산불 후 토양 소수성 기반 토사류 발생 예측을 위한 머신러닝 모델 연구

초록

본 연구는 실험실 플룸에서 변형된 강우 강도, 경사, 입도 및 물진입값을 체계적으로 조절하여 수집한 데이터를 바탕으로 다중선형회귀, 로지스틱 회귀, 서포트벡터 분류기, K‑means 군집 및 PCA를 적용하였다. 다중선형회귀는 총 유출량을 높은 정확도로 예측했지만, 침식량 예측은 특히 거친 모래에서 부정확했다. 로지스틱 회귀와 SVC는 토사류 파괴 여부를 높은 정확도로 분류했으며, 군집 및 차원축소 결과와 일치하였다. 민감도 분석은 미세 모래가 저강도·장시간 강우에 가장 취약함을, 고강도 강우 초기 10분이 유출·파괴에 결정적임을 밝혀냈다.

상세 분석

이 논문은 산불 후 발생하는 소수성 토양이 토사류 위험을 크게 증가시킨다는 전제 하에, 실험실 플룸에서 36개의 시험을 수행하여 네 가지 핵심 입력 변수(중위 입도 D₅₀, 물진입값 ψ, 경사각 δ, 강우 강도 RI)를 체계적으로 변동시켰다. 두 가지 소수성 층 배치(H‑Top, H‑Sub)를 별도로 분석함으로써, 물리적 메커니즘과 통계적 패턴을 동시에 탐구하였다.

다중선형회귀(MLR)는 총 유출량(TD)에 대해 R²=0.96(학습), 0.72(시험)이라는 높은 설명력을 보였으며, 이는 RI와 δ가 가장 큰 기여를 함을 의미한다. 반면 침식량(TE) 예측은 R²=0.87→0.45로 과적합 의심이 제기되었으며, 특히 거친 모래( D₅₀=0.65 mm)에서 오차가 크게 나타났다. 이는 입도와 ψ의 비선형 상호작용을 단순 선형 형태로 모델링한 한계로 해석된다.

분류 문제에서는 로지스틱 회귀(LR)와 서포트벡터 분류기(SVC)가 90 % 이상 정확도로 파괴 여부를 구분했으며, K‑means 군집이 두 개의 자연스러운 클러스터(파괴·비파괴)를 형성했다. 차원축소를 위해 적용된 PCA는 첫 번째 주성분이 RI와 ψ, 두 번째가 D₅₀와 δ를 주로 설명함을 보여, 변수 간 상관관계가 명확히 드러났다.

민감도 분석 결과, 미세 모래(D₅₀=0.2 mm)는 저강도·장시간 강우 조건에서 침식률이 급격히 상승했으며, 고강도 강우(RI≥70 mm/h)의 초기 10분이 총 유출량과 파괴 발생에 가장 큰 영향을 미친다. 이는 실제 현장 대응에서 강우 초기 경보와 빠른 배수 조치가 중요함을 시사한다.

전반적으로 실험 기반 데이터와 머신러닝을 결합한 접근법은 현장 데이터의 불확실성을 줄이고, 파라미터 공간을 효율적으로 탐색할 수 있음을 보여준다. 다만 데이터 규모가 작아 모델 일반화에 제한이 있으며, 비선형 모델(예: 랜덤 포레스트, 딥러닝) 도입이 향후 과제이다.