본 연구의 목적은 산사태 취약성 분석을 위하여 인공신경망을 이용하여 산사태 요인의 가중치를 결정하는 것이다. 산사태 발생 지역은 항공사진, 현장조사와 지형도 등으로부터 위치를 파악하였다. 용인 지역에 대해서 산사태에 영향을 주는 지형경사, 지형곡률, 토양배수, 토양 유효심도, 토양 종류, 식생 경급과 영급 등의 자료가 사용되었다. 이들 자료를 이용하여 인공신경망의 층간 가중치가 역전파 트레이닝 알고리즘에 의해 계산되었으며, 이는 산사태 요인의 가중치를 결정하는데 사용되었다. 죽, 트레이닝 후 층간 가중치를 해석하여 분류에 미치는 영향을 고려함으로서 각 산사태 요인의 가중치가 결정되게 된다. 가장 높은 값은 지형경사로서 5.33의 값을 나타냈으며 지형 곡률과 토질은 각각 1과 1.17로 낮은 값을 나타냈다. 역전파 알고리즘을 이용한 가중치 결정 방법은 분석에 중요하지 않은 요인을 제거함으로 계산시간을 단축시킬 수 있어 GIS를 이용한 중첩 분석 연구에 활용되 수 있다.
본 연구의 목적은 산사태 취약성 분석을 위하여 인공신경망을 이용하여 산사태 요인의 가중치를 결정하는 것이다. 산사태 발생 지역은 항공사진, 현장조사와 지형도 등으로부터 위치를 파악하였다. 용인 지역에 대해서 산사태에 영향을 주는 지형경사, 지형곡률, 토양배수, 토양 유효심도, 토양 종류, 식생 경급과 영급 등의 자료가 사용되었다. 이들 자료를 이용하여 인공신경망의 층간 가중치가 역전파 트레이닝 알고리즘에 의해 계산되었으며, 이는 산사태 요인의 가중치를 결정하는데 사용되었다. 죽, 트레이닝 후 층간 가중치를 해석하여 분류에 미치는 영향을 고려함으로서 각 산사태 요인의 가중치가 결정되게 된다. 가장 높은 값은 지형경사로서 5.33의 값을 나타냈으며 지형 곡률과 토질은 각각 1과 1.17로 낮은 값을 나타냈다. 역전파 알고리즘을 이용한 가중치 결정 방법은 분석에 중요하지 않은 요인을 제거함으로 계산시간을 단축시킬 수 있어 GIS를 이용한 중첩 분석 연구에 활용되 수 있다.
The purpose of this study is to determine the weights of the factors for landslide susceptibility analysis using artificial neural network. Landslide locations were identified from interpretation of aerial photographs, field survey data, and topography. The landslide-related factors such as topograp...
The purpose of this study is to determine the weights of the factors for landslide susceptibility analysis using artificial neural network. Landslide locations were identified from interpretation of aerial photographs, field survey data, and topography. The landslide-related factors such as topographic slope, topographic curvature, soil drainage, soil effective thickness, soil texture, wood age and wood diameter were extracted from the spatial database in study area, Yongin. Using these factors, the weights of neural networks were calculated by backpropagation training algorithm and were used to determine the weight of landslide factors. Therefore, by interpreting the weights after training, the weight of each landslide factor can be ranked based on its contribution to the classification. The highest weight is topographic slope that is 5.33 and topographic curvature and soil texture are 1 and 1.17, respectively. Weight determination using backprogpagation algorithms can be used for overlay analysis of GIS so the factor that have low weight can be excluded in future analysis to save computation time.
The purpose of this study is to determine the weights of the factors for landslide susceptibility analysis using artificial neural network. Landslide locations were identified from interpretation of aerial photographs, field survey data, and topography. The landslide-related factors such as topographic slope, topographic curvature, soil drainage, soil effective thickness, soil texture, wood age and wood diameter were extracted from the spatial database in study area, Yongin. Using these factors, the weights of neural networks were calculated by backpropagation training algorithm and were used to determine the weight of landslide factors. Therefore, by interpreting the weights after training, the weight of each landslide factor can be ranked based on its contribution to the classification. The highest weight is topographic slope that is 5.33 and topographic curvature and soil texture are 1 and 1.17, respectively. Weight determination using backprogpagation algorithms can be used for overlay analysis of GIS so the factor that have low weight can be excluded in future analysis to save computation time.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이와 같이 결정된 Paola와 Schowengerdt(1995)에 의하면 트레이닝 샘플 층간 가중치는 앞 절의 역전파 알고리즘의 가중치 분은 개수보다는 대표하는 지역을 잘 선택하는 것이 중 석 방법을 코드화 한 프로그램에 입력되고 분석되어요 하다고 보고한 바 있기 때문이다. 그러므로 무작위 산사태 분석에 사용되는 각 요인이 산사태 발생에 얼 샘플이 특성을 잘 대표하는지를 알아보기 위해 전체 마만큼의 영향을 미치는지를 결정하게 된다. Table 1 산사태가 발생했던 지역으로부터 200개씩 10번 무작위 은 10번의 무작위 샘플에 대한 각각의 분석 결과로서 추출을 하여 분석하였다.
