Fuzzy Monte Carlo simulation을 이용한 물리 사면 모델 기반의 상주지역 산사태 취약성 분석 Physically Based Landslide Susceptibility Analysis Using a Fuzzy Monte Carlo Simulation in Sangju Area, Gyeongsangbuk-Do원문보기
정량적인 산사태 취약성 분석 중 물리 모델 기반의 분석(physically based approach)은 산사태의 발생 메커니즘 과정을 고려할 수 있는 장점으로 인해 다양한 취약성 분석기법 중 가장 효과적인 기법으로 알려져 있다. 물리 모델 분석은 사면의 지형학적 및 지질공학적 특성과 관련된 입력 자료들을 활용하는데, 현장으로부터 지질공학적 특성을 획득하는 과정에서 지반의 공간적 변동성과 복잡한 지질조건으로 인해 불확실성이 발생하며 이는 부정확한 결과를 초래한다. 따라서 이러한 불확실성을 정량화하기 위하여 확률론적 기법이 활용되어 왔다. 그러나 확률론적 분석을 수행하기 위해 필요한 입력변수의 확률특성은 현장 조사나 실험에서의 수량 제약으로 인하여 정확하게 파악하기 힘들다는 문제가 발생한다. 따라서 본 연구에서는 이러한 원인으로 인해 발생하는 불확실성을 다루기 위하여 퍼지집합이론(fuzzy set theory)을 활용하였다. 특히, 본 연구에서는 퍼지집합이론과 몬테카를로기법(Monte Carlo simulation)을 결합한 분석기법을 제안하였고 이를 실제 산사태가 발생한 연구지역에 적용하여 적정성을 파악하였다. 이를 위하여 1998년 8월 대규모의 산사태가 발생한 경상북도 상주시 일대를 연구지역으로 선정하고 산사태 취약성 분석을 수행하였다. 또한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)의 예측 정확도 비교를 위해, 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)과 안전율 수행 결과와 비교분석 하였다. 그 결과 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)이 다른 기법에 비해 가장 좋은 예측의 정확도를 보였다.
정량적인 산사태 취약성 분석 중 물리 모델 기반의 분석(physically based approach)은 산사태의 발생 메커니즘 과정을 고려할 수 있는 장점으로 인해 다양한 취약성 분석기법 중 가장 효과적인 기법으로 알려져 있다. 물리 모델 분석은 사면의 지형학적 및 지질공학적 특성과 관련된 입력 자료들을 활용하는데, 현장으로부터 지질공학적 특성을 획득하는 과정에서 지반의 공간적 변동성과 복잡한 지질조건으로 인해 불확실성이 발생하며 이는 부정확한 결과를 초래한다. 따라서 이러한 불확실성을 정량화하기 위하여 확률론적 기법이 활용되어 왔다. 그러나 확률론적 분석을 수행하기 위해 필요한 입력변수의 확률특성은 현장 조사나 실험에서의 수량 제약으로 인하여 정확하게 파악하기 힘들다는 문제가 발생한다. 따라서 본 연구에서는 이러한 원인으로 인해 발생하는 불확실성을 다루기 위하여 퍼지집합이론(fuzzy set theory)을 활용하였다. 특히, 본 연구에서는 퍼지집합이론과 몬테카를로기법(Monte Carlo simulation)을 결합한 분석기법을 제안하였고 이를 실제 산사태가 발생한 연구지역에 적용하여 적정성을 파악하였다. 이를 위하여 1998년 8월 대규모의 산사태가 발생한 경상북도 상주시 일대를 연구지역으로 선정하고 산사태 취약성 분석을 수행하였다. 또한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)의 예측 정확도 비교를 위해, 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)과 안전율 수행 결과와 비교분석 하였다. 그 결과 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)이 다른 기법에 비해 가장 좋은 예측의 정확도를 보였다.
Physically based landslide susceptibility analysis has been recognized as an effective analysis method because it can consider the mechanism of landslide occurrence. The physically based analysis used the slope geometry and geotechnical properties of slope materials as input. However, when the physi...
Physically based landslide susceptibility analysis has been recognized as an effective analysis method because it can consider the mechanism of landslide occurrence. The physically based analysis used the slope geometry and geotechnical properties of slope materials as input. However, when the physically based approach is adopted in regional scale area, the uncertainties were involved in the analysis procedure due to spatial variation and complex geological conditions, which causes inaccurate analysis results. Therefore, probabilistic method have been used to quantify these uncertainties. However, the uncertainties caused by lack of information are not dealt with the probabilistic analysis. Therefore, fuzzy set theory was adopted in this study because the fuzzy set theory is more effective to deal with uncertainties caused by lack of information. In addition, the vertex method and Monte Carlo simulation are coupled with the fuzzy approach. The proposed approach was used to evaluate the landslide susceptibility for a regional study area. In order to compare the analysis results of the proposed approach, Monte Carlo simulation as the probabilistic analysis and the deterministic analysis are used to analyze the landslide susceptibility for same study area. We found that Fuzzy Monte Carlo simulation showed the better prediction accuracy than the probabilistic analysis and the deterministic analysis.
Physically based landslide susceptibility analysis has been recognized as an effective analysis method because it can consider the mechanism of landslide occurrence. The physically based analysis used the slope geometry and geotechnical properties of slope materials as input. However, when the physically based approach is adopted in regional scale area, the uncertainties were involved in the analysis procedure due to spatial variation and complex geological conditions, which causes inaccurate analysis results. Therefore, probabilistic method have been used to quantify these uncertainties. However, the uncertainties caused by lack of information are not dealt with the probabilistic analysis. Therefore, fuzzy set theory was adopted in this study because the fuzzy set theory is more effective to deal with uncertainties caused by lack of information. In addition, the vertex method and Monte Carlo simulation are coupled with the fuzzy approach. The proposed approach was used to evaluate the landslide susceptibility for a regional study area. In order to compare the analysis results of the proposed approach, Monte Carlo simulation as the probabilistic analysis and the deterministic analysis are used to analyze the landslide susceptibility for same study area. We found that Fuzzy Monte Carlo simulation showed the better prediction accuracy than the probabilistic analysis and the deterministic analysis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 광역적인 지역에서의 산사태 취약성 분석 과정에 개입되는 불확실성을 퍼지 집합이론을 적용하여 분석하고자 하였다. 이를 위하여 불확실성을 내재하고 있는 산사태 취약성 분석의 입력 변수를 퍼지숫자(fuzzy number)로 정의하고 정량적인 분석을 수행하였다.
