땅밀림 실태조사 우려지 판정에서의 주요 산지환경 인자 분석

이 연구에서는 2019~2021년 3년간 수행된 땅밀림 실태조사 결과, 연도별로 위험도 점수가 상위에 속하여 물리탐사를 실시하여 최종 판정한 것 중 현장조사 야장 자료를 확보할 수 있었던 256개소를 연구대상지로 선정하였다. 이 중에서 최종적으로 땅밀림 우려지(slow-moving landslide prone site)로 판정된 것은 109개소, 일반산지(control site)로 판정된 것은 147개소였다. 연도별로는 2019년의 조사자료 93개소(땅밀림 우려지 37개소, 일반산지 56개소), 2020년의 조사자료 64개소(땅밀림 우려지 32개소, 일반산지 32개소) 그리고 2021년의 조사자료 99개소(땅밀림 우려지 40개소, 일반산지 59개소)였다. Figure 1은 전체 연구대상지를 연도별로 땅밀림 우려지와 일반산지로 구분하여 공간 분포를 나타낸 것이다.

Figure 1. The spatial distribution of study sites.

Download Original Figure

땅밀림 실태조사 현장조사 야장의 조사항목은 ① 지질 특성, ② 토양 특성, ③ 지형 특성, ④ 수리 특성, ⑤ 산림 특성, ⑥ 징후 특성, ⑦ 산사태위험등급 등 총 7개 분야에서 세부 항목 총 33개로 구성되어 있다. 이 중에서 서로 유사하거나 조사결과의 결측치가 많은 4개 세부 항목(평균경사, 주요 수종, 산사태위험점수, 산사태위험등급)을 제외한 29개의 세부 항목을 분석 대상인 산지환경 인자로 선정하였다. 결측치가 많은 항목은 실내에서 GIS 분석을 통하여 산정되거나 현장에서 파악하기 어려운 것이었다.

산지환경 인자는 자료의 유형에 따라 크게 연속형 자료와 범주형 자료로 구분하였다. 연속형 자료는 야장에 기록된 원래의 측정값을 그대로 활용하였으며, 범주형 자료의 경우에는 분석의 효율성을 증진시키기 위하여 출현 빈도가 낮은 범주(2개 이하)는 유사 범주와 통합하였고 범주별로 임의의 수치값을 부여하였다. 일반적으로 딥러닝(Deep Learning) 기반의 모형과 달리 이 연구에서 활용된 앙상블(Ensemble) 기반의 기계학습 모형은 입력자료의 스케일이나 분포에 큰 영향을 받지 않기 때문에 정규화나 표준화가 꼭 필요한 것은 아니다(Butwall, 2021; Cabello-Solorzano et al., 2023). 그래서 이 연구에서도 정규화나 표준화 과정을 거치지 않은 산지환경 인자의 원래 값을 활용하여 분석을 수행하였다. Table 1은 최종적으로 선정된 분야별 29개 산지환경 인자와 범주를 정리한 것이다.

분류모형별 학습과 평가의 과정을 20번 반복 수행한 결과를 대상으로 정확도 평가를 실시한 결과는 Table 2와 같다. AUC 평균값은 랜덤포레스트 모형이 0.910으로서 가장 높았으며, Accuracy, Kappa 및 F1-measure의 평균값은 XGBoost 모형이 각각 0.808, 0.594, 0.494로 가장 높은 것으로 나타났다. 가장 성능이 좋은 분류모형의 정확도 즉, 평가 지표별 평균값은 산지토사재해 분야에서 앙상블 기반 기계학습법을 활용한 최신 선행연구(Huan et al., 2023; Hussain et al., 2023; Wang et al., 2024)의 결과와 대체적으로 유사한 범위에 있는 것으로 판단되었다. 특히, 산지토사재해 예측·평가모형의 정확도 평가에 많이 활용되는 AUC는 일반적으로 0.8~0.9는 우수함, 0.9 이상은 매우 우수함으로 평가하는데(Lee et al., 2021a), 이 연구에서 활용된 세 종류의 분류모형의 AUC 평균값은 모두 0.85 이상으로서 전반적으로 우수한 정확도를 가지고 있는 것으로 생각되었다. 종합적으로는 랜덤포레스트 모형과 XGBoost 모형이 땅밀림 우려지와 일반산지 분류에 상대적으로 더 적합한 것으로 판단되었고, 이후의 분석은 두 가지 방법으로 구성된 분류모형을 활용하여 진행되었다.

