$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

기계학습기법을 이용한 땅밀림 위험등급 분류
Classification of Soil Creep Hazard Class Using Machine Learning 원문보기

한국방재안전학회논문집 = Journal of Korean Society of Disaster and Security, v.14 no.3, 2021년, pp.17 - 27  

이기하 (경북대학교 미래과학기술융합학과) ,  레수안히엔 (경북대학교 재난대응전략연구소) ,  연민호 (경북대학교 미래과학기술융합학과) ,  서준표 (국립산림과학원 산불.산사태연구과) ,  이창우 (국립산림과학원 산불.산사태연구과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 6개의 기계학습 기법들을 활용하여 2019년과 2020년 전국 땅밀림 현장조사 결과를 기반으로 땅밀림 위험지역을 A부터 C까지 3개 등급(A등급: 위험, B등급: 보통, C등급: 양호)으로 구분할 수 있는 분류모형을 구축하고, 분류 정확도를 비교·분석한다. 기계학습 기법으로는 K-Nearest Neighbor, Support Vector Machine, Logistic Regression, Decision Tree, Random Forest, Extreme Gradient Boosting 총 6개를 적용하였다. 분류 정확도 분석결과, 6개의 기법 모두 0.9 이상의 우수한 정확도를 보여주었다. 수치형 자료를 학습에 적용한 경우가, 문자형 자료를 학습한 모형보다 우수한 성능을 나타냈으며, 현장조사 평가점수 자료군(C1~C4) 보다는 전문가의견이 반영된 평가점수 자료군(R1~R4)으로 학습한 모형이 정확도가 높은 것으로 분석되었다. 특히, 직접징후와 간접징후 정보를 학습에 반영한 경우가 예측정확도가 높게 나타났다. 향후 땅밀림 현장조사 자료가 지속적으로 확보될 경우, 본 연구에서 활용한 기계학습기법은 땅밀림 분류를 위한 도구로 활용이 가능할 것으로 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this study, classification models were built using machine learning techniques that can classify the soil creep risk into three classes from A to C (A: risk, B: moderate, C: good). A total of six machine learning techniques were used: K-Nearest Neighbor, Support Vector Machine, Logistic Regressio...

주제어

#위험등급 분류   #땅밀림   #기계학습   #산지토사재해  

표/그림 (7)

참고문헌 (16)

  1. Akgun, A. (2012). A Comparison of Landslide Susceptibility Maps Produced by Logistic Regression, Multi-Criteria Decision, and Likelihood Ratio Methods: A Case Study at Izmir, Turkey. Landslides. 9(1): 93-106. 

    상세보기 crossref

  2. Althuwaynee, O. F., Pradhan, B., Park, H. J., and Lee, J. H. (2014). A Novel Ensemble Decision Tree-based CHi-squared Automatic Interaction Detection (CHAID) and Multivariate Logistic Regression Models in Landslide Susceptibility Mapping. Landslides. 11(6): 1063-1078. 

    상세보기 crossref

  3. Bergen, K. J., Johnson, P. A., Maarten, V., and Beroza, G. C. (2019). Machine Learning for Data-driven Discovery in Solid Earth Geoscience. Science. 363(6433). 

    상세보기

  4. Byeon, S. H., Kang, H. J., Han, J. W., and Kim, T. W. (2008). Flood Mitigation Planing for a Basin Using a Decision Tree Model. Journal of Civil and Environmental Engineering Research B. 28(1B): 33-40. 

  5. Chae, B. G., Kim, W. Y., Kim, Y. C., Kim, K. S., Lee, C. O. and Choi, Y. S. (2004). Development of a Logistic Regression Model for Probabilistic Prediction of Debris Flow. The Journal of Engineering Geology. 14(2): 211-222. 

  6. Chen, W., Peng, J., Hong, H., Shahabi, H., Pradhan, B., Liu, J., Zhu, A., Pei, X., and Duan, Z. (2018). Landslide Susceptibility Modelling using GIS-based Machine Learning Techniques for Chongren County, Jiangxi Province, China. Science of the total environment. 626: 1121-1135. 

    상세보기 crossref

  7. Choi, S. W., Jang, W. C. (2017). Forecasting Probabilities of Earthquake in Korea Based on Seismological Data. The Korean Journal of Applied Statistics. 30(5): 759-774. 

    원문보기 상세보기 crossref

  8. Danneels, G., Pirard, E., and Havenith, H. B. (2007). Automatic Landslide Detection from Remote Sensing Images using Supervised Classification Methods. In 2007 IEEE International Geoscience and Remote Sensing Symposium. 3014-3017. 

  9. Ding, A., Zhang, Q., Zhou, X., and Dai, B. (2016). Automatic Recognition of Landslide Based on CNN and Texture Change Detection. In 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC). 444-448. 

  10. Kirschbaum, D. and Stanley, T. (2018). Satellite-based Assessment of Rainfall-triggered Landslide Hazard for Situational Awareness. Earth's Future. 6(3): 505-523. 

    상세보기 crossref

  11. Ma, Z., Mei, G., and Piccialli, F. (2020). Machine Learning for Landslides Prevention: A Survey. Neural Computing and Applications. 1-27. 

  12. National Institute of Forest Science. (2018). Field Survey Manual of Soil Creep. Seoul: NIFoS. 

  13. Park, J. H. (2015). Analysis on the Characteristics of the Landslide-with a Special Reference on Geo-topographical Characteristics. Journal of Korean Society of Forest Science. 104(4): 588-597. 

    원문보기 상세보기 crossref

  14. Segoni, S., Lagomarsino, D., Fanti, R., Moretti, S., and Casagli, N. (2015). Integration of Rainfall Thresholds and Susceptibility Maps in the Emilia Romagna (Italy) Regional-scale Landslide Warning System. Landslides. 12(4): 773-785. 

    상세보기 crossref

  15. Sit, M., Demiray, B. Z., Xiang, Z., Ewing, G. J., Sermet, Y., and Demir, I. (2020). A Comprehensive Review of DEEP Learning Applications in Hydrology and Water Resources. Water Science and Technology. 82(12): 2635-2670. 

    상세보기 crossref

  16. Woo, S. Y., Jung, C. G., Kim, J. U. and Kim, S. J. (2018). Assessment of Climate Change Impact on Aquatic Ecology Health Indices in Han River Basin using SWAT and Random Forest. Journal of Korea Water Resources Association. 51(10): 863-874. 

    원문보기 상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로