KR20140046358A - 산사태 위험성 분석 시스템 및 방법 - Google Patents

산사태 위험성 분석 시스템 및 방법 Download PDF

Info

Publication number
KR20140046358A
KR20140046358A KR1020120124997A KR20120124997A KR20140046358A KR 20140046358 A KR20140046358 A KR 20140046358A KR 1020120124997 A KR1020120124997 A KR 1020120124997A KR 20120124997 A KR20120124997 A KR 20120124997A KR 20140046358 A KR20140046358 A KR 20140046358A
Authority
KR
South Korea
Prior art keywords
landslide
rainfall
information
future
probability
Prior art date
Application number
KR1020120124997A
Other languages
English (en)
Inventor
이명진
전성우
Original Assignee
이명진
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이명진 filed Critical 이명진
Publication of KR20140046358A publication Critical patent/KR20140046358A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)

Abstract

본 발명은 산사태 위험성 분석 시스템 및 방법에 관한 것으로, 보다 상세하게는 지리정보를 활용한 산사태 취약성도 작성 등 종래 개별적으로 진행되었던 산사태 발생과 관련된 기술과는 달리, 개별적인 기술을 유기적으로 융합하여 기후변화를 고려한 미래 산사태 위험성을 분석하는 시스템 및 방법에 관한 것이다.
이를 위해 본 발명에 따른 산사태 위험성 분석 시스템은 산사태 정보 수집부, 항목 추출부, 정규화부, 통계적 분석방식 적용부, 산사태 취약성도 도출부를 포함한다.
상기 산사태 정보 수집부는 항공사진정보의 지리정보 및 산사태 관련 정보를 수집한다. 상기 항목 추출부는 상기 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출한다. 상기 정규화부는 상기 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화한다. 상기 통계적 분석방식 적용부는 상기 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용한다. 상기 산사태 취약성도 도출부는 상기 적용된 정보를 기초로 현 시점의 산사태 취약성도를 도출한다.

