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
- , 2017). 따라서 본 연구는 산사태 발생이 빈번하고, 인구가 집중되어 피해가 큰 자바를 대상으로 산사태 취약성 분석을 수행하고자 하였다.
- 이를 위하여 인도네시아 자바 지역 전체를 대상으로, 산사태와 관련된 최종 변수를 선택하고 대표적인 데이터기반 접근 방법을 서로 비교하여 적합한 모델을 제시하고자 한다. 따라서, 본 연구에서는 산사태 취약성 분석 모델 비교를 통한 인도네시아 전역의 산사태 취약성을 분석하고자 한다.
- 본 연구는 인도네시아 자바지역을 대상으로 산사태 취약성을 분석하기 위해, 다양한 산사태 관련 요인의 자료를 구축하였고, 대표적인 모델을 적용 및 비교하여 취약지도를 제작하였다. 산사태 발생에 영향을 미치는 인자로서 표고, 경사도, 경사향, 곡률, TPI와 같은 지형관련인자, SPI, TWI, 하천으로부터의 거리를 포함하는 수문 요인, 토양 종류, 토지피복 및 도로까지의 거리 등을 고려하였다.
- , 2017). 이에 본 연구에서는 WoE, 의사결정트리, 인공신경망 등 대표적인 데이터기반 접근법들을 인도네시아 자바 지역에 적용 하고 결과를 비교하여 적합한 모델을 찾고자 하였다.
가설 설정
- 하천까지의 거리는 침식과 관련이 있으며, 하천과의 거리가 가까울수록 산사태가 많이 발생할 것으로 가정한다. 하천 자료는 OSM (Open Street Map)을 통해 취득하였다.
제안 방법
- 해당 그림은 LSI를 Chung and Fabbri (1999) 의 기준을 참고하여 산사태 발생 취약성을 매우 높음, 높음, 보통, 낮음, 매우 낮음으로 재분류한 것이다. 각 모델을 통해 산출된 LSI 값을 분위수(10%, 25%, 40%, 60%)를 사용하여 분류 하였다.
- , 2017). 경사향은 0부터 360까지 값을 가지며 8개의 클래스로 나누어 북쪽, 동북쪽, 동쪽, 남동쪽, 남쪽, 남서쪽, 서쪽, 북서쪽, 총 8가지로 구분하였다.
- 본 연구는 인도네시아 자바지역을 대상으로 산사태 취약성을 분석하기 위해, 다양한 산사태 관련 요인의 자료를 구축하였고, 대표적인 모델을 적용 및 비교하여 취약지도를 제작하였다. 산사태 발생에 영향을 미치는 인자로서 표고, 경사도, 경사향, 곡률, TPI와 같은 지형관련인자, SPI, TWI, 하천으로부터의 거리를 포함하는 수문 요인, 토양 종류, 토지피복 및 도로까지의 거리 등을 고려하였다. WoE 결과를 통해 토양의 종류와 표고의 영향이 가장 크게 작용하는 것을 확인할 수 있었고, 의사결정트리에서는 표고, 도로까지의 거리, 경사도, 단면 곡률이 분류에 사용되었다.
- 서로 다른 모델을 이용하여 생성된 산사태 취약지도를 비교하기 위해 이를 위해 SRC (Success Rate Curve)와 AUC (Area Under the Curve)를 사용하였다. SRC는 산사태 취약성 지수 값에 대한 상대적 순위에 대한 산사태 발생 누적 비율을 도시한 그래프로, 산사태 취약성과 실제로 발생한 산사태 간 공간 정확도에 대한 분석을 가능케 한다(Chung and Fabbri, 1999; Samodra et al.
- 본 연구에서는 목표변수가 산사태가 발생 여부, 예측변 수가 산사태 유발 요인이 되므로, 해당 인자가 산사태 발생에 큰 영향을 주지 않는다고 결론지을 수 있다. 의사결정트리로 산출되는 LSI는 종단노드에서 최종적으로 분류된 그룹의 산사태 발생 비율로 산출하였다.
- 산사태는 인도네시아의 주요 재해이므로, 국가적인 차원에서 산사태 취약성을 평가하는 보편적인 방법론이 필요하며 보다 광역적 측면에서 산사태 취약성 분석이 이루어지는 것이 바람직하다. 이를 위하여 인도네시아 자바 지역 전체를 대상으로, 산사태와 관련된 최종 변수를 선택하고 대표적인 데이터기반 접근 방법을 서로 비교하여 적합한 모델을 제시하고자 한다. 따라서, 본 연구에서는 산사태 취약성 분석 모델 비교를 통한 인도네시아 전역의 산사태 취약성을 분석하고자 한다.
