Landslide Susceptibility Prediction using Evidential Belief Function, Weight of Evidence and Artificial Neural Network Models

Evidential Belief Function, Weight of Evidence 및 Artificial Neural Network 모델을 이용한 산사태 공간 취약성 예측 연구

Abstract

The purpose of this study was to analyze landslide susceptibility in the Pyeongchang area using Weight of Evidence (WOE) and Evidential Belief Function (EBF) as probability models and Artificial Neural Networks (ANN) as a machine learning model in a geographic information system (GIS). This study examined the widespread shallow landslides triggered by heavy rainfall during Typhoon Ewiniar in 2006, which caused serious property damage and significant loss of life. For the landslide susceptibility mapping, 3,955 landslide occurrences were detected using aerial photographs, and environmental spatial data such as terrain, geology, soil, forest, and land use were collected and constructed in a spatial database. Seventeen factors that could affect landsliding were extracted from the spatial database. All landslides were randomly separated into two datasets, a training set (50%) and validation set (50%), to establish and validate the EBF, WOE, and ANN models. According to the validation results of the area under the curve (AUC) method, the accuracy was 74.73%, 75.03%, and 70.87% for WOE, EBF, and ANN, respectively. The EBF model had the highest accuracy. However, all models had predictive accuracy exceeding 70%, the level that is effective for landslide susceptibility mapping. These models can be applied to predict landslide susceptibility in an area where landslides have not occurred previously based on the relationships between landslide and environmental factors. This susceptibility map can help reduce landslide risk, provide guidance for policy and land use development, and save time and expense for landslide hazard prevention. In the future, more generalized models should be developed by applying landslide susceptibility mapping in various areas.

본 연구는 지리정보시스템(GIS) 환경에서 확률 모델인 Weight Of Evidence (WOE)와 Evidential Belief Function (EBF), 기계학습 모델인 Artificial Neural Networks (ANN) 모델을 이용하여 평창지역의 산사태 취약성도를 공간적으로 분석하고 예측하였다. 본 연구지역은 2006년 태풍 에위니아에 의한 집중호우로 산사태가 많이 발생하여 많은 재산 및 인명피해가 발생하였다. 산사태 취약성도를 작성하기 위해 항공사진을 이용하여 3,955개의 방대한 산사태 발생 위치를 탐지하였고, 환경공간정보인 지형, 지질, 토양, 산림 및 토지이용 등의 공간 데이터를 수집하여 공간데이터베이스에 구축하였다. 이러한 공간데이터베이스를 이용하여 산사태에 영향을 줄 수 있는 인자 17개를 추출하여 입력 인자와 EBF, WOE, ANN 모델을 이용하여 산사태 취약성도를 작성하고 검증하였다. 작성 및 검증을 위해 산사태 자료는 각각 50%씩 나누어서 훈련 및 검증을 실시하였고, 검증결과 WOE 모델의 경우는 74.73%, EBF 모델의 경우는 75.03%, ANN 모델의 경우는 70.87%의 예측 정확도를 나타내었다. 본 연구에 사용된 모델 중 EBF 모델이 가장 높은 정확도를 나타냈으며, 모든 모델에서 70% 이상의 예측 정확도를 보여 본 연구에서 사용된 기법이 산사태 취약성도 작성에 유효함을 나타내었다. 본 연구에서 제안된 WOE, EBF, ANN 모델과 산사태 취약성도는 이전에 산사태가 발생하지 않은 지역의 산사태를 예측하는 데 사용될 수 있다. 이러한 취약성도는 산사태 위험 감소를 촉진하고, 토지 이용 정책 및 개발을 위한 기초자료 역할을 할 수 있으며, 궁극적으로 산사태 재해 예방을 위한 시간과 비용을 절약할 수 있다. 향후 보다 많은 지역에서 산사태 취약성도 작성 방법을 적용하여 산사태 위험 예측을 위한 일반화된 모델을 이끌어 내야 한다.

