항공 LiDAR와 수치지도를 이용한 산사태 취약성 비교 분석

A Comparative Analysis of Landslide Susceptibility Using Airborne LiDAR and Digital Map

Abstract

본 연구는 산사태 관련 인자를 달리하여 산사태 취약성을 분석한 후, 정확도를 비교하고자 한다. 이를 위해 항공사진을 이용하여 산사태 위치를 추출하였고, 항공 LiDAR와 수치지도를 이용한 지형인자, 각종 주제도를 이용한 토양, 임상, 토지피복 인자를 추출하여 공간데이터베이스를 구축하였다. 산사태 취약성 지도는 로지스틱 회귀분석과 빈도비를 이용하여 산사태 취약지수를 산정하는 것에 의해 작성되었다. 분석결과, 항공 LiDAR와 수치지도의 상관관계는 거의 일치하였으며, 각 방법별로 작성된 산사태 취약성 지도 사이에는 강한 상관관계가 존재하였다. 각 방법별로 작성된 산사태 취약성 지도는 높은 예측 정확도를 보였다. 특히, 빈도비와 항공 LiDAR를 이용할 경우 성능이 더욱 향상되었다. 이를 통해 항공 LiDAR 자료는 효과적인 산사태 발생 예측 및 피해저감대책을 수립하는데 기여할 것으로 판단된다.

This study examined the accuracy that produced using various types and combinations of landslide-related factors from landslide susceptibility index maps. A database of landslide-related factors was adopted by the landslide locations that obtained from aerial photographs, and the topographic factors that derived from airborne LiDAR observations and digital maps, and various soil, forest, and land cover. Landslide susceptibility index maps were calculated by logistic regression and frequency ratio from the landslide susceptibility index. The correlation between airborne LiDAR data and digital map was shown strong similarities with one another. Landslide susceptibility index maps indicated the existence of a strong correlation and high prediction accuracy, especially when the frequency ratio and airborne LiDAR were used. Therefore, we concluded that the Airborne LiDAR will contribute to the development of effective landslide prediction methods and damage reduction measures.

1. 서 론

오늘날 전 세계적으로 지구 온난화에 따른 기후변화로 해수면 상승, 집중호우, 태풍, 홍수 등 예측하기 힘든 기상 변화가 빈번하게 발생하고 있으며, 이로 인해 대규모 자연 재해의 발생빈도 또한 높아지고 있다. 우리나라의 경우 1908년 기상 관측을 시작한 이후 100년 동안 평균기온이 약 1.5℃ 상승하였고, 이러한 추세는 전 지구적인 기온상승 추세의 약 두 배에 달한다(Kwon, 2007). 또한, 태풍, 국지성 집중호우 등의 기상이변으로 산사태 재해가 빈번하게 발생하고 있으며, 2002년부터 2011년까지 연평균 산사태 발생면적은 779ha로 1980~1989년 발생면적인 231ha보다 3.4배 증가하였다(Kim et al., 2012).

근래에 수행되었던 산사태에 관련한 대부분의 연구들은 조사를 통한 산사태 발생 요인을 규명하고, 이에 대한 피해 복구 및 대책 수립에 치중되어 있었다. 그러나 이를 위한 피해 지역의 위치, 규모와 같은 정보를 얻기까지 많은 시간, 인력, 그리고 비용이 필요한 실정이었다(Lee et al., 2001). 이러한 상황에서 산사태의 과학적인 분석에 대한 필요성이 대두되었고, 과학적인 분석을 통해 사전에 산사태 발생 가능성을 미리 평가 및 예측하기 위한 각종 분석 기술들에 관련한 연구가 수행되고 있다.

특히, 산사태 취약성 지도는 효율적인 토지이용 관리를 위한 본질적 요소이며, 합리적인 토지관리를 위해 제공되는 기본 틀로 활용하고 있다(Akgün, 2012). 산사태 취약성 지도를 작성하기 위한 방법은 크게 정성적 해석기법과 정량적 해석기법으로 구분할 수 있다(Aleotti and Chowdhury, 1999; Guzzetti et al., 1999). 정성적 기법은 1970년대 후반까지 지질학자들에 의해 폭 넓게 사용되었던 방법으로, 평가자의 판단에 의해 취약성에 대해 평가를 하는 기법이다. 반면, 최근에 주로 사용되고 있는 정량적 기법은 산사태와 그 발생 요인들 간의 관계를 GIS(Geographic Information System) 기반의 다양한 모델에 기초하여 분석하는 방법이다(Yilmaz, 2009).

