FR과 LR 앙상블 모형을 이용한 산사태 취약성 지도 제작 및 검증 Landslide Susceptibility Mapping Using Ensemble FR and LR models
at the Inje Area, Korea
*
김진수*ㆍ박소영**
Kim, Jin SooㆍPark, So Young
要 旨
본 연구의 목적은 인제읍을 대상으로 빈도비와 로지스틱 회귀분석 모델을 통합한 앙상블 모델을 이용하여 산사태 취약성을 분석하고, 예측 정확도를 비교하는 것이다. 산사태 위치는 산사태 발생 전·후에 촬영된 항공사진을 이용 하여 추출되었다. 추출된 총 422개의 산사태는 산사태 취약성 분석을 위해 훈련용 (70%)과 검증용 (30%) 자료로 랜덤하게 분류되었다. 산사태 관련인자는 고도, 경사도, 경사향, 배수로부터의 거리, 토양수분지수, 하천강도지수, 토질, 유효토심, 영급, 경급, 밀도, 임상 등 총 12개의 인자를 이용하였다. 산사태 및 산사태 관련인자는 공간데이터 베이스로 구축된 뒤 빈도비와 앙상블 모델을 이용하여 산사태와 산사태 관련 인자 간 상관관계를 분석하였다. 그 결과를 바탕으로 각 모델별 산사태 취약성 지도를 작성하였고, relative operating characteristics(ROC) 곡선을 이용 하여 예측 정확도를 검증 및 비교하였다. 분석 결과, 앙상블 모델에 의해 작성된 산사태 취약성 지도는 75.2%의 예측 정확도를 보였고, 이 결과는 빈도비 모델에 의해 작성된 산사태 취약성 지도와 비교하여 예측 정확도가 약 2% 향상된 것으로 나타났다. 본 연구에서 작성된 산사태 취약성 지도는 향후 효과적인 토지이용 계획을 수립하고, 재난재해로 인한 피해를 경감시키는데 활용 가능할 것으로 판단된다.
핵심용어 : 빈도비, 로지스틱 회귀분석, 산사태 취약성, 산사태 취약성 지도
Abstract
This research was aimed to analyze landslide susceptibility and compare the prediction accuracy using ensemble frequency ratio (FR) and logistic regression at the Inje area, Korea. The landslide locations were identified with the before and after aerial photographs of landslide occurrence that were randomly selected for training (70%) and validation (30%). The total twelve landslide-related factors were elevation, slope, aspect, distance to drainage, topographic wetness index, stream power index, soil texture, soil sickness, timber age, timber diameter, timber density, and timber type. The spatial relationship between landslide occurrence and landslide-related factors was analyzed using FR and ensemble model. The produced LSI maps were validated and compared using relative operating characteristics (ROC) curve. The prediction accuracy of produced ensemble LSI map was about 2% higher than FR LSI map. The LSI map produced in this research could be used to establish land use planning and mitigate the damages caused by disaster.
Keywords : Frequency Ratio, Logistic Regression, Landslide Susceptibility, Landslide Susceptibility Index Map
1. 서 론
우리나라의 산사태는 주로 집중호우와 태풍이 발생 하는 6～9월에 집중적으로 발생하는 것이 특징이다. 최 근에는 기후변화로 인해 집중호우의 발생 빈도가 70년
대 평균 5.1회에서 2000년대 들어서는 평균 12.3회로 2.4배 증가하였다 (Kang et al., 2015). 이로 인해 산사 태 관련 재해로 인한 피해는 더욱 증가하는 추세에 있 다. 산사태 피해 면적은 2000년대 이후 713 ha로 1980 년대 대비 3배 이상이 증가하였고, 최근 10년간 산사태
Received: 2016.12.05, revised: 2016.12.21, accepted: 2016.12.29
* 정회원ㆍ부경대학교 공간정보시스템공학과 조교수(Member, Assistant Professor, Department of Spatial Information Engineering, Pukyong National University, [email protected])
** 교신저자ㆍ부경대학교 지구환경재해시스템사업단 연구교수(Corresponding Author, Research Professor, Graduate School of Earth Environmental Hazard System, Pukyong National University, [email protected])
19 Vol.25 No.1 March 2017 pp.19-27
연구논문
ISSN: 2287-6693(Online) http://dx.doi.org/10.7319/kogsis.2017.25.1.019
로 인한 인명 피해가 118명에 달한다(Lee and Kim, 2012). 이 같은 현상은 우리나라뿐만 아니라 세계 곳곳 에서 발생하고 있어 산사태 발생에 대한 우려가 커지고 있다.
