KR101280388B1 - 지공간사건발생 예측 시스템 및 방법 - Google Patents
지공간사건발생 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR101280388B1 KR101280388B1 KR1020110144036A KR20110144036A KR101280388B1 KR 101280388 B1 KR101280388 B1 KR 101280388B1 KR 1020110144036 A KR1020110144036 A KR 1020110144036A KR 20110144036 A KR20110144036 A KR 20110144036A KR 101280388 B1 KR101280388 B1 KR 101280388B1
- Authority
- KR
- South Korea
- Prior art keywords
- geospatial
- database
- prediction
- tidal flat
- geospatial event
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000007418 data mining Methods 0.000 claims abstract description 26
- 238000007477 logistic regression Methods 0.000 claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 8
- 239000003673 groundwater Substances 0.000 claims description 62
- 238000003066 decision tree Methods 0.000 claims description 25
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000004062 sedimentation Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 10
- 239000002689 soil Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 241000237852 Mollusca Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000011229 interlayer Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 238000005086 pumping Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 241001310978 Ilyoplax dentimerosa Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 201000009030 Carcinoma Diseases 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 2
- 241000359315 Prionospio Species 0.000 description 2
- 244000184734 Pyrus japonica Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000546212 Assiminea Species 0.000 description 1
- 241001310303 Austruca lactea Species 0.000 description 1
- 241001495104 Ceratonereis Species 0.000 description 1
- 241000359198 Cerithidea cingulata Species 0.000 description 1
- 241000359200 Cerithidea djadjariensis Species 0.000 description 1
- 241001411823 Cingulina cingulata Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 241000726244 Glauconome chinensis Species 0.000 description 1
- 241000733943 Hapalogaster mertensii Species 0.000 description 1
- 241001098499 Lanceolata Species 0.000 description 1
- 241001142896 Laomedia astacina Species 0.000 description 1
- 241001072219 Laternula Species 0.000 description 1
- 241000228761 Macrophthalmus abbreviatus Species 0.000 description 1
- 241000981678 Macrophthalmus japonicus Species 0.000 description 1
- 241000596297 Photis Species 0.000 description 1
- 241000220945 Polybranchia Species 0.000 description 1
- 241000620877 Ruditapes philippinarum Species 0.000 description 1
- 241000555745 Sciuridae Species 0.000 description 1
- 241001532058 Sesarma Species 0.000 description 1
- 241000145122 Tridens <angiosperm> Species 0.000 description 1
- 241001596331 Upogebia major Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건발생가능 예측시스템 및 이를 이용한 지공간사건발생가능 예측방법에 관한 것으로, 지하수 분포과 갯벌저서생물 서식지 분포를 예시한다. 특히 특히 분석대상지역의 투수량계수와 비양수량의 정보를 제공하는 대수층 수리특성 데이터베이스와 지형, 지질, 선구조, 지표피복, 지하수관련 요인의 정보를 제공하는 수문지질인자 데이터베이스 구축부, 갯벌 저서생물 분포지역의 퇴적환경정보를 제공하는 갯벌 퇴적환경 데이터베이스와 상기 두 데이터베이스에서 제공되는 정보를 바탕으로 지공간사건발생과 요인들간의 상관관계를 분석하는 지공간사건발생 상관관계 분석부, 상기 상관관계 분석부에서 분석된 정보를 바탕으로 지공간사건발생가능 예측도를 작성하는 예측도작성부; 상기 지공간사건발생가능 예측도를 이용하여 지공간사건발생가능성의 정확도를 검증하는 검증부; 상기 예측 모델에서 분석된 모든 예측도의 비교를 위한 결과 도출부; 를 포함하여 이루어지는 것을 특징으로 한다.
Description
본 발명은 지식경제부가 주관하는 연구과제 “지리정보시스템 및 국토지질정보시스템 실용화 기술 개발”의 일환으로 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 특정 지역의 지공간사건 발생을 예측하는 예측시스템 및 이를 이용한 지하수 부존 및 갯벌 저서생물 서식 예측 방법에 관한 것이다.
본 발명은 지식경제부가 주관하는 연구과제 “지리정보시스템 및 국토지질정보시스템 실용화 기술 개발”의 일환으로 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 특정 지역의 지공간사건 발생을 예측하는 예측시스템 및 이를 이용한 지하수 부존 및 갯벌 저서생물 서식 예측 방법에 관한 것이다.
지리정보시스템의 이산 데이터들을 연결하고 통합 분석기술은 지리학적 사건과 공간적 변수 간의 공간적 관계성을 결정하는데 유용한 역할을 한다. 또한 공간데이터와 통계, 확률 등의 기법을 연계한 지공간 분석을 가능하게 한다. 지리정보시스템을 이용하면 대용량의 데이터베이스를 이용한 도식화, 설계, 질의, 분석이 가능하다. 이를 참조하면, 지리정보시스템은 방대한 지공간 자료의 효율적인 저장, 관리 및 통합분석을 위한 강력한 도구이자 전문가들의 의사결정을 지원해주는 역할을 한다.
