[논문]토립자 유실을 고려한 로지스틱 회귀분석 및 GIS 기반 도시 지반함몰 취약성 평가

서장원; 류동우; 염병우

doi:10.7474/tus.2020.30.2.149

[국내논문] 토립자 유실을 고려한 로지스틱 회귀분석 및 GIS 기반 도시 지반함몰 취약성 평가
Logistic Regression and GIS based Urban Ground Sink Susceptibility Assessment Considering Soil Particle Loss 원문보기

터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.30 no.2, 2020년, pp.149 - 163

서장원 (강원대학교 에너지공학부(에너지자원융합공학전공)) , 류동우 (한국지질자원연구원 지오플랫폼연구본부 Geo-ICT융합연구팀) , 염병우 (한국지질자원연구원 석유해저연구본부 CO2지중저장연구단)

초록
AI-Helper

본 연구에서는 지리정보시스템 환경에서 지하매설물 정보를 이용하여 토립자 유실을 고려한 도시 지반 함몰 취약성을 평가하였다. 지하 환경에서 물의 흐름이나 지하수위 변화에 의한 토립자 유실은 지하공동의 발생과 확장을 유도하고, 이는 지반함몰 발생에 직접적인 원인이 된다. 토립자 유실은 지하 환경에 따라 그 정도가 달라질 수 있기 때문에 본 연구에서는 지하매설물 2종(상수도 관망, 하수관로)과 지하철 선로 권역별로 지반함몰에 영향을 주는 인자를 각각 4개씩 선정하였다. 로지스틱 회귀분석 기법을 이용하여 지하매설물 및 지하철 선로 권역 별로 지반함몰 이력과 영향인자 간의 상관성을 분석하고 회귀식을 도출하였으며, 이를 토대로 3개의 지반함몰 취약성 지도를 작성하였다. 본 연구 결과는 도시 지반함몰 위험 예·경보 시스템 구축을 위한 지반함몰 고위험지역 및 지반 안전 상시 모니터링 지역 선정 근거에 대한 기초 자료를 제공할 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

This paper presents a logistic regression and GIS based urban ground sink susceptibility assessment using underground facility information considering soil particle loss. In the underground environment, the particle loss due to water flow or groundwater level change leads to the occurrence and expansion of cavities, which directly affect the ground sink. Four different contributory factors were selected according to the two underground facility domains (water pipeline area, sewer pipeline area) and subway line area. The logistic regression method was used to analyze the correlation and to derive the regression equation between the ground sink inventory and the contributory factors. Based on these results, three ground sink susceptibility maps were generated. The results obtained from this study are expected to provide basic data on the area susceptible to ground sink and needed to safety monitoring.

Keyword

표/그림 (11)

표 Table 1. Types and characteristics of subsidences
그림 Fig. 1. Digital elevation model of Seoul metropolitan city
그림 Fig. 2. Distribution of ground sink (including cave-in) occurred on (a) water pipeline area, (b) sewer pipeline area, (c) subway network area
그림 Fig. 3. Distribution of soil thickness in (a) water pipeline area, (b) sewer pipeline area, (c) subway network area
그림 Fig. 4. Distribution of grain uniformity coefficient in (a) water pipeline area, (b) sewer pipeline area, (c) subway network area
그림 Fig. 5. Distribution of gradient of groundwater level above (a) water pipeline area, (b) sewer pipeline area, (c) subway network area
그림 Fig. 6. Water pipeline ageing index
그림 Fig. 7. Sewer pipeline ageing index
그림 Fig. 8. Construction methods of urban subway network
표 Table 2. Methods of ground sink susceptibility assessment in three different domains using logistic regression technique
그림 Fig. 9. Ground sink susceptibility mapping with occurrence points of ground sink on (a) water pipeline area, (b) sewer pipeline area, (c) subway network area

