1. 서 론
2. 연구방법
3. 연구지역 선정 및 지형지질 특성분석
3.1 연구지역 선정 및 조사
3.2 지질특성
4. 지상센서를 이용한 비탈면 변위 모니터링
5. Prophet 모델
5.1 시계열 예측모델
5.2 비탈면의 변위데이터를 이용한 예측결과
5.3 토론
6. 결 론
1. 서 론
최근 기후변화 및 집중호우 영향으로 국내에서 매년 산사태, 땅밀림 등의 자연재해가 발생하고 있다. 산사태는 집중호우 및 태풍을 동반한 극한강우일 때 급격히 발생하는 특징을 보이고 있으며, 땅밀림은 활동면이 깊고 서서히 진행되기 때문에 지질과 토심, 풍화정도, 풍화토 및 구성 광물의 성질과 지형적 특성에 더욱 밀접한 영향을 받는다(Stead & Wolter, 2015; Shin et al., 2018). 비탈면 변위는 산사태 및 땅밀림을 유발시키며, 땅밀림은 강우와 지하수 등에 의해 산지 비탈면이 포화되고 중력에 의해 느린 속도로 이동하는 것을 의미한다(Park et al., 2005; Kim et al., 2016; Seo et al., 2019; Kim et al., 2023). 국내에서 발생하는 비탈면 변위는 소규모이고 발생 빈도도 적어 구체적인 연구가 시작된 것은 1990년대 중반부터이다. 그러나 비탈면의 변위는 지질구조의 발달뿐만 아니라 기후, 지하수위, 지형/지질, 불연속면과 단층파쇄대의 특성 등 다양한 원인에 의해 발생하나 대부분의 연구는 변위 원인 분석과 평가가 주를 이루고 있다.
Jang & Yang(2010)과 Lee et al.(2018)은 암반비탈면 안정성 해석에 있어 구성 암반의 지질학적인 요소, 비탈면 및 주변 환경의 기하학적인 형태, 비탈면의 절개면을 조사하는 것이 필요하지만 지하수위 변화와 영향을 분석하는 것도 필요하다고 제안하였다. 최근 첨단기술인 원격탐사(드론 등)에 대한 연구가 활발해지면서 드론을 이용한 비탈면의 변위와 땅밀림 분석 연구도 수행되고 있다. Kim et al.(2020)은 강원도 삼척지역의 깎기비탈면을 대상으로 땅밀림이 발생하는 비탈면에 대한 시계열 분석을 수행하였다. Dewez et al.(2016)은 절벽 지형의 사진측량을 통해 붕괴 위험성을 분석하였으며, 지상라이다인 3D스캐너 및 과거의 수치지형도와 비교하여 변위를 예측하는 연구를 수행하였다. 또한 비탈면에 영향을 줄 수 있는 인자들을 대상으로 통계학적으로 분석하고 DEM 기반의 지형분석을 실시한 연구(Gritzner et al., 2001; Walsh et al., 2003; Miska & Hjort, 2005)와 라이다를 이용한 산사태의 취약성 평가 및 산사태 발생에 따른 지형변화에 대한 연구(Haugerud et al., 2003; Schulz, 2007) 결과도 발표되었다.
하지만 현재까지 대부분의 연구는 비탈면 변위에 대한 모니터링 장치나 센서를 이용해서 각각의 가능성을 분석하고 평가하는 내용이다. 또한 비탈면은 장기간 모니터링과 많은 데이터가 필요하지만 표본수가 다소 적고 정밀조사 관련 데이터베이스가 축적되지 않은 실정이며, 비탈면 장기모니터링은 비용 및 관리 차원에서 비효율적이다. 따라서 본 논문에서는 분단위의 시계열 데이터를 활용해서 인공지능 기반 비탈면 변위예측을 실시하고 이를 통한 활용 가능성을 평가하였다.
2. 연구방법
본 논문에서는 현재 변위가 진행되고 있는 연구지역을 선정하고 지상센서를 이용하여 변위 모니터링을 실시한 후 Prophet모델을 이용하여 변위 예측을 실시하였다. 변위 감지를 위한 와이어 센서는 길이 변화를 전기적 신호로 발생시키며, 데이터로거에 전송되어 저장된다. 변위계 등 계측기는 정확한 데이터를 획득할 수 있고, 중장기 모니터링을 위한 필수적 장비이다. 또한 분단위의 대규모 계측자료는 인공지능을 이용한 땅밀림 예측의 신뢰도를 높이고 예측을 통한 재난피해 저감을 위해 활용될 수 있다. Fig. 1은 연구과정 및 방법을 나타낸다.
