가뭄 위험 수준 분석을 통한 지능형 재난 안전 경보 시스템 개발 연구
Copyright ⓒ 2020 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
초록
현재 위기경보는 재난유형별 상황 전개에 따른 메커니즘, 재난 유형별 위험 수준 특성 등에 대한 고려 없이 당장 획득 가능한 위험정보를 바탕으로 일괄적으로 위기경보를 발령, 격상, 해제하고 있으며, 위기경보가 행정적 절차로만 운영되다 보니 위기징후가 있음에도 인식하지 못하여 판단이 늦어져 사고가 발생하고 피해가 확산되는 경향이 크다[1].
본 논문에서는 국내외에서 진행하고 있는 위험수준 분석 방법을 사전 조사하고 가뭄 재난에 대하여 국내 실정에 적합한 위험 수준 평가 시 고려하여야 하는 8가지 요소에 대한 위험 수준 평가를 위한 기준을 제시하고 지수화 하였다. 자동화된 위험 수준 분석을 위하여 과거에 수집된 가뭄데이터를 수집하고 이를 반영하여 지도 학습 기반의 기계 학습 방법으로 판단트리 모델을 제안하였다.
Abstract
At present, crisis warnings are issued, upgraded, and canceled collectively based on risk information that can be obtained immediately without considering the mechanism according to situation development by disaster type and risk level characteristics by disaster type, and crisis warning is operated only as an administrative procedure[1]. In this paper, the risk level analysis method in progress at home and abroad was investigated in advance, and the criteria for risk level assessment for the eight factors that should be considered when assessing the risk level suitable for domestic conditions for drought disasters were presented and indexed. For the automated risk level analysis, a decision tree model was proposed as a supervised learning-based machine learning method by collecting drought data collected in the past and reflecting it.
Keywords:
Crisis Warning, Crisis Sign, Risk Level, Decision Tree, Machine Learning키워드:
위기경보, 위기 징후, 위험 수준, 판단 트리, 머신러닝Ⅰ. 서 론
위기경보는 위기징후를 식별하거나 위기 발생이 예상되는 경우에 위험 수준, 발생 가능성 등을 판단하여 그에 부합되는 조치할 수 있도록 미리 정보를 제공하고 경고하는 것이며, 경보의 종류는 위기징후의 활동정도, 국가위기로의 발전 가능성에 따라 관심(Blue), 주의(Yellow), 경계(Orange), 심각(Red)로 구분하고 경보별 주요 활동을 제시하고 있다. 하지만 위기경보가 행정적 절차로만 운영되고 있어 위기징후가 있음에도 인식하지 못하거나 재난발생상황에 대한 위험수준 판단이 늦어져 사고가 발생하고 피해가 확산되는 상황이 발생한다[2].
본 논문에서는 가뭄 재난 유형별 위험 수준 특성을 정의하고 이를 지능화된 분석과 학습과정을 통하여 위험을 사전에 인지하고 판단함으로써 신속한 대응조치가 이루어질 수 있는 지능적인 예·경보 예측 모델을 제안한다. 위기 징후를 효율적으로 반영하기 위하여 위험수준 지표를 정의한 후 이러한 위험수준 지표로 구성된 실측 데이터 기반의 추출 데이터를 머신러닝 기반의 판단트리(Decision Tree)모델 개발 방법에 적용하였다.
Ⅱ. 위험수준 분석 및 위기경보 연계 기술
2-1 위험수준 분석 방법 조사 및 위험수준 구성요성 도출
본 논문에서는 UNISDR(United Nations International Strategy for Disaster Reduction), IPCC(The Intergovernmental Panel on Climate Change) INFORM(Index for Risk Management), 국가기반체계, 지역안전지수 등에서 정의하고 있는 위험도에 대한 의미 및 구성인자를 파악하고 이를 분석하여 본 연구에 활용 가능한 위험수준 지표로 반영하여 재난 경보 예측에 적용하였다[3].
