로지스틱회귀분석기법과 인공신경망기법을 이용한 제주지역 산사태가능성분석 The Landslide Probability Analysis using Logistic Regression Analysis and Artificial Neural Network Methods in Jeju원문보기
본 연구에서는 제주지역의 산사태가능성을 분석하기 위하여 사람의 발길이 많은 사라봉, 별도봉 지역과 송악산 지역의 지형 및 토질공학적 사면 붕괴 유발 인자들을 이용하여 로지스틱회귀분석기법과 인공신경망기법을 GIS기법과 결합하여 예측지도를 작성하고 비교분석하였다. 산사태 예측지도를 작성하기 위해서 산사태 발생에 영향을 주는 사면경사, 고도, 건조밀도, 투수계수, 간극율을 선택하였으며 선정된 지역을 대상으로 실시한 야외조사와 토양물성시험 결과를 정리한 후 이를 토대로 GIS기법을 적용하여 각 레이어별 주제도를 작성하였다. 생성된 주제도를 각각 로지스틱회귀분석기법과 인공신경망기법으로 작성하여 비교분석한 결과 사면경사와 간극율의 경중률이 가장 높게 나타났고, 예측지도는 로지스틱회귀분석기법이 더욱 정확한 결과를 나타내었으며, 도로변과 산책로를 중심으로 산사태 발생가능성이 높게 분포하고 있음을 알 수 있었다.
본 연구에서는 제주지역의 산사태가능성을 분석하기 위하여 사람의 발길이 많은 사라봉, 별도봉 지역과 송악산 지역의 지형 및 토질공학적 사면 붕괴 유발 인자들을 이용하여 로지스틱회귀분석기법과 인공신경망기법을 GIS기법과 결합하여 예측지도를 작성하고 비교분석하였다. 산사태 예측지도를 작성하기 위해서 산사태 발생에 영향을 주는 사면경사, 고도, 건조밀도, 투수계수, 간극율을 선택하였으며 선정된 지역을 대상으로 실시한 야외조사와 토양물성시험 결과를 정리한 후 이를 토대로 GIS기법을 적용하여 각 레이어별 주제도를 작성하였다. 생성된 주제도를 각각 로지스틱회귀분석기법과 인공신경망기법으로 작성하여 비교분석한 결과 사면경사와 간극율의 경중률이 가장 높게 나타났고, 예측지도는 로지스틱회귀분석기법이 더욱 정확한 결과를 나타내었으며, 도로변과 산책로를 중심으로 산사태 발생가능성이 높게 분포하고 있음을 알 수 있었다.
This paper presents the prediction and evaluation of landslide using LRA(logistic regression analysis) and ANN (Artificial Neural Network) methods. In order to assess the landslide, we selected Sarabong, Byeoldobong area and Mt. Song-ak in Jeju Island. Five factors which affect the landslide were se...
This paper presents the prediction and evaluation of landslide using LRA(logistic regression analysis) and ANN (Artificial Neural Network) methods. In order to assess the landslide, we selected Sarabong, Byeoldobong area and Mt. Song-ak in Jeju Island. Five factors which affect the landslide were selected as: slope angle, elevation, porosity, dry density, permeability. So as to predict and evaluate the landslide, firstly the weight value of each factor was analyzed by LRA(logistic regression analysis) and ANN(Artificial Neural Network) methods. Then we got two prediction maps using AcrView software through GIS(Geographic Information System) method. The comparative analysis reveals that the slope angle and porosity play important roles in landslide. Prediction map generated by LRA method is more accurate than ANN method in Jeju. From the prediction map, we found that the most dangerous area is distributed around the road and path.
This paper presents the prediction and evaluation of landslide using LRA(logistic regression analysis) and ANN (Artificial Neural Network) methods. In order to assess the landslide, we selected Sarabong, Byeoldobong area and Mt. Song-ak in Jeju Island. Five factors which affect the landslide were selected as: slope angle, elevation, porosity, dry density, permeability. So as to predict and evaluate the landslide, firstly the weight value of each factor was analyzed by LRA(logistic regression analysis) and ANN(Artificial Neural Network) methods. Then we got two prediction maps using AcrView software through GIS(Geographic Information System) method. The comparative analysis reveals that the slope angle and porosity play important roles in landslide. Prediction map generated by LRA method is more accurate than ANN method in Jeju. From the prediction map, we found that the most dangerous area is distributed around the road and path.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 제주도에서 사람의 발길이 많은 사라봉, 별도봉 지역과 송악산 지역의 지형지질 및 토질물성데이터들을 이용하여 각각 주제도를 작성한 다음 로지스틱회귀분석기법과 인공신경망기법을 각각 GIS기법과 결합하여 예측지도를 작성하고 비교분석하여 국부지역에서의 산사태가능성을 예측 및 평가해 보고자 하였다.