1. 서론

GIS 및 다양한 모델의 사용이 증가하면서 산사태 취약성을 평가하기 위한 많은 모델이 제안되었고, 특히 최근에는 많은 연구에서 GIS를 이용한 확률, 통계, 머신러닝 및 이들의 융합 모델과 같은 다양한 모델이 적용되었다(Lee, 2019). 확률 모델에서는 빈도비 모델(Lee and Pradhan, 2006; Li et al., 2017; Oh et al., 2017; Razavizadeh et al., 2017), WOE 모델(Jebur et al., 2014; Lee et al., 2018; Lee, 2013; Tsangaratos et al., 2017), EBF 모델(Althuwaynee et al., 2014a; Chen et al., 2018a; Hong et al., 2016; Lee et al., 2013), statistical index 모델(Chen et al., 2018b; Hong et al., 2018; Pham et al., 2017; Pham et al., 2019), logistic regression 모델(Althuwaynee et al., 2014b; Choi et al., 2012; Kalantar et al., 2018; Lee et al., 2012a; Lee et al., 2012b; Lee et al., 2015b) 등이 많이 적용되었다. 또한 기계학습 모델 중에서는 fuzzy logic 모델(Bui et al., 2015; Fatemi Aghda et al., 2018; Feizizadeh et al., 2017; Lee, 2007; Pourghasemi et al., 2012), fuzzy rule-based classifier 모델(Mezaal and Pradhan, 2018; Pham et al., 2016), neuro fuzzy 모델(Chen et al., 2017a; Jaafari et al., 2019; Lee et al., 2015a; Oh and Pradhan, 2011; Pradhan, 2013; Song et al., 2012), multivariate adaptive regression splines(MARS) 모델(Chu et al., 2019; Conoscenti et al., 2016; Felicísimo et al., 2013; Pourghasemi and Rahmati, 2018) neural networks 모델(Chen et al., 2017c; Choi et al., 2012; Dou et al., 2015; Kalantar et al., 2018; Pradhan and Lee, 2010; Song et al., 2012),support vector machines 모델(Chen et al., 2016; Chen et al., 2017b; Pradhan, 2013; Zhu et al., 2018) 등이 적용되었다.

산사태로 인한 재산 및 인명 피해는 국내뿐 아니라 전 세계적으로 계속 발생하고 있으며, 특히 기상변화로 인한 집중호우로 재산 및 인명 피해가 증가하고 있다. 따라서 본 연구의 목적은 기초연구로 산사태로 인한 피해를 최소화하기 위해 산사태 발생 취약 지역을 지도화하여 예측하는 것이다. 연구지역은 2006년 태풍 에위니아로 인한 집중호우로 산사태가 많이 발생한 평창 지역으로 설정하고, GIS 기반의 확률 모델인 Weight of Evidence(WOE), Evidential Belief Function(EBF) 및 기계 학습 모델인 Artificial Neural Networks(ANN) 모델을 적용 및 검증 비교하였다.

본 연구 흐름은 Fig. 1과 같다: (1) 웹 기반 디지털 항공사진(http://map.daum.net)에서 3,955개의 방대한 산사태위치를 탐지하고 현장에서 위치를 확인하였다(Fig. 2). (2) 산사태 데이터를 훈련용 자료(산사태 위치의 50%)와 검증용 자료(산사태 위치의 50%)로 무작위로 나누었다. (3) 환경공간정보인 지형, 토양, 산림, 지질 및 토지피복 공간 데이터베이스로부터 토양 배수량, 토양두께, 토양 질감, 산림종류, 산림연령, 산림지름, 산림밀도, 단층으로부터의 거리, 경사각, 곡면, 곡률, 지형 습윤지수, 지질, 토지이용 등 총 17개의 잠재적으로 산사태 발생에 기여하는 요인들을 추출하였다. (4) 훈련을 위해 선택된 WOE, EBF, ANN 모델과 산사태 위치를 이용하여 산사태와 각 요인 간의 관계를 정량적으로 계산한 후 그 관계를 이용하여 산사태 취약성도를 작성하였다. (5) 마지막으로 훈련에 사용되지 않은 검증용 산사태 위치를 이용하여 산사태 취약성 지도를 검증하여 예측 정확도를 계산하였다.