UNISDR에서 재난위험은 어떤 사건의 발생 가능성과 그 사건으로 인한 결과의 조합으로 ISO/IEC(International Organization for Standardization/International Electrotechnical Commission) Guide 73의 정의를 따르며, 다음과 같이 위험도 평가를 정의한다.
1) 잠재적인 위험을 분석하고 노출된 사람, 재산 서비스, 생계 및 그들의 환경에 잠재적으로 해를 끼칠 수 있는 기존 취약성 조건을 평가하며 위험의 성격과 범위를 결정
2) 위험 평가에는 위치, 강도, 빈도 및 확률과 같은 위험의 특성 검토
3) 물리적, 사회적, 건강, 경제 및 환경 차원을 포함한 노출 및 취약성 분석
4) 잠재적 위험 시나리오에 대한 대처 능력의 효과성 평가
IPCC 에서는 위험의 결정요인으로 위해성(hazard), 노출성(exposure), 취약성(vulnerability)을 사용하고 있으며, 위해성은 물리적 현상, 재해의 원인이 되는 위험한 현상을 정의하며 노출성은 위험현상이 발생할 수 있는 지역 및 사람 등의 요소를 정의하고 취약성은 위험에 노출된 요소들의 특성 및 상황을 지칭하며 지형, 사회, 경제적 요소 포함한다[3].
INFORM 에서는 전세계 191개 국가에 대하여 자연 및 인간에 의한 위험을 포함한 위해성과 노출성(hazard & exposure), 사회 경제적 취약성(vulnerability), 사회구조 및 시설 등에 따른 수습능력(lack of copingcapacity) 등 3개의 평가영역으로 구분하여 평가하고 있다[4].
2-2 국내 적용가능 위험수준 정의
위험수준 정의를 위해 현재 위기경보 발령 지침에 대한 이해 및 실태 파악이 필요하다. 현재 위기경보 발령은 4단계 위기수준을 법상에 명시된 모든 재난에 일률적으로 적용함에 따라 이에 따른 문제가 발생한다. 현시점 위기평가는 상황의 심각성, 시급성, 확대가능성, 전개속도, 지속시간, 파급효과, 국내외여론, 정부대응능력 등을 종합적으로 고려하여 평가하고 있으나 이에 대한 명확한 기준이 존재하지 않아 적용에 어려움이 있다.
위기경보를 위한 위험수준의 판단은 위기징후 목록을 작성하고 감시체계를 운영하고 있으나 판단에 대한 근거가 미흡하고, 특히, 실제 재난이 발생하고 있는 상황에서의 심각성, 시급성, 확대가능성, 파급효과 등에 대한 판단은 전적으로 경험에 의지하여 적용하고 있다. 따라서 자동화된 위험수준 분석을 위해서는 위험수준에 대한 정의 및 위험수준 판단을 위한 표준화된 절차 마련이 필요하다[4].
본 논문에서는 위험수준을 국가위기관리지침 제21조(위기평가)에 따라 위험 수준을 정의하였으며, 국가위기관리지침 제21조(위기평가)는 상황의 심각성, 시급성, 확대가능성, 전개속도, 지속시간, 파급효과, 국내외여론, 정부대응능력 등을 종합적으로 고려하여 위기평가를 실시하고 있다.
2-3 위험수준 구성요소 및 위험 수준 지표 정량화
위험수준 구성요소는 위험수준 평가 시 고려하는 8가지 요소들로 위험수준 평가를 위한 명확한 기준을 제시한다. 8개 요소인 심각성, 시급성, 확대가능성, 전개속도, 지속시간, 파급효과, 국내외 여론, 정부대응능력의 의미를 분석하고 이를 바탕으로 재난상황에서의 각각의 정량적인 의미를 제시하고자 한다.
