선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 먼저 산사태 현황도 작성을 위해 Kim et al.(2006)이 현장 조사로부터 획득한 산사태 위치자료를 기초로 283개소의 산사태 발생 위치를 획득하였으며 국토지리정보원에서 발행하는 1:20,000 축척의 산사태 발생 전 항공사진과(촬영일: 1996.06.04.)과 같은 축척의 산사태 발생 후에 촬영된 연구지역의 항공사진(촬영일: 2004.12.14.)에 대한 분석을 통하여 현장조사 자료를 확인하였고 14개소의 산사태를 추가로 확인하여 297개소의 산사태 발생 위치를 획득하였다. 산사태의 발생 위치를 분석해 보면 연구지역 남부쪽의 시가지를 둘러싸고 있는 연일층군과 해안지역의 두호층에서 258개의 산사태가 발생하여 전체 산사태 발생 개수의 약 87%가 분포하고 있는 것을 알 수 있다.
- 본 연구에서는 먼저 수치 지형도, 수치 지질도, 수치 토양도, 임상도로부터 산사태 발생에 영향을 미치는 11가지 요인에 대한 주제도를 작성하고 퍼지관계 분석 기법 중 하나인 cosine amplitude method를 이용하여 퍼지 소속 값을 계산하였으며 이를 바탕으로 각 요인들이 산사태 발생에 미치는 영향을 분석하였다. Cosine amplitude method를 적용하기 위해 각 유발 요인 레이어를 3~14개의 class로 재분류하였으며 식 (1)를 이용하여 각 산사태 유발 요인의 클래스 별 퍼지 소속 값을 계산하였다. 획득된 퍼지 소속 값의 분포는 Table 2에서와 같이 사면 경사의 경우 7개의 클래스가 0에서 0.
- 한편 사면의 곡률은 오목형, 평형, 볼록형 사면으로 구분할 수 있는데 Oh(2010)의 연구에 의하면 우기 동안 오목한 사면은 볼록한 사면보다 더 많은 수분을 함유할 수 있고 토양의 강도가 감소하면서 침식이 진행될 수 있다. 또한 수치지질도로부터는 암석의 종류를 파악하여 이를 바탕으로 암종(Fig. 2) 주제도를 작성하였으며 수치토양도로부터 배수정도(Fig. 3d), 유효 토심(Fig. 3e), 토질(Fig. 3f)을 획득하여 주제도로 작성하였다. 배수정도는 투수정도와 지하수위 등에 의해 결정된 흙의 배수 정도를 의미하며 토질은 점토질, 모래질 등 흙의 성질을 의미한다.
- 4). 먼저 Cartesian product operation을 이용하여 두 요인 간의 내적 값을 산정하였는데 이때 모든 산사태 유발 요인에 대해 내적과 조합을 적용하여 11개 요인에 대하여 11c2, 총 55쌍의 Cartesian product 연산 결과를 획득하였다. 이어 11개의 연산 쌍을 중첩하여 하나의 대푯값을 획득하는 MAX operation을 이용하여 각 셀에 대한 취약성지수를 계산하였다.
- 먼저 수치지형도로부터는 높이 속성을 포함한 등고선 벡터 레이어(vector layer)를 추출하여 TIN(Triangulated Irregular Network)을 구축하였으며 이를 활용하여 레스터(raster)변환 작업으로 획득한 DEM(Digital Elevation Model)로부터 사면경사(Fig. 3a), 사면방향(Fig. 3b), 곡률(Fig. 3c) 주제도를 작성하였다. 사면의 경사는 사면 물질의 미끄러짐에 영향을 미치며 사면 방향은 지표의 함수량, 식생의 종류 및 토양 강도에 영향을 미치므로 산사태 취약성에 영향을 미칠 수 있다.
- 9사이의 값을 갖도록 정규화 하였다. 반복적으로 역전파 알고리즘을 실행하여 기대되는 출력값과 실제 출력값 사이의 오차를 0.1까지 줄여 나가고 이를 통하여 각 요인별 가중치를 결정하였다. 이 때, 목표 오차에 도달하기 전의 최대 반복 횟수는 2000번, 학습률은 0.
