드론 영상을 활용한 산사태 위험 지역 탐지를 위한 U-Net 딥러닝 모델의 패치 크기 비교

Patch Size Comparison of U-Net Deep Learning Model for Landslide Hazard Area Detection Using Drone Imagery

산사태는 인명과 사회 경제적 인프라에 심각한 피해를 초래하는 대표적인 자연재해로, 위험지역의 정밀한 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.

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.