인명피해, 재산피해의 정도(또는 예상정도) 및 국가적 차원의 대응이 필요한 정도로 가뭄 재난의 경우, 가뭄으로 인해 생활용수, 농업용수 공급에 문제가 생겨 피해 인원이 발생하고 농경지 등의 피해면적의 정도가 일정 수준 이상인 경우를 정량화 한다. 수문학적 가뭄지수 (MSWSI: Modified Surface Water Supply Index), 파머가뭄지수 (PDSI: Palmer drought severity index), 토양수분지수 (SMI: Soil Moisture Index ), 표준강수지수(SPI3, SPI6, SPI9: Standard Precipitation Index)를 기반으로 정량화 한다.
인명 및 재산의 급격한 피해가 예상되거나 인명구조 활동, 선제적 대응이 필요한 정도로 가뭄 재난의 경우, 가뭄으로 인해 피해의 정도가 시기별, 지역별에 따라 다른 정도를 정량화 한다. 현재는 계절별 변동 현황에 따라 지수화하였으며 (3월 ~ 5월 : 2점, 6월 ~ 8월 : 1점, 9월 ~ 11월 : 0점, 12월 ~ 2월 : 0점) 추후 지역별에 따라 추가로 정량화할 예정이다.
재난의 피해규모가 증가하거나 다른 재난으로 전파될 가능성의 정도로 가뭄 재난의 경우, 가뭄의 확산세가 증가할 가능성, 가뭄 전망으로 가뭄 단계가 상승 또는 하락하는 정도를 정량화 한다. 현재는 단계별 변동 현황에 따라 지수화하였다. (1단계 상승 : 1, 2단계 상승 : 2, 3단계 상승 : 3, 4단계 상승 : 4)
재난 발생으로 인한 인명/재산 피해 규모 및 피해 범위가 확산되는 속도로 가뭄 재난의 경우, 가뭄이 전파되는 속도, 가뭄 단계가 다음 단계로 격상 또는 하향하는 정도를 정량화 한다. 현시점을 기준으로 1개월 후의 가뭄 등급 변화량을 단계별로 지수화하였다. (1단계 상승 : 1, 2단계 상승 : 2, 3단계 상승 : 3, 4단계 상승 : 4)
재난발생 직후부터 수습·복구까지의 재난 처리 프로세스에 소요되는 시간으로 가뭄 재난의 경우, 최초 가뭄이 발생하여 종료될 때까지의 기간을 정량화 한다. 현재는 지속일수를 기간으로 표시한다.
재난이 발생하여 일어난 모든 간접 피해로 경제적 및 사회적 파장의 정도로 가뭄 재난의 경우, 가뭄으로 인해 받는 직접적인 피해 및 지리적 여건 및 환경요소 등에 의해 발생되는 간접적인 피해의 정도를 정량화 한다. 현재는 상수도 보급률을 지표화 하였다.(90%이상 : 0, 80~90% : 1, 70~80% : 2, 60~70% : 3, 60%이하 : 4)
재난상황으로 인한 국민적 위기의식의 정도 및 언론 노출 정도로 가뭄 재난의 경우, 가뭄관련 국내외 언론의 보도 및 여론 상황을 정량화 한다. 현재는 단계별 변동 현황에 따라 수집된 가뭄뉴스 건수를 지수화 하였다.
재난 상황 관리를 위한 정부 대응체계, 재난 대응의 경험, 대응 및 복구 물자 등의 조합을 나타내는 지표로 가뭄 재난의 경우 가뭄 상황에 대처하는 정부의 인력 및 예산의 투입 정도 및 대응조직의 역할 수행의 정도를 정량화 한다. 현재는 인력/장비 현황 및 지원상황, 비상용수 확보, 농업용수 지원현황 등을 고려하여 지수화 하였다.
