서 론

산사태는 국토의 약 70%가 산지인 우리나라의 지형적 특성, 장마철(6월 말~7월 중순) 강우량이 연 평균의 50~60%를 차지하는 강우패턴, 산지 지역의 인구 밀집도와 산지 개발 등의 인위적 원인으로 발생한다. 국립산림과학원에 따르면 2011년부터 2020년까지 매년 평균 1,100건 이상의 산사태가 보고되었으며, 특히 최근 전 세계적인 지구 온난화가 급속히 진행되면서 기후변화 및 이상기후가 발생하고 있어 태풍, 국지성 호우 등 강우패턴의 변화로 인해 산지토사재해 발생이 급증하고 있다. 이런 산사태 발생지 조사를 위해 현장 탐문 조사가 주로 수행됐으며 최근에는 항공사진이나 드론 등이 다양한 방법이 활용되고 있으나, 촬영 주기, 촬영 면적 등의 한계로 많은 인력과 시간이 소요된다(Oh, 2010).

이를 해결하기 위해 전 세계적으로 위성영상을 활용한 토양 분석, 지형 분석, 피해 지역 탐지 등 다양한 연구가 진행되고 있다(Oh et al., 2009; Fiorucci et al., 2011; Jelének et al., 2018; Phiri et al., 2020; Mondini et al., 2021; Shokati et al., 2024). 위성영상을 활용한 원격탐사는 다양한 공간 및 시간적 범위에서 포괄적인 시야를 제공하므로 대규모 산사태 모니터링에 적합하지만, 해상도 등으로 작은 변화나 국지적인 이동을 감지하는 데는 한계가 있을 수 있다. 이러한 한계를 보완하기 위해, 멀티스펙트럼 위성, SAR(synthetic aperture radar), 지상 영상 레이더, 레이저 스캐닝, 도플러 레이더 등 주요 원격탐사 기술의 발전으로 탐지 능력은 크게 향상되고 있다(Casagli et al., 2023).

특히, 위성영상을 활용한 단일 산사태 발생지의 피해 범위 탐지에는 연구가 진행되고 있고 결과도 효과적인 것으로 보고되었다(Kim and Lee, 2020). 또한, 항공 사진측량, 지상 라이다 스캐닝, 고해상도 디지털 고도 모델(high resolution digital elevation model, HR-DEM) 등 고도화된 장비를 이용한 공간자료 구축과 머신러닝, 딥러닝 기법을 통한 산사태 민감도 분석 등 산사태 예측에 관한 연구가 활발히 진행되고 있다(Uehara et al., 2020; Mohan et al., 2021). 본 연구에서 제안한 정규식생지수(normalized-difference vegetation index, NDVI)를 활용한 연구의 경우, 과거에도 유사한 연구가 진행된 바 있으나 식생지수 변화량이 아닌 산사태 발생지에 대한 식생지수 패턴을 이용한 연구와 산사태 발생 예측 요인으로 정규식생지수를 활용하는 연구가 진행되었다(Yang et al., 2012; Guo et al., 2022; Wen and Teo., 2022; Niraj et al., 2023). 또한, 산사태 발생 직전까지 장기간 정규식생지수를 파악한 결과 감소하고 있으므로 이를 산사태 예측에 활용하는 연구도 진행되었다(Sajadi et al., 2021). 이처럼 위성영상을 활용한 산사태 관련 연구에 많은 장점을 가지고 있지만 시 ‧ 군 단위 이상의 넓은 지역을 탐지한 사례는 상대적으로 적다. 이는 임목으로 인해 지표층이 차폐되어 있어 수직으로 촬영하는 장비로는 지표층의 이동을 촬영하기 어렵기 때문이다. 또한, 산림에서 이루어지는 다양한 변화 중에서 산사태 발생지만을 구분하는 것은 한계가 있기 때문이다.

