An Interpretable Machine Learning Framework for Rainfall-Related Slope Instability Susceptibility Assessment in Aba Prefecture, China: Sampling Strategy, Spatial Validation, and Susceptibility Score Mapping

중국 남서부의 가파르고 험준한 산악 지대에서는 지표면이 끊임없이 움직입니다. 여름철의 폭우가 토양 속으로 스며들면 지표의 무게가 이동하며, 때때로 산사태가 발생해 산비탈이 미끄러지거나 무너지거나 액체처럼 흘러내리기도 합니다. 이러한 현상은 지질학적 호기심을 넘어, 이 골짜기를 삶의 터전으로 삼는 사람들과 마을에 즉각적인 위협이 됩니다. 수십 년 동안 과학자들은 다음번에 어디에서 이러한 슬라이딩이 발생할지 예측하기 위해 노력해 왔습니다. 그들은 경사도가 얼마나 가파른지, 암석의 종류가 무엇인지, 그리고 비가 얼마나 내렸는지와 같은 요인들을 계산하기 위해 컴퓨터 모델을 사용하여 어떤 사면이 붕괴할 가능성이 높은지를 보여주는 지도를 만듭니다. 그러나 이러한 예측에는 고질적인 문제가 있었는데, 바로 데이터가 불완전하다는 점입니다. 우리는 어디에서 산사태가 발생했는지는 정확히 알지만, 어디에서 발생하지 않았는지는 확실히 알지 못하는 경우가 많습니다. 컴퓨터가 위험을 인식하도록 훈련시키려면, 연구자들은 위험한 사례와 비교할 '안전한' 사례를 직접 만들어내야 합니다. 만약 이 안전한 사례들이 너무 쉽게 식별된다면, 컴퓨터는 진실을 배우는 것이 아니라 요령을 배우게 됩니다. 즉, 미끄러지는 언덕의 물리학을 이해하는 대신 두 목록 사이의 차이점을 암기해 버리는 것입니다. 더욱이, 만약 컴퓨터가 특정 지역에 얼마나 많은 사람이 살고 있는지를 보게 된다면, 컴퓨터는 지반이 불안정해서가 아니라 단지 사람이 붐비기 때문에 그곳을 '위험하다'고 학습할 수도 있습니다. 지형의 물리적 위험성과 인간의 존재 사이의 이러한 혼동은, 겉보기에는 정확해 보이지만 실제 재난의 메커니즘을 설명하지 못하는 지도로 이어질 수 있습니다.

쓰촨과 간쑤 지역의 대학 연구진은 물리적 불안정성과 인간의 노출을 분리하도록 설계된 새로운 접근 방식을 통해 이러한 구체적인 문제들을 해결했습니다. 티베트 고원의 동쪽 가장자리로서 극적인 지형과 강렬한 몬순 기후로 알려진 아바(Aba) 주에 집중하여, 그들은 비가 올 때 왜 사면이 무너지는지를 진정으로 이해하는 모델을 구축하고자 했습니다. 최근 발표된 그들의 연구는 컴퓨터를 훈련시키는 데 사용되는 '안전한' 사례를 신중하게 구성하여, 모델이 실제 불안정성의 징후를 학습하도록 강제할 만큼 충분히 까다로운 사례를 보장하는 프레임워크를 소개합니다. 또한 그들은 과정을 두 단계로 나누었습니다. 첫째, 순수하게 지질과 날씨를 바탕으로 사면이 미끄러질 가능성을 계산합니다. 둘째, 인구와 자산에 대한 데이터를 층층이 쌓아 실제 비상 대응 우선순위를 결정합니다. 이러한 분리는 모델이 인구 밀도를 사용하여 위험을 추측하는 지름길을 택하는 것을 방지합니다.

연구진은 지역 내 과거의 불안정성 사건을 기록한 총 5,322개의 방대한 기록물로 시작했습니다. 이 기록에는 지질 조사 중에 확인된 데브리 플로우(debris flows), 산사태, 그리고 불안정한 사면들이 포함되었습니다. 데이터의 중요한 세부 사항은 이 사건들 거의 모두가 강우와 연관되어 있었다는 점인데, 이는 강우가 유일한 트리거였거나 과거의 지진과 결합된 형태였습니다. 컴퓨터 모델을 가르치기 위해 그들은 대조되는 샘플, 즉 기록된 산사태가 없는 장소들을 동일한 수만큼 만들어내야 했습니다. 단순히 멀리 떨어진 무작위 지점을 선택하면 작업이 너무 쉬워지기 때문에, 그들은 이중 전략을 사용했습니다. 대조 샘플의 30%는 해당 지역에서 기록된 다른 유형의 지표 붕괴(예: 낙석)에서 가져왔습니다. 이것들은 그들이 예측하고자 하는 미끄러지는 사면과는 다르지만, 유사한 환경 조건을 공유하고 있어 컴퓨터에게 어려운 테스트가 됩니다. 나머지 70%의 대조 샘플은 무작위 위치에서 추출되었으나, 엄격한 규칙이 적용되었습니다. 즉, 알려진 산사태로부터 최소 800미터 이상 떨어져 있어야 한다는 것이었습니다. 이 방법은 10,000개 이상의 균형 잡히고 도전적인 데이터셋을 생성하여, 컴퓨터가 단순한 차이점이 아니라 미묘한 패턴을 찾도록 강제했습니다.

