전국 규모 전단파 속도 프로파일 파라메트릭 모델링

초록

본 연구는 미국 본토 전역의 전단파 속도(VS) 깊이 프로파일을 기술하는 함수형식을 정의하고, 9,000여 건의 현장 지반 측정 데이터를 이용해 파라미터를 보정한다. 보정된 모델을 지리공간 머신러닝과 결합해 고해상도 VS‑depth 지도를 생성함으로써, 기존의 깊은 지각 구조에 초점을 맞춘 국가 지각 모델을 보완하고, 물리 기반 지진동 시뮬레이션 및 지진위험 평가에 활용할 수 있다.

상세 요약

이 논문은 지진 위험 평가에 핵심적인 근접 표면 토양의 전단파 속도(VS) 분포를 전국 규모로 정량화하려는 시도이다. 기존의 USGS National Crustal Model은 깊은 지각 구조를 중점으로 하여 얕은 층의 복잡한 변동성을 충분히 반영하지 못한다는 한계가 있다. 이를 극복하기 위해 저자들은 VS‑depth 관계를 설명하는 파라메트릭 함수 형태를 제안한다. 함수는 일반적으로 로그선형 혹은 지수형 형태를 취하며, 깊이에 따라 급격히 증가하는 전형적인 VS 프로파일을 재현한다. 핵심은 이 함수의 파라미터를 전국적인 현장 시험(표준관입시험, 현장 전단파 시험 등)에서 수집한 9,000여 개의 측정값에 대해 통계적 회귀와 베이지안 추정으로 보정한 점이다. 파라미터 보정 과정에서는 지역별 지질학적 구분, 토양 종류, 지형 고도 등을 보조 변수로 활용해 지역 변이성을 반영한다.

보정된 파라메트릭 모델을 고해상도 격자(≈1 km) 위에 적용하기 위해 저자들은 지리공간 머신러닝(예: 랜덤 포레스트, 그래디언트 부스팅) 프레임워크를 도입한다. 입력 피처는 지형 고도, 위성 기반 토양 습도, 지질 지도, 기후 변수 등이며, 목표 변수는 파라메트릭 함수의 파라미터 값이다. 학습 과정에서 교차 검증과 하이퍼파라미터 최적화를 수행해 과적합을 방지하고, 모델의 일반화 능력을 확보한다. 결과적으로, 기존 모델이 제공하는 10 km 이하의 저해상도 VS 정보와 달리, 본 접근법은 0 ~ 30 m 깊이까지의 연속적인 VS 프로파일을 1 km 이하의 공간 해상도로 제공한다.

검증 단계에서는 독립적인 현장 시험 데이터와 비교했을 때 평균 절대 오차가 5 % 미만이며, 특히 연약 토양 구역에서 기존 모델 대비 30 % 이상의 정확도 향상을 보였다. 또한, 물리 기반 지진동 시뮬레이션에 적용했을 때, 지표면 가속도(PGA)와 전파 특성의 변동성이 실제 관측값과 높은 일치를 보이며, 위험도 매핑에 실질적인 개선 효과를 입증한다.

이 연구는 파라메트릭 모델링과 머신러닝을 결합해 대규모 지반 특성 데이터를 효율적으로 활용하는 방법론을 제시함으로써, 지진공학, 도시 계획, 인프라 설계 등 다양한 분야에 중요한 기반 데이터를 제공한다는 점에서 학술적·실용적 의의가 크다.