Current Issue

본 연구의 범위는 제주도를 제외한 대한민국으로 위도 33° 06′에서 38° 27′, 경도 124° 11′에서 131° 52′ 사이에 위치하고 있다. 연구 대상 기간은 2011년부터 2017년까지이며, 추후 본 연구 결과를 바탕으로 최근 5년간의 산사태 발생 추이와 예측 결과를 비교할 예정이기에 이 연구 기간을 설정하였다.

연구대상기간 대한민국의 연간 평균 강우는 1250.5 mm이며, 여름철인 6월부터 9월까지의 평균 강우량은 642.9 mm이다(Korea meteorological administration). 산사태 발생위치정보로 국립재난안전연구원에서 제공하는 산사태 발생 위치 정보 1557개를 사용하였다(Fig. 1). 발생한 산사태는 주로 집중호우가 일어난 위치에 분포하는 경향이 있는데, 이 기간 동안 홍수 및 태풍피해가 많이 일어난 경남지역이 피해가 가장 컸다.

Fig. 1. 
National landslide occerence history (2011 ~ 2017)

생물종의 출현정보만을 이용하여 출현확률을 예측하는 여러 모형이 있는데 그 중에서도 Maxent모형은 통계적인 측면에서 우수한 모형으로 입증이 되었다. Maxent 모형은 2012년 이전까지는 산사태 예측에 사용된 적이 없었으나, 최근 국내외적으로 그 효용성이 입증되어 많은 연구에 사용되고 있다(Chen et al., 2017; Felicísimo et al., 2013; Vorpahl et al., 2012). Maxent 모형의 주요 이점은 종속변수로 산사태 발생 위치를 설정하고, 독립변수로 다양한 환경적 특성을 반영한 변수를 활용하여 산사태 발생확률을 예측할 수 있다는 점이다. 선행 연구에 따르면 Maxent 모형은 비선형적 관계를 잘 모델링하며, 복잡한 지형 및 환경 변수들을 효과적으로 처리할 수 있어 높은 예측 정확도를 보인다. 특히 우리나라의 경우, 산지 중심의 지형과 복잡한 환경 조건으로 인해 산사태 예측이 어려운데, Maxent 모형은 이러한 복잡성을 효과적으로 다룰 수 있는 장점을 가지고 있다. 본 연구에서는 남한 지역에 적합한 위성영상을 활용한 식생지수를 독립변수로 사용하여 산사태 예측 모델을 개발하고, 변수 별 기여도를 분석하여 각 식생지수의 유용성을 입증하고자 한다. 이를 통해 Maxent 모형이 우리나라의 환경조건과 산사태 발생 여건을 고려할 때, 얼마나 효과적으로 예측할 수 있는지를 평가하였다.

Maxent 모형은 ROC (Receiver Operating Characteristic)곡선의 AUC (Area Under Cover) 값을 이용하여 정확도를 측정한다. 산사태 예측 결과의 정확도는 AUC값에 대한 해석을 통해 가능하다. AUC는 0.5 ~ 1.0을 나타내며, 0.5가 나오면 유의미하지 않음을 나타내고, 0.7 미만이면 적절하지 않고, 0.7 ~ 0.9이면 적절하고, 0.9 ~ 1.0에 근접할수록 모형 예측력이 우수한 것으로 판단한다(Allouche et al., 2006).

본 연구에서는 산사태 예측지도 생성 및 산사태 예측 모델의 성능 평가를 위해 80:20 비율을 기준으로 산사태 지점을 훈련 및 테스트를 진행하였다. 연구 진행 방법은 Fig. 2와 같다. 남한지역을 대상으로 구축한 Landsat-7(해상도 30 m) 식생지수를 이용하여 산사태 발생 지역의 식생지수 분포 범위를 확인한 뒤, 산사태 예측 모델을 구동하였다. 위성영상을 이용한 식생지수는 산사태 발생 가능성을 예측하는 데 유용한 지표로 활용될 수 있으며, 이와 관련된 다양한 연구가 수행되어왔다(Abeysiriwardana and Gomes, 2022; Dahigamuwa et al., 2016; Gomes et al., 2020). 선행연구에 따르면 원격탐사 기반 식생지수는 산사태 지역 감지에 효과적이며, 이는 식생 피복의 공간적, 시간적 변화 정보를 제공하기 때문이다. 또한, 산사태 지역의 식생지수 값은 낮다는 선행연구를 참고하여 본 연구에서도 산사태 발생지역의 식생지수 값의 범위를 참고하여 산사태 예측에 용이한 식생지수를 분석하였다. 산사태 예측을 위한 Maxent 모델 구동은 11개의 환경변수와 식생지수를 사용하였으며, 각 식생지수별로 정확도를 도출하여 비교하는 것으로 연구를 진행하였다.

