위성 및 지상센서기반의 디지털정보를 활용한 산사태 재난위험경감 방안

[전문가 진단] 산사태...이우균 교수
김한결 기자
eco@ecomedia.co.kr | 2020-09-08 17:48:53
  • 카카오톡 보내기
  • 카카오스토리 보내기

▲ 이우균 고려대 환경생태공학과 교수, 오정리질리언스 연구원장

산사태관련 디지털 정보로부터 정확한 산사태예측
우리나라에서는 이상기후, 토지이용 및 피복변화 등으로 산사태의 빈도와 피해규모가 점차 증가하는 추세에 있다. 산사태의 주요원인은 우선 비가 많이 오는데 있다. 특히, 올해와 같이 비가 자주, 오래, 강하게 오는 경우에 산사태의 발생은 많아지게 된다. 최근에는 기후변화로 인해 집중호우, 긴 장마 등과 같은 이상기후로 산사태의 위험은 점차 증가되고 있다. 최근에는 이러한 이상기후로 인한 산사태 예측을 위해 소위 누적강우량/호우일수, 강우강도 등의 기상정보가 사용되고 있다.


같은 기상조건이라도 지형(경사, 방위, 고도, 사면길이, 사면곡률 등), 지질(모암, 암질 등), 토질(토성, 토심 등), 식생정보(산불발생이력, 임상, 영급·경급, 뿌리 깊이 등) 등 생물리 및 환경적(지형, 지질, 토질 등) 특성에 따라 산사태의 발생 위험은 다르다. 또한, 인간 활동에 의한 토지이용 및 피복변화로 인재(人災)성의 산사태가 발생하는 것을 감안하면 토지이용 및 피복변화 정보도 산사태 위험지역 예측에 고려되어야 한다.


이와 같이 기상정보, 생물리 및 환경정보, 토지이용 및 피복정보의 통합한 공간분석을 통해 산사태 위험지역을 예측할 수 있다. 산림의 생물리 및 환경적 변화는 거의 없거나 느린 반면, 토지이용 및 피복정보는 인간의 활동에 의해 빠르게 변화하므로 모니터링을 통해 변화시점에서의 정보가 ‘디지털 자료’로 기록되는 것이 필요하다. 미래의 기상정보는 시공간적으로 불확실성이 크므로 고도화된 예측시스템이 필요하며, 이외에도 불확실성을 보완할 수 있는 위성 및 지상센서정보가 필요하다. 따라서 산사태 위험지역의 신속·정확한 예측을 위해서는 기상, 생물리 및 환경, 토지 등의 변화가 시공간적으로 파악되어야 하며, 이를 위해서는 산사태 관련 공간정보의 디지털화가 수반되어야 한다. 최근에 발표된 한국형 뉴딜 측면에서 보면, D.N.A(Data, Network, AI), SOC디지털화, 디지털 트윈 등의 디지털(Digital) 및 그린(Green)기술로 산사태 위험지역을 신속하고 정확하게 예측할 필요가 있다.

우리나라 산사태 디지털예측시스템
산림청(국립산림과학원)에서는 임상, 경급, 사면경사, 사면방위, 사면길이, 사면곡률, 모암, 토심 등의 생물리 및 환경인자와 토양의 습한 정도를 나타내는 지형습윤지수(TWI: Topographic Wetness Index)를 이용하여 ‘산사태위험지도’를 제작하고 있다. 또한, 도로, 건물, 송전탑, 임도, 절성토, 풍력발전단지, 태양광발전단지, 체육시설(골프장, 스키장), 산사태발생지, 산불피해지, 벌채지 등과 같은 토지이용 및 피복 변화정보를 보정인자로 적용하여 산사태 위험등급을 재조정하고 있다. 이러한 산사태 ‘발생위험지도’ 외에 붕괴토사량을 추정하여 토석류에 의한 산사태 ‘피해예측지도’를 함께 구축하고 있다. 이와는 별도로 연평균강우량을 고려해 전국을 중부, 전라경남, 충청, 경북 등 4개 권역으로 나누고, 각 권역에 지질특성을 고려한 2-3개의 세부권역을 두어 총 11개 권역별로 기상청의 기상예보와 연계하여 산사태 ‘발생시기’를 예측하고 있다. 이 발생시기에 1시간 기상예측정보를 이용한 ‘토양함수지수’를 통합하여 산사태위험지역의 조기경보를 하고 있다.