가설 설정
SHALSTAB에서지반의 투수계수는 항상 강우강도를 초과한다는 가정하에, Horton(1933)의 지표 유출을 무시하고 지반 내의흐름만을 고려하기 때문에 지표에서의 유출량인 u·d·b를 고려하지 않는다(Beven and Kirkby, 1979).
그리고 확률변수의 퍼지숫자를 산정하기 위하여 퍼지숫자의 k 값을 1과 2로 적용하였으며 20,000번의 반복 계산을 통해 퍼지숫자를 산정하고 이를 물리 사면 모델에 대입하여 반복적인 계산을 수행하였다. 한편 비교를 위하여 수행되는 몬테카를로기법(Monte Carlo simulation)에서는 선행연구(Mostyn and Li, 1993; Nilsen, 2000; Pathak and Nilsen, 2004; Park et al., 2005; Park, 2007; Lee, 2013)를참고하여 점착력과 마찰각의 확률분포를 정규분포(normal distribution)로 가정하였으며 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)과 동일한 변동계수(COV)와 반복횟수를 이용하여 분석을 수행하였다. 또한 결정론적 해석에서는 불확실성을 고려하지 않고입력변수의 평균값만으로 계산을 수행하였다.
제안 방법
먼저 본 연구에서 제안한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용한 취약성 분석을 위하여 확률변수로 고려되는 입력 변수인 점착력과 마찰각의 평균값과 변동계수(Coefficient Of Variation, COV)를 산정하였다. 그리고 확률변수의 퍼지숫자를 산정하기 위하여 퍼지숫자의 k 값을 1과 2로 적용하였으며 20,000번의 반복 계산을 통해 퍼지숫자를 산정하고 이를 물리 사면 모델에 대입하여 반복적인 계산을 수행하였다. 한편 비교를 위하여 수행되는 몬테카를로기법(Monte Carlo simulation)에서는 선행연구(Mostyn and Li, 1993; Nilsen, 2000; Pathak and Nilsen, 2004; Park et al.
따라서 본연구에서는 삼각형 퍼지소속함수를 갖는 퍼지숫자로 물리 모델에 사용되는 입력변수의 누적분포함수를 고려하였으며 이때 세 점 a, b, c를 각각a=μ− kσ, b = μ, c = μ +kσ로 모델링하였다(Fig. 1).
획득된 데이터를 기반으로 연구지역 전체에 대한 지질공학적 특성을 보간 분석하기 위해서 주위 값과의 거리와 주변에 위치한 값 사이의 상관성을 반영하는 공간처리보간 기법인 크리깅(kriging)을 수행하여 래스터 형식의 데이터를 획득하였다(Choi, 2007). 또한 본 연구에서 제안하는 분석기법의 정확도 검증을 위하여 삼아항업에서 50 cm 해상도로 촬영된 항공사진 분석과 현장조사를 통해 총 418개소의 산사태 발생위치를 획득하였고, 그 위치를 기반으로 산사태 현황도(inventory map, Fig. 4)를 구축하였다.
그리고 분석 기법의 적용성을 평가하기 위하여 상주 지역 일대를 대상으로 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 수행하였고, 정확도 검증을 위해 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)과 단순 평균값으로 안전율을 산정하는 결정론적 기법의 수행 결과와 비교하였다. 또한 연구지역의 지반 수리특성과 강우강도를 고려하는 SHALSTAB을 활용하여 지하수위를 산정하였고 분석에 적용하였다.
6c)의 주제도를래스터 형식으로 작성하였다. 또한 연구지역의 지반에대한 공학적 특성을 획득하기 위하여 10곳에 대해 각3개의 시료를 획득하여 총 30개의 시료를 획득하였으며 획득된 시료에 대해 직접전단시험(direct shear test)을 수행하여 점착력(cohesion, Fig. 7a)과 마찰각(friction angle, Fig. 7b)을 획득하였고, 현장조사와 실내시험으로 수리전도도(hydraulic conductivity, Fig. 7c)와 단위중량(unit weight, Fig. 7d)을 획득하였다. 획득된 데이터를 기반으로 연구지역 전체에 대한 지질공학적 특성을 보간 분석하기 위해서 주위 값과의 거리와 주변에 위치한 값 사이의 상관성을 반영하는 공간처리보간 기법인 크리깅(kriging)을 수행하여 래스터 형식의 데이터를 획득하였다(Choi, 2007).
먼저 본 연구에서 제안한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용한 취약성 분석을 위하여 확률변수로 고려되는 입력 변수인 점착력과 마찰각의 평균값과 변동계수(Coefficient Of Variation, COV)를 산정하였다. 그리고 확률변수의 퍼지숫자를 산정하기 위하여 퍼지숫자의 k 값을 1과 2로 적용하였으며 20,000번의 반복 계산을 통해 퍼지숫자를 산정하고 이를 물리 사면 모델에 대입하여 반복적인 계산을 수행하였다.
먼저 연구지역의 1:5,000 축척의 수치지형도에서 높이 속성을 포함한 등고선 벡터 레이어(vector layer)를 추출하여 TIN (Triangulated Irregular Network)를 구축하고 이를 활용하여 수치표고모델(DEM, Digital Elevation Model)을 10 m × 10 m 격자 구조의 래스터(raster) 형식으로 획득하였다.