- 산사태는 해당 지역의 자연환경과 관련된 요소들과 많이 연관되어 있다. 지형관련인자, 수문 요인, 토지 이용 및 인위적 요인으로 분류되어 산사태 취약성과 관련성이 연구되고 있으며(Hadmoko et al., 2017; Samodra et al., 2017), 본 연구는 이들 연구에서 사용된 분류 체계와 변수를 참고하여 최종 변수를 선정하였다.
- , 2017). 토지피복도는 USGS GLCC (Global Land Cover Characteristics) Level 1 자료를 활용하였으며, 해당 연구지역내 도시지역, 농업지역, 방목지역, 산림, 수역 총 5개의 클래스가 분포하고 있다.
대상 데이터
- 관련 요인들은 모두 입력 자료의 축척을 고려하여 90m×90m 격자 크기를 가지는 Grid 자료로 동일한 공간해상도의 데이터베이스로 구축되었다(Fig. 2).
- 도로까지의 거리는 주로 주택 및 택지 개발과 관련이 많은 요인으로(Samodra et al., 2017), OSM 도로 데이터를 이용하여 산출하였다.
- 본 연구에서는 인도네시아 자바를 대상지역으로 선정하였다 (Fig. 1). 인도네시아는 적도를 중심으로 북위 5°에서 남위 10° 사이에 위치하고 있으며, 총 18,108개의 섬으로 이루어진 대표적인 도서 국가이다(Wikipedia, 2017).
- 우선 산사태 취약성 모델링을 위해 가장 필수적인 정보는 산사태 발생과 관련된 정보이다. 본 연구에서는 인도네시아 재난관리청 GEOSPASIAL-BNPB 에서 취득 가능한 2011년 9월부터 2015년 6월까지 발생한 산사태 정보를 사용하였다(BNPB, 2011). 해당 자료는 산사태가 발생한 지역의 위치정보를 포함하여, 발생 일자, 간단한 설명 등이 포함되어 있다.
- 포화된 토양은 전단응력의 감소로 산사태가 발생할 확률이 높은데, 토양의 종류 및 성분에 따라 강우에 의해 포화되는 속도가 다르다 (Oh, 2010). 자료는 FAO (Food and Agriculture Organization)에서 제공하는 토양도를 사용하였다(FAO, 2017).
- 5와 같으며, 뿌리노드에서 종단노드까지 각 노드에는 해당 노드로 분류된 데이터 중 산사태가 발생한 지역과 아닌 지역의 비율이 표시되어 있다. 트리 구조의 노드는 총 21개, 종단노드는 13개이며, 표고, 도로까지의 거리, 경사도, 단면 곡률이 분류에 사용된 인자이다. 표고 값이 357m 이상일 때 산사태가 발생할 확률이 높고, 157m 이하일 때는 산사태 발생확률이 낮았다.
- 표고는 USGS (United States Geological Survey)에서 제공하는 SRTM (Shuttle Radar Topography Mission) 3 Arc-Second 자료를 이용하였다. 경위도(WGS 84) 좌표계를 UTM 49S로 변환 하였고 격자크기 90m로 생성된 수치표고모형(DEM, Digital Elevation Model)을 사용하였다.
- 하천까지의 거리는 침식과 관련이 있으며, 하천과의 거리가 가까울수록 산사태가 많이 발생할 것으로 가정한다. 하천 자료는 OSM (Open Street Map)을 통해 취득하였다.
데이터처리
- Eq. (4)는 목표 출력값 t, 훈련데이터로 산출된 실제 출력값 o의 차이로 계산되는 평균제곱오차(MSE, Mean Squared Error)를 나타낸다. 본 연구에서는 역전파 학습알고리즘으로 LM (Levenberg-Marquardt) 기법(Marquardt, 1963) 을 이용하여 경중률 값을 갱신하였다.
이론/모형
- 본 연구에서는 가장 대표적으로 많이 사용되고 있는 Kass (1980) 에 의해 제안된 CHAID (Chi-squared Automatic Interaction Detection) 알고리즘을 이용해 의사결정트리를 생성하였다. CHAID 알고리즘은 목표변수가 범주형일 때, Pearson의 카이제곱 통계량 또는 우도비 카이제곱 통계량(likelihood ratio Chi-square statistic) 을 분리기준으로 사용하여 다지분리(multi-way split)를 수행한다. 다지분리는 부모노드에서 자식노드로 2개 이상의 분리를 수행하는 것이다.
