Landslide Susceptibility Analysis : SVM Application of Spatial Databases Considering Clay Mineral Index Values Extracted from an ASTER Satellite Image

산사태 취약성 분석: ASTER 위성영상을 이용한 점토광물인자 추출 및 공간데이터베이스의 SVM 통계기법 적용

Abstract

This study evaluates landslide susceptibility using statistical analysis by SVM (support vector machine) and the illite index of clay minerals extracted from ASTER(advanced spaceborne thermal emission and reflection radiometer) imagery which can be use to create mineralogical mapping. Landslide locations in the study area were identified from aerial photographs and field surveys. A GIS spatial database was compiled containing topographic maps (slope, aspect, curvature, distance to stream, and distance to road), maps of soil properties (thickness, material, topography, and drainage), maps of timber properties (diameter, age, and density), and an ASTER satellite imagery (illite index). The landslide susceptibility map was constructed through factor correlation using SVM to analyze the spatial database. Comparison of area under the curve values showed that using the illite index model provided landslide susceptibility maps that were 76.46% accurate, which compared favorably with 74.09% accuracy achieved without them.

ASTER 위성영상을 이용하여 팽창성 점토광물인 일라이트 인자 추출 및 SVM 통계분석을 통해 산사태 취약성을 평가하였다. 연구지역의 산사태 발생지역은 항공사진 판독 및 현장 조사를 통해 분석하였다. GIS 기반 공간데이터베이스로는 지형도, 토양도, 임상도, ASTER 위성사진을 이용하였다. 수치지형도에서는 경사 및 경사방향, 곡률도, 계곡과의 거리, 도로와의 거리, 토양도에서는 유효토심, 토질, 토양지형, 토양 배수정도 및 토양 모재, 임상도에서는 경급, 영급 및 밀도를 위성사진에서는 일라이트 인자를 추출하였다. 산사태 발생요인 데이터베이스와 SVM 통계분석 및 가중치 계산을 통해 각 요소간의 상관관계 취약성도를 구하였다. AUC 검증 결과 일라이트 인자 적용결과는 76.46%의 예측 정확도를 보였으며 일라이트 인자 미적용 모델은 74.09%의 예측 정확도를 나타내었다. 이는 일라이트 인자가 산사태 취약성도 작성에 있어 중요한 자료로 사용될 수 있음을 나타낸다.

서 론

최근 기후변화 및 극한강우로 인한 지질재해가 비정형화 및 불예측성화 되고 있으며 우리나라에서 산사태 재해는 그 발생빈도가 상대적으로 큰 자연재해 중 하나로 이로 인한 인명 및 재산피해는 매년 증가하고 있다(Cha, 2014). 극한강우 발생 시 자연사면에서 지중침투수에 의해 간극수압의 상승, 표면유수에 의한 침식, 흙의 포화로 인한 활동토층의 단위중력을 증가시킨다. 또한 토양 팽창에 의한 단위체적의 증가 등에 의해 사면을 붕괴시키려는 활동력은 증가되고 사면 붕괴에 저항하려는 저항력은 감소되어 사면의 안정성이 극도로 저하된다(Lee and Lee, 2013). 이와 같이 강우가 산사태의 중요한 외적요인이 되어 대부분의 연구가 치중되고 있지만 내적 요인으로써 지반의 재료 역학적 거동에 관한 연구는 미흡한 실정이다.