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구의 목적은 토립자 유실을 고려하여 지하매설물 및 지하철 선로 권역별로 지반함몰 발생에 영향을 미치는 요인들을 선정하고, 지반함몰 발생 이력 자료와 영향인자 간의 상관성을 분석함으로써 연구 대상 지역인 서울특별시의 지반함몰 취약성을 평가하고 예측하여 이를 지도의 형태로 나타내는 것이다.
일반적으로 실험적 스케일에서 토립자 유실을 모델링하는 방법으로는 실험적 방법과 이론적 모델에 근거한 분석적 방법이 있다. 그러나 본 연구에서는 지반함몰을 유발하는 지하공동의 발생 영향인자를 선정하는데 있어 토립자 유실의 개념을 적용하는데만 그 목적을 두었다.
예를 들면, 상수도 관망의 노후도 인자는 지반환경인자와 더불어 지반함몰 취약성을 유발하는 하나의 사회기반시설인자인 동시에 상수도 관망 권역이라는 분석 영역으로 활용된다. 즉, 서울 전체 지역이 아닌 상수도 관망 권역 내의 지반함몰 취약성을 평가하고자 한 것이다. 하수관로의 노후도나 지하철 선로의 시공법 인자의 경우도 동일하게 적용된다.
즉, 지반환경인자들과 상수관망 노후도를 고려한 상수도 관망 지역의 지반함몰 취약성, 지반환경인자들과 하수관로 노후도를 고려한 하수관로 지역의 지반함몰 취약성, 지반환경인자들과 지하철 시공법을 고려한 지하철 선로 지역의 지반함몰 취약성 등 2종의 지하매설물 및 지하철 선로 지역에 대한 지반함몰 취약성 지도를 작성하였다. 본 연구는 지반 조건, 지하매설물 노후도 및 지하철 선로 시공법에 따른 지반함몰 취약성 평가와 예측을 목표로 두었기 때문에 지반함몰 발생 이후 복구 여부는 취약성 평가에 고려하지 않았다.
본 연구에서는 GIS 환경에서 토립자 유실을 고려하여 2종의 지하매설물(상수도 관망, 하수관로) 및 지하철 선로 권역별로 지반 환경과 사회기반시설 등 4개의 영향인자를 선정하고, 영향인자와 기 발생된 지반함몰 이력과의 통계적 분석을 통하여 서울특별시의 지반함몰 취약성을 평가하고 예측하였다. 그 결과 지하매설물 및 지하철 선로 권역 별로 기존에 지반함몰이 발생되지 않은 고위험지역을 예측할 수 있었으며, 이를 통해 지하공동 탐지 시 높은 비용이 요구되는 정밀 탐사를 위한 후보지를 필터링해줄 수 있었다.
본 연구는 레거시 정보를 기반으로 도시 지반함몰의 명시적 취약성 평가 방법을 제공하고 발생기작을 설명할 수 있는 근거를 마련할 수 있었으며, 사물인터넷(internet of things, IoT) 기반의 도시 지반함몰 위험 예･경보 시스템 구축을 위한 지반함몰 취약 지역 및 지반 안전 상시 모니터링 지역 선정 근거에 대한 기초 자료를 제공할 수 장점이 있다. 또한, 각 지하매설물 및 지하철 선로 권역 별로 다른 결과를 제시함으로써담당 부처 또는 부서별로 시설을 유지･관리할 수 있는 용이성을 제공할 수 있을 것으로 기대한다.

