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

기계학습을 이용한 지진 취약성 평가 및 매핑: 9.12 경주지진을 대상으로

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.

본 연구는 2016년 발생한 9.12 경주지진을 중심으로 경주시 건축물의 지진 취약성을 평가하고 지도를 제작하는데 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 위치자료가 사용되었다. 평가 모델은 기계학습 방법의 RF와 SVM을 기반으로 구축하였으며, 훈련 및 검증 데이터셋은 70:30 비율로 무작위 선별되었다. 정확도 검증은 ROC 곡선을 사용하여 최적 모델을 선별하였으며, 각 모델의 정확도는 RF(1.000), SVM(0.998), 예측 정확도는 RF(0.947), SVM(0.926) 로 나타났다. RF 모델을 기반으로 경주시 전체 건축물의 예측 값을 도출하였으며, 이를 등급화 하여 지진 취약성 지도를 작성하였다. 행정동별 건물 등급 분포를 살펴본 결과, 황남동, 월성동, 선도동, 내남면이 취약성이 높은 지역으로, 양북면, 강동면, 양남면, 감포읍이 상대적으로 안전한 지역으로 나타났다.

요약

본 연구는 2016년 발생한 9.12 경주지진을 중심으로 경주시 건축물의 지진 취약성을 평가하고 지도를 제작하는데 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 자료가 사용되었다. 평가 모델은 기계학습 방법의 RF와 SVM을 기반으로 구축하였으며, 훈련 및 검증 데이터 셋은 70:30 비율로 무작위 선별되었다. 정확도 검증은 ROC 곡선을 사용하여 최적 모델을 선별하였으며, 각 모델의 정확도는 RF(1.000), SVM(0.998), 예측 정확도는 RF(0.947), SVM(0.926) 로 나타났다. RF 모델을 기반으로 경주시 전체 건축물의 예측 값을 도출하였으며, 이를 등급화 하여 지진 취약성 지도를 작성하였다. 행정동 별건물 등급 분포를 살펴본 결과, 황남동, 월성동, 선도동, 내남면이 취약성이 높은 지역으로, 양북면, 강동면, 양남면, 감포읍이 상대적으로 안전한 지역으로 나타났다.

1. 서론

자연재해(natural disaster) 중 하나인 지진은 오랫동안 누적된 변형 에너지의 방출로 인해 지각이 흔들리는 것으로, 지구 내부의 급격한 운동으로 지진파가 지표면까지 도달하여 지반이 흔들리는 자연 지진과 핵실험이나 대규모 폭발 등으로 지반이 흔들리는 인공지진으로 분류된다(E-National Index, 2020).지진은 인명과 시설물의 붕괴, 재산 손실뿐만 아니라 산사태, 화재, 공공서비스의 중단, 국가 주요 시설 가동 중지 등 2차 재해를 야기할 수 있어 피해 규모가 상당하며 이를 예측하는 데 어려움이있다(Kim et al., 2009). 또한 국소 지역 내 인접지역일지라도 피해 정도가 다르게 나타날 수 있으며(Kim et al., 2018b), 사회 및 구조적 환경에 따라 피해 양상이 달라질 수 있다는 특성을 고려하여 다양한 요소를 고려한 포괄적인 사전 대비가 필수적이다.

2016년 9월 12일 경주시에서 발생한 규모 5.8의 지진은 국내 계기지진이후 최대 규모의 지진으로, 2011년 3월 11일 발생한 규모 9.0의 동일본 대지진의 영향으로 주향이동 단층이 발생 원인으로 규명되었다 (MPSS, 2017). 당시 지진 관련 대응체계가 다소 미흡한 실정이었으며, 이를 비롯한 다양한 문제점들이 드러나게 되었다. 이후 지진 피해를 저감하기 위해 많은 연구가 수행되고 있으며, 그 중 하나로 지진 취약성을 평가하는 것이 있다.

