[논문]Random Forest를 활용한 산사태 피해 영향인자 평가: 충주시 산사태를 중심으로

이재호; 정유진; 최정해

doi:10.9720/kseg.2024.1.051

[국내논문] Random Forest를 활용한 산사태 피해 영향인자 평가: 충주시 산사태를 중심으로
Evaluation of the Importance of Variables When Using a Random Forest Technique to Assess Landslide Damage: Focusing on Chungju Landslides

지질공학 = The journal of engineering geology, v.34 no.1, 2024년, pp.51 - 65

이재호 (경북대학교 지질학과) , 정유진 (경북대학교 지질학과) , 최정해 (경북대학교 지구과학교육과)

초록
AI-Helper

산사태는 전 세계적으로 매년 큰 재산 피해를 야기하는 자연 재해로 알려져 있다. 국내에서도 기후 변화의 영향으로 산사태 피해가 증가하는 경향을 보이고 있으며, 이로 인한 피해를 줄이기 위해서는 산사태를 증가시키는 인자들을 파악하는 것이 중요하다. 따라서 본 연구는 충청북도 충주시에서 발생한 산사태 피해에 영향을 미치는 변수들의 중요도를 평가하기 위해 랜덤포레스트 모델을 활용하여 14개의 인자들 사이의 중요도를 분석하였다. 연구 결과, 모델의 성능은 AUC가 0.87로 높은 정확도를 보이며, 변수 중요도는 경사 방향, 경사, 계곡까지의 직선 거리, 고도 순으로 정해졌으며, 이는 경사방향과 경사 등의 지형인자가 암종과 유효토심과 같은 지질과 토양인자보다 산사태 피해에 더 큰 영향을 미친다는 것을 시사한다. 이 연구 결과는 산사태 피해 예측지도의 제작 및 산사태 피해 감소에 초점을 맞춘 연구에 기초 자료로서 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Landslides are natural disasters that causes significant property damage worldwide every year. In Korea, damage due to landslides is increasing owing to the effects of climate change, and it is important to identify the factors that increase the prevalence of landslides in order to reduce the damage they cause. Therefore, this study used a random forest model to analyze the importance of 14 factors in influencing landslide damage in a specific area of Chungju, Chungcheongbuk-do province, Korea. The random forest model performed accurately with an AUC of 0.87 and the most-important factors were ranked in the order of aspect, slope, distance to valley, and elevation, suggesting that topographic factors such as aspect and slope more greatly influence landslide damage than geological or soil factors such as rock type and soil thickness. The results of this study are expected to provide a basis for mapping and predicting landslide damage, and for research focused on reducing landslide damage.

주제어

표/그림 (13)

그림 Fig. 1. Area of landslide damage in selected administrative areas (KFS, 2021).
그림 Fig. 2. Spatial distribution of landslides in the landslide inventory.
그림 Fig. 3. Maps of the study area (WGS84 coordinate system)： (a) location of Chungju-si in Korea, (b) geological map of Chungju-si.
표 Table 1. Description of factors associated with landslides
그림 Fig. 4. Maps of influencing factors used for analysis of the importance of variables to landslide damage: (a) elevation, (b) slope, (c) aspect, (d) distance to valley, (e) plan curvature, (f) profile curvature, (g) TWI, (h) LS-factor, (i) lithology, and (j) forest cover.
표 Table 1. Continued
그림 Fig. 4. Continued.
그림 Fig. 5. Flow chart of the study.
표 Table 2. Frequency ratio (FR) of each category within the influencing factors (celIs in the totaI study area: 10,692,363, cells in the total landslide damage area: 8,269)
표 Table 2. Continued
그림 Fig. 6. Variable importance calculated by the random forest model.
표 Table 2. Continued
그림 Fig. 7. ROC curve of the random forest model.

