Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

중국 남서부의 험준한 산악 지형에서는 때때로 지표면이 갑작스럽고 파괴적인 힘으로 움직이곤 합니다. 산사태는 이 가파른 계곡에 거주하는 사람들의 생명, 주거지, 그리고 기반 시설에 지속적인 위협이 되고 있습니다. 수십 년 동안 과학자와 엔지니어들은 어디에서 다음 재난이 발생할지 예측하기 위해 컴퓨터 모델에 의존해 왔습니다. 이러한 모델은 패턴을 찾아내는 데 매우 뛰어납니다. 이들은 경사도가 얼마나 가파른지, 강수량이 얼마나 되는지, 혹은 토양 아래에 어떤 종류의 암석이 있는지와 같은 요인들을 분석함으로써 지도상의 특정 지점을 보고 "이곳은 위험해 보인다"라고 말할 수 있습니다. 그러나 패턴을 포착하는 것과 원인을 이해하는 것 사이에는 결정적인 차이가 있습니다. 지표면이 가파른 곳에서 산사태가 자주 발생한다는 사실을 아는 것이, 만약 우리가 경사도를 바꿀 수 있거나 토양 속의 수분량을 조절할 수 있다면 어떤 일이 벌어질지에 대해 자동으로 알려주는 것은 아닙니다. 위험을 진정으로 관리하기 위해서는 단순히 산사태와 연관된 것이 무엇인지뿐만 아니라, 우리가 개입했을 때 위험이 실제로 어떻게 높아지거나 낮아지는지를 알아야 합니다.

이것이 바로 충칭 폴리테크닉 전자 기술 대학교, 충칭 사범 대학교, 그리고 베이징 대학교의 연구진이 해결하고자 했던 과제입니다. 그들은 극적인 지형과 급격한 도시 성장으로 유명하며, 자연과 인간 활동의 교차점이 지질학적 재해를 이해하는 새로운 방법을 테스트하기 위한 완벽한 실험실이 되는 충칭에 초점을 맞추어 연구를 진행했습니다. 연구진은 단순히 어떤 요인이 산사태를 예측하는가라는 질문 대신, 더 어렵고 근본적인 질문을 던졌습니다. 즉, "만약 우리가 특정 환경 요인을 변화시킨다면, 산사태의 위험은 어떻게 변할 것인가?"였습니다. 이를 위해 그들은 표준적인 예측 도구를 넘어 'T-러너(T-learner)'라고 알려진 방법을 적용했습니다. 이 접근 방식은 연구자들이 '만약 ~한다면'이라는 시나리오를 시뮬레이션하여, 다른 모든 지형적 조건들을 세심하게 고려하면서도 폭우와 같은 특정 요인의 수준이 높을 때와 낮을 때의 위험 차이를 추정할 수 있게 해줍니다.

연구진은 산사태가 발생한 위치 절반과 발생하지 않은 위치 절반을 포함하여 3만 개 이상의 기록이 담긴 방대한 데이터셋으로 시작했습니다. 그들은 지형의 높이와 경사각부터 토양에서 증발하는 수분량, 강과의 거리, 하부 암석의 종류에 이르기까지 각 위치에 대한 17가지의 서로 다른 정보를 수집했습니다. 강력한 컴퓨터 학습 알고리즘을 사용하여, 연구진은 먼저 산사태 발생지와 안전한 지역을 구별하는 패턴을 인식하도록 모델을 훈련시켰습니다. 이 모델은 매우 정확하여 테스트 데이터에서 산사태 위치를 높은 성공률로 식별해 냈습니다. 그러나 연구진은 높은 정확도만으로는 인과관를 밝힐 수 없다는 점을 알고 있었습니다. 모델은 도로가 가파른 경사면에 건설되었기 때문에 도로 근처에서 산사태가 발생하는 것으로 학습할 수도 있지만, 이는 도로 자체가 산사태를 유발하기 때문이 아닐 수도 있습니다. 이 문제를 풀기 위해 그들은 T-러너를 사용하여 각 요인을 변화시켰을 때의 평균적인 효과를 추정했습니다.

연구 결과는 이 지역의 산사태 위험을 주도하는 요인들에 대해 미묘하고 정교한 관점을 제공했습니다. 분석 결과, 가장 큰 추정 반사실적 위험 차이(counterfactual risk differences)를 보인 세 가지 요인은 증발산량(evapotranspiration), 강수량, 그리고 고도였습니다. 증발산량은 토양과 식물로부터 공기 중으로 이동하는 수분의 양을 측정하는 지표인데, 본 연구에서는 이 과정이 높은 지역이 산사태 예측 위험이 더 낮은 것과 관련이 있었습니다. 마찬가지로, 높은 고도와 높은 총 강수량 또한 이 특정 모델 내에서는 낮은 위험과 연결되었습니다. 연구진은 강수량에 관한 이 결과가 강수량을 늘리라는 직접적인 개입 권고로 번역되어서는 안 된다고 주의를 주었습니다. 그들은 이 결과가 즉각적인 트리거(유발 요인)보다는 장기적인 조건을 반영하는 것일 가능성이 높다고 설명했습니다. 예를 들어, 연간 강수량이 많은 지역은 토양을 붙잡아두기에 더 적합한 식생을 갖추고 있거나, 데이터가 즉각적인 붕괴를 일으키는 돌발 폭우와는 다른 측면의 물 순환을 포착하고 있을 수 있다는 것입니다. 반면, 강수 강도(비가 내리는 속도)는 양(+)의 효과를 보였는데, 이는 비가 더 빠르고 격렬하게 내릴수록 위험이 높아진다는 일반적인 이해와 일치합니다.

