TPI (Topographic Position Index)와 경사도를 조합하여 새로운 산사태 인자인 TSI (TPI-Slope Index)를 제안하고 산사태 예측모형에 적용하였다. 이를 위해, 먼저 다양한 분석 반경의 TPI를 서로 비교하여 TPI350이 연구 대상 지역에 가장 적합함을 알아내었고, 이를 경사도와 조합하여 TSI를 제작하였다. 본 논문에서 제안한 TSI의 적용성을 평가하기 위해 로지스틱 회귀분석을 이용한 결과, 산사태 예측 모형에 활용할 수 있다는 결론을 얻었다. 그 후, 기타 지형 정보들과 토양 및 임상 정보를 추가하여 산사태 위험도를 평가하는 로지스틱 회귀 모형을 제작하였다. 이를 위해 DEM (Digital Elevation Model), 토양도, 임상도로부터 추출할 수 있는 산사태 관련 인자들을 수집하고 이들을 검토하여 다른 인자와 상관도가 높거나 산사태와의 연관성이 낮은 인자들은 우선 제외하였다. 그 결과, TSI, 고도, 사면 길이, 경사향, 유효 토심, 영급, 나무 밀도, 임상 등 8개의 인자가 선정되어 회귀분석에 독립변수로 입력되었다. 변수의 입력 방법(전진 선택법, 후진 제거법, 직접 선택법)에 따라 3가지 모형을 생성하였고, 이들에 대한 평가를 수행하였다. 세 모형에서 선택된 변수는 조금씩 다르지만, 공통적으로 유효 토심, 나무 밀도, TSI 인자의 중요도가 높은 것으로 나타났다.
TPI (Topographic Position Index)와 경사도를 조합하여 새로운 산사태 인자인 TSI (TPI-Slope Index)를 제안하고 산사태 예측모형에 적용하였다. 이를 위해, 먼저 다양한 분석 반경의 TPI를 서로 비교하여 TPI350이 연구 대상 지역에 가장 적합함을 알아내었고, 이를 경사도와 조합하여 TSI를 제작하였다. 본 논문에서 제안한 TSI의 적용성을 평가하기 위해 로지스틱 회귀분석을 이용한 결과, 산사태 예측 모형에 활용할 수 있다는 결론을 얻었다. 그 후, 기타 지형 정보들과 토양 및 임상 정보를 추가하여 산사태 위험도를 평가하는 로지스틱 회귀 모형을 제작하였다. 이를 위해 DEM (Digital Elevation Model), 토양도, 임상도로부터 추출할 수 있는 산사태 관련 인자들을 수집하고 이들을 검토하여 다른 인자와 상관도가 높거나 산사태와의 연관성이 낮은 인자들은 우선 제외하였다. 그 결과, TSI, 고도, 사면 길이, 경사향, 유효 토심, 영급, 나무 밀도, 임상 등 8개의 인자가 선정되어 회귀분석에 독립변수로 입력되었다. 변수의 입력 방법(전진 선택법, 후진 제거법, 직접 선택법)에 따라 3가지 모형을 생성하였고, 이들에 대한 평가를 수행하였다. 세 모형에서 선택된 변수는 조금씩 다르지만, 공통적으로 유효 토심, 나무 밀도, TSI 인자의 중요도가 높은 것으로 나타났다.
TSI (TPI-Slope Index) which is the combination of TPI (Topographic Position Index) and slope was newly proposed for landslide and applied to a landslide susceptibility model. To do this, we first compared the TPIs with various scale factors and found that TPI350 was the best fit for the study area. ...
TSI (TPI-Slope Index) which is the combination of TPI (Topographic Position Index) and slope was newly proposed for landslide and applied to a landslide susceptibility model. To do this, we first compared the TPIs with various scale factors and found that TPI350 was the best fit for the study area. TPI350 was combined with slope to create TSI. TSI was evaluated using logistic regression. The evaluation showed that TSI can be used as a landslide factor. Then a logistic regression model was developed to assess the landslide susceptibility by adding other topographic factors, geological factors, and forestial factors. For this, landslide-related factors that can be extracted from DEM (Digital Elevation Model), soil map, and forest type map were collected. We checked these factors and excluded those that were highly correlated with other factors or not significant. After these processes, 8 factors of TSI, elevation, slope length, slope aspect, effective soil depth, tree age, tree density, and tree type were selected to be entered into the regression analysis as independent variables. Three models through three variable selection methods of forward selection, backward elimination, and enter method were built and evaluated. Selected variables in the three models were slightly different, but in common, effective soil depth, tree density, and TSI was most significant.
