도시 침수 위험 지역 예측 번역(한국어 원본)Ridar 자료를 활용한 지형저지대 분석 기법
최근 지구온난화와 도시화로 인해 도시지역의 불투수면적이 나날이 증가하고 있다. 이로 인해 폭우가 쏟아지면 물이 지표면 아래로 투수되지 못하고 하수구로 몰리거나 하천으로 배출되지 못하기 때문에 침수가 발생하게 된다. 따라서 이러한 침수가 발생하는 지역을 복잡한 자료처리 과정을 거치지 않고 쉽게 지형정보만을 이용해서 추출할 필요가 있다.
홍수 및 침수와 관련해서 국내에서는 강우에 의해 홍수가 발생하였을 때 위험을 최소화 하기 위해서 홍수지역을 미리 예측 가능하게 만든 지도로 홍수위험도를 제작하였다. 미국에서는 홍수보험요율을 결정하기 위해서 홍수위험지구에 위치하는 건물과 토지에 대한 Flood Insurance Rate Maps(FIRM)을 제작하였다.
본 연구에서는 홍수 및 침수를 유발시키는 저지대를 예측하기 위하여 DEM(Digital Elevation Model)을 이용하는 방법을 제안하였다. 지형저지대 분석은 기준 셀과 주변 셀의 고도값의 변화 패턴을 분석하는 TPI(Topographic Position Index) 알고리즘을 사용하였다.
지형저지대 제작을 위해 지형의 높이값 만을 이용하는 방법에는 한계점이 있다. 이러한 한계를 극복하기 위해서는 기준 셀과 주변 셀과의 상대적인 관계를 통해서 지형분석을 수행하는 것이 필요하다. 이를 위해 본 연구에서는 Topographic Position Index(TPI) 기법을 사용하였다.
TPI는 2001년 Weiss에 의해 개발된 방법으로 지형의 볼록함과 오목함을 정량적으로 나타낸 방법이다. TPI(Topographic Position Index) 는 복잡한 지형에 대한 세밀한 지형분류가 가능하여 GIS의 분석에 유용하게 사용되고, 경사도와 표고뿐만 아니라 주변지형에 대한 기복량까지 계산하여 다양한 지형을 쉽게 정량적으로 분류하는 기법이다.
TPI의 알고리즘은 그림 1과 같이 기준 셀의 고도값과 주변 셀의 평균 고도값의 차이를 등급화시키는 기본 구조로 되어있으며 지형의 상대적 위치를 정량적으로 나타낸 값을 말한다. 중심 셀의 표고값과 주변 셀의 평균표고 값 차이를 계산하여 지형을 분류화 시키는 것이 가장 기본적인 원리이다. Small Neighborhood(SN)와 Large Neighborhood(LN) 범위를 Scale Factor라고 하는데 SN은 국소지의 미세한 지형변화를 반영하고, LN은 주변보다 더 넓은 지형의 변화를 반영한다.
즉, 능선과 같이 볼록한 지형은 볼록한 정도에 따라 양(+)의 값이 증가하고, 계곡과 같이 오목한 지형은 오목할수록 음(-)의 값이 증가한다. 이러한 원리를 바탕으로 TPI 값을 계산하기 위해 moving window 방식의 필터링을 거치게 되는데 이 필터링 방법은 가운데 값이 주위보다 높은 지형일수록 양의 값이 증가하고, 주변의 값이 낮은 지형일수록 음의 값이 증가하게 된다. 표 1은 TPI 분석기법을 통해서 분류되는 지형의 종류를 나타낸다.
본 연구는 그림 2와 같이 행정구역상 부산광역시 지역을 대상지로 선정하였다. 연구대상지는 대한민국의 동남단에 위치하며, 행정구분은 15구 1군 2읍 3면 214동으로 이루어져 있고, 면적은 765.94km2이다.
연구에서 이용될 지형단위데이터는 부산시 1/25,000 수치지도를 사용하여 분석 셀크기 30 × 30m, 60 × 60m 의 DEM(Digital Elevation Model)을 작성한 후 TPI 분석을 통해 지형저지대를 추출하였다. 추출한 실험의 검증을 위해 부산시 침수실적도와 침수흔적도를 이용하였다. 분석 일련의 과정은 그림 3과 같다.
부산시의 지형분류 파악을 위해서는 먼저 대상지의 지형을 잘 표현할 수 있는 TPI grid를 생성하여야 한다. 본 연구에서는 부산시 지형데이터 1/25,000를 사용하여 DEM 30m와 60m를 생성하였다.