제안 방법
1일때 오차가 가장 낮은 값을 보였다. 그리하여 본 연구에서는 은닉층 20개, 학습율과 모멘텀이 각각 0.1과 0.1값을 이용하여 고도, 사면경사, 건조밀도, 투수계수, 간극율의 경중률 값을 계산하였다. 그 결과 그림 13과 같이 경중률 값은 사면경사가 가장 크고 간극율이 다음으로 크며 고도, 건조밀도, 투수계수는 경줄률 값이 가장 작았으며 세 값 사이에서는 큰 차이를 나타내지 않았다.
본 연구에서는 GIS프로그램인 ArcView를 이용하여 중첩에 사용된 레이어의 속성 값(A, B, C, ⋯)으로는 위에서 제시된 고도, 사면경사, 건조밀도, 투수계수, 간극율 값으로 하고 중첩에 적용된 변환기능(f)으로는 Weighted Overlay사칙연산을 이용하였으며 중첩에 의하여 생성된 속성 값(U )으로는 그림 14와 그림 15와 같이 연구대상지에 대한 산사태 예측지도가 작성되었다.
본 연구에서는 고도, 사면경사, 건조밀도, 투수계수, 간극율을 입력층의 요소로 설정하고, 출력층은 2개로 하고 은닉층은 각각 5, 10, 15, 20개로, 학습율과 모멘텀은 각각 표 1과 같이 설정하여 오차를 비교해 보았다. 그 결과 그림 12와 같이 은닉층이 20개, 학습율과 모멘텀이 각각 0.
본 연구에서는 산사태 예측지도를 작성하기 위해서 선정된 지역을 대상으로 실시한 야외조사와 토양물성 시험 결과를 정리한 후 이를 토대로 GIS기법을 이용하여 각 레이어별 주제도를 작성하였다. 토질인자 및 지형학적 인자들의 주제도는 보간법을 이용하여 작성하게 된다.
지형지질 및 토질물성데이터를 이용하고 제주도 국부지역에 대한 산사태가능성을 분석하기 위하여 로지스틱 회귀분석과 인공신경망기법을 GIS기법과 결합하여 예측지도를 각각 작성하고 비교분석한 결과 다음과 같은 결론을 얻을 수 있었다.
본 연구에서는 산사태 가능성 분석을 위하여 산사태에 영향을 주는 요소를 홍원표 등(2004)이 제시한 지형 지질 및 토질물성데이터 중 제주도의 지질특성 등을 고려하여 수치표고모델, 사면경사, 건조밀도, 간극율, 투수계수 5개의 인자를 사용하였다. 토질물성데이터와 산사태의 상관성을 검토하기 위하여 토질시험 결과를 산사태 발생한 지점과 발생하지 않은 지점으로 구분해서 그래프를 작성하였다.
대상 데이터
대상지역 토질의 물리적 특성을 파악하고 산사태 예측을 위한 입력자료로 활용하기 위하여 그림 2와 그림 3과 같이 송악산지역과 사라봉, 별도봉 지역에서 각각 10개소에서 토층시료를 채취하였다.
본 연구에서는 산사태 가능성 분석을 위하여 산사태에 영향을 주는 요소를 홍원표 등(2004)이 제시한 지형 지질 및 토질물성데이터 중 제주도의 지질특성 등을 고려하여 수치표고모델, 사면경사, 건조밀도, 간극율, 투수계수 5개의 인자를 사용하였다. 토질물성데이터와 산사태의 상관성을 검토하기 위하여 토질시험 결과를 산사태 발생한 지점과 발생하지 않은 지점으로 구분해서 그래프를 작성하였다.
본 연구에서는 토질물성데이터를 획득하기위하여 그림 1과 같이 관광지로 유명한 송악산지역과 오름에 체육시설을 갖추고 있는 사라봉, 별도봉 지역을 대상으로 현장조사 및 시료를 채취하여 실내시험을 실시하였다.
