Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search
Advanced Search
mobile menu button

Articles

Page Path
HOME > GEO DATA > Volume 7(2); 2025 > Article
Data Article
 확률 기법을 이용한 제주도 홍수 취약성도 데이터
이사로*orcid
Flood Susceptibility Map Data of Jeju Island Using Probabilistic Methods
Saro Lee*orcid
GEO DATA 2025;7(2):91-101.
DOI: https://doi.org/10.22761/GD.2025.0012
Published online: June 11, 2025

Principal Researcher, Geoscience Data Center, Korea Institute of Geoscience and Mineral Resources, 124 Gwahak-ro, Yuseong-gu, Daejeon 34132, South Korea

Corresponding Author Saro Lee Tel: +82-42-838-3057 E-mail: leesaro@kigam.re.kr
• Received: May 12, 2025   • Revised: May 26, 2025   • Accepted: May 27, 2025

Copyright © 2025 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

prev next
  • 494 Views
  • 5 Download
Full Article

Download PDF Download PDF

  • Floods are among the most widespread and destructive natural disasters globally, and Jeju Island in South Korea is particularly vulnerable due to its unique geological and hydrological characteristics. This study aims to produce a flood susceptibility map data for Jeju Island using a probabilistic method known as the frequency ratio (FR) model. The research integrates diverse spatial datasets including topography, geology, soil properties, land use, vegetation, and rainfall to analyze their correlation with historical flood occurrences. A flood inventory was constructed from multiple sources such as satellite images and disaster records. These data were used to train and validate the FR model. The model’s predictive performance was evaluated using the receiver operating characteristic-area under curve (ROC-AUC), achieving an accuracy 82.33%, indicating high accuracy. The resulting map data offers valuable insights for disaster mitigation, urban planning, and climate adaptation, especially in geologically complex regions like Jeju Island.
  • Keywords: Flood susceptibility map data, Jeju Island, Frequency ratio, GIS
전 세계적으로 홍수는 가장 광범위하고 파괴적인 자연재해 중 하나로 알려져 있으며 그로 인한 경제적 손실, 환경 훼손, 사회적 혼란은 점점 심화되고 있다. 특히 기후 변화와 급격한 도시화는 홍수 발생 빈도와 강도를 높이며 전통적인 재해 대응 방식만으로는 이러한 복합적인 문제를 해결하기 어렵게 만들고 있다. 이에 따라 과학적이고 정량적인 홍수 위험 분석 및 관리 전략이 요구되고 있다.
한국의 대표적인 섬 지역인 제주도는 독특한 지질학적 특성과 수문 환경을 갖춘 지역으로 홍수에 대한 취약성이 상대적으로 높다. 또한 화산 활동으로 형성된 다공성 현무암 지층, 계절에 따른 강수량의 불균형, 급경사 지형, 복잡한 지하수 시스템 등이 복합적으로 작용하여 홍수 예측과 대응이 까다로운 지역이다. 따라서 제주도에 특화된 홍수 취약성도 데이터가 필요하다.
기존의 홍수 취약성 평가는 주로 강우-유출 모형, 수리학적 1D/2D 흐름 모델링, 지리 정보 시스템(geographic information system, GIS)을 활용한 공간 분석 등 전통적인 기법을 기반으로 수행되어 왔다. 이러한 모델들은 실제 수문 현상을 재현하고 예측하는 데 있어 유용하긴 하지만 방대한 현장 관측 자료가 필요하고 계산 비용이 매우 크며 무엇보다 다양한 변수 간의 복잡한 상호작용을 정밀하게 반영하기 어렵다는 한계를 지닌다. 특히 제주도처럼 토양 투수성, 지하수 흐름, 지형 기복, 국지적 기상 등 여러 요인이 복합적으로 얽혀 있는 지역에서는 전통적인 모형이 충분한 예측력을 확보하기 어렵다. 이에 따라 보다 유연하고 확장성 있는 대안으로 확률 기반 기법이 부상하고 있다. 이러한 확률 기반 기법은 대용량의 이질적 데이터를 바탕으로 비선형적이고 복잡한 패턴을 학습할 수 있는 강력한 도구이다. 특히 홍수 취약성 분석에서는 디지털 고도 모델(digital elevation model, DEM), 위성 영상, 토양 지도, 지형지물, 토지 이용 정보, 강수량 기록 등 다양한 공간 데이터를 효과적으로 통합할 수 있다.