본 연구에서 수행하고자 하는 지진취약성평가(seismic vulnerability assessment)란, 사전에 정의된 지역 내에서 지진 발생 시 위험에 영향을 미치는 요소들을 종합적으로 평가하여 건축물의 취약성 정도를 평가하는 것이다. 상대적으로 도시에 해당하는 지역은 수많은 시설 및 건물이 존재하고 있으며, 건물과 인구의 높은 밀도 등으로 인해 외곽지역에 비해 위험도가 높다(Han et al., 2020). 따라서지진취약성 평가를 통해 피해 가능성이 높은 지역과 가장 큰 영향을 끼치는 요소를 도출하는 과정이 필요하며, 이를 기반으로 재난 대응 및 대비를 실시함으로써 지진으로 인한 전반적인 피해 정도를 감소시킬 수 있다.

국외 연구현황을 살펴보면, 지진 취약성과 관련된 연구에서 계층 분석법(Analytic Hierarchy Process, AHP) 혹은 다중기준의사결정(Multi-Criteria Decision Making, MCDM)을 적용한 사례를 다수 확인할수있다(Panahi et al., 2014; Rezaie and Panahi, 2015; Alamand Haque, 2018; Alizadeh et al., 2018b; Nyimbili et al., 2018; Yariyan et al., 2020; Jena et al., 2020a).이는 다수인자 적용 시 이들의 우선순위를 결정하기 위해 각 인자의 중요도를 계층화 및 정량화하며, 최종적으로 가중치 부여 후 중첩 분석하여 취약지역을 도출하는 방법이다 (Saaty, 1977). 이외에도 최근 많은 연구에서 기계학습법을 적용한 것을 확인할수있다(Alizadeh et al., 2018a; Lee et al., 2019; Liu et al., 2019; Jenaet al., 2020b; Jenaet al., 2020c).

국내에서는 지진 취약성과 관련된 연구가 활발하지는 않지만, 9.12 경주 지진 이후 꾸준히 진행 중에 있다. 국외 연구와 마찬가지로 주로 계층 분석법을 적용한 연구사례가 많으며, 최근 다양한 기법을 적용하려는 시도를 확인할 수 있다 (Park, 2012; Chun, 2017; Kim et al., 2018; Lee and Oh, 2019; Han and Kim, 2020). 현재까지 연구 동향을 살펴본 결과 다양한 기법의 모델을 구축하여 비교 분석한 연구는 다소 부족한 실정이며, 기계학습이나 딥러닝과 같은 최신 기법을 적용하여 지진 취약성 모델을 구축한 사례 또한 많지 않다.

본 연구의 선행연구로 Han and Kim (2019)는 경주시의 지진 취약성을 평가하기 위해 국외 선행연구를 토대로 5개의 주요 지표(지질공학, 물리, 구조, 사회, 수용적 요소)와 18개의 하위지표(기울기, 고도, 지하수위, 최대 지반가속도(Peak Ground Acceleration, PGA), 진앙지로부터의 거리, 단층으로부터의 거리, 건물 연령, 건축재질, 건물층수, 건물 밀도, 15세 미만인구수, 65세 이상 인구수, 인구밀 도, 병원, 경찰서, 소방서, 주유소, 도로로부터의 거리)를 선정하였으며, AHP기법을 적용하여 지도를 작성하였다. Han et al. (2019)의 연구에서는 통계기법인 로지스틱회귀분석(Logistic Regression, LR)과 기계학습기법인 SVM기법을 사용하였으며, LR모델에서 영향력이 적은 것으로 분류된 사회적 요소를 제외한 15개의 인자를 사용하여 분석을 실시하였다. 그 결과, SVM의 RBF(Radial Basis Function) 커널 기반의 모델의 예측 정확도가 91.9%로 가장 성능이 우수한 것으로 나타났다. Han et al. (2020)의 연구에서는 확률기법인 빈도비(Frequency Ratio, FR), 기계학습기법인 의사결정나무(Decision Tree, DT)와 RF모델을구축하여 경주시의 지진 취약성을 평가하였으며, RF모델의 예측정확도가 94.9%로 가 장 우수한 것으로 나타났다.