연구지역으로 선정된 송악산 지역(북위 33°15′40″, 동경 126°17′35″)은 주변의 산방산 지역과 함께 제주도의 대표적인 관광지이다.
데이터처리
예측모델은 로지스틱회귀분석으로 각 요소들의 계수를 확정하였으며 식은 아래와 같다.
성능/효과
1. 국부지역에 대하여 로지스틱 회귀분석과 인공신경망 두 기법으로 예측지도를 작성하여 산사태가능성예측 및 평가가 가능하였고 정확도를 비교해 본 결과 로지스틱회귀분석기법이 더욱 정확히 재해발생지역을 예측한 것을 알 수 있었다.
2. 정확도가 높은 로지스틱 회귀분석기법으로 작성한 예측지도를 분석한 결과 송악산 지역에서는 재해발생 가능성이 높은 지역은 봉우리의 사면을 따라 분포하면서 진입로, 등산로 및 목장의 주변에서 나타났고 사라봉, 별도봉 지역은 임항도로변과 산책로를 중심으로 재해 발생가능성이 높게 분포하고 있다.
3. 인공신경망기법으로 재해발생에 영향을 주는 고도, 사면경사, 건조밀도, 투수계수, 간극율의 경중률을 계산해 본 결과 사면경사와 간극율이 재해발생에 가장 큰 영향을 미치는 것으로 나타났다.
본 연구에서는 고도, 사면경사, 건조밀도, 투수계수, 간극율을 입력층의 요소로 설정하고, 출력층은 2개로 하고 은닉층은 각각 5, 10, 15, 20개로, 학습율과 모멘텀은 각각 표 1과 같이 설정하여 오차를 비교해 보았다. 그 결과 그림 12와 같이 은닉층이 20개, 학습율과 모멘텀이 각각 0.1과 0.1일때 오차가 가장 낮은 값을 보였다. 그리하여 본 연구에서는 은닉층 20개, 학습율과 모멘텀이 각각 0.
1값을 이용하여 고도, 사면경사, 건조밀도, 투수계수, 간극율의 경중률 값을 계산하였다. 그 결과 그림 13과 같이 경중률 값은 사면경사가 가장 크고 간극율이 다음으로 크며 고도, 건조밀도, 투수계수는 경줄률 값이 가장 작았으며 세 값 사이에서는 큰 차이를 나타내지 않았다.
로지스틱회귀분석과 인공신경망기법으로 작성된 예측지도의 정확도를 비교하기 위하여 재해발생지역과 미 발생지역에서 임의로 각각 6개 곳을 선정하여 비교해 본 결과 로지스틱회귀분석기법으로 작성된 예측지도는 9개의 곳을 정확히 검출하였고 인공신경망기법으로 작성된 예측지도는 6개의 곳을 정확히 검출하여 로지스틱회귀분석기법이 더욱 정확한 것을 알 수 있었다.
그림 4는 간극율의 특성을 나타낸 결과이다. 산사태 발생지역은 평균 65%의 값을 보이고 사라봉, 별도봉 지역은 평균 63%, 송악산 지역은 55% 정도의 간극율 값을 갖는 것으로 나타났다. 재해발생지역과 미발생지역간에 두드러진 차이를 보이지는 않지만 재해발생지역의 간극율이 높은 분포값을 갖음을 알 수 있다.
위 예측지도 결과를 보면 산사태가 발생한 지역에서 높은 확률분포를 나타나고 있다. 이 결과를 토대로 예측지도를 보면 그림 11과 같이 90% 이상 발생가능성을 보이는 지역은 총 면적의 3.3%를 보이고 70～90%의 확률을 보이는 지역은 5.2%, 50～70%의 확률을 보이는 지역은 5.0%를 보인다. 비교적 발생지역이 미비한 결과를 보이지만 발생가능성이 높은 지역은 봉우리의 사면을 따라 분포하면서 진입로, 등산로 및 목장의 주변에서 나타나고 있어 인명 및 재산피해가 우려된다.