이러한 배경 하에 국내외 연구자들에 의해 산사태 취 약성 분석에 관한 연구가 활발하게 이루어져왔다. 산사 태 취약성 분석은 산사태 발생 원인을 분석할 수 있을 뿐만 아니라, 이를 바탕으로 향후 발생 가능성을 예측 할 수 있어 산사태를 사전에 방지하고 관리하는데 효과 적으로 활용가능하다 (Lee et al., 2004). 최근 IT 기술 의 발달로 산사태 취약성을 분석하는데 지리정보시스 템 (geographic information, system, GIS)이 활발하게 이용되고 있다. GIS는 다양한 공간자료의 통합 ․ 활용 및 분석 기능을 제공하므로 산사태와 산사태 관련 요인 들 간의 복합적인 상호 관계를 효과적으로 분석하는데 유용하다. 그러나, GIS는 공간자료들의 연관성을 예측 하는데 다소 한계가 있다 (Oh, 2010).
이로 인해 산사태 취약성을 분석하기 위해 GIS를 기 반으로 빈도비 (frequency ratio, FR), 로지스틱 회귀 (logistic regression, LR), 인공신경망 등을 같이 이용 한 연구가 많이 이루어져왔다 (Gomez and Kavzoglu, 2005; Lee and Kim, 2012; Lee and Sambath, 2006).
최근에는 서포트 벡터 머신, Dempster-theory, 엔트로 피 등 새로운 기법이 이용되고 있다 (Hong et al., 2016;
Zhang et al., 2016). 다양한 기법들이 이용되어 왔음에 도 어떠한 기법이 가장 효과적인 것인가에 대한 학문적 합의는 없다. 따라서 다양한 기법을 이용한 비교 연구를 하거나, 여러 모델 간 통합을 통해 산사태 취약성 분석 의 정확도를 향상시키기 위해 노력하고 있다 (Aghdam et al., 2016; Yilmaz, 2010; Youssef et al., 2015).
본 연구는 가장 대표적으로 이용되고 있는 FR과 LR 분석기법을 통합하여 산사태 취약성을 분석하고자 한 다. FR은 이변량 분석기법 중 하나로 산사태 발생과 산 사태 관련 인자의 상관관계 분석을 통해 각 인자의 등 급별 영향을 분석할 수 있다. 또한, 다른 분석기법과 비 교하여 GIS 환경 내에서 손쉽게 계산 가능하고, 결과의 해석이 쉽다는 장점을 가진다. LR은 다변량 분석이 가 능하고, 산사태 관련 인자가 산사태 발생에 미치는 영 향을 정량적으로 분석가능하다는 장점이 있다. 그러나, 산사태 발생에 대하여 산사태 관련 인자의 각 등급이 개별적으로 미치는 영향에 대해서는 분석할 수 없다. 따라서 본 논문은 FR과 LR 분석기법을 통합함으로써 각 기법 간의 취약점을 보완하고, 정확도 검증을 통해 작성된 산사태 취약성 지도의 정확도 향상을 평가하고 자 한다.
Figure 1. Study area and landslide location map
2. 연구 지역
강원도는 전체 면적의 약 80% 이상이 산지로 이루어 져 있고, 산지의 경사가 가파른 곳이 많다. 이러한 지형 적인 특성으로 상대적으로 산사태에 취약한 특성을 가 진다. 2006년에는 태풍 에위니아, 빌리스 및 개미로 인 한 영향으로 수많은 산사태가 발생하였고, 산사태로 인 한 피해액이 전국 규모의 95.4%를 차지하였다. 특히, 강원도 인제군 일대의 하루 최대강수량은 기상관측 이 래 최대 규모인 355 mm를 기록하였다. 이로 인해 약 400 개소에서 산사태가 발생하여 많은 피해를 입었다.