본 연구에서 분석 기법의 예측 정확도를 판단하기위하여 TPR과 FPR, AUC를 사용하였다. 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation) 수행 결과는 k=1일 때, 불안정한 지역은 31.
본 연구에서는 경상북도 상주시 화서면 일대의 경도127° 56’ 29.10’’ ~ 128° 2’ 6.41’’, 위도 36° 25’ 10.57’’ ~ 36° 29’ 11.36’’에 해당하는 지역에 대하여 앞서 제안된 기법으로 산사태 취약성 분석을 수행하였다.
따라서 본 연구에서는 이러한 불확실성을 효과적으로 고려하기 위하여 퍼지집합이론을 사용하였다. 불확실성이 내재한 인자를 퍼지숫자로 고려하고 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)을 수행하는 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 제안하였다. 그리고 분석 기법의 적용성을 평가하기 위하여 상주 지역 일대를 대상으로 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 수행하였고, 정확도 검증을 위해 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)과 단순 평균값으로 안전율을 산정하는 결정론적 기법의 수행 결과와 비교하였다.
먼저 연구지역의 1:5,000 축척의 수치지형도에서 높이 속성을 포함한 등고선 벡터 레이어(vector layer)를 추출하여 TIN (Triangulated Irregular Network)를 구축하고 이를 활용하여 수치표고모델(DEM, Digital Elevation Model)을 10 m × 10 m 격자 구조의 래스터(raster) 형식으로 획득하였다. 사면의표면 정보를 담고 있는 수치표고모델을 기반으로 사면의 경사(slope, Fig. 6a)를 추출하고, 강우의 지표 유출방향(flow direction)을 파악하여 집수면적(SCA, Specific Catchment Area, Fig. 6b)을 계산하였다. 또한 농촌진흥청으로부터 발행된 1:25,000 축척의 수치지도 토양도에서 제공하는 토양의 종류에 따라 각 토양에 대한 유효토심(effective soil depth)을 획득하였다.
혼동 행렬(confusion matrix)로부터 실제로 산사태가 발생한 지역 내에서의 예측 정확성을 나타내는 TPR (True Positive Rate)과 산사태가 발생하지 않은 지역에서의 예측 오류율을 의미하는 FPR (False Positive Rate)을 산정하고, 이를 ROC 그래프 상에 나타낸다. 이때ROC 그래프에 표시된 해석 결과의 위치가 ROC 그래프 왼쪽 상단(0,1)에 가까울수록 예측 정확성이 높고성능(performance)이 좋은 모델이라고 할 수 있으며,그래프 결과의 하단부 면적을 계산하여 AUC (Area Under Curve)를 획득한다. AUC 값의 크기는 예측의정확성을 나타내며 AUC 값이 클수록 좀 더 정확한모델임을 의미한다(Fawcett, 2006; Gorsevski et al.
본 연구에서는 광역적인 지역에서의 산사태 취약성 분석 과정에 개입되는 불확실성을 퍼지 집합이론을 적용하여 분석하고자 하였다. 이를 위하여 불확실성을 내재하고 있는 산사태 취약성 분석의 입력 변수를 퍼지숫자(fuzzy number)로 정의하고 정량적인 분석을 수행하였다. 특히 물리 사면 모델에 수리학적 모델인SHALSTAB을 결합하여 강우에 의한 침투 영향을 고려하였으며, 1998년 집중강우로 인해 다수의 산사태가 발생한 상주지역에 적용하여 해석기법의 적정성을 파악해보았다.
이를 위하여 불확실성을 내재하고 있는 산사태 취약성 분석의 입력 변수를 퍼지숫자(fuzzy number)로 정의하고 정량적인 분석을 수행하였다. 특히 물리 사면 모델에 수리학적 모델인SHALSTAB을 결합하여 강우에 의한 침투 영향을 고려하였으며, 1998년 집중강우로 인해 다수의 산사태가 발생한 상주지역에 적용하여 해석기법의 적정성을 파악해보았다.
대상 데이터
6b)을 계산하였다. 또한 농촌진흥청으로부터 발행된 1:25,000 축척의 수치지도 토양도에서 제공하는 토양의 종류에 따라 각 토양에 대한 유효토심(effective soil depth)을 획득하였다. 그러나 토양도의 유효토심은 사면의 지형학적 특성을 반영하기 어렵기 때문에 고도에 따라 사면의 깊이를 산정하는 Z-모델(Saulnier et al.
본 연구에서는 강우 흐름에 따른 유역 형태를 고려하여 화서면 일대의 가로 11.9 km, 세로 8.41 km에 해당하는 약 43.77 km² 넓이의 지역을 연구지역으로선정하고 산사태 취약성 분석을 수행하였다.
본 연구에서는 연구지역을 대상으로 광역적 취약성분석을 수행하기 위하여 대상 지역의 1:5,000 축척 수치지형도, 1:50,000 축척 수치지질도, 1:25,000 축척수치토양도를 활용하여 제안된 기법에 필요한 입력 자료를 획득하였다. 먼저 연구지역의 1:5,000 축척의 수치지형도에서 높이 속성을 포함한 등고선 벡터 레이어(vector layer)를 추출하여 TIN (Triangulated Irregular Network)를 구축하고 이를 활용하여 수치표고모델(DEM, Digital Elevation Model)을 10 m × 10 m 격자 구조의 래스터(raster) 형식으로 획득하였다.
77 km² 넓이의 지역을 연구지역으로선정하고 산사태 취약성 분석을 수행하였다. 연구 지역은 산악지대이며 지질학적으로 화강암이 넓게 분포하고 있으며 일부 변성암류와 퇴적암류가 분포하고 있다(Fig. 5). 화강암은 백악기의 알칼리화강암과 쥬라기의 보은화강암으로 구성되어 있으며 이들은 광물학적인 구성성분과 입도조성이 다소 다른 암상을 보이고있다.