- 표고는 USGS (United States Geological Survey)에서 제공하는 SRTM (Shuttle Radar Topography Mission) 3 Arc-Second 자료를 이용하였다. 경위도(WGS 84) 좌표계를 UTM 49S로 변환 하였고 격자크기 90m로 생성된 수치표고모형(DEM, Digital Elevation Model)을 사용하였다. 표고는 지형 특성을 나타내는 가장 기초적인 자료라고 할 수 있다.
- 경중률 갱신을 위해 역전파 알고리즘(back propagation algorithm)을 사용하며, 역전파 알고리즘은 목표 출력값과 실제 출력 값과의 차의 제곱을 최소화하도록 경중률을 갱신한다(Paola and Schowengerdt, 1995). Eq.
- 일반적으로 의사결정트리 분석은 의사결정트리 형성(성장), 가지치기, 타당성 평가, 해석 및 예측의 과정을 거치는데 이러한 분석 과정에서 분리기준, 평가기준 등을 어떻게 지정하느냐에 따라 서로 다른 의사결정트리가 형성된다(Choi and Seo, 1999). 본 연구에서는 가장 대표적으로 많이 사용되고 있는 Kass (1980) 에 의해 제안된 CHAID (Chi-squared Automatic Interaction Detection) 알고리즘을 이용해 의사결정트리를 생성하였다. CHAID 알고리즘은 목표변수가 범주형일 때, Pearson의 카이제곱 통계량 또는 우도비 카이제곱 통계량(likelihood ratio Chi-square statistic) 을 분리기준으로 사용하여 다지분리(multi-way split)를 수행한다.
- (4)는 목표 출력값 t, 훈련데이터로 산출된 실제 출력값 o의 차이로 계산되는 평균제곱오차(MSE, Mean Squared Error)를 나타낸다. 본 연구에서는 역전파 학습알고리즘으로 LM (Levenberg-Marquardt) 기법(Marquardt, 1963) 을 이용하여 경중률 값을 갱신하였다.
- 은닉층에서는 시그모이드 함수를 활성함수로 설정하였으며, 출력층에서 얻어지는 값이 산사태 취약지수가 된다. 최대반복 횟수는 1,000회, 경중률은 LM 방법을 이용하여 최적화한다. Fig.
성능/효과
- Eq. (3) W+와 W-의 차이를 통해 C(weight contrast)가구해지며, C가 양수이면 양의 상관관계, 음수이면 음의 상관관계임을 나타낸다. 각 변수 구간별로 C값이 결정되면, 각 요인별 C의 합으로 산사태 발생 취약성 지수(LSI, Landslide Susceptibility Index)를 산출할 수 있다.
- WoE 결과를 통해 토양의 종류와 표고의 영향이 가장 크게 작용하는 것을 확인할 수 있었고, 의사결정트리에서는 표고, 도로까지의 거리, 경사도, 단면 곡률이 분류에 사용되었다. ANN에서도 산사태 취약성과 표고의 관련성이 높은 것으로 판단되었으며, 지형 인자 중 표고 값이 세 가지 모델에서 모두 중요한 역할을 하는 것을 알 수 있었다.
- , 2015; Weiss, 2001). TPI가 양이면 분석하려고 하는 셀이 주변 지역보다 높은 곳에 있다는 것을 의미하며, 음의 값이 면 주변 지역보다 낮은 곳에 있다는 것을 의미한다. TPI의 값이 0에 가깝다면 이 셀은 평평하다고 볼 수 있다(Lee et al.
- 산사태 발생에 영향을 미치는 인자로서 표고, 경사도, 경사향, 곡률, TPI와 같은 지형관련인자, SPI, TWI, 하천으로부터의 거리를 포함하는 수문 요인, 토양 종류, 토지피복 및 도로까지의 거리 등을 고려하였다. WoE 결과를 통해 토양의 종류와 표고의 영향이 가장 크게 작용하는 것을 확인할 수 있었고, 의사결정트리에서는 표고, 도로까지의 거리, 경사도, 단면 곡률이 분류에 사용되었다. ANN에서도 산사태 취약성과 표고의 관련성이 높은 것으로 판단되었으며, 지형 인자 중 표고 값이 세 가지 모델에서 모두 중요한 역할을 하는 것을 알 수 있었다.
- 경사의 경우도 경사도가 높을수록 산사태 발생확률이 높은 경향을 보인다. 곡률의 경우, 단면곡률은 음수일 때(등고선 수직 방향으로 오목할 때), 접선곡률은 양수일 때(등고선 수평 방향으로 볼록할 때)가 산사태 발생확률이 높았다. TPI의 경우 아주 높거나 낮은 구간에서 우도비가 큰 값을 보였는데, 이는 TPI가 인근 셀의 높이 차에 비례하기 때문에 표고의 차이가 큰 지역에서 산사태 발생확률이 높은 것을 의미한다.