본 연구는 가장 많은 산사태가 발생한 인제읍 일대를 대상으로 하였다. 연구지역은 지리학적으로 위도 38°
3′ 9″～38° 4′ 21″ N, 경도 128° 18′ 28″～128° 20′ 5 7″ E 사이에 위치하고, 연구지역의 전체 면적은 8.10
㎢ 이다 (Fig. 1).
3. 공간데이터베이스 구축 3.1 산사태 위치 결정
2006년에 발생한 연구지역의 산사태 위치는 산사태 발생 전후의 항공사진을 비교 ․ 탐지하여 선정되었다.
산사태 발생 전의 항공사진은 국토지리정보원, 산사태 발생 후의 항공사진은 Pukyong National University (PKNU) 4호 시스템에 의해 촬영된 항공사진을 수집하 였다. PKNU 4호 시스템을 이용한 항공촬영은 산사태 발생 직후인 2006년 8월 2일 2회에 걸쳐 강원도 원주 시와 인제시 일대의 산림지역을 대상으로 촬영된 것으
Category Factors Data type Scale
Landslide inventory - Point -
Topographic map
Elevation
GRID 1:5,000
Slope Aspect Distance from drainage Topographic wetness index
Stream power index
Soil map Soil texture
Polygon 1:25,000
Soil thickness
Forest map
Timber age
Polygon 1:25,000
Timber diameter Timber density
Timber type Table 1. Data layer used in this study
로 50 ㎝의 공간해상도를 가진다.
PKNU 4호 시스템을 위해 Canon 800만 화소 DSLR 카메라가 방진 ․ 방적 기능이 있는 짐벌에 장착되었다.
영상저장부는 2개의 베어본 컴퓨터를 이용하여 구성되 었고, 관제부는 Pni사의 TCM3 Gyro와 GPS, 그리고 카메라의 촬영 간격 및 상태를 관제하는 카메라 관제장 치로 구성되었다 (Son et al., 2009).
수집된 항공사진은 수치지형도에서 획득된 GCP 값 을 이용하여 정사보정 과정을 거친 후 모자이크 되었 다. 산사태 피해지역은 모자이크된 항공사진을 육안판 독에 의해 토석류 조사야장 (산림청) 분류방식을 기준 으로 발단부, 유하부, 퇴적부로 구분하여 디지타이징 되었다. 그 결과 연구지역 내 산사태 발생지역은 총 286,824 ㎡인 것으로 나타났다. 본 연구는 이 중 산사 태 발달부 (42,615 ㎡)를 10 × 10m 격자 크기를 갖는 Raster 파일로 변환하여 산사태 위치도를 작성하였다.
최종적으로 총 422개의 산사태가 추출되었고, 이들 자 료는 선행연구와 마찬가지로 훈련과 검증을 위해 7:3의 비율로 랜덤하게 분류되었다.
3.2 산사태 관련 인자
본 연구는 산사태 취약성 분석을 위해 산사태 분포 도, 지형도, 토양도, 임상도 등을 이용하여 산사태 관련 인자를 구축하였다 (Table 1). 지형관련 인자는 고도, 경사도, 경사향, 배수로부터의 거리, 토양수분지수 (topographic wetness index, TWI), 하천강도지수 (stream power index, SPI) 등을 포함한다. 이들 인자 는 국토지리정보원에서 발행하는 1:5,000 수치지형도 를 이용하여 추출하였다. 이 중 TWI는 수문 과정에서 지형학적 특성의 영향성을 평가하는데, SPI는 물의 흐 름에 의한 사면의 침식 정도를 추정하는데 사용된다.
