Landslide Susceptibility Apping and Comparison Using Probabilistic Models: A Case Study of Sacheon, Jumunzin Area, Korea

확률론적 모델을 이용한 산사태 취약성 지도 분석: 한국 사천면과 주문진읍을 중심으로

Abstract

The purpose of this study is to create landslide vulnerability using frequency ratio (FR) and evidential belief functions (EBF) model which are two methods of probability model and to select appropriate model for each region through comparison of results in Sacheon-myeon and Jumunjin-eup of Gangneung. 762 locations in Sacheon-myeon and 548 landscapes in Jeonju-eup were constructed based on the interpretation of aerial photographs. Half of each landslide point was randomly selected for modeling and remaining landslides were used for verification purposes. Twenty landslide-inducing factors classified into five categories such as topographic elements, hydrological elements, soil maps (1:5,000), forest maps (1:5,000), and geological maps (1:25,000) were considered for the preparation of landslide vulnerability in the study. The relationship between landslide occurrence and landslide inducing factors was analyzed using FR and EBF models. The two models were then verified using the AUC (curve under area) method. According to the results of verification, the FR model (AUC = 81.2%) was more accurate than the EBF model (AUC = 78.9%) at Jeonjun-eup. In the Sacheon-myeon, the EBF model (AUC = 83.6%) was more accurate than the FR model (AUC = 81.6%). Verification results show that FR model and EBF model have high accuracy with accuracy of around 80%.

이 연구의 목적은 확률모델의 2가지 방법인 Frequency Ratio(FR), Evidential Belief Functions(EBF) 모델을 사용하여 산사태 취약성을 작성하고 강릉시 사천면과 주문진읍에서의 결과 비교를 통해 각 지역에 적합한 모델을 선정하는 것이다. 사천면에서 762개, 주문진읍에서 548개의 산사태 위치를 항공 사진의 해석을 기반으로 작성되었다. 각각의 산사태 지점 중 절반을 모델링을 위해 무작위로 선택하였고 남은 산사태 지점은 검증 목적으로 사용하였다. 지형 요소, 수문 요소, 산림입지토양도(1:5,000), 임상도(1:5,000), 지질도(1:25,000)와 같은 5가지 범주로 분류된 20가지의 산사태 유발 요소가 연구에서 산사태 취약성 작성을 위해 고려되었다. 산사태 발생과 산사태 유발 요소 사이의 관계는 FR, EBF 모델을 사용하여 분석되었다. 그 후, 2 가지 모델을 AUC(curve under area) 방법을 사용하여 검증하였다. 검증 결과에 따르면 주문진읍에서 FR모델(AUC = 81.2%)이 EBF 모델(AUC = 78.9%)에 비해 정확도가 높았다. 사천면 지역에서는 EBF 모델(AUC = 83.6%)이 FR모델(AUC = 81.6%)보다 정확도가 높게 나타났다. 검증 결과 FR 모델과 EBF 모델은 정확도 80% 내외로 높은 정확도를 가지고 있음을 나타낸다.

1. 서론

산사태는 자연적으로 발생할 가능성이 높은 자연재해 현상으로 발생할 경우 심각한 인명, 재산 피해를 입힐 수 있다. 일반적으로 산사태는 경사면 지형과 관계가 높기 때문에 이러한 사면 지형이 많은 산간에서 많이 발생한다. 한국은 전체면적의 약 70%가 산악지형으로 이루어져 있어 산사태에 취약하다. 이러한 지형적 조건 이외에 여름철의 집중호우와 태풍으로 인한 높은 강수량 또한 산사태 발생 가능성을 높이는 요인이다(Grozavu et al., 2013).

강원도 강릉시는 주로 농업 및 관광업이 활성화되어 있으며, 연 평균 강우량은 약 1018.7 mm이다. 산지지형은 대체로 중생대 쥐라기에 생성된 화강암으로 구성되어 있으며, 주거지역이 밀집한 하천유역은 신생대 제4기에 퇴적된 충적층으로 구성되어 있다.