- WoE 결과는 다른 두 모델과 비교하여 산사태 취약지수 구간별 경계가 명확하지 않다. 다른 모델에 비해 의사결정트리의 결과가 도로를 중심으로 산사태 취약성이 덜 낮다고 판단하였으며, 인공신경망 결과는 표고가 높은 지역에서 산사태에 매우 취약한 지역이 분포하고 있다.
- 표고 값이 357m 이상일 때 산사태가 발생할 확률이 높고, 157m 이하일 때는 산사태 발생확률이 낮았다. 도로까지의 거리는 100m 이내일 때 산사태 발생확률이 높고, 단면 곡률은 음수일 때(오목) 산사태 발생확률이 높은 것으로 나타났다.
- 먼저 지형관련인자를 살펴보면, 표고가 높아질수록 산사태 취약성이 높아지는데 약 600m에서 800m 사이가 가장 높았다. 경사의 경우도 경사도가 높을수록 산사태 발생확률이 높은 경향을 보인다.
- 예측변수의 각 범주에 따른 목표변수의 분포가 서로 동일하면, 카이제곱 통계량이 자유도에 비해서 매우 작다는 것을 의미하며, 예측변수가 목표변수의 분류에 영향을 주지 않는 것이다. 본 연구에서는 목표변수가 산사태가 발생 여부, 예측변 수가 산사태 유발 요인이 되므로, 해당 인자가 산사태 발생에 큰 영향을 주지 않는다고 결론지을 수 있다. 의사결정트리로 산출되는 LSI는 종단노드에서 최종적으로 분류된 그룹의 산사태 발생 비율로 산출하였다.
- 본 연구에서는 산사태 취약성 지수를 매핑하기 위해 WoE, 의사 결정트리, ANN을 사용하였고, 그 결과로 각 모델에서 산출된 산사태 발생 취약성 지도를 얻을 수 있었다. Fig.
- TPI의 경우 아주 높거나 낮은 구간에서 우도비가 큰 값을 보였는데, 이는 TPI가 인근 셀의 높이 차에 비례하기 때문에 표고의 차이가 큰 지역에서 산사태 발생확률이 높은 것을 의미한다. 수문요인에서 SPI와 TWI는 큰 경향성을 보이지는 않았고, 하천까지의 거리는 가장 작은 구간에서 우도비 값이 가장 크게 나타났으나 거리가 큰 구간에서도 우도비 값이 높게 나타났다. 토양도에서는 안도솔(Th)일 때 우도비가 3을 넘어 가장 큰 값을 보이는데, 해당 토양은 화산활동으로 유래한 토양으로, 사면에서 쉽게 흘러내리기 특성을 가지고 있다(Chesworth, 2007).
- 67%의 예측 정확도를 보이고 있다. 전체적으로 세 모델의 예측 정확도에서 큰 차이가 존재하지 않지만 인공신경망의 예측 정확도가 가장 높았다.
- 트리 구조의 노드는 총 21개, 종단노드는 13개이며, 표고, 도로까지의 거리, 경사도, 단면 곡률이 분류에 사용된 인자이다. 표고 값이 357m 이상일 때 산사태가 발생할 확률이 높고, 157m 이하일 때는 산사태 발생확률이 낮았다. 도로까지의 거리는 100m 이내일 때 산사태 발생확률이 높고, 단면 곡률은 음수일 때(오목) 산사태 발생확률이 높은 것으로 나타났다.
후속연구
- 인도네시아는 재해로 인한 영향을 많이 받는 국가로, 앞으로의 지속적인 성장을 위해서는 도시공간계획 등의 정책계획에서 자연 재해 취약도 및 재난 관리를 고려해야 한다. 따라서 본 연구에서 연구결과는 향후 인도네시아 산사태 관련 정책 결정에 사용될 수 있을 것이다. 또한 본 연구에서는 공개된 자료를 이용하였기 때문에, 본 연구의 방법론을 다른 국가에 적용할 때에도 수혜국에 경제적 부담을 주지 않는다는 장점이 있다.
- 또한 본 연구에서는 공개된 자료를 이용하였기 때문에, 본 연구의 방법론을 다른 국가에 적용할 때에도 수혜국에 경제적 부담을 주지 않는다는 장점이 있다. 본 연구의 결과는 산사태 관련 재난관리 정책과 매우 관련성이 높은 자료로서, 해당 정책의사결정에 있어 중요하게 사용될 수 있을 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.