따라서 본 연구에서는 확률 기반 기법인 빈도비(frequency ratio, FR) 기법을 이용하여 제주도의 과거 홍수 발생 위치와 지형, 지질, 토양, 임상, 토지피복 등 각종 관련 요인들과의 상관관계를 분석하고 이러한 상관관계를 통합하여 제주도 홍수 취약성 데이터를 만드는 것을 목적으로 하였다. 이러한 공간 자료를 이용한 홍수 취약성도 작성 연구는 기존에도 많이 진행되고 있다(Chen et al., 2021; Gharakhanlou and Perez, 2023; Lee and Fatemeh, 2022; Lee and Fatemeh, 2023; Sahana and Patel, 2019; Samanta et al., 2018; Sarhadi et al., 2012; Slahkamari et al., 2017).
본 연구 지역인 제주도는 한반도 남쪽 해상에 위치한 한국 최대의 섬으로 면적은 약 1,848 km2이며 지형은 중심부에 위치한 해발 1,950 m의 화산인 한라산을 중심으로 완만한 경사와 오름이라 불리는 기생 화산들이 둘러싸고 있다. 산악 지대는 점차 넓은 해안 평야로 이어지며 이 지역에 주로 인간 거주지와 농경지가 분포하고 있다. 화산 활동으로 형성된 제주도의 지형은 중심 고지에서 해안으로 방사형으로 흐르는 독특한 배수 패턴을 가지고 있으며 이로 인하여 하천과 건천이 중심부에서 바깥으로 향해 흐른다. 또한 고도 차이에 따라 미세기후가 형성되어 강수 분포에 영향을 주고 이로 인하여 지표 유출과 침투율에도 공간적 차이가 크게 나타난다. 연구 지역인 제주도의 기존의 홍수 분포 지역은 Fig. 1과 같다(www.data.go.kr).
본 연구의 목적은 확률 기법인 FR을 활용하여 제주도 지역의 홍수 취약성도 데이터를 구축하고 이를 바탕으로 재해 위험 지역을 체계적으로 파악하는 데 있다. 이를 위하여 다음과 같은 4단계로 연구를 진행하였다.
첫 번째, 공간 변수 수집 및 전처리로 홍수 발생과 관련된 다양한 공간 데이터를 수집하였다. 주요 변수에는 고도, 경사도, 평면 곡률, 배수 밀도, 토양 유형, 지하수 분포, 토지 이용/피복, 강수량 및 강수 강도 정보 등이 있다. 수집된 데이터는 GIS 환경에서 정규화 및 공간 해상도 통일 과정을 거쳐 전처리하였다. 두 번째, 홍수 발생 이력 구축으로 과거 홍수 발생 지점을 공간적으로 기록한 홍수 분포도를 공공 데이터 포털 사이트(www.data.go.kr)에서 수집하여 구축하였다. 세 번째, FR 적용 및 홍수 취약성도 작성으로 FR 기법을 적용하여 모델을 적용하였다. 학습 데이터는 70/30%의 비율로 학습 및 검증 데이터로 분리되며 학습 데이터를 이용하여 FR 모델을 적용한 후 각 입력 데이터의 FR 값을 통합하여 제주도에 대해 홍수 취약성도 데이터를 제작하였다. 네 번째, 홍수 취약성도 검증으로 검증 데이터를 이용하여 receiver operating characteristic-area under curve (ROC-AUC)를 계산하여 홍수 취약성도의 정확도를 정량적으로 계산하였다(Lee and Talib, 2005; Oh and Lee, 2011).
본 연구에서 사용된 FR 기법은 이변량 통계 분석 방법으로 특정 현상과 이에 영향을 미치는 변수들 간의 관계를 평가하는 데 사용된다(Lee and Min, 2001). 이 기법은 산사태 취약성 분석, 홍수 위험 지도 작성, 도시 계획 등 다양한 분야에서 널리 활용되고 있다. 본 연구에서는 각 영향 요인의 범주별로 홍수 취약성과의 상관성을 기반으로 FR 값을 계산하였다. FR 값은 특정 요인의 하위 범주에서 홍수가 발생한 면적을 해당 하위 범주의 전체 면적으로 나눈 값을 전체 지역의 홍수 발생 비율로 나눈 값으로 정의되며 Eq. 1과 같은 수식으로 표현된다.
Eq. 1
FR=NFi/NSiNF/NT
N(Fi ), number of flood occurrence pixels in the subcategory.
N(Si ), total number of pixels in that subcategory.
N(F), number of flood occurrence pixels in the entire study area.
N(T), total number of pixels in the entire study area.
FR 값 해석은 FR=1인 경우 영향 요인과 홍수 발생 간 평균적인 관계이며 FR>1인 경우 해당 환경 조건이 홍수 발생과 강한 연관이 있고 FR<1인 경우 해당 조건이 홍수 발생과 약한 연관을 가진다고 해석할 수 있다. 즉 FR 기법은 홍수와 환경 변수 간의 정량적 관계를 평가하고 어떤 조건이 홍수 발생에 더 민감한지를 판단하는 데 효과적인 도구로 활용된다.
홍수 취약성 지도를 제작하기 위해서는 지역의 특성과 자료 접근성을 고려하여 적절한 입력 데이터 선택이 필수적이다. 기존 연구(Lee and Fatemeh, 2022)에서는 홍수 모델링에 유의미한 다양한 입력 데이터를 제시하였으며 본 연구에서도 이러한 다양한 요소들을 통합하여 FR 기반의 홍수 취약성 지도를 생성하였다. 본 연구에 사용된 입력 데이터는 Fig. 2와 같다.
