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.
문제 정의
- 본 연구는 인공신경망 모델 중 다층퍼셉트론 오류 역전파 알고리즘을 활용하여 침수발생가능성을 분석하였다. 오류 역전파 알고리즘의 첫 번째 작업은 훈련지역과 과정을 선정하는 것이다.
- 본 연구는 인공신경망 모델과 GIS를 활용하여 서울시를 대상으로 침수발생가능성을 분석하고, 이를 기반으로 기반시설에 대한 침수위험을 시설별, 지역별로 분석하였다. 이로써 중요도와 파급효과 측면에서 우선적으로 다뤄질 필요가 있는 도시기반시설에 초점을 맞춘 연구를 수행하였다는 점에서 의의가 있다.
- 본 연구에서는 이러한 도시기반시설 가운데 저지대나 침수발생가능지에 설치되는 것이 오히려 도시지역 전체에 도움이 될 수 있는 녹지 등의 공간시설, 유수지 등의 방재시설은 제외하고, 교통시설, 유통·공급시설, 공공·문화체육시설, 보건위생시설, 환경기초시설에 초점을 맞추고 도시 기반시설들의 침수위험지역을 평가하였다.
- 최종 도출된 도시기반시설 침수위험지역은 서울시 전체에 대해 10×10m의 상세데이터이므로 각종 공간계획 수립을 위해 적용할 수 있으며, 본 연구에서는 도시기반시설 위험지역의 공간분포 특성 파악과 이해향상을 위해 지역별(구별) 자료로 정리하여 살펴보였다.
가설 설정
- 벡터 데이터는 상세한 결과물을 제공하고 저장공간을 적게 차지하는 장점이 있다. 둘째, 그리드 기반의 래스터로 구축하는 것이다. 정밀도는 떨어지지만 데이터를 효율적으로 사용하여 다양한 모델링 작업을 쉽게 수행할 수 있다는 장점이 있다.
제안 방법
- 본 연구에서 사용된 인공신경망프로그램은 Hines et al.(1997)에 의해 MATLAB으로 개발된 역전파 인공신경망 프로그램을 기초로 하여 침수분석에 적합하도록 수정 및 보완하여 사용하였다(Fig. 2).
- 4에서 보다 상세히 설명하였다. 기반시설에 대한 침수영향을 살펴보는 2단계에서는 우선, 1단계에서 셀(cell)별 지수의 형태로 도출되는 침수발생가능지수를 기반으로 지역을 구분하였다. 침수발생가능성 지수는 절대적인 확률값은 아니나 침수발생가능성을 나타내므로 이를 GIS 소프트웨어인 ArcGIS를 활용하여 등간격으로 5등분(매우 높음, 높음, 보통, 낮음, 매우 낮음)하고, 이 가운데 침수발생가능성이 매우 높은(0.
- 도시침수에 영향을 미치는 요인은 선행연구를 기반으로 정리된 변수들 가운데 시·군·구 단위보다 세밀한 공간정보의 획득이 가능하고, 침수에 관련성이 크다고 판단된 11개 변수들을 Table 1과 같이 도출하여 분석에 활용하였다.
- 우선, 침수발생가능성을 기반으로 한 침수위험지역의 분포특성을 지역별(구별)로 살펴보았다. 둘째, 침수위험지역과 도시기반시설을 중첩시켜 최종적으로 도출된 위험지역 내 기반시설의 분포(Fig. 5)를 유형별, 지역별(구별)로 분석하였다. 이러한 분석을 통해 어떤 기반시설들이 위험지역에 많이 분포하고 있는지, 어떤 지역에 침수위험이 높은 기반시설들이 많이 입지하고 있는지에 대한 논의가 가능하다.
- 이로써 중요도와 파급효과 측면에서 우선적으로 다뤄질 필요가 있는 도시기반시설에 초점을 맞춘 연구를 수행하였다는 점에서 의의가 있다. 또한 인공신경망 모델은 데이터의 반복적 학습과정을 거처 데이터에 숨어있는 패턴을 찾아내는 모델링 기법으로 다양한 분야에서 활용되고 있으나 본 연구는 이를 침수리스크 평가에 처음으로 적용하였다. 적용 및 검증 과정을 통해 그 적용가능성이 높게 판단되었으며 추후 보다 다양한 연구에 활용될 수 있을 것으로 기대한다.
