1. 서 론

2018년 8월, 지반침하로 인한 위해 방지와 공공의 안전 확보를 목표로 『지하안전관리에 관한 특별법』이 시행되었으며, 2019년 1월에는 지하안전관리계획을 통해 지하안전을 도모하기 위한 제도와 대책이 마련되었다. 특히 지하개발 사업 착공 전 해당 사업이 지하안전에 미치는 크고 작은 영향을 조사하여 지반침하 발생 가능성을 사전에 예측하고 예방할 수 있는 지하안전평가가 시행되고 있다. 지하안전평가는 각종 지하 매설물과 지반 환경을 분석해 향후 발생할 수 있는 지반침하 위험성을 최소화하기 위한 중요한 제도적 장치로 자리잡고 있다(Seoul Institute, 2022). 그러나 이러한 선제적인 지하 안전 관리에도 불구하고, 도심지 내 지반침하 사고 및 공동은 지속적으로 발생하고 있으며, 제도적 접근이 아닌 기술적 접근을 통한 관리개선이 요구되고 있다. 시간과 예산의 문제로 현재 중점적으로 제한적으로 시행하고 있는 지하 레이더 탐사(Ground Penetrating Radar, GPR)의 한계 등을 극복하기 위하여, 광역데이터를 기반으로 하는 지반침하 위험도 분석 모델을 도입하는 것이 필요하다.

2015년부터 2023년까지 서울시에서 발생한 지반침하 사고 현황을 살펴보면(Kim, 2024), 2014년 8월에 수립된 도로함몰 특별관리대책에 따라 GPR(Ground Penetrating Radar) 탐사 활동이 강화되어 2016년 이후 서울시 내 지반침하 발생 사고가 감소하는 듯했으나 2021년을 기점으로 다시 증가하는 경향을 보인다(Seoul Institute, 2022)(Fig. 1a). 2021년에는 지반침하 사고가 11건에 불과했으나, 2022년과 2023년에는 각각 20건과 22건으로 약 두 배 가까이 증가하였다. 서울시에서 조사한 2019년부터 2023년까지 최근 5년간의 지반침하 발생 신고 자료에 따르면, 주요 원인으로 상수 및 하수관로 손상이 전체의 약 54%를 차지하며(상수관로 12%, 하수관로 42%), 그 외 원인으로는 다짐 및 되메우기 불량(21%), 굴착 공사 영향(16%), 기타 매설물 손상(5%), 상·하수 관로 공사(4%) 등이 있다. 특히 하수 관로 손상에 의한 침하는 매년 가장 높은 비율을 차지하고 있으며, 최근 5년간 그 비율이 점차 증가하는 추세를 보이고 있다(Fig. 1b).

Fig. 1

Number of (a) ground subsidence occurrences in Seoul from 2015 to 2023; (b) ground subsidence occurrences categorized by cause from 2019 to 2023

도심지에서 발생하는 지반침하는 일반적으로 석회암 지대에서의 세굴 현상으로 발생하는 자연적 침하와, 지하공간 개발 및 지하시설물로 인해 발생하는 인위적 침하로 구분된다. 그러나, 지역별로 기반암과 지층의 층서가 다양하고, 지반의 형성 과정이 및 도시의 개발 이력이 다르다. 서울시의 경우도 화강암과 편마암 지대로 구성되어 있어 기존의 자연적 침하 정의만으로 설명하는 데 한계가 있다(Seoul Institute, 2022). 이에 본 연구에서는 도심지에서 발생하는 지반침하의 원인을 (1) 지반 압축 메커니즘에 의한 장기 침하, (2) 지하수 양수 및 수위 강하로 인한 토사 유출 침하, (3) 굴착 공사 및 지하시설물 노후화로 인한 인위적 침하로 재정립하여 정의하였다(Seoul Institute, 2022).