지형은 홍수 취약성에 큰 영향을 미치는 주요 요인이다. 이러한 지형 관련 요인으로는 경사도, 경사 방향, 경사 길이 지수(LS factor), 바람 노출 지수(wind exposure index), 지형 습윤 지수(topographic wetness index, TWI), 평면 곡률(plan curvature) 등이 있다. 예를 들어 경사도는 물의 유출 속도와 방향에 영향을 주며 경사 방향은 경사 방향에 따라 지표면의 건조 및 습윤 정도를 결정한다. LS factor는 지형의 경사와 길이에 따른 침식 잠재력을 나타내고 TWI는 물이 얼마나 축적될 수 있는지를 반영한다. 계획 평면 곡률은 지형을 따라 물이 어떻게 흐를지를 이해하는 데 유용하다.
지질은 지역의 배수 능력과 수분 보유 특성에 직접적인 영향을 미친다. 암석의 종류와 분포는 물의 침투율과 저장 능력을 좌우하며 이는 홍수 발생 가능성과 직결된다. 지질도와 암석 유형 분석은 정확한 홍수 모델링을 위하여 필수적이다.
토양의 배수성, 깊이, 질감 등은 물의 침투 및 표면 유출을 결정짓는 중요한 요소이다. 이러한 토양 특성은 지표수의 이동 경로와 침투 가능성에 큰 영향을 주며 홍수 위험 평가에 필수적이다.
식생의 밀도와 유형은 홍수 취약성을 조절하는 데 있어 중요한 역할을 한다. 예를 들어 산림 밀도는 네 단계로 구분되며 높은 밀도일수록 토양의 안정성과 물 흡수 능력이 커져 홍수 위험을 줄일 수 있다. 또한 도시화, 농업, 임업 등 다양한 토지 이용 유형은 수문 순환에 영향을 주며 물의 침투 및 유출 패턴을 변화시킨다.
본 연구에서는 FR 모델을 활용하여 홍수 발생과 다양한 영향 요인 간의 상관관계를 평가하였다. 이 기법을 통해 홍수 발생 분포를 분석하고 각 영향 변수들이 홍수에 미치는 영향을 정량적으로 파악하였다(Table 1). 홍수 발생에 영향을 미치는 주요 지형 요인으로는 평면 곡률, 바람 노출 지수, TWI, 계곡 깊이, 경사도 흐름 누적 등이 포함되었다. 그 결과 평면 곡률, 바람 노출 지수, 경사도, 흐름 누적, channel network base level (CNBL)은 값이 커질수록 홍수 빈도비가 줄어 들었으나 TWI, 계곡 깊이 등은 값이 커질수록 홍수 빈도비가 증가하였다. 지형 종류의 경우 충적 테라스에서 빈도비가 4.51로 가장 높게 나왔다. 토양 요인의 경우 밭급지의 경우 레벨이 올라갈수록 빈도비가 높게 나왔으며 심토의 경우 점토에서 빈도비가 4.31로 가장 높게 나왔고 표토 자갈 함량의 경우 자갈 없음에서 빈도비가 1.84로 가장 높게 나왔다. 토지피복의 경우 수계와 농업 지역에서 빈도비가 각각 2.21, 2.14로 가장 높게 나왔다. 지질의 경우 암석 유형에 따른 홍수 취약성이 두드러졌다. 식생 밀도의 경우 식생이 분포하지 않는 지역에서 빈도비가 1.63으로 가장 높게 나왔다.
홍수 취약성도는 FR 기법을 활용하여 Fig. 3과 같이 생성되었다. 이 지도는 홍 수 위험도를 매우 낮음, 낮음, 보통, 높음, 매우 높음의 다섯 단계로 구분하였으며 이는 분위수(quantile) 방법을 기반으로 분류되었다. 분석 결과 FR 모델이 두 홍수 발생 가능 지역을 효과적으로 식별하는 데 적합하고 유연한 성능을 보였다.
FR 기법의 성능은 ROC-AUC 값을 이용해 평가되었는데 테스트(testing) 단계 성능은 Fig. 4와 같이 82.33%를 보였다. 모델의 예측 정확도는 ROC-AUC 값에 따라 0.5-0.6은 실패(failed), 0.6-0.7은 낮음(poor), 0.7-0.8은 보통(fair), 0.8-0.9는 좋음(good), 0.9-1.0은 매우 우수(excellent)로 분류할 수 있다. FR 기법은 좋음(good) 수준 이상의 예측력을 보여주어 학습 및 테스트 단계 모두에서 ROC-AUC 80% 이상을 기록하며 높은 안정성과 신뢰도를 입증하였다.
본 연구에서는 FR 모델을 이용하여 제주도의 홍수 취약성도를 분석하여 홍수 취약성도 데이터를 작성하였고 홍수 취약성도 데이터를 만들었다. 그리고 ROC-AUC 모델을 이용하여 검증을 실시하여 82.33%의 정확도를 보였다.
본 연구에서 제작된 홍수 취약성 지도 데이터는 다양한 공공 및 민간 분야에서 활용 가능하다. 예를 들어 토지 이용 계획 수립 시 위험 지역에 대한 개발 제한을 검토할 수 있고 지역 주민 대상 재난 예방 교육 및 대피 계획 수립에도 기초 자료로 제공될 수 있다. 또한 긴급 구조 체계나 스마트 재난 대응 시스템과 연계하여 실시간 모니터링과 경보 체계를 강화하는 데 기여할 수 있다.
무엇보다 제주도처럼 복합 지질 환경을 가진 지역에 맞춘 FR 모델 적용은 향후 국내 타 지역에도 확대 적용 가능한 연구 프레임워크로의 가능성을 보여준다. 정량적 데이터 기반의 분석은 과학적 정책 수립과 합리적 의사 결정에 중요한 기반이 된다.
홍수는 단순한 자연 현상을 넘어 지역사회에 심각한 피해를 초래하는 복합 재난이다. 제주도와 같은 특수 지형 지역에서는 기존 방식만으로는 홍수 취약성을 효과적으로 평가하기 어려운 실정이다. 이에 본 연구는 FR 기반의 통합 분석 프레임워크를 제안하며 다양한 공간 데이터를 통합하고 고도화된 알고리즘을 통해 홍수 위험 예측의 정밀도와 실효성을 높이고자 하였다. 향후 연구에서는 실시간 강우 정보 연동, 기후 변화 시나리오 반영, 사회·경제적 요인 결합 등을 통해 보다 종합적인 홍수 위험 관리 체계를 구축할 수 있을 것이다.