하지만 지리정보시스템은 대용량 다차원 자료에 내재되어 있는 사건발생과 관련된 공간적인 관련성을 파악하거나 미래의 사건발생을 예측할 수 있는 기능이 미흡하다. 그래서 지공간과 관련된 다양한 분야에서는 공간데이터베이스 내에 잠재되어 있는 정보와 공간적 상관관계 및 패턴을 효율적으로 찾아내고 미래의 사건발생을 예측하기 위해 지리정보시스템을 이용한 확률, 통계, 패턴인식 기법을 사용하고 있다. 이러한 지리정보시스템의 통합기능을 사용하여 통계모델, 데이터마이닝 모델과 연계하여 지공간사건 분석기술과 지하수 산출가능 지역 예측 및 갯벌 저서생물 분포 예측 시스템을 개발하였다.
데이터마이닝 분류기법들을 이용한 다양한 공간사건 예측방법들이 존재하나 공간사건에 대한 예측결과에 대한 원인 분석 기법들이 제시되지 못하고 단지 전체 연구지역에 대한 상대적인 위험치를 등급으로 묘사하는데 그치고 있다. 본 연구는 의사결정 트리를 이용한 공간사건의 예측분석에 적용할 수 있을 뿐만 아니라, 좌표상 특정위치에서의 사건 원인분석을 통해 예측결과를 해석하는데 이용될 수 있다.
통계기법은 지공간사건의 변화 패턴 그리고 사건의 발생과 관련 요인들간의 상관관계를 정량적으로 보여 줄 수 있다. 이러한 통계기법은 여러 지공간사건을 분석하는데 사용되어 왔다.
본 연구에서는 지하수 유망지점 선정 및 갯벌 저서생물 서식지 가능성 분석과 관련하여 지리정보시스템 분석기법을 연계하여 지하수산출가능성 및 갯벌서식지분포가능성을 예측하는 기법을 개발하였다.
지하수계는 기상, 수문, 지표피복상태, 지형 및 지질 등 제 환경의 조합과 상호작용에 따라 종합적으로 형성되는 동역학적 시스템으로써, 지하수계에서 발생되는 복합적인 작용과 대수층의 산출능력을 총체적으로 이해하기 위해서는 시스템을 구성하는 기본 요소의 물리적 특성에 대한 규명이 필요하다. 현장조사 없이 원격탐사나 지리정보시스템 분석만으로 지하수를 직접적으로 파악할 수는 없지만, 지질, 지표특성, 토양, 토지이용 및 하천수계분포 등 지표면의 상이한 특성으로 부터 지하수 부존 양상을 유추할 수 있다(Todd, 1980; Jha and Peiffer, 2006). 지리정보시스템 및 통계, 데이터마이닝 기법을 적용하여 지하수산출가능성과 관련이 있는 인자들 간의 정량적인 상관관계 및 가중치분석을 통해 작성된 예측도는 기존에 알려지지 않은 사건발생 지역을 알려주고, 예측 정확도를 통하여 각 사례별 적합한 모델을 정립할 수 있다.
갯벌의 경제적 가치를 판단하기 위한 과학적 근거가 부족한 실정이며, 이는 갯벌의 난개발을 초래하여 막대한 경제적 손실로 연결되고 있다. 따라서 GIS와 위성자료를 이용하여 갯벌의 생태 환경 분석 기술을 개발한다면 현장조사의 한계를 극복하여 시공간적으로 갯벌의 퇴적환경 및 생태환경을 분석함으로서 갯벌의 경제적·생태환경적 가치를 평가할 수 있을 것으로 기대된다. 최근 갯벌의 중요성이 크게 대두됨에 따라 선진국의 경우 기존 간척지를 복원하여 습지화하는 역간척이 진행 중이며, 아울러 인공습지 및 인공갯벌 조성도 활발히 진행되고 있다. 조성된 인공습지의 환경친화적 역할을 극대화하기 위해서는 습지 내의 생태계를 지역적 특성을 고려하여 최적화하여야 하며, 이러한 인공생태계 최적설계를 위해서는 다양한 영향 인자들 사이의 복잡한 제 현상에 관한 깊이 있는 이해가 선행되어야 한다.
따라서 본 연구의 목적은 지리정보시스템 및 통계, 데이터마이닝 기법을 이용하여 갯벌 저서생물 중심으로 갯벌 생태계를 체계적이고, 정량적으로 관리 및 예측과 지하수산출가능성을 예측하는 지법을 개발하는 것이다.
본 발명은 상술한 과제를 해결하기 위하여 안출된 것으로, 본 발명의 목적은 지하수산출가능성과 갯벌 저서생물 서식에 영향을 미칠 것으로 판단되는 다양한 인자들과 현장에서 얻어진 직간접적 인자들 간의 상호관계를 지리정보시스템, 통계기법, 데이터마이닝 기법을 수행할 수 있는 분석부를 이용하여 지하수산출가능성과 서식 가능성을 예측하는데 있다. 본 발명에서는 통계기법으로 로지스틱회귀분석, 데이터마이님 기법으로 의사결정트리 및 인공신경망 기법을 사용하도록 한다.