먼저 장기 침하는 지질 분포보다 지층의 구성에 중점을 두며, 흙 입자의 재배열과 간극수 배수 과정을 통해 서서히 압축되어 발생하는 유형이다. 해당 침하는 주로 점토 및 실트층이 두껍게 분포된 연약 지반에서 나타난다. 토사 유출 침하는 도시화에 따른 지하수 과다 양수와 계절 및 기후 변화로 인해 지하수위가 급격히 변동할 때 발생하며, 주로 지하공간 개발 공사 및 지하철역 인근 등 지하수 유출량이 많은 지역에서 관찰된다. 인위적인 요인에 의한 침하는 굴착 공사 중 복구가 적절히 이루어지지 않아 굴착 영향 범위 내에서 응력 감소가 발생하고, 그 결과 지하수위가 하락하여 지반이 압축되는 유형이다. 또한, 잦은 공사로 인한 지반 교란이나, 기준에 미달되는 뒤메우기 불량 작업은 지반침하의 발생 가능성을 더욱 증가시킨다(Choi et al., 2021). 서울과 같은 메가도시에서는 대규모 지하 개발 공사가 여러 지역에서 동시에 진행되고 있으며, 침하를 유발하는 다양한 요인이 지역적 특성과 맞물려 있기 때문에 지반침하의 원인을 단일하게 정의하는 데에는 한계가 있다(Seoul Metropolitan Government, 2023). 따라서 본 연구에서는 지반침하의 원인을 연약 지반에서의 토사 유출 및 건설 공사 등 다양한 복합적 요인에 기인하는 것으로 정의하였다.

서울시 내 지반침하 위험성 분석과 관련된 선행 연구로 Kim et al.(2018)은 로지스틱 회귀 모델을 개발하여 서울시 하수관로 손상에 따른 싱크홀 취약성을 분석하였다. 하수관로의 길이, 고도, 설치 깊이 등 다수의 물리적 특성을 변수로 442건의 서울시 싱크홀 발생 이력과 분석하였으나, 관로가 매설된 지반에 대한 고려 없이 하수관로 특성만을 인자로 사용했다는 점에서 한계를 지닌다. Kim et al.(2021)은 서울시 하수관로 데이터를 활용하여 머신 러닝 기반의 지반침하 발생 위험도 분석 모델을 개발하였다. 그러나 지반침하를 유발하는 인자를 인근 하수관로로 단순 정의했다는 점에서 더 다양한 변수를 포함할 필요가 있다. Choi et al.(2021)은 서울시 내 1km × 1km 특정 구역을 대상으로 지하 매설물의 선형 밀도(Line Density) 개념을 적용하여 2010년부터 2015년까지 발생한 29개 이력지반함몰과의 상관관계 알고리즘을 분석하였다. 그러나 제안된 모델을 서울 전역에 적용하기 위해서는 추가적인 최적화 연구가 필요하다고 사료된다.

본 연구는 기존의 지반침하 예측 모델이 다층적인 도심 환경의 복합적 위험 요인을 충분히 반영하지 못하는 문제를 해결하고자 위험도 분석 모델을 개발하였다. 이를 위해 지반침하 원인 및 유형에 따른 분석 지표를 선정하고 5개의 지반침하 영향 인자를 가정하였다. 특별히 Choi et al.(2021) 연구에서 제안한 지하 매설물의 선형 밀도 개념을 활용하여 서울시 전역에 걸쳐 관로 공간 밀도 분석하고, 이를 지반침하 영향 인자 중 하나로 포함하였다. 모델 개발을 위해 전문가 설문조사를 실시하고, 계층 분석법(AHP)를 통해 인자 간의 가중치를 산정하였다. 또한 지반침하 영향 인자 데이터를 30m × 30m 격자 단위의 GIS 지도로 구축하여 서울시 내 5,819건의 지반침하 및 공동 발생 이력 현황에 대해 상관관계를 분석하였다.

본 연구는 기존 선행 연구에서 지하시설물만을 지반침하 유발 인자로 가정한 것과 달리, 침하의 원인 및 유형별로 다양한 영향 인자를 가정하였다. 개발된 지반침하 위험도 분석 모델은 GPR 탐사를 위한 1차적인 사전 평가 자료로 활용될 수 있으며, 보다 확실한 지반침하 원인을 파악하기 위한 지반침하 관측을 위한 측정망을 구성하는 등의 정책 결정에 있어 효과적으로 기여할 것으로 기대된다.

2. 지반침하 영향 인자

2.1 지반 조건

오랜 시간에 걸쳐 흙이 서서히 압밀되어 발생하는 장기 침하는 주로 흙의 압축성과 관련이 있다. 압축성이 큰 점토층 및 실트층을 연약 지반으로 정의하여 이를 지반침하를 유발하는 영향 인자로 고려하였다. 서울시 내 연약 지반의 분포를 분석하기 위해 국토지반정보포털에서 제공하는 24,117개 시추공 데이터를 활용하여 지층의 구성을 조사하였다. 시추공 별 점토층과 실트층의 깊이를 각각 산출하여 깊이를 계산하고, 서울시 전역의 분포 특성을 조사하기 위해 IDW(Inverse Distance Weighted) 기법을 활용하여 30m 셀 사이즈의 래스터 지도로 보간 하였다. 연약 지층의 분포 두께가 얕을 경우 압밀 침하가 발생할 가능성이 낮기 때문에 침하를 유발할 수 있는 최소한의 두께를 5m로 가정하여 점토층과 실트층의 두께가 5m 이상 분포하는 지역을 각각 추출하였다. 두 지도를 병합하여 서울시 ‘점토 및 실트층 분포’ 지도를 작성하고 이를 지반침하 영향 인자로 가정하였다(Fig. 2a).