AI 본문요약
AI-Helper

문제 정의

최근 온난화로 인한 기후변화의 영향으로 산사태 피해가 점차 증가하는 양상을 보이기 때문에 산사태 피해를 최소화시키기 위해 산사태 피해를 증가시키는 인자를 파악하는 것이 중요하다. 대부분의 기존 연구는 산사태 발생 예측에 중점을 두고 연구를 수행하였으나, 본 연구는 산사태 피해에 초점을 맞추어 산사태 피해인자 간의 변수 중요도를 평가하는 것을 목적으로 산사태 피해면적, 고도, 사면경사 등 14개의 인자를 대상으로 랜덤포레스트를 활용하여 충청북도 충주시에서 발생한 104개의 산사태 현황자료를 분석하였다.

제안 방법

연구 지역의 각 인자별 주제도를 구축하기 위해서 국토지리정보원에서 제공하는 90 m × 90 m 해상도의 수치표고모델(DEM)을 획득한 후, 고도 값에 해당하는 등고선 레이어를 추출하여 TIN(Triangulated Irregular Network) 보간을 실행하여 10 m × 10 m 해상도의 래스터 파일형태의 DEM으로 재구축하였다

대상 데이터

산사태 현황 자료(landslide inventory)는 과거 발생한 산사태의 위치와 발생일시, 피해면적 등 과거 산사태의 공간분포에 대한 기본정보를 내포하고 있어 산사태 위험평가에 중요한 역할을 한다. 본 연구에서는 산림청에서 제공받은 191건의 산사태 현황 자료의 지번을 토대로 국토지리정보원에서 획득한 0.25 m 해상도의 항공사진과 대조하여 위치를 보다 정확하게 보정하였다. 충주시 산사태의 총 피해면적은 313.
25 m 해상도의 항공사진과 대조하여 위치를 보다 정확하게 보정하였다. 충주시 산사태의 총 피해면적은 313.2 ha로 충주시 면적의 0.36%를 차지하며, 이 중 변수들의 값을 취득할 수 있는104건의 산사태 현황자료를 이용하였다(Fig. 2).
본 연구지역은 충청북도 북부에 위치하며, 위도 36°47'40"에서 37°12'45"사이와 경도 127°39'40"와 128°08'10"에 위치해 있다(Fig
연구지역에서는 2020년 7월 28일부터 8월 11일까지 발생한 집중 호우로 인하여 200여 건의 산사태가 발생하였으며, 이로 인해 인명과 재산피해가 야기되었다. 충주시의 산사태는 암종, 고도, 경사 등과 같은 비슷한 조건을 가지고 있음에도 불구하고 피해면적의 상이하게 나타났기 때문에 산사태 피해 연구지역으로 적합하여 연구를 수행하게 되었다.

데이터처리

이를 기반으로 지형과 수문인자의 속성정보를 추출하였다. 지형인자와 수문인자를 범주화 시키기 빈도비율(FR)을 사용하여 정량화 하였으며, 피해면적과 인자 속성정보 사이의 관계를 분석하였다(Fig. 4).
5 ha 이하일 때는 0으로 표현하였다. 전처리된 인자의 속성정보를 랜덤포레스트의 입력데이터로 사용하였고 변수 중요도는 훈련데이터에서 OOB 활용하여 이전 모델의 성능과 i번째의 변수의 데이터를 무작위로 섞은 후 예측성능의 차이를 이용하여 변수 중요도를 계산하였다. 본 연구의 전반적인 데이터 구축 및 분석과정은 흐름도(Fig.

이론/모형

데이터 기반의 모델은 과거 산사태 발생 정보와 영향 인자 사이의 상관관계를 분석하여 산사태를 예측하며, 이는 과거에 발생한 산사태와 유사한 상황이나 조건에서 산사태가 발생할 것이라는 가정에 기초하고 있다. 이와 마찬가지로 산사태 피해면적과 영향 인자 사이의 상관관계를 분석하기 위해 과거 산사태 피해와 영향 인자들 간의 상관관계를 정확히 분석하는 것이 중요하며, 연속형 데이터의 범주화를 정량적으로 표현하기 위해 빈도비율(Frequency Ratio, FR)을 사용하였다. 빈도비율의 계산식은 다음 식 (1)과 같다.