Description

산사태 위험성 분석 시스템 및 방법 {Landslide Hazard Analysis System Considering Climate Change and Method Thereof}
본 발명은 산사태 위험성 분석 시스템 및 방법에 관한 것으로, 보다 상세하게는 지리정보를 활용한 산사태 취약성도 작성 등 종래 개별적으로 진행되었던 산사태 발생과 관련된 기술과는 달리, 개별적인 기술을 유기적으로 융합하여 기후변화를 고려한 미래 산사태 위험성을 분석하는 시스템 및 방법에 관한 것이다.
산사태는 대부분 지형적으로 구릉지역과 산지 등에서 일어나며, 대부분의 지각운동으로 인한 파쇄대가 많은 지역과 같은 지형 지질이 집중호우나 폭설 등이 빈번히 일어나는 것에 영향을 받는다. 산사태의 정의는 암석이나 흙 또는 이들의 혼합물이 중력에 의해 사면 아래로 천천히 포행하거나, 빠르게 떨어지는 현상, 또는 파괴면을 따라 미끄러지는 상태를 말한다. 강우 발생시에는 지중침투수에 의한 간극수압의 상승, 표면유수에 의한 침식, 흙의 포화로 인한 활동토층의 단위중력 증가 등에 의해 사면을 붕괴시키려는 활동력은 증가되고, 사면붕괴에 저항하려는 저항력은 감소되어 사면의 안정성이 극도로 저하된다. 이와 같이 강우가 산사태의 중요한 외적 요인이 되고 있지만 강우강도, 강우지속시간 및 누적강우량이 산사태에 어떻게 관련되어 있는가는 아직 확실히 규명되어 있지 못하다. 과거에는 강우와 산사태의 관계에 있어 선행강우량 개념의 해석이 지배적이였으나, 현재에는 강우강도에 따른 해석이 우세하다. 그러나 강우 특성 및 지형 지질과 관련된 조건은 지역마다 특성을 가지고 있으며, 연구지역을 선정하여 특성을 도출하고 분석하는 작업이 선행되어야 할 것이다.
산사태 발생 요인으로는 내적요인과 외적요인으로 크게 구분할 수 있다. 내적 요인으로는 지질구조, 지형, 토질, 임상 등의 자연적 요인을 들 수 있으며 외적요인으로는 강우, 하천 및 해안의 침식, 지진등과 같은 자연적 요인과 절성토, 벌목, 단지조성, 채석개발 등의 인위적 요인을 들 수 있다. 즉 내적 악조건을 지니고 있는 사면에 외적요인이 부가될 때 산사태가 발생되기 쉽다. 우리나라의 경우는 집중 호우가 발생하는 6-8월에 산사태가 집중적으로 발생하며, 이 시기에 집중 강우에 의하여 산사태가 빈번히 발생한다. Maurizio Polemio(1999)는 Avigliano의 도심지역을 중심으로 집중호우에 의한 산사태 형태 및 발생 빈도를 연구하였다. Ted R Turner(2010)은 경관 및 산림 분포를 포함하는 지형과 강우의 관계를 분석하여 산사태 발생 빈도를 미국 Washington을 대상으로 연구하였다. Ram L Ray(2010)은 토양의 수분 함량 분포를 바탕으로 산사태 취약성을 분석하였다.
기후변화와 산사태의 연계를 통한 미래 산사태 발생에 대한 연구는 국지적 산사태 발생과 기후변화의 상관관계를 분석하는 연구를 중심으로 진행되고 있으며, Andrew Collison은 GIS를 활용하여 기후변화에 따른 산사태 발생 빈도를 분석하였다. 과거 기상 현상에 따른 산사태 발생을 분석하고, 이에 따른 향후 미래 산사태 발생 관계를 유추하였다. Matthias Jakob는 영국 Columbia 지역의 실제 산사태를 바탕으로 강우와 산사태의 관계를 파악하고, 캐나다 기후변화 센터에서 제공하는 향후 미래 기상 예측을 바탕으로 동일 연구지역의 산사태 발생을 추정하였다.
이와 같이, 기후변화 및 산사태 취약성 연구는 개별 분야별로 지속적으로 진행되고 있다. 두 분야의 연계를 통한 미래 기후변화에 따른 산사태 위험도 분석은 국내외 적으로 초기 진행 상태이다. 그 예로, 연세대학교 2012년도 박사학위 논문 중 "Landslide Hazard Analysis Considering Climate Change"에는 이와 관련된 산사태 위험도를 분석하고 있다.
앞으로는 기후변화에 의한 산사태로 인한 인명 및 재산피해를 예방하고 줄이기 위하여 미래 기후변화와 연관된 산사태의 과학적인 분석기술 개발이 필요할 것으로 보인다. 이를 위하여 과거 및 현재의 강우와 산사태와의 상관관계를 파악하여 향후 강우 변화에 따른 산사태 발생의 현상을 예측하는 것이 중요하다. 또한, 기후변화에 따른 강우 변화를 정량적으로 예측하는 방법론 개발이 중요하다. 광역적 지역 및 접근이 어려운 지역의 산사태 발생 위치를 파악하는 방법의 고도화가 필요하며, 기후변화와 연계된 산사태 분석 및 검증 방법론이 개발되어야 할 필요가 있다.
연세대학교 2012년도 박사학위 논문 중 "Landslide Hazard Analysis Considering Climate Change"
본 발명은 지리정보를 활용한 산사태 취약성도 작성 등 종래 개별적으로 진행되었던 산사태 발생과 관련된 기술과는 달리, 개별적인 기술을 유기적으로 융합하여 기후변화를 고려한 미래 산사태 위험성을 분석하는 것을 목적으로 한다.
이러한 목적을 달성하기 위하여 본 발명에 따른 산사태 위험성 분석 시스템은 산사태 정보 수집부, 항목 추출부, 정규화부, 통계적 분석방식 적용부, 산사태 취약성도 도출부를 포함한다. 상기 산사태 정보 수집부는 항공사진정보의 지리정보 및 산사태 관련 정보를 수집한다. 상기 항목 추출부는 상기 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출한다. 상기 정규화부는 상기 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화한다. 상기 통계적 분석방식 적용부는 상기 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용한다. 상기 산사태 취약성도 도출부는 상기 적용된 정보를 기초로 현 시점의 산사태 취약성도를 도출한다.
이상에서 설명한 바와 같이 본 발명에 의하면, 지리정보를 이용하여 Frequency ratio, Logistic regression, Neural network의 공간 통계적인 방식을 통해 현 시점의 산사태 취약성도를 도출하고, 확률강우량과 미래 기후변화 시나리오를 통하여 계산된 미래 연도별 확률강우량 매개변수와 미래 월별 강우량 매개변수를 상기 도출된 현 시점의 취약성도에 적용하여 미래 산사태 위험도를 작성하고 있다. 즉, 본 발명은 산사태 발생의 외적요인(강우)과 내적요인(지질구조, 지형, 토질, 임상 등의 자연적 요인)을 동시에 고려하여 미래 강우량 변화를 산사태 취약성을 연계함으로써 미래 강우량 변화에 따른 산사태 위험도 분석의 정확성을 극대화시킬 수 있는 효과가 있다. 따라서 집중 호우에 의한 산사태 위험을 예측하여 산사태 방지 대책을 미리 마련할 수 있다.
도 1은 본 발명의 일실시예에 따른 산사태 위험성 분석 시스템의 개략적인 구성을 나타낸 도면이다.
도 2는 도 1에서 매개변수 계산부의 구성을 나타낸 도면이다.
도 3은 베이지안 확률 모델의 개념을 나타낸 도면이다.
도 4는 가중치 결정을 위한 Neural Network 트레이닝의 흐름도를 간략히 나타낸 도면이다.
도 5a 내지 도 5c는 연도별로 산사태발생일 이전의 누적강우량(1일, 3일 5일)과 발생당일의 강우량을 대비하여 나타낸 도면이다.
도 6a 내지 도 6c는 Frequency ratio, Logistic regression, Neural network를 각각 적용한 산사태 위험도(강원도 인제 예시)를 나타낸 도면이다.
도 7a 내지 도 7e는 Frequency ratio 및 확률강우량을 적용한 산사태 위험도 목표연도 1년, 3년, 10년, 50년, 100년(강원도 인제 예시)을 각각 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 산사태 위험성 분석 방법의 흐름을 나타낸 도면이다.
도 9는 도 8에서 매개변수를 계산하는 방법의 흐름을 나타낸 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하며, 설명의 편의와 이해를 위하여 실제와는 달리 과장된 수치가 제시되었을 수 있다.
<시스템에 대한 설명>
본 발명에서는 최종적으로 기후변화를 고려한 산사태 위험도를 작성하는 것이다. 이 과정에서 산사태 취약성을 선행하여 작성하고, 이를 바탕으로 미래 강우량 변화를 적용하여 기후변화에 따른 산사태 위험도를 작성한다. 그렇기 때문에서 우선적으로 산사태 취약성 및 위험도 등의 개념정립이 필요하다.
산사태 분석 단계에서의 취약성(Susceptibility)은 강우, 지진 등 산사태를 직접적으로 유발시키는 요인이 생겼을 때 그 지역이 얼마나 산사태 발생에 취약한가를 분석하는 것이다. 산사태 위험성(Hazard)은 어떤 지역의 산사태 취약성에 경우, 지진 등의 산사태 유발요인의 발생 가능성을 더해 그 지역에서 산사태가 얼마나 잘 일어날 수 있는가지를 분석하는 것이다. 그리고 산사태 피해성(Risk)은 산사태 취약성 혹은 가능성에 인명, 시설물 등 피해요소를 같이 고려한 것으로 산사태로 인해 인명 및 시설물의 피해 가능성이 얼마인가를 분석하는 것이다. 이를 식으로 표현하면 아래와 같다. 이러한 3단계의 분석 과정 중 본 발명에서는 산사태의 취약성과 위험성을 분석하였으며, 그 내용은 다음과 같다.
도 1은 본 발명의 일실시예에 따른 산사태 위험성 분석 시스템의 개략적인 구성을 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 산사태 위험성 분석 시스템(100)은 산사태 정보 수집부(110), 항목 추출부(120), 정규화부(130), 통계적 분석방식 적용부(140), 산사태 취약성도 도출부(150), 데이터베이스(200)를 포함한다.
산사태 정보 수집부(110)는 지리정보시스템(GIS)을 이용하여 항공사진정보의 지리정보 및 산사태 관련 방대한 정보를 계속적으로 수집한다. 이는 GIS 주제도를 수집하기 위한 구성으로, 이에는 토양, 지질, 수치지도 및 임상도 등이 포함된다.
항목 추출부(120)는 상기 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출한다. 본 발명에서는 매년 우기에 발생한 연구지역의 산사태 위치파악을 위해 일차적으로 산사태 발생전후의 항공사진을 비교 후, 탐지된 산사태 발생위치의 정확성을 판단하기 위하여 현지답사를 실시하였다. 산사태 발생 전의 항공사진은 국토지리정보원(National Geographic Information Institute, NGII)에서 발행하는 1/20,000 축척의 항공사진 및 Daum에서 제공하는 50cm급 항공사진 등이 활용 가능하다. 이러한 항공사진을 시계열로 수집하고, 산사태 발생 이전과 이후로 나누어 비교한다. 즉, 두 시기의 항공사진을 비교하여 파악된 산사태 위치는 현장에서 실제 산사태 위치와 대조해본 결과 정확하게 일치하여야 한다. 또한, 각 해당 지자체 산림녹지과 등에서 제작한 재해대장의 산사태 사방공사 위치를 파악 함께 파악한다. 이러한 작업 절차를 통하여 산사태 위치 좌표는 GPS 자료 및 1:5,000 수치지형도를 이용하여 항공사진에 좌표를 입력 후 추출하여 점 형태의 자료로 구축하였다.
산사태 취약성 및 위험도 분석을 위해 수집된 자료는 표 1과 같이 산사태 분포도, 지형도, 토양도, 임상도 및 지질도이다. 지형자료로서는1:5,000 수치지형도를 자료변환 후 내삽의 과정을 거쳐 수치표고모델(DEM)을 작성하였다. 이렇게 작성된 수치표고모델로부터 경사도, 경사방향도, 곡률도를 작성하였다. 경사도는 지형의 기울기를 나타내며, 경사 방향도는 지형사면의 경사방향을 나타낸다. 곡률도의 경우, 0값을 기준으로 음의 값으로 갈수록 경사면의 형태가 오목한 것을 나타내며, 양의 값으로 갈수록 경사면의 형태가 볼록하다. 0은 경사면의 형태가 평탄한 것을 나타낸다. 토양자료는 1:25,000 정밀토양도로부터 토양 지형도, 토질도, 토양 배수도, 토양 모재도, 유효토심도 등을 작성하였다. 지형은 토양이 분포한 지역의 지형에 의해 분류된 것이며, 토질은 토양입자크기에 의하여, 모재는 토양이 어떤 암상으로부터 형성되었는가를, 배수는 물의 배수정도를, 유효토심은 토양의 유효두께를 각각 나타낸다. 또한 1:25,000 임상도로부터 임상 종류도, 임상 경급도, 임상 영급도, 임상밀도도, 등을 구축하였다. 임상 종류 도는 나무의 종류를 나타내며, 임상 경급 도는 나무의 지름을, 임상 영급 도는 나무의 수령을, 임상 밀도도는 나무의 밀도를 각각 나타낸다. 지질자료는 1:250,000 지질도로부터 암상분포도를 구축하였다(표 1 참조).
<Data layer of study area(예시)>
Classification Factors Data Type Scale
Geological Hazard Landslide Point 1:5,000
Topographic Map Slope
Aspect
Curvature		 Polygon 1:5,000
Geological Map Geology Polygon 1:50,000
Soil Map Timber diameter
Timber type
Timber density
Timber age		 Polygon 1:25,000
Forest Map Topography
Soil drainage
Soil material
Soil thickness
Soil texture		 Polygon 1:25,000
상기 표와 같이, 본 발명에서는 산사태 취약성을 계산하기 위하여 산사태 발생 관련 항목인 토양도, 지질도, 임상도 및 지질도 등의 개별 항목을 추출하였다.
정규화부(130)는 상기 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화한다. 즉, 상기 수집된 GIS 주제도 좌표정보 및 속성정보를 보정하고, 개별 산사태 관련 주제도를 작성한다. 일반적으로 산사태가 발생하는 다양한 사건들은 여러 요인들의 복잡한 특성과 연관되어 발생한다. 따라서 사건의 예측분석을 위해서는 관련 요인들을 지리정보 환경의 공간 데이터베이스로 구축하는 것이 첫 번째 작업으로 수행되어야 한다. 공간 데이터베이스 구축을 위해 먼저 자료를 수집 후 입력자료의 구축형태를 점, 선, 면으로 설정, 공간자료의 속성 값 설정, 좌표계 설정 및 축척에 따른 공간해상도를 설정하였다. 좌표계는 Bessel 1841타원체를 기준으로 한 TM(Transverse Mercator)은 동부원점 127° E 등을 사용하여 입력자료에 대한 좌표보정을 수행한다. 각 모델에 적합한 입력자료의 생성, 변환 및 정규화 작업은 Frequency ratio, Logistic regression 및 Neural Network 분석 전에 먼저 수행되어야 한다. 즉, 정규화부(130)는 항공사진정보, 토양도, 지질도, 임상도, 지질도 등의 개별 항목의 속성정보, 좌표 정보가 통일성을 갖도록 정규화하는 것이다.
한편, 본 발명에서는 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용하는데, 각 통계적 분석방식에 적합한 방식으로 정보를 정규화하는 작업이 필요하다.
먼저, Frequency ratio에서는 등면적으로 등급화된 입력자료가 사용된다. 연속형 자료의 등급화는 복잡한 자료의 이해를 용이하게 해주는 특성이 있다. 특히, 산사태 관련 자료는 용량이 크고, 자료의 특성상 불확실성을 내포하고 있기 때문에 자료를 등급화함으로써, 자료에 내재된 불확실성의 배제할 수 있고 자료처리 속도를 향상시킬 수 있다. 실세계 자료를 등급화할 경우, 등급의 개수 및 방법에 대한 고려가 필요하다. 등급의 개수가 많을수록 자료의 정보가 많이 포함되겠지만 각 등급의 분포 면적은 균등하지 않을 수 있기 때문에 이는 확률 계산에 적합하지 않다. 이에 따라, 본 발명에서는 분석에 사용될 모든 요인에 대하여 각 등급별 등면적을 고려하여 적절하게 등급화하였다.
Logistic regression 및 Neural Network에서는 연속형 자료가 사용되는데, 본 분석에 사용되는 지공간 자료들은 서로 다른 단위를 가지고 있기 때문에, 상대적인 비교를 위해 정규화작업을 수행하였다. 산사태와 관련 있는 모든 요인들은 공간 데이터베이스로 구축하였고, 입력자료의 축척을 고려하여 5m × 5m 크기의 격자로 설정하였다.
통계적 분석방식 적용부(140)는 전술한 바와 같은 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용한다.
산사태 취약성도 도출부(150)는 상기 적용된 정보를 기초로 현 시점의 산사태 취약성도를 각각 도출한다.
데이터베이스(200)는 본 발명에서 수집 및 분석된 정보를 저장한다.
이하에서는 상기 통계적 분석 방식과 이를 적용한 산사태 취약성도를 살펴보기로 한다.
먼저, Frequency ratio 분석방식과 관련하여 산사태 취약성도 도출부(150)는 아래의 수학식들에 의해 계산되는 것을 특징으로 한다.
각 항목의 등급별 Frequency ratio 의 합에 의해 계산되는 것을 특징으로 한다.
기후변화 시나리오를 포함하여 기후변화 연구에 활용되는 공간정보의 특성은 공간상 연속적으로 연결되어야 한다. 그러나 과거 관측 기후자료 및 미래 예측 기후 자료들은 점 형태의 대표값으로 구성되어 있으며 대표값이 없는 지역의 경우 공간통계적보간법을 통하여 유추하는 것이 일반적이다. 그러나 이러한 경우 유추지역에 대한 오류가 내포될 가능성이 높으며, 이것만으로는 효과적이라고 할 수 없기 때문에 추가정보를 활용하게 된다. 이때, 이용할 수 있는 통계적인 방법이 조건부확률의 원리이며, 그 응용으로 추론된 정리가 베이지안 정리이다. 이하의 사전확률(prior probability)이란 의사결정자가 활용하는 사전정보에 의한 확률(경험적, 주관적 성격이 강함)을 말하고, 사후확률(posterior probability)이란 표본정보에 의해 계산된 수정 확률을 말한다. 그런데 여기서 한 가지 주의할 것은 베이지안 이론은 위에서 제시한 조건부확률(conditional probability)의 형식을 취하기는 하나 그 논리는 다르다는 것이다. 즉, 조건부확률은 P(결과와 원인)를 나타내는 데 반해, 베이지안 이론은 P(원인과 결과)의 논리를 토대로 하고 있다. 간단히 말해서 베이지안 이론은 사전확률을 표본정보로써 수정하여 객관화한 사후확률을 구하는 과정이라고 말할 수 있으며, 이런 과정을 베이지안 분석이라 하고, 베이지안 분석을 통해 행하는 의사결정방법을 베이지안 의사결정 방법이라 한다.
베이지안 확률 모델을 벤 다이어그램을 이용하여 설명하면 도 3과 같다(Bonham-Carter, 1994). 연구지역을 표본공간 T로 표시하고 일정한 크기를 갖는 단위 픽셀 s로 나누면, N{T} = t/s는 표본공간 T에 대한 총 단위 픽셀들이 된다.
사건 발생지역을 점으로 표시하고 그 사상을 D로 나타내면 경우의 수는 N{D}로 나타낼 수 있으며, 표본공간 T에 대한 사전확률은 다음과 같다.
Figure pat00001
일정한 크기를 갖는 단위 픽셀들로 이루어진 연구지역 주제별 요소를 사상 B로 나타내면 경우의 수는 N{B}로 나타낼 수 있으며, 사상 D와 사상 B의 공통 사건의 경우의 수는
Figure pat00002
로 나타낼 수 있다. 사상 B가 발생하였을 때 사상 D가 발생할 가능성을 베이지안 이론을 적용하여 나타내면 다음과 같다.
Figure pat00003
P{D|B}는 사상 B가 발생하였을 때 사상 D가 발생할 가능성을 나타낸 사후확률을 나타내며, P{B|D}는 사상 D가 발생하였을 때 사상 B가 발생할 가능성을 나타낸 조건부확률을 나타내고, P{B}는 사상 B가 발생할 가능성을 나타낸 사전확률을 나타낸다. 같은 경우로써 여사상
Figure pat00004
가 발생하였을 때 사상 D가 발생할 가능성을 베이지안 이론을 적용하여 나타내면 다음과 같다.
Figure pat00005
Figure pat00006
는 여사상
Figure pat00007
가 발생하였을 때 사상 D가 발생할 가능성을 나타낸 사후확률을 나타내며,
Figure pat00008
는 사상 D가 발생하였을 때 여사상
Figure pat00009
