Heesoo NTL / VZA / MLIT Dashboard

THESIS DRAFT

논문 원고 PDF

현재 대시보드에 등록된 박사논문 원고입니다. Chapters 1-8까지 포함한 PDF를 여기에서 바로 열거나 다운로드할 수 있습니다. Chapter 7은 validation-gated daily timing diagnostics 장으로, Chapter 8은 결론 장으로 포함했습니다.

논문 PDF 정보를 불러오는 중...

{{ formatSize(thesisDraft.size_bytes) }} · {{ thesisDraft.modified_at || '—' }}

PDF 열기 PDF 다운로드

서버에 논문 PDF 파일이 아직 없습니다.

Chapter {{ draft.chapter }} draft

{{ draft.filename }} · {{ draft.exists ? formatSize(draft.size_bytes) : '파일 생성 대기' }} · {{ draft.modified_at || '—' }}

PDF 열기 PDF 다운로드 파일 생성 대기

장별 PDF 생성 상태를 확인해야 합니다: {{ thesisDraft.chapter_generation_error }}

장별 PDF 다운로드

논문을 1장부터 8장까지 따로 내려받을 수 있습니다. 페이지 범위는 thesis/main.toc 기준입니다.

{{ thesisDraft.available_chapter_download_count || 0 }} / {{ thesisDraft.chapter_download_count || thesisDraft.chapter_downloads.length }} ready

Chapter {{ chapter.chapter }}

pp. {{ chapter.page_range }}

{{ chapter.exists ? formatSize(chapter.size_bytes) : '파일 생성 대기' }}

열기 다운로드 파일 생성 대기

Chapter 7 figures

7장 설명 figure 후보 업로드

7장에 넣을 흐름도, COLD/VZA 설명도, validation/application 구조도, 셀 예시 보조 그림을 따로 보관합니다. 업로드된 그림은 미리보기로 확인하고, 본문 어느 절에 들어갈지 검토합니다.

{{ chapter7FigureInfo?.upload_enabled ? 'upload open' : 'upload closed' }}

7장 figure 후보를 불러오는 중...

업로드 입력

공개 서버에서는 기본적으로 닫혀 있습니다. 업로드를 열려면 서버 실행 환경에서 HEESOO_CHAPTER7_FIGURE_UPLOAD_ENABLED=1을 설정합니다.

업로드됨: {{ chapter7FigureUploadResult.upload.original_filename }}

허용 확장자: {{ chapter7FigureInfo?.allowed_suffixes?.join(', ') || '—' }} · 최대 {{ formatSize(chapter7FigureInfo?.max_bytes) }}

업로드된 figure 후보

{{ chapter7FigureUploads.length }} files

아직 업로드된 7장 figure 후보가 없습니다.

{{ figure.uploaded_at || '—' }} · {{ figure.suffix }} · {{ formatSize(figure.size_bytes) }}

{{ figure.figure_role || 'role 미입력' }} · {{ figure.suggested_section || '위치 미정' }}

미리보기 다운로드

7장 배치 기준

current scope

Chapters 1-8

Chapter 7 daily timing diagnostics + Chapter 8 Conclusion 포함

dashboard location

논문 원고 탭

연구 파트/참고문헌 탭에도 보조 링크 유지

download

대시보드에서 직접 다운로드

메일 전송 없이 관리

Research Parts

연구 파트 구성

논문/발표 흐름은 4장/Part 1 → 5장/Part 2 → 6장/Part 4 → 7장/Part 3 순서로 둡니다. 기능 탭 이름은 데이터 추적성을 위해 기존 Part 3/Part 4를 유지합니다.

연구 파트 정보를 불러오는 중...

THESIS PDF

현재 논문 원고 PDF

Chapters 1-8까지 포함한 현재 원고 PDF입니다. Chapter 7은 validation-gated daily timing diagnostics 장으로, Chapter 8은 결론 장으로 포함했습니다. 대시보드에서 바로 열거나 다운로드할 수 있습니다.

논문 PDF 정보를 불러오는 중...

{{ thesisDraft.filename }} · {{ formatSize(thesisDraft.size_bytes) }} · {{ thesisDraft.modified_at || '—' }}

PDF 열기 PDF 다운로드 서버에 파일이 아직 없습니다.

PROJECT MAP

전체 연구 플로우 차트

논문, 발표자료, 대시보드의 전체 연구 흐름을 하나의 차트 파일로 관리합니다. 최신 업로드 파일은 여기에서 바로 확인합니다.

플로우 차트 정보를 불러오는 중...

{{ latestFlowchart.uploaded_at || '—' }} · {{ latestFlowchart.suffix }} · {{ formatSize(latestFlowchart.size_bytes) }}

다운로드

업로드된 전체 연구 플로우 차트가 없습니다.

THESIS FLOW

논문 장 흐름

업로드된 flow.png 기준으로 전체 논문 흐름은 4장부터 7장까지 네 개의 실증 축으로 구성됩니다. 현재 다운로드 PDF는 1-8장을 포함하며, 7장/Part 3는 validation-gated daily timing diagnostics 장으로 포함되어 있습니다.

4장 / Part 1

신칸센 개통 이후 NTL 변화

DID, 반경 감쇠, 핫스팟, 서비스 이질성

5장 / Part 2

최근 신칸센 연장구간의 개통 전 NTL 동학

니시큐슈 2022, 호쿠리쿠 2024

6장 / Part 4

우쓰노미야 LRT 회랑의 연간 토지이용 변화 추정

다중 위성자료, Random Forest

7장 / Part 3

신규 신칸센 역 주변 토지이용 변화시점 근접 탐지

NTL 시계열, COLD 알고리즘

새 업로드 창은 닫았습니다. 플로우 차트 원본은 서버와 canonical research_sources에 보존합니다.

단위

방법론

핵심 변수

-{{ item }}

주의 / 상태

-{{ note }}

연결 데이터셋: {{ part.dataset_count }}개

정리된 참고문헌: {{ part.reference_count }}개

HEESOO PHD

Core Message

Data: {{ slide.dataDescription }}

Dashboard Updates

업데이트 / 작업 현황

현재 대시보드에서 진행·완료된 작업과 직전 업데이트 내용을 한곳에 정리합니다.

To-do

To-do 창

불러오는 중...

{{ item.title }} {{ item.status }}

{{ item.detail }}

Last update

직전 업데이트 요약

{{ bullet }}

References & Materials

참고문헌/자료

Part 1 PSM-DID/SDID 신칸센 역세권 연구에 맞춰 선행연구와 hotspot trajectory 메커니즘 참고문헌을 한곳에 정리했습니다.

대표 문헌: What matters in promoting new town by High-Speed Railway station? Evidence from China

참고문헌 정보를 불러오는 중...

THESIS DRAFT

현재 논문 원고 PDF

본문 작성용 PDF를 참고문헌/자료와 같은 자료 화면에서도 열람·다운로드할 수 있도록 고정했습니다.

{{ thesisDraft.filename }} · {{ formatSize(thesisDraft.size_bytes) }}

PDF 열기 PDF 다운로드 서버에 파일이 아직 없습니다.

SUBMISSION DOCUMENTS

제출 서류

교수님 코멘트를 반영해 다시 작성한 제출용 설명자료와 편집 가능한 DOCX, 코멘트 대응 메모입니다.

{{ submissionDocuments.length }} files

{{ doc.label }} · {{ doc.type }}

서버에 파일이 아직 없습니다.

DOI PDF/자료 보기 · {{ formatSize(ref.size_bytes) }} 로컬 파일 미배포

다운로드 자료

로컬 원문 PDF와 Part 1 참고문헌 스캔 정리문서를 다운로드 자료로 보관합니다. DOI-only 문헌은 참고문헌 카드의 DOI 링크로 연결합니다.

{{ materials.length }} files

{{ mat.label }} · {{ mat.type }}

FORMULA COLLECTION

공식 모음집

현재 논문 본문에 들어간 numbered equation을 한곳에 모았습니다. 각 식은 논문 라벨, 장 번호, 식의 역할, 의미 설명, 변수 설명과 함께 정리했습니다.

{{ formulaCollection?.formula_count || 0 }} equations {{ formulaCollection?.source_record || 'source loading' }} updated {{ formulaCollection?.updated_at || '—' }}

공식 모음집을 불러오는 중...

Chapter {{ chapter.chapter }}

{{ chapter.formula_count }} formulas

KEY VARIABLES

중요 변수 설명

{{ formulaImportantVariables.length }} variables

Ch {{ variable.chapters.join(', ') }}

EQUATIONS

논문 수식 목록

장 번호, 역할, 키워드로 필터링할 수 있습니다. 검색은 식 라벨, 제목, 의미, 변수 설명까지 포함합니다.

showing {{ filteredFormulas.length }} / {{ formulaCollection?.formula_count || 0 }}

Chapter {{ formula.chapter }} {{ formula.role }} {{ formula.label }}

\[ {{ formula.latex }} \]

해석 포인트

• {{ point }}

변수	의미
{{ variable.symbol }}	{{ variable.meaning }}

해당 조건에 맞는 수식이 없습니다.

PART 4 · RESEARCH PACKET

Part 4 연구·원고 관리

업로드된 원고를 Part 4 원천자료로 보존하고, 주장·수치·방법론·부록 매핑을 대시보드에서 검증 가능한 연구 패킷으로 관리합니다.

신규 업로드 창은 닫았습니다. 기존 원고와 메타데이터는 목록에서 계속 확인할 수 있습니다.

Part 4 원고 목록을 불러오는 중...

Part 4 연구 요약을 불러오는 중...

PART 4 RESEARCH · Utsunomiya LRT

case

micro scale

19 stations · 500m buffer

monthly VIIRS NTL, approval / construction / operation phases

macro scale

RF annual land-use maps

GHSL / CORINE / NLCD transfer + Japan L03 validation

연구 목적

-{{ item }}

방법론 구조

Station-level NTL 결과 해석

-{{ item }}

RF land-use 성능

dataset	after	before
{{ row.dataset }}	{{ fmt(row.accuracy) }}	{{ fmt(row.before_consolidation) }}

dataset	urban	suburban	rural
{{ row.dataset }}	{{ fmt(row.urban) }}	{{ fmt(row.suburban) }}	{{ fmt(row.rural) }}

해석과 thesis 위치

-{{ item }}

claim boundary / 보완 필요

{{ item }}

APPENDIX · Part 4 manuscript

부록 · land-use class harmonization

원고 부록의 GHSL, NLCD, CORINE 원분류를 Urban / Sub-urban / Rural / Excluded로 통합한 기준입니다. RF 성능과 L03 validation을 해석할 때 사용하는 분류체계 근거입니다.

