earticle

영어

Landslides are natural disasters that cause severe damage to human life and socio-economic infrastructure, making precise spatial delineation and early detection of hazardous areas essential for disaster management. This study compares automated classification performance of landslide hazard zones using U-Net deep learning architecture with different patch sizes (128×128 and 256×256). The study area is a steep slope in Bogok-ri, Hyoja-myeon, Yecheon-gun, Gyeongbuk Province, where a high-resolution DEM (0.1 m) was constructed using drone imagery and point cloud data. The 128×128 patch model achieved 70.5% accuracy with F1-scores of 0.582 and 0.599 for non-hazard and hazard classes, respectively, indicating balanced performance. In contrast, the 256×256 patch model yielded 65.96% accuracy, much lower F1-scores of 0.248 and 0.007, and a higher NoData F1-score of 0.786, reflecting predictions focused on NoData zones over hazard areas. Results suggest smaller patch sizes better capture local terrain variability and enhance landslide detection performance.

한국어

산사태는 인명과 사회 경제적 인프라에 심각한 피해를 초래하는 대표적인 자연재해로, 위험지역의 정밀 한 공간 분할 및 조기 탐지가 재난관리에 필수적이다. 본 연구에서는 U-Net 딥러닝 아키텍처를 기반으로 패치 크기(128×128, 256×256)에 따른 산사태 위험지역 자동 분류 성능을 비교·분석하였다. 연구 대상지는 경북 예천군 보곡면의 급경사지로, 드론 영상 및 포인트 클라우드 자료를 활용해 0.1m 해상도의 디지털 표고 모델(DEM)을 구축하고, 이를 딥러닝 학습 및 평가에 적용하였다. 분석 결과, 128×128 패치 크기 모델은 전체 정확도 70.5%의 정확도를 기록했으며, 비위험과 위험 클래스에서 F1-score 0.582, 0.599를 보여 균형 잡힌 분류 성능을 나타냈다. 반면 256×256 패치 모델은 65.96%의 정확도와 매우 낮은 0.248, 0.007의 F1-score를 기록했으며, NoData 클래스에서는 0.786의 높은 F1-score를 보여 대부분의 예측이 NoData 영역에 집중됨을 나타냈다. 이러한 결과는 작은 패치 크기가 지역적 지형 변동성을 포착하고 산사태 감지 성능을 향상시키는데 더 효과적임을 시사한다.