2002년 태풍 루사와, 2003년 태풍 매미는 시간당 80mm이상의 기록적인 폭우를 기록하였다. 이러한 태풍으로 인해 한국에서는 250명 이상의 사망자를 비롯한 인명 및 재산피해가 발생하였다. 연구지역인 강원도 강릉시 사천면(면적 70.84 km², 인구 4,219명, 1,914가구)과, 주문진읍(면적 60.55 km², 인구 21,291명, 8,917가구)은 태풍 루사와 매미로 인해 많은 산사태가 발생한 지역이다. 특히 2002년 태풍 루사에 의해 발생한 산사태로 연구지역이 포함된 강릉시의 교량 7곳이 끊어졌으며, 주문진읍 삼교리의 주민 3명이 사망하고 열흘 이상 고립되는 사고가 발생하였다.

직·간접적으로 산사태의 피해를 최소화 하기 위한 여러가지 방법 중 먼저 산사태가 발생하기 쉬운 산사태 취약 지역을 알아내야 한다. 산사태 취약 지역을 파악하는 가장 일반적인 접근 방법으로는 GIS 기반의 산사태 취약성 평가가 있다. GIS 기반의 접근법은 통계적, 확률론적 접근과 같은 다양한 분류를 기반으로 한 방법을 말한다(van Westen et al., 2006). 확률모델은 weights of evidence(WOE)(Oh and Lee, 2011), EBF(Pradhan et al., 2014), FR(Lee et al., 2004)와 같은 방법이 있다. 또한 통계적 모델로는 statistical index(Nasiri Aghdam et al., 2016), analytical hierarchy process(AHP)(Chen et al., 2016), logistic regression(Costanzo et al., 2014) 등이 제안 되었다. 최근에는 머신러닝 기법을 도입한 fuzzy logic(Guettouche, 2013), fuzzy rule-based classifier(Pham et al., 2016), neuro fuzzy(Dehnavi et al., 2015), multivariate adaptive regression splines(MARS)(Conoscenti et al., 2015), neura networs(Park et al., 2013), support vector machines(Lee et al., 2017) 등이 제안 되었다.

본 연구의 목적은 2002년과 2003년에 있었던 태풍으로 인해 발생한 산사태 자료를 통해 확률론적 모델을 강원도 강릉시의 연구 적용하는 데 있다. 산사태 취약성 지도 작성에 있어 같은 모델도 정확도가 변화하기 때문에, 해당 지역 특성에 알맞은 모델을 선정하는 것이 중요하다. 이를 위해 본 연구에서는 해당 각 연구지역에 확률론적 모델인 FR, EBF 두 모델을 적용하여 더욱 정확도가 높은 모델을 선정하려 한다.

Fig. 1. Location of the study area.

본 연구에서는 항공사진을 사용하여 산사태 발생 위치를 파악한 후 해당 지점의 GIS 정보를 함께 분석하여 산사태 발생과의 상관관계를 해석하고자 한다. 강원도 강릉시의 항공사진에서 산사태 발생 위치를 조사하여 산사태가 피해가 많이 발생한 지역인 강릉시의 사천면과 주문진읍을 연구지역으로 선정하였다. 항공사진 분석을 통해 총 548개의 산사태 발생 위치를 지정하였고, 이를 각각 50%의 훈련 자료와 50%의 검증 자료로 나누어 분석 하였다(Lee et al., 2012). 이 후, 주문진읍의 5 m × 5 m 해상도의 DEM 자료를 ArcGIS의 SAGA GIS Module을 통해 지형 및 수문 자료와 같은 산사태에 영향을 미치는 요소를 판단하였다. 이러한 요소들과 토지이용도, 토양피복도, 암상도 임상도, 단층도와 같은 환경적인 요소를 함께 분석하여 FR, EBF를 구하였다. 검증을 위해 처음 나누었던 검증 자료와 모델링 결과를 IBM SPSS 프로그램의 ROC 곡선을 이용하여 검증하였다.

Fig. 2. Various GIS-based approaches.

Fig. 3. Workflow in this study.

