1. 서론

지하수 산출가능성도는 땅속 대수층에서 지하수를 얼마나 많이 산출할 수 있나를 상대적으로 예측한 도면으로서 지하수 개발 및 관리에 기초 데이터로 매우 중요하다. 본 연구에서는 이러한 지하수 산출 가능성도를 남한 전역에 대해 확률 기법인 빈도비 모델을 이용하여 작성하였다. 이를 위해 지하수 산출량과 직접 관련된 비양수량(SPC)과 투수량 계수(T)를 지형도, 지질도, 토양도, 임상도, 위성영상에서 추출한 각종 관련 요인과의 상관관계를 빈도비 분석을 통해 구한 후, 이러한 빈도비를 융합하여 비양수량 및 투수량 계수에 대해 각각 지하수 산출가능성도를 작성하고, 이를 정량적으로 검증하였다. 기존에 국내에 지하수 산출가능성도 작성에 대한 많은 연구가 있었으나(Oh et al., 2011; Lee et al., 2012; Park et al., 2014; Lee et al., 2018; Kim et al., 2019; Sameen et al., 2019) 본 연구처럼 남한 전역을 대상으로 한 연구는 처음이다.

2. 연구 데이터

지하수 산출 가능성도는 지하수 산출량과 관련된 비양수량과 투수량 계수를 기준으로 산출했다. 비양수량은 단위 면적당 지하수위 감소량에 따른 우물의 양수량의 비로 나타낸다. 투수량 계수는 단위 수리구배에서 물이 대수층의 단위 폭을 통과하는 속도이다. 즉 투수량 계수는 일정한 두께로 대수층에서 흐름을 전달하는 능력을 나타낸다. 본 연구에서 사용된 비양수량과 투수량 데이터는 수자원공사에서 발행한 지하수 기초조사 보고서를 이용하였고, 그 위치는 Fig. 1과 같다. 또한 지하수 산출과 관련된 지형도, 지질도, 토양도, 임상도, 위성영상에서 추출한 각종 정보 등을 이용하기 위해 데이터를 수집하였다. 이러한 데이터는 대부분 환경빅데이터 홈페이지(www.bigdata-environment.kr)에서 수집하였다. 본 연구에 사용된 데이터로는 지질도, 지형 구분도, 토양 종류도, 토양 모재도, 유효 토심도, 토양 배수도, 임상도, 임상 경급도, 임상 영급도, 토지이용도, 선구조 밀도, 선구조부터의 거리, 도로망 밀도, 수계 밀도, 수계로부터의 거리, Slope, LS Factor, Morphological Feature, Surface Area, Terrain Ruggedness index, Topographic Wetness, Valley Depth, Landsat NDWI, Radarsat Intensity, Radersat RVI, Sentinel NDVI, Sentinel NDWI, Sentinel NDMI, Sentinel SAVI 등이 있다. 본 연구 지역의 해상도는 30 m이다.

3. 연구방법

본 연구에서 사용된 빈도비는 취약성도 혹은 가능성도를 만들기 위한 간단하고 기본적인 확률 모델이다. 빈도비 방법에서 이벤트 발생과 관련 요인 간의 공간적 관계를 계산하였다. 취약성도 혹은 가능성도 작성에 사용되는 입력 자료 중 명목형 자료는 유형으로 그리고 숫자형 자료는 10개 혹은 5개 등 적절한 등급으로 그룹화되며, 각 입력 자료의 유형 혹은 등급별 이벤트의 발생 비율이 빈도비이다. 즉, 빈도비는 요인에 대해 각 유형(명목형 자료) 혹은 등급(숫자형 자료)별로 전체 면적에서 이벤트가 발생한 면적의 비율이다(네이버 지식백과: 지질학백과). 그리고 이렇게 확률모델에서 구한 빈도비 값들을 식 (1)과 같이 모두 더하여 지하수 산출 가능성 지수를 계산한 후 이를 도면으로 나타내면 지하수 산출 가능성도가 작성된다.

