Post-Wildfire Debris-Flow Likelihood Assessment for Expressway-Adjacent Watersheds in South Korea Using the USGS M1 Model

Suho Cho; Han-Saem Kim; Bumsik Hwang; Teawan Bang; Wanjei Cho

doi:10.7843/kgs.2026.42.3.143

Preview

Journal of the Korean Geotechnical Society. 30 June 2026. 143-157
https://doi.org/10.7843/kgs.2026.42.3.143

Post-Wildfire Debris-Flow Likelihood Assessment for Expressway-Adjacent Watersheds in South Korea Using the USGS M1 Model

USGS M1 모델 기반 산불 이후 고속도로 인접 유역의 토석류 발생가능성 평가

Suho Cho¹

Han-Saem Kim²^*

Bumsik Hwang³

Teawan Bang⁴

Wanjei Cho⁵

조 수호¹

김 한샘²^*

황 범식³

방 태완⁴

조 완제⁵

¹Member, M.S. Student, Dept. of Civil and Enviromental Engineering, Dongguk Univ.

²Member, Assistant Prof., Dept. of Civil and Environmental Engineering, Dongguk Univ.

³Member, Senior Researcher, Korea Expressway Corporation Research Institute, Korea Expressway Corporation

⁴Member, Graduate Student, Dept. of Civil and Environment Engineering, Dankook Univ.

⁵Member, Prof., Dept. of Civil and Environmental Engineering, Dankook Univ.

¹정회원, 동국대학교 건설환경공학과 석사과정

²정회원, 동국대학교 건설환경공학과 조교수

³정회원, 한국도로공사 책임연구원

⁴정회원, 단국대학교 토목환경공학과 석박사통합과정

⁵정회원, 단국대학교 토목환경공학과 교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Post-wildfire debris flows can occur rapidly during short-duration rainfall events because wildfires alter vegetative cover, soil properties, and surface runoff processes. However, conventional debris-flow risk-assessments for Korean expressways have primarily focused on topographic and structural vulnerability factors without explicitly considering wildfire-induced changes in the debris-flow likelihood assessment. Therefore, this study examines the preliminary applicability of the U.S. Geological Survey M1 post-wildfire debris-flow likelihood model to a wildfire-affected watershed adjacent to an expressway in South Korea. The model was implemented using a satellite-derived difference normalized burn ratio, a digital elevation model, rainfall data from a nearby automatic weather station, and information on soil erosion. The calculated likelihood based on the M1 model exceeded 80% for the investigated watershed under the selected post-wildfire rainfall conditions. Additionally, based on the existing expressway debris-flow assessment, the site was classified as grade C. The estimated debris-flow volume was <1,000 m³, which corresponds to a moderate volume class in the USGS framework. These results indicate that the M1 model provides useful supplementary information for screening post-wildfire debris-flow-prone watersheds. However, further validation and regional calibration are required for Korean geomorphological, hydrological, and soil conditions.

Keywords

Debris-flow likelihood assessment

Expressway

Post-wildfire debris flow

Remote sensing

USGS M1 model

산불 이후 토석류는 식생 소실, 토양 표면 특성 변화, 지표유출 증가로 인해 단시간 강우 조건에서도 급격히 발생할 수 있다. 그러나 국내 고속도로 토석류 위험도 평가체계는 주로 지형 조건, 대책시설, 퇴적 및 도로 피해 가능성에 기반하고 있어 산불로 인한 토석류 발생가능성 증가를 명시적으로 반영하는 데 한계가 있다. 본 연구에서는 미국 지질조사국(USGS)의 산불 후 토석류 발생확률 예측모델인 M1 모델을 국내 산불 피해 고속도로 인접 유역에 시범 적용하고, 국내 적용 가능성을 예비적으로 검토하였다. 입력자료로는 위성영상 기반 dNBR, 수치표고모델, 인근 AWS 강우자료, 토양침식인자를 활용하였다. 분석 결과, 대상 유역의 M1 기반 토석류 발생확률은 선정된 산불 후 강우 조건에서 80% 이상으로 산정되었으며, 기존 고속도로 토석류 위험도 평가 결과는 C등급으로 나타났다. 또한 USGS 토석류량 예측모델에 따른 추정 토석류량은 1,000 m³ 이하로 산정되어 중간 수준의 규모 등급에 해당하였다. 본 연구 결과는 M1 모델이 산불 이후 토석류 취약 유역의 신속한 선별을 위한 보조 지표로 활용될 수 있음을 시사한다. 다만 국내 지형, 강우, 토양 및 산불 피해 특성을 반영한 추가 검증과 지역화 보정이 필요하다.

MAIN

1. 서 론
2. USGS 산불 후 토석류 평가체
2.1 M1 토석류 발생가능성 예측모델
2.2 토석류량 예측모델
3. 산불 이후 토석류 영향인자
3.1 정규화된 산불 피해 비율(Normalized Burn Ratio, NBR)
3.2 토양 침식인자
4. 국내 산불 피해 고속도로 유역에 대한 M1 모델 시범 적용
4.1 위성영상 기반 산불 피해영역 결정
4.2 M1 기반 토석류 발생가능성 및 토석류량 평가
4.3 산불 이후 토석류 위험도 평가 체계 제안
5. 결 론

1. 서 론

토석류 위험도 평가는 토석류의 발생가능성, 이동 및 퇴적 특성, 그리고 하류부 피해대상과의 공간적 관계를 종합적으로 고려하는 과정이다. 특히 고속도로 인접 산지 유역에서 발생하는 토석류는 배수시설 폐색, 도로 매몰, 교통 차단 및 인명 피해로 이어질 수 있으므로, 도로시설물 피해 관점의 체계적 위험도 평가가 요구된다. 국내 고속도로 토석류 위험도 평가는 이러한 실무적 필요성을 반영하여 재해점수와 취약점수로 구분되어 운영되고 있다. 재해점수는 토석류의 발생 및 이동 가능성과 관련된 지형적 특성을 중심으로 평가되며, 취약점수는 대책시설, 퇴적 가능성, 배수조건 및 도로 피해 가능성 등을 반영한다. 각각의 평가항목은 상위 평가항목으로 합산되는 과정을 거쳐 Fig. 1(b)에 제시된 바와 같이 6개 등급으로 구분된다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F1.jpg

Fig. 1

Debris-flow risk assessment system for expressways in South Korea: (a) assessment framework; (b) combined risk level based on hazard and vulnerability scores

산불 후 토석류는 짧은 시간 안에 돌발적으로 발생하며, 이때 유출되는 토사는 높은 유속으로 인해 하류 지역의 인명, 주거지, 도로 및 기반시설에 심각한 피해를 유발할 수 있다. 특히 미국 남부 캘리포니아는 산불이 빈번하게 발생하는 기후·식생 조건과 급경사의 산악 지형이 결합된 지역으로, 산불 이후 강우에 의한 토석류 피해가 반복적으로 보고되어 왔다. 2003년 남부 캘리포니아에서는 Old Fire, Padua Fire, Grand Prix Fire 등 대형 산불이 발생하였으며, 이들 산불은 각각 약 368 km², 65 km², 279 km²의 피해를 발생시켜 총 약 712 km² 규모의 산림을 파괴하였다. 이후 2003년 12월 24–25일 발생한 폭우는 산불 피해 지역에서 토석류를 유발하였고, 이로 인해 16명이 사망하였으며 막대한 재산 피해가 발생하였다(Cannon et al., 2010). 이러한 사례는 산불 후 토석류가 단순한 국지적 침식 문제가 아니라, 강우와 결합할 경우 인명 피해로 이어질 수 있는 주요 산지재해임을 보여준다.

이와 같은 피해를 계기로 미국에서는 산불 후 토석류 발생을 정량적으로 예측하고 신속하게 대응하기 위한 연구가 시작되었다. USGS는 California Geological Survey 등 유관 기관과 협력하여 남부 캘리포니아 및 미국 서부 산불 피해지역을 대상으로 토석류 발생자료, 강우자료, 유역 지형자료 등을 구축하였다(U.S. Geological Survey, 2005). 이러한 자료는 산불 후 토석류의 발생 위치, 발생확률 및 규모를 추정하기 위한 경험적 모델 개발의 기반이 되었다. 초기 산불 후 토석류 위험도 평가는 산불이 발생하지 않은 유역에 대한 지역적 경험, 현장별 사례 연구, 토사량을 이용한 홍수 가능성 평가 등에 의존하는 경우가 많았으나, 이후 관측자료 기반의 예측 모델을 통해 산불 후 토석류 위험을 정량화하려는 연구가 본격화되었다(Rupert et al., 2008 Rupert et al., 2008; Cannon et al., 2010).

