Status of Groundwater Potential Mapping Research Using GIS and Machine Learning

GIS와 기계학습을 이용한 지하수 가능성도 작성 연구 현황

Abstract

Water resources which is formed of surface and groundwater, are considered as one of the pivotal natural resources worldwide. Since last century, the rapid population growth as well as accelerated industrialization and explosive urbanization lead to boost demand for groundwater for domestic, industrial and agricultural use. In fact, better management of groundwater can play crucial role in sustainable development; therefore, determining accurate location of groundwater based groundwater potential mapping is indispensable. In recent years, integration of machine learning techniques, Geographical Information System (GIS) and Remote Sensing (RS) are popular and effective methods employed for groundwater potential mapping. For determining the status of the integrated approach, a systematic review of 94 directly relevant papers were carried out over the six previous years (2015-2020). According to the literature review, the number of studies published annually increased rapidly over time. The total study area spanned 15 countries, and 85.1% of studies focused on Iran, India, China, South Korea, and Iraq. 20 variables were found to be frequently involved in groundwater potential investigations, of which 9 factors are almost always present namely slope, lithology (geology), land use/land cover (LU/LC), drainage/river density, altitude (elevation), topographic wetness index (TWI), distance from river, rainfall, and aspect. The data integration was carried random forest, support vector machine and boost regression tree among the machine learning techniques. Our study shows that for optimal results, groundwater mapping must be used as a tool to complement field work, rather than a low-cost substitute. Consequently, more study should be conducted to enhance the generalization and precision of groundwater potential map.

지표수와 지하수로 이루어진 수자원은 세계적으로 가장 중요한 천연자원 중 하나로 여겨진다. 지난 세기 이후 급속한 산업화와 급증하는 인구로 인해, 생활용, 산업용, 농업용수 수요가 급증하고 있으며, 이에 대한 지하수 수요도 급증하고 있다. 따라서 지하수에 대한 지속 가능한 개발과 관리를 위해서는 정확한 위치기반의 지하수 가능성도 작성이 필수적이다. 최근에는 기계학습과 지리정보시스템 통합이 지하수 가능성도 작성에 효과적인 방법이 되고 있다. 이러한 통합접근법의 현황 파악을 위해 6년(2015~2020년) 동안 94편의 직접 관련 논문에 대한 체계적 검토를 실시했다. 문헌 검토에 따르면, 매년 발간되는 연구의 수는 시간이 지남에 따라 급격히 증가했다. 전체 연구 분야는 15개국에 걸쳐 있으며, 85%의 연구가 이란, 인도, 중국, 한국, 이라크에 집중되었다. 지하수 산출 가능성 조사에는 20개의 변수가 자주 사용된 것으로 조사되었으며, 이 중 지형고도, 경사, 경사방향, 지형습도지수, 지질, 토지 이용 피복, 하천 밀도, 강과의 거리, 강우량 등이 자주 사용되는 것으로 나타났다. 기계학습 모델에 있어 랜덤 포레스트, 서포트벡터머신, 부스트 회귀트리 등의 방법이 많이 사용되었다. 이러한 문헌 연구는 최적의 결과를 위해 지하수 가능성도를 저비용 대체물이 아닌 현장 작업을 보완하는 도구로 사용해야 한다는 것을 보여준다. 마지막으로, 향후, 지하수 가능성도 작성의 표준화 및 정확성을 개선하기 위해 더 많은 연구가 진행되어야 할 것이다.