(Kang et al., 2015). 이들 인자는 사면경사와 상부사면 기여면적을 이용하여 각각 Eqs. (1) and (2)에 의해 계 산된다 (Beven and Kirkby, 1979; Moore et al., 1993).
(1)
× (2) where,
is the upslope contributing area, and is the local slope.산사태와 관련된 토양 인자는 토질, 유효토심으로 농 촌진흥청에서 발행하는 1:25,000 정밀토양도로부터 추 출되었다. 토질은 토양입자크기로 모래, 미사 및 점토 의 상대적인 비율로 구분된다. 유효토심은 토양의 유효 두께를 나타낸다.
또한, 본 연구는 국립산림과학원의 1:25,000 4차 수 치임상도로부터 영급, 경급, 밀도 및 임상을 추출하였 다. 영급은 나무의 수령, 경급은 나무의 지름, 밀도는 나무의 밀도, 그리고 임상은 나무의 종류를 나타낸다.
본 연구에서 사용된 총 12개의 산사태 관련인자는 10 × 10m 격자 크기를 갖는 공간데이터베이스로 구축 하였다. 연구지역의 공간자료는 ArcGIS 10.0을 이용하 여 구축되었고, 총 격자수는 행과 열이 366 × 255인 93,330 개다 (Fig. 2).
구축된 공간데이터베이스는 FR 및 FR과 LR을 통합 한 모델을 이용하여 Fig. 3과 같은 과정으로 연구지역 의 산사태 취약성을 분석하고 지도화한 뒤 정확도를 검 증하였다.
Figure 2. Landslide-related factors used in this study
Figure 3. Flow chart for this study
4. 분석 결과 4.1 빈도비
산사태와 산사태 관련 인자의 관계는 산사태가 발생 혹은 발생하지 않은 지역과 산사태 관련 인자와의 관계 로부터 추론되어진다. 이를 정량적으로 표현하기 위해 FR 모델이 사용된다.
FR은 각 인자의 등급별 산사태 발생 면적 비율을 각
인자의 등급이 전체 면적에서 차지하는 비율로 나눈 것 이다. FR의 값이 1보다 크면 산사태와 산사태 관련 인 자 간 높은 상관관계, 1보다 낮으면 낮은 상관관계를 나타낸다 (Lee et al., 2004).
본 연구에서 사용된 12개의 산사태 관련 인자는 각 등급별로 나눈 다음 FR 값을 구하였다 (Table 2). 고도 항목의 경우 518～664 m 일 때 FR의 값이 1보다 크게 나타나 산사태 발생과의 상관관계가 높은 것으로 나타
Class
No. of pixels in
domain
% of pixels in domain
No. of landslide
% of landslide
Frequency ratio
Logistic regression coefficient
Elevation (m)
440～518 8769 10.82 31 10.51 0.97
0.36
518～552 9492 11.71 38 12.88 1.10
552～579 9418 11.62 36 12.20 1.05
579～605 9199 11.35 34 11.53 1.02
605～634 9118 11.25 43 14.58 1.30
634～664 8955 11.05 43 14.58 1.32
664～697 8748 10.80 31 10.51 0.97
697～748 8758 10.81 29 9.83 0.91
748～ 8573 10.58 10 3.39 0.32
Slope (degree)
0～9.6 8980 11.08 12 4.07 0.37
0.12
9.6～18.1 8570 10.58 18 6.10 0.58
18.1～21.8 9147 11.29 32 10.85 0.96
21.8～24.9 9495 11.72 40 13.56 1.16
24.9～27.7 9050 11.17 41 13.90 1.24
27.7～30.9 9447 11.66 42 14.24 1.22
30.9～34.5 9086 11.21 44 14.92 1.33
34.5～39.4 8588 10.60 32 10.85 1.02
39.4～ 8667 10.70 34 11.53 1.08
Aspect
Flat 3172 3.91 1 0.34 0.09
1.12
North 9002 11.11 17 5.76 0.52
Northeast 8067 9.96 26 8.81 0.89
East 9385 11.58 38 12.88 1.11
Southeast 9950 12.28 57 19.32 1.57
South 12352 15.24 51 17.29 1.13
Southwest 9944 12.27 45 15.25 1.24
West 8803 10.86 32 10.85 1.00
Northwest 10355 12.78 28 9.49 0.74
Distance to drainage
(m)
0～24.7 8395 10.36 20 6.78 0.65
0.81
24.7～53.2 9676 11.94 31 10.51 0.88
53.2～83.5 8863 10.94 26 8.81 0.81
83.5～119.6 9583 11.83 28 9.49 0.80
119.6～155.7 9404 11.61 25 8.47 0.73