- 본 연구에서는 1998년 집중호우로 인해 297개소의 산사태가 발생한 경상북도 포항시 일대를 대상으로 퍼지관계 기법(fuzzy relation method)과 인공신경망 기법을 적용하여 연구지역의 특성에 따른 적용성을 파악하고 두 기법의 분석 정확도를 비교하였다. 퍼지관계 기법은 퍼지집합 이론을 이용하여 산사태 유발 요인의 불확실성을 정량화하고 분석에 활용한 기법으로 산사태에 영향을 미치는 요인들의 선정 및 등급화에 개입 되는 불확실성을 고려할 수 있다는 장점을 가지고 있다.
- 본 연구에서는 1998년 집중호우로 인해 많은 산사태가 발생하였던 포항 지역을 대상으로 퍼지관계 기법과 인공신경망 기법을 활용하여 산사태 취약성을 분석하고 그 결과를 비교하였다. 퍼지관계 분석의 경우 cosine amplitude method를 활용하여 퍼지 소속 값을 산출하고 각 요인별로 산사태 발생에 미치는 영향을 분석하였으며 각 요인의 소속 함수 값을 Cartesian product와 MAX operation을 이용하여 통합하여 연구 지역에 대한 취약성도를 작성하였다.
- 산사태는 지질, 지형, 임상, 토양 등 다양한 요인들에 의해 발생되기 때문에 산사태 취약성 분석을 위하여서는 관련 요인들을 연구지역으로부터 획득하고 공간 데이터베이스로 구축하는 과정이 필수적이다. 본 연구에서는 먼저 기존 연구(Kanungo et al., 2009; Oh, 2010; Pradhan and Lee, 2010)로부터 산사태에 영향을 미치는 것으로 알려진 사면경사, 사면방향, 곡률, 암종, 배수정도, 유효토심, 토질, 임상, 영급, 경급, 임상 밀도 등 11개의 요인을 산사태 유발요인으로 선정하였다. 이렇게 선정된 11개의 유발요인과 산사태와의 상관성 분석을 위하여 GIS환경에서 공간 데이터베이스로 구축하였다.
- 본 연구에서는 먼저 수치 지형도, 수치 지질도, 수치 토양도, 임상도로부터 산사태 발생에 영향을 미치는 11가지 요인에 대한 주제도를 작성하고 퍼지관계 분석 기법 중 하나인 cosine amplitude method를 이용하여 퍼지 소속 값을 계산하였으며 이를 바탕으로 각 요인들이 산사태 발생에 미치는 영향을 분석하였다. Cosine amplitude method를 적용하기 위해 각 유발 요인 레이어를 3~14개의 class로 재분류하였으며 식 (1)를 이용하여 각 산사태 유발 요인의 클래스 별 퍼지 소속 값을 계산하였다.
- 반면, 인공신경망 기법은 최근 들어 산사태 취약성 분석에 가장 활발히 활용되는 기법으로 다각도의 비선형 문제 처리에 용이하기 때문에 복잡한 도메인의 자료에서 좋은 결과를 도출할 수 있으며, 자료를 하나의 객체로 인식하여 연속형과 범주형 자료를 함께 고려할 수 있다는 장점을 가지고 있다. 본 연구에서는 퍼지관계 기법과 인공신경망 기법을 이용하여 각 산사태 유발 요인에 대한 가중치를 계산하였으며, 이를 바탕으로 산사태 취약성을 분석하고 검증을 통해 취약성 분석 결과를 비교하였다.
- 연구에서는 앞서 퍼지관계 분석에 활용되었던 11개의 요인에 대하여 인공신경망 기법을 이용하여 산사태 취약성을 분석하고 이를 퍼지관계 분석 결과와 비교하였다. 이를 위해 퍼지관계 분석에서 활용되었던 동일한 주제도를 사용하였으며 각 주제도의 노데이터 값을 역전파 알고리즘의 적용을 위해 영향을 미치지 않는 값으로 수정하였다.
- 이 때 Max operation은 각 Cartesian product 값 중, 특정 셀에서 가장 적합한 근거가 되는 내적 값이 셀을 대표하는 값으로 산출되는 특성을 보인다. 이러한 Cartesian product와 MAX operation의 계산은 MATLAB 기반의 code를 작성하여 수행하였으며 이렇게 도출된 취약지수는 시각적 해석을 위해 상위 5%, 15%, 30%, 100%로 등급화하여 연구지역에 대한 최종적인 취약성도로 작성하였다(Fig. 5). 퍼지관계 분석을 통한 취약성 해석 결과, 11개의 산사태 유발요인들 중 암종, 사면 경사 그리고 유효 토심의 소속 함수 값이 상대적으로 크게 나타났고 특히 구성 암석이 제 3계 연일층군의 이암으로 구성된 사면에서, 27도 이상의 경사에서, 그리고 20-50 m의 유효 토심의 경우 산사태와의 연관성이 높은 것으로 분석되었다.
- 이러한 결과는 퍼지관계 분석에서 나타난 결과와 유사한 점을 보이고 있는 데 특히 사면 경사와 암종은 두 분석 기법에서 모두 산사태 취약성이 매우 큰 영향을 미치는 것으로 분석되었다. 이러한 과정을 거쳐 계산된 가중치를 각 요인에 부여하고 최종적으로 합산하여 획득한 취약지수를 상위 5%, 30%, 40%, 100%로 구분하여 등급화 하였으며 이를 연구지역 전체에 대한 산사태 취약성도로 작성하였다(Fig. 6). 인공신경망 기법을 활용하여 작성된 산사태 취약성도의 경우 퍼지관계 기법을 통해 작성된 산사태 취약성도와 거의 유사한 결과를 보여 주고 있으나 연구 지역의 중앙 하단부의 취약성이 상대적으로 높은 것으로 분석되었으며 이 지역은 사면의 경사가 높은 것으로 분석된 지역이다.
- , 2009; Oh, 2010; Pradhan and Lee, 2010)로부터 산사태에 영향을 미치는 것으로 알려진 사면경사, 사면방향, 곡률, 암종, 배수정도, 유효토심, 토질, 임상, 영급, 경급, 임상 밀도 등 11개의 요인을 산사태 유발요인으로 선정하였다. 이렇게 선정된 11개의 유발요인과 산사태와의 상관성 분석을 위하여 GIS환경에서 공간 데이터베이스로 구축하였다. 먼저 산사태 현황도 작성을 위해 Kim et al.
- 이를 바탕으로 FPR과 TPR을 각각 X축과 Y축 좌표에 배치하여 ROC 그래프로 표현한다(Fig. 8). 이 때 TPR은 분석 결과의 예측 적중 정도, FPR은 분석 결과의 예측 오류 정도를 의미한다.
- 따라서 인공신경망 분석 시 산사태 발생지역과 미 발생지역에 대한 대푯값을 선정하는 과정이 중요하다(Paola and Schowengerdt, 1995). 이를 위해 연구지역의 산사태 발생지와 미 발생지역에 대해 무작위로 격자를 추출하고 산사태와 관련된 요인들의 값은 0.1에서 0.9사이의 값을 갖도록 정규화 하였다. 반복적으로 역전파 알고리즘을 실행하여 기대되는 출력값과 실제 출력값 사이의 오차를 0.
- 연구에서는 앞서 퍼지관계 분석에 활용되었던 11개의 요인에 대하여 인공신경망 기법을 이용하여 산사태 취약성을 분석하고 이를 퍼지관계 분석 결과와 비교하였다. 이를 위해 퍼지관계 분석에서 활용되었던 동일한 주제도를 사용하였으며 각 주제도의 노데이터 값을 역전파 알고리즘의 적용을 위해 영향을 미치지 않는 값으로 수정하였다. 역전파 알고리즘의 훈련과정은 산사태 발생지역과 산사태가 발생하지 않은 지역을 신경망에 인지시키는 작업으로 훈련과정을 통하여 산사태와 관련된 각 요인별 가중치를 계산하게 된다.