산사태는 다양한 외부 요인으로 인해 토사가 갑작스럽게 붕괴하면서 지표에 자라는 수목과 초본이 유실되고 나지화되는 특징을 가진다. 이러한 특성을 활용해, 산사태 발생 전후의 영상을 비교하여 식생지수 변화를 탐지해왔다. 그러나 식생지수만으로 산사태를 정확히 구분하기에는 임도 개설, 벌채 등 다른 원인으로 인한 변화가 있어 현장 조사나 항공사진의 추가 사용이 불가피하다. 이에 산사태 발생지를 구분하기 위해 위성영상의 분광별 반사율을 분석하여 산림 내 산사태 발생지, 도로, 임상, 경작지의 반사율을 평가하고, 산사태 탐지에 적합한 분광 영역을 선정하였다. 선정된 분광 영역을 바탕으로 ISODATA 군집화 알고리즘을 적용해 산사태 발생지와 가장 유사한 군집을 결정하고, 식생지수 변화 지역과 비교하여 산사태 발생지를 탐지하였다. ISODATA 군집화 알고리즘은 초기 군집 개수를 사전에 정의하지 않으며, 반복적인 갱신을 통해 결과를 개선한다. 또한 비선형 구조와 노이즈 데이터에 유연하게 대응할 수 있으며, 유클리드 거리 외 다양한 거리 척도를 사용할 수 있어, 다중 위성 영상을 사용하는 경우와 같이 복잡한 데이터 분포에도 효과적으로 대응할 수 있다.

연구지역

연구지역은 집중호우로 인한 강수량이 많은 2020년을 기준으로 전라북도 관내 산림면적과 산림 이용률이 높은 장수군을 대상으로 하였다(Fig. 1). 장수군은 면적의 약 75%가 산림으로 경사가 급하며, 산림 내 과수원이 다수 분포하고 있어 산사태 발생 빈도가 높은 지역이다. 또한 산림청에서는 산사태 취약지역으로 지정하여 관리하는 구역이 많은 지역 중의 하나이다. 장수군에는 산사태 예방사업인 사방댐이 2023년 기준 171개소가 설치되어 있으며, 산림청 산사태 피해지 보도자료에 의하면 최근 5년간(2019~2023년) 산사태 피해지역이 112개소가 발생한 것으로 조사되었다. 피해면적은 최대 3.5 ha, 최소 0.1 ha, 평균 0.6 ha로 1 ha 미만 소규모 피해지는 87개소로 전체 50.9%로 나타났다. 2020년 피해지는 108개소로 최근 5년간 발생한 피해지 대부분이 2020년도에 발생한 것으로 조사되었다. 하지만 피해지역에 대한 공간정보가 구축되지 않고 측량보다는 육안조사 및 현장탐문을 중심으로 조사가 실시되어 실제 발생 형태와는 다른 경우가 많으며, 다른 시기에 피해가 발생한 지점을 같은 시기에 포함하는 경우가 있어 산사태 현황자료로서의 정확도가 부족한 상황이다.

Fig. 1.

Location of the study area.

연구방법

위성영상(Sentinel-2) 수집

식생변화 지역을 탐지하기 위한 위성영상(spectral image)은 유럽우주국(European Space Agency, ESA)에서 운영하는 Sentinel-2 이미지를 활용하였다. Sentinel-2는 고해상도, 다중 스펙트럼 이미지 위성으로 13개의 분광대역(10 m: 4개 대역, 20 m: 6개 대역, 60 m: 3개 대역)을 가지고 있으며, 같은 시야각에서 약 5일 주기로 일시에 촬영한다는 장점이 있다(Table 1). 본 연구에서는 기상악화로 인한 산사태 피해가 가장 심각했던 2020년 장마철 7~8월을 기준으로 구름영역이 가장 낮은 6월 16일, 장마철 이후 8월 20일 장수군 관내의 12개 분광대역을 수집하였고 이를 활용하여 산림변위 지역을 탐지하기 위해 정규식생지수(NDVI)을 구축하였다.