155.7～193.7 8783 10.84 39 13.22 1.22
193.7～235.4 8792 10.85 32 10.85 1.00
235.4～286.7 8808 10.87 53 17.97 1.65
286.7～ 8726 10.77 41 13.90 1.29
TWI TWI
-1～4.8 7908 9.76 20 6.78 0.69
0.18
4.8～5.1 11193 13.81 44 14.92 1.08
5.1～5.2 11376 14.04 48 16.27 1.16
5.2～5.4 12237 15.10 50 16.95 1.12
5.4～5.6 10618 13.10 48 16.27 1.24
5.6～5.7 7819 9.65 30 10.17 1.05
5.7～6.1 8328 10.28 24 8.14 0.79 0.18
6.1～6.7 6268 7.74 15 5.08 0.66
6.7～ 5283 6.52 16 5.42 0.83
Table 2. Results of frequency ratio and logistic regression between landslide and related factors
Class
No. of pixels in
domain
% of pixels in domain
No. of landslide
% of landslide
Frequency ratio
Logistic regression coefficient
SPI
0 11422 14.10 21 7.12 0.51
0.73
0～0.6 8079 9.97 22 7.46 0.75
0.6～1.0 9770 12.06 36 12.20 1.01
1.0～1.3 9651 11.91 35 11.86 1.00
1.3～1.6 9107 11.24 42 14.24 1.27
1.6～2.0 8847 10.92 32 10.85 0.99
2.0～2.3 8546 10.55 28 9.49 0.90
2.3～2.9 8173 10.09 39 13.22 1.31
2.9～ 7435 9.18 40 13.56 1.48
Soil texture
Sandy loam 56327 69.51 249 84.41 1.21
Loam 24703 30.49 46 15.59 0.51 0.46
Soil thickness
(cm)
20～50 31445 38.81 53 17.97 0.46
0.49
50～100 43967 54.26 235 79.66 1.47
100～ 5618 6.93 7 2.37 0.34
Timber age (year)
No data 9669 11.93 9 3.05 0.26
1.03
11～20 10228 12.62 0 0.00 0.00
21～30 11011 13.59 80 27.12 2.00
31～40 23870 29.46 111 37.63 1.28
41～50 14401 17.77 62 21.02 1.18
50～ 11851 14.63 33 11.19 0.76
Timber diameter (cm)
No data 9669 11.93 9 3.05 0.26
6～16 21239 26.21 80 27.12 1.03 0.60
18～28 38271 47.23 173 58.64 1.24
30～ 11851 14.63 33 11.19 0.76
Timber density
No data 9672 11.94 10 3.39 0.28
-0.33
Sparse 220 0.27 0 0.00 0.00
Moderate 32613 40.25 120 40.68 1.01
Dense 38525 47.54 165 55.93 1.18
Timber type
No data 8203 10.12 4 1.36 0.13
3.26
Broad-leaved forest 1207 1.49 0 0.00 0.00
Pine forest 42620 52.60 216 73.22 1.39
Larch forest 8983 11.09 0 0.00 0.00
Pinus Koraiensis forest 351 0.43 0 0.00 0.00
Artificial pine forest 536 0.66 0 0.00 0.00
Mixed forest 17662 21.80 70 23.73 1.09
Farmland 208 0.26 0 0.00 0.00
Ranch 592 0.73 5 1.69 2.32
Non-forest land 315 0.39 0 0.00 0.00
non-stocked forest 353 0.44 0 0.00 0.00
Table 2. (continued)
났다. 경사도는 21.8° 이상일 때 FR의 값이 1보다 크게 나타났고, 30.9～34.5°의 범위에서 FR의 값이 가장 큰 1.33으로 나타났다. 경사향은 동, 남동, 남, 남서, 서쪽 에서 산사태가 주로 발생하였다. 배수로부터의 거리는 155.7 m 이상일 때 산사태 발생과의 상관관계가 높은 것으로 나타났다. TWI는 4.8～5.7의 범위에서 FR의
값이 1보다 높게 나타나 이 범위에서 주로 산사태가 발 생한 것으로 나타났다. SPI는 2.9 이상일 때 FR 값이 1.48로 가장 높은 상관관계를 보였다.
