From Heuristic Models to GeoAI: A Scientometric and Thematic Evolution of Landslide Susceptibility Mapping Approaches

산사태는 고속도로를 집어삼키고, 마을을 매몰시키며, 순식간에 지형을 재편할 수 있는 지구상에서 가장 파괴적인 힘 중 하나입니다. 수십 년 동안 과학자들은 이러한 사건이 발생할 가능성이 가장 높은 지역을 예측하기 위해 노력해 왔으며, 위험도가 높은 구역을 강조하는 지도를 제작해 왔습니다. 산사태 취약성 지도라고 불리는 이 지도는 가파른 경사, 폭우, 그리고 존재하는 암석이나 토양의 유형과 같은 지면 자체와 이를 유발하는 요인 사이의 관계를 이해하는 데 의존합니다. 이 작업의 초기 단계에서 전문가들은 지형에 대해 알고 있는 바를 바탕으로 결론을 도출하며, 이러한 요인들에 가중치를 부여하기 위해 주로 자신의 경험과 판단에 의존했습니다. 그러나 시간이 흐르면서 연구자들이 사용할 수 있는 도구는 극적으로 변화했습니다. 강력한 컴퓨터, 고해 resolution 위성 이미지, 첨단 소프트웨어의 등장은 과학자들이 단순한 관찰을 넘어 데이터 기반 예측의 영역으로 나아갈 수 있게 해주었으며, 여기서 알고리즘은 인간의 눈에는 보이지 않는 패턴을 찾기 위해 방대한 양의 정보를 처리할 수 있습니다.

모건 주립 대학교(Morgan State University)와 나이지리아 연방 측량 학교(Federal School of Surveying)의 연구진이 수행한 새로운 연구는 이 분야가 지난 20년 동안 어떻게 변화했는지에 대한 포괄적인 시각을 제공합니다. 연구팀은 현장에서 새로운 실험을 수행한 것이 아니라, 산사태 예측의 진화를 추적하기 위해 기존의 과학 문헌을 대대적으로 검토했습니다. 그들은 주요 과학 데이터베이스에서 2006년부터 2026년 사이에 발표된 795편의 피어 리뷰(peer-reviewed) 연구 논문을 수집했습니다. 연구 주제가 시간이 지남에 따라 어떻게 연결되고 변화하는지 분석하도록 설계된 전문 소프트웨어를 사용하여, 그들은 이 분야의 지적 여정을 지도화했습니다. 그들의 목표는 단순히 어떤 방법이 사용되었는지를 파악하는 것뿐만 아니라, 문제에 대한 접근 방식이 인간의 직관에서 인공지능으로 어떻게 전환되었는지를 이해하는 것이었습니다.

분석 결과, 산사태 매핑에 접근하는 과학자들의 방식에서 명확하고 꾸준한 전환이 드러났습니다. 초기 단계인 2006년부터 2012년까지의 연구는 저자들이 '휴리스틱 모델(heuristic models)'이라고 부르는 방식이 지배적이었습니다. 이는 전문가가 자신의 지식에 기반하여 다양한 요인에 가중치를 할당하고, 종종 단순한 통계 도구를 사용하여 자신의 작업을 검증하는 방법입니다. 이 시기에는 원격 탐사(remote sensing), 즉 위성과 항공기를 사용하여 위에서 지구를 관측하는 기술을 통해 더 나은 데이터를 수집하는 데 주된 초점이 맞춰졌습니다. 타임라인이 2013년에서 2018년 사이의 기간으로 이동함에 따라, 연구의 초점은 보다 정량적인 접근 방식으로 전환되었습니다. 연구자들은 머신러닝(machine learning)에 크게 의존하기 시작했는데, 이는 알고-리즘이 모든 특정 규칙에 대해 명시적으로 프로그래밍되지 않고도 데이터를 통해 학습하여 예측을 수행하는 컴퓨터 과학의 한 종류입니다. 이 시대에는 지형의 경사와 안정성을 훨씬 더 정밀하게 이해할 수 있게 해주는 상세한 3D 지형 표현인 디지털 고도 모델(digital elevation models)의 사용이 급증했습니다.

