항공사진을 이용한 산사태 탐지 및 인공신경망을 이용한 산사태 취약성 분석 Landslide Detection and Landslide Susceptibility Mapping using Aerial Photos and Artificial Neural Networks원문보기
본 연구의 목적은 2006년 태풍 에위니아, 빌리스, 개미와 집중호우로 인해 많은 산사태가 발생한 진부면 지역을 대상으로 항공사진을 이용한 산사태 탐지 및 인공신경망과 GIS를 이용한 산사태 취약성을 분석하는데 있다. 산사태 위치는 산사태 발생 전후의 항공사진을 판독 후 현장에서 확인하였다. 취약성 분석을 위해 지형, 지질, 토양, 임상, 선구조, 토지이용도 등의 자료는 공간 데이터베이스로 구축하였다. 산사태와 관련 요인들간의 상대적 가중치는 인공신경망의 역전파 알고리즘을 이용하여 결정하였다. 그 결과 경사방향과 경사는 다른 요인들 보다 1.2~1.5배 높게 나타났다. 이 가중치를 이용하여 취약성도를 작성 후 분석에 사용하지 않은 산사태 위치와 비교하여 검증하였다. 그 결과 예측 정확도는 81.44%로 나타났다.
본 연구의 목적은 2006년 태풍 에위니아, 빌리스, 개미와 집중호우로 인해 많은 산사태가 발생한 진부면 지역을 대상으로 항공사진을 이용한 산사태 탐지 및 인공신경망과 GIS를 이용한 산사태 취약성을 분석하는데 있다. 산사태 위치는 산사태 발생 전후의 항공사진을 판독 후 현장에서 확인하였다. 취약성 분석을 위해 지형, 지질, 토양, 임상, 선구조, 토지이용도 등의 자료는 공간 데이터베이스로 구축하였다. 산사태와 관련 요인들간의 상대적 가중치는 인공신경망의 역전파 알고리즘을 이용하여 결정하였다. 그 결과 경사방향과 경사는 다른 요인들 보다 1.2~1.5배 높게 나타났다. 이 가중치를 이용하여 취약성도를 작성 후 분석에 사용하지 않은 산사태 위치와 비교하여 검증하였다. 그 결과 예측 정확도는 81.44%로 나타났다.
The aim of this study is to detect landslide using digital aerial photography and apply the landslide to landslide susceptibility mapping by artificial neural network (ANN) and geographic information system (GIS) at Jinbu area where many landslides have occurred in 2006 by typhoon Ewiniar, Bilis and...
The aim of this study is to detect landslide using digital aerial photography and apply the landslide to landslide susceptibility mapping by artificial neural network (ANN) and geographic information system (GIS) at Jinbu area where many landslides have occurred in 2006 by typhoon Ewiniar, Bilis and Kaemi. Landslide locations were identified by visual interpretation of aerial photography taken before and after landslide occurrence, and checked in field. For landslide susceptibility mapping, maps of the topography, geology, soil, forest, lineament, and landuse were constructed from the spatial data sets. Using the factors and landslide location and artificial neural network, the relative weight for the each factors was determinated by back-propagation algorithm. As the result, the aspect and slope factor showed higher weight in 1.2-1.5 times than other factors. Then, landslide susceptibility map was drawn using the weights and finally, the map was validated by comparing with landslide locations that were not used directly in the analysis. As the validation result, the prediction accuracy showed 81.44%.
The aim of this study is to detect landslide using digital aerial photography and apply the landslide to landslide susceptibility mapping by artificial neural network (ANN) and geographic information system (GIS) at Jinbu area where many landslides have occurred in 2006 by typhoon Ewiniar, Bilis and Kaemi. Landslide locations were identified by visual interpretation of aerial photography taken before and after landslide occurrence, and checked in field. For landslide susceptibility mapping, maps of the topography, geology, soil, forest, lineament, and landuse were constructed from the spatial data sets. Using the factors and landslide location and artificial neural network, the relative weight for the each factors was determinated by back-propagation algorithm. As the result, the aspect and slope factor showed higher weight in 1.2-1.5 times than other factors. Then, landslide susceptibility map was drawn using the weights and finally, the map was validated by comparing with landslide locations that were not used directly in the analysis. As the validation result, the prediction accuracy showed 81.44%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 2006년에 발생한 산사태 전후의 항공사진을 비교 . 탐지하여 정확한 산사태 발생지 선정하였다.