3. 연구지역 선정 및 지형지질 특성분석
3.1 연구지역 선정 및 조사
본 연구에서는 모니터링을 위해 현재 비탈면 변위가 진행 중인 지역을 선정하고, 지상센서를 이용하여 변위 모니터링을 수행하였다. 이를 위해 국내에서 변위 및 땅밀림이 발생하고 있는 지역을 선정하여 현장조사를 통해 대상지역의 위험 및 시급성, 접근성, 지질조건, 현재 비탈면의 변위 정도, 항공 촬영 결과 등을 고려하였다.
현장조사 결과 연구지역 평균 경사도는 18.0°이며, 평면형과 곡형의 종단면형을 보이는 것으로 나타났다. 연구지역 비탈면의 상부 및 하부에서 땅밀림에 의한 단차로 의심되는 지형이 각각 연장 8m, 높이 1.5m 및 연장 1.5m, 높이 1m의 규모로 확인되었다. 산림토양은 약건성이고 sandy loam인 상부토층 두께는 0.6m에서 0.9m, 구조는 괴상구조이다. 임상은 혼효림이고, 소나무, 낙엽송, 잡관목 등이 분포하고 있다(Kim et al., 2023).
연구지역은 하부에 민가 및 택지가 위치하고, 개발에 의해 깎기비탈면으로 이루어져 있다. 또한 일부지역은 자연석, 깬돌 등의 메쌓기 옹벽이 시공되어 있다. 상부 산지에서 흐르는 강우를 집수, 우회하기 위하여 횡배수로를 설치하였으나 경사가 완만하고 집수된 유입수가 대부분 지중으로 침투되어 비탈면을 불안정하게 한 것으로 판단된다. Fig. 2는 연구지역 지형을 보여주는 위성사진이며, Fig. 3은 비탈면 항공촬영 결과이다.
3.2 지질특성
연구지역은 미그마타이트질 편마암과 용두리편마암복합체가 주를 이루고 있다(Lee et al., 1974). 용두리편마암복합체는 도폭 중앙을 남북으로 가로지르는 단층의 동부 대부분을 차지한다. 하위로부터 미그마타이트질편마암(Migmatitic gneiss), 석영장석질편마암(Quartz feldspathic gneiss), 흑운모편마암(Biotite gneiss) 등으로 구분되고 경계는 점이적으로 나타난다. 전체적으로 하부로부터 상부로 갈수록 화강암화 작용 정도가 약해지고, 구성광물은 주로 석영, 미사장석, 정장석, 사장석, 흑운모와 이차적으로 백운모, 녹니석 등을 함유하고 있다. 연구지역 지질조건은 Fig. 4와 같다.
4. 지상센서를 이용한 비탈면 변위 모니터링
모니터링은 현재상태를 관찰하고 지속적으로 평가하는 과정을 의미한다. 본 논문에서는 비탈면 변위 모니터링을 위해 지상센서를 이용하고 비탈면 변위 예측모델 적용을 위한 자료로 활용하였다.
비탈면 변위 감지를 위한 와이어 센서는 지지대를 통한 와이어 길이 변화를 전기적 신호로 발생시키는 원리로 작동한다. 각 센서에서 측정된 자료는 데이터로거(CR1000X)에 전송되어 저장되며, 데이터로거는 휴대전화 무선통신방식을 이용하여 모니터링 서버로 저장된 데이터를 전송한다. 자동계측장치는 자동계측시스템 함체에 설치하였으며, 데이터로거(data logger), 포스트(post), 전원케이블 및 보호관, 낙뇌방지 장치, 통신모뎀 등으로 구성된다.
데이터는 분단위로 획득하였으며, 변위계는 2022년 5월 19일부터 2023년 11월 1일까지 측정하였다. 데이터로거는 모니터링 센서와 30m 이내의 거리에 설치하여 50m 이상 이격되면 발생하는 데이터 손실을 방지하였다. 비탈면 변위모니터링시스템 구축을 위해 현장에 설치한 각 센서의 주요 특성과 측정범위 등은 Table 1과 같으며, 설치된 센서는 Fig. 5와 같다. 강우량계(Rain Gauge)는 강우 등 기상계측을 위해 설치하였으며, 비탈면 변위계(Displacement Sensor)는 분단위 변위데이터 획득을 위해 설치하였다.