Conflict of Interest

Saro Lee has been a President of GeoAI Data Society; 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 Big Data Open Platform at https://doi.org/10.22747/paper_data.20250512.28.

Fig. 1.
Study area with flood location.
GD-2025-0012f1.jpg
Fig. 2.
Input spatial data. (A) Plan curvature. (B) Wind exposition. (C) TWI. (D) Valley depth. (E) Slope. (F) CNBL. (G) Flow accumulation. (H) Field level. (I) Deep soil texture. (J) Topography. (K) Surface soil gravel content. (L) Land cover. (M) Lithology. (N) Forest density. TWI, topographic wetness index; CNBL, channel network base level.
GD-2025-0012f2.jpg
Fig. 3.
Flood susceptibility map data using FR model. FR, frequency ratio.
GD-2025-0012f3.jpg
Fig. 4.
Validation result using ROC-AUC. FR, frequency ratio; ROC-AUC, receiver operating characteristic-area under curve.
GD-2025-0012f4.jpg
Table 1.
Frequency ratio of each factor
Input data Class Number of total cell Number of event cell Ratio of total cell Ratio of event cell FR
Plan curvature <0 2,453,592 63,900 13.34 14.65 1.10
0 6,828,588 184,100 37.12 42.20 1.14
>0 9,113,981 188,300 49.54 43.16 0.87
Wind exposition 1 187,500 19.70 42.98 2.18 2.18
2 120,600 20.16 27.64 1.37 1.37
3 65,600 19.53 15.04 0.77 0.77
4 54,100 20.32 12.40 0.61 0.61
5 8,500 20.29 1.95 0.10 0.10
TWI 1 3,233,216 60,200 17.58 13.80 0.79
2 3,905,116 50,500 21.23 11.57 0.55
3 3,871,221 62,400 21.04 14.30 0.68
4 3,616,768 106,500 19.66 24.41 1.24
5 3,769,840 156,700 20.49 35.92 1.75
Valley depth 1 3,481,178 60,200 17.58 13.80 0.79
2 3,902,982 200 18.92 0.05 0.00
3 3,677,778 43,400 21.22 9.95 0.47
4 3,637,339 106,800 19.99 24.48 1.22
5 3,696,884 92,900 19.77 21.29 1.08
Slope 1 25,251,154 221,500 66.06 50.74 0.77
2 6,092,424 152,500 15.94 34.94 2.19
3 2,462,245 36,300 6.44 8.32 1.29
4 2,247,263 19,700 5.88 4.51 0.77
5 2,170,216 6,500 5.68 1.49 0.26
CNBL 1 3,389,976 196,600 18.43 45.06 2.45
2 3,970,531 96,600 21.58 22.14 1.03
3 3,824,493 112,400 20.79 25.76 1.24
4 3,680,147 30,600 20.00 7.01 0.35
5 3,531,014 100 19.19 0.02 0.00
Flow accumulation 1 6,992,250 260,700 38.01 59.75 1.57
2 10,842,982 174,700 58.94 40.04 0.68
3 316,857 700 1.72 0.16 0.09
4 171,436 200 0.93 0.05 0.05
5 72,636 0 0.39 0.00 0.00
Field level Other 786,204 12,500 4.28 2.86 0.67
5 class 7,538,908 37,400 41.02 8.57 0.21
4 class 3,404,028 49,000 18.52 11.23 0.61
3 class 3,002,241 92,400 16.34 21.17 1.30
2 class 2,838,840 183,700 15.45 42.09 2.73
1 class 808,965 61,400 4.40 14.07 3.20
Deep soil texture Others 786,204 12,500 4.28 2.86 0.67
Silty sandy loam 3,128,500 38,000 17.02 8.71 0.51