위성영상을 활용하기 위해서는 대기교란에 의한 보정과 구름 영역 제거가 가장 중요한 사항이다. 인공위성 센서에 의해 관측되는 전자기파는 대기와 지표면 물체 간의 지형, 대시 효과 등에 의해 왜곡되는데, 이러한 오차를 보정계수 등을 이용해 수정한 후 순수한 반사 값을 구하는 작업을 방사보정이라 한다. ESA는 보정한 결과인 L2를 제공하므로 이를 활용하였다. 또한 위성영상을 활용하기 위해서는 직접적인 영향을 미치는 구름, 그림자, 권운은 ESA에서 개발한 장면 분류 알고리즘(scene classification algorithm)을 활용하여 소거하였다(Fig. 2). 분류 알고리즘은 구름 특징을 활용한 분류 결정 트리거(complex classification decision)를 이용하여 구성하는 방식으로 약 91%의 정확성을 보인다(Hollstein et al., 2016). 이후, 산림지역으로 한정하기 위해 산림청에서 제공하는 임상도를 활용하여 산림을 구획하고 수치지형도 중 경지계, 저수지, 묘지계, 도로를 사용하여 산림지역 내 개발지역을 제거하였다.

Fig. 2.

Complex classification decision tree for cloud detection.

정규식생지수(NDVI)을 활용한 식생지수 변화 지역 탐색

정규식생지수(NDVI)는 1970년대 원격탐사가 도입된 이후 원격탐사에서 널리 사용되는 식생지수 중 하나로 정규식생지수를 활용하여 식생의 활력도를 판단할 수 있다. 에너지와 빛을 반사하는 방식에 따라 전자기 스펙트럼의 근적외선과 적색 대역을 사용하여 -1과 1 사이의 무차원 지표를 추정한다. 이를 계산하는데 표준 정규식생지수(NDVI) 공식은 식 (1)과 같다.

NDVI는 녹색의 식물이 분광영역에 따른 반사도를 활용한 이론으로 핵심적인 두 가지 대역으로는 NIR(근적외선)과 RED(적색)를 활용한다. 식물의 녹색 엽록소는 적색광을 대부분 흡수하기 때문에 반사되지 않는다. 이는 활력도가 높은 식물은 적색광 반사율이 낮다는 것을 의미하며, 이와 반대로 근적외선의 경우 식물 세포 특성에 의해 흡수되지 않는다. 이를 활용하여 특정 위치에 대해 근적외선(NIR) 및 적색(RED) 대역에서 반사율을 측정한다면 식생의 활력도를 측정할 수 있다. 하지만 토양 수분상태에 따른 색상 변화가 정규식생지수에 영향을 미친다는 단점을 가지고 있어 식생지수 변화량이 작게 나타나 이를 보완하기 위해 토양조정식생지수(soil-adjusted vegetation index, SAVI), 향상된 식생지수(enhanced vegetation index, EVI) 등을 활용한다. 본 연구에서는 산사태로 인해 식생이 제거된 지역을 탐지하기 위한 것으로 세밀한 식생지수는 생육상태의 변화로도 산사태 발생지로 탐지될 가능성을 가지고 있다. 이에, 정밀한 식생지수보다는 평준화된 식생지수를 활용하여 식생 유무를 판단하는 것이 효과적이므로 본 연구에서는 장수군의 장마철 이전과 이후의 정규식생지수(NDVI)를 구축(Fig. 3) 및 활용하였다.

Fig. 3.

NDVI during the rainy season in Jangsu-gun (a) before and (b) after.

비지도분류 기반의 분광영상 군집화

일반적으로 활용되는 분류 알고리즘은 지도분류(supervised classification)와 비지도분류(unsupervised classification)로 나눌 수 있다. 지도분류는 분류하려는 대상에 대한 정확한 레이블을 활용하여 대상지를 분류하는 방식으로 대표적인 방법으로 로지스틱 회귀(logistic regression), 의사결정 트리(decision trees), 랜덤 포레스트(random forests) 등이 있다. 비지도분류는 레이블이 없는 데이터를 분류하는 경우 활용하는 방법으로 데이터의 내부 구조나 패턴만을 이용하여 유사한 데이터를 분석 및 그룹화하여 각 클러스터에 의미 있는 레이블을 부여하는 방법이다. 산사태의 경우 불특정하게 발생하는 현상이므로 이를 탐지하기 위해서는 비지도분류가 효과적 방법이다(Rajyalakshmi et al., 2016). 비지도분류 방법으로는 K-mean, ISODATA 알고리즘, 가우시안 혼합 모델(Gaussian mixture model, GMM), 밀도 기반 클러스터링(density-based spatial clustering of application with noise, DBSCAN) 등이 있다.