Fig. 1. Study flow for landslide susceptibility mapping using WOE, EBF and ANN models.

 

Fig. 2. Detection of landslide occurrence based on digital aerial photographs with a ground resolution of 50 cm taken in May 2008 (available online at www.daum.net). (a), (b), and (c) represent areas where landslides occurred frequently in the study area.

2. 연구자료

본 연구지역(Fig. 2)의 약 65%는 해발 700 m 이상인고원에 위치하고 있으며, 평균 기온은 매년 10.3°C, 1월 -6.3°C, 8월에는 24.5°C이며, 연평균 강우량은 1,082 mm이다. 본 지역의 지질은 대부분 대보조산운동 때 형성된 임계화강암으로 이루어져 있다.

본 연구를 위해 먼저 항공사진을 이용하여 산사태 위치를 탐지하였다. 이러한 항공사진의 시각적인 해석은 최근까지(Kääb, 2002; Casson et al., 2003; Martha et al., 2010) 산사태 위치 지도화에 대한 주요 접근법이었다. 본 항공사진은 삼아항업에서 UltraCam-X 센서(Microsoft, Graz, Austria)를 사용하여 산사태 발생 시점인 2006년 7월 이후인 2008년에 촬영한 해상도 50cm의 사진을 사용하였다(http://www.daum.net). 연구지역 내 집중호우에 의해 유발된 대부분의 산사태는 규모는 대략 20~40m, 너비는 2~10 m, 깊이는 1 m 미만이다. 산사태의 위치표시는 산사태가 발생한 시작점으로 표시하였고, 연구지역 내 항공사진을 통해 표시된 전체 산사태 건수는 3,955건으로(Fig. 2) 이는 기존의 연구에 비해 매우 방대한 양의 산사태 개수이다. 각 산사태의 위치는 10 m×10m의 픽셀로 표기하였으며 산사태 데이터는 무작위로 훈련용 자료(전체 산사태의 50%: 1,978개)와 검증용 자료(나머지 50%: 1,977개)로 나누었다.

산사태는 복잡한 요인의 상호 작용으로 발생한다. 요인 선택과 해당 자료의 준비는 산사태 취약성도 작성에 매우 중요하다. 산사태 발생에 영향을 주는 요인은 암석학, 지질 구조, 지진, 사면 경사, 지형, 사면에서의 강우강도, 지하수 조건, 기후, 식물 피복, 토지 이용 및 인간 활동을 포함한다. 이 연구는 이러한 요인 중 이용 가능한 공간데이터베이스를 통해 환경공간정보인 지형, 지질, 토지 이용, 산림 및 토양 요인 등을 추출하였다 (Table 1).

Table 1. Data layer related to landslide of study area

먼저 국토지리정보원(NGII)에서 발행한 1:5,000 지형도의 5 m 간격 등고선을 이용하여 10 m x 10 m 해상도의 디지털 고도 모델(DEM)이 계산되었다. 선형구조는 광범위한 경험을 가진 구조 지질학자에 의한 음영기복도의 해석을 통해 추출되었다. 지질, 산림 및 토양 정보는 각각 한국지질자원연구원(KIGAM), 한국산림과학원(KFRI), 국립농업과학원(NAAS)에서 제공되는 1:50,000, 1:25,000, 1:25,000의 축척으로 지질도, 임상도,토양도에서 추출하였다. 환경부(ME)에서 발행한 토지 이용도는 2007년 11월에 촬영된 panchromatic Système Probatoire d’Observation de Terre 5(SPOT-5) 영상을 이용하여 작성되었다.

