태풍 경로 군집화와 행정구역별 손실예측모형: 기후변화 시나리오와 기계학습 응용
Track Clustering of Tropical Cyclones and Regional Loss Prediction Model: The Impact of Climate Change Scenarios and Applications to Machine Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 한반도에 직접적으로 영향을 주는 태풍의 지역별 손실액 변화를 예측하기 위해 두 단계의 기계학습 접근법을 제안한다. 먼저 태풍의 경로 군집화 분석을 통해 물리적 위태(hazard)를 지역별로 세분화하고, 이를 지리 및 사회경제적 데이터와 결합하여 지역별 손실액을 예측한다. 본 연구에서 제안한 기계학습 기반의 손실 예측 모형(random forest)이 전통적 통계모형(multiple linear regression)과 비교하여 더 나은 예측오차를 보였으며, 일부 사회경제 및 지리적 요인(제방면적, 1인당 지역총소득, 구거면적)이 태풍 손실에 유의미한 영향을 준다는 것을 확인하였다. 기후변화에 관한 정부간 협의체(IPCC)의 시나리오를 고려한 미래시점(2100년)의 한반도 태풍 위험을 예측하고, 행정구역별 위험 요인을 종합적으로 반영한 태풍 위험지도를 제공하였다. 특히, IPCC 시나리오 하에서 예측된 단위 태풍 당 경제적 손실은 현 시점 대비 최소 6.5배에서 최대 14.8배 증가하는 것으로 나타났다. 본 연구결과는 (재)보험사에게 기후변화로 인한 재해의 물리적 위태 변화와 관련 손실액을 예측하는 절차적인 방법론을 제공하고 있으며, 이는 시장 공급자들의 적절한 재무 계획 설계 및 기후위험에 대한 선제적 대응에 도움을 줄 것으로 기대한다.
Abstract
This study proposes a two-step machine learning approach to predicting economic damage caused by tropical cyclones (TCs) in the Korean Peninsula. We first analyze track clusters of TCs to classify regional physical hazards. We then predict regional TC losses by considering geographic and socio-economic information. Comparing traditional regression model(multiple linear regression), we show better performance of our machine learning-based model than the traditional linear model. We also determine that some economic and geographic factors (i.e. embankment, local income per capita, artificial water) are statistically significant in explaining TC losses. We further predict the economic loss per TC in the year 2100 under a climate change scenario of the Intergovernmental Panel on Climate Change(IPCC) and provide a TC risk map on a regional basis. We find in this prediction that the projected losses per TC can be 6.4 to 14.8 times larger than those at present. Our findings can provide (re)insurers with a stepwise process for predicting climate change-driven TC losses can help them for better financial management and proactive responses to climate changes.
참고문헌 (33)
- 김연수, "태풍피해자료를 이용한 태풍위험지수 개발", 한국방재학회논문집, 19(7), pp.501~509 (2019), 한국방재학회[DOI]
- 김종성, "로지스틱 분포를 이용한 태풍피해예측함수 개발", 한국방재학회논문집, 19(6), pp.105~113 (2019), 한국방재학회[DOI]
- 태풍백서, "기상청", ~ (2011)
- 박상진, "Potential Flood Risk Analysis Considering Climate Change Impact", 리스크관리연구, 32(4), pp.1~28 (2021), 한국리스크관리학회[DOI]
- "보험개발원 한국형 자연재해 손실평가 모델 개발", 보험개발원 보도자료, ~ (2019)
- 양성필, "태풍타입별 피해 분석 및 다중회귀분석을 활용한 태풍피해예측모델 개발 연구", 한국건축시공학회지, 16(5), pp.437~445 (2016), 한국건축시공학회[DOI]
- 이동근, "기후변화 리스크의 위험성과 확장성 분석:산사태리스크를 중심으로", 리스크관리연구, 28(2), pp.69~94 (2017), 한국리스크관리학회[DOI]
- 이승욱, "우리나라 태풍 내습 유형별 극한기후현상 강도와피해 규모의 관련성", 한국지역지리학회지, 22(2), pp.450~465 (2016), 한국지역지리학회
- 행정안전부, "2019 재해연보", ~ (2020)
- Annual report: Weather, climate & catastrophe insight, "AON", ~ (2021)
- Bakkensen, L. A., "Climate costs of tropical cyclone losses also depend on rain", Environmental Research Letters, 13(7), pp.074034~ (2018)
- Bouwer, L. M., "Projections of future extreme weather losses under changes in climate and exposure", Risk Analysis, 33(5), pp.915~930 (2013)
