Machine-Learning-Based Landslide Susceptibility Mapping Using an InSAR- Refined Inventory in the Mandi district, Northwestern Himalaya, India, Himalaya region

지구 표면을 거대한 슬로 모션 퍼즐이라고 상상해 보세요. 때때로 이 퍼즐의 조각들—산비탈, 언덕, 경사면—이 아래로 미끄러지기로 결심하곤 합니다. 그렇게 되면 이를 산사태라고 부르며, 이는 그 경로에 있는 사람, 도로, 가옥에 재앙이 될 수 있습니다. 과학자들은 오랫동안 다음 산사태가 어디서 발생할지 예측하려고 노력해 왔습니다. 전통적으로 그들은 '정적(static)'인 단서들을 살펴보았습니다: 경사가 얼마나 가파른지, 어떤 종류의 암석으로 이루어져 있는지, 그곳에 비가 얼마나 내리는지, 그리고 과거에 어떤 산사태가 일어났었는지와 같은 것들 말입니다. 이것은 마치 자동차의 사고 이력과 도로 상태만 보고, 운전자가 현재 차선을 이탈하고 있다는 사실은 알아차리지 못한 채 자동차 사고를 예측하려는 것과 같습니다.

하지만 지구는 역동적입니다. 중력, 비, 그리고 지각판의 무게 아래에서 끊임없이 움직이고, 변하고, 신음합니다. 산사태가 발생하기 전에 이를 포착하려면, 과학자들은 사고가 나기 전의 '차선 이탈'을 볼 수 있어야 합니다. 여기서 특별한 종류의 우주 기술이 등장합니다. 위성을 하늘 위에 떠 있는 거대하고 초정밀한 눈이라고 생각해보세요. 이 눈은 지면이 불과 몇 밀리미터 움직이는 것까지 측정할 수 있습니다. 마치 사람이 넘어지기 전 아주 작은 발걸음을 떼는 것을 알아채는 것과 같습니다. 이러한 '우주의 눈'을 패턴을 학습하는 강력한 컴퓨터 프로그램(머신 러닝)과 결합함으로써, 과학자들은 훨씬 더 정교한 위험 지도를 구축할 수 있습니다. 이것은 단순히 오래된 지도를 보는 것이 아닙니다. 지면이 숨을 쉬고 움직이는 것을 실시간으로 관찰하여, 지면이 언제 놓여버릴지를 보는 것입니다.

---

논문의 이야기: 지구의 은밀한 움직임을 포착하다

인도 북서부 히말라야의 만디(Mandi) 지역은 지형이 다소 극적입니다. 이곳은 가파른 산악 지형, 무거운 몬순 폭우, 그리고 활발한 지구 구조적 단층(지각의 균열)이 존재하는 곳입니다. 수년 동안 과학자들과 관계자들은 이 지역의 어느 부분이 미끄러질 가능성이 높은지 지도화하려고 노력해 왔습니다. 과거에는 '정적 인벤토리'—기본적으로 이미 발생하여 오래된 데이터베이스에 기록된 산사태 목록—에 의존했습니다. 하지만 이 논문의 저자들은 이러한 접근 방식이 어제의 신문만을 보고 내일의 날씨를 예측하려는 것과 같다는 점을 깨달았습니다. 그것은 지금 이 순간 일어나고 있는, 산사태의 징후가 되는 미묘하고 느린 움직임들을 놓치고 있었습니다.

그래서 악샤이 라즈 마노차(Akshay Raj Manocha)와 그의 동료들이 이끄는 팀은 탐정 업무를 업그레이드하기로 했습니다. 그들은 2023년부터 2024년까지 만디 지역을 스캔하는 고성능 레이더 카메라 역할을 하는 센티넬-1(Sentinel-1) 위성 데이터를 확보했습니다. 그들은 이 데이터를 처리하기 위해 **지속적 산란체 간섭계(PSI)**와 **소기선 부분 집합(SBAS)**이라는 두 가지 영리한 기술을 사용했습니다. 이 기술들을 지구의 심장 박동 소리를 듣는 두 가지 서로 다른 방법이라고 생각하면 됩니다. PSI는 바위나 건물처럼 안정적이고 단단한 지점에 집중하는 데 탁월하며, SBAS는 식생이 있는 지역의 더 부드럽고 광범위한 움직임을 포착하는 데 더 적합합니다. 이 두 기술을 결합하여 그들은 지면이 미끄러지거나 이동하는 곳을 정확히 보여주는 초정밀 지면 변형 지도를 만들어냈습니다. 즉, 아직 사고가 나지 않았더라도 지면이 어떻게 기어가고, 미끄러지고, 이동하고 있는지를 보여준 것입니다.

