Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-7672(Print)
ISSN : 2287-822X(Online)
Journal of the Korean Society of Water and Wastewater Vol.35 No.1 pp.53-61
DOI : https://doi.org/10.11001/jksww.2021.35.1.053

Development of a disaster index for quantifying damages to wastewater treatment systems by natural disasters

Jungsu Park1*, Jae-Hyeoung Park2, June-Seok Choi3, Tae-Young Heo4
1Department of Civil and Environmental engineering, Hanbat National Universit
2GNC ENVIRONMENTAL SOLUTION
3Department of Land, Water and Environment Research, Korea Istitute of Civil Engineering and Building Technology
4Department of Information & Statistics, Chungbuk National University
*Corresponding author : Jungsu Park (E-mail: parkjs@hanbat.ac.kr)

26/11/2020 21/12/2020 24/12/2020

Abstract


The quantified analysis of damages to wastewater treatment plants by natural disasters is essential to maintain the stability of wastewater treatment systems. However, studies on the quantified analysis of natural disaster effects on wastewater treatment systems are very rare. In this study, a total disaster index (DI) was developed to quantify the various damages to wastewater treatment systems from natural disasters using two statistical methods (i.e., AHP: analytic hierarchy process and PCA: principal component analysis). Typhoons, heavy rain, and earthquakes are considered as three major natural disasters for the development of the DI. A total of 15 input variables from public open-source data (e.g., statistical yearbook of wastewater treatment system, meteorological data and financial status in local governments) were used for the development of a DI for 199 wastewater treatment plants in Korea. The total DI was calculated from the weighted sum of the disaster indices of the three natural disasters (i.e., TI for typhoon, RI for heavy rain, and EI for earthquake). The three disaster indices of each natural disaster were determined from four components, such as possibility of occurrence and expected damages. The relative weights of the four components to calculate the disaster indices (TI, RI and EI) for each of the three natural disasters were also determined from AHP. PCA was used to determine the relative weights of the input variables to calculate the four components. The relative weights of TI, RI and EI to calculate total DI were determined as 0.547, 0.306, and 0.147 respectively.



하수처리시설의 자연 재해 영향 정량화 지수 개발연구

박 정수1*, 박 재형2, 최 준석3, 허 태영4
1국립한밭대학교 건설환경공학과
2지엔씨환경솔루션
3한국건설기술연구원 국토보전연구본부
4충북대학교 정보통계학과

초록


    Korea Environmental Industry and Technology Insitute(KEITI)
    2019002870001

    1. 서 론

    매년 반복되는 태풍 및 집중호우 등의 자연재해는 사회기반시설에 크고 작은 피해를 미치게 되며, 이러 한 피해를 최소화하고 중요한 사회기반시설을 안정적 으로 관리하기 위한 다양한 연구가 지속되어 왔다 (Kim et al., 2017;Lee, 2017;Lee et al., 2017).

    우리나라는 지진에 대해 상대적으로 안전하다고 알 려져 왔으나, 지난 2016년 경주지역 및 2017년 포항지역 에서 대규모 지진이 연속적으로 발생하면서, 더 이상 우 리나라가 지진에 대해 안전하지 않을 수도 있다는 우려 가 커지고, 지진이 사회기반시설에 미치는 영향에 대한 관심과 관련 연구의 중요성이 커지게 되었다 (La, 2019).

    해외에서도 비교적 일찍부터, 재해가 사회기반시설 에 미치는 피해의 관리를 위한 다양한 노력이 지속적으 로 이루어져 오고 있다. 미국의 경우 Environmental Protection Agency(EPA) 등을 중심으로 재해가 수도시설 등에 미치는 영향에 대한 평가와 체계적 관리를 위한 연구가 계속되어왔으며, 지진발생 빈도가 높은 지리적 특성을 가지고 있는 일본의 경우 지진 등에 대한 체계적 대응을 위한 지침 등을 마련하고 있다 (JSWA, 2009;US EPA, 2016;US Congress, 2019;Park et al., 2020).