데이터처리
불확실성이 내재한 인자를 퍼지숫자로 고려하고 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)을 수행하는 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 제안하였다. 그리고 분석 기법의 적용성을 평가하기 위하여 상주 지역 일대를 대상으로 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 수행하였고, 정확도 검증을 위해 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)과 단순 평균값으로 안전율을 산정하는 결정론적 기법의 수행 결과와 비교하였다. 또한 연구지역의 지반 수리특성과 강우강도를 고려하는 SHALSTAB을 활용하여 지하수위를 산정하였고 분석에 적용하였다.
, 2005; Park, 2007; Lee, 2013)를참고하여 점착력과 마찰각의 확률분포를 정규분포(normal distribution)로 가정하였으며 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)과 동일한 변동계수(COV)와 반복횟수를 이용하여 분석을 수행하였다. 또한 결정론적 해석에서는 불확실성을 고려하지 않고입력변수의 평균값만으로 계산을 수행하였다.
특히 본 연구에서는 강우의 영향을 고려하기 위해SHALSTAB을 활용하여 지하수위를 산정하였으며 이렇게 산정된 지하수위를 분석에 활용하였다. 또한 제안된 분석기법의 정확도를 비교하기 위하여 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)을 활용하여 취약성 분석을 수행하였으며 불확실성을고려하지 않은 결정론적 해석 방법도 이용하여 분석을수행하고 그 결과를 비교하였다.
이론/모형
또한 농촌진흥청으로부터 발행된 1:25,000 축척의 수치지도 토양도에서 제공하는 토양의 종류에 따라 각 토양에 대한 유효토심(effective soil depth)을 획득하였다. 그러나 토양도의 유효토심은 사면의 지형학적 특성을 반영하기 어렵기 때문에 고도에 따라 사면의 깊이를 산정하는 Z-모델(Saulnier et al., 1997)을 활용하여 파괴면 깊이(soil thickness, Fig. 6c)의 주제도를래스터 형식으로 작성하였다. 또한 연구지역의 지반에대한 공학적 특성을 획득하기 위하여 10곳에 대해 각3개의 시료를 획득하여 총 30개의 시료를 획득하였으며 획득된 시료에 대해 직접전단시험(direct shear test)을 수행하여 점착력(cohesion, Fig.
즉, 확률특성을 정의하기에 충분한 양의 수량의 자료가 요구되는 확률론적 기법은 자료의 부족으로 인해발생하는 불확실성을 정량화하기 어렵다. 따라서 본 연구에서는 이러한 불확실성을 효과적으로 고려하기 위하여 퍼지집합이론을 사용하였다. 불확실성이 내재한 인자를 퍼지숫자로 고려하고 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)을 수행하는 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 제안하였다.
, 2008). 따라서 본 연구에서는 지질공학적 입력 변수들의 불확실성을 퍼지숫자로 고려하고, 각 퍼지숫자에 대하여 무작위로 값을 추출하여 파괴확률을 계산하는 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을적용하였다.
또한 본 연구에서는 Montgomery and Dietrich (1994)에 의해 제안된 수리모델(distributed hydrological model)과 무한 사면 안정 모델의 습윤 지수를 활용하는SHALSTAB (SHALlow landsliding STABility model)을 활용하여 지하수위 zw를 산정하였다. SHALSTAB은 O’Loughlin (1986)가 제안한 수리모델에서 정상상태의 얕은 지반 내에서의 흐름과 지표유출은 식 (2)로표현된다.
본 연구에서는 1998년 8월 약 280 mm의 집중호우로 인하여 다수의 산사태가 발생한 상주 지역에 대해본 연구에서 제안한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용하여 취약성 분석을 수행하였다. 특히 본 연구에서는 강우의 영향을 고려하기 위해SHALSTAB을 활용하여 지하수위를 산정하였으며 이렇게 산정된 지하수위를 분석에 활용하였다.
본 연구에서는 지반의 깊이가 낮고 산사태의 길이가길다고 가정하는 사면 모델인 무한 사면 모델(infinite slope model)을 물리 사면 모델로 사용하였다(Fig. 2).무한 사면 모델은 우리나라에서 주로 발생하는 얕은깊이의 산사태(shallow landslide)를 표현하기에 적합하며(National Disaster Management Institute, 2000),다른 모델에 비해 해석이 용이하기 때문에 가장 범용적으로 사용되고 있는 물리 사면 모델이다(Kamai, 1991; Montgomery and Dietrich, 1994; Wu and Sidle, 1995; Terlien, 1996; Borga et al.
본 연구에서는 취약성 분석결과의 정확도를 판단하기위해 ROC (Receiver Operating Characteristics) 그래프를 활용하였다(Egan, 1975; Swets, 1988; Williams et al., 1999; Gorsevski et al., 2006; Lee, 2013). ROC 그래프는 취약성 분석 결과와 산사태 발생 위치를 비교하여 분석 결과의 정확성을 검증하는 방법으로혼동 행렬(confusion matrix)을 계산하여 검증에 활용한다.
본 연구에서는 1998년 8월 약 280 mm의 집중호우로 인하여 다수의 산사태가 발생한 상주 지역에 대해본 연구에서 제안한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용하여 취약성 분석을 수행하였다. 특히 본 연구에서는 강우의 영향을 고려하기 위해SHALSTAB을 활용하여 지하수위를 산정하였으며 이렇게 산정된 지하수위를 분석에 활용하였다. 또한 제안된 분석기법의 정확도를 비교하기 위하여 기존의 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)을 활용하여 취약성 분석을 수행하였으며 불확실성을고려하지 않은 결정론적 해석 방법도 이용하여 분석을수행하고 그 결과를 비교하였다.