이와 같은 선행연구를 기반으로, 본 연구에서는 주요 지표인지질공학, 물리, 구조적 요소 기반의 지진 취약성에 높은 영향을 미치는 인자 11개(기울기, 고도, 지하수위, 지질도, PGA, 진앙지로부터의 거리, 단층으로부터의 거리, 건물 연령, 건물층수, 건축재질, 건물 밀도)를 선정하였다. 이 중 지질도는 지진 취약성 평가시 필요한 인자라고 판단되어 새롭게 추가된 것이며, 총 11개의 인자는 독립변수로 적용되었다. 9.12 경주 지진 당시 실제 피해 입은 건축물의 위치자료는 종속변수로 모델 구축 시 적용되었으며, 이는 선행연구에서 가장 우수한 성능으로 나타난 RF와 RBF 커널 기반의 SVM이 사용되었다. 구축된 모델을 기반으로 경주시 전체 건축물의 예측값을 도출하여 5등급화하였으며, 이를 지도화하여 나타냄으로써 상대적으로 위험 또는 취약한 지역을 도출하고자 한다. 추가적으로 지진으로 인한 피해 건축물에 미치는 인자별 영향력을 평가하고자 한다.

2. 연구지역

본 연구의 대상지역은 한반도 동남쪽에 위치한 경상북도 경주시로 동경 128°58′~129°31′, 북위 35°39′~36°04′ 에 위치하고 있다 (Fig. 1). 경주시는 23개의 행정동(4개 의읍, 8개의 면, 11개의 행정구역)으로 구성되어 있으며, 총 인구수는 253, 468명이다(Gyeongju City Hall, 2020). 해당 지역은 2016년 9월 12일 규모 5.8의 지진이 발생하여 23명의 부상자와 111명의 이재민, 5,368건의 재산피해를 초래하였으며, 6개의 시도에서 발생한 재산 피해액은 약 110억원으로 집계되었다 (MPSS, 2017). 과거에도 규모 2.0이상의 지진이 21회, 그 중 규모 3.0이상의 지진이 4회 발생한 기록이 있으며, 본 연구 지역 내의 다수 지점에서 제4기 단층 운동이 보고된 울산 및 양산 단층 외에도 여러 단층들이 위치하고 있다 (Kim et al., 2017). 전체 면적 1324.82 km²중 산림이 약 67.4%에 해당하는 지형적 특색과 함께(Han et al., 2019), 인구 및 건물이 도심의 중심부에 밀집한 형태를 지니고 있다. 또한 동남부 지역 해안가 인접지역에 월성, 새울, 고리 원자력발전소를 비롯한 여러 국가기반시설이 위치하고 있어 중규모 이상의 지진 발생 시 2차 피해가 우려되는 지역이다. 따라서 경주시의 취약 지역을 파악하여 우선적으로 사전 대비를 수행할 필요가 있으며, 이를 기반으로 보다 체계적인 대책 마련이 필요할 것으로 판단하여 연구 대상지역으로 선정하였다.

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.

3. 연구자료

본 연구는 지진 취약성에 영향을 미치는 다양한 요인을 종합적으로 평가하기 위해 선행연구에서 1차적으로 선별된 18개의 인자를 바탕으로 (Han and Kim, 2019), 실제 지진 취약성에 큰 영향을 미칠 것으로 판단되는 요소를 선별하여 최종적으로 11개의 영향인자를 선정하였다 (Table1).본 연구에서 새롭게 추가된 인자인 지질도의 경우 시대별로 총 4개의 항목(Quaternary, Tertiary, Cretaceous, Jurassic)으로분류하였다. 해당 인자들은 래스터 형태의 공간 데이터베이스로 구축되었으며 (Fig. 2), 모두 독립변수로 사용하였다.