Sandy soil 442,421 2,800 2.41 0.64 0.27
Silty clay loam 8,091,163 163,400 44.02 37.44 0.85
Sandy loam 1,280,590 11,100 6.97 2.54 0.37
Clay 1,066,292 109,200 5.80 25.02 4.31
Clay loam 1,928,991 51,700 10.50 11.85 1.13
Gravelly soil 225,529 300 1.23 0.07 0.06
Stony soil 1,429,496 47,400 7.78 10.86 1.40
Topography Others 786,204 12,500 4.28 2.86 0.67
Lava flow plateau 13,255,219 373,000 72.12 85.47 1.19
Fluvial-marine mixed plain 217,363 6,400 1.18 1.47 1.24
Alluvial terrace 394,503 42,200 2.15 9.67 4.51
Eroded basin 1,104,246 900 6.01 0.21 0.03
Hillslope 129,102 900 0.70 0.21 0.29
Mountainous area 2,262,521 100 12.31 0.02 0.002
Hilly area 227,002 400 1.24 0.09 0.07
Valley area 1,339 - 0.01 0.00 0.00
Alluvial fan 1,687 - 0.01 0.00 0.00
Surface soil gravel content Other 786,204 12,500 4.28 2.86 0.67
With rock 2,250,742 14,300 12.25 3.28 0.27
No gravel 4,844,093 211,600 26.36 48.49 1.84
With gravel 5,855,677 182,400 31.86 41.80 1.31
With round rock 4,642,470 15,600 25.26 3.57 0.14
Land cover Water body 36,634 1,900 0.20 0.44 2.21
Bare land 168,709 1,800 0.92 0.42 0.46
Forest area 6,032,429 10,200 32.90 2.37 0.07
Agricultural area 7,536,956 378,200 41.10 88.04 2.14
Grassland 3,539,265 15,000 19.30 3.49 0.18
Urban area 1,014,664 22,500 5.53 5.24 0.95
Marsh 8,930 - 0.05 0.00 0.00
Lithology Qtb(VIII) 990,300 17,000 5.39 3.90 0.72
Qs 18,919 9,100 0.10 2.09 20.26
Qb(III) 4,074,800 168,400 22.19 38.63 1.74
Qb(III)(S) 111,019 - 0.60 0.00 0.00
Qtb(I)(T) 78,949 - 0.43 0.00 0.00
Qtb(VIII)(T) 24,453 16,300 0.13 3.74 28.08
Qtb(VIII)(S) 18,720 - 0.10 0.00 0.00
Qtb(II) 841,473 2,700 4.58 0.62 0.14
Qb(I) 538,425 19,100 2.93 4.38 1.49
Qtb(VI) 1,186,784 27,800 6.46 6.38 0.99
Qtb(III) 3,947,832 106,300 21.50 24.39 1.13
Qtb(IV) 1,218,549 20,900 6.64 4.79 0.72
Qtb(VIII)((T) 22,472 2,100 0.12 0.48 3.94
Qta 226,386 7,500 1.23 1.72 1.40
Qtb(III)(S) 348,766 3,800 1.90 0.87 0.46
Qtb(VI)(S) 77,577 800 0.42 0.18 0.43
Qtb(IV)(S) 137,817 - 0.75 0.00 0.00
Qt 1,057,117 8,100 5.76 1.86 0.32
Qtb(VII) 1,851,787 2,100 10.09 0.48 0.05
Qtb(VII)(S) 137,204 - 0.75 0.00 0.00
Qtb(I) 98,685 12,900 0.54 2.96 5.51
Qt(S) 50,604 - 0.28 0.00 0.00
Qta(S) 817 - 0.00 0.00 0.00
SF 2,498 - 0.01 0.00 0.00
Qtb(V)(S) 17,751 - 0.10 0.00 0.00
Qtb(V) 319,561 100 1.74 0.02 0.01
Qb(II) 905,688 10,700 4.93 2.45 0.50
Qtb(II)(S) 30,510 - 0.17 0.00 0.00
Qb(II)(S) 20,470 200 0.11 0.05 0.41
Qb(I)(T) 5,392 - 0.03 0.00 0.00
Forest density 0 1,022,186 2,100 5.55 0.48 0.09
Low 444,328 1,700 2.41 0.39 0.16
Medium 1,124,451 1,600 6.11 0.37 0.06
Dense 4,734,828 2,400 25.73 0.55 0.02
Other 11,076,887 428,700 60.19 98.21 1.63

