KR20090102311A - 수치지도를 이용한 산사태 발생지 예측 시스템 - Google Patents

Abstract

수치지도의 다수의 레이어와 각 레이어에 포함된 속성정보 및 강수량 데이터를 조합한 조합 속성테이블을 신경망 알고리즘에 입력하여 산사태가 발생할 확률이 높은 폴리곤을 쉽게 예측할 수 있는 시스템이 개시된다. 본 발명에 따른 수치지도를 이용한 산사태 발생지 예측 시스템은 수치지도를 활용하여 산사태 발생지를 실시간으로 예측함으로써, 산사태로 인한 인명피해와 재산피해를 줄이고, 예방하는데 유용하다.

Description

수치지도를 이용한 산사태 발생지 예측 시스템{SYSTEM FOR PREDICTIONG LANDSLIDE AREA USING DIGITAL MAP}

본 발명은 수치지도의 활용 기술에 관한 것으로서, 좀더 구체적으로는 수치지도의 다수의 레이어와 각 레이어에 포함된 속성정보 및 강수량 데이터를 조합한 조합 속성테이블을 신경망 알고리즘에 입력하여 산사태가 발생할 확률이 높은 폴리곤을 쉽게 예측할 수 있는 시스템에 관한 것이다.

최근 사회 각 부문에서 지리정보시스템에 대한 관심과 이용이 급속도로 늘고 있다. 지리정보시스템(GIS; Geographic Information System)이란 공간에 관련된 문제를 해결하기 위하여 지리자료를 이용하고 관리하는 컴퓨터 기반의 시스템을 의미한다. 1960년대 초반 GIS가 처음 개발되었을 때만 하더라도 GIS는 단지 지도 자료를 처리하기 위한 컴퓨터 기반의 프로그램에 지나지 않았다. 그러나 오늘날 GIS는 그 자체로 중요한 학문 연구 분야의 하나로 자리 잡고 있을 뿐만 아니라, 최신 정보기술(IT; Information Technology)과 결합하면서 사회 각 부문에 활발히 적용되고 있다.

GIS의 기본적인 특성은 공간적인, 즉 지리적 공간(geographic space) 상에서 객체들의 위치와 관련된 속성정보를 다룰 수 있다는 것이다. 지도는 공간적으로 분포하는 객체들의 위치 및 속성을 나타내는 가장 효율적인 방법이다. 따라서 GIS 구축에 있어서 가장 기초적인 자료는 수치지도(digital map)이다. 수치지도는 고전적인 종이지도와 달리, 측량지도, 항공사진, 위성영상 등에 의하여 얻어진 각종 지형 자료들을 해석하고 수치 편집하여 색인화한 것이다.

수치지도의 데이터를 구성하는 가장 기초적인 단위는 좌표값이다. 점, 선, 면이라는 3개의 기본적인 도형요소를 형성하는 좌표값은 각각의 레코드를 구성한다. 도형 데이터 파일은 관련된 도형요소의 집합체로서, 이러한 파일을 보통 레이어(layer), 주제도(theme) 혹은 커버리지(coverage)라 한다. 특정 응용분야와 관련된 레이어의 집합은 공간 데이터베이스를 형성하며, 특정 대상 지리공간을 나타내는 속성데이터 파일과 이에 관련된 도형 레이어는 수치지도 데이터베이스를 구성한다.

또한, 신경망은 인간의 두뇌 작용을 신경 세포들 간의 연결 관계로 모델링한 것이다. 이를 위해 생물학적 뉴런(neuron)의 구조 및 기능을 단순화하여 수학적 모델로 표시하고, 이 뉴런 모델을 상호 연결시켜 망을 형성한 것이다. 즉, 신경망은 자신이 가진 데이터로부터의 반복적인 훈련 과정을 거쳐 데이터에 숨겨진 패턴을 찾아내는 모델링 기법이다.

이사로 등은 2002년 산사태가 많이 발생한 강원도 강릉 지역의 산사태 발생원인에 대해 인공신경망 기법과 GIS를 이용하여 취약성도를 작성하고 이를 검증한 바 있다(Econ. Environ. Geol., 38(1), 33-43, 2005). 하지만, 이는 산사태 발생지의 취약성도를 분석한 기초자료로서, 실제적으로 이를 이용하여 산사태 발생 확률이 높은 지역을 예측하지는 못하였다.