Fig. 2. 
Flow chart

본 연구에서는 산사태에 영향을 미치는 환경 변수를 선정하기 위해 선행연구를 분석하였다(Cha et al., 2023; Kim et al., 2013; Lee et al., 2017; Yoon et al., 2023). 본 연구에서 사용될 Maxent 모형의 경우, 머신러닝 모델로서 변수 간에 다중공선성 문제를 가지면 예측력이 떨어지므로 주요 연구에서 산사태 예측에 사용된 인자 중 지형 인자, 식생 인자, 토양 인자, 기후인자로 분류하여 각 분류 군 별로 선행연구를 참고하여 환경변수를 선정하였다(Cha et al., 2023; Kim et al., 2013).

지형인자 중 고도와 경사자료는 국토지리정보원에서 제공하는 DEM 자료를 활용하여 구축하였다. 또한, 토양의 침전 및 포화 능력을 나타내는 지표로 산사태 예측연구에 많이 사용되는 TWI (Topographic Wetness Index)와 하천으로부터의 거리데이터를 사용하였다. 또한, 도로 건설과 같은 인위적 활동은 경사면의 절단을 통해 산사태 발생에 높게 기여한다는 연구를 참고하여 도로와의 거리를 추가하였다(Niraj et al., 2023; Seo et al., 2016).

기상데이터는 선행연구(Cha et al., 2023)를 참고하여 강수 관련 극한 기후를 대표하는 변수인 강수강도와 호우일수를 기후변수로 선정하였다. 기후변수는 기상청에서 제공하는 Mk-Prism 격자자료를 사용하였다. 강수강도는 2011 ~ 2017년도의 총 강수량을 1 mm 이상의 강수를 기록한 날로 나누어 계산한 자료를 사용하였으며, 호우일수는 동일기간의 강한 호우가 기록된 날의 수로 연중 80 mm 이상 비가 내린 날의 수로 산출된 자료를 사용하였다.

식생 관련 인자는 산사태에 영향을 줄 수 있다고 판단이 된 임상데이터를 선행연구를 참고하여 임상도에서 추출하여 사용하였다. 그 외에 식생 관련 인자는 본 연구에서 판별할 가장 정확한 위성영상 식생지수를 선정하기 위해 독일 작물과학자원보전연구소(INRES)가 운영하는 지수 데이터베이스(IDB) 프로젝트의 지수를 검토해 선정됐다. 최종 선정된 환경변수는 Table 1과 같다.

본 연구에서 사용된 식생지수는 Landsat-7 위성의 근적외선(Near Infra Red, NIR)밴드와 적색(Red)밴드를 이용하여 구할 수 있는 식생지수인 NDVI (Normalized Differenced Vegetation Index, NDVI), SAVI (Soil Adjusted Vegetation Index), ARVI (Atmospherically Resistant Vegetation Index), RDVI (Renormalized Difference Vegetation Index), SR (Simple Ratio, SR)이며, 각 식의 공식은 Table 2와 같다. 영상은 산사태 조사 시기와 일치시키기 위하여 2011년부터 2017년까지 영상 중 식생의 활력이 높으며, 산사태가 가장 빈번히 일어나는 6월에서 9월 사이의 영상을 이용하여 Google Earth Engine 프로그램을 활용하여 제주도를 제외한 남한지역 전체의 식생지수를 모자이크하였다(Fig. 3).

Fig. 3. 
Vegetation index

NDVI는 가장 흔히 쓰이는 식생지수로서 가시광선과 근적외선의 차이와 합의 비율을 구하여 식생의 활력이 낮은 지역은 –1에 가깝도록, 식생이 가장 활발히 분포한 지역은 +1의 값에 가까운 값을 가지는 정규식생지수이다(Huete, 1988). SAVI는 토양 보정 식생 지수로, 표면 토양에 의한 수관의 적색 반사율 및 근적외선 반사율 차이를 줄이기 위한 토양 보정계수이다. L이 0.5일 때 토양 밝기의 변화가 적고, 다른 토양에 대한 추가 보정은 필요하지 않으므로 본 연구에도 적용을 하였다(Huete, 1988; Sellers et al., 1986). SR은 녹색의 엽량과 엽록소의 함량변화에 민감하게 작용하는 식생지수로서 적외선 밴드와 근적외선밴드를 단순하게 나눈 식생지수이다(Colombo et al., 2003; Melillos and Hadjimitsis, 2020). ARVI는 대기보정식생지수로서 근적외선 밴드의 반사도를 정규화하여 대기효과에 대해 덜 민감한 식생지수이다(Bannari et al., 1995; Ehammer et al., 2010). 본 연구에서는 구축된 위성영상을 활용하여 산사태 발생지역의 식생지수가 낮아 산사태 감지에 용이하다는 선행연구(Niraj et al., 2023)를 참고하여 남한지역 산사태 탐지에 적합하고 산사태 예측에 적합한 식생지수를 모색하였다.