7d)을 획득하였다. 획득된 데이터를 기반으로 연구지역 전체에 대한 지질공학적 특성을 보간 분석하기 위해서 주위 값과의 거리와 주변에 위치한 값 사이의 상관성을 반영하는 공간처리보간 기법인 크리깅(kriging)을 수행하여 래스터 형식의 데이터를 획득하였다(Choi, 2007). 또한 본 연구에서 제안하는 분석기법의 정확도 검증을 위하여 삼아항업에서 50 cm 해상도로 촬영된 항공사진 분석과 현장조사를 통해 총 418개소의 산사태 발생위치를 획득하였고, 그 위치를 기반으로 산사태 현황도(inventory map, Fig.
성능/효과
10b). 따라서 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용한 분석의 경우(0.722, 0.729)와 몬테카를로기법(Monte Carlo simulation)을활용한 확률론적 해석기법의 경우(0.723) 결정론적 해석 결과(0.696)보다 높은 값을 보여 우수한 성능을 보이는 것으로 나타났다. 한편 Formetta et al.
9b). 또한 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)과 비교를 위해 수행된 몬테카를로기법(Monte Carlo simulation)의 결과에서 안정한 지역은 전체 영역의 54.6% 불안정한 지역은45.4%를 보였고 TPR과 FPR은 각각 0.900, 0.453, AUC는 0.723 값을 보였다(Table 2, Fig. 10a). 또한안전율 수행 결과는 안정한 지역은 전체 영역의 76.
10a). 또한안전율 수행 결과는 안정한 지역은 전체 영역의 76.1%이고 불안정한 지역은 20.9%를 보였고 TPR과FPR은 각각 0.632, 0.239, AUC는 0.696 값을 보였다(Table 2, Fig. 10b). 따라서 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)을 활용한 분석의 경우(0.
, 2003). 반면 대체로낮은 지형조건과 노두분포가 덜하여 상대적으로 토층분포비가 높은 화강암류 지역에서는 산사태가 많이 발생된 것으로 나타났다. 산사태는 연구 지역 전역에 걸쳐서 발생되었으나 화강암지역에서 더 높은 발생빈도를 보였다(Kim et al.
퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)은 자료의 부족으로 발생하는 불확실성을 고려할 수있을 뿐만 아니라 지질공학적 변수의 누적확률분포함수 대신 퍼지숫자로 고려하기 때문에 연구지역의 지질공학적 변수의 특성 따라 k 값을 조정할 수 있고, 각변수의 k 값을 조정하여 유연성 있게 변수에 대한 불확실성을 통제할 수 있다. 연구지역을 대상으로 제안된분석기법과 결정론적 해석기법 그리고 확률론적 해석기법을 적용하여 분석기법의 정확도를 분석한 결과 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)과 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)이 모두 결정론적 해석 결과에 비해 높은 정확도를 보이는 것으로 나타났다. 특히 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)은 TPR 값이 0.
연구지역을 대상으로 제안된분석기법과 결정론적 해석기법 그리고 확률론적 해석기법을 적용하여 분석기법의 정확도를 분석한 결과 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)과 확률론적 기법인 몬테카를로기법(Monte Carlo simulation)이 모두 결정론적 해석 결과에 비해 높은 정확도를 보이는 것으로 나타났다. 특히 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)은 TPR 값이 0.7이상, FPR값이 0.4이하의 값을 보여 기존의 몬테카를로기법(Monte Carlo simulation)에 비해 좀 더 최적화된 모델 성능을 보이는 것으로 나타났다.
4미만의 FPR을 갖는 모델은 성능(performance)이 최적화된(optimization)모델이라고 할 수 있다. 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)은 k가 1과 2일 때 TPR이각각 0.754, 0.845, FPR이 0.310, 0.386을 보이고 있으나 몬테카를로기법(Monte Carlo simulation)의 경우TPR이 0.900, FPR이 0.453을 보이고 있어 퍼지몬테카를로기법(Fuzzy Monte Carlo simulation)의 성능이확률론적 해석기법인 몬테카를로기법(Monte Carlo simulation)을 활용한 해석기법보다 우수한 것으로 판단된다.
8). 혼동행렬(confusion matrix)에서 TP는 분석 결과 산사태발생을 예측하였고 실제도 발생한 경우, FP는 산사태발생을 예측하였지만 실제로 발생하지 않은 경우, FN은 안전한 지역으로 예측하였지만 실제로 산사태가 발생한 경우, TN은 안전한 지역으로 예측하였고 실제로도 안전한 지역인 경우를 나타낸다. 혼동 행렬(confusion matrix)로부터 실제로 산사태가 발생한 지역 내에서의 예측 정확성을 나타내는 TPR (True Positive Rate)과 산사태가 발생하지 않은 지역에서의 예측 오류율을 의미하는 FPR (False Positive Rate)을 산정하고, 이를 ROC 그래프 상에 나타낸다.
질의응답
핵심어
질문
논문에서 추출한 답변
물리 모델 분석은 어떤 자료를 활용하는가
정량적인 산사태 취약성 분석 중 물리 모델 기반의 분석(physically based approach)은 산사태의 발생 메커니즘 과정을 고려할 수 있는 장점으로 인해 다양한 취약성 분석기법 중 가장 효과적인 기법으로 알려져 있다. 물리 모델 분석은 사면의 지형학적 및 지질공학적 특성과 관련된 입력 자료들을 활용하는데, 현장으로부터 지질공학적 특성을 획득하는 과정에서 지반의 공간적 변동성과 복잡한 지질조건으로 인해 불확실성이 발생하며 이는 부정확한 결과를 초래한다. 따라서 이러한 불확실성을 정량화하기 위하여 확률론적 기법이 활용되어 왔다.
물리 모델 기반의 분석이란?