이에, 본 발명자들은 산사태 발생지 예측을 위하여, 수치지도에 강수량 데이터를 입력시키고, 이에 신경망 알고리즘을 접목시키면, 산사태 발생 확률이 높은 지역을 실시간으로 예측할 수 있는 것을 확인하고, 본 발명을 완성하게 되었다.

따라서 본 발명의 목적은 수치지도를 이용하여 산사태 발생 확률이 높은 지역을 실시간으로 예측할 수 있는 시스템을 제공하는데 있다.

상기 목적을 달성하기 위하여, 본 발명은 (a) 수치지도 상의 다수의 폴리곤들 중에서 산사태 발생지를 예측하기 위하여, 세부 레이어를 선정하는 레이어 선정부; (b) 상기 레이어 선정부에서 선정된 2개 이상의 세부 레이어를 중첩하여 중첩 레이어를 생성하고, 상기 중첩 레이어에서 폴리곤들을 재설정하는 중첩 레이어 생성부; (c) 상기 재설정된 각 폴리곤들의 강수량 데이터를 입력받는 입력부; (d) 상기 재설정된 각 폴리곤들에 대응하는 상기 세부 레이어에 포함된 속성정보를 저장부로부터 추출하고, 상기 입력받은 강수량 데이터와 조합하여 조합 속성테이블을 생성하는 조합 속성테이블 생성부; (e) 상기 조합 속성테이블 생성부로부터 입력받은 조합 속성테이블 데이터에 대한 신경망 알고리즘을 수행하여, 산사태 발생의 유무를 예측하는 결과값을 산출하는 신경망 모델링부; 및 (f) 상기 레이어 선정부, 중첩 레이어 생성부, 입력부, 조합 속성테이블 생성부, 신경망 모델링부의 동작을 제어하는 제어부를 포함하는 수치지도를 이용한 산사태 발생지 예측 시스템을 제공한다.

본 발명에 있어서, 상기 강수량 데이터는 기상관측 시스템과 통신망을 통해 연결되어 실시간으로 입력되는 것을 특징으로 한다.

본 발명에 있어서, 상기 결과값은 실시간으로 입력되는 상기 강수량 데이터에 대응하여 실시간으로 산출되는 것을 특징으로 한다.

본 발명에 있어서, 상기 신경망 알고리즘은 훈련을 통해 상기 조합 속성테이블의 데이터에 각각 가중치를 부여하는 것을 특징으로 한다.

본 발명은 수치지도를 활용하여 산사태 발생지를 실시간으로 예측함으로써, 산사태로 인한 인명피해와 재산피해를 줄이고, 예방하는데 유용하다.

도 1은 본 발명에 따른 산사태 발생지 예측을 수행하는 시스템의 신경망 훈련 과정을 나타내는 흐름도.

도 2는 신경망 알고리즘의 구조를 나타낸 도면.

도 3은 본 발명에 따른 산사태 발생지 예측 방법을 수행하는 시스템의 구성 예시도.

도 4는 본 발명의 일실시예에 따른 산사태 발생지 예측 방법의 흐름도.

도 5는 본 발명의 일실시예에 따른 산사태 발생지를 예측하기 위해 사용된 레이어들의 예시도.

도 6은 예측된 산사태 발생지를 표시한 수치지도 예시도.

이하, 첨부 도면을 참조하여 본 발명의 실시예들을 보다 상세하게 설명하고자 한다. 다만, 실시예들을 설명함에 있어서 본 발명이 속하는 기술 분야에 잘 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 가급적 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 핵심을 흐리지 않고 더욱 명확히 전달하기 위함이다.

