Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Development of an Open Source-based Spatial Analysis Tool for Storm and Flood Damage

풍수해 대비 오픈소스 기반 공간분석 도구 개발

  • Received : 2021.09.27
  • Accepted : 2021.10.13
  • Published : 2021.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Wind and flood damage caused by typhoons causes a lot of damage to the Korean Peninsula every year. In order to minimize damage, a preliminary analysis of damage estimation and evacuation routes is required for rapid decision-making. This study attempted to develop an analysis module that can provide necessary information according to the disaster stage. For use in the preparation stage, A function to check past typhoon routes and past damage information similar to typhoon routes heading north, a function to extract isolated dangerous areas, and a function to extract reservoir collapse areas were developed. For use in the early stages of response and recovery, a function to extract the expected flooding range considering the current flooding depth, a function to analyze expected damage information on population, buildings, farmland, and a function to provide evacuation information were included. In addition, an automated web map creation method was proposed to express the analysis results. The analysis function was developed and modularized based on Python open source, and the web display function was implemented based on JavaScript. The tools developed in this study are expected to be efficiently used for rapid decision-making in the early stages of monitoring against storm and flood damage.

태풍으로 인한 풍수해는 매년 한반도에 많은 피해를 주고 있다. 재난 발생 시 피해가 최소화 되도록 신속한 의사 결정을 위해서는 예상되는 피해정보와 대피방안 등에 대한 사전 분석이 요구된다. 본 연구에서는 재난단계에 따라 필요한 정보를 제공할 수 있는 분석 모듈을 개발하고자 하였다. 태풍 대비단계에서 활용할 수 있도록 북상 중인 태풍경로와 유사한 과거태풍경로 및 과거피해정보를 확인할 수 있는 기능, 고립 위험 지역을 추출하는 기능, 저수지 붕괴 지역을 추출하는 기능을 개발하였다. 대응 및 복구 초기단계에서 활용할 수 있도록 현 침수심을 고려한 예상침수범위 추출 기능, 인구, 건물, 농지 등에 예상되는 피해정보 분석 기능, 대피정보를 제공하는 기능도 포함하였다. 또한 분석결과 표출을 위해 자동화된 웹 지도 작성 방법을 제시하였다. 분석기능은 파이썬 오픈소스 기반으로 개발하여 모듈화했으며, 웹 표출 기능은 자바스크립트 기반으로 구현하였다. 본 연구에서 개발된 도구들은 풍수해 대비 모니터링과 초기대응 단계에서 신속한 의사결정을 위해 효율적으로 활용될 수 있을 것이다.

Keywords

1. 서론

태풍과 호우는 매년 한반도에 찾아오는 자연재해로 많은 사회 경제적 피해를 발생시켜 우리나라에서 관심이 높은 재난 중 하나이다(Hwang et al., 2021; Choi, 2011; Hwang and Kim, 2011). 태풍과 호우로 인해 발생한 풍수 해 피해액은 2010년부터 2019년까지 지난 10년간 약 3 조 1,387억 원으로 연평균 3,138억 원에 달한다(MOIS, 2020). 풍수해 피해의 큰 요인인 태풍은 한반도 주변의 해수온도가 높아지면서 한반도에 영향을 미치는 태풍의 빈도와 강도가 높아져 피해빈도와 피해액이 증가하고 있는 추세이다(Na and Jung, 2021; Kang et al., 2018). 태풍 피해는 원격탐사 데이터를 통해 재난발생을 사전에 인지할 수 있기 때문에 재난대응 단계에 따른 사전 모니터링과 초기 대응이 중요하다(Lee et al., 2020a).

재난 증가에 따라 재난 상황 관리를 위해 국내·외에서 많은 시스템 개발과 연구가 진행되었다. 국외의 경우 미국의 연방재난관리청(FEMA, Federal Emergency Management Agency)은 허리케인, 홍수에 의한 피해를 정량적으로 산정할 수 있는 HAZUS-MH 프로그램을 개발하여 방재·복구 측면에서 활용하였다. 영국의 FHRC(Flood Hazard Research Center)에서는 홍수 피해 지역의 피해액을 산정할 수 있는 시스템을 개발하여 활 용하였다(Carsell et al., 2004). 사전 모니터링 측면에서 미 국 국립허리케인센터는 SLOSH 모형을 활용하여 허리 케인에 의한 폭풍해일을 예보하고 있다(Glahn et al., 2009).또한 Florida Department of Financial Services(FDFS)는 미국연방재난관리청(FEMA)과 미국해양대기청 (NOAA)과 함께 허리케인 재난 모델을 개발하여 사전 피해 예측에 활용하고 있다(Pinelli et al., 2011). 국내에서도 다양한 연구가 진행되었는데, 허리케인 재난 모델을 한반도에 적용한 태풍사전방재모델 개발 연구가 진행된 바 있으며(Na and Jung, 2019; Jung, 2015), 기상자료를 바탕으로 한 해석 모형을 사용하여 폭풍해일 특성분석 연구도 진행되었다(Seo and Kim, 2014). Shim(2021)은 재난관리기관에서 수집되는 정보를 통합하여 위기경보 시스템 구축방안을 제시하였으며, Lee et al. (2020b)은 재난대응에 활용할 수 있도록 민간협력 기반의 재난현장 영상 수집과 활용체계를 구축하는 연구를 진행하였다.