성능/효과

2). 보정된 산사태 현황자료를 살펴보면 전체 산사태의 29%는 1 ha이상의 산사태 피해를 입었고, 31%는 0.5 ha초과하고 1 ha미만의 산사태 피해를 입었으며, 나머지 51%는 0.5 ha 이하의 산사태 피해를 입었다.
경사인자에서는 경사가 높아질수록 빈도비율이 점차적으로 증가하는 양상을 보이며, 사면방향은 북서와 남동 방향이 가장 우세하게 나타난다. 수직곡률은 -0.011에서 -0.008일 때 빈도비율의 값이 가장 크게 나타났는데, 이는 수직곡률이 오목할수록 사면물질의 가속에 영향을 미치게 되고 결과적으로 사면물질의 침식과 퇴적의 양을 증가시켜 산사태 피해에 긍정적인 영향을 미친 것으로 해석된다.
6에서 확인할 수 있다. 14개의 인자 중 5개의 인자가 상대적으로 높은 기여를 하였으며, 이는 사면방향(IM = 0.17), 경사(IM = 0.15), 계곡까지의 직선 거리(IM = 0.12), 고도(IM = 0.11), 임상(IM = 0.10)으로 나타났다. 충주시의 산사태 피해면적은 전반적으로 지형인자가 지질인자 및 토양인자보다 더 중요하다는 것으로 나타났다.
10)으로 나타났다. 충주시의 산사태 피해면적은 전반적으로 지형인자가 지질인자 및 토양인자보다 더 중요하다는 것으로 나타났다. 본 연구에 사용된 모델의 성능은 AUC = 0.
충주시의 산사태 피해면적은 전반적으로 지형인자가 지질인자 및 토양인자보다 더 중요하다는 것으로 나타났다. 본 연구에 사용된 모델의 성능은 AUC = 0.87의 정확도를 보여 신뢰성이 높은 것으로 해석된다(Fig. 7).
각 변수들의 빈도비율을 계산한 결과 사면방향이 주로 북서, 남동일 때 산사태 피해에 더 큰 영향을 미치며, 고도는 200 m에서 400 m의 범위 일 때 그리고 경사가 증가할수록 산사태 피해가 증가하는 경향을 보인다. 랜덤포레스트 분석 결과, AUC는 0.
각 변수들의 빈도비율을 계산한 결과 사면방향이 주로 북서, 남동일 때 산사태 피해에 더 큰 영향을 미치며, 고도는 200 m에서 400 m의 범위 일 때 그리고 경사가 증가할수록 산사태 피해가 증가하는 경향을 보인다. 랜덤포레스트 분석 결과, AUC는 0.87로 높은 예측 성능을 보였으며, 변수 중요도의 순위는 사면방향이 북동쪽과 남동쪽 일 때, 경사가 증가할수록, 계곡까지의 거리가 짧을수록 산사태 피해에 더 큰 영향을 미치는 것으로 나타난다. 이와 같이 피해에 높은 영향을 주는 인자들이 토석류의 유출거리를 증가시키는 인자로 작용하기 때문에 다른 인자들에 비해 산사태 피해와 범위에 영향을 주는 것으로 판단된다.

후속연구

이러한 연구 결과는 산사태 피해 예측지도 제작의 기초자료 활용될 수 있을 것이며, 도시계획 및 정책 결정에 있어 유용한 참고자료가 될 수 있다.

참고문헌 (44)

Appiahene, P., Missah, Y.M., Najim, U., 2020, Predicting bank operational efficiency using machine learning algorithm:？Comparative study of decision tree, random forest, and neural networks, Advances in Fuzzy Systems, 2020, 8581202.