Ⅲ. 재난유형별 위기유형, 형태, 특성 등을 고려한 위기경보 단계 결정 모델
3-1 위기경보에 최적 위험수준 분석 방법론 정의
머신러닝은 가능한 모든 경우의 수를 프로그래머가 정의해주지 않더라도, 데이터를 통한 학습을 하여 최적의 판단이나 예측을 가능하게 해주는 것을 말한다. 본 논문에서는 과거에 발생하였던 재난의 위험 수준 지표에 대한 머신러닝 분석을 통하여 위기 예·경보를 발령하기 위한 최적의 판단이나 예측을 가능하게 하는 모델을 개발하였다.
이런 기계학습은 데이터 마이닝 또는 패턴 인식이라고도 불린다. 기계학습은 크게 지도학습 (supervised learning)과 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 분류할 수 있다[5].
Types of machine learning
지도학습은 어떤 입력에 대해서 어떤 결과가 나와야 하는지 사전 지식을 가지고 있는 경우에 해당 입력에 대해 특정 출력(label)이 나오도록 하는 규칙을 찾아낸다. 보통은 입력과 출력 쌍으로 구성되는 학습 데이터에 의해 입력으로부터 출력을 끌어내는 규칙(rule)을 발견하는 것을 학습의 목표로 하며, 흔히 말하는 회귀(regression) 방법을 사용하고 비지도학습은 입력은 있지만 정해진 출력이 없는 경우에 사용하며, 순수하게 데이터들이 가지고 있는 속성들을 이용해 그룹으로 나누는 경우를 말하며, 클러스터링을 사용한다[6]. 강화학습은 로봇의 학습 등에 사용할 수 있으며, 자신과 환경과의 상호 관계에 따라 자신의 행동을 개선해 나가는 학습법을 말한다[7].
본 논문에서 목표로 하는 위험 수준 분석을 통한 위기경보 단계 결정을 위하여 판단 트리 모델을 이용하여 입력 변수와 출력변수 간의 관계를 모형화할 수 있는 Regression 기법을 응용하였다.
3-2 위험수준 지표 분석을 위한 데이터 정제 작업
인공 지능 분석 프로그램에서 한글 인식에 대한 오류 및 문제점 해결을 위하여 재난발생, 위기경보 발령시의 상황을 고려하여 심각성, 시급성, 확대가능성, 전개속도, 지속시간, 파급효과, 국내외여론에 대한 정의를 하고 시스템적인 처리를 위하여 영문명으로 정의한다.
결측치(missing value)는 누락된 값, 비어 있는 값을 의미하며 현장에서 만들어진 실제 데이터는 수집 과정에서 발생한 오류로 인해 결측치를 포함하고 있을 때가 많다[8].
Replace missing values
빠진 데이터를 찾아라. 결측치 정제하기 결측치가 있으면 함수가 적용되지 않거나 분석 결과가 왜곡되는 문제가 발생하므로 실제 데이터에 대하여 결측치가 존재하는지를 확인해 제거하는 정제 과정을 거친 후 분석을 진행한다.
데이터가 크고 결측치가 얼마 없는 경우에는 결측치를 제거하고 분석하더라도 무리가 없으나, 데이터 양이 작고 결측치가 많은 경우, 결측치를 제거하면 너무 많은 데이터가 손실되어 분석 결과가 왜곡되는 문제가 발생하는데 이 경우 결측치를 제거하는 대신에 다른 값을 채워 넣는 결측치 대체법을 사용한다. 결측치를 다른 값으로 대체하면 데이터가 손실되어 분석 결과가 왜곡되는 문제를 보완할 수 있는데, 대표값(평균, 최빈값 등)으로 일괄 대체하거나 통계분석 기법 적용하거나 예측값 추정해서 대체한다[9].