    국내에서도 재난 발생에 따른 피해정도의 정량화를 위한 노력이 시도된 바 있다. 우선 물 공급시설의 지진 재난 대비 성능 정량화를 위한 수리해석 방법론을 제시 하였으며, 다수의 관 누수 및 파열 상황을 모사하고 새 로운 성능 정량화 지표를 제시한 사례가 있다 (Jeon et al., 2019). 그리고 도시에서 발생하는 지진 재해 위험도 의 정량화를 통해서 순환형 지진 재해관리 체계구축을 추진한 사례가 있다 (MOLIT, 2016). 또한 도시 침수지 역 및 영향권 분석을 통해서 재난안전 정책지원 시스템 을 개발하기 위하여 도시 침수에 따른 재난 피해 지도를 작성하기 위하여 피해 규모를 정량화한 시도가 있었다 (KRIHS, 2016). Park et al. (2019)는 선로길이, 철도물류 량, 지진재현주기 등 다양한 세부 영향요인이 재해위험 도에 미치는 상대적 영향을 통계적 자료분석 기법인 주 성분분석(PCA, principal component analysis)을 이용하 여 산정하였으며, 이를 통해 전국 51개 고속철도역사의 재해위험도 지수를 제시하였다. 또한 상하수도 시설 등 공공시설에 대한 재해발생에 따른 피해내용 등을 기록 하는 백서가 발간되고 있다. 하지만 아직까지 하수처리 시설에 대한 재해 피해의 정량화를 위한 직접적인 시도 는 사례가 드물다고 볼 수 있다.

    하수처리시설의 경우 재해 발생 시 시설의 파손 등에 따라 정상적운영이 어려워 지거나, 오염된 하수의 공공 수계 유출 등 2차적인 피해가 발생할 수 있다. 따라서, 방재 대책의 마련 등을 통한 체계적 재해 대응을 위한 제도의 마련이 함께 수행되어야 하며(Kim and Kim, 2001;Lee et al., 2018), 이를 위해서는 재해가 미치는 영향에 대한 정량적인 지표의 산정이 필요하다.

    본 연구에서는 우리나라에서 매년 반복되는 태풍과 집중호우 그리고 최근 몇 년간 관심이 커지고 있는 지진의 3가지 자연재해를 중심으로, 재해가 하수처리 시설에 미치는 영향을 정량화하기 위한 연구를 수행 하였다. 연구에는 통계청, 지자체 등의 공공데이터를 활용하였으며, 통계적 데이터 분석 기법인 PCA와 계 층화 분석법(AHP, analytic hierarchy process)을 이용하 여 자료를 분석하였다.

    2. 재료 및 실험방법

    2.1 모형구축 자료

    자연재해가 하수처리장에 미치는 영향의 분석을 위 해, 하수처리장의 시설 및 운영현황과 지자체 재정 현 황 등에 대한 공공데이터를 활용하였다. 하수처리장 운영관련 자료는 하수도 통계연감(MOE, 2018)을 활용 하였으며, 전체 하수처리장중 시설용량 10,000 m3/일 이상인 199개소의 하수처리장을 대상으로 자료를 분 석하였다. 태풍 및 호우 발생 현황은 2015에서 2019년 간 기상청의 태풍 및 호우주의보 발효 현황(KMA, 2020)을 지역별 설계 풍속은(MOLIT, 2016)의 자료를 이용하였다. 하수처리장을 운영하는 지자체의 재정 현황은 행정안전부 지자체 재정현황(MOI, 2019) 자료 를 이용하여 분석하였으며, 지진발생에 따른 영향의 분석을 위해 Cao et al. (2020)이 개발한 지진가속도 분 석모형을 이용하여 하수처리장이 위치한 지역의 지진 가속도값을 산정하였다.

    2.2 재해 지수 모형

    2.2.1 재해 지수

    본 연구에서는 국내 실정을 고려해 3가지 자연재해 인 태풍, 호우, 지진의 각각의 재해가 하수처리장에 미치는 재해를 정량화하는 재해지수(TI: disaster index for typhoon, RI: disaster index for heavy rain 및 EI: disaster index for earthquake)를 산정하고 각 재해지수 에 가중치를 고려하여 산정한 총괄재해지수(DI: total disaster index)를 산정하였다(Eq. 1-4).

    DI = aTI + bRI + cEI
    (1)

    TI = a t P t  + b t D t  + c t E t  + d t R t
    (2)

    RI = a r P r  + b r D r  + c r E r  + d r R r
    (3)

    EI = a e P e  + b e D e  + c e E e  + d e R e
    (4)

    where

    • DI: total disaster index;

    • TI: disaster index for typhoon;

    • RI: disaster index for heavy rain;

    • EI: disaster index for earthquake;

    a, b, and c: weight of each natural disaster index; and at, bt, ct, dt, ar, br, cr, dr, ae, be, ce, and de: weight of each component.