TSI (TPI-Slope Index) which is the combination of TPI (Topographic Position Index) and slope was newly proposed for landslide and applied to a landslide susceptibility model. To do this, we first compared the TPIs with various scale factors and found that TPI350 was the best fit for the study area. TPI350 was combined with slope to create TSI. TSI was evaluated using logistic regression. The evaluation showed that TSI can be used as a landslide factor. Then a logistic regression model was developed to assess the landslide susceptibility by adding other topographic factors, geological factors, and forestial factors. For this, landslide-related factors that can be extracted from DEM (Digital Elevation Model), soil map, and forest type map were collected. We checked these factors and excluded those that were highly correlated with other factors or not significant. After these processes, 8 factors of TSI, elevation, slope length, slope aspect, effective soil depth, tree age, tree density, and tree type were selected to be entered into the regression analysis as independent variables. Three models through three variable selection methods of forward selection, backward elimination, and enter method were built and evaluated. Selected variables in the three models were slightly different, but in common, effective soil depth, tree density, and TSI was most significant.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 산사태 인자로서 TPI와 경사도가 갖고 있는 단점을 보완하기 위해 이 둘의 조합으로 만들어지는 TSI를 제안하였다. 로지스틱 회귀분석을 이용하여 TPI, 경사도, TSI를 평가한 결과, TSI를 사용한 모형 E의 성능이 TPI 또는 경사도를 단독으로 사용한 모형 A, B 보다 월등히 좋았다.
2% 사이로 사실상 분류할 필요가 없다는 것을 알 수 있다. 본 연구에서는 어떤 지점의 거시적이면서 세부적인 지형 특성을 알아내는 데에 중점을 둔 기존 연구와는 달리, 경사면에서 해당 지점의 위치를 특정 하는데 초점을 맞추어 TPI의 새로운 활용 방법을 제안하고자 한다.
제안 방법
TPI와 경사도를 제외한 기타 지형인자로 고도, 사면 길이, 곡률(평면곡률, 단면곡률, 총곡률), 경사향(8방향)을 고려하였다. 이들에 대한 평가는 Table 3과 같다.
2에 연구 흐름을 정리하였다. TPI와 경사도를 조합하여 새로운 인자인 TSI를 제안하였고, 여기에 기타 지형인자와 토양 및 임상 인자를 추가하여 산사태 예측모형을 제작하였다. 산사태 관련 인자들은 이항 로지스틱 회귀분석에 평가 대상 인자를 독립변수로, 산사태 발생 여부를 종속변수로 입력하여 제작된 산사태 예측모형의 적합성을 참고하여 평가되었다.
각 지점에 부여된 TSI를 산사태 예측을 위한 회귀분석에 사용하는 것이 적합한가를 판단하기 위해 TPI350과 경사도, 그리고 TSI를 독립변수로 사용한 각 회귀 모형(각각 Table 2의 모형 A, B, E)을 비교하였다. 이와 더불어 보다 정확한 평가를 위해 TPI350과 경사도를 함께 사용한 모형(모형 C), TSI를 구분하지 않고 T3S1, T5S3와 같은 TPI-경사도 조합을 바로 독립 변수로 사용한 모형(모형 D)도 함께 비교하였다.
경우에 따라 분류 정확도도 검토하였다. 본 논문에서 사용한 분류 정확도는 정밀도(고위험으로 예측된 지점에서 실제 산사태가 발생한 확률, precision), 검출률(산사태가 실제 발생한 지점을 고위험 지역으로 분류한 확률, recall), 전체 정확도(전체 지점중 제대로 분류된 지점의 비율, overall), 세 가지이다.
다양한 분석 반경의 8가지 TPI는 이항 로지스틱 회귀분석에 각 TPI 등급을 독립변수로, 산사태 발생 여부를 종속변수로 입력하여 제작된 산사태 예측모형의 –2Lnℒ값을 기준으로 평가하였다.
경사면의 하단부에서는 경사도가 낮아지면서 TPI는 음의 값을 갖는다. 따라서 우리는 TPI-경사도 조합을 이용한 새로운 지표를 만들고, 이를 산사태 위험도 예측 모형의 지형 인자로 활용하기로 하였다.
본 연구에서도 표준화된 TPI를 사용하였으며, 이후 언급되는 TPI는 모두 표준화된 것이다. 먼저, 어떤 분석 반경의 TPI가 연구 대상 지역에 적합한지 알아내기 위해 분석 반경 150m에서부터 500m까지, 50m 간격의 TPI를 제작하였다. TPI는 연속형 자료이지만 Table 1과 같이 5개의 등급으로 나누어 범주형 변수로 변환하였다.