풍수해의 경우 사전 모니터링과 초기대응을 위해서는 신속한 분석정보 도출과 의사결정권자의 요구에 부합하는 선별적인 정보 제공이 요구된다(Seo et al., 2020). 이를 위해 국내에서는 중앙재난안전상황실의 통합GIS 상황판, 부산시의 스마트빅보드 등을 마련하여 재난 상황을 보다 신속하게 인지하고 의사결정에 도움을 받고자 노력하고 있다. 재난대응의 가장 최우선 목표는 인명과 재산의 피해를 최소화하는 것이기 때문에, 인구, 건물, 차량, 농경지 등 피해 예상 정보를 빠르게 취득하 고 이재민의 대피경로를 신속하게 제공할 필요가 있다. 최근에는 교량 붕괴에 따른 고립지역 발생, 저수지 붕괴로 인한 침수와 같은 피해가 증가함에 따라 이에 대한 위험지역 인지와 대응방안 마련이 필요한 시점이다.

따라서, 본 연구에서는 풍수해 모니터링과 방재에 기여할 수 있는 웹 기반의 오픈소스 분석모듈을 개발하고자 하였다. 또한 분석결과를 웹으로 즉시 표출하는 방법을 제시함으로써 분석 모듈의 활용성을 높이고자 하였다. 모든 분석 모듈은 파이썬(Python) 오픈소스 패키지를 활용하여 개발하였으며 웹 표출을 위해 자바스크립트 기반의 HTML 파일 제작 방법을 제시하였다.

2. 연구방법 및 데이터

1) 연구방법

연구의 흐름은 Fig. 1과 같다. 분석 모듈의 종류에 따라 태풍예상경로, 특정 지점의 침수심과 좌표, 피해(침수) 범위, 공공GIS데이터 등이 입력자료로 사용된다. 분석 모듈로는 대비단계의 3가지와 대응 및 복구 초기단 계의 3가지를 포함하였다. 재난 모니터링을 위한 대비 단계에서는 1) 북상 중인 태풍과 유사한 과거발생태풍을 검색한 뒤, 과거 피해가 발생한 시군구와 피해정보를 표출하는 과거태풍피해 모듈, 2) 교량 붕괴시 인근도로와 의 연결이 없어 고립될 위험이 있는 지역을 표출하는 예상 고립위험지 모듈, 3) 저수지 고도가 인근 건물보다 고도가 높아 붕괴 시 침수의 위험이 있는 지역을 표출하는 예상 위험저수지 모듈이 포함되어 있다. 침수지역이 발생하여 초기대응과 복구초기 단계에서는 4) 현재 침수지역을 기준으로 침수위가 높아졌을 때의 예상 피해 범위를 추출할 수 있는 예상침수범위 모듈, 5) 피해지역 (침수지역)내 인명, 건물, 차량, 농작물 피해 추정정보를 분석할 수 있는 예상피해분석 모듈, 6) 침수지역 내 대피경로 및 대피소 정보를 건물단위로 시각화하여 정보를 제공하는 대피분석 모듈이 포함되었다.

OGCSBN_2021_v37n5_3_1435_f0001.png 이미지

Fig. 1. Research flow.

배치파일을 통해 파이썬 코드가 실행되며 분석결과는 Shapefile 형태로 저장하여 추가 분석이나 표출을 위해 사용하게 된다. 각 모듈의 분석결과를 사용자가 즉시 확인할 수 있도록 웹페이지를 통해 표출되도록 HTML을 생산하는 도구를 제작하였다. 이를 위해 앞서 분석결과로 생성된 Shapefile을 GeoJSON 파일로 변환하여 웹 페이지에서 표출하였다. 개발된 분석 모듈들과 표출 도구의 활용성을 검토하기 위해, 2019년 태풍 미탁(MITAG)으로 도심지 침수가 발생했던 울진군을 사례지역으로 분석을 적용하였다.