    2.2.2 지해 지수의 구성 요소

    태풍, 호우 및 지진의 각 자연재해가 하수처리시설 에 미치는 영향을 정량화 하기 위해 지역의 지리적 특성 및 하수처리시설의 규모 등을 고려하여 아래의 4가지 요소(component)를 선정하였다.

    • 1) 발생가능성(P): 태풍, 호우 및 지진의 발생빈도 등을 고려한 지역의 특성

    • 2) 위험도(D): 하수처리시설의 규모, 관로 밀도 등 을 고려해 재해 발생이 미치는 영향을 나타내는 요소

    • 3) 시급성(E): 실제 하수처리량 등을 고려해 복구의 필요성 및 시급성을 나타내는 요소

    • 4) 대응 및 복구 능력(R): 근무인력, 지자체 재정 등 을 고려시 재해 발생에 대응하고 신속히 복구할 수 있는 능력을 나타내는 요소로 값이 클수록 재해 지수가 감소

    위 4가지 요소의 산정을 위해서, 2.1에서 설명한 공 공데이터를 활용하였으며, 확보가 가능한 공공데이터 중 재해 발생 가능성, 재해 발생이 하수처리시설에 미 치는 영향, 복구의 시급성 그리고 재해에 대한 대응 및 복구 능력과 관련 있는 15가지 항목을 아래와 같 이 선정하여 모형 구축에 이용하였다.

    • ∙ BOD_LOAD: 유입 BOD(Biochemical oxygen demand) 부하량(kg BOD/일)

    • ∙ HUMAN_AREA: 관리구역 면적당 근무자수(인 /km2)

    • ∙ HUMAN_TOTAL: 하수처리장 총 근무인원(인)

    • ∙ KWH: 하수처리장 연간 총전력사용량(kWh/년)

    • ∙ LINE_DENSE: 관리구역 면적당 하수관로 밀도 (km/km2)

    • ∙ MONEY: 지자체 재정자립도(%)

    • ∙ PGA_1000: 재현주기 1000년 지진가속도(%)

    • ∙ Q: 설계시설용량(m3/일)

    • ∙ Q_CT: 총 연계처리량(m3/일)

    • ∙ Q_IN: 일일 유입하수량(m3/일)

    • ∙ Q_OUT: 일일 방류량(m3/일)

    • ∙ RAIN: 호우주의보이상 발효 횟수(회/km2)

    • ∙ SWIND: 강풍주의보이상 발효 횟수(회/km2)

    • ∙ TYPHOON: 태풍주의보이상 발효 횟수(회/km2)

    • ∙ WIND_ST: 지역별 기본풍속(m/s)

    2.3 모형구축을 위한 통계분석

    2.3.1 주성분 분석

    본 연구에서는 4가지 요소를 활용하여 3가지 자연 재해가 하수처리공정에 미치는 재해 영향을 정량화하 는 재해별 재해 지수를 산정하였다. 4가지 요소의 값 은 공공데이터 포털 등을 통해 취득된 15개의 입력변 수를 선정하고, 통계적 데이터 분석 방법인 주성분분 석(PCA: principal component analysis)을 이용하여 각 입력변수 간 상대적 가중치를 산정하여 결정하였다. PCA분석은 입력변수의 차원을 축소하여 고유벡터 (eigenvector)를 구하여 입력변수의 상대적 중요도를 산정하는 통계적 자료분석 기법으로 물환경분야 및 재해관련 지수 산정 등에 널리 활용되고 있다 (Park et al., 2019;Tripathi and Singal, 2019). 본 연구에서는 PCA 분석을 위해 입력변수를 평균 0, 표준편차 1로 표준화하여 적용하였다.