하지만 위성 영상은 산사태 규모가 큰 경우에만 산사태 위치 판독이 가능하고, 아날로그 항공사진(8bit)은 디지털 항공사진(12bit) 에 비해 낮은 방사해상력을 갖고 있어 음영지에 대한 판독력이 낮으며 필름의 현상과 스캔과정으로 인한 이미지 왜곡이 나타날 수 있다. 따라서 본 연구에서는 디지털 항공사진 이용한 산사태 발생지의 정확한 판독과, 인공신경망을 이용한 산사태 취약성도 작성 및 교차검증을 수행하였다.
이 논문은 한국지질자원연구원의 기본 연구사업인 , GIS 기반 국토지질정보시스템 실용화 기술 개발* 과제의 일환으로 수행되었다.
제안 방법
1 까지 줄여 나가기 위해 반복적으로 역전파 알고리즘을 실행하였고 이를 통하여 각 요인별 가중치를 결정하였다 (Table 2). 가중치를 계산하기 위해 인공신경망 구조는 17x34 X1 로 설정하였고, 목표 오차에 도달하기 전의 최대 반복 횟수는 5,000번, 학습률은 0.01 로 설정하여 요인들의 상대적 가중치를 계산하였다. 계산된 가중치를 각 요인에 부여하여 연구지역 전체에 대한 산사태 취약 성도를 작성하였다(F0 6).
01 로 설정하여 요인들의 상대적 가중치를 계산하였다. 계산된 가중치를 각 요인에 부여하여 연구지역 전체에 대한 산사태 취약 성도를 작성하였다(F0 6). Table 2은 10번의 무작위샘플에 대한 각각의 가중치 결과로서, 본 연구에서는 10 회의 평균값을 각 요인의 대표값으로 정하고, 이의 해석을 편리하게 하기 위해 각 평균값 중에서 가장 작은 값으로 나누어 주었다.
9가 된다. 그래서 기대되는 출력값과 실제 출력값 사이의 오차를 0.1 까지 줄여 나가기 위해 반복적으로 역전파 알고리즘을 실행하였고 이를 통하여 각 요인별 가중치를 결정하였다 (Table 2). 가중치를 계산하기 위해 인공신경망 구조는 17x34 X1 로 설정하였고, 목표 오차에 도달하기 전의 최대 반복 횟수는 5,000번, 학습률은 0.
본 연구에서는 2006년 태풍 에위니아, 빌리스, 개미로 인하여 발생한 진부면 지역의 산사태는 디지털 항공사진을 이용하였고, 인공신경망을 이용하여 산사태 발생 요인들에 대한 가중치 결정과 산사태 취약성도를 도출하였다. 인공신경망 분석시 훈련지역은 산사태 발생지역과 경사가 0도인 지역을 선정하여 각 요인별 가중치를 계산하였다.
3은 가중치 결정을 위한 인공신경망 트레이닝의 흐름도이다. 본연구에서는 Hines(1997)에 의해 MATLAB으로 개발된 역전파 인공신경망 프로그램을 기초로 하여 산사태 취약성 분석에 적합하도록 수정 및 보완하여 사용하였다.
지형도에서는 경사, 경사방향, 곡률, Topographic Wetness Index(TWI), Stream Power Index(SPI), 선구조를, 토양도에서는 지형, 배수, 모재, 유효토심 및 토질을, 임상 도에서는 경급, 임상, 밀도 및 영급을, 지질도에서는 암상을 추출하였다. 산사태와 관련있는 모든 요인들은 입력자료의 축척과 연구지역의 크기를 고려하여(Lee, et al., 2004) 10m x 10m 격자 크기를 갖는 공간 데이터베이스로 구축하였다(Fig. 5). 연구지역의 공간자료는 ArcGIS 9.
그러므로 지형의 요인들은 집중호우시 산사태 발생에 영향을 줄 수 있다(Johnes, 1983). 산사태와 관련있는 지형 요인들은 국립지리원 발행의 1:5,000 수치지형도를 이용하여 작성한 수치표고모델(DEM)로부터 경사, 경사면의 방향,곡률, TWI (Topographic Wetness Index), SPI (Stream Power Index)등을 추출하였고 음영 기복 도에서는 선구조를 추출하였다. 사면의 경사(Fig.
5g)은 구획한 산림의 평균적인 나이를 나타내는 것으로 10년 단위로 구분하고, 1~6영급으로 구분한다. 소밀도(Fig. 5i)는 수관의 울폐 정도를 나타내며 항공사진에서 수관밀도측정 규정을 이용하여 측정하고 소, 중, 밀의 세 단계로 구분한다.
