석 생태계: sp/rgdal에서 sf/terra로의 대전환

과거 R 언어의 공간 데이터 분석은 여러 개별 패키지(sp, rgdal, rgeos)를 조합해야 하는 복잡한 구조였습니다. 하지만 2023년을 기점으로 이러한 레거시 패키지들이 공식 CRAN에서 유지보수 중단 및 아카이빙(Archived)되면서, sf (벡터 데이터)와 terra (래스터 데이터)가 명실상부한 R 공간 분석의 표준 축으로 완전히 자리 잡았습니다.

📊 대표적인 R 공간 데이터 패키지 비교 분석

패키지명 데이터 타입 핵심 특징 및 장점 현재 권장 여부 생태계 역할 및 비고
sf 벡터 (Simple Features) 현대적 문법, tidyverse와 완벽 호환, GDAL/PROJ/GEOS C++ 직접 연동 적극 권장 현재 R 벡터 공간 데이터의 표준 (sp의 공식 후속)
terra 래스터 / 벡터 raster 패키지의 C++ 재작성 대체제, 대용량 고속 연산, GDAL 연동 적극 권장 현재 R 래스터 공간 데이터의 표준
sp 벡터 / 그리드 S4 클래스 기반 전통 패키지, 레거시 코드 잔존 비권장 sf로 전면 마이그레이션 필요
raster 래스터 전통적인 래스터 패키지였으나 메모리 및 속도 한계 비권장 terra로 전면 전환 권장
stars 래스터 + 시계열 다차원 시공간 데이터 큐브(Data Cube), sf 확장 라이브러리 대안 / 보완 terra와 상호 보완적으로 활용
rgdal / rgeos 입출력 / GEOS sp 기반 파일 입출력 및 기하 연산 엔진 사용 불가 2023년 CRAN 공식 퇴출 (sf, terra 내장)
spdep 공간 통계 / 회귀 공간 가중치 행렬(\(W\)), Moran’s I, 공간 자기상관 회귀모형 지속 사용 sf 객체 지원 완비
gstat 지구통계학 (Geostatistics) 공간 보간, 베리오그램(Variogram), 크리깅(Kriging) 모델링 지속 사용 sf, terra 연계 분석 지원

💡 현대 R 공간 분석의 핵심 원칙: 새로운 데이터 사이언스 프로젝트는 sf + terra 조합을 베이스라인으로 구축하고, 공간 계량 모델링이 필요한 경우 spdep과 gstat을 결합하는 것이 가장 안전하고 지속 가능한 방식입니다.

1. 분석 환경 구축 및 핵심 라이브러리 로드

R에서 벡터 및 래스터 공간 분석을 수행하기 위해 필요한 핵심 패키지를 설치하고 환경을 초기화합니다.

# 1. 핵심 공간 분석 라이브러리 설치
install.packages(c(
  "sf",           # 벡터 데이터 처리 표준
  "terra",        # 래스터 데이터 처리 표준
  "tidyverse",    # dplyr, ggplot2 등 데이터 파이프라인
  "leaflet",      # 인터랙티브 웹 지도 시각화
  "rnaturalearth" # 실습용 글로벌 지리 경계 데이터
))

# 2. 고급 공간 시각화 및 지형 분석 보조 패키지 (필요 시 설치)
# install.packages(c("tmap", "cartogram", "geogrid", "elevatr", "tidyterra", "rmapshaper", "tidygeocoder"))

# 3. 라이브러리 로드
library(sf)
library(terra)
library(tidyverse)
library(leaflet)
library(rnaturalearth)

2. sf 패키지의 기하학 계층 구조: sfg → sfc → sf

sf(Simple Features for R)는 OGC(Open Geospatial Consortium)와 ISO 19125 표준을 엄격히 준수합니다. sf 객체는 아래 3단계의 계층 구조로 체계화되어 있습니다.

flowchart LR
    sfg["sfg (Simple Feature Geometry)<br/>단일 기하 객체 (점, 선, 면)"] --> sfc["sfc (Simple Feature Column)<br/>sfg 리스트 + 좌표계(CRS) 정보"]
    sfc --> sf["sf (Simple Feature Data Frame)<br/>속성 테이블(tibble) + sfc geometry 열"]
  1. sfg (Simple Feature Geometry): 개별 공간 객체 단 1개(Point 1개, Polygon 1개 등)의 순수 좌표 정보를 담는 기저 객체입니다.
  2. sfc (Simple Feature Column): 여러 sfg 객체들을 모은 리스트-컬럼(List-Column)으로, 좌표계(CRS) 메타데이터가 이 단계에서 부여됩니다.
  3. sf (Simple Feature): 일반 데이터 프레임(tibble)의 각 행에 속성 정보(이름, 인구 등)와 sfc 기하학 열(geometry)이 완벽히 결합된 최종 공간 데이터 프레임입니다.