Table 1. Selected variables for seismic vulnerability assessment Variables

^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

Fig. 2. Independent variable related to geotechnical, physical, and structural.

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

4. 연구방법

1) 랜덤 포레스트

Breiman (2001)에 의해 제안된 RF 기법은 분류, 회귀분석 등에 사용되는 다수의 결정 트리들을 구축하고 학습하는 앙상블 기법으로, 단일 트리에 비해 더 많은 경우의 수를 고려할 수 있는 기계학습 기법이다. 본 연구에서 사용한 RF의 회귀 알고리즘은 훈련 과정에서  구성한 다수의 결정 트리로부터 평균 예측치를 출력한다. RF는 설명변수와 반응변수 사이의 관계에 대한 가정을 필요로 하지 않기 때문에, 대규모 데이터셋의 계층적 상호작용과 비선형성을 분석하기에 적절하나(Kim et al., 2018a), 비교적 많은 시간이 소요되므로 적절한 파라미터 값의 설정을 통해 효율적으로 모델을 구축해야 한다.

RF 모델을 구축하기 위한 대표 파라미터로는 ntree, mtry, maxnodes, nodesize가 있다. ntree는 훈련 과정에서 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 설정하는 파라미터를 의미한다.

2) 서포트 벡터 머신

SVM은 통계적 학습 이론과 구조적 위험 최소화 원리를 기반으로 복잡한 분류 및 회귀분석에 사용되는 기계학습 방법 중 하나이다 (Cortes and Vapnik, 1995; Vapnik, 1995; Vapnik, 1998). SVM은 다차원 공간에 훈련 데이터셋을 두 종류의 클래스로 분류하는 최적의 초평면(hyperplane)을 찾아 오류를 최소화하는 모델을 생성한다(Kalantal et al., 2018; Nhu et al., 2020).

SVM모델의 성능은 커널 함수에 따라 달라지기 때문에 적절한 커널 함수의 선택은 매우 중요하다. 커널의 종류로는 linear, polynomial, RBF, sigmoid가 있다. 본 연구에서 사용할 RBF 커널의 수식은 다음과 같다.

\(\mathrm{RBF}: \mathrm{K}\left(x_{i}, y_{i}\right)=\left(-\gamma\left\|x_{i}-x_{j}\right\|\right), \gamma>0 \)

\(\gamma\)은 gamma항으로 가우시안(Gaussian) 커널의 폭을 제어, 즉 데이터 샘플이 영향력을 행사하는 거리를 결정하는 매개변수이다. 해당 값이 클수록 작은 표준편차를 가진다. \(\operatorname{Cost}(\mathrm{C})\)는 모든 함수에 적용되는 매개변수로 이는 규제의 강도를 결정하며, \(\mathrm{C}\)값이 높아지면 규제가 감소한다. 이는 모두 수동으로 입력되는 커널 함수의 매개변수로, 해당 값의 조정을 통해 SVM 모델의 정확도를 향상시킬 수 있다.

5.연구 결과

1) 모델구축 및 비교검증

모델 구축에는 R Studio 소프트웨어를 사용하였으며 RF는 ‘randomForest’, SVM은 ‘e1071’ 라이브러리를 사용하였다. RF 모델의 경우 ntree와 mtry값을 조정하였으며, SVM 모델의 경우 cost와 gamma 파라미터의 최적 값을 도출하여 모델을 구축하였다. 각 모델의 성능을 확인하기 위해 ROC 곡선을 사용하여 모델의 정확도(success rate)와 예측 정확도(prediction rate)를 확인하였다. 그래프의 Y축은 민감도(sensitivity)로 정확하게 분류된 양성비율을 의미하며(true positive rate), X축인 1-특이도(1- Specificity)는 정확하게 분류된 음성비율(false positive rate)이며, 해당 값은 1에 가까울수록 모델이 높은 성능인 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 기반으로 한 모델의 경우, cost가 1, gamma가 256일 때 모델 및 예측 정확도가 각각 0.998, 0.926으로 가장 높은 성능의 모델이 구축되었다 (Fig. 3). 두 모델을 비교한 결과, RF 모델의 예측 정확도가 약 2% 정도 높은 것으로 나타났다. 이를 통해 RF 모델이 지진 취약성을 평가하는 데 보다 적합한 모델인 것으로 판단된다.