경우에 따라 분류 정확도도 검토하였다. 본 논문에서 사용한 분류 정확도는 정밀도(고위험으로 예측된 지점에서 실제 산사태가 발생한 확률, precision), 검출률(산사태가 실제 발생한 지점을 고위험 지역으로 분류한 확률, recall), 전체 정확도(전체 지점중 제대로 분류된 지점의 비율, overall), 세 가지이다. 산사태는 심각한 피해를 가져올 수 있는 자연 재해이므로 AIC와 BIC 평가 결과가 서로 엇갈리는 경우와 같이 추가적인 판단 기준이 필요할 경우, 검출률에 좀 더 무게를 두었다.
TPI 값의 범위가 분석 반경에 따라 달라지는 문제를 해결하기 위해 값을 표준화시켜 사용하는 경우가 많다. 본 연구에서도 표준화된 TPI를 사용하였으며, 이후 언급되는 TPI는 모두 표준화된 것이다. 먼저, 어떤 분석 반경의 TPI가 연구 대상 지역에 적합한지 알아내기 위해 분석 반경 150m에서부터 500m까지, 50m 간격의 TPI를 제작하였다.
TPI와 경사도를 조합하여 새로운 인자인 TSI를 제안하였고, 여기에 기타 지형인자와 토양 및 임상 인자를 추가하여 산사태 예측모형을 제작하였다. 산사태 관련 인자들은 이항 로지스틱 회귀분석에 평가 대상 인자를 독립변수로, 산사태 발생 여부를 종속변수로 입력하여 제작된 산사태 예측모형의 적합성을 참고하여 평가되었다.
각 지점에 부여된 TSI를 산사태 예측을 위한 회귀분석에 사용하는 것이 적합한가를 판단하기 위해 TPI350과 경사도, 그리고 TSI를 독립변수로 사용한 각 회귀 모형(각각 Table 2의 모형 A, B, E)을 비교하였다. 이와 더불어 보다 정확한 평가를 위해 TPI350과 경사도를 함께 사용한 모형(모형 C), TSI를 구분하지 않고 T3S1, T5S3와 같은 TPI-경사도 조합을 바로 독립 변수로 사용한 모형(모형 D)도 함께 비교하였다. 비교의 척도로 모형의 –2Lnℒ 값과 AIC, BIC를 사용하였다.
대상 데이터
두 경우 모두에서 분석 반경이 150m보다 넓어질수록 –2Lnℒ값이 작아지다가 350m에서 최소가 되고 이후 다시 커지는 추세를 볼 수 있다. 따라서 본 연구에서는 TPI350을 사용하였다.
본 연구는 강원도 평창군 진부면 봉산리 봉산천 주변의 산지에서 발생한 산사태와 주변 지형을 대상으로 수행되었다. 이 지역의 정사영상과 DEM을 분석하여 Fig.
1과 같이 97개의 산사태 발생 지점을 추출하였으며, 산사태가 발생하지 않은 396 지점을 추가로 생성하였다. 사전 검토 작업에는 493점 모두를 활용하였고, 회귀분석에는 발생 지점과 비발생 지점의 비율을 맞추기 위해(Costanzo et al., 2014) 비발생 지점 중 296 지점을 제외한 197개 지점만을 사용하였다.
본 연구는 강원도 평창군 진부면 봉산리 봉산천 주변의 산지에서 발생한 산사태와 주변 지형을 대상으로 수행되었다. 이 지역의 정사영상과 DEM을 분석하여 Fig. 1과 같이 97개의 산사태 발생 지점을 추출하였으며, 산사태가 발생하지 않은 396 지점을 추가로 생성하였다. 사전 검토 작업에는 493점 모두를 활용하였고, 회귀분석에는 발생 지점과 비발생 지점의 비율을 맞추기 위해(Costanzo et al.
데이터처리
사전 검토 과정에서 적합하지 못한 것으로 분류된 인자들을 제외한 8개 인자(TSI, 고도, 사면길이, 경사향, 유효 토심, 영급, 나무 밀도, 임상)를 독립변수로 입력하여 이항 로지스틱 회귀분석을 수행하였다. 변수 입력 방법에 따라 3가지 회귀모형이 제작되었다.
이론/모형
–2Lnℒ는 로그 우도함수에 –2를 곱한 값으로, 0에서 무한대까지의 값을 가지며 모형의 적합도가 좋을수록 0에 가까운 값을 갖게 된다(Hong, 2005). 모형의 자유도가 서로 다른 경우에는 Akaike 정보지수(AIC: Akaike Information Criterion)와 Bayesian 정보지수(BIC: Bayesian Information Criterion)를 사용하였다(Akaike, 1973; Raftery, 1995). 이들은 회귀 모형의 비교에 널리 사용되는 지수로, 모두 로그 우도함수를 이용하여 모형의 적합도를 반영하면서 모형의 미지수 개수 또는 자유도를 고려하여 간명성도 함께 평가한다.