점토광물을 포함하는 토양인 팽창성 토양(expansive soils)은 수분함량 증가에 따라 150%까지 체적을 변화시키며 자연사면에서의 불연속면 및 전단면을 발생시켜 주요 자연재해를 유발하며 광범위한 피해를 야기한다(Van der Meer, 1999). 팽창성 점토광물은 카올리나이트, 일라이트 및 스멕타이트로 주요 세 가지 그룹으로 존재하며 이들은 점토광물을 형성하는 가장 일반적인 토양이며 지질공학에서 토양 팽창과 수축 가능성을 나타내는 지시자로 간주된다(Al-Rawas, 1999; Gray and Murphy, 2002). 팽창성 토양은 열대, 아열대 및 지중해 기후에 분포하는 토양에서 두드러지게 나타나며 버티졸 목(vertisol order)에 주로 해당한다(Dudal and Eswaran, 1988) 버티졸 토양은 단면의 18 cm 상부에서 최소 점토 함량이 30%를 함유하며 건기 시 크랙을 발생시키는 특징을 가진다(Soil Survey Staff, 1999). 토양 체적 변화에 관한 대부부의 연구는 버티졸 토양 및 이와 관련된 토양에서 이루어져 왔으나(Yule and Ritchie, 1980; Jayawardane and Greace, 1987; Mc Garry and Malafant, 1987; Coughlan et al., 1991) 버티졸이 아닌(non-vertisol) 지역의 팽창성 토양에 대한 연구도 보고되고 있다(Jayawardane and Greacen, 1987). 국내에서는 버티졸 토양이 없는 관계로 팽창성 토양에 관련된 연구가 등한 시 되고 있으며 단지 일부 퇴적암 및 변성암 지역에서 팽창성 점토광물에 대한 지질광물학 및 지구화학적 연구가 대부분이다(Choo, 2001). 따라서 지질공학적 관점에서의 연구는 부족한 실정으로 본 연구에서는 지표면 토양에서 점토광물의 분포도가 산사태 발생과의 관계를 파악하기 위해 팽창성 점토광물의 하나인 일라이트 인자를 ASTER (advanced spaceborne thermal emission and reflection radiometer) 위성영상으로 추출 후 GIS (geographic information system) 공간데이터베이스의 자료로 활용하였다.

산사태 피해를 저감 및 방지하기 위해서는 위험 지역을 미리 선정하고 관리하는 것이 필요하며 산사태가 발생할 지역을 예측하여야 한다(Lee and Kim, 2012). 광범위한 지역에서 발생한 모든 산사태를 감지하기에는 제약이 크고 많은 시간과 인력이 따를 수밖에 없어 효율적인 산사태 감지와 신속한 대처를 위해 항공사진이나 위성영상을 이용한 원격탐측의 중요성이 대두 되고 있다. 현재까지 공간분석을 활용한 산사태 연구는 GIS 및 위성영상을 기반으로 확률, 인공신경망 및 SVM (support vector machine) 통계기법으로 국내·외 지역의 산사태 취약성 분석에 활발히 수행되고 있다(Lee and Min, 2001; Lee et al., 2003a, 2003b; Oh, 2010, San, 2014). 인공신경망을 포함한 기존 기법은 오류율을 최소화하려는 목적으로 설계되었으며 SVM은 더 나아가 두 집단 사이에 존재하는 여백을 최대화 하여 분류하는 능력이 뛰어나다. 따라서 본 연구에서는 경기도 용인시 처인구 일대를 대상으로 ASTER 위성영상에서 점토광물을 추출 후 SVM 통계분석에 의한 산사태 취약성을 정량적으로 분석하였다. 이를 바탕으로 AUC 재검증을 통해 연구지역의 산사태 취약성도를 작성하였다.

 

연구지역

2011년 7월 26일부터 29일까지 계속된 극한강우로 인해 발생한 경기도 용인시 처인구 일대에서 시·군청에서 획득한 자료와 추가 탐문조사로 연구지역을 구축하였다. 지리적 좌표상으로는 127° 10'00''~127° 15'00'', 북위 37° 18'00''~37° 22'50''에 위치한다. 산사태 발생 지역의 현장조사 결과 연구지역 내의 49개 산사태 발생지역의 산의 고저는 49~366 m, 산사태 길이는 41~450 m, 산사태 경사는 주로 15°~35°의 분포 양상을 보였다. 지형은 서해안에 인접한 얕은 구릉들로 이루어진 노년기의 최후단계로 광주산맥의 남쪽 분지에 해당한다(Nam et al., 2014a). 산지에서의 토양은 대부분 풍화잔류토 및 붕적토로 나타나며 지질은 선캠브리아기의 변성암류인 호상흑운모편마암과 충적층이 전역을 차지하며 대체로 중립질이며 장석은 주로 백색으로 산출된다(Oh and Yoon, 1972).

