4.1 평가지표

자연재난 피해액 예측모델 개발을 위하여 사용된 평가지표는 출력변수인 자연재난 피해액 현황(Table 2)과 입력변수인 기상 현황(Table 3)이다.

Table 2

Natural Disaster Index (2005~2014)

Table 3

Meteorological Index

Table 1

Description

먼저 자연재난 피해액 현황은 국민안전처에서 발간하는 재해연보를 활용하여 자연재난 피해 기간에 발생한 피해액(원)을 230개 시군구/2005~2014년 기간에 따라 자료를 구축하였다. 재해연보에서는 1985년부터 전국 행정구역 단위의 재해피해 발생 현황을 제공하고 있으나, 2000년 이후로 피해 현황이 비교적 체계적으로 구축되고 있다. 또한, 현재와는 기상, 지형, 사회, 경제적 상황이 다른 오래된 자료를 포함할 경우 지역 현황을 객관적으로 반영하기 어려운 단점이 있어 데이터 구축 기간은 2005~2014년으로 한정하였다.

2005~2014년 발생한 자연재난은 크게 호우, 강풍, 대설, 태풍으로 구분되고 있으며 해당 자연재난 4개에 대한 피해 예측 모델을 구축하였다. 또한, 피해 현황이 집계된 시설 중 건물, 농경지, 공공시설, 사유시설의 피해액과 전체 누적 피해액에 대한 데이터를 입력변수로 구축하였다(Table 2). 연도별 피해액은 2014년 기준 생산자 물가지수(Economic Statistics System)를 반영하여 피해액의 화폐가치를 변환하여 적용하였다.

생산자 물가지수를 반영한 2014년(물가상승 배수 1.0) 기준 10년간 총 누적 피해액은 6조 1,932천억 원으로 나타났다. 또한, 전체 피해액의 58.5%가 강우로 인한 피해였으며, 태풍(27.1%), 강설(12.3%), 풍랑(1.1%), 강풍(1.0%)의 순으로 나타났다. 시설별로 살펴보면 전체 피해의 70.7%가 공공시설이며 사유시설 피해가 23.2%, 농경지(3.9%), 건물(2.2%)의 순으로 나타났다. 한편 강우와 태풍은 공공시설에 가장 큰 피해를 미쳤으며, 강설, 풍랑, 강풍은 사유시설에 가장 큰 피해를 미친 것으로 나타났다.

두 번째, 본 연구에서 사용한 기상관측 자료는 객관 분석과 내삽 과정을 통해 73개 지상관측 데이터를 변환하여 생산된 230개 시군구별 관측 자료이다. 객관 분석은 Barnes scheme을 이용하여 NCL의 obj_anal_ic 함수가 사용되었으며 이를 통하여 73개 지상관측 자료를 해상도 0.1°의 격자단위 관측자료가 생산되었다. 또한 이중선형내삽법을 이용하여 230개 시군구 단위의 기상 관측 자료를 생산해 내었다(Kim et al., 2016; Kim et al., 2014a). 풍수해 영향 평가를 위하여 재생산된 해당 기상 관측자료는 기상 요인과 자연재난 피해와의 영향평가를 위한 본 연구의 입력 자료로서 적합한 기상 자료로 판단되며 또한 32개의 기상인자를 포함하고 있어 다양한 기상 현황에 대한 영향평가가 가능한 점이 특징이다. 해당 기상 관측자료는 강수가 많이 발생하였던 2005년 7월 8일을 대상으로 데이터의 검증작업을 거쳤으며, 강수발생 정도 및 지역별 발생여부가 지상 관측자료(73개 지점)와 생산된 관측자료(230개 지점)가 동일함을 확인하여 자료의 신뢰도가 높은 것으로 판단되었다(MPSS, 2017).

한편 해당 기상관측 자료는 강우, 강풍, 강설 피해 평가가 가능한 단일재해(single disaster)와 태풍피해 평가가 가능한 복합재해(complex disaster)로 구분되어 강우와 강풍이 함께 고려된 복합재해에 대한 평가가 가능하다. 단일재해의 경우 강수(14개), 기온(2개), 강설(6개), 풍속(3개) 변수가 포함되어 있으며 복합재해의 경우 태풍이 발생한 기간에 산출된 강수(4개)와 풍속(3개) 변수가 함께 산출되어 있다(Table 3). Fig. 1의 (1)~(32)은 입력변수에 따른 시군구 230개 지역의 기상 현황을 지도로 나타낸 것이다. 강수의 경우 남해 및 서울, 경기 지역으로 집중되어 있으며, 적설량의 경우 강원도 및 전남⋅북 해안지역에서 높은 비율을 보인다. 또한, 풍속의 경우 연안 지역에서 가장 강하며 내륙으로 갈수록 풍속이 작아지는 경향을 보인다.