정량적인 산사태 취약성 분석 중 물리 모델 기반의 분석(physically based approach)은 산사태의 발생 메커니즘 과정을 고려할 수 있는 장점으로 인해 다양한 취약성 분석기법 중 가장 효과적인 기법으로 알려져 있다. 물리 모델 분석은 사면의 지형학적 및 지질공학적 특성과 관련된 입력 자료들을 활용하는데, 현장으로부터 지질공학적 특성을 획득하는 과정에서 지반의 공간적 변동성과 복잡한 지질조건으로 인해 불확실성이 발생하며 이는 부정확한 결과를 초래한다.
물리 모델 기반의 분석에서 불확실성을 정량화하기 위한 확률론적 기법이 활용된 이유는?
정량적인 산사태 취약성 분석 중 물리 모델 기반의 분석(physically based approach)은 산사태의 발생 메커니즘 과정을 고려할 수 있는 장점으로 인해 다양한 취약성 분석기법 중 가장 효과적인 기법으로 알려져 있다. 물리 모델 분석은 사면의 지형학적 및 지질공학적 특성과 관련된 입력 자료들을 활용하는데, 현장으로부터 지질공학적 특성을 획득하는 과정에서 지반의 공간적 변동성과 복잡한 지질조건으로 인해 불확실성이 발생하며 이는 부정확한 결과를 초래한다. 따라서 이러한 불확실성을 정량화하기 위하여 확률론적 기법이 활용되어 왔다. 그러나 확률론적 분석을 수행하기 위해 필요한 입력변수의 확률특성은 현장 조사나 실험에서의 수량 제약으로 인하여 정확하게 파악하기 힘들다는 문제가 발생한다.
참고문헌 (96)
Avanzi, G.D.A., Falaschi, F., Giannecchini, R. and Puccinelli, A. (2009) Soil slip susceptibility assessment using mechanical-hydrological approach and GIS techniques: an application in the Apuan Alps (Italy). Natural hazards, v.50, p.591-603.
Takara, K., Yamashiki, Y., Sassa, K., Ibrahim, A.B. and Fukuoka, H. (2010) A distributed hydrological-geotechnical model using satellite-derived rainfall estimates for shallow landslide prediction system at a catchment scale. Landslides, v.7, p.237-258.
Beven, K.J. and Kirkby, M.J. (1979) A physically based, variable contributing area model of basin hydrology/ Un modele a base physique de zone d'appel variable de l'hydrologie du bassin versant. Hydrological Sciences Journal, v.24, p.43-69.
Borga, M., Dalla Fontana, G., Da Ros, D. and Marchi, L. (1998) Shallow landslide hazard assessment using a physically based model and digital elevation data. Environmental geology, v.35, p.81-88.
Burrough, P.A., MacMillan, R.A. and Deursen, W.V. (1992) Fuzzy classification methods for determining land suitability from soil profile observations and topography. European Journal of Soil Science, v.43, p.193-210.
Burton, A. and Bathurst, J.C. (1998) Physically based modelling of shallow landslide sediment yield at a catchment scale. Environmental Geology, v.35, p.89-99.
Chae, B.G., Lee, J.H., Park, H.J. and Choi, J. (2015) A method for predicting the factor of safety of an infinite slope based on the depth ratio of the wetting front induced by rainfall infiltration. Natural Hazards and Earth System Sciences, v.15, p.1835-1849.
Chen, C.S. and Liu, Y.C. (2007) A methodology for evaluation and classification of rock mass quality on tunnel engineering. Tunnelling and Underground Space Technology, v.22, p.377-387.
Coduto, D.P., Yeung, M.R. and Kitch, W.A. (2010) Geotechnical engineering: principles and practices. 2nd edition, Pearson, 816p.
Davis, T.J. and Keller, C.P. (1997) Modelling uncertainty in natural resource analysis using fuzzy sets and Monte Carlo simulation: slope stability prediction. International Journal of Geographical Information Science, v.11, p.409-434.
Dietrich, W.E., Wilson, C.J., Montgomery, D.R., McKean, J. and Bauer, R. (1992) Erosion thresholds and land surface morphology. Geology, v.20, p.675-679.
Egan, J.P. (1975) Signal detection theory and ROC analysis. Academic Press, 297p.
Einstein, H.H. and Baecher, G.B. (1982) Probabilistic and statistical methods in engineering geology I. Problem statement and introduction to solution. In Ingenieurgeologie und Geomechanik als Grundlagen des Felsbaues / Engineering Geology and Geomechanics as Fundamentals of Rock Engineering, p.47-61.
El-Ramly, H., Morgenstern, N.R. and Cruden, D. M. (2002) Probabilistic slope stability analysis for practice. Canadian Geotechnical Journal, v.39, p.665-683.
Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi, E. and Savage, W. Z. (2008) Guidelines for landslide susceptibility, hazard and risk zoning for land-use planning. Engineering Geology, v.102, p.99-111.
Finol, J., Guo, Y.K. and Jing, X.D. (2001) A rule based fuzzy model for the prediction of petrophysical rock parameters. Journal of Petroleum Science and Engineering, v.29, p.97-113.
Formetta, G., Capparelli, G. and Versace, P. (2016) Evaluating performance of simplified physically based models for shallow landslide susceptibility. Hydrology and Earth System Sciences, v.20, p.4585.
Frattini, P., Crosta, G.B., Fusi, N. and Dal Negro, P. (2004) Shallow landslides in pyroclastic soils: a distributed modelling approach for hazard assessment, Engineering Geology, v.73, p.277-295.
Ghose, A.K. and Dutta, D. (1987) A rock mass classification model for caving roofs. International Journal of Mining and Geological Engineering, v.5, p.257-271.
Giasi, C.I., Masi, P. and Cherubini, C. (2003) Probabilistic and fuzzy reliability analysis of a sample slope near Aliano. Engineering Geology, v.67, p.391-402.
Gokceoglu, C. (2002) A fuzzy triangular chart to predict the uniaxial compressive strength of the Ankara agglomerates from their petrographic composition. Engineering Geology, v.66, p.39-51.
