돌발홍수 예보를 위한 빅데이터 분석방법
The big data method for flash flood warning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
돌발홍수는 강우유출수가 하천으로 모여드는 유역이 좁은 지역에 집중호우로 인해 유입되는 물의 양이 급증하여 나타난다. 돌발홍수는 유속이 빠르고 홍수를 대비할 수 있는 시간이 부족하므로 인명과 재산상의 피해를 발생시킨다. 본 연구에서는 돌발홍수를 예보를 위한 빅데이터 분석방법을 수행하였다. 연구 자료는 2009년에서 2012년까지 국민안전처 국가재난정보센터에 보고된 38건의 홍수 피해 자료와 지표수문모형(TOPLATS)에 의해 생성된 수문기상정보인 강우량, 토양수분 상태, 지표유출량이다. 돌발홍수 발생 선행 6시간의 강우량, 토양수분 상태, 지표유출량 데이터를 요인분석을 통해 토양수분 상태, 장기요인에 의한 강우량과 지표유출량, 단기요인에 의한 강우량과 지표유출량으로 축소하였다. 빅데이터 분석 방법으로는 유형분석인 의사결정나무, 랜덤포레스트, 나이브베이즈, 서포트벡터머신, 로지스틱 회귀모형을 사용하였다. 돌발홍수 사고발생 자료가 38건으로 한정되어 있기 때문에 예측성능 정확도 판단이 중요하다. 예측성능 정확도 평가 방법으로 kappa계수, TP Rate, FP Rate, F-Measure를 이용하였다. 이 외에 돌발홍수 발생 선행 시점별 재현성 평가와 과거 4년간 돌발홍수 경보 횟수를 통해 최적 유형분석 방법을 제시하였다. 연구결과 로지스틱회귀모형과 랜덤포레스트가 돌발홍수 예보를 위한 예측 성능이 가장 좋았다. 사고발생 자료가 2009년부터 2012년까지 38건으로 한정되어 있어 분석을 위한 훈련자료와 검증자료 구축에 한계가 있었다. 장기간의 자료가 수집된다면 더욱 정확한 빅데이터 분석을 수행할 수 있다.
Abstract
Flash floods is defined as the flooding of intense rainfall over a relatively small area that flows through river and valley rapidly in short time with no advance warning. So that it can cause damage property and casuality. This study is to establish the flash-flood warning system using 38 accident data, reported from the National Disaster Information Center and Land Surface Model(TOPLATS) between 2009 and 2012. Three variables were used in the Land Surface Model: precipitation, soil moisture, and surface runoff. The three variables of 6 hours preceding flash flood were reduced to 3 factors through factor analysis. Decision tree, random forest, Naive Bayes, Support Vector Machine, and logistic regression model are considered as big data methods. The prediction performance was evaluated by comparison of Accuracy, Kappa, TP Rate, FP Rate and F-Measure. The best method was suggested based on reproducibility evaluation at the each points of flash flood occurrence and predicted count versus actual count using 4 years data.
참고문헌 (17)
- H. Chang, "Spatial variations of summer precipitation trends in South Korea, 1973-2005", Environmental Research Letter, 2(4), pp.1~9 (2007)
- 이승호, "한국의 여름철 강수량 변동 - 순별 강수량을 중심으로 -", 대한지리학회지, 39(6), pp.819~832 (2004), 대한지리학회
- "Special report about abnormal climate" (2010)[URL]
- 배덕효, "한국형 돌발홍수 예경보시스템 개발 : (Ⅰ) 이론 및 시스템 설계", 대한토목학회 논문집B, 27(3B), pp.237~243 (2007), 대한토목학회
- 이정호, "PROMETHEE와 Entropy 기법을 이용한 돌발홍수 위험도 평가", 한국방재학회논문집, 11(3), pp.151~156 (2011), 한국방재학회
- 윤상후, "통계적 돌발홍수지수 산정에 관한 연구", 한국방재학회논문집, 15(6), pp.189~197 (2015), 한국방재학회
- 이병주, "산지돌발홍수 예측을 위한 TOPLATS 지표해석모델 적용성 평가", 한국수자원학회 논문집, 49(1), pp.19~28 (2016), 한국수자원학회
- "Meteorological Technology & policy" (2009)[URL]
- J. Choi, "Data Mining Decision Tree Analysis Using Answer Tree", pp.17~23 (1998), SPSS academy
- 이무훈, "야외활동 의사결정을 위한가중치 기반 기상정보 분석 알고리즘", 디지털융복합연구, 14(3), pp.209~217 (2016), 한국디지털정책학회[DOI]
- T. Therneau, "Package rpart: Recursive Partitioning and Regression Trees. R package version 4.1–10", ~ (2015)
- 박철용, "랜덤포레스트의 크기 결정을 위한 간편 진단통계량", 한국데이터정보과학회지, 27(4), pp.855~863 (2016), 한국데이터정보과학회[DOI]
- A. Liaw, "Classification and regression by randomForest", 2(3), pp.18~22 (2002)
- 서효석, "컨텍스트 인식 기반 개인화 추천 서비스를 위한 사용자 행동패턴 추론 모델", 디지털융복합연구, 10(2), pp.293~297 (2012), 한국디지털정책학회
- 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구", 디지털융복합연구, 14(2), pp.245~258 (2016), 한국디지털정책학회[DOI]
- D. Meyer, "Misc Functions of the Department of Statistics. Probability Theory Group(Formerly : E1071)", TU Wien, ~ (2015)
- 채병곤, "토석류 산사태 예측을 위한 로지스틱 회귀모형 개발", 지질공학, 14(2), pp.211~222 (2004), 대한지질공학회