Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

산사태는 부유한 국가와 개발도상국 모두에서 도로를 삼키고, 가옥을 매몰시키며, 인명을 앗아갈 수 있는 가장 파괴적인 자연의 힘 중 하나입니다. 산사태는 우연히 발생하지 않습니다. 이는 특정한 조건들이 결합된 결과입니다. 가파른 지형, 불안정한 암석층, 그리고 건설이나 삼림 벌채와 같은 인간의 활동은 취약한 기반을 만듭니다. 폭우나 지진과 같은 촉매제가 도착하면 지반이 무너져 내립니다. 수십 년 동안 과학자들은 이러한 사건들을 연구해 왔지만, 그 작업의 상당 부분은 특정 지역에 집중되었습니다. 전 지구적인 그림을 진정으로 이해하기 위해서, 연구자들은 수천 건의 사건을 함께 바라볼 때 나타나는 패턴을 포착할 방법을 필요로 했습니다. 이를 위해서는 단순히 산사태가 어디서 언제 발생했는지뿐만 아니라, 규모가 얼마나 컸으며 얼마나 많은 사람에게 영향을 미쳤는지까지 추적하는 방대한 기록의 집합체, 즉 글로벌 인벤토리가 필요합니다. 이러한 데이터셋이 있다면, 과학자들은 추측을 넘어 위험의 진정한 형태를 보기 시작할 수 있습니다.

미국 전역의 대학 출신 연구진은 이 거대한 질문들에 답하기 위해 '글로벌 산사태 카탈로그(Global Landslide Catalog)'를 활용했습니다. 이 카탈로그는 1996년부터 2016년까지 보고된 산사태 사건들을 담고 있는 포괄적인 기록으로, 2,217건의 문서화된 사건을 포함하고 있습니다. 연구팀의 목적은 다음 산사태를 예측하는 것이 아니라, 이 숫자들이 들려주는 이야기를 이해하는 것이었습니다. 그들은 이러한 사건의 빈도가 시간이 흐름에 따라 어떻게 변했는지, 지도상의 어디에 밀집되어 있는지, 그리고 위치와 시기에 따라 산사태의 크기를 예측할 수 있는지 조사했습니다. 이를 위해 그들은 컴퓨터가 명시적인 규칙을 프로그래밍받지 않고도 데이터 속의 패턴을 인식하도록 학습하는 방법인 머신러닝을 적용했습니다. 그들은 카탈록에 있는 연도, 지리적 좌표, 해당 지역의 인구 밀도와 같은 정보를 바탕으로 산사태를 소규모, 중규모, 대규모의 크기 범주로 분류할 수 있는지 확인하기 위해 여러 가지 서로 다른 컴퓨터 모델을 테스트했습니다.

결과는 불균등한 분포를 명확하게 보여주었습니다. 산사태는 지구 전역에 무작위로 흩어져 있는 것이 아니라, 특정 지역에 밀집되어 있습니다. 이러한 핫스팟은 가파른 산악 지대, 폭우, 그리고 활발한 지각 운동이 일어나는 지역과 완벽하게 일치합니다. 데이터 또한 연구 기간 동안 보고된 사건의 수가 증가했음을 보여주었습니다. 연구진은 이러한 증가가 여러 요인의 결합 때문일 가능성이 높다고 제안합니다. 즉, 위험한 지역에 거주하는 사람이 늘어난 것, 더 극단적인 날씨를 몰고 오는 기후 변화, 그리고 이러한 사건을 보고하고 기록하는 방식의 개선 등이 그것입니다. 연구팀이 산사태의 크기를 살펴보았을 때, 중규모 사건이 보고의 대다수를 차지했으며, 정말 거대하고 파괴적인 산사태는 상대적으로 드물다는 것을 발견했습니다. 이러한 불균형은 위험을 이해하는 데 매우 중요한데, 이는 빈도가 낮은 대규모 사건이라 할지라도 불균형적으로 큰 피해와 인명 손실을 초েক 수 있기 때문입니다.

연구진은 이어서 어려운 질문을 던졌습니다. 컴퓨터 모델이 단지 시간과 장소만을 보고 작은 산사태와 큰 산사태를 구별할 수 있을 것인가? 그들은 데이터를 '랜덤 포레스트(Random Forest)'와 '서포트 벡터 머신(Support Vector Machines)'을 포함한 네 가지 서로 다른 머신러닝 시스템에 입력했습니다. 또한, 복잡한 데이터를 몇 개의 핵심 패턴으로 결합하여 변수를 단순화함으로써 모델을 더 똑똑하게 만들고자 하는 '주성분 분석(Principal Component Analysis)' 기법도 시도했습니다. 결과는 미미했습니다. 가장 우수한 모델들도 산사태의 크기를 정확하게 분류해낸 확률은 약 58~60%에 불과했습니다. 이는 복잡한 문제에 대한 무작위 추측보다 겨우 나은 수준입니다. 컴퓨터 모델은 사건이 발생한 연도와 위치를 가장 유용한 단서로 찾아냈으며, 보고된 사망자 수는 크기를 예측하는 데 거의 도움이 되지 않았습니다. 이는 사망자가 사건의 원인이 아니라 결과이기 때문에 타당한 결과입니다.

아마도 가장 시사하는 바가 큰 발견은 데이터를 단순화하는 것이 도움이 되지 않았다는 점입니다. 연구진은 변수의 수를 줄이면 패턴이 명확해질 것이라고 기대했지만, 정반대의 결과가 나타났습니다. 모델은 단순화된 버전보다 원래의 상세한 데이터를 사용했을 때 약간 더 나은 성능을 보였습니다. 이는 각 사건의 구체적인 세부 사항이 중요하다는 것을 시사하며, 산사태 규모를 이해하는 데 필요한 정보가 데이터를 압축할 때 손실되는 수많은 다양한 요인들에 흩어져 있음을 의미합니다. 또한 모델은 서로 다른 크기 범주들이 데이터상에서 상당히 많이 겹쳐 있기 때문에 어려움을 겪었습니다. 기본 위치 정보만 고려할 때, 한 지역의 중규모 산사태는 다른 지역의 대규모 산사태와 매우 유사해 보일 수 있습니다.

이 연구는 글로벌 산사लाइड 카탈로그가 강력한 도구이긴 하지만 한계가 있다고 결론짓습니다. 이 카탈로그는 전 세계적인 산사태 활동의 대략적인 흐름을 파악하는 데는 귀중한 자원이지만, 특정 사건에 대한 정밀한 예측을 내리는 데 필요한 상세한 환경 데이터를 결여하고 있습니다. 데이터는 불완전하며 보고 방식 또한 균일하지 않아, 컴퓨터가 게임의 정확한 규칙을 학습하는 것을 어렵게 만듭니다. 연구진은 향후 과제가 이러한 공백을 메우는 데 집중되어야 한다고 강조합니다. 진정한 위험 평가와 더 나은 모델 구축을 위해서는 토양, 날씨, 그리고 국지적 지형에 대한 상세한 정보를 포함한 더 완전한 기록이 필요합니다. 그때까지 우리의 이해는 우리가 볼 수 있는 패턴에 의해 안내되지만, 아직 포착하지 못한 세부 사항들에 의해 제한되는, 계속 진행 중인 작업으로 남을 것입니다.