LiDAR와 다중스펙트럼 이미지 융합을 통한 지진 취약성 평가

초록

**
본 연구는 라스카(스페인) 도시의 건물 826채를 대상으로, 항공 LiDAR 포인트 클라우드와 다중스펙트럼 위성·항공 사진을 결합해 건물 외형·속성을 자동 추출하고, 네 가지 머신러닝 모델(결정트리, SVM, 로지스틱 회귀, 베이지안 네트워크)로 지진 취약성을 분류한다. 77~80%의 F1‑Score를 달성했으며, 데이터 수집·전처리 비용을 크게 절감하는 확장 가능한 절차를 제시한다.

**

상세 분석

**
이 논문은 재난 위험 평가에서 가장 큰 병목 중 하나인 고품질 노출·취약성 데이터 확보 문제를 원격탐사와 머신러닝으로 해결하려는 시도이다. 첫 단계에서는 30 m 해상도의 Landsat‑8 11밴드 영상을 사용해 도시를 ‘도시 패턴’(주거, 상업, 공업 등)으로 구분한다. 객체 기반 이미지 분할(OBIA) 기법을 적용했으며, 결과는 GIS에 레이어로 저장돼 이후 단계에서 공간적 필터링에 활용된다.

두 번째 단계는 건물 외곽선 추출과 속성 계산이다. 여기서는 기존의 cadastral 데이터와 자동 분할 결과를 비교한다. 자동 분할은 과소·과다 분할 문제를 보이지만, GIS 기반의 간단한 후처리(버퍼링·스무딩)로 실용적인 수준의 외곽선을 얻는다. 건물 높이는 LiDAR 포인트 클라우드에서 직접 추출한다. 저밀도(1 point/m²) LiDAR이지만, ‘Magic Surface’ 알고리즘을 적용해 건물 지면과 옥상 포인트를 구분하고, 평균 고도 차이를 건물 높이로 환산한다. 이 과정에서 건물 면적, 층수(높이/층고 가정), 지붕 재질(반사 강도) 등 5~7개의 속성을 자동으로 산출한다.

세 번째 단계에서는 추출된 속성을 입력 변수로, 기존 현장 조사 기반의 모델 건물 유형(MBT) 라벨을 목표 변수로 하는 지도학습을 수행한다. 네 가지 모델 모두 교차 검증을 통해 하이퍼파라미터를 최적화했으며, 결과는 정확도와 F1‑Score로 평가한다. 결정트리와 SVM은 약간 높은 정확도를 보였지만, 전체적으로 77~80%의 F1‑Score를 기록해 모델 간 성능 차이가 미미함을 보여준다. 이는 입력 변수(면적, 높이, 지붕 재질 등)가 MBT 구분에 충분히 정보를 제공한다는 증거이며, 복잡한 이미지 분류 단계 없이도 충분히 높은 분류 성능을 달성할 수 있음을 시사한다.

연구의 강점은 (1) 공개된 PNOA LiDAR와 고해상도 항공 사진을 활용해 비용 효율적인 파이프라인을 구축했다는 점, (2) 건물 외곽선과 높이 추출을 자동화함으로써 현장 조사 의존도를 크게 낮췄다는 점, (3) 다양한 머신러닝 모델을 비교해 결과의 일반성을 검증했다는 점이다. 반면 한계로는 (①) LiDAR 포인트 밀도가 낮아 고밀도 도시 지역에서 건물 경계가 흐릿해질 가능성, (②) 모델 학습에 사용된 라벨이 6개의 MBT 중 5개를 하나의 ‘목재’ 그룹으로 통합했기 때문에 세부 유형 구분 능력이 제한적임을 들 수 있다. 향후 연구에서는 고밀도 UAV‑LiDAR와 더 정교한 지붕 재질 분류를 결합해 다중 클래스(예: RC, M1.1, M3.1, M3.4) 구분 정확도를 높이는 방향이 제시된다.

**