제안 방법

본 연구에서는 토립자 유실을 고려하여 도시 지반함몰을 유발하는 다양한 지표 및 지하공간 영향인자들을 선정하고, 이를 지리 정보시스템(geographic informations systems, GIS) 데이터베이스로 구축하였다. 로지스틱 회귀분석(logistic regression) 기법의 적용을 통해 2종의 지하매설물 및 지하철 선로 권역별로 지반함몰 발생과 영향인자 간의 상관성을 통계적으로 분석하여 서울 지역의 지반함몰 취약성 지도를 작성하였다.
국내 정부기관, 연구소, OO공사 등 다양한 기관으로부터 획득한 GIS 자료들의 좌표계를 통일하기 위해 서울 전체 지역을 포괄하는 GIS 자료에 가장 적합한(오차가 상대적으로 작은) GRS1980 타원체와 중부원점(127°E) 을 기준으로 Traverse mercator (TM) 투영법을 적용하는 좌표계를 사용하였다.
본 연구에서는 토립자 유실을 고려하여 지하공동이 생성 및 확장되고 지반함몰 발생을 유발하는데 영향을 미치는 인자들을 선정하고, 이를 지반환경인자와 사회기반시설인자로 구분하여 명명하였다. 지반환경인자로는 지하매설물 및 지하철 선로 상부 토층의 입도(균등계수), 토심(토층두께), 지하수 포텐셜을, 사회기반시설인자는 물질의 이동을 촉발하거나 지하공동 생성에 영향을 줄 수 있는 2종의 지하매설물 특성으로 상수도 관망 노후도, 하수관로 노후도와 지하철 선로의 시공법을 선정하였다.
토립자 유실을 고려하여 서울 지역의 지반함몰 취약성을 평가하고 지도를 작성하기 위해 서울 행정구역 및 지형도, 지질도, 지반 함몰 이력, 시추공 자료, 지하매설물 2종(상수도 관망, 하수관로) 및 지하철 선로 분포도 등 다양한 지형공간 자료를 수집하고, 이를 GIS 데이터베이스 형태로 구축하였다. 국내 정부기관, 연구소, OO공사 등 다양한 기관으로부터 획득한 GIS 자료들의 좌표계를 통일하기 위해 서울 전체 지역을 포괄하는 GIS 자료에 가장 적합한(오차가 상대적으로 작은) GRS1980 타원체와 중부원점(127°E) 을 기준으로 Traverse mercator (TM) 투영법을 적용하는 좌표계를 사용하였다.
• 지반환경인자: 본 연구에서 고려한 지반환경인자는 토심(토층두께), 입도(균등계수), 지하수 포텐셜 등 3개이다. 지반환경인자는 서울특별시와 국토지반정보 통합DB센터인 지오인포 웹사이트(http://www.geoinfo.or.kr/)에서 제공하는 원자료(raw data)를 가공 및 처리하였다.
그리고 다수의 시추공 토심 자료로부터 서울 권역에 대한 지구통계학적 보간 기법의 적용을 통해 서울 지역의 토층별 두께를 추정해낼 수 있다. 본 연구에서는 수백 개의 시추공 자료의 심도별 토층 정보에 순차 지시자 시뮬레이션(sequential indicator simulation, SIS) 기법을 적용하여 서울 전체 지역의 토층별 토심 정보를 생성하였다. 이 때 매립토층과 달리 퇴적층과 풍화토의 경우 해당 지질의 영향을 받기 때문에 한국지질자원연구원에서 제공하는 1:50,000 수치지질도에 근거하여 특정 지질 별로 분석 영역을 분리하여 시추공 자료 특성값의 보간을 수행한 후, 이를 다시 서울지역 영역의 크기로 나타냈다.
이 때 매립토층과 달리 퇴적층과 풍화토의 경우 해당 지질의 영향을 받기 때문에 한국지질자원연구원에서 제공하는 1:50,000 수치지질도에 근거하여 특정 지질 별로 분석 영역을 분리하여 시추공 자료 특성값의 보간을 수행한 후, 이를 다시 서울지역 영역의 크기로 나타냈다. 그리고 서울 지역의 토층 두께 정보를 각2종의 지하매설물 및 지하철 선로 권역 별로 마스킹(masking)하는 중첩 연산을 통해 지하매설물 및 지하철 선로 권역 별 토층 두께 정보만을 추출하였다. 마지막으로 토심과 2종의 지하매설물 및 지하철 선로의 심도값을 각각 비교하여 토립자 유실이 발생 가능한 대상체의 토피고를 계산하였다(Fig.
그리고 서울 지역의 토층 두께 정보를 각2종의 지하매설물 및 지하철 선로 권역 별로 마스킹(masking)하는 중첩 연산을 통해 지하매설물 및 지하철 선로 권역 별 토층 두께 정보만을 추출하였다. 마지막으로 토심과 2종의 지하매설물 및 지하철 선로의 심도값을 각각 비교하여 토립자 유실이 발생 가능한 대상체의 토피고를 계산하였다(Fig. 3).