DEM을 사용하여 경사도, 경사방향, 곡률, 지형습윤지수(TWI) 및 하천파워지수(SPI)를 계산하였다. 지형은 토양 수분, 지하수 흐름 및 경사 안정성과 같은 수문 조건의 공간적 변화에 중요한 역할을 한다. 지형 지표는 공간적 토양 수분 패턴을 묘사하는데 사용된다(Moore et al., 1991). SPI는 하천의 침식력을 측정하며 연구 영역 내에서의 안정성을 높이는 요인으로 고려된다. SPI는 지형 표면의 주어진 지점에서 잠재적인 흐름 침식을 설명하는 데 사용할 수 있다. 유역 면적과 경사가 증가함에 따라 상향 경사 지역과 수류 속도에 기여하는 물의 양이 증가하고, 따라서 하천력 지수와 침식 위험이 증가한다(Florinsky, 2012).

다양한 암상의 경우 강도, 구성 및 구조와 같은 다양한 특성을 가지며 산사태에 대한 저항을 일으키기 때문에 임상 정보는 산사태 발생에 중요한 역할을 한다(Kincal et al., 2009; Chauhan et al., 2010). 단층은 지각 변동으로 인한 암석의 구조적 취성 변형의 표식으로, 산사태가 쉽게 발생한다. 산사태의 발생은 언덕 경사면의 안정성을 나타내는 지표인 토지 이용 패턴에 따라 다르다(Anbalagan, 1992). 산림 피복과 토양 특성은 지표 침식의 증가, 산 경사의 변화 및 산사태 발생의 증가를 포함한 다양한 지형학적 과정에 영향을 미친다(Edeso etal., 1999; Dhakal and Sidle, 2003). 이러한 요인들 중에서 암상은 지질도 공간데이터베이스에서 추출되었고, 산림의 종류, 지름, 나이, 밀도는 임상도 공간데이터베이스에서 추출되었으며, 지형종류, 토성, 토양 배수, 토양모재, 토양두께는 토양도 공간데이터베이스에서 추출되었다.

이렇게 계산되고 공간데이터베이스에서 추출된 요인은 총 17개이다. 이러한 요인들은 ArcGIS(ESRI) 소프트웨어를 사용하여 벡터 형식의 공간데이터베이스에서 10 m×10 m 격자 형식(ArcGIS GRID 유형)으로 변환되었다. 그 결과 연구지역은 4,306행 및 1,840열로 이루어져 있으며, 총 셀 수는 7,923,040이다.

3. 연구방법

항공사진을 사용하여 탐지된 산사태는 훈련용(산사태 위치의 50%)과 검증용(나머지 50%)으로 무작위로 나뉘었다. 지형, 지질, 토양, 임상, 토지이용 공간데이터베이스로부터 17 개의 산사태 관련 요인을 계산 또는 추출하였다. 그리고 훈련용 산사태 위치를 이용하여 WOE, EBF, ANN 모델을 이용하여 산사태 위치와 각 요인간의 관계를 정량적으로 계산하고 이러한 관계를 기반으로 산사태 취약성도를 작성하였다. 그리고 작성된 취약성도는 검증용 산사태 위치 및 AUC(Area Under the Curve) 방법을 이용하여 정량적으로 검증 비교하였다.

1) Weight of Evidence(WOE) 모델

WOE 모델(Bonham-Carter et al., 1988, 1994)은 등의 산사태 취약성 분석에 사용된 베이지안 확률 모델이다. 증거 가중치 모델은 산사태 발생 확률을 결정하기 위해 알려진 산사태와 관련 요인에서의 산사태 발생 패턴의 분포를 고려할 수 있다. 한 쌍의 W⁺와 W^–는 산사태 위치와 입력자료 사이의 중첩을 통해 2가지로만 분류되고 결정된다. 이러한 W⁺와 W^–는 공식 (1)과 (2)에 의해 정의된다.

