1. 서 론
2. 연구 방법
2.1 기초자료
2.2 연구 대상 지역
2.3 Random Walk Model
2.4 최적 매개변수 추정
2.5 평가 지표
3. 연구 결과
3.1 최적 매개변수 추정 결과
3.2 토석류 퇴적량 분석
3.3 토석류 통과확률 지도 분석
4. 결 론
1. 서 론
산지에서 발생하는 자연재해는 주 구성물질과 이동 형태에 따라 산사태(landslide), 토석류(debris flow), 땅밀림(soil creep) 등으로 분류된다. 이 중 토석류는 전 세계 산악 지역에서 빈번하게 발생하는 재해 유형 중 하나이며, 산림청에서는 이를 “산지 또는 계곡에서 토석, 나무 등이 물과 섞여 빠른 속도로 유출되는 현상”으로 정의하고 있다. 최근 기후변화로 인해 집중호우와 같은 극한 강우 사상의 빈도와 강도가 증가하고 있으며, 이는 산지 재해 발생의 주요 원인으로 작용한다. 특히 토석류는 이동 경로와 도달 범위가 곧 피해지역으로 이어질 수 있으므로, 재해 발생 후 토석류 거동을 모의하는 것은 피해구역 설정과 저감대책 수립을 위한 필수적인 절차이다(McDougall, 2017).
토석류 모의 연구는 크게 개념적 모형(conceptual model), 물리 기반 모형(physics-based model), 수치모형(numerical model), 확률·통계 기반 모형(probabilistic and statistical model), 그리고 하이브리드·데이터 기반 모형(hybrid and data-driven model)으로 구분할 수 있다(Table 1).
Table 1.
Previous studies on debris-flow simulation models
개념적 모형은 적은 입력자료와 낮은 계산 비용을 요구한다는 특징이 있다. DEM, 토석류 발생지점, 그리고 일부 경험 계수만으로 피해 예상 범위를 신속하게 산정할 수 있어 재해 직후 초기 복구계획 수립에 활용성이 높다. 반면 속도, 유동심, 충격력 등 공학적 설계에 필요한 동역학적 정보를 제공하는 데에는 한계가 있다.
물리 기반 모형은 토석류의 거동 메커니즘을 보다 상세하게 해석할 수 있는 장점이 있다. Iverson(1997)은 토석류의 이동이 단순한 마찰력뿐만 아니라 공극수압, 분산응력, 점성 및 마찰저항 등의 복합적인 요인에 의해 결정됨을 제시하였다. 이러한 접근은 보다 현실적인 토석류 거동을 재현할 수 있으나, 다수의 물성치 입력과 복잡한 보정 과정을 요구하므로 행정적 의사결정이나 신속한 재해 대응을 적용하는 데에는 제약이 따른다.
수치모형은 유동심, 운동량, 도달범위 및 퇴적량 등을 정량적으로 모의할 수 있어 공학적 활용성이 높다. 특히 TITAN2D 계열 모형은 다양한 rheology를 모듈 형태로 적용할 수 있도록 발전되어 왔다. 수치모형은 물리적 해석이 가능한 결과를 제공한다는 장점이 있으나, shallow-flow 가정에 기반하고 있으며, 적용된 rheology와 매개변수 설정에 따라 결과의 민감도가 크게 달라질 수 있다.
확률·통계 기반 토석류 모형은 입력자료의 불확실성을 고려하여 다수의 시나리오를 반복적으로 모의하고, 결과를 확률 형태로 제시하는 접근법이다. 이러한 방법은 단일 예측 결과를 산출하는 대신 토석류의 잠재적 도달 범위와 위험 수준을 함께 평가할 수 있다는 특징이 있다. 예를 들어 Monte Carlo 기법이나 Latin Hypercube Sampling(LHS)을 활용하면 매개변수의 불확실성을 반영한 다수의 앙상블 결과를 생성할 수 있으며, 이를 통해 특정 지점의 피해 발생 확률을 공간적으로 표현할 수 있다. 확률 기반 위험도 지도는 위험구역 설정, 토지이용 계획 및 재난관리 정책 수립에 활용될 수 있으나, 매개변수 범위 설정, 표본 추출 방법, 반복 횟수 및 확률지도 작성 기준에 따라 결과가 달라질 수 있으므로 이에 대한 객관적인 기준 마련이 요구된다.
하이브리드·데이터 기반 모형은 물리 기반 모형의 해석 능력을 유지하면서 계산 효율성을 향상시키기 위해 데이터 기반 기법을 결합한 접근법이다. 대표적으로 물리모형 결과를 학습한 대리모델(surrogate model)을 활용하여 반복 모의, 민감도 분석 및 최적화를 수행하거나, 강우·지형·관측자료를 이용한 기계학습 기법을 통해 위험도를 예측하는 방식이 적용되고 있다. 이러한 접근은 계산시간을 크게 단축할 수 있어 대규모 위험도 평가 및 준실시간 의사결정에 유리하지만, 학습자료의 범위를 벗어나는 환경에서는 예측 성능이 저하될 가능성이 있으므로 적용 범위에 대한 검증이 필요하다.
이와 같이 기존 토석류 모형들은 다양한 인자를 반영하여 토석류 거동을 모의할 수 있으나, 이에 상응하는 입력자료와 전처리 과정이 요구된다. 따라서 재해 발생 직후 피해범위를 신속하게 예측하고 복구대책을 수립하기 위해서는 적은 입력자료와 낮은 계산비용으로 적용 가능한 토석류 모형이 필요하다.
본 연구에서는 적은 입력자료만으로 토석류 모의가 가능한 Random Walk Model(RWM)을 대상으로 전역최적화 기법을 적용하여 최적 매개변수를 자동으로 추정하고, 그 적용성을 평가하였다.
2. 연구 방법
2.1 기초자료
본 연구에서는 국립산림과학원에서 제공한 토석류 피해지역 자료, 토석류 시작 지점 shapefile(Fig. 1), 국토지리정보원에서 제공하는 5 m 해상도의 DEM(Fig. 2) 및 공간 일치율 평가를 위한 이진 분류 지도(Fig. 3)를 입력자료로 활용하였다. 이진 분류 지도는 토석류 피해지역 shapefile을 기준으로 피해지역과 비피해지역을 구분하여 구축하였다. 토석류 시작 지점은 포인트 형식의 공간자료이며, 속성정보에는 RWM 매개변수인 총 토사량(VT), 단위 이동 토사량(VS), 관성가중치(IW), 정지경사(SS)가 포함되어 있다.
2.2 연구 대상 지역
본 연구는 경상북도 영주시 풍기읍 삼가리 일원을 대상으로 수행하였다(Fig. 4). 해당 지역에서는 2023년 7월 15일 집중호우로 인해 대규모 토석류가 발생하였으며, 산지 하부의 주택이 매몰되어 인명 및 재산 피해가 발생하였다. 토석류 모의 결과를 검증하기 위해서는 신뢰성 있는 실제 토석류 확산 범위 자료가 필요하다. 풍기읍 삼가리 지역의 경우, 국립산림과학원에서 선행 연구를 통해 토석류 확산 범위 자료를 구축한 바 있으므로, 본 연구에서는 해당 자료와 모의 결과를 비교·분석하기 위해 이 지역을 연구대상지로 선정하였다.
2.3 Random Walk Model
Random Walk Model(RWM)은 Imamura and Sugita.(1980)에 의해 개발된 확률 기반 토석류 모의 모델이다. 해당 모델은 국립산림과학원에서 토석류 피해 발생 후 피해범위 분석 및 보고서 작성에 활용되는 기본 모형 중 하나이며, 모의에 필요한 주요 매개변수는 총 토사량(VT), 단위 이동 토사량(VS), 관성가중치(IW), 정지경사(SS)의 네 가지로 구성된다(Table 2).
Table 2.
Input parameters of the Random Walk Model
| Parameter name | meaning | range |
| VT | Total sediment volume | - |
| VS | Volume per step | 1-50 m3 |
| IW | Inertia weight | 1-5 |
| SS | Stopping slope | 0°-10° |
RWM은 확률적 이동 규칙을 기반으로 토석류의 이동 경로와 확산 범위를 모의하므로, 단일 모의 결과보다는 다수의 반복 모의 결과를 통계적으로 분석하여 최종 피해지역을 산정한다. RWM은 일반적으로 10,000회 이상의 반복 모의를 수행한 후, 모의 결과와 실제 피해지역 간의 공간 일치율을 산정하였다(Fig. 6). 일치율 계산식은 Eq. (1), Fig. 5와 같다. Fig. 5에서 A는 실제 토석류 피해지역, B는 RWM으로 모의된 토석류 피해지역을 의미한다. 이때 B1은 실제 피해지역과 모의 피해지역이 중첩되는 영역으로, 모의가 실제 피해지역을 정확히 재현한 부분에 해당한다. 반면 B2는 실제로는 피해가 발생하지 않았으나 모의 결과에서는 피해지역으로 분류된 영역을 의미한다.
RWM은 DEM, 토석류 발생지점 및 이진 분류 지도와 같은 비교적 제한된 입력자료만으로 토석류 모의가 가능하다는 장점이 있다. 또한 사용되는 매개변수의 수가 적어 모형 구축과 적용이 비교적 용이하며, 재해 발생 후 신속하게 피해 예상 범위를 산정할 수 있다. 하지만 RWM은 물리적 지배방정식에 기반한 모형이 아니므로 토석류 이동 과정의 물리적 메커니즘을 직접적으로 반영하는 데에는 한계가 있다. 또한 토석류의 이동 방향과 확산 범위가 주로 DEM에 의해 결정되기 때문에 DEM의 해상도와 품질에 대한 결과 의존도가 높다. 또한 토석류 발생과 밀접한 관련이 있는 강우 인자를 직접 반영하기 어렵다는 제약도 있다. 이러한 한계에도 RWM은 토석류 피해 발생 후 신속한 모의가 가능하므로, 피해범위 설정과 복구대책 수립을 위한 실무적 도구로 활용될 수 있다.
RWM에서는 토석류가 각 step마다 Fig. 7과 같이 인접한 8개 방향 중 하나를 확률적으로 선택하여 이동한다. 먼저 DEM을 이용하여 현재 셀과 인접 8개 셀 간의 경사를 계산하고, 경사가 큰 방향에 상대적으로 높은 가중치를 부여한다. 이후 Eq. (2)와 같이 방향별 가중치를 누적 확률 구간으로 변환한 뒤, 0과 1 사이의 난수를 발생시켜 해당 난수가 포함되는 구간의 방향으로 토석류를 이동시킨다(Fig. 8). 따라서 경사가 큰 셀일수록 토석류가 이동할 확률이 높으며, 이로 인해 RWM의 모의 결과는 DEM의 해상도와 품질에 큰 영향을 받는다. 또한 RWM은 토석류 이동 과정에서 관성가중치(IW)를 고려하며, 인접 셀과의 경사가 정지경사(SS) 이하로 감소할 경우 해당 셀에 토석류를 퇴적시킨다. 이때 RWM은 최종 퇴적 셀을 중심으로 피해범위를 산정하므로, 이동 경로 자체는 최종 피해범위 산정에 직접 반영되지 않는다.
2.4 최적 매개변수 추정
기존 RWM의 최적 매개변수는 주로 연구자의 수동 보정을 통해 추정되었다(Fig. 9). 그러나 수동 보정 방식은 반복적인 시행착오가 필요하므로 매개변수 추정에 많은 시간이 소요된다. 또한 신뢰도 높은 모의 결과를 얻더라도, 도출된 매개변수가 국소 최적해에 해당할 가능성을 배제하기 어렵다. 따라서 본 연구에서는 전역최적화 기법 중 하나인 차분 진화(Differential evolution, DE) 알고리즘을 적용하여 RWM의 최적 매개변수를 자동으로 추정하는 모듈을 개발하였다.
DE는 초기 개체군 생성, 변이, 교차, 선택 및 종료조건 확인 과정을 반복하여 최적해를 탐색하는 전역최적화 기법이다(Fig. 10, Fig. 11). 자세한 설명은 Fig. 12와 같다. 먼저 설정된 매개변수 탐색 범위 내에서 다수의 후보해를 무작위로 생성하여 초기 개체군을 구성한다. 이후 기존 후보해 간의 차분 벡터를 이용하여 변이 벡터를 생성하고, 이를 기존 후보해와 교차시켜 새로운 후보해를 생성한다. 생성된 후보해는 기존 후보해와 목적함수 값을 비교하여 더 우수한 해가 다음 세대의 개체로 선택된다. 이러한 과정을 종료조건이 만족될 때까지 반복함으로써 탐색 범위 내에서 RWM의 최적 매개변수를 추정한다.
본 연구에서 구축한 최적 매개변수 자동 탐색 모듈은 2단계로 구성된다. 1단계에서는 RWM 매개변수 조합을 총 1,080회 평가하여 목적함수 값이 우수한 상위 3개 조합을 선정한다. 2단계에서는 선정된 각 조합을 18회씩 재평가하여 반복 모의에 따른 성능 변동성을 고려하고, 평균 정확도가 가장 높은 조합을 최적 매개변수로 결정한다. 이후 도출된 최적 매개변수를 적용하여 토석류 흐름 및 퇴적 범위 모의를 수행한다.
2.5 평가 지표
토석류 모의 결과의 정확도를 평가하기 위해 혼동행렬(confusion matrix)을 활용하였다. 혼동행렬은 실제 피해지역과 모의 피해지역의 공간적 일치 여부를 셀 단위로 비교하는 방법이다. 혼동행렬의 구성요소는 다음과 같다. TP(True Positive)는 실제 피해가 발생한 셀이 모의 결과에서도 피해지역으로 분류된 경우를 의미한다. TN(True Negative)은 실제 피해가 발생하지 않은 셀이 모의 결과에서도 비피해지역으로 분류된 경우를 의미한다. FP(False Positive)는 실제 피해가 발생하지 않았으나 모의 결과에서는 피해지역으로 분류된 경우를 의미한다. FN(False Negative)은 실제 피해가 발생하였으나 모의 결과에서는 비피해지역으로 분류된 경우를 의미한다.
토석류 모의 결과를 평가할 때는 실제 피해지역과 모의 피해지역의 공간적 일치 정도가 중요하다. 특히 실제 피해지역이 모의 결과에서도 피해지역으로 분류되는 비율은 모의 결과의 신뢰도를 판단하는 주요 기준이 된다. 본 연구에서는 초기 목적함수로 TP 최대화를 적용하였으나, 모의 시간이 과도하게 증가하는 한계가 있었다. 따라서 최종적으로는 목적함수로 IoU(intersection over union)를 활용하였고, 평가지표로는 정밀도(precision), 재현율(recall)을 이용하여 모의 결과를 평가하였다.
3. 연구 결과
3.1 최적 매개변수 추정 결과
최적 매개변수 탐색과 최종 모의에 소요된 시간은 약 33분 47초였으며, Table 3에서 제시한 계산 환경에서 수행하였다. 최적화 및 토석류 모의에 사용한 하이퍼파라미터는 Table 4와 같다. VT는 산림과학원에서 DoD기법으로 추정한 22,116 m3를 적용하였다. 기존 RWM에서는 일반적으로 10,000회 이상의 반복 모의 결과를 평균하여 최종 피해범위를 산정한다. 반면 본 연구 대상지는 공간적 규모가 비교적 작아 50회의 반복 모의만으로도 결과가 안정적으로 수렴하는 것으로 확인되었다.
Table 3.
Hardware specifications used in this study
| Parts | Name |
| CPU | AMD Ryzen 9 9950X |
| GPU | NVIDIA GeForce RTX 4080 SUPER |
| RAM | 128GB |
Table 4.
Hyperparameters used for optimization and final simulation
| Hyperparameter name | Value |
| maxiter | 3 |
| popsize | 6 |
| seed | 41-45 |
| n_simulation (estimate) | 3 |
| n_simulation (final debris flow simulation) | 50 |
| VT | 22,116 m3 |
전역최적화 기법을 적용한 최적 매개변수 추정 및 토석류 모의 결과는 Table 5와 같다. VS=18.509, SS=6.849, IW=2.822로 도출되었다. 최적 매개변수를 적용한 모의 결과, 평균 IoU는 0.3228±0.0047, 정밀도는 0.5942, 재현율은 0.4361로 나타났다. 반면 전체 정확도는 91.71%로 높게 나타났다. 이는 모의 대상 영역에서 비피해지역(TN)이 차지하는 비율이 크기 때문으로 판단된다(Fig. 14). 따라서 토석류 모의 결과를 평가할 때에는 전체 정확도와 같은 단일 지표만으로 성능을 판단하기보다 IoU, 정밀도 및 재현율을 함께 고려할 필요가 있다.
Table 5.
Optimized RWM parameters and performance metrics
| Name | Value |
| Mean IoU | 0.3228 ± 0.0047 |
| VS | 18.509 |
| SS | 6.849 |
| IW | 2.822 |
| Accuracy | 91.71 % |
| Precision | 0.5942 |
| Recall | 0.4361 |
IoU와 재현율이 비교적 낮게 나타난 것은 RWM의 모의 및 평가 방식과 관련이 있다. 본 연구에서는 RWM의 최종 정지·퇴적 셀을 기준으로 이진분류 지도를 구축하고, 이를 관측 피해지도와 비교하여 정확도를 평가하였다. RWM은 각 step에서 확률적으로 이동 방향을 결정하므로, 반복 모의 결과의 전체 이동경로를 평가 대상으로 사용할 경우 시작부에서 하류부까지 넓은 범위가 통과 영역으로 산정될 수 있다. 이 경우 단순히 토석류의 통과 여부만으로 피해영역을 정의하면 관측 피해지역을 과도하게 포함하게 되어, 실제 퇴적 피해범위와의 정량 비교 기준으로 활용하기 어렵다. 따라서 본 연구에서는 최종 퇴적영역을 기준으로 IoU, 정밀도 및 재현율을 산정하였다.
다만 이러한 평가 방식은 토석류 이동경로에서 발생할 수 있는 피해를 충분히 반영하지 못하는 한계가 있다. 따라서 향후에는 RWM의 확률적 이동 특성과 최종 퇴적 특성을 함께 고려할 수 있는 목적함수 및 평가 기준에 대한 추가 검토가 필요하다.
3.2 토석류 퇴적량 분석
토석류의 평균 토사 퇴적량은 Fig. 15와 같다. 평균 퇴적량 분포를 지형 조건과 함께 검토한 결과, 퇴적은 토석류 시작지점 직하부의 급경사 구간보다는 하류부의 완경사 및 계곡 출구부에서 상대적으로 크게 산정되었다. 토석류 시작점의 고도는 약 584.0 m, 경사도는 약 37.7°로 나타났으며, 최대 퇴적 높이 약 3.83 m가 산정된 셀은 시작점으로부터 직선거리 약 671.1 m 하류에 위치하였다. 해당 셀의 고도는 약 366.3 m, 경사도는 약 4.1°로 분석되었으며, 관측 피해지역 내부에 포함되는 것으로 확인되었다. 이는 토석류가 상류부 급경사 구간에서는 주로 이동하고, 하류부에서 경사가 완만해지는 지점에 도달하면서 퇴적이 집중되는 경향을 보인 것으로 판단된다.
항공사진 기반 피해 양상과 모의 결과를 비교한 결과, 모의된 퇴적 분포는 실제 피해지역 및 지형 특성과 전반적으로 유사한 공간적 경향을 보였다(Fig. 16). 전체 퇴적 발생 셀 중 관측 피해지역과 중첩되는 비율은 약 60.1%로 나타났으며, 퇴적량이 가장 크게 산정된 상위 1% 구간은 모두 관측 피해지역 내부에 위치하였다. 특히 주거지 인근 피해 구간에서 상대적으로 큰 퇴적이 모의되어, RWM이 주요 피해 구간의 퇴적 집중 양상을 정성적으로 재현할 수 있음을 확인하였다. 다만 대상 지역의 실제 퇴적 높이에 대한 현장 계측자료가 확보되지 않아, 최대 퇴적 높이 약 3.83 m에 대한 정량적 검증은 수행하지 못하였다. 따라서 본 연구에서는 퇴적 높이의 절대값보다는 평균 퇴적량이 크게 산정된 위치, 지형적 경사 완화 구간, 관측 피해지역과의 공간적 중첩 여부를 중심으로 모의 결과를 해석하였다.
3.3 토석류 통과확률 지도 분석
RWM은 최종 퇴적 셀을 중심으로 피해범위를 산정하므로, 토석류의 이동 경로와 셀별 통과 빈도를 직접적으로 확인하기 어렵다. 따라서 본 연구에서는 토석류 이동 과정에서 각 셀을 통과한 횟수를 별도로 누적하여 통과확률 지도를 작성하였다. 토석류가 한 step 이동하여 특정 셀을 통과할 경우 해당 셀의 통과횟수에 1을 더하였으며, 모든 토석류 입자가 이동 및 퇴적을 완료하면 셀별 누적 통과횟수가 산정된다. 이후 각 셀의 통과확률은 셀별 누적 통과횟수를 총 토석류 발생횟수로 나누어 정규화하였다. 즉, 통과확률은 다음과 같이 산정하였다.
여기서, 는 번째 셀의 통과확률, 는 해당 셀의 누적 통과횟수, 은 총 토석류 발생횟수를 의미한다. 이를 통해 각 셀에서 토석류가 상대적으로 얼마나 자주 통과하였는지를 0에서 1 사이의 확률값으로 표현하였으며, 그 결과를 Fig. 17에 제시하였다.
분석 결과, 통과 횟수가 높은 구간은 실제 토석류 피해지역과 전반적으로 일치하는 것으로 나타났다. 특히 토석류가 집중적으로 통과한 구간은 실제 피해가 발생한 지역과 공간적으로 유사한 분포를 보였다. 이러한 결과는 토석류의 주요 이동 경로와 잠재적 위험 구간을 파악하는 데 활용될 수 있으며, 사방댐 등 방재시설의 설치 위치 선정과 같은 재해 저감 의사결정을 지원하는 기초자료로 활용 가능할 것으로 판단된다.
또한 경사도와 토석류 퇴적량의 관계를 분석하기 위해, 통과 횟수가 많은 셀을 상대적으로 경사가 큰 구간으로 가정하고 통과 횟수에 따른 퇴적량 변화를 검토하였다. 분석 결과, 통과 횟수가 적은 셀에서 상대적으로 큰 퇴적량이 나타나는 경향을 보였다(Fig. 18).
따라서 본 연구에서 산정한 통과확률 지도는 RWM이 최종 퇴적 셀만을 중심으로 피해범위를 산정하는 한계를 보완하고, 토석류의 주요 이동 경로와 집중 통과 구간을 정량적으로 제시한다는 점에서 의미가 있다. 또한 통과 횟수와 퇴적량의 관계 분석은 토석류가 급경사 구간에서는 주로 이동하고, 완경사 또는 지형적으로 에너지가 감소하는 구간에서 퇴적되는 경향을 해석하는 데 활용될 수 있다. 이는 단순한 피해범위 예측을 넘어 토석류의 이동·퇴적 특성을 함께 평가할 수 있는 보조 분석 방법으로 활용 가능할 것으로 판단된다.
4. 결 론
본 연구에서는 토석류 피해범위를 신속하게 추정하기 위해 확률 기반 Random Walk Model(RWM)의 매개변수인 VS, SS, IW를 전역최적화 기법인 DE를 이용하여 자동으로 추정하고, 이를 2023년 7월 15일 경상북도 영주시 풍기읍 삼가리 토석류 사례에 적용하였다. 본 연구의 주요 결론은 다음과 같다.
(1) 전역최적화 기법을 적용한 결과, 최적 매개변수는 VS=18.509, SS=6.849, IW=2.822로 도출되었다. 이때 평균 IoU는 0.3228±0.0047, 정밀도는 0.5942, 재현율은 0.4361로 산정되었다.
(2) 전체 정확도는 91.71%로 높게 나타났으나, 이는 모의 대상 영역 내 비피해지역(TN)의 비중이 큰 영향을 미친 결과로 판단된다. 따라서 토석류 피해범위 평가에서는 정확도와 같은 단일 평가지표만으로 모의 성능을 판단하는 데 한계가 있으며, IoU, 정밀도 및 재현율을 함께 고려할 필요가 있다.
(3) 평균 퇴적량 및 통과확률 분석 결과, 토석류의 주요 이동 구간이 실제 피해지역과 전반적으로 유사한 공간적 분포를 보였다. 이는 본 연구에서 산정한 결과가 피해범위 추정뿐만 아니라 토석류의 주요 흐름 경향을 파악하는 데 활용될 수 있음을 의미한다.
(4) RWM은 물리 기반 지배방정식을 사용하지 않으므로 토석류 유동 메커니즘에 대한 물리적 설명력이 상대적으로 제한된다. 또한 토석류 이동 방향과 확산 범위가 DEM에 크게 좌우되므로, 신뢰성 있는 DEM의 확보가 필요하다.
(5) 본 연구에서는 강우 인자를 직접 반영하지 못하였으며, 단일 사례지역을 대상으로 분석을 수행하였다는 한계가 있다. 따라서 향후 다양한 토석류 사례에 대한 추가 적용과 강우·지형 인자를 함께 고려한 검토가 필요하다.
(6) 본 연구 결과는 토석류 피해 발생 후 피해범위 설정, 위험구간 파악 및 사방댐 설치 위치 검토 등 복구 과정에서 신속한 의사결정을 지원하는 기초자료로 활용될 수 있을 것으로 판단된다.