그러므로 이 두 요인이 산사태 발생에 가장 중요한 요인으로 고려된다. 요인들의 상대적 가중치를 각 요인에 부여하여 도출된 취약지수는 시각적 해석을 위해 상위 5%, 10%, 15% 70%로 등급화하여 산사태 취약성도를 작성하였다(Fig. 6).
연구지역의 산사태 역시 2006년도에만 집중적으로 발생하였기 때문에 다른 시기의 산사태 자료를 수집하기란 어려움이 있었다. 이러한 검증자료 수집의 한계로 본 연구에서는 수집된 사건자료를 훈련용(70%)과 검증용(30%)으로 무작위 분류하여 취약성 분석과 이의 검증에 사용하였다. 훈련 및 검증 자료의 분류는 검증 자료가 모집단을 대표하는가에 대한 문제가 제기될 수 있다.
4). 이러한 작업절차를 통하여 판독된 산사태는 1, 803개로 산사태 좌표를 추출 후 ArcGIS 9.0 환경에서 점 형태의 공간자료로 구축하였다(Fig. 3).
인공신경망 분석시 훈련지역은 산사태 발생지역과 경사가 0도인 지역을 선정하여 각 요인별 가중치를 계산하였다. 그 결과 경사방향과 경사 요인의 가중치는 1.
취약성 분석을 위해 수집된 자료는 Table 1과 같이 산사태 분포도, 지형도, 지질도, 토지이용도, 임싱도, 토양도 등 이다. 지형도에서는 경사, 경사방향, 곡률, Topographic Wetness Index(TWI), Stream Power Index(SPI), 선구조를, 토양도에서는 지형, 배수, 모재, 유효토심 및 토질을, 임상 도에서는 경급, 임상, 밀도 및 영급을, 지질도에서는 암상을 추출하였다. 산사태와 관련있는 모든 요인들은 입력자료의 축척과 연구지역의 크기를 고려하여(Lee, et al.
항공사진을 비교 . 탐지하여 정확한 산사태 발생지 선정하였다. 산사태 발생 전의 항공사진은 국토지리정보원(National Geographic Information Institute, NGII)에서 발행하는 1/20, 000 축척의 항공사진(촬영일: 2005.
대상 데이터
또한 평창군은 3 시간 연속 최대 강우량이 209mm로 500년에 한 번 있을 정도의 강우량을 기록하였다. 연구지역은 평창군에서 산사태가 가장 많이 발생한 진부면으로 선정하였고 지리좌표상 위도 37° 35' 2” ~ 37° 40' 2竽 N, 경도 128° 29' 49" ~ 128° 35’ 3竽 E 사이에 위치한다(Fig. 1).
그러므로 정확한 산사태 위치를 선정해야 최적의 분석 결과가 도출될 수 있다. Daum (www.daum.net)에서 제공하는 50cm 급 항공사진은 2007년부터 삼아항업주식회사(Samah Aerial Survey Co., Ltd; www.s&mahcom)에서 UltraCam-X 디지털 카메라를 이용하여 촬영한 것이다. 이 카메라의 영상은 12bit 이상의 방사해상능력을 갖고 있어 기존의 아날로그 영상(8bit)에 비해 지형변화에 대한 판독이 뛰어나고, 이미지 왜곡이 제거된 높은 해상도의 영상을 제공한다(Schmeider and Gruber, 2008).
Paola와 Schowengerdt (1995)는 인공신경망 분석시 산사태 발생지역과 미 발생지역에 대한 대표값을 선정하는게 가장 중요하다고 하였다. 따라서 연구지역의 산사태 발생지와 미 발생지역은 훈련용 산사태 위치와 경사도가 0인 지역을 대상으로 격자 1, 261개를 무작위로 추출하였다. 그리고 산사태와 관련 요인들의 값은 0.
탐지하여 정확한 산사태 발생지 선정하였다. 산사태 발생 전의 항공사진은 국토지리정보원(National Geographic Information Institute, NGII)에서 발행하는 1/20, 000 축척의 항공사진(촬영일: 2005.04.04)을, 산사태 발생 후의 항공사진은 Daum에서 제공하는 50cm급 항공사진(촬영일: 2008.03.04)을 수집하였다. 정사보정된 두 항공사진을 비교하여 판독한 산사태 위치는 현장조사에서 실제 산사태 위치와 정획히게 일치하였다(Fig.
5). 연구지역의 공간자료는 ArcGIS 9.0을 이용하여 구축하였고, 격자수는 행과 열이 923 X 1, 053으로 총 597, 884개로 설정하였다.