일반적으로 군집화 분석에서는 군집의 개수(K)를 사전에 설정해야 하지만, 이는 데이터에 대한 사전 지식이 있을 때 가능한 접근 방법이다. 그러나 원격탐사에서 다수의 분광 영역에 대한 반사도 특성을 기반으로 데이터의 패턴을 분석할 때는 사전정보가 부족한 경우가 많다. 이런 경우 자기조직화 군집화 기법(self-organizing clustering algorithm)인 ISODATA가 효과적으로 사용된다(Dhodhi et al., 1999). ISODATA는 노이즈나 이상치(outliers)를 처리하는 기능이 있어, 위성 데이터 분석에 있어 필연적으로 발생하는 노이즈를 제거하거나 무시하고 더 정교한 군집화 결과를 얻는 데 유리하다. 또한, 사전 라벨링 된 데이터 없이 위성 영상에서 적절한 군집의 수와 데이터 패턴을 스스로 분류하고 지도 없이도 유사한 특성(산사태 발생지)을 가진 픽셀을 군집화할 수 있는 장점이 있다. 이러한 특성 덕분에 다차원적인 위성 영상 데이터에서 특정 패턴을 발견하는 데 적합하며, 토지 이용 변화 감지, 재해 발생 지역 탐지 등 다양한 원격탐사 응용 분야에서 광범위하게 활용된다.

ISODATA 군집화 알고리즘은 군집의 크기에 따라 동적으로 군집을 조정하는 방식이다. 군집의 수는 모 클래스에 속하는 샘플 수가 작아지면 해당 클래스를 삭제하고 모 클래스에 속하는 샘플 수가 많아지거나 분산 정도가 비교적 크다면 해당 클래스를 두 개의 하위 클래스로 나누는 방식이다. 위성영상의 경우 해당 분광영역의 셀을 군집에 할당할 때 최소 유클리드 거리를 계산하는 반복적 프로세스로 각 군집에 대해 하나씩 임의의 평균을 할당한다(Fig. 4). 모든 셀은 이러한 평균 중 가장 가까운 것에 할당되고 첫 번째 반복 후 해당 군집에 속하는 셀의 속성 거리를 기반으로 각 클러스터에 대한 새로운 평균이 다시 계산되고 계속해서 반복한다. 비지도분류를 활용한 산사태 발생지로 구분하기 위한 군집화 모델을 활용하기 위해 산림지역, 농경지, 도로, 산사태 지역에 대한 12개 분광영역의 반사율을 분석하였다.

Fig. 4.

ISODATA cluster algorithm analysis schematic.

결과 및 고찰

정규식생지수(NDVI) 변화량 탐지 결과

2020년에 장마철에 발생한 산사태 발생지를 탐지하기 위해서 연구지역의 정규식생지수(NDVI)를 구축하였으며, 식생지수의 변화를 탐지하기 위해 장마철 이전 영상인 6월 10일 영상과 장마철 이후 영상인 8월 20일 영상을 일반산지(forest), 경작지(arable land), 도심지(urban), 산사태(landslide)로 구분하여 지수 변화량을 분석하였다(Table 2). 이를 위하여 먼저 장수군 장마철 전 ‧ 후 정규식생 지수를 분석하여 식생지수 변화를 파악하였다. 그리고 이를 기준으로 2020년 집중호우 시기 이전과 이후의 정규식생지수의 차이를 분석한 결과, 평균 변화량은 일반산지 0.01655, 경작지 -0.188415, 도심지 -0.028446로 나타났다. 경작지는 작물의 성장으로 증가함을 보여주고 있으나, 다른 구역의 경우 0.02 미만으로 변화량은 적은 것으로 나타났다.