연구에 사용된 전체 데이터의 목록은 Table 1과 같다. 과거 태풍별 피해액, 집계구별 인구, 행정동 단위 자동차 등록대수는 텍스트 형식의 데이터이며 이 외는 모두 Shapefile 포맷이다. 도로중심선, 교량, 건물 등 원본 데이터가 전국 또는 시도 단위로 구축되어 있는 경우 분석 속도를 향상시키기 위해 시군구 단위로 가공하여 사용하였다. 또한 일본 기상청(http://www.jma.go.jp/jma/ index.html)에서 제공하는 과거태풍경로는 정확한 좌표가 제공되는 2001년부터 2020년의 태풍경로와 속성정 보를 Shapefile 포맷으로 변환하여 구축하였다. 과거 태풍별 피해액은 재난안전포털에서 조회할 수 있으며 단일 텍스트 파일로의 통합과정을 거쳐 데이터를 구축하였다.

Table 1. Data and sources of analysis module

OGCSBN_2021_v37n5_3_1435_t0001.png 이미지OGCSBN_2021_v37n5_3_1435_t0002.png 이미지

3. 웹 기반 풍수해 분석 모듈 및 표출 도구개발

1) 풍수해 분석 모듈

웹 페이지 형태로 정보를 표출하기 위해서는 공간분석 과정과 결과물 도출이 선행되어야 한다. 우선 분석 모듈별 입력자료, 사용된 라이브러리와 의사코드를 서술하였다. 또한 재난피해가 발생하기 이전 대비단계에서 활용할 수 있는 모듈과 피해가 발생했을 때 초기대응 또는 복구초기단계에 활용할 수 있는 모듈로 구분하였다.

현재 북상중인 태풍경로와 유사한 과거태풍경로를 검색하여 과거태풍으로 인한 피해액 정보를 표출하는 과거태풍피해 분석모듈의 의사코드는 Table 2와 같다. 먼저 위성영상, 기상청 등에서 북상 중인 태풍 경로를 취득했다고 가정했을 때, 사용자 지정 범위로 현재 태풍 경로의 버퍼 폴리곤을 생성한다. 그 다음 버퍼 폴리 곤과 과거 태풍 경로의 중첩길이를 산출하여 길이가 긴 상위 3개 경로를 추출한다. 마지막으로 시군구 과거피해정보를 속성값으로 입력한다. 결과 지도를 통해 현재 태풍과 유사한 과거 태풍 경로와 재난연보 자료를 바탕으로 구축된 당시의 피해액을 시군구 단위로 확인할 수 있다.

Table 2. Past typhoon information analysis module (pseu docode)

OGCSBN_2021_v37n5_3_1435_t0003.png 이미지

Table 3은 예상 고립위험지 추출 도구의 의사코드이다. 교량이 붕괴되어 외부로 진출할 수 없을 경우 고립될 위험이 있는 지역을 추출하는 기능이다. 먼저 도로 데이터로 네트워크를 만든 다음 교량이 위치한 지점을 단절점으로 처리하여 네트워크에서 제외시킨다. 다음 교량주변 버퍼와 도로가 중첩되는 지점을 추출한다. 이 지점은 외부 도로와 연결이 되는 안전지점(node)에 해당한다. 이후 안전지점으로부터 연결된 도로(edge)를 계속해서 제거해나가며 이와 연결되지 않은 고립 도로를 추출한다. 행정안전부에서 지정한 전국 37개소 고립위 험지역(MOIS, 2021)을 살펴본 결과, 모든 고립위험지역 은 교량으로부터 반경 1 km내에 포함되어 있는 것을 확인하였다. 이를 기준으로 교량주변 버퍼는 1 km로 설정하였으며 사용자 임의 설정이 가능하도록 구현할 수도 있다.

Table 3. Areas at risk of isolation analysis module (pseu docode)

OGCSBN_2021_v37n5_3_1435_t0004.png 이미지

Table 4는 예상 위험저수지 모듈 의사코드이다. 저수지 인근에 건물이 있고, 저수지 고도보다 건물의 고도가 낮다면 붕괴 시 침수의 위험이 존재하기 때문에 재난 발생 이전에 위험지역 인지가 필요하다(Kim et al., 2021). 먼저 전국의 저수지로부터 저수지 인근에 건물이 위치해 있을 경우 건물과 저수지에 DEM으로부터 고도 값을 입력한다. 그 다음 건물의 고도와 저수지의 고도를 비교하여 저수지보다 낮은 곳에 위치한 건물을 추출한다. 추출된 저수지는 붕괴 시 건물피해를 입힐 수 있는 위험 저수지로 분류된다.