Gokceoglu, C. and Zorlu, K. (2004) A fuzzy model to predict the uniaxial compressive strength and the modulus of elasticity of a problematic rock. Engineering Applications of Artificial Intelligence, v.17, p.61-72.
Grima, M.A. and Babuska, R. (1999) Fuzzy model for the prediction of unconfined compressive strength of rock samples. International Journal of Rock Mechanics and Mining Sciences, v.36, p.339-349.
Haldar, A. and Mahadevan, S. (2000) Reliability assessment using stochastic finite element analysis. John Wiley & Sons, 344p.
Hamidi, J.K., Shahriar, K., Rezai, B. and Bejari, H. (2010) Application of fuzzy set theory to rock engineering classification systems: an illustration of the rock mass excavability index. Rock mechanics and rock engineering, v.43, p.335-350.
Hanss, M. and Turrin, S. (2010) A fuzzy-based approach to comprehensive modeling and analysis of systems with epistemic uncertainties. Structural Safety, v.32, p.433-441.
Huang, J.C., Kao, S.J., Hsu, M.L. and Lin, J.C. (2006) Stochastic procedure to extract and to integrate landslide susceptibility maps: an example of mountainous watershed in Taiwan. Natural Hazards and Earth System Science, v.6, p.803-815.
Huang, J.C., Kao, S.J., Hsu, M.L. and Liu, Y.A. (2007) Influence of Specific Contributing Area algorithms on slope failure prediction in landslide modeling. Natural Hazards and Earth System Sciences, v.7, p.781-792.
Jang, H.D. and Yang, H.S. (2010) An analysis of stability on rock slope by changing water level, Tunnel and Underground Space, v.20(1), p.7-14.
Jang, W.S., Ryu, J.C., Kang, H.W., Kim, K.S., Lee, C., Kim, Y.S. and Lim, K.J. (2010) Application of the Technique for Determining the Most Appropriate Spot for a Check-dam in Chungju-dam Watershed. Journal of the Environment, v.7, p.19-31.
Juang, C.H. and Elton, D.J. (1996) A practical approach to uncertainty modeling in geotechnical engineering. In Uncertainty in the Geologic Environment: from Theory to Practice, ASCE, p.1269-1283.
Juang, C.H., Wey, J.L. and Elton, D.J. (1991) Model for capacity of single piles in sand using fuzzy sets. Journal of Geotechnical Engineering, v.117, p.1920-1931.
Juang, C.H., Huang, X.H. and Elton, D.J. (1992a) Modelling and analysis of non-random uncertainties-fuzzy-set approach. International journal for numerical and analytical methods in geomechanics, v.16, p.335-350.
Kamai, T. (1991) Slope stability assessment by using GIS. Science and Technology Agency of Japan, in Japanese.
Kayabasi, A., Gokceoglu, C. and Ercanoglu, M. (2003) Estimating the deformation modulus of rock masses: a comparative study. International Journal of Rock Mechanics and Mining Sciences, v.40, p.55-63.
Kim, J.S., Kim. N.C. and Lee, H.H. (2000) Articles : Application of a Physically Based Model to Shallow landsliding. The Korea Society For Environmental Restoration And Revegetation Technology, v.3, p.62-69.
Kim, J.S. (2011) Assessment of Landslide Hazard Induced by Earthquake and Groundwater Level Variation. Masters dissertation, Sejong university, Seoul.
Kim, W.Y., Chae B.G., Kim, K.S., Cho, Y.C., Lee, C.O., Lee, C.W., Kim, K.Y., Kim, J.H. and Kim, J.M. (2003) Study on landslide hazard prediction. Ministry of Science and Technology, 339p.
Kim, K.S., Song, Y.S., Cho, Y.C., Kim, W.Y. and Jeong, G.C. (2006) Characteristics of Rainfall and Landslides according to the Geological Condition. The journal of Engineering geology, v.16, p.201-214.
Kim, M.S., Kim, J.K., Cho, Y.C. and Kim, S.W. (2011) Geomorphic-characteristics of debris flow induced by typhoon "RUSA" in 2002 using Shalstab Model and Remote Sensing: case study in Macheon region near Jiri-Mountain. Journal of the Korean geomorphological association, v.18, p.193-202.
Lee, J.H. (2013) Landslide susceptibility analysis using transient infiltration model and probabilistic method in Inje area. Masters dissertation, Sejong university, Seoul.
Lee, J.H. and Park, H.J. (2012) Assessment of landslide susceptibility using a coupled infinite slope model and hydrologic model in Jinbu area, Gangwon-do. Economic and Environmental Geology, v.45, p.697-707.
Lee, J.H. and Park, H.J. (2016) Assessment of shallow landslide susceptibility using the transient infiltration flow model and GIS-based probabilistic approach. Landslides, v.13, p.885-903.
Lee, S.H. (2005) Application of a physically based hydrologic model to the prediction of shallow landslide potential area using GIS. Doctor dissertation, Chungbuk university, Cheongju-si, Chungcheongbuk-do.
Lee, H.W. (2011) Analysis of Landslide Susceptibility using Probabilistic Method and GIS. Masters dissertation, Sejong university, Seoul.
Luo, Z., Atamturktur, S., Juang, C.H., Huang, H. and Lin, P.S. (2011) Probability of serviceability failure in a braced excavation in a spatially random field: Fuzzy finite element approach. Computers and Geotechnics, v.38, p.1031-1040.
Michel, G.P., Kobiyama, M. and Goerl, R.F. (2014) Comparative analysis of SHALSTAB and SINMAP for landslide susceptibility mapping in the Cunha River basin, southern Brazil. Journal of soils and sediments, v.14, p.1266-1277.
Montgomery, D.R. and Dietrich, W.E. (1994) A physically based model for the topographic control on shallow landsliding. Water resources research, v.30, p.1153-1171.
