Seismic Vulnerability Assessment and Mapping for 9.12 Gyeongju Earthquake Based on Machine Learning

Korean Journal of Remote Sensing, Vol.36, No.6-1, 2020, pp.1367~1377

https://doi.org/10.7780/kjrs.2020.36.6.1.7 ISSN 1225-6161 ( Print )

ISSN 2287-9307 (Online)

Article

기계학습을 이용한 지진 취약성 평가 및 매핑:

9.12 경주지진을 대상으로

한지혜 ¹⁾·김진수 ^2)†

Seismic Vulnerability Assessment and Mapping for 9.12 Gyeongju Earthquake Based on Machine Learning

Jihye Han ¹⁾·Jinsoo Kim ^2)†

Abstract:

The purpose of this study is to assess the seismic vulnerability of buildings in Gyeongju city starting with the earthquake that occurred in the city on September 12, 2016, and produce a seismic vulnerability map. 11 influence factors related to geotechnical, physical, and structural indicators were selected to assess the seismic vulnerability, and these were applied as independent variables. For a dependent variable, location data of the buildings that were actually damaged in the 9.12 Gyeongju Earthquake was used. The assessment model was constructed based on random forest (RF) as a mechanic study method and support vector machine (SVM), and the training and test dataset were randomly selected with a ratio of 70:30. For accuracy verification, the receiver operating characteristic (ROC) curve was used to select an optimum model, and the accuracy of each model appeared to be 1.000 for RF and 0.998 for SVM, respectively. In addition, the prediction accuracy was shown as 0.947 and 0.926 for RF and SVM, respectively. The prediction values of the entire buildings in Gyeongju were derived on the basis of the RF model, and these were graded and used to produce the seismic vulnerability map.

As a result of reviewing the distribution of building classes as an administrative unit, Hwangnam, Wolseong, Seondo, and Naenam turned out to be highly vulnerable regions, and Yangbuk, Gangdong, Yangnam, and Gampo turned out to be relatively safer regions.

Key Words:

Seismic vulnerability, Gyeongju Earthquake, Random forest, Support vector machine

요약 : 본 연구는2016년 발생한 9.12 경주지진을 중심으로 경주시 건축물의 지진 취약성을 평가하고 지도를 제 작하는데 목적이 있다. 지진 취약성을 평가하기위해 지질공학, 물리, 구조적 요인과 관련된 11개의 영향인자를 선정하였으며, 이는 독립변수로 적용되었다. 종속변수로는 9.12 경주지진 당시 실제 피해 입은 건축물의 위치

Received December 14, 2020; Revised December 16, 2020; Accepted December 16, 2020; Published online December 22, 2020

1)부경대학교 지오메틱연구소 전임연구원 (Associate Researcher, Geomatics Research Institute, Pukyong National University)

2)부경대학교 공간정보시스템공학과 부교수 (Associate Professor, Department of Spatial Information Engineering, Pukyong National University)

†Corresponding Author: Jinsoo Kim ([email protected])

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

1. 서론

자연재해 (natural disaster) 중 하나인 지진은 오랫동안 누적된 변형 에너지의 방출로 인해 지각이 흔들리는 것 으로 , 지구내부의 급격한 운동으로 지진파가 지표면까 지 도달하여 지반이 흔들리는 자연지진과 핵실험이나 대규모 폭발 등으로 지반이 흔들리는 인공지진으로 분 류된다 (E-National Index, 2020). 지진은 인명과 시설물 의 붕괴 , 재산 손실 뿐 만 아니라 산사태, 화재, 공공서비 스의 중단, 국가 주요시설 가동 중지 등 2차 재해를 야기 할 수 있어 피해 규모가 상당하며 이를 예측하는데 어 려움이 있다 (Kim et al., 2009). 또한 국소 지역 내 인접지 역일지라도 피해 정도가 다르게 나타날 수 있으며 (Kim

달라질 수 있다는 특성을 고려하여 다양한 요소를 고려 한 포괄적인 사전 대비가 필수적이다 .

2016년 9월 12일 경주시에서 발생한 규모 5.8의 지진 은 국내 계기지진 이후 최대 규모의 지진으로 , 2011년 3 월 11일 발생한 규모 9.0의 동일본대지진의 영향으로 주 향이동단층이 발생 원인으로 규명되었다(MPSS, 2017).

당시 지진관련 대응 체계가 다소 미흡한 실정이었으며 , 이를 비롯한 다양한 문제점들이 드러나게 되었다 . 이 후 지진 피해를 저감하기 위해 많은 연구가 수행되고 있 으며 , 그 중 하나로 지진 취약성을 평가하는 것이 있다.