Table 4. Expected dangerous reservoirs (pseudocode)

OGCSBN_2021_v37n5_3_1435_t0005.png 이미지

침수지역이 발생한 시점부터는 대응 및 복구의 초기 단계이며, 이때 활용 가능한 분석 모듈은 예상침수범위 추출, 예상피해분석, 대피분석 모듈이다. 먼저 특정지점 의 침수위를 기준으로 예상침수지역 범위를 추출할 수 있는 예상침수범위추출 모듈의 의사코드는 Table 5와 같다. CCTV, 현장관측 등을 통해 특정 지점의 침수위 정보가 있다고 가정했을 때, 지속적인 호우로 인한 침수위 증가 시 예상되는 침수지역을 추출할 수 있다. DEM 자료의 파이썬 내 처리속도를 고려하여 침수지점의 위치 를 중심으로 사용자가 반경을 설정하여 피해범위를 추 출할 수 있도록 하였다. 현재 침수위 기준의 범위와 이후 지속적인 강우로 침수위가 상승했을 경우 예상 침수범 위를 구분하여 추출할 수 있다. 또한 예상침수범위는 예 상피해분석과 대피분석의 입력자료로 활용되게 된다.

Table 5. Expected inundation area (pseudocode)

OGCSBN_2021_v37n5_3_1435_t0006.png 이미지

Table 6은 예상피해분석 모듈의 의사코드이다. 다른 센서로부터 침수범위를 전달받거나 예상침수범위 모듈의 결과 등을 통해 면사상의 피해범위를 입력자료로 확보할 수 있는 경우, 해당 범위에서 피해가 예상되는 건물, 인구, 자동차수, 농지 정보를 추정할 수 있다. 피해 인구수와 차량 대수 추정치는 객체기반법을 사용하여 전체 인구수와 차량대수를 개별 건물의 면적비로 산출하여 할당하였다(Na and Choi, 2019). 침수된 농지 정보는 토지이용도의 분류코드를 이용하여 그 용도를 구분하여 추출하였다. 예상피해분석 결과 중 건물별 추정 인구수는 대피경로 모듈의 입력자료로 사용된다.

Table 6. Estimated damage analysis module (pseudocode)

OGCSBN_2021_v37n5_3_1435_t0007.png 이미지

마지막 대피분석 모듈의 의사코드는 Table 7과 같다. 앞서 예상피해분석 모듈의 결과를 통해 추정된 개별건물 인구수를 입력자료로 사용하여 주변 대피소로의 최단경로를 도출하였다. 최단경로 도출을 하기 위하여 연산속도와 저장 공간 확보에 장점이 있는 A* 알고리즘을 사용하였다(Lee and Choi, 2021; Liu and Gong, 2011). 분석결과를 통해 건물별로 대피소까지의 대피경로와 대피소 수용인원을 고려한 대피소 할당 인원수를 함께 확인할 수 있다.

Table 7. Evacuation analysis module (pseudocode)

OGCSBN_2021_v37n5_3_1435_t0009.png 이미지

앞서 서술한 6가지의 분석모듈 결과는 데이터 성격에 따라 Shapefile 포맷의 공간데이터 또는 CSV 형태의 텍스트 파일로 저장할 수 있도록 개발하였다. 모든 분석결과는 웹 페이지 형태로 표출될 수 있다.

2) 웹 지도 생성

분석 결과를 웹 형태로 표출하기 위해서는 분석결과를 GeoJSON 포맷으로 변환하고 HTML 옵션을 설정해야 한다. Fig. 2는 웹 지도를 생성하는 과정과 시각화를 설정한 개념도이다. 모듈의 분석결과는 공간데이터의 경우 GDF (GeoDataFrame) 형태로 분석·가공이 되며 속성데이터의 경우 DF(DataFrame) 형태로 처리된다. 이를 HTML 형태로 표출하기 위해서는 GeoJSON (Geospatial data JavaScript Object Notation) 포맷으로 변환해야 한다.

OGCSBN_2021_v37n5_3_1435_f0002.png 이미지

Fig. 2. Concept of web map creation.

Table 8은 웹지도 시각화를 위한 기본도, 조회메뉴, 객체스타일, 팝업 윈도우 설정 예시코드이다. 공간객체 정보를 담고 있는 GDF 파일은 예시코드와 같이 GeoJSON으로 변환이 가능하며 불러올 수 있다. GeoJSON을 시각화하기 위해 Folium 라이브러리를 사용하였다. 이는 리플렛(Leaflet) 자바스크립트 기반으로 처리속도에 장점이 있어 지도시각화에 널리 사용되고 있다(Pohanka et al., 2016). GeoJSON 파일을 지도에 표출하기 위해서는 기본도(Basemap)의 중앙좌표, 지도레벨 등을 설정해야하며 Folium 라이브러리의 기본도는 오픈스트리트맵(https://www.openstreetmap.org/)이다.