3은 가중치 결정을 위한 인공신경망 트레이닝의 흐름도이다. 본 연구에서는 위와 같은 인공신경망의 학습 방법에 의해 얻어진 각 충간 가중치를 역으로 계산해서 입력 자료가 분류에 얼마나 기여하였는지를 계산함으로서 산사태 분석시의 입력 요인의 중요도 즉, 가중치를 결정하고자 한다.
이는 분류의 기여도로 사용되어 불필요한 밴드를 제거하여 계산을 간편화할 수 있고 또한 각 요인들의 분류에 미치는 정도를 파악할 수 있다. 본 연구에서는 인공신경망의 이 두 번째 특성을 이용하여 최적의 충간 가중치 값을 역전파하여 계산함으로서 입력 자료에 해당하는 각 요인이 산사태에 미치는 가중치를 계산하고자 한다. Zhou(1999)는 다밴드 위성자료를 이용하여 분류를 행할 경우, 각 밴드들이 분류에 미치는 중요도를 파악함으로서 불필요한 밴드를 제거해 주기 위해 구해진 인공신경망의 가중치를 역으로 계산하는 방법을 제시하였다.
본 연구에서는 인공신경망의 층간 가중치를 이용하여 산사태 분석에 사용되는 각 요인이 산사태 발생에 얼마만큼의 영향을 미치는지를 분석하여 가중치를 구하는 방법을 제시하였다. 이를 위해 용인지역에 대해 구축된 공간 DB에서 추출된 지형 경사, 지형 곡률, 토양 배수, 토양 유효심도, 토양 종류, 식생 경급, 식생 영급의 7가지 종류의 요인을 사용하였고, 그 결과 지형 곡률을 1로 보았을 때, 지형 경사가 5.
제안 방법
Hines(1997)에 의해 Matlab으로 프로그램 된 역 전파 항공사진에서 산사태는 식생이 유실되어 반사도가 높 알고리즘에 입력되었다. 7X15X2의 인공신경망 구조게 나타나며 지형 등고와 수직한 방향으로 길게 분포 를 이용하여 트레이닝 하여 가중치를 결정하였다. 즉 하는데 이와 같은 특성은 사태 자체는 상부지역에서 이들 7개 요인을 입력자료로 사용하였으며 은닉층의 일어나지만 하부지역까지 쓸려 내려오는 원인에 기인 개수는 15개로 하였고 출력층은 산사태 발생 지역과 한다.
결정하지 못하였다. 그러므로 본 연구에서는 GIS를 이용한 자연산사태의 분석 시, 사용되는 각 공간 요인들의 가중치를 인공신경망을 이용하여 결정하였다. 기존의 인공신경망 기법의 산사태 적용연구는 초보 단계로서 이사로 등(2000)과 Lee et a/.
즉 하는데 이와 같은 특성은 사태 자체는 상부지역에서 이들 7개 요인을 입력자료로 사용하였으며 은닉층의 일어나지만 하부지역까지 쓸려 내려오는 원인에 기인 개수는 15개로 하였고 출력층은 산사태 발생 지역과 한다. 그러므로 본 연구에서는 항공사진에서 감지된 산 발생하지 않은 지역 둘로 나누었다. 또한, rms(root 사태 중 상부지역에 해당하는 픽셀만을 트레이닝 지역 mean square) 오차 목표값은 0.
대해 200개의 픽셀을 무작위로 추출하였으며 나머지 산사태 요인의 가중치 결정을 위하여 우선 트레이 지역 중 산사태가 발생한 경우가 없는 평지 부분에서 닝 지역을 이용하여 인공신경망을 학습시키고 오류 역 200개의 픽셀을 무작위로 추출하였다. 여기서 트레이 전파에 의해 수정됨으로서 층 사이의 가중치가 결정된닝 지역을 200 픽셀만 선택한 이유는 400개와 600 다.
이들 위치에 해당하는 7개의 표준편차가 크지 않으므로 평균을 이용해도 무리가 없주제도, 즉 지형 경사, 지형 곡률, 토양 배수, 토양 유 을 것으로 생각된다. 본 연구에서는 10회의 평균값을 효심도, 토양 종류, 식생 경급, 식생 영급으로부터 입 각 요인의 대표값으로 정하고 이를 해석을 편리하게력자료를 추출하였다. 지형 경사는 5도 간격으로 7 등 하기 위해 각 평균값을 가장 작은 값인 지형 곡률값으급으로 나누었으며 지형 곡률은 평균값을 기준으로 표 로 나누어주었다.
9까지의 값으로 변환 픽셀 개수는 658, 790 개이다. 산사태의 위치는 항공 하기 위하여 각 자료들을 스케일링(scaling)한 후사진 분석 후 현장조사를 거쳐서 위치를 파악하였다. Hines(1997)에 의해 Matlab으로 프로그램 된 역 전파 항공사진에서 산사태는 식생이 유실되어 반사도가 높 알고리즘에 입력되었다.