사라봉, 별도봉 지역의 산사태발생지역과 예측지도를 비교해 보면 높은 확률분포를 나타나는 지역에서 산사태가 발생하였다. 이 결과를 토대로 재해 예측지도를 살펴보면 그림 11과 같이 90%이상의 확률을 보이는 지역은 총 면적의 4%, 70～90%의 확률을 보이는 지역은 10%, 50～70%의 확률을 보이는 지역은 10%을 나타내었다. 사라봉과 별도봉 지역은 임항도로변과 산책로를 중심으로 재해 발생가능성이 높게 분포하고 있다.
이 logit 값으로 구성된 주제도에 모델에서 제시하는 식을 적용하면 산사태 발생가능성을 확률로 표현한 예측지도를 작성할 수 있다. 이러한 방법으로 작성한 산사태 예측지도의 신뢰성은 내륙지방의 데이터와 비교하여 90% 이상의 신뢰도를 보였다.
질의응답
핵심어
질문
논문에서 추출한 답변
회귀분석이란 무엇인가?
정량적 급경사지재해 발생가능성을 구하기 위해 통계학에서 최근 많이 사용하는 로지스틱 회귀분석기법이 이용되고 있다. 회귀분석은 급경사지재해와 관련이 있는 여러 요인들을 이용하여 향후 발생 가능한 급경사지재해를 예측하려는 시도에 적용이 가능한 통계적 분석방법이다. 예측하려는 변수 즉, 급경사지재해의 발생 가능성을 ‘종속변수’라 하고, 급경사지재해를 예측하기 위해 사용하는 다른 요인을 ‘독립변수’라 한다.
회귀분석에서 종속변수와 독립변수란 각각 무엇인가?
회귀분석은 급경사지재해와 관련이 있는 여러 요인들을 이용하여 향후 발생 가능한 급경사지재해를 예측하려는 시도에 적용이 가능한 통계적 분석방법이다. 예측하려는 변수 즉, 급경사지재해의 발생 가능성을 ‘종속변수’라 하고, 급경사지재해를 예측하기 위해 사용하는 다른 요인을 ‘독립변수’라 한다. 로지스틱 회귀분석은 단지 두 개의 값(급경사지재해발생 또는 미발생)만을 가지는 종속변수와 다양한 값을 갖는 독립 변수들 사이의 관련성을 분석하는 통계기법이다.
송악산 지역의 절벽 하단부는 어떤 상태로 존재하고 있는가?
연구지역으로 선정된 송악산 지역(북위 33°15′40″, 동경 126°17′35″)은 주변의 산방산 지역과 함께 제주도의 대표적인 관광지이다. 절벽 하단부는 파도와 바람, 화학적 풍화로 인해 많은 침식을 받아서 상부의 단단한 암층이 하부지층이 유실된 상태로 존재하고 있다.
참고문헌 (13)
김경수, 이문세, 조용찬, 채병곤, 이춘오, 2004, "지질에 따른 토층사면의 토질공학적 특성 - 부산 황령산 지역", 지질공학회논문집, Vol.14, No.4, Dec., pp.487-498.
김계현, 2000, GIS 개론, 대영사, pp.206-225.
이창선, 2010, 통계분석기법을 활용한 제주지역 급경사 지재해 예측 및 평가, 석사학위논문, 제주대학교, pp.1-10.
Hengl, T., 2002, "Neural Network Fundamentals : A Neural computing Primer", Personal Computing Artificial Intelligence, 16(3), pp.32-43.
Jensen, J. R., Qiu, F., M. Ji, 1999, "Predictive Modeling of coniferous Forest Age Using Statistical and Artificial Neural network Approaches Applied to Remote Sensing Data." International Journal of Remote Sensing, Vol. 20, No. 14, pp. 2805-2822.
Kawabata, D., Bandibas, J., 2009, "Landslide susceptibility mapping using geological data, a DEM from ASTER images and an Artificial Neural Network (ANN)", Geomorphology, 113, pp.97-109.
Pradhan, B., Lee, S., 2010, "Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling", Environmental Modelling & Software, 25, pp.747-759.
Rao, V. B., H. V. Rao, 1993, $C^{++}$ Neural Network and Fuzzy Logic, New York: Management Information, p.408.
Russell, S. J., Norvig, P., 2003, Artificial Intelligence: A Modern Approach, 2nd ed., Upper Saddle River, NJ: Prentice-Hall, p.1080.
Yesilnacar, E. and Topal, T., 2005, "Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region(Turkey)", Engineering Geology, 79, pp.251-266.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.