Table 8. Example code of web map settings

OGCSBN_2021_v37n5_3_1435_t0008.png 이미지

분석결과는 다중 레이어로 표출될 수 있기 때문에 분석지역에 따라 선택적 조회 옵션을 설정해야 한다. Table 8의 ‘#Create a layer group’코드에 제시된 예시는 분석지역을 서울시로 가정하여 레이어 그룹을 생성하고, 건물 레이어와 대피경로 레이어를 포함시킨 사례이다. 건물 레이어와 대피경로 레이어는 체크박스를 통해 켜고 끌 수 있다. 레이어 내 객체 스타일 설정 코드(Table 8의 ‘#Set and apply object style’코드)를 살펴보면 점·선·면의 색상, 두께, 투명도 등을 설정할 수 있으며 여러 스타일을 설정하여 객체별로 적용시킬 수 있다. 붕괴된 교량, 중요시설 등 강조를 위해 마커(Marker)가 필요한 경우 Table 8의 ‘#Create a marker’코드와 같이 설정할 수 있다. 지도에서 객체들의 속성정보를 표출하기 위해 팝업 윈도우를 사용하였다. Table 8의 ‘#Pop-up window settings’ 코드에서는 면사상 건물의 예상피해인구, 건물용도, 차량 수 정보를 표출하기 위해 팝업 윈도우를 사용하였다. 반복문을 통해 개별건물에 설정하면 지도에서 객체를 선택할 시 팝업 정보가 표출된다.

웹 지도 구성화면은 Fig. 3과 같다. Fig. 3(a)는 분석 모듈별로 조회할 수 있는 메뉴이며, Fig. 3(b) 분석 버튼을 클릭할 시 분석이 시작되며 명령 프롬프트 창을 통해 분석과정을 확인할 수 있다. 분석이 종료된 후 지도 버튼을 클릭하면 Fig. 3(c)창에 결과 지도가 표출된다.

OGCSBN_2021_v37n5_3_1435_f0003.png 이미지

Fig. 3. Web map main page.

4. 적용 사례

파이썬 분석 모듈 작동과 웹 형태 표출 결과 확인을 위해 2019년 태풍 미탁의 피해를 입은 울진군을 사례지 역으로 선정하여 분석을 진행하였다. Fig. 4(a)는 태풍 미탁과 경로가 유사한 태풍의 검색 결과로 1순위는 태풍 나리(2007년 11호), 2순위 태풍 베티(1966년 17호), 3순위 태풍 카르멘(1978년 11호)로 나타났다. 레이어 조회 를 통해 당시 시군구별 피해정보를 확인할 수 있다. Fig. 4(a)에서 태풍 나리로 인한 경주시의 피해정보로 총 피해액, 이재민 수, 건물, 농경지 등의 피해를 확인할 수 있다.

울진군에서 분석된 예상 고립위험지는 Fig. 4(b)와 같이 죽변면, 근남면, 후포면 일대에서 탐지되었으며 확대한 도면은 근남면 일대 3곳의 고립위험지를 보여준다. 단일교량으로 연결되어 있어 교량이 붕괴될 경우 우회로가 없어 고립될 위험이 존재하는 지역이다. 탐지된 세 곳은 모두 행정안전부 지정 고립위험지에 포함되어 있지 않아 대피전략 수립 및 복구계획 수립에 추가하여 활용할 수 있을 것이다. Fig. 4(c)는 예상 위험저수지를 추출한 결과이다. 건물 탐지를 위한 저수지 버퍼 반경은 최근 붕괴되어 피해가 발생한 이천시 산양저수지의 피해범위를 참고하여 650 m로 설정하였다. 저수지 주변에 건물이 위치해 있고, 건물의 고도가 저수지보다 낮은 저수지는 총 6개로 덕구저수지, 기양저수지, 음실저 수지, 오곡저수지, 온정저수지, 삼율저수지로 확인되었다. 개별 저수지를 확대하면 저수지와 예상 위험건물의 위치를 확인할 수 있다. Fig. 4(d)는 실제 침수가 발생한 남대천 북쪽 읍내리 결과이다. 한국국토정보공사 침수흔적정보(https://www.data.go.kr/data/15048628/file Data.do)를 참고하여 당시의 최고 침수위인 50 cm를 입력자료로 사용하였다. 예상 침수범위뿐만 아니라 현재 침수위 기준 +10 cm, +50 cm 범위도 함께 볼 수 있으며 이는 사용자가 설정할 수 있다. 예상 침수범위는 예상 피해분석 모듈과 대피분석 모듈의 입력자료로 사용된다. Fig. 4-(e)는 앞서 추출된 예상 침수범위를 입력자료로 사용한 예상피해분석 결과이다. 피해범위와 건물별 예상 피해정보를 팝업창을 통해 확인할 수 있다. 피해 지역 내 추정된 인구는 2,032명, 차량은 1,141대로 나타났으며 범위에 속해있는 건물은 355채이다. 범위 내에서 볼 수 있듯이 개별건물의 인구수와 건물구조 등 상 세정보도 팝업창을 통해 확인할 수 있다. 또한 논의 일부가 침수될 수 있음을 확인할 수 있다. Fig. 4-(f)는 예상 피해분석으로부터 추정된 피해지역 내 인구수를 입력 자료로 사용하여 대피분석을 실시한 결과이다. 총 2,032 명의 예상 이재민에 대한 대피경로와 대피소별 할당인 원 정보를 확인할 수 있다. 사례지역의 분석 결과로 울 진읍사무소에 234명의 이재민이 할당되었으며 건물단위로 대피경로를 제공한다.