Fig. 1

Meteorological Situation in 230 Regions (2005~2014)

Fig. 2

Observation Data Point

4.2 변수 선택

자연재난에 따른 피해액 예측 모델을 개발하기 위해서는 출력변수를 가장 잘 예측할 수 있는 입력변수의 선정이 우선되어야 한다. 입력변수를 선택하기 위해서는 모델링을 수행할 때 입력변수의 근거가 명확해야 하며 그렇지 않은 경우에는 변수의 통계적 특성을 고려하여 선택한다. 본 연구에서는 R programming 내 regsubsets함수를 사용하여 재해 피해 이력과의 상관도가 높은 변수를 모델링에 활용하였다. regsubsets함수의 경우 모든 가능한 모델과 단계적 알고리즘을 사용하여 모델을 선택하는 방법으로써 수정결정계수(adjr2)를 도출하여 adjr2가 높은 절편이 상관도가 높은 변수이다.

Fig. 3은 시설별 재해피해액 예측모델 입력변수 선택 시 발생하는 adjr2를 나타낸 것으로 모형 구축을 위한 최적의 절편이 음영으로 표시되어 있으며 해당 변수에 따른 adjr2가 표기되어 있다. 강우와 태풍의 경우 Model ➀~➃보다 model ➄의 adjr2가 0.256으로 가장 높게 나타났으며, 강설의 경우 피해액이 없는 model ➁를 제외한 모든 model의 adjr2가 0.154~0.387로 높게 나타났다. 반면 강풍의 경우 Model ➀~➄의 adjr2가 모두 낮게 나타났는데 이는 기상현황과 강풍피해 간의 영향정도가 낮음을 의미한다. 자연재난 피해액 예측모델을 개발하기 위하여 adjr2가 가장 높았던 model ➄에 포함된 각 절편을 입력변수로 다중회귀와 신경망 모형을 구축하였다. 강우의 경우 총 8개의 절편이 선택되었으며, 강풍은 3개, 강설, 태풍은 각각 5개의 절편이 선택되어 최상의 adjr2값을 도출해내었다.

Fig. 3

Variables Selection Using Regsubsets

5.1 다중회귀 모형

4.2장의 변수선택 과정을 거쳐 선정된 입력변수를 활용하여 자연재난 피해액 예측을 위한 다중회귀 모형(MR, Multiple Regression)을 도출하였다(Table 4). 강우재해를 평가하기 위한 입력변수는 avegt80, dayswetday, pint, pq90, px5d, pxcdd, sumjjapr, sumpr로 이를 활용한 다중회귀식의 조정결정계수(R²)값은 0.2551로 나타났다. 강설피해 예측 다중회귀식의 경우 avensnd, daysnsnd20, daysnsnd50, avemintemp, daysfreez를 활용하였으며 R²은 0.2748로 나타났다. 또한 태풍피해의 경우 dayswetday, pint, sumpr, avewind, daymwind14가 활용되었으며 R²은 0.4253으로 나타났다. 반면 강풍피해는 avewind567, daymwind14, maxwind가 활용되어 R²은 0.075로 매우 낮아 기상현상과 재해피해액 간의 회귀모형은 성립되지 않는 것으로 나타났다.

Table 4

Multiple Regression Analysis

자연재난으로 인한 피해를 결정하는 요인은 본 연구에서 입력변수로 활용한 기상 요인 외 지역의 물리⋅환경적인 다양한 요인이 재해 피해를 결정하기에 기상 요인만을 활용한 재해피해 예측모델로서는 정확도가 비교적 높은 것으로 판단된다.

