지형정보를 이용한 유효토심 분류방법비교
Comparison of Effective Soil Depth Classification Methods Using Topographic Information
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
국내외적으로 다양한 산사태 발생원인 분석과 취약지역의 예측이 이루어지고 있다. 본 연구에서는 산사태에서 발생하는 재해의 분석 및 예측에 사용되는 많은 특성 중 필수적인 요소인 유효토심을 지형정보를 이용해 예측했다. 지형정보 데이터를각 기관별로 획득한 후 100m × 100m의 격자에 속성정보로 할당하고 데이터 등급화를 통해 차원을 축소 시켜주었다. 분류기준으로 3개 깊이(얕음, 보통, 깊음)와 5개 깊이(매우 얕음, 얕음, 보통, 깊음, 아주 깊음)의 두 가지 경우에 대해 유효토심을예측했다. K-최근접 이웃, 랜덤 포레스트, 심층인공신경망 모델을 통해 예측하고 정확도, 정밀도, 재현율, F1-점수를 계산해그 성능을 비교했다. 예측결과 모델에 따라 50% 후반에서 70% 초반의 성능을 보였다. 3개 분류기준의 정확도가 5개 분류기준의 정확도보다 5% 정도 높았다. 본 연구에서 제시한 등급화 기준과 분류모델의 성능은 아직 미흡하지만 유효토심의 예측에 있어서 분류모델의 적용이 가능하다고 판단된다. 큰 지역을 획일적으로 가정하여 사용하는 현재의 유효토심보다 신뢰성 있는값의 예측이 가능하다고 사료된다.
Abstract
Research on the causes of landslides and prediction of vulnerable areas is being conducted globally. This study aims to predict the effective soil depth, a critical element in analyzing and forecasting landslide disasters, using topographic information. Topographic data from various institutions were collected and assigned as attribute information to a 100 m × 100 m grid, which was then reduced through data grading. The study predicted effective soil depth for two cases: three depths (shallow, normal, deep) and five depths (very shallow, shallow, normal, deep, very deep). Three classification models, including K-Nearest Neighbor, Random Forest, and Deep Artificial Neural Network, were used, and their performance was evaluated by calculating accuracy, precision, recall, and F1-score. Results showed that the performance was in the high 50% to early 70% range, with the accuracy of the three classification criteria being about 5% higher than the five criteria. Although the grading criteria and classification model's performance presented in this study are still insufficient, the application of the classification model is possible in predicting the effective soil depth. This study suggests the possibility of predicting more reliable values than the current effective soil depth, which assumes a large area uniformly.
참고문헌 (19)
- Bourennane, H., "Comparison of kriging with external drift and simple linear regression for predicting soil horizon thickness with different sample densities", Geoderma, 97, pp.255~271 (2000)
- Breiman, L., "Random Forests", Machine Learning, 45, pp.5~32 (2001)[DOI]
- Chan, H. C., "Using multinomial logistic regression for prediction of soil depth in an area of complex topography in Taiwan", Catena, 176, pp.419~429 (2019)
- 최은경, "지형 요소를 고려한 백두산 지역의 위험도 분석", 한국지구과학회지, 34(7), pp.605~614 (2013), 한국지구과학회
- 최은경, "GIS 기반의 도심지 지반침하지도 작성 사례", 한국지반공학회논문집, 33(10), pp.5~14 (2017), 한국지반공학회
- 전찬준, "미시추 구간의 지반 층상정보 예측을 위한 정규 크리깅 및 인공신경망 기법의 비교", 한국지반환경공학회 논문집, 20(3), pp.15~20 (2019), 한국지반환경공학회[DOI]
- Costa-Cabral, M., "Digital elevation model networks(DEMON) : A model of flow over hillslopes for computation of contributing and dispersal areas", Water Resources Research, 30, pp.1681~1692 (1994)
- Everitt, B. S., "Miscellaneous Clustering Methods, in Cluster Analysis" (2011), John Wiley & Sons, Ltd
- Ho, J. -Y., "Influence of spatial distribution of soil thickness on shallow landslide prediction", Engineering Geology, 124, pp.38~46 (2012)
- Karlsson, C. S. J., "Comparison of methods for predicting regolith thickness in previously glaciated terrain, Stockholm", Geoderma, 226-227, pp.116~129 (2014)
- 김형신, "충주시 상산마을 주변 임도 산사태의 발생 원인 분석", 지질공학, 32(1), pp.73~83 (2022), 대한지질공학회
- 김진욱, "울산 산사태 위험지역의 강우 침투 안정성 평가", 한국지반공학회논문집, 32(6), pp.27~40 (2016), 한국지반공학회[DOI]
- Kim, M. S., "Effects of soil depth and subsurface flow along the subsurface topography on shallow landslide predictions at the site of a small granitic hillslope", Geomorphology, 271, pp.40~54 (2016)
- Kingma, D. P., "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION", International Conference on Learning Representations (2015)
- Kuriakose, S. K., "Prediction of soil depth using environmental variables in an anthropogenic landscape, A Case Study in the Western Ghats of Kerala, India", Catena, 79, pp.27~38 (2009)
- 이승우, "데이터베이스 구축을 통한 산사태 위험도 예측식 개발", 한국지반공학회논문집, 28(4), pp.23~33 (2012), 한국지반공학회[DOI]
- 민대홍, "신뢰성 높은 표피심도 모델링 구축 방안", 한국방재학회논문집, 18(2), pp.307~315 (2018), 한국방재학회[DOI]
- Penížek, V., "Soil depth prediction supported by primary terrain attributes: a comparison of methods", Plant and Soil Environment, 52 (2006)
- Hahnloser, R. H. R., "Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit", Nature, 405(6789), pp.947~951 (2000)