그림 3은 2019년 7월 9일에서 2020년 10월 5일까지의 가뭄 관련 실측데이터를 분석한 결과이다. 해당 데이터는 국가가뭄정보포털(http://www.drought.go.kr/menu/m50/m54.do)에서 다운로드한 데이터 이다. 자연재난인 가뭄에 대한 데이터학습을 위하여 제안된 위험 수준지표가 포함되고 재난에 대한 예경보가 발령되었던 실측 데이터를 기반으로 학습을 수행하였다. 국가가뭄정보포털 검색 결과 2019년 7월 9일은 정상이고, 2019년 7월 10일은 관심 경보, 2019년 월 24일은 주의 경보, 8월 27일 경계경보가 발령되었다.
Drought Disaster Information Table
그림 4는 위험 수준 지표 중 하나인 severity(심각성) 세부 지표에 대한 데이터 히스토그램이다.
Detailed indicator of severity
수문학적 가뭄지수 (MSWSI)는 기존의 가뭄지수인 SPI, PDSI 등과 같은 기상자료와는 달리 복잡한 지형 조건과 다양한 물 공급 특성을 가진 우리나라와 같은 상황에 대한 수문학적 가뭄지수를 효과적으로 반영하는 지수이다.
파머가뭄지수라고도 불리는 PDSI 는 시·공간적 편차를 보정하기 위해 기후특성인자를 계산한 지표로 관측된 기간 동안 약한 가뭄(-2.0 ~ -1.0), 보통 가뭄(-3.0 ~ -2.0)에 데이터가 집중되어 있음을 나타낸다. 토양 수분지수는 토양 수분이 유효수분백분율의 50% 이하 일 때를 기준으로 정의된 지표로 관측된 기간 동안 약한 가뭄(-1.0)에 집중되고, 보통 가뭄(-2.0) 에 약간의 데이터가 집중되어 있음을 나타낸다. 표준강수지수는 관측지점별로 시간 단위 강수 부족량 3, 6, 9개월 단위로 계산하여 각각의 용수공급원이 가뭄에 미치는 영향을 산정하는 가뭄지수로 지수가 높은 값을 나타낼수록 수분상태가 양호함을 나타내고 -1.0 이하부터 건조상태를 의미한다[10].
그림 5는 위험 수준 지표 중 시급성, 확장성, 지속시간, 국내외 여론에 대한 분석내용인데, 현재는 해당 지표에 대한 실측데이터가 존재하지 않는다. 추후 지속적인 데이터 정량화 과정과 수집을 통하여 기준을 새롭게 정의해 나갈 계획이다.
Details of other indicator
그림 6. 에서와 같이 위험수준 지표간의 상관 행렬을 보면 PDSI, SPI6 와 예·경보 열이 교차되는 부분의 상관 계수가 –0.66, -0.76 이므로 가뭄이 심할수록 PDSI 와 SPI6 값이 적은 반비례 관계를 가지고 있으며, 예·경보에 큰 영향을 미치고 있음을 알 수 있다.
Analysis of correlation matrix between indicators
그림 7 은 국가가뭄정보포털, 농업가뭄관리시스템, 기상청 수문기상 가뭄정보시스템으로부터 추출된 실측 재난 데이터를 기반으로 구성된 위험수준 지표를 기반으로 Regression 기법을 판단트리 모델에 응용하여 위험 수준에 기반한 위기경보 단계 모형 개발 절차를 나타낸다.
Crisis warning stage judgment procedure
상기 모델은 R 언어의 Decision Tree Model 패키지를 사용하였으며 핵심 코드 내용은 그림 8 과 같으며 해당 코드의 실행 결과로 판단트리 모델을 개발하였다.
Decision Tree Model of Drought Disaster
Ⅳ. 결 론
현재 위기경보는 재난유형별 상황전개에 따른 메커니즘, 재난 유형별 위험 수준 특성 등에 대한 고려 없이 당장 획득 가능한 위험정보를 바탕으로 일괄적으로 위기경보를 발령, 격상, 해제하고 있으며, 위기경보가 행정적 절차로만 운영되다 보니 위기징후가 있음에도 인식하지 못하여 판단이 늦어져 사고가 발생하고 피해가 확산되는 경향이 크다[11].