Cannon et al.(2010)은 미국 Intermountain West의 15개 산불 지역과 388개 유역 자료를 이용하여, 산불 후 토석류 발생확률과 체적을 예측하는 GIS 기반 경험적 모델을 개발하였다. 해당 연구는 토석류 발생확률을 로지스틱 회귀모형으로 산정하고, 토석류 체적은 다중선형회귀모형으로 추정하였다. 주요 설명변수로는 유역의 소실 면적, NBR(normalized burn ratio), 유역 경사, 토양침식인자, 강우강도 등이 활용되었다. 이 연구는 산불 직후 정량적으로 수집 가능한 공간자료와 강우자료를 이용하여 토석류 발생 확률과 발생량을 구분하여 평가하는 방안을 제안하였다는 점에서 USGS 산불 후 토석류 예측모델의 중요한 기반을 제공하였다.

이후 USGS의 연구는 산불 후 토석류의 공간적 발생 가능성뿐만 아니라, 토석류를 유발하는 강우 조건을 정량화하는 방향으로 확장되었다. Staley et al.(2013)은 남부 캘리포니아의 Santiago Fire와 Station Fire 이후 관측된 토석류 발생 및 미발생 강우자료를 이용하여, 산불 후 토석류 발생을 예측하기 위한 강우강도–지속시간 임계값을 객관적으로 산정하였다. 이 연구는 기존의 주관적 임계값 설정 방식 대신 ROC 분석과 Threat Score를 적용하여 예측 성공률, 오경보 및 미경보를 함께 고려하는 방법을 제안하였다. 특히 산불 후 토석류 발생에는 장시간 누적강우보다 30분 이하의 단시간 강우강도가 더 높은 예측력을 보였으며, 이는 산불 피해 유역에서 단시간 고강도 강우에 의한 지표유출과 토사 포집 과정이 중요함을 시사한다(Staley et al., 2013).

Staley et al.(2016)은 기존 USGS 로지스틱 회귀모델의 한계를 보완하여, 산불 후 토석류 발생가능성을 계산하기 위한 갱신된 M1 모델을 제안하였다. 기존 모델은 강우 변수가 유역 지형, 화재심도, 토양 특성과 독립적으로 결합되어 강우가 없는 조건에서도 토석류 발생확률이 0보다 크게 계산될 수 있다는 한계가 있었다. 이에 Staley et al.(2016)은 강우 누적량을 지형, dNBR(difference normalized burn ratio), 토양침식인자와 곱셈 형태로 결합하여 보다 현실적인 강우와 토석류 발생의 관계를 반영하였다. 이 모델은 산불 피해 유역을 대상으로 산불 직후 토석류 발생가능성을 신속하게 평가하는 데 활용될 수 있다.

한편 기존 고속도로 토석류 위험도 평가체계는 주로 지형 조건, 대책시설, 배수조건 및 도로 피해 가능성에 기반하고 있어, 산불 이후 유역 조건 변화에 따른 토석류 발생가능성 증가를 명시적으로 반영하는 데 한계가 있다. 산불은 식생과 낙엽층을 제거하여 지표면 보호기능을 약화시키고, 화재심도에 따라 토양 표면 특성, 침투능, 지표유출 및 침식 저항성을 변화시킬 수 있다. 이로 인해 산불 피해 유역에서는 강우 시 지표유출과 토사 유출이 증가하고, 하도 내 토사 포집 및 이동 가능성이 커질 수 있다.

우리나라에서도 최근 대형 산불의 빈도와 규모가 증가하면서 산불 후 토석류 위험에 대한 체계적 평가의 필요성이 커지고 있다. 2025년 국내 봄철 산불 피해면적은 약 104,788 ha, 즉 약 1,047 km²로 보고되었으며, 이는 앞서 언급한 2003년 남부 캘리포니아 Old Fire, Padua Fire, Grand Prix Fire의 합산 피해면적 약 712 km²보다 큰 규모이다. 미국에서는 이보다 작은 규모의 산불 피해 이후에도 강우로 인한 토석류 인명피해를 계기로 기관 간 협력, 관측자료 구축, 강우 임계값 산정 및 예측모델 개발이 체계적으로 추진되었다. 반면 국내에서는 대형 산불 이후 고속도로 인접 산지 유역에서 토석류 발생가능성을 정량적으로 평가하고, 기존 토석류 위험도 평가체계와 연계하기 위한 자료 기반 평가체계가 아직 충분히 구축되지 못한 실정이다.

따라서 국내에서도 산불 피해지역을 대상으로 강우 발생 시 토석류 발생가능성이 높은 유역을 신속하게 선별하고, 기존 고속도로 토석류 위험도 평가체계를 보완할 수 있는 평가 방법이 필요하다. 특히 국내 산림유역은 미국 서부 지역과 지형, 토양, 강우 및 식생 조건이 다르므로, 해외 산불 후 토석류 예측모델을 단순히 도입하기보다는 국내 조건에서의 적용 가능성과 한계를 함께 검토해야 한다. 이에 본 연구에서는 USGS M1 산불 후 토석류 발생가능성 예측모델을 국내 산불 피해 고속도로 인접 유역에 시범 적용하고, 기존 고속도로 토석류 위험도 평가체계가 반영하지 못하는 산불 후 발생가능성 증가 요인을 보완하기 위한 평가 방향을 제시하고자 한다. 또한 본 연구의 M1 모델 적용 결과는 기존 고속도로 토석류 위험도 평가체계를 대체하기 위한 것이 아니라, 산불 이후 변화한 유역 조건을 반영하는 보완 지표로 활용될 수 있다는 점에서 의의가 있다.

2. USGS 산불 후 토석류 평가체

미국 지질조사국(United States Geological Survey, USGS)의 산불 후 토석류 평가체계는 산불 피해 유역을 대상으로 특정 강우 조건에서의 토석류 발생가능성(likelihood)과 잠재 토석류량(volume)을 산정하고, 두 결과를 결합하여 결합 재해등급(combined hazard ranking)을 제시하는 평가체계이다. 이 체계는 산불 발생 직후에 취득 가능한 지형, 화재심도, 토양 및 강우 자료를 이용하여 토석류 발생 우려가 높은 유역을 신속하게 선별하는 데 목적이 있다.

산불 후 토석류 평가는 발생가능성과 잠재 토석류량을 구분하여 해석할 필요가 있다. 토석류 발생가능성이 높더라도 잠재 토석류량이 작으면 하류부 피해 가능성은 제한될 수 있으며, 반대로 발생가능성이 상대적으로 낮더라도 잠재 토석류량이 큰 유역은 관리상 중요한 위험 유역이 될 수 있다. 따라서 USGS 평가체계는 토석류 발생가능성 예측모델과 토석류량 예측모델을 함께 사용하고, 두 결과를 결합하여 산불 피해 유역의 재해등급을 산정한다.

Fig. 2는 USGS 산불 후 토석류 평가체계의 결과 표출 사례와 발생가능성–토석류량 결합등급 산정 방식을 나타낸다. USGS 평가체계는 산불 피해 유역별로 강우 조건에 따른 토석류 발생가능성, 잠재 토석류량 및 결합 재해등급을 제공한다. 다만 이 결과는 토석류의 발생가능성과 잠재 규모를 평가하는 것이며, 토석류의 이동경로, 범람범위, 도로시설물 손상 또는 인명피해를 직접 산정하는 것은 아니다. 따라서 본 연구에서는 USGS 평가 결과를 기존 고속도로 토석류 위험도 평가체계를 대체하는 값이 아니라, 산불 이후 증가할 수 있는 토석류 발생가능성을 보완적으로 평가하기 위한 지표로 해석하였다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F2.jpg

Fig. 2

USGS post-fire debris-flow hazard assessment system: (a) post-fire debris-flow hazard assessment dashboard; (b) example of detailed assessment results for an individual wildfire; and (c) combined hazard ranking based on debris-flow likelihood and potential volume. Source: USGS Landslide Hazards Program, accessed in 2026

2.1 M1 토석류 발생가능성 예측모델

M1 모델은 산불 피해 유역에서 특정 지속시간의 누적강우량에 대한 토석류 발생가능성을 산정하기 위한 로지스틱 회귀모델이다. 모델 출력값 P는 0에서 1 사이의 값을 가지며, 특정 강우 조건에서 토석류가 발생할 가능성을 의미한다. 따라서 본 연구에서 산정한 M1 결과는 토석류 위험도 전체가 아니라 산불 후 토석류 발생가능성으로 해석하였다. M1 모델의 기본식은 다음과 같다(식 (1), >(2)).

(1)

P = \frac{e^{x}}{1 + e^{x}}

(2)

x = β + C_{1} X_{1} + C_{2} X_{2} + \dots + C_{n} X_{n}

여기서, P는 토석류 발생가능성, x는 로지스틱 회귀식의 선형 예측변수, β는 절편, C₁, C₂, C₃은 경험적으로 도출된 회귀계수이며, X₁, X₂, X₃는 각각 지형, 화재심도 및 토양 특성을 반영하는 설명변수이다. M1 모델은 토석류 발생과 미발생을 이진 분류하는 로지스틱 회귀 구조를 가지며, 특정 지속시간의 누적강우량 조건에서 산불 피해 유역의 토석류 발생가능성을 확률값으로 산정한다.