2. Data

본 연구의 연구지역인 강원도 강릉시 사천면과 주문진읍의 항공사진을 얻기 위하여 다음지도의 스카이뷰를 사용하였다. 다음지도의 스카이뷰는 현재의 항공사진 뿐 아니라 과거의 영상도 제공하기 때문에 유용하게 사용할 수 있다.

본 연구에서 사용된 항공사진은 2008년에 촬영된 영상을 캡처하여 사용하였다. 캡처한 영상들을 포토샵의 이미지합성 기능을 통해 하나의 영상으로 합성하였다. 포토샵으로 제작한 영상의 경우 영상의 좌표가 누락되기 때문에 기하보정을 실시하였다. 기하보정에는 Arcmap의 부가기능인 ArcBruTile을 활용하였다. ArcBruTile은 포털사이트 등에서 제공하는 지도를 연동하여 좌표와 함께 Arcmap상에 표시한다. 이러한 과정으로 얻은 영상과 ArcBruTile의 현재의 영상을 비교, 분석하여 산사태 발생 위치를 추정하였다. 결과적으로 사천면에서 762건, 주문진읍에서 548건 산사태 발생위치를 정하였다.

Fig. 4. Landslide occurrence of Jumunjin-eup (a), (b) and Sacheon-myeon (c), (d) (2008, Daum map).

지형자료는 1:5,000의 수치지형도를 이용하여 내삽법으로 처리가 된 수치표고모형(DEM)을 사용하였다. 수치표고모형에서 추출된 지형 인자는 경사, 경사방향, 최대 곡률, 측면 곡률, 볼록성, 구조, 표면적, 중앙 경사 위치(MSP), 지형 위치 지수 (TPI), 지형 견고성 지수(TRI)이며, 수문인자는 흐름 집적량과 지형 습윤 지수(TWI)이다.

Fig. 5. Landslide inventory map, Jumunjin-eup (a) and Sacheon-myeon (b).

암석의 종류는 그 강도와 구조의 특성이 다양하고 산사태에 대한 취약성이 다르기 때문에 발생에 영향을 미칠 수 있다. 암석 내부에 존재하는 절리는 지각활동이 있는 지역에서 산사태를 유발하는 요소로 작용한다. 1:25,000 지질도에서 암상분포도와 1:25,000의 단층도를 활용하였다.

토양 물질에 따른 토지 피복은 지형이나 수문 요소와 같이 다양하게 구분된다. 토양 물질의 경우 강우로 인한 산사태 발생 원인 중 하나로 작용할 수 있기 때문에 1:5,000의 토양도에서 토양피복도를 작성하였다.

또한, 사면의 안정도는 사면에 서식하는 식물의 분포에 영향을 받는다. 따라서 산림의 종류, 산림을 구성하는 나무의 지름, 나무의 밀도 및 연령과 같은 인자를 사용하여 1:5,000의 임상도에서 임상종류도, 임상영급도, 임상경급도, 임상밀도도를 작성하였다.

ArcGIS 프로그램을 사용하여 모든 입력자료를 텍스트 형식의 ASCII 자료로 변환하였다. 변환된 자료는 IBM사의 SPSS 프로그램을 사용하여 분석되었으며 요인 하나당 자료의 개수는 1,046,756개였다.

Table 1. The input factors used in this study

3. 연구방법

1) Frequency Ratio

FR 모델은 간단하고 쉽게 산사태 취약성을 작성할 수 있는 방법이다. FR의 수학적 식은 아래와 같다(Mondal and Maiti, 2013).

\(F R=\frac{N_{p i x(L i)} / N_{p i x(N i)}}{\left.\sum N_{p i x(L i)}\right) / \sum N_{p i x(N i)}}\)       (1)

여기서 I는 각 지점을 나타내고 Npix(Li)는 지점에서 산사태가 일어난 곳의 픽셀 수를 나타내며, Npi(Ni)는 각 지점의 총 픽셀 수를 나타낸다. 분모에 해당하는 것은 연구지역 전체의 픽셀 수 대비 산사태의 픽셀 수이다. 계산된 FR값이 1보다 크면 양의 상관관계를 나타내며 1보다 작으면 음의 상관관계를 갖게 된다. 이 후 산사태 취약지수인 (LSI)를 계산하기 위해 주어진 수식을 사용하여 각 요소에 대한 FR을 합였다(Lee and Pradhan, 2007).