토양 인자의 경우 토질이 사양토, 토양 두께가 50～
100 ㎝인 등급에서 상대적으로 산사태 발생 빈도가 높 게 나타났다.
영급은 21～50의 범위에서 FR의 값이 1보다 높게 나타났고, 21～30 등급이 가장 높은 2.00이었다. 경급 은 6～16㎝, 18～28㎝ 등급에서 FR의 값이 1보다 높 게 나타났고, 밀도가 중, 밀일 때 산사태에 취약한 것으 로 나타났다. 임상의 경우 소나무림 (D), 혼효림(M), 목장 (LP)의 항목에서 FR의 값이 1보다 높게 나타나 산사태와의 강한 상관관계를 보였다.
산사태 취약성 (landslide susceptibility index, LSI) 지 도는 산사태 관련 인자의 등급 또는 항목별로 계산된 FR 값을 Eq. (3)과 같이 모두 더하여 작성되었다 (Fig. 4(a)).
(3) where, FR is rating of each factor’s type or range.
4.2 빈도비와 로지스틱 회귀분석을 이용한 통합 모델
LR은 종속변수와 독립변수와의 관계가 비선형이라 는 가정 하에 종속변수와 독립변수 간의 관련성을 분석 하고 예측하는 통계적 기법이다. 여기서 종속변수는 이 항형 변수로 본 연구에서는 산사태 발생 (1), 미발생 (0)으로 구분되고, 독립변수는 산사태 관련 인자들이다.
종속변수와 독립변수의 관계는 로지스틱 함수를 이 용하여 다음의 Eq. (4)와 같이 표현되고, 산사태 발생 확률을 예측한다.
(4) where, p is the estimated probability of landslide occurrence with range from 0 to 1, and z is the linear combination. ⋯ (5) where, is the intercept, the ⋯ are the coefficients of the LR model, and the
⋯ are the independent variables (Lee and Sambath, 2006).
본 연구는 각 인자별로 FR에 의해 계산된 값을 다음 Eq. (6)을 이용하여 정규화시켰다.
(6) where, is the normalized values of , and
and are the minimum and maximum values of
, repectively (Choi et al., 2010).
정규화된 FR의 값은 산사태 관련 인자를 재분류하기 위해 사용되었고, 이를 통해 FR과 LR 모델이 통합되었 다. 최종적으로 정규화된 FR의 값에 의해 재분류된 산 사태 관련 인자들은 ASCII 형식으로 변환된 후 SPSS 프로그램을 이용하여 LR 회귀계수가 분석되었다 (Table 2).
분석결과, 나무 밀도를 제외하고는 모든 항목에서 산 사태와 양의 상관관계를 가졌다. 임상 항목은 LR 회귀 계수가 3.256으로 가장 높게 나타나 산사태 발생과 높 은 상관관계를 가졌다. 또한, 경사향이 1.115, 영급이 1.031의 회귀계수를 가져 상대적으로 높게 나타났다.
각 산사태 관련 인자별로 산출된 LR 회귀계수는 Eq.
(7)에 의해 연구지역에 대한 산사태 취약성 지수가 계 산된다. 최종적으로 FR과 LR을 통합한 LSI 지도는 Eq. (7)을 Eq. (4)에 대입하는 것에 의해 작성되었다 (Fig. 4(b)).
