도시 "만성 질환"에 주의하세요: 중남대학교 류젠신 교수팀, AI를 활용해 향후 40년간 지반 침하 위험 예측

2023년 5월, 톈진 진난구 발리타이진에 위치한 풍진원(風津院)의 소유주들은 멀리서 보면 25층 건물이 "비뚤어져 보여" "공포에 질렸다". 건물주들을 더욱 당황하게 만든 것은 건물 주변의 풀과 도로가 꺼지고 갈라지는 것은 물론, 건물의 기초마저도 수십 센티미터의 침하와 균열이 생겼고, 일부 지하 주차장 벽에도 균열이 생기고 물이 스며들어 수천 명의 건물주들이 집으로 돌아갈 수 없게 되었다는 사실이었습니다.

사실, 지반침하(LS) 현상은 이미 흔한 현상입니다. 2012년 초, 중국 국토자원부, 수자원부, 국가발전개혁위원회, 재정부 등 10개 부처가 공동으로 편찬한 중국 최초의 "전국 지반 침하 방지 및 통제 계획(2011-2020)"에 따르면, 현재 전국에서 지반 침하 재해를 겪고 있는 도시가 50여 개에 달하며, 베이징, 톈진, 허베이, 산시, 내몽골 등 20개 성, 자치구, 직할시에 분포되어 있다고 지적했습니다.

또한, 유네스코 토지 침하 실무 그룹이 2021년 Science에 발표한 연구에 따르면, 2040년까지 토지 침하로 인해 전 세계 인구의 약 1/5이 위협을 받을 것이라고 경고했습니다. 현재 도시 개발에 있어서 지반 침하를 신속하게 모니터링하고 정확하게 시뮬레이션하는 방법이 가장 큰 문제로 떠올랐음을 알 수 있습니다.

이러한 문제를 해결하기 위해 중남대학교 지구과학 및 정보물리학부의 류젠신 교수 연구팀은 광둥성 지질환경 모니터링 스테이션, 광둥성 제4지질여단, 코트디부아르의 부아니 대학교와 협력하여 도시 지반 침하의 지능적 예측 연구 결과를 환경 과학 및 생태학 분야의 국제 학술지인 Journal of Environmental Management에 게재했습니다.도시 지역의 토지 침하 모델링을 위해 XGBR(Extreme Gradient Boosting Regressor)과 LSTM(Long Short Term Memory) 네트워크를 사용한 최초의 사례입니다.이 솔루션은 복잡한 시나리오를 처리하는 데 있어 단일 모델 프레임워크의 본질적인 한계를 해결할 뿐만 아니라, 데이터 기반 전략을 통해 재해 예방, 완화 및 토지 이용 전략에 대한 효과적인 예측 방법을 제공합니다.

연구 하이라이트

* Taylor 플롯을 사용하여 XGBR 및 LSTM 모델이 침전 데이터와 강력한 상관 관계를 가지고 있으며 예측 정확도도 높음을 보여줍니다.

* InSAR, 지질 및 시추공 데이터를 사용하여 표면 활동 변화율을 추정하고 이를 통해 표면 활동에 영향을 미치는 주요 변수를 밝힙니다.

* 데이터 기반 전략을 통해 사전 예방적 토지 이용 관리를 촉진하고 지속 가능한 도시 개발 및 자원 관리 관행의 기반을 마련합니다.

서류 주소:
https://doi.org/10.1016/j.jenvman.2024.120078
공식 계정을 팔로우하고 "지반 침하"에 답글을 달면 전체 PDF를 받을 수 있습니다.

연구 범위: 난사 지구에 초점을 맞추고 진주강 삼각주 지역의 지반 침하 위험을 탐구합니다.

진주강 삼각주 지역의 침하 면적은 11,397km2에 달했으며, 침하량은 대체로 500mm를 넘었고, 가장 높은 침하량은 1,000mm를 넘었습니다. 그 중 난사구는 광저우시의 최남단에 위치하고 있습니다. 시위강, 베이장강, 동장강이 합류하는 지점으로 총면적은 약 803㎢이다. 암석학적으로 보면, 난사구는 주로 갈적색 점토, 연한 노란색 자갈, 중간-굵은 모래, 반암질 점토, 회백색 및 갈적색 자갈 등 연약한 토양 퇴적물로 분포되어 있습니다. 수문지질학적 조건의 관점에서 볼 때, 난사구의 지하수는 두 가지 주요 지하수층, 즉 비압박 지하수층과 압박 지하수층으로 나눌 수 있습니다.

진주강 삼각주 지역의 급속한 발전으로 난사구는 도시 개발이 급속히 진행되는 동안 표면 개발에만 국한되지 않고 지하수 채취도 늘렸는데, 그 결과 지하수위가 낮아졌습니다. 동시에 고층 빌딩과 산업 시설의 증가로 인해 지표면 압력이 더욱 증가하여 지반 침하 발생이 심화되고 있습니다.

공학적 조사와 수문지질학적 시추를 포함한 지반 공학적 조사에 따르면 난사구의 지반 침하는 4단계를 거쳤음이 밝혀졌습니다. 시작 단계(2015-2016년, -125mm), 개발 단계(2016-2018년, -170mm), 확장 단계(2018-2020년, -222mm), 급속 개발 단계(2020-2022년, -320mm)로, 이는 기본적으로 도시 개발 및 인프라 건설과 일치합니다.

데이터 세트: SAR 및 지질 데이터를 결합하여 지역 지질 정보를 완전히 복원합니다.

이 연구를 위한 SAR(합성개구레이더) 이미지 데이터는 유럽 우주국 코페르니쿠스 임무(GMES)의 센티넬-1 위성에서 수집되었습니다.

이는 센티넬-1A와 센티넬-1B라는 두 개의 위성으로 구성된 활성 마이크로파 원격 감지 위성입니다. 두 위성이 탑재한 센서는 낮과 밤, 그리고 모든 날씨 조건에서 연속적인 이미지를 제공할 수 있습니다. 2015년 6월 15일부터 2022년 12월 23일까지 센티넬-1은 C밴드 합성개구레이더를 탑재하여 총 213개의 장면을 포착했습니다. 연구자들은 매년 통제 지점을 통해 수집된 실제 데이터와 SAR 데이터를 교차 검사했습니다.

난사구의 포괄적인 지질 및 시추 데이터를 더 잘 이해하기 위해 이 연구에서는 현지 토양 특성, 지하수위 등도 분석했습니다.

* 지질 정보:광둥성 지질국에서 지질체계 정보를 수집한 결과, 난사지역은 제3기, 백악기, 쥐라기, 삼첩기, 페름기, 석탄기, 데본기, 실루리아기의 8개 지질시대로 나눌 수 있습니다.

* 채움 두께(FSt) 및 모래층 분포(SLd):토양이 다르면 정착지도 달라집니다. 본 연구에서는 엔지니어링 시추를 통해 다양한 시점에 매립 두께(FSt)와 모래층 분포(SLd)에 대한 데이터를 신중하게 수집하여 난사 지역의 지하 지반 상태를 효과적으로 평가합니다.

* 건물 밀도(BC):난사구의 건물밀도(BC)는 광둥성 지질국의 2015년부터 2022년까지의 대형 건물을 분석하고, 건물 구조의 종합적인 토목공학 데이터를 기반으로 도출되었으며, 이를 통해 인구 밀도가 높은 이 지역의 도시 기반 시설 밀도와 지반 침하 간의 관계를 심층적으로 탐구했습니다.

* 지하수위(GWL):이 연구에서는 광둥성에서 실시한 모든 시추 결과를 종합하여 작성한 지하수위 지도를 바탕으로 수문지질 시추를 통해 난사구의 지하수 존재 여부, 깊이, 양, 질에 대한 데이터를 얻었습니다.

연구 방법: InSAR와 머신 러닝을 통합하여 Δr 전략을 사용하여 변수에 맞춤

본 연구는 머신 러닝을 기반으로 한 SAR 데이터 처리 단계와 통합 기술에 대한 간략한 개요로 구성됩니다.

대기 지연, 궤도 잔류 및 비상관 잡음의 영향으로 인해 간섭 합성 개구 레이더(InSAR) 기술은 두 개의 영상 주기 내에서만 표면 변형을 측정할 수 있으며 시간에 따라 변화하는 변형은 측정할 수 없습니다. 대기 지연의 영향을 줄이기 위해 현재 주류를 이루는 시계열 InSAR 방법은 영구 산란체 간섭법(PS-InSAR)과 소규모 기준선 부분집합법(SBAS-InSAR)으로 나눌 수 있습니다. PS-InSAR 기술은 비상관 잡음과 같은 요인의 영향을 크게 극복했습니다. SBAS-InSAR 기술은 기존 SAR 데이터를 최대한 활용하여 고속 및 정확한 표면 변형 역산을 수행할 수 있습니다.

본 연구의 머신러닝 모델은 익스트림 그래디언트 부스팅 회귀(XGBR)와 장단기 메모리 네트워크(LSTM)로 구성되어 있다.

그 중 XGBR은 회귀 작업을 위한 그래디언트 부스팅 알고리즘의 변형으로, 무작위 샘플링 과정을 통해 다양한 학습 데이터 세트를 생성할 수 있습니다. LSTM 아키텍처는 장기적 관계를 포착하고 학습하는 데 있어 기존 순환 신경망의 한계를 해결하도록 설계되었으며, 전체 시간 간격에 걸쳐 정보를 효과적으로 관리하고 보관할 수 있습니다.

위의 방법을 기반으로,이 연구에서는 먼저 SAR 영상을 분석하여 주요 데이터 세트를 얻었습니다.2015년 6월부터 2022년 12월까지 총 225개의 장면이 센티넬-1 위성에 의해 SAR 이미지로 수집되었습니다. 두 번째로, 연구진은 PS-InSAR 기술을 사용하여 2015년 6월부터 2019년 11월 사이에 획득한 144개의 이미지를 처리했으며, 2018년 12월에 촬영한 이미지를 1차 이미지로 사용했습니다. 그런 다음 연구진은 SBAS-InSAR 기술을 사용하여 2019년 1월부터 2022년 12월까지 촬영한 66장의 이미지를 처리했습니다. 마지막으로 PS-InSAR 및 SBAS-InSAR 모니터링 결과를 사용하여 2015년 6월부터 2022년 12월까지 누적 변형 변수의 시계열 융합을 수행했으며, 2015년 6월부터 2019년 11월까지의 누적 침하 데이터를 변형 순서 벤치마크로 사용했습니다.

다음,본 연구는 지하수위(GWL) 데이터 추출에 초점을 두고 있습니다.이는 지하수 역학이 지표 형태에 미치는 영향을 이해하는 데 중요한 단계입니다. 이 연구에서는 2015년 6월부터 2018년 12월까지 광둥성 전역에서 실시한 수문지질 시추를 기반으로 지하수층을 지도화했습니다. 이 지도는 두 지하수층의 각 시추공에서 수집한 정보를 기반으로 만들어졌습니다. 그런 다음, 수문지질학 데이터는 Golden Software Surfer 25.1을 사용하여 분석하고 ArcGIS Pro 1.2를 사용하여 래스터화했습니다.

마침내,이 연구에서는 고급 머신 러닝 알고리즘을 사용하여 데이터를 해석하고 추가 분석하는 델타 비율(Δr) 전략을 심층적으로 살펴보았습니다.모든 변수를 동일한 시간 척도에 맞추기 위해 이 연구에서는 델타 비율(Δr) 계산을 사용하여 범주형 특성인 Lith를 제외한 모든 데이터에 적용했습니다. 이러한 문제를 해결하기 위해 LSTM과 XGBR이라는 두 가지 기술이 적용되었습니다. LSTM에서 이 연구는 손실 함수 Las에 계수의 절대값에 해당하는 페널티 항을 추가하여 특정 특징의 영향을 줄임으로써 LSTM 네트워크에 라소 회귀(L1 정규화)를 직접 구현했습니다. XGBR에서는 트리의 깊이를 제어하여 모델의 복잡성을 제한할 수 있으며, 이를 통해 간접적으로 특성의 중요도에 영향을 미칠 수 있습니다.

연구 결과: XGBR이 LSTM 모델보다 우수함

본 연구는 2015년부터 2022년까지 난사구의 공간적, 시간적 패턴을 분석하여 다양한 기간 동안 난사구의 지반 침하 또는 변형을 계산했습니다.

* 2015년 6월 - 12월:난사구에는 변형신호가 없고, 최대누적침하량은 -21mm로 토지와 건물이 매우 안정적입니다. 

* 2015-2016년:난사구의 많은 도로에서 대규모 변형이 발생했으며, 최대 누적 침하량은 -64mm에 달했습니다.
* 2015-2017년:난사구 남동쪽 지역의 변형이 가장 심각하며, 최대 누적 침하량은 -128mm에 달합니다. 

* 2015-2018년:난사구의 최대 누적 침하량은 -176mm이다.
* 2015년 - 2019년:난사구의 최대 누적 침하량은 -225mm이다. 

* 2015년 - 2020년:난사구 서쪽은 상당한 변형을 겪었으며, 총 침하량은 최대 -263mm에 달했습니다.
* 2015년 - 2021년:많은 지역 사회가 광범위한 변형 신호를 경험했으며, 가장 높은 누적 침하량은 -320mm에 달했습니다. 

* 2015년 - 2022년:최대 누적 침하량은 -364mm이다.

본 연구에서는 XGBR과 랜덤 포레스트(RF)를 사용하여 다양한 특징의 중요성을 평가합니다. 두 모델 모두 다음을 보여줍니다.지하수위와 건물밀도는 지반침하에 가장 큰 영향을 미치는 요소이며, 이들의 누적 중요도는 약 51%이다.다음으로, 본 연구에서는 평균 Δr을 이용한 지반침하 예측모형을 구축하고, 지하수위와 건물밀도를 80%로 감소시켜 지반침하 문제를 해결하고자 하였다.

결과는 다음과 같습니다지하수위와 건물 밀도를 낮추면 지반침하율을 크게 줄일 수 있습니다.또한 XGBR과 LSTM 모델의 예측 결과에는 약간의 차이가 있을 수 있습니다. 실제로 XGBR은 갑작스러운 변화를 더 잘 포착할 수 있는 반면, LSTM은 장기 종속성을 더 잘 포착할 수 있습니다.

이 연구에서는 XGBR과 LSTM을 사용하여 2060년까지의 침하 데이터를 시뮬레이션하고 예측했습니다. 결과는 다음과 같습니다.

* 2024년까지XGBR은 대부분 지역이 -250mm 미만으로 비교적 적은 양의 침하를 예측합니다. 

* 2030년까지지반 침하의 누적은 점점 더 뚜렷해지고 그 이후로 점차 심해졌습니다.
* 2060년까지일부 지역의 침하량은 -450mm를 초과할 것으로 예상됩니다.

전반적으로 LSTM의 예측 추세는 XGBR과 일치하지만, 심각도는 전반적으로 더 낮습니다.

이 연구의 시험 단계에서는 RMSE, MAE, R²를 사용하여 정규화된 지하수위를 기반으로 한 모델의 성능을 평가했습니다.

결과는 XGBR의 예측 값이 실제 값에 매우 가깝고 더 많은 변동성을 포착할 수 있음을 보여줍니다. 또한 LSTM의 평균 예측 오차는 XGBR보다 크고, 평균 예측 정확도는 낮습니다. 동시에 테일러 다이어그램은 또한 다음을 보여줍니다.두 모델 모두 관측 데이터와 높은 상관 계수를 가지고 있지만, XGBR 모델의 지반 침하와의 상관 관계와 표준 편차는 일치도에 더 가깝습니다.

또한 이 연구는 지하수위와 건물 밀도로 인한 지반 침하 위험이 효과적으로 감소함에 따라 향후 지표 침하 정도를 효과적으로 제어할 수 있음을 보여줍니다.아무런 조치도 취하지 않을 경우, 2040년까지 지반 침하 위험은 연구 결과 예측보다 더 심각해질 수 있습니다.

지반침하: 전국적으로 발생하는 지질재해 현상

지반 침하는 류젠신 교수를 비롯한 연구자들의 많은 관심을 받았지만, 관련 분야에서 인공지능에 대한 연구는 아직 초기 단계에 있으며 시급히 더 많은 노력이 필요합니다.

중국 지질조사국이 발표한 "북화평원 지반침하 조사 및 모니터링에 대한 종합 연구"와 "중국 지하수 자원 및 환경 조사"에 따르면, 북화평원 각 지역의 침하 중심은 서로 연결되는 경향이 있습니다. 장강지역에서 지난 30년간 누적 침하량이 200mm 이상인 지역은 약 1만㎢로, 지역 총면적의 1/3을 차지한다. 그 가운데 지반 균열 등의 지질재해가 장쑤성의 상하이, 수저우, 우시, 창저우 등지에서 나타나기 시작했습니다. 그뿐만 아니라 중국 북서부와 중국 남부를 포함한 많은 지역이 장기적으로 지반 침하가 느리게 진행되는 문제로 어려움을 겪고 있습니다.

지하수 과잉 사용은 지반 침하와 영구적인 지하수 저장 손실을 포함한 다양한 부정적 영향을 미칠 수 있습니다. 2023년 10월 Nature Communications 저널에 발표된 최신 연구에 따르면, 전 세계적으로 매년 약 17세제곱킬로미터의 지하수 저장 용량이 사라지고 있으며, 이로 인해 지반 침하와 지하수 매장량의 영구적 감소가 발생한다고 합니다. 연구자들은 미국, 중국, 이란이 지하수 매장량이 가장 심각하게 손실된 국가이며, 향후 지반 침하로 인해 "가장 큰 타격을 입을 지역"이 될 것이라고 예측합니다.

이제 머신 러닝과 포괄적인 데이터 세트, 그리고 랜덤 포레스트 알고리즘을 기반으로 한 머신 러닝 접근법을 활용함으로써 연구자들은 지하수의 과도한 펌핑으로 인해 발생하는 환경적 문제에 대해 더 깊이 이해하고, 수자원을 보호하고 지반 침하의 영향을 완화하기 위한 사전 예방적 조치를 취해야 할 필요성을 강조할 수 있습니다. 하지만 이 기사에서 보여주듯이 인공지능의 예측은 단지 지침만을 제공할 뿐입니다. 해당 지역의 지하수 위기와 지반 침하 밀도를 실제로 완화할 수 있는지 여부가 근본적인 해결책입니다.