먼저 산사태 발생지역을 대상으로 구축된 위성영상 식생지수를 활용하여 산사태 발생지역을 대상으로 식생지수 값의 범위를 비교하였다. 각 식생지수 값의 범위를 비교하기 위해 사분위 범위(IQR) 방법론을 통해 아웃라이어를 제거하고, 정규화 수식을 적용하여 식생지수 값의 범위를 비교한 결과는 Fig. 4와 같다. Fig. 4는 각 식생지수의 정규화된 값의 분포를 시각적으로 나타내어, 식생지수 값의 상대적인 변동을 명확히 파악할 수 있도록 한다. 분석 결과, SR (Simple Ratio) 식생지수가 전체적으로 가장 낮은 값의 분포를 보였으며, 사태 발생 지역에서는 식생이 파괴되거나 감소하는 경향이 있기 때문에, SR 식생지수가 낮은 값을 보이는 것이 산사태 감지에 용이하다는 것을 의미한다. 이는 SR 식생지수가 산사태 발생 지역에서 식생 상태가 불량하거나 식생이 적다는 것을 반영한다. 각 식생지수의 분포를 비교함으로써 SR 식생지수가 다른 식생지수에 비해 산사태 감지에 더 효과적임을 시각적으로 확인할 수 있었다.

Fig. 4. 
Vegetation index of landslide-prone areas

2011년 ~ 2017년 산사태 발생지점 자료와 변수를 기반으로 한 Maxent 모델을 구동한 결과, Fig. 5와 같은 산사태 발생가능성 지도가 도출되었다. 모델 구동 시에는 5-fold cross-validation, 즉 20%를 테스트, 80%를 훈련데이터로 사용하여 도출된 값을 결과로 이용하였다. ROC 곡선을 통해 도출된 모형의 AUC (Area Under Curve)값은 식생지수를 사용한 결과와 식생지수를 사용하지 않은 결과 모두 0.8 이상으로 모형의 정확도는 신뢰할 수준으로 나타났다.

Fig. 5. 
landslide susceptibility map

식생지수를 사용하지 않은 예측정확도와 식생지수를 사용한 예측정확도를 비교한 결과, 식생지수를 사용한 예측정확도가 모두 높게 나타난 것을 확인할 수 있었다(Table 3). 이는 산사태 예측지도 작성 시 위성영상을 활용한 식생지수를 사용한 결과가 더 신뢰성이 높은 것으로 판단된다. 한편, 식생지수별 정확도를 비교한 결과, SR 식생지수가 ROC-AUC값이 0.822로 가장 높은 결과를 나타내었다. 이는 남한 지역 산사태 예측에 가장 적합한 식생지수로는 SR 식생지수가 가장 적합하다는 것으로 판단된다.

Maxent 모델의 경우, 예측에 사용된 환경변수의 기여도를 표시해준다. 모델을 구동한 변수별 기여도 순위를 나타낸 결과, 모든 결과에서 임상, 강수강도, 고도 순으로 가장 높은 기여도를 보였다. 임상에 따른 차이는 침엽수림에서 산사태 발생확률을 높이는 것으로 나타났으며, 강수강도는 높을수록 발생확률을 높이는 것으로 나타났다(Table 4). 이는 땅속 깊이 뿌리를 뻗은 활엽수와 달리 지면에서 수평으로 뿌리를 내리는 침엽수림의 특성과 우리나라의 산사태가 주로 여름철 호우에 의한 것이라는 점에서 실제를 잘 반영한 것으로 판단이 된다. 또한, 위성영상 식생지수 중에서는 가장 정확도가 높게 나온 SR, 그 외에는 RDVI의 우선순위가 가장 높게 나타났다. 이는 위성영상을 활용한 식생지수가 산사태 예측에 용이하며, 식생지수 중 SR 식생지수가 남한 지역을 대상으로 산사태 예측 시 가장 적절한 식생지수로 판단이 된다.