LSI = ∑FR      (2)

2) Evidential Belief Function

EBF값을 각각 20가지 요인에 대하여 계산하였다(Table 2). EBF는 Dempster-Shafer 이론에 기반한 알고리즘을 사용한다. Dempster-Shafer이론은 베이지안 확률 이론을 일반화한 것으로 확실성의 효과이다. EBF는 불확실성을 수용함으로 유연성이 생기게 되는데 이러한 유연성으로 산사태 취약 지수를 구하기 위해 적용된다. EBF는 각각 0에서 1사이의 값을 갖는 Bel(신뢰도), Dis(불신뢰도), Unc(불확실도), Pls(가능성도)의 4가지 수학적 함수로 구성된다. 각 함수는 아래의 식과 같다(Althuwaynee et al., 2013).

\(\text { Belief }(\text { Bel })=\frac{B e l_{1}+B e l_{2}+\ldots+B e l_{n}}{1-\sum_{j=2}^{n} B e l_{j-1} D i s_{j}-D i s_{j-1} B e l_{j}}\)       (3)

\(\text { Disbelief }(\text { Dis })=\frac{\text { Dis }_{1}+\text { Dis }_{2}+\ldots+\operatorname{Dis}_{n}}{1-\sum_{j=2}^{n} \operatorname{Bel}_{j-1} D i s_{j}-D i s_{j-1} B e l_{j}}\)       (4)

\(\text { Uncertainty (Unc) }=\frac{\sum_{j=2}^{n}\left(U n c_{j-1} U n c_{j}+B e l_{j-1} U n c_{j}+B e l_{j} U n c_{j-1}+D i s_{j-1} U n c_{j}+D i s_{j} U n c_{j-1}\right)}{1-\sum_{j=2}^{n} B e l_{j-1} D i s_{j}-D i s_{j-1} B e l_{i}}\)      (5)

Plausibility (Pls) = Bel + Unc       (6)

 

Bel + Unc + Dis = 1       (7)

Table 2. FR and EBF in case of Jumunjin-eup

Fig. 6. Spatial database of factors in Jumunjin-eup, slope (a), aspect (b), maximum curvature (c), profile curvature (d), convexity (e), texture (f), surface area (g), mid-slope position (h), terrain ruggedness index (i), topographic position index (j), flow accumulation (k), topographic wetness index (l), land cover (m), soil material (n), forest type (o), forest age (p), forest density (q), forest diameter (r), lithology (s), distance from fault (t).

Fig. 7. Spatial database of factors in Sacheon-myeon, slope (a), aspect (b), maximum curvature (c), profile curvature (d), convexity (e), texture (f), surface area (g), mid-slope position (h), terrain ruggedness index (i), topographic position index (j), flow accumulation (k), topographic wetness index (l), land cover (m), soil material (n), forest type (o), forest age (p), forest density (q), forest diameter (r), lithology (s), distance from fault (t).

Bel_n은 각 지점에서 낮은 신뢰도를 나타내고 Dis_n는 불신뢰도 Unc_n는 불확실도를 나타낸다.

산사태 취약지수를 계산하기 위해 각 지점에서의 Bel 값을 합산하였다.

LSI = ∑Bel        (8)

4. 연구결과

본 연구지역을 대상으로 한 산사태 발생 위치와 산사태 발생과관련된 요소와의 관계를 분석하였다. 이 때 산사태 발생 위치는 추후 검증 과정을 위하여 총 548개소의 산사태 발생 위치 중 절반인 279개소만을 무작위로 선별하여 분석을 진행하였다. 요소의 등급별 산사태 발생비율인 FR를 계산하였고 이와 함께 EBF을 계산하였다. 이 후 분석된 결과 값으로 각 요소의 등급별 값을 재분류 하여 새로운 Vector map을 생성하였다. 각 요소의 등급별 결과 값은 아래의 표와 같다.

