[논문]랜덤포레스트를 이용한 대설피해액에 대한 범주형 예측 및 개선방안 검토

이형주; 정건희

doi:10.17663/jwr.2019.21.2.157

초록
AI-Helper

최근 세계적인 기상이변으로 이례적인 대설과 한파의 발생 빈도가 증가하고 있다. 이로 인해 대설피해 저감에 대한 연구가 진행되고 있으나, 우리나라는 시군구 별 과거 피해이력이 적고, 피해 발생지역과 관측소 간의 거리가 멀어 정확한 피해예측이 어려운 상황이다. 따라서 본 연구에서는 대설피해에 영향을 미친다고 생각되는 인자들의 데이터를 수집한 뒤 랜덤포레스트 모형의 설명변수로 설정하여 추정되는 대설피해액을 범주형태로 예측하고자 하였다. 또한 설명변수 중 취약성 분석을 통해 도출된 취약성 지수를 설명변수로 이용함으로써 지역적 특색과 특성을 반영하였다. 지금은 과거 피해 자료의 부족, 비닐하우스 설계 기준의 변화 등으로 인해 예측 정확도가 높지 않지만, 피해가 발생한 지역의 정확한 기상자료가 확보되고, 변수로 사용한 데이터의 업데이트가 진행된다면 본 연구 결과의 정확도 향상과 재난 발생 전 피해규모 및 범위에 대한 신속한 예측을 통해 대비차원의 재난관리 대처능력이 향상될 것으로 기대된다.

Abstract ▼ AI-Helper

Recently, the occurrence of unusual heavy snow and cold are increasing due to the unusual global climate change. In particular, the temperature dropped to minus 69 degrees Celsius in the United States on January 8, 2018. In Korea, on February 17, 2014, the auditorium building in Gyeongju Mauna Resor...

Recently, the occurrence of unusual heavy snow and cold are increasing due to the unusual global climate change. In particular, the temperature dropped to minus 69 degrees Celsius in the United States on January 8, 2018. In Korea, on February 17, 2014, the auditorium building in Gyeongju Mauna Resort was collapsed due to the heavy snowfall. Because of the tragic accident many studies on the reduction of snow damage is being conducted, but it is difficult to predict the exact damage due to the lack of historical damage data, and uncertainty of meteorological data due to the long distance between the damaged area and the observatory. Therefore, in this study, available data were collected from factors that are thought to be corresponding to snow damage, and the amount of snow damage was estimated categorically using a random forest. At present, the prediction accuracy was not sufficient due to lack of historical damage data and changes of the design code for green houses. However, if accurate weather data are obtained in the affected areas. the accuracy of estimates would increase enough for being used for be the degree preparedness of disaster management.

주제어

표/그림 (10)

그림 Fig. 1. Random Forest Structure
그림 Fig. 2. P-S-R Structure System
그림 Fig. 3. Property Information Matrix
그림 Fig. 4. Entropy Weight Estimation Process
그림 Fig. 5. Calculated Snow Vulnerability Index
표 Table 1. Variable Name and Description
표 Table 2. Input Data for Snow Vulnerability Index
그림 Fig. 6. Importance of Variables
그림 Fig. 7. Accuracy and Error Rate
표 Table 3. Historical Number of Snow Damage in terms of Damage Categories

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

엔트로피 방법은 정보이론을 활용하여 각 속성의 가중치를 결정하는 방법이다(Shannon and Weaver, 1949). 특정 속성에 포함된 자료들이 상이한 정도가 작을수록, 즉, 분산이 작을수록 불확실성인 엔트로피가 증가하며, 충분한 정보가 전달되고 있지 않다고 가정하여 작은 가중치를 적용한 다. 이는 확보된 자료들의 분포만을 고려하여 가중치를 산정하기 때문에 개인의 주관이 개입되지 않는다는 장점이 있다.