- 먼저 Cartesian product operation을 이용하여 두 요인 간의 내적 값을 산정하였는데 이때 모든 산사태 유발 요인에 대해 내적과 조합을 적용하여 11개 요인에 대하여 11c2, 총 55쌍의 Cartesian product 연산 결과를 획득하였다. 이어 11개의 연산 쌍을 중첩하여 하나의 대푯값을 획득하는 MAX operation을 이용하여 각 셀에 대한 취약성지수를 계산하였다. 이 때 Max operation은 각 Cartesian product 값 중, 특정 셀에서 가장 적합한 근거가 되는 내적 값이 셀을 대표하는 값으로 산출되는 특성을 보인다.
- 계산 결과가 0에 가까울수록 산사태 발생에 기여도가 적은 클래스로 판단할 수 있으며, 1에 가까울 수록 산사태 발생에 기여한 정도가 큰 클래스라고 할 수 있다. 이와 같이 산정된 각 요인별 퍼지 소속 값은 Cartesian product operation과 퍼지 조합함수 중 하나인 MAX operation을 이용하여 산사태 발생과의 연관성을 분석하였다(Fig. 4). 먼저 Cartesian product operation을 이용하여 두 요인 간의 내적 값을 산정하였는데 이때 모든 산사태 유발 요인에 대해 내적과 조합을 적용하여 11개 요인에 대하여 11c2, 총 55쌍의 Cartesian product 연산 결과를 획득하였다.
- 좌표체계는 TM(Transverse Mercator)의 동부원점으로 통일하여 각각의 자료변환으로 같은 지점에 오도록 설정하였고 또한 각 자료의 크기가 모두 다르기 때문에 이를 557×862개의 격자로 바꿔주어 동일한 영역에서의 분석이 가능하도록 하였다.
- 특히 Ascii grid의 크기를 20 m×20 m로 설정하여 공간 데이터베이스로 구축하였는데 이는 산사태 위치 분석을 위해 획득한 두 항공사진의 촬영일 사이에 상당한 시간적 격차가 존재하고 특히 산사태 발생 이후의 분석을 위해 획득 가능한 사진의 촬영시기가 2004년이므로 산사태 발생 위치 또는 크기에 대한 분석 과정 중 포함될 수 있는 오류와 불확실성을 고려하기 위해 Ascii grid의 크기를 20 m×20 m로 설정하였다.
- 본 연구에서는 1998년 집중호우로 인해 많은 산사태가 발생하였던 포항 지역을 대상으로 퍼지관계 기법과 인공신경망 기법을 활용하여 산사태 취약성을 분석하고 그 결과를 비교하였다. 퍼지관계 분석의 경우 cosine amplitude method를 활용하여 퍼지 소속 값을 산출하고 각 요인별로 산사태 발생에 미치는 영향을 분석하였으며 각 요인의 소속 함수 값을 Cartesian product와 MAX operation을 이용하여 통합하여 연구 지역에 대한 취약성도를 작성하였다. 이러한 분석 결과 11개의 요인들 중 사면 경사, 암종, 토심의 소속 함수 값이 상대적으로 크게 나타나 산사태 발생과 좀 더 높은 상관관계를 보이는 것으로 분석되었다.
대상 데이터
- 산사태의 발생 위치를 분석해 보면 연구지역 남부쪽의 시가지를 둘러싸고 있는 연일층군과 해안지역의 두호층에서 258개의 산사태가 발생하여 전체 산사태 발생 개수의 약 87%가 분포하고 있는 것을 알 수 있다. 또한 연구지역의 산사태 유발 요인에 대한 공간데이터베이스 구축을 위하여 국립지리원에서 발행한 1:25,000 수치지형도, 한국지질자원연구원에서 발행한 1:50,000 수치지질도(Um et al., 1964), 농촌진흥청에서 발행한 1:25,000 수치토양도, 그리고 국립산림과학원 발행의 1:25,000 임상도 등을 획득하였으며 각 지도로부터 산사태 관련 요인을 추출하였다(Table 1).