2-1. sfg 기하학 타입 직접 생성 실습

sf가 지원하는 대표적인 7가지 기하학 타입 생성 문법입니다.

# 1. Point (단일 점)
pt <- st_point(c(126.9780, 37.5665)) # 서울시청 경위도

# 2. LineString (선)
ls <- st_linestring(rbind(c(0, 0), c(1, 2), c(2, 1), c(3, 4)))

# 3. Polygon (다각형: 첫 점과 끝 점의 좌표가 일치해야 함)
poly <- st_polygon(list(rbind(c(0, 0), c(4, 0), c(4, 4), c(0, 4), c(0, 0))))

# 4. Polygon with Hole (도넛 형태의 구멍 뚫린 다각형)
poly_hole <- st_polygon(list(
  rbind(c(0, 0), c(5, 0), c(5, 5), c(0, 5), c(0, 0)),  # 외곽 경계
  rbind(c(1, 1), c(4, 1), c(4, 4), c(1, 4), c(1, 1))   # 내부 구멍
))

# 5. MultiPoint (다중 점)
m_pt <- st_multipoint(rbind(c(1, 2), c(3, 4), c(5, 6)))

# 6. MultiLineString (다중 선)
m_ls <- st_multilinestring(list(
  rbind(c(0, 0), c(1, 1)),
  rbind(c(2, 2), c(3, 3), c(4, 2))
))

# 7. MultiPolygon (다중 다각형: 여러 섬으로 구성된 국가 경계 등)
m_poly <- st_multipolygon(list(
  list(rbind(c(0, 0), c(2, 0), c(2, 2), c(0, 2), c(0, 0))),
  list(rbind(c(3, 3), c(5, 3), c(5, 5), c(3, 5), c(3, 3)))
))

2-2. sfc와 sf 객체로 조합하기

# sfg들을 모아 sfc 컬럼 생성 및 WGS84(EPSG:4326) 좌표계 부여
seoul_pt <- st_point(c(126.9780, 37.5665))
busan_pt <- st_point(c(129.0756, 35.1796))
cities_sfc <- st_sfc(seoul_pt, busan_pt, crs = 4326)

# 속성 데이터 프레임과 결합하여 완전한 sf 객체 완성
korea_cities_sf <- st_sf(
  city_name = c("서울특별시", "부산광역시"),
  population = c(9400000, 3300000),
  geometry = cities_sfc
)

print(korea_cities_sf)

3. 공간 데이터 입출력과 구조 탐색

3-1. 파일 읽기 및 내보내기

st_read() 및 read_sf() 함수를 사용하면 Shapefile(.shp), GeoJSON(.geojson), GeoPackage(.gpkg), KML 등 전 세계 거의 모든 공간 포맷을 자동으로 파싱하여 sf 데이터 프레임으로 불러옵니다.

# 1. 벡터 데이터 읽기
# sido_sf <- read_sf("data/korea_administrative_boundaries.shp")
# world_json <- read_sf("data/world_countries.geojson")

# 2. 벡터 데이터 저장
# st_write(korea_cities_sf, "output/korea_cities.geojson", delete_dsn = TRUE)
# st_write(korea_cities_sf, "output/korea_cities.gpkg", layer = "cities")

3-2. sf 객체의 핵심 메타데이터 탐색

sf 객체는 R 콘솔에서 일반 data.frame의 속성과 함께 상단에 지리 공간 헤더를 출력합니다.

