Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

지구가 끊임없이 움직이고 날씨가 순식간에 격변할 수 있는 높고 험준한 산악 지대에서는, 특정 유형의 재난이 생명과 기반 시설에 끊임없는 위협을 가합니다. 이것은 바로 토석류(debris flow)로, 진흙, 바위, 물이 뒤섞여 급경사를 따라 파괴적인 힘으로 몰려 내려오는 빠른 흐름입니다. 수백 미터 정도에서 멈출 수 있는 단순한 산사태와 달리, 토석류는 수 킬로미터를 이동하며 경로에 있는 모든 것을 휩쓸고 지나가 도로, 교량, 마을을 수 톤의 잔해 아래에 파묻어 버릴 수 있습니다. 이러한 사건은 도로 건설과 같은 인간의 개발이 불안정한 언덕을 깎아내거나, 기후 변화로 인해 폭우와 빠른 눈 녹음이 빈번해지는 지역에서 특히 위험합니다. 이러한 흐름이 발생할 가능성이 가장 높은 곳을 이해하는 것은 단순히 학술적인 연구가 아니라, 이 험난한 지형을 관통하는 공동체와 중요한 무역 경로의 생존이 걸린 문제입니다.

연구자들은 이러한 재난을 예측하기 위해 다양한 도구에 의존해 왔습니다. 어떤 이들은 지질학자들이 지도를 보고 경험을 바탕으로 위험해 보이는 구역을 결정하는 전문가적 판단에 의존합니다. 다른 이들은 특정 지형에서 과거에 재난이 얼마나 자주 발생했는지를 계산하는 통계적 방법을 사용합니다. 최근에는 과학자들이 고급 컴퓨터 프로그램인 머신러닝(machine learning)을 사용하기 시작했는데, 이는 방대한 양의 데이터를 학습하여 인간이 놓칠 수 있는 복잡한 패턴을 찾아낼 수 있습니다. 그러나 이러한 컴퓨터 모델은 종로종종 결론에 도달한 이유를 명확히 설명하지 못한 채 예측만 수행하는 '블랙박스'처럼 작동하곤 합니다. 중국과 파키스탄을 잇는, 지구상에서 가장 지질학적으로 활발한 지형 중 하나를 통과하는 핵심 구간인 카라코람 하이웨이(Karakoram Highway)를 대상으로 한 새로운 연구는 이러한 다양한 접근 방식들을 비교하고자 했습니다. 연구팀은 어떤 방법이 가장 효과적인지 확인하고, 결정적으로 현대적 기술을 사용하여 이 '블랙박스'를 열어 어떤 요인들이 이 치명적인 흐름을 유발하는지 정확히 이해하고자 했습니다.

카라코람 하이웨이는 이 지역의 생명선이지만, 동시에 극도로 위험한 곳이기도 합니다. 이 도로는 세 개의 주요 산맥이 충돌하는 지대를 통과하며, 이로 인해 가파른 절벽, 깊은 계곡, 그리고 지진과 침식에 의해 끊임없이 재편되는 풍경이 만들어졌습니다. 이 고속도로는 토석류로 인해 길이 막혀 무역이 중단되거나 여행객들이 몇 주 동안 고립되는 역사를 가지고 있습니다. 위험을 이해하기 위해 중국, 파키스탄, 사우디아라비아 대학의 과학자들로 구성된 연구팀은 고속도로를 따라 발생했던 104건의 과거 토석류 사건에 대한 상세한 기록을 수집했습니다. 이들은 현장 방문을 통해 62곳의 지점을 직접 검증했으며, 나머지 42곳은 고해 resolución 위성 이미지를 사용하여 식별함으로써 과거에 재난이 발생했던 위치에 대한 신뢰할 수 있는 지도를 제작했습니다.

이 인벤토리를 확보한 연구진은 미래에 토석류가 발생할 위치를 예측하기 위해 다섯 가지 서로 다른 방법을 테스트했습니다. 그들은 전문가의 의견과 통계적 규칙에 의존하는 두 가지 전통적인 방식과 세 가지 고급 컴퓨터 모델을 비교했습니다. 전통적인 방식에는 경사도나 강수량과 같은 요인의 중요성을 전문가가 순위를 매기는 과정과, 과거 사건과 특정 지형 특성 사이의 단순한 관계를 살펴보는 방식이 포함되었습니다. 컴퓨터 모델에는 데이터 속의 복잡하고 비선형적인 연결 고리를 찾아내도록 설계된 강력한 머신러닝 알고리즘인 랜덤 포레스트(Random Forest)와 XGBoost가 포함되었습니다. 연구팀은 고도, 경사도, 도로와의 거리, 토양 유형, 강수량, 눈과 식생 피복량 등 지형에 관한 13가지 정보를 이 모든 모델에 입력했습니다.