연구지역의 지질도는 대한지질학회에서 발행한 1:50, 000 하진부 도폭이고, 지질은 남서부에 분포된 선캠브리아기의 흑운모 편마암을 기반으로 그 위에 부정합으로 놓여있는 조선계 석회암층과 평안계 녹암층은광범위한 임계화강암의 관입을 받고, 임계화강암은 연구지역에 가장 넓게 분포하고 있다(Fig. 5o). 진부면을 통과하는 NNE-SSW 방향의 주단층은 좌수향 주향이동 단층이며, 약 4km 간격으로 4개조로 이루어져 있다.
구축되어야 한다. 취약성 분석을 위해 수집된 자료는 Table 1과 같이 산사태 분포도, 지형도, 지질도, 토지이용도, 임싱도, 토양도 등 이다. 지형도에서는 경사, 경사방향, 곡률, Topographic Wetness Index(TWI), Stream Power Index(SPI), 선구조를, 토양도에서는 지형, 배수, 모재, 유효토심 및 토질을, 임상 도에서는 경급, 임상, 밀도 및 영급을, 지질도에서는 암상을 추출하였다.
토K이용 자료는 국토지리정보원 발행의 1:25, 000 토지 이용도로부터 추출하였다. 토지 이용도의 속성값은 SPOT 영상으로부터 중분류 되었고, 주거, 공업, 상업, 교통, 공공시설, 논, 밭 기타재배지, 낙엽활엽수림, 침엽수림, 혼효리 자연초지, 기타초지 및 내륙습지로 구분되어 있다(Fig.
이론/모형
예를들어, Y축의 값이 1%일 때 X 축의값이 100%라면 산사태 취약성도에서 취약성이 높게 나타난 ]%의 픽셀 안에 산사태가 모두 속한다는 것을 의미한다. 보다 정량적인 검증을 위해 AUC(Area Under the Curve)방법을 이용하였는데 (Fig. 7), 이 방법은 위의 SRC 그래프의 아래 면적을 구하는 것으로써 X축과 Y축을 로 곱하면 그 SRC 아래의 면적을 구할 수 있다. 최대 예측 정확도는 10, 師0의 면적을 갖고, 이 면적이 넓을수록 산사태 취약성도의 예측 정확도가 높음을 의미한다.
필요하다. 이를 위해 Success Rate Curve(SRC) 방법을 이용하였다. SRC 방법은 산사태 취약지수 값을 그대로 사용하지 않고 상대적 순위를 10%별로 값을 재분류하여 각 범위안에 포함되는 기존 산사태 발생 위치의 셀 수를 누적 계산하여 상대적 비율을 계산한다.
성능/효과
이와 같이 인공신경망의 학습방법에 의해 얻어진 각 요인들의 가중치는 산사태와 관련된 요인들의 상대적 중요도를 파악할 수 있었다. 계산된 가중치를 각 요인에 부여하여 산사태 취약성도를 작성 후 분석에 사용하지 않은 산사태 위치로 검증해본 결과 81.44%의 높은 예측정확도를 보였다.
Table 2은 10번의 무작위샘플에 대한 각각의 가중치 결과로서, 본 연구에서는 10 회의 평균값을 각 요인의 대표값으로 정하고, 이의 해석을 편리하게 하기 위해 각 평균값 중에서 가장 작은 값으로 나누어 주었다. 그 결과 각 요인의 가중치는 경사 방향, 경사* 토양배수, 임상, 경급, SPI, 영급, 소밀도, 지형, 곡률, 모재, 유효토심, 단층, 토지 특성, 지질, TWI, 토질 순으로 높게 나타났다. 이중에서 경사 방향과 경사의 가중치는 1.
최대 예측 정확도는 10, 師0의 면적을 갖고, 이 면적이 넓을수록 산사태 취약성도의 예측 정확도가 높음을 의미한다. 그 결과 취약지수의 상위 30% (Very high ~ Medium) 내에 분포하는 산사태는 79%로 나타났고, 전체적으로 산사태 취약성도는 81.44%로 높은 예측 정확도를 보였으며, 취약지수의 최소값은 0.557, 최대값은 0.9793, 평균값은 0.7625, 표준편차는 0.2205로 나타났다.
7), 이 방법은 위의 SRC 그래프의 아래 면적을 구하는 것으로써 X축과 Y축을 로 곱하면 그 SRC 아래의 면적을 구할 수 있다. 최대 예측 정확도는 10, 師0의 면적을 갖고, 이 면적이 넓을수록 산사태 취약성도의 예측 정확도가 높음을 의미한다. 그 결과 취약지수의 상위 30% (Very high ~ Medium) 내에 분포하는 산사태는 79%로 나타났고, 전체적으로 산사태 취약성도는 81.