지형저지대 실험의 구조적인 방법은 TPI(Topographic Position Index)의 알고리즘을 사용하였다. 중심 셀의 크기 SN(Small Neighborhood) 값을 7과 9로 셀의 크기를 변화주면서, 주변 평균 셀의 크기 LN(Large Neighborhood)을 31로 셀의 크기를 고정하여 분석하였다. 이는 TPI 알고리즘이 기준 셀의 고도값과 주변 셀의 고도값의 차이를 등급화시키는 구조로 되어있기 때문에, TPI의 값은 특정한 하나의 셀과 포함되는 그 주변의 셀 수 , 즉 Neighborhood scale에 따라 달라지는데 작은 스케일의 Neighborhood의 TPI는 국소지역의 계곡이나 정상 등에서 높은 값을 나타내고, 큰 스케일의 경우에는 좀 더 큰 넓은 범위에서 지형을 구분하게 된다. 그러므로 SN의 변화량에 따라 10개의 카테고리의 분류에 의해 지형의 분포 형태가 다양하게 분석될 수 있다.
이러한 원리를 이용하여 서로 다른 스케일을 가진 2개의 DEM을 사용하여 TPI 그리드를 셀의 변화에 따라 조합하면 지형 분류를 더욱 세분화 할 수 있다. 실험 DEM 30m와 60m 모두 평탄곡지가 많이 분포되어있으며 산지유수로와 얕은 계곡, 소구릉 또한 많이 분포되어 있는 것을 확인할 수 있다. 이는 부산지역이 구릉성 산지와 이들 산지 사이에 발달한 소침식 분지로 이루워져 있기 때문이다.
TPI 알고리즘에 따라 10개의 카테고리로 지형을 분류하였다(그림 5). 지형저지대의 추출을 위해 10개의 카테고리를 재분류하여 1~5는 저지대 1로, 6~10은 고지대 0으로 분석하였다 (Fig 6).
부산지역을 연구대상지로 한 지형저지대 분석결과의 적합성을 검증하기 위하여 실제 현장에서 측량된 침수실적도와 침수흔적도의 자료를 이용하였다. 적합성 분석은 본 연구를 통해서 추출된 지형저지대가 실제 침수지역과 얼마나 일치하는 가를 비율로서 표현했다.
적합성 분석방법은 TPI의 알고리즘을 사용하여 분석된 지형저지대와 실제 침수실적도 및 침수흔적도를 idnetity하여 검증하였다. 본 연구에서 분석된 지형저지대는 속성테이블에 Gird_code가 0인곳은 고지대로 5187곳, Grid_code가 1인 곳은 저지대로 22157 곳이 추출되었다. 부산지역 검증자료의 침수면적을 계산한 값을 A로 설정하고 실제 침수지역과identity하여 나타난 Grid_code 침수면적을 B라고 하였을 때 지형저지대 불일치비율은 식 (1)과 같이 나타낼 수 있다.
적합성 분석결과 본 연구를 통해서 분석된 지형저지대가 실제 침수지역과 일치하는 비율이 약 80%로 나타났다. 본 연구에서 개발한 방법론은 DEM만을 이용하여 쉽게 저지대를 분석할 수 있는 방법으로 향후 침수지역 분석에 활용될 수 있을 것으로 사료된다.
본 연구에서는 DEM만을 이용하여 지형저지대를 분석하는 기법을 제안하고 실험을 통하여 다음과 같은 결론을 도출하였다.
첫째, TPI(Topographic Position Index)의 알고리즘을 사용하여 grid cell의 변화에 따라 지형의 분류를 더욱 세분화하여 지형저지대 생성의 활용 방법을 제시하였다.
둘째, 지형저지대의 침수 분포 현황을 파악하기 위해 기존의 침수 자료인 침수실적도와 침수흔적도의 자료를 토대로 검증 및 적합성 평가를 실시하였다. 부산시를 대상으로 적합성 분석을 수행한 결과 약 80%의 저지대가 일치하였다. |
도시 침수 위험 지역 예측 번역(영어 번역본)Geographic Lowland Analysis Techniques using Ridar Data
Due to global warming and urbanization, the impermeable areas of the city is increasing from day to day recently. Due to this, when heavy rain pours the water is not absorbed or discharged to the river, eventually flooding the drains. Therefore, there is a need to extract the geographical information of regions that flood without going through complicated data processing.
In Korea, a flood-risk map that minimizes the risk when floods occur by predicting the regions that will flood was produced. In the United States, Flood Insurance Rate Maps (FIRM) of buildings and land located in regions with high flood risk were produced to decide the rate of flood insurance.
This research suggests the method of using the DEM (Digital Elevation Model) in order to predict the lowlands that cause floods and inundation. For the geographic lowland analysis, the paper used TPI (Topographic Position Index) that analyzes the changing patterns of the altitude of the standard cell and surround cells.
Using the regions’ altitude values in order to provide geographic lowland has some limitations. In order to overcome such limitations, there must be a geographic analysis performed through the relative relationship between the standard cell and surrounding cells. Topographic Position Index (TPI) technique is used for this.