산사태 발생지를 탐지하기 위해서는 2020년 장수군 발생지로 조사가 완료된 5곳의 정규식생지수(NDVI) 변화량을 분석하였다. 장수군 산사태 발생지 5개소의 경우 복구를 고려하여 측량한 결과로서 일부 피해가 발생하지 않은 구역까지 포함되어 있어 10% 절사평균은 극단값의 영향을 줄이기 위해 상위 10%의 데이터를 제거한 후 평균을 계산하여 산출하였다. 분석 결과 0.516193~0.663828의 식생지수 변화량이 나타났다(Table 3). 이를 바탕으로 장수군 전체에 적용하여 식생지수 변화량이 0.5~0.7인 구역을 분석한 결과 644개소가 탐지되었다. 식생지수 변화지를 정사영상을 활용하여 구분한 결과 임도 개설, 벌채지, 묘지, 산림 내 경작지, 그리고 실제로 산사태가 발생한 지역들이 포함되어 있었다.

이처럼 다양한 구역에서 식생이 변화한 것을 확인할 수 있었으며, 단순히 산사태뿐만 아니라 인간 활동으로 인한 변화도 식별할 수 있었다. 따라서 본 연구에서는 식생지수 변화가 나타난 644개의 지역을 2020~2023년 정사영상(국토지리정보원)을 활용해 1차 육안 분류를 진행하였다. 이 과정에서 산사태 발생지를 구분하는 기준으로 침식지와 산사태로 구분하였다. 침식지는 토양의 상층부가 물, 얼음, 눈 등의 외부 요인으로 인해 변위되면서 퇴화하는 현상을 의미로 계속 진행된다면 산사태 발생으로 이어지는 경우가 많은 현상이다. 반면, 산사태는 바위, 잔해 또는 토양이 경사면을 따라 하강하는 현상으로, 붕괴 형태, 유출 흔적, 임목 유실 등을 기준으로 산사태와 침식지를 구분하였다.

분류 결과 총 474개소로 산사태는 123건, 침식지는 351건(일반산지 65, 벌채지 194, 임도 92)건으로 나타났다(Table 4). 기존에 확인된 산사태 발생지 5개소도 식생지수 변화지역에 포함되었으며, 복구가 완료된 구역이거나 접근이 어려워 조사되지 않은 지역도 새롭게 확인되었다. 이 결과는 장수군에서 보고한 산사태 발생지 108개소와도 유사한 수치로, 이러한 결과는 산사태 발생지를 탐지할 때 정규식생지수(NDVI) 변화 구역을 중심으로 탐지하는 방법이 적절함을 시사한다. 하지만 항공사진을 활용한 육안 분류가 반드시 동반되어야 한다는 한계가 있다. 이는 산사태와 유사한 다른 요인들(예: 임도 개설, 벌채 등)로 인한 식생 변화와 명확히 구분하기 위해 필수적이다. 결국, 현장 조사가 부족한 상황에서는 육안 분류가 보완적인 역할을 할 수 있지만, 보다 정교한 분류를 위해서는 추가적인 방법이 모색되어야 한다. 또한, 분석 결과 일부 벌채지에 산발적 침식이 발생하였으나 대규모 산사태 발생 흔적은 확인할 수 없었다. 이는 일부 언론에서 제기하는 벌채지의 산사태 발생 위험성과는 일부 상의한 결과로 나타났다. 이외에도 개발지, 묘지, 임도 신설 등이 탐지되어 활용성은 높을 것으로 판단된다.

산사태 발생지 구획을 위한 군집화 알고리즘

정규식생지수(NDVI) 변화량만으로 산사태 발생지를 탐지하고 구획하는 데는 한계가 있다. 정확한 산사태 발생지 구획을 위해서는 항공영상과 같은 고해상도 자료를 활용해야 하지만, 항공영상은 촬영 주기가 1~2년 단위로 즉각적인 분석에 적합하지 않다. 또한 위성영상의 True Color Map은 해상도가 낮아 육안으로 정확하게 분류하기 어렵다. 따라서 산사태 발생지를 더욱 효과적으로 탐지하기 위한 추가적인 연구가 필요하다. 이에 본 연구에서는 산사태 발생지를 탐지하기 위해 각 분광 영역에서의 반사율을 분석하였다. 산사태 발생지에 민감도가 높은 분광 영역을 선정하고, 해당 위성영상을 기반으로 비지도분류 기법인 ISODATA 알고리즘을 적용하여 산사태 발생지를 구획하는 연구를 수행하였다.