가 발생할 가능성을 나타낸 조건부확률을 나타내며,
Figure pat00010
는 여사상
Figure pat00011
가 발생할 가능성을 나타낸 사전확률을 나타낸다. 베이지안 이론은 odds 식으로, odds는 O로 나타낼 수 있으며, 다음과 같이 정의된다.
Figure pat00012
수학식 1, 2를 odds로 표현하면 각각 다음과 같이 된다.
Figure pat00013
Figure pat00014
O{D|B}와
Figure pat00015
는 Posterior odds를 나타내며, O{D}는 Prior odds를 말한다. 수학식 5의 과정을 유도하면 다음과 같다. P{D|B}을 수학식 4를 이용하여 표현하면,
Figure pat00016
이 되고, 여기서
Figure pat00017
이므로,
Figure pat00018
이 된다.
Figure pat00019
,
Figure pat00020
로 표현하여 각각 유도하면 다음과 같다.
Figure pat00021
Figure pat00022
수학식 9, 10을 수학식 11에 대입하면,
Figure pat00023
이 되고,
Figure pat00024
은 수학식 1에 의해
이 된다.
그러므로 수학식 11은 수학식 5와 같이 표현되며, 수학식 6 또한 동일한 과정을 거친다.
수학식 5, 6에
Figure pat00026
.
Figure pat00027
은 각각 sufficiency ratio(LS), necessity ratio(LN)라고 하며, 또한 LS와 LN은 Frequency ratio라고 한다.
<산사태 발생 관련 항목별 Frequency ratio의 상관관계(예시)>
Class No. of landslide % of
landslide		 No. of pixels in domain % of pixels in domain Frequency ratio
aspect Flat 0 0 12418 0.85 0
North 36 7.3 178128 12.14 0.6
Northeast 19 3.85 144479 9.85 0.39
East 77 15.62 129251 8.81 1.77
Southeast 104 21.1 169033 11.52 1.83
South 57 11.56 170758 11.64 0.99
Southwest 68 13.79 196686 13.41 1.03
West 71 14.4 231150 15.76 0.91
Northwest 61 12.37 235075 16.02 0.77
curva Concave 187 37.93 505504 34.46 1.1
Flat 104 21.1 464390 31.66 0.67
Convex 202 40.97 497084 33.88 1.21
slope
(degree)		 0~5° 3 0.61 65606 4.47 0.14
6~10° 2 0.41 84813 5.78 0.07
11~15° 9 1.83 123479 8.42 0.22
16~20° 19 3.85 166365 11.34 0.34
21~25° 62 12.58 235666 16.06 0.78
26~30° 89 18.05 255125 17.39 1.04
31~35° 146 29.61 239647 16.34 1.81
36~40° 85 17.24 171456 11.69 1.48
41~90° 78 15.82 124821 8.51 1.86
Geology Banded gneiss 492 99.8 1375722 93.78 1.06
Granite 1 0.2 91256 6.22 0.03
Timber
diameter		 Non forest area 9 1.83 193632 13.2 0.14
Very small diameter 143 29.01 411635 28.06 1.03
Small diameter 169 34.28 422539 28.8 1.19
Medium diameter 172 34.89 439170 29.94 1.17
Timber
density		 Non forest area 152 30.83 605267 41.26 0.75
Loose 270 54.77 604447 41.2 1.33
Moderate 68 13.79 241453 16.46 0.84
Dense 3 0.61 15809 1.08 0.56
Timber
typea 		Non forest area 5 1.01 166668 11.36 0.09
Mixed broad-leaf tree 13 2.64 86092 5.87 0.45
Pine 243 49.29 528932 36.06 1.37
Needle and broad 50 10.14 126759 8.64 1.17
Artificial pine 14 2.84 17463 1.19 2.39
Rigida pine 4 0.81 25395 1.73 0.47
Korea nut pine 117 23.73 310110 21.14 1.12
Artificial Larch 44 8.92 197038 13.43 0.66
Larch 0 0 1569 0.11 0
Artificial mixed broad-leaf 0 0 2849 0.19 0
Poplat 3 0.61 4101 0.28 2.18
Timber
age		 Non forest area 9 1.83 193632 13.2 0.14
1stage 143 29.01 411635 28.06 1.03
2ndage 102 20.69 237161 16.17 1.28
3rdage 67 13.59 175273 11.95 1.14
4thage 171 34.69 406194 27.69 1.25
5thage 1 0.2 43081 2.94 0.07
Soil drainage No Data 0 0 4084 0.28 0
Well drained 20 4.06 140333 9.57 0.42
Somewhat poorly dra 269 54.56 520168 35.46 1.54
Moderately well dra 204 41.38 802393 54.7 0.76
Soil thickness
(cm)		 No Data 0 0 4084 0.28 0
20 201 40.77 743545 50.69 0.8
50 14 2.84 76714 5.23 0.54
100 271 54.97 573763 39.11 1.41
150 7 1.42 68872 4.69 0.3
Soil material No data 0 0 4084 0.28 0
Valley alluvium 4 0.81 66756 4.55 0.18
Gneiss residuum 13 2.64 62787 4.28 0.62
Fluvial alluvium 0 0 2059 0.14 0
Colluvium 360 73.02 785000 53.51 1.37
Alluvial colluvium 116 23.53 546292 37.24 0.63
Soil
texture		 No data 0 0 199 0.01 0
Sandy loam 481 97.57 1317076 89.78 1.09
Rocky loam 3 0.61 43371 2.96 0.21
Loam 0 0 33329 2.27 0
Silt loam 0 0 268 0.02 0
Rocky sandy loam 3 0.61 31592 2.15 0.28
Very rocky loam 6 1.22 37258 2.54 0.48
Overflow area 0 0 3885 0.26 0
Topography Nodata 0 0 4084 0.28 0
Valley area 6 1.22 53673 3.66 0.33
Valley and alluvial 0 0 36886 2.51 0
Plains 0 0 1658 0.11 0
Piedmont slope area 484 98.17 1345227 91.7 1.07
Lower hilly area an 2 0.41 13781 0.94 0.43
Fluvial plains 0 0 268 0.02 0
Alluvial fan 1 0.2 11401 0.78 0.26
산사태 취약성 분석을 위하여 계산된 Frequency ratio를 각 요인의 등급에 부여한 후 중첩분석을 실시하여 수학식 13과 같이 산사태 취약지수(LSILR: Landslide Susceptibility Index by likelihood ratio(frequency ratio))를 구하였다.
Figure pat00028
(LR = 각 요인의 등급별 Frequency ratio)
한편, Logistic regression 분석방식은 상기 정규화된 정보를 기초로 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치를 고려하는 방식이며, 산사태 취약성도는 경사도, 면적, 곡률, 지질, 목재의 직경, 타입, 밀도, 나이, 지형, 토양의 배수, 재료, 두께, 질감을 포함한 항목별 값에 의해 계산되는 것을 특징으로 한다.
Logistic regression이란, 단지 2개의 값만을 가지는 종속변수와 독립변수들간의 인과관계를 추정하는 하나의 통계기법이다. 즉, 사건이 일어날 확률을 직접적으로 추정할 수 있다. 회귀분석이란, 다수의 독립변수들을 가지고 하나의 종속변수를 예측하거나 설명하고자 하는 분석방법이다. 여러 독립변수와 하나의 종속변수를 측정하고 하나의 종속변수와 여러 독립변수들의 관계를 파악한다. 이러한 관계를 토대로 하여 종속변수를 예측하고자 하는 분석방법이다. 이러한 회귀분석에서는 독립변수의 변화에 따라 종속변수가 직선적인 관계로 변화한다고 가정하는 경우에 선형회귀모형을 실시한다. 독립변수의 변화에 따라 종속변수의 변화가 곡선적인 관계로 변화한다는 가정되는 경우에는 다항 회귀모형을 적용한다. 또한 회귀분석에서는 독립변수가 양적 변수인 경우에 적용하는 분석모형이지만 독립변수가 질적 변수인 경우에도 더미변수를 사용하여 회귀분석을 실시할 수 있다. 더 나아가 회귀분석은 종속변수가 연속변수인 경우에 적용하는 분석모형이지만, 종속변수가 분류변수인 경우에도 회귀모형을 실시할 수 있는데 이 경우에는 로지스틱 모형을 실시하여 회귀분석을 실시할 수 있다. Logistic regression은 종속변수가 두개의 집단으로 분류될 경우에 적합한 분석이다. 일반적으로 독립변수들이 등간 척도 이상이고, 변수들이 다변량 정규분포를 하는 경우에는 판별분석을 사용한다. Logistic regression은 독립변수가 명목척도 또는 서열척도와 같은 정성적인 척도와 등간 척도가 섞여 있으면서 변수들이 다변량 정규분포를 한다는 가정이 불명확할 때 사용할 수 있다. Logistic regression은 분석형태를 보면 회귀분석과 비슷하다. 종속 변수를 로그(log)로 변형하면 일반적인 선형회귀식 형태로 표현되기 때문이다. 로짓에서 가정하고 있는 모형은 다음과 같다.
Figure pat00029
Figure pat00030
로 표현되며, 식을 조정하면,
Figure pat00031
로 정리된다.
그리고 어떤 사건이 일어나지 않을 확률은 다음과 같다.
Figure pat00032
Logistic regression모형은 선형이 아니며 비선형 곡선을 이루고 있다. 즉, 독립변수와 발생확률과의 관계는 비선형적이다. 확률추정은 Z의 값에 상관없이 항상 0과 1 사이에 존재한다. 선형회귀모형에서는 최소자승법(LSM:Least-Squares Method)을 이용하여 모형의 모수를 추정하였지만, Logistic regression모형에서는 최대빈도추정법(MLE:Maximum-Likelihood Mehod)을 이용하여 모형의 모수를 추정한다.
<산사태 발생 관련 항목별 Logistic regression의 상관관계(예시)>
Factor 　Class Logistic
regression
coefficient		 Factor Class Logistic
regression
coefficient
Aspect Flat -11.135 Timber
density		 Loose 1.131
North -.075 Moderate 1.029
Northeast -.436 Timber
age		 2ndage 15.458
East .804 3rdage 15.188
Southeast .640 4thage 2.507
South .103 Soil
drainage		 No Data -27.120
Southwest .282 Well drained 7.559
West .081 Somewhat poorly dra -.101
Curvature Concave -.057 Soil
material		 Valley alluvium -4.191
Flat -.170 Gneiss residuum .333
Slope 0~5° -1.047 Fluvial alluvium -7.265
6~10° -2.485 Colluvium -24.541
11~15° -1.756 Alluvial colluvium 1.093
16~20° -1.504 Soil
thickness		 50 -9.847
21~25° -.717 100 -17.859
26~30° -.519
31~35° -.004
36~40° -.243
Geology Banded gneiss 2.741 150 -10.067
Timber
diameter		 Non forest area -10.151 Soil
texture		 No data 3.216
Very small diameter 3.812 Sandy loam -.086
Small diameter -12.621 Rocky loam -19.304
Timber
type		 Non forest area 11.875 Loam -18.776
Mixed broad-leaf tree -.979 Rocky sandy loam -11.913
Pine -.140 Topography Valley area -11.347
Needle and broad .011 Valley and alluvial -25.548
Artificial pine .010 Plains -9.865
Rigida pine 13.195 Piedmont slope area -7.278
Korea nut pine -.285 Lower hilly area an 5.811
Artificial Larch -.773
Artificial mixed broad-leaf tree -12.537
독립변수와 종속변수 사이의 관계를 정확히 파악하기 위해서는 두 변수간의 규칙성을 나타내는 회귀식 또는 예측식을 구하는 회귀분석이 필요하다. 회귀분석에서는 독립변수의 일정한 값에 대응되는 종속변수의 값을 예측하기 위하여 회귀방정식을 구한다. 산사태와 관련된 요인들간의 상관관계를 분석하기 위해, 로지스틱 상관계수는 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치로써, 양의 값이면 해당 독립변수의 값이 클수록 산사태가 발생할 확률이 커지고, 음의 값이면 해당 독립변수의 값이 클수록 산사태가 발생하지 않을 확률이 커진다. 수학식 18을 적용하여 산사태 취약성도를 작성한다.
Figure pat00033
한편, Neural network 분석방식은 상기 정규화된 정보를 기초로 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 방식이며, 상기 산사태 취약성도는 상기 인지된 신경망에서의 항목별 상대적 가중치의 합에 의해 계산되는 것을 특징으로 한다.
Neural Network이란, 인간의 두뇌 작용을 신경 세포들 간의 연결 관계로 모델링한 것이다. 인간의 뇌에 대한 정보처리 과정을 단순히 모방해보자는 취지에서 출발하였으며, 생물학적 뉴런(neuron)의 구조 및 기능을 단순화하여 수학적 모델로 표시하고 이 뉴런 모델을 상호 연결시켜 망을 형성한 것이다. Neural Network은 자신이 가진 데이터로부터의 반복적인 훈련 과정을 거쳐 데이터에 숨어 있는 패턴을 찾아내는 모델링 기법이고, 계층구조를 갖는 수많은 프로세싱 요소로 이루어진 수학모형이며 신경망이론의 다양한 아키텍처를 이용하여 예측모델을 생성한다. 신경회로망을 구성할 때 가장 중요한 사항은 신경회로망의 특성을 좌우하는 두 가지 요소인 시냅스의 연결 방식과 뉴런의 훈련 규칙이다. 뉴런이란 신경 시스템에서 가장 기본적인 단위로 정보의 수용, 연산처리 출력의 전송 등의 기능을 한다. 이러한 역할을 가지는 뉴런은 다른 뉴런들로부터 정보를 입력받고 해석하여 다른 뉴런들에게 전달하는 방법을 규정해 놓은 소프트웨어이다. 신경회로망은 한 마디로 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 훈련이라고 한다. 훈련을 하려면 어떤 기준이 필요한데 그 평가 기준에 의해 평가한 결과를 피드백하여 처리기간의 가중치를 조절한다. 신경회로망의 여러 기능 중 본 연구에 사용된 특징 추출 기능은 신경회로망이 저장하고 있는 서로 다른 정보의 현저한 특징을 신경망 자체가 통계적으로 추출해 낼 수 있다.
Neural Network의 기본요소는 처리 노드이며, 여러 개의 노드가 각각의 층별로 배열되며 하나의 층으로부터 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이러한 Neural Network에서 사용되는 노드의 입력 값은 전 층으로부터의 출력값과 층간 가중치를 곱한 값들의 합이다. 즉, 다음의 수학식 19와 같이 표현된다.
Figure pat00034
여기서 W ji 는 노드 i와 j사이의 층간 가중치이며, Oi는 노드 i의 출력값이다. 주어진 노드 j로부터의 출력값은 다음의 수학식 20과 같이 계산된다.
Figure pat00035
여기서 함수 f는 비선형 시그모이드(sigmoid) 함수가 많이 사용되는데, 이 함수의 가장 큰 장점은 아래의 수학식 21과 같이 도함수가 함수 자체로 표현된다는 것이다.
Figure pat00036
이 함수는 트레이닝 데이터의 전진 전파(forward propagation) 동안에 계산되어지므로 역전파의 계산 시간이 감소된다. 이와 같이, 처리 노드는 층을 구성하고 다음의 층에 일반적으로 완전히 상호 연결되지만, 같은 층 내에서는 상호연결이 없다. 다층 퍼셉트론(multi-layer perceptron)은 여러 개의 층으로 이루어져 있으므로 비선형적으로 자료를 분리 가능하며, 일반적으로 3개 이상의 층으로 이루어져 있는데 정보가 인가되는 층은 입력층(input layer)이며 처리된 정보가 나타나는 층을 출력층(output layer)이라고 한다. 입력층과 출력층 사이의 모든 중간층을 은닉층(hidden layer)이라고 하는데 여러 개의 은닉층이 사용 될 수 있다(Atkinson and Tatnall, 1997). 각 노드 사이의 상호연결은 층간 가중치와 관련된다. Neural Network은 한 마디로 층간 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 훈련이라고 한다.
현재까지 다층 퍼셉트론에서 최소의 전체 훈련 에러를 얻기 위하여 상호 연결된 가중치를 조절하는 알고리즘 중 가장 많이 사용되는 알고리즘은 오류 역전파 알고리즘이다(Paola and Schowengerdt, 1995). 훈련의 목표는 신경망의 기대되는 출력값과 실제 출력값 사이에 전체 에러를 최소화하는 것이다. 오류 역전파 알고리즘은 일반화된 최소 평균 자승 LMS(least mean square) 알고리즘이다. 이 알고리즘은 원하는 출력값과 실제 출력값과의 차이의 제곱을 가장 최소화하고자 기울기 강화 방법을 적용한 알고리즘이다. 따라서 입력 노드와 관련 없는 클래스의 모든 노드가 원하는 출력값은 점점 낮아지고, 관련성이 많은 클래스의 모든 노드가 원하는 출력값은 높아지게 된다.
하나의 입력 훈련 패턴에 대한 에러는
Figure pat00037
로, 기대되는 출력 벡터의 함수는 d로, 실제 출력 벡터는 o로 표시한다. 이러한 에러는 다음의 수학식 22와 같이 표현된다.
Figure pat00038
이러한 에러는 Neural Network을 통하여 역으로 전파되는데, 일반적으로 층간 가중치를 변화시킴으로써 최소화하게 된다. 즉, 다음의 수학식 23과 같이 표현된다.
Figure pat00039
여기서 η는 훈련률 변수를
Figure pat00040