상술한 과제를 수행하기 위한 수단으로서, 본 발명은 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 예측시스템에 있어서, 지하수의 경우 대수층 수리특성 자료, 토양, 임상, 토지이용 등 지표피복에 관련된 인자, 지형고도, 지형고도차, 지형경사, 하천 등 지형에 관련된 인자, 지질암종, 수문지질단위, 선형구조 밀도 등 지질에 관련된 인자, 지하수심도, 지하수수리경사, 지하수함양률 등 지하수 분포에 관련된 인자 등 지하수산출에 영향을 미치는 것으로 알려진 수문지질인자를 포함하는 지리정보시스템 지하수 공간데이터베이스; 갯벌 채집 정점에서 출현한 특정 저서생물 중 어느 하나 이상의 종에 대한 개체수, 특정 저서생물 종의 출현과 관련된 갯벌 퇴적환경 정보를 제공하는 갯벌 퇴적환경 데이터베이스; 상기 지하수와 갯벌 데이터베이스에서 제공되는 요인들을 바탕으로 통계 및 데이터마이닝 모델로 분석하는 지리정보시스템/통계/데이터마이닝 기반의 지공간 상관관계 분석부; 상기 지공간사건 상관관계 분석부에서 분석된 정보를 바탕으로 지공간사건 발생 가능성을 예측을 작성하는 예측도 도출부; 상기 데이터베이스를 이용하여 지공간사건 발생 가능 예측도의 정확도를 정량적으로 검증하는 검증부; 모든 결과의 비교를 위한 결과 도출부;를 포함하여 이루어지는 것을 특징으로 하는 지리정보시스템/통계/데이터마이닝기법에 근거한 지공간사건발생가능성 예측모델을 제공할 수 있도록 한다.
특히, GIS 지하수 공간데이터베이스에는 대수층 수리특성 자료와 수문지질인자와 지하수 산출능력간의 특성을 파악하기 위하여, 투수량계수(transmissivity, T)와 비양수량(specific capacity, SPC) 외에도 양수량(yield, Y)과 굴착심도 등 대수층 수리특성 자료를 공간데이터베이스화한 대수층 수리특성 데이터베이스;
분석대상지역의 지형도에서 추출한 고도, 경사, 곡률, TWI(Topographic wetness Index), 하천밀도, 하천으로부터 거리, 소유역 등의 요인을 공간데이터베이스화한 지형 데이터베이스; 분석대상지역의 지질도에서 추출한 기반암 분포도, 수분지질단위 등의 요인을 공간데이터베이스화한 지질 데이터베이스; 분석대상지역의 Landsat TM 영상자료와 음영기복도를 이용하여 추출한 선구조에서 선구조 길이에 대한밀도, 선구조 길이의 연장성을 고려한 밀도, 선구조 개수에 대한 밀도, 선구조 개수에 대한 연장성을 고려한 밀도 등의 요인을 공간데이터베이스화한 선구조 데이터베이스; 분석대상지역의 지표피복 관련인자로는 위성영상 Landsat-TM 위성영상에서 추출한 토지이용도, 수치임상도에서 추출한 식생분포도, 정밀토양도에서 추출한 토성분포도, 토양배수 등의 요인을 공간데이터베이스화한 지표피복 데이터베이스; 분석대상지역의 지하수 분포 해석을 위해 연구지역에 분포하는 지하수시설 244개소에서 측정한 현장 자료와 지하수 심도 자료를 이용하여 지하수심도 분포도, 지하수수리경사, 지하수함양률 등의 요인을 공간데이터베이스화한 지하수분포 데이터베이스;를 포함하고 있으며 이중 중 어느 하나 이상을 포함하여 이루어질 수 있다.
그리고 갯벌을 채집하여 갯벌에서 서식하는 특정 종의 저서생물 개체수; 분석대상지역의 Landsat 위성영상으로부터 추출한 해안선과 수중측량 자료를 이용하여 작성한 수치표고도; 수치표고도에서 추출한 경사, 경사방향, 노출시간; IKONOS 위성영상에서 추출한 조류로부터의 거리, 조류밀도, 퇴적상, 광학반사도; 또는 KOMPSAT 위성영상에서 추출한 퇴적상, 광학반사도; 등의 갯벌 퇴적환경 요인 데이터베이스 중 어느 하나 이상의 요인을 포함하여 이루어질 수 있다.
또한, 본 발명에 따른 시스템에서, 지리정보시스템/통계/데이터마이닝 기반의 지공간 상관관계 분석부는, 상기 지공간사건 발생가능성과 관련된 모든 인자들을 제공하는 수문지질인자 데이터베이스와 갯벌 데이터베이스에서 대수층 수리특성자료와 갯벌 저서생물 채집자료의 70%에 해당하는 자료는 종속변수로 하고, 관련된 인자들을 독립변수로 이용하여, 상관관계를 분석하여 지공간사건 발생가능성을 예측하는 통계기반의 로지스틱 회귀분석부; 지공간사건 발생 관련 인자들 간의 등급별 가중치를 분석하는 데이터마이닝기반의 인공신경망 분석부; 입력인자(독립변수)와 종속변수의 구조적 패턴을 분석하는 의사결정트리 분석부; 중 어느 하나 이상을 포함하여 이루어질 수 있다.
아울러, 본 발명에 따른 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 예측시스템을 이용하여 지공간사건 발생가능성을 예측할 수 있는 예측방법을 수행할 수 있다.
본 발명에 따르면, 지공간사건 발생과 관련된 정보를 이용하여 로지스틱회귀분석, 인공신경망분석, 의사결정트리분석을 수행하여, 정확한 지공간사겅 발생 예측분석을 수행할 수 있는 효과가 있다.
도 1은 본 발명에 따른 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 예측시스템의 구성도를 도시한 것이다.
도 2는 본 발명에 따른 지하수 산출가능성 분석대상지역인 경상북도 포항시 일대의 지역을, 도 3은 본 발명에 따른 갯벌 저서생물 서식지 분석 대상지역인 황도 일대의 지역과 채집 정점을 도시한 것이다.