요약

지표수와 지하수로 이루어진 수자원은 세계적으로 가장 중요한 천연자원 중 하나로 여겨진다. 지난 세기 이후 급속한 산업화와 급증하는 인구로 인해, 생활용, 산업용, 농업용수 수요가 급증하고 있으며, 이에 대한 지하수 수요도 급증하고 있다. 따라서 지하수에 대한 지속 가능한 개발과 관리를 위해서는 정확한 위치기반의 지하수 가능성도 작성이 필수적이다. 최근에는 기계학습과 지리정보시스템 통합이 지하수 가능성도 작성에 효과적인 방법이 되고 있다. 이러한 통합접근법의 현황 파악을 위해 6년 (2015~2020년) 동안 94편의 직접 관련 논문에 대한 체계적 검토를 실시했다. 문헌 검토에 따르면, 매년 발간되는 연구의 수는 시간이 지남에 따라 급격히 증가했다. 전체 연구 분야는 15개국에 걸쳐 있으며, 85%의 연구가 이란, 인도, 중국, 한국, 이라크에 집중되었다. 지하수 산출 가능성 조사에는 20개의 변수가 자주 사용된 것으로 조사되었으며, 이 중 지형고도, 경사, 경사방향, 지형습도지수, 지질, 토지 이용 피복, 하천 밀도, 강과의 거리, 강우량 등이 자주 사용되는 것으로 나타났다. 기계학습 모델에 있어 랜덤 포레스트, 서포트벡터머신, 부스트 회귀트리 등의 방법이 많이 사용되었다. 이러한 문헌 연구는 최적의 결과를 위해 지하수 가능성도를 저비용 대체물이 아닌 현장 작업을 보완하는 도구로 사용해야 한다는 것을 보여준다. 마지막으로, 향후, 지하수 가능성도 작성의 표준화 및 정확성을 개선하기 위해 더 많은 연구가 진행되어야 할 것이다.

1. 서론

지하수는 농업과 산업 활동뿐만 아니라 지역사회를 위한 가장 중요한 천연자원 중 하나이다. 본 연구에서 다루는 지하수 가능성도는 이러한 지하수 연구의 중요한 측면 중 하나로, 수자원 관리자들이 더 나은 개발과 보존 계획을 가질 수 있도록 도울 수 있다. 이러한 지하수 가능성도는 수자원의 체계적인 개발과 계획을 위한 도구로 정의되어 왔다. 이 지도는 지하수 자원의 지속 가능한 관리를 위한 전략을 개발하기 위해 사용될 수 있다. 구체적으로는 지하수 가능성도를 이용하여 지하수를 개발을 위해 관정을 설치하기에 적합한 위치를 선정하는데 사용될 수 있다.

지하수 가능성도 작성은 예측도 작성의 한 예로, 일련의 간접 지표(예측 변수)에 기초하여 대상 변수에 대해 공간적으로 분산된 추정치를 계산한다. 예측지도는 기존 지도, 항공사진, 위성사진, 지질 정보에서 파생된 데이터의 통합을 통해 작성된다. 지하수 산출 가능성이 있는 지역을 식별하기 위한 전통적인 접근 방식은 특히 접근하기 어려운 지역의 경우 일반적으로 비용이 많이 들고 시간이 많이 소요되는 지구물리학, 지질학 및 수리지질학 방법에 기초한 지상 조사에 주로 의존한다. 그러므로 시간과 비용을 줄이기 위해서는 지하수 산출 가능성 지역을 기존 정보를 최대한 활용할 수 있는 데이터 기반의 접근법을 필요로 한다. 이에 지리정보시스템(GIS)과 기계학습 모델을 결합하여, 매우 높은 효율로 지하수가 산출 가능 구역을 예측할 수 있는 지하수 가능성도 작성 방법론이 제시되었다.

실제로 기계학습 등의 데이터 기반 모델은 공간 분석 및 모델링, 특히 지하수 가능성 모델링 분야에서 인기를 얻고 있다. 특히, 이러한 접근방식은 물리 기반 및 수치 모델을 수행하기에 충분한 지질학적, 수학적 지질학적 데이터가 없을 수 있는 대규모 지역에 대한 지하수 가능성도 작성 과제를 해결할 때의 가능성을 보여주었다. 기계학습 모델의 주요 이점은 다양한 유형의 요인을 모델링 학습에 사용하고, 통합할 수 있고 누락된 데이터를 처리할 수 있다는 것이다. 또한 종속변수와 독립변수 간의 비선형 상관관계를 고려하여 기계학습 모델로 해결할 수 있다. 기존의 방법(이변량 및 다변량 통계법)에 비해 기계학습의 장점 중 하나는 기계학습 모델이 데이터의 이상치를 처리할 수 있고 불확실한 데이터와 제한된 측정 오류가 존재하는 경우에도 정확하다는 점이다.