FR, frequency ratio; TWI, topographic wetness index; CNBL, channel network base level.

  • Chen J, Huang G, Chen W (2021) Towards better flood risk management: assessing flood risk and investigating the potential mechanism based on machine learning models. J Environ Manag 293:112810ArticlePubMed
  • Gharakhanlou NM, Perez L (2023) Flood susceptible prediction through the use of geospatial variables and machine learning methods. J Hydrol 617(C):129121Article
  • Lee S, Fatemeh R (2022) Data used for GIS-based flood susceptibility mapping. GEO DATA 4(1):1–15ArticlePDF
  • Lee S, Fatemeh R (2023) Global geospatial data for flood and landslide susceptibility mapping. GEO DATA 5(4):380–393ArticlePDF
  • Lee S, Min K (2001) Statistical analysis of landslide susceptibility at Yongin, Korea. Environ Geol 40:1095–1113ArticlePDF
  • Lee S, Talib JA (2005) Probabilistic landslide susceptibility and factor effect analysis. Environ Geol 47:982–990ArticlePDF
  • Oh HJ, Lee S (2011) Landslide susceptibility mapping on Panaon Island, Philippines using a geographic information system. Environ Earth Sci 62:935–951ArticlePDF
  • Sahana M, Patel PP (2019) A comparison of frequency ratio and fuzzy logic models for flood susceptibility assessment of the lower Kosi River Basin in India. Environ Earth Sci 78:289ArticlePDF
  • Samanta S, Pal DK, Palsamanta B (2018) Flood susceptibility analysis through remote sensing, GIS and frequency ratio model. Appl Water Sci 8:66ArticlePDF
  • Sarhadi A, Soltani S, Modarres R (2012) Probabilistic flood inundation mapping of ungauged rivers: linking GIS techniques and frequency analysis. J Hydrol 458-459:68–86Article
  • Siahkamari S, Haghizadeh A, Zeinivand H, Tahmasebipour N, Rahmati O (2017) Spatial prediction of flood-susceptible areas using frequency ratio and maximum entropy models. Geocarto Int 33(9):927–941Article
Meta Data for Dataset
Essential
Field Sub-Category
Title of Dataset Flood Susceptibility Data of Jeju Island
DOI https://doi.org/10.22747/paper_data.20250512.28
Category Geoscientific Information
Temporal Coverage After 2006
Spatial Coverage Address Jeju Island
WGS84 Coordinates 1487860.1000118977, 911446.0160160363
Personnel Name Lee Saro
Affiliation Korea Institute of Geoscience Mineral Resources
E-mail leesaro@kigam.re.kr
CC License CC BY-NC-ND
Optional
Field Sub-Category
Summary of Dataset Data analyzing Jeju Island's flood susceptibility using frequency ratio technique
Project
Instrument

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure
      • 0
      • 1
      • 2
      • 3
      Flood Susceptibility Map Data of Jeju Island Using Probabilistic Methods
      Image Image Image Image
      Fig. 1. Study area with flood location.
      Fig. 2. Input spatial data. (A) Plan curvature. (B) Wind exposition. (C) TWI. (D) Valley depth. (E) Slope. (F) CNBL. (G) Flow accumulation. (H) Field level. (I) Deep soil texture. (J) Topography. (K) Surface soil gravel content. (L) Land cover. (M) Lithology. (N) Forest density. TWI, topographic wetness index; CNBL, channel network base level.
      Fig. 3. Flood susceptibility map data using FR model. FR, frequency ratio.
      Fig. 4. Validation result using ROC-AUC. FR, frequency ratio; ROC-AUC, receiver operating characteristic-area under curve.