 

연구이론

SVM(Support Vector Machine)

SVM은 Vapkin (1995)에 의해 제안된 통계학적 학습이론에 기반한 보편적 접근방법으로써 경험적 성능뿐만 아니라 고차원 공간에서의 뛰어난 일반화 성능을 가지며 분류 문제를 효율적으로 해결할 수 있게 해준다(Cortes and Vapkin, 1995). SVM은 벡터 공간에서 임의의 비선형 경계를 찾아 두 개의 집합을 분류하는 알고리즘으로 두 집합의 경계가 되는 공간을 연속적으로 연결하면 하나의 초평면(hyper plane)이 완성된다. 두 개의 집합을 이상적으로 나누는 초평면은 무수히 많이 존재할 수 있으나 두 집합을 나누는 경계의 폭이 가장 큰 초평면은 수학적으로 하나만 결정되며 SVM은 최적의 초평면을 찾는 알고리즘이다(Kang et al., 2013). 또한 기존의 통계적 학습 방법들에 이용되는 경험적 위험 최소화를 이용하여 일반화 에러를 줄이는 방법을 취하고 있다. 따라서 인공신경망의 오류 역전파 알고리즘 등과 같은 기존의 다른 접근방법들과 같이 패턴인식 및 분류나 비선형 곡선 함수 추정 등의 다양한 일을 효율적으로 수행할 수 있다(Bottou et al., 1994; Brediensteiner et al., 1999; Chang and Lin, 2011).

공간데이터와 같이 복잡한 자료는 선형적으로 분류가 불가능하기 때문에 비선형 분류를 사용하여야 한다. 비선형 분류의 경우 입력벡터를 고차원 공간으로 사상(mapping) 후 분리면을 찾아내며, 이 때 커널함수를 사용하여 입력벡터의 내적을 구할 수 있다. 이를 위해 입력벡터인 x를 z로 사상하여 고차원 공간으로 변환한다. 입력벡터를 고차원 공간으로 사상하기 위해서는 커널함수(kernel function) K를 사용하여 계산할 수 있다. 커널함수에는 Linear, Polynomial, Sigmoid 및 RBF (radial basis function) 함수가 있다. SVM 분류기법은 다양한 커널 함수에 따라 초평면의 형태가 달라지므로 적절한 커널함수의 선택의 이루어져야 높은 정확도의 결과를 얻을 수 있으나 특별한 기준이 없어 연구자 주관에 의존적이다(Kang et al., 2013). 본 연구에서는 정확도가 비교적 높은 RBF 커널함수를 적용하여 공간데이터 분류를 실시하였다. 이는 식 (1)로 정의된다. γ는 선형을 제외한 모든 유형의 커널함수이며, x는 입력벡터이다.

ASTER 위성영상을 이용한 점토광물 추출

ASTER는 다중분광 위성 영상자료로써 NASA (national aeronautics and space administration)의 지구관측 위성 시스템의 하나로 1999년에 발사되었다. ASTER위성영상은 가시·근적외대역(VNIR: visible and near-infrared), 단파장적외대역(SWIR: short-wave infrared), 열적외대역(TIR: thermal infrared)을 포함하여 총 15개의 밴드 정보를 제공하고 있다. 각 파장대역은 각각 15 m, 30 m, 90 m의 공간해상도를 갖는다(Fujisada, 1995). ASTER 위성영상은 단파장적외대영역에서 6개의 밴드를 가지고 있어 광물자원 및 점토광물 등을 밴드비(band ratio)연산을 통해 구별할 수 있는 장점이 있다. 본 연구에서 사면불안정성을 유발시키는 점토광물의 분광학적 특성을 이용하여 ASTER 위성영상에서 일라이트 점토광물 인자를 추출하였다. 일라이트 식별을 위해 사용된 ASTER 영상자료는 2004년 4월 17일에 촬영된 것으로 ERSDAC (earth remote sensing data analysis center, Japan)에서 수신하여 Level 1B로 처리된 것이다. 미국지질조사소(USGS: united states geological survey) 광물라이브러리로부터 선별된 대표적인 일라이트의 분광특성 자료는 ENVI ver. 4.8을 이용하여 추출하였다(Nam et al., 2014 b).