정량적 기법을 이용한 연구는 확률론적 모델(Borga et al., 1998; Jibson et al., 2000; Montgomery and Dietrich, 1994), 통계적 모델인 빈도비 분석(Lee and Talib, 2005; Akgün and Bulut, 2007; Dahal et al., 2007), 로지스틱 회귀분석(Lee and Sambath, 2006; Tunusluoglu et al., 2008; Pradhan et al., 2008), Fuzzy-logic (Tangestani, 2004), Neurofuzzy(Kanungo et al., 2006; Oh and Pradhan, 2011; Sezer et al., 2011), 인공신경망(Ermini et al., 2005; Lee et al., 2007) 등 다양한 방법을 이용하여 산사태 취약지수를 산정하고, 지도화 하여 정확도를 평가하는 연구가 주를 이루었다. 일부 연구에서는 분석방법별 산사태 취약성 지도의 정확도를 비교하는 연구가 이루어졌다.

다양한 평가방법 중에서도 통계적 모델은 가장 간편하게 적용 가능하며, 계산과정 및 결과 값을 쉽게 이해할 수 있다. 로지스틱 회귀분석 또한 분석과정시 자료변환 과정을 거쳐야하는 번거로움은 있으나 산사태 발생 및 발생 요인 사이의 관계를 정량적으로 분석해 낼 수 있다는 장점이 있다 (Lee et al., 2000). 이로 인해 국내외 연구자들은 통계적 모델과 로지스틱 회귀분석 방법을 널리 이용하여 산사태 취약성을 분석하고 산사태 취약성 지도의 정확도를 검증했다.

본 연구에서는 항공 LiDAR 관측 자료로 생성한 산사태 발생요인이 산사태 취약성 평가 시 미치는 영향을 분석하는데 목적이 있다. 따라서 다른 평가방법에 비해 산사태 발생요인별 기여도 및 산사태 발생과의 정량적 관계 분석이 용이한 통계적 모델과 로지스틱 회귀분석 방법으로 산사태 발생요인별 영향을 분석하고, 이를 바탕으로 산사태 취약성을 평가하여 각 방법별 결과를 비교 및 검증하고자 한다.

 

2. 연구방법

본 연구는 DEM 구축을 위해서 항공 LiDAR 자료와 수치지도를 사용하였다. 산사태 취약성 지도 작성을 위한 정량적 해석은 통계적 모델인 빈도비(Frequency ratio) 모델과 로지스틱 회귀분석(Logistic regression) 모델을 이용하였고, 그 결과를 비교하였다. 그리고 항공 LiDAR 자료를 이용하였을 경우와 수치지도 자료를 이용하였을 경우에 대하여 상관관계를 분석하고, 해석모델과 자료를 달리하여 피어슨 상관계수(Peasons's correlation coefficient)를 분석하였다. 그리고 작성된 산사태 취약성 지도의 정확도를 검증하기 위하여 AUC (Area Under the Curve)라 불리는 정량적 분석방법을 이용하였으며, 본 연구과정을 흐름도로 나타내면 Fig. 1과 같다.

Fig. 1.Flow chart for this study

 

3. 연구대상지 선정

본 연구대상지역은 Fig. 2와 같이 서울특별시 서초구에 위치한 우면산 일대이다. 이 지역은 2011년 7월말 중부지방에 3일간 지속된 약 500mm의 국지성 폭우로 인해 1~1.5m의 퇴적층이 흘러 내려 유동성 토석류 산사태가 발생했고, 이로인해 인명 및 재산 피해가 발생하였다.