산사태 발생지는 토사와 임목이 유출되어 지표가 노출되는 형태로 변화한다. 이러한 특성을 활용하여, 산사태 발생지에서만 특별한 반사율을 보이는 분광 영역을 선택하고 해당 위성 영상을 군집화하면 산사태 발생지를 탐지할 수 있다(Kim and Lee, 2020). 본 연구에서는 산림에 분포하는 주요 시설인 도로, 경작지, 임상, 그리고 조사가 완료된 산사태 발생지를 중심으로 Sentinel-2에서 제공하는 분광 영역별 반사율을 분석하였다(Fig. 5).

Fig. 5.

Analysis of reflectance of landslide occurrence and other areas by spectral region.

분광영역 선정은 산사태와 임상의 반사율 구간의 차이가 나타나거나 특정 반사율 구간에 비율이 높게 형성되는 경우를 기준으로 판단하였다. Band 11(SWIR)은 Band 12(SWIR)보다 산사태 발생지에 대한 반사율 구간이 좁고 비율이 높게 나타났다. Band 5(vegetation red edge, 20 m)의 경우 Band 4(red, 10 m)과 유사한 분광영역으로 해상도가 낮아 제외하였다. Band 4(red), 8(NIR)은 적합한 것으로 판단되지만 정규식생지수(NDVI) 구축에 활용하여 제외하였다.

따라서 분석에는 Band 2(blue), 3(green), 12(SWIR)을 활용하여 ISODATA 알고리즘 분석을 시행하였으며, 5개소의 산사태 발생지와 가장 유사하게 추출된 분석 조건인 최대 클러스터 10개, 최소 셀 크기 20, 샘플 간격 10으로 수행하였다. ISODATA는 군집수를 지정하지 않는 분석 방법이므로 최대 클러스터를 지정하지 않는다면 과대한 군집화가 이루어지므로 이를 한정하기 위해 최대 클러스터를 지정한다. 최소 셀 크기는 위성영상의 분해능을 기준으로 설정하였으며, ISODATA 특성인 클래스 삭제 ‧ 분산을 고려하여 초기값인 10회로 설정하였다. 해당 설정으로 분석한 결과. 10개의 클러스터로 구축된 raster 형식의 공간자료로 분석되었다.

정규식생지수 변화지역과 군집화 알고리즘을 활용한 산사태 발생지 추출

NDVI 변화 지역 644개소를 ISODATA 알고리즘으로 분석된 raster 공간자료와 비교 분석을 실시하였다. 이중 산사태와 중첩도가 높은 클러스터는 high(yellow), 소규모 산사태 또는 침식지와 중첩도가 높은 클러스터는 low(green)으로 구분하였다. 분석 결과 513개소가 산사태 발생지와 같은 군집화에 포함되는 것으로 분석되었다. 분류한 결과, 산사태 151개소, 침식지 259개소, 임도변 침식지 95개소 총 505개소(97.7%)가 해당 군집화에 포함되는 것으로 분석되었다. 또한, 측량을 수행하여 확정된 산사태 발생지 5개소와 군집화 알고리즘을 활용한 대상지의 면적을 비교한 결과 매우 유사한 형태로 분석된 것을 확인할 수 있었다(Fig. 6).

Fig. 6.

Comparison of NDVI change area and ISODATA cluster area overlays.