땅밀림 우려지 분류에서의 최적모형으로 선정된 랜덤포레스트 및 XGBoost 방법의 20번의 학습 및 평가 과정에서 계산된 매개변수별 즉, 산지환경 인자별 MDG를 산정하여 그 중요도를 분석하였다.

우선 랜덤포레스트 모형의 MDG 산정 결과로서, 균열유무(f2, 21.9), 최대고도(c1, 12.8), 단차유무(f1, 6.7), 불연속면 방향수(a6, 2.5), 하류계류(d2, 2.1) 등의 순으로 나타났다[Figure 3(a)]. 한편, XGBoost 모형의 MDG 산정 결과는 균열유무(f2, 22.3), 최대고도(c1, 16.7), 단차유무(f1, 7.2), 불연속면 방향수(a6, 3.4), 불연속면과 사면 방향성(a7, 2.0)의 순이었다[Figure 3(b)].

Figure 3. Results of MDG for Random Forest and XGBoost models.

Download Original Figure

종합하면 두 모형에서의 결과 모두 균열유무(f2), 최대고도(c1), 단차유무(f1), 불연속면 방향수(a6)의 MDG가 큰 것으로 계산되었고, 이러한 것들이 땅밀림 판별의 주요 특성인자로 판단되었다. 일반적으로 땅밀림은 느린 거동 속도에서 다른 산지토사재해 유형과 구별되고, 이에 기인하여 균열이나 단차같은 직접적인 징후적 특성을 나타내는 경우가 많다(Woo et al., 1996a; Park et al., 2003a; Park et al., 2005a; Kim et al., 2016a; Seo et al., 2018). 또한, 땅밀림의 발생 원인으로는 모암의 종류 및 생성연대, 불연속면의 유무, 개수 및 방향 등과 같은 지질학적 특성이 많은 관심을 받고 있다(Park, 2015; Park et al., 2019c; Park et al., 2021a). 이렇듯 균열유무(f2), 단차유무(f1), 불연속면 방향수(a6) 등은 선행연구에서 언급되는 땅밀림의 발생학적 특성과 동일 혹은 유사하지만, 최대고도(c1)는 현재까지 규명된 땅밀림의 발생학적 특성과는 큰 관련성이 없어서 추가적인 고찰·분석이 필요할 것으로 생각되었다.

한편, MDG 값에 따라서 추출된 주요 특성인자들의 땅밀림 판별에 있어서의 영향력을 간접적으로 검증하는 측면에서, 랜덤포레스트 및 XGBoost 최적모형을 구성하는데 사용되는 매개변수(산림환경 특성인자)의 개수에 따른 각 모형별 예측 정확도의 변동을 살펴보았다. 이 과정에서 모형 구성에 사용되는 매개변수는 MDG 값이 큰 것을 우선적으로 선택하도록 하였다. 예를 들어, 변수가 3개인 랜덤포레스트 모형은 MDG 값의 순서에 따라 균열유무(f2), 최대고도(c1), 단차유무(f1)가 매개변수로 사용된 것이며, 변수가 5개인 XGBooost 모형은 균열유무(f2), 최대고도(c1), 단차유무(f1), 불연속면 방향수(a6), 불연속면과 사면 방향성(a7)를 매개변수로 사용된 모형이다. 예측 정확도의 평가는 최적 모형의 선정 과정과 마찬가지로 AUC, Accuracy, Kappa 및 F1-measure 지표가 활용되었다.

Figure 4는 기계학습 방법별 모형 구성에 사용된 매개변수의 개수 증가에 따른 분류 정확도의 변동을 나타낸 것이다. 결론적으로 랜덤포레스트와 XGBoost 두 방법 모두 구성 매개변수의 개수가 3~5개인 경우에 분류 정확도가 가장 높다는 것을 확인할 수 있었다. 랜덤포레스트 모형은 매개변수의 개수가 3~5개일 때 AUC는 0.86, Accuracy는 0.81~0.82, Kappa는 0.60~0.62, 그리고 F1-measure는 0.48~ 0.50이었으며, XGBoost 모형은 매개변수의 개수가 3~5개일 때 AUC는 0.87~0.88, Accuracy는 0.81, Kappa는 0.60, 그리고 F1-measure는 0.47이었다. 또한, Table 2에서 제시된 29개 매개변수를 모두 사용한 모형들의 정확도 지표와의 비교를 통해서도 각 지표값의 차이가 그리 크지 않으며, 어떤 지표에서는 오히려 더 좋은 값을 나타내기도 한 것을 알 수 있었다. 이를 통하여 MDG가 높은 3~5개의 매개변수만을 사용하더라도 땅밀림 우려지와 일반산지의 판별을 충분히 우수하게 실시할 수 있는 랜덤포레스트 및 XGBoost 모형을 구성할 수 있으며, 이는 해당 매개변수의 중요도를 간접적으로 시사하는 것으로 이해된다.