Staley et al.(2017)은 기존 산불 후 토석류 예측모델의 한계를 보완하기 위해 지형, 화재심도 및 토양 특성 변수를 누적강우량과 곱셈 형태로 결합한 갱신식을 제안하였다. 기존 모델에서는 강우 변수가 다른 유역 특성과 독립적으로 결합되어 강우가 없는 조건에서도 토석류 발생가능성이 0보다 크게 계산될 수 있는 한계가 있었다. 이에 갱신된 모델에서는 각 영향인자를 누적강우량과 결합함으로써, 강우 조건과 토석류 발생가능성 사이의 관계를 보다 직접적으로 반영하였다. 본 연구에서 사용한 M1 모델의 확장식은 다음과 같이 표현할 수 있다(식 (3)).

(3)

x = β + C_{1} X_{1} R + C_{2} X_{2} R + C_{3} X_{3} R

R은 누적 강우량이며, X₁, X₂, X₃는 토석류 발생의 영향인자로 조건에 따라 M1, M2, M3, M4로 4가지 모델이 개발되었다. 각 모델은 15분, 30분, 60분으로 누적 강우량의 시간에 따라 세분된다. 이중 M1 15분 누적강우량 모델은 다른 3가지 로지스틱 회귀 모델과 비교하였을 때 강우강도-강우 지속시간과 비교하였을 때 훈련 및 테스트 데이터 데이터 세트에서 모두 높은 정확도를 보였다(Staley et al., 2017). 이 모델은 식생의 회복에 따라 산불 발생 이후 2년까지 적용 가능하다.

제안된 최종 예측 모델은 지형 경사를 나타내는 4가지 파라미터를 사용하였다. 첫째, 전체 상부 사면 영역 중 경사도 23° 이상이면서 고도(high) 또는 중등도(Moderate) 화재 심도로 연소된 영역의 비율(M1), 둘째, 고도(high) 또는 중등도(Moderate) 화재 심도로 연소된 상부 사면 영역의 평균 경사도(sinθ) (M2), 셋째, 상부 사면 영역의 기복량을 전체 상부 사면 면적(m²)으로 나눈 지형 기복도(M3), 마지막으로 경사도 ≥30°인 상류 경사면 중 소실된 면적의 비율(M4)이다. 토석류 발생확률 모델은 산불 피해 정도와 토석류 발생에 유의미한 영향을 미치는 지수도 dNBR을 사용한다. dNBR은 산불 피해 정도를 나타내는 인자로 위성영상의 파장 변화를 이용하여 산불 피해 정도를 정량화하는 지표로, 산불 피해를 분류하거나 특성을 추출하는 기초자료로 활용된다(Key and Benson, 2006; Eidenshink et al., 2007).

산불 이후 토석류 발생에 가장 큰 영향을 미치는 토양 특성 지표는 크게 두 가지를 사용한다. 첫째는 토양 침식인자(Soil Erobility factor)인 KF-Factor이며(M1, M2), 둘째는 토층 두께를 100으로 나눈 값이다(M3, M4). KF-Factor는 토양 내 세립분이 얼마나 쉽게 침식되는지를 나타내는 지수로 값이 클수록 침식 가능성이 높음을 의미한다(Staley et al., 2017). 구체적인 인자는 다음과 같다(Table 1).

Table 1.

Variables and coefficients of the USGS M1 post-fire debris-flow likelihood model (Staley et al., 2017)

Duration	β	C₁	C₂	C₃	X₁	X₂	X₃	R
15 min	-3.63	0.41	0.67	0.70	Proportion of catchment area with both moderate/high burn severity and slope ≥23°	Mean dNBR/1000	Mean KF-factor	Rainfall accumulation over each duration
30 min	-3.61	0.26	0.39	0.50	Same as above	Same as above	Same as above	Same as above
60 min	-3.21	0.17	0.20	0.22	Same as above	Same as above	Same as above	Same as above

Note: X₁, X₂, and X₃ represent the topographic, burn-severity, and soil-property variables, respectively. In the M1 model calculation, these variables are multiplied by the rainfall accumulation R for the corresponding duration to obtain X1R, X₂R, and X₃R.

Table 2.

Threat score of USGS logistic models and rainfall intensity-duration threshold model for test data (Staley et al., 2017)

Duration (mim)	M1	M2	M3	M4	Rainfall intensity-duration threshold
15	0.39	0.38	0.37	0.36	0.41
30	0.34	0.34	0.34	0.33	0.35
60	0.27	0.27	0.24	0.25	0.25

Note: Threat Score (TS) is a performance metric that accounts for true positives, false negatives, and false positives. The summarized test-data results indicate that the M1 model shows comparable and relatively stable predictive performance among the USGS logistic models, while requiring input variables that can be derived from DEM, dNBR, soil erodibility, and rainfall accumulation data.

USGS는 미국 전역의 산불 피해 지역에 대해 일관된 지표 산정이 가능하도록 Staley et al.(2016)이 활용한 국가 단위의 지형 공간 데이터 소스를 준용하였다. 지형학적 변수 계산을 위한 10 m 해상도의 수치표고모델(DEM)은 U.S. Geological Survey(2015) 자료를 사용하였으며, 토양 특성은 USGS STATSGO 데이터베이스를 사용하였다(Schwarz and Alexander, 1995). 산불 피해 정보는 dNBR 기반의 BARC(Burned Area Reflectance Classification) 영상을 현장 검증하여 제작된 BAER(Burned Area Emergency Response) 팀의 데이터를 활용하였다(Staley et al., 2016).여기서 R은 지속시간별 누적강우량(mm)이며, X₁R, X₂R, X₃R은 각각 지형, 화재심도 및 토양 특성 변수에 누적강우량을 곱한 결합변수이다. 즉, X₁R은 지형 조건과 누적강우량의 결합효과, X₂R은 산불 피해 정도와 누적강우량의 결합효과, X₃R은 토양침식 특성과 누적강우량의 결합효과를 의미한다. 따라서 식 (3)은 강우가 증가할수록 유역의 지형적 취약성, 화재심도 및 토양침식성이 토석류 발생가능성에 미치는 영향이 함께 증가하도록 구성된 경험식이다.

Staley et al.(2017)은 지형, 화재심도 및 토양 특성 변수를 서로 다르게 조합하여 M1, M2, M3, M4의 4개 로지스틱 회귀모델을 제안하였다. 각 모델은 동일한 로지스틱 회귀 구조를 가지지만, X₁, X₂, X₃의 정의가 서로 다르며, 15분, 30분 및 60분 누적강우량 조건에 대해 각각 다른 회귀계수를 사용한다. 본 연구에서는 국내에서 비교적 안정적으로 취득 가능한 DEM, 위성영상 기반 dNBR, 토양침식인자 및 강우자료를 이용할 수 있는 M1 모델을 적용 대상으로 선정하였다.

M1 모델에서 X₁은 전체 유역면적 중 경사도 23° 이상이면서 중등도 또는 고도 화재심도에 해당하는 면적의 비율로 정의된다. X₂는 유역 평균 dNBR을 1000으로 나눈 값이며, 이는 dNBR이 10³ 배율로 스케일된 값으로 입력되는 경우에 해당한다. 본 연구에서는 산정된 dNBR의 스케일을 USGS 모델 입력체계와 일치시킨 후 X₂를 계산하였다. X₃는 유역 평균 KF-factor이다. 이를 정리하면 다음과 같다(식 (4), (5), (6)).

(4)

X_{1} = A_{M H, s l o p e \geq 23 °} / A_{c a t c h m e n t}

(5)

X_{2} = m e a n (d N B R) / 1000

(6)

X_{3} = m e a n (K F)

여기서, A_{MH,slope≥23°}는 중등도 또는 고도 화재심도에 해당하면서 경사도 23° 이상인 유역 면적, A_catchment는 전체 유역면적, mean(dNBR)은 유역 평균 dNBR, mean(KF)는 유역 평균 토양침식인자를 의미한다. dNBR은 산불 전후 위성영상의 반사도 변화를 이용하여 산불 피해 정도를 정량화하는 지표로, 산불 피해지역의 화재심도 분류와 공간적 피해 특성 분석에 활용된다. KF-factor는 토양의 침식 취약성을 나타내는 지표로, 값이 클수록 강우 및 지표유출에 의해 토양 입자가 침식될 가능성이 높음을 의미한다.

