Geospatial AI for Liquefaction Hazard and Impact Forecasting: A Demonstrative Study in the U.S. Pacific Northwest

논문 요약: 미국 태평양 북서부 지역을 위한 지리공간 AI 기반 액상화 위험 및 영향 예측

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 최근 대규모 지진 (터키, 뉴질랜드 등) 은 액상화 (liquefaction) 가 인명 피해, 건물 붕괴, 인프라 파괴에 치명적인 영향을 미친다는 것을 재확인시켰습니다. 미국 태평양 북서부 (워싱턴주, 오레곤주) 는 지각, 슬래브 내부, 섭입대 지진 등 다양한 지진 위험에 노출되어 있어 액상화 위험에 특히 취약합니다.
• 문제점:
  • 기존 국가 차원의 지진 손실 추정치는 액상화 및 동시성 산사태로 인한 지반 파괴를 고려하지 않아 실제 위험을 과소평가합니다.
  • 기존 액상화 평가 모델 (CPT 등 현장 지반 조사 데이터 기반) 은 지역적 적용은 가능하지만, 광역 (Regional) 규모에서 연속적으로 적용하기에는 데이터 부족과 계산 비용 문제로 인해 비현실적입니다.
  • 기존 지리공간 (Geospatial) 모델들은 지반 역학 (mechanics) 을 충분히 반영하지 못하거나, 복잡한 비선형 관계를 포착하지 못하는 통계적 방법 (로지스틱 회귀 등) 을 사용하며, 공개된 지리공간 데이터의 활용도가 낮고 소프트웨어 패키징이 미비하다는 한계가 있었습니다.

2. 방법론 (Methodology)

이 연구는 **Sanger et al. (2025)**에서 개발한 새로운 **지리공간 액상화 모델 (Geospatial Liquefaction Models, GLMs)**을 태평양 북서부 지역에 적용하여 85 가지 시나리오 지진에 대한 위험 및 영향 예측을 수행했습니다.

• 모델 접근법 (Machine Learning Surrogate):
  • 대리 모델 (Surrogate Modeling): ML 모델을 훈련시켜 CPT(원추관입시험) 데이터 기반의 표준 지반공학 모델 (LPI, LPIISH, LSN) 을 모방하도록 설계했습니다. 이를 통해 지반 역학에 대한 지식을 모델에 내재화했습니다.
  • 학습 데이터: 전 세계적으로 수집된 약 37,000 개의 CPT 프로파일과 37 가지 지리공간 변수 (지형, 수문, 토양 특성 등) 를 사용하여 훈련되었습니다.
  • 알고리즘: 과적합을 방지하고 복잡한 관계를 포착하기 위해 Bagged Decision Tree Ensemble 알고리즘이 선택되었습니다.
• 지리공간적 업데이트 (Geostatistical Updating):
  • ML 모델의 예측값을 **회귀 크리깅 (Regression Kriging)**을 통해 보정했습니다. 이는 측정된 지반 데이터 (CPT) 가 있는 지역에서는 실제 관측값에 기반한 예측을, 데이터가 없는 지역에서는 ML 모델의 예측을 기반으로 하되 공간적 상관관계를 반영하여 보정하는 방식입니다.
• 시나리오 적용:
  • USGS 의 3 가지 지진 카탈로그 (BSSC14, WA22, CSZM9) 에서 선정한 85 개의 시나리오 지진 (워싱턴주와 오레곤주의 지각 단층 및 캐스케디아 섭입대 지진 포함) 에 대해 적용되었습니다.
  • 각 시나리오의 지반 운동 (PGA) 을 입력받아 지반공학 모델을 대리하고, **Geyin and Maurer (2020)**의 취약성 함수를 통해 **지반 파괴 확률 (PGF, Probability of Ground Failure)**을 산출했습니다.

