IEG 환경지질연구정보센터

광물자원탐사에의 응용을 위한 지질정보 공간통합법

1. 배 경

일반적으로 광물자원탐사는 지표지질조사, 지질구조해석, 지화학탐사, 항공물리탐사, 원격탐사 영상분석 등의 여러 방법에 의해서 수행되어 왔다. 그러나 이러한 전통적인 조사에 의해서 수집된 자료는 체계적으로 종합, 분석되지 않고 각각의 자료로 사용되는 문제점을 가지고 있다. 최근에는 GIS를 기반으로 하는 자료통합기법이 발전되어 왔으나, 이러한 기술들은 대부분 화상처리기법에 기반을 두고 있기 때문에 광물 및 에너지 자원탐사에 직접적으로 적용하기에는 무리가 있다. 캐나다, 미국 등 외국의 경우에는 정량적인 자료통합기술을 개발하여 광물부존가능지역을 예측하는 연구를 수행하고 있으며, 이러한 기술을 자연재해 쪽으로 응용하여 산사태 예측에도 활용하고 있다. 국내에서도 이러한 기술을 수용하여 산사태 예측 등에 활용하고 있으나 현재까지는 전문가의 주관적인 판단에 의한 분석방법이 주를 이루고 있어 보다 객관적인 결과를 도출할 수 있는 수학/통계적 배경의 자료통합방법의 개발이 필요한 상황이다. 이러한 수학/통계적 기법에 바탕을 둔 공간통합방법은 기존에 밝혀진 확실한 탐사대상에 관한 정보로부터 유도될 수 있으며, 탐사목표에 대한 GIS의 공간상의 정보가 거의 없거나, 불확실한 경우에 시도될 수 있는 기술이다.

2. 공간지질정보

기존 지질학을 비롯한 지구과학 연구는 특정 목적에 대한 특정 주제도만을 사용하였으나 자료획득 기술이 발전함에 따라서 점차 다양한 자료들을 사용하고 있다. 예를 들면 모든 지질연구의 기본이 되는 지질도, 지표 및 천부의 지구물리학적 특성을 반영하는 항공지구물리탐사자료, 지표의 지화학적인 특성을 반영하는 지화학자료, 지형도로부터 추출되는 고도, 경사, 방위 등과 같은 지형자료, 지표 대상물의 분광특성을 나타내는 원격탐사 자료 등과 같이 다양하다. 보다 객관적이고 최적의 분석결과를 이끌어 내기 위해서는 특정목적에 맞는 자료의 선택이 중요하며 이들을 종합적으로 분석하기 위한 방법론 또한 중요하다. 그러나 각기 자료들은 자료획득과 관련하여 자료의 공간해상도, 반영정보 등에 있어서 차이가 있다. 따라서 개별 자료들은 격자형 자료를 획득함에 있어서 내삽과정, 좌표취득 등의 과정을 거치게 되면서 자료 자체의 불확실성을 내재하게 되므로 이러한 현상들에 대한 고려가 공간통합을 수행하기에 앞서 필요하다.

3. 공간통합방법

다중자료를 통합하는 방법은 크게 기존에 밝혀진 대상에 대한 정보로부터 유도되는 방법인 자료유도형 방법(data-driven method)과 통합목표에 대한 GIS의 공간상의 정보가 거의 없거나 불확실할 경우에 시도될 수 있는 목표 유도형 방법(target-driven method)으로 크게 구분할 수 있다. 예를 들어 광물부존가능지역 예측을 위하여 공간통합을 수행할 경우, 기존에 개발된 광산의 위치에 대한 정보를 기반으로 통합을 수행하는 방법이 자료유도형 방법에 해당하며, 기존 광산의 위치에 대한 정보가 없을 경우 광산에 대한 지식을 표현하여 구성하는 방법이 목표유도형 방법이다.