Fig. 2.This study area

Fig. 3과 같이 우면산 일대 산사태는 계곡부를 중심으로 발달되었고, 대상지역 내 총 7개소에서 재해가 발행하였다. 이 중 2개소는 급경사지 재해가 아닌 홍수재해이며, 토석류로 인한 피해지역은 5개소이다. 우면산 일대의 총 피해면적은 약 276,683m2이고, 최대 피해면적 붕괴지는 레미안 및 임광아파트 일대로 피해면적은 205,843m2, 급경사지 재해 발생 상단부에서 확산지역까지의 최대 피해 길이는 약 764m이다 (Yoon, 2012).

Fig. 3.Photos of landslide sites

 

4. 공간데이터베이스 구축

4.1 정사영상 제작 및 피해지역 탐지

본 연구는 산사태 위치 선정을 위해 (주)새한지오텍에서 DMC(Digital Mapping Camera) 로 우면산 일대를 촬영한 항공사진을 이용하였다. 이는 2011년 8월에 촬영된 것으로 총 32장이고, 공간해상력은 10cm이다. 항공사진은 1:1,000 수치지형도로 기하보정 되었고, 기하보정을 거친 항공사진은 항공사진에 의해 생성된 DTM(Digital Terrain Model) 과 함께 정사영상 제작에 이용되었다. 정사영상은 우면산 일대에 대하여 모자이크 영상으로 제작되었다.

본 연구는 Fig. 4와 같이 정사영상을 바탕으로 산사태 발생지역을 육안으로 식별하여 발단부, 유하부, 퇴적부로 디지타이징(digitizing)하였다. 이 중 발단부는 ArcGIS 10.1 환경에서 점 형태의 공간자료로 구축하였고, 연구대상지역에서 일부만 무작위 분류한 739개에 대하여 훈련용(70％)과 검증용(30％)으로 취약성 분석과 검증 시 사용하였다.

Fig. 4.Selection of landslide location using ortho image

4.2 DEM 구축

DEM 구축은 항공 LiDAR 자료와 수치지도를 사용하여 각각 DEM을 구축하였다. 수치지도를 이용한 DEM 제작은 국토지리정보원의 1:5,000 수치지도 총 6개 도엽을 이용하였고, 이는 2010년에 촬영된 항공사진으로 제작되었다.

또한, 항공 LiDAR 자료를 이용한 DEM 구축의 경우 (주)새한지오텍에서 보유하고 있는 Optech사의 ALTM Gemini 시스템에 의해 2009년 가을과 2011년 8월에 취득된 자료를 이용하였다. 이 시스템은 레이저 반복율이 최대 167kHz이고, 비행고도가 150~4,000m일 때, 표고의 정확도는 5~35cm이고, 수평정확도는 비행고도의 약 1/5,500이다. 또한 하나의 펄스로 최대 4회의 반사파를 구할 수 있으며, ALTM Gemini 시스템의 규격은 Table 1과 같다.

Table 1.ALTM Gemini system specifications

연구대상지인 우면산 일원 촬영은 총 16개 비행코스를 따라 직선방향으로 점 간격은 0.59m, 코스의 직각방향으로 점간격은 0.65m 이었으며 코스 중복도는 약 52％가 유지되도록 비행 설계되었고, 취득된 포인트 자료의 점밀도는 약 2.5pts/m2이며, 비행계획과 스캐닝 계획은 Table 2와 같다.

Table 2.Flight and laser scanning schedules

4.3 산사태 관련 요인

본 연구에서는 Table 3과 같이 산사태 발생 위치 파악을 위한 항공사진 그리고 산사태 발생원인분석에 가장 기초자료인 DEM외에 임상도, 토양도, 지질도, 토지피복도 등을 수집하여 우면산 일대의 산사태 취약성을 분석하였다. 정사영상에서는 산사태 발생위치, DEM에서는 고도, 경사도, 경사향, 곡률, SPI(Stream Power Index) 및 TWI (Topographic Wetness Index), 수계로부터의 거리, 임상도에서는 경급, 임상, 소밀도 및 영급, 토양도에서는 지형, 모재, 유효심도 및 토질, 지질도에서는 지질, 단층으로부터의 거리, 토지피복도에서는 토지피복을 추출하였다. 산사태와 관련된 모든 요인들은 입력자료의 축척을 고려하여 5m×5m

Table 3.Data used for this study

격자 크기를 가지는 Grid 자료를 생성하여 공간 데이터베이스를 구축하였다. 본 연구에서는 공간 데이터베이스 구축은 Arc GIS 10.1과 ERDAS Imagine 9.2를 이용하였고, 연구지역은 행과 열이 각각 322×556으로 총 격자수는 179,032개이다.