도 4와 5는 지하수산출가능성과 관련 있는 모든 요인, 저서생물 서식과 관련 있는 모든 요인들을 지리정보시스템 기반의 공간데이터베이스로 구축한 결과를 도시한 것이다.
도 6은 의사결정트리 분석모델의 구조를 도시화한 것이며 도 7은 역전파 알고리즘을 이용한 인공신경망의 구성을 도시화한 것이다.
도 8과 도 9는 상기 세 모델을 적용한 지하수산출가능성 예측도와 갯벌저서생물 분포 가능성 예측도를 도시한 것이다.
도 2는 본 발명에 따른 지하수 산출가능성 분석대상지역인 경상북도 포항시 일대의 지역을, 도 3은 본 발명에 따른 갯벌 저서생물 서식지 분석 대상지역인 황도 일대의 지역과 채집 정점을 도시한 것이다.
도 4와 5는 지하수산출가능성과 관련 있는 모든 요인, 저서생물 서식과 관련 있는 모든 요인들을 지리정보시스템 기반의 공간데이터베이스로 구축한 결과를 도시한 것이다.
도 6은 의사결정트리 분석모델의 구조를 도시화한 것이며 도 7은 역전파 알고리즘을 이용한 인공신경망의 구성을 도시화한 것이다.
도 8과 도 9는 상기 세 모델을 적용한 지하수산출가능성 예측도와 갯벌저서생물 분포 가능성 예측도를 도시한 것이다.
이하에서는 첨부한 도면을 참고하여 본 발명에 따른 구성 및 작용을 구체적으로 설명한다. 첨부도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 참조를 부여하고, 이에 대한 중복설명은 생략하기로 한다.
본 발명은 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 예측방법을 제공하며 특히 통계기법으로 로지스틱회귀분석을, 데이터마이닝 기법으로 의사결정트리와 인공신경망 분석기법을 이용하여 지공간사건 발생 가능성 예측도를 분석하는 것을 그 요지로 한다.
도 1을 참조하면, 이는 본 발명에 따른 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 예측방법(이하, '본 예측 방법'이라 한다.)의 구성도를 나타낸 것이다.
본 발명에 따른 본 예측방법은 분석대상지역의 대수층 수리특성 자료, 토양, 임상, 토지이용 등 지표피복에 관련된 인자, 지형고도, 지형고도차, 지형경사, 하천 등 지형에 관련된 인자, 지질암종, 수문지질단위, 선형구조 밀도 등 지질에 관련된 인자, 지하수심도, 지하수수리경사, 지하수함양률 등 지하수 분포에 관련된 인자 등 지하수산출에 영향을 미치는 것으로 알려진 수문지질인자를 포함하는 지리정보시스템 지하수 공간데이터베이(100)와 갯벌 채집 정점에서 출현한 특정 저서생물인 갑각류의 쏙붙이(Callianassa japonica), 방게(Helice tridens tridens), 털콩게(Ilyoplax dentimerosa), 가재붙이(Laomedia astacina), 길게(Macrophthalmus dilatatus), 칠게(Macrophthalmus japonicus), 이형꼬리다리옆새우류(Photis sp.), 가지게(Sesarma plicatum), 흰발농게(Uca lactea), 쏙(Upogebia major), 연체동물의 빨강기수우렁이(Assiminea latericea), 비틀이고둥(Cerithideopsilla cingulata), 갯비틀이고둥(Cerithideopsilla djadjariensis), 고리회오리고둥(Cingulina cingulata), 갈색새알조개(Glauconome chinensis), 운모조개(Laternula anatina), 종밋(Musculista senhousia), 갯지렁이류의 바지락(Ruditapes philippinarum), 침보석요정갯지렁이(Armandia lanceolata), 붉은집참갯지렁이(Ceratonereis erythraeensis), 남방백금갯지렁이(Nephths polybranchia), 두토막눈썹참갯지렁이(Perinereis aibuhitensis), 매끈예쁜얼굴갯지렁이(Prionospio japonica), 얼굴갯지렁이류(Prionospio pulchra), 실타래갯지렁이류(Tharyxsp.)와 그밖에 가시닻해삼(Protankyra bideutata) 등중 어느 하나 이상의 종에 대한 개체수, 특정 저서생물 종의 출현과 관련된 갯벌 퇴적환경 정보를 제공하는 갯벌 퇴적환경 데이터베이스(200), 상기 지하수와 갯벌 데이터베이스에서 제공되는 요인들을 바탕으로 통계 및 데이터마이닝 모델로 분석하는 지리정보시스템/통계/데이터마이닝 기반의 지공간 상관관계 분석부(300), 상기 지공간사건 상관관계 분석부에서 분석된 정보를 바탕으로 지공간사건 발생 가능성을 예측을 작성하는 예측도 도출부(400), 상기 데이터베이스를 이용하여 지공간사건 발생 가능 예측도의 정확도를 정량적으로 검증하는 검증부(500), 그리고 모든 결과의 비교를 위한 결과 도출부(600)를 포함하여 구성 될 수 있다.