{{ group.code_label }}	{{ group.class_label }}	Unified Class
{{ row.code }}	{{ row.source_class }}	{{ row.unified_class }}

원고 업로드 접수 종료

신규 파일 업로드 창은 닫았습니다. 현재 반영된 원고와 부록 근거만 관리합니다.

{{ part4UploadInfo?.upload_enabled ? 'upload open' : 'upload closed' }}

현재 공개 대시보드에서는 새 원고를 받지 않습니다.

Part 4 원고 `jsce-ip-D-25-00032R1.docx`와 추출 텍스트, class harmonization 부록, 슬라이드용 데이터 설명은 이미 관리 대상에 포함했습니다. 추가 원고가 필요한 경우 서버 환경에서 `HEESOO_PART4_UPLOAD_ENABLED=1`을 명시적으로 설정한 뒤 임시로 다시 열 수 있습니다.

관리 기준

저장 위치: Part 4 manuscript intake 전용 저장소와 메타데이터 파일
최대 크기: {{ formatSize(part4UploadInfo?.max_bytes) }}
허용 확장자: {{ suffix }}
다음 처리: 신규 접수는 닫고, 현재 원고의 주장, 근거, 방법론, citation과 기존 Part 1/2/3 evidence의 충돌 여부만 계속 검토합니다.

업로드된 Part 4 원고

파일명, 설명, 업로드 시각, 크기를 기록하고 원본 파일을 다시 내려받을 수 있습니다.

{{ part4Uploads.length }} files

아직 업로드된 Part 4 원고가 없습니다.

파일	설명	업로드	크기	다운로드
{{ upload.original_filename }} {{ upload.suffix }} · {{ upload.id }}	{{ upload.description \|\| '설명 없음' }}	{{ upload.uploaded_at \|\| '—' }}	{{ formatSize(upload.size_bytes) }}	열기

PART 5 · SANDBOX

Part 5 실험용 테스트 공간

아직 논문 장이나 evidence claim으로 확정하지 않은 아이디어를 따로 시험하는 공간입니다. 기존 Part 1-4와 Chapter 4-7의 증거 위계는 그대로 둡니다.

Part 5 sandbox를 불러오는 중...

sandbox status

claim boundary

{{ item }}

next actions

테스트 시작 전 체크

thesis role: {{ part5Sandbox.thesis_role }}

{{ idx + 1 }} {{ item }}

land-use first test

change records

{{ fmtInt(part5LanduseSummary?.selected_landuse_change_records) }}

2014→2016 / 2016→2021

unique cells

land-use changed first

annual NTL rows

yearly cell summaries

NTL observations

filtered daily rows matched

included regions

excluded anchor coverage

{{ row.region }} · missing {{ (row.missing_anchor_years || []).join(', ') }}

Part 3 parameter calibration

sample cells

changed sample

stable-null

parameter sets

{{ fmtInt((part5ParameterSummary?.parameter_sets || []).length) }}

matched rows

changed any: {{ fmtPct(rec.changed_pass_any_rate) }}
changed multi: {{ fmtPct(rec.changed_multi_vza_rate) }}
stable any: {{ fmtPct(rec.stable_pass_any_rate) }}
factory any: {{ fmtPct(rec.factory_pass_any_rate) }}

파라미터 읽는 방법

{{ item }}

sensitivity figures

랜드유즈별·변화수준별 sensitivity 그림

class별 pass-any/multi-VZA, 지역별 sensitivity, stable-null 위험, turnover 및 단일 class 변화폭별 검출률을 그림으로 정리했습니다.

figures {{ fmtInt(part5Sandbox?.parameter_figures?.figure_count) }} · sample {{ fmtInt(part5Sandbox?.parameter_figures?.sample_cells) }}

PNG 열기

AI/ML detectability model

target rows

positive labels

ROC AUC

avg precision

top-k recall

AI모델 해석 경계

{{ item }}

모델별 검증 요약

model	pos	AUC	AP	top-k recall
{{ row.model_id }}	{{ fmtInt(row.positives) }}	{{ fmtNum(row.roc_auc, 3) }}	{{ fmtNum(row.average_precision, 3) }}	{{ fmtPct(row.top_k_recall) }}

{{ part5AiModelPrimary?.model_id || 'primary model' }} transition group

group	cells	actual	score
{{ row.transition_group }}	{{ fmtInt(row.cells) }}	{{ fmtPct(row.actual_pass_any_rate) }}	{{ fmtPct(row.mean_predicted_probability) }}

PNG 열기

{{ item.label }} · {{ fmtInt(item.rows) }} rows

ratio-aware transition AI

랜드유즈 비율 변화 soft attribution 모델

MLIT L03-b-u의 class별 gain/loss ratio를 target으로 두고, NTL/COLD/VZA feature만 사용해 후보 셀 내부의 변화 방향을 추정합니다. Random Forest/ExtraTrees와 PyTorch MLP 후보를 같은 region-grouped validation으로 비교합니다.

{{ part5LanduseTransitionModelComparison?.status || part5LanduseTransitionAiResult?.status || 'sandbox' }}

training rows

{{ fmtInt(part5LanduseTransitionBestMetric?.training_rows || part5LanduseTransitionAiResult?.training_rows) }}

target outputs

{{ fmtInt(part5LanduseTransitionBestMetric?.target_outputs || part5LanduseTransitionAiResult?.target_outputs) }}

selected model

{{ part5LanduseTransitionModelComparison?.best_model_id || part5LanduseTransitionAiResult?.model_id || '-' }}

change mass MAE

{{ fmtNum(part5LanduseTransitionBestMetric?.change_mass_mae, 3) }}

applied cells

{{ fmtInt(part5LanduseTransitionModelComparison?.applied_candidate_rows || part5LanduseTransitionAiResult?.applied_candidate_rows) }}

해석 경계

{{ part5LanduseTransitionModelComparison?.claim_boundary || part5LanduseTransitionAiResult?.claim_boundary || 'Exploratory soft attribution only; predicted ratios are not observed MLIT land-use changes.' }}

모델 비교 지표

model	mass MAE	all MAE	R²	gain	loss	transition
{{ row.model_id }}	{{ fmtNum(row.change_mass_mae, 3) }}	{{ fmtNum(row.mean_absolute_error_all_ratio_outputs, 3) }}	{{ fmtNum(row.change_mass_r2, 3) }}	{{ fmtPct(row.top_gain_accuracy) }}	{{ fmtPct(row.top_loss_accuracy) }}	{{ fmtPct(row.top_transition_accuracy) }}

적용 후보 transition 상위

predicted transition	cells
{{ row.predicted_transition \|\| row.index }}	{{ fmtInt(row.cells) }}

PNG 열기

{{ item.label }} · {{ fmtInt(item.rows) }} rows

what was analyzed

Part 5에서 실제로 한 분석

{{ fact }}

result interpretation

핵심 결과 요약

읽는 방법

{{ item }}

source and verification

재현성 기록

threshold summary

검출 폭과 NTL 방향

interval	rule	records	PyCOLD any	increase	decrease	median ΔDNB
{{ row.interval }}	{{ row.selection_rule }}	{{ fmtInt(row.records) }}	{{ fmtPct(row.pycold_pass_any_rate) }}	{{ fmtPct(row.ntl_increase_rate) }}	{{ fmtPct(row.ntl_decrease_rate) }}	{{ fmtNum(row.median_anchor_delta_mean_dnb, 3) }}

downloads

Part 5 CSV

{{ item.filename }} · rows {{ fmtInt(item.rows) }}

parameter grid

Part 3 후보 파라미터별 표본 성능

set	COLD	persist	changed any	changed multi	stable any	factory any
{{ row.parameter_set_id }} {{ row.parameter_label }}	tcg {{ fmtNum(row.t_cg, 4) }} / c{{ row.conse }}	{{ row.min_post_days }}d · obs{{ row.min_post_obs }} · z{{ row.min_shift_z }} · pf{{ row.min_persist_frac }}	{{ fmtPct(row.changed_pass_any_rate) }}	{{ fmtPct(row.changed_multi_vza_rate) }}	{{ fmtPct(row.stable_pass_any_rate) }}	{{ fmtPct(row.factory_pass_any_rate) }}

parameter downloads

캘리브레이션 CSV

{{ item.filename }} · rows {{ fmtInt(item.rows) }}

transition summary

상위 land-use transition

rule	interval	transition	records	PyCOLD any	increase	decrease
{{ row.selection_rule }}	{{ row.interval }}	{{ row.loss_gain_transition }}	{{ fmtInt(row.records) }}	{{ fmtInt(row.pycold_pass_any_records) }}	{{ fmtInt(row.ntl_increase_records) }}	{{ fmtInt(row.ntl_decrease_records) }}

PART 1 RESEARCH CONTENT · 4.5.1–4.5.9

Part 1 연구내용

연구내용 탭은 그래프보다 논문 섹션별 목적·결과·해석을 먼저 읽는 요약판입니다. 상세 그림과 인터랙티브 차트는 옆의 Part 1 결과 해석 / 추가분석 탭에서 확인합니다.

현재 주축은 PSM-DID + SDID-style counterfactual입니다. 해석 주장은 ‘총량 성장’보다 station-core 집중과 hotspot/SCoG의 station-oriented re-centering을 중심으로 읽습니다.

Part 1 연구내용을 불러오는 중...

4.5.1–4.5.9 목적 / 결과 간단 요약

각 섹션을 목적, 결과, 현재 위치/해석 순서로 압축했습니다.

4.5.1과 4.5.2의 차이

4.5.1은 좌표반경 baseline DID

역 좌표를 중심으로 0–1km, 0–5km, 0–10km 같은 큰 누적 버퍼를 잡고, 개통 전후 평균 NTL 변화가 treated와 control에서 어떻게 달랐는지 보는 baseline 확인입니다. 현재 논문 구조에서는 pre-pivot legacy benchmark 성격이 강합니다.

4.5.2는 누적반경 spatial decay

겨울(12·1·2월)을 제외한 Mar–Nov 기준으로 0–1/0–5/0–10km 누적반경 효과가 거리가 멀어질수록 어떻게 약해지는지 읽습니다. 현재 non-winter 재구성에서는 PSM-DID post +1/+2 기준 0–1km +31.8%, 0–5km +1.9%, 0–10km -0.8%로 station-core 집중 패턴을 확인합니다.