5.2 인공신경망 모형

인공신경망(ANN, Artificial Neural Network)은 인간의 두뇌구조를 모방한 지도학습법으로 입력 값x₁,…,x_p로부터 출력값 y에 이르는 과정을 뇌의 구조와 기능으로부터 유추한다. 즉 여러 개의 뉴런들이 상호 연결되어 입력값에 대한 최적의 출력 값을 예측하는 것으로 본 연구에서 구축하고자 하는 기상 요인에 따른 자연재난 피해액을 예측하기에 적절한 모형으로 판단된다. 인공신경망은 입력 값 변수로 구성되어 있는 입력층(input layer)과 출력 값 변수로 구성되어 있는 출력층(output layer)으로 구성되어 있고 입력층과 출력층 간의 가중치가 반영된 은닉층(hidden layer)로 구성되어 있다(Fig. 4(a)). 은닉층은 신경망 구성 시 임의로 설정하는 것으로 정해진 개수는 없으나 일반적으로 하나의 은닉층이 방대한 양의 데이터를 처리할 수 있다고 알려져 있다(Park et al., 2011). 이에 본 연구에서는 은닉층의 개수를 기본 값인 1개로 설정하였다. 다중회귀와 마찬가지로 인공신경망도 4.2장에서 선택된 유의 변수를 대상으로 자연재난 피해액 예측을 위한 인공신경망을 구축하였다(Figs. 4(b)~(e)).

Fig. 4

Artificial Neural Network

신경망 모형은 neuralnet 함수를 사용하였다. neuralnet은 다층 퍼셉트론 신경망을 적합하여 다수의 공변량과 반응 간의 함수적 관계를 추정해낸다. 먼저 230개의 데이터셋을 train set과 test set으로 나누고 그 비율을 3:1로 구분하였다. 또한 효과적인 신경망 학습을 위하여 모든 입력변수의 평균이 0, 표준편차가 1로 정규화 하였다. 신경망 모델은 탄력적역전파(relilent backpropagation)를 활용하여 자연재난 피해액을 예측하였다. 또한, 인공신경망 훈련 반복횟수는 100회로 설정하여 다수의 반복계산에 따른 최적의 신경망 모델을 구축하였다. 신경망 학습 후 Test set을 대상으로 Test 결과와 출력값의 상관관계를 비교하였다(Table 5).

Table 5

ANN Analysis

그 결과 강우 예측 인공신경망의 경우 3,085번의 반복 학습으로 정확도가 0.67, 모형 오차율이 0.03의 신경망 모형이 도출되었다. 강설과 태풍 모형의 경우 정확도는 0.6 이상으로 높으나 모형의 오차율이 0.40~0.60으로 다소 높게 나타났다. 반면 강풍 경우 다중회귀 모형과 마찬가지로 모형의 정확도가 매우 떨어졌으며 오차율 또한 0.85 이상으로 높게 나타났다. 이는 강풍 피해의 경우 기상의 영향 보다는 피해 시설의 물리, 환경적인 영향이 더욱 더 작용하여 기상 요인이 입력변수로 사용된 모형에서의 예측률은 유의하지 않은 것으로 판단된다.

5.3 다중회귀모형과 인공신경망 모형의 비교

앞서 각 자연재난에 따른 입력변수를 대상으로 다중회귀모형 및 인공신경망을 구축하였다. 본 장에서는 제곱오차평균(MSE, Mean Square Error)을 기준으로 신경망 모형의 예측값과 회귀모형에 의한 예측값을 비교하였다. MSE는 Eq. (1)에 따라 산출되며 여기서y^i는 학습데이터를 통해서 얻은 예측치를 나타낸다.

Fig. 5와 Table 6은 다중회귀모형과 인공신경망모형으로 구축된 자연재난별 피해액 예측모델의 MSE 분포를 비교한 것이다. 그 결과 강우, 강풍, 강설, 태풍 모형 모두 인공신경망모형에서의 MSE 값이 다중회귀모형보다 작게 나타나 자연재난 피해액 예측모델로서 인공신경망모형의 예측력이 뛰어난 것으로 판단된다. 다만 강풍 모형의 경우 앞서 설명한 대로 기상 요인과 강풍 피해 간의 영향력이 적어 다중회귀모형과 인공신경망모형 모두 일부 예측값이 음의 값으로 나타났으며 이에 기상요인만을 고려한 강풍 피해 예측모델은 두 모형 모두 예측력이 떨어지는 것으로 판단된다.

Fig. 5

Predicting Damage Using MR and ANN

Table 6

MSE