 

5. 방법별 산사태 취약성 평가

5.1 로지스틱 회귀분석 모델을 이용한 취약성 평가

5.1.1 산사태 취약지수 산정

로지스틱 회귀분석은 비선형의 로지스틱 형태를 취하며 2개의 값만을 가지는 종속변수와 독립변수들 간의 인과관계를 밝히는 통계기법이다(Choi, 2000). 로지스틱 회귀분석은 종속변수를 로그(log)로 변형하면 일반적인 선형회귀식 형태로 표현되기 때문에 회귀분석과 비슷하다. 로짓에서 가정하고 있는 모형은 다음 식 Eq. (1), Eq. (2)와 같다.

Eq. (2)에 로그를 취해 정리하면, Eq. (3)과 같이 정리된다.

어떤 사건이 일어나지 않을 확률은 Eq. (4)와 같다.

로지스틱 회귀분석시 독립변수들간 다중공선성이 존재하면 회귀계수가 자료나 회귀식의 미세한 변화에 매우 민감하여 큰표준오차를 가지게 되고, 통계적 유의도를 감소시키게 된다. 본 연구는 분산팽창인자와 공차한계를 이용하여 다중공선성 존재 여부를 검증하였다.

분석결과, 임상항목의 경급, 소밀도, 영급의 경우 공차한계가 각각 0.033, 0.098, 0.026으로 나타났고, 분산팽창인자는 각각 30.608, 10.241, 38.918로 나타났다. 이들 인자는 공차한계가 0.1보다 작고, 분산팽창인자가 10보다 크므로 다중공선성이 존재하였다.

따라서 이들 인자를 제외한 고도, 경사도, 경사향, 곡률, SPI, TWI, 수계로부터의 거리, 임상, 지형, 토질, 모재, 유효토심, 지질, 단층으로부터의 거리, 토지피복 항목을 독립변수로 설정하였고, 종속변수의 경우 1은 산사태 발생지역, 0은 산사태 미발생지역인 이분형(binary) 형태로 설정하였다. 로지스틱 회귀분석은 IBM SPSS Statistics 20을 이용하였고, 공간자기상관성을 최소화하기 위하여 층화무작위추출법으로 종속변수의 0과 1이 동일한 개수를 가지도록 추출하였다. 본 연구에 사용된 독립변수 중 전진 선택방법에 의해 통계적 유의성을 가지는 것으로 분석된 인자는 고도, 경사도, 경사향, SPI, TWI, 임상, 토질, 토지피복 등 8개 항목이다.

Fig. 5.Spatial database about geographic (a-g), forest (h-k), soil (l-o), geology (p-q), land cover (r) factor using airborne LiDAR

로지스틱 회귀분석 결과, 항공 LiDAR를 이용한 경우 연속변수인 경사향과 TWI는 값이 낮아질수록 산사태가 발생할 가능성이 커졌고, 고도와 SPI는 이와 반대로 나타났다. 수치지도를 이용한 경우 대체로 비슷한 결과를 보였으나, 경사향은 정적으로 유의미한 것으로 나타나 상반되는 결과를 보였다. 또한, 비연속 변수는 항공 LiDAR를 이용한 경우 경사향을 제외한 대부분의 항목에서 기저집단 대비 산사태 발생 확률이 유의미하게 낮은 것으로 나타났다. 기저집단의 경우 경사향은 북서향, 임상은 제지, 토질은 YbC2, 토지피복은 기타나지이다. 수치지도를 이용한 경우 값에 차이는 있으나 항공 LiDAR를 이용한 경우와 대체로 비슷한 경향을 보였다. 다만, 경사향의 평지와 토질의 JoB 항목은 정적으로 유의미하게 나타나 결과가 상반되게 나타났다(Table 4).

Fig. 6.Spatial database about geographic factor using digital map

Table 4.Note : 1) Landslide susceptibility index map using airborne LiDAR 2) Landslide susceptibility index map using digital map

5.1.2 산사태 취약성 지도 작성

본 연구는 로지스틱 회귀분석에 의해 산출된 회귀계수를 Eq. (3)에 의해 연구지역 전체에 대한 각 셀별 산사태 취약지수를 계산하였다. 산사태 취약지수는 시각적 해석을 위해 Fig. 7 및 Fig. 8과 같이 상위 10％, 20％, 30％, 40％로 등급화 하여 산사태 취약성 지도를 작성하였다(Oh, 2010).

Fig. 7.Landslide susceptibility index map using digital map and logistic regression

Fig. 8.Landslide susceptibility index map using airborne LiDAR and logistic regression

항공 LiDAR를 이용하여 작성한 산사태 취약성 지도의 최소값은 0.61e-037, 최대값이 1.00, 평균값은 0.36, 표준편차는 0.28로 나타났다. 산사태 취약지수의 등급별 분포는 Medium(51.4％), High(36.8％) 항목에서 많은 산사태가 분포하였다(Table 4). 또한, 수치지도를 이용하여 작성한 산사태 취약성 지도의 최소값은 2.33e-032, 최대값은 1.00, 평균값은 0.41, 표준편차는 0.30으로 나타났다. 산사태 취약지수의 등급별 분포는 항공 LiDAR를 이용하여 작성한 산사태 취약성 지도와 비교하여 Medium과 Very high 항목에서 많은 분포를 보였다. 이로 인해 산사태 취약지수의 상위 30％ 내에 분포하는 산사태는 약 1％ 증가한 41.0％로 나타났다(Table 4).

5.2 빈도비 모델을 이용한 취약성 평가

5.2.1 산사태 취약지수 산정

빈도비 모델은 단변량 분석방법으로 산사태와 관련된 각 요인 중 종류별 중요성 즉, 등급값은 산사태 발생과 산사태 관련 요인과의 상관관계분석에 의해 계산된다. 빈도비는 각 요인의 등급별 산사태 발생 면적 비율을 각 요인 등급이 전체 면적에서 차지하는 비율로 나눈 것이다. 빈도비 값이 1이면 평균을 의미하고, 1보다 클수록 산사태 발생과 높은 상관관계, 1보다 작을수록 산사태 발생과 낮은 상관관계를 의미한다(Lee et al., 2000).

본 연구는 명목적인 값을 가지는 요인을 제외한 비율척도값을 가지는 요인에 대하여 ArcGIS 10.1의 등면적 분류방법을 이용하여 10개 항목으로 그룹화 하여 전체 연구지역 및 산사태 지역에 대한 발생 비율을 계산하였다. 연구지역 전체에 대한 셀 개수는 179,032개, 산사태 발생지역의 셀 개수는 517개이다.

빈도비 분석 결과는 Table 5와 같다. 지형요인은 항공 LiDAR 를 이용한 경우 고도가 80 m 이상, 경사도 19° 이상, 경사향이 남동향, 남향, 남서향, SPI가 4.0 이상, TWI가 5.7 이상일 때 빈도비가 1 이상으로 나타났다. 수치지형도를 이용한 경우 전체적으로 항공 LiDAR와 비교하여 일부 항목에서 다소상이하게 나타났으나, 전체적으로 비슷한 경향을 보였다. 또한, 임상은 활엽수림, 활엽수인공림, 잣나무림, 포푸라림, 토질은 ArD, SNE2, SRF2, SuC, 토지피복은 활엽수림과 침엽수림에서 빈도비가 1 이상으로 나타났다. 따라서 이러한 요인들은 산사태와의 상관관계가 높은 것을 알 수 있다.