\(W^{+}=\log _{e} \frac{N\{B \cap D\} / N\{D\}}{N\{B \cap \bar{D}\} / N\{\bar{D}\}}\)       (1)

\(W=\log _{e} \frac{N\{\bar{B} \cap D\} / N\{D\}}{N\{\bar{B} \cap \bar{D}\} / N\{\bar{D}\}}\)        (2)

여기에서 W⁺와 W^–는 각각 가중치를 나타내는 표본이며, 각각의 단위 표본에 대해 가중치와 단위 면적의 총 수를 포함하는 주어진 수의 단위 표본에 대해 각각의 나머지 표본은 각 표본과 검정 표본을 각각 나타낸다. C/S(c) (표준 편차 대비 비)를 산정하여 산사태 발생과 증거 자료 사이의 공간 상관관계의 통계적 유의성을 제공함으로써 이진 패턴 지도로 자료를 변환하는 최적의 분할 기준이 결정된다.

\(C=W^+ - W^-\)       (3)

\(S(c)=\sqrt{S^{2}\left(W^{+}\right)+S^{2}(W)}\)       (4)

이렇게 2가지로 분류된 입력 자료들의 W⁺와 W^– 값을 공식 (5)와 같이 모두 더하여 산사태 취약성 지수인 LSIWOE을 계산하게 된다. 여기서 WOE는 각 입력자료들의 W⁺와 W^– 값이다.

\(L S I w o E=\sum W O E\)      (5)

2) Evidential Belief Function(EBF) 모델

EBF 모델은 Dempster-Shafer의 증거 이론에 기초하며 (Dempster, 1967, 1968; Shafer, 1976), 본 모델은 유연성은 불확실성을 정량적으로 분석할 수 있다는 장점이 있다. 이러한 이유로 일부 연구자들은 산사태 취약성도를 작성하기 위해 EBF를 적용하였다(Chen et al., 2018a; Hong et al., 2016; Lee et al., 2013).EBF는 Bel(Belief), Dis(DisBeleif), Unc(Uncertainity) 및 Pls(Plausibility)의 네 가지 기본 수학함수로 구성되며, 각각의 함수는 0에서 1까지의 범위를 갖는다. Bel, Dis, Unc 및 Pls에 대한 각각의 함수는 다음 공식들로 표현된다(Lee et al.2013).

\(\text {Belief}(\text {Bel})=\frac{\text {Bel}_{1}+\mathrm{Bel}_{2}+\ldots+\mathrm{Bel}_{n}}{1-\sum_{j=2}^{n} \mathrm{Bel}_{j-1} \mathrm{Dis}_{j}-\mathrm{Dis}_{-1} \mathrm{Bel}_{j}}\)      (6)

\(\text {Disbelief}(\text {Dis})=\frac{\text {Dis}_{1}+D i s_{2}+\ldots+D i s_{n}}{1-\sum_{j=2}^{n} B e l_{j-1} D i s_{j}-D i s_{j-1} B e l_{j}}\)       (7)

\(Uncertainty $(U n c)=\frac{\sum_{j=2}^{n}\left(U n c_{j} \mid U n c_{j}+B e l_{j-1} U n c_{j}+B e l_{j} U n c_{j-1}+D i_{j_{j} 1} U n c_{j}+D i s_{j} U n c_{j-1}\right)}{1-\sum_{j=2}^{n} B e l_{j-1} D i s_{j}-D i s_{j-1} B e l_{j}}\)       (8)

\(Plausibility (P l s)=B e l+U n c\)       (9)

\(Bel+Unc+Dis =1\)       (10)

여기서 Bel은 각 입력 요인들의 종류나 범위에 대한 Belief 낮은 정도를 의미하며, Dis는 각 입력 요인들의 종류나 범위에 대한 Disbelief의 평균 정도를 의미하며, Unc는 각 입력요인들의 종류나 범위에 대한 불확실성을 의미한다(Fig. 3).

Fig. 3. Schematic relationships of evidential belief functions (modified after Wright and Bonham-Carter, 1996; Carranza et al., 2005).