(7)
5. 결과 검증
Figure 4. Landslide susceptibility maps produced by frequency ratio model (a) and ensemble model (b)
Class FR model Ensemble model
Number of pixels Ratio Number of pixels Ratio
Very low 7795 9.62 20175 24.90
Low 12373 15.27 13620 16.81
Moderate 20700 25.55 15854 19.57
High 23033 28.43 18407 22.72
Very high 17129 21.14 12974 16.01
Sum 81030 100.00 81030 100.00
Table 3. Distribution of landslide susceptibility zone about each landslide susceptibility map
FR 및 FR과 LR을 통합한 방법에 의해 작성된 LSI 지도는 ArcGIS 10.0을 이용하여 natural breaks 분류방 법으로 5등급화 하였다 (Fig. 4).
FR로 작성된 LSI 지도의 very low, low, moderate, high 그리고 very high 등급은 각각 전체 면적에 대하 여 9.62%, 15.27%, 25.55%, 28.43%, 그리고 21.14%
가 분포하였다.
또한, 통합 LSI map은 very low 항목이 24.90%로 FR에 비해 매우 높은 분포를 보였다. 그러나, 산사태에 취약한 특성을 보이는 very high와 high 항목은 전체 면적에서 총 38.73%를 차지하여 FR 보다 약 1%p 낮 은 것으로 나타났다 (Table 3).
본 연구에서 작성된 LSI 지도는 relative operating characteristics(ROC) 곡선을 이용하여 예측 정확도를 검증하였다. ROC 곡선은 두 개의 범주를 가지는 분류 모형의 성능을 평가하기 위해 민감도 (sensitivity)를 Y 축, 1-특이도 (specificity)를 X축으로 하여 작성되는 그 래프이다. ROC 곡선은 곡선 아래의 면적 (area under
Figure 5. Prediction rate curves of landslide susceptibility maps
the curve, AUC) 값을 이용하여 정량적인 수치로 표현 된다. AUC 값은 0.5에서 1.0의 범위 값을 가지며, 1.0 에 가까울수록 예측정확도가 높은 것으로 평가한다.
본 연구는 두 가지 방법에 의해 작성된 LSI 지도와 검증용 산사태 자료를 이용하여 ROC 곡선을 분석하였 다. 분석결과, FR LSI 지도의 예측 정확도는 0.743 (74.3%)로 나타났고, FR과 LR을 통합한 LSI 지도의 예측 정확도는 0.762 (76.2%)로 FR과 비교하여 다소 높게 나타났다. 이를 통해 본 연구에서 작성한 FR과 LR을 통합한 LSI 지도는 본 연구지역의 산사태 취약 성을 평가하는데 FR LSI 지도보다 나은 성능을 가지는 것을 알 수 있다 (Fig. 5).
6. 결 론
본 연구는 가장 많이 사용되고 있는 FR과 LR 모델 을 통합하는 것에 의해 인제읍 지역의 산사태 취약성을 분석하고, FR 모델과의 비교 분석을 통해 정확도 검증 을 실시하였다. 산사태 지역은 항공사진으로부터 판독 되었고, 70%는 훈련용으로 30%는 검증용으로 사용되 었다. 산사태 관련 인자는 지형, 토양, 임상 관련 인자 로 구성된 총 12개 인자가 사용되었다. ROC 곡선을 이 용한 결과 검증을 통해 본 연구에서 작성한 FR과 LR 을 통합한 LSI 지도는 76.2%의 높은 예측 정확도를 보 였다. 또한, FR로 작성된 LSI 지도보다 약 2%p의 예측 정확도가 향상되는 것으로 나타났다.
이를 통해 본 연구는 FR과 LR 모델을 통합하여 적 용함으로써 LSI 지도의 정확도를 향상하는데 기여하였 음을 알 수 있다. 또한, LSI 지도는 앞서 살펴본 것과 같이 산사태를 사전에 예방하고 피해를 저감하는데 효 과적인 도구로서 활용할 수 있다. 따라서 본 자료는 향 후 토지이용 및 재난재해 관련 의사결정자들에게 매우 중요한 자료로 활용될 수 있을 것이다.