- 본 연구는 1998년 7월 25~26일에 걸친 약 150 mm의 집중호우로 인해 297개의 산사태가 발생한 경상북도 포항시 북구 흥해읍 성곡리와 경상북도 포항시 남구 대송면 홍계리 일대를 연구 지역으로 선정하였다(Fig. 1). 이 지역의 좌표는 동경 129°15'26.
- , 2006). 연구지역의 암종은 경상계 불국사통 집괴암질 석영반암, 불국사층군 각섬석 석영장석 규장반암, 불국사층군 화강반암, 연일층군 연일혈암, 장기층군 장기역암, 제 3계 연일통의 두호층, 여남층, 흥해층, 이동층, 천북역암, 학림층 그리고 제 4계 충적층, 현무암 등으로 다양하게 구성되어 있다(Fig. 2).
- 연구지역의 지질은 크게 중생대 백악기의 퇴적암류와 이를 관입한 화성암류 및 화산암류, 그리고 신생대제 3기의 퇴적암류와 화산암류 및 화성암류로 구성되어 있다. 포항 분지의 제 3기층은 연일층군과 장기층군 그리고 화산암 계열 및 화강암으로 나눌 수 있으며 연일층군은 다시 천북역암, 학림층, 흥해층, 이동층으로 세분된다.
데이터처리
- GIS를 이용한 중첩분석을 위해서는 모두 레스터형태의 Ascii grid로 변환해 주어야 하며, 이를 위해 좌표체계의 통일, 분석 영역의 통일 등의 전처리과정을 ArcGIS 9.0을 통해 수행하였다. 좌표체계는 TM(Transverse Mercator)의 동부원점으로 통일하여 각각의 자료변환으로 같은 지점에 오도록 설정하였고 또한 각 자료의 크기가 모두 다르기 때문에 이를 557×862개의 격자로 바꿔주어 동일한 영역에서의 분석이 가능하도록 하였다.
- 0001로 설정하여 각 요인들의 상대적 가중치를 계산 하였다. Table 3은 10번의 무작위 샘플에 대한 각각의 가중치 결과로서, 본 연구에서는 가중치 해석을 위해 각 요인의 상대적 가중치는 평균값을 대푯값으로 정하고 가장 낮은 평균값으로 정규화 시켰다. 10번의 무작위 샘플에 대한 각각의 가중치 결과 중 가장 낮은 평균값을 보이는 유발 요인은 0.
이론/모형
- 본 연구에서는 산사태 취약성 분석의 결과 검증을 위해 ROC(Receiver Operating Characteristic)곡선을 사용하였다. ROC 곡선은 제안된 모형의 적절성과 성능을 쉽게 판단할 수 있는 평가 방법으로 취약성 분석 결과를 시각화 할 수 있는 유용한 도구이다(Fawcett, 2006).
- ROC 곡선은 제안된 모형의 적절성과 성능을 쉽게 판단할 수 있는 평가 방법으로 취약성 분석 결과를 시각화 할 수 있는 유용한 도구이다(Fawcett, 2006). 본 연구에서는 이 방법을 산사태 취약성 분석결과의 검증에 사용하기 위해 먼저 confusion matrix를 계산하였다(Fig. 7). Confusion matrix는 산사태 취약성 모델의 결과와 실제 산사태 발생 위치를 비교하여 그 결과를 matrix 형태의 표에 표시한 것으로 이 matrix에서 TP(True Positive)는 취약성 분석 결과 위험한 곳으로 분석된 지역에서 실제 산사태가 발생한 경우를, FP(False Positive)는 위험한 곳으로 분석된 지역에서 실제 산사태가 발생하지 않은 경우를 의미하며, FN(False Negative)은 안전한 곳으로 분석된 지역에서 실제 산사태가 발생한 경우, TN(True Negative)은 안전한 곳으로 분석된 지역에서 실제 산사태가 발생하지 않은 경우를 각각 나타낸다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.