GPI = ∑FR (1)

(GPI: 지하수 산출 가능성 지수, FR: 각 요인의 빈도비)

4. 결과

이러한 비양수량 값을 지형도, 지질도, 토양도, 임상도, 위성영상에서 추출한 각종 관련 요인과의 상관관계를 빈도비를 이용하여 구했고, 그중 상관관계(R²)가 높은 관련 요인들인 지질도, 지형 구분도, 토양 종류도, 토양 모재도, 유효 토심도, 토양 배수도, 임상도, 임상 경급도, 임상 영급도, 토지이용도, 선구조 밀도, 선구조부터의 거리, 도로망 밀도, 수계 밀도, 수계로부터의 거리, Slope, LS Factor, Morphological Feature, Surface Area, Terrain Ruggedness index, Topographic Wetness, Valley Depth, Landsat NDWI, Radarsat Intensity, Radersat RVI, Sentinel NDVI, Sentinel NDWI, Sentinel NDMI, Sentinel SAVI 등을 사용하였다. 지하수 산출량 가능성도 작성을 위해 이렇게 상관관계가 높은 데이터들의 빈도비값들을 모두 더하여 최종적으로 비양수량 및 투수량 계수 기반의 지하수 산출량 가능성도를 Fig. 2와 Fig. 3과 같이 작성하였다. 그리고 이러한 지하수 산출량 가능성도를 정량적인 ROCAUC 방법을 이용하여 검증한 결과 비양수량의 경우 83.52%, 투수량 계수의 경우 81.92%의 정확도를 나타내었다.

5. 결론 및 토의

본 연구에서는 지하수의 비양수량 및 투수량 계수와 지형, 지질, 토양, 산림 등 각종 지하수 산출 관련 요인들과의 상관관계를 확률 모델인 빈도비를 이용하여 계산한 후 이를 융합하여 남한 전역에 대해 지하수 산출가능성도를 작성하였다. 그리고 이를 검증한 결과 비양수량의 경우 83.52%, 투수량 계수의 경우 81.92%의 비교적 높은 정확도를 나타내었다. 이렇게 제작된 지하수 산출가능성도는 지하수 개발 시 개발 위치 선정 및 지하수 사용의 체계적인 관리에 활용될 수 있다. 추후 활용성과 접근성을 높이기 위하여 다시 ASCII, ARCGIS GRID, GEOTIFF의 세 가지 데이터 형으로 각각 변환되었고, 모든 데이터는 남한 통판 자료와 9개 권역(경기, 강원, 충북, 충남, 경북, 경남, 전북, 전남, 제주)으로 분할한 형태로도 제공된다. 본 지하수 산출가능성도는 환경 빅데이터 플랫폼 (www.bigdata-environment.kr)에서 무료로 다운로드 가능하다.

Acknowledgements

본 연구는 한국지질자원연구원 기본사업과 환경 비즈니스 빅데이터 플랫폼 및 센터 구축 사업의 지원으로 수행되었음.

Fig. 1.

비양수량(a)과 투수량 계수(b) 관측 우물 위치

Fig. 2.

빈도비를 이용한 지하수 산출 가능성도 (a) 비양수량 (b) 투수량 계수

References

• Oh HJ, Kim YS, Choi JK, Park EG, Lee SR (2011) GIS mapping of regional probabilistic groundwater potential in the area of Pohang City, Korea. Journal of Hydrology 399:158–172Article
• Lee SR, Kim YS, Oh HJ (2012) Application of a weights-of-evidence method and GIS to regional groundwater productivity potential mapping. Journal of Environmental Management 96:91–105ArticlePubMed
• Park IH, Kim YS, Lee SR (2014) Groundwater Productivity Potential mapping using Evidential Belief Function. Groundwater 52:201–207Article
• Lee SR, Hong SM, Jung HS (2018) GIS-based groundwater potential mapping using artificial neural network and support vector machine models: the case of Boryeong city in Korea. Geocarto International 28(8):847–861Article
• Kim JC, Jung HS, Lee SR (2019) Spatial Mapping of the Groundwater Potential of the Geum River Basin Using Ensemble Models Based on Remote Sensing Images. Remote Sensing 11(19):2285Article
• Sameen MI, Pradhan B, Lee SR (2019) Self-Learning Random Forests Model for Mapping Groundwater Yield in Data-Scarce Areas. Natural Resources Research 28(3):757–775ArticlePDF

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by