Mostyn, G.R. and Li, K.S. (1993) Probabilistic slope analysis - state of play. In Proceedings, Conference on Probabilistic Methods in Geotechnical Engineering, p.89-109.
Mostyn, G.R. and Small, J.C. (1987) Methods of stability analysis. Soil Slope Instability and Stabilization, Balkema, p.71-120.
National Disaster Management Institute (2000) Fundamental Issues for Landslide Hazards Avoidance or Mitigation Plans. National Disaster Management Institute, 276p.
Nilsen, B. (2000) New trends in rock slope stability analyses. Bulletin of Engineering Geology and the Environment, v.58, p.173-178.
O'loughlin, E.M. (1986) Prediction of surface saturation zones in natural catchments by topographic analysis. Water Resources Research, v.22, p.794-804.
Pack, R.T., Tarboton, D.G. and Goodwin, C.N. (1998) The SINMAP approach to terrain stability mapping. In 8th congress of the international association of engineering geology, Vancouver, British Columbia, Canada, p.1157-1165.
Park, H.J. (2007) The Evaluation of Failure Probability for Rock Slope Based on Fuzzy Set Theory and Monte Carlo Simulation. Journal of the Korean Geotechnical Society, v.23, p.109-117.
Park, H.J. and West, T.R. (2001) Development of a probabilistic approach for rock wedge failure. Engineering Geology, v.59, p.233-251.
Park, H.J., Lee, J.H. and Woo, I. (2013) Assessment of rainfall-induced shallow landslide susceptibility using a GIS-based probabilistic approach. Engineering Geology, v.161, p.1-15.
Park, H.J., Lee, S.R. and Kim, J.W. (2003) Analysis and Verification of Slope Disaster Hazard Using Infinite Slope Model and GIS. Economic and environmental geology, v.36, p.313-320.
Park, H.J., Um, J.G. and Woo, I. (2008) The evaluation of failure probability for rock slope based on fuzzy set theory and Monte Carlo simulation. In Proceedings of the 10th international symposium on landslides and engineered slopes, p.1943-1949.
Park, H.J., Um, J.G., Woo, I. and Kim, J.W. (2012) Application of fuzzy set theory to evaluate the probability of failure in rock slopes. Engineering Geology, v.125, p.92-101.
Park, H.J., West, T.R. and Woo, I. (2005) Probabilistic analysis of rock slope stability and random properties of discontinuity parameters, Interstate Highway 40, Western North Carolina, USA. Engineering Geology, v.79, p.230-250.
Pathak, S. and Nilsen, B. (2004) Probabilistic rock slope stability analysis for Himalayan conditions. Bulletin of Engineering Geology and the Environment, v.63, p.25-32.
Pradhan, A.M.S. and Kim, Y.T. (2015) Application and comparison of shallow landslide susceptibility models in weathered granite soil under extreme rainfall events. Environmental Earth Sciences, v.73, p.5761-5771.
Pradhan, A.M.S. and Kim, Y.T. (2016) Evaluation of a combined spatial multi-criteria evaluation model and deterministic model for landslide susceptibility mapping. Catena, v.140, p.125-139.
Rosso, R., Rulli, M.C. and Vannucchi, G. (2006) A physically based model for the hydrologic control on shallow landsliding. Water Resources Research, v.42, p.W06410.
Sadeghi, N., Fayek, A.R. and Pedrycz, W. (2010) Fuzzy Monte Carlo simulation and risk assessment in construction. Computer-Aided Civil and Infrastructure Engineering, v.25, p.238-252.
Song, Y.S. and Hong, W.P. (2011) Analysis of slope stability with consideration of the wetting front and groundwater level during rainfall. The Journal of Engineering Geology, v.21, p.25-34.
Terlien, M.T.J. (1996) Modelling spatial and temporal variations in rainfall-triggered landslides: the integration of hydrologic models, slope stability models and geographic information systems for the hazard zonation of rainfall-triggered landslides with examples from Manizales (Colombia). International Institute for Aerial Survey and Earth Sciences , ITC, 254p.
venkatachalam, G. (2006) Reliability and Risk analysis of slopes. indian geotechnical journal, v.35. p.1-67.
Westen, C.V. and Terlien, M.J.T. (1996) An approach towards deterministic landslide hazard analysis in GIS. A case study from Manizales (Colombia), Earth Surface Processes and Landforms, v.21, p.853-868.
Whittle, A.J. and Hashash, Y.M.A. (1994) Soil modeling and prediction of deep excavation behavior. Pre-failure deformation of geomaterials: Rotterdam, AA Balkema, p.589-594.
Williams, C.J., Lee, S.S., Fisher, R.A. and Dickerman, L.H. (1999) A comparison of statistical methods for prenatal screening for Down syndrome. Applied Stochastic Models in Business and Industry, v.15, p.89-101.
Witt, A.C. (2005) Using a GIS (Geographic Information System) to model slope instability and debris flow hazards in the French Broad River watershed. The degree of Master of Science, North Carolina State University, North Carolina.
Wu, W. and Sidle, R.C. (1995) A distributed slope stability model for steep forested basins. Water resources research, v.31, p.2097-2110.
Xie, M., Esaki, T. and Zhou, G. (2004) GIS-based probabilistic mapping of landslide hazard using a threedimensional deterministic model. Natural Hazards, v.33, p.265-282.
Yao, Y., Li, X. and Yuan, Z. (1999) Tool wear detection with fuzzy classification and wavelet fuzzy neural network. International Journal of Machine Tools and Manufacture, v.39, p.1525-1538.
Zhou, G., Esaki, T., Mitani, Y., Xie, M. and Mori, J. (2003) Spatial probabilistic modeling of slope failure using an integrated GIS Monte Carlo simulation approach. Engineering Geology, v.68, p.373-386.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.