그리고 지하수위 모델링 자료와 서울 지역의 DEM 자료를 비교해서 지하수위가 지형고도보다 높을 경우 지하수위를 지형고도 값으로 대체하였다. 그리고 위와 마찬가지로 서울 지역의 지하수위 정보를 각 지중매설물 권역 별로 마스킹하는 중첩 연산을 통해 지하매설물 및 지하철 선로 권역 별 지하수위 정보만을 추출하였다. 이 자료를 기반으로 지하매설물 및 지하철 선로 권역 내 격자셀의 지하수위 값에서 2종의 지하매설물(상수도 관망, 하수관로)과, 지하철 선로의 고도 값을 뺄셈 연산하여 지중매설물 상부의 지하수 포텐셜을 계산하여 해당격자셀에 할당하였다(Fig.
그리고 위와 마찬가지로 서울 지역의 지하수위 정보를 각 지중매설물 권역 별로 마스킹하는 중첩 연산을 통해 지하매설물 및 지하철 선로 권역 별 지하수위 정보만을 추출하였다. 이 자료를 기반으로 지하매설물 및 지하철 선로 권역 내 격자셀의 지하수위 값에서 2종의 지하매설물(상수도 관망, 하수관로)과, 지하철 선로의 고도 값을 뺄셈 연산하여 지중매설물 상부의 지하수 포텐셜을 계산하여 해당격자셀에 할당하였다(Fig. 5).
특히, 지반함몰 발생 지역과 상･하수도 관로의 분포를 공간적으로 비교･분석해본 결과 상･하수도가 지하공간에 밀집 분포되어 있거나 사용연한이 40년 또는 50년 이상 되었을 때 지반함몰 발생이 증가하는 특성을 발견할 수 있었다. 이에 기반하여 본 연구에서는 상수도 관망 및 하수도 관로의 노후연한을 40년 미만, 40-50년, 50년 이상으로 구분한 후, 상･하수도 파이프라인의 각각의 상･하수도 관로 밀도 레이어를 생성하고, 아래와 같은 수식을 이용하여 상･하수도 관로의 노후도 지수를 제안하였다(Figs. 6 and 7). 선 형태인 관로의 밀도를 계산하는 방법은 다음과 같다.
서울 지역의 지하철 선로를 설계한 방법으로는 개착식, 터널식, 혼합식(개착식+터널식), 기타 공법 등이 있다. 본 연구에서는 선 형태로 구축된 지하철 선로 자료를 래스터로 변환하고, 이를 설계 형태에 따라 구분되어 표시되도록 하였다(Fig. 8).
본 연구에서는 지하매설물 및 지하철 선로 권역 별로 다양한 지반함몰 취약성을 평가하기 위하여 서울특별시의 상수도 관망, 하수관로, 지하철 선로 지역 등을 각각 분석 영역(도메인)로 설정하고, 각 영역 별로 4개의 영향인자(3개의 공통된 지반환경인자와 1개의 상이한 사회기반시설인자)를 선정하였다. 그리고 로지스틱 회귀분석 기법을 적용하여 각 분석 영역에서 4개의 영향인자와 지반함몰 이력 자료와의 상관성을 분석하고 회귀식을 도출하였으며, 이를 토대로 3개 권역의 지반함몰 취약성 지도를 각각 작성하였다(Table 2).
그리고 로지스틱 회귀분석 기법을 적용하여 각 분석 영역에서 4개의 영향인자와 지반함몰 이력 자료와의 상관성을 분석하고 회귀식을 도출하였으며, 이를 토대로 3개 권역의 지반함몰 취약성 지도를 각각 작성하였다(Table 2). 즉, 지반환경인자들과 상수관망 노후도를 고려한 상수도 관망 지역의 지반함몰 취약성, 지반환경인자들과 하수관로 노후도를 고려한 하수관로 지역의 지반함몰 취약성, 지반환경인자들과 지하철 시공법을 고려한 지하철 선로 지역의 지반함몰 취약성 등 2종의 지하매설물 및 지하철 선로 지역에 대한 지반함몰 취약성 지도를 작성하였다. 본 연구는 지반 조건, 지하매설물 노후도 및 지하철 선로 시공법에 따른 지반함몰 취약성 평가와 예측을 목표로 두었기 때문에 지반함몰 발생 이후 복구 여부는 취약성 평가에 고려하지 않았다.
이는 지하수위가 대부분 상수도 관망이나 하수관로 아래에 존재하기 때문이다. 한편 본 연구에서는 지하수위는 광역 지하수 모델링 결과를 토대로 산정되었으며, 강우 사상, 계절별 지하수 용수량 변화 등을 고려한 시계열적 지하수위 변화를 분석하지는 않았다. 일반적으로는 지하수위 변화가 심한 지역이 지반함몰에 취약하다고 볼 수 있는데, 이는 지하수위가 높았다가 내려가면 물이 있던 공간을 흙이 채우게 되면서 지반안정성이 저하되거나, 땅속에 있는 구조물에 힘이 더 가해지면서 관로가 손상되기 때문이다(Cho, 2015).

