[논문]SMOTE와 분류 기법을 활용한 산사태 위험 지역 결정 방법

윤형구

doi:10.7843/kgs.2023.39.6.5

초록
AI-Helper

산사태 위험 지역을 사전에 조사하여 설정하는 것은 다수의 피해를 줄이기 위해 필요하다. 해당 연구의 목적은 machine learning 기법 중 분류 알고리즘을 활용하여 대상 지반의 안전율 분류를 수행할 수 있는 방법론을 제시하는 것이다. 산사태 위험 지역은 high risk area(HRA) 모델을 적용하였으며, 8개의 지반공학 물성치를 통해 위험 지역을 판단하였다. 분류 알고리즘은 decision tree(DT), K-Nearest Neighbor(KNN), logistic regression(LR) 그리고 random forest(RF)의 4가지가 활용 되었으며, 안전율 1.2~2.0 범위에 8가지 지반공학 물성치의 분류 정확도를 계산하였다. 정확도는 안전율이 1.2~1.7 범위에서 신뢰성 높게 나타났지만, 그 외 범위인 1.8~2.0 사이에서는 상대적으로 낮은 정확도를 보였다. 이를 극복하기 위하여 synthetic minority over-sampling technique(SMOTE) 알고리즘을 적용하여 데이터 개수를 증폭하였으며, 증폭한 데이터를 통해 분류 알고리즘을 적용하면 안전율 1.8~2.0 범위에서 정확도가 평균적으로 약 250% 증가한 것으로 나타났다. 해당 연구 결과는 SMOTE 알고리즘이 데이터 개수를 향상시켜 분류 알고리즘의 정확도가 개선된 것을 보여주며, 타 분야에도 정확도 향상에 적용 가능하다고 판단된다.

Abstract ▼ AI-Helper

Proactive assessment of landslide susceptibility is necessary for minimizing casualties. This study proposes a methodology for classifying the landslide safety factor using a classification algorithm based on machine learning techniques. The high-risk area model is adopted to perform the classificat...

Proactive assessment of landslide susceptibility is necessary for minimizing casualties. This study proposes a methodology for classifying the landslide safety factor using a classification algorithm based on machine learning techniques. The high-risk area model is adopted to perform the classification and eight geotechnical parameters are adopted as inputs. Four classification algorithms-namely decision tree, k-nearest neighbor, logistic regression, and random forest-are employed for comparing classification accuracy for the safety factors ranging between 1.2 and 2.0. Notably, a high accuracy is demonstrated in the safety factor range of 1.2~1.7, but a relatively low accuracy is obtained in the range of 1.8~2.0. To overcome this issue, the synthetic minority over-sampling technique (SMOTE) is adopted to generate additional data. The application of SMOTE improves the average accuracy by ~250% in the safety factor range of 1.8~2.0. The results demonstrate that SMOTE algorithm improves the accuracy of classification algorithms when applied to geotechnical data.

주제어

표/그림 (7)

그림 Fig. 1. Graphical explanations of applied algorithms in this study: (a) decision tree; (b) K-Nearest Neighbor; (c) logistic regression; (d) random forest. The Figure was modified with reference to a study conducted by Lee et al. (2022)
그림 Fig. 2. Experimental site to estimate the landslide susceptibility. The connection of A, B and C shows the experimental profiles to obtain geotechnical properties
그림 Fig. 3. Classification results of machine learning algorithms through raw data. The DT, KNN, LR and RF denote the decision tree, K-Nearest Neighbor, logistic regression and random forest
그림 Fig. 4. Comparison of the number of data based on original and oversampled data
그림 Fig. 5. Classification results of machine learning algorithms through oversampled data. The DT, KNN, LR and RF denote the decision tree, K-Nearest Neighbor, logistic regression and random forest
그림 Fig. 6. Rate of increase between original and oversampled data. The subplot was provided for finding the characterization of results according to the various ranges of rate of increase
그림 Fig. 7. Comparisons of classification accuracy on average. The 1 and 2 denote the original and oversampled data

참고문헌 (11)

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W.？P. (2002), "SMOTE: Synthetic Minority Over-sampling Technique",？Journal of Artificial Intelligence Research, Vol.16, pp.321-357.

상세보기
Hong, M. and Jeong, S. (2019), "A Combined Method for Rainfall-induced Landslides and Debris Flows in Regional-scale Areas",？Journal of the Korean Geotechnical Society, Vol.35, No.10, pp.？17-31.
Jeon, B. G., Kim, J., and Kang, G. (2021), "Case Study on Location？of Possible Tension Crack in Rock Slope," Journal of the Korean？Geotechnical Society, Vol.37, No.3, pp.5-17.
Ji, Y., Kin, H. S., Lee, M, G., Cho, H. I., and Sun, C. G. (2021),？"MLP-based 3D Geotechnical Layer Mapping Using Borehole？Database in Seoul, South Korea", Journal of the Korean Geotechnical？Society, Vol.37, No.5, pp.47-63.
Jun, H., Min, D. H., and Yoon, H. K. (2017), "Determination of？Monitoring Systems and Installation Location to Prevent Sebris？Flow through Web-based Database and AHP", Marine Georesources？& Geotechnology, Vol.35, No.8, pp.1049-1057.
Kim, J., Kang, J. M., and Back, S. H. (2021), "Development of？Random Forest Model for Sewer-induced Sinkhole Susceptibility",？Journal of the Korean Geotechnical Society, Vol.37, No.12, pp.？117-125.
Kim, T. W., Yoo, H. S., Park, S. I., and Kim, J. H. (2022), "Slope？Stability in Logging Areas Using Unmanned Aerial Vehicle Imaging",？Journal of the Korean Geotechnical Society, Vol.38, No.7, pp.39-47.
Kumar, S., Lal, R., and Liu, D. (2012), "A Geographically Weighted？Regression Kriging Approach for Mapping Soil Organic Carbon？Stock", Geoderma, Vol.189, pp.627-634.

상세보기
Lee, J. S., Park, J., Kim, J., and Yoon, H. K. (2022), "Study of？Oversampling Algorithms for Soil Classifications by Field Velocity？Resistivity Probe", Geomechanics and Engineering, Vol.30, No.3,？pp.247-258.

상세보기
Ma, J. and Yun, T. S. (2022), "Prediction of Slope Failure Arc？Using Multilayer Perceptron", Journal of the Korean Geotechnical？Society, Vol.38, No.8, pp.39-52.
Min, D. H. and Yoon, H. K. (2021), "Suggestion for a New？Deterministic Model Coupled with Machine Learning Techniques？for Landslide Susceptibility Mapping", Scientific Reports, Vol.11,？No.1, 6594.

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

[국내논문] SMOTE와 분류 기법을 활용한 산사태 위험 지역 결정 방법
Method for Assessing Landslide Susceptibility Using SMOTE and Classification Algorithms 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

참고문헌 (11)

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

[국내논문] SMOTE와 분류 기법을 활용한 산사태 위험 지역 결정 방법 Method for Assessing Landslide Susceptibility Using SMOTE and Classification Algorithms 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

윤형구 (26)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] SMOTE와 분류 기법을 활용한 산사태 위험 지역 결정 방법
Method for Assessing Landslide Susceptibility Using SMOTE and Classification Algorithms 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)