Table 3. FR and EBF in case of Sacheon-myeon

이러한 FR, EBF 등급값을 이용하여 작성된 산사태 취약성도는 Fig. 8, Fig. 9 과 같다.

Fig. 8. Landslide susceptibility map in Jumunjin-eup, FR (a), EBF (b).

Fig. 9. Landslide susceptibility map in Sacheon-myeon, FR (a), EBF (b).

주문진읍의 합산된 총 FR의 값은 430 ~ 4248의 값을 보였으며, 사천면의 FR 값은 463에서 3172의 분포를 보였다. 이렇게 계산된 값을 이용하여 분위법의 5단계로 분류된 산사태 취약지수 지도를 만들었다. 하위 40%는 경미, 20%는 경, 20%는 중, 10%는 심, 상위 10%는 극심으로 분류하였다. 파란색으로 된 지점은 산사태 취약성이 낮은 지점이고 붉은색으로 갈수록 산사태 취약성이 높은 지역이다.

주문진읍의 합산된 총 EBF의 값은 0.1600 ~ 1.8646의 값을 보였으며, 사천면의 EBF 값은 1.2458에서 7.8225의 분포를 보였다. 이렇게 계산된 값을 같은 분위법 5단계로 분류된 산사태 취약성 지도를 만들었다. 파란색으로 된 지점은 산사태 취약성이 낮은 지점이고 붉은색으로 갈수록 산사태 취약성이 높은 지역이다.

산사태 취약성은 산사태 지역을 효과적으로 예측가능 해야 하며, 기존 산사태 위치 데이터와의 유효성 검사가 필요하다. 그렇기 때문에 산사태 취약성의 분석결과를 이용하여 유효성 검사를 실시하였다. 2가지 모델을 통해 생성된 산사태 취약성은 처음 분류된 훈련 자료와 비교하고 이후 생성된 취약성을 검증 자료와 함께 검증하였다. 이를 위해 547개의 산사태 발생 지점을 50% 훈련 자료와 50%의 검증 자료로 무작위 분류하였다. 훈련 자료는 모델링을 위해 사용되고 검증 자료는 검증을 위해 사용되었다.

모델링의 수행 결과를 확인하기 위해서 AUC(곡선 아래의 영역)을 사용하여 3가지 모델 간의 정량적 비교를 수행하였다.

가장 높은 AUC를 가진 모델이 연구결과 가장 좋은 모델로 간주된다. 이 곡선은 훈련 자료와 산사태 취약성을 비교하여 얻어진 결과이다. Fig. 5와 6을 토대로 주문진읍의 FR모델은 AUC값이 0.812로 가장 높았으며 다음으로 EBF AUC값이 0.789의 결과를 보였다. 이는 FR, EBF모델의 정확도가 각각 81.2%, 78.9%임을 나타내며, FR모델에 의한 산사태 취약성이 가장 잘 수행되었음을 확인할 수 있다.

Fig. 10. ROC curve result of Jumunjin-eup, FR (Dotted line), EBF (Solid line).

사천면은 주문진읍의 결과와 다르게 FR모델의 AUC 값이 0.816이었으며 EBF모델은 AUC값이 0.836의 결과를 보였다. 검증 결과는 소폭 차이가 발생하나 두 지역 모두 정확도 80% 내외의 결과를 도출하였다.

Fig. 11. ROC curve result of Sacheon-myeon, FR (Dotted line), EBF (Solid line).

5. 결론

본 연구는 산사태의 발생에 영향을 주는 요인을 분석하기 위해 강원도 강릉시 주문진읍의 산사태에 대하여 분석하였다. 항공사진을 통해 산사태 발생 위치를 추정하였다. 연구지역의 DEM 자료를 ArcGIS프로그램의 SAGA tool을 이용하여 산사태의 발생에 영향을 미칠 것 같은 12가지의 요인을 선정하였다. 또한, 추가적으로 지질도, 토지피복도, 임상경급도, 임상영급도, 임상분포도, 임상밀도도, 토양도, 단층도를 분석하여 총 20가지 요인을 사용하였다. 각 요인들을 사용하여 FR map, EBF map을 작성하였다.