상세보기
Breiman, L., 2001, Random forests, Machine Learning, 45(1), 5-32.
Cellek, S., 2021, The effect of aspect on landslide and its relationship with other parameters, Landslides, IntechOpen, 13-29.
Chae, B.G., Kim, W.Y., Jo, Y.C., Kim, K.S., Lee, C.O., Song, Y.S., 2006, Field investigation and prediction techniques？of landslides, Proceedings of the Korean Society of Geological Engineering Symposium: Landslides and Disaster Prevention Measurement, Seoul, 149-184.
Choi, D.Y., Baek, J.C., 2012, Characteristics of runout distance of debris flows in Korea, Journal of the Korean Society of？Civil Engineers, 32(3B), 193-201 (in Korean with English abstract).
Du, G.L., Zhang, Y.S., Iqbal, J., Yang, Z.H., Yao, X., 2017, Landslide susceptibility mapping using an integrated model？of information value method and logistic regression in the Bailongjiang watershed, Gansu Province, China, Journal of？Mountain Science, 14(2), 249-268.
Eu, S., Im, S.J., 2017, Examining velocity estimation equations of debris flow using small-scaled flume experiments, Journal of Korean Forest Society, 106(4), 424-430 (in Korean with English abstract).
Fadhillah, M.F., Hakim, W.L., Panahi, M., Rezaie, F., Lee, C.W., Lee, S., 2022, Mapping of landslide potential in Pyeongchang-gun, South Korea, using machine learning meta-based optimization algorithms, Egyptian Journal of Remote？Sensing and Space Science, 25(2), 463-472.
Frattini, P., Crosta, G., Carrara, A., 2010, Techniques for evaluating the performance of landslide susceptibility models,？Engineering Geology, 111(1), 62-72.

상세보기
Gaidzik, K., Ramirez-Herrera, M.T., 2021, The importance of input data on landslide susceptibility mapping, Scientific？Reports, 11(1), 19334.
Goetz, J.N., Brenning, A., Petschko, H., Leopold, P., 2015, Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling, Computers & Geosciences, 81, 1-11.

상세보기
Guo, Z., Shi, Y., Huang, F., Fan, X., Huang, J., 2021, Landslide susceptibility zonation method based on C5.0 decision tree？and K-means cluster algorithms to improve the efficiency of risk management, Geoscience Frontiers, 12(6), 101249.

상세보기
Hong, H., Pradhan, B., Xu, C., Tien Bui, D., 2015, Spatial prediction of landslide hazard at the Yihuang area (China) using？two-class kernel logistic regression, alternating decision tree and support vector machines, Catena, 133, 266-281.

상세보기
Iverson, R.M., Logan, M., LaHusen, R.G., Berti, M., 2010, The perfect debris flow? Aggregated results from 28 large-scale experiments, Journal of Geophysical Research, 115, F03005.

상세보기
Jeong, C.H., Park, Y.A., Kim, H.M., 1977, Geological report of Eumseong sheet (1:50,000), Geological Survey of Korea,？https://doi.org/10.22747/data.20211022.4507.
Ji, J.M., Yoon, S., Lee, C.J., 1989, Geological report of Munmak sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211221.4679.
Kim, G.W., Lee, H.G., 1965, Geological report of Chungju sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211022.4505.
Kim, G.W., Park, B.S., Lee, H.G., 1967a, Geological report of Jecheon sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211203.4611.
Kim, K.S., 2008, Characteristics of basin topography and rainfall triggering debris flow, Journal of the Korean Society of？Civil Engineers, 28(5C), 263-271 (in Korean with English abstract).
Kim, N.J., Choi, S.O., Kang, P.J., 1967b, Geological report of Mungyeong sheet (1:50,000), Geological Survey of Korea,？https://doi.org/10.22747/data.20211214.4646.
KMA (Korea Meteorological Administration), 2020, Landslide damage status of Chungju city, Chungcheongbuk-do, 2020,？Retrieved from https://www.data.go.kr/data/15102424/fileData.do.
KFS (Korea Forest Service), 2021, 2020 Forest disaster white paper, 94p.
Lee, J.H., 2022, Landslide susceptibility assessment using coupled initiation and runout prediction model, Doctoral？Dissertation, Sejong University Graduate School, 2-4 (in Korean with English abstract).
Lee, J.H., Kim, J.H., 1972, Geological report of Goesan sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211214.4653.
Lee, M.S., Park, B.S., 1965, Geological report of Hwanggang-ri sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211110.4596.
Lee, S., Kim, M., 2020, Construction of topographic/hydrologic data using DEM and its service, GEO DATA, 2(2), 36-44？(in Korean with English abstract).