OGCSBN_2021_v37n5_3_1435_f0004.png 이미지

Fig. 4. Analysis module results (Uljin-gun hit by Typhoon MITAK).

5. 결론

풍수해는 지진, 화재와 같은 재난과 달리 발생을 사전에 인지할 수 있기 때문에 예방과 대비가 더욱 중요 한 재난이다. 특히 재난 모니터링과 신속한 대응을 위해 영상정보, 공간정보 등을 활용한 재난단계별 의사결 정지원 체계가 필요하다. 따라서 본 연구에서는 풍수해 저감을 위한 의사결정지원에 활용할 수 있는 재난피해 분석 모듈을 개발하였다. 북상 중인 태풍에 대비하기 위해 유사한 경로의 과거태풍과 그 피해정보 확인 기능, 교량붕괴 시 고립 가능지역 추출 기능, 저수지 붕괴 시 피해 예상지역 추출 기능, 예상침수범위분석 기능, 침수 예상피해분석 기능, 대피경로와 인구할당 정보를 제공하는 대피분석 기능을 모듈로 개발하였다. 모든 분석 기능은 파이썬 기반의 오픈소스 라이브러리를 사용하여 개발하였으며 분석 결과는 자바 스크립트 기반의 HTML로 자동으로 생성하는 모듈로 개발하여 웹 페이지를 통해 즉시 표출되도록 하였다.

본 연구에서 개발한 분석 모듈은 북상중인 태풍경로, 침수심 등이 입력자료로 요구된다. 태풍예상경로에 대해서는 위성영상으로부터 태풍의 경로를 예측하는 다양한 방법이 개발되고 있다(Jang et al., 2019; Duong et al., 2021; Kim and Yoon, 2014; Dvorak, 1984;). 또한 기상청 에서 Open API로 제공하는 태풍예상경로도 사용할 수 있다. 침수심에 대해서는 UAV, CCTV 장비의 보급과 분석기술의 발달로 영상으로부터 침수 깊이를 추정 (Cao et al., 2021; Lee et al., 2014)하거나 침수범위를 추출하는 방법이 연구되고 있다(Kim et al., 2019; Park et al., 2019; Notti et al., 2018; Perrou et al., 2018; Brivio et al., 2002). 이와 같이 다양한 영상정보로부터 피해범위를 추출하는 기법들이 개발되어 연동된다면 본 연구의 피해 분석 모듈이 보다 효과적으로 재난 대응을 위한 의사결정지 원에 활용될 수 있을 것이다.

본 연구는 다음과 같은 의의가 있다. 첫째, 모든 분석 기능과 표출 기능을 오픈소스 라이브러리를 이용하여 웹기반의 모듈로 개발하였기 때문에 어떤 웹기반 상황 판에서도 쉽게 구현할 수 있어 활용성이 높다. 앞에서 제시한 기관별 입력 데이터를 추가가공 없이 그대로 사용하여 분석이 가능한 것도 활용성을 높여주는 장점이다. 둘째, 몇몇 모듈들은 풍수해 이외의 다른 재난에 적용이 가능하다. 산불, 지진 등의 재난이 발생하여 피해범위가 확인된다면, 예상피해분석과 대피분석 모듈을 그 대로 사용할 수 있고 이를 통해 신속한 의사결정을 지원할 수 있게 된다. 예상 고립위험지 분석 모듈은 산불 등의 재난으로 인해 교량 이용이나 차량 통행이 불가능할 경우에 적용하여 우회로를 찾도록 확장할 수 있을 것이다.

사사

이 논문은 행정안전부 지능형 상황관리 기술개발사 업의 지원을 받아 수행된 연구임(2021-MOIS37-003).