문헌 검토에 대한 조사를 통해 기계학습 및 GIS 기반 모델이 지하수 가능성도 작성에 유효하다는 것을 알 수 있다. 지하수 가능성도 작성을 위한 주요 방법은 전문가 기반, 확률통계, 기계학습, 앙상블 모델 등으로 분류할 수 있다. 먼저 전문가 기반의 방법에서는 다중 기준 의사결정(MCDM) 및 분석 계층 프로세스(AHP) 모델을 포함한 전문가 기반 방법이 주로 사용되었다(Andualem and Demeke, 2019; Tiwari et al., 2019; Paul et al., 2020). 확률통계 분야에서 가장 많이 채용되는 GIS 기반 방법은 빈도비(Altafi Dadgar et al., 2017; Guru et al., 2017; Das, 2019), Weight of Evidence(Tahmassebipoor et al., 2016; Ghorbani Nejad et al., 2017), Dempster-Shafer 이론(Mogaji et al., 2015; Rahmati and Melesse, 2016; Haghizadeh et al., 2017), evidential belief function(Naghbi and Pourghasemi, 2015; Khoshtinat et al., 2019), Certainty Factor(Razandi et al., 2015; Hou et al., 2018; Nhu et al., 2020), 통계 지수(Falah et al., 2017; Hahgizadeh et al., 2017; Hou et al., 2018; Nhu et al., 2020) Index of Entropy(Al-Abadi and Shahid, 2015; Al-Abadi et al., 2016; Karimi et al., 2020) 등이 있다. 최근 기계 학습은 지하수 데이터에 숨겨진 패턴을 인식하고 변수 간 비선형 관계를 분석해 연구자들의 관심을 끌고 있다. 지하수 조사에서 가장 널리 구현된 기계학습 모델은 랜덤 포레스트(Kim et al., 2019; Miraki et al., 2019; Rahmati et al., 2019; Kamali Maskuni et al., 2020;), 최대 엔트로피 (Rahmati et al., 2016; Gokarian and Rahmati, 2018) 등이다. 지원 벡터 머신(Rahmati et al., 2018; Al-Fugara et al., 2020; Prasad et al., 2020), 인공신경망(Lee et al., 2018; Sameen et al., 2019; Pal et al., 2020), 의사결정 트리(Sameen et al., 2020), 로지스틱 회귀(Park et al., 2017; A rabameri et al., 2020), 회귀 트리(Naghbi et al., 2016; Naghbi and Pourghasemi, 2015), K-nearest neighbors(Naghbi et al., 2018; Al-Abadi and Alsamaii, 2020), 다변량 적응 회귀 스플라인(Zabhi et al., 2016; Park et al., 2017; Golkarian et al., 2018), 일반화된 첨가 모델(Falah et al., 2017; Naghibi et al., 2017a), naïve Bayes (Chen et al., 2019b; Martínez-Santos and Renard, 2019; Miraki et al., 2019), 그리고 선형 및 4차 판별 분석(Naghibi and Moradi Dashtpagerdi, 2016; Kalantar et al., 2019) 등이 있으며, 이는 지하수 가능성도 작성 분야에서 유용하고 좋은 결과를 도출한 것으로 확인되었다. 그러나 최근 몇 년간 앙상블 모델이 점점 더 많이 사용되고 있다.  즉, genetic-based support vector machine and random forest (Naghibi et al., 2017b), ensemble weights-of-evidence with logistic regression(Chen et al., 2018b), evidential belief function and boosted regression tree(EBF-BRT) algorithms (Kordestani et al., 2019), hybridization of Fisher’s linear discriminant function with rotation forest (Chen et al., 2019a), integration of artificial neural networks with RealAdaBoost(Nguyen et al., 2020a), adaptive neuro-fuzzy inference system(ANFIS) ensemble with teaching-learning based optimization(TLBO), biogeography-based optimization (BBO) (Chen et al., 2019c), and Bagging based Decision Stump(Pham et al., 2019) 등이 매우 좋은 결과를 도출하였으며, 이는 지하수 가능성도 작성에 있어서 모델의 성능이 크게 향상됐다는 것이다.

본 연구에서 증명될 것처럼, 지하수 가능성 지도에 새로운 방법을 적용하는 것에 대한 관심이 최근 몇 년 동안 급격히 증가했다. 따라서, 본 연구에서는 지난 10년 동안 GIS를 이용하여 지하수 가능성도 작성 방법에 대한 최신 연구를 정리 분석하였다.

