본 연구에서는 태풍 피해의 위험 수준이 지역 특성에 따라 다른 것을 기반으로 지역 특성을 반영한 위험 수준을 지역 특성 데이터와 앙상블 모델을 활용해서 예측 모델을 생성한 후 지역에 따른 위험 수준을 예측하고 다름을 실증했다. 지역 특성 데이터로 태풍의 피해와 관련이 있는 건물 노후도, 농가수, 하천이나 댐의 수 등과 같은 데이터를 수집했으며, 수집된 데이터를 ...
본 연구에서는 태풍 피해의 위험 수준이 지역 특성에 따라 다른 것을 기반으로 지역 특성을 반영한 위험 수준을 지역 특성 데이터와 앙상블 모델을 활용해서 예측 모델을 생성한 후 지역에 따른 위험 수준을 예측하고 다름을 실증했다. 지역 특성 데이터로 태풍의 피해와 관련이 있는 건물 노후도, 농가수, 하천이나 댐의 수 등과 같은 데이터를 수집했으며, 수집된 데이터를 전처리 및 가공한 후 지역 특성이 반영된 지역 민감도를 도출했다. 도출된 지역 민감도와 태풍의 거리, 풍속, 강수 정보를 이용하여 위험 수준을 도출하고, 지난 10년 동안 발생한 25개의 태풍 정보를 포함하여 15만 개 이상의 행을 갖는 학습 데이터 세트를 구성했다. 이렇게 구성된 학습 데이터 세트를 이용해 XGBoost머신러닝 알고리즘으로 태풍 피해의 위험 수준 예측 모델을 생성했다. 그 결과로 생성한 예측 모델의 학습 데이터를 적용한 예측 정확도는 0.953였으며, 2012년 8월 발생한 태풍 볼라벤을 평가 데이터로 적용한 예측 정확도는 0.908로 나타났다. 또한, 생성한 예측 모델의 변수중요도는 거리, 지역 민감도, 강수량 순서로 나타나 지역 민감도가 위험 수준 예측 모델에서 의미 있는 변수임을 확인했다. 실증으로는 최근 발생한 태풍 오마이스(2021년 8월) 데이터를 이용해서 시·군·구별 태풍 피해의 위험 수준을 예측하였으며, 예측 결과 경남(사천·거제) 지역이 상대적으로 위험 수준이 높게 나타났으며, 실제 뉴스에서 발표된 태풍 피해가 심한 지역과 유사했다. 태풍으로 인한 피해가 지역적으로 차이가 있는 것을 고려하면, 근본적인 예방과 대응이 필요하다. 본 연구를 통해 태풍으로 인한 피해의 위험 수준을 빅데이터로 분석하고 머신러닝으로 예측하여 그에 알맞은 예방 및 안전 대책을 수립할 수 있을 것으로 기대한다. 또한, 본 연구를 통해 얻은 지역 특성 위험 수준과 예측 모델로 태풍의 피해뿐만 아니라 홍수 범람, 호우 등의 피해를 지역적으로 예방하고 대응하는데 기초가 되는 자료로 활용되기를 기대한다.
본 연구에서는 태풍 피해의 위험 수준이 지역 특성에 따라 다른 것을 기반으로 지역 특성을 반영한 위험 수준을 지역 특성 데이터와 앙상블 모델을 활용해서 예측 모델을 생성한 후 지역에 따른 위험 수준을 예측하고 다름을 실증했다. 지역 특성 데이터로 태풍의 피해와 관련이 있는 건물 노후도, 농가수, 하천이나 댐의 수 등과 같은 데이터를 수집했으며, 수집된 데이터를 전처리 및 가공한 후 지역 특성이 반영된 지역 민감도를 도출했다. 도출된 지역 민감도와 태풍의 거리, 풍속, 강수 정보를 이용하여 위험 수준을 도출하고, 지난 10년 동안 발생한 25개의 태풍 정보를 포함하여 15만 개 이상의 행을 갖는 학습 데이터 세트를 구성했다. 이렇게 구성된 학습 데이터 세트를 이용해 XGBoost 머신러닝 알고리즘으로 태풍 피해의 위험 수준 예측 모델을 생성했다. 그 결과로 생성한 예측 모델의 학습 데이터를 적용한 예측 정확도는 0.953였으며, 2012년 8월 발생한 태풍 볼라벤을 평가 데이터로 적용한 예측 정확도는 0.908로 나타났다. 또한, 생성한 예측 모델의 변수중요도는 거리, 지역 민감도, 강수량 순서로 나타나 지역 민감도가 위험 수준 예측 모델에서 의미 있는 변수임을 확인했다. 실증으로는 최근 발생한 태풍 오마이스(2021년 8월) 데이터를 이용해서 시·군·구별 태풍 피해의 위험 수준을 예측하였으며, 예측 결과 경남(사천·거제) 지역이 상대적으로 위험 수준이 높게 나타났으며, 실제 뉴스에서 발표된 태풍 피해가 심한 지역과 유사했다. 태풍으로 인한 피해가 지역적으로 차이가 있는 것을 고려하면, 근본적인 예방과 대응이 필요하다. 본 연구를 통해 태풍으로 인한 피해의 위험 수준을 빅데이터로 분석하고 머신러닝으로 예측하여 그에 알맞은 예방 및 안전 대책을 수립할 수 있을 것으로 기대한다. 또한, 본 연구를 통해 얻은 지역 특성 위험 수준과 예측 모델로 태풍의 피해뿐만 아니라 홍수 범람, 호우 등의 피해를 지역적으로 예방하고 대응하는데 기초가 되는 자료로 활용되기를 기대한다.