그들은 단순한 통계적 방법부터 여러 알고리즘을 결합한 복잡한 계층 구조 시스템에 이르기까지 17가지의 서로 다른 컴퓨터 학습 모델을 테스트했습니다. 결과는 데이터의 가지를 치며 의사결정을 내리는 트리 기반 모델들이 가장 우수한 성능을 보였다는 것을 보여주었습니다. 특히 그래디언트 부스팅 머신(gradient boosting machine)의 한 유형은 안정적인 사면과 불안정한 사면을 구별하는 데 있어 0.973이라는 매우 높은 정확도 점수를 달성했습니다. 그러나 연구진은 단순히 이 수치만을 신뢰하지 않도록 주의했습니다. 모델이 훈련된 곳과 너무 가까운 데이터로 테스트될 경우, 단순히 주변 지역을 암기했기 때문에 성적이 좋게 나올 수 있다는 것을 알고 있었기 때문입니다. 이를 테스트하기 위해, 그들은 모델을 지도의 한 부분에서 훈련시킨 뒤, 전혀 겹치지 않는 지도의 다른 부분에서 위험을 예측하도록 하는 특별한 검증 과정을 거쳤습니다. 이 더 엄격한 테스트에서도 모델들은 성능이 아주 미세하게 하락했을 뿐 놀라울 정도로 잘 버텨냈습니다. 이는 모델이 단순히 산사태의 위치를 암기한 것이 아니라, 사면 안정성의 실제 규칙을 학습했음을 확인시켜 주었습니다.

컴퓨터가 실제로 무엇을 '생각'하고 있는지 이해하기 위해, 연구진은 어떤 요인이 가장 중요한지 확인하기 위해 의사결정 과정을 분해하는 기술을 사용했습니다. 그들은 지형의 물리적 형태가 가장 지배적인 요인이며, 모델 결정의 거의 60%를 차지한다는 것을 발견했습니다. 구체적으로, 사면의 경사도와 지면의 곡률(오목한 골짜기인지 둥근 언덕 꼭대기인지 여부)이 가장 강력한 신호였습니다. 강우는 그다음으로 중요한 요인이었으며 약 19%를 기여했고, 식생 피복이 그 뒤를 이었습니다. 흥미롭게도, 물리적 특징들이 고려된 후에는 위도나 경도와 같은 위치 좌표 자체의 기여도는 매우 낮았습니다. 이는 모델이 단순히 좌표를 통해 '위험한 장소'를 암기한 것이 아니라, 지형과 기상 조건을 진정으로 분석했음을 시사합니다. 연구진은 활성 단층선까지의 거리도 특징으로 포함시켰으며, 이 선들이 지면이 이미 파쇄되어 이동하기 쉬운 구역임을 나타내기 때문에 작지만 의미 있는 역할을 한다는 것을 발견했습니다.

이 프레임워크의 마지막 단계는 이러한 확률 점수를 실질적인 재난 관리 도구로 변환하는 것이었습니다. 그들은 연구 지역을 매우 낮음에서 매우 높음까지 5단계의 민감도 수준으로 나누어 지도에 표시했습니다. 결과는 아바 주의 남동쪽 부분이 가장 취약한 지역임을 강조했습니다. 그러나 연구진은 이를 최종 위험 지도로 선언하는 데 신중을 기했습니다. 그들은 높은 민감도 점수가 사람이 살지 않는 곳이라면 반드시 높은 인명 피해 위험을 의미하는 것은 아니라는 점을 강조했습니다. 따라서 그들은 사면 안정성 점수에 인구, 가구, 자산 데이터를 결합한 두 번째 분석 층을 만들었습니다. 이를 통해 공무원들이 어디에 자원을 집중해야 하는지 알려주는 '우선순위 점수'를 산출했습니다. 결정적으로, 이 우선순위 점수는 인구와 자산에 대한 구체적인 데이터가 있는 위치에서만 계산될 수 있었으며, 이는 모든 지점이 아니라 기록된 노출 사례와 메커니즘 대조 샘플에만 적용됨을 의미했습니다. 이러한 제한은 의도적인 것이었습니다. 이는 최종 위험 평가가 추정이 아닌, 입증된 노출을 바탕으로 이루어지도록 보장하기 위함이었습니다.

본 연구는 모델을 훈련하는 데 사용되는 데이터를 신중하게 설계하고 물리적 위험과 인간의 노출을 분리함으로써, 더욱 신뢰할 수 있고 해석 가능한 산사태 위험 지도를 만들 수 있다고 결론짓습니다. 모델은 새로운 지리적 영역에 대해서도 견고함을 입증했으며, 분석 결과 지형의 물리적 특성이 이 지역의 불안정성을 유발하는 주요 동력임이 확인되었습니다. 연구진은 데이터가 과거 기록에 의존하고 있으며 암석 종류와 같은 일부 환경적 요인이 상세히 다뤄지지 않았다는 점을 언급했지만, 그들의 프레임워크는 명확한 방향을 제시합니다. 이는 단순한 예측을 넘어 왜 사면이 무너지는지에 대한 투명한 이해를 제공하며, 산악 지역의 공동체가 다음 폭우에 대비할 수 있도록 돕는 도구를 제공합니다. 이 연구는 자연재해에 맞설 때 가장 강력한 도구는 단순한 예측이 아니라, 작용하는 힘에 대한 명확한 이해라는 사실을 상기시켜 줍니다.