2. 연구방법

스코퍼스(www.scopus.com) 데이터베이스를 이용하여, 2015~2020년 6년 동안에 게재된 GIS 기반 지하수 가능성도 작성 논문을 검색하기 위하여 GIS, 지하수, 기계학습기라는 검색어를 교집합 개념으로 적용하여 영어로 게재된 연구 논문을 검색하였다. 이 검색에 이어 제목과 요약문에 따라 초기 논문의 선정이 이루어졌다. 그 후, 논문 전문을 검토하여 논문의 최종 선택이 이루어졌다. 본 연구에서는 2015년 이전의 논문도 검색하였으나, 실제로 위의 검색어를 사용하여 검색하였을 때, 발행된 논문의 수가 미미하여 실제 본격적으로 논문이 발생된 2015년부터 2020년까지의 논문에 대해 분석하였다. 이는 기계학습을 적용한 지하수 산출 가능성도 작성 연구 분야가 매우 최근부터 이루어졌다는 것을 증명한다. 이렇게 취합된 논문은 연차 별 게재 횟수, 연구지역(국가), 사용 요인, 사용 모델 등을 기준으로 분류되었고, 이를 분석하였다.

3.연구 결과

1) 출판된 논문의 일시적 경향

2015~2020년에는 GIS 및 기계학습 기반 지하수 가능성 지도 작성에 관한 94건의 논문이 게재되었다. 일반적으로, 매년 발행되는 논문의 수는 시간이 지남에 따라 증가했다(Fig. 1). 2015년 2편의 논문만 게재된 데 비해 2020년에는 33편의 논문이 발행되었다. 전체 연구 기간(2015~2020년) 동안 연간 논문 수를 보면 추세선의 기울기는 6.23, 결정계수(R²)는 0.92로 매우 급하게 그리고 신뢰성이 높은 증가를 나타내었다.

Fig. 1. Number of published articles in the research field from 2015 to 2020.

2) 연구 지역 (국가)

조사된 논문의 연구지역(국가)은 15개국의 지역(Fig. 2)을 포함하였으나, 논문의 85.1%는 5개국에서 유래하였다. 가장 많이 연구된 국가는 이란(35건, 37.2%), 인도(27건, 28.7%), 중국(8건, 8.5%), 한국(6건, 6.4%), 이라크(4건, 4.3%) 순이었다. 이 연구들의 대표적인 예로는 이란, 인도, 중국, 한국, 이라크의 GIS 기반 지하수 지도가 각각 Avand et al. (2020), Das and Pardeshi(2018), Duan et al. (2016), Lee et al. (2020), Al-Abadi and Shahid (2016) 등이 있다. 이러한 연구지역은 지표수 자원의 부족과 인구증가, 농업 확장, 급속한 도시화, 근대산업 활동으로 지하수에 대한 수요가 매우 높다. 따라서 지하수 가능성도 작성이 매우 필요하며, 특히 이러한 지하수 가능성도 작성에 효과적이고 효율적인 방법을 적용할 필요가 있다.

Fig. 2. Number of published articles with respect to study area from 2015 to 2020.

3) 사용 요인

지하수 가능성 지도는 전형적으로 다양한 요인에 의존한다. 일반적인 가정은 지하수 발생을 지표면 및 지하의 구성 물질의 특성에서 예측할 수 있다는 것이다. 이러한 다양한 요인에는 토양, 선 구조, 지형경사, 지질, 지형형태, 배수 밀도 등이 있다. 반면에 지하수 가능성도 작성에 있어서 사용되는 요인에 대한 보편적이고 표준화된 지침은 없다. 따라서 많은 연구들에서는 매우 다양한 요인들을 연구해 왔다. 예를 들어, Al-Fugara et al. (2020)은 강우량, 고도, 배수 네트워크까지의 거리, 경사면 및 지질이 다른 조사된 변수들보다 지하수 가능성도 작성에 더 중요한 요인이라는 것을 보여주었다. Al-Ruzouq et al. (2019)은 지질, 강우량, 지형이 주요 요인임을 보여주었고, 반면 경사도와 선 구조 밀도는 덜 중요한 요인임을 분석하였다. Rahmati et al. (2018)은 상대 경사 위치, 단층으로 부터의 거리, 지질이 가장 중요한 요인이라고 밝혔다. Naghibi et al. (2017b)은 식생지수(NDVI), 고도, 경사가 가장 중요한 요인으로 분석됐다고 언급했다. 이러한 요인의 중요성의 변동은 연구 지역의 지질학적, 기후적, 지형적 특징 간의 차이와 관련이 있을 수 있다. 더욱이 이러한 변수나 지표의 선택은 주로 연구의 목적, 데이터의 가용성, 전문가의 의견 등에 따라 달라지기 때문에 사용된 요인들이 연구마다 다르다.