# 실습용 세계 지도 데이터셋 로드
world_sf <- ne_countries(scale = "medium", returnclass = "sf")

# 공간 구조 확인
glimpse(world_sf)             # 속성 컬럼 확인
st_geometry_type(world_sf)    # 기하 타입 (MULTIPOLYGON 등)
st_bbox(world_sf)             # 전체 바운딩 박스 (xmin, ymin, xmax, ymax)
st_crs(world_sf)              # 좌표참조계(CRS) 사양 확인

4. 핵심 이론: 좌표계(CRS)와 지형 데이터 모델

4-1. 지리좌표계(Geographic) vs 투영좌표계(Projected)

좌표계(CRS, Coordinate Reference System)의 선택은 공간 연산(거리, 면적, 버퍼)의 수학적 정확도를 결정짓는 가장 중요한 요소입니다.

graph TD
    Earth["3차원 타원체 지구"] --> Geo["지리좌표계 (Geographic CRS)<br/>단위: 도 (Degrees)<br/>예: WGS84 (EPSG:4326)<br/>용도: GPS, 웹 지도, 위치 저장"]
    Earth --> Proj["투영좌표계 (Projected CRS)<br/>단위: 미터 (Meters)<br/>예: UTM, GRS80 (EPSG:5179)<br/>용도: 거리·면적 계산, 공간 분석"]
구분 지리 좌표계 (Geographic CRS) 투영 좌표계 (Projected CRS)
기준 모델 3차원 지구 타원체 구면 2차원 평면으로 투영된 지도
측정 단위 경위도 도 (Degree: °, ’, “) 미터 (Meter: m, km)
대표 표준 EPSG:4326 (WGS 84) EPSG:5179 (Korea 2000 / 통합기준점), EPSG:3857, EPSG:32652
주요 목적 GPS 수집, 전 지구적 위치 표현, Leaflet 웹 지도 거리(Distance), 면적(Area), 버퍼(Buffer)의 정밀 계산

⚠️ 필수 주의사항: st_area(), st_distance(), st_buffer()와 같이 길이나 면적을 계산하는 모든 함수는 반드시 사전에 st_transform()을 사용하여 미터(m) 단위 투영 좌표계(예: EPSG:5179 또는 EPSG:3395)로 변환한 후 실행해야 합니다.

# CRS 투영 변환 예제: WGS84(4326) -> World Mercator(3395)
world_projected <- st_transform(world_sf, crs = 3395)
st_crs(world_projected)

4-2. 지형 데이터 모델의 이해: DEM, DTM, DSM, OSM

래스터 고도 데이터와 지리 지형을 다룰 때 각 모델의 정의를 정확히 구분해야 합니다.

지형 모델 정식 명칭 데이터 형태 표현 대상 인공물/식생 포함 여부 주 활용 분야
DEM Digital Elevation Model 래스터 지표면의 고도 총칭 포괄적 개념 지형 분석 기초
DTM Digital Terrain Model 래스터 순수 맨땅(지형) 고도 제외 (순수 지형) 토목, 수문 분석, 침수 예측
DSM Digital Surface Model 래스터 건물, 수목을 포함한 최상단 고도 포함 (건물+나무) 도시 3D 모델링, 가시권 분석, 드론 비행
OSM OpenStreetMap 벡터 도로망, 건물 외곽선, POI 벡터 정보 경로 안내, 토지 피복 분류

5. 속성 데이터 가공과 지도 경계 단순화

5-1. dplyr 파이프라인과 Sticky Geometry 원리

sf 객체의 가장 뛰어난 장점은 dplyr의 filter(), select(), mutate(), group_by()를 일반 데이터 프레임과 동일하게 사용할 수 있다는 점입니다.

여기서 가장 중요한 특징은 “Sticky Geometry (달라붙는 기하학)” 원리입니다: * select(name, population)으로 속성 컬럼만 선택해도, geometry 열은 별도로 지정하지 않아도 자동으로 유지됩니다. * 만약 기하학 열을 완전히 제거하고 순수 데이터 프레임으로 변환하고 싶다면 st_drop_geometry()를 호출합니다.

# S2 구면 기하학 옵션 설정 후 dplyr 파이프라인 수행
sf_use_s2(FALSE)

asia_summary_sf <- world_sf %>%
  filter(continent == "Asia") %>%
  select(name, pop_est, gdp_md) %>%
  mutate(
    pop_millions = pop_est / 1e6,
    calc_area_km2 = as.numeric(st_area(.)) / 1e6
  ) %>%
  rename(country = name)

glimpse(asia_summary_sf)

5-2. rmapshaper를 활용한 정점 단순화 (Topology Preserving Simplification)

