[논문]기상정보와 Adaboost 모델을 이용한 깎기비탈면 위험도 지도 개발 연구

우용훈; 김승현; 김진욱; 박광해

doi:10.9720/kseg.2020.4.663

초록
AI-Helper

최근 국내에서는 산림지역 뿐만 아니라 대도시지역에서도 자연재해가 많이 발생하고 있으며, 이에 대한 국가적인 요구사항은 증가하고 있다. 특히 국도 비탈면 붕괴에 대하여 체계적으로 관리할 수 있는 사전 재해정보 시스템은 전무한 실정이다. 본 연구에서는 CSMS(Cut Slope Management System)에서 관리하는 강원도와 경상도 지역의 국도 비탈면 붕괴 정밀조사 보고서와 비탈면 기초조사를 토대로 비탈면 붕괴 유발 인자에 대한 빅데이터 분석을 실시하였다. 분석 결과를 바탕으로 붕괴 비탈면 위치와 기상정보를 반영하여 분류 기반 머신러닝 모형인 Adaboost를 통한 비탈면 붕괴 위험도 예측모형을 구축하였다. 또한 시각화 프로그램인 비탈면 붕괴 위험도 시각화 지도를 개발하여 기상여건 변화에 따른 비탈면 위험도 파악을 통한 선제적 재해재난 예방대책에 활용할 수 있음을 보여주고 있다.

Abstract ▼ AI-Helper

Recently, there have been many natural disasters in Korea, not only in forest areas but also in urban areas, and the national requirements for them are increasing. In particular, there is no pre-disaster information system that can systematically manage the collapse of the slope of the national high...

Recently, there have been many natural disasters in Korea, not only in forest areas but also in urban areas, and the national requirements for them are increasing. In particular, there is no pre-disaster information system that can systematically manage the collapse of the slope of the national highway. In this study, big data analysis was conducted on the factors causing slope collapse based on the detailed investigation report on the slope collapse of national roads in Gangwon-do and Gyeongsang-do areas managed by the Cut Slope Management System (CSMS) and the basic survey of slope failures. Based on the analysis results, a slope collapse risk prediction model was established through Adaboost, a classification-based machine learning model, reflecting the collapse slope location and weather information. It also developed a visualization map for the risk of slope collapse, which is a visualization program, to show that it can be used for preemptive disaster prevention measures by identifying the risk of slope due to changes in weather conditions.

주제어

표/그림 (9)

표 Table 1. Information and factor of detailed survey for the priority of investment
그림 Fig. 1. Meteorological data ordinary kriging example (T: temperature, P: precipitation).
표 Table 2. Meteorological characteristic variable
그림 Fig. 2. Optimum No. of iteration.
그림 Fig. 3. Characteristics of risk model reflecting weather data.
표 Table 3. Analytic results of confusion matrix
표 Table 4. Predicted risk means by type
표 Table 5. Relative importance by collapse risk prediction model variables
그림 Fig. 4. Characteristics of slope visualization risk map; (a) Survey year, (b) Weather conditions control, (c) Rick and damage indication.

참고문헌 (10)

Aleotti, P., 2004, A warning system for rainfall-induced shallow failures, Engineering Geology, 73(3-4), 247-265.

상세보기
Bernardie, S., Desramaut, N., Male, J.P., Gourlay, M., Grandjean, G., 2015, Prediction of changes in landslide rates induced by rainfall, Landslides, 12, 481-494.

상세보기
Cho, S.E., Lee, S.R., 2002, Evaluation of surficial stability for homogeneous slopes considering rainfall characteristics, Journal of Geotechnical and Geoenvironmental Engineering, 128(9), 756-763.

상세보기
Christos, P., Christos, C., 2018, Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models, Nat Hazards, 93, 249-274.

상세보기
Gomez, H., Kavzoglu, T., 2005, Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78(1), 11-27.

상세보기
Guzzetti, F., Peruccacci, S., Rossi, M., Stark, C., 2008, The rainfall intensity-duration control of shallow landslides and debris flows: an update, Landslides, 5(1), 3-17.

상세보기
Intrieri, E., Bardi, F., Fanti, R., Gigli, G., Fidolini, F., Casagli, N., Costanzo, S., Raffo, A., Di Massa, G., Capparelli, G., Versace, P., 2017, Big data managing in a landslide early warning system: experience from a ground-based interferometric radar application, Natural Hazards and Earth System Sciences, 17(10), 1713-1723.

상세보기
KICT (Korea Institute of Civil Engineering and Building Technology Research Specialist), 2019, Operation of road cut slope management system in 2018, Republic of Korea Ministry of Land, Infrastructure and Transport, 355p.
KMA, 2013, Abnormal climate report. KMA, 148p.
Raul, R., 2009, AdaBoost and the super bowl of classifiers A tutorial introduction to adaptive boosting, Freie University, Berlin. 6p.

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

기상정보와 Adaboost 모델을 이용한 깎기비탈면 위험도 지도 개발 연구
Research on the Production of Risk Maps on Cut Slope Using Weather Information and Adaboost Model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

기상정보와 Adaboost 모델을 이용한 깎기비탈면 위험도 지도 개발 연구 Research on the Production of Risk Maps on Cut Slope Using Weather Information and Adaboost Model 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

김승현 (27)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기상정보와 Adaboost 모델을 이용한 깎기비탈면 위험도 지도 개발 연구
Research on the Production of Risk Maps on Cut Slope Using Weather Information and Adaboost Model 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)