 

지질자원연구원에서는 기상자료와 경사, 고도, 암질, 표토, 투수성 등의 지형 및 지질자료를 이용하여 산사태 ‘발생위험’ 지역을 예측하고, 산사태발생위치에서의 붕괴토사량과 붕괴토사의 도달거리를 고려하여 ‘피해위험’지역을 선정하는 모델을 개발하였다. 이러한 두 모델이 기상청의 기상정보예측과 연계된 산사태 조기경보시스템을 개발하여 운영 중에 있다.

 

두 기관의 공통점은 산사태 ‘발생위치’와 ‘피해지역’을 동시에 예측하고 있고, 기상예측과 연동된 산사태 조기경보시스템을 운영하고 있다는 것이다. 또한, 예측에 활용된 모든 정보가 GIS기반의 디지털 공간정보라는 것도 공통점이다. 그러나 예측모형에 활용된 공간정보의 공간해상도, 3차원, 최신성 측면에서 고도화가 필요하며, 이러한 고도화된 공간영향인자를 활용한 AI기반의 예측모형개발도 필요한 시점이다.

기계학습(Machine Learning)기반의 산사태 위험지역 예측

예측모형(Prognostic model)
산사태 재난위험경감(Disaster Risk Reduction)을 위해서는 산사태에 영향을 주는 생물리 및 환경적 요인 외에도 장·단기기상예측자료를 기반으로 산사태위험지역이 신속·정확하게 예측되어야 한다.

 

최근, 환경부의 ‘부문별 기후변화영향 및 취약성평가 통합평가모형(MOTIVE)’의 고려대학교 연구팀은 기계학습 기반의 확률분포 모형(Maximum Entropy: MaxEnt)을 기반으로 산불발생지점(실제 조사자료)과 그 지점의 기후·환경정보를 이용한 기계학습(Machine learning)을 통해 산불발생위험지역을 장·단기 및 공간적으로 예측하는 모형을 개발하였다. 산사태발생지점과 그 지점의 생물리 및 환경인자들에 따라 학습된 모형이 장·단기 기상변화에 반응하여 산사태 발생 위험지역을 공간단위로 예측하는 것이다.

 

<지도1>은 7월-8월 장마기에 관측된 기상정보(강우강도(Simple Daily Intensity Index, SDII), 80mm이상 호우일수(Rainy days over 80mm, R80))와 생물리 및 지형정보를 기반으로 산사태 발생위험지역을 예측한 것이다. 해당시기의 강우강도 및 호우일수와 산사태 발생위험지역의 공간분포가 유사함을 확인할 수 있으며, 장마가 오랜 기간 누적되면서 산사태 발생위험지역이 점차 확대되는 것을 알 수 있다. 또한, 경기도 일원과 지리산지역에 집중호우가 발생한 8월 첫째 주에는 경기도 지역과 지리산 권역의 산사태발생위험도가 매우 높아지는 것을 볼 수 있다.

 

▲ <지도1> 관측 기상자료를 활용한 7∼8월 6주간 산사태 발생 위험지역 모의 결과 및 해당 시점에서의 강우강도, 호우일수(80mm이상) 현황 <출처=고려대학교 MOTIVE연구팀>

 

<지도2>는 8월초에 발생한 경기도의 산사태지역(청색원)을 고려대학교 MOTIVE연구팀이 개발한 예측모델의 산사태위험지역과 비교한 것인데, 대부분 ‘심각(적색)’ 및 ‘경계(주황색)’지역에서 발생된 것을 볼 수 있다. 그러나 여기에서도 광범위한 ‘심각(적색)’지역에 비해 실제 산사태 발생(청색원)은 국지적으로 일어난 것을 볼 수 있다. 따라서, 위성영상 및 지상센서정보 등의 추가적인 공간정보활용을 통해 산사태 발생위험지역 예측의 정밀도를 높일 필요가 있다.