연구진이 2019년부터 2022년까지의 기간을 조사했을 때, 이 분야는 딥러닝(deep learning)의 급격한 도입으로 특징지어지는 새로운 단계에 진입해 있었습니다. 딥러닝은 인간의 뇌가 상호 연결된 노드들을 통해 정보를 처리하는 방식을 모방하는 더 발전된 형태의 인공지능입니다. 연구는 이 기간 동안 발표된 논문 수가 폭발적으로 증가했으며, 전체 데이터셋의 거의 90%가 2018년 이후에 등장했다는 것을 발견했습니다. 문헌의 주제는 여러 다른 알고리즘의 예측을 결합하여 더 견고하고 정확한 결과를 만들어내는 복합 앙상블 모델(ensemble models)을 포함하는 방향으로 확장되었습니다. 또한 연구진은 지표면의 매우 상세한 지도를 만드는 레이저 펄스를 사용하는 LiDAR 기술과, 산사태가 발생하기 전 지표면의 미세한 움직임을 탐지하는 레이더 기술인 InSAR 기술의 통합이 증가하고 있음을 주목했습니다.

가장 최근의 기간인 2023년부터 2026년까지, 연구는 강력한 인공지능 시스템을 이해 가능하고 신뢰할 수 있게 만드는 데 초점이 맞춰진 성숙한 환경을 식별합니다. 산사태를 예측한다는 핵심 목표는 동일하지만, 방법론은 매우 전문화되었습니다. 연구진은 과학자들이 이제 복잡한 알고즘의 '블랙박스'를 열어 인간이 왜 모델이 특정 예측을 내렸는지 이해할 수 있도록 하는 데 전념하는 설명 가능한 인공지능(explainable AI) 분야에 매진하고 있다는 것을 발견했습니다. 이는 도로를 계획하거나 공동체를 대피시키기 위해 지도를 사용하기 전, 그 지도를 신뢰해야 하는 의사 결정권자들에게 매우 중요합니다. 또한 연구는 인프라에 대한 점증하는 강조를 조명하며, 기후 변화와 도시화로 인해 산사태가 더 빈번하고 위험해지는 세상에서 이러한 시스템의 가치가 높아짐에 따라 고속도로와 도시 지역을 보호하는 데 더 많은 연구가 할애되고 있음을 보여줍니다.

이 검토 연구는 과학적 진보의 인간적인 측면도 밝혀냈습니다. 연구진은 글로벌 협력 네트워크를 지도화하였으며, 연구가 아시아, 특히 가장 많은 연구를 생산한 중국에 집중되어 있음을 발견했습니다. 인도, 베트남, 미국 또한 주요 활동 허브로 부상했습니다. 분석 결과, 이러한 연구자들은 고립되어 일하는 것이 아니라, 서로 다른 국가의 팀들이 데이터를 공유하고 모델을 개선하기 위해 함께 협력하는 밀도 높은 협력 네트워크를 형성하고 있었습니다. 이러한 국제적 노력은 다양한 지형과 지질학적 조건에서 새로운 방법을 테스트할 수 있게 함으로써 이 분야를 발전시키는 데 필수적이었습니다.

이러한 상당한 진전에도 불구하고, 연구는 여전히 과제가 남아 있음을 지적합니다. 연구진은 모델이 점점 더 정확해지고 있지만, 여전히 불확실성 문제로 어려움을 겪고 있다고 언급합니다. 모델이 한 번도 본 적 없는 새로운 위치에서 어떻게 작동할지 정확히 아는 것은 종종 어려운 문제이며, 이를 '전이 가능성(transferability)' 문제라고 합니다. 또한 이러한 시스템을 훈련하는 데 사용되는 데이터의 품질에 대한 우려도 있습니다. 만약 과거 산사태 기록이 불완전하거나 부정확하다면 예측 또한 저하될 것입니다. 더욱이, 최신 인공지능 모델의 복잡성은 해석을 어렵게 만들 수 있으며, 이는 모델이 단지 통계적 우연이 아니라 건전한 지질학적 원리에 기반하여 결정을 내리고 있는지 확인하는 데 의문을 제기합니다.

궁극적으로, 이 검토 연구는 산사태 과학의 미래를 위한 로드맵 역할을 합니다. 이는 이 분야가 과거의 단순한 전문가 기반 지도를 훨씬 넘어, 빅데이터와 인공지능에 의해 주도되는 정교한 학문으로 진화했음을 확인시켜 줍니다. 저자들은 다음의 개척지가 단순히 강력할 뿐만 아니라 투명하고 실시간으로 작동할 수 있는 시스템을 만드는 데 있다고 제안합니다. 최신 지형 공간 기술과 첨단 컴퓨팅을 결합함으로써, 과학자들은 자연의 가장 예측 불가능한 재해 중 하나에 맞서 공동체에 임박한 산사태를 더 높은 정밀도와 신뢰성으로 경고할 수 있는 미래를 구축하고자 합니다.