위대한 발견: 숨겨진 산사태를 찾다

팀은 이 새로운 고성도 움직임 데이터를 사용하여 기존의 산사태 목록을 수정했습니다. 그들은 위성의 '크립 맵(creep map, 서행 이동 지도)'을 정부의 기존 산사태 데이터베이스와 비교했습니다. 결과는 놀라웠습니다. 기존의 목록은 실제 상황을 놓치고 있었습니다. 위성 데이터를 활용함으로써, 그들은 아무도 지도에 표시하지 않았던 36개의 새로운 산사태를 찾아냈습니다. 이는 기존의 알려진 산사태 목록을 **18%**나 늘린 결과였습니다. 이는 모두가 완전하다고 믿었던 지도에서 36개의 숨겨진 보물 상자를 찾아낸 것과 같았습니다.

하지만 그들은 단순히 산사태를 찾는 데서 멈추지 않았습니다. 그들은 다음 산사태가 어디서 발생할지 예측하고 싶었습니다. 이를 위해, 그들은 'InSAR로 정교화된' 업데이트된 산사태 목록을 네 가지 서로 다른 컴퓨터 학습 모델(데이터로부터 학습하는 알고 알고리즘)인 XGBoost(XGB), 랜덤 포레스트(Random Forest), 로지스틱 회귀(Logistic Regression), 그리고 **다층 퍼셉트론(Multilayer Perceptron)**에 입력했습니다. 또한 경사도, 도로와의 거리, 암석의 종류, 강수량 등 산사태를 유발할 수 있는 12가지의 다양한 요인들을 테스트했습니다.

승자와 게임의 규칙

컴퓨터 모델들은 어떤 모델이 산사태를 가장 잘 예측하는지 확인하기 위해 '패턴 찾기' 게임을 벌였습니다. 승자는 **XGBoost(XGB)**였습니다. 이 모델은 특히 연구진이 3,000미터 크기의 블록을 사용하는 '공간 블록 교차 검증(spatial block cross-validation)' 방법을 사용했을 때 가장 정확했습니다. 이것은 모델이 단순히 특정 동네를 암기하는 것이 아니라, 전체 게임의 규칙을 실제로 배우고 있는지 확인하기 위해 지도의 여러 구역에서 테스트하는 과정이라고 생각하면 됩니다.

결과는 인상적이었습니다. 기존의 정적인 목록 대신 위성으로 업데이트된 목록을 사용함으로써, 모델의 정확도(AUC 점수로 측정됨)는 12~15% 급증했습니다. 이는 지면이 현재 어디서 움직이고 있는지를 아는 것이, 그 지면이 결국 어디서 무너질지를 예측하는 데 엄청난 차이를 만든다는 것을 시사합니다.

무엇이 지면을 미끄러지게 만드는가?

컴퓨터 모델들은 또한 탐정처럼 작용하여 어떤 단서가 가장 중요한지를 지목했습니다. 산사태 발생에 가장 큰 지문을 남긴 '용의자'들은 다음과 같습니다:

1. 경사(Slope): 경사도는 첫 번째 요인입니다. 언덕이 가파를수록 미끄러질 가능성이 높습니다.
2. 도로와의 거리: 놀랍게도, 도로와 가까울수록 산사태가 발생할 확률이 높아집니다. 이는 도로 건설이 흔히 산비탈을 깎아내고 배수 방식을 변화시켜 경사면을 약화시키기 때문입니다.
3. 단층과의 거리: 지각의 균열(단층) 근처 지역은 암석이 이미 부서지고 약해져 있기 때문에 더 불안정합니다.
4. 강수량: 폭우는 토양을 적시고 흙을 무겁고 미끄럽게 만들어, 마지막 결정타 역할을 합니다.

연구팀은 최종 지도를 다섯 가지 구역(매우 낮음, 낮음, 보통, 높음, 매우 높음)으로 나누었습니다. 그들은 높음 및 매우 높음 위험 구역이 지역의 약 **25%**를 차지한다는 것을 발견했습니다. 더욱 좋은 점은, 이 지도가 정확했다는 것입니다. 그들이 발견한 산사태(기존의 것과 36개의 새로운 것 모두)의 대다수가 바로 이 고위험 구역에 위치해 있었습니다.

한계와 미래

이 논문은 이것이 마법의 수정 구슬이 아니라는 점을 분명히 하고 있습니다. 위성 기술에는 한계가 있습니다. 숲이 매우 울창하거나 지형이 극도로 가파르고 암석이 많은 지역에서는 레이더 신호가 교란되는 현상(데코릴레이션, decorrelation이라 불리는 문제)이 발생하여, 지역의 약 15~20% 구간에서는 지면의 움직임을 관찰할 수 없었습니다. 또한, 컴퓨터 모델은 현재 보유한 데이터를 기반으로 하므로, 기후 변화가 미래에 비를 얼마나 더 무겁게 만들지에 대해서는 아직 고려하지 않았습니다.

그러나 이 연구는 강력한 점을 입증합니다. 지면의 움직임을 보는 '우주의 눈'과 스마트한 컴퓨터 모델을 결합함으로써, 우리는 정적이고 시대에 뒤떨어진 위험 지도에서 벗어나 살아 움직이는 지도로 나아갈 수 있습니다. 이는 산사태가 발생하기 전 지구의 경고 신호를 포착하는 방법이며, 히말라야의 사람들과 도로를 보호할 수 있는 더 나은 기회를 제공합니다.