Hierarchical Graph Attention Network를 활용한 제천 지역의 산사태 취약성 분석 = Analysis of Landslide Susceptibility in Jecheon Area Using Hierarchical Graph Attention Network

다국어 초록 (Multilingual Abstract)

Landslide susceptibility analysis is a process that evaluates the spatial likelihood of future landslides based on the correlation between historical landslide records and conditioning factors. In data-driven susceptibility analysis, the selection of appropriate mapping unit is critical. Slope units have recently been widely adopted for reflecting actual terrain boundaries. Furthermore, a graph-based machine learning approach has been employed to analyze landslide susceptibility on the basis of slope unit mapping units. However, previous graph studies have either focused on capturing the adjacency relationships between slope units by reducing internal spatial variability to a single representative value, or on the internal variability within slope units, without reflecting inter-unit correlations. It has been demonstrated that both types of spatial information affect landslide occurrence; however, they have not yet been incorporated into model training simultaneously.
In order to address the aforementioned limitation, the present study proposes a Hierarchical Graph Attention Network （H-GAT）. The H-GAT is designed to hierarchically integrate both types of spatial information by using node embeddings from a contour-based graph （Cont-graph） within each slope unit as the node input of a slope unit graph （SU-graph）. The proposed approach was applied to landslide susceptibility analysis in Jecheon-si, Chungcheongbuk-do, where landslides occurred in 2020. To facilitate comparison, three models were constructed: an MLP devoid of any graph structure, an SU-GAT reflecting only inter-unit relationships, and a Cont-GAT reflecting only intra-unit information. Each model was trained five times with different random seeds and evaluated using a variety of metrics, including confusion matrix-based metrics, Monte Carlo Dropout-based predictive uncertainty, Integrated Gradients-based factor contribution, and analysis of attention weights and node embeddings.
H-GAT demonstrated the optimal predictive performance, as indicated by the area under the curve （AUC） of 0.935 and the area under the precision-recall curve （AUPRC） of 0.927. Monte Carlo Dropout analysis revealed that the uncertainty distributions of the training and test datasets were analogous, suggesting that the model had undergone stable generalization without the occurrence of overfitting. Factor contribution, attention weight, and node embedding analyses consistently demonstrated that H-GAT effectively incorporated hydro-geomorphological factors, such as planform curvature and TWI. The model also concentrated attention on slope units adjacent to actual landslides and formed node representations that most clearly distinguished landslides from non-landslide units. These findings demonstrate that integrating fine-scale intra-unit structures and inter-unit spatial correlations into a hierarchical framework enables more accurate and reliable landslide susceptibility prediction than approaches relying on a single type of spatial information.

국문 초록 (Abstract)