는 에러의 변화비를 나타내며, α는 모우멘텀 변수이다. 앞으로 나아가며 계산되는 신호값과 역전되는 에러의 과정이 반복되어 에러를 최소화하고 기대값에 도달하게 된다. 도 4는 가중치 결정을 위한 Neural Network 트레이닝의 흐름도이다. 본 발명에서는 위와 같은 Neural Network의 훈련 방법에 의해 얻어진 각 층간 가중치를 역으로 계산하여 입력자료가 분류에 얼마나 기여하였는지를 계산함으로써 산사태 분석시의 입력 요인의 중요도 즉 산사태 가중치를 구하였다.
Neural Network은 방법이 통계학적인 다른 분류와는 달리, 분포나 통계적 변수를 필요로 하지 않고 다른 특성을 갖는 데이터 종류에 대한 가중치를 알거나 특징화하지 않고도 분류과정에 이용될 수 있다는 것이다. 역전파 Neural Network의 첫 번째 특성은 정규분포를 이루지 않기 때문에 지공간 자료의 특성분석에 적합하다. 두 번째 특성은 가중치를 역으로 계산해줌으로써 입력자료의 중요도를 파악할 수 있다는 것이다. 본 발명에서는 Neural Network의 두 특성을 이용하여 지공간 자료들의 층간 가중치 값을 역전파하여 계산함으로써 입력자료에 해당하는 각 요인이 산사태에 미치는 가중치를 계산하고자 한다.
i개의 입력층, j개의 은닉층 그리고 k개의 출력층의 Neural Network 구조에서 출력층과 은닉층-출력층 노드 사이의 관계에서 출력값 O k 에 관한 은닉층 노드 j로부터의 출력값 O j 의 영향은 O j 에 관한 O k 의 편미분에 의해 표현된다.
Figure pat00041
위의 식은 (+)값과 (-)값을 가지는데 만일 은닉층에서 노드 j와 또 다른 노드 j o 의 상대적인 중요도만을 알기 원한다면 위의 식으로부터 절대값의 비로써 계산할 수 있다.
Figure pat00042
상기 수학식 25는 출력층 내의 특별한 노드에 대해 은닉층 내에 노드의 상대적인 중요도가 출력층 내의 노드에 연결된 가중치의 절대값에 비례함을 보인다. 노드의 상대적인 중요도는 다른 노드와 쉽게 비교하기 위해 정규화되어야 한다. 여기서, I, J와 K는 각각 입력층, 은닉층과 출력층의 개수이다.
Figure pat00043
노드 k에 관한 노드 j의 표준화된 중요도를 얻기 위하여, 은닉-출력층 사이의 가중치를 모두 더한 위의 식으로 각 노드별 가중치를 나눈 것이 수학식 27이다.
Figure pat00044
t jk 는 각각의 출력 노드에 각 은닉층 내의 노드가 기여하는 정도이다. 결론적으로 출력층 내에서 모든 노드들에 관하여 노드 j의 전체 중요도는 아래와 같이 계산될 수 있고
Figure pat00045
위의 과정과 같은 절차에 의해 노드 j에 관한 입력층 내의 노드 i의 정규화된 중요도는 아래의 식과 같이 정의된다.
Figure pat00046
그러므로 은닉층 내의 노드 j의 전체 중요도는 수학식 30과 같으므로
Figure pat00047
결론적으로 출력층에 대한 노드 i의 전체 중요도는 수학식 31과 같이 계산된다.
Figure pat00048
위에서 계산된 st i 값은 입력층의 각 노드가 출력층에 미치는 중요도를 의미하며, 이 값들의 상대적인 값은 GIS를 이용한 산사태 취약성 분석에 사용되는 각 산사태 발생요인들의 가중치가 된다.
본 발명에서의 훈련과정은 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 작업으로, 이를 통하여 Neural Network은 출력층에 대한 결과 즉, 산사태 발생 가중치를 계산하게 된다. Paola와 Schowengerdt(1995)에 따르면, 트레이닝 샘플은 샘플의 개수보다는 대표하는 지역을 잘 선택하는 것이 중요하다고 하였다. 그래서 산사태 발생 지역의 전체 셀 개수 중 50%만 랜덤 추출하여 산사태 발생 지역으로 트레이닝 하였고, 산사태와 관련된 17개의 요인들의 값은 0.1에서 0.9 사이의 값을 갖도록 정규화 하였다. 이는 Neural Network에서 추론능력의 향상을 위해 사용하는 시그모이드 함수가 0에서 1사이의 값을 갖기 때문이다. 따라서 역전파 알고리즘에 의해 기대되는 산사태 취약값은 0.9가 되고, 기대되는 출력값과 실제 출력값 사이의 오차를 0.1까지 줄여나가기 위해 반복적인 역전파 알고리즘 훈련을 통하여 가중치를 결정하였다(표 8). 가중치를 계산하기 위해 Neural Network 구조는 13 × 28 × 1로 설정하였고, 목표 오차에 도달하기 전의 최대 반복횟수는 5,000번, 학습율은 0.01로 설정하여 요인들의 상대적 가중치를 계산하였다. 계산된 가중치를 각 요인에 부여하여 연구지역 전체에 대한 산사태 취약성도를 작성하였다.
<산사태 발생 관련 항목별 neural network의 가중치 (예시)>
1 2 3 4 5 6 7 8 9 10 Mean S.D. N.W.
Aspect 0.0655 0.0736 0.0599 0.0701 0.0674 0.0869 0.0560 0.0781 0.0882 0.0796 0.0725 0.0108 1.0000
Curvature 0.0773 0.0711 0.0802 0.0745 0.0710 0.0692 0.0741 0.0694 0.0688 0.0753 0.0731 0.0038 1.0077
Slope 0.0884 0.0824 0.0890 0.0873 0.0823 0.0818 0.0984 0.0810 0.0946 0.0885 0.0874 0.0058 1.2046
Geology 0.0829 0.0655 0.0699 0.0677 0.0741 0.0750 0.0720 0.1031 0.0819 0.0762 0.0768 0.0108 1.0593
Timber diameter 0.0820 0.0850 0.0737 0.0555 0.0682 0.0760 0.0899 0.0743 0.0763 0.0687 0.0750 0.0097 1.0335
Timber density 0.0746 0.1028 0.0846 0.0844 0.0902 0.0594 0.0697 0.0815 0.0559 0.0909 0.0794 0.0146 1.0947
Timber type 0.0545 0.0886 0.0804 0.0861 0.0846 0.0603 0.0668 0.0730 0.0826 0.0565 0.0733 0.0130 1.0112
Timber age 0.0807 0.0724 0.0738 0.0693 0.0784 0.0781 0.0571 0.0816 0.0616 0.0880 0.0741 0.0094 1.0216
Soil drainage 0.0783 0.0736 0.0928 0.0797 0.0868 0.0941 0.0826 0.0863 0.0849 0.0775 0.0837 0.0066 1.1535
Soil thickness 0.0735 0.0657 0.0744 0.0720 0.0730 0.0744 0.0809 0.0715 0.0713 0.0708 0.0728 0.0038 1.0030
Soil material 0.0885 0.0735 0.0879 0.0905 0.0802 0.0812 0.0871 0.0718 0.0694 0.0740 0.0804 0.0078 1.1086
Soil texture 0.0735 0.0777 0.0667 0.0774 0.0732 0.0770 0.0792 0.0571 0.0810 0.0660 0.0729 0.0075 1.0048
Topography 0.0801 0.0682 0.0668 0.0855 0.0706 0.0866 0.0862 0.0713 0.0835 0.0881 0.0787 0.0085 1.0849
한편, 이렇게 도출된 산사태 취약성도에 따라 취약한 우선순위의 특정 지역을 선정하며, 이 특정 지역에서의 산사태 위험도를 도출하기 위해서 본 발명에 따른 산사태 위험성 분석 시스템은 상관관계 분석부(160), 매개변수 계산부(170), 매개변수 적용부(180), 산사태 위험도 도출부(190)를 포함한다.
상관관계 분석부(160)는 상기 도출된 산사태 취약성도에 따라 선정된 특정 지역에서의 강우량과 산사태 발생의 상관관계를 분석하여 강우량별 산사태 발생 상관관계를 분석한다.
본 발명에서는 산사태 발생과 강우량과의 상관관계를 파악하기 위하여 본 발명에서는 1990년대부터 2000년대 남한 지역에 발생한 산사태와 강우량과의 상관관계 분석을 위하여 데이터베이스(200)를 수집 및 구축하였다. 자료 수집 기간은 1991년 7월부터 2010년 12월까지의 21년간의 남한 지역 전국 산사태 발생 자료이다. 산사태 발생 지역 및 발생 일자를 참고한 자료는 중앙 언론 매체 기사 및 방송, 지방 언론 매체 기사 및 방송과 한국지질자원연구원, 한국건설기술연구원등의 보고서를 검토하였다. 2000년대 산사태 발생자료의 경우 다양한 자료 출처를 통하여 정리된 양이 많지만, 1990년대의 경우 산사태 발생 자체를 정리한 자료가 적으며, 일부 관련 논문 및 중앙 언론매체를 통하여 정리하였다. 수집된 자료에서 추출된 항목은 산사태 발생 지역, 발생일자이다. 이를 바탕으로 가장 인접한 지역의 기상관측지점 및 자동기상관측장비(AWS : Automatic Weather Station)의 기상자료를 발생 전 5일의 데이터베이스를 구축하였다. 산사태 발생 일자를 중심으로 산사태 발생 5일전부터 발생 5일후까지의 일별 강우 자료를 정리하였다. 전체 정리된 자료는 186개 의 발생 장소 및 일별 강우 자료이다. 산사태 발생 186곳은 산사태가 발생한 한곳만을 의미하는 것이 아니며 산사태가 집단을 발생한 지역이다. 표 5는 문헌상에 나와 있는 산사태 발생 지역 주소 및 문헌상 산사태 발생 날짜, 인근 기상관측지점 및 자동기상관측장비의 고유 번호 및 이름과 발생 전일 5일부터의 일별 강우량 자료이다. 산사태 발생과 강우량의 관계를 분석하는 방법은 2가지로 수행하였다. 첫째, 연도별 산사태 발생 당일 강우량을 정리하였다. 이를 통하여 2000년대 산사태 발생 당일의 강우량 간의 상관관계를 분석하였다. 둘째, 산사태 발생과 누적 강우량의 관계를 분석하기 위하여 일별 강우량을 누적 일자에 합하여 분석하였다. 최종적으로 산사태와 일별 강우강도를 파악하기 위하여 1일, 3일 및 5일 누적 강우량과 발생일의 시간별 강우량을 분석하였다.
<산사태와 강우량 발생 요약 (예시)>
년도 지역 일자 Station 5일전 4일전 3일전 2일전 1일전 당일
2010 경상남도 진주시 명석면 오미리 2010-7-16 192 148.0 1.5 25.0 0.0 0.0 165.5
경상남도 합천군 미숭리 2010-7-16 285 127.0 0.0 1.0 0.0 0.5 172.5
전라남도 여수시 덕충동 2010-7-16 168 47.5 1.5 57.0 0.0 4.5 288.0
경상북도 고령군 운수면 화암리 2010-7-17 812 106.5 1.0 4.5 0.0 0.0 112.0
경상북도 칠곡군 지천면 신리 2010-7-18 825 1.0 0.0 0.0 0.0 32.0 61.0
충청남도 서천군 마서면 송내리 2010-7-23 614 41.0 0.0 0.0 0.0 0.0 319.5
충청남도 부여군 은산면 장벌리 2010-7-24 236 0.0 0.0 0.0 0.0 0.0 105.0
전라북도 익산시 여산면 천호리 2010-8-14 763 0.5 40.5 8.5 23.0 26.0 84.0
전라북도 전주시 완주군 비봉면 이전리 2010-8-14 734 14.5 0.0 39.5 21.5 13.5 129.5
경상북도 안동시 일직면 광연리 2010-8-14 820 0.0 0.0 43.0 32.0 0.0 55.0
2009 전라남도 광양시 다압면 2009-7-8 932 0.5 18.5 0.5 0.5 0 245
부산시 남구 우암동 2009-7-8 942 11.0 0.0 0.0 0.0 0.0 368.5
전라남도 담양군 마곡리 2009-7-8 706 0.0 0.0 1.0 0.5 0 148.5
강원도 춘천시 신동면 혈동리 2009-7-10 588 0.5 15.0 0.0 0.0 0.0 206.0
강원도 원주 문막읍 반계3리 2009-7-13 877 12.0 0.0 114.0 0.5 1.5 228.5
강원도 원주시 지정면 가곡2리 2009-7-13 877 12.0 0.0 114.0 0.5 1.5 228.5
강원도 인제군 덕적리 2009-7-14 211 0.0 0.0 150.0 0.5 1.0 129.0
강원도 강릉시 왕산면 대기리 2009-7-13 497 0.0 0.0 109.5 0.0 1.0 131.5
경상북도 봉화군 재산면 현동리 2009-7-13 801 81.5 0.0 71.0 0.0 0.0 66.5
경기도 남양주시 화도읍 구암리 2009-7-15 484 250.0 0.0 1.5 141.0 2.0 268.0
경상남도 김해시 부원동 2009-7-16 253 0.5 12.0 15.5 51.0 0.0 45.5
경상남도 마산시 구산면 심리 2009-7-17 926 11.5 7.0 101.0 11.5 77.5 211.0
경상남도 창원 웅남동 귀산지역 2009-7-17 255 12.5 7.0 17.5 1.5 76.5 171.0
경상남도 하동군 횡천면 구학마을 2009-7-17 932 0.0 23.0 62.0 11.5 154.5 235.5
부산시 동구 수정동 2009-7-16 938 6.0 9.5 4.0 28.5 6.5 80.0
부산시 북구 만덕3동 2009-7-16 941 4.5 7 8 35.5 1.5 84
부산시 사하구 장림2동 2009-7-17 160 10 4 23.5 3.5 84.5 217
부산시 연제구 연산6동 2009-7-17 940 7 6.5 27 3.5 127.5 199
전라남도 광양시 2009-7-17 713 27.5 9.5 47 10.5 126.5 185.5
2008 충청남도 공주시 2008-7-20 632 0.0 2.0 25.5 0.5 0.0 182.0
경기도 의왕시 오전동 2008-7-25 445 93.5 100.5 6.5 0.0 2.5 157.5
강원도 양구군 남면 적리 2008-7-25 556 14.0 101.0 3.0 3.5 0.0 215.5
경상북도 봉화군 춘양면 서벽리 2008-7-26 55 6.0 6.0 4.0 1.5 31.5 198.5
충청북도 제천시 수산면 계란리 2008-7-26 639 2.5 0.5 7.0 2.0 82.0 149.0
강원도 강릉시 교동 2008-7-25 105 38.0 12.5 0.0 0.0 1.0 183.5
강원도 철원군 서면 와수3리 2008-7-25 695 12.0 76.0 16.0 5.0 0.0 189.0
2007 충청남도 천안시 병천면 2007-8-4 617 6.5 0.0 0.0 2.0 0.0 52.5
충청남도 천안시 목천읍 지산리 2007-8-5 617 0.0 0.0 2.0 0.0 52.5 70.5
강원도 영월군 영월읍 영흥13리 2007-8-6 121 0.0 11.5 0.0 1.5 77.0 155.5
충청북도 제천시 송학면 입석리 2007-8-6 221 0.0 16.0 0.0 6.5 69.5 186.5
경상남도 의령군 2007-8-8 936 0.0 25.5 0.0 7.0 11.0 193.5
강원도 인제읍 가리산리 2007-8-10 211 33.5 0.5 0.0 21.0 47.5 103.0
강원도 화천군 하남면 원천2리 2007-8-10 555 34.5 0.0 0.0 37.0 114.5 220.0
강원도 춘천시 신동면 혈동리 2007-8-10 588 40.5 0.5 0.0 29.5 98.0 114.5
강원도 양구군 남면 가오작리 2007-8-10 556 71.5 0.0 0.0 18.0 61.5 244.5
강원도 양구군 동면 팔랑리 2007-8-10 556 71.5 0.0 0.0 18.0 61.5 244.5
강원도 고성군 간성읍 진부리 2007-8-10 595 37.0 0.0 0.0 10.0 20.5 150.0
경상남도 산청군 삼장면 평촌마을 2007-9-6 948 2.0 119.0 12.5 5.5 33.5 106.0
전라남도 장흥 대덕면 옹암리 2007-9-16 777 0.0 0.0 0.0 0.0 0.0 106.5
전라남도 보성군 별교읍 척령리 2007-9-17 748 0.0 0.0 0.0 62.0 100.0 219.0
경상북도 포항시 흥해읍 2007-9-17 804 0.0 0.0 0.0 19.5 20.5 82.0
2006 강원도 인제군 북면 2006-7-1 211 10.5 0.5 0.0 0.0 15.5 44.5
경상남도 진해시 죽곡동 2006-7-10 908 2.5 0.0 0.0 51.5 106.0 152.5
경상남도 양산시 어곡동 2006-7-10 922 2.0 0.0 0.0 21.5 86.5 150.5
경상남도 남해군 고현리 2006-7-10 933 2.0 0.0 0.0 33.5 96.5 272.0
경상남도 함안군 대산면 응암리 2006-7-10 903 4.0 0.5 0.0 23.0 113.0 164.5
경상남도 합천군 봉산면 2006-7-10 945 5.5 1.5 0.5 11.0 90.0 245.5
전라남도 고흥군 금산면 신금리 2006-7-10 749 2.0 0.0 0.0 44.0 24.5 171.0
전라남도 곡성군 곡성읍 월봉리 2006-7-10 768 6.5 1.5 0.0 9.5 31.0 101.5
전라남도 여수시 화양면 화양리 2006-7-10 750 0.0 0.0 0.0 37.5 58.0 179.0
강원도 강릉시 왕산면 대기3리 2006-7-12 497 8.0 1.0 8.5 45.0 1.0 60.0
강원도 철원군 원남면 2006-7-12 323 0.5 0.0 9.5 17.0 0.0 116.0
서울 성북구 정릉4동 2006-7-12 414 9.5 0.0 2.0 15.0 0.5 235.5
강원도 고성군 간성읍 신안3리 2006-7-15 320 78.5 1.0 40.5 4.0 66.5 65.5
강원도 평창군 용평면 속사리 2006-7-15 525 32.5 9.5 158.0 112.5 29.5 257.5
경상남도 함양군 수동면 함양리 2006-7-19 912 0.0 0.0 23.0 66.0 33.0 90.5
경상남도 함양군 수동면 거창리 2006-7-18 912 0.0 0.0 23.0 66.0 33.0 90.5
강원도 춘천 남산면 강촌리 2006-7-14 588 10.0 1.5 181.5 134.5 1.5 121.0
강원도 인제군 덕적리 및 가리산리 2006-7-14 211 18.0 2.5 176.5 8.0 63.0 202.0
충청북도 진천군 진천읍 사석리 2006-7-16 602 5.5 52.5 17.5 2.0 4.5 172.0
강원도도 평창군 봉평면 진조리 2006-7-27 660 7.5 0.0 0.0 0.0 24.0 94.5
강원도 양구군 석현리 2006-7-27 556 0.0 0.0 1.0 0.0 1.5 130.5
충청북도 진천군 이월면 노원리 2006-7-28 602 0.0 0.0 2.5 34.5 17.0 226.0
충청북도 충주시 신니면 광월리 2006-7-28 619 0.0 0.0 2.0 31.5 16.5 240.0
충청북도 충주시 소태면 양촌리 2006-7-28 620 0.0 0.0 1.0 26.5 23.0 188.5
충청북도 단양군 영춘면 하의리 2006-7-29 638 0.0 0.5 23.0 11.0 77.5 225.0
전라남도 강진군 작천면 2006-8-30 745 0.0 0.0 101.0 0.0 8.5 48.5
2005 강원도 화천군 상서면 파포리 2005-6-27 322 0.0 0.0 0.0 0.0 16.0 71.0
경상북도 봉화군 석포면 대현리 2005-7-1 831 31.0 29.5 13.5 33.5 0.0 119.5
경상북도 봉화군 상운면 구천리 2005-7-1 835 52.0 19.5 2.0 43.0 0.0 92.5
전라북도 무주군/장수군 2005-7-2 701 3.5 15.0 6.5 0.0 58.5 117.0
경상남 거창군 고제면 하수리 2005-8-3 946 43.0 0.0 0.0 11.5 39.0 98.0
전라북도 완주군 소양면 율곡마을 2005-8-3 734 0.5 0.0 1.5 22.5 49.0 106.5
전라북도 김제시 금산면 중원마을 2005-8-3 317 9.0 0.0 26.0 30.5 30.5 158.0
전라북도 무주군 안성면 죽장리 2005-8-3 314 38.0 0.0 0.0 23.0 38.5 312.0