 

▲ <지도2> 경기도 지역의 실제 산사태 발생 지점(2020년 8월 첫째 주) 및 모형기반 산사태 발생 위험 지도 비교 <출처=고려대학교 MOTIVE연구팀>

 

이상과 같이 생물리 및 환경인자, 기상인자를 이용한 예측모형(prognostic model)으로 산사태위험지역을 예측할 수 있다. 이때 필요한 것은 기상인자의 정확한 예측이다. 또 필요한 것은 ‘정확한’ 생물리 및 환경인자이다. 여기서 ‘정확한’ 것은 공간적으로 높은 해상도와 정밀성을 의미하고, 시간적으로는 가장 최신의 정보여야 한다는 것을 의미한다. 그러나 예측모형은 과거의 정보를 기반으로 한다는 면에서 현시점 및 미래시점의 생물리 및 환경정보를 반영하지 못하는 한계를 지니고 있다. 이를 해결하는 방안은 위성 및 지상센서로부터 모니터링되는 정보를 활용하는 것이다.

 

위성 및 지상센서 기반의 산사태 위험지역 예측
진단모형(diagnostic model)

산사태의 경우, 토양이 얼마나 물을 머금고 있는가가 중요하다. 또한, 기상예측은 국지성 강우를 예측하는 데는 한계가 있는 것이 현실이다. 그러나 국토의 곳곳을 일단위로 관측하는 위성영상 및 지상센서기술로 토양의 수분 함유량을 국지적으로 예측할 수 있다. 예를 들면 NASA의 SMAP(Soil Moisture Active Passive) 위성센서를 활용하면 9m 이내의 공간해상도로 토양의 습윤상태를 3일 간격으로 파악할 수 있다. 또한, 생활권 및 저지대의 산사태는 토지이용 및 피복변화로 인한 국지적 지형변형이 주된 원인으로 꼽히고 있다. 이러한 개발로 인한 지형변화도 위성영상 및 지상센서기술로 파악이 가능하다. 특히, 최근에 널리 보급되고 있는 드론기술과 LIDAR기술을 접목하면 국지지역의 지형변화를 3차원으로 파악 가능하여 물길왜곡으로 인한 인재(人災)성 산사태위험지역을 예측할 수 있다. 이상과 같이 예측모형(prognostic model)에 항공·위성 및 지상센서 정보기술을 접목한 진단모형(diagnostic model)을 활용하면, <지도2>에서 넓은 심각(적색)지역을 보다 세분화하여 위험지역을 보다 정밀하게 예측할 수 있다. <그림1>은 공간기반의 발생지점과 그 지점의 생물리 및 환경적인자간의 관계를 이용한 예측모형(prognostic model)과 위성 및 지상센서 정보를 융합한 진단모형(diagnostic model)을 이용하여 산사태위험지역을 보다 정밀하게 예측하는 모식도이다.

 
▲ <그림1> 공간기반의 발생지점과 그 지점의 생물리 및 환경적인자간의 관계를 이용한 예측모형(prognostic model)과 위성 및 지상센서 정보를 융합한 진단모형(diagnostic model)을 이용한 산사태위험지역예측 모식도 <출처=고려대학교 MOTIVE연구팀>

 

항공·위성 및 지상센서 정보를 융합한 진단모형을 이용하여 산사태 발생위험지역을 신속하고 정확하게 예측하기 위해서는 위성정보활용 체계와 지상센서 네크워크 체계가 잘 갖추어져 있어야 한다. 우리나라에서는 국토위성, 기상위성, 환경위성, 농림위성 등의 각종위성이 이미 운영되고 있거나 발사예정으로 있어, 이러한 위성정보의 통합 활용기술과 연계된 산사태 등의 재난위험경감(DRR: Disaster Risk Reduction)체계를 갖출 필요가 있다. 또한, 최근에 발표된 한국형 뉴딜 측면에서 보면, D.N.A(Data, Network, AI), SOC디지털화, 디지털 트윈 등의 디지털 및 그린기술은 지상센서 기반으로 산사태 위험지역을 신속하고 정확하게 예측하기 위한 초석으로 볼 수 있다.

[ⓒ 환경미디어. 무단전재-재배포 금지]

  • 카카오톡 보내기
  • 카카오스토리 보내기