2.2 지하수

지하수 유출량이 많은 지역은 지하수위 변화에 따라 물과 함께 토사가 유출되어 급격한 지반침하를 유발한다. 따라서 지하수위 변화량은 침하와 직접적으로 연관된 주요 요인 중 하나이다. 특히 서울시의 경우 유출 지하수 발생량이 2008년 대비 2016년에 약 29% 증가함에 따라 서울시 도심 내 지하수 유출로 인한 지반침하 발생 가능성 역시 증가하고 있다(Seoul Institute, 2018). 서울시 지하수위 변화량을 분석하기 위해 지하수 보조관측망 146개소에서 관측한 지하수위 데이터를 바탕으로 관측망별 지하수위 변화 기울기를 계산하고, 서울시 전역에 걸친 분포 특성을 파악하기 위해 IDW 기법을 활용하여 30m 셀 사이즈의 래스터 지도로 보간하였다 지하수위 변화 기울기를 무차원화하여 지하수 저하 지점을 대상으로 ‘지하수 강하’ 지도를 작성하고, 이를 지반 침하의 영향 인자로 가정하였다(Fig. 2b).

도심 내 지하수 유출량이 많은 대표적인 시설물은 지하철역이다. Seoul Institute(2018)에 따르면 서울시 지하철에서 발생하는 유출 지하수 양이 전체의 67%를 차지할 만큼 지하철역 개발 공사 및 유지·보수 관리에 사용되는 지하수의 양이 막대한 것으로 나타났다. 게다가 지하철역은 유동 인구가 밀집되어 있어 지반침하 발생 시 큰 인적 피해가 예상되는 장소이다. 따라서 지하철 역사와 주변 영향을 고려하기 위해 역사 100m 반경 거리를 ‘지하철 역사’로 정의하고 이를 지반침하 영향 인자로 활용하였다(Fig. 2c).

Fig. 2

The maps of (a) clay and silt layer; (b) decline in groundwater level (GWL); (c) vicinity of subway stations in Seoul

2.3 선형 밀도

지하시설물인 관로는 공공 인프라로서 주로 도로 하부에 설치되며 상수관로, 하수관로, 가스관로, 난방열관로, 통신관로, 전력관로 (이하 ‘6종 관로’) 등이 대표적이다. 관로는 지하에 매설되는 환경 특성 상 설치 및 유지·관리부터 폐관로 처리 과정까지 크고 작은 지반침하 위험성을 수반한다. 굴착 공사 과정에서 불가피하게 지반 하부가 교란됨에 따라 지반의 응력 상태가 변화하고, 지하수가 유출되어 침하를 유발하며, 특히 연약 지반일 경우 이는 침하의 직접적인 원인으로 작용한다. 또한 관로를 유지·관리하는 데 있어 빠른 시일 내에 관로의 파손 여부와 정확한 위치를 탐지하기 어렵고, 도심지의 경우 도로를 통제하고 작업해야 하기 때문에 신속한 복구가 불가능하다. 노후화된 관로의 경우, 적절한 관리 조치 없이 지반 하부에 방치되어 있는 경우가 대다수이다. 실제로 Seoul Metropolitan Government(2023)에 따르면, 설치 기간이 30년 이상인 하수관로 및 통신관로가 각각 전체의 60% 이상을 차지하고 있으며, 전력관로의 경우 전체의 50% 이상이 노후화된 것으로 나타났다. 따라서 관로의 공간적 분포는 지반침하 위험도 분석 모델을 개발하는 데 있어 중요한 지표 중 하나이다.