이렇게 계산된 입력 자료들의 Belief 값을 공식 (11)과 같이 모두 더하여 산사태 취약성 지수인 LSI_EBF을 계산하게 된다. 여기서 Belief는 각 입력자료들의 Bel 값이다.

\(L S I_{E B F}=\sum B e l i e f\)        (11)

3) Artificial Neural Networks(ANN) 모델

ANN의 목적은 데이터 생성 가중 프로세스의 모델을 구축하여 출력의 오류를 최소화하는 것이다. 본 연구에 사용된 역전파 알고리즘은 인공 신경망에 많이 쓰이는 알고리즘으로써 입력 및 출력값의 훈련 자료를 사용하여 학습한다. 역전파 알고리즘은 입력, 숨김 및 출력의 세 가지 레이어가 연결된 네트워크로 구성된다. 숨겨진 계층의 각 노드는 가중치 연결을 통해 선행 및 후속 계층의 노드에 상호 연결된다. 역전파 알고리즘을 적용하면 숨겨진 노드의 수와 학습 속도를 수정하여 입력 레이어와 숨겨진 레이어 사이, 숨겨진 레이어와 출력 레이어 사이의 가중치를 계산하며, 각 요소의 기여도 또는 중요성을 나타내는 가중치가 결정된다. 본 연구에는 이러한 역전파 알고리즘을 사용하기 위해 Hines (1997)에 의해 개발된 프로그램을 변형하여 MATLAB 소프트웨어 패키지로 사용하였다.

먼저 인공 신경망을 적용하기 위해 산사태가 발생하지 않았고 경사가 0인 지역은 “산사태가 발생하지 않는 지역”으로 분류하였고, 산사태가 발생한 지역은 “산사태가 발생한 지역”으로 설정하였다. 특정 분류 문제에 필요한 숨겨진 레이어의 수와 숨겨진 레이어의 노드 수는 쉽게 추론할 수 없으나, 본 연구에서는 입력 데이터가 0.1-0.9 범위에서 정규화 된 17×34×1(입력, 숨김 및 출력 레이어 수) 구조를 사용하였다. 각 입력자료의 속성값은 0.1과 0.9 사이의 연속 값으로 변환되어 입력되었다. 학습 속도(Learning rate)는 0.01로 설정되었고 초기 가중치(initial weight)는 무작위로 선택되었다. 역전파 알고리즘은 오류를 역방향으로 전달하고 반복적으로 가중치를 조정한다. 에포크(epoch)의 수는 5,000으로 설정하였고, 정지 기준에 사용된 제곱 평균 오차는 0.01로 설정하였다. 이러한 계산은 10번 반복하여 실시하였고, 모든 계산은 5,000 에포크 미만이거나 0.01의 제곱 평균 오차 목표를 만족시켰다.

4. 연구 결과

본 연구에서는 WOE, EBF, ANN 모델을 사용하여 연구지역의 각 단위 셀에 대한 산사태 취약성 값을 계산하였다. 먼저 WOE 및 EBF 모델을 이용한 각 입력 요인들과 훈련용 산사태 간의 공간적 상관관계는 Table 2와 같다.

Table 2. Relationships between landslide and each factor using W OE and EBF models

Table 2. Continued

Table 2. Continued

Table 2. Continued

Table 2. Continued

먼저 WOE의 계산 결과를 보면 입력자료 중 c/s(c)가 가장 큰 종류나 범위 값을 기준으로 W⁺와 W^–를 구분하게 된다. 예를 들어 경사의 경우 c/s(c)가 가장 큰 범위는 38.29-69.81도 사이로 16.88값을 가지게 된다. 이럴 경우 38.29-69.81의 범위를 가지는 경사 분포는 W⁺값인 0.78을 가지고 되고, 나머지 범위의 경사 분포는 W^–값인 -0.14의 값을 가지게 된다. 나머지 입력 요인들의 경우도 같은 방식으로 계산 및 해석이 된다.