Table 5.Frequency ratio and logistic regression coefficient

Table 6.Note : 1) Number of pixels in domain 2) Number of landslide 3) Frequency ratio 4) Logistic regression coefficient

5.2.2 산사태 취약성 지도 작성

산사태 취약지수는 각 요인별로 계산된 등급값을 Eq. (5)와 같이 가중치를 동일하게 1로 주고, 모두 더하는 것에 의해 계산된다.

여기서, FR은 산사태 요인별 항목 또는 등급에 대하여 계산된 빈도비 값이다. 각 셀별로 계산된 산사태 취약지수는 시각적 해석을 위해 상위 10％, 20％, 30％, 40％로 등급화하여 산사태 취약성 지도를 작성하였다(Fig. 9, Fig. 10).

Fig. 9.Landslide susceptibility index map using airborne LiDAR and frequency ratio

Fig.10.Landslide susceptibility index map using digital map and frequency ratio

항공 LiDAR를 이용하여 작성한 산사태 취약성 지도의 최소값은 0.70, 최대값이 16.15, 평균값은 8.00, 표준편차는 2.70으로 나타났다. 산사태 취약지수의 등급별 분포는 Medium 항목이 65.9％로 가장 많고, 상위 30％(High~Very High) 내에 분포하는 산사태는 34.1％로 나타났다(Table 4). 또한, 수치지도를 이용하여 작성한 산사태 취약성 지도의 최소값은 0.86, 최대값은 14.96, 평균값은 8.00, 표준편차는 2.87로 나타났다.

산사태 취약지수의 등급별 분포는 항공 LiDAR를 이용하여 작성한 산사태 취약성 지도와 비슷한 분포를 보였다. Medium 항목이 64.4％로 가장 많은 산사태가 분포하였고, 산사태 취약지수의 상위 30％ 내에 분포하는 산사태는 35.3％로 나타났다(Table 4).

 

6. 산사태 취약성 지도의 검증

6.1 수치표고자료의 비교 분석

항공 LiDAR로 취득된 DEM 자료와 기존 수치지도 (1:1,000)로 취득된 DEM 자료를 이용하여 IBM SPSS Statistics 20으로 기술통계분석을 하였다. 그 결과 표고 값의 최소, 최대, 평균, 표준편차는 Table 7과 같이 분석되었다.

Table 7.Descriptive statistics of digital elevation model

평균값과 표준편차는 거의 일치하였고, 최소값과 최대값은 다소 차이가 있었다. 각각의 DEM에 대하여 산점도를 작성한 후 상관관계를 분석한 결과 Fig. 11과 같이 나타났다.

Fig. 11.Scatter plot for digital elevation model

산점도의 형태는 선형으로 나타났고, 기울기가 1.003으로 나타나므로 거의 1.000에 가깝다고 볼 수 있다. 또한 대체로 모든 점들이 선 주위에 모여 있고 상관관계 R2=0.9948로 나타나 본 연구에서 작성한 두 종류의 DEM 사이에는 강한 상관관계를 보이는 것을 알 수 있었다.

6.2 방법별 피어슨 상관계수 분석

본 연구는 피어슨 상관계수를 이용하여 각 방법 및 자료별로 작성된 산사태 취약성 지도의 각 셀별 값에 대한 유사성을 분석하였다. 상관계수는 −1에서 1의 분포를 가지며, −1 또는 1에 가까울수록 두 모델사이에 강한 상관관계가 존재함을 의미하고, 0에 가까울수록 두 모델사이에 상관관계가 없음을 의미한다. 일반적으로 상관계수가 0~0.2일 때 상관관계가 거의 없고, 0.3~0.6일 때 상관관계가 존재하고, 0.7 이상일때 강한 상관관계가 존재함을 의미한다. 본 연구에서는 Table 7과 같이 0.765~0.866 사이로 나타나서 4가지 모델 모두 강한 상관관계를 나타내는 것을 알 수 있었다.