    2.3.2 계층화 분석

    태풍, 호우 및 지진과 같은 자연재해가 하수처리장 에 미치는 상대적인 영향을 산정하기 위해서는 각 재 해가 총괄적 재해에 미치는 가중치의 산정이 필요하 다. 특히, 지진의 경우 실제 발생 사례 등이 제한적이 며, 데이터 기반의 통계분석을 위한 충분한 데이터의 확보도 어려운 실정이다. 따라서 본 연구에서는 하수 처리 관련 분야의 전문인력을 대상으로 하는 계층화 분석(AHP, analytic hierarchy process)을 수행하여 각 재해가 총괄적인 재해에 미치는 영향 및 4가지 요소 가 각 재해에 미치는 영향에 대한 상대적 중요도를 산정하였다. AHP는 Saaty (1980)에 의해 개발되었으 며, 의사결정이 필요한 복잡한 문제를 계층화 하여 분 석하고, 각 계층 항목간 상대 비교를 수행하여 계층의 상대적 중요도를 산정해 내는 방법으로 집단의사결정 및 재해관련 위험성 평가 등에 국내외에서 최근까지 도 널리 활용되고 있다 (Pauer et al., 2016;Yoon and Choi, 2019).

    AHP는 전문가를 대상으로 하는 설문조사를 통해 계층화 대상의 쌍대비교치(pair wise comparison scale) 를 비교하여 쌍대비교행렬을(Fig. 1) 산정하고, 이를 통해 평가 요소의 상대적 중요도(factor weighting score)를 결정한다. 쌍대비교행렬 P의 원소 aij는 비교 대상간의 상대적 가중치(weight)를 나타내며, P의 최 대 고유치(eigenvalue)에 대한 고유벡터(eigenvector)를 산정 후 표준화하여 계층내 요소 간 상대적 가중치 (weight)를 산정하게 된다.

    AHP는 분석결과의 일관성을 확인하기 위해 일관성지 수(CI: consistency index) 및 일관성비율(CR: consistency ratio)를 산정하며, CR이 0.2이하인 경우 일관성을 가진 것으로 판단한다 (Saaty, 1983;Saaty, 1990). 본 연구에서 는 AHP의 신뢰도를 높이기 위하여 관련분야 전문인력 을 대상으로 수행한 총 53개의 설문 답변 결과 중 일관 성 비율(CR: consistency ratio)이 0.2이하인 결과만을 분 석에 사용하였다.

    CR은 CI를 무작위 일관성지수(R: random consistency index)로 나눈 값으로 결정된다. R은 쌍대행렬의 크기 를 결정하게 되는 입력 변수의 수(n)에 따라 달라지며, n이 3인 경우 0.58, n이 4인 경우 0.90의 값을 가진다. CI는 다음과 같이 산정한다 (Eq. 5).

    C I = λ max n n 1
    (5)

    where

    • λmax : principal eigenvalue in the pairwise comparison matrix,

    • n: number of input variables.

    3. 결과 및 고찰

    3.1 입력변수

    본 연구의 지수산정에 사용된 199개 하수처리장에 대한 15개 입력변수의 평균, 표준편차 및 최대, 최소 값을 Table1에 제시하였다.

    3.2 PCA 및 AHP분석결과

    태풍, 호우 및 지진 3가지 자연재해가 하수처리장 에 미치는 영향을 정량화하는 재해 지수의 산정을 위 해 수행한 PCA 및 AHP 분석결과를 Table 2에 제시하 였다. AHP 분석결과 태풍, 호우 및 지진이 하수처리 장의 재해에 미치는 상대적 가중치는 각각 0.547, 0.306 및 0.147로 3가지 자연재해중 태풍의 영향이 가 장 큰 것으로 나타났다. 지진의 경우 발생시 영향은 클 것으로 예상되나 실제 국내에서 지진의 발생에 따 른 피해발생사례가 제한적이어서 상대적 가중치는 실 제 발생빈도가 높은 태풍 및 호우에 비해 낮게 분석 된 것으로 판단된다.

    PCA를 통해 산정된 각 재해에 대한 4가지 요소의 상대적 가중치는, 태풍 및 호우의 경우 대상지역에서 태풍이 발생한 빈도 등의 특성을 대표하는 발생가능 성(P)의 가중치가 각각 0.327 및 0.358로 다른 요소에 비해 영향이 큰 것으로 분석된 반면 지진의 경우 실 제 재해의 발생시 미치는 영향에 대한 위험도(D)의 가중치가 0.345로 가장 큰 것으로 분석되었다. 지진의 경우 실제로 발생하고 하수처리장에 영향을 준 사례 가 제한적이나, 발생시 미치는 영향은 클 것으로 예상 되는 결과를 반영한 것으로 판단된다.