1) 자료유도형 방법

베이지안 통합
베이지안 통합의 근간은 사전확률과 사후확률의 계산에 있다. Bayesian approach의 주요 개념 중 하나는 priori와 posterior 확률이다. priori 확률은 어떤 주제도 혹은 증거가 제시되지 않은 상태에서 정해지는 초기 확률을 말하고, posterior 확률은 priori 확률이 주어진 상태에서, 주제도 혹은 증거가 제시되면서 갱신되는 확률을 말한다. 즉 priori 확률은 처음 증거가 제시되면서 갱신되고, 새로운 증거가 주어지면서 생성되는 posterior 확률은 다른 새로운 증거 하에서는 priori 확률로 간주되면서 연속적으로 갱신된다.
Weights of evidence
이 방법은 베이지안 통합을 특별히 변형시킨 경우로, 이 방법은 각 주제도별로 기존에 알려진 광상위치에 대한 weight W+, W-를 계산하여 log of odd ratio를 계산한 뒤 Bayes rule에 따라 결합하게 된다. 이 방법 역시 priori 확률을 계산한 후 posterior 확률을 계산하는데, posterior 확률은 각각에 대해서 계산되어지는 weight에 따라서 계산된다.
CF estimation
주로 전문가 시스템에서 사용되는 이 방법은 사전확률에 대한 certainty의 측정방법이다. 일반적으로 CF값은 -1에서 +1의 범위를 가지며 조건부확률이 사전확률과 같으면 0이고 조건부확률이 초기 확률과 차이가 있을 경우 절대값이 증가한다.

2) 목표유도형 방법

Dempster-shafer 이론
Dempster에 의해 초기에 나온 이론을 Shafer가 정리한 이론인 evidential belief function은 자료의 표현방법으로 기본 확률함수인 mass function을 통한 확률적인 표현방법을 사용한다. 그러나 확률통계적인 배경과는 기본적인 개념이 다르며, 이 방법의 가장 큰 특징은 베이지안과 같은 활률론적 접근에서 사용하는 하나의 결과치를 결과로 넘기는 것이 아니라 확률값의 상한과 하한에 해당되는 결과를 나타내어 일종의 불확실성에 대한 처리를 할 수 있다는 것이다. 이러한 특징은 연구지역에 대해서 불완전하게 자료가 있을 경우 적용이 가능하다.
Fuzzy set 이론
퍼지이론은 퍼지집합론과 퍼지논리의 두 측면을 기본으로 하여 성립된다. 퍼지집합론은 mapping을 위한 membership 함수 형태로 원래의 자료를 재표현하게 된다. 퍼지논리는 실제 자료의 통합을 수행하기 위한 퍼지연산을 의미한다.

4. 방법론 비교

1) 자료유도형 방법의 장·단점

사전에 통합목표에 대한 공간상의 사전정보를 기반으로 하기 때문에 다소 주관적으로 구성되는 목표유도형의 자료 재표현 방법보다는 객관적인 결과를 나타낼 수 있다. 이 방법의 기본자료의 범위가 일치해야 자료통합이 가능하며 결과의 신뢰도가 증가한다. 그러나 부정확한 정보를 가지고 통합하는 경우 심각한 오차를 나타낼 수 있는 단점이 있으며, 자료의 범위가 일치하지 않는 경우 통합을 수행하기 어렵다.

2) 목표유도형 방법의 장·단점

이 방법은 기본도내에서 자료의 범위가 일치하지 않는 경우 또는 자료가 누락되는 경우에도 자료 통합이 가능하다. 다소 주관적이기는 하나 한 자료 내에서 정보가 없는 지역에서도 통합목표에 대해서 의미를 갖는 mapping이 가능하므로 통합목표에 대한 전체 연구지역의 통합정보를 얻을 수 있다. Dempster-Shafer 이론은 확률적 접근법에서 가능한 결과의 불확실성 처리 및 해석보다 구체적인 공간상의 불확실성을 처리할 수 있으므로 통합결과의 해석에 중요한 근거를 제시할 수 있다. 그러나 이 이론에 의한 결과는 하나의 결정보조론적 통합정보를 얻기 위하여 고려해야 하는 측면이 다수 존재하기 때문에 해석상의 어려움이 있으며, mass function의 구성에 있어서도 특정 기준이 없는 애매함이 존재한다. Fuzzy 이론 역시 최적의 membership 함수를 구성하는데 있어서 절대적인 규칙이 없기 때문에 구성에 있어서 주의를 요한다. 그러나 퍼지이론 자체는 실제 문제해결에 있어서 기존의 확률 및 통계적 배경에 크게 구애받지 않는다는 장점을 가지고 있다. 그리고 어떠한 퍼지 연산자를 적용하는가에 따라 통합정보가 달라지므로 통합목적에 따라서 연산자의 적용성이 달라진다. 따라서 적절한 여러 개의 연산자를 적용한 결과 또한 각각의 의미가 달라지므로 여러 가지 해석이 가능하다.

환경지질연구정보센터

IP 연구정보

학교 IP

댓글에 대한 표이며 제목, 성명, 비밀번호, 내용에 대한 입력을 제공
* 의견 쓰기
* 성명
* 내용