전라북도 진안군 진안읍 오천리 2005-8-3 703 21.5 0.0 0.0 31.5 28.5 219.0
전라북도 장수군 계북면 농소리 2005-8-3 758 25.5 0.0 1.0 32.0 27.5 242.0
경상남도 사천시 2005-8-8 917 50.5 0.0 0.0 0.0 0.0 199.0
경상남도 고성군 상리면 고봉마을 2005-8-8 918 1.5 0.0 0.0 0.0 0.0 170.0
경상남도 부산 금정구 반영리 2005-9-6 939 0.0 0.0 0.0 0.0 7.0 206.0
경상북도 포항시 남구 동해면 석리 2005-9-6 816 0.0 0.0 25.5 16.0 16.0 438.0
경상북도 경주시 양북면 장항1리 2005-9-6 859 0.0 6.5 1.5 8.5 60.0 402.5
충청남도 천안시 입장면 양대리 2005-9-17 617 0.0 32.0 0.5 0.0 0.0 182.5
2004 강원도 삼척시 하장면 갈전리 2004-6-19 579 0.0 0.0 0.0 16.5 0.0 43.5
경상북도 청송군 파천면 옹전리 2004-6-20 803 0.0 0.0 33.5 0.5 95.5 105.5
강원도 평창군 평창읍 하2리 2004-6-20 526 0.0 0.0 17.5 0.5 52.0 201.0
경상남도 창원시 북면 내곡리 2004-7-4 904 0.0 41.0 9.0 61.0 9.5 48.5
강원도 홍천군 두촌면 철정리 2004-7-13 522 7.5 0.0 15.0 5.0 16.5 69.5
경상북도 상주시 공성면 우하리 2004-7-16 821 6.5 21.0 0.5 42.5 12.0 120.5
경기도 안성시 금광면 옥정리 2004-7-16 516 18.0 41.5 1.5 3.5 94.5 107.0
강원도도 홍천군 화촌면 주음치리 2004-7-16 522 5.0 116.5 69.5 1.5 17.5 95.5
강원도 홍천군 남면 유목정리 2004-7-16 573 5.5 94.5 87.5 7 42.5 136
강원도 강릉시 강릉면 안인진리 2004-8-17 580 0.0 3.0 9.5 0.0 20.5 41.5
전라남도 보성군 2004-8-18 732 0.0 4.0 1.5 11.0 2.0 177.0
2003 경상남도 울산시 동구 염포동 2003-7-5 949 0.0 0.0 0.0 0.0 0.0 174.5
전라남도 영광군 홍농읍 상하리 2003-7-11 705 79.5 16.5 7.0 106.0 51.5 73.5
충청남도공주시 2003-7-22 612 5.5 49.0 2.0 36.5 0.0 189.0
충청북도 제천시 백운면 모정리 2003-7-25 325 0.5 0.0 98.5 14.0 3.5 92.0
전라북도 남원시 대강면 2003-8-19 729 0.0 0.0 16.5 3.0 66.0 124.5
강원도 철원군 근남면 사곡2리 2003-8-23 323 0.0 11.5 73.0 2.5 0.0 180.0
경상북도 밀양시 청도면 청도리 2003-9-12 813 0.0 11.5 29.0 0.0 9.5 280.5
경상북도 경주시 양북면 봉길1리 2003-9-12 859 2.0 1.5 7.5 0.0 14.5 196.5
경상북도 김천시 대덕면 중산리 2003-9-12 809 15.5 16.5 5.0 0.0 4.0 247.0
경상북도 울진군 원남면 덕신1리 2003-9-12 817 8.0 42.5 42.5 1.0 1.0 235.0
경상남도 합천군 용주면 장전리 2003-9-12 945 37.0 3.5 17.0 0.0 4.0 227.5
충청북도 단양군 단성면 북하리 2003-9-12 639 21.5 10.0 26.0 0.0 0.0 60.5
전라남도 구례군 광의면 성삼리 2003-9-12 315 1.5 18.5 3.5 0.0 4.5 248.5
전라남도 광양시 진상면 2003-9-12 932 0.0 2.5 13.5 0.0 9.0 250.0
경상북도 안동시 임동면 갈전리 2003-9-12 819 4.5 6.5 39.0 0.0 1.0 102.0
경상북도 영주시 평은면 강동2리 2003-9-12 837 18.0 6.0 46.5 0.5 1.0 68.0
경상북도 청송군 안덕면 신성리 2003-9-12 836 1.5 4.5 44.5 0.0 1.5 257.5
경상북도 영양군 토계2리 2003-9-12 801 9.0 3.0 53.0 0.0 1.0 223.5
전라남도 여수시 안산동 2003-9-12 786 0.0 0.0 31.5 0.0 58.5 333.5
경상북도 영양군 영양읍 무창리 2003-9-13 801 0.0 3.0 53.0 0.0 1.0 223.5
강원도 평창군 도암면 차항2리 2003-9-13 318 36.0 24.0 0.0 0.5 123.5 103.5
강원도 속초시 청호동 2003-9-12 625 5.5 13.5 61.5 1.0 1.0 96.5
경상남도 거창군 2003-9-12 311 0.0 7.5 3.0 1.0 4.5 233.5
2002 전라남도 광양시 진상면 2003-9-12 932 0.0 2.5 13.5 0.0 9.0 250.0
경상북도 안동시 임동면 갈전리 2003-9-12 819 4.5 6.5 39.0 0.0 1.0 102.0
경상북도 영주시 평은면 강동2리 2003-9-12 837 18.0 6.0 46.5 0.5 1.0 68.0
경상북도 청송군 안덕면 신성리 2003-9-12 836 1.5 4.5 44.5 0.0 1.5 257.5
경상북도 영양군 토계2리 2003-9-12 801 9.0 3.0 53.0 0.0 1.0 223.5
전라남도 여수시 안산동 2003-9-12 786 0.0 0.0 31.5 0.0 58.5 333.5
경상북도 영양군 영양읍 무창리 2003-9-13 801 0.0 3.0 53.0 0.0 1.0 223.5
강원도 평창군 도암면 차항2리 2003-9-13 318 36.0 24.0 0.0 0.5 123.5 103.5
강원도 속초시 청호동 2003-9-12 625 5.5 13.5 61.5 1.0 1.0 96.5
경상남도 거창군 2003-9-12 311 0.0 7.5 3.0 1.0 4.5 233.5
강원도 양양군 서면 수상리 2002-8-31 593 0.0 26.0 0.0 0.5 20.0 340.5
경상남도 산청군 산청리 2002-8-31 916 0.0 52.0 1.5 0.0 12.5 196.0
경상남도 진주시 가좌동 2002-8-31 929 0.0 29.0 0.0 0.0 19.0 240.5
경상남도 산청군 생초면 2002-8-31 912 0.0 29.5 10.5 0.0 20.0 209.5
경상북도 김천시 지례면 신평리 2002-8-31 809 1.5 5.0 2.0 0.0 16.0 343.5
경상북도영천시대창면 2002-8-31 840 0.0 0.0 4.5 0.0 14.0 133.5
경상북도 경주시 외동읍 문산리 2002-8-31 829 0.0 0.0 0.0 0.0 10.0 191.5
전라남도 여수시 돌산읍 금성리 2002-8-31 786 0.0 0.5 0.0 0.0 8.0 237.0
강원도 강릉시 2002-8-31 524 0.0 3.0 0.0 0.0 11.5 481.0
강원도 강릉시 주문읍 2002-8-31 523 0.0 4.0 0.0 0.5 6.5 364.5
강원도도 속초시 청호 2002-8-31 625 0.0 7.5 0.0 0.0 1.0 154.0
경상남도 함양군 2002-8-31 912 0.0 29.5 10.5 0.0 20.0 209.5
전라북도 무주군 무풍면 금평리 2002-8-31 735 0.0 1.0 1.0 1.0 1.0 573.0
경상북도 성주군 금수면 봉두리 2002-9-16 810 0.0 0.0 0.0 0.0 29.0 42.5
2001 경상남도 함안군 군북면 명관리 2001-6-24 936 36.5 0.0 0.0 0.0 5.0 134.5
전라북도 남원시 대강면 사석리 2001-6-24 768 10.5 0.0 19.0 0.5 5.0 155.5
강원도 인제군 남면 어론리 2001-7-23 585 0.0 0.0 1.0 4.0 0.5 54.0
강원도 인제군 상남면 상남리 2001-7-23 557 0.0 0.0 0.5 3.0 99.0 145.0
강원도 홍천군 화천면 풍천리 2001-7-23 522 0.0 0.0 4.0 4.5 140.5 160.5
강원도 횡성군 공근면 초원리 2001-7-23 536 0.0 0.0 6.5 3.5 13.5 124.0
경상남도 사천시 사남면 계양리 2001-7-31 917 0.0 0.0 0.0 0.0 10.0 91.5
경상남도 사천시 향촌동 이치마을 2001-7-31 907 0.0 0.0 0.0 0.0 56.5 183.5
2000 전라남도 여수시 돌산읍 군내리 2000-7-14 786 0.0 65.0 1.5 0.0 0.0 125.5
경상남도 김해시 생림면 나전리 2000-7-14 925 0.0 9.0 43.0 0.0 0.0 86.0
전라남도 구례군 토지면 외곡리 2000-7-15 791 137.5 20.5 0.0 0.0 61.0 108.0
경기도 화성시 향남면 장짐리 2000-7-22 515 0.0 0.0 9.0 0.0 0.0 326.0
경상북도 성주군 수륜면 보월1리 2000-7-23 812 0.0 6.5 0.5 0.0 0.0 143.5
강원도도 춘천시 사북면 고탄리 2000-8-25 519 92.0 12.0 0.5 1.0 2.0 85.0
인천시 남동구 만수2동 2000-8-25 511 97.5 22 0.0 7 11.0 131.5
충청남도 서천군 문산면 금복리 2000-8-26 635 32 0.0 0.0 97.5 56.5 223.0
경상남도 산청군 생초면 어서리 2000-9-13 912 20.0 1.5 0.0 2.0 14.5 101.5
경상남도 고성군 마암면 2000-9-16 929 5.0 8.0 96.5 53.0 22.0 119.5
경상남도 함안군 산인면 모곡리 2000-9-16 920 2.0 14.0 96.5 42.5 16.5 140.0
1998 충청북도 보은읍 죽전리, 교사리 1998-8-12 보은 2.5 13.0 11.0 6.5 108.0 407.5
경상북도 상주시 화서면 1998-8-11 문경 58.0 10.0 65.0 14.5 5.0 114.5
경기도 의정부시 장흥면 1998-8-6 동두천 30.4 0.0 14.7 72.7 146.0 208.5
강원도 화천군 화천읍 동촌2리 1999-8-2 춘천 45.5 7.8 11.3 31.2 237.2 182.2
경상북도 포항 1998-7-26 138 77.0 9.0 0.0 0.0 60.3 90.0
1997 전라남도 여천군 화양면 장등리 1997-6-27 여수 0.0 0.0 0.0 0.0 95.8 163.0
1996 강원도 철원 동송읍 대마리 1996-7-26 95 71.4 21.4 0.0 21.3 0.8 224.7
1995 충청남도 공주시 중학동 1995-8-25 부여 144.0 0.0 0.0 27.0 28.5 197.0
1991 경기도 용인군 원삼면 죽릉4리 1991-7-23 549 0.7 34.7 7.2 4.3 58.8 218.2
경기 수원 1991-7-22 수원 34.7 0.0 7.2 4.3 58.8 218.2
1990 충청북도 단양군 매포읍 평동5리 1990-7-14 제천 0.0 0.0 34.8 8.5 0.0 72.0
경기도 인천 송림동 1990-9-11 인천 0.0 0.0 4.8 46.4 127.3 255.3
경기 수원시 장안구 화서동 1990-9-11 수원 0.9 0.0 0.0 14.0 276.3 239.3
산사태 발생 이전 누적강우량과 발생당일 강우량의 비교는 산사태 발생의 원인이 당일 강우량과 누적 강우량과의 관계를 분석하기 위하여 수행하였다. 도 5a 내지 도 5c는 연도별로 산사태발생일 이전의 누적강우량(1일, 3일 5일)과 발생당일의 강우량을 대비하여 나타낸 것이다. 가로축에는 산사태발생일로 추정된 날의 강우량을 그리고 세로축에는 선행누적강우량이 산사태 발생당일의 강우량은 포함하지 않고 그 이전 1일간, 3일간 5일간의 누적강우량을 의미한다. 도 5a 내지 도 5c는 이들 세 경우의 누적강우량들을 나타낸 것이다. 구축된 자료에 45°중앙경계선을 기준으로 상부영역에 점시되면 당일강우량에 영향을 받아 산사태가 발생된 것으로 보았으며, 반대로 하부영역에 점시되면 누적강우량에 의한 것으로 보았다. 이러한 판단을 기준으로 2000년대 산사태를 분석해 보면 산사태 발생 당일 강우량과 발생 1일전의 누적 강우량을 도식한 도 5a의 경우 45°중앙경계선을 기준으로 상부와 하부에 도식되는 산사태가 명백히 구분되고 있다. 산사태 발생은 당일강우에 의한 영향이 큰 것으로 판단된다. 산사태 발생 당일 강우량과 발생 3일전의 누적 강우량을 도식한 도 5b의 경우 45°중앙경계선을 기준으로 상부와 하부에 균등하게 분포하는 양상을 나타내고 있다. 산사태 발생이 당일 강우량과 3일 누적 강우량과 균등한 영향을 받은 것으로 사료된다. 산사태 발생 당일 강우량과 5일 이상의 누적 강우량을 비교한 5c를 보면 45° 중앙경계선을 기준으로 상부보다는 하부쪽에 더 많은 산사태 발생이 분포하게 되는 것을 알 수 있다. 이는 5일 누적강우에 의한 영향을 당일강우에 의한 영향보다 많이 받는다는 것으로 판단된다. 따라서 산사태에 미치는 영향이 당일강우량에 의하는가 누적강우량에 의하는가를 구별하는 위해서는 누적강우량을 3일 이내로 함이 바람직하다. 도 5a 내지 도 5c를 보는 바와 같이 강우량과 산사태 발생 관계는 전반적으로 당일 강우량과 누적강우 3일이 밀접한 연관이 있다. 5일 이상의 누적강우량이 발생하면 산사태 발생이 누적 강우량에 의한 영향 여부 파악이 어려워진다.
<누적 강우량과 산사태 발생수 정리>
Classification Over Under
1일 누적 강우량과 산사태 발생 관계 숫자 162 24
3일 누적 강우량과 산사태 발생 관계 숫자 86 80
5일 누적 강우량과 산사태 발생 관계 숫자 56 130
한편, 전술한 바와 같이 작성된 산사태 취약성도는 개념상 현재까지의 강우량에 의한 피해를 바탕으로 제작된 것이기 때문에 미래 강우사상의 변화를 고려하지 못한다. 따라서 본 발명에서 매개변수 계산부(170)는 상기 분석된 강우량별 산사태 발생 상관관계를 반영하여 확률강우량 산정 및 미래기후변화 시나리오 통계적 공간해상도 상세화 방식으로 미래 기후변화에 따른 미래 강우량 변화 관련 매개변수를 계산한다.
확률강우량은 지속시간별 일간 최대치 수문자료를 이용하여 특정 재현기간에 해당하는 빈도해석을 통하여 계산된다. 확률강우량을 바탕으로 매개변수를 추정하여 확률강우량의 변화를 미래 강우량의 변화로 타 연구 결과에 적용할 수 있다.
수문자료 해석에 일반적으로 사용되는 확률분포형으로 gamma 분포형, GEV(Genera1 Extreme Value)분포형, Gumbel 분포형, log-Gumbel 분포형, lognormal 분포형, log-Pearson type III 분포형, Weibull 분포형, Wakeby 분포형이 있다. 대상자료가 추출된 모집단의 특성을 나타내기 위하여 기지의 매개변수를 갖는 확률분포형을 가정하여 분석하는 것이 빈도해석에 있어서 주된 내용이며 각 확률분포형의 확률밀도함수 또는 누가분포함수는 다음의 표와 같다.
<확률강우량 확률 분포형 함수 정리>
확률분포형 확률밀도함수 또는 누가분포함수
Gamma
Figure pat00049
GEV
Figure pat00050
Gumbel
Figure pat00051
Log-Gumbel
Figure pat00052
Lognormal
Figure pat00053
Log-Pearson
type Ⅲ
Figure pat00054
Weibull
Figure pat00055
Wakeby
Figure pat00056
1) 모멘트법
모멘트법은 매개변수 추정방법이 간단하여 가장 널리 사용하는 방법 중의 하나로 모집단의 모멘트(Population moments)와 표본자료의 모멘트(sample moments)를 같다고 가정하여 적용 확를분포형의 매개변수를 추정하는 방법이다. Fisher(1922)는 본래 고유의 정확도와 가장 효율적인 통계치의 정확도의 비로써 통계적 효율성(efficiency of a statistic)을 정의하였고, gamma-3 분포에 대하여 모멘트법의 통계적 효율성을 유도하였다. Kendall과 Stuart(1960)는 Pearson type IV 분포와 몇 가지 이산형 분포형에 대하여 모멘트법의 효율성을 검토한 바 있다. 이 효율성은 일반적으로 왜곡된 분포인 경우 1보다 작으며, 정규분포와 같은 대칭형 분포는 1이거나 거의 1과 가깝게 나타난다. 따라서 대칭형 분포의 경우에는 최우도법과 같은 다른 매개변수 추정방법들이 모멘트법보다 우수한 결과를 얻는 것은 아니다. 그러나 대부분의 수문학적 확률변수는 다소 왜곡되어 있으므로 모멘트법에 의한 매개변수의 추정은 다소 효율성이 떨어진다고 할 수 있다.
2) 최우도법
Fisher(1922) 이래로 최우도법은 매우 폭 넓게 사용되었다. 최우도법은 추출된 표본자료가 나을 수 있는 확률이 최대가 되도록 매개변수를 추정하는 방법이다. 일반적으로 우도함수보다는 유도상의 편리성 때문에 대수 우도함수를 많이 사용하며 다음 수학식 32와 같이 대수 우도함수를 매개변수별로 미분한 다음 0으로 놓고 수학식 32의 조건을 만족하는 매개변수를 동시에 추정한다.
Figure pat00057
여기서,
Figure pat00058
는 대수 우도함수이고,
Figure pat00059
는 선정된 확률분포형의 매개변수이며, k는 선정된 확률분포함수의 매개변수 수이다. 일반적으로 최우도법은 가장 효율적인 추정치를 얻을 수 있으며, 표본자료의 크기가 충분히 클 때 다른 매개변수 추정방법에 대하여 추정치의 효율성을 비교하는 기준으로 사용된다(Mood 등, 1974). 그러나 최우도법은 모멘트법이나 확률가중 모멘트법과 달리 비교적 쉽게 매개변수 추정치를 얻을 수 없는 경우가 많다. 왜냐하면 많은 경우에 수학식 32가 비선형 방정식으로 표현되므로, 해를 얻기 위하여 Newton-Raphson법 같은 수치기법이 필요하기 때문이다.
3) 확률가중모멘트법
확률가중모멘트의 일반식은 아래와 같이 나타낼 수 있다.
Figure pat00060
여기서, p, r, s는 정수이고, 일반적으로 사용하는 모집단의 확률가중모멘트(PWM)는 수학식 34, 35로 나타나며, 각각에 대한 표본자료의 불편 확률가증모멘트(unbiased sample PWM)는 수학식 36, 37과 같이 표시할 수 있다.
Figure pat00061
Figure pat00062
Figure pat00063
Figure pat00064
여기서, x i 는 자료를 x 1 ≤…≥x N 와 같이 크기순으로 재정렬하였을 때, j번째 값이며,
Figure pat00065
으로 x는 표본자료의 평균을 나타낸다. 확률가중모멘트의 사용은 선정된 분포형의 형식에 따라 편리한 것을 사용한다. 즉, 수학식 34, 35 중 모집단의 확률가중모멘트를 구하는데 편리한 식을 사용하면 된다. 최근에 확를분포형의 매개변수 추정은 확률가중모멘트법이 보다 안정적인 결과를 얻을 수 있는 것으로 알려져 있어 널리 추천되고 있다.
4) Gumbel distribution
본 발명에 적용된 Gumbel 방법은 누가분포함수와 확률밀도함수이며 극치 수문현상의 적용에 보편적으로 가장 많이 활용되는 확률 분포형이다. 또한 2개의 매개변수를 갖는 Gumbel 분포의 확률분포함수는 수학식 38과 같이 주어진다. 모맨트법을 사용하여 추정된 Gumbel 분포형의 매개변수 α, x는 다음과 같다.
Figure pat00066
Figure pat00067
Figure pat00068
수학식 39, 40에서 보는 바와 같이 표본자료의 평균, 표준편차
Figure pat00069
를 구하여 매개변수를 산정하였다.
각 확률분포형별로 4가지 매개변수 추정방법에 의해 추정된 매개변수는 각 확률분포형에 따른 매개변수 적합성 조건을 만족해야 하며, 다음의 표는 각 확률분포형의 확률변수의 범위 및 적합성 조건을 나타내고 있다.
<확률강우량 변수의 범위 및 매개변수 적합성 조건>
확률분포형 확률변수의 범위 및 매개변수 적합성 조건
Gamma
Figure pat00070
일 때
Figure pat00071