본연구에서수행하고자하는지진취약성평가 (seismic vulnerability assessment)란, 사전에 정의된 지역 내에서 지진 발생시 위험에 영향을 미치는 요소들을 종합적으 로 평가하여 건축물의 취약성 정도를 평가하는 것이다.

상대적으로 도시에 해당하는 지역은 수많은 시설 및 건 물이 존재하고 있으며 , 건물과 인구의 높은 밀도 등으 로 인해 외곽지역에 비해 위험도가 높다 (Han et al., 2020).

따라서 지진 취약성 평가를 통해 피해 가능성이 높은 지

역과 가장 큰 영향을 끼치는 요소를 도출하는 과정이 필 요하며 , 이를 기반으로 재난 대응 및 대비를 실시함으 로써 지진으로 인한 전반적인 피해 정도를 감소시킬 수 있다.

국외 연구현황을 살펴보면, 지진 취약성과 관련된 연 구에서 계층 분석법 (Analytic Hierarchy Process, AHP) 혹 은 다중 기준 의사 결정 (Multi-Criteria Decision Making, MCDM)을 적용한 사례를 다수 확인할 수 있다(Panahi et

Alizadeh et al., 2018b; Nyimbili et al., 2018; Yariyan et al., 2020; Jena et al., 2020a). 이는 다수 인자 적용 시 이들의 우선순위를 결정하기 위해 각 인자의 중요도를 계층화 및 정량화 하며 , 최종적으로 가중치 부여 후 중첩 분석 하여 취약지역을 도출하는 방법이다 (Saaty, 1977). 이 외 에도 최근 많은 연구에서 기계학습법을 적용한 것을 확 인할 수 있다 (Alizadeh et al., 2018a; Lee et al., 2019; Liu et

국내에서는 지진 취약성과 관련된 연구가 활발하지 는 않지만 , 9.12 경주지진 이후 꾸준히 진행중에 있다.

국외 연구와 마찬가지로 주로 계층 분석법을 적용한 연 구 사례가 많으며 , 최근 다양한 기법을 적용하려는 시 도를 확인할 수 있다 (Park, 2012; Chun, 2017; Kim et al., 2018; Lee and Oh, 2019; Han and Kim, 2020). 현재까지 연구동향을 살펴본 결과 다양한 기법의 모델을 구축하 여 비교 분석한 연구는 다소 부족한 실정이며 , 기계학 습이나 딥러닝과 같은 최신 기법을 적용하여 지진 취약 성 모델을 구축한 사례 또한 많지 않다 .

본 연구의 선행 연구로 Han and Kim (2019)는 경주시

의 지진 취약성을 평가하기 위해 국외선행연구를 토대

로 5개의 주요지표(지질공학, 물리, 구조, 사회, 수용적

요소 )와 18개의 하위지표(기울기, 고도, 지하수위, 최대

지반가속도 (Peak Ground Acceleration, PGA), 진앙지로

부터의 거리 , 단층으로부터의 거리, 건물연령, 건축재질, 건물층수 , 건물밀도, 15세미만인구수, 65세이상인구수, 인구밀도 , 병원, 경찰서, 소방서, 주유소, 도로로부터의 거리 )를 선정하였으며, AHP 기법을 적용하여 지도를 작성하였다 . Han et al. (2019)의 연구에서는 통계 기법인 로지스틱 회귀분석(Logistic Regression, LR)과 기계학습 기법인 SVM 기법을 사용하였으며, LR 모델에서 영향 력이 적은 것으로 분류된 사회적요소를 제외한 15개의 인자를 사용하여 분석을 실시하였다. 그 결과, SVM의 RBF(Radial Basis Function) 커널 기반의 모델의 예측 정확 도가 91.9%로 가장 성능이 우수한 것으로 나타났다. Han

Ratio, FR), 기계학습 기법인 의사결정나무(Decision Tree, DT)와 RF 모델을 구축하여 경주시의 지진 취약성 을 평가하였으며 , RF 모델의 예측 정확도가 94.9%로 가 장 우수한 것으로 나타났다 .

이와 같은 선행연구를 기반으로 , 본 연구에서는 주요 지표인 지질공학 , 물리, 구조적 요소 기반의 지진 취약 성에 높은 영향을 미치는 인자 11개(기울기, 고도, 지하

수위 , 지질도, PGA, 진앙지로부터의 거리, 단층으로부 터의 거리 , 건물연령, 건물층수, 건축재질, 건물밀도)를 선정하였다 . 이 중 지질도는 지진 취약성 평가 시 필요 한 인자라고 판단되어 새롭게 추가된 것이며, 총 11개의 인자는 독립변수로 적용되었다. 9.12 경주지진 당시 실 제 피해 입은 건축물의 위치 자료는 종속변수로 모델 구 축 시 적용되었으며 , 이는 선행연구에서 가장 우수한 성 능으로 나타난 RF와 RBF 커널 기반의 SVM이 사용되 었다 . 구축된 모델을 기반으로 경주시 전체 건축물의 예 측 값을 도출하여 5등급화 하였으며, 이를 지도화 하여 나타냄으로써 상대적으로 위험 또는 취약한 지역을 도 출하고자 한다 . 추가적으로 지진으로 인한 피해 건축물 에 미치는 인자 별 영향력을 평가하고자 한다 .