References

  1. Brivio, P.A., R. Colombo, M. Maggi, and R. Tomasoni, 2002. Integration of remote sensing data and GIS for accurate mapping of flooded areas, International Journal of Remote Sensing, 23(3): 429-441. https://doi.org/10.1080/01431160010014729
  2. Cao, B., Y. Fang, L. Gao, H. Hu, Z. Jiang, B. Sun, and L. Lou, 2021. An active-passive fusion strategy and accuracy evaluation for shallow water bathymetry based on ICESat-2 ATLAS laser point cloud and satellite remote sensing imagery, International Journal of Remote Sensing, 42(8): 2783-2806. https://doi.org/10.1080/01431161.2020.1862441
  3. Carsell, K.M., N.D. Pingel, and D.T. Ford, 2004. Quantifying the benefit of a flood warning system, Natural Hazards Review, 5(3): 131-140. https://doi.org/10.1061/(ASCE)1527-6988(2004)5:3(131)
  4. Choi, J.M., 2011. Hurricane Query Based on Spatio-Temporal Similarity, The Geographical Journal of Korea, 45(4): 189-197 (in Korean with English abstract).
  5. Duong, Q.P., S. Langlade, C. Payan, R. Husson, A. Mouche, and S. Malardel, 2021. C-band SAR Winds for Tropical Cyclone monitoring and forecast in the South-West Indian Ocean, Atmosphere, 12(5): 576. https://doi.org/10.3390/atmos12050576
  6. Dvorak, V.F., 1984. Tropical cyclone intensity analysis using satellite data, NOAA Technical Report NESDIS, WA, USA.
  7. Glahn, B., A. Taylor, N. Kurkowski, and W.A. Shaffer, 2009. The role of the SLOSH model in National Weather Service storm surge forecasting, National Weather Digest, 33(1): 3-14.
  8. Hwang, B.J., J.W. Lee, D.E. Kim, and J.W. Kim, 2021. A Study on the Use of Grid-based Spatial Information for Response to Typhoons, Journal of the Society of Disaster Information, 17(1): 25-38 (in Korean with English abstract). https://doi.org/10.15683/KOSDI.2021.3.31.025
  9. Hwang, H.S. and C.S. Kim, 2011. Development of a Risk Visualization System for Natural Disasters based on GIS, Journal of the Korean Society of Hazard Mitigation, 11(6): 117-122 (in Korean with English abstract). https://doi.org/10.9798/KOSHAM.2011.11.6.117
  10. Jung, W.S., 2015. An Estimation of Extreme Wind Speed of Typhoon Affecting the Damage of Public and Industrial Facilities, Journal of Environmental Science International, 24(9): 1199-1210 (in Korean with English abstract). https://doi.org/10.5322/JESI.2015.24.9.1199
  11. Kang, H.W., J.H. Park, S.H, Jang, C.Y. Son, and J.M. Kim, 2018. A Study on the Time-periodic Characteristics of Changes in Typhoon Activities and Precipitation over the Korean Peninsula, Proc. of 2018 Korea Water Resources Association, Gyeongju, KR, May. 24-25, pp. 321-321.
  12. Kim, J.S. and I.H. Yoon, 2014. Study on the Prediction of Turning Point of Typhoon Tracks using COMS Water Vapor Images, Journal of the Korean Earth Science Society, 35(3): 168-179 (in Korean with English abstract). https://doi.org/10.5467/JKESS.2014.35.3.168
  13. Kim, M.J., C.G. Lee, S.Y. Hwang, J.S. Ham, and J.M. Choi, 2021. A Study on the Minimization of expected casualty caused by the Collapse of Reservoir, Journal of the Korean Geographical Society, 56(3): 277-287 (in Korean with English abstract). https://doi.org/10.22776/KGS.2021.56.3.277
  14. Kim, S.H., S.K. Lee, T.W. Kim, and D.K. Kim, 2019. Estimation of Flooded Area Using Satellite Imagery and DSM Terrain Data, Journal of The Korean Society of Hazard Mitigation, 19(7): 471-483 (in Korean with English abstract). https://doi.org/10.9798/kosham.2019.19.7.471
  15. Lee, C.G. and J.M. Choi, 2021. Selection of the Network Structure and the Shortest Path Algorithm by the Shape of the Road Network, Journal of Korean Society for Geospatial Information Science, 29(2): 53-61 (in Korean with English abstract). https://doi.org/10.7319/kogsis.2021.29.2.053
  16. Lee, J.H., C.H. Yoo, J.H. Im, Y.J. Shin, and D.J. Cho, 2020a. Multi-task Learning Based Tropical Cyclone Intensity Monitoring and Forecasting through Fusion of Geostationary Satellite Data and Numerical Forecasting Model Output, Korean Journal of Remote Sensing, 36(5-3): 1037-1051 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2020.36.5.3.4