특히, 상기 GIS 지하수 공간데이터베이스(100)는 대수층 수리특성 자료 (① 일양수량 500㎥/d에 해당되는 투수량계수 3.79㎡/d, ② 일양수량 500㎥/d에 해당되는 비양수량 6.25㎥/d/m, ③ 일양수량 300㎥/d에 해당되는 투수량계수 2.61㎡/d, ④ 일양수량 300㎥/d에 해당되는 비양수량 3.75㎥/d/m) 데이터베이스군과 도 2c와 같은 지하수산출가능성과 관련 있는 모든 수문지질인자들을 종류별로 분류한 수문지질인자 데이터베이스군으로 형성될 수 있다. 구체적으로는, 상기 GIS 지하수 공간데이터베이스(100)는 고도, 경사, 곡률, TWI, 하천밀도, 하천으로부터 거리, 소유역 등을 공간데이터베이스화한 지형 데이터베이스(110), 기반암 분포도, 수분지질단위 등을 공간데이터베이스화한 지질 데이터베이스(120), 선구조 길이에 대한밀도, 선구조 길이의 연장성을 고려한 밀도, 선구조 개수에 대한 밀도, 선구조 개수에 대한 연장성을 고려한 밀도, 선구조 교차점에 대한 밀도 등을 공간데이터베이스화한 선구조 데이터베이스(130), 토지이용도, 식생분포도, 토성분포도, 토양배수 등을 공간데이터베이스화한 지표피복 데이터베이스(140), 지하수심도 분포도, 지하수수리경사, 지하수함양률 등을 공간데이터베이스화한 지하수 분포 데이터베이스 (150)를 더 포함하여 구성될 수 있다.
그리고 갯벌 퇴적환경 데이터베이스는(200) 도 5와 같은 저서생물 분포와 관련된 퇴적환경 요인을 종류별로 분류한 데이터베이스군으로 형성될 수 있다. 구체적으로는, 상기 갯벌 퇴적환경 데이터베이스는(200)는 분석대상지역의 갯벌 저서생물인 갑각류 털콩게, 연체동물 갯비틀이고둥, 갯지렁이류 침보석요정갯지렁이 등을 공간데이터베이스화한 갯벌 저서생물 분류(210)로 구비할 수 있으며, 나아가 분석대상지역의 수치표고도, 경사, 경사방향, 노출시간 등의 지형자료를 공간데이터베이스화한 수치표고모델 데이터베이스(220)나 IKONOS 위성영상에서 추출되는 조류로부터의 거리, 조류밀도, 퇴적상 광학반사 또는 KOMPSAT 위성영상에서 추출되는 퇴적상 또는 광학반사를 공간데이터베이스화한 위성영상 데이터베이스(230)을 더 포함하여 구성될 수 있다.
도 2는 본 발명에 따른 실예로서, 경상북도 포항시 일대의 지역을 대상으로 본 발명의 시스템을 설명하기로 한다.
도 4는 지하수산출가능성과 관련 있는 수문지질인자들을 공간데이터베이스로 구축한 결과를 도시한 것이다. 분석대상지역인 포항시 일대의 지하수산출가능성 예측분석을 위해 수집된 자료는 대수층 수리특성 자료 (① 일양수량 500㎥/d에 해당되는 투수량계수 3.79㎡/d, ② 일양수량 500㎥/d에 해당되는 비양수량 6.25㎥/d/m, ③ 일양수량 300㎥/d에 해당되는 투수량계수 2.61㎡/d, ④ 일양수량 300㎥/d에 해당되는 비양수량 3.75㎥/d/m), 지형 (고도, 경사, 곡률, TWI, 하천밀도, 하천으로부터 거리, 소유역), 지질 (기반암 분포도), 선구조 (선구조 길이에 대한밀도, 선구조 길이의 연장성을 고려한 밀도, 선구조 개수에 대한 밀도, 선구조 개수에 대한 연장성을 고려한 밀도, 선구조 교차점에 대한 밀도), 지표피복 (토지이용도, 식생분포도, 토성분포도, 토양배수), 지하수 분포 (지하수심도 분포도, 지하수수리경사, 지하수함양률) 자료이다. 분석대상지역에서 선정한 대수층 수리특성자료는 투수량계수 81개소, 비양수량 83개소이며, 분석결과에 대한 검증을 위해 대수층 수리특성 자료를 70:30의 비율로 훈련자료와 검증자료로 분류하고, 훈련자료를 확률 및 통계 모델을 이용, 지하수산출가능성을 예측하고, 검증자료를 이용하여 예측 정확도를 검증하였다. 공간해상도는 분석항목 중 공간해상도가 가장 낮은 Landsat-TM 영상의 공간해상도 30m를 기준으로 하여 각 인자별 격자수는 1,621×1,480 = 990,495개 이다.
도 3 또한 본 발명에 따른 실예로서, 충청남도 태안군 천수만에 위치한 황도 갯벌지역이다. 이 지역에 대한 분석실시 예를 통해 본 발명의 시스템을 설명하기로 한다(황도는 지리좌표상 위도 36˚ 33' 00" ~ 36˚ 37' 00˝N, 경도 126˚ 22' 00˝ ~ 126˚ 24' 00˝E 사이에 위치).