EBF 모델의 계산 결과를 보면 예를 들어, 경사도가 38°를 초과하는 경우, Belief과 DisBelief 값은 각각 0.2372과 0.0999로 산사태가 발생할 확률이 가장 높았으며, 경사면의 경우, 가장 높은 값은 남서쪽과 남쪽(각각 0.2292과 0.2111)에 분포하며, 이들 범주는 산사태 발생과 양의 공간적 연관성이 있음을 보여 주었다. 평면 곡률의 경우 오목한 모양(0.6361)에 대한 높은 Belief 값을 갖는다.

ANN의 경우 훈련 후, 가중치가 Table 3과 같이 결정되었다. 결과를 보면 TWI, 경사도, 임상경급, 곡률, 임상 영급 등이 가중치가 0.060 이상으로 높게 나왔고, 토양 두께, 경사방향, 토양모재, 토양배수, SPI 등이 낮게 나왔다.

Table 3. Weight value for each factor​​​​​​​

본 연구에서는 이러한 WOE, EBF, ANN 모델의 계산 결과를 이용하여 산사태 취약성도를 작성하였다. WOE 모델의 경우는 공식 (5)와 같이 각 입력 요인들은 W⁺와 W^– 값으로 2등분한 후 모든 입력 요인들의 W⁺와 W^– 값을 중첩분석을 통해 더하여 산사태 취약성 지수를 계산하였다. EBF 모델의 경우도 마찬가지로 공식 (11)과 같이 모든 입력 요인들의 belief값을 중첩분석을 통해 모두 더하여 산사태 취약성 지수를 계산하였다. ANN 모델의 경우 산사태 취약성 지수값이 출력 레이어로 0에서 1사이의 값을 가지도록 계산되었다. 이렇게 계산된 산사태 취약성 지수는 ArcGIS에서 재분류를 통해 쉽게 시각적으로 해석할 수 있도록 5단계 즉 매우 높음, 높음, 중간, 낮음, 매우 낮음으로 분류되었고, 각 분류는 전체 면적의 20%씩을 차지하도록 분류하였다(Fig. 4).

Fig. 4. Landslide susceptibility maps using WOE, EBF and ANN.​​​​​​​

산사태 취약성도는 향후 산사태 발생에 위험 지역을 효과적으로 예측해야 하며, 미래에 발생할 새로운 산사태 위치를 사용하여 이를 검증할 수 있다. 산사태 위치는 WOE, EBF, ANN 모델을 이용하여 산사태 취약성을 분석하는 훈련용 (50%)과 예측된 취약성도를 확인하는 검증용(50%)로 무작위로 나뉘었다. 산사태 취약성도의 정확도 분석 결과는 훈련에 사용되지 않는 알려진 산사태 위치 (검증용)를 사용하여 검증되었다. 검증은 검증용 산사태 위치와 산사태 취약성도를 비교함으로써 수행되었다. 비율곡선(Lee and Sambath, 2006)을 작성하고 그 비율곡선 아래의 면적을 계산하였고(Fig. 5), 그 비율 곡선과 비율곡선 아래의 면적은 모델과 입력 요인이 산사태를 얼마나 잘 예측하는지를 설명한다(Lee, 2005). 그리고 곡선 아래의 영역은 예측 정확도를 정략적으로 평가할 수 있다. 곡선은 취약성지수 순위의 면적 범위와 관련하여 산사태 누적을 보여준다(Fig. 5). X 축은 영역의 누적 백분율을 나타내며, 취약성지수 값의 최고 값에서 최저값까지 정렬된다. Y 축에서 산사태 누적 백분율이 표시된다. 예를 들어, 산사태 민감도 지수의 20%를 넘는 지수 순위는 WOE, EBF, ANN 모델에 의해 모든 산사태의 53%, 56% 및 44%를 설명할 수 있다(Fig. 5). 이러한 비율곡선 아래의 면적을 계산하여 각 모델들의 예측 정확도는 WOE, EBF, ANN 모델이 각각 74.73%, 75.03%, 및 70.87%로 계산되어 전체적으로 70% 이상을 값을 나타냈다. 이 모델 중 EBF 모델이 가장 높은 예측정확도를 나타냈다.