      Fig. 1.

      Fig. 2.

      Fig. 3.

      Fig. 4.

      Flood Susceptibility Map Data of Jeju Island Using Probabilistic Methods
      Input data Class Number of total cell Number of event cell Ratio of total cell Ratio of event cell FR
      Plan curvature <0 2,453,592 63,900 13.34 14.65 1.10
      0 6,828,588 184,100 37.12 42.20 1.14
      >0 9,113,981 188,300 49.54 43.16 0.87
      Wind exposition 1 187,500 19.70 42.98 2.18 2.18
      2 120,600 20.16 27.64 1.37 1.37
      3 65,600 19.53 15.04 0.77 0.77
      4 54,100 20.32 12.40 0.61 0.61
      5 8,500 20.29 1.95 0.10 0.10
      TWI 1 3,233,216 60,200 17.58 13.80 0.79
      2 3,905,116 50,500 21.23 11.57 0.55
      3 3,871,221 62,400 21.04 14.30 0.68
      4 3,616,768 106,500 19.66 24.41 1.24
      5 3,769,840 156,700 20.49 35.92 1.75
      Valley depth 1 3,481,178 60,200 17.58 13.80 0.79
      2 3,902,982 200 18.92 0.05 0.00
      3 3,677,778 43,400 21.22 9.95 0.47
      4 3,637,339 106,800 19.99 24.48 1.22
      5 3,696,884 92,900 19.77 21.29 1.08
      Slope 1 25,251,154 221,500 66.06 50.74 0.77
      2 6,092,424 152,500 15.94 34.94 2.19
      3 2,462,245 36,300 6.44 8.32 1.29
      4 2,247,263 19,700 5.88 4.51 0.77
      5 2,170,216 6,500 5.68 1.49 0.26
      CNBL 1 3,389,976 196,600 18.43 45.06 2.45
      2 3,970,531 96,600 21.58 22.14 1.03
      3 3,824,493 112,400 20.79 25.76 1.24
      4 3,680,147 30,600 20.00 7.01 0.35
      5 3,531,014 100 19.19 0.02 0.00
      Flow accumulation 1 6,992,250 260,700 38.01 59.75 1.57
      2 10,842,982 174,700 58.94 40.04 0.68
      3 316,857 700 1.72 0.16 0.09
      4 171,436 200 0.93 0.05 0.05
      5 72,636 0 0.39 0.00 0.00
      Field level Other 786,204 12,500 4.28 2.86 0.67
      5 class 7,538,908 37,400 41.02 8.57 0.21
      4 class 3,404,028 49,000 18.52 11.23 0.61
      3 class 3,002,241 92,400 16.34 21.17 1.30
      2 class 2,838,840 183,700 15.45 42.09 2.73
      1 class 808,965 61,400 4.40 14.07 3.20
      Deep soil texture Others 786,204 12,500 4.28 2.86 0.67
      Silty sandy loam 3,128,500 38,000 17.02 8.71 0.51
      Sandy soil 442,421 2,800 2.41 0.64 0.27
      Silty clay loam 8,091,163 163,400 44.02 37.44 0.85
      Sandy loam 1,280,590 11,100 6.97 2.54 0.37
      Clay 1,066,292 109,200 5.80 25.02 4.31
      Clay loam 1,928,991 51,700 10.50 11.85 1.13
      Gravelly soil 225,529 300 1.23 0.07 0.06
      Stony soil 1,429,496 47,400 7.78 10.86 1.40
      Topography Others 786,204 12,500 4.28 2.86 0.67
      Lava flow plateau 13,255,219 373,000 72.12 85.47 1.19
      Fluvial-marine mixed plain 217,363 6,400 1.18 1.47 1.24
      Alluvial terrace 394,503 42,200 2.15 9.67 4.51
      Eroded basin 1,104,246 900 6.01 0.21 0.03
      Hillslope 129,102 900 0.70 0.21 0.29
      Mountainous area 2,262,521 100 12.31 0.02 0.002
      Hilly area 227,002 400 1.24 0.09 0.07
      Valley area 1,339 - 0.01 0.00 0.00
      Alluvial fan 1,687 - 0.01 0.00 0.00
      Surface soil gravel content Other 786,204 12,500 4.28 2.86 0.67
      With rock 2,250,742 14,300 12.25 3.28 0.27
      No gravel 4,844,093 211,600 26.36 48.49 1.84
      With gravel 5,855,677 182,400 31.86 41.80 1.31
      With round rock 4,642,470 15,600 25.26 3.57 0.14
      Land cover Water body 36,634 1,900 0.20 0.44 2.21
      Bare land 168,709 1,800 0.92 0.42 0.46
      Forest area 6,032,429 10,200 32.90 2.37 0.07
      Agricultural area 7,536,956 378,200 41.10 88.04 2.14
      Grassland 3,539,265 15,000 19.30 3.49 0.18
      Urban area 1,014,664 22,500 5.53 5.24 0.95
      Marsh 8,930 - 0.05 0.00 0.00
      Lithology Qtb(VIII) 990,300 17,000 5.39 3.90 0.72
      Qs 18,919 9,100 0.10 2.09 20.26
      Qb(III) 4,074,800 168,400 22.19 38.63 1.74
      Qb(III)(S) 111,019 - 0.60 0.00 0.00
      Qtb(I)(T) 78,949 - 0.43 0.00 0.00
      Qtb(VIII)(T) 24,453 16,300 0.13 3.74 28.08
      Qtb(VIII)(S) 18,720 - 0.10 0.00 0.00
      Qtb(II) 841,473 2,700 4.58 0.62 0.14
      Qb(I) 538,425 19,100 2.93 4.38 1.49
      Qtb(VI) 1,186,784 27,800 6.46 6.38 0.99
      Qtb(III) 3,947,832 106,300 21.50 24.39 1.13
      Qtb(IV) 1,218,549 20,900 6.64 4.79 0.72
      Qtb(VIII)((T) 22,472 2,100 0.12 0.48 3.94
      Qta 226,386 7,500 1.23 1.72 1.40
      Qtb(III)(S) 348,766 3,800 1.90 0.87 0.46
      Qtb(VI)(S) 77,577 800 0.42 0.18 0.43
      Qtb(IV)(S) 137,817 - 0.75 0.00 0.00
      Qt 1,057,117 8,100 5.76 1.86 0.32
      Qtb(VII) 1,851,787 2,100 10.09 0.48 0.05
      Qtb(VII)(S) 137,204 - 0.75 0.00 0.00
      Qtb(I) 98,685 12,900 0.54 2.96 5.51
      Qt(S) 50,604 - 0.28 0.00 0.00
      Qta(S) 817 - 0.00 0.00 0.00
      SF 2,498 - 0.01 0.00 0.00
      Qtb(V)(S) 17,751 - 0.10 0.00 0.00
      Qtb(V) 319,561 100 1.74 0.02 0.01
      Qb(II) 905,688 10,700 4.93 2.45 0.50
      Qtb(II)(S) 30,510 - 0.17 0.00 0.00
      Qb(II)(S) 20,470 200 0.11 0.05 0.41
      Qb(I)(T) 5,392 - 0.03 0.00 0.00
      Forest density 0 1,022,186 2,100 5.55 0.48 0.09
      Low 444,328 1,700 2.41 0.39 0.16
      Medium 1,124,451 1,600 6.11 0.37 0.06
      Dense 4,734,828 2,400 25.73 0.55 0.02
      Other 11,076,887 428,700 60.19 98.21 1.63
      Essential
      Field Sub-Category
      Title of Dataset Flood Susceptibility Data of Jeju Island
      DOI https://doi.org/10.22747/paper_data.20250512.28
      Category Geoscientific Information
      Temporal Coverage After 2006
      Spatial Coverage Address Jeju Island
      WGS84 Coordinates 1487860.1000118977, 911446.0160160363
      Personnel Name Lee Saro
      Affiliation Korea Institute of Geoscience Mineral Resources
      E-mail leesaro@kigam.re.kr
      CC License CC BY-NC-ND
      Optional
      Field Sub-Category
      Summary of Dataset Data analyzing Jeju Island's flood susceptibility using frequency ratio technique
      Project
      Instrument
      Table 1. Frequency ratio of each factor

      FR, frequency ratio; TWI, topographic wetness index; CNBL, channel network base level.

      Table 1.

      GEO DATA : GEO DATA
      Editorial Office of GEO DATA

      #816, 8-13, Gwangpyeong-ro 56-gil, Gangnam-gu, 06367 Seoul, South Korea
      Tel: +82-2-6677-5682 E-mail: geodata@gaidas.org Corporate registration number: 780-82-00418

      TOP