도 5는 갯벌 저서생물과 관련있는 모든 요인들을 공간데이터베이스로 구축한 결과를 도시한 것이다. 분석대상지역인 황도 갯벌의 저서생물 분포 예측분석을 위해 수집된 자료는 갯벌 저서생물 채집점에서 출현한 갑각류인 털콩게, 연체동물인 갯비틀이고둥, 갯지렁이류인 침보석요정갯지렁이의 개체수, 수치표고모델(DEM), IKNONS, KOMPSAT 위성영상이다. 황도 갯벌에 28개 정점을 선정하고, 2009년 5월에 저서생물 정량 채집하여 출현 종 동정, 개체수 분석을 수행하였다. Landsat 위성영상으로부터 추출한 해안선과 수중측량 자료를 이용하여 작성한 수치표고모델(DEM)에서는 수치표고도, 경사, 경사방향, 노출시간을, IKONOS 위성영상에서는 조류로부터의 거리, 조류밀도, 퇴적상, 광학반사를, KOMPSAT 위성영상에서는 퇴적상, 광학반사도를 추출하였다. 갯벌 저서생물 분포와 관련있는 퇴적환경 요인들은 도 5와 같이 공간데이터베이스로 구축하였고, 입력자료의 축척을 고려하여 4m × 4m 크기의 격자로 설정하였으며, 연구지역의 격자수는 행과 열이 1,238 × 503이다.
도 3은 본 발명에 따른 갯벌 저서생물 분포 예측분석을 위해 분석대상지역의 저서생물 채집 정점을 표시한 이미지이다.
본 발명에 따른 지리정보시스템/통계/데이터마이닝 기반의 지공간 상관관계 분석부(300)는 구체적으로 상기 데이터베이스(100, 200)에서 제공하는 지공간사건의 위치자료를 종속변수로하고 입력자료인 독립변수와 사건자료인 종속변수의 로지스틱회귀 상관계수를 분석하는 로지스틱회귀분석부(310); 지공간사건 발생 관련 인자들 간의 등급별 가중치를 분석하는 데이터마이닝기반의 인공신경망 분석부(320); 입력인자(독립변수)와 종속변수의 구조적 패턴을 분석하는 의사결정트리 분석부(330); 중 어느 하나 이상을 포함하여 이루어질 수 있다.
도시된 것처럼 번 시스템을 이용하여 지리정보시스템/통계/데이터마이닝 기반의 지공간 상관관계 예측분석은 다양한 지질현상(지질, 자연재해, 지질자원, 환경오염)을 예측하는데 활용될 수 있을 뿐만 아니라 지공간에서 일어나는 모든 사건예측에 적용할 수 있다.
본 발명에서는 우선 연구분야의 연구지역을 선정하며 이후 지리정보시스템 기반의 공간데이터베이스를 구축한다. 이 경우 상기 공간데이터베이스에서 제공되는 값 중 지공간사건 자료 종속변수로 하고, 관련 요인들을 독립변수로 하여 지하수산출 상관관계 분석부에 입력하게 된다.
이러한 상관관계 분석부가 형성되는 경우, 각각의 분석을 수행하는 로지스틱회귀 분석, 의사결정트리 분석, 인공신경망 분석부에서 분석한 지공간사건 발생가능성 예측도에 대한 정확도를 검증하게 된다.
이후, 검증된 지공간사건 발생가능 예측도들의 비교를 통해 보다 정확한 결과도를 도출할 수 있게 된다.
이하에서는 상술한 지공간사건 상관관계 분석부의 구체적인 분석방법을 상세하게 설명하기로 한다.
1) 로지스틱회귀분석부
독립변수와 종속변수 사이의 관계를 정확히 파악하기 위해서는 두 변수간의 규칙성을 나타내는 회귀식 또는 예측식을 구하는 회귀분석이 필요하다. 회귀분석에서는 독립변수의 일정한 값에 대응되는 종속변수의 값을 예측하기 위하여 회귀방정식을 구하며, 본 연구에서는 통계프로그램인 SPSS 다변량 회귀분석인 로지스틱 회귀모델을 이용하여 회귀방정식을 구하였다. 로지스틱 상관계수는 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치로써, 해당 독립변수의 계수 값이 ‘0’보다 크면 클수록 지하수산출가능성이 크고, ‘0’보다 작으면 작을수록 지하수산출가능성이 낮다는 것을 의미한다.
지하수산출 가능성 분석에서 로지스틱 회귀분석 모델은 일양수량 500㎥/d 이상에 해당되는 SPC가 6.25㎥/d/m이상인 것을 기준으로 분석하였다. 수문지질인자 중 빈도비 분석시 유효한 인자로 분석된 15개 인자 중 상관관계 분석을 통해 독립성이 있는 것으로 분석된 8개 수문지질 인자를 독립변수로 사용하였으며, 분석된 로짓은 {식 1}과 같이 유도하였고, {식 2}와 같이 지하수산출가능 확률을 계산하였다. 각 요인들에 곱해지는 계수는 요인들의 가중치가 되며, {식 1}과 {식 2}를 이용하여 지하수산출가능성지수(GPPILR, Groundwater productivity potential index by logistic regression)를 구하고 지하수산출가능성도를 작성하였다.
GPPILR : 지하수산출가능 확률
갯벌 저서생물 서식지 분포 분석의 경우 로지스틱 회귀분석을 통해 유도된 Ilyoplax dentimerosa의 분포 예측을 위한 공식은 {식 3}과 같이 유도하였고, {식 4}를 통해 Ilyoplax dentimerosa의 분포 예측확률을 계산하였다.
(퇴적상의 로지스틱 회귀계수 Mud flat(I) : -8.836, Mud flat(II) : -27.236, Mixed flat : -15.017, Sand flat : -18.770, Sand shoal : 0.000)
2) 의사결정트리분석부
의사결정트리는 구조적 패턴을 찾고 설명하는 데에 사용되는 기술이다. 의사결정트리는 모든 입력변수와 객체간의 관계를 사전에 설정할 필요가 없고 방대한 자료를 효율적으로 분류할 수 있는 방법 중 하나이다. 의사결정트리는 비선형 관계성을 이용하여 서로 다른 형태의 데이터를 다루는 데에도 사용할 수 있다.
