$\require{mediawiki-texvc}$

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.

통계분석 기법과 머신러닝 기법의 비교분석을 통한 건물의 지진취약도 공간분석
A Spatial Analysis of Seismic Vulnerability of Buildings Using Statistical and Machine Learning Techniques Comparative Analysis 원문보기

산업융합연구 = Journal of industrial convergence, v.21 no.1, 2023년, pp.159 - 165  

김성훈 (남서울대학교 공간정보공학과) ,  김상빈 (남서울대학교 공간정보공학과 대학원) ,  김대현 (한국전력 데이터사이언스연구소)

초록
AI-Helper 아이콘AI-Helper

최근 지진 발생 빈도가 증가하고 있는 반면 국내 지진 대응 체계는 취약한 현실에서, 본 연구의 목적은 통계분석 기법과 머신러닝 기법을 활용한 공간분석을 통해 건물의 지진취약도를 비교분석 하는 것이다. 통계분석 기법을 활용한 결과, 최적화척도법을 활용해 개발된 모델의 예측정확도는 약 87%로 도출되었다. 머신러닝 기법을 활용한 결과, 분석된 4가지 방법 중, Random Forest의 정확도가 Train Set의 경우 94%, Test Set의 경우 76.7%로 가장 높아, 최종적으로 Random Forest가 선정되었다. 따라서, 예측정확도는 통계분석 기법이 약 87%, 머신러닝 기법이 76.7%로, 통계분석 기법의 예측정확도가 더 높은 것으로 분석되었다. 최종 결과로, 건물의 지진취약도는 분석된 건물데이터 총 22,296개 중, 1,627(0.1%)개의 건물데이터는 통계분석 기법 사용 시 더 위험하다고 도출되었고, 10,146(49%)개의 건물데이터는 동일하게 도출되었으며, 나머지 10,523(50%)개의 건물데이터는 머신러닝 기법 사용 시 더 위험하게 도출되었다. 기존 통계분석 기법에 첨단 머신러닝 기법활용결과가 추가로 비교검토 됨으로써 공간분석 의사결정에 있어서, 좀더 신뢰도가 높은 지진대응책 마련에 도움이 되길 기대한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

While the frequency of seismic occurrence has been increasing recently, the domestic seismic response system is weak, the objective of this research is to compare and analyze the seismic vulnerability of buildings using statistical analysis and machine learning techniques. As the result of using sta...

주제어

#지진   #통계   #머신러닝   #공간분석   #취약도  

참고문헌 (13)

  1. Park, S. J. (2007). Tectonic movement in the？Korean peninsula (II): A geomorphological interpretation of the spatial distribution of earthquakes.？Journal of the Korean Geographical Society, 42(4),？488-505. 

  2. Chun, Y. (2017). A Study on Earthquake Hazard？Mapping using Risk Factors. Proc. of Korean？Society for Geospatial Information Science, Seoul,？Korea, May, 25-26. 

  3. Koh, J. H., Kwon, J. H., & Choi, Y. S. (2005). Error？Assessment of Attitude Determination Using？Wireless Internet-Based DGPS. Journal of the？Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 23(3), 239-249. 

  4. Hwang, C. H. (2012). A Study on Urban Damage？Assessment by Earthquake Damage Assessment？System. Seoul Venture University. 

  5. Han, J., & Kim, J. (2019). A GIS-based seismic vulnerability mapping and assessment using AHP: A？case study of Gyeongju, Korea. Korean Journal of？Remote Sensing, 35(2), 217-228. 

  6. Sun, C. G. (2009). Seismic zonation on site responses in Daejeon by building geotechnical information system based on spatial GIS framework.？Journal of the Korean Geotechnical Society, 25(1),？5-19. 

  7. Federal Emergency Management Agency (US) (Ed.).？(2015). Rapid visual screening of buildings for potential seismic hazards: a handbook. Government？Printing Office. 

  8. Federal Emergency Management Agency (US) (Ed.).？(2015). Rapid visual screening of buildings for potential seismic hazards: a handbook. a Handbook？(Third Edition).Government Printing Office. 

  9. Catlin, A. C., & Pujol, S. (2015). NIST Disaster and？Failure Studies Data Repository: The Chile？Earthquake Database-Ground Motion and Building？Performance Data from the 2010 Chile Earthquake-User Manual. 

  10. S. B. Kim. (2019). A Development of a Seismic？Vulnerability Model and Relative Spatial Analysis？for Buildings. Paper of Master's Degree. Namseoul？University, Cheonan. 

  11. Kim, S. B., & Kim, S. H. (2020). A Development of？a Seismic Vulnerability Model and Spatial Analysis？for Buildings. Journal of the Korea Convergence？Society, 11(10), 9-18. 

  12. He, Q., Shahabi, H., Shirzadi, A., Li, S., Chen, W.,？Wang, N., ... & Ahmad, B. B. (2019). Landslide spatial modelling using novel bivariate statistical？based Naive Bayes, RBF Classifier, and RBF？Network machine learning algorithms. Science of？the total environment, 663, 1-15. 

    상세보기

  13. Bui, D. T., Hoang, N. D., & Samui, P. (2019).？Spatial pattern analysis and prediction of forest？fire using new machine learning approach of？Multivariate Adaptive Regression Splines and？Differential Flower Pollination optimization: A？case study at Lao Cai province (Viet Nam). Journal？of environmental management, 237, 476-487. 

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

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