  17. Lee, J.Y., G.H. Jin, and S.R. Ha, 2014. Analysis of Urban Inundation Considering Building Footprints Based on Dual-Drainage Scheme, Journal of the Korean Association of Geographic Information Studies, 17(4): 40-51 (in Korean with English abstract). https://doi.org/10.11108/KAGIS.2014.17.4.040
  18. Lee, S.H., J.W. Lee, and S.B. Choi, 2020b. Establishment of a Process for Collecting Video Scripts on a Disaster Site based on Public-private Partnerships: Focus on 2019 Practical Activities during Typhoon in the Korean Peninsula, Korean Journal of Remote Sensing, 36(5-4): 1167-1177 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2020.36.5.4.3
  19. Liu, X. and D. Gong, 2011. A comparative study of A-star algorithms for search and rescue in perfect maze, Proc. of 2011 International Conference on Electric Information and Control Engineering, Wuhan, CN, Apr. 15-17, pp. 24-27.
  20. Ministry of the Interior and Safety (MOIS), 2021. Dangerous Area, https://www.data.go.kr/data/15013202/standard.do, Accessed on Feb. 15, 2021.
  21. Ministry of the Interior and Safety (MOIS), 2020. Statistical Yearbook of Natural Disaster, Ministry of the Interior and Safety, Sejong, KR.
  22. Na, H.N. and W.S. Jung, 2019. A Study on Improving the Prediction Accuracy of a Typhoon Disaster Prevention Model - Part I: Sensitivity of the WRFModel to High-Resolution SST Data and Meteorological Data Assimilation, Journal of Korean Society for Atmospheric Environment, 35(3): 303-317 (in Korean with English abstract). https://doi.org/10.5572/kosae.2019.35.3.303
  23. Na, Y.K. and J.M. Choi, 2019. A Study on the Flood Damage Estimation Using Object-based Analysis, Journal of the Korean Geographical Society, 54(6): 637-649 (in Korean with English abstract).
  24. Notti, D., D. Giordan, F. Calo, A. Pepe, F. Zucca, and J. Galve, 2018. Potential and limitations of open satellite data for flood mapping, Remote Sensing, 10(11): 1673. https://doi.org/10.3390/rs10111673
  25. Park, J.H., S.H. Kim, and D.K. Kim, 2019. Detection of Flood Areas Using Sentinel-1 Satellite Imagery and Evaluation of Its Applicability, Journal of The Korean Society of Hazard Mitigation, 19(6): 53-61 (in Korean with English abstract). https://doi.org/10.9798/kosham.2019.19.6.53
  26. Park, J.P., H.D. Jeon, C.G. Song, and S.J. Kim, 2021. Water for Future, 54(4): 18-28 (in Korean with English abstract).
  27. Perrou, T., A. Garioud, and I. Parcharidis, 2018. Use of Sentinel-1 imagery for flood management in a reservoir-regulated river basin, Frontiers of Earth Science, 12(3): 506-520. https://doi.org/10.1007/s11707-018-0711-2
  28. Pinelli, J.P., G. Pita, K. Gurley, B. Torkian, S. Hamid, and C. Subramanian, 2011. Damage characterization: Application to Florida public hurricane loss model, Natural Hazards Review, 12(4): 190-195. https://doi.org/10.1061/(ASCE)NH.1527-6996.0000051
  29. Pohanka, T., V. Pechanec, and V. Hejlova, 2016. Python Web Server for Sensor Data Visualization, Proc. of International Multidisciplinary Scientific Geo Conference: SGEM, Albena, BG, Jun. 30-Jul. 6, pp. 803-810.
  30. Seo, K.M., S.K. Rheem, and W.J. Choi, 2020. A Study to Construct a Decision-making Checklist through the Analysis of past Disaster Case, Journal of the Society of Disaster Information, 16(2): 248-266 (in Korean with English abstract). https://doi.org/10.15683/KOSDI.2020.06.30.248
  31. Seo, S.N. and S.I. Kim, 2014. Storm Surges in West Coast of Korea by Typhoon Bolaven (1215), Journal of Korean Society of Coastal and Ocean Engineers, 26(1): 41-48 (in Korean with English abstract). https://doi.org/10.9765/KSCOE.2014.26.1.41
  32. Shim, H.S., 2021. Design and Implementation of a Crisis Alert System Based on Disaster and Safety Information, Journal of Digital Contents Society, 22(1): 77-84 (in Korean with English abstract). https://doi.org/10.9728/dcs.2021.22.1.77