Table 1은 본 연구에서 적용한 M1 모델의 지속시간별 회귀계수와 입력변수를 나타낸다. M1 모델은 동일한 지형, 화재심도 및 토양 변수를 사용하되, 15분, 30분 및 60분 누적강우량 조건에 따라 서로 다른 회귀계수를 적용한다. 따라서 지속시간별 발생가능성은 단순 평균값이 아니라 각 강우 지속시간 조건에서 독립적으로 해석되어야 한다. USGS M1 모델은 산불 피해지역에 대해 일관된 지표 산정이 가능하도록 국가 단위의 지형공간자료를 기반으로 개발되었다. 원모델에서는 지형학적 변수 계산을 위해 수치표고모델을 사용하였으며, 토양 특성은 STATSGO 기반 KF-factor를 활용하였다. 또한 화재심도는 dNBR 기반 BARC(Burned Area Reflectance Classification) 자료와 BAER(Burned Area Emergency Response) 현장 검증 자료를 이용하여 구축되었다. 본 연구에서는 국내에서 가용한 DEM, 위성영상 기반 dNBR, 토양침식인자 및 AWS 강우자료를 이용하여 M1 모델의 입력변수를 구성하였다.

Staley et al.(2017)의 모델 비교 결과, M1 모델은 상대적으로 간명한 입력변수 체계를 가지면서도 산불 후 토석류 발생가능성을 합리적으로 예측할 수 있는 모델로 제시되었다. 특히 M1 모델은 산불 직후 취득 가능한 DEM, dNBR, 토양침식인자 및 누적강우량 자료를 이용하여 계산할 수 있으므로, 국내 산불 피해 유역에 대한 시범 적용에 적합한 모델로 판단하였다. 다만 M1 모델은 미국 서부 산불 피해 유역 자료를 기반으로 개발된 경험모델이므로, 국내 적용 결과는 기존 고속도로 토석류 위험도 평가를 대체하는 값이 아니라 산불 이후 증가하는 토석류 발생가능성을 보완적으로 평가하기 위한 지표로 해석하였다.

2.2 토석류량 예측모델

USGS 토석류량 예측모델은 산불 피해 유역에서 특정 강우 조건에 의해 유출될 수 있는 잠재 토석류량 또는 토사유출량을 추정하기 위한 다중회귀 기반 경험모델이다. Gartner et al.(2014)은 남부 캘리포니아 Transverse Ranges의 산불 피해 유역에서 관측된 토석류 및 토사유출 자료를 바탕으로 장기모델(long-term model)과 긴급평가모델(emergency assessment model)을 제안하였다. 장기모델은 산불 이후 경과시간에 제한을 두지 않고 토석류 및 토사유출에 의해 유역 출구부에 퇴적될 수 있는 토사량을 예측하기 위한 모델이며, 긴급평가모델은 산불 발생 이후 2년 이내의 토석류량 예측을 목적으로 개발된 모델이다. 본 연구의 대상은 산불 발생 이후 비교적 짧은 기간 내의 토석류 발생가능성 평가와 연계되므로, 토석류량 산정에는 긴급평가모델을 우선적으로 고려하였다.

긴급평가모델은 산불 후 2년 이내에 발생한 토석류 퇴적량 자료를 기반으로 개발되었으며, 15분 최대강우강도, 중등도 또는 고도 화재심도로 연소된 유역 면적, 유역 기복량을 주요 입력변수로 사용한다. 토석류량은 발생 여부와 달리 이진 분류 대상이 아니므로, Gartner et al.(2014)은 토석류량의 로그 변환값을 종속변수로 하는 다중선형회귀분석을 적용하였다. 긴급평가모델은 다음과 같이 표현된다(식 (7), (8)).

(7)

Ln (V) = 4.22 + 0.39 \times \sqrt{i 15} + 0.36 \times \ln B m h + 0.13 \times \sqrt{R}

(8)

V = \exp [\ln (V)]

여기서, V는 잠재 토석류량 또는 토사유출량(m³), I15는 15분 최대강우강도(mm/h), Bmh는 유역 내 중등도 또는 고도 화재심도로 연소된 면적(km2), R은 유역 기복량(m)을 의미한다. 이때 2.1절의 M1 모델에서 사용한 R은 지속시간별 누적강우량을 의미하지만, 식 (7)의 R은 유역 기복량을 의미하므로 두 변수의 물리적 의미를 구분하여 해석해야 한다.

장기모델은 산불 이후 경과시간을 고려하여 토석류 및 토사유출에 의해 퇴적될 수 있는 장기적 토사량을 추정하기 위한 모델이다. 이 모델은 60분 최대강우강도, 최근 산불로 연소된 총 유역 면적, 산불 이후 경과시간, 전체 유역면적 및 유역 기복량을 입력변수로 사용하며, 다음과 같이 표현된다(식 (9), 식 (10)).

(9)

\ln (V) = 6.07 + 0.71 \ln (I 60) + 0.22 \ln (B t) - 0.24 \ln (T) + 0.49 \ln (A) + 0.03 \sqrt{R}

(10)

V = e x p [\ln (V)]

여기서, V는 잠재 토석류량 또는 토사유출량(m³), I60은 60분 최대강우강도(mm/h), Bt는 최근 산불로 연소된 총 유역 면적(km²), T는 산불 이후 경과시간(year), A는 전체 유역면적(km²), R은 유역 기복량(m)을 의미한다. 장기모델은 산불 이후 시간 경과에 따른 토사 유출 특성의 변화를 반영할 수 있다는 장점이 있으나, 본 연구에서는 산불 직후 고속도로 인접 유역의 토석류 발생가능성 평가를 중심으로 하므로 긴급평가모델의 해석에 초점을 두었다.

토석류량 예측모델은 산불 피해 유역의 잠재 규모를 정량적으로 추정할 수 있다는 장점이 있으나, 모델 개발에 사용된 자료가 남부 캘리포니아 Transverse Ranges의 지형, 지질, 식생, 강우 및 산불 특성을 반영하고 있다는 점에 유의해야 한다. 국내 산림유역은 미국 서부 산불 피해지역과 토층 발달, 풍화특성, 강우 양상, 식생 조건 및 하도 특성이 다를 수 있으므로, 해당 모델을 국내 유역에 직접 적용할 경우 불확실성이 존재한다. 따라서 국내 적용을 위해서는 다수의 산불 피해 유역에서 관측된 토석류량 또는 퇴적량 자료를 이용한 검증과 지역화 보정이 필요하다.

본 연구에서는 토석류량 예측모델을 국내 조건에서 검증된 독립적인 정량모델로 사용하기보다, M1 모델로 산정한 토석류 발생가능성과 함께 대상 유역의 잠재 토석류 규모를 정성적으로 해석하기 위한 보조 지표로 활용하였다. 즉, 산불 후 토석류 평가는 발생가능성과 잠재 토석류량을 함께 고려해야 하며, 본 연구에서의 토석류량 산정 결과는 기존 고속도로 토석류 위험도 평가체계를 대체하는 값이 아니라 산불 이후 유역의 위험 특성을 보완적으로 이해하기 위한 참고 지표로 해석하였다.

3. 산불 이후 토석류 영향인자

3.1 정규화된 산불 피해 비율(Normalized Burn Ratio, NBR)

산불 피해를 평가하기 위해서는 산불에 영향을 받는 요인들은 명확히 정의할 필요가 있다. 원격탐사 기술이 발전하기 이전 산불은 유기물의 양으로 간접 추정되었으며, 식생의 회복을 관점으로 연구되었다. 대표적인 평가 지수로 종합 산불 지수(composite burn index, CBI)가 있다(Key and Benson, 2006). 하지만, 이는 하나의 지수에 식생과 유기물 회복 많은 요소를 반영하여 혼용이 생겼고 이를 명확히 구분할 필요가 있었다. Keeley(2009)는 유기물 회복과 식생의 회복을 산불 피해와 구분하여 “화재강도”와 “화재심도”를 재정의하였다. 화재강도(fire intensity)는 연소 과정에서 유기물로부터 방출되는 에너지의 크기를 의미하며, 화재가 활성화되어 있는 동안의 물리적 강도를 나타낸다(Keeley, 2009). 이와 달리 화재심도(burn severity)는 화재강도가 연소 지역의 생태계 구조와 기능에 미친 영향을 설명하는 개념으로, 산불 이후 해당 지역의 변화 정도를 나타낸다. 화재심도의 영향은 동일한 피해지역 내에서도 공간적으로 불균질하게 나타날 수 있으며, 생태계 유형에 따라서도 그 정도가 다르게 관찰될 수 있다(Keeley, 2009). 따라서 화재강도는 산불 발생 중의 연소 특성을 나타내는 개념인 반면, 화재심도는 산불 이후 지표, 식생, 토양 및 생태계 기능의 변화 정도를 평가하는 지표로 구분된다(Fig. 3).