    3.3 재해지수 산정

    PCA 및 AHP 분석을 통해 3가지 자연재해가 하수 처리장에 미치는 재해영향을 정량화하는 재해 지수를 산정하기 위한 모형을 다음과 같이 구축하였다(Eq. 7-10). 모형을 통해 산정된 총괄재해지수의 분포는 Fig. 2와 같다.

    DI = 0.547TI + 0.306RI + 0.147EI
    (7)

    TI = 0 .327P t  + 0 .276D t  + 0 .188E t  - 0 .209R t
    (8)

    where

    • Pt = 0.198Pt1 + 0.399Pt2 + 0.403Pt3,

    • Dt = 0.407Dt1 + 0.122Dt2 + 0.409Dt3 + 0.062Dt4,

    • Et = 0.335Et1 + 0.334Et2 + 0.331Et3,

    • Rt = 0.488Rt1 + 0.024Rt2 + 0.488Rt3.

    where

    • Pr = 0.500Pr1 + 0.500Pr2,

    • Dr = 0.407Dr1 + 0.122Dr2 + 0.409Dr3 + 0.062Dr4,

    • Er = 0.335Er1 + 0.334Er2 + 0.331Er3,

    • Rr = 0.488Rr1 + 0.024Rr2 + 0.488Rr3.

    RI = 0 .358P r  + 0 .251D r  + 0 .188E r 0 .203R r
    (9)

    EI = 0 .272P e  + 0 .345D e  + 0 .181E e  - 0 .202R e
    (10)

    where

    • Pe = Pe1,

    • De = 0.407De1 + 0.122De2 + 0.409De3 + 0.062De4,

    • Ee = 0.335Ee1 + 0.334Ee2 + 0.331Ee3,

    • Re = 0.488Re1 + 0.024Re2 + 0.488Re3.

    3.4 재해영향의 등급화

    본 연구에서는 재해 영향의 등급의 결정에 활용될 수 있도록 산정된 DI의 통계적 군집화를 수행하였다. 군집화에는 머신러닝(ML, machine learning) 비지도 학 습(unsupervised learning) 방법을 이용한 군집화 모형 중 하나인 K-평균 군집화(K-Mean Clustering) 알고리 즘을 사용하였다. K-평균 군집화는 m개의 자료를 가 진 데이터 집합 X(x1,…,xm)을 k개의 군집(R1,…,Rk)으 로 분류하며, 각 군집의 평균을 μj라할 때 각군집에 속하는 데이터xi와 해당 군집의 평균 μj간유클리디언 (euclidean) 거리를 최소화하도록 군집을 구성하게 된 다 (Ayub et al., 2016;Song, 2017).

    j = 1 k x i R x i μ j 2
    (6)

    K-평균 군집화 모형의 구축은 python 기반의 ML library인 Scikit-learn을 이용하였다 (Pedregosa et al., 2011). 최적 군집수는 군집수 k를 순차적으로 늘려가 며, 각 k에 대한 오차제곱합(SSE: sum of squared error) 을 계산하여 SSE의 변화율이 적어지는 k를 최적의 군 집수로 결정하는 elbow 알고리즘을 이용하였다 (Park, 2018;Zhang et al., 2018).

    본 연구에서 산정된 199개 하수처리장에 대한 재해 지수에 대한 최적 군집수의 분석결과는 Fig. 2와 같다. Elbow 알고리즘에서는 군집수 k를 증가시킴에 따른 SSE의 변화율이 크지 않은 k를 최적의 군집수로 결정 하게 되며, Fig. 3에서 보는 바와 같이 군집수가 6개 이상일 경우 SSE의 변화가 크지 않아, 본 연구에서 산 정된 DI의 최적 군집수는 6개 내외인 것으로 분석되 었다.

    3.5 재해피해 정량화 및 재해관리

    주기적으로 반복되는 태풍, 호우 및 지진과 같은 자 연재해에 의한 공공시설의 피해를 최소화하기 위해서 는 예상되는 피해 정도를 고려한 국가 차원의 사전 점검, 대응 인력의 확보 및 이를 위한 예산의 분배 등 체계적 관리 방안의 마련이 필요하다. 자연 재해가 하 수처리시설에 미치는 피해 사례는 재해연보, 수해백 서 등의 통계 자료를 통해 확인할 수 있으나 각 시설 에 대한 재해 영향의 정량화에 대한 연구는 아직까지 제한적인 실정이다.