3. 주요 기여 (Key Contributions)

1. 개념적 및 성능적 개선: 기존 지리공간 모델의 한계를 극복하여 (i) 지반 역학 기반, (ii) 풍부한 지리공간 데이터 활용, (iii) 현장 지반 데이터에 기반한 지리통계적 보정을 통해 예측 정확도와 신뢰성을 높였습니다.
2. 고해상도 광역 예측: 태평양 북서부 전역에 대해 고해상도 (~90m) 로 액상화 위험 지도를 생성했습니다.
3. 실용적 도구 제공: 예측 결과를 GIS 준비형 (GeoTIFF, ArcGIS Map Package) 으로 공개하여 재난 시뮬레이션, 대피 경로 계획, 인프라 취약성 분석, 토지 이용 계획, 보험 손실 모델링 등에 즉시 활용 가능하도록 했습니다.
4. 영향 평가 프레임워크: 단순한 위험 지도를 넘어, 도로 네트워크, 교량, 댐, 인구 밀집 지역 등 다양한 자산에 대한 구체적인 피해 영향 (Impact Forecasting) 을 분석하는 사례를 제시했습니다.

4. 결과 (Results)

• 모델 성능 검증:
  • 2001 년 니스퀄리 (Nisqually) 지진 사례 및 전 세계 '보이지 않는 (unseen)' 데이터셋을 대상으로 기존 모델 (Rashidian and Baise, 2020; RB20) 과 비교했습니다.
  • 브라이어 스코어 (Brier Score) 분석 결과, GLM 모델 (Ensemble) 이 RB20 모델보다 통계적으로 유의미하게 낮은 오차 (더 높은 정확도) 를 보였습니다. 특히 RB20 대비 약 1.5 표준편차만큼 성능이 향상되었습니다.
• 시나리오별 위험 분석:
  • 포틀랜드 힐스 단층 (M7.1): 포틀랜드 시내의 수변 지역 (Pearl District 등) 에서 높은 PGF 가 예측되었으며, 이는 포화 상태의 충적토와 강한 지반 운동의 결합 때문입니다.
  • 사우스 휘드비 아일랜드 단층 (M7.2): 스노호미시 강 유역과 I-5 고속도로 구간에서 높은 액상화 위험이 예측되었습니다.
  • 시애틀 단층대 (M7.5): Elliott Bay 및 Duwamish 강 유역 등 산업 지대와 항만 시설이 위치한 지역에서 높은 위험이 예상됩니다.
  • 캐스케디아 섭입대 (M9.0): 광범위한 지역에 걸쳐 동시에 위험이 발생하지만, 국지적인 지각 단층 지진에 비해 도시 중심부의 PGF 는 약 25% 낮게 예측되었습니다. 그러나 인구와 상업 시설이 동시에 영향을 받는 규모는 훨씬 큽니다.
• 영향 평가:
  • 인프라: 댐과 교량의 약 40% 가량이 M9.0 시나리오에서 중등도 이상의 액상화 위험에 노출됨을 확인했습니다.
  • 인구: M9.0 시나리오에서 인구 밀도가 높은 지역 (1,000 명/km² 이상) 의 median PGF 는 약 40% 에 달하며, 전 지역 약 400 만 명 이상이 50% 이상의 PGF 에 노출될 것으로 추정됩니다.

5. 의의 및 결론 (Significance)

• 의의: 이 연구는 머신러닝과 지리공간 데이터를 결합하여 기존 지반공학 모델의 정확도를 유지하면서 광역 규모의 액상화 위험을 신속하게 예측할 수 있음을 입증했습니다. 이는 데이터가 풍부한 지역뿐만 아니라 데이터가 부족한 지역에서도 재난 대비 및 회복탄력성 (Resilience) 강화를 위한 핵심 도구가 됩니다.
• 결론: 개발된 GLM 은 지반 역학에 기반한 물리적 이해를 포함하면서도 현장 데이터를 통합하여 불확실성을 줄인 혁신적인 접근법입니다. 85 가지 지진 시나리오에 대한 예측 결과는 공개되어 있으며, 정책 입안자, 엔지니어, 계획가들이 액상화 위험을 사전에 평가하고 대응 전략을 수립하는 데 필수적인 자원으로 활용될 수 있습니다.

참고: 본 요약은 제공된 논문의 초록, 서론, 방법론, 결과 및 결론 섹션을 기반으로 작성되었습니다.