Table 1.
Main specifications of sensors installed in the field
Fig. 6은 계측장치를 통한 비탈면 변위 모니터링 결과이다. 여름철 강우는 비탈면 변위에 큰 영향이 없었지만 장마 후 동절기를 기준으로 변위값이 급격히 변화하는 것으로 나타났으며, 이는 2023년 3월과 4월 사이 기온변화에 따라 해빙이 반복된 것으로 판단된다.
5. 지상센서를 이용한 비탈면 변위 모니터링
5.1 시계열 예측모델
기존 비탈면 변위 예측 모델은 시간적 순서가 존재하는 시계열 데이터를 분석하기 위해서 규칙적인 패턴을 파악하고 모델링을 하는 방법이 주로 사용되었다. 특히 변위에 대한 시계열 분석을 통해 예측관련 수치모델링, 통계적 모델링 등이 사용되어 왔으며, 현재 통계 기반의 인공지능 기술을 포함한 다양한 종류의 시계열 예측 기법이 제안되고 있다.
Facebook에서 개발한 시계열 예측 모델인 Prophet은 트렌드(trend), 계절성(seasonality) 등을 고려하였다. 기존의 ARIMA와 같은 전통적인 시계열 모델과 달리 데이터의 결측치에 이상치(outlier) 영향을 줄이며, 장기적인 예측이 가능하다는 장점이 있다. 또한 Prophet은 비정상 시계열 처리가 용이하기 때문에 추세, 계절성, 휴일효과를 분리하여 모델링 사면변위 데이터의 불규칙한 변동도 분석이 가능하며, 지반변위·침하·수위 등 환경 및 지반계측 데이터의 특성과 적합한 모델로 평가되고 있다(Yu, 2025). 특히 자동화된 매개변수 조정과 결측값 및 이상치에 대한 내성, 모델의 결과를 구성요소(추세, 주기, 이상치 등)별로 분해가 가능하므로 Prophet 모델을 선정하였다.
Prophet 모델은 통계분석 도구로 알려진 R과 Python에 해당 라이브러리가 구현되어 있으며, 기본적으로 3개의 요소를 가지는 가산모델(additive model)로 구성되어 있다.
여기서, 는 로지스틱 성장모형을 이용한 비선형적 추세를 반영하며, 는 푸리에 급수를 이용하여 모형 계절성에 대해 삼각함수 합을 이용하여 반영하고 있다(주기패턴). 또한 는 지시함수(indicator function)를 이용한 비주기적 이벤트를 반영하며, 는 오차항을 나타낸다(Taylor & Letham, 2018). Prophet 모델은 기본적으로 가산모델을 따르는 특징을 가지고 있지만 이벤트(event) 등의 새로운 외부 변화가 있을 때 모델을 쉽게 다시 훈련 시킬 수 있다. 시계열 데이터의 정상성, 정규성 등과 같은 엄격한 통계적 요구가 필요하지 않으며, 결측치들을 모델에 포함시킬 필요가 없다.
5.2 비탈면의 변위데이터를 이용한 예측결과
2022년 5월 19일부터 2023년 11월 1일까지의 지반 변위 데이터를 이용하여 5일, 15일, 30일, 60일, 120일, 360일 후의 변위를 예측하였다. Table 2에서부터 Table 7의 count는 분단위로 획득한 데이터의 총 개수이다. 실제 계측 데이터는 762,508개이며, 예측 데이터는 예측기간에 따라 다르다. 또한 평균 지반변위(mean), 표준편차(std), 최소 지반변위(min), 최대 지반변위(max)로 구분하였으며, 25%, 50%(중앙값), 75%는 분위수를 의미한다.
Table 2.
Predicted slope displacement results after 5 days (unit: mm)
Table 3.
Predicted slope displacement results after 15 days (unit: mm)
Table 4.
Predicted slope displacement results after 30 days (unit: mm)
Table 5.
Predicted slope displacement results after 60 days (unit: mm)
Table 6.
Predicted slope displacement results after 120 days (unit: mm)
Table 7.