고해상도 지도 데이터는 정점(Vertex)이 지나치게 많아 렌더링과 웹 서빙 속도를 저하시킵니다. rmapshaper::ms_simplify()를 사용하면 인접 폴리곤 간의 위상 관계(Topology)를 깨뜨리지 않으면서 지도를 가볍게 압축할 수 있습니다.

library(rmapshaper)

# 원본 형상을 유지하면서 99%의 불필요한 정점 제거 (1% 보존)
world_simplified_sf <- ms_simplify(world_sf, keep = 0.01, keep_shapes = TRUE)

# 시각화 비교
par(mfrow = c(1, 2))
plot(st_geometry(world_sf), main = "Original (고용량)", col = "antiquewhite")
plot(st_geometry(world_simplified_sf), main = "Simplified (경량화 1%)", col = "lightblue")

rmapshaper를 이용한 세계 지도 폴리곤 경계 정점 단순화 비교

6. 필수 공간 기하 연산 (Spatial Operations)

공간 분석의 핵심이 되는 집합 연산, 근접 분석, 공간 조인 기법입니다.

6-1. 공간 집합 연산 (Intersection, Difference, Union)

공간 집합 연산 다이어그램: intersection, difference, union, sym_difference

# 두 개의 겹치는 원형 버퍼 생성
b <- st_sfc(st_point(c(0, 1)), st_point(c(1, 1)))
b <- st_buffer(b, dist = 1)
x <- b[1] # 원 A
y <- b[2] # 원 B

# 교집합 (겹치는 영역) 추출
intersection_xy <- st_intersection(x, y)

plot(b, border = "grey", lwd = 2, main = "st_intersection Result")
plot(intersection_xy, col = "steelblue", border = "darkblue", add = TRUE)

st_intersection 실행 결과 겹치는 영역 시각화

6-2. 공간 조인 (Spatial Join)

st_join()은 두 공간 데이터셋의 공통 키(Key)가 없더라도 지리적 위치 관계(포함, 교차, 인접 등)를 기준으로 속성을 결합합니다.

# 가상의 랜덤 샘플 포인트 10개 생성
set.seed(42)
sample_points <- st_sample(world_sf, size = 10)

# 포인트가 어느 국가 폴리곤 내부에 속하는지 국가 속성 결합
points_joined <- st_join(st_sf(geom = sample_points), world_sf, join = st_intersects)
select(points_joined, name, continent)

6-3. 최근접 분석 (Proximity Analysis)

st_nearest_points()와 st_nearest_feature()는 특정 지점에서 가장 가까운 객체를 탐색하고 최단 거리 연결 선분을 생성합니다.

# 점과 선 사이의 최단거리 선분 도출
ls1 <- st_linestring(rbind(c(-2, -3), c(1, 4)))
p1  <- st_sfc(st_point(c(0.1, -0.1)))
shortest_line <- st_nearest_points(p1, ls1)

plot(ls1, lwd = 2, main = "점과 선 사이의 최단거리 (st_nearest_points)")
plot(p1, add = TRUE, col = "red", pch = 19, cex = 1.5)
plot(shortest_line, add = TRUE, col = "blue", lwd = 2, lty = 2)

점과 선 사이의 최단거리 선분 시각화

# 점과 원형 버퍼 사이의 최단거리 도출
r <- sqrt(2) / 10
b1 <- st_buffer(st_point(c(0.1, 0.1)), r)
pts <- st_sfc(st_point(c(0.3, 0.1)))
shortest_circ <- st_nearest_points(pts, b1)

plot(b1, col = NA, border = "blue", lwd = 2, main = "점과 원 사이의 최단거리")
plot(pts, add = TRUE, col = "red", pch = 19, cex = 1.5)
plot(shortest_circ, col = "forestgreen", lwd = 2, lty = 2, add = TRUE)

점과 원형 객체 사이의 최단거리 선분 시각화

6-4. 중심점(Centroid vs Point on Surface)과 버퍼(Buffer)

  • st_centroid: 기하학적 무게 중심을 계산합니다. 도넛 모양이나 초승달 형태, 섬 지형(예: 노르웨이)의 경우 중심점이 폴리곤 외부의 바다나 허공에 위치할 수 있습니다.
  • st_point_on_surface: 어떠한 복잡한 기하 형태라도 반드시 폴리곤 내부 영역 안에 위치하는 대표점을 보장합니다.
# 노르웨이 영역의 중심점 비교
norway_sf <- world_sf[world_sf$name_long == "Norway", ]
centroid_pt <- st_centroid(norway_sf)
surface_pt  <- st_point_on_surface(norway_sf)

plot(st_geometry(norway_sf), col = "antiquewhite", border = "grey50", main = "Centroid vs Point on Surface")
plot(centroid_pt, col = "blue", pch = 4, cex = 2, lwd = 2, add = TRUE)
plot(surface_pt, col = "red", pch = 3, cex = 2, lwd = 2, add = TRUE)
legend("topright", legend = c("st_centroid (외부 위치 가능)", "st_point_on_surface (내부 보장)"), 
       col = c("blue", "red"), pch = c(4, 3))

st_centroid와 st_point_on_surface의 위치 차이 비교 시각화

# 선분 주변 50cm 버퍼 영역 생성
ls_buf <- st_linestring(rbind(c(-2, -3), c(1, 4)))
buff_50cm <- st_buffer(ls_buf, dist = 0.5)

plot(buff_50cm, col = "#FFEEEE", border = "red", lwd = 2, main = "st_buffer 버퍼 영역 생성")
plot(ls_buf, lwd = 3, add = TRUE)

st_buffer를 활용한 선분 주변 버퍼 다각형 생성 시각화

7. 고품질 주제도 시각화 생태계

7-1. ggplot2 + geom_sf를 활용한 현대적 단계구분도

ggplot2의 geom_sf()를 사용하면 좌표계 자동 일치, 범례 관리, 라벨 배치(ggrepel)를 손쉽게 구현할 수 있습니다.

# ggplot2 geom_sf와 ggrepel을 결합한 대한민국 인구 분포 단계구분도 예시
# ggplot(data = korea_sido_sf) +
#   geom_sf(aes(fill = population_man), color = "white", size = 0.3) +
#   scale_fill_viridis_c(option = "plasma", name = "인구수 (만 명)") +
#   geom_label_repel(aes(x = COORDS_X, y = COORDS_Y, label = sido_name), size = 3) +
#   theme_minimal() +
#   labs(title = "대한민국 시도별 인구 통계 지도", subtitle = "sf 및 ggplot2 geom_sf 기반 렌더링")

ggplot2 geom_sf 기반 대한민국 시도별 인구 단계구분도

과거 sp 객체를 fortify()하여 그리던 번거로운 방식에 비해, geom_sf()는 기하학 메타데이터를 직접 인식하여 코드를 획기적으로 줄여줍니다.

sp fortify 방식과 sf geom_sf 방식의 코드 및 아키텍처 비교

7-2. tmap: 전문적인 주제도(Thematic Maps) 제작

tmap은 지도 제작에 특화된 문법(tm_shape() + tm_polygons())을 제공하며, 출판용 정적 지도와 인터랙티브 Leaflet 지도를 단 한 줄의 모드 전환(tmap_mode())으로 지원합니다.

library(tmap)

# 정적 단계구분도 (Plot Mode)
# tmap_mode("plot")
# tm_shape(korea_sido_sf) +
#   tm_polygons("population", palette = "Blues", title = "총인구") +
#   tm_layout(title = "대한민국 인구 통계 지도", frame = FALSE)

tmap을 활용한 기본 단계구분도 시각화

tmap을 활용한 분할 지도 및 비례 심볼 지도

tmap 다변량 속성 비교 단계구분도

tmap_mode("view")를 설정하면 브라우저 상에서 줌/팬이 가능한 인터랙티브 맵으로 즉시 전환됩니다.

tmap view 모드의 인터랙티브 웹 지도 시각화

또한 제주도나 도서 지역을 별도 창으로 배치하는 인셋(Inset) 지도 레이아웃도 손쉽게 구성할 수 있습니다.

tmap 인셋 지도 레이아웃 구성 결과

7-3. Cartogram & Geogrid: 면적 왜곡도 및 육각형 격자(Hexbin) 지도

  • cartogram: 지리적 면적이 아닌 특정 변수(예: 인구수, 경제 규모)의 크기에 비례하여 폴리곤의 면적을 유기적으로 왜곡합니다. 인구 밀집 지역(수도권 등)의 가시성을 극대화할 때 매우 효과적입니다.
  • geogrid: 각 행정구역을 동일한 크기의 육각형(Hexagon) 또는 사각형 격자로 재배열하여 면적 왜곡으로 인한 통계 착시를 제거합니다.
# 1. Cartogram 연속 왜곡 지도 생성
# library(cartogram)
# korea_carto <- cartogram_cont(korea_sido_sf, "population", itermax = 10)
# tm_shape(korea_carto) + tm_polygons("population", palette = "Reds")

cartogram을 이용한 인구 비례 면적 왜곡 지도

# 2. Geogrid 육각형 격자 지도 생성
# library(geogrid)
# korea_hex_grid <- calculate_grid(shape = korea_sido_sf, grid_type = "hexagonal", seed = 42)
# korea_hex_map  <- assign_polygons(korea_sido_sf, korea_hex_grid)
# tm_shape(korea_hex_map) + tm_polygons("population", palette = "Viridis")

geogrid를 활용한 대한민국 육각형 헥스빈 지도

8. 실전 사례 연구 (Case Studies)

8-1. 지오코딩: 주소 문자열을 위경도 좌표로 변환 (tidygeocoder)

데이터베이스에 있는 도로명 주소를 지리 좌표로 자동 변환한 뒤 leaflet에 시각화하는 파이프라인입니다.

library(tidygeocoder)

# 1. 주소 데이터 프레임 준비
address_df <- tibble(
  place_name = c("서울특별시청", "부산광역시청", "대전광역시청"),
  addr = c(
    "서울특별시 중구 세종대로 110",
    "부산광역시 연제구 중앙대로 1001",
    "대전광역시 서구 둔산로 100"
  )
)

# 2. 지오코딩 실행 (ArcGIS 서비스 활용)
geocoded_locations <- address_df %>%
  geocode(address = addr, method = "arcgis", lat = latitude, long = longitude)

# 3. Leaflet 인터랙티브 마커 렌더링
leaflet(geocoded_locations) %>%
  addProviderTiles(providers$CartoDB.Positron) %>%
  addMarkers(
    lng = ~longitude, lat = ~latitude,
    popup = ~paste0("<b>", place_name, "</b><br>", addr)
  )

8-2. terra와 elevatr를 활용한 고해상도 지형 경사도(Slope) 분석

elevatr 패키지로 AWS 지형 서버에서 DEM 래스터를 내려받고, terra 패키지로 경사도를 계산하여 지형 특성을 파악하는 워크플로우입니다.

library(elevatr)
library(terra)
library(tidyterra)

# 1. 관심 영역(AOI) 정의 및 DEM 다운로드 (zoom level 11)
# target_dem_raster <- get_elev_raster(locations = target_aoi_sf, z = 11, clip = "bbox")
# target_rast <- rast(target_dem_raster)

# 2. terra 공간 분석: 경사도(Slope) 및 방위(Aspect) 계산
# slope_rast  <- terrain(target_rast, v = "slope", unit = "degrees")
# aspect_rast <- terrain(target_rast, v = "aspect", unit = "degrees")

# 3. 고도 및 경사도 시각화
# ggplot() +
#   geom_spatraster(data = slope_rast) +
#   scale_fill_hypso_c(palette = "dem_poster", name = "경사도 (°)") +
#   theme_minimal() +
#   labs(title = "지형 경사도 분석 지도", subtitle = "terra::terrain 함수 기반 연산")

9. 실무자를 위한 핵심 체크리스트 요약

R 공간 데이터 분석을 실무에 적용할 때 반드시 점검해야 하는 골든 룰 5가지입니다:

📚 참고 문헌 및 공식 출처

구분 자료명 및 공식 사이트 주요 내용 바로가기
R 공식 재단 sf: Simple Features for R (CRAN) 벡터 공간 데이터 표준 사양, C++ GEOS/PROJ/GDAL 바인딩 가이드 공식 문서
R 공식 재단 terra: Spatial Data Analysis (CRAN) 고성능 래스터 및 벡터 데이터 처리, 지형 분석 함수 레퍼런스 공식 사이트
오픈 서적 Geocomputation with R (Robin Lovelace et al.) 모던 R 공간 데이터 사이언스, GIS 알고리즘 및 공간 통계 종합 교재 원문 도서
시각화 공식 tmap: Thematic Maps in R 정적 및 대화형 단계구분도, Inset 레이아웃, 주제도 디자인 가이드 공식 튜토리얼
지형 패키지 tidyterra: tidyverse Methods for terra Objects ggplot2와 terra의 geom_spatraster 연동 및 고도 팔레트 가이드 공식 문서

함께 읽으면 좋은 글