본 연구에서는 10회의 평균값을 효심도, 토양 종류, 식생 경급, 식생 영급으로부터 입 각 요인의 대표값으로 정하고 이를 해석을 편리하게력자료를 추출하였다. 지형 경사는 5도 간격으로 7 등 하기 위해 각 평균값을 가장 작은 값인 지형 곡률값으급으로 나누었으며 지형 곡률은 평균값을 기준으로 표 로 나누어주었다. 즉, 지형 곡률을 1로 보았을 때, 지준편차를 이용하여 9 개 등급으로 나누었으며 토양 배 형 경사가 5.
대상 데이터
요인에 대하여 가중치 분석을 실시하였다. Fig. 4개로 나눈 자료를 이용하였다. 사용된 자료에 대한 분 4은 연구지역의 지형도 위에 산사태 발생 지역을 표시 류 기준과 형태는 이사로(2000)와 이사로와 민경덕한 도면이다.
데이터처리
용인지역에 대해 구축된 공간 DB에서 기존의 확률분석 결과(이사로와 민경덕, 2(X)0)에서 산사태와 관계유효심도, 토양 종류, 식생 경급, 식생 영급의 7가지 자료를 이용하였고, 임상의 영급과 경급은 각각 5개와 종류의 요인에 대하여 가중치 분석을 실시하였다. Fig.
이론/모형
Zhou(1999)는 다밴드 위성자료를 이용하여 분류를 행할 경우, 각 밴드들이 분류에 미치는 중요도를 파악함으로서 불필요한 밴드를 제거해 주기 위해 구해진 인공신경망의 가중치를 역으로 계산하는 방법을 제시하였다. 본 연구에서는 이와 같은 알고리즘을 Matlab을 이용하여 프로그램 화하였다.
성능/효과
5는 10번에 대한 각각의 값들을 정규화하여 그래프로 나타낸 것이다. 그리고 토양 도로부터 추출된 토양의 배수, 유효심도와 종류는 낮은 값으로 나왔으며 지형 곡률은 가장 적은 영향을 미치는 것으로 분석되었다. Fig.
방법을 제시하였다. 이를 위해 용인지역에 대해 구축된 공간 DB에서 추출된 지형 경사, 지형 곡률, 토양 배수, 토양 유효심도, 토양 종류, 식생 경급, 식생 영급의 7가지 종류의 요인을 사용하였고, 그 결과 지형 곡률을 1로 보았을 때, 지형 경사가 5.33배로 가장 높았으며, 다음이 식생 경급이 2.67배, 영급이 2배, 토양 배수 및 유효 심도가 L83배, 토양 종류가 L17배둥의 순이었다. 이와 같은 결과를 검증하기는 매우 어려우나, 이사로(1992), 김윤종 등(1994)과 신현준(1995) 은 경험에 의해 지형 경사를 5, 토질은 4 그리고 식생 등은 2로 준 바 있다.
지형 경사는 5도 간격으로 7 등 하기 위해 각 평균값을 가장 작은 값인 지형 곡률값으급으로 나누었으며 지형 곡률은 평균값을 기준으로 표 로 나누어주었다. 즉, 지형 곡률을 1로 보았을 때, 지준편차를 이용하여 9 개 등급으로 나누었으며 토양 배 형 경사가 5.33배로 산사태 분석시 가중치가 가장 높수, 유효심도, 모재 등은 토양도의 기준에 의해 구축된 았으며, 다음으로 식생 경급이 2.67배, 식생 영급이 2배 등이었다. Fig.
후속연구
산사태 요인의 가중치와 혼동을 피하기 위해 인공신경망의 가중치는 층간 가증치로 정의하기로 한다. GIS를 이용한 중첩 분석 시 필수적인 가중치 결정에 대한 일반적인 방법론의 개발은 물론 산사태 연구에서 있어 국내의 실정에 알맞은 가중치를 결정함으로서 GIS를 이용하여 산사태 취약성을 예측할 때 보다 정확한 분석을 수행할 수 있을 것으로 기대돈I다. Fig.
가중치라고 하기는 어렵다. 그러나 산사태 요인의 가중치를 정량적으로 분석하는 방법을 처음으로 제시함으로서, 정밀한 공간 DBF 구축되고 GPS를 이용하여 산사태 발생 지역을 정확하게 파악할 수 있으며 지속적인 자료의 누석이 이루어진다면 산사태의 종류나 지역의 특성에 맞는 가중치를 계산 할 수 있을 것이다. 또한, 산사태에 영향을 미치는 요인의 가중치는 불필요한 요인을 제거해 줌으로서 계산 시간을 단 죽 시킬 수 있다.
방법 보다 정밀도를 높일 수 있다. 또한 인공신경망을 이용한 가중치 결정방법은 GIS의 중첩 방법을 이용하여 분석되는 여러 가지 분야에 응용될 수 있을 것으로 생각된다.
, 1996; Turrini and Visintainer, 1998). 산사태 분석연구에는 현재 도면으로 구할 수 있는 지형, 지질, 토양, 임상, 수문, 기상 등의 자료가 사용될 수 있고 필요에 따라서 각종 현장 조사 결과도 사용될 수 있다. 이와 같은 요인들이 결정되면 다음에 각 요인에 대한가중치와 요소별 등급이 결정되어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.