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F3.jpg

Fig. 3

Illustrates the effect of fire intesity on above-ground vegetation and below-ground soil properties Graphic modified by Mike Hankinson, National Park Service (Parsons et al., 2010)

정규화된 산불 피해 비율(Normalized Burn Ratio, NBR)은 Sentinel-2와 같은 위성영상의 파장을 분석하여 광역적 지역에 일관된 정량적 평가를 가능하게 한다. NIR은 단파장으로 초록색 파장의 차이로 계산된다. 식생의 정도에 따라 변화하는 지수로 식생지수를 계산하는데 활용되는 지표이다. 이 지표는 화재 강도를 측정할 수 있는 파장으로 산불 이후 식생의 변화를 감지하는데 적합하다. SWIR은 장파장으로 유기물의 연소 정도를 나타낸다. 유기물은 토양침식인자를 산출하는데 사용되는 지표로 유기물 함량이 높을수록 토석류의 발생 가능성은 낮아진다. 산불로 인해 연소된 유기물의 차이를 장파장의 변화로 측정할 수 있다(Fig. 4).

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F4.jpg

Fig. 4

Spectral response characteristics of healthy vegetation and burned areas in NIR and SWIR bands. Source: U.S. Forest Service

이렇게 산불의 연소 특성과 유기물의 연소 정도의 차이를 정량적으로 정규화한 지표가 바로 정규화된 산불 피해 비율(NBR)이다(식 (11)). 산불 발생 전과 후의 NBR 차이를 통해 산불 피해 정도를 정량적으로 측정할 수 있다(식 (12)). USGS는 산불의 심각도를 7가지 등급으로 구분하여 관리한다(Table 3).

(11)

N B R = \frac{N I R - S W I R}{N I R + S W I R}

(12)

d N B R = N B R_{P r e f i r e} - N B R_{P o s t f i r e}

Table 3.

Burn severity levels obtained calculating dNBR source: USGS, 2026

Severity Level	dNBR Range (Scaled by 10³)	dNBR Range (not scaled)
Enhanced Regrowth, high (post-fire)	-500 to -251	-0.500 to -0.251
Enhanced Regrowth, low (post-fire)	-250 to -101	-0.250 to -0.101
Unburned	-100 to +99	-0.100 to +0.99
Low Severity	+100 to +269	+0.100 to +0.269
Moderate-low Severity	+270 to +439	+0.270 to +0.439
Moderate-high Severity	+440 to +659	+0.440 to +0.659
High Severity	+660 to +1300	+0.660 to +1.300

여기서, NIR은 근적외선 밴드의 반사도, SWIR은 단파장 적외선 밴드의 반사도, NBRprefire는 산불 발생 전 NBR, NBRpostfire는 산불 발생 후 NBR을 의미한다. dNBR 값이 클수록 산불 전후 지표 변화가 크게 발생한 것으로 해석되며, 일반적으로 높은 dNBR 값은 높은 화재심도와 관련된다. 반대로 음의 dNBR 값은 산불 이후 식생 회복 또는 계절적 식생 변화의 영향을 반영할 수 있다. 본 연구에서는 산불 전후 위성영상으로부터 NBR을 각각 산정하고, 두 시점의 차이를 이용하여 dNBR을 계산하였다. 산정된 dNBR은 산불 피해지역의 화재심도 분류와 M1 모델의 화재심도 변수 산정에 활용하였다. 특히 M1 모델에서는 유역 평균 dNBR을 10³ 배율로 스케일한 후 1000으로 나눈 값을 화재심도 변수로 사용하므로, 본 연구에서도 dNBR 입력값의 스케일을 USGS 모델 체계와 일치시켜 적용하였다.

3.2 토양 침식인자

토양침식인자(soil erodibility factor, K-factor)는 강우 및 지표유출에 의해 토양 입자가 침식되기 쉬운 정도를 나타내는 지표이다. USGS M1 모델에서는 토양 특성을 반영하는 입력변수로 Soil KF-factor가 사용되며, 이는 산불 후 강우 조건에서 토사가 유출될 가능성을 설명하는 주요 인자 중 하나이다. 일반적으로 K-factor는 표토의 입도분포, 유기물 함량, 토양 구조, 투수성 및 자갈 함량 등의 영향을 받으며, 값이 클수록 동일한 강우 및 지형 조건에서 토양이 침식될 가능성이 높음을 의미한다.

토양침식인자는 Universal Soil Loss Equation(USLE)의 토양특성 인자로 널리 사용되어 왔다. USLE는 연평균 토양유실량을 강우침식도, 토양침식성, 지형, 식생피복 및 보전관리 인자의 곱으로 산정하는 경험식이며, 다음과 같이 표현된다(식 (13)).

(13)

A = R ∙ K ∙ L S ∙ C ∙ P

여기서, A는 연평균 토양 유실량(tons/acre ; metric tons/ha), R는 강우침식도(100ft tons / acre inch/hr ; 10⁷ J/ha mm/hr), K는 토양침식인자(=A/R, tons/acre/R ; metric tons/ha/R), LS는 경사인자(무차원), C는 식생피복인자(무차원), P는 보전관리인자(무차원)이다.

토양침식인자 K는 강우 및 지표유출에 의해 토양이 침식되기 쉬운 정도를 나타내는 독립적인 지표로 2년 이상 식생을 제거한 단위 실험구에서 실험적으로 산정된다. 표토의 입도, 토양 구조, 투수성, 유기물 함량 등 토양의 복합적인 영향을 반영한다(식 (14)).

(14)

100 K = 2.1 M^{1.14} (10^{- 4}) (12 - a) + 3.25 (b - 2) + 2.5 (c - 3)

여기서, a는 유기물 함량(%), b는 토양구조 등급, c는 투수 등급이다.

Jung et al.(2004)은 국내 토양침식인자 산출을 위해 Wischmeier and Smith(1978)가 제안한 기본식에 자갈의 지피효과를 고려하고 Box(1981)가 제안한 공식으로 보정한 식을 적용하였다(식 (15), 식 (16)).

(15)

K = [2.1 M^{1.14} (10^{- 4}) (12 - O M) M^{1.14} + 3.25 (S - 2) + 2.5 (P - 3) / 100] \times [1.0977 \times 10^{- 0.0111 x}]

(16)

M = (% 0.002 m m ~ 0.1 m m) \times (% S a n d + % S i l t)

여기서, OM는 유기물 함량(%), S는 토양구조부호값(1~4), P는 토층의 투수부호값(1~6), x는 자갈함량(%), M는 토양 유실에 영향을 미치는 입자크기의 분율에 따른 곱이다.

토양유실량 공식 USLE는 세계적으로 통용되고 있는 공식으로 강우(R), 토양특성(K), 지형(LS),작물(C), 보전(P) 5가지 인자로 산출되며, 농경지를 대상으로 단위 지역당 토양 유실량(A)를 추정하는데 사용된다. USLE 공식은 U.S. 단위계를 기준으로 산출되어 국내 적용하기 위해서는 SI단위계로 변화하는 것이 필수적이다. 토양침식인자 K 값은 노모그래프(nomograph)의 이용과 실측자료로부터 산정하는 경우로 구분되며, 사용된 K 값의 단위는 노모그래프(nomograph)에서 산정한 경우 K = ton-ha-hr/ha-MJ-mm로써 0.1317배한 값이며, 실측자료로 한 값으로부터 얻어지는 결과는 R 값의 단위 m-MTF-cm/100 ha-m-MTf-cm이다(Choi et al., 1998). 토양침식인자 K는 단위 R당 토양 유실량(K=A/R)을 의미하고 R은 강우의 운동에너지와 강우강도를 반영한 운동에너지로 구분되므로 A=ton/acre 와 A=MT/ha 2가지로 구분된다.

A=ton/acre단위의 강우인자 R 값은 SI 단위로 변환하는 것은 K=100tf-tonf-in/acre-hr를 K = MT-ha-hr/ha-MJ-mm 단위로 변환하는 것으로 1.317배를 곱해주어야한다(Foster et al., 1981). Wischmeier and Smith(1978)가 제안한 노모그래프로 구한 K 값은 SI 단위로 변환하기 위해서는 0.1317을 곱해주어야한다(Foster et al., 1981). 또한, 토양침식인자 K 값은 U.S. 단위로 0.03~0.69 범위인데, 미터제와 SI 단위로 변환하게 되면, U.S 단위 MT-hr/100m-MTf-cm로 1.292배인 0.039~0.89 범위를 갖게되며, MT-ha-hr/ha-MJ-mm로 0.039~0.091범위를 갖게된다. 또한, SI 단위는 미터법 단위(Metric Unit)의 0.1019배를 갖게된다(Choi et al., 1998).

한편, 토양침식인자의 단위와 계산은 강우 강우의 운동에너지식은 강우 침식도에 따라 단위가 달라지는데, USLE가 제시한 강우 운동 에너지식을 미터법(Metric unit)으로 환산하였을 때 아래 식으로 나타낼 수 있다(Wishmeier and Smith, 1978).

(17)

e = 210.3 + 89 \log_{10} I, I \leq 7.6 c m h^{- 1}

(18)

e = 289, I > 7.6 c m h^{- 1}

여기서, e는 강우의 에너지로 Metric tonf m^-1 ha^-1의 단위를 가지며, I는 강우강도로 (cm/hr)을 의미한다. Jung et al.(2004)과 Park et al.(2000)은 식 (17)과 식 (18)에 따라 국내 강우침식인자가 계산되었다(Lee et al., 2011). 강우침식인자로 토양침식인자가 산출되므로 강우침식인자의 강우 에너지 단위에 따라 토양침식인자의 단위 또한 변동되며, 단위의 차원은 역수의 차원을 갖게된다. Choi et al.(1998)에 따르면, 토양 침식인자 K는 ton-acre-hr/100 acre-ft-tonf-inch를 U.S. 단위를 SI 단위인 MT-m/ha-cm을 변환할 때, 1.269배 해야하며, SI 단위는 미터법 단위(Metric Unit)의 0.1019배(1/9.8)을 갖게된다(Choi et al., 1998).

한편, 우리나라는 토양침식인자 K의 산출 방법에 대해 단위 변환식을 구체화하여 “표토와 침식 현황 조사에 관한 고시”(환경부고시 제2025-165호, 2025.10.28)로 다음과 같이 공표하고 있다(식 (19), (20)). 식 (19)에서 1.32는 U.S. 단위를 SI 단위로 변환하기 위한 계수로 원래 식에서 7.59를 나누고 10을 곱한 계수로 추정된다(국립방재교육연구원 방재연구소, 2009). Park et al.(2000)은 국내 토양침식인자는 10배 혹은 0.1배하여 국내 선행 연구와 단위를 맞추는 것을 제안하여 0.1317의 10배인 1.317(≈1.32)로 추정할 수 있으나, 명확한 단위의 근거로써 확인이 필요하다. 또한, 식 (19)의 9.8은 미터법 변환으로 추정되나 미터법 변환을 하기 위해서는 1.317이 아닌 1.269배하는 것이 타당하며, 타 지침에서는 9.8을 공식에 반영하지 않는 바(행정안전부, 2025), 9.8에 대한 근거를 검토하는 것이 선행되어야하는 것으로 생각된다.

(19)

K = 1.32 [\frac{2.1 \times 10^{- 4} \cdot (12 - O M) \cdot M^{1.14} + 3.25 (S_{1} - 2) + 2.5 (P_{1} - 3)}{100}] / 9.8

(20)

M = (M S + V F S) ∙ (100 - C L)

여기서, K : 토양침식인자(Mg/ha/R)

OM : 유기물 백분율(%)

M : 토양유실에 대한 입경특성함수

S₁ : 토양 구조 지수(1~4)

P₁ : 토양 투수 등급(1~6)

MS : 미사 백분율(%)

VFS : 극세사 백분율(%)

>CL : 점토 백분율(%)

고시에 따르면, 토양상 별로 자갈의 비중에 따라 보정이 필요하다. 지침에서는 2 mm 이상의 모든 석편으로 정의하며, 자갈 함량을 조사하여 보정하도록 하였다(식 (21)).

(21)

K_{g} = K \times [1.0977 \times 10^{- 0.0111 x}]

전국의 토양침식인자에 대한 주제도는 토양환경정보시스템 ‘흙토람’으로 전국에 대한 정보가 제공되고 있다(Hong et al., 2011). 흙토람은 GIS 기반에 토양 데이터베이스를 구축한 주제도로 토양침식인자는 농촌진흥청 농업과학기술원에서 구축하였으며, Erickson(1977)의 삼각형 도표에 적용하여 계산되었다(Lee et al., 2001; Jang et al., 2002; Guak and Cho, 2006). Erickson(1977)이 제시한 삼각형 노모그래프 도표는 Goldman et al.(1986)이 인용한 형태로 확인할 수 있으며(California State Water Resources Control Board, 2009), 이는 Wishmeier and Smith(1978)이 제시한 모노그래프를 기반으로 하므로 단위 변환시 Foster et al.(1981)가 제안한 변환계수 0.1317을 적용하는 것이 타당하겠다. 국내 토양침식인자와 UGSG에서 사용하는 토양침식인자는 같은 인자로 M1모델을 적용하는데 적합하다. 다만, 국내 토양침식인자는 SI단위계로 보정된 상태로 단위를 재보정하여 U.S. 단위계로 변환 후 계산되어야 한다.

4. 국내 산불 피해 고속도로 유역에 대한 M1 모델 시범 적용

4.1 위성영상 기반 산불 피해영역 결정

USGS M1 모델을 국내 산불 피해지역에 적용하기 위해서는 산불 피해영역, 화재심도, 지형 조건, 토양침식인자 및 강우자료를 공간적으로 구축해야 한다. 특히 M1 모델의 핵심 입력자료 중 하나인 dNBR은 산불 전후 위성영상의 NIR 및 SWIR 밴드 반사도 차이를 이용하여 산정되므로, 산불 발생 전후의 분석 시점을 명확히 설정하는 과정이 선행되어야 한다.

본 연구에서는 NIR 및 SWIR 밴드를 제공하는 Harmonized Landsat and Sentinel-2(HLS) 위성영상을 이용하여 산불 전후 NBR을 계산하고, 두 시점의 차이를 통해 dNBR을 산정하였다. 분석 시점은 산불 발생 전인 2025년 3월 13일과 산불 발생 후인 2025년 3월 30일로 설정하였다. 산불 피해영역은 NASA(National Aeronautics and Space Administration)와 IBM(International Business Machines Corporation) 연구진이 개발한 지구관측 기반 공간정보 분석모델인 Prithvi-EO를 활용하여 추정하였다. Prithvi-EO 기반으로 도출된 산불 피해영역은 Fig. 5(a)에 제시하였으며, 동일 영역에 대해 산정한 dNBR 분포는 Fig. 5(b)에 나타내었다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F5.jpg

Fig. 5

Area affected by wildfires and dNBR in 2025: (a) burned area delineated using Prithvi-EO; and (b) calculated dNBR for the wildfire-damaged area

국내 차세대중형위성 CAS500-1은 고해상도 광학영상을 제공하지만, dNBR 산정에 필요한 SWIR 밴드를 포함하지 않으므로 본 연구의 dNBR 산정에는 사용하지 않았다. 이에 따라 본 연구에서는 USGS 산불 후 토석류 평가체계에서 활용되는 위성영상 기반 접근과의 일관성을 고려하여 HLS 자료를 이용하였다. 또한 지형인자 산정을 위해 국내에서 구축된 5 m 해상도 DEM을 사용하였다. 이는 USGS 원모델에서 활용된 10 m급 DEM보다 높은 공간해상도를 가지므로, 대상 유역의 경사도 및 상류 기여유역을 보다 세밀하게 산정할 수 있다. 다만 DEM 해상도 차이는 USGS 원모델과의 직접 비교에서 불확실성을 유발할 수 있으므로, 본 연구에서는 이를 국내 시범 적용 과정의 입력자료 차이로 고려하였다.

4.2 M1 기반 토석류 발생가능성 및 토석류량 평가

현장 조사 지역을 대상으로 M1 모델의 발생 확률을 산출하여 평가 결과를 비교 분석한다. 분석 지역의 기 평가된 토석류 위험도 평가 결과는 C 등급으로 재해점수 10점, 취약점수 7점으로 평가되었다. M1 모델을 산출하기 위해서는 누적 강우량 데이터, 경사도, 토양침식인자, dNBR 값이 필요하다. Staley et al.(2017)에서 제시한 강우 사상과 동일한 조건으로 강우 사상을 제안하였으며, 누적 강우량은 시료 채취 인근의 가장 인접한 AWS 기상관측소 데이터를 활용하였다. 누적 강우량은 산불 이후 국지성 호우가 빈번하게 발생하는 8월으로 탐색하였으며, 25년 8월 29일 기준으로 가정하였다. AWS 기상관측 정보는 15분 누적 강우량과 1시간 누적 강우량 측정 결과를 제공한다. 30분 누적 강우량은 자료의 부재로 인해 보수적으로 15분 누적 강우량과 동일한 것으로 가정하였다. 15분 누적 강우량은 13.5 mm였으며, 1시간 누적 강우량은 20 mm였다.

USGS는 미국 전역에 구축된 10 m 해상도 DEM 데이터를 통해 사면 경사와 관련된 인자를 사용하였다. DEM은 사면의 경사와 유역을 산출하는데 사용되는 인자로 국내 구축된 5m DEM은 보다 정밀한 유역 면적과 유역 경사를 산출할 수 있다(Fig. 6). 구체적인 계산 과정은 Fig. 6과 같으며, M1 모델 계산에서 토양침식인자는 주제도에서 취득되었다. 현장 조사 유역은 토석류 발생 확률은 80% 이상으로 고위험군으로 분석되었다(Table 4).