- 본 연구에서는 2010년에 실제 서울시 전체에서 발생한 지역(총 2,287곳)으로 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 선정한 침수에 영향을 준 입력 데이터 11개에 적용하여 입력 데이터 항목값을 0.1에서 0.9 사이의 값을 갖도록 정규화하였다. 본 연구에 적용된 오류 역전파 알고리즘에 의해 기대되는 침수 발생 가능성값은 0.
- 마지막으로, 침수위험지역 내 기반시설의 현황은 구별 도시기반 시설 면적(B), 구별 위험지역 내 기반시설 면적(C) 및 순위, 기반시설 면적 대비 위험지역 내 기반시설 면적 비율(D=(C/B)*100)을 통해 살펴보았다(Table 3, Columns 6-10). 교통, 유통공급, 공공문화체육, 보건위생, 환경기초의 5개 도시기반시설은 강서구(14.
- 가중치 계산을 위한 인공신경망 구조는 11(Input layer)×24(Hidden layer)×1(Output layer)로 설정하였다. 목표 오차에 도달하기 전의 최대반복횟수는 5,000번, 학습율은 0.01로 설정하여 요인들의 상대적 가중치를 계산하였다. 훈련지역을 무작위로 10회 선정하여 계산한 요인별 상대적 가중치는 Table 2와 같다.
- 본 연구는 서울지역을 대상으로 도시 전 지역에 대한 침수 발생가능성(possibility, likelihood)을 인공신경망 모델과 GIS를 연계하여 평가·검증하고, 이를 기반으로 침수발생가능성이 높은 위험지역을 도출한 후, 도시기반시설 입지와 연계하여 침수위험이 높은 기반시설의 공간적 분포를 분석하였다. 본 연구 수행을 통해 서울 지역 뿐 아니라 다른 도시에도 적용가능한 방법론을 수립하고, 기반시설의 침수위험을 정량적, 공간적으로 분석하였다.
- 본 연구는 서울시 침수발생가능성도와 도시기반시설 공간데이터를 이용하여 세 측면에서 분석하였다. 우선, 침수발생가능성을 기반으로 한 침수위험지역의 분포특성을 지역별(구별)로 살펴보았다.
- 본 연구는 서울지역을 대상으로 도시 전 지역에 대한 침수 발생가능성(possibility, likelihood)을 인공신경망 모델과 GIS를 연계하여 평가·검증하고, 이를 기반으로 침수발생가능성이 높은 위험지역을 도출한 후, 도시기반시설 입지와 연계하여 침수위험이 높은 기반시설의 공간적 분포를 분석하였다.
- 정밀도는 떨어지지만 데이터를 효율적으로 사용하여 다양한 모델링 작업을 쉽게 수행할 수 있다는 장점이 있다. 본 연구는 인공신경망 모델링을 위해서 모델링 작업을 쉽게 수행하고, 데이터를 효율적으로 사용가능한 래스터의 형태로 모든 입력자료를 변환하였으며, 정밀도는 공간해상도를 10m로 높이는 것으로 갈음하였다.
- 여러 개의 노드가 각각 층별로 구성되고, 층별 구조에 따라서 단층포세트론 또는 다층퍼셉트론으로 구분될 수 있다. 본 연구서는 침수가 발생한 지역, 침수에 영향을 주는 입력 데이터 및 향후 침수가 발생하는 취약지역으로 총 3개의 층으로 구성될 수 있으므로 다층퍼셉트론이 적용되었다. 일반적으로 다층퍼셉트론은 3개 이상의 층으로 이루어지는데, 정보가 인가되는 층을 입력층(Input layer), 처리된 정보가 나타나는 층을 출력층(Output layer), 입력층과 출력층 사이의 모든 중간층을 은닉층(Hidden layer)이라고 하며, 은닉층은 여러 개로 구성될 수 있다.