Figure pat00072
일 때
Figure pat00073

Figure pat00074
GEV
Figure pat00075
일 때 GEV-1 :
Figure pat00076

Figure pat00077
일 때 GEV-2 :
Figure pat00078

Figure pat00079
일 때 GEV-3 :
Figure pat00080
Gumbel
Figure pat00081
Log-Gumbel
Figure pat00082
,
Figure pat00083
,
Figure pat00084
Lognormal
Figure pat00085
Log-Pearson
type Ⅲ
Figure pat00086
일 때
Figure pat00087

Figure pat00088
일 때
Figure pat00089
Weibull
Figure pat00090
,
Figure pat00091
,
Figure pat00092
Wakeby b = d > 0 또는 b = cd = d = 0
뮤 = 0 이면 b = 0, cd = 0 이면 d = 0,
cd
Figure pat00093
0, 뮤 + cd
Figure pat00094
0, b > -1 이고 d < 1
본 발명에서는 적정 확률분포형을 선정하기 위하여 첫째, 빈도해석을 위해 강우자료 구축은 대상지점의 강우관측소에 관측한 시간강우량을 활용하여 연 최대치 강우량을 선정한다. 둘째, 선정된 강우자료에 대한 자료의 분포특성, 자료의 대칭성을 파악하고자, 평균 표준편차, 분산, 변동계수, 왜곡도 계수, 첨예도 계수등의 기본 통계값 및 예비해석을 시행하였다. 셋째, 빈도해석에 적용할 확률분포형으로 Gumbel 분포형을 선정하였다. 넷째, 대상자료에 적용할 확률분포형 매개변수를 추정하기 위하여 모멘트법(Method of Moment)을 적용하였다. 다섯째, 적용된 확률분포형에 의해 구해진 매개변수 값이 적용확률분포형의 확률변수 및 매개변수가 적합석 조건을 만족하는지 여부를 파악하는 것이다. 이를 적합도 검정이라 하며 대표적으로 X2(Chi-Square), K-S(Kolmogorov-Smirnov), CVM(Cramer Von Mises), PPCC(Probability Plot Correlation Coefficient) 검정 등이 있다. 최종적으로 적정 확률분포형을 선정하게 되면 재현기간별 확률강우량을 산정하였다.
한편, 기후변화 시나리오를 포함하여 기후변화 연구에 활용되는 공간정보의 특성은 공간상 연속적으로 연결되어야 한다. 그러나 과거 관측 기후자료 및 미래 예측 기후 자료들은 점 형태의 대표값으로 구성되어 있으며, 대표값이 없는 지역의 경우 공간통계적보간법을 통하여 유추하여야 한다. 보간 또는 내삽이라는 방법은 관측지점의 값을 바탕으로 미 관측지점을 및 주변 값들을 유추하여 연속적인 공간분포자료형태로 만드는 것이다.
공간보간법은 그 특성에 따라서 다양한 방법들이 활용되지만, 본 특허에서는 Co-Kriging 방법을 활용하였다. Co-Kriging은 관심 있는 지점에서 특성치를 알기 위해 이미 그 값을 알고 있는 주위의 값들의 선형 조합으로 그 값을 예측하는 지구통계학적 기법이다. 이 방법은 보간을 위해 주위의 실측값들을 선형으로 조합하며, 이러한 통계학적인 방법을 이용하여 값을 추정한다. Co-Kriging은 주변의 많은 측정값을 통계적으로 분석하여 값을 추정한다. 즉, 값을 추정할 때 실측값과의 거리뿐만 아니라 주변에 이웃한 각 측정값 사이의 상관강도를 반영한다. Co-Kriging은 전체적인 경향을 파악하는데 유리하다(Kurtzman 1999). 활용된 Co-Kriging 방정식은 아래의 수학식 41과 같다.
Figure pat00095
u, uα: 추정 위치와 알고 있는 자료 위치
n(u) : 주변에 활용되는 자료로부터 추정되는 Z*(u)
m(u), m(uα) : Z(u)와 Z(uα)의 예상 값
λα(u): Co-Kriging 가중치
본 발명에서 활용된 방식은 전술하였듯이 넓은 지역의 경향을 파악하는데 유리한 Co-Kriging 기법이며, 이 방식은 미관측지점에 대한 추정치의 산정은 주변 관측지점과 선형의 관례를 고려하여 가까울수록 해당 관측지점의 관측치의 영향을 크게 반영되는 방식을 적용하였다. 즉 미관측지점과 주변 관측지점들 간의 선형의 유형을 유추하고 거리와 관측치의 반비례적으로 반영한 것이다.
지형학적 인자 중 기후요소인 강우 와 기온의 시공간 변화에 가장 큰 영향을 미치는 인자는 고도이다. 특히 기후요소 중 기온은 고도의 영향을 많이 받는데, 대류권 내에서는 고도가 상승함에 따라 기온은 하강한다(이승호, 2007).
또한 일반적인 지리정보의 내삽기법을 적용하였을 경우 공간적 의존성의 구조가 다른 요소들에 의해 심하게 왜곡되는 경우가 발생하여 정확한 추정이 이루어 질 수 없다. 본 특허에서는 기온 및 강우량이 변수에 해당되며 공간적 의존성을 훼손하는 인자가 고도이다. 이러한 문제점을 해결하기 위하여 일반적인 Co-Kriging기법에서 고도 자료를 직접 고려할 수 있는 Co-Kriging기법을 적용하였다. Co-Kriging은 보간 자료를 공간 추정 과정에서 고려하는 방식이다. 기온과 강우량 자료는 고도 자료와 선형 상관관계를 가지고 있기 때문에(박노욱, 2008) 미관측 지점에서의 기온 혹은 강우량 값을 추정하는 데 있어서 고도 자료가 부가적인 정보를 제공하여 유추되는 측정값의 오차를 줄일 수 있다.
수치표고자료와 같이 연구지역의 모든 지점에서 이용한 자료를 Co-Kriging에 이용할 경우, 인접한 고도자료의 상관성이 기온 혹은 강수 샘플값들의 상관성보다 크기 때문에 Co-Kriging 시스템의 가중치 행렬을 구하는데 있어서 불안정성을 가져온다고 알려져 있다(Goovaerts, 1997). 또한 추정 위치에 존재하거나 근접한 위치에 존재하는 고도자료가 거리적으로 떨어진 고도자료의 영향을 가리는 효과가 나타날 수 있다. 이러한 오차 발생 요인을 저감하기 위하여 본 연구에서는 기존 Co-Kriging에서 전역적으로 이용가능한 부가 자료의 이용을 추정위치에서의 부가 자료값으로만 제한하는 colocated Co-Kriging을 적용하였다. Colocated Co-Kriging에 대한 자세한 설명은 Goovaerts(1997), Deutsch and Journel(1998), Maand Journel(1999)를 참조할 수 있다.
Figure pat00096
y(u): 샘플링되지 않은 위치 u에서 고도값
my, mz: 고도 자료와 기온 혹은 강우량 자료의 평균값
본 발명에서 사용되는 고도 자료는 축척 1:25,000의 수치지도를 원시자료로 사용하였으며, 공간해상도는 30mm의 DEM(Digital Elevation Model)자료로 변환하였다. 본 발명에서는 전국 75개 기후 관측소의 위치를 도면으로 구축하였으며, 남한의 해안선 경계는 중분류 토지피복지도의 육지부분을 선정하여 자료를 구축하였다. 1971년부터 2000년도까지 75개 기상관측지점에서 얻어진 관측값은 각 지점의 해발고도와 온도계 및 우량계의 지상높이가 각각 다르기 때문에 고도에 따른 기온 감율을 고려하여 윤진일 등(2001)이 제안한 기온 감율 보정식을 적용하였다(수학식 43, 44). 강수자료의 경우 고도에 따른 강수 증감율을 고려하였다(Smith 등 2007)(수학식 45).
Figure pat00097
|τ|: 연중 날짜에 따른 기온감율 절대값
i : 연중 날짜 (1/1일 = 1, 12/31일 = 365)
Figure pat00098
Figure pat00099
확률강우량에 의하여 산정된 미래 강우량의 변화는 과거 강우량을 바탕으로 미래 동일 강우량이 발생할 수 있는 확률적 요소로 분석된다. 예를 들어, 확률강우량의 결과가 목표연도 2년, 지속시간 1일의 132.9mm가 의미하는 것은 연구지역에 1일 동안 132.9.mm 이상의 강우량이 발생하기 위해서는 2년 빈도라는 확률을 의미한다. 같은 맥락에서 목표연도 100년, 지속시간 3일의 447.8mm가 의미하는 것은 3일 동안 447.8mm가 올 수 있는 빈도는 100년에 한번이라는 것이다. 미래 기후변화 시나리오를 통하여 예측되는 강우량의 변화는 미래 기후변화 시나리오로 자체가 기후변화 정량적 의미를 지니기 때문에 확률강우량과 같은 추가 해석은 필요 없다. 즉, 2100년 7월 200mm라고 명시되면 이 값이 예측 값으로 환산한다. 확률강우량과 미래 기후변화 시나리오의 미래 예측값을 전술된 Gumbl 방정식을 적용하여 매개변수로 전환하였다.
본 발명에 적용된 Gumbel 방법은 누가분포함수와 확률밀도함수이며, 극치 수문현상의 적용에 보편적으로 가장 많이 활용되는 확률 분포형이다. 또한, 2개의 매개변수를 갖는 Gumbel 분포의 확률분포함수는 전술된 하기의 수학식과 같이 주어진다. 확률강우량 방식과 관련하여 매개변수 계산부(170)는 아래의 식에 의해 미래 연도별 확률강우량 매개변수를 계산하는 제1 매개변수 계산부(171)를 포함한다. 모맨트법을 사용하여 추정된 Gumbel 분포형의 매개변수 α, X는 다음과 같다.
Figure pat00100
Figure pat00101
Figure pat00102
f(x) : 미래 연도별 확률강우량
α, X0 : 미래 연도별 확률강우량 매개변수
σ: 규모 매개변수
x: 형상 매개변수
x0: 위치 매개변수
w: 왜도계수, 1.1396
한편, 미래기후변화 시나리오 통계적 공간해상도 상세화 방식과 관련하여 매개변수 계산부(170)는 다운스케일링부(172), 기온감률 적용부(173), 강우도 작성부(174), 제2 매개변수 계산부(175)를 더 포함한다.
다운스케일링부(172)는 특정 지역의 과거 강우량 자료를 대상으로 미래기후변화 시나리오를 다운스케일링한다.
기온감률 적용부(173)는 다운스케일링된 미래기후변화 시나리오에 기온감률을 적용한다.
강우도 작성부(174)는 적용된 정보를 기초로 미래 연도 및 월별 강우도를 작성한다.
제2 매개변수 계산부(175)는 작성된 미래 연도 및 월별 강우도를 분석하여 미래 월별 강우량 매개변수를 계산한다.
상기 산사태 위험도 도출부(190)는 아래의 수학식 47에 의해 특정 지역(i, j)에서의 산사태 위험도를 계산한다. 즉, 계산된 확률강우량의 빈도 확률 및 미래 기후변화 시나리오의 예측값을 매개변수로 전환하여 다음의 수학식 47에 적용하여 미래 확률 강우량을 반영한 미래 산사태 위험도를 분석한다.
Figure pat00103
PH: 산사태 위험도
Ps: 산사태 취약성도
Ti : 산사태 발생 강우량의 임계치
a: 미래 연도별 확률강우량 매개변수
b: 미래 월별 강우량 매개변수
(i, j): 특정 지역의 좌표
e: 자연상수 2.781828
수학식 47은 Hakan A. Nefeslioglu(2011)등이 유도한 것으로 확률강우량에 따른 매개변수를 구축된 산사태 취약성도에 적용하여 산사태 위험도를 작성하는 것으로, 본 발명에 따른 매개변수 적용부(180)는 상기 계산된 매개변수를 상기 산출된 산사태 취약성도에 적용한다. 그리고 산사태 위험도 도출부(190)는 상기 적용된 정보를 기초로 미래 강우량 변화에 따른 산사태 위험도를 도출한다. 이러한 산사태 위험성 분석과 관련하여 강원도 인제 지역의 분석정보를 살펴보면 다음과 같다.
<강원도 인제 지역 목표연도별 확률강우량 분석>
목표년도 1 Day 3 Day
1year 132.9 163.5
3 year 156.9 199.5
10 year 217.4 290.0
50 year 291.5 400.9
100 year 322.9 447.8
<강원도 인제 지역 목표연도별 확률강우량을 활용한 매개변수>
1일 강우량 a b 3일 강우량 a b
1 year 38.95 69.74 2 year 28.85 56.28
3 year 47.95 81.51 3 year 33.71 65.17
10 year 70.79 110.98 10 year 46.06 87.49
50 year 98.99 146.96 50 year 61.28 114.76
100 year 110.94 162.19 100 year 67.74 126.30
<강원도 인제 지역 목표연도별 미래기후변화 시나리오 분석 현황>
1월 2월 3월 4월 5월 6월 7월 8월 9월 10월 11월 12월 평균 S/D
1년 12.6 22.0 161.0 58.4 81.5 33.6 108.6 225.3 182.1 38.1 31.4 17.4 81.0 69.20
3년 16.49 23.28 110.8 72.74 56.3 84.6 291.9 174.5 27.8 56.4 69.3 37.6 85.2 75.04
10년 24.6 36.4 39.8 54.0 72.2 96.9 270.4 190.6 169.0 37.6 51.1 36.5 89.9 74.92
50년 15.9 32.2 60.6 76.7 70.6 94.0 272.6 204.0 141.7 80.1 46.5 31.6 93.9 73.34
100년 31.5 39.0 59.7 87.8 72.3 103.6 243.6 212.5 197.4 70.2 51.6 31.4 100.1 71.69
<강원도 인제 지역 목표연도별 미래기후변화 시나리오 매개변수>
매개변수 a b
1년 53.95 49.86
3년 58.51 51.38
10년 58.42 56.19
30년 45.05 58.00
50년 57.18 60.86
100년 55.90 67.79
상기 분석을 통해 강원도 인제의 산사태 위험성을 시각적으로 나타내면 도 6a 내지 도 7e와 같다.
이와 같이, 본 발명은 지리정보를 이용하여 Frequency ratio, Logistic regression, Neural network의 공간 통계적인 방식을 통해 현 시점의 산사태 취약성도를 도출하고, 확률강우량과 미래 기후변화 시나리오를 통하여 계산된 미래 연도별 확률강우량 매개변수와 미래 월별 강우량 매개변수를 상기 도출된 현 시점의 취약성도에 적용하여 미래 산사태 위험도를 작성하고 있다. 즉, 본 발명은 산사태 발생의 외적요인(강우)과 내적요인(지질구조, 지형, 토질, 임상 등의 자연적 요인)을 동시에 고려하여 미래 강우량 변화를 산사태 취약성을 연계함으로써 미래 강우량 변화에 따른 산사태 위험도 분석의 정확성을 극대화시킬 수 있는 효과가 있다. 따라서 집중 호우에 의한 산사태 위험을 예측하여 산사태 방지 대책을 미리 마련할 수 있다.
<방법에 대한 설명>
본 발명의 산사태 위험성 분석 방법에 대해서 도 8 및 도 9에 도시된 흐름도와 더불어 도 3 내지 도 7e에 나타난 예시도를 참조하여 설명하되, 편의상 순서를 붙여 설명한다.
1. 항공사진정보의 지리정보 및 산사태 관련 정보를 수집하는 단계< S110 >
지리정보시스템(GIS)을 이용하여 항공사진정보의 지리정보 및 산사태 관련 방대한 정보를 계속적으로 수집한다. 이는 GIS 주제도를 수집하기 위한 구성으로, 이에는 토양, 지질, 수치지도 및 임상도 등이 포함된다.
2. 산사태 발생과 관련된 항목을 추출하는 단계< S120 >
상기 단계 S110에서 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출한다. 본 발명에서는 매년 우기에 발생한 연구지역의 산사태 위치파악을 위해 일차적으로 산사태 발생전후의 항공사진을 비교 후, 탐지된 산사태 발생위치의 정확성을 판단하기 위하여 현지답사를 실시하였다. 산사태 발생 전의 항공사진은 국토지리정보원(National Geographic Information Institute, NGII)에서 발행하는 1/20,000 축척의 항공사진 및 Daum에서 제공하는 50cm급 항공사진 등이 활용 가능하다. 이러한 항공사진을 시계열로 수집하고, 산사태 발생 이전과 이후로 나누어 비교한다. 즉, 두 시기의 항공사진을 비교하여 파악된 산사태 위치는 현장에서 실제 산사태 위치와 대조해본 결과 정확하게 일치하여야 한다. 또한, 각 해당 지자체 산림녹지과 등에서 제작한 재해대장의 산사태 사방공사 위치를 파악 함께 파악한다. 이러한 작업 절차를 통하여 산사태 위치 좌표는 GPS 자료 및 1:5,000 수치지형도를 이용하여 항공사진에 좌표를 입력 후 추출하여 점 형태의 자료로 구축하였다. 또, 본 발명에서는 일단 산사태 취약성을 계산하기 위하여 산사태 발생 관련 항목인 토양도, 지질도, 임상도 및 지질도 등의 개별 항목을 추출하였다.
3. 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화하는 단계< S130 >
상기 단계 S120에서 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화한다. 즉, 상기 수집된 GIS 주제도 좌표정보 및 속성정보를 보정하고, 개별 산사태 관련 주제도를 작성한다. 일반적으로 산사태가 발생하는 다양한 사건들은 여러 요인들의 복잡한 특성과 연관되어 발생한다. 따라서 사건의 예측분석을 위해서는 관련 요인들을 지리정보 환경의 공간 데이터베이스로 구축하는 것이 첫 번째 작업으로 수행되어야 한다. 공간 데이터베이스 구축을 위해 먼저 자료를 수집 후 입력자료의 구축형태를 점, 선, 면으로 설정, 공간자료의 속성 값 설정, 좌표계 설정 및 축척에 따른 공간해상도를 설정하였다. 좌표계는 Bessel 1841타원체를 기준으로 한 TM(Transverse Mercator)은 동부원점 127°E등을 사용하여 입력자료에 대한 좌표보정을 수행한다. 각 모델에 적합한 입력자료의 생성, 변환 및 정규화 작업은 Frequency ratio, Logistic regression 및 Neural Network 분석 전에 먼저 수행되어야 한다. 즉, 상기 단계 S120에서는 항공사진정보, 토양도, 지질도, 임상도, 지질도 등의 개별 항목의 속성정보, 좌표 정보가 통일성을 갖도록 정규화하는 것이다.
한편, 본 발명에서는 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용하는데, 각 통계적 분석방식에 적합한 방식으로 정보를 정규화하는 작업이 필요하다.
먼저, Frequency ratio에서는 등면적으로 등급화된 입력자료가 사용된다. 연속형 자료의 등급화는 복잡한 자료의 이해를 용이하게 해주는 특성이 있다. 특히, 산사태 관련 자료는 용량이 크고, 자료의 특성상 불확실성을 내포하고 있기 때문에 자료를 등급화함으로써, 자료에 내재된 불확실성의 배제할 수 있고 자료처리 속도를 향상시킬 수 있다. 실세계 자료를 등급화할 경우, 등급의 개수 및 방법에 대한 고려가 필요하다. 등급의 개수가 많을수록 자료의 정보가 많이 포함되겠지만 각 등급의 분포 면적은 균등하지 않을 수 있기 때문에 이는 확률 계산에 적합하지 않다. 이에 따라, 본 발명에서는 분석에 사용될 모든 요인에 대하여 각 등급별 등면적을 고려하여 적절하게 등급화하였다.
Logistic regression 및 Neural Network에서는 연속형 자료가 사용되는데, 본 분석에 사용되는 지공간 자료들은 서로 다른 단위를 가지고 있기 때문에, 상대적인 비교를 위해 정규화작업을 수행하였다. 산사태와 관련 있는 모든 요인들은 공간 데이터베이스로 구축하였고, 입력자료의 축척을 고려하여 5m × 5m 크기의 격자로 설정하였다.
4. 통계적 분석방식에 적용하는 단계< S140 >
상기 단계 S130에서 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용한다(S141, S142, S143).
5. 현 시점의 산사태 취약성도를 도출하는 단계< S150 >
상기 단계 S140에서 적용된 정보를 기초로 현 시점의 산사태 취약성도를 도출한다(S151, S152, S153)
이하에서는 상기 단계 S140과 S150에 관하여 상세히 살펴보기로 한다.
먼저, Frequency ratio 분석방식과 관련하여 산사태 취약성도는 아래의 수학식들에 의해 계산되는 것을 특징으로 한다.
각 항목의 등급별 우도비(likelihood ratio)의 합에 의해 계산되는 것을 특징으로 한다.
기후변화 시나리오를 포함하여 기후변화 연구에 활용되는 공간정보의 특성은 공간상 연속적으로 연결되어야 한다. 그러나 과거 관측 기후자료 및 미래 예측 기후 자료들은 점 형태의 대표값으로 구성되어 있으며 대표값이 없는 지역의 경우 공간통계적보간법을 통하여 유추하는 것이 일반적이다. 그러나 이러한 경우 유추지역에 대한 오류가 내포될 가능성이 높으며, 이것만으로는 효과적이라고 할 수 없기 때문에 추가정보를 활용하게 된다. 이때, 이용할 수 있는 통계적인 방법이 조건부확률의 원리이며, 그 응용으로 추론된 정리가 베이지안 정리이다. 이하의 사전확률(prior probability)이란 의사결정자가 활용하는 사전정보에 의한 확률(경험적, 주관적 성격이 강함)을 말하고, 사후확률(posterior probability)이란 표본정보에 의해 계산된 수정 확률을 말한다. 그런데 여기서 한 가지 주의할 것은 베이지안 이론은 위에서 제시한 조건부확률(conditional probability)의 형식을 취하기는 하나 그 논리는 다르다는 것이다. 즉, 조건부확률은 P(결과와 원인)를 나타내는 데 반해, 베이지안 이론은 P(원인과 결과)의 논리를 토대로 하고 있다. 간단히 말해서 베이지안 이론은 사전확률을 표본정보로써 수정하여 객관화한 사후확률을 구하는 과정이라고 말할 수 있으며, 이런 과정을 베이지안 분석이라 하고, 베이지안 분석을 통해 행하는 의사결정방법을 베이지안 의사결정 방법이라 한다.