Table1에 기술된 바와 같이, 많은 연구들이 언급된 요인들을 이용한 지하수 가능성도 작성에 이용하였다. 또한 Fig. 3 에서 보듯이 연구 논문 검토를 토대로 하여 가장 많이 사용된 요인은 경사(총 물품의 96.8%), 지질(89.4%), 토지이용/토지 피복(83.0%), 배수/하천 밀도(73.4%), 고도(69.1%), 지형습도지수(TWI)(61.7%), 하천과의 거리(54.3%), 강우(53.2%), 경사 방향(50%) 등이었다. 여기서 중요한 것은 이러한 사용될  요인의 선택과 효율적인 통합 모델의 적용이 지하수 가능성도 작성에 가장 핵심이라는 점이다.

Table 1. Literatures on selection of mentioned conditioning parameters for groundwater potential mapping/modeling

LU/LC: Land Use/Land COver, DD: Drainage/River Density, TWI: Topogrpahic Wetness Index, DR: Distance from River, PC: Plan Curvature, LD: Lineament Density, DF: Distance from Fault, PCr: Profile Curvature, SPI: Stream Power Index, Geo: Geomorphology, FD: Fault Density, STr: Soil Texture, LS: Slope Length.

Fig. 3. Number of published articles with respect to the conditioning factors used to identify groundwater potential zones from 2015 to 2020.

4) 방법

지하수 탐사는 지하에 숨겨진 천연자원이고 쉽게 탐지할 수 없다. 따라서 지하수 가능성도 제작을 위해 전통적인 표면과 지표 아래의 잠재적 평가 방법에서부터 최근의 기계학습 방법에 의한 예측 모델에 이르기까지 다양한 방법이 제안되고 이용되고 있다.  지질도, 수리지질 실험, 시추, 지질물리 탐사 등은 지하수를 탐사하는 데 자주 사용되는 방법들로 이러한 방법들이 지표면 아래 구조에 대한 세부적인 정보를 제공하지만, 시간과 비용이 많이 들 뿐만 아니라 첨단 기술과 충분한 수리지질학적 데이터가 부족하여 많은 국가에서 이러한 방법을 사용하지 못하는 경우가 많다(Pradhan et al., 2020).

GIS은 공간 정보의 분석 및 관리에 있어 강력한 도구로 지하수 자원 관리와 의사결정을 위한 크고 복잡한 공간정보 처리 능력 때문에 지하수 연구에 유용한 도구이다. 특히 최근에 많이 사용되는 기계학습 방법과 GIS 기반의 데이터 처리 기법의 통합은 지하수 가능성도 작성에 강력한 도구로 사용될 수 있다.

이전에는 전문가의 주관적 판단에 의해 각 요인의 상대적 가중치를 정하여 지하수 가능성도를 작성하는 연구가 많았으나, 최근에 들어 점점 더 많은 논문들이 다양한 종류의 기계학습 모델을 Fig. 4와 같이 사용하고 있다. 사용된 모델별로 보면, GIS 기반 지하수 가능성 분석에 총 225번 이상(한 논문 당 평균 2.4 모델 사용)이 사용되었다. 종류별로 살펴보면 기계학습 모델 중 랜덤 포레스트(29회, 12.9%), Support Vector Machine(14회, 6.2%), 부스트 회귀 트리(12회, 5.3%), 판별 분석 모델(FDA, QDA, PDA)(12회, 5.3%), 로지스틱 회귀(11회, 4.9%) 순으로 많이 사용되었다.

Fig. 4. Number of published articles with respect to methods used from 2015 to 2020.