Rowan et al. (2003)은 ASTER 위성영상으로부터 일라이트 인자를 추출하는 SMIS 모델을 제안하였지만 점토광물은 특정 반사 및 흡수 파장대역을 이용한 비연산 방법을 적용할 경우 유사한 분광 특성을 보이는 대상물과 유사한 결과를 나타낸다. 이러한 단점을 극복하기 위해 Lee et al. (2008)은 파장대역 간의 곱에 대한 비를 이용한 암석 추출 모델을 식 (2)로 제안하였다.

이 방법은 기존 연구에서 제시된 방법에 비해서 대상물 간의 반사율 차이를 크게 함으로써 원하는 정보를 비교적 쉽게 획득할 수 있게 한다(Lee et al., 2009).

 

공간자료 구축 및 처리

산사태는 여러 기하학적 특성이 상호 복합적으로 연관되어 나타난다. 따라서 산사태 취약성 분석을 위해 연구지역의 산사태와 관련이 있는 인자를 GIS기반 공간데이터베이스로 구축하였다. 연구지역의 산사태 취약성 분석에 사용된 인자는 지형도, 지질도, 토양도, 임상도, 일라이트 점토광물 인자, 산사태 발생지역이며 Table 1과 같다. 산사태 발생위치는 2011년 7월 27일부터 29일까지의 극한강우로 인해 발생한 산사태발생지역으로 시·군·구청에서 획득한 자료를 바탕으로 항공사진과 비교 후 현장조사를 통하여 좌표를 획득하였다. 지형도로부터 경사, 경사방향, 곡률도, 계곡과의 거리, 도로와의 거리를 구축하였다. 지질도에서는 암상을 추출하였으며, 토양도에서는 지형, 유효토심, 토질, 모재, 토양배수를, 임상도에서는 경급, 밀도 및 영급을 추출하여 공간데이터베이스를 구축하였다. 모든 인자는 입력자료의 축척을 고려하여 5 m×5m 격자로 설정하였으며, 격자수는 5m×5m로 총 1256 × 1201이다. 좌표계는 WGS 1984 UTM Zone 52N을 사용하였고, 연구지역의 공간데이터는 ArcGIS 10을 이용하여 구축하였다.

Table 1.Data layers related to landslide of the study area connected data set A and B.

지형 자료는 국토지리정보원 발행한 1:5,000 축척의 수치 지형도를 사용하여 수치표고모델(DEM: digital elevation model)을 작성하였으며, 이로부터 경사도, 경사방향, 곡률을 구축하였다. 또한 수치지도의 지형코드를 이용하여 계곡 및 도로와의 거리에 따른 영향범위를 설정 및 구축하였다. 경사도는 지형의 기울기, 경사방향은 지형사면의 경사방향, 측면 곡률도(profile curvature)는 0의 값을 기준으로 음의 값은 볼록함을 양의 값은 오목함을 나타낸다. 평면 곡률도(plan curvature)는 0의 값을 기준으로 음의 값은 오목함을 음의 값은 볼록함을 나타낸다. 지질 자료로는 1:50,000 지질도로부터 암상분포를 구축하였으며 연구지역의 경우 둔전, 수원 도폭에 해당되며, 지질은 선캠브리아기의 변성암류인 호상흑운모편마암과 충적층이 전역을 차지하고 있다.