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F6.jpg

Fig. 6

ArcGIS Calculation Process for the likelihood Model (M1) at a Debris Flow Site in Burned area

Table 4.

USGS likelihood result for in-situ area

Parameter	15 min	30 min	60 min
X1 []	1
X2 []	0.809013
X3 []	0.1237
R [mm]	13.5	13.5	80
Likelihood (M1) [%]	100	99	98
USGS Likelihood Level	Moderate to high

USGS 토석류량 예측 모델 긴급모델로 평가되었으며 15분 강우강도, DEM, dNBR로 3가지 파라미터로 계산된다(식 (7)). 토석류 발생 지점은 화재 면적 0.00835 km², 유역 높이 59.679 m로 산출되어 계산 결과 토석류량은 138.997 m³로 계산되었다. Fig. 7에 따라 토석류량은 1000 m³이하로 종합 평가 결과 중위험도(Moderate)로 평가되었다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F7.jpg

Fig. 7

ArcGIS Calculation Process for the Volume Model at a Debris Flow Site in Burned area

4.3 산불 이후 토석류 위험도 평가 체계 제안

국내 토석류 위험도 평가 체계는 재해위험도 평가와 취약성 평가로 구분된다. 재해 점수는 토석류 발생가능여부와 이동가능성을 평가하며, 취약성 평가에서는 토석류의 퇴적과 통과 가능성을 평가하므로 세부 평가 항목은 지형과 대책 시설의 유무를 복합적으로 평가한다. 본 연구에서는 이러한 관점을 유지하며, 산불 발생지에서 급증하는 토석류 발생 확률을 반영한 평가 체계를 제안한다(Fig. 8). 제안된 평가 체계에서는 USGS 토석류량 모델을 제외하였으며, 기존의 평가 등급과 결합한 형태로 구성하였다. USGS 토석류량 모델은 토석류 발생 확률 모델보다 비교적 적은 데이터로 만들어졌으며, 다중 회귀 분석으로 개발되었기 때문에 국내 적용성을 검토하고 신뢰성을 검증하는 것이 선행되어야 한다. 향후 연구에서 USGS 토석류량 모델을 보정하거나 국내에 지형·지질 조건에 적합한 형태로 개발한 후 적용하는 방안을 검토할 수 있겠다. 또한, 국내 토석류 평가 체계는 산불 여부를 반영하지 않으나, 지형적 특성과 퇴적 가능성을 평가하므로 토석류량에 대한 평가는 반영이 되어있어 토석류량 예측 모델은 제안된 평가 체계에서 제외하였다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-03/N0990420310/images/kgs_42_03_10_F8.jpg

Fig. 8

Draft Outline for Debris-flow hazard Assessment Based on Wildfire Scenarios

토석류 시료 채취 인근에 발생한 토석류는 발생한 토석류량이 적고 도로에 직접적인 피해를 입히지 못하였다. 해당 지역을 대상으로 USGS 평가 체계를 도입하여 평가하였을 때 종합 평가 등급 결과 중위험도(Moderate)으로 평가되어 USGS 평가 체계의 활용 가능성을 간접적으로 입증하였으나, 토석류량의 경우 정밀한 측량이 되지 않아 정성적으로 평가되었다. 본 연구에서 제안한 평가 체계에서 토석류 발생 확률 모델은 90% 이상, 국내 토석류 위험도 평가 체계 결과는 C등급으로 중위험도(Moderate)로 평가된다. 토석류 발생 확률 모델의 신뢰성 검토는 향후 연구에서 더 넓은 영역에 대해 검증하는 후속 연구를 진행중에 있다.

5. 결 론

본 연구에서는 USGS M1 산불 후 토석류 발생가능성 예측모델을 국내 산불 피해 고속도로 인접 유역에 시범 적용하고, 기존 고속도로 토석류 위험도 평가체계와의 연계 가능성을 검토하였다. 이를 위해 산불 전후 위성영상 기반 dNBR, DEM 기반 지형인자, 토양침식인자 및 산불 이후 강우자료를 이용하여 M1 모델 입력자료를 구축하였으며, 기존 고속도로 토석류 위험도 평가 결과와 비교하였다. 본 연구의 주요 결론은 다음과 같다.

(1) 국내 고속도로 토석류 위험도 평가는 재해점수와 취약점수를 기반으로 토석류 발생가능성, 이동가능성, 대책시설, 퇴적 가능성 및 도로 피해 가능성을 복합적으로 평가한다. 그러나 산불 이후 식생 소실, 지표 피복 변화, 토양 표면 특성 변화로 인해 일시적으로 증가할 수 있는 토석류 발생가능성을 직접 반영하는 데에는 한계가 있다. 따라서 대형 산불 피해지역에서는 기존 평가체계를 보완할 수 있는 산불 후 토석류 발생 가능성 평가 절차가 필요하다.

(2) 본 연구에서는 HLS 위성영상 기반 dNBR, 5 m 해상도 DEM, 토양침식인자 주제도 및 인근 AWS 강우 자료를 이용하여 국내 산불 피해 유역에 M1 모델을 적용하였다. 분석 결과, 대상 유역의 M1 기반 토석류 발생가능성은 선정된 강우 조건에서 높은 수준으로 산정되었다. 이는 기존 고속도로 토석류 위험도 평가체계가 중간 수준의 등급을 제시하는 유역에서도, 산불 이후 강우 조건에 따라 토석류 발생가능성이 크게 증가할 수 있음을 보여준다.

(3) USGS 토석류량 예측모델을 보조적으로 적용한 결과, 대상 유역의 잠재 토석류량은 제한적인 규모로 산정되었다. 현장조사에서도 대상 지점 인근에서 소규모 토석류 발생 흔적은 확인되었으나, 도로 본선에 직접적인 피해를 유발할 정도의 대규모 퇴적은 확인되지 않았다. 이는 산불 후 토석류 평가에서 발생가능성뿐만 아니라 잠재 토석류량, 이동경로, 퇴적 가능성 및 도로시설물과의 연결성을 함께 고려해야 함을 시사한다.

(4) 본 연구 결과는 USGS M1 모델이 국내 산불 피해 고속도로 유역에서 토석류 발생가능성이 높은 구간을 신속하게 선별하기 위한 보조 지표로 활용될 수 있음을 보여준다. 다만 본 연구는 제한된 현장 사례에 대한 시범 적용이므로, USGS M1 모델의 국내 적용성을 일반화하기에는 한계가 있다. 따라서 본 연구에서 제시한 결과는 모델의 신뢰성을 입증한 것이 아니라, 산불 후 토석류 평가체계 보완 가능성을 예비적으로 확인한 결과로 해석하는 것이 타당하다.

(5) USGS M1 모델은 주로 미국 서부, 특히 남부 캘리포니아 및 Intermountain West의 산불 후 토석류 자료를 기반으로 개발·검증된 경험모델이다. 최근 Selander et al.(2025)은 서부 오리건 지역과 같이 토석류 발생 메커니즘이 다른 지역에서는 기존 USGS 모델의 적용성이 달라질 수 있음을 보고하였다. 따라서 국내 적용을 위해서는 다수의 산불 피해 유역에 대한 토석류 발생·미발생 이력, 토석류량 또는 퇴적량 실측자료, 정밀 강우자료, 현장 토양특성 자료를 구축하고, 국내 지형, 토양, 강우 및 식생 조건을 반영한 지역화 보정이 필요하다. 그중, 산불 이후 토석류 발생 시점이 포함된 발생 이력 데이터를 구축하는 것이 중요할 것으로 생각된다.

Acknowledgements

본 연구는 한국도로공사 연구과제로 수행되었으며, 이에 깊은 감사를 드립니다.

References

Box Jr, J. E. (1981), “The Effects of Surface Slaty Fragments on Soil Erosion by Water”, Soil Science Society of America Journal, 45(1), 111-116, https://doi.org/10.2136/sssaj1981.03615995004500010024x.

10.2136/sssaj1981.03615995004500010024x

California State Water Resources Control Board, Division of Water Quality (2009), “Appendix 1: Stormwater Risk Assessment”, No. 2009-0009-DWQ, California Environmental Protection Agency.

Cannon, S. H. (2005), “Southern California-Wildfires and Debris Flows”, US Geological Survey Fact Sheet, 3106.

Cannon, S. H., Gartner, J. E., Rupert, M. G., Michael, J. A., Rea, A. H., and Parrett, C. (2010), “Predicting the Probability and Volume of Postwildfire Debris Flows in the Intermountain Western United States”, Bulletin, 122(1-2), 127-144, https://doi.org/10.1130/B26459.1.

