초록 ▼

본 연구에서는 ML 모델링을 이용하여 제주도의 홍수위험 영향요인을 분석하고자 한다. 강우-유출 모델 GRM에 저류지 모의 모듈을 개발하여 포함하고, 강우의 초기손실 모의 기법을 개발하였다. 이를 반영하여 제주도 전역에 대한 유출모델을 구현하고, 최대유출 머신러닝 학습 자료를 생성하였다. 정량적 홍수위험 평가 모형인 K-FRM을 제주도에서도 사용 가능하도록 하는데 필요한 개선사항을 도출하였다. 제주전역을 185,002 격자(100m X 100m)로 구성된 템플릿에 맞춰 27종류의 학습자료를 구축하였다. 침수흔적도를 이용한 Target

본 연구에서는 ML 모델링을 이용하여 제주도의 홍수위험 영향요인을 분석하고자 한다. 강우-유출 모델 GRM에 저류지 모의 모듈을 개발하여 포함하고, 강우의 초기손실 모의 기법을 개발하였다. 이를 반영하여 제주도 전역에 대한 유출모델을 구현하고, 최대유출 머신러닝 학습 자료를 생성하였다. 정량적 홍수위험 평가 모형인 K-FRM을 제주도에서도 사용 가능하도록 하는데 필요한 개선사항을 도출하였다. 제주전역을 185,002 격자(100m X 100m)로 구성된 템플릿에 맞춰 27종류의 학습자료를 구축하였다. 침수흔적도를 이용한 Target Data를 구축하였다. 홍수위험 영향인자 분석을 위해 변수 중요도를 제공하는 트리계열의 이진분류 ML모델을 사용하였다. RandomForest 모델이 최적모형으로 선정되었으며 중권역별 분석에서 F1 점수는 0.72~0.82, 재현율은 0.73~0.83의 성능을 보이고 있다. 제주도의 경우 위험성 인자 중에서 강우, 지하수, 바람과 관련된 요인이 유량과 관련된 요인보다 변수 중요도가 높게 나타나고 있다.

(출처 : 서지자료 130p)

Abstract ▼

In the context of this study, we intend to employ machine learning models to assess the factors influencing flood risk in Jeju Island. A reservoir simulation module was developed and included in the rainfall-runoff model GRM, and a technique for simulating the initial loss of rainfall was developed.

In the context of this study, we intend to employ machine learning models to assess the factors influencing flood risk in Jeju Island. A reservoir simulation module was developed and included in the rainfall-runoff model GRM, and a technique for simulating the initial loss of rainfall was developed. In light of this, we implemented a rainfall-runoff model for the entire Jeju Island and created maximum outflow data for each cell, in order to use in machine learning training. Identified were key improvements needed to adapt the K-FRM, a quantitative flood risk assessment model, for utilization on Jeju Island. 27 types of learning materials were constructed according to a template consisting of 185,002 grids (100m). Target data was constructed using flood trace maps.To analyze flood risk influencing factors, a tree-based binary classification ML model that provides feature importance was used. The RandomForest model was selected as the optimal model, and in the analysis by mid-watershed, the F1 score was 0.72~0.82 and the recall rate was 0.73~0.83. In the case of Jeju Island, among Hazard factors, factors related to rainfall, groundwater, and wind appear to have higher feature importances than factors related to flow rate.

(source : Bibliographic Data 132p)

목차 Contents

• 표지 ... 1
• 요약문 ... 4
• Executive Summary ... 6
• 목차 ... 8
• 표목차 ... 10
• 그림목차 ... 11
• 제1장 연구개발과제 개요 ... 15
• 1. 개념 및 정의 ... 15
• 2. 추진배경 및 필요성 ... 16
• 2.1 추진배경 ... 16
• 2.2 필요성 ... 17
• 제2장 연구개발과제의 수행과정 및 수행내용 ... 21
• 1. 연구개발 수행과정 ... 21
• 1.1 연구개발 로드랩 ... 21
• 1.2 연구개발 추진체계 ... 22
• 1.3 당해연도 연구목표 달성을 위한 추진체계 ... 22
• 2. 수행내용 ... 23
• 2.1 제주도 맞춤형 강우-유출 체계(GRM) 구축 ... 23
• 2.2 제주도 맞춤형 K-FRM 개선 ... 24
• 2.3 격자기반 AI 홍수위험도 평가 및 예측 ... 24
• 2.4 테스트 베드 및 실증 추진 계획 수립 ... 25
• 제3장 연구개발과제의 수행결과 및 목표달성 정도 ... 27
• 1. WBS 1: 지역특성을 반영한 홍수해석 및 위험도 평가 기술 개선 ... 27
• 1.1 제주 맞춤형 GRM 개선 및 적용 ... 27
• 1.2 제주 맞춤형 K-FRM(한국형 홍수위험 정량화 모델) 개선 ... 37
• 2. WBS 2 : 격자기반 AI 홍수위험도 평가 및 예측 기술 개발 ... 46
• 2.1 연구 기본 전략 ... 46
• 2.2 AI 홍수위험도 평가 및 예측을 위한 타겟(Target) 설정 ... 50
• 2.3 AI 홍수위험도 평가 및 예측을 위한 학습데이터 구축 ... 60
• 2.4 특성공학(Feature Engineering) 적용 ... 91
• 2.5 ML(machine learning) 모델링 ... 103
• 2.6 MLOps 적용 ... 113
• 3. 정량적 연구개발 성과 ... 117
• 3.1 과학적 성과 ... 117
• 3.2 기술적 성과 ... 117
• 제4장 차년도 연구개발 계획 ... 118
• 1. 연구개발 목표 및 내용 ... 118
• 1.1 연구개발 목표 및 예상 성과물 ... 118
• 1.2 연구개발 로드맵 ... 122
• 2. 국내외 관련분야 환경변화 ... 122
• 3. 연구개발 추진전략 ... 123
• 4. 연구개발 일정 및 기대성과 ... 125
• 5. 연구비 사용계획 ... 126
• 6. 성과활용방안 ... 128
• 7. 기대효과 ... 128
• 참고문헌 ... 129
• 서지자료 ... 130
• Bibliographic Data ... 132
• 끝페이지 ... 133