- 9 사이의 값을 갖도록 정규화하였다. 본 연구에 적용된 오류 역전파 알고리즘에 의해 기대되는 침수 발생 가능성값은 0.9가 되고, 예상되는 침수 취약지역의 값과 실제 침수 발생 지역의 값 사이의 오차를 0.1까지 줄여 나가기 위해 반복적인 오류 역전파 알고리즘 훈련을 통하여 가중치를 결정하였다. 가중치 계산을 위한 인공신경망 구조는 11(Input layer)×24(Hidden layer)×1(Output layer)로 설정하였다.
- 학습 수행을 위해서는 일정 기준이 필요하다. 본 연구에서는 발생하는 최종 결과인 침수가 발생한 지역을 학습에 필요한 기준지역으로 설정하고, 이 지역에 대한 침수(결과) 정보와 침수에 영향을 미치는 지역의 특징을 입력데이터로 하여 공간정보를 구축하였다. 이러한 입력정보와 결과와의 관계를 인공신경망을 통하여 연속적으로 피드백하여 침수와 침수발생지역의 특징을 평가하고 입력 데이터의 가중치를 조절하였다.
- 본 연구의 기반시설 침수위험지역 평가는 1)전체지역의 침수발생가능성 분석과 2)도시기반시설에의 영향을 고려한 위험지역 평가를 기본틀로 한다. 우선, 서울지역에 대한 침수발생가능성은 실제 도시침수 지역과 도시침수에 영향을 미치는 다양한 요소와의 관계를 기반으로 인공신경망 분석기법을 이용하여 분석되었다.
- 본 연구는 서울시 침수발생가능성도와 도시기반시설 공간데이터를 이용하여 세 측면에서 분석하였다. 우선, 침수발생가능성을 기반으로 한 침수위험지역의 분포특성을 지역별(구별)로 살펴보았다. 둘째, 침수위험지역과 도시기반시설을 중첩시켜 최종적으로 도출된 위험지역 내 기반시설의 분포(Fig.
- 8 이상) 지역을 침수위험지역으로 설정하였다. 이들 위험지역을 추출하여 기반시설의 위치를 중첩시켜 침수위험지역 내 포함된 기반시설을 도출하고, 이들 시설에 대한 유형별 현황 및 공간적 분포를 분석하였다(Fig. 1 참고). 최종 도출된 도시기반시설 침수위험지역은 서울시 전체에 대해 10×10m의 상세데이터이므로 각종 공간계획 수립을 위해 적용할 수 있으며, 본 연구에서는 도시기반시설 위험지역의 공간분포 특성 파악과 이해향상을 위해 지역별(구별) 자료로 정리하여 살펴보였다.
- 본 연구 분석 결과에 의하면 서울지역은 평지가 아닌 지역, 불투수층이 많은 지역, 경사가 급하고, 일최대강수량이 많았던 지역에서 침수발생가능성이 높아진다고 할 수 있다. 이러한 요인들의 상대적 가중치를 각 요인에 부여하여 도출된 침수발생가능성 지수를 적용하여 침수발생가능성도를 작성하였다(Fig. 3).
- 본 연구에서는 발생하는 최종 결과인 침수가 발생한 지역을 학습에 필요한 기준지역으로 설정하고, 이 지역에 대한 침수(결과) 정보와 침수에 영향을 미치는 지역의 특징을 입력데이터로 하여 공간정보를 구축하였다. 이러한 입력정보와 결과와의 관계를 인공신경망을 통하여 연속적으로 피드백하여 침수와 침수발생지역의 특징을 평가하고 입력 데이터의 가중치를 조절하였다. 신경회로망의 여러 기능 중 본 연구에 사용된 특징 추출 기능은 신경회로망이 저장하고 있는 서로 다른 정보의 현저한 특징을 신경망 자체가 통계적으로 추출해 낼 수 있는 기능이다.
- 기반시설에 대한 침수영향을 살펴보는 2단계에서는 우선, 1단계에서 셀(cell)별 지수의 형태로 도출되는 침수발생가능지수를 기반으로 지역을 구분하였다. 침수발생가능성 지수는 절대적인 확률값은 아니나 침수발생가능성을 나타내므로 이를 GIS 소프트웨어인 ArcGIS를 활용하여 등간격으로 5등분(매우 높음, 높음, 보통, 낮음, 매우 낮음)하고, 이 가운데 침수발생가능성이 매우 높은(0.8 이상) 지역을 침수위험지역으로 설정하였다. 이들 위험지역을 추출하여 기반시설의 위치를 중첩시켜 침수위험지역 내 포함된 기반시설을 도출하고, 이들 시설에 대한 유형별 현황 및 공간적 분포를 분석하였다(Fig.