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

2) 인자 중요도

구축한 최적 모델을 기반으로 11개 인자들의 중요도를 확인하였다. RF 모델을 기반으로 수행하였으며, RF의 회귀 모델에서 예측 변수의 중요도를 확인하는 척도로는 ‘% 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 값이 최대로 증가하게 된다. IncNodePurity(increase in node purity)는 Mean Decrease Gini를 뜻하며, 이는 각 트리의 분류(split) 지점에서 지니 불순도 지수(Gini impurity index)를 계산하여, 모든 트리의 값을 평균한 것을 의미한다(Sahin et al., 2020). 해당 값이 큰 변수일 수록 모델의 예측 능력에 중요하게 작용하였음을 뜻한다. Table 2를 살펴보면, % IncMSE 기준으로 진앙지로부터의 거리(393.448)가 가장 높게 나타났으며 PGA(365.459), 고도(346.392) 순서로 중요한 변수임을 확인할 수 있다. IncNodePurity을 기준으로 살펴본 결과, 앞과 동일하게 진앙지로부터의 거리(455.958), PGA(442.645), 고도(395.943) 순서로 중요한 것으로 나타나 두 척도에서 동일하게 인자가 도출되었음을 확인할 수 있다. 반면 중요도가 낮게 나타난 항목을 살펴보면, % IncMSE기준으로 건축재질의 혼합항목(44.443), 지질도의 Jurassic(29.990), 건축재질의 기타 항목(1.000)으로 나타났다. IncNode Purity기준으로도 동일한 항목이 중요도가 낮게 나타난 것을 확인할 수 있다; 건축재질의 혼합항목(3.623), 지질 도의Jurassic(1.867), 건축재질의 기타 항목(0.047).

Table 2. Importance variables of RF model

3) 지진 취약성 지도

가장 높은 성능으로 평가된 RF 모델을 기반으로 경주시 건축물 71, 888개의 예측 값을 도출하였다. 예측값은 0~1범위의 값으로 정규화하였으며, 동일 간격으로 5등급화하여 각 건물에 클래스를 부여하였다. 할당된 클래스를 바탕으로 지진 취약성 지도를 작성하였다 (Fig. 4). RF지도의경우, ‘Safe’ 클래스에 19,264개(26.80%), ‘Low’에 28,845개(40.12%), ‘Moderate’에 17,637개(24.53%), ‘High’에 5,391개(7.50%), ‘Veryhigh’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, 안전지역으로 도출된 지역은 양북면(18), 강동면(2), 양남면(23), 감포읍(19)으로 나타났다.

Fig. 4. Seismic vulnerability map of RF model.

6.토의 및 결론

본 연구에서는 기계학습기법을 기반으로 경주시의 지진 취약성 평가 및 지도 작성 연구를 수행하였다. 기계학습기법 중 우수한 성능으로 평가되는 RF와 SVM을 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. 특히  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 사용하였을 때 예측 정확도가 94.9%로 나타났으며, 본 연구에서 구축한 모델이 약 0.2% 낮게 나타났지만 비교적 비슷한 성능의 모델이 구축되었음을 확인할 수 있다.