본 연구에서는 관로 굴착 공사 시 지반의 교란, 비다짐 등의 영향과 지하 관로의 누수 및 파손 등을 종합적으로 고려하기 위해, 개별 관로의 유무가 아닌 일정 반경 내 선형 밀도를 관로 및 관로 공사가 지반침하에 미치는 영향 인자로 가정하였다. 선형 밀도(ρ)란 단위 면적에 대한 단위 길이들의 합으로 각 격자에 인접한 선형 정보의 밀도를 나타낸다(ArcGIS; Choi et al., 2021). 반경 R을 가지는 커널(Kernel)을 이용하여 특정 위치에서 해석 반경 이내에 포함되는 관 길이의 합(Lx,R)을 계산하고 이를 면적으로 나누어 밀도를 계산하였다(식 (1), Fig. 3).

Fig. 3

The concept of line density

서울시 지하시설물 통합정보시스템에 구축된 6종 관로의 길이 정보를 활용하여 선형 밀도를 분석하였다. Choi et al.(2021)은 관로의 해석 반경에 따라 분석한 정규선형밀도의 최대값, 평균값, 표준편차가 다르게 나타나는 것을 확인하였다. 본 연구에서도 특정 위치(x)를 기준으로 격자 내 관로뿐만 아니라 인근 관로가 격자에 미치는 영향을 고려하고자 커널의 크기를 R1(30m), R2(60m), R3(90m) 로 구분하여 커널의 크기에 따른 선형 밀도를 계산하였다. 다양한 관로의 영향을 종합적으로 고려하기 위해 6종 관로의 선형 밀도 지도를 중첩하여 커널 크기별 서울시 선형 밀도 지도를 작성하였다(Fig. 4).

Fig. 4

The maps of line density in Seoul with a kernel size (a) 30 m; (b) 60 m; (c) 90 m

지반침하 발생 가능성은 단위 구역 내 관로의 밀집도와 비례한다. 따라서 서울시 선형 밀도 지도의 상위 30%에 해당하는 지역을 추출하여 지도로 작성하고, 이를 지반침하 영향 인자로 활용하였다(Fig. 5).

Fig. 5

The maps of line density with high values (top 30 %) in Seoul with a kernel size (a) 30 m; (b) 60 m; (c) 90 m

2.4 침하 발생 이력

과거에 지반침하가 발생했던 지역은 동일한 지반 조건과 지하수 변화 등 지속적인 영향 범위 내에 있기 때문에, 향후에도 지반침하가 발생할 가능성이 높다(MLIT, 2021). 지반침하가 특정 조건이나 시기에 반복적으로 발생하는 패턴과 경향을 내포하고 있다는 가정 하에, 과거 침하 발생 이력을 지반침하 위험도 분석 모델의 주요 지표로 가정하였다. 서울시에서 조사한 2014년 7월부터 2022년 12월까지 지반침하 발생 사고 330건과 2014년 12월부터 2022년 9월까지 공동 발생 이력 5,489건을 바탕으로 ‘침하 발생 이력 지도’를 작성하고 이를 지반침하 영향 인자로 활용하였다(Fig. 6).

Fig. 6

The map of ground subsidence and sinkhole occurrences in Seoul

3. 지반침하 위험도 분석 모델 개발

3.1 AHP 분석

지반침하 영향 인자 간의 상대적 중요도를 분석하기 위해 지반공학 전문가 41명을 대상으로 전문가 평가를 실시하였다. 지반침하 영향 인자는 총 5가지로, 지반 조건 지표로는 (1) 점토 및 실트층 분포, 지하수 지표로는 (2) 지하수 강하 및 (3) 지하철 역사, 지하시설물 지표로는 (4) 선형 밀도, 마지막으로 지반침하 발생 지표로는 (5) 지반침하 및 공동 발생 이력으로 가정하였다. 설문조사 결과, 지반침하 위험도 분석 모델 개발에 있어 지하수 강하가 가장 중요한 인자로 평가되었으며, 그 다음으로는 점토 및 실트층 등 연약 지반의 분포, 지하철 역사, 관로의 선형 밀도, 그리고 침하 발생 이력 순으로 응답이 많았다. AHP 분석을 통해 지표 간 중요도를 분석하여 산출한 가중치는 Table 1과 같다.

3.2 지반침하 위험도 분석 모델

AHP 분석을 통해 산출된 지반침하 영향 인자 간 가중치를 적용하여, 지반 조건, 지하수 그리고 지하시설물 영향을 종합적으로 고려한 지반침하 위험도 분석 모델은 식 (2)와 같다. 지반침하 위험도 분석 모델 분석을 위해 서울시 전역을 대상으로 30m × 30m 크기의 격자 데이터를 생성한 후, 지반침하 영향 인자 지도를 중첩하여 각 격자에 값을 부여하였다(Fig. 7).