대상 데이터
- 본 연구에서는 이러한 도시기반시설 가운데 저지대나 침수발생가능지에 설치되는 것이 오히려 도시지역 전체에 도움이 될 수 있는 녹지 등의 공간시설, 유수지 등의 방재시설은 제외하고, 교통시설, 유통·공급시설, 공공·문화체육시설, 보건위생시설, 환경기초시설에 초점을 맞추고 도시 기반시설들의 침수위험지역을 평가하였다. 도시기반시설의 공간 정보는 한국토지정보시스템(KLIS)을 통해 수집되었다.
- , 2012). 따라서 본 연구에서는 예측에 대한 정확도 검증을 위해 2011년 도시침수(122개소) 자료를 활용하여 검증을 수행하였다.
- Paola and Schowengerdt(1995)은 인공신경망의 효율적 훈련을 위해서 는 훈련지역의 숫자가 많은 것보다 대표하는 지역을 정확히 선정하는 것이 중요하다고 하였다. 본 연구에서는 2010년에 실제 서울시 전체에서 발생한 지역(총 2,287곳)으로 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 선정한 침수에 영향을 준 입력 데이터 11개에 적용하여 입력 데이터 항목값을 0.
- 수집된 자료는 구축기관의 목적에 맞추어 폴리곤(Polygon) 및 그리드(Grid)와 다양한 축척으로 구축되어 있으나, 본 연구에서는 구축된 자료를 모두 10×10m 단위의 래스터 데이터로 변환하여 분석에 활용하였다.
- 침수지역 정보는 서울시의 침수흔적도로부터 획득된 자료를 활용하였는데, 2010년 침수지역, 2,287개소 공간정보는 인공신경망 훈련을 통해 침수 발생가능성을 계산하기 위해 사용되었다. 침수발생가능성 결과는 과거경험을 기반으로 계산된 예측치이므로 검증작업이 수행될 필요가 있으며, 검증자료는 동일한 공간에서 다른 시간에 발생한 사건이어야 한다(Lee et al.
이론/모형
- 본 연구에서 인공신경망 모델을 이용하여 도출된 침수발생가능성도는 추정값에 해당되므로 이에 대한 검증이 필요하다. 본 연구는 정량적인 검증을 위해 AUC(Area Under the Curve) 방법을 이용하였다. AUC는 가능성도에서 얻어진 지수값을 등면적당 검증용 침수가 발생한 곳의 위치와의 비율값으로 표현하는데, AUC의 면적이 높다는 것은 예측의 정확도가 높음을 의미한다.
- 본 연구의 기반시설 침수위험지역 평가는 1)전체지역의 침수발생가능성 분석과 2)도시기반시설에의 영향을 고려한 위험지역 평가를 기본틀로 한다. 우선, 서울지역에 대한 침수발생가능성은 실제 도시침수 지역과 도시침수에 영향을 미치는 다양한 요소와의 관계를 기반으로 인공신경망 분석기법을 이용하여 분석되었다. 인공신경망 기법에 대해서는 2.
성능/효과
- AUC는 가능성도에서 얻어진 지수값을 등면적당 검증용 침수가 발생한 곳의 위치와의 비율값으로 표현하는데, AUC의 면적이 높다는 것은 예측의 정확도가 높음을 의미한다. Fig. 4에서 보여주듯 2010년 서울시 침수지역 자료를 활용하여 작성한 침수발생가능성도는 2011년 발생한 침수자료를 활용하여 검증한 결과, 81.92%의 비교적 높은 정확도를 나타내고 있었다. 따라서 인공신경망 모델링을 통한 결과의 신뢰도가 상당히 높은 수준임을 알 수 있다.