RF모델 구축 시 11개의 인자가 미친 영향력을 살펴보기 위해 인자 중요도를 확인하였다. 2개(% IncMSE, IncNodePurity)의 척도에서 동일하게 진앙지로부터의  거리, PGA, 고도가 상위였으며, 지질도와 건축재질 관련 인자들이 하위에 위치한 것을 확인할 수 있다. 선행연구 결과와 비교해 보았을 때 중요도가 높은 인자들은 거의 유사한 결과 이나, 중요도가 낮은 인자들 중 지질도가 새롭게 추가된 인자로써 모델의 정확도에 영향력을 끼친 것으로 판단된다. 지질도는 제4기층, 진앙지의 위치 등 9.12 경주 지진 발생 원인과 관련하여 큰 영향력이 있을 것으로 판단하여 반영하였다. 그러나 실제 지진 발생 후 건축물의 피해 현황을 살펴본 결과, 제4기층에 위치한 진앙지 주변의 많은 건물들이 피해를 입은 것을 사실이나, 진앙지 주변 이외에도 경주시 전역에 제4기층이 분포하고 있는 양상을 보이고 있기 때문에 해당 모델에서 지질도의 기여도가 낮게 나타난 것으로 판단된다. 현재 지질도를 시대에 따라 4개의 클래스로 분류하였지만 추후 클래스를 보다 세분화 후 모델에 적용하여 지질이 지진 취약성에 미치는 영향력을 다방면으로 검토해 볼 필요성이 있다고 판단된다.

최종적으로 작성된 지진 취약성 지도를 바탕으로 위험 및 안전지역을 대상으로 분석을 수행하였다. 위험지역으로 분류된 7, 14, 15, 21 행정구역은 경주시의 중심부를 기준으로 남서쪽에 위치한 지역으로, 해당 지역의 인자들의 특성을 살펴본 결과는 다음과 같다. 모든 지표는 해당 지역의 평균값으로 도출되었으며, 지질공학적 요소인 기울기는 3.21°, 고도는 69.38 m, 지하수위는 12.74 m이었으며, 물리적 요소인 진앙지로부터의 거리는 2.90 km, 단층으로부터의 거리는 2.43 km, PGA는 0.312 g으로 나타났다. 구조적 요소를 살펴보면, 건물 밀도는 284.85, 건물 연령은 40년이었으며, 전체 건물 중 50년 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, 인자별 특성은 다음과 같다. 지질공학적 요소인 기울기는 4.92°, 고도는 46.30 m, 지하수위는 10.60 m로나타났으며, 해당 요소들은 위험지역과 크게 차이가 없는 것을 확인할 수 있다. 물리적 요소인 진앙지로부터의 거리는 10.34 km, 단층으로부터의 거리는 4.12 km, PGA는 0.155 g로 나타났다. 진앙지와 단층으로부터의 거리는 위험지역에 비해 상대적으로 떨어져 위치한 것을 확인할 수 있으며, PGA의경우 약 0.16 g 낮아 지진으로 인한 물리적 피해를 비교적 적게 받은 것으로 판단된다. 구조적 요소를 살펴보면, 건물 밀도는 97.84로 위험지역에 비해 약 2.91배 낮게 나타났으며, 건물 연령은 31년이다. 전체 건물 중 50년 미만의 건물 수는 8, 458개로 안전지역 전체 건물의 76.82%에 해당하며, 위험지역에 비해 오래된 건물의 비율이 적은 것은 확인할 수 있다.

본 연구에서 작성한 지진취약성 지도는 경주시의 건축물에 등급을 부여하고 이를 바탕으로 직관적으로 위험 및 안전지역을 파악할수있다는이점이 있다. 연구 결과를 바탕으로 지진재해와 관련해 사전 정책 수립시 우선적으로 관리할 지역을 선정할 수 있으며, 인자들의 중요도를 기반으로 다양한 시설과 인구 등이 혼재하는 도심에서 효율적으로 대피할수있는 경로탐색을 수행하여 지도화하는 등 광범위한 영역에서 활용할수있을 것으로 기대된다. 또한, 본 연구 결과를 바탕으로 국내 타 지역의 지진 취약성 평가 시 기초자료로 참고하여 지역별 특색을 반영한 지진 취약성 모델 구축을 수행한다면 지자체별 지진재난과 관련된 정책을 수립하는 데 큰 도움이 될 것으로 기대된다.