대상 데이터

본 연구에서는 토립자 유실을 고려하여 지하공동이 생성 및 확장되고 지반함몰 발생을 유발하는데 영향을 미치는 인자들을 선정하고, 이를 지반환경인자와 사회기반시설인자로 구분하여 명명하였다. 지반환경인자로는 지하매설물 및 지하철 선로 상부 토층의 입도(균등계수), 토심(토층두께), 지하수 포텐셜을, 사회기반시설인자는 물질의 이동을 촉발하거나 지하공동 생성에 영향을 줄 수 있는 2종의 지하매설물 특성으로 상수도 관망 노후도, 하수관로 노후도와 지하철 선로의 시공법을 선정하였다. 여기서 사회기반시설인자인 2종의 지하매설물과 지하철 선로 시공법은 영향인자로 사용되는 동시에 지반함몰 취약성을 평가하는 분석 영역(도메인) 으로 활용되었다.
국내 정부기관, 연구소, OO공사 등 다양한 기관으로부터 획득한 GIS 자료들의 좌표계를 통일하기 위해 서울 전체 지역을 포괄하는 GIS 자료에 가장 적합한(오차가 상대적으로 작은) GRS1980 타원체와 중부원점(127°E) 을 기준으로 Traverse mercator (TM) 투영법을 적용하는 좌표계를 사용하였다. 모든 자료는 데이터 전처리를 통해 지도 대수(map algebra)와 지형공간분석이 용이한 격자 형태 기반의 래스터 레이어(raster layer) 자료를 생성하였다. 연구영역의 범위와 분석 시 연산 능력을 고려하여 모든 래스터 레이어는 격자의 행과 열이 각각303, 371개이며, 격자 크기(공간해상도)를 100 m로 설정하였다.
모든 자료는 데이터 전처리를 통해 지도 대수(map algebra)와 지형공간분석이 용이한 격자 형태 기반의 래스터 레이어(raster layer) 자료를 생성하였다. 연구영역의 범위와 분석 시 연산 능력을 고려하여 모든 래스터 레이어는 격자의 행과 열이 각각303, 371개이며, 격자 크기(공간해상도)를 100 m로 설정하였다. 각 영향인자를 추출하기 위한 자료 전처리 과정과 구축 방법은 다음과 같다.
• 지반함몰 이력: 지반함몰 이력 자료(ground sink inventory)는 서울 지역의 지반함몰과 도로함몰 위치 분포와 다양한 속성 정보를 점(point) 형태의 자료로 구축한 것으로, 지반함몰을 유발하는 다양한 영향인자와의 상관성 분석을 통해 과거의 지반함몰 발생 원인을 분석하고 미래의 지반함몰 취약성을 예측하는데활용된다. 본 연구에서 구축한 지반함몰(도로함몰 등 포함) 자료는 3,653개이며, 현장 조사를 통해 실측된 자료만을 포함하였다(서울특별시 제공). 다만, 지반함몰 이력 자료를 제공한 기관의 요청으로 지반함몰(도로함몰 포함) 발생 위치는 소축척의 그림으로만 나타냈다(Fig.
지하수 포텐셜의 경우 수백 개의 관정 지하수위 자료, 양수지점 및 양수량, 강우 함양량, 상하수도 누출량 등의 자료를 이용하여 3차원 유한 요소망을 기반으로 서울 지역의 지하수위를 모델링한 결과를 이용하였다. 그리고 지하수위 모델링 자료와 서울 지역의 DEM 자료를 비교해서 지하수위가 지형고도보다 높을 경우 지하수위를 지형고도 값으로 대체하였다.
• 사회기반시설인자: 본 연구에서 고려한 사회기반시설인자는 상수도 관망 노후도, 하수관로 노후도, 지하철 선로의 설계 방법 등 3개이다.

데이터처리

본 연구에서는 토립자 유실을 고려하여 도시 지반함몰을 유발하는 다양한 지표 및 지하공간 영향인자들을 선정하고, 이를 지리 정보시스템(geographic informations systems, GIS) 데이터베이스로 구축하였다. 로지스틱 회귀분석(logistic regression) 기법의 적용을 통해 2종의 지하매설물 및 지하철 선로 권역별로 지반함몰 발생과 영향인자 간의 상관성을 통계적으로 분석하여 서울 지역의 지반함몰 취약성 지도를 작성하였다.
본 연구에서는 지반함몰 발생과 다수의 영향인자 간의 상관관계를 분석하기 위하여 로지스틱 회귀분석 기법을 채택하였다. 로지스틱 회귀분석 기법은 하나의 종속 변수와 이를 설명하는 다수의 독립 변수간의 상관성을 분석하고 함수로 나타내며, 이로부터 다수의 독립 변수의 선형 결합을 통해 미래의 어떤 사건의 발생 가능성(종속 변수)을 예측하는데 사용되는 통계 기법이다.
본 연구에서는 상용 통계 패키지 소프트웨어인 SPSS의 로지스틱 회귀분석 모듈을 이용하여 지반함몰 발생과 영향인자 간의 상관성을 분석하였다. SPSS를 이용한 로지스틱 회귀분석 방법과 절차에 대한 자세한 설명은 Lee and Kim(2004)를 참고할 수 있다.
본 연구에서는 지하매설물 및 지하철 선로 권역 별로 다양한 지반함몰 취약성을 평가하기 위하여 서울특별시의 상수도 관망, 하수관로, 지하철 선로 지역 등을 각각 분석 영역(도메인)로 설정하고, 각 영역 별로 4개의 영향인자(3개의 공통된 지반환경인자와 1개의 상이한 사회기반시설인자)를 선정하였다. 그리고 로지스틱 회귀분석 기법을 적용하여 각 분석 영역에서 4개의 영향인자와 지반함몰 이력 자료와의 상관성을 분석하고 회귀식을 도출하였으며, 이를 토대로 3개 권역의 지반함몰 취약성 지도를 각각 작성하였다(Table 2). 즉, 지반환경인자들과 상수관망 노후도를 고려한 상수도 관망 지역의 지반함몰 취약성, 지반환경인자들과 하수관로 노후도를 고려한 하수관로 지역의 지반함몰 취약성, 지반환경인자들과 지하철 시공법을 고려한 지하철 선로 지역의 지반함몰 취약성 등 2종의 지하매설물 및 지하철 선로 지역에 대한 지반함몰 취약성 지도를 작성하였다.
SPSS 소프트웨어에서 종속변수로는 지하매설물 및 지하철 선로 권역 별 지반함몰 이력 자료를 선택하고, 독립변수(공변량)로는 지하매설물 및 지하철 선로 권역 별 토심, 균등계수, 지하수 포텐셜, 상수도 관망 노후도, 하수관로 노후도, 지하철 선로 시공법 형태 자료를 입력하여 로지스틱 회귀분석을 수행하였다. 각 지하매설물 및 지하철 선로 권역 내 지반함몰 이력과 영향인자 간의 상관성 결과는 다음과 같은 회귀식으로 도출되었다.