Figure 4. Variation in model performance according to the number of factors used in the model construction.

Download Original Figure

랜덤포레스트 및 XGBoost 모형을 활용하여 땅밀림 우려지 판별을 위한 주요 산지환경 인자로서 균열유무, 최대고도, 단차유무, 불연속면 방향수 등이 추출·선정되었다. 이 중에서 땅밀림 징후를 나타내는 균열유무 및 단차유무, 그리고 최대고도의 땅밀림 우려지 판정에서의 영향력을 땅밀림 판정 확률을 산정·활용하여 고찰하였다.

우선 균열유무와 단차유무의 조합에 따라 땅밀림 판정 확률이 어떻게 변화하는지를 Figure 5에 나타내었다. 이에 따르면, 균열이 발견된 경우(균열 ‘유’)에는 단차유무와는 상관없이 땅밀림 판정 확률이 0.9를 상회하는 것으로 나타났다. 이는 모형별 MDG 값이 가장 높은 것으로 계산된 균열유무(랜덤포레스트 모형 21.9, XGBoost 모형 22.3) 요인의 영향력과 중요성을 잘 반영하는 결과라고 생각되었다. 한편, 균열이 발견되지 않는 경우(균열 ‘무’)에는 단차유무에 의해 땅밀림 판정 확률이 크게 변하는 것으로 나타났다. 균열과 단차가 모두 없는 경우에는 땅밀림 판정 확률이 0.14 정도였으나, 단차가 확인된 경우에는 그 확률이 0.85 이상으로 대폭 증가하는 것으로 나타났다. 종합하면 땅밀림의 대표적인 징후인 균열과 단차 중 어느 한 가지 징후라도 발견이 된다면, 해당 대상지가 최종적으로 땅밀림 우려지로 판정될 확률이 0.85 이상이라는 것을 의미한다. 그러므로 현행 땅밀림 우려지 판정에서는 이러한 징후 특성의 발견이 대단히 중요하다는 것을 알 수 있다.

Figure 5. Probability of judgment of slow-moving landslide prone area based on the presence of cracks and steps.

Download Original Figure

한편, 최대고도에 따른 땅밀림 판정 확률의 변화를 Figure 6에 나타내었다. Figure 5에 따르면 고도 100 m, 300 m 및 700 m 부근에서 땅밀림 판정 확률이 높은 것으로 나타났다. 하지만, 이러한 결과는 선행연구에서 보고된 땅밀림 발생 특성이나 발생 기작에서의 역학적 인과관계로 설명하기가 어려웠다.

Figure 6. Probability of judgment of slow-moving landslide prone area based on the peak elevation.

Download Original Figure

Figure 7은 분석에 활용한 입력자료의 최대고도 분포 및 땅밀림 우려지 비율을 100 m 간격의 등급으로 나누어 표시한 것이다. 땅밀림 우려지의 비율은 최대고도에 따른 땅밀림 판정 확률과 유사하게 1~100 m, 301~400 m, 700 m 이상의 등급에서 높게 나타났다. 이를 통하여 최대고도에 따른 땅밀림 판정 확률의 경향성은 입력자료의 분포 특성에 일정 부분 기인하는 것으로 판단되었다. 또한, 최대고도의 경우에는 정성변수(qualitative variable)인 28개 산지환경 인자와는 다르게 유일하게 연속형 정량변수(continuous quantitative variable)로서 입력받은 인자로서, 이러한 자료 속성으로 인하여 땅밀림 판정에서의 영향력이 다소 과대평가된 것으로 추정된다. 그래서 추후 땅밀림 우려지와 일반산지에 대한 입력자료가 보다 많이 확보·분석된다면, 최대고도의 영향력은 이 연구의 결과와는 다소 다르게 나타날 것으로 생각되었다. 더 나아가서 후속 연구에서는 땅밀림 발생에 미치는 최대고도의 영향력에 대한 확신이 없다면 해당 인자를 제외하고 분석하는 방안도 고려할 수 있을 것이다.

Figure 7. The status of landslide-prone site and control site according to peak elevation class.

Download Original Figure