특히 장마철에 한국에서는 하루에 집중적인 강우량으로 인해 여러 경사면에서 사태가 발생한다. 따라서 다양한 요인들과 산사태 위치와의 관계를 살펴봄으로써 산사태와 관련된 요인을 선택하고 분류를 통해 산사태의 취약성을 분석할 필요가 있다. 지형, 수문, 토양지도 및 임상도 등 20가지 요소가 산사태의 가능성을 분석하기 위해 선정되었다. 20가지 요인의 데이터로부터 FR, EBF, 2가지 모델을 사용하여 산사태 취약성을 분석했다. FR 및 EBF 모델은 정교한 모델링 기법으로 다양한 분야에서 사용되고 있으며, 산사태 및 산사태 취약성에 환경 요인이 미치는 영향을 파악하는 데 적용되었다.

사천면과 주문진읍의 산사태 취약도지도 작성을 위해 2가지 방법을 사용하여 산사태 취약성 검증을 수행했다. 산사태 취약성은 시각적인 해석의 용이함을 위해 분위법에 의해 경미, 경, 중, 심, 극심으로 5개의 구역으로 분류되었으며, 2가지 모델에 의해 생성된 산사태 취약성은 훈련 자료와 비교하고 취약성을 검증 자료와 비교함으로 검증하였다. 이를 위해 각각 742건과, 548건의 산사태가 무작위로 2가지 data로 분리되었다. 조사 지역의 산사태가 50%가 모델링을 위해 무작위로 추출되었고, 나머지 50%는 검증을 위해 분류되었다. 성공률 곡선은 검증 자료와 각 모델링 결과를 비교하여 얻어졌다.

그 결과, 주문진읍 지역의 FR 모델은 AUC 값이 81.2%로 가장 높았으며 EBF 델의 AUC 값은 78.9%이었다. 주문진읍의 5개리중 산사태 발생에 가장 취약한 지역은 산간지역이 많은 삼교리 지역으로 산사태 취약도가 극심으로 분류된 지역의 대부분이 삼교리 지역으로 나타났다. 반대로 해안과 인접한 지역인 주문리와 교향리의 경우는 산사태 취약도가 낮은 분포를 보였다.

사천면 지역의 FR 모델의 AUC 값은 81.6%이었고 EBF모델의 AUC값은 83.6%로 EBF 모델의 검증 결과가 가장 높았다. 주문진읍의 결과와 마찬가지로 산간지역이 주를 이루는 사기막리와 노동리 지역이 산사태 발생에 취약한 것으로 나타났으며, 해안 지역인 사천진리, 방동리, 산대월리 등에서 낮은 취약도를 보였다.

본 연구의 결과에서 두 지역 공통적으로 산사태 취약성과 양의 상관관계를 보이는 요인으로는 사면의 경사, 지형 견고성 지수, 표면적, 볼록성 등이 있다. 이러한 요인들은 크기가 커짐에 따라 사면의 불안정성을 높이는 요인으로 작용하기에 산사태 취약성과 관계가 있는 요인으로 분석된다.

반대로 산사태 취약성과 음의 상관관계를 보이는 요인으로는 지형 습윤 지수, 흐름 집적량이 있다. 수문인자에 해당하는 지형 습윤 지수와 흐름 집적량은 건조한 사면일수록 수분에 의한 응집력이 감소하여 산사태에 취약하다고 분석이 된다.

최종적으로 추후 사면의 불안정성을 높일 수 있는 요인과 수문인자의 영향이 적은 요인을 선정한다면 더욱 좋은 결과를 얻을 것으로 분석된다.

본 연구는 강원도 강릉시에 한정되어 진행되었으나 더욱 일반적인 결과를 위해 추후 연구를 통해 국내에 다른 산사태가 발생한 지역의 분석결과가 필요하다. 지속적인 연구를 통해 산사태발생에 유효한 요인을 선정하게 될 경우, 국내 산사태 취약 지역에 대한 효과적 감시와 예방이 가능하다.