산사태 취약성（landslide susceptibility） 분석은 과거 산사태 발생 이력과 영향 인자 간의 상관관계를 바탕으로 미래의 산사태 발생 가능성을 평가하 는 방법이다. 최근 범용적으로 활용되는 데이터 기반 취약성 분석에서는 연구지역을 분할하는 공간 분석 단위인 mapping unit의 선택이 중요하다. 최근에는 실제 사면 경계를 반영하는 slope unit이 활발히 활용되고 있으 며, unit 사이의 인접 관계를 그래프로 학습하는 연구들이 수행되고 있다. 그러나 이러한 기법은 slope unit 내부 영향 인자의 공간적 변동성을 단일 대표값으로 단순화한다는 한계가 있으며, 반면 slope unit 내부의 공간적 변동성을 그래프로 표현한 연구들은 사면 사이의 상관관계를 반영하지 못 하였다. 이에 본 연구에서는 slope unit 내부의 Cont-graph로부터 학습된 노드 임베딩을 SU-graph의 노드 입력으로 활용하는 계층적 구조의 Hierarchical Graph Attention Network （H-GAT）를 제안하고 2020년 산사 태가 발생한 충청북도 제천시에 적용하여 산사태 취약성 분석을 수행하였 다. 제안 모델의 성능 및 유효성을 검증하기 위해 그래프 구조를 사용하지 않는 MLP, slope unit 사이의 관계만 반영하는 SU-GAT, slope unit 내부 의 공간 정보만 반영하는 Cont-GAT를 비교 모델로 구축하였으며, 데이터 분할에 따른 변동성을 고려하기 위해 서로 다른 5개의 seed로 각 모델을 독립적으로 학습하였다. 모델 평가는 confusion matrix 기반 성능 지표 비 교, Monte Carlo Dropout 기반 불확실성 및 클래스 구별 능력 분석, Integrated Gradients 기반 영향 인자 기여도 분석, 그리고 attention 가중 치 및 노드 임베딩 분석을 통해 수행하였다. 분석 결과, H-GAT는 AUC 0.935, AUPRC 0.927로 비교 모델 중 가장 우수한 예측 성능을 보였으며, Monte Carlo Dropout 기반 분석에서도 학습 및 테스트 데이터 간 예측 불확실성 분포가 유사하게 유지되어 과적합 없 이 안정적으로 일반화되었음을 확인하였다. 영향 인자 기여도 분석, attention 가중치 분석, 노드 임베딩 분석 결과 또한, H-GAT가 평면 곡 률·TWI 등 수문지형학적 인자의 정보를 효과적으로 학습에 반영하고 실 제 산사태 발생 인접 slope unit에 선택적으로 집중하며, 발생부와 미발생 부를 가장 명확하게 구별하는 노드 표현을 형성함을 보여주었다. 이러한 결과는 slope unit 내부의 세밀한 공간 구조와 slope unit 사이의 공간적 상관관계를 계층적으로 통합하는 본 연구의 분석방식이, 단일 공간 정보만을 활용하는 기존 방법보다 산사태 취약성을 보다 정확하고 신뢰성 있게 예측할 수 있음을 보여준다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 동향 3
• 1.3 연구 방법 5
• 제 2 장 이론적 배경 7
• 2.1 Mapping unit 7
• 2.2 Multi-Layer Perceptron (MLP) 9
• 2.3 Graph Attention Network (GAT) 10
• 2.3.1 그래프 데이터 10
• 2.3.2 Graph Neural Network 12
• 2.3.3 Graph Attention Network 15
• 2.4 Hierarchical Graph Attention Network (H-GAT) 18
• 2.5 모델 성능 평가 21
• 2.6 Monte Carlo Dropout 기반 분석 24
• 2.7 영향 인자 기여도 분석 26
• 2.8 그래프 모델 임베딩 분석 28
• 제 3 장 딥러닝 및 그래프 신경망을 활용한 산사태 취약성 분석 30
• 3.1 연구지역 및 데이터베이스 구축 30
• 3.1.1 연구지역 30
• 3.1.2 산사태 현황도 32
• 3.1.3 산사태 영향 인자 33
• 3.1.4 Slope unit 구축 40
• 3.1.5 Slope unit 기반 산사태 영향 인자 데이터베이스 구축 44
• 3.1.6 Slope unit 기반 산사태 레이블 데이터 구축 45
• 3.2 그래프 데이터 구축 46
• 3.2.1 Slope Unit graph (SU-graph) 46
• 3.2.2 Contour-based graph (Cont-graph) 48
• 3.3 산사태 영향 인자 선정 및 데이터셋 구축 50
• 3.3.1 산사태 영향 인자 선정 50
• 3.3.2 데이터셋 구축 53
• 3.4 산사태 취약성 분석 모델 구축 54
• 3.4.1 Multi-Layer Perceptron (MLP) 56
• 3.4.2 Slope Unit-based Graph Attention Network (SU-GAT) 57
• 3.4.3 Contour-based Graph Attention Network (Cont-GAT) 59
• 3.4.4 Hierarchical Graph Attention Network (H-GAT) 61
• 3.4.5 5-seed 학습을 통한 산사태 취약지수 획득 64
• 제 4 장 결과 및 분석 66
• 4.1 산사태 취약성도 작성 및 성능 비교 66
• 4.1.1 산사태 취약성도 작성 66
• 4.1.2 모델 성능 비교 72
• 4.2 Monte Carlo Dropout 기반 분석 75
• 4.3 영향 인자 기여도 분석 79
• 4.4 그래프 모델 분석 84
• 4.4.1 Attention 가중치 분석 84
• 4.4.2 그래프 모델 임베딩 분석 89
• 제 5 장 결론 및 토의 94
• 참고문헌 97