10.1130/B26459.1

Choi, J.K., Koo, J.W., and Son, J.K. (1998), “Application of USLE for Soil Erosion Prediction Formula and Unit Conversion”, Journal of the Korean Society of Soil Science and Fertilizer, 31(3), 301-308 (In Korean).

Eidenshink, J., Schwind, B., Brewer, K., Zhu, Z. L., Quayle, B., and Howard, S. (2007), “A Project for Monitoring Trends in Burn Severity”, Fire ecology, 3(1), 3-21.

10.4996/fireecology.0301003

Foster, G. R., McCool, D. K., Renard, K. G., and Moldenhauer, W. C. (1981), “Conversion of the Universal Soil Loss Equation to SI Metric Units”, Journal of Soil and Water Conservation, 36(6), 355-359, https://doi.org/10.1080/00224561.1981.12436140.

10.1080/00224561.1981.12436140

Gartner, J. E., Cannon, S. H., and Santi, P. M. (2014), “Empirical Models for Predicting Volumes of Sediment Deposited by Debris Flows and Sediment-laden Floods in the Transverse Ranges of Southern California”, Engineering Geology, 176, 45-56, https://doi.org/10.1016/j.enggeo.2014.04.008.

10.1016/j.enggeo.2014.04.008

Goldman, S. J. and Jackson, K. E. (1986), “Erosion and Sediment Control Handbook”.

Guak, Dong-Wook and Cho, Gi-Sung (2006), “Evaluation of GIS-based Soil Loss Amount in Considering Basin Characteristics”, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 24(1), 89-97 (In Korean).

Hong, Seok-yeong, Kim, I-hyeon, Choi, Eun-yeong, Jang, Yong-seon, Hyeon, Byeong-geun, Son, Yeon-gyu, ... and Ha, Sang-geon. (2011), Soil Environmental Information System 'Heuktoram', Magazine of the Korean Society of Agricultural Engineers, 53(1), 27-40 (In Korean).

Jang, Young-ryul, Lee, Geun-sang, and Cho, Ki-sung (2002), “A Study on Resolution Determination for Quantification of Soil Erosion Based on GIS”, Journal of the Korean Institute of GIS, 10(2), 301-316 (In Korean).

Jung, K. H., Kim, W. T., Hur, S. O., Ha, S. K., Jung, P. K., and Jung, Y. S. (2004), “USLE/RUSLE Factors for National Scale soil Loss Estimation based on the Digital Detailed Soil Map”, Korean Journal of Soil Science and Fertilizer, 37(4), 199-206.

Keeley, J. E. (2009), “Fire Intensity, Fire Severity and Burn Severity: A Brief Review and Suggested Ysage”, International Journal of Wildland Fire, 18(1), 116-126, https://doi.org/10.1071/WF07049.

10.1071/WF07049

Key, C. H. and Benson, N. C. (2006), Landscape Assessment: Ground Measure of Severity, the Composite Burn Index; and Remote Sensing of Severity, the Normalized Burn Ratio. In D. C. Lutes, R. E. Keane, J. F. Caratti, C. H. Key, N. C. Benson, S. Sutherland, & L. J. Gangi (Eds.), FIREMON: Fire Effects Monitoring and Inventory System. Ogden, UT: USDA Forest Service, Rocky Mountain Research Station, Gen. Tech. Rep.

Lee, I. Geun-Sang, Lee, Hwan-Ju, Lim, Seung-Hyun, and Cho, Ki-Sung (2001), “Analysis of the Influence of Topographic Factors on Soil Erosion Models Using GSIS”, Journal of the Korean Society of Civil Engineers D, 21(4D), 545-554(In Korean).

Lee, J. H., Shin, J. Y., and Heo, J. H. (2011), “Evaluation of Rainfall Erosivity in Korea Using Different Kinetic Energy Equations”, Korean Journal of Soil Science and Fertilizer, 44(3), 337-343.

10.7745/KJSSF.2011.44.3.337

Ministry of the Interior and Safety (2025), Practical Guidelines for Consultation on Disaster Impact Assessment (In Korean).

National Disaster Management Research Institute (2009), Improvement of parameter estimation methods for soil erosion prediction models (In Korean).

Park, Jeong-Hwan, Woo, Hyo-Seop, Pyeon, Jong-Geun, and Kim, Gwang-Il (2000), “A Study on the Distribution of Rainfall Erosion Maps in Soil Erosion Formulas”, Journal of the Korean Water Resources Association, 33(5), 603-610(In Korean).

Parsons, A., Robichaud, P. R., Lewis, S. A., Napper, C., and Clark, J. T. (2010), “Field Guide for Mapping Post-fire Soil Burn Severity”, Gen. Tech. Rep. RMRS-GTR-243. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. 49 p., 243, https://doi.org/10.2737/RMRS-GTR-243.

10.2737/RMRS-GTR-243

Rupert, M. G., Cannon, S. H., Gartner, J. E., Michael, J. A., and Helsel, D. R. (2008), “Using logistic regression to predict a probability of debris flows in areas burned by wildfires, southern California”, 2003-2006, No. 2008-1370. US Geological Survey, https://doi.org/10.3133/ofr20081370.

10.3133/ofr20081370

Schwarz, G. E. and Alexander, R. B. (1995), “State Soil Geographic (STATSGO) Data Base for the Conterminous United States”, No. 95-449, https://doi.org/10.3133/ofr95449.

10.3133/ofr95449

Selander, B. D., Calhoun, N., Burns, W. J., Kean, J. W., and Rengers, F. K. (2025), “Assessment of Western Oregon Debris‐flow Hazards in Burned and Unburned Environments”, Earth Surface Processes and Landforms, 50(4), e70045, https://doi.org/10.1002/esp.70045.

10.1002/esp.70045

Staley, D. M., Kean, J. W., Cannon, S. H., Schmidt, K. M., and Laber, J. L. (2013), “Objective Definition of Rainfall Intensity–duration Thresholds for the Initiation of Post-fire Debris Flows in Southern California”, Landslides, 10(5), 547-562, https://doi.org/10.1007/s10346-012-0341-9.

10.1007/s10346-012-0341-9

Staley, D. M., Negri, J. A., Kean, J. W., Laber, J. L., Tillery, A. C., and Youberg, A. M. (2016), “Updated Logistic Regression Equations for the Calculation of Post-fire Debris-flow Likelihood in the Western United States”, No. 2016-1106, US Geological Survey, https://doi.org/10.3133/ofr20161106.

10.3133/ofr20161106

Staley, D. M., Negri, J. A., Kean, J. W., Laber, J. L., Tillery, A. C., and Youberg, A. M. (2017), “Prediction of Spatially Explicit Rainfall Intensity–duration Thresholds for Post-fire Debris-flow Generation in the Western United States”, Geomorphology, 278, 149-162, https://doi.org/10.1016/j.geomorph.2016.10.019.

10.1016/j.geomorph.2016.10.019

Wischmeier, W. H. and Smith, D. D. (1978), “Predicting Rainfall Erosion Losses: A Guide to Conservation Planning”, No. 537, Department of Agriculture, Science and Education Administration.

Journal of the Korean Geotechnical Society ISSN:1229-2427(Print) 2288-646X(Online) 한국지반공학회 논문집

Preview

Post-Wildfire Debris-Flow Likelihood Assessment for Expressway-Adjacent Watersheds in South Korea Using the USGS M1 Model

ABSTRACT

MAIN

Fig. 1

Debris-flow risk assessment system for expressways in South Korea: (a) assessment framework; (b) combined risk level based on hazard and vulnerability scores

Fig. 2

(1)

(2)

(3)

Table 1.

Variables and coefficients of the USGS M1 post-fire debris-flow likelihood model (Staley et al., 2017)

Table 2.

Threat score of USGS logistic models and rainfall intensity-duration threshold model for test data (Staley et al., 2017)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

Fig. 3

Illustrates the effect of fire intesity on above-ground vegetation and below-ground soil properties Graphic modified by Mike Hankinson, National Park Service (Parsons et al., 2010)

Fig. 4

Spectral response characteristics of healthy vegetation and burned areas in NIR and SWIR bands. Source: U.S. Forest Service

(11)

(12)

Table 3.

Burn severity levels obtained calculating dNBR source: USGS, 2026

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

Fig. 5

Area affected by wildfires and dNBR in 2025: (a) burned area delineated using Prithvi-EO; and (b) calculated dNBR for the wildfire-damaged area

Fig. 6

ArcGIS Calculation Process for the likelihood Model (M1) at a Debris Flow Site in Burned area

Table 4.

USGS likelihood result for in-situ area

Fig. 7

ArcGIS Calculation Process for the Volume Model at a Debris Flow Site in Burned area

Fig. 8

Draft Outline for Debris-flow hazard Assessment Based on Wildfire Scenarios

Acknowledgements

References