이렇게 분석된 결과를 산사태 발생지와 비교하였다(Fig. 7). 분석 결과에 따르면, 산사태 구역(blue polygon) 내에서 NDVI 변화(red polygon)와 ISODATA 클러스터(yellow polygon)가 모두 중첩된 것을 확인할 수 있었다. 이는 NDVI와 ISODATA를 활용한 기법이 산사태 탐지 과정에서 유의미한 결과를 도출할 수 있음을 보여준다. 군집화된 산사태 구역은 실제 피해 지역과 유사한 면적으로 분석되었으나, 일부 구역에서는 발생 면적이 실제보다 작거나 크게 분석된 사례가 있었다. 산사태 구역이 작게 분석된 경우는 산사태의 발생 형태와 관련이 있는 것으로 판단된다. 국내에서 발생하는 대부분의 산사태는 지표층의 토사가 유출되는 얕은 산사태(shallow landslide)이므로, 뿌리가 깊은 임목은 산사태 발생 후에도 주변에 남아있을 수 있다. 벌채지 침식과 임도 침식의 경우도 이와 유사한 형태로 분석되었다. 반면, 산사태 발생지가 실제보다 크게 분석된 경우는 유사한 형태의 구역이 연접해 있는 경우이다. 반사율이 유사한 개발지나 농경지가 산사태 발생지와 근접해 있으면, 같은 군집으로 분석되어 과대하게 나타나는 경향이 있었다. 특히, 산사태로 인한 토사가 하부 생활권에까지 영향을 미치는 경우, 산사태 범위가 더 크게 분석되었다. 이는 위성영상의 한계로 인한 것으로, 산림 경계를 활용하면 이러한 문제를 어느 정도 해결할 수 있을 것으로 보인다. 또한, 산사태 발생 면적이 큰 구역에서는 분석의 정확성이 비교적 높게 나타났으나, 침식지나 소규모 산사태 발생지에서는 분석 정확도가 다소 낮게 나타났다. 이는 주로 주변 환경 요인이나 소규모 산사태의 특성상 위성영상 분석에서 세밀한 탐지가 어려운 점에 기인하는 것으로 보인다. 그러나 산사태 발생 지점의 위치 정확도는 매우 높은 수준으로 평가되었으며, 이는 현재 현장 답사나 신고를 통해 이루어지는 산사태 발생지 조사를 보완할 수 있는 기초자료로 활용하기에 충분한 신뢰도를 제공한다.

Fig. 7.

Comparative analysis of ISODATA cluster and landslide areas.

그럼에도 불구하고, NDVI 변화와 ISODATA 클러스터링 기법의 조합을 통해 산사태 발생지 탐지와 면적 산출에 효과적으로 적용할 가능성을 확인할 수 있었다. 이러한 결과는 위성영상 데이터를 기반으로 한 산사태 탐지가 정밀하고 효율적인 모니터링 도구로 활용될 수 있음을 시사한다. 특히, 이 접근법은 대규모 지역에서의 신속한 산사태 탐지에 적합하며, 기존의 지상 조사 방법과 비교하여 시간적, 경제적 효율성을 크게 향상시킬 수 있을 것으로 기대된다.

결 론

최근 기록적인 폭우로 인해 산사태가 발생하여 많은 인명, 재산피해가 발생하고 있다. 이러한 피해를 줄이기 위해서는 산사태 발생지에 대한 예측이 중요하며 이러한 연구를 위해서는 과거 산사태 발생지에 대한 현황 분석이 필수적이다. 따라서 정확한 산사태 발생 현황 분석에 대한 필요성이 증가하고 있으나 과거 발생지에 대한 정밀한 공간적 및 시간적 자료의 구축은 다소 미흡한 상황이다. 전 세계적으로 위성영상, 항공영상, 라이더를 이용한 산사태 연구가 활발히 진행되고 있으나, 산사태 발생지 탐지보다는 산사태 발생 원인에 관한 연구가 많은 실정이다. 또한, 기존 구축된 자료의 경우 복구 중심의 조사로 실제 발생지보다 과대하게 측정되거나 시기의 착오로 인해 연구자료로 활용하기에 제한적이다. 이를 위해 최신화된 장비를 통한 연구와 노력이 계속되고 있지만, 접근이 어려운 산림을 대상으로 제한된 인원과 재원으로 정확한 현황조사 결과를 얻기에는 어려움이 따른다.

본 연구에서는 2020년 장수군의 산사태 발생지를 Sentinel-2 위성영상을 활용하여 탐지하였다. 이를 위해 장마철 이전과 이후의 위성영상을 활용하여 NDVI를 구축하고 이후 산사태 발생지로 확인된 5개소에 대한 식생지수 변화량을 기준으로 산림지역의 식생지수 변화지를 추출하였다. 그러나 임도 개설, 벌채, 산림 내 경작지 등 다양한 활동이 이루어진 구역도 탐지되어 NDVI 변화량만으로는 산사태 발생지를 정확히 탐지하는 데 한계가 있음을 확인하였다.