성능/효과

연속선(polyline) 형태로 구축된 상수도 관망과 하수관로 분포 자료에는 각 파이프라인 별로 구축년도 정보를 포함하고 있기 때문에 노후연한 계산이 가능하다. 특히, 지반함몰 발생 지역과 상･하수도 관로의 분포를 공간적으로 비교･분석해본 결과 상･하수도가 지하공간에 밀집 분포되어 있거나 사용연한이 40년 또는 50년 이상 되었을 때 지반함몰 발생이 증가하는 특성을 발견할 수 있었다. 이에 기반하여 본 연구에서는 상수도 관망 및 하수도 관로의 노후연한을 40년 미만, 40-50년, 50년 이상으로 구분한 후, 상･하수도 파이프라인의 각각의 상･하수도 관로 밀도 레이어를 생성하고, 아래와 같은 수식을 이용하여 상･하수도 관로의 노후도 지수를 제안하였다(Figs.
대부분의 지역의 경우 2-10 m의 토층 두께는 보였고, 여의도･성수･잠실 지역의 경우 타 지역에 비해 퇴적층과 매립토층이 두꺼운 분석으로 나타났다. 입도의 균등계수는 17-110 정도의 분포를 갖는 것으로 분석되었는데 특히 용산, 여의도, 구로, 송파 일부 지역에서 낮은 균등계수를 보였다(Fig. 4). 지하대상체 상부 지역의 지하수위(이른바 지하수 포텐셜)의 경우 –210 m –20 m의 분포를 갖는 것으로 분석되었다(Fig.
마찬가지로 하수관로의 노후도와 관로의 공간적 밀도를 고려할 경우 서울 지역 내에서는 중구, 서대문구, 구로구, 금천구와 송파구 일부 지역의 하수관로가 상대적으로 노후된 것으로 분석되었다. 지하철 선로 시공법 종류의 경우 개착식의 비율이 가장 높았으며, 터널식, 혼합식이 유사한 비율로 적용된 것으로 조사되었다(Fig. 8).
도출된 회귀식의 검토 결과, 토층이 두꺼울수록, 토립자의 균등계수가 낮을수록, 상･하수도 관로가 노후 될수록(또는 그러한 지역이) 지반함몰 발생에 취약한 것으로 분석되었다. 다만 회귀식에서 각각의 영향인자 별로 곱해지는 계수(상수값)을 확인할 수 있는데 이는 영향인자 별로 값의 범위가 모두 다르기 때문에 그 크기가 정해지는 것이지 지반함몰 발생에 있어 영향인자 간의 상대적 가중치를 의미하는 것은 아니다.
3개 권역 모두 지반함몰 발생 최저 확률은 거의 0에 가깝다. 반면 지반함몰 발생 최고 확률은 상수도 관망 지역과 지하철 선로 지역의 경우 각각 약 8%, 11%인데 비하여 하수관로 지역의 경우에는 약 43%인 것으로 분석되었다. 지도에 표현된 값이 곧 지반함몰 발생 예측 확률을 의미하기 때문에 원칙적으로는 3종의 지도 모두 동일한 가시화 방법을 사용해야 한다.
상수도 관망 지역의 경우 마포구, 서대문구, 사대문 안쪽 지역, 영등포구 일부와 잠실 석촌호수 주변 지역의 지반함몰 취약성 지수가 상대적으로 높게 나타났다(Fig. 9(a)).
다만 지반함몰 취약성 지수 관점에서는 지반함몰 발생 확률이 절대적으로 낮기 때문에 추가적인 지반함몰의 가능성은 상당히낮으며, 중･장기적 관점에서 노후 상수도 관망의 교체 작업 수준의 관리가 필요할 것으로 사료된다. 지하철 선로 지역의 경우 광화문 주변과 은평구와 양재 일부 지역의 지반함몰 취약성 지수가 상대적으로 높게 나타났다 (Fig. 9(c)).
1 이하인 것으로 나타났다. 반면에 지반함몰 취약성 지수가 0.3-0.45인 위험지역이 밀집된 4개 지역(A-D)을 도출할 수 있었다(Fig. 9(b))(다만 여기서 도출된 값은 제한된 가정과 환경에서의 시뮬레이션결과 수치이기 때문에 실제 이 지역의 지반함몰 발생 예측 확률이 30-45% 라고 말하는 것은 아니다).
본 연구에서는 GIS 환경에서 토립자 유실을 고려하여 2종의 지하매설물(상수도 관망, 하수관로) 및 지하철 선로 권역별로 지반 환경과 사회기반시설 등 4개의 영향인자를 선정하고, 영향인자와 기 발생된 지반함몰 이력과의 통계적 분석을 통하여 서울특별시의 지반함몰 취약성을 평가하고 예측하였다. 그 결과 지하매설물 및 지하철 선로 권역 별로 기존에 지반함몰이 발생되지 않은 고위험지역을 예측할 수 있었으며, 이를 통해 지하공동 탐지 시 높은 비용이 요구되는 정밀 탐사를 위한 후보지를 필터링해줄 수 있었다.