실제 위기징후 및 판단 시기를 놓쳐 대책을 내놓기에 급급한 실정으로 위기징후 감시, 분석, 평가, 전파(전달) 위기경보 운영을 위한 자동화 기술이 필요하며, 재난 유형별 위험 수준 특성을 정의하고 이를 지능화된 분석과 학습과정을 통하여 위험을 사전에 인지하고 판단함으로써 신속한 대응조치가 이루어질 수 있는 처리 방법에 대한 기술이 필요하다[12].
본 연구에서는 수집된 실측데이터 기반의 위험 수준 지표를 기반으로 머신러닝 단계를 거쳐 위험 수준 지표에 기반한 예측 모델을 개발하였다. 개발된 모델의 신뢰성을 위하여 10년 이상의 장기간 수집된 데이터를 기반으로 기계 학습을 진행할 예정이며, 위험수준 지표의 정확도를 높이기 위하여, 수학적모형실험과 예측모델링을 접목한 다양한 연구를 진행할 예정이다.
Acknowledgments
본 연구는 행정안전부 재난안전 취약핵심역량 도약기술 개발 사업의 지원을 받아 수행된 연구로서 관계부처에 감사 드립니다. (2020-MOIS33-006)
References
- Ministry of Public Administration and Security. Research and development project implementation plan[Internet]. Available: http://www.jj.ac.kr/sanhak/community/business.jsp?mode=view&article_no=356327, .
- Ministry of Public Administration and Security. [Internet]. Available: https://www.mois.go.kr/
- INFORM, “INFORM GLOBAL RISK INDEX RESULTS“, 4th ed. New York, NY: McGraw-Hill, 1993.
- D. W. Jang: Development of Social Disaster Risk Index, Korean Society for Disaster Prevention and Safety: Technical Report, 2018.
- The power to change the IT world. [Internet]. Available: http://search.zdnet.co.kr
- Introduction of Machine Learning[Internet]. Available: http://www.hellot.net
- Overview of Machine Learning[Internet]. Available: http://m.blog.naver.com
- Find the missing data. Refining missing values.[Internet]. Available: https://blog.naver.com/2000051148/221157773356
- Kim, Youngwoo, “Easy-to-learn R data analysis”, ISBN 979-11-87370-94-9
- Drought Judgment Criteria.Internet]. Available: http://www.water.co.kr
- Ministry of Public Administration and Security. research and development project implementation plan[Internet]. Available: https://www.mois.go.kr/frt/bbs/type013/commonSelectBoardArticle.do?bbsId=BBSMSTR_000000000006&nttId=75434
- National Disaster Management Research Institute, Research and development project implementation plan[Internet]. Available: www.ndmi.go.kr
저자소개
1986년 : 홍익대학교 전자계산학과 (학사)
1990년 : 서강대학교 전자계산학과 대학원 (공학석사)
2002년 : 충남대학교 컴퓨터공학과 대학원 (공학박사)
1994년 ～ 현재 : 한국전자통신연구원 지능화융합연구소 재난안전지능화융합센터 책임연구원
※관심분야： 재난안전정보시스템, 재난 네트워크, 인공지능, 네트워크 보안 등
1987년 : 명지대학교 전자공학과 (학사)
1992년 : 명지대학교 전자공학과 대학원 (공학석사)
2002년 : 충남대학교 컴퓨터공학과 대학원 (공학박사)
1994년 ～ 현재 : 한국전자통신연구원 지능화융합연구소 재난안전지능화융합센터 센터장
※관심분야： 재난안전정보시스템, IoT, 가상/증강현실, 스마트그리드, 실내측위, 네트워크 보안 등
2009년 : 아주대학교 건설시스템공학과 (공학사)
2011년 : 아주대학교 대학원 건설시스템공학과 (공학석사)
2014년～2015년: (특)한국방재협회
2016년～현 재: ㈜부린
※관심분야： 재난관리, 방재, 수자원