후속연구
할 수 있다. 또한 전국의 산사태 취약 성도를 도출 할 수 있음에 따라 본 결과는 향후 국가의 토지 이용정책의 의사결정 자료로서 활용될 수 있을 것이다.
참고문헌 (24)
김철민, 2008. 산림자원정보 인벤토리 구축과 활용. 농업환경자원 인벤토리 구축과 활용 전략 국제 워크숍, 농촌진흥청, 6월 26일, 320 p.
워터저널, 2007. 물로 인한 재해를 예방하자. 6월호.
태백산지구지하자원조사단, 1962. 태백산 지구 지질도(1:50,000), 하진부 도폭, 대한지질학회.
Alman, D. H. and N. Liao, 2001. Overtraining in Back-Propagation Neural Networks: A CRT Color Calibration Example, COLOR research and application, 27: 122-125.
Beven, K. J. and M. J. Kirkby, 1979. A physically based, variable contributing area model of basin hydrology, Hydrological Sciences Bulletin, 24: 43-69.
Carrara, A., M. Cardinali, R. Detti, F. Guzzetti, V. Pasqui, and P. Reichenbach, 1991. GIS techniques and statistical models in evaluating landslide hazard, Earth Surface Processes and Landforms 16(5): 427-445.
Hines, J. W., 1997. Fuzzy and Neural Approaches in Engineering, John Wiley and Sons, New York, pp. 209.
Johnes, D. K., D. Brunsden, and A. S. Goudie, 1983. A preliminarly geomorphological assessment of part of the Karakoram highway, The Q. J. of Engineering Geology, 16: 331-355.
Lee, S., 2005. Application of logistic regression model and its validation for landslide susceptibility mapping using GIS and remote sensing data, International Journal of Remote Sensing, 26: 1477-1491.
Lee, S., 2007a. Landslide susceptibility mapping using an artificial neural network in the Gangneung area, Korea, International Journal of Remote Sensing, 28: 4763-4783.
Lee, S., J. Choi, and K. Min, 2002. Landslide susceptibility analysis and verification using the Bayesian probability model, Environmental Geology 43(1-2): 120-131.
Lee, S., J. W. Choi, and I. Woo, 2004. The effect of spatial resolution on the accuracy of landslide susceptibility mapping: a case study in Boun, Korea, Geosciences Journal, 8: 51-60.
Lee, S., J. H. Ryu, K. Min, and J. S. Won, 2003. Landslide susceptibility analysis using GIS and artificial neural network, Earth Surface Processes and Landforms, 28(12): 1361-1376.
Lee, S., J. H. Ryu, J. S. Won, and H. J. Park, 2004a. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network, Engineering Geology, 71(3-4): 289-302.
Lee, S., Ryu, J. H., Lee, M. J., and J. S. Won, 2006. The application of artificial Neural networks to landslide susceptibility mapping at Janghung, Korea, Mathematical Geology, 38: 199-220.
Lee, S., J. H. Ryu, and I. S. Kim, 2007. Landslide susceptibility analysis and its verification using likelihood ratio, logistic regression, and artificial neural network models: case study of Youngin, Korea, Landslides, 4: 327-338,
Lessing, P. and R. B. Erwin, 1977. Landslides inWest Virginia. In: Coates, D.R. (Ed.), Landslides. Geological Society of America, Boulder, CO, Reviews in Engineering Geology, 3: 245?254.
Moore, I. D., R. B. Grayson, and A. R. Ladson, 1993. Digital terrain modeling: a review of hydrological, geomorphological, and biological applications. In: Beven KJ, Moore ID (eds) Terrain analysis and distributed modeling in hydrology. Advances in hydrological processes. Wiley, Chichester.
Ohlmacher, G. C., 2007. Plan curvature and landslide probability in regions dominated by earth flows and earth slides, Engineering Geology 91: 117-134.
Paola, J. D. and R. A. Schowengerdt, 1995. A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery, International Journal of Remote Sensing, 16: 3033-3058.
Schneider, S. and M. Gruber, 2008. Radiometric quality of Ultracam-X images., In: Proceedings of ISPRS Congress, Beijing, p. 539.
Van Westen, C. J. and M. T. J. Terlien, 1996. An approach towards deterministic lan dslide hazard analysis in GIS: A case study from Manizales (Colombia), Earth Surface Processes and Landforms 21(9): 853-868.
Wilson, D. J. and J. C. Gallant, 2000. Digital terrain analysis. In: Wilson DJ, Gallant JC (eds.) Terrain analysis: principles and applications, Wiley, New York, 1-27.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.