상세보기
Lee, S., Talib, J.A., 2005, Probabilistic landslide susceptibility and factor effect analysis, Environmental Geology, 47(7),？982-990.

상세보기
Lombardo, L., Mai, P.M., 2018, Presenting logistic regression-based landslide susceptibility results, Engineering Geology,？244, 14-24.

상세보기
Merghadi, A., Yunus, A.P., Dou, J., Whiteley, J., ThaiPham, B., Bui, D.T., Avtar, R., Abderrahmane, B., 2020, Machine？learning methods for landslide susceptibility studies: A comparative overview of algorithm performance, Earth-Science？Reviews, 207, 103225.

상세보기
Park, B.S., Yeo, S.C., 1971, Geological report of Mokgye sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211203.4618.
Park, H.J., Lee, J.H., 2022, A review of quantitative landslide susceptibility analysis methods using physically based？modelling, The Journal of Engineering Geology, 32(1), 27-40 (in Korean with English abstract).
Pham, B.T., Pradhan, B., Tien Bui, D., Prakash, I., Dholakia, M.B., 2016, A comparative study of different machine？learning methods for landslide susceptibility assessment: A case study of Uttarakhand area (India), Environmental？Modelling & Software, 84, 240-250.

상세보기
Pham, B.T., Prakash, I., Khosravi, K., Chapi, K., Trinh, P.T., Ngo, T.Q., Hosseini, S.V., Bui, D.T., 2019, A comparison of？Support Vector Machines and Bayesian algorithms for landslide susceptibility modelling, Geocarto International,？34(13), 1385-1407.

상세보기
Pradhan, B., 2013, A comparative study on the predictive ability of the decision tree, support vector machine and neurofuzzy models in landslide susceptibility mapping using GIS, Computers & Geosciences, 51, 350-365.

상세보기
Regmi, A.D., Yoshida, K., Nagata, H., Pradhan, A.M.S., Pradhan, B., Pourghasemi, H.R., 2013, The relationship between？geology and rock weathering on the rock instability along Mugling-Narayanghat road corridor, Central Nepal Himalaya, Natural Hazards, 66(2), 501-532.

상세보기
Roth, R.A., 1983, Factors affecting landslide-susceptibility in San Mateo County, California, Environmental & Engineering Geoscience, xx(4), 353-372.
Shahabi, H., Hashim, M., 2015, Landslide susceptibility mapping using GIS-based statistical models and Remote sensing？data in tropical environment, Scientific Reports, 5, 9899.

상세보기
Shin, W.J., Hong, S.C., Kim, J.Y., 2022, A study on the factors affecting debris disasters in Chungbuk province, Journal？of the Association of Korean Geographers, 11(1), 105-120 (in Korean with English abstract).

상세보기
Song, Y.S., Lee, M.S., 2023, A random walk model for estimating debris flow damage range, The Journal of Engineering？Geology, 33(1), 201-211 (in Korean with English abstract).
Van Westen, C.J., Seijmonsbergen, A.C., Mantovani, F., 1999, Comparing landslide hazard maps, Natural Hazards, 20(2),？137-158.

상세보기
Wu, Y., Ke, Y., Chen, Z., Liang, S., Zhao, H., Hong, H., 2020, Application of alternating decision tree with AdaBoost and？bagging ensembles for landslide susceptibility mapping, Catena, 187, 104396.

상세보기
Yang, I.T., Park, J.K., Park, K., 2014, An evaluation of damage scale on the local governments in Gangwon-do using？landslide risk maps, Journal of the Korean Society for Geospatial Information Science, 22(4), 71-80 (in Korean with？English abstract).
Yeo, S.C., Lee, I.G., 1975, Geological report of Yeoju sheet (1:50,000), Geological Survey of Korea, https://doi.org/10.22747/data.20211104.4577.
Yesilnacar, E., Topal, T., 2005, Landslide susceptibility mapping: A comparison of logistic regression and neural networks？methods in a medium scale study, Hendek region (Turkey), Engineering Geology, 79(3-4), 251-266.

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