- 마지막으로, 침수위험지역 내 기반시설의 현황은 구별 도시기반 시설 면적(B), 구별 위험지역 내 기반시설 면적(C) 및 순위, 기반시설 면적 대비 위험지역 내 기반시설 면적 비율(D=(C/B)*100)을 통해 살펴보았다(Table 3, Columns 6-10). 교통, 유통공급, 공공문화체육, 보건위생, 환경기초의 5개 도시기반시설은 강서구(14.75km2)와 송파구(11.22km2)에서의 설치면적이 가장 넓은 것으로 나타났으나, 설치된 기반시설 가운데 침수위험지역 내 분포 여부를 살펴보았더니 강남구가 가장 많은 0.85km2 이상의 도시기반시설이 침수위험지역에 분포하고 있는 것으로 나타났다. 강남구 외에도 송파구와 마포구, 서대문구가 0.
- 구별로 기반시설 침수위험지역을 살펴보면, 강남구 지역 내 기반시설 중 0.85km2 이상이 침수위험지역에 포함된 것으로 나타났으며, 이외에도 송파구, 마포구, 서대문구에서도 기반시설의 상당한 면적이 침수위험지역에 위치한 것으로 나타났다. 이들 지역은 대체로 고도로 개발되어 있을 뿐 아니라 많은 재산과 시설이 입지해 있어, 만약 이 지역에서 기반시설 침수가 발생한다면 다른 지역에서 발생한 것보다 파급피해가 훨씬 클 것으로 예상되므로 침수 관련 정책결정 시 이들 지역 내 시설을 우선 관리대상으로 고려하고 정책우선순위 결정에 반영해야 할 것으로 판단된다.
- 도시침수에 영향을 미치는 요인은 선행연구를 기반으로 정리된 변수들 가운데 시·군·구 단위보다 세밀한 공간정보의 획득이 가능하고, 침수에 관련성이 크다고 판단된 11개 변수들을 Table 1과 같이 도출하여 분석에 활용하였다. 도시침수 발생에 영향을 미치는 요인들은 대체로 자연적 요소, 사회적 요소, 시설요소로 구분할 수 있으며, 자연적인 요인에는 기상적 요소, 지형적 요소, 토양요소가 각각 일최대강수량, 집중강우일수, 경사도, 평균고도, 하천인접성, 토양배수, 지질특성, 지형곡률이 고려되었다. 사회적인 요인으로는 개발정도를 표현하기 위한 불투수토지이용, 투수지역인 녹지지역이 포함되었으며, 시설요소로 내수배제시설(유수지, 빗물펌프 장 등)이 고려되었다.
- 46%로 가장 높은 것으로 나타났다. 또한 학교, 운동장, 공공청사 등 공공문화체육시설 가운데 6.7%가 위험지역 내 입지하고 있으며, 유통, 공급시설의 5.66%, 교통시설의 5.28%도 위험지역 내 위치하고 있어 우선적으로 관리해야 하는 기반시설로 분류될 수 있었다. 교통시설은 비율은 상대적으로 낮게 나타났으나 절대적 시설면적은 4.
- 7km2 이상의 기반시설이 침수위험지역에 입지하고 있어, 이들에 대한 우선적인 관리가 필요한 것으로 나타났다. 마지막으로 기반시설 중에서 위험지역에 분포한 기반시설의 면적을 비율로 계산한 결과, 서대문구가 17.44%로 가장 높았고, 중구가 13.64%, 종로구가 12.39%, 강남구가 11.38%, 마포구가 11.13%, 용산구가 10.11%로 나타났다.
- 훈련지역을 무작위로 10회 선정하여 계산한 요인별 상대적 가중치는 Table 2와 같다. 본 가중치는 녹지공간을 1로 보았을 때, 다른 요인들이 침수에 미치는 가중치를 상대적으로 계산한 것으로 지표면이 평평하지 않고 패이거나 오목한 정도를 나타내는 지형곡률, 불투수 토지이용, 경사도, 일일 최고 강우량 등이 가중치가 높게 나타났다. 가중치 결과는 해당지역에서 어떤 요인들이 도시침수에 실질적으로 더 크게 영향을 미쳤는지를 상대적으로 비교할 수 있게 하여 지역특성과 침수간의 관계를 이해하는 데 도움을 준다.
