인공지능과 로지스틱 회귀 모델을 이용한 상주 지역 산사태 취약성 연구 :A study of landslide susceptibility from artificial intelligence and logistic regression methods in Sangju area

이아연

추천

검색

자료유형: 학위논문

저자정보: 이아연 (공주대학교, 공주대학교 일반대학원)

지도교수: 김형래

발행연도: 2021

저작권: 공주대학교 논문은 저작권에 의해 보호받습니다.

이용수62

이 논문의 연구 히스토리 (2)

2021

로지스틱 회귀와 인공신경망을 이용한 상주 지역 산사태 취약성 분석

이아연 , 김형래 , 박혁진 외 1명 대한지질학회 학술대회 2021.10 학술대회자료

인공지능과 로지스틱 회귀 모델을 이용한 상주 지역 산사태 취약성 연구

이아연 지질환경과학과 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구에서는 집중호우, 지진 등의 원인에 의해 매년 방대한 피해를 끼치는 산사태 발생 지역에 대한 지공간 상관관계 통합(GCI, Geospatial correlations integration) 기법을 통해 산사태를 일으키는 영향인자 간의 상관관계와 가중치를 분석하고, 산사태 취약성도(landslide susceptibility map)를 작성 및 검증하고자 하였다. 지공간 상관관계 통합 분석은 지리 정보 시스템(GIS, Geographic Information System) 환경에서 확률, 통계 및 머신러닝과 같은 다양한 모델을 적용하여 지질현상이나 자연재해 등에 대한 예측을 수행하는 것을 의미한다. 분석에 활용된 산사태 영향인자는 각각의 주제도에서 추출하여 공간 데이터베이스를 구축하여 총 18개를 고려하였으며, 이를 산사태 위치 데이터와 결합하여 분석하였다. 연구지역은 경상북도 상주시 화서면 일대로, 1998년 8월 10일부터 12일까지 집중호우로 인해 다수의 산사태가 발생하여 큰 피해를 입었다. 이에 빈도비, 로지스틱 회귀, 인공신경망 모델을 적용하여 산사태 취약성 분석을 수행하였고, 산사태 영향인자의 상대적 가중치를 파악하고자 하였다. 앞서 적용한 모델을 통해 도출된 산사태 취약지수는 단지 추정값이기 때문에 ROC(Relative Operating Characteristics) 그래프를 이용하여 예측 정확도를 검증하였다. 이를 보다 정량적으로 파악하기 위해 ROC 곡선 하단의 면적을 나타내는 AUC(Area Under the Curve) 값을 계산한 결과, 빈도비 모델은 70%, 로지스틱 회귀 모델은 86%, 인공신경망 모델은 88%의 예측 정확도를 보였다. 또한 지도 학습 알고리즘 모델에서는 훈련 데이터를 랜덤하게 샘플링하여 여러 번 계산된 산사태 영향인자 별 상대적 가중치 값을 알아보았다. 그 결과, 로지스틱 회귀 모델에서 영향인자 별 상대적 가중치 값은 유효토심이 가장 높았고, 인공신경망 모델에서는 지질암상이 가장 높았다. 하지만 인공신경망 모델의 가중치는 편차가 상대적으로 큰 값을 가지므로 불확실성이 높다고 판단하였다. 이에 따라 훈련 데이터의 산사태 미발생부를 어떻게 샘플링 하는지에 따라 가중치가 크게 달라질 수 있으므로, 이러한 훈련 데이터의 샘플링이 결과에 중요한 영향을 미칠 것으로 판단하였다.

In this study, the correlation and weights between the conditioning factors that cause landslides are analyzed through the geospatial correlations integration technique for the areas where the landslides cause massive damage every year due to heavy rainfall and earthquakes, etc and the landslide susceptibility map is created and verified. Geospatial correlations integration analysis is defined as performing predictions on geological phenomena or natural disasters by applying various models such as probability, statistics, and machine learning in the GIS environment. A total of 18 landslide conditioning factors used in the analysis were considered by constructing a spatial database by extracting from each thematic map, and they were combined with the landslide location data in this analysis. The study area is Hwaseo-myeon, Sangju-si, Gyeongsangbuk-do, which had suffered heavy damage from a number of landslides due to heavy rains from August 10 to 12, 1998. Accordingly, landslide susceptibility analysis was performed by applying the frequency ratio, logistic regression, and artificial neural network models, and the relative weights among the landslide conditioning factor, were investigated. Since the landslide susceptibility index derived through the previously applied model is only an estimated value, the prediction accuracy was verified using the ROC graph. As a result of calculating the AUC value representing the area under the ROC curve to understand this more quantitatively, the FR model showed prediction accuracy of 70%, the LR model 86%, and the ANN model 88%. Also, in the supervised learning algorithm model, the relative weight values for each landslide conditioning factor calculated several times by randomly sampling the training data were investigated. As a result, the soil depth factor had the highest relative weight value for each conditioning factor in the LR model, and the geology factor was the highest in the ANN model. However, the weight of the ANN model had a relatively large bias, so it was believed that the uncertainty of the weights is high. We found that the weights can vary greatly depending on how the number of non-landslide points of the training data are sampled and considered the sampling of the training data has an important effect on the results.

#지리정보시스템(GIS) #빈도비 #로지스틱 회귀분석 #인공신경망 #산사태 취약성 분석

I. 서론 1
1. 연구 배경 및 목적 1
2. 연구 동향 3
3. 연구 방법 4
II. 이론적 배경 7
1. 산사태 취약성 분석 7
2. 빈도비 8
3. 로지스틱 회귀분석 10
4. 인공신경망 분석 13
5. 정확도 평가 19
1) 오차 행렬 19
2) ROC와 AUC 그래프 20
III. 연구지역 공간 데이터베이스 구축 22
1. 연구지역 22
2. 공간 데이터베이스 구축 24
1) 산사태 현황도 24
2) 산사태 영향인자 25
3) 상관 분석 34
IV. 산사태 취약성 분석 37
1. 훈련 데이터 설계 37
2. 빈도비를 이용한 산사태 취약성 분석 38
3. 로지스틱 회귀분석을 이용한 산사태 취약성 분석 49
4. 인공신경망을 이용한 산사태 취약성 분석 51
5. 분석 결과 및 정확도 평가 53
V. 토의 및 결론 57
Ⅵ. 참고문헌 59
ABSTRACT 66

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)