의사결정트리 모델은 예측이 가능한 변수(대상변수)의 값을 보여주는 이진트리구조의 논리적 모델(연역적 추론)이다. 이는 선형/비선형 회귀, 로지스틱 회귀, 인공신경망(ANN), 유전자 알고리즘 등 수치중심 기법과 비교하여 많은 장점을 갖고 있다. 우선 의사결정트리는 설계하고 해석하기 쉽고 연속적(순차적, 구간)인 변수와 범주적(명목) 변수간의 상호작용을 자동적으로 다룰 수 있다. 의사결정트리는 가장 결정적인 변수를 구별할 수 있으며 이는 트리의 상위단계에서 하위카테고리를 구분하는 데에 사용된다.
각 클래스는 의사결정트리의 잎이 되고 이는 하위 셋으로 구성되어 결국 ‘target 변수’라 하는 특정 변수의 값에 대한 한 개 이상의 카테고리에 모든 레코드가 포함된다. 각 규칙은 root 노드에서 leaf 노드까지의 경로에 매개노드와 가지로 나타난다. 경로상의 노드들은 클래스 사이의 판별을 최대화하고 클래스내의 변화를 최소화하는 보조변수 역할을 한다. 계층적 프로세스는 계층구조의 낮은 레벨에서 분류에 의한 엔트로피 생성과 동일하다. 의사결정트리는 그 다음의 레벨에서의 데이터 셋의 더 작은 클래스로 구분하기 위한 보조변수를 기계적으로 선택한다. 게다가 결정트리는 각 예측변수의 상대적 가중치를 명시한다. 그러므로 분석의 목적이 어떠한 변수의 값을 예측하는 경우에도 의사결정트리 모델링이 사용될 수 있다. 그러나 의사결정트리라 하더라도 많은 연구가 이루어 져야 할 것이다.
의사결정트리는 인공신경망과 자주 비교된다. 이는 두 기법 모두 변수간의 관계가 비선형인 자료를 설계할 수 있고 변수 간의 상호관계를 다룰 수 있기 때문이다. 그러나 신경망 기법은 많은 결점을 갖고 있다. 우선 신경망은 분석하고 있는 자료의 특성에 기초한 전체적인 설명을 얻을 수 있는 이해하기 쉬운 모델을 제공하지 않는다. 게다가 이진수 형태의 입력 자료만 다룰 수 있고, 여러 클래스를 다루지 않는다. 또한, 신경망 모델을 컴퓨터 시스템에 넣는 것이 어려울 뿐만 아니라 이를 위해서는 좋은 해석 프로그램이 필요하다. 이와 대조적으로 의사결정트리 모델은 한번 설계하게 되면, 각각 별도의 해석프로그램 없이도 쉽게 대부분의 컴퓨터 언어로 변환이 가능하다. 도 6은 의사결정트리 분석모델을 보여준다.
3) 인공신경망분석부
인공 신경망이란 인간의 뇌의 구조를 컴퓨터로 구현하여 보다 인간과 유사한 기능을 가진 컴퓨터를 만들어 보자는 개념에서 출발된 이론이다. 인간의 두뇌 작용을 신경 세포들 간의 연결 관계로 모델링한 것으로 생물학적 뉴런(neuron)의 구조 및 기능을 단순화하여 수학적 모델로 표현하고, 이 뉴런 모델을 상호 연결시켜 망을 형성한 것이다. 자신이 가진 데이터로부터의 반복적인 학습 과정을 거쳐 데이터에 숨어 있는 패턴을 찾아내는 모델링 기법으로 계층구조를 갖는 수많은 프로세싱 요소로 이루어진 수학모형이며, 다양한 아키텍처를 이용하여 예측모델을 생성한다. 신경회로망을 구성할 때 가장 중요한 사항은 신경회로망의 특성을 좌우하는 두 가지 요소인 시냅스(synapse)의 연결 방식과 뉴런의 학습 규칙이다. 뉴런이란 신경 시스템에서 가장 기본적인 단위로 정보의 수용, 연산처리, 출력의 전송 등의 기능을 한다. 이러한 뉴런은 시냅스에 의해 연결되어 뉴런간의 정보교환은 시냅스를 통하여 행해진다. 학습규칙은 어느 한 뉴런이 다른 뉴런들로부터 정보를 입력받고 해석하여 다른 뉴런들에게 전달하는 방법을 규정해 놓은 소프트웨어이다. 신경회로망의 여러 기능 중 본 연구에 사용된 특징 추출 기능은, 신경회로망이 저장하고 있는 서로 다른 정보의 현저한 특징을 신경망 자체가 통계적으로 추출해 낼 수 있는 기능이다.
인공신경망의 기본요소는 처리 노드이며, 여러 개의 노드가 각각의 층별로 배열되며, 하나의 층으로부터 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이러한 인공신경망에서 사용되는 노드의 입력 값은 전 층으로부터의 출력 값과 층간 가중치를 곱한 합이다. 즉, {식 5}와 같이 표현된다.
여기서 Wij는 노드 i와 j사이의 층간 가중치이며 는 Oi노드 i의 출력값이다.