토양인자에 대한 자료는 농촌진흥청 발행 1:25,000 축척의 정밀토양도로부터 지형, 유효토심, 토질, 모재, 토양배수도를 구축하였다. 산사태는 45° 이상의 급경사지보다 약 20~30° 정도의 경사지에서 많이 발생한다. 이는 급경사지에서는 산사태 요인이 되는 토양이 존재하기 어렵기 때문이다. 또한 강우 시 토층에 존재하는 점토광물의 팽창은 점토판 사이의 점토 구조에 포함된 물 분자의 화학적 인력에 기인하여 점토광물이 수분을 보유하기 어려울 때 점토판이 분리된다. 따라서 광물 구조가 불안정해져 사면의 불안정성을 야기한다(Nam et al., 2014 a).

임상의 경우 국립산림과학원 발행의 1:5,000 도폭의 수치 임상도로부터 경급, 밀도 및 영급을 구축하였다. 경급은 나무의 흉고 직경을 나타내며, 밀도는 나무의 분포 밀도를, 영급은 나무의 나이를 나타낸다.

Fig. 1은 연구지역을 바탕으로 구축된 공간자료이다.

Fig. 1.Spatial data of the study area included topography, geology, soil and forest.

 

연구결과

공간자료와 산사태의 관계

연구지역에 대해 구축한 공간자료를 바탕으로 산사태와의 상관관계분석을 위해 빈도비(frequency ratio)를 이용하였다(Table 2). 빈도비를 이용한 상관관계분석은 용인지역의 등급별 산사태 발생 면적 비율을 각 요인 등급이 전체 면적에서 차지하는 비율로 나눈 것으로서, 이 값이 1이면 평균을 의미하고, 1보다 클수록 산사태 발생과 높은 상관관계를 나타낸다. 또한 1보다 작을수록 산사태 발생과 낮은 상관관계를 나타낸다.

Table 2.Frequency ratio between landslide and the related factors.

산사태발생지와 경사와의 빈도비를 보았을 때 경사각 5° 이하는 상관관계가 없는 것으로 나타났으며, 경사가 높아질수록 상관관계가 높아지는 것을 확인할 수 있다. 경사각 45° 이상에서는 산사태가 발생하지 않는 것으로 나타났으며, 이는 경사각이 높을수록 지표에 토양이 존재하기 힘든 환경이기 때문으로 판단된다. 경사방향에서는 N, E, SE, NE, SW 순으로 산사태와 관련이 있는 것으로 나타났다.

평면곡률도에서는 볼록한 면에서 상관성이 높은 것으로 나타났으며, 측면 곡률도에서는 오목한 곳에서 산사태와 상관성이 높은 것으로 나타났다. 계곡과의 거리로는 200~300 m에서 가장 높은 상관관계를 보였다. 도로와의 거리로부터는 50~100 m에서 가장 높은 상관관계를 보였다. 임상도에서 밀도가 낮은 지역에서, 소경목, 2영급 분류에서 산사태와 가장 높은 상관관계를 보였다. 토양도로부터는 산악지, 모암이 변성암, 토양배수는 매우양호, 20~50 cm의 유효토심, 양토 분류에서 가장 산사태와 관련성이 높은 것으로 나타났다.

산사태와 관련된 공간데이터 인자는 자료 세트(Data set) A와 B로 구분하였다. 자료 세트 A는 15개 산사태 민감인자와 일라이트 인자를 포함한 것이며 자료 세트 B는 15개 산사태 민감인자를 포함한 것이다. 실제 산사태 발생 49개 지점과 입력 자료로 자료 세트 A를 사용한 모델은 Case 1, 자료 세트 B를 사용한 모델은 Case 2이다. 자료 세트 A와 실제 산사태 발생지점과의 상관관계로 구한 빈도비를 사용하여 작성한 산사태 취약성도로부터 산사태 발생확률이 높은 49개 지점을 사용한 모델은 Case 3이다.