Ensemble Models:ANFIS-x:Hybrid ANFIS models (ANFIS-IWO, ANFIS-DE, ANFIS-FA, ANFIS-PSO, ANFIS-BA, ANFIS-TLBO, ANFIS-BBO); RF-GA:Hybrid Random Forest-Genetic Algorithm / Supervised Models: RF:Random Forest; SVM:Support Vector Machine; BRT:Boosted Regression Tree; DAs:Discriminant Analysis models (LDA, FDA, QDA, PDA); LR:Logistic Regression; MARS:Multivariate Adaptive Regression Spline; EBF:Evidential Belief Functions; FT:Functional Tree; CART:Classification and Regression Tree; Bagging; NB:Naïve Bayes; ANN:Artificial Neural Network; AdaBoost:Adaptive Boosting; K-NN:K-Nearest Neighbors; LMT:Logistic Model Tree; ME:Maximum Entropy; GAM:Generalized Additive Model; C5.0:C5.0 Decision Tree Model; Linear Regression; C4.5:C4.5 Decision Tree Model / Unsupervised Models:FR:Frequency Ratio; WofE:Weights of Evidence; IE:Index of Entropy; CT:Catastrophe Theory)

4.토론 및 결론

지하수 가능성도 작성은 지속 가능한 수자원 관리로 국가의 지속 가능한 성장을 위해 필수적인 데이터이지만 여전히 대부분의 개발도상국에서는 이러한 지하수 가능성도 작성이 거의 없다. GIS 와 기계학습의 통합은 지하수 탐사에 있어 시간과 비용을 절약할 수 있어 경제적이고 효율적인 방법으로 최근에 주목을 받고 있다. 따라서 최근 들어 GIS 및 기계학습 모델을 통합한 모델 개발에 대해 많은 연구가 진행되었으며, 그 중 지하수 가능성도 작성에도 상당한 연구가 진행되었다. 본 연구에서는 이러한 연구를 체계적으로 검토해보았다.

본 연구에서는 GIS와 기계학습을 이용하여 지하수 가능성도 작성 연구가 본격적으로 시작된 2015년부터 현재(2020년)까지 GIS기반 지하수 가능성지도 작성에 관한 94건의 논문을 검토하여 연도별, 연구영역별, 조건화 요인 및 방법 별로 분석했다. 매년 발행되는 논문의 수는 증가했고 이란, 인도, 중국, 한국, 이라크의 연구 분야를 주로 다루었다. 총 94개 논문 중 경사(91개 논문), 지질(84개 논문), 토지이용/토지 피복(78개 논문), 배수/하천 밀도(69개 논문), 고도(65개 논문), 지형 습도 지수(58개 논문), 강과의 거리(51개 논문), 강우(50개 논문), 경사 방향(47개 논문) 등이 총 85개 요인 중 매우 자주 사용되었다. 기계학습 모델에서는 다른 기계학습법에 비해 랜덤 포레스트가 전체논문의 31%로 가장 많이 적용되었다. 서포트 벡터 머신, 부스트 회귀 트리 판별 분석 모델 및 로지스틱 회귀 분석이 최근에 더 많이 적용되었다.

많은 기존연구들이 적절한 검증이 결여되어 있다는 사실에서 알 수 있는 결과물의 객관적이고 정확한 검증은 앞으로의 주요 과제로 남아 있다. 그리고 보다 정확하고, 적용 가능한 지하수 가능성도 제작을 위해 다양한 요인 및 다양한 기계학습 모델에 대한 연구가 필요하며, 보다 많은 지역에 대한 사례 연구가 필요하다. 즉 향후, 지하수 가능성도 작성의 표준화 및 정확성을 개선하기 위해 더 많은 연구가 연구되어야 한다. 특히 표준화된 요인, 모델 등의 제시가 필요하며, 정확성을 개선하기 위해 반드시 정량적인 검증이 필요하며, 현장 검증도 가능하며 적극 추천된다.

지하수 가능성도는 수자원의 지속 가능한 개발 및 보전에 필요한 기초자료로 널리 활용될 수 있으며, 특히 현장 작업을 보완하는 도구로 사용될 수 있다. 따라서 이러한 지하수 가능성도 제작이 널리 보급되어야 할 것이다. 특히 개발도상국에서는 무분별한 지하수 개발을 막고 효율적인 개발을 위해 이러한 지하수 가능성도가 적극 활용될 필요가 있다.