- 가중치 결과는 해당지역에서 어떤 요인들이 도시침수에 실질적으로 더 크게 영향을 미쳤는지를 상대적으로 비교할 수 있게 하여 지역특성과 침수간의 관계를 이해하는 데 도움을 준다. 본 연구 분석 결과에 의하면 서울지역은 평지가 아닌 지역, 불투수층이 많은 지역, 경사가 급하고, 일최대강수량이 많았던 지역에서 침수발생가능성이 높아진다고 할 수 있다. 이러한 요인들의 상대적 가중치를 각 요인에 부여하여 도출된 침수발생가능성 지수를 적용하여 침수발생가능성도를 작성하였다(Fig.
- Table 4은 기반시설의 시설유형별 전체면적(A)과 침수위험지역 내 위치한 기반시설 유형별 면적(B) 및 비율을 나타낸다. 본 연구에 포함된 5개 기반시설 전체 면적 중 약 5.72%인 7.57km2가 침수위험지역에 입지하고 있는 것으로 나타났다. 특히, 폐기물처리시설, 수질오염방지시설, 폐차장을 포함한 환경기초시설이 침수위험지역에 위치하는 비율이 9.
- 본 연구의 인공신경망 모델을 활용한 침수발생가능성 분석결과, 서울시의 경우 지형적 특성, 불투수층 여부, 일최대강수량 등이 도시침수에 상대적으로 크게 영향을 미치는 것으로 나타났으며, 침수발생가능성이 매우 높아 우선적으로 관리가 필요한 위험지역은 강남구에서 가장 많이 나타났으며, 송파구, 서초구, 서대문구 등도 상당히 많은 지역이 위험지역으로 나타났다. 침수발생가능성이 매우 높은 위험지역과 기반시설 데이터를 중첩시켜 도출한 기반시설 침수위험지역 분석결과에 따르면, 고려된 5개 기반시설들은 해당시설 면적의 약 5.
- 46% 가량이 위험지역에 위치해 있어 이들 시설에 대한 침수위험관리가 필요한 것으로 나타났다. 비율로는 환경기초시설이 전체 시설의 9.46%가 침수위험지역에 위치한 것으로 나타났으며, 면적으로는 교통시설의 4.17km2 이상이 침수위험지역에 분포한 것으로 나타났다. 도시기반시설은 시설별 관리주체가 상이하여 통합적인 관리가 어렵지만, 기존에 실행되어 온 시설별 노후화와 연계한 관리에 공간적인 입지와 연계한 위험관리를 추가하여 종합적인 대책 마련 및 관리가 필요한 것으로 보인다.
- 정리하면, 구별 침수위험지역 면적과 위험지역 내 기반시설 면적은 강남구, 송파구, 서초구 등에서 높게 나타나고 있으며, 전체 면적에 대한 위험지역 비중 및 기반시설 가운데 위험지역 내 위치한 기반시설의 비중은 중구, 서대문구, 강남구 등에서 높게 나타나고 있다. Table 3의 평균값이 보여주는 것처럼, 구별 평균 침수위험지역 면적은 4.
- 본 연구의 인공신경망 모델을 활용한 침수발생가능성 분석결과, 서울시의 경우 지형적 특성, 불투수층 여부, 일최대강수량 등이 도시침수에 상대적으로 크게 영향을 미치는 것으로 나타났으며, 침수발생가능성이 매우 높아 우선적으로 관리가 필요한 위험지역은 강남구에서 가장 많이 나타났으며, 송파구, 서초구, 서대문구 등도 상당히 많은 지역이 위험지역으로 나타났다. 침수발생가능성이 매우 높은 위험지역과 기반시설 데이터를 중첩시켜 도출한 기반시설 침수위험지역 분석결과에 따르면, 고려된 5개 기반시설들은 해당시설 면적의 약 5.28~9.46% 가량이 위험지역에 위치해 있어 이들 시설에 대한 침수위험관리가 필요한 것으로 나타났다. 비율로는 환경기초시설이 전체 시설의 9.
- 26km2가 침수 발생가능성이 매우 높은 위험지역으로 나타났고, 송파구, 서초구, 서대문구, 용산구, 강동구도 2km2 이상의 면적을 나타내고 있다. 침수위험지역의 전체면적에 대한 비율을 살펴보면 중구가 가장 높아 전체의 14%가 침수에 대한 위험지역으로 나타났다. 이는 전체 면적이 다른 지역에 비해 상대적으로 적지만 이에 비해 위험지역은 1.