- Chen, T., "Xgboost: A scalable tree boosting system", Proceedings of the 22nd ACM SIGKDD international conference on Knowledge Discovery and Data mining, pp.785~794 (2016)
- Charpentier, A., "Insurability of climate risks", The Geneva Papers on Risk and Insurance-Issues and Practice, 33(1), pp.91~109 (2008)
- Drucker, H., "Support vector regression machines", Advances in Neural Information Processing Systems, 9 (1996)
- Ester, M, "A density-based algorithm for discovering clusters in large spatial databases with noise", Proceedings of the second international conference on Knowledge Discovery and Data Mining, pp.226~231 (1996)
- Gatzert, N., "Awareness of climate risks and opportunities : empirical evidence on determinants and value from the US and European insurance industry", The Geneva Papers on Risk and Insurance-Issues and Practice, 47(1), pp.5~26 (2022)
- Ho, T. K., "Random decision forests", Proceedings of 3rd international conference on Document Analysis and Recognition, 1, pp.278~228 (1995)
- Special report : Emission scenarios, "Intergovernmental Panel on Climate Change(IPCC)", ~ (2000)
- Climate Change 2013 : The Physical Science Basis, "Intergovernmental Panel on Climate Change(IPCC)", ~ (2013)
- Special report : Global warming of 1. 5°C, "Intergovernmental Panel on Climate Change(IPCC)", ~ (2018)
- Knutson, R. T., "Tropical cyclones and climate change", Nature Geoscience, 3, pp.157~163 (2010)
- Kossin, J. P., "Trend analysis with a new global record of tropical cyclone intensity", Journal of Climate, 26(24), pp.9960~9976 (2013)
- MacQueen, J., "Some methods for classification and analysis of multivariate observations", Proceedings of the fifth Berkeley symposium on Mathematical Statistics and Probability, 5(1), pp.281~297 (1967)
- Mendelsohn, R., "The impact of climate change on global tropical cyclone damage", Nature Climate Change, 2(3), pp.205~209 (2012)
- Nam, C. C., "Dependency of tropical cyclone risk on track in South Korea", Natural Hazards and Earth System Sciences, 18(12), pp.3225~3234 (2018)
- Rahmah, N., "Determination of optimal epsilon (eps) value on dbscan algorithm to clustering data on peatland hotspots in sumatra", IOP conference series: earth and environmental science, 31(1), pp.012012~ (2016)
- Ribeiro, R. P., "Imbalanced regression and extreme value prediction", Machine Learning, 109(9), pp.1803~1835 (2020)
- Rousseeuw, P. J., "Silhouettes: a graphical aid to the interpretation and validation of cluster analysis", Journal of Computational and Applied Mathematics, 20, pp.53~65 (1987)
- Tibshirani, R., "Regression shrinkage and selection via the lasso", Journal of the Royal Statistical Society: Series B (Methodological), 58(1), pp.267~288 (1996)
- Torgo, L., "Resampling strategies for regression", Expert Systems, 32(3), pp.465~476 (2015)
- United Nations Office for Disaster Risk Reduction, "Human cost of disasters", ~ (2020)
- Villarini, G., "Sensitivity of tropical cyclone rainfall to idealized global-scale forcings", Journal of Climate, 27(12), pp.4622~4641 (2014)