또한 이 연구는 컴퓨터 모델이 중요하다고 판단하는 것과 실제로 위험의 변화를 일으키는 것 사이의 결정적인 차이를 강조했습니다. 연구진은 모델이 예측을 수행하는 데 얼마나 도움이 되는지를 기준으로 요인의 순위를 매기는 표준 방법인 SHAP과 자신들의 새로운 '만약 ~한다면' 추정치를 비교했습니다. 표준적인 순위에서는 증발산량이 가장 중요한 요인이었으며, 강수량과 고도가 그 뒤를 이었습니다. 순위는 비슷했지만 의미는 달랐습니다. 표준 방식은 이 요인들이 산사태가 어디서 일어날지 '추측'하는 데 가장 좋다고 말하는 반 것이지만, 새로운 방식은 이 요인들을 변화시킨다면 위험이 크게 변할 것이라는 점을 시사했습니다. 예를 들어, 연구는 증발산량에 대한 추정 위험 차이가 전통적으로 산사야 과학에서 가장 결정적인 요인으로 간주되는 경사도보다 더 크다는 것을 발견했습니다. 그러나 연구진은 이러한 패턴이 증발산량이 경사도보다 더 강력한 직접적 인과 관계를 가진다는 것을 입증했다는 뜻은 아니라고 명시적으로 언급했습니다. 처리에 대한 정의, 공간적 공변성, 그리고 측정되지 않은 혼란 변수 등이 상대적 순위에 영향을 미칠 수 있으므로, 이 결과는 확정적인 인과적 강도의 증거라기보다는 추가 검증을 위한 가설로 간주되어야 합니다.

이러한 흥미로운 발견에도 불구하고, 연구진은 자신들 연구의 한계를 명확히 규정했습니다. 그들은 이 연구가 수년에 걸쳐 변화를 추적한 것이 아니라 데이터를 한꺼번에 수집한 '스냅샷'임을 강조했습니다. 따라서 한 요인이 다른 요인을 확실히 유발한다고 증명할 수 없으며, 토양의 유형이나 과거의 인간 공학적 설계와 같은 숨겨진 요인이 환경 조건과 산사태 위험 모두에 영향을 미쳤을 가능성을 배제할 수 없습니다. 또한 그들은 결과가 충칭의 산악 및 습윤 환경에 특화된 것이며, 건조한 사막이나 평원에는 적용되지 않을 수 있다고 언급했습니다. 이 연구는 단순한 예측을 넘어 인과관계에 대한 더 깊은 질문을 던질 수 있음을 보여주는 강력한 탐색적 프레임워크 역할을 합니다. 이는 향후 산사태 예방 노력이 물 순환과 식생을 면밀히 살펴봐야 함을 시사하지만, 엔지니어들에게 정확히 무엇을 건설하거나 어디를 파야 하는지 알려주는 단계까지는 나아가지 않습니다. 대신, 이 연구는 미래의 연구들이 시간에 따른 변화를 추적하고 이러한 추정된 효과가 실제 세계에서도 유효한지 확인할 수 있도록 유도하는 새로운 가설의 집합을 제공합니다.

이 연구의 궁극적인 가치는 예측의 신호와 인과의 신호를 분리하는 능력에 있습니다. 첨단 통계 도구를 실제 문제에 적용함으로써, 연구팀은 재난을 예측하는 데 사용하는 요인이 반드시 재난을 예방하기 위해 목표로 삼아야 할 요인과 같지는 않다는 것을 입로 증명했습니다. 그들은 컴퓨터가 매우 정밀하게 위험한 언덕을 찾아낼 수 있지만, 왜 그 언덕이 위험한지를 이해하려면 다른 종류의 사고가 필요하다는 것을 보여주었습니다. 결론적으로, 연구진은 충칭의 산사태 인과관계에 대한 미스터리를 아직 완전히 풀었다고 주장할 수는 없지만, 비, 토양, 그리고 경사 사이의 복잡한 관계를 이해하는 데 있어 중요한 발걸음을 내디뎠다고 밝히고 있습니다. 이 새로운 관점은 더 나은 데이터와 더욱 엄격한 테스트를 통해 이러한 인과적 연결을 검증하는 것을 우선순위로 두는 미래 연구의 로드맵을 제시하며, 궁-극적으로 이러한 도전적인 지형 속에서 더 안전한 공동체를 만드는 데 기여할 것입니다.