이를 보완하기 위해 Sentinel-2에서 제공하는 위성영상의 분광 반사율을 분석하여, 산사태 발생지와 기타 구역(경작지, 도로, 임상) 간의 반사율 차이를 보이는 분광 영역의 위성영상을 선정하였다. 이후, 비지도분류 방법인 ISODATA군집화 알고리즘을 적용하여 raster 형식의 공간정보를 구축하고 이를 식생지수 변화 지역과 비교 분석한 결과, 513개소의 산사태 발생 의심 지역을 탐지할 수 있었다.

산사태 발생지로 확정하기 위해 정사영상을 통한 육안분류를 한 결과, 505개소(97.7%)가 산사태 발생지 또는 침식지로 탐지되었으며, 형태와 규모에서도 대부분 일치하는 것으로 나타났다. 기존 산사태 발생지역으로 조사된 5개소 이 외에도 복구가 완료되었거나 험준한 지형으로 인해 접근이 어려운 새로운 발생지역까지 탐지되었다. 이는 NDVI와 군집화 알고리즘을 활용하면 산사태 조사에 드는 인력과 시간을 절약하고 정확한 위치정보와 규모를 유추하여 산사태 연구의 기초자료로 활용할 수 있을 것으로 기대된다.

또한, 위성영상을 활용한 연구의 중요한 장점 중 하나는 촬영일을 제공한다는 점이다. 특히 산사태 연구에서 발생 시기를 파악하는 것은 매우 중요하며, 이는 강우와 밀접한 관련이 있다. 산사태는 지형, 지질, 임상, 수문, 강우 등 여러 요인에 의해 발생하지만, 특히 강우는 변화가 심한 인자로 발생 시점을 유추하는 데 어려움이 있다. 위성영상을 활용하면 특정 시점의 강우량과 산사태 발생 시기를 추정할 수 있으며, 이를 통해 지역별 강우량 변화에 따른 산사태 연구가 가능할 것으로 기대된다.

그러나 본 연구는 한계점을 가지고 있다. 산사태 발생지의 면적을 분석한 결과, 일부 부정확한 부분이 발견되었다. 산사태와 유사한 농경지나 임도가 산사태 발생지와 인접해 있는 경우, 같은 군집으로 분류되어 실제 피해 면적보다 크게 분석되는 경향이 있었다. 반대로, 소규모 피해지역의 경우 주변의 임목 덮개로 인해 실제 피해 면적보다 작게 분석되는 경향도 나타났다. 이러한 문제는 위성영상의 해상도 한계로 인해 발생한 것으로 보이며, 더 높은 해상도를 가진 LiDAR나 SAR 영상이나 국내 발사 예정인 농림위성(해상도 5 m)을 활용하면 산사태 탐지의 정확성과 정밀도를 크게 향상할 수 있을 것으로 기대된다. 또한, 기존 벌채나 개발로 인해 이미 NDVI가 낮은 지역에서 산사태가 발생한 경우 NDVI 변화량의 차이가 작아 탐지에 어려움이 발생할 수 있다. 이는 다수의 촬영영상을 활용하여 연구지역의 NDVI 변화량을 종합적으로 분석한 후, 산사태와 비산사태 지역의 변화량을 복합적으로 분석하여 자료를 구축한 후 산사태 지역을 탐지한다면 보다 효과적일 것으로 판단된다. 또한, 축적된 자료를 활용하여 지도분류(supervised classification) 연구를 진행한다면 산사태 탐지의 정확도를 증가시킬 수 있을 것으로 기대된다.

이외에도, 정규식생지수 변화를 통해 산림 개발 행위를 탐지할 수 있었으며, 이 결과는 산림 관리 측면에서 유용하게 활용될 수 있을 것으로 기대된다. 국내 산림은 급경사지가 많아 벌채지, 임도 시설, 산지전용 등에 대한 공간정보 구축 및 관리가 어려운 상황이다. 위성영상을 활용하면 이러한 정보를 보다 체계적이고 효율적으로 관리할 수 있을 것으로 예상된다.