In this study, based on the fact that the risk level of typhoon damage differs according to regional characteristics, the risk level reflecting regional characteristics was generated using regional characteristic data and ensemble model, and then the risk level according to each region was predicted...
In this study, based on the fact that the risk level of typhoon damage differs according to regional characteristics, the risk level reflecting regional characteristics was generated using regional characteristic data and ensemble model, and then the risk level according to each region was predicted and the difference was demonstrated. As regional characteristic data, data such as the age of buildings, the number of farmhouses, and the number of rivers and dams related to typhoon damage were collected, and after pre-processing and processing the collected data, regional sensitivity reflecting regional characteristics was derived. The risk level was derived using the derived local sensitivity and typhoon distance, wind speed, and precipitation information, and a training data set with more than 150,000 rows including information on 25 typhoons that occurred over the past 10 years was constructed. Using this training data set, the XGBoost machine learning algorithm created a model for predicting the risk level of typhoon damage. As a result, the prediction accuracy of applying the training data of the generated prediction model was 0.953, and the prediction accuracy of applying Typhoon Bolaven, which occurred in August 2012 as the evaluation data, was 0.908. In addition, the importance of variables in the generated prediction model appeared in the order of distance, regional sensitivity, and precipitation, confirming that regional sensitivity is a meaningful variable in the risk level prediction model. As empirical evidence, the risk level of typhoon damage by city, county, and district was predicted using data from the recent Typhoon Omais (August 2021). and was similar to the severe typhoon damage announced in the actual news. Considering the regional differences in damage caused by typhoons, fundamental prevention and response are necessary. Through this study, it is expected that the risk level of typhoon damage can be analyzed with big data and predicted using machine learning to establish appropriate preventive and safety measures. In addition, it is expected that the regional characteristic risk level and prediction model obtained through this study will be used as a basis for preventing and responding to damage such as floods and heavy rains as well as typhoon damage locally.
In this study, based on the fact that the risk level of typhoon damage differs according to regional characteristics, the risk level reflecting regional characteristics was generated using regional characteristic data and ensemble model, and then the risk level according to each region was predicted and the difference was demonstrated. As regional characteristic data, data such as the age of buildings, the number of farmhouses, and the number of rivers and dams related to typhoon damage were collected, and after pre-processing and processing the collected data, regional sensitivity reflecting regional characteristics was derived. The risk level was derived using the derived local sensitivity and typhoon distance, wind speed, and precipitation information, and a training data set with more than 150,000 rows including information on 25 typhoons that occurred over the past 10 years was constructed. Using this training data set, the XGBoost machine learning algorithm created a model for predicting the risk level of typhoon damage. As a result, the prediction accuracy of applying the training data of the generated prediction model was 0.953, and the prediction accuracy of applying Typhoon Bolaven, which occurred in August 2012 as the evaluation data, was 0.908. In addition, the importance of variables in the generated prediction model appeared in the order of distance, regional sensitivity, and precipitation, confirming that regional sensitivity is a meaningful variable in the risk level prediction model. As empirical evidence, the risk level of typhoon damage by city, county, and district was predicted using data from the recent Typhoon Omais (August 2021). and was similar to the severe typhoon damage announced in the actual news. Considering the regional differences in damage caused by typhoons, fundamental prevention and response are necessary. Through this study, it is expected that the risk level of typhoon damage can be analyzed with big data and predicted using machine learning to establish appropriate preventive and safety measures. In addition, it is expected that the regional characteristic risk level and prediction model obtained through this study will be used as a basis for preventing and responding to damage such as floods and heavy rains as well as typhoon damage locally.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.