베이지안 확률 모델을 벤 다이어그램을 이용하여 설명하면 도 3과 같다(Bonham-Carter, 1994). 연구지역을 표본공간 T로 표시하고 일정한 크기를 갖는 단위 픽셀 s로 나누면, N{T} = t/s는 표본공간 T에 대한 총 단위 픽셀들이 된다.
사건 발생지역을 점으로 표시하고 그 사상을 D로 나타내면 경우의 수는 N{D}로 나타낼 수 있으며, 표본공간 T에 대한 사전확률은 다음과 같다.
Figure pat00104
일정한 크기를 갖는 단위 픽셀들로 이루어진 연구지역 주제별 요소를 사상 B로 나타내면 경우의 수는 N{B}로 나타낼 수 있으며, 사상 D와 사상 B의 공통 사건의 경우의 수는
Figure pat00105
로 나타낼 수 있다. 사상 B가 발생하였을 때 사상 D가 발생할 가능성을 베이지안 이론을 적용하여 나타내면 다음과 같다.
Figure pat00106
P{D|B}는 사상 B가 발생하였을 때 사상 D가 발생할 가능성을 나타낸 사후확률을 나타내며, P{B|D}는 사상 D가 발생하였을 때 사상 B가 발생할 가능성을 나타낸 조건부확률을 나타내고, P{B}는 사상 B가 발생할 가능성을 나타낸 사전확률을 나타낸다. 같은 경우로써 여사상
Figure pat00107
가 발생하였을 때 사상 D가 발생할 가능성을 베이지안 이론을 적용하여 나타내면 다음과 같다.
Figure pat00108
수학식 48, 49를 odds로 표현하면 각각 다음과 같이 된다.
Figure pat00109
Figure pat00110
O{D|B}와
Figure pat00111
는 Posterior odds를 나타내며, O{D}는 Prior odds를 말한다. 수학식 52의 과정을 유도하면 다음과 같다. P{D|B}을 수학식 51을 이용하여 표현하면,
Figure pat00112
이 되고, 여기서
Figure pat00113
이므로,
Figure pat00114
이 된다.
Figure pat00115
,
Figure pat00116
로 표현하여 각각 유도하면 다음과 같다.
Figure pat00117
Figure pat00118
수학식 55, 56을 수학식 57에 대입하면,
Figure pat00119
이 되고,
Figure pat00120
은 수학식 48에 의해
Figure pat00121
이 된다.
그러므로 수학식 57은 수학식 51과 같이 표현되며, 수학식 52 또한 동일한 과정을 거친다.
수학식 51, 52에
Figure pat00122
.
Figure pat00123
은 각각 sufficiency ratio(LS), necessity ratio(LN)라고 하며, 또한 LS와 LN은 Frequency ratio라고 한다.
산사태 취약성 분석을 위하여 계산된 Frequency ratio를 각 요인의 등급에 부여한 후 중첩분석을 실시하여 수학식 59와 같이 산사태 취약지수(LSILR: Landslide Susceptibility Index by likelihood ratio)를 구하였다.
Figure pat00124
(LR = 각 요인의 등급별 Frequency ratio)
한편, Logistic regression 분석방식은 상기 정규화된 정보를 기초로 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치를 고려하는 방식이며, 산사태 취약성도는 경사도, 면적, 곡률, 지질, 목재의 직경, 타입, 밀도, 나이, 지형, 토양의 배수, 재료, 두께, 질감을 포함한 항목별 값에 의해 계산되는 것을 특징으로 한다.
Logistic regression이란, 단지 2개의 값만을 가지는 종속변수와 독립변수들간의 인과관계를 추정하는 하나의 통계기법이다. 즉, 사건이 일어날 확률을 직접적으로 추정할 수 있다. 회귀분석이란, 다수의 독립변수들을 가지고 하나의 종속변수를 예측하거나 설명하고자 하는 분석방법이다. 여러 독립변수와 하나의 종속변수를 측정하고 하나의 종속변수와 여러 독립변수들의 관계를 파악한다. 이러한 관계를 토대로 하여 종속변수를 예측하고자 하는 분석방법이다. 이러한 회귀분석에서는 독립변수의 변화에 따라 종속변수가 직선적인 관계로 변화한다고 가정하는 경우에 선형회귀모형을 실시한다. 독립변수의 변화에 따라 종속변수의 변화가 곡선적인 관계로 변화한다는 가정되는 경우에는 다항 회귀모형을 적용한다. 또한 회귀분석에서는 독립변수가 양적 변수인 경우에 적용하는 분석모형이지만 독립변수가 질적 변수인 경우에도 더미변수를 사용하여 회귀분석을 실시할 수 있다. 더 나아가 회귀분석은 종속변수가 연속변수인 경우에 적용하는 분석모형이지만, 종속변수가 분류변수인 경우에도 회귀모형을 실시할 수 있는데 이 경우에는 로지스틱 모형을 실시하여 회귀분석을 실시할 수 있다. Logistic regression은 종속변수가 두개의 집단으로 분류될 경우에 적합한 분석이다. 일반적으로 독립변수들이 등간 척도 이상이고, 변수들이 다변량 정규분포를 하는 경우에는 판별분석을 사용한다. Logistic regression은 독립변수가 명목척도 또는 서열척도와 같은 정성적인 척도와 등간 척도가 섞여 있으면서 변수들이 다변량 정규분포를 한다는 가정이 불명확할 때 사용할 수 있다. Logistic regression은 분석형태를 보면 회귀분석과 비슷하다. 종속 변수를 로그(log)로 변형하면 일반적인 선형회귀식 형태로 표현되기 때문이다. 로짓에서 가정하고 있는 모형은 다음과 같다.
Figure pat00125
Figure pat00126
로 표현되며, 식을 조정하면,
Figure pat00127
로 정리된다.
그리고 어떤 사건이 일어나지 않을 확률은 다음과 같다.
Figure pat00128
Logistic regression모형은 선형이 아니며 비선형 곡선을 이루고 있다. 즉, 독립변수와 발생확률과의 관계는 비선형적이다. 확률추정은 Z의 값에 상관없이 항상 0과 1 사이에 존재한다. 선형회귀모형에서는 최소자승법(LSM:Least-Squares Method)을 이용하여 모형의 모수를 추정하였지만, Logistic regression모형에서는 최대빈도추정법(MLE:Maximum-Likelihood Mehod)을 이용하여 모형의 모수를 추정한다.
독립변수와 종속변수 사이의 관계를 정확히 파악하기 위해서는 두 변수간의 규칙성을 나타내는 회귀식 또는 예측식을 구하는 회귀분석이 필요하다. 회귀분석에서는 독립변수의 일정한 값에 대응되는 종속변수의 값을 예측하기 위하여 회귀방정식을 구한다. 산사태와 관련된 요인들간의 상관관계를 분석하기 위해, 로지스틱 상관계수는 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치로써, 양의 값이면 해당 독립변수의 값이 클수록 산사태가 발생할 확률이 커지고, 음의 값이면 해당 독립변수의 값이 클수록 산사태가 발생하지 않을 확률이 커진다. 수학식 64를 적용하여 산사태 취약성도를 작성한다.
Figure pat00129
한편, Neural network 분석방식은 상기 정규화된 정보를 기초로 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 방식이며, 상기 산사태 취약성도는 상기 인지된 신경망에서의 항목별 상대적 가중치의 합에 의해 계산되는 것을 특징으로 한다.
Neural Network이란, 인간의 두뇌 작용을 신경 세포들 간의 연결 관계로 모델링한 것이다. 인간의 뇌에 대한 정보처리 과정을 단순히 모방해보자는 취지에서 출발하였으며, 생물학적 뉴런(neuron)의 구조 및 기능을 단순화하여 수학적 모델로 표시하고 이 뉴런 모델을 상호 연결시켜 망을 형성한 것이다. Neural Network은 자신이 가진 데이터로부터의 반복적인 훈련 과정을 거쳐 데이터에 숨어 있는 패턴을 찾아내는 모델링 기법이고, 계층구조를 갖는 수많은 프로세싱 요소로 이루어진 수학모형이며 신경망이론의 다양한 아키텍처를 이용하여 예측모델을 생성한다. 신경회로망을 구성할 때 가장 중요한 사항은 신경회로망의 특성을 좌우하는 두 가지 요소인 시냅스의 연결 방식과 뉴런의 훈련 규칙이다. 뉴런이란 신경 시스템에서 가장 기본적인 단위로 정보의 수용, 연산처리 출력의 전송 등의 기능을 한다. 이러한 역할을 가지는 뉴런은 다른 뉴런들로부터 정보를 입력받고 해석하여 다른 뉴런들에게 전달하는 방법을 규정해 놓은 소프트웨어이다. 신경회로망은 한 마디로 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 훈련이라고 한다. 훈련을 하려면 어떤 기준이 필요한데 그 평가 기준에 의해 평가한 결과를 피드백하여 처리기간의 가중치를 조절한다. 신경회로망의 여러 기능 중 본 연구에 사용된 특징 추출 기능은 신경회로망이 저장하고 있는 서로 다른 정보의 현저한 특징을 신경망 자체가 통계적으로 추출해 낼 수 있다.
Neural Network의 기본요소는 처리 노드이며, 여러 개의 노드가 각각의 층별로 배열되며 하나의 층으로부터 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이러한 Neural Network에서 사용되는 노드의 입력 값은 전 층으로부터의 출력값과 층간 가중치를 곱한 값들의 합이다. 즉, 다음의 수학식 65와 같이 표현된다.
Figure pat00130
여기서 W ji 는 노드 i와 j사이의 층간 가중치이며, Oi는 노드 i의 출력값이다. 주어진 노드 j로부터의 출력값은 다음의 수학식 66과 같이 계산된다.
Figure pat00131
여기서 함수 f는 비선형 시그모이드(sigmoid) 함수가 많이 사용되는데, 이 함수의 가장 큰 장점은 아래의 수학식 67과 같이 도함수가 함수 자체로 표현된다는 것이다.
Figure pat00132
이 함수는 트레이닝 데이터의 전진 전파(forward propagation) 동안에 계산되어지므로 역전파의 계산 시간이 감소된다. 이와 같이, 처리 노드는 층을 구성하고 다음의 층에 일반적으로 완전히 상호 연결되지만, 같은 층 내에서는 상호연결이 없다. 다층 퍼셉트론(multi-layer perceptron)은 여러 개의 층으로 이루어져 있으므로 비선형적으로 자료를 분리 가능하며, 일반적으로 3개 이상의 층으로 이루어져 있는데 정보가 인가되는 층은 입력층(input layer)이며 처리된 정보가 나타나는 층을 출력층(output layer)이라고 한다. 입력층과 출력층 사이의 모든 중간층을 은닉층(hidden layer)이라고 하는데 여러 개의 은닉층이 사용 될 수 있다(Atkinson and Tatnall, 1997). 각 노드 사이의 상호연결은 층간 가중치와 관련된다. Neural Network은 한 마디로 층간 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 훈련이라고 한다.
현재까지 다층 퍼셉트론에서 최소의 전체 훈련 에러를 얻기 위하여 상호 연결된 가중치를 조절하는 알고리즘 중 가장 많이 사용되는 알고리즘은 오류 역전파 알고리즘이다(Paola and Schowengerdt, 1995). 훈련의 목표는 신경망의 기대되는 출력값과 실제 출력값 사이에 전체 에러를 최소화하는 것이다. 오류 역전파 알고리즘은 일반화된 최소 평균 자승 LMS(least mean square) 알고리즘이다. 이 알고리즘은 원하는 출력값과 실제 출력값과의 차이의 제곱을 가장 최소화하고자 기울기 강화 방법을 적용한 알고리즘이다. 따라서 입력 노드와 관련 없는 클래스의 모든 노드가 원하는 출력값은 점점 낮아지고, 관련성이 많은 클래스의 모든 노드가 원하는 출력값은 높아지게 된다.
하나의 입력 훈련 패턴에 대한 에러는
Figure pat00133
로, 기대되는 출력 벡터의 함수는 d로, 실제 출력 벡터는 o로 표시한다. 이러한 에러는 다음의 수학식 68과 같이 표현된다.
Figure pat00134
이러한 에러는 Neural Network을 통하여 역으로 전파되는데, 일반적으로 층간 가중치를 변화시킴으로써 최소화하게 된다. 즉, 다음의 수학식 69와 같이 표현된다.
Figure pat00135
여기서 η는 훈련률 변수를
Figure pat00136
는 에러의 변화비를 나타내며, α는 모우멘텀 변수이다. 앞으로 나아가며 계산되는 신호값과 역전되는 에러의 과정이 반복되어 에러를 최소화하고 기대값에 도달하게 된다. 도 4는 가중치 결정을 위한 Neural Network 트레이닝의 흐름도이다. 본 발명에서는 위와 같은 Neural Network의 훈련 방법에 의해 얻어진 각 층간 가중치를 역으로 계산하여 입력자료가 분류에 얼마나 기여하였는지를 계산함으로써 산사태 분석시의 입력 요인의 중요도 즉 산사태 가중치를 구하였다.
Neural Network은 방법이 통계학적인 다른 분류와는 달리, 분포나 통계적 변수를 필요로 하지 않고 다른 특성을 갖는 데이터 종류에 대한 가중치를 알거나 특징화하지 않고도 분류과정에 이용될 수 있다는 것이다. 역전파 Neural Network의 첫 번째 특성은 정규분포를 이루지 않기 때문에 지공간 자료의 특성분석에 적합하다. 두 번째 특성은 가중치를 역으로 계산해줌으로써 입력자료의 중요도를 파악할 수 있다는 것이다. 본 발명에서는 Neural Network의 두 특성을 이용하여 지공간 자료들의 층간 가중치 값을 역전파하여 계산함으로써 입력자료에 해당하는 각 요인이 산사태에 미치는 가중치를 계산하고자 한다.
i개의 입력층, j개의 은닉층 그리고 k개의 출력층의 Neural Network 구조에서 출력층과 은닉층-출력층 노드 사이의 관계에서 출력값 O k 에 관한 은닉층 노드 j로부터의 출력값 O j 의 영향은 O j 에 관한 O k 의 편미분에 의해 표현된다.
Figure pat00137
위의 식은 (+)값과 (-)값을 가지는데 만일 은닉층에서 노드 j와 또 다른 노드 j o 의 상대적인 중요도만을 알기 원한다면 위의 식으로부터 절대값의 비로써 계산할 수 있다.
Figure pat00138
상기 수학식 71은 출력층 내의 특별한 노드에 대해 은닉층 내에 노드의 상대적인 중요도가 출력층 내의 노드에 연결된 가중치의 절대값에 비례함을 보인다. 노드의 상대적인 중요도는 다른 노드와 쉽게 비교하기 위해 정규화되어야 한다. 여기서, I, J와 K는 각각 입력층, 은닉층과 출력층의 개수이다.
Figure pat00139
노드 k에 관한 노드 j의 표준화된 중요도를 얻기 위하여, 은닉-출력층 사이의 가중치를 모두 더한 위의 식으로 각 노드별 가중치를 나눈 것이 수학식 73이다.
Figure pat00140
t jk 는 각각의 출력 노드에 각 은닉층 내의 노드가 기여하는 정도이다. 결론적으로 출력층 내에서 모든 노드들에 관하여 노드 j의 전체 중요도는 아래와 같이 계산될 수 있고
Figure pat00141
위의 과정과 같은 절차에 의해 노드 j에 관한 입력층 내의 노드 i의 정규화된 중요도는 아래의 식과 같이 정의된다.
Figure pat00142
그러므로 은닉층 내의 노드 j의 전체 중요도는 수학식 76과 같으므로
Figure pat00143
결론적으로 출력층에 대한 노드 i의 전체 중요도는 수학식 77과 같이 계산된다.
Figure pat00144
위에서 계산된 st i 값은 입력층의 각 노드가 출력층에 미치는 중요도를 의미하며, 이 값들의 상대적인 값은 GIS를 이용한 산사태 취약성 분석에 사용되는 각 산사태 발생요인들의 가중치가 된다.
본 발명에서의 훈련과정은 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 작업으로, 이를 통하여 Neural Network은 출력층에 대한 결과 즉, 산사태 발생 가중치를 계산하게 된다. Paola와 Schowengerdt(1995)에 따르면, 트레이닝 샘플은 샘플의 개수보다는 대표하는 지역을 잘 선택하는 것이 중요하다고 하였다. 그래서 산사태 발생 지역의 전체 셀 개수 중 50%만 랜덤 추출하여 산사태 발생 지역으로 트레이닝 하였고, 산사태와 관련된 17개의 요인들의 값은 0.1에서 0.9 사이의 값을 갖도록 정규화 하였다. 이는 Neural Network에서 추론능력의 향상을 위해 사용하는 시그모이드 함수가 0에서 1사이의 값을 갖기 때문이다. 따라서 역전파 알고리즘에 의해 기대되는 산사태 취약값은 0.9가 되고, 기대되는 출력값과 실제 출력값 사이의 오차를 0.1까지 줄여 나가기 위해 반복적인 역전파 알고리즘 훈련을 통하여 가중치를 결정하였다(표 8). 가중치를 계산하기 위해 Neural Network 구조는 13 × 28 × 1로 설정하였고, 목표 오차에 도달하기 전의 최대 반복횟수는 5,000번, 학습율은 0.01로 설정하여 요인들의 상대적 가중치를 계산하였다. 계산된 가중치를 각 요인에 부여하여 연구지역 전체에 대한 산사태 취약성도를 작성하였다.
한편, 이렇게 도출된 산사태 취약성도에 따라 취약한 우선순위의 특정 지역을 선정하며, 이 특정 지역에서의 산사태 위험도를 도출하기 위해서 본 발명에 따른 산사태 위험성 분석 방법은 다음 단계와 같이 진행된다.
1. 강우량별 산사태 발생 상관관계를 분석하는 단계< S210 >
상기 단계 S150에서 도출된 산사태 취약성도에 따라 선정된 특정 지역에서의 강우량과 산사태 발생의 상관관계를 분석하여 강우량별 산사태 발생 상관관계를 분석한다.
본 발명에서는 산사태 발생과 강우량과의 상관관계를 파악하기 위하여 본 발명에서는 1990년대부터 2000년대 남한 지역에 발생한 산사태와 강우량과의 상관관계 분석을 위하여 데이터베이스를 수집 및 구축하였다. 이에 관한 실시예는 앞서 살펴보았으므로, 생략하기로 한다.
2. 미래 기후변화에 따른 미래 강우량 변화 관련 매개변수를 계산하는 단계< S220 >
상기 단계 S210에서 분석된 강우량별 산사태 발생 상관관계를 반영하여 확률강우량 산정 및 미래기후변화 시나리오 통계적 공간해상도 상세화 방식으로 미래 기후변화에 따른 미래 강우량 변화 관련 매개변수를 계산한다.
먼저, 확률강우량 방식과 관련하여 매개변수 계산은 아래의 식에 의해 미래 연도별 확률강우량 매개변수를 계산한다(S221). 모맨트법을 사용하여 추정된 Gumbel 분포형의 매개변수 α, x는 다음과 같다.
Figure pat00145
Figure pat00146
Figure pat00147
f(x): 미래 연도별 확률강우량
α, X0: 미래 연도별 확률강우량 매개변수
σ: 규모 매개변수
x: 형상 매개변수
x0: 위치 매개변수
w: 왜도계수, 1.1396
미래기후변화 시나리오 통계적 공간해상도 상세화 방식과 관련하여 매개변수 계산은 특정 지역의 과거 강우량 자료를 대상으로 미래기후변화 시나리오를 다운스케일링하고(S222), 다운스케일링된 미래기후변화 시나리오에 기온감률을 적용하며(S223), 적용된 정보를 기초로 미래 연도 및 월별 강우도를 작성한 후(S224), 작성된 미래 연도 및 월별 강우도를 분석하여 미래 월별 강우량 매개변수를 계산한다(S225).
3. 매개변수를 산사태 취약성도에 적용하는 단계< S230 >
상기 단계 S220에서 계산된 매개변수를 상기 단계 S150에서 산출된 각각의 산사태 취약성도에 적용한다(S231, S232, S233)
4. 미래 강우량 변화에 따른 산사태 위험도를 도출하는 단계< S240 >
상기 단계 S230에서 적용된 정보를 기초로 미래 강우량 변화에 따른 산사태 위험도를 도출하는 단계로, 각각의 통계적 분석방식을 적용한 산사태 위험도를 도출한다(S241, S242, S243)
상기 단계 S240에서는 아래의 수학식 78에 의해 특정 지역(i, j)에서의 산사태 위험도를 계산한다. 즉, 계산된 확률강우량의 빈도 확률 및 미래 기후변화 시나리오의 예측값을 매개변수로 전환하여 다음의 수학식 79에 적용하여 미래 확률 강우량을 반영한 미래 산사태 위험도를 분석한다.
Figure pat00148
PH: 산사태 위험도
Ps: 산사태 취약성도
Ti : 산사태 발생 강우량의 임계치
a: 미래 연도별 확률강우량 매개변수
b: 미래 월별 강우량 매개변수
(i, j): 특정 지역의 좌표
e: 자연상수 2.781828
수학식 79는 Hakan A. Nefeslioglu(2011)등이 유도한 것으로 확률강우량에 따른 매개변수를 구축된 산사태 취약성도에 적용하여 산사태 위험도를 작성하는 것으로, 본 발명에 따라 상기 계산된 매개변수를 상기 산출된 산사태 취약성도에 적용한다. 그리고 상기 적용된 정보를 기초로 미래 강우량 변화에 따른 산사태 위험도를 도출한다.
이와 같이, 본 발명은 지리정보를 이용하여 Frequency ratio, Logistic regression, Neural network의 공간 통계적인 방식을 통해 현 시점의 산사태 취약성도를 도출하고, 확률강우량과 미래 기후변화 시나리오를 통하여 계산된 미래 연도별 확률강우량 매개변수와 미래 월별 강우량 매개변수를 상기 도출된 현 시점의 취약성도에 적용하여 미래 산사태 위험도를 작성하고 있다. 즉, 본 발명은 산사태 발생의 외적요인(강우)과 내적요인(지질구조, 지형, 토질, 임상 등의 자연적 요인)을 동시에 고려하여 미래 강우량 변화를 산사태 취약성을 연계함으로써 미래 강우량 변화에 따른 산사태 위험도 분석의 정확성을 극대화시킬 수 있는 효과가 있다. 따라서 집중 호우에 의한 산사태 위험을 예측하여 산사태 방지 대책을 미리 마련할 수 있다.
본 발명에 따른 산사태 위험성 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 산사태 위험성 분석 시스템