Predicted slope displacement results after 360 days (unit: mm)
비탈면 변위 예측 결과는 Fig. 7과 같다. 검은색 점(Actual_data)은 관측기간 동안 계측된 실제 지반변위 값을 의미하며, 파란색 실선(Predicted_displacement)은 모델 최종 관측 시점을 기준으로 산출한 예측 변위이다. 실선 양쪽의 푸른색 음영 영역(Prediction_confidence_interval)은 Prophet 모델이 제공하는 예측구간을 나타낸다. 실제 데이터 포인트의 대부분이 이 구간 내에 위치한다. 최대 지반변위와 최소 지반변위는 관측기간 동안 비탈면이 가장 크게 이동한 값을 나타내며, 계절 및 강우에 따라 변하는 것으로 나타났다.
5일 후 예측 결과 데이터는 761,909개이다. 대부분의 실제 데이터와 예측 데이터는 유사한 분포를 나타내고 있다. 예측 지반변위가 실제 데이터와 잘 일치하고 평균적인 경향성과 극단적인 변동 모두 실제 데이터를 잘 포착하는 것으로 판단된다.
15일 후 예측결과 데이터는 761,919개이다. 실제 데이터와 예측 데이터를 비교한 결과 예측 데이터가 더 일관된 변위 값을 나타내며, 예측된 최소값이 실제보다 덜 극단적이다. 최대 지반변위는 실제 데이터(13.566mm)와 예측 데이터(13.443mm)의 큰 차이가 없다. 따라서 예측 모델은 15일간의 지반변위를 잘 예측하는 것으로 보이며, 평균적인 경향성과 극단적인 변동 모두 실제 데이터를 잘 포착하는 것으로 판단된다.
30일 후 예측결과 데이터는 761,934개이다. 실제 데이터와 예측 데이터의 평균 변위는 거의 일치하며, 예측 데이터가 약간 더 일관된 변위 값을 가진다. 분석 결과 실제 데이터가 일부 예측된 신뢰구간이 아니지만 전반적으로 신뢰구간은 실제 데이터의 변동을 잘 포함하고 있다. 최소값과 최대값에서 실제 데이터의 극단적인 변동성을 완벽하게 포착하지 못할 가능성이 있지만 예측 모델은 실제 데이터의 패턴을 잘 따르고 있어 지반관리와 예측작업에 유용하게 활용할 수 있다고 판단된다.
60일 후 예측결과 데이터는 761,964개이다. 실제 데이터와 예측 데이터의 평균변위는 유사하며, 예측 데이터가 약간 더 일관된 변위 값을 가진다. 60일 예측의 경우 실제 데이터 대부분이 신뢰 구간에 있지만 극단적인 지반변위 값에서 실제 데이터를 포함하지 못하는 경향이 보이며, 특히 큰 감소나 증가가 발생하는 구간에서 신뢰 구간이 실제 데이터를 완벽하게 포함하지 못한다.
120일 후 예측결과 데이터는 762,024개이다. 평균 지반변위는 거의 유사하며, 예측 데이터가 조금 더 일관된 값을 가지며, 실제 데이터의 최소값은 –31.244mm, 예측 데이터는 –21.285mm로, 예측된 최소값이 실제보다 덜 극단적이다. 25%, 50%(중앙값), 75%는 분위수로 실제와 예측 데이터가 유사한 분포를 나타내며, 최대 지반변위는 실제 데이터에서 13.566mm, 예측 데이터에서는 9.727mm로, 예측된 최대값이 실제 데이터의 최대값보다 덜 극단적이다.
360일 후 예측결과 데이터는 762,264개이다. 실제 데이터와 예측데이터의 평균 지반변위는 약간의 차이가 있는 것으로 판단되며, 장기 예측에 따라 신뢰 구간이 실제 데이터의 극단적인 변동을 포함하지 못하는 것을 알 수 있다. 특히 극단적인 최소값 예측에서 큰 차이를 나타낸다. 따라서 이 예측 모델은 지반변위의 평균적인 경향을 잘 따르나, 특히 극단적인 최소값 예측에서 정확도가 크게 떨어진다. 예측의 신뢰성을 높이기 위해서는 모델의 조정이 필요하며, 극단적인 변동성을 더 잘 포착할 수 있는 기법이 필요한 것으로 판단된다.
5.3 토론
연구지역 비탈면에서 측정된 변위 데이터와 예측 결과를 종합적으로 평가할 때 몇 가지 중요한 점이 고려되어야 한다. 첫째, 예측 모델의 정확도는 실제 데이터와 예측된 데이터 간의 평균 차이(mean), 표준 편차(std), 그리고 예측 범위를 나타내는 신뢰 구간의 넓이를 통해 평가할 수 있다. 예측된 평균이 실제 데이터의 평균과 근접하고 표준편차가 작을수록 모델의 예측이 실제 데이터에 가까울 가능성이 높게 나타난다.
둘째, 최소값(min)과 최대값(max)는 예측 모델이 어느 정도의 변동을 예측할 수 있는지를 보여준다. 이 값들은 특히 변위의 극단적인 경우를 예측하는 데 중요한데, 예를 들어 지반 변위가 큰 이상 현상이나 사고를 예측하는 데 사용될 수 있다.
셋째, 예측 기간이 길어질수록 예측의 불확실성이 커지는 경향이 있다. 이는 신뢰 구간의 넓이가 증가하는 것으로 나타날 수 있으며, 특히 장기 예측에서는 신뢰 구간이 현저히 넓어짐으로써 예측의 정확도가 낮아질 수 있음을 의미한다.
넷째, 예측 모델이 시간이 지남에 따라 어떻게 변하는지를 이해하는 것이 중요하다. 예측 기간이 길어질수록 예측된 평균 변위가 실제로 발생할 확률은 낮아지지만 모델이 여전히 유용한 통찰을 제공할 수 있다. 예를 들어 장기 예측이 넓은 신뢰 구간을 가질지라도 예측의 방향성이나 경향성은 유의미하다.
다섯째, 이러한 요소들을 종합적으로 고려할 때 이 데이터를 기반으로 한 모델은 단기간(5일에서 30일)에는 상대적으로 높은 정확도를 가질 수 있으며, 중기(60일에서 120일) 및 장기(360일) 예측에서는 불확실성이 증가하였다. 이는 Prophet 모델이 추세와 계절성을 기반으로 불확실성을 누적하여 산정하는 구조적 특징때문이며, 장기 예측 구간에서 신뢰구간 확대가 나타나는 것은 시계열 예측모형 전반에서 공통적으로 관찰되는 현상이다. 따라서 본 연구에서 관찰된 장기 리드타임의 불확실성 증가는 장기 예측에서 불확실성이 불가피하게 누적되는 Prophet 모델의 구조적 특성을 반영한 것으로 해석할 수 있다.
특히 국내 연구들은 주로 일 단위 또는 수일 간격의 계측자료를 활용하여 장기적 변위 추세 예측이나 붕괴 시점 조기경보가 중심이지만(Kim & Kim, 2021; Cho et al., 2022) 본 연구는 분단위의 대규모 데이터를 통한 비탈면 변위 예측에 중점을 두었으며, 예측 결과는 실무에서 활용 가능한 수준의 단기 예측 성능을 보였다.
6. 결 론
비탈면 변위가 예상되는 지역에서 계측 장비를 통한 변위 데이터 분석 및 인공지능을 활용한 변위 예측 연구를 수행한 결과는 다음과 같다.
분단위 데이터를 이용하여 비탈면 변위를 예측하였다. 예측 결과 단기간(5일에서 30일)에는 상대적으로 높은 정확도를 가질 수 있으며, 중기(60일에서 120일) 및 장기(360일) 예측에서는 불확실성이 증가하겠지만 잠재적인 위험을 식별하고 예방 조치를 취하는 데에 여전히 유용할 수 있다. 그러나 모델의 입력변수가 비탈면의 변위 중심으로 구성되어 있어, 외부 환경 요인을 충분히 반영하지 못하는 한계가 있다.
향후 연구에서는 비탈면의 안정성에 영향을 미칠 수 있는 강우량, 지하수위, 온도, 지반특성(토양 유형, 경사도) 등 다변량 데이터를 통합한 예측 모델을 개발할 필요가 있다. 특히 예측 모델의 성능을 향상시키기 위해서는 비탈면의 추가적인 변위 데이터 수집, 모델의 정교화, 다양한 비탈면 변위 시나리오에 대한 검증과 이를 통해 예측값의 불확실성을 줄이는 것이 요구된다. 또한 실측자료를 활용한 검증을 통해 비탈면 변위 모니터링을 위한 효율적 방안을 제공하는 것이 필요하다.