제안 방법

또한 지역별 특성을 제대로 고려하지 않고, 특정 시도만을 대상으로 했다는 점에서 전국 적용성의 한계가 존재하였고, 시군구 별 과거 피해이력이 적고, 피해발생지역과 관측소 간의 거리가 멀어 수치형으로 대설피해액을 예측하기에는 어렵다는 점도 해결해야 할 문제이다. 따라서 본 연구에 서는 전국의 대설피해를 사전에 대비하기 위해 대설피해 액을 범주형태로 구분하고, 대설피해에 영향을 미친다고 생각되는 설명변수 선정, 관련 자료 데이터를 수집하고 랜덤 포레스트를 이용하여 대설피해액을 범주형태로 예측하였다.
랜덤 포레스트 모형을 이용하기 위해 수치형으로 제공되는 대설피해액을 임의로 범주를 지정하여 5가지 범주에 대설피해액을 포함시키고 모형을 구축하였다.
랜덤 포레스트 방법에 사용될 설명변수로 대설피해의 핵심적인 기상요소와 각 지역의 특색과 특성을 반영할 수 있는 사회·경제적 요소를 고려하였다. 기상요소로 최심신적설량, 최저기온, 일평균 일조시간을 고려하였고, 사회·경제적 요소로는 취약성 지수를 고려하였다.
본 연구에서는 수치형으로 집계되어 제공되는 재해연보상 대설피해액을 범주 형태로 변환하여 피해액을 예측하였다. 본 과정을 진행하기 위해서는 수치형으로 집계된 피해액을 범주 형태로 변환하는 과정이 필요하다.
수치 형태로 제공되는 대설피해액을 보다 정확성 높은 추정을 위해 피해액을 범주 형태로 구분짓고, 랜덤 포레스트 모형을 사용하여 예측피해액을 추정하였다. 피해액이 어떤 범주에 속하는지 추정하고 모형의 오류율을 평가하였다.
우선 행정안전부에서 매년 발간하는 재해연보를 이용하여 1994년부터 2016년까지 발생한 대설피해이력과 피해이력 기간의 대설피해액을 조사하고 대설피해에 영향을 미친 다고 생각되는 설명변수 데이터를 수집하였다. 종속변수는 대설피해액으로 선정하였고, 설명변수로는 대설피해횟수, 연간 평균온도 0℃ 이하인 날 수, 최심신적설, 최저기온, 일조시간, 취약성 지수를 고려하였다. 특히 기상요소만으로는 229개 시군구의 차별화가 어려워 각 시·군·구의 특성과 지역적 특색을 반영할 수 있는 대설 취약성 지수를 계산하여 설명변수로 사용하였다.
따라서 수치형으로 대설피해액을 예측하기에는 어려움이 있다고 판단되어 랜덤 포레스트 모형을 이용하여 범주 형태로 피해액을 예측하였다. 종속변수는 대설피해이력 기간에 발생한 대설피해액으로 선정하였고, 설명변수로 직접적인 영향을 미치는 기상요소와 지역적 특색을 반영할 수 있는 사회·경제적 요소를 고려하였다.

대상 데이터

행정안전부에서 매년 발간하는 재해연보는 피해 원인·지 역·수계·기간 등의 범주로 분류되어 있고, 피해액의 경우공공시설 피해와 사유시설 피해로 구분되어 있다. 따라서 대설피해이력은 재해 관련 자료의 기초 자료가 되고 있는 재해연보의 자료를 이용하여 조사하였다. 본 연구에서는 공공시설 피해액과 사유시설 피해액을 구분 짓지 않고 재해 연보에 집계된 대설피해이력과 종속변수로 활용할 대설피해액 자료(1994년부터 2016년까지)를 수집하였다.
본 연구에서 사용되고 있는 기상자료는 종관기상관측장비(Automated Synoptic Observing System, ASOS)를 사용 하여 데이터를 구축하였다. 그 이유는 기상청관리자가 직접 기상 요소를 관측하는 유인 기상측정 시스템이기 때문에 무인으로 운영되는 방재기상관측장비(Automatic Weather System, AWS)보다 정확한 자료를 얻을 수 있다고 판단되었기 때문이다.
따라서 대설피해이력은 재해 관련 자료의 기초 자료가 되고 있는 재해연보의 자료를 이용하여 조사하였다. 본 연구에서는 공공시설 피해액과 사유시설 피해액을 구분 짓지 않고 재해 연보에 집계된 대설피해이력과 종속변수로 활용할 대설피해액 자료(1994년부터 2016년까지)를 수집하였다.
본 연구에서는 총 표본의 개수를 100%로 봤을 때 학습을 위한 자료로 70%를 활용하고 예측을 위한 자료로 30% 를 활용하였다. 이와 같은 과정을 수행하는 이유는 전체 자료를 모두 포함하여 정확도 검증을 할 경우 정확도가 항상 높게 나오기 때문에 정확도 검증을 수행하는 의미가 없다.
피해액이 어떤 범주에 속하는지 추정하고 모형의 오류율을 평가하였다. 설명변수의 개수는 총 6개이고 550개의 의사결정나무를 만들어 모형을 구축하였다. 랜덤 포레스트 모형에서 사용된 설명변수의 중요도는 Fig.
우선 행정안전부에서 매년 발간하는 재해연보를 이용하여 1994년부터 2016년까지 발생한 대설피해이력과 피해이력 기간의 대설피해액을 조사하고 대설피해에 영향을 미친 다고 생각되는 설명변수 데이터를 수집하였다. 종속변수는 대설피해액으로 선정하였고, 설명변수로는 대설피해횟수, 연간 평균온도 0℃ 이하인 날 수, 최심신적설, 최저기온, 일조시간, 취약성 지수를 고려하였다.