왜 둘 다 필요한가

4.5.1은 “개통 효과가 역 주변에서 보이나?”라는 출발점이고, 4.5.2는 “그 효과가 정확히 몇 km 안쪽에 집중되나?”를 답합니다. 단, 0–2km와 0–3km는 0–1km core를 포함한 누적반경이므로, 2km/3km 결과를 바깥 ring 자체의 독립 효과로 해석하면 안 됩니다.

목적: {{ section.purpose }}
결과: {{ section.result_summary }}
현재 위치 / 해석: {{ section.interpretation }}

읽는 순서

4.5.1–4.5.2에서 겨울 제외 Mar–Nov 기준 0–1km +31.8%, 0–5km +1.9%, 0–10km -0.8%로 station-core에 집중 패턴을 확인합니다.
4.5.3–4.5.4에서 event timing, PSM balance, support overlap, matched controls, SDID donor validity를 확인합니다.
4.5.5–4.5.9는 메커니즘/외적타당성/서비스 이질성 진단입니다. 특히 4.5.6–4.5.8은 hotspot/SCoG가 역에 가까워지는 station-oriented re-centering으로 읽고, service-speed proxy는 실제 속도나 시간절감이 아니라 stop-pattern class-mix index입니다.

RESULT SLIDE · Part 1 결과 해석 / 추가분석 · PSM-DID + SDID PRIMARY AXIS

{{ part1Results?.headline || '역 핵심권 1km 효과와 hotspot 시각화를 불러오는 중입니다.' }}

{{ part1Results?.caveat || 'PSM-DID / SDID-style counterfactual evidence only' }}

Part 1 결과를 불러오는 중...

INTERACTIVE FIGURES · Part 1

Part 1 핵심 그래프

현재 `/api/part1_results`가 제공하는 PSM-DID/SDID-style 반경 효과, dynamic matched/synthetic gap, support gate를 요약합니다. Pixel hotspot/SCoG는 아래 4.5.x current PNG figure를 근거로 봅니다.

method_family_sections · section_451_459_results

Radius profile · PSM-DID vs SDID

Dynamic matched/synthetic gap · 0–1km

Identification support gate

4.5.6 hotspot / 4.5.8 SCoG의 pixel-level 그림은 아래 4.5.x 카드의 PNG figure로 표시합니다. 현재 공개 API는 해당 보조 인터랙티브 패널의 raw rows를 top-level로 노출하지 않습니다.

SECTION MAP · section_451_459_results

4.5.1–4.5.9 목적별 결과 목차

4.5.1부터 4.5.9까지 주효과·공간/타이밍 검증·식별 게이트·외부타당성·메커니즘 진단으로 나눠 결과와 진단을 함께 표시합니다.

resultPurposeGroups · visual_assets

목적

결과와 해석

그림이 의미하는 것

어디에 표시되나

4.5.4a · PSM balance SMD gate 읽는 법

이 그림의 feature들은 모두 2012–2014 개통 전 baseline/pretrend matching 변수입니다. 예를 들어 log ntl mean r0 1km는 역 0–1km 누적반경의 개통 전 평균 야간조도 수준, log1p std r0 1km는 그 반경 안 조도 이질성, bright share는 밝은 pixel 비중, valid pixels는 분석에 실제 사용 가능한 관측 pixel support입니다. Δ14-12는 2014년 값 minus 2012년 값, trend는 개통 전 성장 기울기입니다.

|SMD| = standardized mean difference의 절댓값
treated 평균과 control 평균의 차이를 pooled standard deviation으로 나눈 값입니다. 0에 가까울수록 개통 전 조건이 비슷하고, 보통 0.1 이하는 좋고 0.2 이하는 수용 가능하게 읽습니다.

Before = 매칭 전 전체 control 후보군과 treated의 차이
모든 후보 control을 그대로 두고 treated와 비교한 불균형입니다. 오른쪽에 있을수록 원래 후보군이 treated와 많이 달랐다는 뜻입니다.

After match = 선택된 matched controls와 treated의 차이
PSM/matching으로 고른 control만 놓고 다시 계산한 불균형입니다. 점이 왼쪽으로 이동하면 |SMD|가 작아져 matching 후 treated와 control이 더 비슷해졌다는 뜻입니다.

4.5.4d · SDID prefit / donor validity 읽는 법

Pre-treatment RMSPE는 개통 전 treated path와 synthetic path의 fitting error입니다. 낮을수록 SDID-style donor 조합이 개통 전 treated NTL 경로를 잘 재현했다는 뜻입니다. 특히 Part 1의 핵심이 0–1km 역세권이므로 0–1km station-core에서 RMSPE가 낮은지를 먼저 봅니다.

우리가 보고 싶은 패턴
개통 전에는 synthetic control이 treated를 잘 따라가고, 개통 후에는 treated가 synthetic보다 위로 벌어지는지 확인합니다. 즉 prefit error가 작고 post-opening gap이 그 error보다 충분히 커야 해석력이 생깁니다.

donor effective N
synthetic path가 한두 donor에만 과도하게 의존했는지 보는 donor validity 지표입니다. RMSPE가 낮아도 donor effective N이 너무 작으면 donor dependence를 의심해야 합니다.

주의: 5km/10km는 평균화 때문에 RMSPE가 낮아질 수 있습니다. 10km RMSPE가 낮다고 해서 10km 효과가 더 중요하다는 뜻은 아님. 0–2/0–5/0–10km는 모두 0–1km core를 포함한 누적반경입니다.

연도별 hotspot 위치 / station-centricity trend

역 위치를 원점으로 두고 해당 station-year의 top hotspot 좌표, p90 hotspot centroid, all-bright NTL weighted centroid, nearest hotspot을 표시합니다. 오른쪽 trend는 두 centroid distance가 개통 전후로 어떻게 움직이는지 보여줍니다.

{{ section.hotspot_method_note || '중심 좌표는 두 가지로 분리합니다. all-bright NTL weighted centroid는 역 10km buffer 안에서 Mar–Nov annual_ntl > 1.0인 모든 bright pixel을 NTL 값으로 가중평균한 좌표입니다. p90 hotspot centroid는 p90 threshold 이상 pixel만 골라 그 pixel들의 NTL 가중평균 좌표로 계산합니다.' }}

true_pixel_centricity · station-year pixel sample

station year

selected metrics

all-bright centroid {{ fmt(selectedHotspot456PanelRow?.ntl_weighted_centroid_distance_km) }}km

p90 hotspot centroid {{ fmt(selectedHotspot456PanelRow?.hotspot_centroid_distance_km) }}km

nearest hotspot {{ fmt(selectedHotspot456PanelRow?.nearest_hotspot_distance_km) }}km

p90 share {{ percentFmt(selectedHotspot456PanelRow?.hotspot_ntl_share_q90) }}

연도별 hotspot 위치 · station = origin

station-centricity trend

Illustrative treated-station hotspot snapshots before and after Shinkansen opening

개통 전후 hotspot snapshot: 같은 역에서 opening 직전 연도와 직후 연도를 나란히 비교합니다. 원점은 역, 보라색 삼각형은 p90 hotspot centroid, 파란 별은 모든 bright pixel을 고려한 all-bright NTL weighted centroid입니다.

before/after · treated-station snapshots

before opening

after opening

보조 hotspot 인터랙티브 패널 rows가 현재 API payload에 없어 정적 current PNG figure를 근거로 표시합니다.

SCoG movement graph

descriptive_no_did

역별 SCoG scalar-distance movement · negative = closer to station

SCoG movement raw rows가 현재 API payload에 없어 정적 current PNG figure와 해석문을 근거로 표시합니다.

Matched-control 예시 역

treated 역별로 2012–2014 baseline NTL mean / internal-std profile이 가장 유사하고, 오래전에 개통한 older Shinkansen control을 top-3까지 보여줍니다. distance_z가 작을수록 더 유사합니다.

{{ group.treated_station_name }} {{ group.treated_wave }} · {{ group.treated_opening_year }}

#{{ control.rank }} {{ control.control_station_name }} ({{ control.control_line_name }} · {{ control.control_pref_name_jp }} · {{ control.control_opening_year }}) d={{ fmt(control.distance_z) }}

인라인 현재 그림 없음 — 표/진단 카드 중심 섹션입니다.

PSM-DID / SDID 결과 재구성

모든 Part 1 결과는 method-family별 PSM-DID / SDID-style 축으로 해석

각 카드의 primary method가 해당 결과군의 기준입니다. 핵심 반경·동태·support/donor gate는 주축 결과로, recent-opening과 4.5.5–4.5.9 mechanism 계열은 computed/limited-support diagnostic으로 표시합니다.

policy: {{ part1Results?.analysis_policy?.primary_methods?.join(' + ') || 'PSM-DID + SDID-style' }} only

METHOD FAMILY · {{ section.id }}

PSM-DID core ATT

window	effect %	p	treated
{{ row.event_window }}	{{ signedFmt(row.approx_percent) }}	{{ pFmt(row.p_value \|\| row.p_value_event_series) }}	{{ intFmt(row.n_treated_supported) }}

SDID-style core effect

window	effect %	placebo p
{{ row.event_window }}	{{ signedFmt(row.approx_percent) }}	{{ pFmt(row.placebo_rank_p_value) }}

PSM-DID radius profile

radius	effect %	p
{{ row.radius_band }}	{{ signedFmt(row.approx_percent) }}	{{ pFmt(row.p_value \|\| row.p_value_event_series) }}

SDID-style radius profile

radius	effect %	placebo p
{{ row.radius_band }}	{{ signedFmt(row.approx_percent) }}	{{ pFmt(row.placebo_rank_p_value) }}

CoreShare definition

PSM-DID CoreShare · post +1 to +3

radius	effect pp	p	events
{{ row.radius_label }}	{{ signedFmt(row.att_percentage_points, 2) }}	{{ pFmt(row.p_value \|\| row.p_value_event_series) }}	{{ intFmt(row.n_events) }}

SDID-style CoreShare · post +1 to +3

radius	effect pp	rank p	upper p
{{ row.radius_label }}	{{ signedFmt(row.effect_percentage_points, 2) }}	{{ pFmt(row.mean_wave_abs_placebo_rank_p_value) }}	{{ pFmt(row.mean_wave_upper_tail_placebo_rank_p_value) }}

Matched FE DID CoreShare

radius	coef pp	p	q
{{ row.radius_label }}	{{ signedFmt(row.coef_percentage_points, 2) }}	{{ pFmt(row.p_value) }}	{{ pFmt(row.q_value_bh_across_radii) }}

SDID-style longer post average

radius	effect pp	rank p
{{ row.radius_label }}	{{ signedFmt(row.effect_percentage_points, 2) }}	{{ pFmt(row.mean_wave_abs_placebo_rank_p_value) }}

Pre-post CoreShare decomposition

group	radius	pre	post	change pp
{{ row.group }}	{{ row.radius_label }}	{{ percentFmt(row.pre_2012_2014_mean_share) }}	{{ percentFmt(row.post_2016_2018_mean_share) }}	{{ signedFmt(row.change_post_minus_pre_percentage_points, 2) }}

PSM-DID dynamic path

event	radius	effect %
{{ row.event_time }}	{{ row.radius_band }}	{{ signedFmt(row.approx_percent) }}

SDID-style dynamic gap

wave	event	radius	effect %
{{ row.wave }}	{{ row.event_time }}	{{ row.radius_band }}	{{ signedFmt(row.approx_percent) }}

treated {{ intFmt(section.sample?.treated_total) }}

formal support {{ intFmt(section.sample?.formal_support) }}

effective support {{ intFmt(section.sample?.effective_support) }}

Environment-similar matched controls by treated station

Top-5 older Shinkansen controls matched on 2012–2014 baseline log NTL mean and log(1+internal std) profiles at 1/2/3/5/10km. Distance is standardized profile distance; lower is more similar.

treated	wave	rank	matched control	line/pref	distance
{{ row.treated_station_name }}	{{ row.treated_wave }}	{{ row.matched_control_rank }}	{{ row.control_station_name }} ({{ row.control_opening_year }})	{{ row.control_line_name }} / {{ row.control_pref_name_jp }}	{{ fmt(row.distance_z) }}

Balance / SMD gate

feature	before	after	status
{{ row.feature }}	{{ fmt(row.abs_smd_before) }}	{{ fmt(row.abs_smd_after) }}	{{ row.balance_status }}

Prefit diagnostics

wave	radius	RMSPE	eff N	max w
{{ row.wave }}	{{ row.radius_band }}	{{ fmt(row.pre_rmspe) }}	{{ fmt(row.donor_effective_n) }}	{{ fmt(row.max_donor_weight) }}

Placebo ranks

window	radius	effect %	placebo p
{{ row.event_window \|\| row.wave }}	{{ row.radius_band }}	{{ signedFmt(row.approx_percent) }}	{{ pFmt(row.placebo_rank_p_value) }}

recent treated stations {{ intFmt(section.psm_did?.treated_stations) }}

matched controls {{ intFmt(section.psm_did?.matched_control_stations) }}

PSM rows {{ intFmt(section.psm_did?.event_summary?.length) }}

SDID-style {{ section.sdid_style?.status || 'diagnostic only' }}

Recent-opening matched event diagnostics

route/wave	radius	event	effect %	p
{{ row.route_id \|\| row.wave \|\| row.method }}	{{ row.radius_band }}	{{ row.event_time }}	{{ signedFmt(row.approx_percent \|\| row.effect_percent) }}	{{ pFmt(row.p_value) }}

Computed/limited-support outcome families · 4.5.5–4.5.9 mechanism counterfactual diagnostics

PSM-DID ATT summary

section	outcome	window	ATT	p	status
{{ row.component_id }}	{{ row.outcome }}	{{ row.event_window }}	{{ signedFmt(row.att) }}	{{ pFmt(row.p_value) }}	{{ row.status }}

SDID-style effect summary

section	outcome	window	effect	placebo p	status
{{ row.component_id }}	{{ row.outcome }}	{{ row.event_window }}	{{ signedFmt(row.effect) }}	{{ pFmt(row.placebo_rank_p_value) }}	{{ row.status }}

{{ caveat }}

ADMIN · PART 1 UPGRADE · manuscript-defense roadmap

관리자 · {{ part1UpgradePlan?.title || 'Part 1 업그레이드 버전' }}

{{ part1UpgradePlan?.subtitle || '논문 방어력 중심의 추가 분석·표현 개선 로드맵' }}. 추가분석2는 Part 2 최근개통 진단으로 이동.

업그레이드 플랜을 불러오는 중...

추가분석2는 Part 2 최근개통 진단으로 이동: {{ part1UpgradePlan?.additional2_policy || 'Nishikyushu 2022 / Hokuriku 2024는 Part 2의 pre-opening anticipation 및 recent-extension timing diagnostic으로 읽습니다.' }}

ADMIN · DATA UPLOAD CLOSED

로컬 데이터 파일 업로드 임시 중단

대용량 업로드 413 오류 점검 중이라 CSV/CSV.GZ 업로드 입력창은 잠시 닫았습니다. 기존 데이터셋 조회와 미리보기 기능은 그대로 사용할 수 있습니다.

DOWNLOAD PACK · admin-only current PSM-DID / SDID evidence

Part 1 현재 주축 보고서 다운로드

공개 결과 탭에서는 4.5.x 해석과 figure만 보여주고, 주축 PSM-DID/SDID-style 보고서 파일 다운로드는 관리자 탭에서만 관리합니다. 예전 산출물은 public 결과 탭의 근거 카드에서 제외하고 자료 보존용 API/파일로만 남깁니다.

current method pack

{{ asset.filename }} · {{ formatSize(asset.size_bytes) }}

다운로드 서버에 파일이 아직 없습니다.

Upgrade groups

PSM-DID/SDID primary axis + archived 4.5.1–4.5.4 benchmark

논문 방어용 필수 / 보조·부록 / 대시보드 UX를 분리해, PSM-DID + SDID-style 주축과 archived benchmark 표현 수위를 함께 관리합니다. 핵심 TODO: annulus 반경 검산, admin-boundary 499/999 final run, service-class mix proxy 표현 하향.

{{ section.priority }} {{ section.analysis_class }} wording downgrade

현재 강점: {{ section.current_strength }}
반영 완료: {{ done }}
핵심 약점 / 리스크: {{ section.core_risk }}
추가 분석: {{ analysis }}
대시보드 UX 개선: {{ section.dashboard_improvement }}

PART 2 · OVERVIEW

Part 2 한눈에 보기

개통 전 행태를 보는 Part 2의 목적, 하고 싶은 말, 분석 결과를 논문 작성용으로 짧게 정리한 탭입니다.

primary_measurement={{ part2Results.primary_measurement.label }} · months={{ part2Results.primary_measurement.months_included }} · winter_excluded={{ String(part2Results.primary_measurement.winter_excluded) }}

Part 2 결과 로딩 중...

treated stations {{ intFmt(part2Results.sample?.treated_stations) }}

matched controls {{ intFmt(part2Results.sample?.matched_control_stations) }}

nonwinter radius panel {{ intFmt(part2Results.sample?.nonwinter_radius_panel_rows) }}

station-buffer panel {{ intFmt(part2Results.sample?.station_buffer_panel_rows) }}

land-use diff rows {{ intFmt(part2Results.sample?.landuse_diff_rows) }}

PART 2 SUMMARY · 목적 / 하고 싶은 말 / 결과

목적

하고 싶은 말

• {{ item }}

분석결과의 해석

해석: {{ card.interpretation }}
왜 중요한가: {{ card.why_it_matters }}
주의: {{ card.caution }}

추가분석으로 보강된 해석

lead-window, historical placebo, spatial gradient, Ureshino case, spillover, MLIT L01 공시지가를 반영한 논문 방어용 읽기입니다.

additional report

분석결과를 쉬운 말로

• {{ item }}

논문에서 이렇게 쓰기

• {{ item }}

evidence: {{ part2Results.plain_overview.evidence_files?.join(', ') }}

PART 2 · PRE-OPENING ANTICIPATION

Part 2 pre-opening change / anticipation analysis

Primary 분석은 Dec/Jan/Feb를 제외한 Mar-Nov VNP46A2 패널입니다. NTL pre-opening slope gap과 MLIT 2016→2021 land-use anchor를 연결해, 최근 개통 역세권이 개통 전부터 matched controls와 다른 성장 경로였는지 진단합니다.

primary_measurement={{ part2Results.primary_measurement.label }} · months={{ part2Results.primary_measurement.months_included }} · winter_excluded={{ String(part2Results.primary_measurement.winter_excluded) }}

Part 2 결과 로딩 중...

treated stations {{ intFmt(part2Results.sample?.treated_stations) }}

matched controls {{ intFmt(part2Results.sample?.matched_control_stations) }}

nonwinter radius panel {{ intFmt(part2Results.sample?.nonwinter_radius_panel_rows) }}

station-buffer panel {{ intFmt(part2Results.sample?.station_buffer_panel_rows) }}

land-use diff rows {{ intFmt(part2Results.sample?.landuse_diff_rows) }}

All-month sensitivity retained

allmonth_summary_rows={{ intFmt(part2Results.all_month_sensitivity.advanced_matrix_summary_meta?.rows) }} · allmonth_placebo_rows={{ intFmt(part2Results.all_month_sensitivity.identification_placebo_summary_meta?.rows) }}

ADVANCED COUNTERFACTUAL · 쉬운 해석

새 분석이 말해주는 것

실제 관측치가 없었다면 어떻게 움직였을지를 matrix completion으로 예측하고, 역 바로 옆 annulus가 먼 annulus보다 더 움직였는지 spatial DDD로 확인합니다.

advanced report

Matrix-completion 0–1km gap

실제 NTL - counterfactual 예측값. 양수면 실제가 예측 경로보다 더 밝았다는 뜻입니다.

wave	event	gap	%	RMSE
{{ row.wave }}	{{ row.event_time }}	{{ signedFmt(row.mean_gap, 4) }}	{{ signedFmt(row.approx_percent_gap, 1) }}%	{{ fmt(row.validation_rmse, 4) }}

Onset detection

gap이 threshold를 처음 넘은 event time입니다. 음수면 pre-opening anticipation 후보입니다.

wave	radius	onset	type
{{ row.wave }}	{{ row.radius_band }}	{{ row.onset_event_time ?? '—' }}	{{ row.onset_type }}

Spatial DDD · 0–1km vs 5–10km

역 바로 옆 core가 먼 ring보다 더 강하게 움직였는지 보는 공간 진단입니다.

wave	event	coef	%	p
{{ row.wave }}	{{ row.event_time }}	{{ signedFmt(row.coef_log_points, 4) }}	{{ signedFmt(row.approx_percent, 1) }}%	{{ fmt(row.p_value, 4) }}

IDENTIFICATION STRESS TESTS · 박사논문용 검정

반대 설명을 얼마나 통과하는가

placebo, donor-pool, leave-one-out, pseudo-event, 거리감쇠 검정으로 Part 2 결과가 얼마나 안정적인지 확인합니다.

stress-test report

Placebo rank summary

matched control을 가짜 처리역으로 반복 지정했을 때 실제 gap이 placebo 분포 상단에 있는지 봅니다.

wave	target	obs %	p+	p abs
{{ row.wave }}	{{ row.radius_band }} · {{ row.outcome }}	{{ signedFmt(row.observed_post_approx_percent, 1) }}%	{{ fmt(row.rank_p_one_sided_positive, 3) }}	{{ fmt(row.rank_p_abs, 3) }}

Leave-one-treated-out · 0–1km

특정 treated station 하나가 평균을 끌어올리는지 확인합니다.

wave	omitted	full	leave-one	delta
{{ row.wave }}	{{ row.omitted_station_key }}	{{ signedFmt(row.full_sample_post_mean_gap, 4) }}	{{ signedFmt(row.leave_one_post_mean_gap, 4) }}	{{ signedFmt(row.leave_one_minus_full_gap, 4) }}

Donor-rank sensitivity · 0–1km

대조군을 top-k matched controls로 좁혔을 때 결과 방향이 유지되는지 봅니다.

wave	policy	donors	gap %	adj %
{{ row.wave }}	{{ row.donor_policy }}	{{ row.matched_control_count }}	{{ signedFmt(row.post_approx_percent, 1) }}%	{{ signedFmt(row.anticipation_adjusted_percent, 1) }}%

Pre-opening pseudo-event · 0–1km

실제 개통 전 연도를 가짜 개통연도로 두고 같은 신호가 먼저 나타나는지 봅니다.

wave	pseudo year	offset	pseudo %	RMSE
{{ row.wave }}	{{ row.pseudo_opening_year }}	{{ row.pseudo_offset_years_before_true_opening }}	{{ signedFmt(row.pseudo_post_approx_percent, 1) }}%	{{ fmt(row.validation_rmse, 4) }}

Distance decay

0–1km 효과가 2–5km보다 큰지, event time별 공간감쇠를 요약합니다.

wave	event	near-outer	slope	mono
{{ row.wave }}	{{ row.event_time }}	{{ signedFmt(row.near_minus_outer_log_points, 4) }}	{{ signedFmt(row.linear_slope_per_km, 4) }}	{{ String(row.monotone_decay_flag) }}

Station heterogeneity · 0–1km

평균 효과가 어떤 역에서 나오는지 확인합니다.

wave	station	post %	adj %	share
{{ row.wave }}	{{ row.station_name }}	{{ signedFmt(row.post_approx_percent, 1) }}%	{{ signedFmt(row.anticipation_adjusted_percent, 1) }}%	{{ fmt(Number(row.positive_post_gap_share) * 100, 1) }}%

ADDITIONAL DIAGNOSTICS · lead / placebo / land price

추가분석이 보강하거나 제한하는 해석

개통 전 행태 주장을 더 방어하기 위해 historical placebo opening, spatial gradient, Ureshino case decomposition, core-vs-wide proxy, MLIT L01 공시지가를 추가했습니다.

additional report

Historical placebo opening

matched controls에 2017-2021 가짜 개통연도를 부여한 raw-window DID placebo입니다.

wave	target	obs DID	placebo mean	p+	draws
{{ row.wave }}	{{ row.radius_band }} · {{ row.outcome }}	{{ signedFmt(row.observed_did_gap, 4) }}	{{ signedFmt(row.placebo_mean, 4) }}	{{ fmt(row.rank_p_one_sided_positive, 4) }}	{{ intFmt(row.placebo_draw_count) }}

Lead-window summary

0–1km과 0–5km의 pre/opening/post matrix-completion gap을 비교합니다.

wave	radius	pre	opening %	post %	reading
{{ row.wave }}	{{ row.radius_band }}	{{ signedFmt(row.pre_mean_gap, 4) }}	{{ signedFmt(row.opening_percent, 1) }}%	{{ signedFmt(row.post_window_percent, 1) }}%	{{ row.interpretation }}

Spatial gradient / spillover

core가 outer/broad area보다 강한지, 순증가인지 재배치 가능성인지 구분합니다.

wave	event	core-wide	reading
{{ row.wave }}	{{ row.event_time }}	{{ signedFmt(row.core_minus_wide_gap, 4) }}	{{ row.reading }}

MLIT L01 land-price link

공시지가 pre-change가 NTL anticipation 해석과 같은 방향인지 보는 보조 메커니즘 체크입니다.

wave	radius	pre price gap	event gap	N
{{ row.wave }}	{{ row.radius_band }}	{{ signedFmt(row.treated_minus_control_pre_percent_change, 1) }}%	{{ signedFmt(row.treated_minus_control_event_percent_change, 1) }}%	{{ intFmt(row.n_treated_with_price) }}/{{ intFmt(row.n_control_with_price) }}

{{ asset.label }}

{{ asset.description }}

NTL pre-opening slope gap

wave	radius	treated slope	control slope	gap
{{ row.wave }}	{{ row.radius_km }}km	{{ fmt(row.treated_pretrend) }}	{{ fmt(row.control_pretrend) }}	{{ signedFmt(row.pretrend_gap, 4) }}

MLIT 2016→2021 land-use anchor · station-level top changes

station-level top changes: commercial/industrial/transport proxy 증가 상위 treated station buffer/ring.

station	radius	Δ commercial proxy
{{ row.station_name }} · {{ row.line_name }}	{{ row.radius_band }}	{{ signedFmt(Number(row.delta_commercial_industrial_proxy_share) * 100, 2) }}pp

caveat 카드 · {{ card.title }}

ADDITIONAL ANALYSIS 2 · {{ t('additional2Kicker') }}

treated {{ intFmt(resultAdditional2Section.sample?.treated_stations) }}

Nishikyushu {{ intFmt(resultAdditional2Section.sample?.nishikyushu_treated_stations) }}

Hokuriku {{ intFmt(resultAdditional2Section.sample?.hokuriku_treated_stations) }}

matched controls {{ intFmt(resultAdditional2Section.sample?.matched_control_stations) }}

station-year-radius {{ intFmt(resultAdditional2Section.station_trends?.length) }}

radii {{ intFmt(additional2AvailableRadii.length) }}

{{ t('additional2ChartTitle') }} · {{ additional2ActiveRoute?.short_label }}

{{ additional2RouteTrendRows.length }} rows · selected {{ activeAdditional2Station || '—' }}

year	event	NTL mean	index	Δ%	pixels
{{ row.year }}	{{ Number(row.event_time) >= 0 ? '+' + row.event_time : row.event_time }}	{{ fmt(row.ntl_internal_mean) }}	{{ fmt(row.ntl_index_vs_event_m1) }}	{{ signedFmt(row.pct_change_vs_event_m1, 1) }}	{{ intFmt(row.pixel_count_valid) }}

Caution · recent extension

{{ warning }}

Chapter 7 · PyCOLD/VZA

전체 포함지역 PyCOLD 구조변화 분석

4929, 4930, 5336, 5337, 5338, 5436, 5537, 5538, 6240의 strict-u L03-b-u 셀을 대상으로 필터링된 일별 NTL/VZA 자료를 VZA 4개 bin별로 적용합니다. COLD/VZA는 변화 시점을 좁히고, LightGBM mechanism model은 이미 timed 후보의 전환 유형을 해석하는 보조층으로 둡니다.

PyCOLD 결과를 불러오는 중...

포함 지역

{{ part3PycoldResults.overall_counts?.included_region_count || part3PycoldResults.scope?.include_regions?.length || 0 }}

{{ (part3PycoldResults.scope?.include_regions || []).join(', ') }}

기록된 NTL 행

cloud clear ≥ 0.9 · snow/ice ≤ 0.1

strict-u 셀

{{ intFmt(part3PycoldResults.overall_counts?.strict_l03bu_4y100_cell_count) }}

2009/2014/2016/2021 ratio sum 100%

p08 pass-any 셀

{{ intFmt(part3PycoldResults.overall_counts?.unique_persistent_cell_count ?? part3PycoldResults.overall_counts?.persistent_pass_count) }}

broad timing candidates

현재 해석

raw p08 후보 셀

{{ intFmt(part3PycoldResults.overall_counts?.break_candidate_count) }}

p08 multi-VZA

{{ intFmt(part3PycoldResults.overall_counts?.multi_vza_pass_cell_count) }}

seasonal pass

{{ intFmt(part3PycoldResults.overall_counts?.seasonal_gate_pass_cell_count) }}

visual-QA accepted

{{ intFmt(part3PycoldResults.overall_counts?.visual_qa_change_cell_count) }}

2021 이후 후보

{{ intFmt(part3PycoldResults.overall_counts?.post_2021_candidate_cell_count) }}

multi-VZA seasonal

{{ intFmt(part3PycoldResults.overall_counts?.multi_vza_seasonal_pass_cell_count) }}

방법론 경계

Detector: {{ part3PycoldResults.method?.primary_detector }}
NTL adapter: {{ part3PycoldResults.method?.adapter_warning }}
Persistence: {{ part3PycoldResults.method?.persistence_rule?.primary }} · {{ part3PycoldResults.method?.persistence_rule?.interpretation }}
Mechanism model: {{ part3PycoldResults.method?.mechanism_model_role }}

증가/감소 방향성 진단

raw breakpoint에는 감소 후보도 남아 있지만, 현재 persistence rule을 통과한 후보는 증가 쪽으로 강하게 치우칩니다. 따라서 change map의 pass-any 셀은 구조적 증가 후보를 주로 보여주며, 감소 후보는 별도 sensitivity review 대상으로 남겨야 합니다.

raw increase

{{ intFmt(part3PycoldResults.full_batch.direction_diagnostics.raw_records?.overall?.raw_increase) }}

raw decrease

{{ intFmt(part3PycoldResults.full_batch.direction_diagnostics.raw_records?.overall?.raw_decrease) }}

pass increase

{{ intFmt(part3PycoldResults.full_batch.direction_diagnostics.raw_records?.overall?.pass_record_increase) }}

pass decrease

{{ intFmt(part3PycoldResults.full_batch.direction_diagnostics.raw_records?.overall?.pass_record_decrease) }}

지역별 raw 후보와 persistence-pass 방향

signed ΔDNB 분포

지역별 strict-u 후보 요약

논문 7장 기준: strict-u 9개 지역 포함

지역	strict-u 셀	changed anchor	pass-any 셀	pass-any rate	multi-VZA	seasonal pass	visual-QA accepted
{{ row.region }}	{{ intFmt(row.strict_l03bu_4y100_cells ?? row.sample_cell_count) }}	{{ intFmt(row.changed_anchor_cells) }}	{{ intFmt(row.persistent_cell_count) }}	{{ fmtPct(row.pass_any_rate_all_strict) }}	{{ intFmt(row.multi_vza_pass_cell_count) }}	{{ intFmt(row.seasonal_gate_pass_cells) }}	{{ intFmt(row.visual_qa_change_cells) }}

LightGBM mechanism model

{{ part3PycoldResults.mechanism_model.purpose }} COLD/VZA가 변화 시점을 좁히고, boosted gain/loss model은 post-2021 후보의 가능한 coarse transition을 top-k 후보로 해석합니다.

{{ part3PycoldResults.mechanism_model.best_model?.model_id }} · {{ part3PycoldResults.mechanism_model.best_model?.feature_set }}

semi11 top-1

{{ fmtPct(part3PycoldResults.mechanism_model.best_validation?.transition_top1_accuracy) }}

top-3

{{ fmtPct(part3PycoldResults.mechanism_model.best_validation?.transition_top3_accuracy) }}

top-5

{{ fmtPct(part3PycoldResults.mechanism_model.best_validation?.transition_top5_accuracy) }}

coarse top-1

{{ fmtPct(part3PycoldResults.mechanism_model.best_validation?.coarse_mechanism_top1_accuracy) }}

post-2021 projections

{{ intFmt(part3PycoldResults.mechanism_model.post2021_projection_rows) }}

신칸센 권역 vs 5337/5338 reference

group	strict-u	seasonal pass	post-2021
{{ row.comparison_group }}	{{ intFmt(row.strict_u_cells) }}	{{ intFmt(row.p08_seasonal_pass_cells) }} ({{ fmtNum(row.p08_seasonal_pass_rate_pct, 2) }}%)	{{ intFmt(row.post_2021_candidate_cells) }} ({{ fmtNum(row.post_2021_candidate_rate_pct, 2) }}%)

post-2021 predicted coarse transitions

seasonal	group	transition	cells
{{ row.seasonal_gate_pass_bool ? 'pass' : 'all/review' }}	{{ row.comparison_group }}	{{ row.predicted_coarse_transition_top1 }}	{{ intFmt(row.candidate_cells) }}

Claim boundary

{{ item }}

관리 파일

source table land-use table

토지이용 anchor 결측

{{ part3PycoldResults.scope.missing_landuse.map(row => `${row.region}-${row.year}`).join(', ') }}

Chapter 7 · Part 3-1

2021 L03-b-u 촬영일 이후 NTL break 후보셀

strict-u 코호트(2009/2014/2016/2021 L03-b-u ratio_sum 100%)에서 셀별 2021 L03-b-u 100m subcell 촬영일 max를 cutoff로 두고, 그 이후에 PyCOLD break가 발생한 셀만 따로 분리했습니다. 이 셀들은 2009-2021 anchor-window 검출율 평가에서 제외하고, 2021 촬영일 이후 변화 예상 후보로 봅니다.

Part 3-1 후보셀을 불러오는 중...

strict-u 셀

4개년도 모두 100%

post-anchor 후보

multi-VZA 후보

각도-강건 subset

anchor-window pass

촬영일 이전/당일 break만

Sentinel-2 전후 패널

{{ intFmt(part31Payload.sentinel2_chips?.complete_count) }} / {{ intFmt(part31Payload.sentinel2_chips?.count) }}

p08 multi-VZA · SCL bad ≤ 5%

Chapter 7 example cells

7장 예시 셀 break-window 위성사진

7장 RF 운영점 검증 예시 8개 셀에 대해 break 시점 기준 전 3년부터 후 3년까지 optical satellite chip을 붙였습니다. 기본 영상은 Sentinel-2 L2A이고, Sentinel-2 L2A가 없는 2015년 이전 target은 Landsat fallback을 사용했습니다. 빨간 박스는 MLIT 500m 셀입니다.

manifest CSV

7장 예시 셀 위성사진을 불러오는 중...

패널

{{ intFmt(ch7RfS2Payload.complete_count) }} / {{ intFmt(ch7RfS2Payload.count) }}

target window

break ±3y

slot count

source

S2 L2A / Landsat L2

break {{ cell.break_date }} · lat {{ fmtNum(cell.lat, 6) }}, lon {{ fmtNum(cell.lon, 6) }}

RF cap {{ cell.rf_cap || '—' }} · score {{ fmt(cell.rf_score, 3) }}

offset	target	scene	sensor	days	bad	status
{{ Number(slot.offset_years) >= 0 ? '+' : '' }}{{ slot.offset_years }}y	{{ slot.target_date \|\| '—' }}	{{ slot.date \|\| '—' }}	{{ slot.sensor \|\| slot.collection \|\| '—' }}	{{ intFmt(slot.signed_days_from_target) }}	{{ slot.chip_bad_fraction != null ? `${fmtNum(slot.chip_bad_fraction * 100, 1)}%` : '—' }}	{{ slot.status \|\| 'missing' }} · {{ slot.fallback_reason }}

해석 기준

cutoff rule

cohort rule

claim boundary

{{ item }}

Sentinel-2 before/after visual check

Sentinel-2 전후 위성사진 검토 대상

이 패널은 Part 3-1 후보 전체가 아니라, p08 post-anchor 후보 중 multi-VZA로 잡힌 셀만 시각 검토용으로 붙인 것입니다. PyCOLD break를 실제 시작일로 보지 않고, daily NTL rolling median으로 추정한 onset 후보일 이전과 PyCOLD last break 이후가 약 1년 벌어지도록 Sentinel-2 L2A 장면을 다시 선택했습니다. 구름/그림자/눈/무자료 SCL bad pixel은 5% 이하를 기준으로 했고, onset이 Sentinel-2 관측 시작보다 이른 일부 셀은 가장 이른 pre-confirmation 장면으로 대체 표시합니다. 빨간 사각형은 strict-u 500m 셀입니다.

완성 패널

{{ intFmt(part31Payload.sentinel2_chips.complete_count) }} / {{ intFmt(part31Payload.sentinel2_chips.count) }}

현재 표의 S2 셀

대상

{{ part31Payload.sentinel2_chips.selection || 'p08 multi-VZA Part 3-1 cells' }}

영상 소스

{{ part31Payload.sentinel2_chips.method?.stac || 'Microsoft Planetary Computer Sentinel-2 L2A' }}

영상 선택 기준

before = onset 후보 이전 · after = PyCOLD last break 이후 · chip bad ≤ {{ fmt(part31Payload.sentinel2_chips.method?.max_chip_bad * 100, 1) }}%

전후 위성사진 패널 보기 · {{ intFmt(part31SatelliteCells.length) }} cells

before {{ cell.satellite_before?.date || '—' }}
{{ cell.satellite_before?.reference_label || 'ref' }} {{ intFmt(cell.satellite_before?.signed_days_from_reference) }}d · bad {{ fmt(cell.satellite_before?.chip_bad_fraction * 100, 1) }}%

after {{ cell.satellite_after?.date || '—' }}
{{ cell.satellite_after?.reference_label || 'ref' }} +{{ intFmt(cell.satellite_after?.signed_days_from_reference) }}d · bad {{ fmt(cell.satellite_after?.chip_bad_fraction * 100, 1) }}%

profile 지역 VZA tier 셀 검색

표시 {{ intFmt(part31FilteredCells.length) }} / 전체 {{ intFmt(part31ActiveProfile?.candidate_count) }}

셀	지역	first break	last break	2021 cutoff	days after	tier	shift z	turnover	S2	S2 before	S2 after	transition
{{ cell.cell_id }}	{{ cell.region }}	{{ cell.first_break }}	{{ cell.last_break }}	{{ cell.anchor_cutoff_date }}	{{ intFmt(cell.days_after_anchor) }}	{{ cell.pycold_multi_vza ? 'multi' : 'single' }}	{{ fmt(cell.max_shift_z) }}	{{ fmt(cell.max_adjacent_turnover ?? cell.turnover) }}	{{ cell.satellite_panel_url ? 'Y' : '—' }}	{{ cell.satellite_before.date }} ({{ cell.satellite_before.reference_label \|\| 'ref' }} {{ intFmt(cell.satellite_before.signed_days_from_reference) }}d) —	{{ cell.satellite_after.date }} ({{ cell.satellite_after.reference_label \|\| 'ref' }} +{{ intFmt(cell.satellite_after.signed_days_from_reference) }}d) —	{{ cell.loss_gain_transition \|\| cell.dominant_transition \|\| '—' }}

색상 기준: 지역 필터: 변화 방향: 시계열: {{ filteredSummary.length }}개 셀 표시

Region	{{ hoveredCell.region }}
Lat / Lon	{{ fmt(hoveredCell.lat) }}, {{ fmt(hoveredCell.lon) }}
Break	{{ hoveredCell.break_date_final }}
Direction	{{ hoveredCell.change_direction }}
Magnitude	{{ fmt(hoveredCell.change_magnitude) }}
Tier	{{ hoveredCell.candidate_tier }}
VZA	{{ hoveredCell.vza_bins }}
MLIT turnover	{{ fmt(hoveredCell.turnover) }}
Before	{{ fmt(hoveredCell.before_value) }}
After	{{ fmt(hoveredCell.after_value) }}
Timeseries	{{ hoveredCell.has_timeseries ? 'Available' : 'Missing' }}

Part 3 · PyCOLD × MLIT anchors

Part 3 토지이용 변화지도

현재는 PyCOLD full-batch persistence-pass 후보 셀을 지도에 올리고, MLIT anchor가 완전한 지역에서는 최대 turnover interval과 loss/gain transition을 함께 표시합니다. pass-any는 broad candidate, multi-VZA는 high-confidence 후보입니다.

토지이용 변화지도 payload 불러오는 중...

상태

셀 수

노선 수

{{ Object.keys(part3LanduseMap.routes || {}).length }}

생성시각

노선 변화구간 지표

지도 payload 생성 대기

API와 탭은 연결됐습니다. 다음 단계에서 MLIT 100m 파일을 내려받아 500m 셀별 ratio delta payload를 만들면 여기에 변화 셀이 표시됩니다.

{{ part3LanduseFilteredCells.length }}개 변화 셀 표시

색상: MLIT turnover 또는 Δ land-use ratio

negative/high negative ±2pp 미만 positive positive/high

Part 3 · COLD false-positive inspection

셀 상세분석 (t_cg 3.84, conse 8, 365d)

2016-2021 MLIT detailed no-change control 중에서 선택한 COLD 조건을 통과한 100개 false-positive 셀입니다. 이 표는 변화 확정 목록이 아니라, 왜 COLD가 no-change control에서도 break를 잡는지 확인하기 위한 inspection set입니다.

{{ part3Fp100Payload?.condition_label || 't_cg=3.84; conse=8; 365d persistence; any VZA; exclude forest/paddy dominant; mixedness>=0.20' }}

CSV 다운로드

FP 100개 셀을 불러오는 중...

FP cells

FPR

Precision

TP / FP

{{ intFmt(part3Fp100Payload.metrics?.tp) }} / {{ intFmt(part3Fp100Payload.metrics?.fp) }}

Control total

지역별 셀 수

Dominant label

Claim boundary

- {{ item }}

FP 100 셀 목록

표시 {{ intFmt(part3Fp100FilteredRows.length) }} / 전체 {{ intFmt(part3Fp100Rows.length) }}

cell	break	direction	dominant	share	mixed	top mix	shift z	\|delta\|	VZA
{{ row.cell_id }}	{{ row.first_break_date \|\| '—' }}	{{ row.cold_direction_hint \|\| 'unknown' }}	{{ row.dominant_label }}	{{ percentFmt(row.dominant_share) }}	{{ percentFmt(row.mixedness) }}	{{ row.coarse_mix_top3 }}	{{ fmt(row.max_shift_z) }}	{{ fmt(row.max_abs_delta) }}	{{ intFmt(row.vza_bin_count) }}

Source records

rows {{ intFmt(meta.rows) }} · {{ meta.exists ? 'available' : 'missing' }}

{{ part3Fp100Payload.filter_record?.detected_cells_filter }} · {{ part3Fp100Payload.filter_record?.profile_filter }}

Seasonality-screened cells only

p08 후보 중 seasonal gate pass 셀 {{ inspectSummary.length }}개만 표시합니다.

셀	변화일	방향	TS	SG	크기
{{ c.cell_id }}	{{ c.break_date_final }}	▲ ▼ —	{{ c.has_timeseries ? 'Y' : 'N' }}	Y	{{ fmt(c.change_magnitude) }}

좌측 목록에서 셀을 선택하세요.

초기 다운로드/전처리 검증 검증 정보 로딩 중... {{ downloadChecksError }} {{ downloadChecks.stages.length }}개 단계 · 문제 단계 {{ downloadIssueStageCount }}개

파일 {{ st.file_count }}개 · 연도 {{ rangeLabel(st.years) }}

채널 {{ rangeLabel(st.channels) }} · 누락 조합 {{ st.missing_year_channel_count ?? '—' }}

소스: {{ st.source || 'live' }}

Part 1 일본 PSM/SDID 데이터

polycentric_japan에서 수집한 신칸센 counterfactual 준비 테이블을 연결했습니다. 역 설계 96행, 기본 행정구역 연간 패널 1,248행에 더해 역 좌표와 코드 정의 반경을 Earth Engine reduceRegions에 넣어 계산한 2012–2024 내부 표준편차 패널을 노출합니다.

Dark Pixel Threshold(Remove observations with rad_mean ≤ 1.0 nW/cm²/sr)는 annual pixel mean 단위로 적용했습니다. 원시 raster 파일은 다운로드하지 않고 좌표/반경별 aggregate 결과만 불러옵니다. 기존 2020 local mesh 테이블은 5개 현 subset 진단용입니다.

{{ activeDataPartLabel }} 데이터 계층 {{ activeDataPartLabel }} 총 {{ activePartDatasetCount }}개 데이터셋 데이터셋 목록 로딩 중... 설명 manifest {{ activeDataPartLabel }} 전체 ZIP

★ {{ ds.label }}

{{ researchPartLabel(ds.research_part) }} · {{ ds.filename }} · {{ formatSize(ds.size_bytes) }}

이 계층에 데이터셋이 없습니다.

로딩 중...

표시 {{ filteredDatasets.length }} / 검색결과 {{ allFilteredDatasets.length }} / {{ activeDataPartLabel }} 전체 {{ activePartDatasetCount }}

좌측에서 데이터셋을 선택하면 실제 행(row)을 확인할 수 있습니다.

방법론 슬라이드

Methodology & Policy Notes

METHOD SLIDE 1/3

Part 1 방법론 슬라이드 · PSM-DID/SDID counterfactual 방법론

신칸센 개통 전후에 역 인근 일정 반경 또는 행정구역 band의 NTL/도시활동 지표가 matched/synthetic counterfactual 대비 어떻게 달라지는지 비교합니다. 수식은 아래 식별 논리 설명 뒤에 보조 정의로 배치했습니다.

1. 처리군/대조군 정의

treated 역은 Hokuriku 2015, Hokkaido 2016 개통 wave로 구분하고, 기존 신칸센 역은 control로 유지합니다.

did_station_design_v2.csv · 96 rows

2. GEE 좌표반경 내부 표준편차

station lon/lat와 코드에서 정의한 0–1 / 0–5 / 0–10km 누적 반경을 Earth Engine reduceRegions에 넣어 2012–2024 VNP46A2 annual pixel mean/stdDev/count를 계산합니다. 추가로 MLIT N03 host municipality boundary를 사용한 행정경계 기반 true centricity를 별도 sensitivity layer로 둡니다.

station_radius_gee_internal_std_dark_threshold_panel.csv · 3,744 rows

3. 열차 스케줄 변수

fast/mid-tier/slow service class와 일별 정차횟수를 변수화하되, 공식 PDF 확인 전 값은 확정하지 않습니다.

station_frequency_* · conservative first

PSM-DID vs SDID-style 한눈에 보기

구분	PSM-DID	SDID-style
한 줄 요약	비슷한 역끼리 짝지어서 변화량 비교	여러 control 역을 섞어 synthetic path 생성
비교 단위	station-level matched controls	wave-level treated path vs weighted donor path
핵심 질문	개통 전 조건이 비슷한 역들보다 더 변했나?	개통 전 경로를 닮은 synthetic counterfactual 대비 gap이 생겼나?
주요 진단	SMD balance, support overlap, matched distance	pre-fit RMSPE, donor effective N, placebo rank
약점	관측 가능한 baseline/pretrend feature만 맞춤	donor weight 집중과 짧은 pre-period 위험

왜 둘 다 쓰나

PSM-DID는 matched-control 비교의 직관성을 주고, SDID-style은 pre-opening path fit을 확인합니다. 둘이 같은 방향, 특히 0–1km core에서 같은 방향이면 모델 하나의 착시 가능성을 줄입니다. 반대로 둘 중 하나의 support/prefit이 약하면 효과 주장보다 식별 한계를 먼저 보고합니다.

보조 수식 · 추정량 정의

본문 해석은 위의 matched/synthetic counterfactual 논리를 우선 읽고, 아래 식은 기호 정의와 재현용으로만 확인합니다.

DID · PSM-DID · SDID

DID 기본식

\begin{aligned} Y_{it} &= \alpha_i + \lambda_t + \beta\,(Treat_i \times Post_t) + \varepsilon_{it}, \\ \beta &= (\bar{Y}_{T,post}-\bar{Y}_{T,pre}) - (\bar{Y}_{C,post}-\bar{Y}_{C,pre}). \end{aligned}

β는 “treated의 post-pre 변화”에서 “control의 post-pre 변화”를 뺀 값입니다.

PSM-DID

\begin{aligned} p(X_i) &= \Pr(Treat_i=1 \mid X_i), \\ j(i) &= \arg\min_{j\in C}\left|p(X_i)-p(X_j)\right|, \\ \hat{\tau}_{PSM\text{-}DID} &= \frac{1}{N_T}\sum_{i\in T} \left[(Y_{i,post}-Y_{i,pre})-(Y_{j(i),post}-Y_{j(i),pre})\right]. \end{aligned}

개통 전 baseline NTL·pretrend·support profile이 비슷한 control 역을 먼저 고른 뒤, 그 matched controls 대비 전후 변화 차이를 추정합니다.

SDID / synthetic counterfactual

\begin{aligned} \hat{\tau}_{SDID} &= \left(\bar{Y}_{T,post}-\sum_{j\in C}\hat{\omega}_j\bar{Y}_{j,post}\right) \\ &\quad - \sum_{s\le T_0}\hat{\lambda}_s \left(\bar{Y}_{T,s}-\sum_{j\in C}\hat{\omega}_jY_{j,s}\right). \end{aligned}

ω̂_j는 treated wave의 개통 전 경로를 가장 잘 재현하도록 control donor 역에 주는 unit weight이고, λ̂_s는 pre-period 중 어떤 시점을 더 중요하게 볼지 정하는 time weight입니다. 따라서 SDID는 “처리군 post 평균 − 합성통제군 post 평균”에서 “개통 전의 가중 평균 gap”을 빼는 추정량입니다.

해석 방향

0–1km core share는 β 또는 τ̂가 양수이면 station-core 집중 증가입니다. nearest hotspot distance, NTL-weighted mean distance, centroid distance 계열은 음수이면 역에 가까워진 것입니다. 단 p90 hotspot centroid는 외곽 bright pixel과 threshold에 민감하므로 진단용으로만 둡니다.

PSM-DID 설명

Propensity-score matching으로 개통 전 유사한 control 역을 고른 뒤, treated와 matched controls의 개통 전후 변화 차이를 비교합니다. 즉 단순 DID/TWFE가 아니라, 2012–2014 baseline NTL·pretrend·support profile이 비슷한 역끼리 비교하는 matched counterfactual입니다.

matching unit은 station이며 station-radius row가 아닙니다.
event 0은 opening-transition year로 별도 표시하고, 0–1km 핵심 반경을 우선 읽습니다.
balance SMD, propensity/support overlap, matched-control distance를 식별 gate로 확인합니다.