TPI is a method developed by Weiss in 2001 that quantitatively indicates the convexity and concavity of the land. It enables a detailed classification of landforms and is used for GIS analysis. It is a technique that easily classifies various lands quantitatively by calculating not only the gradient and altitude but also the relative relief of surrounding lands.
The algorithm of TPI has a basic structure of ranking the difference between the altitude of the standard cell and the average altitude value of surrounding cells (Figure 1). It indicates the quantitative value indicating the relative location of the region. Classifying landforms by calculating the altitude value of the center cell and average altitude value of surrounding cells is the most basic principle. The range of a small neighborhood (SN) and a large neighborhood (LN) is called a scale factor. SN reflects the subtle geographic changes of *** and LN reflects the geographic changes of larger lands than its surroundings. In other words, for convex lands like ridges the positive value increases depending on the degree of convexity, and for concave lands like valleys the negative value increases as the degree of concavity increases. In order to calculate the TPI value based on such principles, we go through a moving window method filtering. This filtering method has the positive value increase for lands that have a greater center value than the surroundings, and has the negative value increase for lands with smaller surrounding values. Table 1 indicates the classified types of land through the TPI analysis technique.
This research chose Pusan as its analysis target area as in Figure 2. The researched area is located southeast of Korea, consists of 15 Gus, 1 Gun, 2 Eubs, 3 Myeons, and 214 Dongs with an area of 765.94km2.
The landscape unit data that will be used in this research uses the 1/25,000 numerical map of Pusan. After preparing a DEM (Digital Elevation Model) of 30 × 30m and 60 × 60m analysis cell sizes, a geographic lowland was extracted through TPI analysis. For the verification of the extracted experiment, the flood hazard map and flood map of Pusan was used. The analysis process is as Figure 3.
In order to understand the geographic classification of Pusan, a TPI grid that well expresses the land of the subject area must be generated. This paper generated DEM 30m and 60m using the 1/25,000 geographic data of Pusan.
The structural method of the geographic lowland experiment used the TPI (Topographic Position Index) algorithm. An analysis was conducted by changing the SN (Small Neighborhood) value of the center cell size to 7 and 9, while fixing the average surrounding cell size to a LN (Large Neighborhood) of 31. Since the TPI algorithm has a structure that ranks the altitude difference between standard cell and surrounding cells, the TPI value changes according to the neighborhood scale, the number of a single specific cell and included surrounding cells. The TPI of a small scaled neighborhood has a high value in the valleys or summits of,*** and that of a large scaled neighborhood classifies land in a larger range. Therefore, according to the degree of change of the SN and due to the categorization into ten categories, the distribution pattern of land can be analyzed in many ways.
Using such principles and adding the TPI grids according to the cell changes using two DEMs with different scales, a more detailed classification of landforms is possible. Flat-bottomed valleys are abundant in both DEM 30m and 60m, as well as shallow valleys like and small hills. This is because Pusan is consisted of hill-like mountain areas and small eroded basins developed between mountains.
The land was categorized into ten categories according to the TPI algorithm (Figure 5). For the extraction of geographical lowlands, ten categories were reclassified. 1~5 was analyzed as lowland 1, 6~10 was analyzed as highland0 (Figure 6).
In order to evaluate the appropriateness of the geographic lowland analysis results that used Pusan as its target area, the flood hazard map and flood map measured at the actual site was used. The analysis of the appropriateness is described in the rate of how well the extracted geographic lowland corresponds to the actual flooded regions.
The method of the analysis on appropriateness was identifying the analyzed geographic lowland and the actual flood hazard map and flood map using TPI algorithm. There were 5187 areas with grid code 0 classified as highlands and 22157 lowlands with grid code 1 extracted on the attribute table. By setting the calculated size of flooded regions from the Pusan data as A, and the grid code size of flooded regions that appears when identifying with the actual flooded region as B, the discrepancy rate of geographic lowland can be indicated as Equation (1).
The analysis results of appropriateness showed that 80% of the analyzed geographic lowlands and the actual flooded region agree. The method this paper develops is a method that can easily analyze lowlands using only DEM, and this is expected be used for future analysis of flooded regions.
This research suggests a geographic lowland analysis technique using only DEM and draws the following conclusion through experiment.
Firstly, it suggests some applications of the creation of geographic lowland by subdividing the classification of landforms according to the changes in grid cell using TPI (Topographic Position Index) algorithm.
Secondly, in order to understand the distribution of floods in geographic lowlands, an appropriateness evaluation based on the regular flood data like flood hazard maps and flood map was performed. The analysis results of appropriateness in Pusan showed that 80% of the analyzed geographic lowlands and the actual flooded region agree. |