이론/모형

앞서 언급한 바와 같이 사회경제적 요소로 대설피해횟수와 연간 평균온도 0℃ 이하인 날 수를 고려하였다. 그러나 이 두 가지 설명변수로 229개 시군구의 특성과 지역적 특색을 반영하기에 무리가 있다고 판단되어 P-S-R 구성 체계를 이용하여 지표를 선정하고, 엔트로피(Entropy) 가중치 추정법을 이용하여 지표의 가중치를 산정하였다. 또한 취약성 분석을 실시하여 도출된 취약성 지수를 설명변수로 활용하였다.
현재 대설피해 예측 및 저감에 대한 연구가 다수 진행되고 있으나, 대설의 경우 시· 군·구 별 과거 피해이력이 적고, 피해지역과 관측소 사이의 거리가 멀기 때문에 데이터 구축에서 많은 어려움이 있다. 따라서 수치형으로 대설피해액을 예측하기에는 어려움이 있다고 판단되어 랜덤 포레스트 모형을 이용하여 범주 형태로 피해액을 예측하였다. 종속변수는 대설피해이력 기간에 발생한 대설피해액으로 선정하였고, 설명변수로 직접적인 영향을 미치는 기상요소와 지역적 특색을 반영할 수 있는 사회·경제적 요소를 고려하였다.
본 연구에서는 국내에서 대두되고 있는 자연재난인 대설 피해를 대성으로 랜덤 포레스트 모형을 적용하여 범주 형태로 대설피해액을 예측하였다. 현재 대설피해 예측 및 저감에 대한 연구가 다수 진행되고 있으나, 대설의 경우 시· 군·구 별 과거 피해이력이 적고, 피해지역과 관측소 사이의 거리가 멀기 때문에 데이터 구축에서 많은 어려움이 있다.

성능/효과

1994년부터 2016년까지 발생한 대설피해이력 중 최심신적설심이 0 cm인 표본을 제외한 994개 대설피해이력을 평가용 구간과 학습용 구간으로 분류하여 모형을 구축하여 변수중요도 검사를 실시한 결과 설명변수 중 최심신적설 변수의 중요도가 가장 중요한 변수임을 나타냈다. 이를 이용하여 향후 연구에서 설명변수 설정 시에 대설피해에 영향력이 높은 변수를 설정하는 방향성을 제시하였다.
13%의 오류율을 나타냈다. 낮은 오류 율은 보이는 이유는 2010년대에 발생한 대설 피해 자료와 1990년대, 2000년대 초반의 대설피해액을 비교한 결과 같은 적설심에도 대설피해액의 차이가 크다는 것을 확인하였다. 과거 1990년대와 2000년대 초반의 대설 피해액은 대설에 가장 취약한 비닐하우스의 설계기준 변화, 농업 기술의 발달 등 외부요인의 변화로 인해 자료의 동질성을 확보하는 것이 매우 어렵다.
이와 같은 과정을 수행하는 이유는 전체 자료를 모두 포함하여 정확도 검증을 할 경우 정확도가 항상 높게 나오기 때문에 정확도 검증을 수행하는 의미가 없다. 따라서 본 연구에서 개발한 모형은 1994년부터 2016년까지 발생한 대설피해이력 중 최심신적설심이 0인 표본을 제외한 994개 대설피해이력을 평가용 구간(334개)과 학습용 구간(660개)으로 분류하고 랜덤 포레스트 모형 구축 후 정확도 검증 결과 62.13%의 오류율을 나타냈다. 각 범주의 정확도와 오류율을 Fig.