SDID-style 설명

SDID-style synthetic counterfactual은 treated wave의 개통 전 NTL 경로를 가장 잘 재현하는 older Shinkansen donor 조합을 synthetic donor weight로 만들고, 개통 후 treated 경로와 synthetic 경로의 gap을 읽는 방식입니다.

full publication-grade SDID가 아니라 wave-level diagnostic synthetic counterfactual입니다.
pre-fit RMSPE, donor effective N, placebo rank, leave-one-donor sensitivity를 같이 봅니다.
짧은 pre-period와 donor concentration 위험 때문에 causal proof가 아니라 보조 식별 진단으로 표현합니다.

Part 1 데이터 구성

역 주변 0–1 / 0–5 / 0–10km은 station 좌표와 코드 정의 반경을 GEE reduceRegions에 넣어 계산한 annual pixel 내부 표준편차를 우선 확인
행정단위별 NTL 표준편차와 기존 ring-mean 거리대 균형 보조지표는 별도 보조 패널로 해석
행정경계 기반 true centricity는 host municipality boundary 내부 GEE pixel sample + all-valid reduceRegion aggregate로 station_1km/5km/10km NTL share와 hotspot 거리 변화를 계산
treat_wave별 Hokuriku 2015 / Hokkaido 2016 분리

검증 원칙

verification_status와 source_url을 항상 같이 확인
Dark Pixel Threshold: GEE annual pixel mean에서 rad_mean ≤ 1.0 nW/cm²/sr 제거
원시 raster 파일을 받지 않고 station 좌표/반경 reduceRegions aggregate 결과만 수신, raw_raster_download_used=0 확인
provisional frequency panel은 결과 해석 전 보수적 검증표와 대조

METHOD SLIDE 2/3

Part 2 방법론 슬라이드 · pre-opening change / anticipation analysis

최근 개통구간이 개통 전부터 유사 matched controls와 다른 성장 경로를 보였는지 annual NTL, early-anchor matrix completion, annulus spatial DDD, MLIT anchor-year land-use validation으로 진단합니다.

1. pre-opening slope gap

개통 전 annual NTL 추세를 treated와 matched controls 사이에서 비교합니다. 핵심 질문은 post-opening 효과가 아니라 opening 전에 이미 다른 성장 경로가 있었는지입니다.

part2_mlit_landuse_anchor_ntl_pretrend_gap.csv

2. spatial concentration

0–1km, 1–2km, 2–5km ring을 나눠 pre-opening 신호가 station core인지 주변 개발 전환인지 구분합니다.

station buffer/ring × year panel

3. MLIT anchor-year land-use validation

MLIT land-use는 연간자료가 아니므로 annual land-use DID로 쓰지 않고, 2009/2014/2016/2021 anchor-year에서 구조적 land-use 전환이 NTL 신호와 맞는지만 확인합니다.

MLIT anchor-year land-use validation

4. matrix completion + onset

treated station의 event -5..+2 관측치를 가리고 counterfactual path를 예측해, 실제 조명이 언제부터 예측경로에서 벗어났는지 봅니다.

part2_advanced_matrix_completion_summary.csv

Part 2 해석 guardrail

construction-light, 기대효과, 역세권 정비가 섞일 수 있어 causal proof로 쓰지 않습니다.
Hokuriku 2024는 event 0/개통 직전 정보가 짧고, MLIT 2021 anchor는 개통 3년 전입니다.
MLIT는 low-frequency structural check이며 “2012–2024 annual land-use trend”라고 표현하지 않습니다.

METHOD SLIDE 3/3

Part 3 방법론 슬라이드 · NTL/VZA → Land Use

VIIRS NTL/VZA 시계열에서 COLD 알고리즘 기반 구조변화 후보를 찾고, MLIT 500m mesh land-use ratio와 연결해 변화탐지 결과를 해석합니다. 역반경 결과해석 그래프는 역 위치가 그래프 중앙에 오도록 station-centered Δlon/Δlat 좌표계로 표시합니다.

COLD 알고리즘 · Continuous Change Detection and Classification

COLD는 각 cell의 VIIRS NTL 시계열을 계절성/추세가 있는 harmonic regression 형태로 맞춘 뒤, 관측값이 예측 경로에서 지속적으로 벗어나는 시점을 breakpoint 후보로 잡는 변화탐지 알고리즘입니다.

1. 정상 경로 모델링

pre-break 기간의 NTL level, trend, seasonal/harmonic terms를 학습해 해당 cell의 expected radiance path를 만듭니다.

2. 연속 잔차 감시

새 관측치가 예측구간 밖으로 여러 번 연속 이탈하면 단발 noise가 아니라 구조변화 후보로 표시합니다.

3. breakpoint 산출

break date는 토지이용 변화 후보 시점입니다. Part 3에서는 이를 VZA group별 탐지 결과와 MLIT land-use anchor로 교차해석합니다.

4. 해석 주의

COLD breakpoint는 “무언가 바뀐 시점”이지 곧바로 특정 land-use class 전환 증명은 아닙니다. MLIT 500m mesh와 현장/지도 확인으로 의미를 붙입니다.

Data Sources

VNP46A2 — DNB (Day/Night Band) radiance: DNB_BRDF-Corrected_NTL
VNP46A1 — QA flags, Viewing Zenith Angle (VZA), sensor angles
MLIT National Land Numerical Information — 500m mesh land-use (2009, 2014, 2016, 2021)

Data Integrity & Coverage

Summary Cells

With TS

Without TS

TS Files (6240)

Source	Exists	Size(bytes)	Rows
{{ key }}	{{ meta.exists ? 'OK' : 'MISSING' }}	{{ meta.size_bytes ?? '—' }}	{{ meta.rows ?? '—' }}

Raw Audit Generated: {{ health.raw_audit.generated_at || '—' }}

Coverage: {{ health.raw_audit.summary_timeseries_coverage.covered }} covered / {{ health.raw_audit.summary_timeseries_coverage.missing }} missing

[{{ issue.severity }}] {{ issue.code }}: {{ issue.message }}

No raw audit issues.

Raw audit report not loaded on this deployment.

QA / Filtering Criteria

Parameter	Rule
Cloud clear fraction	All retained locations satisfy `cloud_clear_frac ≥ 0.9`
Snow/ice fraction	All retained locations satisfy `snow_ice_frac ≤ 0.1`
VZA bins	`0-15`, `15-30`, `30-45`, `45-60` degrees
Land-use cohort	strict-u L03-b-u 500m cells with 2009/2014/2016/2021 ratio sum equal to 100%

Chapter 7 공개 기준

대시보드와 논문 본문에서는 retained location 전체를 같은 기준으로 설명합니다: cloud_clear_frac >= 0.9, snow_ice_frac <= 0.1. 파일명에 남아 있는 과거 추출 단계 표기는 데이터 계보 확인용이며, 현재 Part 3 해석에서 별도의 과거 비교 필터 결과로 사용하지 않습니다.

Change Detection Policies

relaxed_operational Earliest group break shared across VZA groups (0-20°, 20-40°, 40-60°, 0-60°). A structural break in any single VZA group is propagated to all groups.

fixed_strict (consensus_2of4) Requires at least 2 out of 4 VZA groups to independently detect a break at the same date. More conservative.

VZA Grouping

Observations are binned by Viewing Zenith Angle into groups for independent break detection:

0–20° 20–40° 40–60° 0–60° (all)

MLIT Land Use Categories

Study Regions

Region	Area	Notes
5337	Hokuriku/Nagano (South)	Paired with 5338
5338	Hokuriku/Nagano (North)	Paired with 5337
6240	Hokkaido	Large area, 19K+ cells

Dashboard built for the Heesoo NTL/VZA research project. Data: VNP46A1/A2 (VIIRS), MLIT Japan. Breakpoint detection via strucchange (R).

논문 원고 PDF

장별 PDF 다운로드

7장 설명 figure 후보 업로드

업로드 입력

업로드된 figure 후보

7장 배치 기준

연구 파트 구성

현재 논문 원고 PDF

전체 연구 플로우 차트

{{ part.title }}

방법론

핵심 변수

주의 / 상태

파트별 발표자료

{{ slide.title }}

{{ block.label }}

업데이트 / 작업 현황

To-do 창

직전 업데이트 요약

참고문헌/자료

현재 논문 원고 PDF

제출 서류

{{ ref.title }}

다운로드 자료

공식 모음집

중요 변수 설명

논문 수식 목록

{{ formula.title }}

Part 4 연구·원고 관리

{{ part4Results.title }}

연구 목적

방법론 구조

Station-level NTL 결과 해석

{{ phase.phase }}

RF land-use 성능

해석과 thesis 위치

claim boundary / 보완 필요

부록 · land-use class harmonization

{{ group.label }}

원고 업로드 접수 종료

관리 기준

업로드된 Part 4 원고

Part 5 실험용 테스트 공간

{{ part5Sandbox.title }}

{{ slot.label }}

테스트 시작 전 체크

{{ part5LanduseResult.title }}

{{ part5ParameterResult.title }}

{{ rec.recommended_parameter_set_id }}

랜드유즈별·변화수준별 sensitivity 그림

{{ fig.title }}

{{ part5AiModelResult.title }}

모델별 검증 요약

{{ part5AiModelPrimary?.model_id || 'primary model' }} transition group

{{ fig.title }}

랜드유즈 비율 변화 soft attribution 모델

모델 비교 지표

적용 후보 transition 상위

{{ fig.title }}

Part 5에서 실제로 한 분석

{{ step.title }}

핵심 결과 요약

재현성 기록

검출 폭과 NTL 방향

Part 5 CSV

Part 3 후보 파라미터별 표본 성능

캘리브레이션 CSV

상위 land-use transition

Part 1 연구내용

4.5.1–4.5.9 목적 / 결과 간단 요약

4.5.1과 4.5.2의 차이

{{ section.title }}

읽는 순서

{{ part1Results?.title || 'Part 1 결과 해석 / 추가분석' }}

Part 1 핵심 그래프

Radius profile · PSM-DID vs SDID

Dynamic matched/synthetic gap · 0–1km

Identification support gate

4.5.1–4.5.9 목적별 결과 목차

{{ section.title }}