1. 서론

홍수와 산사태와 같은 자연재해는 전 세계 모든 지역에서 발생하며 전 세계적으로 가장 복잡하고 중요한 문제이다. 특히 세계의 일부 지역은 다른 지역보다 자연재해에 더 위험하며, 또한 개발도상국에서 여러 종류의 자연재해가 반복적이고 빈번하게 발생하면서 대규모 인명 및 재산 피해가 발생하고 있다. 산사태, 홍수, 가뭄, 태풍, 지진은 전 세계적으로 가장 빈번하게 발생하는 자연재해이며, 이 중 홍수는 전 세계적으로 가장 파괴적인 자연재해 중 하나로, 일반적으로 폭우, 장기간의 강수량, 눈 녹음과 같은 요인으로 인해 발생한다(Askar et al., 2022). 유엔 재해경감사무국(UNISDR)의 통계 자료에 따르면 1995년부터 2015년까지 전 세계적으로 약 150,061건의 홍수가 발생하였다. 이러한 사건으로 인해 약 157,000명이 목숨을 잃었으며, 이는 같은 기간 동안 전 세계 재난 관련 사상자의 11.1%를 차지한다(Towfiqul Islam et al., 2021). 전 세계 자연재해의 약 3분의 1이 홍수로 인해 발생하며, 이러한 재해는 인프라, 경제, 인구에 상당한 악영향을 미친다(Ahmed et al., 2023). 또한 산사태 발생에 취약한 국가는 전 세계적으로 많으며 산사태는 전 세계 자연재해의 약 9%를 차지한다(Sun et al., 2023). 산사태는 전 세계에서 두 번째로 큰 자연재해로, 매년 막대한 재정적 손실을 초래한다(Azarafza et al., 2021).

이처럼 자연재해와 그에 따른 피해 및 경제적 손실이 증가하는 데에는 인구 증가, 천연자원에 대한 압력, 토지 이용 및 삼림 벌채, 경쟁적인 금융 및 경제 성장, 기후 변화 등 여러 가지 이유가 있다. 그러나 인구 증가는 그 시작점으로 볼 수 있는데, 인구가 증가함에 따라 더 많은 식량(토지 이용 및 목초지의 농지 전환, 관개용수 필요, 지하수 과다 개발 등), 더 많은 식수, 더 많은 돈, 더 많은 정착지 등이 필요하게 된다. 또한 자연재해에 취약한 지역을 고려하지 않은 채 도시가 성장하고 확장되는 것도 피해를 증가시키는 또 다른 문제이다.

이러한 자연재해 발생은 피할 수 없지만 적절한 조치를 취하면 재해/피해로 전환되지 않도록 할 수 있다. 온라인 조기경보 시스템, 자연재해 취약지역 지정 및 관리 등 적절한 조치는 자연재해로 인한 피해를 줄이기 위한 가장 실질적인 조치이다. 이 중 자연재해 취약지역 지정을 위한 홍수와 산사태 취약성도 작성은 정부, 자자체, 지역사회가 자연재해의 취약한 지역에서 자연재해를 효과적으로 예방하고 대응하는 등 자연재해를 관리하고 완화할 수 있다. 또한 이러한 자연재해에 맞서 복원력을 구축할 수 있도록 중요한 정보를 제공한다.

따라서 본 연구의 목적은 이러한 자연재해, 특히 홍수와 산사태의 취약성도 작성을 위해 필요한 전 세계의 산사태 및 홍수 발생 데이터와 11가지 지구환경 영향 요인 데이터를 소개 및 수집하고, GIS DB로 구축하여 향후 홍수와 산사태 취약성도를 작성하는 데 바로 사용할 수 있도록 하는 것이다. 이를 위해 본 연구에서는 전 세계를 대상으로 홍수와 산사태 위치, 홍수와 산사태 발생 요인인 강우량, 경사도, 지형위치지수, 평면곡률, 지형습도지수, 하천과의 거리, 토지이용, 토질, 토양수분, 지질, 온도 등 총 11개 환경적인 영향 요소를 각종 기관으로부터 데이터를 수집하고 이를 체계적으로 GIS DB로 구축하였다.

2. 전 세계 홍수와 산사태 지리공간데이터

홍수와 산사태에 대한 취약성 지도의 정확성과 신뢰성은 이러한 사건과 관련된 과거 데이터의 양, 질, 공간적 분포에 크게 영향을 받는다. 본 연구의 목표를 달성하기 위해 NASA 기후 시뮬레이션 센터(NCCS) 아카이브(https://www.nccs.nasa.gov/)에서 총 37,984건의 역사적 산사태 발생 기록과 6,682건의 홍수 발생 기록을 수집하였다. 그리고 ArcGIS를 사용하여 홍수와 산사태 위치를 GIS DB로 구축하였다. 이러한 홍수와 산사태의 공간적 분포는 Fig. 1과 같다.

3. 홍수와 산사태에 영향을 미치는 전 세계 지리 공간데이터

본 연구에서 수집되고 GIS DB로 구축된 홍수와 산사태 발생에 영향을 미치는 다양한 잠재적 환경 요인 및 출처, 해상도는 Table 1과 같다. 강우량, 경사도, 평면곡률, topographic position index (TPI), topographic wetness index (TWI), 하천과의 거리, 토양 질감, 토양수분, 암석, 토지 이용 등 11개 환경 요인의 대한 그림은 Fig. 2와 같다. 구체적으로 경사도, 평면곡률, TPI, TWI는 미국 지질조사국(USGS) 데이터베이스(https://earthexplorer.usgs.gov)에서 가져온 1×1 km 공간 해상도의 전 세계 규모의 디지털 표고 모델(digital elevation model, DEM)에서 직접 생성하였다. 전세계 강우량 지도는 51년간의 연평균 강우량 데이터(1970년부터 2021년까지)를 기반으로 작성되었고, 본 데이터는 https://www.worldclim.org에서 수집하였다. 강까지의 거리는 전 세계의 모든 하천과 강에 대해 ArcGIS의 다중 버퍼링 접근법을 사용하여 계산되었다. 2010년 데이터를 기반으로 한 공간 해상도 1×1 km의 전 세계 토지 사용 지도는 유엔 식량농업기구(FAO)에서 수집하였다(https://www.fao.org). 전 세계 온도 지도는 1970년부터 2019년까지의 연평균 기온 데이터를 활용하여 생성되었고, “https://cds.climate.copernicus.eu/”에서 다운받았다. 암석 지도는 세계 지질도 위원회에서 생성한 것으로 “https://ccgm.org/en”에서 수집하였다. 토양 종류 및 토양수분에 대한 데이터는 “https://openlandmap.org/”에서 수집하였다.

3.1 경사도

여기서 경사도는 홍수, 산사태 발생에 영향을 미치는 중요한 역할을 한다. 경사도가 높아지면 전단 응력과 중력 효과의 증가로 인해 산사태 발생 확률이 높아지고, 완만한 경사면에서는 중력이 그다지 크지 않고 토양 안정성이 더 잘 유지되기 때문에 산사태가 덜 발생한다(Aditian et al., 2018; Li et al., 2021). 경사가 완만한 지역은 유출이 느린 경향이 있고, 물이 빠르게 축적될 가능성이 적어 돌발 홍수의 위험이 줄어 든다(Arora et al., 2021; Chapi et al., 2017). 또한 경사도는 침투 과정, 표면 유출, 암반층의 두께, 표면 물질의 분포에 변화를 일으켜 홍수와 산사태의 형성과 전개에 중요한 영향을 미친다(Zhuang et al., 2015).

산악지역에서는 높을수록 강우량이 많을 수 있지만, 저지대에 비해 홍수 위험이 낮은 경우가 많다. 산악지역은 일반적으로 가파른 경사면과 험준한 지형을 가지고 있고, 이러한 자연적 특징은 빗물을 빠르게 내리막길로 흘려보내 광범위한 홍수 발생 가능성을 낮추는 데 도움이 될 수 있다. 경사가 가파르면 지표면 유출에 영향을 미치기 때문에 홍수 가능성이 더 커지는 경우가 많고, 또한 경사가 가파르면 물의 흐름이 빨라져 유출 속도가 빨라질 수 있다. 즉, 가파른 경사면에서 강우가 발생하면 물이 토양에 스며드는 시간이 짧아지고 더 많은물이 내리막길로 빠르게 흘러내리는 경향이 있다. 또한 산사태의 경우 경사각이 클수록 전단 응력과 중력 효과가 커지므로 산사태 발생 확률이 높아진다.

3.2 평면곡률

평면곡률은 지표 유출수의 발생과 축적을 제어하므로 홍수와 산사태 발생에 직접적인 영향을 미친다. 해당 지역의 곡률 지도는 DEM에서 평탄(-0.001 to 0.001), 오목(>0.001), 볼록(<-0.001)의 세 가지 등급으로 추출된다. 위쪽으로 오목한 모양을 가진 지역은 물이 모이고 고이는 경향이 있어 폭우 시 홍수가 발생하기 쉽고, 이러한 함몰은 자연 저수지 역할을 하여 유출수를 축적하고 잠재적으로 국지적인 홍수를 일으킬 수 있다. 반대로 볼록한 위쪽 경사면은 물을 더 효율적으로 흘려보내고, 빗물이 고일 가능성이 적어 홍수 위험이 줄어든다. 이러한 경사면은 해당 지역에서 더 빠른 유출과 배수를 촉진한다(Chapi et al., 2017; Malik et al., 2020). 평면 곡률이 음수인 지역은 물과 수분이 축적되어 토양 포화도가 높아질 수 있고, 이러한 과도한 수분은 토양의 안정성을 약화시키고 특히 폭우나 눈이 녹을 때 산사태를 유발할 수 있다(Dahal, 2017; Guzzetti et al., 2012). 양의 평면곡률 경사면은 일반적으로 배수가 더 빠르며 토양 건조가 더 빠를 수 있고, 이는 식생에 대한 수분 가용성 감소로 이어질 수 있다(Wang et al., 2020). 볼록한 경사면은 일반적으로 오목하거나 평평한 경사면에 비해 안정성이 떨어진다. 볼록한 모양은 중력을 집중시켜 전단 응력을 증가시키고, 이러한 응력의 집중은 특히 높은 토양수분이나 하중 조건의 변화와 같은 추가 요인의 영향으로 경사면이 파손되기 쉬운 환경을 만들 수 있다. 또한 지형의 곡률은 주로 물의 축적과 배수 패턴에 영향을 미쳐 산사태 발생에 영향을 미친다. 계곡이나 움푹 패인 곳과 같은 오목한 지형은 물을 모으고 축적하는 경향이 있기 때문에 홍수와 산사태 발생에 큰 영향을 미친다. 강우가 발생하면 이러한 저지대에는 물이 흐르고 고이는 경향이 있고, 이러한 물의 축적은 토양을 포화시키고 토양의 무게를 증가시키며 토양의 안정성을 떨어뜨릴 수 있다. 결과적으로 오목한 지형에서는 과도한 물이 윤활유 역할을 하여 흙과 바위가 내리막길에서 쉽게 미끄러질 수 있기 때문에 산사태가 발생하기 쉽다.

3.3 지형습윤지수

지형습윤지수는 지형과 배수 패턴에 따라 지표면이 얼마나 포화 상태인지 또는 젖어 있는지를 측정하는 지표이다(Tien Bui et al., 2019). 이는 수문학적 과정, 표면 포화도, 토양에 축적된 물의 공간적 분포를 제어한다(Aman et al., 2014; Janizadeh et al., 2021; Pourghasemi et al., 2013). 지형습윤지수 값이 높은 지역은 일반적으로 땅이 포화 상태이고 배수가 잘 안 된다는 것을 나타내고, 이러한 지역은 특히 폭우가 내릴 때 홍수가 발생하기 쉽다(Natarajan et al., 2021; Pal and Singha, 2021). 지형습윤지수 값이 낮으면 토양이 비교적 안정된 배수가 잘 되는 경사면을 나타내고, 이러한 지역에서는 산사태 위험이 낮지만, 눈이 빠르게 녹거나 지질학적 약점과 같은 특정 조건에서는 산사태가 발생할 수 있다(Chen and Zhang, 2021; Oh et al., 2018). 지역 기후, 토양 유형, 식생 피복, 지질학적 특성 등 다양한 요인이 지형습윤지수에 영향을 미친다는 점을 고려해야 한다. 지형습윤지수 값이 높은 지역은 물이 고일 가능성이 높으며, 특히 저지대나 배수가 불량한 지역에서는 홍수 위험이 증가할 수 있다.

3.4 지형위치지수

지형위치지수는 주변 지형과 관련하여 한 점의 위치를 특징짓는 척도이며, 셀 인근의 평균 표고와 개별 셀 자체의 표고 사이의 차이로 정의된다(Oh et al., 2018). 홍수 발생 시 지형위치지수는 배수 패턴과 물의 흐름 경로에 영향을 미칠 수 있다. 지형위치지수 값이 낮은(음수) 지역은 특히 함몰 지역이나 저지대에 위치한 경우 홍수에 더 취약할 수 있고, 반대로 지형위치지수 값이 높을수록(양수) 홍수에 덜 취약한 고지대 지형을 나타낼 수 있다(Bashir, 2023). 산사태는 주로 산등성이에서 발생하기 때문에 지형위치지수는 산사태에 영향을 미치는 중요한 요인으로 간주될 수 있다(Bachri et al., 2019). 지형위치지수가 나타내는 가파른 경사면과 표고 변화는 산사태 취약성에 기여할 수 있다. 산등성이 또는 언덕 꼭대기를 나타내는 양수 지형위치지수 값이 높은 지역은 불안정성을 경험할 수 있으며, 계곡을 나타내는 음수 지형위치지수 값은 특정 조건에서 대량 이동이 발생하기 쉽다(Chang et al., 2019).

3.5 강우

강우는 홍수와 산사태 발생을 촉발하는 요인이다(Alsubal et al., 2019). 과도한 물은 토양의 무게를 증가시키고 응집력을 감소시키며 경사면 붕괴를 유발할 수 있다. 산사태는 가파른 경사면과 느슨하거나 잘 다져지지 않은 토양이 있는 지역에서 발생할 가능성이 높고(Anis et al., 2019; Kıncal et al., 2017), 또한 장기간의 강우는 토양의 지속적인 포화로 이어져 홍수 가능성을 높인다(Liu et al, 2023). 강우량이 강, 하천 및 배수 시스템의 유출수 처리 능력을 초과하면 인근 지역이 침수된다(Khosravi et al., 2016; Stamellou et al., 2021). 강우량은 홍수, 산사태의 직접적인 유발 요인으로 간주되며, 따라서 강우량이 많을수록 침투량이 많아지고 토양 포화도가 높아져 산사태 발생이 증가한다(Fustos-Toribio et al., 2022).

3.6 하천과의 거리

하천 인근 지역의 포화로 인한 하천과의 거리는 홍수와 산사태 발생 요인이며(Shahabi et al., 2021), 수위와 토양수분 함량의 증가로 인해 사면 안정성이 악영향을 받는다(Chen and Zhang, 2021; Kalantar et al., 2020). 강은 사면 아래 부분을 침식하고 지층의 전단 강도를 감소시킨다(Amaliah et al., 2021; Li et al., 2021). 강과 가까운 지역은 특히 폭우나 눈이 녹는 시기에 홍수에 더 취약하고, 하천은 자연적인 배수로 역할을 하며, 하천의 용량을 초과하면 물이 인접 지역으로 흘러 넘친다. 하천과의 거리가 짧을수록 홍수 위험이 높아지며, 특히 범람원과 저지대 지역에서는 더욱 그렇다(Panahi et al., 2021; Shahabi et al., 2020). 경사가 가파른 지역에서는 강과 가까울수록 폭우 시 산사태 위험이 높아질 수 있는데, 강은 경사면 바닥을 침식하고 약화시켜 경사면 붕괴에 더 취약하게 만들 수 있다. 강둑이 침식되고 불안정해지면 산사태가 촉발될 수도 있다(Amir Yazdadi and Ghanavati, 2016). 이러한 자연재해에 대한 하천과의 거리가 미치는 영향은 지역 지형, 기후, 지질학적 조건에 따라 달라질 수 있다는 점에 유의해야 하며, 또한 하천의 크기와 흐름, 토지 이용, 토양 특성과 같은 다른 요인들도 하천과의 거리와 상호작용하여 위험에 대한 취약성에 영향을 미칠 수 있다. 지역이 강에 가까울수록 폭우가 내리거나 강물이 제방을 넘칠 때 홍수가 발생할 가능성이 높으며, 강은 자연적인 배수 통로 역할을 하며, 물의 흐름이 증가하는 기간 동안 인근 지역이 침수될 가능성이 높다. 또한 하천 네트워크는 토양에 수분을 공급하기 때문에 하천과 가까운 지역은 항상 산사태 발생에 취약하며 세계 여러 지역에서 보고되고 있다(Hakim et al., 2022; Pham et al., 2017; Thi Ngo et al., 2021).

3.7 토양 종류

토양 종류는 수문학적 및 지질학적 과정에 영향을 미치고 이는 물의 침투율과 배수 능력에 영향을 미친다(Janizadeh et al., 2019; Olii et al., 2021). 토양 종류가 홍수와 산사태에 미치는 영향은 중요하며 다양한 토양 유형의 투수성 및 수분 보유 특성에 의해 영향을 받는다. 입자가 큰 것이 특징인 모래 토양은 일반적으로 투수성이 높아 물이 빠르게 침투할 수 있다. 따라서 표면 유출을 줄이고 잠재적으로 홍수 위험을 완화할 수 있다. 반대로 입자가 미세한 점토질 토양은 침투성이 낮아 강우 시 침투가 느려지고 표면 유출이 증가하여 홍수 발생 가능성이 높아진다. 모래, 미사, 점토가 균형 있게 혼합된 양토 토양은 중간 정도의 투과성을 나타내므로 침투가 더 점진적으로 이루어지고 유출이 감소하여 지역의 홍수 역학에 영향을 미친다. 지형적 매개변수는 지역 배수 패턴에 영향을 미칠 수 있지만, 홍수에 대한 전반적인 영향은 토양 특성, 수문학적, 인위적, 기상학적 요인보다 전 지구적 규모에서 덜 두드러진다. 또한 토양 종류는 경사면의 안정성과 산사태 발생 가능성에 영향을 미친다. 모래 토양은 일반적으로 배수가 잘되고 포화 상태가 되기 쉬워 산사태의 위험이 줄어드는 반면 점토질 토양은 수분 보유 능력이 높고 포화 상태가 되기 쉬워 특히 가파른 경사면에서 산사태가 발생하기 쉽다. 미사의 존재는 토양 응집력에도 영향을 미쳐 경사면 안정성에 영향을 줄 수 있다. 또한 토양 종류는 수분 보유와 가용성에 중요한 역할을 하여, 거친 질감의 모래 토양은 빠르게 배수되며 건조한 시기에는 물 부족 현상이 발생할 수 있고, 입자가 고운 점토질 토양은 물을 더 많이 보유할 수 있지만 배수가 잘 되지 않아 식물 성장에 영향을 미칠 수 있다. 모래, 미사, 점토가 균형 있게 혼합된 양토 토양은 우기와 건기 모두에서 식물의 생육을 지원하는 데 이상적인 토양으로 간주된다.

3.8 토양수분

토양의 수분 함량은 물의 침투 및 유출 속도에 영향을 미친다. 특히 불투수성 토양이 있는 지역이나 토양이 이미 포화 상태인 경우, 토양수분 함량이 높으면 침투 능력이 저하될 수 있다. 이는 과도한 물이 토양에 흡수되지 않기 때문에 표면 유출과 홍수 가능성을 증가시킨다(Nandi et al., 2016). 또한 토양수분 함량은 경사면 안정성의 핵심 요소이다(Lizama et al., 2022). 특히 점토질 또는 양토질 토양에서 과도한 토양수분은 토양의 전단 강도를 감소시켜 산사태가 발생하기 쉬워지며 포화된 토양 상태는 토양 덩어리의 무게를 증가시키고 특히 가파른 경사면에서 경사면 붕괴를 유발할 수 있다. 또한 토양수분 가용성은 식물의 성장과 물 공급에 매우 중요하다.

3.9 지질

지각에 있는 암석과 응고되지 않은 물질의 물리적, 화학적 특성을 나타내는 지질의 영향은 홍수, 산사태 발생에 큰 영향을 미칠 수 있다. 지역의 암석학적 구성은 투수성 및 유출 특성에 영향을 미친다(Koem and Tantanee, 2021). 사암이나 자갈과 같이 투수성이 높은 암석과 토양은 물이 더 쉽게 침투하여 표면 유출과 홍수 위험을 줄이고, 반대로 점토나 셰일과 같은 불투수성 암석은 유출을 증가시켜 홍수 취약성을 높일 수 있다(Tehrany et al., 2013). 지질은 경사면의 안정성을 결정하는 데 중요한 역할을 한다(Pham et al., 2020). 셰일이나 점토와 같은 일부 암석은 전단 강도가 낮고 수분 보유력이 높기 때문에 산사태가 발생하기 쉽고, 반대로 화강암이나 현무암과 같이 저항력이 강하고 안정적인 지층은 산사태가 덜 발생할 수 있다. 특정 지층에 단층이나 균열이 있는 것도 산사태 취약성에 영향을 미칠 수 있다.

3.10 토지 이용

토지 이용은 산비탈의 침투 및 유출수 생성에 직접적인 영향을 미치며, 식물의 뿌리는 토양의 안정화를 돕고 삼림 벌채, 인프라 확장, 도시화는 자연 경관, 수문학적 과정 및 토양 특성을 변화시켜 홍수와 산사태 발생 가능성을 높인다(Malekinezhad et al., 2021). 삼림 벌채는 토양 포화도를 증가시켜 경사면 불안정을 초래하고, 도시화는 불투수 표면의 양을 증가시켜 표면 유출, 홍수 및 침식의 증가로 이어진다(Pacheco Quevedo et al., 2023). 일반적으로 토지 이용에 따라 증발산, 지표 유출, 투수성 등 수문학적 과정이 달라진다(Yariyan et al., 2020). 광범위한 포장도로와 건물이 있는 도시지역은 강우 시 표면 유출이 증가하는 경우가 많아, 이러한 불투수성 지표면은 물이 땅 속으로 침투하는 것을 막아 급격한 유출과 돌발 홍수의 위험을 높인다(Shahiri Tabarestani and Afzalimehr, 2021). 숲과 자연 식생을 제거하면 토지가 물을 흡수하고 보유하는 능력이 감소할 수 있고(Narimani et al., 2021), 이는 지표 유출 증가, 토양 침식, 강둑 불안정으로 이어질 수 있으며, 이 모든 것이 홍수 위험 증가에 기여한다(Janizadeh et al., 2021). 도시 및 건축 지역, 도로, 인프라 등 인공 표면으로 덮인 지역은 산사태 취약성을 증가시키는 경향이 있다. 이는 주로 인공적인 표면을 만들기 위해 자연 지형을 광범위하게 굴착하고 변경하는 경우가 많아 경사면의 안정성을 방해하고 침식을 증가시킬 수 있기 때문이다. 또한 건물과 도로 건설은 자연 배수 패턴을 변화시켜 물이 취약한 지역으로 흘러 들어가 산사태의 위험을 증가시킬 수 있다. 수많은 연구에서 인간 활동의 결과로 산사태가 증가한다고 보고하였다(Aditian et al., 2018; Chen and Zhang, 2021; Qiu et al., 2018). 또한 삼림 벌채, 채광, 건설과 같은 토지 이용 관행은 경사면의 안정성을 방해할 수 있고, 식생이 제거되면 토양 응집력이 약해져 산사태에 더 취약해질 수 있다(Berhane et al., 2020). 또한, 경관을 굴착하고 변경하면 자연 배수 패턴이 변경되어 산사태 위험이 높아질 수 있다(Chen and Zhang, 2021).

3.11 기온

기온의 경우 기온이 상승하면 토양과 수역의 증발률이 높아질 수 있다. 이로 인해 경관이 더 빨리 건조될 수 있다(Brunner et al., 2021; Kew et al., 2021). 또한 장기적으로 기후 변화로 인한 지구 기온 상승은 강수 패턴을 변화시킬 수 있다(Sun et al., 2021).

4. 결론 및 토의

전 세계적으로 홍수와 산사태 등의 자연재해 발생이 증가함에 따라 전 지구적 차원에서 이러한 재해에 대한 취약성 분석 및 지도 작성을 수행해야 하는 필요성이 대두되고 있다. 따라서 본 연구에서는 전 지구적 규모의 취약성도 작성을 위해 홍수 및 산사태에 대한 전 세계 지공간데이터를 수집하여 GIS DB로 구축하였다. 구축된 GIS DB는 전 세계를 대상으로 홍수와 산사태 위치와 홍수와 산사태 발생 요인인 강우량, 경사도, 지형위치지수, 평면곡률, 지형습도지수, 하천과의 거리, 토지이용, 토질, 토양수분, 지질, 온도 등 총 11개 환경적인 영향 요소를 수집해 GIS DB로 구축하였다. 이러한 GIS DB는 다양한 기계학습 알고리즘을 적용하여 홍수와 산사태 취약성도를 작성하는 데 바로 이용될 수 있다. 이러한 취약성도 작성은 자연재해 위험 평가 및 관리를 위해 사용될 수 있다.

Notes

Conflict of Interest

Saro Lee has been an Editorial Board of GEO DATA; however, he was not involved in the peer reviewer selection, evaluation, or decision process of this paper. Otherwise, no other potential conflicts of interest relevant to this paper were reported.

Funding Information

This research was supported by the Basic Research Project of the Korea Institute of Geoscience and Mineral Resources (KIGAM) and the National Research Foundation of Korea (NRF) grant funded by Korea government (MSIT) (No. 2023R1A2C1003095).

Data Availability Statement

The data that support the findings of this study are openly available in site of following. Geo-environmental factor: TWI (USGS DEM); Slope, Plan Curvature, TPI (https://www.earthenv.org/topography); Rainfall (https://www.worldclim.org); Distance to River (https://www.hydrosheds.org/); Land Use (https://www.fao.org); Temperature (https://cds.climate.copernicus.eu/); Lithology (https://ccgm.org/en/); Soil Texture, Soil Moisture (https://openlandmap.org/).

The data that support the findings of this study are available on request from the corresponding author. The data are not publicly available due to privacy or ethical restrictions.

Fig. 1.

Inventory map for flood and landslide. (A) Flood. (B) Landslide.

Fig. 2.

Influencing factors considered for flood and landslide susceptibility mapping. (A) TWI. (B) Slope. (C) Plan curvature. (D) TPI. (E) Rainfall. (F) Distance to river. (G) Lithology. (H) Soil moisture. (I) Soil texture. (J) Landuse. (K) Temperature. TWI, topographic wetness index; TPI, topographic position index.

References

• Aditian A, Kubota T, Shinohara Y (2018) Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology 318:101–111Article
• Ahmed A, Al Maliki A, Hashim B, et al (2023) Flood susceptibility mapping utilizing the integration of geospatial and multivariate statistical analysis, Erbil area in Northern Iraq as a case study. Sci Rep 13:11919ArticlePubMedPMCPDF
• Alsubal S, Sapari NB, Ali Mohammed Al-Bared M (2019) A review on mechanism of rainwater in triggering landslide. IOP Conf Ser Mater Sci Eng 513:012009ArticlePDF
• Amaliah R, Soma AS, Mappangaja B, Mambela F (2021) Analysis of the landslide susceptibility map using frequency ratio method in sub-sub-Watershed Mamasa. IOP Conf Ser Earth Environ Sci 886:012088ArticlePDF
• Aman SNA, Latif ZA, Pradhan B (2014) Spatial probabilistic approach on landslide susceptibility assessment from high resolution sensors derived parameters. IOP Conf Ser Earth Environ Sci 18:012057ArticlePDF
• Amir Yazdadi E, Ghanavati E (2016) Landslide hazard zonation by using AHP (Analytical Hierarchy Process) model in GIS (Geographic Information System) environment (case study: Kordan Watershed). Int J Progress Sci Technol 2(1):24–39
• Anis Z, Wissem G, Vali V, et al (2019) GIS-based landslide susceptibility mapping using bivariate statistical methods in North-western Tunisia. Open Geosci 11(1):708–726Article
• Arora A, Pandey M, Siddiqui MA, et al (2021) Spatial flood susceptibility prediction in Middle Ganga Plain: comparison of frequency ratio and Shannon’s entropy models. Geocarto Int 36(18):2085–2116Article
• Askar S, Zeraat Peyma S, Yousef MM, et al (2022) Flood susceptibility mapping using remote sensing and integration of decision table classifier and metaheuristic algorithms. Water 14(19):3062Article
• Azarafza M, Azarafza M, Akgün H, et al (2021) Deep learning-based landslide susceptibility mapping. Sci Rep 11:24112ArticlePubMedPMCPDF
• Bachri S, Irawan YL, et al (2019) Landslide susceptibility mapping (LSM) in Kelud Volcano using spatial multi-criteria evaluation. IOP Conf Ser Earth Environ Sci 273:012014ArticlePDF
• Bashir B (2023) Morphometric parameters and geospatial analysis for flash flood susceptibility assessment: a case study of Jeddah city along the red sea coast, Saudi Arabia. Water 15(5):870Article
• Berhane G, Kebede M, Alfarah N, et al (2020) Landslide susceptibility zonation mapping using GIS-based frequency ratio model with multi-class spatial data-sets in the Adwa-Adigrat mountain chains, northern Ethiopia. J African Earth Sci 164:103795Article
• Brunner MI, Swain DL, Gilleland E, Wood AW (2021) Increasing importance of temperature as a contributor to the spatial extent of streamflow drought. Environ Res Lett 16:024038ArticlePDF
• Chang KT, Merghadi A, Yunus AP, et al (2019) Evaluating scale effects of topographic variables in landslide susceptibility models using GIS-based machine learning techniques. Sci Rep 9:12296ArticlePubMedPMCPDF
• Chapi K, Singh VP, Shirzadi A, et al (2017) A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environ Model Softw 95:229–245Article
• Chen W, Zhang S (2021) GIS-based comparative study of Bayes network, Hoeffding tree and logistic model tree for landslide susceptibility modeling. Catena 203:105344Article
• Dahal RK (2017) Landslide hazard mapping in GIS. J Nepal Geol Soc 53:63–91ArticlePDF
• Fustos-Toribio I, Manque-Roa N, Vásquez Antipan D, et al (2022) Rainfall-induced landslide early warning system based on corrected mesoscale numerical models: an application for the southern Andes. Nat Hazards Earth Syst Sci 22(6):2169–2183Article
• Guzzetti F, Mondini AC, Cardinali M, et al (2012) Landslide inventory maps: new tools for an old problem. Earth Sci Rev 112(1-2):42–66Article
• Hakim WL, Rezaie F, Nur AS, et al (2022) Convolutional neural network (CNN) with metaheuristic optimization algorithms for landslide susceptibility mapping in Icheon, South Korea. J Environ Manage 305:114367ArticlePubMed
• Janizadeh S, Avand M, Jaafari A, et al (2019) Prediction success of machine learning methods for flash flood susceptibility mapping in the Tafresh watershed, Iran. Sustainability 11(19):5426Article
• Janizadeh S, Vafakhah M, Kapelan Z, Dinan NM (2021) Novel bayesian additive regression tree methodology for flood susceptibility modeling. Water Resour Manag 35:4621–4646ArticlePDF
• Kalantar B, Ueda N, Saeidi V, et al (2020) Landslide susceptibility mapping: machine and ensemble learning based on remote sensing big data. Remote Sens 12(11):1737Article
• Kew SF, Philip SY, Hauser M, et al (2021) Impact of precipitation and increasing temperatures on drought trends in eastern Africa. Earth Syst Dynam 12:17–35Article
• Khosravi K, Nohani E, Maroufinia E, Pourghasemi HR (2016) A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multi-criteria decision-making technique. Nat Hazards 83:947–987ArticlePDF
• Kıncal C, Li Z, Drummond J, et al (2017) Landslide susceptibility mapping using GIS-based Vector Grid File (VGF) validating with InSAR techniques: three gorges, Yangtze River (China). AIMS Geosci 3(1):116–141Article
• Koem C, Tantanee S (2021) Flash flood hazard mapping based on AHP with GIS and satellite information in Kampong Speu Province, Cambodia. Int J Disaster Resil Built Environ 12(5):457–470Article
• Li B, Wang N, Chen J (2021) GIS-based landslide susceptibility mapping using information, frequency ratio, and artificial neural network methods in Qinghai province, Northwestern China. Adv Civ Eng 2021:4758062ArticlePDF
• Liu H, Yu P, Lu H, et al (2023) Experimental study on disaster mechanism of completely weathered granite landslide induced by extreme rainfall. Geoenviron Disasters 10:5ArticlePDF
• Lizama E, Morales B, Somos-Valenzuela M, et al (2022) Understanding landslide susceptibility in northern Chilean Patagonia: a basin-scale study using machine learning and field data. Remote Sens 14(4):907Article
• Malekinezhad H, Sepehri M, Pham QB, et al (2021) Application of entropy weighting method for urban flood hazard mapping. Acta Geophys 69:841–854ArticlePDF
• Malik S, Chandra Pal S, Chowdhuri I, et al (2020) Prediction of highly flood prone areas by GIS based heuristic and statistical model in a monsoon dominated region of Bengal Basin. Remote Sens Appl Soc Environ 19:100343Article
• Nandi A, Mandal A, Wilson M, Smith D (2016) Flood hazard mapping in Jamaica using principal component analysis and logistic regression. Environ Earth Sci 75:465ArticlePDF
• Narimani R, Jun C, Shahzad S, et al (2021) Application of a novel hybrid method for flood susceptibility mapping with satellite images: a case study of Seoul, Korea. Remote Sens 13(14):2786Article
• Natarajan L, Usha T, Gowrappan M, et al (2021) Flood susceptibility analysis in Chennai corporation using frequency ratio model. J Indian Soc Remote Sens 49:1533–1543ArticlePDF
• Oh HJ, Kadavi PR, Lee CW, Lee S (2018) Evaluation of landslide susceptibility mapping by evidential belief function, logistic regression and support vector machine models. Geomatics Nat Hazards Risk 9(1):1053–1070Article
• Olii MR, Olii A, Pakaya R (2021) The integrated spatial assessment of the flood hazard using AHP-GIS: the case study of Gorontalo Regency. Indones J Geogr 53(1):126–135Article
• Pacheco Quevedo R, Velastegui-Montoya A, Montalván-Burbano N, et al (2023) Land use and land cover as a conditioning factor in landslide susceptibility: a literature review. Landslides 20:967–982ArticlePDF
• Pal S, Singha P (2021) Analyzing sensitivity of flood susceptible model in a flood plain river basin. Geocarto Int 37(24):7186–7219Article
• Panahi M, Dodangeh E, Rezaie F, et al (2021) Flood spatial prediction modeling using a hybrid of meta-optimization and support vector regression modeling. Catena 199:105114Article
• Pham BT, Khosravi K, Prakash I (2017) Application and comparison of decision tree-based machine learning methods in landside susceptibility assessment at Pauri Garhwal area, Uttarakhand, India. Environ Process 4:711–730ArticlePDF
• Pham BT, Phong TV, Nguyen-Thoi T, et al (2020) GIS-based ensemble soft computing models for landslide susceptibility mapping. Adv Space Res 66(6):1303–1320Article
• Pourghasemi H, Pradhan B, Gokceoglu C, Moezzi KD (2013) A comparative assessment of prediction capabilities of Dempster-Shafer and Weights-of-evidence models in landslide susceptibility mapping using GIS. Geomatics Nat Hazards Risk 4(2):93–118Article
• Qiu H, Cui P, Regmi AD, et al (2018) The effects of slope length and slope gradient on the size distributions of loess slides: field observations and simulations. Geomorphology 300:69–76Article
• Shahabi H, Shirzadi A, Ghaderi K, et al (2020) Flood detection and susceptibility mapping using Sentinel-1 remote sensing data and a machine learning approach: hybrid intelligence of bagging ensemble based on K-Nearest Neighbor Classifier. Remote Sens 12(2):266Article
• Shahabi H, Shirzadi A, Ronoud S, et al (2021) Flash flood susceptibility mapping using a novel deep learning model based on deep belief network, back propagation and genetic algorithm. Geosci Front 12(3):101100Article
• Shahiri Tabarestani E, Afzalimehr H (2021) A comparative assessment of multi-criteria decision analysis for flood susceptibility modelling. Geocarto Int 37(20):5851–5874Article
• Stamellou E, Kalogeropoulos K, Stathopoulos N, et al (2021) A GIS-cellular automata-based model for coupling urban sprawl and flood susceptibility assessment. Hydrology 8(4):159Article
• Sun C, Zhu L, Liu Y, et al (2021) Changes in the drought condition over northern East Asia and the connections with extreme temperature and precipitation indices. Glob Planet Change 207:103645Article
• Sun D, Chen D, Zhang J, et al (2023) Landslide susceptibility mapping based on interpretable machine learning from the perspective of geomorphological differentiation. Land 12(5):1018Article
• Tehrany MS, Pradhan B, Jebur MN (2013) Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS. J Hydrol 504:69–79Article
• Thi Ngo PT, Panahi M, Khosravi K, et al (2021) Evaluation of deep learning algorithms for national scale landslide susceptibility mapping of Iran. Geosci Front 12(2):505–519Article
• Tien Bui D, Hoang ND, Pham TD, et al (2019) A new intelligence approach based on GIS-based multivariate adaptive regression splines and metaheuristic optimization for predicting flash flood susceptible areas at high-frequency tropical typhoon area. J Hydrol 575:314–326Article
• Towfiqul Islam ARM, Talukdar S, Mahato S, et al (2021) Flood susceptibility modelling using advanced ensemble machine learning models. Geosci Front 12(3):101075Article
• Wang Y, Shao M, Sun H, et al (2020) Response of deep soil drought to precipitation, land use and topography across a semiarid watershed. Agric For Meteorol 282-283:107866Article
• Yariyan P, Avand M, Abbaspour RA, et al (2020) Flood susceptibility mapping using an improved analytic network process with statistical models. Geomatics Nat Hazards Risk 11(1):2282–2314Article
• Zhuang J, Cui P, Wang G, et al (2015) Rainfall thresholds for the occurrence of debris flows in the Jiangjia Gully, Yunnan Province, China. Eng Geol 195:335–346Article

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by