후속연구

현재 대설피해 저감에 대한 연구가 다수 진행되고 있으나, 다른 재해사상에 비해 과거 피해이력이 현저히 적고, 피해 발생 지역과 관측소 사이의 거리가 멀어 정확한 피해예측이 어려운 상황이다. 이러한 대설피해에 대비하기 위해서는 재해 발생 전 피해규모에 대한 신속한 예측을 통해 피해를 방지하는 대책수립을 위한 노력과 연구가 필요하다.
1994년부터 2016년까지 발생한 대설피해이력 중 최심신적설심이 0 cm인 표본을 제외한 994개 대설피해이력을 평가용 구간과 학습용 구간으로 분류하여 모형을 구축하여 변수중요도 검사를 실시한 결과 설명변수 중 최심신적설 변수의 중요도가 가장 중요한 변수임을 나타냈다. 이를 이용하여 향후 연구에서 설명변수 설정 시에 대설피해에 영향력이 높은 변수를 설정하는 방향성을 제시하였다. 또한 정확도 검증 결과 62.
또한 대설피해가 발생했음에도 불구 고 적설심이나, 온도 등 기상자료 누락으로 인한 자료의 불확실성 또한 존재한다. 향후 과거 자료와 최근 10년 자료의 동질성을 확보하고 기상요소와 사회·경제적 요소 데이터의 최신화, 과거 자료의 편의를 보정한다면 보다 높은 정확성을 보일 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	랜덤 포레스트는 무엇으로 구성되어 있는가?	, 2017). 특히 랜덤 포레스트는 데이터와 변수를 샘플링하여 서로 조금씩 다른 나무들로 구성되었기 때문에 각 나무들의 예측 값은 비 상관하게 되어 일반화 성능을 향상시킨다(Choi et al., 2017).
	엔트로피 방법이란 무엇인가?	엔트로피 방법은 정보이론을 활용하여 각 속성의 가중치를 결정하는 방법이다(Shannon and Weaver, 1949). 특정 속성에 포함된 자료들이 상이한 정도가 작을수록, 즉, 분산이 작을수록 불확실성인 엔트로피가 증가하며, 충분한 정보가 전달되고 있지 않다고 가정하여 작은 가중치를 적용한 다.
	엔트로피 방법의 장점은 무엇인가?	특정 속성에 포함된 자료들이 상이한 정도가 작을수록, 즉, 분산이 작을수록 불확실성인 엔트로피가 증가하며, 충분한 정보가 전달되고 있지 않다고 가정하여 작은 가중치를 적용한 다. 이는 확보된 자료들의 분포만을 고려하여 가중치를 산정하기 때문에 개인의 주관이 개입되지 않는다는 장점이 있다. 속성 i ∈ I, i = 1,2,.

참고문헌 (9)

Breiman, L, (2001). Random forests machine learning, 45(1), pp. 5-32. DOI : https://doi.org/10.1023/A:1010933404324
Choi, CH, Park, KH, Park, HK, Lee, MG, Kim, JS, Kim, HS, (2017). Development of heavy rain damage prediction function for public facility using machine learning, J. of Korean Society of Hazard Mitigation, 17(6), pp. 443-450. [Korean Literature]. DOI : https://doi.org/10.9798/KOSHAM.2017.17.6.443

상세보기
Ha, R, Shin, HJ, Kim, SJ, (2007). Proposal of prediction technique for future vegetation information by climate change using satellite image, J. of Korean Association of Geographic Information Studies, 10(3), pp. 58-69. [Korean Literature] DOI : http://www.koreascience.or.kr/article/JAKO200721761942397.page
Kwon, SH, Park, HS, Chung, GH, (2016). Analysis of snow vulnerability and adaptation policy for heavy snow, J. of Korean Society of Hazard Mitigation, 16(2), pp. 363-368. [Korean Literature]. DOI : https://doi.org/10.9798/KOSHAM.2016.16.2.363
Kwon, SH, Chung, GH, (2017). Estimation of snow damages using multiple regression model: The Case of Gangwon Province, J. of the Korean Society of Civil Engineers, 37(1), pp. 61-72. [Korean Literature]. DOI: https://doi.org/10.9798/KOSHAM.2016.16.2.437

원문보기 상세보기
MPSS(Ministry of Public Safety and Security)(2014). The 2013 Annual Natural Disaster report, Ministry of Public Safety and Security. [Korean Literature]
Oh, YR, Chung, GH, (2017). Estimation of snow damage and proposal of snow damage threshold based on historical disaster data, J. of the Korean Society of Civil Engineers, 37(2), pp. 325-331. [Korean Literature]. DOI : https://doi.org/10.12652/ksce.2017.37.2.0325

원문보기 상세보기
Oh, YR, Chung, GH, (2018). Multiple regression models of snow damage prediction according to the snow damage vulnerability groups Korea, J. of Korean Society of Hazard Mitigation, 18(2), pp. 355-359. [Korean Literature]. DOI: https://doi.org/10.9798/KOSHAM.2018.18.2.355

상세보기
Shannon, CE, Weaver, W, (1949). The mathematical theory of communication, The University of Illinois Press, Urbana, U.S.A

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

랜덤포레스트를 이용한 대설피해액에 대한 범주형 예측 및 개선방안 검토
Categorical Prediction and Improvement Plan of Snow Damage Estimation using Random Forest 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

랜덤포레스트를 이용한 대설피해액에 대한 범주형 예측 및 개선방안 검토 Categorical Prediction and Improvement Plan of Snow Damage Estimation using Random Forest 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

정건희 (48)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

랜덤포레스트를 이용한 대설피해액에 대한 범주형 예측 및 개선방안 검토
Categorical Prediction and Improvement Plan of Snow Damage Estimation using Random Forest 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper