SHAP 기법을 활용한 제천지역 산사태 발생 영향인자의 공간 패턴 분석

• 영문명: Spatial Pattern Analysis of Landslide Conditioning Factors in Jecheon Area Using SHAP Method
• 발행기관: 대한자원환경지질학회
• 저자명: 최지희(Ji-Hee Choi) 이정현(Jung-Hyun Lee) 박혁진(Hyuck-Jin Park) 윤대웅(Daeung Yoon)
• 간행물 정보: 『자원환경지질』58권 1호, 81~97쪽, 전체 17쪽
• 주제분류: 자연과학 > 지질학
• 파일형태: PDF
• 발행일자: 2025.02.28

국문 초록

산사태 취약성 분석에서 범용적으로 활용되고 있는 AI 모델은 일반적으로 분석 과정을 파악할 수 없는 블랙박스 모델로, 분석이나 예측 과정을 명확히 파악하기 어렵기 때문에 예측 결과의 신뢰성이 저하될 수 있다. 이러한 문제를 해결하기 위해 AI 모델의 예측 과정을 설명하기 위한 도구로 XAI (eXplainable AI) 기법이 활용되고 있으며, 특히 XAI 기법 중 SHAP (SHapley Additive exPlanations)을 활용한 연구가 주로 수행되고 있다. 그러나 기존 연구에서는 SHAP value를 단순히 산사태 발생 인자들의 영향력을 숫자 값으로 표현하는 데에만 활용되었기 때문에, 산사태 발생 위치와 산사태 영향인자들의 공간적 상관 관계에 대한 분석이 미흡한 상황이다. 따라서 본 연구에서는 SHAP value를 공간 형태로 시각화하여, 인자의 공간적 분포가 산사태 취약성에 미친 영향을 분석하고자 하였다. 이를 위하여 앙상블 모델인 AdaBoost (Adaptive Boost), Random Forest, XGBoost (eXtreme Gradient Boosting)를 적용하여 산사태 취약성 분석을 수행하였으며, 산출된 취약지수를 바탕으로 산사태 취약성도를 구축하였다. 분석 결과, Random Forest와 XGBoost 모델이 산사태 발생부와 산사태 영향인자의 상관성을 유사하게 분석한 것으로 판단되었으며, 이를 기반으로 두 모델의 SHAP summary plot을 활용하여 인자의 중요도를 비교하였다. 산사태 발생에 중요한 영향을 미친 인자로 평가된 4개 인자는 수목높이, 평면곡률 표준편차, 표준곡률 표준편차, 고도로 나타났다. 또한 본 연구에서는 SHAP summary plot에서 다양한 인자의 영향을 효과적으로 분석에 반영한 것으로 판단된 XGBoost 모델을 대상으로 중요도가 높은 세 인자(수목높이, 평면곡률 표준편차, 고도)에 대한 공간 패턴 분석을 수행하였다. 이를 통해 산사태 발생에 기여하는 주요인자의 공간적 분포에 따른 기여도를 직관적으로 확인하고, 해당 인자가 산사태 취약성에 미친 영향을 분석하였다.

영문 초록

AI models, which are frequently employed in landslide susceptibility analysis, are typically black-box models that lack the capacity to comprehend the analysis process. This deficiency can result in a reduction in the reliability of prediction results due to the challenge of comprehending the analysis or prediction process. To address this limitation, eXplainable AI (XAI) techniques are being utilized as a tool to explain the prediction process of AI models. Among the XAI techniques, prior studies have been predominantly conducted using SHapley Additive exPlanations (SHAP). However, the prevalent studies employing SHAP utilize it simply to express the influence of landslide occurrence factors in numerical values, thereby failing to adequately analyze the spatial correlation between landslide occurrence locations and landslide influence factors. Consequently, this study aims to visualize SHAP values in a spatial form to analyze the influence of the spatial distribution of factors on landslide susceptibility. To this end, ensemble models Adaptive Boost (AdaBoost), Random Forest, and eXtreme Gradient Boosting (XGBoost) were employed to analyze landslide susceptibility, and a landslide susceptibility map was constructed based on the calculated susceptibility index. The analysis revealed that the Random Forest and XGBoost models exhibited similar correlation between landslide occurrence and landslide influence factors. Consequently, a comparison of the importance of these factors was conducted using the SHAP summary plot of the two models. The evaluation identified four factors—forest height, standard deviation of planform curvature, standard deviation of standard curvature, and altitude—as having a significant impact on landslide occurrence. Furthermore, a spatial pattern analysis was conducted on the three factors that were deemed to be of high importance for the XGBoost model. This analysis was found to effectively reflect the effects of various factors in the SHAP summary plot. This facilitated an insightful examination of the contributions of the primary factors to landslide occurrence, guided by their spatial distribution, and enabled a thorough analysis of their influence on landslide susceptibility.

목차

1. 서 론

2. 앙상블 모델

3. 설명가능한 인공지능 분석기법

4. 연구 지역 및 데이터베이스 구축

5. 산사태 취약성도 구축 및 모델 성능 비교

6. 토 의

7. 결 론

사 사

References

키워드

산사태 취약성 공간 패턴 분석 앙상블 모델 landslide susceptibility XAI SHAP spatial pattern analysis ensemble model