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
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
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 방법중, Random Forest의 정확도가 Train Set의 경우 94%, Test Set의 경우 76.7%로 가장 높아, 최종적으로 Random Forest 가 선정되었다. 따라서, 예측정확도는 통계분석 기법이 약 87%, 머신러닝 기법이 76.7%로, 통계분석 기법의 예측정확도가 더높은 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, 나머지10,523(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
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 statistical technique, the prediction accuracy of the developed model through the optimal scaling method showed about 87%. As the result of using machine learning technique, because the accuracy of Random Forest method is 94% in case of Train Set, 76.7% in case of Test Set, which is the highest accuracy among the 4 analyzed methods, Random Forest method was finally chosen. Therefore, Random Forest method was derived as the final machine learning technique. Accordingly, the statistical analysis technique showed higher accuracy of about 87%, whereas the machine learning technique showed the accuracy of about 76.7%. As the final result, among the 22,296 analyzed building data, the seismic vulnerabilities of 1,627(0.1%) buildings are expected as more dangerous when the statistical analysis technique is used, 10,146(49%) buildings showed the same rate, and the remaining 10,523(50%) buildings are expected as more dangerous when the machine learning technique is used. As the comparison of the results of using advanced machine learning techniques in addition to the existing statistical analysis techniques, in spatial analysis decisions, it is hoped that this research results help to prepare more reliable seismic countermeasures.
참고문헌 (13)
- 박수진, "한반도의 지반운동 (II): 한반도 지진분포의 지형학적 해석", 대한지리학회지, 42(4), pp.488~505 (2007), 대한지리학회
- Chun, Y., "A Study on Earthquake Hazard Mapping using Risk Factors", Proc. of Korean Society for Geospatial Information Science (2017)
- 고준환, "GIS를 활용한 지진위험도 분석", 한국측량학회지, 23(3), pp.239~249 (2005), 한국측량학회
- 황창휘, "지진피해평가시스템을 활용한 도심지 피해예측에 관한 연구", 박사, U-City학과 유비쿼터스시스템전공, pp.2013
- 한지혜, "GIS 기반 AHP를 이용한 지진 취약성 지도제작 및 평가: 경주시를 중심으로", 대한원격탐사학회지, 35(2), pp.217~228 (2019), 대한원격탐사학회[DOI]
- 선창국, "공간 GIS 기반의 지반 정보 시스템 구축을 통한 대전 지역의 부지 응답에 따른 지진재해 구역화", 한국지반공학회논문집, 25(1), pp.5~19 (2009), 한국지반공학회
- Federal Emergency Management Agency (US), "Rapid visual screening of buildings for potential seismic hazards: a handbook" (2015), Government Printing Office
- Federal Emergency Management Agency (US), "Rapid visual screening of buildings for potential seismic hazards: a handbook" (2015), Government Printing Office
- NIST Disaster and Failure Studies Data Repository: The Chile Earthquake Database–Ground Motion and Building Performance Data from the 2010 Chile Earthquake –User Manual, "Catlin, A. C.", ~ (2010)
- S. B. Kim, "A Development of a Seismic Vulnerability Model and Relative Spatial Analysis for Buildings", Master, pp.2019
- 김상빈, "건물에 대한 지진취약도 모델링 및 공간 분석", 한국융합학회논문지, 11(10), pp.9~18 (2020), 한국융합학회[DOI]
- He, Q., "Landslide spatial modelling using novel bivariate statistical based Naïve Bayes, RBF Classifier, and RBF Network machine learning algorithms", Science of the total environment, 663, pp.1~15 (2019)
- Bui, D. T., "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, pp.476~487 (2019)