Fig. 7

The map of grid-based study area in Seoul

5개 조건의 지반침하 영향 인자 지도와 중첩되는 격자는 ‘1’을 부여하고, 해당 사항이 없을 경우에는 ‘0’을 부여하여 식 (1)에 대입하였다. 이때, 선형 밀도 인자는 커널 크기를 R1, R2, R3 세 가지로 나누어 각각의 결과를 도출하였다. ArcGIS 프로그램에 탑재되어 있는 네츄럴 브레이크(Natural Breaks) 방법을 적용하여 ‘매우 위험’(5등급), ‘위험’(4등급), ‘보통’(3등급), ‘안전’(2등급), ‘매우 안전’(1등급)으로 등급을 계층화하였다. 본 연구에서 제안한 모델을 적용하여 서울시에서 발생한 지반 침하를 분석한 결과는 Fig. 8과 같다.

Fig. 8

The maps of ground subsidence risk assessment model with a kernel size (a) 30 m; (b) 60 m; (c) 90 m

커널 크기에 따른 지반침하 위험도 분석 모델의 결과를 비교해 보면, R1 모델의 경우 서울시 전체 격자 중 8.1%가 5등급 (‘매우 위험’)에 해당하며, 지반침하가 발생한 격자(4,482개) 중 약 27.2%(1,217개)가 5등급으로 나타났다. R2 및 R3 모델에서는 지반침하가 발생한 격자 중 약 28.5% 및 28.9%가 5등급에 해당되었다.

4. 모델 검증 및 결과

앞서 개발한 지반침하 위험도 분석 모델의 예측 가능성을 검증하기 위해 교차분석표(Contingency Table)와 혼동 행렬(Confusion Matrix)를 활용하여 정확도(Accuracy), 민감도(Sensitivity), 특이도(Specificity), Type 1&2 에러, 균형 정확도(Balanced Accuracy) 등 여러 평가 지표를 분석하였다(Table 2, 3). 이때 지반침하 위험도 분석 모델의 임계값을 4등급(‘위험’)으로 정의하여 데이터를 분류하였다.

정확도는 모델 분석 결과와 서울시 내 침하 발생 이력과의 일치 정도를 나타내는 지표로, 전체 중 올바르게 예측된 비율을 의미한다. 모델 예측 결과가 4등급 이상이면서 침하가 발생한 경우(True Positive, TP)와 모델 예측 결과가 4등급 미만이면서 침하가 발생하지 않은 경우(True Negative, TN)가 해당된다. 커널 크기 별 지반침하 위험도 분석 모델 모두 약 0.916 이상의 높은 예측 정확도를 보였으나, 커널 크기에 따른 모델 간 차이는 존재하지 않았다.

모델의 예측률을 나타내는 민감도는 모델 예측 결과가 4등급 이상이면서 침하가 발생한 경우(TP)와 모델 예측 결과가 4등급 미만이면서 침하가 발생한 경우(False Negative, FN)에 대한 TP의 비율로 계산한다. 분석 결과, 세 모델 모두 침하 발생 지역에 대해 약 0.92 이상의 높은 민감도를 보였으나, 정확도와 마찬가지로 커널 크기에 따른 차이는 없었다. 반면, 침하가 발생하지 않은 지역에 대한 모델의 예측률을 나타내는 모델 R1, R2, R3의 특이도는 각각 0.272, 0.285, 0.290으로 커널의 크기가 클수록 미세하게 증가하는 경향을 보였다.

균형 정확도는 민감도와 특이도의 평균으로 계산되며, 커널의 크기가 확대될수록 그 값이 증가하는 경향을 보였다. 그러나 정확도에 비해 균형 정확도가 낮게 분석된 이유는 데이터의 불균형 때문으로, 지반침하가 발생한 격자보다 발생하지 않은 격자의 비율이 상대적으로 높기 때문이다. 이러한 데이터 불균형으로 인해, 침하가 발생하지 않은 격자를 예측하는 정확도는 높지만, 침하 발생 지역을 예측하는 민감도와 특이도 간 차이가 존재하여 균형 정확도가 낮게 평가되었다.