결과는 정확도 측면에서 명확한 승자를 보여주었습니다. 머신러닝 모델이 전통적인 방식보다 성능이 훨씬 뛰어났습니다. 랜덤 포레스트 모델은 안전한 지역과 위험한 지역을 구분하는 데 가장 정확했으며, 높은 신뢰도로 과거 토석류 발생 위치를 식기적으로 식별해 냈습니다. XGBoost 모델은 그 뒤를 바짝 쫓으며 전문가 기반 및 통계적 접근 방식보다 우수한 성능을 보여주었습니다. 전통적인 방식은 유용하긴 했지만, 일부 지역의 위험을 과대평가하거나 토석류가 시작될 가능성이 높은 특정 국지적 지점을 놓치는 경향이 있었습니다. 컴퓨터 모델은 위험이 지형 전체에 고르게 퍼져 있는 것이 아니라, 가파른 경사가 활발한 수로와 만나는 특정 고위험 구역에 집중되어 있다는 점을 더 잘 인식했습니다.

이 연구의 가장 가치 있는 기여는 단지 최고의 모델을 찾는 것뿐만 아니라, 그 모델이 어떻게 작동하는지를 설명하는 데 있었습니다. 머신러닝 모델은 해석하기 어려운 경우가 많기 때문에, 연구진은 각 요인이 컴퓨터의 결정에 얼마나 영향을 미쳤는지 보여주는 스포트라이트 역할을 하는 SHAP 기법을 사용했습니다. 연구 결과, 토석류의 가장 결정적인 동력은 단 하나의 요인이 아니라 여러 요인이 함께 작용하는 조합이라는 것이 밝혀졌습니다. 토양에 축적되는 수량, 경사도, 그리고 하천과의 근접성이 가장 중요한 기여 요인이었습니다. 그러나 연구는 중요한 상호작용을 드러냈는데, 바로 도로의 존재가 위험을 크게 증가시킨다는 점이었습니다. 도로가 가파른 지형을 가로지를 때 자연적인 배수를 방해하고 토양을 불안정하게 만들어, 폭우나 눈 녹음이 발생할 때 경사면이 붕괴할 가능성을 훨씬 높입니다. 컴퓨터 모델은 이러한 자연적 조건(가파른 경사와 수량 집중)이 인간의 간섭과 만나는 곳에서 위험이 가장 높다는 것을 보여주었습니다.

또한 이 연구는 이 지역의 기후와 지질의 구체적인 역할을 강조했습니다. 이 지역은 집중적인 계절적 강우와 빠른 눈 녹음에 취약하며, 이는 느슨한 토양을 흐르는 토석류로 바꾸는 데 필요한 물을 제공합니다. 지면 자체도 주요 단층선에 의해 균열이 가 있어 암석과 토양이 본질적으로 불안정합니다. 물이 이 균열 속으로 스며들어 얼면 부피가 팽창하여 암석을 더욱 파쇄하며, 이는 쉽게 쓸려 내려갈 수 있는 느슨한 물질을 만들어냅니다. 연구진은 머신러링 모델이 이러한 복잡한 상호작용을 성공적으로 포착하여, 물과 잔해가 모이는 좁은 계곡과 지류 하천의 입구에서 위험이 가장 높다는 것을 식별해 냈음을 발견했습니다.

이 연구에서 제작된 지도는 카라코람 하이웨이의 위험을 관리하기 위한 실질적인 도구를 제공합니다. 토석류 발생 확률이 가장 높은 구역을 정확히 짚어냄으로써, 엔지니어와 계획가들은 가장 필요한 곳에 역량을 집중할 수 있습니다. 도로 전체를 보강하는 대신, 자원을 교량이나 배수 구조물과 같이 도로가 차단되거나 파괴되기 쉬운 특정 '병목 지점'에 집중할 수 있습니다. 연구는 식별된 고위험 구역의 배수 시스템을 업그레이드하고, 방호벽을 설치하며, 가파른 절토 사면을 보강하는 것이 고속도로의 회복력을 크게 향다면 할 수 있다고 제안합니다. 나아가, 이러한 사건을 더 높은 정확도로 예측할 수 있다는 것은 조기 경보 시스템을 더 잘 조정할 수 있음을 의미하며, 재난이 닥치기 전 여행객과 지역 사회에 대응할 수 있는 충분한 시간을 줄 수 있습니다.

이 연구는 복잡한 환경에서 자연재해에 접근하는 방식의 변화를 강조합니다. 전문가의 지식과 기초 통계가 제 역할을 하긴 하지만, 방대한 데이터를 처리하고 숨겨진 패턴을 찾아내는 머신러닝의 능력은 위험을 이해하는 데 있어 더 정밀한 방법을 제공합니다. 이 연구는 카라코람 하이웨이가 높은 취약성을 가진 통로임을 확인시켜 주는 동시에, 명확한 해결책 또한 제시합니다. 가파른 지형, 물의 흐름, 그리고 인간의 활동이 결합하여 이러한 재난을 일으키는 구체적인 메커니즘을 이해함으로써, 자연의 강력한 힘에 맞서 견딜 수 있는 더 안전하고 회복력 있는 기반 시설을 구축하는 것이 가능해집니다. 이 연구 결과는 카라코람 하이웨이뿐만 아니라 유사한 과제를 안고 있는 전 세계 다른 산악 지역을 위한 청사진 역할을 합니다.