2. 연구 지역

본 연구의 대상지역은 한반도 동남쪽에 위치한 경상 북도 경주시로 동경 128°58′~129°31′, 북위 35°39′~36°04′

Fig. 1. Study area; (1) Angang, (2) Gangdong, (3) Seo, (4) Hyungok, (5) Cheonbuk, (6) Geoncheon, (7) Seondo, (8) Seonggun, (9) Hwangseong, (10) Yonggang, (11) Jungbu, (12) Hwangoh, (13) Dongcheon, (14) Hwangnam, (15) Wolseong, (16) Bodeok, (17) Bulguk, (18) Yangbuk, (19) Gampo, (20) Sannae, (21) Naenam, (22) Oedong, (23) Yangnam.

에 위치하고 있다 (Fig. 1). 경주시는 23개의 행정동(4개 의 읍, 8개의 면, 11개의 행정구역)으로 구성되어 있으며, 총 인구수는 253,468명이다(Gyeongju City Hall, 2020). 해 당 지역은 2016년 9월 12일 규모 5.8의 지진이 발생하여 23명의 부상자와 111명의 이재민, 5,368건의 재산 피해 를 초래하였으며, 6개의 시도에서 발생한 재산 피해액 은 약 110억원으로 집계되었다(MPSS, 2017). 과거에도 규모 2.0이상의 지진이 21회, 그 중 규모 3.0이상의 지진 이 4회 발생한 기록이 있으며, 본 연구 지역 내의 다수 지점에서 제 4기 단층 운동이 보고된 울산 및 양산 단층 외에도 여러 단층들이 위치하고 있다 (Kim et al., 2017).

전체 면적 1324.82 km

중 산림이 약 67.4%에 해당하는 지형적 특색과 함께(Han et al., 2019), 인구 및 건물이 도 심의 중심부에 밀집한 형태를 지니고 있다 . 또한 동남 부 지역 해안가 인접 지역에 월성 , 새울, 고리 원자력발 전소를 비롯한 여러 국가기반시설이 위치하고 있어 중 규모 이상의 지진 발생 시 2차 피해가 우려되는 지역이 다 . 따라서 경주시의 취약 지역을 파악하여 우선적으로 사전 대비를 수행할 필요가 있으며 , 이를 기반으로 보 다 체계적인 대책 마련이 필요할 것으로 판단하여 연구 대상지역으로 선정하였다 .

3. 연구 자료

본 연구는 지진 취약성에 영향을 미치는 다양한 요인 을 종합적으로 평가하기 위해 선행연구에서 1차적으로 선별된 18개의 인자를 바탕으로(Han and Kim, 2019), 실 제 지진 취약성에 큰 영향을 미칠 것으로 판단되는 요 소를 선별하여 최종적으로 11개의 영향 인자를 선정하 였다 (Table 1). 본 연구에서 새롭게 추가된 인자인 지질 도의 경우 시대별로 총 4개의 항목(Quaternary, Tertiary, Cretaceous, Jurassic)으로 분류하였다. 해당 인자들은 래 스터 형태의 공간데이터베이스로 구축되었으며 (Fig. 2), 모두 독립변수로 사용하였다 .

9.12 경주지진 발생으로 인해 실제 피해를 입은 3,896 개의 건축물 위치 자료를 가공하여 종속변수로 활용하 였다 . 피해 건물의 주소 자료를 기반으로 지오코딩 (geocoding)을 수행하여 경위도 기반의 공간 자료로 구 축 후 , 벡터 형태의 건축물과 결합하였다. 최종 분석을 수행하기 위해 벡터 형태의 자료를 공간 해상도 10 m에 해당하는 래스터 형태로 변환하여 총 9,847개의 셀 형태 로 구축하였다 . 모델 구축 시 해당 자료의 70%(6,893)는 훈련 , 30%(2,954)는 검증 데이터셋으로 사용되었으며, 동일 개수의 일반 건물에 해당하는 자료 또한 모델 구축 에 사용되었다. 모든 데이터셋은 무작위로 분류되었다.