    Park et al. (2019)은 통계적 자료에 기반하여 고속철 도 역사에 대한 재해위험지수를 산정하고, 이를 이용 하여 전국 고속철도 역사를 위험도에 따라 5개 등급 으로 구분하여 제시한 바 있다. 본 연구에서는 통계 적 분석방법인 PCA 및 AHP를 이용하여 분석 대상 시설에 대한 재해위험의 상대적 영향도를 분석하여 각 시설의 DI를 산정하였다. 산정된 DI는 전국에 분 포한 각 하수처리시설의 재해 영향 등급의 결정, 재 해관리를 위한 대응 계획 수립 및 효율적 예산 분배 등 보다 체계적인 재해관리에 활용할 수 있을 것으로 판단된다.

    4. 결 론

    본 연구에서는 하수도 통계, 기상자료 및 지자체 재 정 현황 등 공공데이터를 이용하여, 국내 하수처리시 설에 대한 자연재해의 영향을 정량화하는 DI를 산정 하였다. 총괄 DI는 태풍, 호우, 지진 3가지 자연재해가 미치는 영향에 대한 상대적 가중치를 통계적 자료 분 석방법인 AHP를 이용하여 산정하였다. 총괄 DI에 대 한 태풍, 호우, 지진의 상대적 가중치는 각각 0.547, 0.306, 0.147로 산정되어 자연재해중 태풍의 영향이 가 장 큰 것으로 분석되었다.

    또한 PCA 및 AHP를 통해 발생 가능성(P), 위험도 (D), 시급성(E), 대응 및 복구 능력(R)의 4가지 요소를 계산하여 각 재해에 대한 재해지수를 산정하였다. 매 년 반복적으로 발생하는 태풍 및 호우의 경우 발생한 빈도 등의 특성을 대표하는 발생가능성(P)의 가중치 가 중요한 영향을 주는 반면, 실질적인 발생 빈도가 상대적으로 낮은 지진의 경우 재해발생시 미치는 영 향에 대한 위험도(D)의 가중치가 가능 높은 것으로 분석되었다.

    사 사

    본 결과물은 환경부의재원으로 한국환경산업기술 원의 환경시설 재난재해 대응기술 개발사업의 지원을 받아 연구되었습니다.(2019002870001)

    Figure

    JKSWW-35-1-53_F1.gif

    Pair wise comparison matrix for AHP.

    JKSWW-35-1-53_F2.gif

    Histogram of DI.

    JKSWW-35-1-53_F3.gif

    Elbow analysis result for determine optimal K.