본 발명은 일 관점에서, (a) 수치지도 상의 다수의 폴리곤들 중에서 산사태 발생지를 예측하기 위하여, 세부 레이어를 선정하는 레이어 선정부; (b) 상기 레이어 선정부에서 선정된 2개 이상의 세부 레이어를 중첩하여 중첩 레이어를 생성하고, 상기 중첩 레이어에서 폴리곤들을 재설정하는 중첩 레이어 생성부; (c) 상기 재설정된 각 폴리곤들의 강수량 데이터를 입력받는 입력부; (d) 상기 재설정된 각 폴리곤들에 대응하는 상기 세부 레이어에 포함된 속성정보를 저장부로부터 추출하고, 상기 입력받은 강수량 데이터와 조합하여 조합 속성테이블을 생성하는 조합 속성테이블 생성부; (e) 상기 조합 속성테이블 생성부로부터 입력받은 조합 속성테이블 데이터에 대한 신경망 알고리즘을 수행하여, 산사태 발생의 유무를 예측하는 결과값을 산출하는 신경망 모델링부; 및 (f) 상기 레이어 선정부, 중첩 레이어 생성부, 입력부, 조합 속성테이블 생성부, 신경망 모델링부의 동작을 제어하는 제어부를 포함하는 수치지도를 이용한 산사태 발생지 예측 시스템에 관한 것이다.

도 1은 본 발명에 따른 산사태 발생지 예측을 수행하는 시스템의 신경망 훈련 과정을 나타내는 흐름도이고, 도 2는 신경망 알고리즘의 구조를 나타낸 도면이다.

신경망의 기본요소는 처리 노드이며, 여러개의 노드가 각각의 층별로 배열되며, 하나의 층으로부터 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이러한 인공신경망에서 사용되는 노드의 입력값은 전 층으로부터의 출력 값과 층간 가중치를 곱한 합이다. 이와 같이 처리 노드는 층을 구성하고 다음의 층에 일반적으로 완전히 상호 연결되지만 같은 층 내에서는 상호연결이 없다. 다층 퍼셉트론(multi-layer perceptron)은 여러 개의 층으로 이루어져 있으므로 비선형적으로 자료를 분리 가능하며, 일반적으로 3개 이상의 층으로 이루어져 있는데, 정보가 인가되는 층은 입력층이며, 처리된 정보가 나타나는 층을 출력층이라고 한다. 입력층과 출력층 사이의 모든 중간층을 은닉층이라고 하는데 여러 개의 은닉층이 사용될 수 있다. 인공신경망은 한 마디로 층간 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 훈련이라고 한다.

도 1을 참조하면, S110 단계에서 신경망의 학습을 위한 데이터를 입력받는다. 학습을 위한 데이터는 산사태 발생 예측을 위해 신경망 알고리즘의 입력층에 입력하는 데이터와 그 결과값을 출력하는 출력층의 데이터를 모두 포함한 것으로 본 발명의 일실시예에 따르면 표 1과 같이 구성될 수 있다. 표 1은 전체 학습 데이터의 일부로서 9개의 학습 데이터를 보여준다. 도 2의 입력층은 표 1에 기재된 각 데이터 번호에 해당하는 토양 종류, 경사도, 임상 밀도도, 강수량을 각각의 노드에 입력받고 S120 단계를 통해 각 노드에 임의의 가중치를 부여한다.

신경망 학습 데이터

데이터 번호	토양 종류	경사도	임상 밀도도	강수량	산사태 발생
1	갈색 삼림토	70	5	270	유
2	갈색 삼림토	30	8	80	무
3	갈색 삼림토	10	6	80	무
4	유사 반층토	50	2	200	유
5	유사 반층토	40	3	300	유
6	유사 반층토	20	3	300	무
7	유사 반층토	80	4	10	무
8	적황색토	20	4	50	무
9	적황색토	5	2	20	무
...	...	...	...	...	...

도 2의 출력층은 S130 단계를 통해 각 노드에 부여된 임의 가중치에 따라 산사태 발생 유무에 대한 결과값을 산출하고, 이 과정을 각 데이터 번호 별로 모든 데이터에 대해 각각 수행한다. 산출된 결과값과 학습 데이터인 표 1의 산사태 발생에 해당하는 목표결과값 사이의 오차를 계산하는 S140 단계를 거친다.

이와 같이 산출된 오차가 적정 수준 이내인지 아닌지를 판단하는 S150 단계를 통해 오차가 적정 수준보다 크면 각각의 노드에 부여된 가중치를 갱신하는 S160 단계를 거친다. 이때 신경망 처리 방향은 입력층, 은닉층, 출력층 순인데 반해 가중치를 갱신하는 방향은 신경망의 처리 방향과 반대 방향이므로 도 2와 같은 신경망 알고리즘을 역전파 알고리즘(Backpropagation Algorithm)이라 한다. 도 2의 은닉층은 하나의 층 또는 다수의 층이 되도록 구성할 수 있으며 노드의 개수를 조절하여 더 정확한 결과값을 산출하도록 할 수 있다. 몇 번의 반복을 통해 입력층, 은닉층, 출력층의 패턴을 분석하여 결과값이 가장 정확하게 산출되는 은닉층의 수, 노드의 개수를 정한다.

신경망 알고리즘은 S160 단계에서 갱신된 가중치를 이용하여 S130 단계 내지 S150 단계를 반복한다. 이때 입력층의 각 노드에 입력된 데이터는 가중치와 곱해지고 더해지는 과정을 몇 번 반복하게 된다. S170 단계는 오차가 적정 수준 이내인 경우 학습은 완료되며 그때의 가중치를 저장하게 된다.

예를 들어, 표 1의 학습 데이터를 이용해 학습한 결과 신경망 알고리즘은 강수량, 경사도, 토양 종류, 임상 밀도도 순이 되도록 가중치가 정해진다. 즉, 산사태 발생에 영향을 많이 미치는 요인은 강수량과 경사도로 볼 수 있다. 일반적으로 가중치는 -1.0부터 +1.0 사이의 값을 가지는데 예를 들어 본 발명의 일실시예에 따르면 강수량은 0.8, 경사도는 0.7, 토양 종류 0.2, 임상 밀도도는 0.1의 가중치를 얻을 수 있다.

도 3은 본 발명에 따른 산사태 발생지 예측 방법을 수행하는 시스템의 구성 예시도이고, 도 4는 본 발명의 일실시예에 따른 산사태 발생지 예측 방법의 흐름도이다.

도 3과 도 4를 참조하면, 임의의 지역의 산사태 발생 유무를 예측하기 위해, 먼저 S310 단계에서 레이어 선정부(110)는 수치지도 상의 다수의 폴리곤들 중에서 산사태 발생지를 예측하기 위하여 2개 이상의 세부 레이어를 선정한다.

레이어는 크게 토양 레이어, 지형 레이어, 토지피복 레이어, 임상 레이어 등을 포함하며, 그 외에도 여러 레이어를 추가적으로 포함할 수 있다.

일반적으로 토양 레이어는 토양 종류, 토질, 모재, 모재, 배수, 유효토심 레이어 등의 세부 레이어를 포함하고, 지형 레이어는 경사도, 경사 방향, 곡률 레이어 등의 세부 레이어를 포함하며, 토지피복 레이어는 잡목지, 초지, 논지 등의 세부 레이어를 포함한다. 또한, 임상 레이어는 임상 종류도, 임상 경급도, 임상 영급도, 임상 밀도도 레이어 등의 세부 레이어를 포함한다. 여기에서 임상 종류도는 나무의 종류, 임상 경급도는 나무의 지름, 임상 영급도는 나무의 수령, 임상 밀도도는 나무의 밀도를 나타낸다.

레이어 선정부(110)는 저장부(160)에 저장된 세부 레이어를 선정한다. 세부 레이어는 각각의 특성에 맞는 속성 정보가 포함되어 있다. 예를 들어, 본 발명의 일실시예에서는 토양 종류, 경사도, 임상 밀도도, 강수량으로 신경망 학습이 이루어져 입력층의 각 노드에 대한 가중치가 정해져 있으므로 레이어 선정부(110)는 다수의 세부 레이어 중 토양 종류 레이어, 경사도 레이어, 임상 밀도도 레이어를 선택하는 것이 바람직하다.

도 5는 본 발명의 일실시예에 따른 산사태 발생지를 예측하기 위해 사용된 레이어들의 예시도이다. 도 5a 내지 도 5c는 각각 토양 종류 레이어, 경사도 레이어, 임상 밀도도 레이어를 나타낸다.

중첩 레이어 생성부(120)는 S320 단계를 통해 S310 단계에서 선정된 2개 이상의 세부 레이어를 중첩하여 중첩 레이어를 생성하고, S330 단계를 통해 중첩 레이어의 폴리곤들을 재설정하고 각 폴리곤에 새로운 번호를 부여한다. 도 5d는 중첩 레이어의 폴리곤들이 재설정되어 새로운 번호가 부여된 것을 나타낸다.

입력부(130)는 S340 단계를 통해 재설정된 각 폴리곤들에 해당하는 강수량 데이터를 입력받는다. 입력부(130)는 기상관측 시스템과 통신망을 통해 연결되어 강수량의 변화에 따라 실시간으로 강수량 데이터를 입력받는다. 통신망은 인터넷 통신망 또는 전용선이 사용될 수 있다.

S330 단계를 통해 중첩 레이어의 폴리곤들이 재설정되고 S340 단계를 통해 강수량 데이터가 입력되면, 조합 속성테이블 생성부(140)는 S350 단계를 통해 재설정된 각 폴리곤들에 대응하는 상기 세부 레이어에 포함된 속성정보를 저장부로부터 추출하고, 상기 입력받은 강수량 데이터와 조합하여 조합 속성테이블을 생성한다. 표 2는 S350 단계를 통해 생성된 조합 속성테이블의 예시이다.

토양 종류, 경사도, 임상 밀도도 중첩 레이어의 조합 속성테이블

폴리곤 번호	토양 종류	경사도	임상 밀도도	강수량
1	갈색 삼림토	25	3	180
2	갈색 삼림토	25	4	80
3	유사 반층토	25	3	80
4	유사 반층토	25	4	200
5	유사 반층토	70	3	300
6	유사 반층토	70	4	80

여기에서, 폴리곤 번호는 중첩 레이어 생성부(120)를 통해 여러 대상 레이어가 중첩된 후 재설정된 폴리곤들의 번호이고, 토양 종류, 경사도, 임상 밀도도는 레이어 선정부(110)를 통해 선정된 세부 레이어의 속성정보이다. 강수량은 입력부(130)로부터 입력된 강수량 데이터로서 기상 상태에 따라 실시간으로 변할 수 있다. 입력부(130)는 통신망을 통해 기상관측 시스템과 연결되어 있으므로 기상 상태에 따라 변하는 강수량을 실시간으로 입력받을 수 있다.

신경망 모델링부(150)는 표 2와 같은 각 폴리곤들에 해당하는 조합 속성테이블의 데이터들을 입력층의 각 노드에 입력하고, 이미 학습을 통해 얻어진 가중치를 고려하여 S370 단계를 통해 산사태 발생 유무에 대한 결과값을 산출한다. 표 3은 각 폴리곤에 대한 산사태 발생 유무를 예측한 결과를 나타낸 예시도이고, 도 6은 예측된 산사태 발생지를 표시한 수치지도 예시도이다. 이 경우 변화하는 강수량 데이터에 따라 조합 속성 테이블의 데이터들이 변화하면서 신경망 알고리즘의 입력층에 실시간으로 입력되므로 산사태 발생 유무를 실시간으로 예측할 수 있다.

신경망 알고리즘을 통한 산사태 발생지 예측 결과

폴리곤 번호	산사태 발생 유무
1	무
2	무
3	무
4	무
5	유
6	무

표 3을 참조하면, 5번 폴리곤은 산사태 발생지로 예측되었다. 본 발명의 일실시예에 따라 신경망 알고리즘의 학습 결과 강수량 0.8, 경사도 0.7, 토양 종류 0.2, 임상 밀도도 0.1의 가중치를 얻은 경우, 이에 따라 5번 폴리곤은 강수량이 많고 경사도 또한 높은 갚을 가지므로 산사태가 발생할 것이라고 예측된다. 이에 비해 6번 폴리곤은 경사도는 5번 폴리곤과 같지만 가장 큰 가중치를 갖는 강수량이 적어서 산사태 미발생지로 예측된다. 또한, 1번 폴리곤의 경우 강수량은 많으나 경사도가 심하지 않아 산사태 미발생지로 예측된다.

제어부(170)는 본 발명의 산사태 발생지 예측을 위한 각 구성부의 전반적인 동작을 제어하는 기능을 수행한다.

신경망을 통해 산사태 발생지를 예측하는 경우 조합 속성테이블의 각 데이터는 정규화 과정을 거치게 된다. 예를 들어 토양 종류 레이어의 경우, 갈색 삼림토는 1, 유사 반층토는 2, 적황색토는 3으로 정규화된다. 이는 학습시에 입력되는 학습 데이터에도 동일하게 적용되어 각각의 속성정보 및 강수량 데이터는 사전에 정해진 방법으로 수치화되어 입력된다.

신경망은 학습한 데이터와 일치하지 않는 데이터에 대해서도 학습 시에 얻은 가중치를 통해 결과값을 산출할 수 있다. 예를 들어, 표 2의 데이터는 표 1의 학습 데이터와 일치하지 않지만, 입력층의 각 노드에 부여된 가중치가 적용되어 결과값을 예측하게 된다.

또한, 다층 신경망은 입출력 데이터를 병렬 처리하여 데이터의 처리 속도가 빠르므로 다수의 폴리곤에 대해 강수량의 변화에 따라 실시간으로 산사태 발생지를 예측하는데 효과적으로 사용될 수 있다. 또한, 연상 재현 및 학습에 의해 적응 학습 능력이 있으므로 수학적 알고리즘이 적용되기 어려운 문제를 학습을 통해 효과적으로 처리할 수 있어 본 발명에 적용하기 적합하다. 또한, 일부 노드가 손상되어도 시스템의 수행 능력에 영향을 적게 받으므로 산사태 발생에 영향을 미치는 속성정보들 중 일부가 손상되어도 비교적 효과적으로 산사태 발생지를 예측할 수 있는 특징이 있다.

지금까지 실시예를 통하여 본 발명에 따른 산사태 발생지 예측 방법에 대하여 설명하였다. 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (4)

1. 다음을 포함하는 수치지도를 이용한 산사태 발생지 예측 시스템:

   (a) 수치지도 상의 다수의 폴리곤들 중에서 산사태 발생지를 예측하기 위하여, 세부 레이어를 선정하는 레이어 선정부;

   (b) 상기 레이어 선정부에서 선정된 2개 이상의 세부 레이어를 중첩하여 중첩 레이어를 생성하고, 상기 중첩 레이어에서 폴리곤들을 재설정하는 중첩 레이어 생성부;

   (c) 상기 재설정된 각 폴리곤들의 강수량 데이터를 입력받는 입력부;

   (d) 상기 재설정된 각 폴리곤들에 대응하는 상기 세부 레이어에 포함된 속성정보를 저장부로부터 추출하고, 상기 입력받은 강수량 데이터와 조합하여 조합 속성테이블을 생성하는 조합 속성테이블 생성부;

   (e) 상기 조합 속성테이블 생성부로부터 입력받은 조합 속성테이블 데이터에 대한 신경망 알고리즘을 수행하여, 산사태 발생의 유무를 예측하는 결과값을 산출하는 신경망 모델링부; 및

   (f) 상기 레이어 선정부, 중첩 레이어 생성부, 입력부, 조합 속성테이블 생성부, 신경망 모델링부의 동작을 제어하는 제어부.
2. 제1항에 있어서, 상기 강수량 데이터는 기상관측 시스템과 통신망을 통해 연결되어 실시간으로 입력되는 것을 특징으로 하는 수치지도를 이용한 산사태 발생지 예측 시스템.
3. 제1항에 있어서, 상기 결과값은 실시간으로 입력되는 상기 강수량 데이터에 대응하여 실시간으로 산출되는 것을 특징으로 하는 수치지도를 이용한 산사태 발생지 예측 시스템.
4. 제1항에 있어서, 상기 신경망 알고리즘은 훈련을 통해 상기 조합 속성테이블의 데이터에 각각 가중치를 부여하는 것을 특징으로 하는 수치지도를 이용한 산사태 발생지 예측 시스템.