Table 1. Selected variables for seismic vulnerability assessment

Variables Source Type

9.12 Gyeongju Earthquake damage inventory Gyeongju City Hall

Raster layers (spatial resolution: 10 m) Geotechnical

Slope

NGII^a) Altitude

Groundwater level NGIC^b)

Geology map KIGAM^c)

Physical

Distance from epicenters KMA^d)

Distance from faults KIGAM

PGA Kim et al.(2016a, b)

Structural

Age of buildings

NSDI^e) Construction materials

Number of floors Density of buildings

a)National Geographic Information Institute

b)National Groundwater Information Center

c)Korea Institute of Geoscience and Mineral Resources

d)Korea Meteorological Administration

e)National Spatial Data Infrastructure Portal

4. 연구 방법

1) 랜덤 포레스트

Breiman (2001)에 의해 제안된 RF 기법은 분류, 회귀 분석 등에 사용되는 다수의 결정 트리들을 구축하고 학 습하는 앙상블 기법으로 , 단일 트리에 비해 더 많은 경 우의 수를 고려할 수 있는 기계학습 기법이다 . 본 연구 에서 사용한 RF의 회귀 알고리즘은 훈련 과정에서 구 성한 다수의 결정 트리로부터 평균 예측치를 출력한다 . RF는 설명변수와 반응변수 사이의 관계에 대한 가정을 필요로 하지 않기 때문에 , 대규모 데이터셋의 계층적 상 호작용과 비선형성을 분석하기에 적절하나 (Kim et al., 2018a), 비교적 많은 시간이 소요되므로 적절한 파라미 터 값의 설정을 통해 효율적으로 모델을 구축해야 한다 . RF 모델을 구축하기 위한 대표 파라미터로는 ntree, mtry, maxnodes, nodesize가 있다. ntree는 훈련 과정에 서 얼마나 많은 의사결정나무를 생성할 지 규정하며 (Sevgen et al., 2019), 모든 입력 행이 적어도 몇 번 예측할 수 있도록 너무 작은 숫자로 설정하지 않는 것이 좋다 .

mtry는 임의로 샘플링 된 변수의 수로, 해당 값이 크면 각 노드에서 고려될 변수의 수가 증가한다 . maxnodes는 최대 터미널 노드의 개수, nodesize는 나무의 깊이를 설 정하는 파라미터를 의미한다 .

2) 서포트 벡터 머신

SVM은 통계적 학습 이론과 구조적 위험 최소화 원 리를 기반으로 복잡한 분류 및 회귀 분석에 사용되는 기계학습 방법 중 하나이다 (Cortes and Vapnik, 1995;

Vapnik, 1995; Vapnik, 1998). SVM은 다차원 공간에 훈련 데이터셋을 두 종류의 클래스로 분류하는 최적의 초평 면 (hyperplane)을 찾아 오류를 최소화하는 모델을 생성 한다 (Kalantal et al., 2018; Nhu et al., 2020).

SVM 모델의 성능은 커널 함수에 따라 달라지기 때 문에 적절한 커널 함수의 선택은 매우 중요하다 . 커널 의 종류로는 linear, polynomial, RBF, sigmoid가 있다. 본 연구에서 사용할 RBF 커널의 수식은 다음과 같다.

RBF : K (x

, y

) = (– γ || x

– x

||), γ > 0 (1)

γ은 gamma항으로 가우시안(Gaussian) 커널의 폭을

제어 , 즉 데이터 샘플이 영향력을 행사하는 거리를 결 정하는 매개변수이다. 해당 값이 클수록 작은 표준편차 를 가진다 . Cost(C)는 모든 함수에 적용되는 매개변수로 이는 규제의 강도를 결정하며 , C값이 높아지면 규제가 감소한다 . 이는 모두 수동으로 입력되는 커널 함수의 매 개변수로 , 해당 값의 조정을 통해 SVM 모델의 정확도 를 향상시킬 수 있다.

5. 연구 결과

1) 모델구축 및 비교검증

모델 구축에는 R Studio 소프트웨어를 사용하였으며 RF는 ‘randomForest’, SVM은 ‘e1071’ 라이브러리를 사용 하였다. RF 모델의 경우 ntree와 mtry 값을 조정하였으며, SVM 모델의 경우 cost와 gamma 파라미터의 최적 값을 도출하여 모델을 구축하였다 . 각 모델의 성능을 확인하 기 위해 ROC 곡선을 사용하여 모델의 정확도(success rate)와 예측 정확도(prediction rate)를 확인하였다. 그래 프의 Y축은 민감도(sensitivity)로 정확하게 분류된 양성 비율을 의미하며(true positive rate), X축인 1-특이도(1- Specificity)는 정확하게 분류된 음성 비율(false positive

rate)이며, 해당 값은 1에 가까울수록 모델이 높은 성능 인 것을 의미한다. RF 모델은 ntree가 5,000, mtry가 6일 때 모델 및 예측 정확도가 각각 1.000, 0.947로 가장 높은 정확도의 모델이 생성되었다 . SVM의 RBF 커널을 기반 으로 한 모델의 경우 , cost가 1, gamma가 256일 때 모델 및 예측 정확도가 각각 0.998, 0.926으로 가장 높은 성능 의 모델이 구축되었다 (Fig. 3). 두 모델을 비교한 결과, RF 모델의 예측 정확도가 약 2% 정도 높은 것으로 나타 났다. 이를 통해 RF 모델이 지진 취약성을 평가하는데 보다 적합한 모델인 것으로 판단된다 .

2) 인자 중요도

구축한 최적 모델을 기반으로 11개 인자들의 중요도 를 확인하였다 . RF 모델을 기반으로 수행하였으며, RF 의 회귀 모델에서 예측 변수의 중요도를 확인하는 척도 로는 ‘% IncMSE’와 ‘IncNodePurity’가 있다. % IncMSE (% increase in mean squared error)는 평균 제곱 오차 (mean squared error, MSE)의 백분율 증가를 의미하며, 모델에서 해당 값이 가장 높은 변수를 제거하면 오류 값 이 최대로 증가하게 된다 . IncNodePurity(increase in node purity)는 Mean Decrease Gini를 뜻하며, 이는 각 트리 의 분류(split) 지점에서 지니 불순도 지수(Gini impurity index)를 계산하여, 모든 트리의 값을 평균한 것을 의미

Fig. 3. ROC curve; (a) Success rate, (b) Prediction rate.

한다 (Sahin et al., 2020). 해당 값이 큰 변수일 수록 모델의 예측 능력에 중요하게 작용하였음을 뜻한다 . Table 2 를 살펴보면, % IncMSE 기준으로 진앙지로부터의 거 리(393.448)가 가장 높게 나타났으며 PGA(365.459), 고 도 (346.392) 순서로 중요한 변수임을 확인할 수 있다.

IncNodePurity을 기준으로 살펴본 결과, 앞과 동일하 게 진앙지로부터의 거리 (455.958), PGA(442.645), 고도 (395.943) 순서로 중요한 것으로 나타나 두 척도에서 동 일하게 인자가 도출되었음을 확인할 수 있다 . 반면 중요 도가 낮게 나타난 항목을 살펴보면, % IncMSE 기준으로 건축재질의 혼합항목(44.443), 지질도의 Jurassic(29.990), 건축재질의 기타항목 (1.000)으로 나타났다. IncNode Purity 기준으로도 동일한 항목이 중요도가 낮게 나타난 것을 확인할 수 있다 ; 건축재질의 혼합항목(3.623), 지질 도의 Jurassic(1.867), 건축재질의 기타항목(0.047).

3) 지진 취약성 지도

가장 높은 성능으로 평가된 RF 모델을 기반으로 경

Fig. 4. Seismic vulnerability map of RF model.

Table 2. Importance variables of RF model Indicators % IncMSE IncNodePurity

Slope 270.745 241.920

Altitude 346.392 395.943

Groundwater level 326.715 386.356

Geology map

Geology 1 (Cretaceous) Geology 2 (Jurassic) Geology 3 (Quaternary) Geology 4 (Tertiary)

84.783 29.990 79.845 91.067

25.254 1.867 22.012 31.388 Distance from epicenters 393.448 455.958 Distance from faults 332.772 367.494

PGA 365.459 442.645

Age of buildings 304.368 303.007

Construction materials Materials 1 (Masonry) Materials 2 (Concrete) Materials 3 (Wood) Materials 4 (Steel) Materials 5 (Concrete+Steel) Materials 6 (Etc)

88.345 63.545 66.173 123.426 44.443 1.000

24.481 26.875 15.544 55.212 3.623 0.0471

Number of floors 170.534 119.819

Density of buildings 321.300 346.300

주시 건축물 71,888개의 예측 값을 도출하였다. 예측 값 은 0~1 범위의 값으로 정규화 하였으며, 동일 간격으로 5등급화 하여 각 건물에 클래스를 부여하였다. 할당된 클래스를 바탕으로 지진 취약성 지도를 작성하였다 (Fig. 4). RF 지도의 경우, ‘Safe’ 클래스에 19,264개(26.80%),

‘ Low’에 28,845개(40.12%), ‘Moderate’에 17,637개(24.53%),

‘ High’에 5,391개(7.50%), ‘Very high’에 해당하는 건물은 751개(1.04%)로 나타났다. RF 모델 기반의 지도를 기준 으로 Safe 및 Low 클래스에 해당하는 건물 비율의 합을 기준으로 상위 안전지역을 , High 및 Very high 클래스에 해당하는 건물 비율의 합을 기준으로 상위 위험지역을 도출하였다. 위험지역으로 도출된 지역은 황남동(14), 월성동(15), 선도동(7), 내남면(21)이었으며, 안전지역으 로 도출된 지역은 양북면(18), 강동면(2), 양남면(23), 감 포읍(19)으로 나타났다.

6. 토의 및 결론

본 연구에서는 기계학습 기법을 기반으로 경주시의 지진 취약성 평가 및 지도작성 연구를 수행하였다 . 기 계학습 기법 중 우수한 성능으로 평가되는 RF와 SVM 을 기반으로 모델을 구축하였으며 , 모델의 정확도는 RF(1.000), SVM(0.998), 예측 정확도 또한 RF(0.947), SVM (0.926) 으로 모두 신뢰할 만한 높은 성능을 나타냈다. 특 히 SVM의 경우, Han et al. (2019)의 선행연구에서 인자 15개를 사용하여 RBF 커널 기반 모델을 구축한 결과 예측 정확도가 91.9%인 것과 비교해 보았을 때 모델의 성능이 약 0.7% 가량 높아진 것을 확인할 수 있다. RF의 경우, Han et al. (2020)의 선행연구에서 인자 18개를 사용 하였을 때 예측 정확도가 94.9%로 나타났으며, 본 연구 에서 구축한 모델이 약 0.2% 낮게 나타났지만 비교적 비슷한 성능의 모델이 구축되었음을 확인할 수 있다 .

RF 모델 구축 시 11개의 인자가 미친 영향력을 살펴 보기 위해 인자 중요도를 확인하였다 . 2개(% IncMSE, IncNodePurity)의 척도에서 동일하게 진앙지로부터의 거리 , PGA, 고도가 상위였으며, 지질도와 건축재질 관 련 인자들이 하위에 위치한 것을 확인할 수 있다 . 선행 연구 결과와 비교해 보았을 때 중요도가 높은 인자들은 거의 유사한 결과이나 , 중요도가 낮은 인자들 중 지질

도가 새롭게 추가된 인자로써 모델의 정확도에 영향력 을 끼친 것으로 판단된다 . 지질도는 제4기층, 진앙지의 위치 등 9.12 경주지진 발생원인과 관련하여 큰 영향력 이 있을 것으로 판단하여 반영하였다 . 그러나 실제 지 진 발생 후 건축물의 피해 현황을 살펴본 결과 , 제4기층 에 위치한 진앙지 주변의 많은 건물들이 피해를 입은 것 을 사실이나 , 진앙지 주변 이외에도 경주시 전역에 제4 기층이 분포하고 있는 양상을 보이고 있기 때문에 해당 모델에서 지질도의 기여도가 낮게 나타난 것으로 판단 된다. 현재 지질도를 시대에 따라 4개의 클래스로 분류 하였지만 추후 클래스를 보다 세분화 후 모델에 적용하 여 지질이 지진 취약성에 미치는 영향력을 다방면으로 검토해 볼 필요성이 있다고 판단된다.

최종적으로 작성된 지진 취약성 지도를 바탕으로 위

험 및 안전지역을 대상으로 분석을 수행하였다 . 위험지

역으로 분류된 7, 14, 15, 21 행정구역은 경주시의 중심

부를 기준으로 남서쪽에 위치한 지역으로 , 해당 지역의

인자들의 특성을 살펴본 결과는 다음과 같다 . 모든 지

표는 해당 지역의 평균 값으로 도출되었으며 , 지질공학

적 요소인 기울기는 3.21°, 고도는 69.38 m, 지하 수위는

12.74 m이었으며, 물리적 요소인 진앙지로부터의 거리

는 2.90 km, 단층으로부터의 거리는 2.43 km, PGA는

0.312 g으로 나타났다. 구조적 요소를 살펴보면, 건물밀

도는 284.85, 건물연령은 40년이었으며, 전체 건물 중 50

년 미만의 건물 수는 7,143개로 위험지역 전체 건물 중

69.65%에 해당한다. 안전지역으로 도출된 2, 18, 19, 23

행정구역은 경주시의 북쪽과 남동쪽 해안가에 인접한

지역으로, 인자 별 특성은 다음과 같다. 지질공학적 요

소인 기울기는 4.92°, 고도는 46.30 m, 지하 수위는 10.60

m로 나타났으며, 해당 요소들은 위험지역과 크게 차이

가 없는 것을 확인할 수 있다. 물리적 요소인 진앙지로

부터의 거리는 10.34 km, 단층으로부터의 거리는 4.12

km, PGA는 0.155 g로 나타났다. 진앙지와 단층으로부

터의 거리는 위험지역에 비해 상대적으로 떨어져 위치

한 것을 확인할 수 있으며 , PGA의 경우 약 0.16 g 낮아

지진으로 인한 물리적 피해를 비교적 적게 받은 것으로

판단된다 . 구조적 요소를 살펴보면, 건물밀도는 97.84로

위험지역에 비해 약 2.91배 낮게 나타났으며, 건물연령

은 31년이다. 전체 건물 중 50년 미만의 건물 수는 8,458

개로 안전지역 전체 건물의 76.82%에 해당하며, 위험지

역에 비해 오래된 건물의 비율이 적은 것은 확인할 수 있다 .

본 연구에서 작성한 지진 취약성 지도는 경주시의 건 축물에 등급을 부여하고 이를 바탕으로 직관적으로 위 험 및 안전지역을 파악할 수 있다는 이점이 있다 . 연구 결과를 바탕으로 지진 재해와 관련해 사전 정책수립 시 우선적으로 관리할 지역을 선정할 수 있으며 , 인자들의 중요도를 기반으로 다양한 시설과 인구 등이 혼재하는 도심에서 효율적으로 대피할 수 있는 경로 탐색을 수행 하여 지도화 하는 등 광범위한 영역에서 활용할 수 있 을 것으로 기대된다 . 또한, 본 연구결과를 바탕으로 국 내 타 지역의 지진 취약성 평가 시 기초자료로 참고하 여 지역별 특색을 반영한 지진 취약성 모델 구축을 수 행한다면 지자체별 지진 재난과 관련된 정책을 수립하 는데 큰 도움이 될 것으로 기대된다 .

사사

본 연구는 산업통상자원부(MOTIE)와 한국에너지 기술평가원 (KETEP)의 지원을 받아 수행한 연구과제 입니다 (No.20201510100020).

References

Alam, M. S. and S. M. Haque, 2018. Assessment of urban physical seismic vulnerability using the combination of AHP and TOPSIS models: A case study of residential neighborhoods of Mymensingh city, Bangladesh, Journal of Geoscience and

Alizadeh, M., I. Ngah, M. Hashim, B. Pradhan, and A.

B. Pour, 2018a. A hybrid analytic network process and artificial neural network (ANP-ANN) model for urban earthquake vulnerability assessment,

Alizadeh, M., M. Hashim, E. Alizadeh, H. Shahabi, M.

R. Karami, A. Beiranvand Pour, B. Pradhan, and H. Zabihi, 2018b. Multi-criteria decision

making (MCDM) model for seismic vulnerability assessment (SVA) of urban residential buildings,

7(11): 444.

Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.

Chun, Y., 2017. A Study on Earthquake Hazard Mapping using Risk Factors, Proc. of Korean Society for

May. 25-26, pp. 125-126.

Cortes, C. and V. Vapnik, 1995. Support-vector networks,

E-National Index., http://www.index.go.kr, Accessed on Dec. 1, 2020.

Gyeongju City Hall., http://www.gyeongju.go.kr, Accessed on Dec. 2, 2020.

Han, J. and J. Kim, 2019. A GIS-Based Seismic vulnerability mapping and assessment using AHP: A case study of Gyeongju, Korea, Korean

Korean with English abstract).

Han, J., S. Park, S. Kim, S. Son, S. Lee, and J. Kim, 2019. Performance of Logistic Regression and Support Vector Machines for Seismic Vulnerability Assessment and Mapping: A Case Study of the 12 September 2016 ML5. 8 Gyeongju Earthquake, South Korea, Sustainability, 11(24): 7038.

Han, J. and J. Kim, 2020. Seismic vulnerability assessment and mapping using decision tree and frequency ratio: A case study of Gyeongju, South Korea,

Han, J., J. Kim, S. Park, S. Son, and M. Ryu, 2020.

Seismic Vulnerability Assessment and Mapping of Gyeongju, South Korea Using Frequency Ratio, Decision Tree, and Random Forest, Sustainability, 12(18): 7787.

Jena, R., B. Pradhan, and G. Beydoun, 2020a.

Earthquake vulnerability assessment in Northern

Sumatra province by using a multi-criteria decision-

making model, International Journal of Disaster

Jena, R., B. Pradhan, G. Beydoun, H. Sofyan, and M.

Affan, 2020b. Integrated model for earthquake risk assessment using neural network and analytic hierarchy process: Aceh province, Indonesia,

Jena, R., B. Pradhan, G. Beydoun, A. M. Alamri, and H. Sofyan, 2020c. Earthquake hazard and risk assessment using machine learning approaches at Palu, Indonesia, Science of The Total Environment, 749: 141582.

Kalantar, B., B. Pradhan, S. A. Naghibi, A. Motevalli, and S. Mansor, 2018. Assessment of the effects of training data selection on the landslide susceptibility mapping: a comparison between support vector machine (SVM), logistic regression (LR) and artificial neural networks (ANN),

Kim, H. S., C. G. Sun, H. I. Cho, and J. H. Nam, 2018a.

Regional Assessment of Seismic Site Effects and Induced Vulnerable Area in Gyeonggi-do, South Korea, Using GIS, Journal of The Korean

with English abstract).

Kim, J., S. Lee, H. Jung, and S. Lee, 2018b. Landslide susceptibility mapping using random forest and boosted tree models in Pyeong-Chang, Korea,

Kim, K. H., S. Kang, I. S. Jang, and W. S. Park, 2009.

Seismic hazard near the harbors using historic and instrumental earthquake data, Journal of

21(5): 419-425 (in Korean with English abstract).

Kim, K. H., T. S. Kang, J. Rhie, Y. Kim, Y. Park, S.Y.

Kang, M. Han, J. Kim, J. Park, and M. Kim, 2016b. The 12 September 2016 Gyeongju earthquakes: 2. Temporary seismic network for monitoring aftershocks, Geosciences Journal, 20(6): 753-757.

Kim, Y., J. Rhie, T. S. Kang, K. H. Kim, M. Kim, and S.J. Lee, 2016a. The 12 September 2016 Gyeongju earthquakes: 1. Observation and remaining questions,

Kim, Y., T. H. Kim, J. B. Kyung, C. S. Cho, J. H.

Choi, and C. U. Choi, 2017. Preliminary study on rupture mechanism of the 9.12 Gyeongju Earthquake, Journal of the Geological Society of

abstract).

Lee, S. and S. Oh, 2019. Assessment of regional seismic vulnerability in South Korea based on spatial analysis of seismic hazard information,

Korean with English abstract).

Lee, S., M. Panahi, H. R. Pourghasemi, H. Shahabi, M.

Alizadeh, A. Shirzadi, K. Khosravi, A. M.

Melesse, M. Yekrangnia, and F. Rezaie, 2019.

Sevucas: A novel gis-based machine learning software for seismic vulnerability assessment,

Liu, Y., Z. Li, B. Wei, X. Li, and B. Fu, 2019. Seismic vulnerability assessment at urban scale using data mining and GIScience technology: application to Urumqi (China), Geomatics, Natural Hazards

MPSS (Ministry of Public Safety and Security), 2017.

Report on the 9.12 earthquake and countermeasures,

Ministry of the Interior and Safety, Seoul, KOR.

Nhu, V., D. Zandi, H. Shahabi, K. Chapi, A. Shirzadi, N. Al-Ansari, S. K. Singh, J. Dou, and H. Nguyen, 2020. Comparison of Support Vector Machine, Bayesian Logistic Regression, and Alternating Decision Tree Algorithms for Shallow Landslide Susceptibility Mapping along a Mountainous Road in the West of Iran, Applied Sciences, 10(15): 5047.

Nyimbili, P. H., T. Erden, and H. Karaman, 2018.

Integration of GIS, AHP and TOPSIS for

earthquake hazard analysis, Natural Hazards,

92(3): 1523-1546.

Panahi, M., F. Rezaie, and S. Meshkani, 2014. Seismic vulnerability assessment of school buildings in Tehran city based on AHP and GIS, Natural

Park, J., 2012. An assessment of seismic disaster risk

Seoul, Seoul, KOR.

Rezaie, F. and M. Panahi, 2015. GIS Modeling of Seismic Vulnerability of Residential Fabrics Considering Geotechnical, Structural, Social and Physical Distance Indicators in Tehran using Multi-Criteria Decision-Making Techniques, Nat.

Hazards Earth Syst. Sci, 15: 461-474.

Saaty, T. L., 1977. A scaling method for priorities in hierarchical structures, Journal of Mathematical

Sahin, E. K., I. Colkesen, S. S. Acmali, A. Akgun, and

A. C. Aydinoglu, 2020. Developing comprehensive geocomputation tools for landslide susceptibility mapping: LSM tool pack, Computers & Geosciences, 144: 104592.

Sevgen, E., S. Kocaman, H. A. Nefeslioglu, and C.

Gokceoglu, 2019. A novel performance assessment approach using photogrammetric techniques for landslide susceptibility mapping with logistic regression, ANN and random forest, Sensors, 19(18): 3940.

Vapnik, V., 1995, The Nature of Statistical Learning

Vapnik, V., 1998. Statistical learning theory, Wiley, New York, NY, USA.

Yariyan, P., M. Avand, F. Soltani, O. Ghorbanzadeh,

and T. Blaschke, 2020. Earthquake vulnerability

mapping using different hybrid models, Symmetry,

12(3): 405.