새롭게 제안된 인자를 포함한 산사태 관련 인자들의 평가에는 로지스틱 회귀모형을 활용하였다. 로지스틱 회귀모형은 의학, 금융, 범죄학, 생태학, 언어학, 공학 등 다양한 분야에 활용되면서 발전해왔다(Hosmer and Lemeshow, 2000).
성능/효과
TPI와 경사도, 두 독립 변수를 사용한 모형 C과 비교해보면, 모형 E가 모형 C보다 –2lnℒ값이 약간 낮았다.
본 연구에서는 산사태 인자로서 TPI와 경사도가 갖고 있는 단점을 보완하기 위해 이 둘의 조합으로 만들어지는 TSI를 제안하였다. 로지스틱 회귀분석을 이용하여 TPI, 경사도, TSI를 평가한 결과, TSI를 사용한 모형 E의 성능이 TPI 또는 경사도를 단독으로 사용한 모형 A, B 보다 월등히 좋았다. TPI와 경사도, 두 독립 변수를 사용한 모형 C과 비교해보면, 모형 E가 모형 C보다 –2lnℒ값이 약간 낮았다.
따라서 TSI를 적용한 모형의 성능이 가장 높았다고 판단할 수 있으며 향후 산사태 예측을 위한 입력인자로 TSI를 적용하는 것이 위험도를 산정의 정확도를 높이는데 도움이 될 수 있을 것으로 판단된다. 본 논문에서 수행한 로지스틱 회귀분석에 따르면, 산사태 발생과 연관이 있다고 추정되는 다양한 인자들 중에서 유효 토심, 나무 밀도, TSI가 산사태 위험도 평가에서 가장 중요한 인자이고, 다음으로 고도가 영향력이 큰 것으로 나타났다.
BIC의 차이가 10 이상이면 모형의 적합도에 매우 큰 차이가 있다고 볼 수 있다(Raftery, 1995). 분류 정확도를 살펴보면, 전체 정확도는 모형 E가 모형 C, D에 비해 다소 낮지만, 검출률은 모형 E가 가장 뛰어나다.
후속연구
그러나 자유도가 매우 높아서 AIC, BIC 값은 모형 E보다 현저히 크다. 따라서 TSI를 적용한 모형의 성능이 가장 높았다고 판단할 수 있으며 향후 산사태 예측을 위한 입력인자로 TSI를 적용하는 것이 위험도를 산정의 정확도를 높이는데 도움이 될 수 있을 것으로 판단된다. 본 논문에서 수행한 로지스틱 회귀분석에 따르면, 산사태 발생과 연관이 있다고 추정되는 다양한 인자들 중에서 유효 토심, 나무 밀도, TSI가 산사태 위험도 평가에서 가장 중요한 인자이고, 다음으로 고도가 영향력이 큰 것으로 나타났다.
질의응답
핵심어
질문
논문에서 추출한 답변
TSI란 무엇인가?
TSI (TPI-Slope Index)는 Guisan et al. (1999)이 식물종 분포에 대한 연구를 하면서 처음 제안한 지형 특성으로, DEM(Digital Elevation Model)에서 어떤 픽셀의 고도값과 주변 픽셀들의 평균 고도값의 차이를 나타내는 값이다. 여기서 주변의 범위 즉, 분석 반경을 어떻게 정의하는가에 따라 TPI 값이 달라지며, 이에 따라 지형 분류도 달라질 수 있다.
로지스틱 회귀모형이 산사태 관련 연구에서의 반응은 어떠한가?
로지스틱 회귀모형은 의학, 금융, 범죄학, 생태학, 언어학, 공학 등 다양한 분야에 활용되면서 발전해왔다(Hosmer and Lemeshow, 2000). 이 과정에서 산사태 관련 연구에도 많이 응용되었고 좋은 성과를 내어왔다. 로지스틱 회귀모형의 큰 장점 중 하나는 다양한 형태의 독립 변수를 쉽게 처리할 수 있다는 점일 것이다(Costanzo et al.
산사태 예측모형을 위한 TSI를 제작하기 위하여 어떠한 과정이 있었는가?
TPI (Topographic Position Index)와 경사도를 조합하여 새로운 산사태 인자인 TSI (TPI-Slope Index)를 제안하고 산사태 예측모형에 적용하였다. 이를 위해, 먼저 다양한 분석 반경의 TPI를 서로 비교하여 TPI350이 연구 대상 지역에 가장 적합함을 알아내었고, 이를 경사도와 조합하여 TSI를 제작하였다. 본 논문에서 제안한 TSI의 적용성을 평가하기 위해 로지스틱 회귀분석을 이용한 결과, 산사태 예측 모형에 활용할 수 있다는 결론을 얻었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.