Claims (17)

  1. 항공사진정보의 지리정보 및 산사태 관련 정보를 수집하는 산사태 정보 수집부;
    상기 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출하는 항목 추출부;
    상기 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화하는 정규화부;
    상기 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용하는 통계적 분석방식 적용부; 및
    상기 적용된 정보를 기초로 현 시점의 산사태 취약성도를 도출하는 산사태 취약성도 도출부
    를 포함하는 산사태 위험성 분석 시스템.
  2. 제1항에 있어서,
    상기 Frequency ratio 분석방식과 관련하여 상기 산사태 취약성도는 아래의 식에 의해 계산되는
    산사태 위험성 분석 시스템.
    (수학식)
    Figure pat00149

    Figure pat00150

    O{D|B},
    Figure pat00151
    : 사후확률
    O{D}: 사전확률
    P{B|D}: 사상 B가 발생하였을 때 사상 D가 발생할 가능성
    Figure pat00152
    : 사상 B가 발생하였을 때 여사상
    Figure pat00153
    가 발생할 가능성
    Figure pat00154
    : 여사상
    Figure pat00155
    가 발생하였을 때 사상 D가 발생할 가능성
    Figure pat00156
    : 여사상
    Figure pat00157
    가 발생하였을 때 여사상
    Figure pat00158
    가 발생할 가능성
  3. 제1항에 있어서,
    상기 Logistic regression 분석방식은,
    상기 정규화된 정보를 기초로 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치를 고려하는 방식이며,
    상기 산사태 취약성도는,
    경사도, 면적, 곡률, 지질, 목재의 직경, 타입, 밀도, 나이, 지형, 토양의 배수, 재료, 두께, 질감을 포함한 항목별 값에 의해 계산되는
    산사태 위험성 분석 시스템.
  4. 제1항에 있어서,
    상기 Neural network 분석방식은,
    상기 정규화된 정보를 기초로 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 방식이며,
    상기 산사태 취약성도는,
    상기 인지된 신경망에서의 항목별 상대적 가중치의 합에 의해 계산되는
    산사태 위험성 분석 시스템.
  5. 제1항에 있어서,
    상기 도출된 산사태 취약성도에 따라 선정된 특정 지역에서의 강우량과 산사태 발생의 상관관계를 분석하여 강우량별 산사태 발생 상관관계를 분석하는 상관관계 분석부;
    상기 분석된 강우량별 산사태 발생 상관관계를 반영하여 확률강우량 산정 및 미래기후변화 시나리오 통계적 공간해상도 상세화 방식으로 미래 기후변화에 따른 미래 강우량 변화 관련 매개변수를 계산하는 매개변수 계산부;
    상기 계산된 매개변수를 상기 산출된 산사태 취약성도에 적용하는 매개변수 적용부; 및
    상기 적용된 정보를 기초로 미래 강우량 변화에 따른 산사태 위험도를 도출하는 산사태 위험도 도출부
    를 더 포함하는 산사태 위험성 분석 시스템.
  6. 제5항에 있어서,
    상기 확률강우량 방식과 관련하여 상기 매개변수 계산부는,
    아래의 식에 의해 미래 연도별 확률강우량 매개변수를 계산하는 제1 매개변수 계산부
    를 포함하는 산사태 위험성 분석 시스템.
    (수학식)
    Figure pat00159

    Figure pat00160

    Figure pat00161

    f(x) : 미래 연도별 확률강우량
    α, X0 : 미래 연도별 확률강우량 매개변수
    σ: 규모 매개변수
    x: 형상 매개변수
    x0: 위치 매개변수
    w: 왜도계수, 1.1396
  7. 제6항에 있어서,
    상기 미래기후변화 시나리오 통계적 공간해상도 상세화 방식과 관련하여 상기 매개변수 계산부는,
    상기 특정 지역의 과거 강우량 자료를 대상으로 미래기후변화 시나리오를 다운스케일링하는 다운스케일링부;
    상기 다운스케일링된 미래기후변화 시나리오에 기온감률을 적용하는 기온감률 적용부;
    상기 적용된 정보를 기초로 미래 연도 및 월별 강우도를 작성하는 강우도 작성부; 및
    상기 작성된 미래 연도 및 월별 강우도를 분석하여 미래 월별 강우량 매개변수를 계산하는 제2 매개변수 계산부
    를 더 포함하는 산사태 위험도 분석 시스템.
  8. 제7항에 있어서,
    상기 산사태 위험도 도출부는,
    아래의 수학식에 의해 상기 특정 지역(i, j)에서의 산사태 위험도를 계산하는
    산사태 위험성 분석 시스템.
    (수학식)
    Figure pat00162

    PH: 산사태 위험도
    Ps: 산사태 취약성도
    Ti : 산사태 발생 강우량의 임계치
    a: 미래 연도별 확률강우량 매개변수
    b: 미래 월별 강우량 매개변수
    (i, j): 특정 지역의 좌표
    e: 자연상수 2.781828
  9. (a) 항공사진정보의 지리정보 및 산사태 관련 정보를 수집하는 단계;
    (b) 상기 수집된 정보를 분석하여 산사태 발생과 관련된 항목을 추출하는 단계;
    (c) 상기 추출된 항목을 기준으로 산사태 발생과 관련된 지리정보 및 속성정보를 보정하여 정규화하는 단계;
    (d) 상기 정규화된 정보를 Frequency ratio, Logistic regression, Neural network 중 하나의 통계적 분석방식에 적용하는 단계; 및
    (e) 상기 적용된 정보를 기초로 현 시점의 산사태 취약성도를 도출하는 단계
    를 포함하는 산사태 위험성 분석 방법.
  10. 제9항에 있어서,
    상기 Frequency ratio 분석방식과 관련하여 상기 산사태 취약성도는 아래의 식에 의해 계산되는
    산사태 위험성 분석 방법.
    (수학식)
    Figure pat00163

    Figure pat00164

    O{D|B},
    Figure pat00165
    : 사후확률
    O{D}: 사전확률
    P{B|D}: 사상 B가 발생하였을 때 사상 D가 발생할 가능성
    Figure pat00166
    : 사상 B가 발생하였을 때 여사상
    Figure pat00167
    가 발생할 가능성
    Figure pat00168
    : 여사상
    Figure pat00169
    가 발생하였을 때 사상 D가 발생할 가능성
    Figure pat00170
    : 여사상
    Figure pat00171
    가 발생하였을 때 여사상
    Figure pat00172
    가 발생할 가능성
  11. 제9항에 있어서,
    상기 Logistic regression 분석방식은,
    상기 정규화된 정보를 기초로 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치를 고려하는 방식이며,
    상기 산사태 취약성도는,
    경사도, 면적, 곡률, 지질, 목재의 직경, 타입, 밀도, 나이, 지형, 토양의 배수, 재료, 두께, 질감을 포함한 항목별 값에 의해 계산되는
    산사태 위험성 분석 방법.
  12. 제9항에 있어서,
    상기 Neural network 분석방식은,
    상기 정규화된 정보를 기초로 산사태 발생 지역과 미 발생 지역을 신경망에 정확히 인지시키는 방식이며,
    상기 산사태 취약성도는,
    상기 인지된 신경망에서의 항목별 상대적 가중치의 합에 의해 계산되는
    산사태 위험성 분석 방법.
  13. 제9항에 있어서,
    (f) 상기 도출된 산사태 취약성도에 따라 선정된 특정 지역에서의 강우량과 산사태 발생의 상관관계를 분석하여 강우량별 산사태 발생 상관관계를 분석하는 단계;
    (g) 상기 분석된 강우량별 산사태 발생 상관관계를 반영하여 확률강우량 산정 및 미래기후변화 시나리오 통계적 공간해상도 상세화 방식으로 미래 기후변화에 따른 미래 강우량 변화 관련 매개변수를 계산하는 단계;
    (h) 상기 계산된 매개변수를 상기 산출된 산사태 취약성도에 적용하는 단계; 및
    (i) 상기 적용된 정보를 기초로 미래 강우량 변화에 따른 산사태 위험도를 도출하는 단계
    를 더 포함하는 산사태 위험성 분석 방법.
  14. 제13항에 있어서,
    상기 확률강우량 방식과 관련하여 상기 (g)단계는,
    아래의 식에 의해 미래 연도별 확률강우량 매개변수를 계산하는 단계
    를 포함하는 산사태 위험성 분석 방법.
    (수학식)
    Figure pat00173

    Figure pat00174

    Figure pat00175

    f(x) : 미래 연도별 확률강우량
    α, X0 : 미래 연도별 확률강우량 매개변수
    σ: 규모 매개변수
    x: 형상 매개변수
    x0: 위치 매개변수
    w: 왜도계수, 1.1396
  15. 제14항에 있어서,
    상기 미래기후변화 시나리오 통계적 공간해상도 상세화 방식과 관련하여 상기 (g)단계는,
    상기 특정 지역의 과거 강우량 자료를 대상으로 미래기후변화 시나리오를 다운스케일링하는 단계;
    상기 다운스케일링된 미래기후변화 시나리오에 기온감률을 적용하는 단계;
    상기 적용된 정보를 기초로 미래 연도 및 월별 강우도를 작성하는 단계; 및
    상기 작성된 미래 연도 및 월별 강우도를 분석하여 미래 월별 강우량 매개변수를 계산하는 단계
    를 더 포함하는 산사태 위험도 분석 방법.
  16. 제15항에 있어서,
    상기 (i)단계에서는,
    아래의 수학식에 의해 상기 특정 지역에서의 산사태 위험도를 계산하는
    산사태 위험성 분석 방법.
    (수학식)
    Figure pat00176

    PH: 산사태 위험도
    Ps: 산사태 취약성도
    Ti : 산사태 발생 강우량의 임계치
    a: 미래 연도별 확률강우량 매개변수
    b: 미래 월별 강우량 매개변수
    (i, j): 특정 지역의 좌표
    e: 자연상수 2.781828
  17. 제9항 내지 제16항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.
KR1020120124997A 2012-10-10 2012-11-06 산사태 위험성 분석 시스템 및 방법 KR20140046358A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020120112229 2012-10-10
KR20120112229 2012-10-10

Publications (1)

Publication Number Publication Date
KR20140046358A true KR20140046358A (ko) 2014-04-18

Family

ID=50653368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120124997A KR20140046358A (ko) 2012-10-10 2012-11-06 산사태 위험성 분석 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20140046358A (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160118797A (ko) * 2015-04-03 2016-10-12 한국지질자원연구원 수치지형모델을 이용한 토석류 발생지역 예측장치 및 그 방법
CN107274067A (zh) * 2017-05-22 2017-10-20 国网江西省电力公司电力科学研究院 一种配电变压器过载风险评估方法
CN107516402A (zh) * 2017-10-01 2017-12-26 中国科学院、水利部成都山地灾害与环境研究所 区域滑坡灾害雨量预警方法、预警***
KR20200025097A (ko) * 2018-08-29 2020-03-10 대한민국(산림청 국립산림과학원장) 산사태 취약지역 관리 방법 및 그를 위한 장치
CN111177886A (zh) * 2019-12-09 2020-05-19 天津大学 基于物探数据分析的海上测距规划及土厚预测的方法
KR102124546B1 (ko) * 2019-12-24 2020-06-18 주식회사 지오코리아이엔지 비탈면 경보 장치와 연동된 낙석과 토석 대책 시설의 관리 및 경보 시스템 및 방법
CN111784070A (zh) * 2020-07-09 2020-10-16 中国地质环境监测院 一种基于XGBoost算法的滑坡短临智能预警方法
KR20210036008A (ko) * 2019-09-25 2021-04-02 한양대학교 산학협력단 지형표고모델 및 이미지 프로세싱 딥러닝 알고리즘 기반 지형정보를 고려한 태양복사에너지 추정 방법 및 장치
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
CN113591700A (zh) * 2021-07-30 2021-11-02 兰州大学 一种潜在滑坡堵江预测方法
CN114217025A (zh) * 2021-12-17 2022-03-22 航天科工智慧产业发展有限公司 评估空气质量浓度预测中气象数据对其影响的分析方法
CN114441436A (zh) * 2021-12-20 2022-05-06 中国公路工程咨询集团有限公司 一种基于路面纹理评价抗滑性能的分析方法
CN115345511A (zh) * 2022-08-29 2022-11-15 中咨数据有限公司 一种公路走廊滑坡危险性动态评价方法、评价***及设备
CN118280072A (zh) * 2024-06-03 2024-07-02 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) 一种稳定性高的地质灾害预警***

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160118797A (ko) * 2015-04-03 2016-10-12 한국지질자원연구원 수치지형모델을 이용한 토석류 발생지역 예측장치 및 그 방법
CN107274067A (zh) * 2017-05-22 2017-10-20 国网江西省电力公司电力科学研究院 一种配电变压器过载风险评估方法
CN107516402A (zh) * 2017-10-01 2017-12-26 中国科学院、水利部成都山地灾害与环境研究所 区域滑坡灾害雨量预警方法、预警***
KR20200025097A (ko) * 2018-08-29 2020-03-10 대한민국(산림청 국립산림과학원장) 산사태 취약지역 관리 방법 및 그를 위한 장치
KR20210036008A (ko) * 2019-09-25 2021-04-02 한양대학교 산학협력단 지형표고모델 및 이미지 프로세싱 딥러닝 알고리즘 기반 지형정보를 고려한 태양복사에너지 추정 방법 및 장치
CN111177886A (zh) * 2019-12-09 2020-05-19 天津大学 基于物探数据分析的海上测距规划及土厚预测的方法
CN111177886B (zh) * 2019-12-09 2024-03-08 天津大学 基于物探数据分析的海上测距规划及土厚预测的方法
KR102124546B1 (ko) * 2019-12-24 2020-06-18 주식회사 지오코리아이엔지 비탈면 경보 장치와 연동된 낙석과 토석 대책 시설의 관리 및 경보 시스템 및 방법
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
CN111784070A (zh) * 2020-07-09 2020-10-16 中国地质环境监测院 一种基于XGBoost算法的滑坡短临智能预警方法
CN113591700A (zh) * 2021-07-30 2021-11-02 兰州大学 一种潜在滑坡堵江预测方法
CN114217025A (zh) * 2021-12-17 2022-03-22 航天科工智慧产业发展有限公司 评估空气质量浓度预测中气象数据对其影响的分析方法
CN114217025B (zh) * 2021-12-17 2024-01-23 哈尔滨工业大学 评估空气质量浓度预测中气象数据对其影响的分析方法
CN114441436A (zh) * 2021-12-20 2022-05-06 中国公路工程咨询集团有限公司 一种基于路面纹理评价抗滑性能的分析方法
CN114441436B (zh) * 2021-12-20 2024-04-16 中国公路工程咨询集团有限公司 一种基于路面纹理评价抗滑性能的分析方法
CN115345511A (zh) * 2022-08-29 2022-11-15 中咨数据有限公司 一种公路走廊滑坡危险性动态评价方法、评价***及设备
CN115345511B (zh) * 2022-08-29 2023-06-06 中咨数据有限公司 一种公路走廊滑坡危险性动态评价方法、评价***及设备
CN118280072A (zh) * 2024-06-03 2024-07-02 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) 一种稳定性高的地质灾害预警***

Similar Documents

Publication Publication Date Title
KR20140046358A (ko) 산사태 위험성 분석 시스템 및 방법
Dash et al. Identification and validation of potential flood hazard area using GIS‐based multi‐criteria analysis and satellite data‐derived water index
Kim et al. Landslide susceptibility mapping using random forest and boosted tree models in Pyeong-Chang, Korea
Soma et al. Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia
Kornejady et al. Landslide susceptibility assessment using three bivariate models considering the new topo-hydrological factor: HAND
Das et al. Landslide susceptibility mapping along road corridors in the Indian Himalayas using Bayesian logistic regression models
Zare et al. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms
Miller et al. Incorporating spatial dependence in predictive vegetation models
Sterlacchini et al. Spatial agreement of predicted patterns in landslide susceptibility maps
Greve et al. Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark
Thomas et al. Assessment of soil erosion in a monsoon-dominated mountain river basin in India using RUSLE-SDR and AHP
Wang et al. Rainfall‐induced landslide hazard assessment using artificial neural networks
Gorsevski et al. Discerning landslide susceptibility using rough sets
Vijith et al. Shallow landslide initiation susceptibility mapping by GIS-based weights-of-evidence analysis of multi-class spatial data-sets: a case study from the natural sloping terrain of Western Ghats, India
Raman et al. The application of GIS-based bivariate statistical methods for landslide hazards assessment in the upper Tons river valley, Western Himalaya, India
Moung-Jin et al. Spatial and temporal change in landslide hazard by future climate change scenarios using probabilistic-based frequency ratio model
Bertassello et al. Wetlandscape hydrologic dynamics driven by shallow groundwater and landscape topography
Zhuang et al. Identification of landslide spatial distribution and susceptibility assessment in relation to topography in the Xi’an Region, Shaanxi Province, China
Mao et al. Landslide hazards mapping using uncertain Naïve Bayesian classification method
Biswas et al. Modeling on management strategies of slope stability and susceptibility to landslides catastrophe at hilly region in Bangladesh
Tang et al. The use of serially complete station data to improve the temporal continuity of gridded precipitation and temperature estimates
Qiu et al. Loess slide susceptibility assessment using frequency ratio model and artificial neural network
Liou et al. Prediction of soil erosion and sediment transport in a mountainous basin of Taiwan
Vishnu et al. Challenges of modeling rainfall triggered landslides in a data-sparse region: A case study from the Western Ghats, India
Chen et al. Modeling Typhoon Event‐Induced Landslides Using GIS‐Based Logistic Regression: A Case Study of Alishan Forestry Railway, Taiwan

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E801 Decision on dismissal of amendment