    Table

    Characteristics of input variables

    PCA and AHP analysis for weight of disaster index

    References

    1. Ayub, J. , Ahmad, J. , Muhammad, J. , Aziz, L. , Ayub, S. , Akram, U. , and Basit, I. (2016). “Glaucoma detection through optic disc and cup segmentation using K-mean clustering”, In 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube), 143-147. IEEE.
    2. Cao, A.T. , Tran, T.T. , Nguyen, T.H.X. , and Kim, D. (2020). Simplified approach for seismic risk assessment of cabinet facility in nuclear power plants based on cumulative absolute velocity, Nucl. Technol., 206, 743-757.
    3. Jeon, J.S. , Lee, C.W. , Lim, S.H. , and Yoo, D.G. (2019). Development of repair analysis techniques for quantifying the performance of earthquake disaster preparedness in water supply facilities, J. Korean Soc. Hazard Mitig., 19, 303-310.
    4. JSWA. (2009). Guidelines for Designing the Sanitation system. Japan Sewage Works Association, Tokyo, Japan.
    5. Kim, K.H. , and Kim, J.C. (2001). A study on the GIS-based flooding area forecasting using a sewer discharge analysis, J. Korean Soc. GIS, 9(3), 117-131.
    6. Kim, S. , Lim, H. , and Lee, D. (2017). “IoT sensor system design for social disasters”, Proceedings of Korea Information Science Society conference, 494-495.
    7. Korea Meteorological Administration information portal(KMA). (2020). Available online: https://data.kma.go.kr (March 28, 2020).
    8. Korea Ministry of Environment(MOE). (2018). Statics of waterworks for wastewater.
    9. Korea Ministry of Land, Infrastructure and Transport(MOLIT)., (2016). Korea Design Standard, MOLIT, Korea, 45.
    10. Korea Ministry of Land, Infrastructure and Transport(MOLIT)., (2016). Plans to establish a cyclical seismic disaster management system by quantifying the risk of earthquakes in cities, MOLIT, Korea.
    11. Korea Ministry of the interior and safety information portal(MOI). (2019). Available online: http://lofin.mois.go.kr/portal/main.do (April 15, 2020).
    12. Korea Research Institute for Human Settlements(KRIHS). (2016). Development of the urban flooding risk prevention system, KRIHS, Report No. 16-27.
    13. La, H.W. (2019). A study on countermeasures between central and local governments for earthquake disaster management of Pohang, Korea, J. Korean Soc. Disaster Secur., 12(3), 25-34.
    14. Lee, D. , Chae, H. , and Chae, S. (2017). A study on the development of remote sensing system for a rectangular sewer duct to prevent and respond to disasters, J. Korean Soc. Environ. Technol., 18(2), 103-114.
    15. Lee, J.H. , Kang, S.G. , Yuk, G.M. , and Moon, Y.I. (2018) “Estimate of optimal simplification range due to different scale of sewer network in urban area”, Proceedings of Korean Society of Civil Engineers conference, 50-51.
    16. Lee, Y. (2017). Complex disasters risk assessment technology for urban core facilities, Planning and Policy, 430, 43-49.
    17. Park, J. Choi, J.S. , Kim, K. , Yoon, Y. and Park, J.H. (2020). A review on recent advances in water and wastewater treatment facilities management for earthquake disaster response, J. Korean Soc. Water Wastewater, 34(1), 9-21.
    18. Park, N.K. (2018). An empirical comparison and verification study on the containerports clustering measurement using K-Means and hierarchical clustering (average linkage method using cross-efficiency metrics, and ward Method) and Mixed Models, J. Korea Port Econ. Assoc., 34(3), 17-52.
    19. Park, Y. , Han, S. , and Choi, S. (2019). Development of disaster risk index for evaluating the natural disaster hazards of high-speed railroad Facilities. J. Korean Soc. Hazard Mitig., 19, 1-9.
    20. Pauer, F. , Schmidt, K. , Babac, A. , Damm, K. , Frank, M. , and von der Schulenburg, J.M.G. (2016). Comparison of different approaches applied in analytic hierarchy process– An example of information needs of patients with rare diseases. BMC Med, Inform. Decis. Mak., 16(1), 1-11.
    21. Pedregosa, F. , Varoquaux, G. , Gramfort, A. , Michel, V. , Thirion, B. , Grisel, O. , Blondel, M. , Prettenhofer, P. , Weiss, R. , and Dubourg, V. (2011). Scikit-learn: Machine learning in Python, J. Mach. Learn. Res., 12, 2825-2830.
    22. Saaty, T.L. (1980). The analytic hierarchy process. Mcgraw Hill, New York, NY, USA.
    23. Saaty, T.L. (1983). Priority setting in complex problems, IEEE T. Eng. Manage., 140-155.
    24. Saaty, T.L. (1990). How to make a decision: the analytic hierarchy process, Eur. J. Oper. Res., 48, 9-26.
    25. Song, J.W. (2017). K-Means cluster analysis for missing data, J. Korean Data anal. Soc., 19(2), 689-697.
    26. Tripathi, M. , and Singal, S.K. (2019). Use of principal component analysis for parameter selection for development of a novel Water Quality Index: A case study of river Ganga India, Ecol. Indic., 96, 430-436.
    27. US Congress. (2019). America’s water infrastructure act of 2018 (P.L. 115-270): Drinking water provisions, US congress, 1-3.
    28. US EPA. (2016). Climate resilience evaluation and awareness tool version 3.0 methodology guide, united states environmental protection agency.
    29. Yoon, C.H. , and Choi, K.D. (2019). A study on the analytic hierarchy process of group decision making using R, J. Inf. Techol. Arch., 16(4), 405-418.
    30. Zhang, Y. , Bouadi, T. , and Martin, A. (2018). “An empirical study to determine the optimal k in Ek-NNclus method”, In International Conference on Belief Functions, 260-268. Springer, Cham.