- 57km2가 침수위험지역에 입지하고 있는 것으로 나타났다. 특히, 폐기물처리시설, 수질오염방지시설, 폐차장을 포함한 환경기초시설이 침수위험지역에 위치하는 비율이 9.46%로 가장 높은 것으로 나타났다. 또한 학교, 운동장, 공공청사 등 공공문화체육시설 가운데 6.
후속연구
- 본 연구는 도시 전역에 대한 침수위험지역 및 위험지역 내 기반시설의 유형별, 지역별 분포에 초점을 맞추어 수행되었으나, 추후연구에서는 시설의 유형별 위험요소 및 특징에 대한 보다 상세한 분석연구가 진행될 필요가 있다. 또한 차후 연구를 통하여 보다 다양한 시기의 침수자료를 통한 결과의 검증이 필요한 것으로 사료된다.
- 본 연구는 리스크 평가 개념을 기반으로 기반시설에 대한 침수위험지역을 평가하고, 분석을 위해 인공신경망 모델을 활용하였다는 점에서 의의가 있으나, 리스크 평가를 입지적인 노출의 측면으로 단순화하여 실질적 손실이나 피해규모의 도출 등이 어려웠고, GIS 래스터기반의 분석으로 면적값의 정확도에는 한계가 존재한다. 본 연구는 도시 전역에 대한 침수위험지역 및 위험지역 내 기반시설의 유형별, 지역별 분포에 초점을 맞추어 수행되었으나, 추후연구에서는 시설의 유형별 위험요소 및 특징에 대한 보다 상세한 분석연구가 진행될 필요가 있다. 또한 차후 연구를 통하여 보다 다양한 시기의 침수자료를 통한 결과의 검증이 필요한 것으로 사료된다.
- 본 연구는 리스크 평가 개념을 기반으로 기반시설에 대한 침수위험지역을 평가하고, 분석을 위해 인공신경망 모델을 활용하였다는 점에서 의의가 있으나, 리스크 평가를 입지적인 노출의 측면으로 단순화하여 실질적 손실이나 피해규모의 도출 등이 어려웠고, GIS 래스터기반의 분석으로 면적값의 정확도에는 한계가 존재한다. 본 연구는 도시 전역에 대한 침수위험지역 및 위험지역 내 기반시설의 유형별, 지역별 분포에 초점을 맞추어 수행되었으나, 추후연구에서는 시설의 유형별 위험요소 및 특징에 대한 보다 상세한 분석연구가 진행될 필요가 있다.
- 본 연구에서 인공신경망 모델을 이용하여 도출된 침수발생가능성도는 추정값에 해당되므로 이에 대한 검증이 필요하다. 본 연구는 정량적인 검증을 위해 AUC(Area Under the Curve) 방법을 이용하였다.
- 85km2 이상이 침수위험지역에 포함된 것으로 나타났으며, 이외에도 송파구, 마포구, 서대문구에서도 기반시설의 상당한 면적이 침수위험지역에 위치한 것으로 나타났다. 이들 지역은 대체로 고도로 개발되어 있을 뿐 아니라 많은 재산과 시설이 입지해 있어, 만약 이 지역에서 기반시설 침수가 발생한다면 다른 지역에서 발생한 것보다 파급피해가 훨씬 클 것으로 예상되므로 침수 관련 정책결정 시 이들 지역 내 시설을 우선 관리대상으로 고려하고 정책우선순위 결정에 반영해야 할 것으로 판단된다. 앞에서도 언급하였듯이 기후변화로 인한 침수 및 수해 발생 증가와 이러한 재해로 인한 기반시설 피해는 국내에서도 핵심적인 리스크로 평가받고 있으므로 신규 기반시설계획 시 침수위험에 대한 평가결과가 반영될 필요가 있다.
- 또한 인공신경망 모델은 데이터의 반복적 학습과정을 거처 데이터에 숨어있는 패턴을 찾아내는 모델링 기법으로 다양한 분야에서 활용되고 있으나 본 연구는 이를 침수리스크 평가에 처음으로 적용하였다. 적용 및 검증 과정을 통해 그 적용가능성이 높게 판단되었으며 추후 보다 다양한 연구에 활용될 수 있을 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.