AWS 및 AMOS 기반 산사태 유발 임계 강우 자동 분석 알고리즘 개발 (Development of an Automated Algorithm for Analyzing Rainfall Thresholds Triggering Landslide Based on AWS and AMOS)

산사태 예방을 위한 비구조물 대책 중 하나로, 산사태 예ㆍ경보 시스템의 임계 강우 기준을 마련하기 위한 강우 특성 분석 자동화 알고리즘을 제안한다. 알고리즘은 파이썬으로 작성했다. 강수자료는 기상청과 산림청의 관측소 정보를 활용하였고, 산사태 정보는 2020~2023년까지의 데이터를 기반으로 행정안전부의 생활안전지도를 통해 수집했다. 알고리즘은 3단계이다. 첫째, 강수 자료를 입력받아 지점 정보 불일치왿� 결측값을 정제한다. 둘째, 산사태 위치왿� 가장 가까운 관측소를 찾아내고, 무강우 기간 및 반감기를 고려하여 강우 사상을 분류하고 분석한다. 셋째, 강우 특성에 대해 기초 통계를 수행한 후, 적절한 통계 모델을 선정·분석한다. 분석 결과, 강우강도-지속시간, 유효 강우량-지속 시간, 선행강우량-지속 시간, 최대강우량-지속 시간의 관계에 대해 멱법칙과 비선형 회귀분석을 실시하였으며, 평균 R² 값이 0.45로 나타났다. 분석된 임계 강우 기준은 강우강도 0.9~1.4mm/hr, 유효강우량 68.5~132.5mm, 선행강우량 81.6~151.1mm, 최대강우량17.5~26.5mm로 분석되었다. 기준 검증을 위해 AUC-ROC 분석을 수행한 결과, AUC 값이 0.5로 낮게 나타났다. 마지막으로 알고리즘의 속도 성능을 평가한 결과 총 30분의 시간이 소요되었다. 즉, 강우 자료만으로 재해를 예측하는 데에는 한계가 있음을 시사한다. 단, 재해로 인한 인명과 재산피해를 막기 위해서는 정량적이나 해석이 편리한 방법으로 기준 선정이 필요하다. 따라서 본 연구에서 개발한 알고리즘을 활용하여 산사태 발생 임계 강우 기준의 정량적 평가를 통해 인명 및재산 피해를 저감하는 데 기여할 수 있을 것으로 기대한다.

This study presents an automated Python algorithm for analyzing rainfall characteristics to establish critical rainfall thresholds as part of a landslide early warning system. Rainfall data were sourced from the Korea Meteorological Administration's Automatic Weather System (AWS) and the Korea Forest Service's Automatic Mountain Observation System (AMOS), while landslide data from 2020 to 2023 were gathered via the Life Safety Map. The algorithm involves three main steps: 1) processing rainfall data to correct inconsistencies and fill data gaps, 2) identifying the nearest observation station to each landslide location, and 3) conducting statistical analysis of rainfall characteristics. The analysis utilized power law and nonlinear regression, yielding an average R² of 0.45 for the relationships between rainfall intensity-duration, effective rainfall-duration, antecedent rainfall-duration, and maximum hourly rainfall-duration. The critical thresholds identified were 0.9-1.4 mm/hr for rainfall intensity, 68.5-132.5 mm for effective rainfall, 81.6-151.1 mm for antecedent rainfall, and 17.5-26.5 mm for maximum hourly rainfall. Validation using AUC-ROC analysis showed a low AUC value of 0.5, highlighting the limitations of using rainfall data alone to predict landslides. Additionally, the algorithm's speed performance evaluation revealed a total processing time of 30 minutes, further emphasizing the limitations of relying solely on rainfall data for disaster prediction. However, to mitigate loss of life and property damage due to disasters, it is crucial to establish criteria using quantitative and easily interpretable methods. Thus, the algorithm developed in this study is expected to contribute to reducing damage by providing a quantitative evaluation of critical rainfall thresholds that trigger landslides.