모델의 예측 오류를 의미하는 Type 1 에러와 Type 2 에러는 각각 실제로 침하가 발생하지 않았으나 예측 결과가 4등급 이상인 경우(False Positive, FP)와 침하가 발생했으나 예측 결과가 4등급 미만인 경우(FN)를 의미한다. Type 1 에러는 지반 조건 및 주변 환경이 침하 영향권에 속해 위험 등급으로 예측되었으나 실제로는 침하가 발생하지 않은 경우로, 세 모델 모두 약 7.9%가 여기에 해당되었다. 반면, Type 2 에러는 모델 R1의 값이 72.8%, R3의 값은 71.1%로 커널 크기가 커질수록 그 값이 감소하는 경향을 보였다. 이는 커널의 크기가 작을수록 주변 관로나 지하시설물의 영향을 반영하는 범위가 제한되기 때문이며, 커널 크기를 확대할수록 모델의 예측 성능이 향상되는 것을 알 수 있다.

지반침하 위험도 분석 모델의 성능을 평가하기 위해 혼동 행렬의 평가 지표를 기반으로 ROC 곡선을 작성하였다(Fig. 9). 커널 크기별 지반침하 위험도 분석 모델의 AUC 값은 R3 모델이 0.765로 가장 높았으며, R1 모델과 R2 모델은 각각 0.754로 동일한 값을 보였다. 모델 간 AUC 값의 큰 차이가 나타나지 않은 이유는 본 연구에서 제안한 침하 위험도 분석 모델 인자 중 선형 밀도의 가중치가 0.139로 비교적 낮게 산정되었기 때문에 커널 크기에 따른 영향이 크게 나타나지 않은 것으로 분석되었다.

Fig. 9

AUC-ROC curves case with a kernel size (a) 30 m; (b) 60 m; (c) 90 m

5. 결 론

본 연구에서는 지속적으로 발생하는 도심지 내 지반침하 사고와 공동에 대한 기술적 관리 방안의 필요성을 바탕으로 광역 데이터를 활용한 지반침하 위험도 분석 모델을 개발하였다. 도심지 지반침하의 원인 및 유형을 장기 침하, 지하수에 따른 토사 유출 침하, 그리고 인위적 침하로 분류하여 지반침하 영향 인자를 가정하였다. 특히 서울시 내 6종 관로의 선형 밀도를 커널 크기(30m, 60m, 100m) 별로 분석함으로써 지하시설물이 지반침하에 미치는 영향을 정량적으로 평가하였다. 점토 및 실트층 분포에 따른 연약지반, 지하수 강하 지역, 지하철 역사 인근, 선형 밀도, 그리고 지반침하 및 공동 발생 이력 등 총 5가지 지반침하 영향 인자를 GIS기반 공간정보 데이터로 구축하여 활용하였다.

전문가 평가를 통해 의견을 수렴하고, AHP 분석을 통해 인자간 가중치를 산정하여 지반침하 위험도 분석 모델을 개발하였다. 서울시 전역을 포함하는 30m × 30m 격자 데이터에 공간 중첩을 통해 지반침하 영향 인자 값을 부여하고, 지반침하 위험도 분석 모델을 적용하여 커널 크기별 30m 격자 단위의 지반침하 위험도를 분석하였다. 모델의 예측 가능성을 검증하기 위해 혼동 행렬을 활용하여 평가 지표를 분석한 결과, 커널 크기별 세 모델 모두 0.916 이상의 높은 정확도를 보였으나, 이에 반해 균형 정확도는 약 0.6으로 비교적 낮은 결과를 보였다.

대부분의 평가 지표에서 커널 크기에 따른 모델 간 차이는 작았으나, 특이도와 균형 정확도의 경우 커널의 크기가 확대될수록 증가하는 경향을 보였다. ROC-AUC 곡선 분석 결과에서도 커널의 크기가 클수록 AUC값이 증가하였으며, 이는 주변 관로의 영향을 고려할수록 모델의 예측 성능이 향상됨을 의미한다.

그러나 낮은 특이도와 높은 Type 2 오류는 침하가 발생하지 않은 지역에 대한 예측 정확도는 높지만 실제 침하 발생 가능성이 있는 지역을 예측하는 데 한계가 있음을 나타낸다. 또한 본 연구에서 고려하지 않은 다양한 지질학적 특성과 외부 환경 요인이 지반침하를 유발할 가능성도 존재한다. 향후 연구에서는 이러한 추가적인 요인들을 포함하여 모델의 예측 성능을 더욱 향상시킬 수 있는 방안을 모색할 필요가 있다. 본 연구 결과는 서울과 같은 도심지의 지반침하 위험 관리를 위한 사전 평가 자료로 활용될 것으로 판단된다.