Case 1~3 모델에 대해 SVM 통계분석을 실시하였다. 공간데이터를 고차원 공간으로 사상하기 위해 RBF 커널함수를 이용하였다. SVM 통계분석 시 최대 여백에 대한 균형을 조절하는 패널티 파라미터(penalty parameter)의 값은 100으로 설정하여 각 인자의 속성 값에 대한 산사태 취약성 분류를 실시하였다. 또한 실제 산사태 발생 49개 지점을 입력벡터로 Case 1, 2에 대해 SVM 통계 분석된 공간 자료로부터 산사태 발생빈도와의 상대적 가중치를 계산하였으며(Table 3) 이를 적용하여 연구지역에 대한 산사태 취약성도 Case 4, 5를 작성하였다(Table 4). 각 인자의 속성 값에 대한 가중치에 대한 취약지수는 시각적 해석을 위해 Low (1~50%), Moderate (51~75%), High (76~90%) 그리고 Very High (91~100%)로 등급화 하였다(Fig. 2).

Table 3.Weights of the factor estimated from SVM output data.

Table 4.Five cases of data set and AUC for validation accuracy.

Fig. 2.Landslide susceptibility maps using landslide locations applied illite (left: Application of illite, right: Non-application of illite).

취약성도 검증

SVM 통계분석을 이용하여 도출된 산사태 취약지수는 추정(assessment) 값에 해당되므로 검증이 필요하다. 이를 위해 Success Rate Curve (SRC)와 Area Under the Curve (AUC) 방법을 이용하였다(Lee et al., 2012). 취약성도 검증은 연구지역의 산사태 발생 개수가 많지 않은 관계로 취약성도 작성에 사용된 49개 지점으로 재검증을 실시하였다. SRC 그래프의 X축은 산사태 취약지수를 상위 퍼센트로 등급화한 값이고, Y축은 검증용 산사태 누적 퍼센트의 등급 값이다(Oh, 2010). 실제 산사태 발생지점을 입력벡터로 한 모델인 Case 1, 2는 각 75.14%, 74.23%의 예측 정도를 나타냈으며, 빈도비 모델에서 추출한 산사태 발생 가능성이 높은 지역을 입력벡터로 한 모델 Case 3에서는 67.87%의 예측 정도를 나타냈다. Case 1, 2 모델에서 빈도비 가중치를 적용한 Case 4, 5는 각 76.46%와 74.09%로 나타났다(Fig. 3).

Fig. 3.SRC curves for the landslide susceptibility maps of showing high landslide occurrence on case 4.

 

결 론

본 연구에서는 2011년 경기도 처인구 일대의 산사태 발생지역에서 ASTER 위성영상을 이용하여 팽창성 점토광물 중 하나인 일라이트 인자를 추출하였다. 또한 SVM 분류기를 이용하여 기존의 GIS 기반의 지형학적 요인 및 점토광물을 고려한 광물학적 요인에 대한 산사태 취약성분류를 실시하였다. SVM 통계분석에 사용된 산사태 발생 49개 지점을 사용하였으며, 이 49개 지점에 대해 재검증을 수행하였다. SRC 및 AUC 검증 분석 결과 Case 1~5에서 각각 75.14%, 74.23%, 67.87%, 76.46%, 74.09%로 나타났다. 일라이트 인자와 가중치를 적용한 모델이 76.46%의 정확도가 나타나 산사태 취약성 분석에 있어 ASTER 데이터의 사용이 유용하다고 사료된다. 따라서 원격탐사에 있어 지질광물학적 요인을 추가한다면 더 높은 정확도를 획득하리라 판단된다. 그러나 결과에 대한 명확한 결론을 위해서 SVM 학습을 위한 많은 양의 산사태 발생 횟수, 산사태 지역의 방대한 스케일 및 향후 대상지역에 대한 다른 시기의 위성영상의 분석에 대한 추가적인 연구가 필요하다. 또한 향후에는 풍화에 민감한 다양한 광물의 적용 및 지형도를 활용하여 더욱 정밀한 정확도 평가를 수행 할 필요성이 있으며 강우에 따른 점토광물의 수직적 거동 및 점토 집적층에 관한 칼럼 연구를 수행할 예정이다.