감사의 글
이 논문은 부경대학교 자율창의학술연구비(2015년) 에 의하여 연구되었음.
References
1. Aghdam, I. N., Varzandeh, M. H. M. and Pradhan, B., 2016, Landslide susceptibility mapping using an ensemble statistical index (Wi) and adaptive neuro-fuzzy inference system (ANFIS) model at Alborz Mountains (Iran), Environmental Earth Sciences, Vol. 75, No. 7, pp. 1-20.
2. Beven, K. J. and Kirkby, M. J., 1979, A physically based, variable contributing area model of basin hydrology, Hydrological Sciences Bulletin, Vol. 24, pp. 43-69.
3. Choi., J., Oh, H., Won, J. S. and Lee, S., 2010, Validation of an artificial neural network model for landslide susceptibility mapping, Environmental Earth Science, Vol. 60, pp. 473-483.
4. Gomez, H. and Kavzoglu, T., 2005, Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, Vol. 78, No. 1, pp. 11-27.
5. Hong, H., Pradhan, B., Jebur, M. N., Bui, D. T., Xu, C. and Akgun, A., 2016, Spatial prediction of landslide hazard at the luxi area (china) using support vector machines, Environmental Earth Sciences, Vol. 75, No. 1, pp. 1-14.
6. Kang, S., Lee, S., Nikhil, N. V. and Park, J., 2015.
Analysis of differences in geomorphological characteristics on initiation of landslides and debris flows, Journal of Korean Society of Hazard Mitigation, Vol. 15, No. 2, pp. 249-258.
7. Lee, H. and Kim, G., 2012, Landslide risk assessment in Inje using logistic regression model, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.
20, No. 3, pp. 313-321.
8. Lee, S., Lee, M. and Won, J., 2004, Study on landslide using GIS and remote sensing at the Kangneung area (Ⅱ) - landslide susceptibility mapping and cross-validation using the probability technique, Journal of Korean Society of Economic and Environmental Geology, Vol. 37, No. 5, pp.
521-532.
9. Lee., S. and Sambath, T., 2006, Landslide susceptibility mapping in the Damrei Romel area, Cambodia using frequency ratio and logistic regression models, Environmental Geology, Vol. 50, pp. 847-855.
10. Moore, I. D., Grayson, R. B. and Ladson, A. R., 1991, Digital terrain modelling: a review of hydrological, geomorphological, and biological application. In: Beven KJ, Moore ID (eds) Terrain analysis and distributed modeling in hydrology.
Advances in hydrological processes. Wiley, Chichester, pp. 3-30.
11. Oh, H., 2010, Landslide susceptibility analysis and validation using weight -of-evidence model, Journal of the Geological Society of Korea, Vol. 46, No. 2, pp. 157-170.
12. Son, J. W., Kim, K. T., Lee, C. H. and Choi, C. U., 2009, Analysis of landslide in Inje region using aerial photograph and GIS. Journal of the Korean Society for Geospatial Information System, Vol. 17, No. 2, pp. 61-69.
13. Yilmaz, I., 2010, Comparison of landslide susceptibility mapping methodologies for Koyulhisar, Turkey: conditional probability, logistic regression, artificial neural networks, and support vector machine, Environmental Earth Sciences, Vol. 61, No.
4, pp. 821-836.
14. Youssef, A. M., Pradhan, B., Jebur, M. N. and El-Harbi, H. M., 2015, Landslide susceptibility mapping using ensemble bivariate and multivariate statistical models in Fayfa area, Saudi Arabia, Environmental Earth Sciences, Vol. 73, No. 7, pp.
3745-3761.
15. Zhang, Z., Yang, F., Chen, H., Wu, Y., Li, T., Li, W.
and Liu, P., 2016, GIS -based landslide susceptibility analysis using frequency ratio and evidential belief function models, Environmental Earth Sciences, Vol.
75, No. 11, pp. 1-12.