후속연구

반면 A 지역의 경우 주변에 지반함몰이 발생된 사례가 없었지만 본 연구를 통해 위험지역으로 분석되었다. 따라서 이 지역에 대해서는 정밀조사(GPR를 이용한 공동 탐사 등) 또는 추가 연구가 수행될 필요가 있다. 물론 지반함몰 취약성 지수가 높게 나타난 지역 중에는 이미복구 작업이 이루어진 경우도 있을 것이나 이러한 지역을 제외하더라도 여전히 지반함몰 위험지역은 곳곳에 존재할 수 있으니 지속적인 예측과 관리가 필요할 것으로 판단된다.
다만 데이터 추출 과정에서 연구지역의 범위와 자료처리속도 등을 고려하여 래스터 격자를 다소 크게 생성하였으나, 향후에는 10 m 이내 수준의 공간해상도를 갖는 데이터를 이용하여 분석을 수행할 할 필요가 있을 것으로 판단된다. 또한, 지반함몰이 발생되지 않은 고위험지역에 대한 예측 결과를 제시함에 있어 복구 여부에 대한 데이터가 확보되지 않아 이를 반영하지 못하였으나, 추후에는 최신데이터의 확보를 통해 고위험지역 선정에 대한 보다 신중한 접근을 할 필요가 있을 것으로 판단된다.
다만 데이터 추출 과정에서 연구지역의 범위와 자료처리속도 등을 고려하여 래스터 격자를 다소 크게 생성하였으나, 향후에는 10 m 이내 수준의 공간해상도를 갖는 데이터를 이용하여 분석을 수행할 할 필요가 있을 것으로 판단된다. 또한, 지반함몰이 발생되지 않은 고위험지역에 대한 예측 결과를 제시함에 있어 복구 여부에 대한 데이터가 확보되지 않아 이를 반영하지 못하였으나, 추후에는 최신데이터의 확보를 통해 고위험지역 선정에 대한 보다 신중한 접근을 할 필요가 있을 것으로 판단된다. 마지막으로 지반함몰과 같은 재해는 시간 흐름에 따라 취약성이 달라질 수 있기 때문에 3차원 공간에 시간적 관점을 함께 고려할 수 있는 4D GIS와 더불어 빅데이터(big data) 분석기법의 적용에 대한 연구도 필요할 것으로 사료된다.
또한, 지반함몰이 발생되지 않은 고위험지역에 대한 예측 결과를 제시함에 있어 복구 여부에 대한 데이터가 확보되지 않아 이를 반영하지 못하였으나, 추후에는 최신데이터의 확보를 통해 고위험지역 선정에 대한 보다 신중한 접근을 할 필요가 있을 것으로 판단된다. 마지막으로 지반함몰과 같은 재해는 시간 흐름에 따라 취약성이 달라질 수 있기 때문에 3차원 공간에 시간적 관점을 함께 고려할 수 있는 4D GIS와 더불어 빅데이터(big data) 분석기법의 적용에 대한 연구도 필요할 것으로 사료된다.
본 연구는 레거시 정보를 기반으로 도시 지반함몰의 명시적 취약성 평가 방법을 제공하고 발생기작을 설명할 수 있는 근거를 마련할 수 있었으며, 사물인터넷(internet of things, IoT) 기반의 도시 지반함몰 위험 예･경보 시스템 구축을 위한 지반함몰 취약 지역 및 지반 안전 상시 모니터링 지역 선정 근거에 대한 기초 자료를 제공할 수 장점이 있다. 또한, 각 지하매설물 및 지하철 선로 권역 별로 다른 결과를 제시함으로써담당 부처 또는 부서별로 시설을 유지･관리할 수 있는 용이성을 제공할 수 있을 것으로 기대한다.