Fig. 5. Cumulative frequency diagram showing the landslide susceptibility index rank (x-axis) occurring in the cumulative percent of landslide locations (y-axis). From the validation of the landslide susceptibility maps,WOE,EBF andANNapproaches theproduced AUC values of accuracy of 74.73%, 75.03% and 70.87% for each.​​​​​​​

5. 토론 및 결론

본 연구에서는 WOE, EBF, ANN 모델과 각종 환경 공간정보를 사용하여 평창 지역의 산사태 취약성을 분석하고 이를 도면으로 작성하였다. 또한 본 취약성도의 예측 능력을 정량적으로 검증하였고, 그 결과는 WOE 모델의 경우는 74.73%, EBF 모델의 경우는 75.03%, ANN 모델의 경우는 70.87%로 나타났다. 이러한 결과로볼때, 본 연구지역에서는 모든 모델이 70% 이상의 예측 능력을 보여주었으며, 그중 EBF 모델이 가장 높은 예측 능력을 나타내었다.

산사태 취약성도(Fig. 4)를 보면 확률 모델인 WOE 및 EBF 모델은 비슷한 공간 분포를 보였으나, ANN 모델의 경우 위의 모델들과는 다른 공간분포를 보였다. 이는 훈련 자료에 따라 결과가 달라지는 ANN 모델의 한계를 보여주는 것으로, ANN 모델에서 훈련 자료 선택에 따라 그 결과가 달라지는 것에 대한 연구가 필요하다.

WOE 모델의 장점은 입력자료의 불확실성을 어느 정도 극복할 수 있다는 것이다. 입력자료를 단순히 2가지 분류 즉, 우호적과 비우호적인 구분으로 분류하여 단순화함으로써, 입력자료가 부정확할 경우, 그 부정확성을 어느 정도 극복하여 분석을 할 수 있는 장점이 있다. 따라서 본 모델은 부정확한 자료 즉 지하공간 자료가 많이 사용되는 광물 잠재성 지도 작성 등의 분야에 유용하게 사용되어 왔다. EBF 모델의 장점은 다른 공간 데이터 통합 모델과 달리 신념, 불신, 불확실성 및 타당성 등 일련의 질량 기능을 지원한다는 점이다. 따라서 결과는 불확실성의 정도를 모델링함으로써 산사태 발생과 다중 공간 데이터 층 사이의 정량적 관계를 적절히 나타낼 수 있다(Park, 2011). EBF 모델 또한 광물 잠재성지도 작성(Moon, 1989; An et al., 1992)에 대한 지식 기반접근법에 적용되어왔다. ANN 모델의 경우 입력 자료의 통계적인 한계를 극복할 수 있고, 각 요인의 가중치를 정량적으로 계산할 수 있다는 장점이 있다. 또한 복잡한 문제 및 복잡한 자료에 대해서도 입력자료를 훈련시킴으로써 쉽게 해결할 수도 있다는 장점이 있다.

본 연구에서 제안된 WOE, EBF, ANN 모델과 산사태 취약성도는 이전에 산사태가 발생하지 않은 지역의 산사태를 예측하는 데 사용될 수 있다. 결국 이러한 취약성도는 산사태 위험 감소를 촉진하고, 토지 이용 정책 및 개발을 위한 기초자료 역할을 할 수 있으며, 궁극적으로 산사태 재해 예방을 위한 시간과 비용을 절약할 수 있다. 향후 보다 많은 지역에서 산사태 취약성도 작성 방법을 적용하여 산사태 위험 예측을 위한 유용한 분석 도구로 사용될 수 있는 좀 더 일반화된 모델을 이끌어 내야 한다.