6.3 AUC에 의한 분석

로지스틱 회귀분석 및 빈도비 모델을 이용하여 산정한 산사태 취약지수를 검증하기 위해 SRC(Success Rate Curve)와 AUC(Area Under the Curve) 방법을 이용하였다. 산사태 취약성 지도의 검증은 분석에 사용되지 않은 산사태 자료를 이용하여 비교 및 검증하였다. SRC 방법은 산사태 취약지수값에 대한 상대적 순위를 10％별로 재분류하여 각 범위 안에 포함되는 기존 산사태 발생 위치의 셀 수를 누적 계산하여 상대적 비율을 계산한다(Oh, 2010).

Fig. 12의 SRC는 산사태 취약성도의 검증 그래프이다. 그래프의 X축은 산사태 취약지수를 상위 퍼센트로 10등급화한 값이고, Y축은 검증용 산사태 수의 누적 퍼센트 등급값이다. 예측이 잘된 결과일수록 그래프의 기울기가 가파르고, 좌상으로 치우친 모양을 하게 된다.

Fig. 12.Sucess rate curve of landslide susceptibility map

보다 정량적인 검증을 위해 AUC 방법을 이용하였다. 이는 SRC 방법에 의한 결과 검증 곡선의 면적을 구한 것으로 면적이 넓을수록 산사태 취약성도의 예측 정확도가 높음을 의미한다. 모든 모델의 AUC 값은 약 80％로 높은 예측 정확도를 보였다. 특히, 빈도비 모델과 항공 LiDAR 자료를 이용한 경우 더욱 우수한 것으로 나타났다(Table 8).

Table 8.Note : **. Correlation is significant at the 0.01 level (2-tailed) 1) Landslide susceptibility index map using airborne LiDAR and logistic regression 2) Landslide susceptibility index map using digital map and logistic regression 3) Landslide susceptibility index map using airborne LiDAR and frequency ratio 4) Landslide susceptibility index map using digital map and frequency ratio

Table 9.Note : 1) Under the nonparametric assumption 2) Null hypothesis: true area = 0.5 3) Landslide susceptibility map produced using logistic regression and airborne LiDAR data 4) Landslide susceptibility map produced using logistic regression and digital map 5) Landslide susceptibility map produced using frequency ratio and airborne LiDAR data 6) Landslide susceptibility map produced using frequency ratio and digital map

 

7. 결 론

본 연구의 목적은 통계적, 확률 추정 모델인 로지스틱 회귀분석과 빈도비 분석을 이용하여 GIS 기반에서 산사태 취약성을 평가하고, 각 기법별 산사태 취약성도의 정확도를 비교 및 검증하기 위함이다. 이를 위해 본 연구는 크게 산사태 데이터베이스 구축, 각 기법별 산사태 취약성 평가 및 지도 제작, 각 기법별 정확도 검증을 수행하였다. 연구결과를 통해 다음과 같은 결론이 도출되었다.

첫째, 항공 LiDAR와 수치지도 자료를 이용하여 각각 작성된 DEM에 대하여 산점도를 작성한 후 상관관계를 분석한 결과, 기울기가 1.003으로 나타났으며, 상관계수 R2이 0.9948로 나타났다. 이는 LiDAR와 수치지도 자료가 거의 동일하다는 결과를 보여주었다.

둘째, 각 방법별로 작성된 산사태 취약성 지도는 피어슨 상관계수가 0.742~0.866으로서 모두 0.7 이상으로 나타나 전체적으로 강한 상관관계가 존재함을 알 수 있었다.

셋째, 각 방법별로 작성된 산사태 취약성지도에 대하여 AUC 분석을 실시한 결과, 모든 모델의 AUC값은 약 80％로 높은 예측 정확도를 보였다. 특히, 빈도비와 LiDAR 자료를 이용하여 산사태 취약성을 분석할 경우 더욱 우수한 결과를 보이는 것으로 나타났다.

이상의 결론으로부터 항공 LiDAR는 정확하고 체계적인 지형인자 구축뿐만 아니라 산사태 취약성 지도의 성능향상에 기여하는 것을 알 수 있다. 따라서 산사태 취약성 분석시 항공 LiDAR 자료를 활용함으로써 산사태 발생을 보다 효과적으로 예측할 수 있고, 피해저감대책을 수립하는데 기여할 수 있을 것으로 판단된다.