참고문헌 (14)

국토교통부(Ministry of Land, Infrastructure and Transport; MOLIT), 2015, 지반침하(함몰) 안전관리 매뉴얼, 67p.
Bertram, G.E., 1940, An Experimental Investigation of Protective Filters, Harvard Soil Mechanics Series No 7, Publication No. 267, Harvard University, Cambridge, Mass., 1-21.
Cho, S.H., 2015, The identity of the sinkhole, CIR Press, Seoul, 211p.
Choi, S.K., Back, S.H., An, J.B. and Kwon, T.H. 2016. Geotechnical investigation on causes and mitigation of ground subsidence during underground structure construction. Journal of Korean Tunnelling and Underground Space Association, Vol. 18(2), 143-154. doi.org/10.9711/KTAJ.2016.18.2.143

원문보기 상세보기
Gyeonggi Research Institute (GRI), 2014, Sinkholes swallowing cities, causes and countermeasures, No. 156
Hong, W.T., Kang, S. and Lee, J.S. 2015. Application of Ground Penetrating Radar for Estimation of Loose Layer. Journal of the Korean Geotechnical Society, Vol. 31(11), 41-48. doi.org/10.7843/kgs.2015.31.11.41

원문보기 상세보기
Ham, M.S., 2019, Correlation Study between Sewer Pipes buried Underground in Metropolitan and Road Sinking, PhD dissertation, University of Seoul, Seoul, South Korea, 114p.
Kim, Y., Kim, J.B., Kim, D. and Han, J.G. 2017. Experimental Study on Generating mechanism of The Ground. Journal of Korean Geosynthetics Society, Vol. 16(2), 139-148. doi.org/10.12814/jkgss.2017.16.2.139

원문보기 상세보기
Lee, J.H., Jin, H.S., Baek, Y. and Yoon, H.S. 2017. Evaluation of Land Subsidence Risk Depending on Grain Size and Verification using Numerical Analysis. The Journal of Engineering Geology, Vol. 27(2), 133-141. doi.org/10.9720/kseg.2017.2.133

원문보기 상세보기
Lee, S.M. and Yoon, H.M., 2017. Study for Improvement of Policy on Ground Subsidence Prevention in Urban Areas. Seoul Studies, Vol. 18(1), 27-42.
Lee, Y.H. and Kim, J.R., 2004, A Proposal of the Evaluation Method for Rock Slope Stability Using Logistic Regression Analysis, Tunnel & Underground Space, Vol. 14(2), 133-141.
Park, J.Y., Jang, E., Kim, H.J. and Ihm, M.H. 2017. Classification of Ground Subsidence Factors for Prediction of Ground Subsidence Risk (GSR). The Journal of Engineering Geology, Vol. 27(2), 153-164. doi.org/10.9720/kseg.2017.2.15.

원문보기 상세보기
Suh, J., Choi, Y., Park, H.D., Yoon, S.H. and Go, W.R. 2013. Subsidence hazard assessment at the samcheok coalfield, South Korea: A case study using GIS. Environmental and Engineering Geoscience, Vol. 19(1), 69-83. doi.org/10.2113/gseegeosci.19.1.69

상세보기
U.S. Corps of Engineers., 1948, Laboratory Investigation of Filters for Enid and Grenada Dam, U. S. Army Waterways Experiment Station, Vicksburg, Miss., Technical Memorandum 3-245.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증