이 함수는 트레이닝 데이터의 전진 전파(forward propagation) 동안에 계산되어지므로, 역전파의 계산시간이 감소된다. 이와 같이 처리 노드는 층을 구성하고 다음의 층에 일반적으로 완전히 상호 연결되지만 같은 층 내에서는 상호연결이 없다. 다층 퍼셉트론(MLP : multi-layer perceptron)은 여러 개의 층으로 이루어져 있으므로 비선형적으로 자료를 분리 가능하며, 일반적으로 3개 이상의 층으로 이루어져 있는데, 정보가 인가되는 층은 입력층(input layer)이며, 처리된 정보가 나타나는 층을 출력층(output layer)이라고 한다. 입력층과 출력층 사이의 모든 중간층을 은닉층(hidden layer)이라고 하는데 여러 개의 은닉층이 사용 될 수 있다. 도 7은 본 연구에서 사용된, 한 개의 은닉층을 가지는 3개 층 구조로 이루어진 경우를 나타낸다. 각 노드 사이의 상호연결은 층간 가중치와 관련된다. 인공신경망은 한 마디로 층간 가중치를 조절하는 과정이라고 말할 수 있는데, 이러한 과정을 학습이라고 한다.
학습의 목표는 신경망의 기대되는 출력값과 실제 출력값 사이에 전체 에러를 최소화하는 것이다. 현재까지, 다층 퍼셉트론에서 최소의 전체 학습 에러를 얻기 위하여 상호 연결된 가중치를 조절하는 알고리즘 중, 가장 많이 사용되는 알고리즘은 오류 역전파 알고리즘이다(error backpropagation algorithm, Paola and Schowengerdt, 1995).
100: GIS 지하수 공간데이터베이스
110: 지형 데이터베이스
120: 지질 데이터베이스
130: 선구조 데이터베이스
140: 지표피복 데이터베이스
150: 지하수 데이터베이스
200: 갯벌 퇴적환경 데이터베이스
210: 갯벌 저서생물 데이터베이스
220: 수치표고모델 데이터베이스
230: 위성영상 데이터베이스
300: 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 상관관계 분석부
310: 로지스틱회귀분석부
320: 의사결정트리분석부
330: 인공신경망분석부
400: 지공간사건발생가능 예측도 작성부
500: 지공간사건발생가능 예측도 검증부
600: 결과 비교 도출부
110: 지형 데이터베이스
120: 지질 데이터베이스
130: 선구조 데이터베이스
140: 지표피복 데이터베이스
150: 지하수 데이터베이스
200: 갯벌 퇴적환경 데이터베이스
210: 갯벌 저서생물 데이터베이스
220: 수치표고모델 데이터베이스
230: 위성영상 데이터베이스
300: 지리정보시스템 및 통계, 데이터마이닝 기법을 이용한 지공간사건 상관관계 분석부
310: 로지스틱회귀분석부
320: 의사결정트리분석부
330: 인공신경망분석부
400: 지공간사건발생가능 예측도 작성부
500: 지공간사건발생가능 예측도 검증부
600: 결과 비교 도출부
Claims (8)
- 분석대상지역의 지공간사건 발생 가능성에 영향을 미치는 인자 및 지공간사건 자료를 제공하는 지리정보시스템 기반의 데이터베이스;
상기 데이터베이스를 바탕으로 통계 기법 및 데이터마이닝 기법을 이용하여 지공간사건의 상관관계를 분석하는 상관관계 분석부;
상기 지공간 상관관계 분석부에서 분석된 정보를 바탕으로 복수의 지공간사건 발생가능 예측도를 작성하는 예측도 작성부;
상기 복수의 지공간사건 발생가능 예측도에 대한 정확도를 검증하는 예측도 검증부; 및
상기 검증된 복수의 지공간사건 발생가능 예측도를 비교하여 정확한 결과도를 도출하는 결과 도출부;를 포함하는 것을 특징으로 하는 지공간사건발생 예측 시스템.
- 제 1항에 있어서,
상기 상관관계 분석부는,
상기 통계 기법을 기반으로 독립변수(지공간사건의 발생과 관련된 인자)와 종속변수(지공간사건의 위치자료)의 상관관계를 분석하는 로지스틱회귀 분석부;
상기 데이터마이닝 기법을 기반으로 지공간사건 발생 관련 인자들 간의 등급별 가중치를 분석하는 인공신경망 분석부; 및
상기 독립변수와 상기 종속변수의 구조적 패턴을 분석하는 의사결정트리 분석부; 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 지공간사건발생 예측 시스템.
- 제 2항에 있어서,
상기 데이터베이스는,
지하수 산출에 영향을 미치는 복수의 수문지질인자를 포함하는 지하수 공간데이터베이스를 포함하는 것을 특징으로 하는 지공간사건발생 예측 시스템.
- 제 2항에 있어서,
상기 데이터베이스는,
갯벌 저서생물 관련 복수의 요인들(출현된 갯벌 저서생물 종, 각 갯벌 저서생물의 개체수 및 갯벌 저서생물 종의 출현과 관련된 갯벌 퇴적환경)로 구성된 갯벌 퇴적환경 데이터베이스를 포함하고 있는 것을 특징으로 하는 지공간사건발생 예측 시스템.
- 제 3항에 있어서,
상기 로지스틱회귀 분석부는,
상기 복수의 수문지질인자의 각 값에 상기 수문지질인자의 각 가중치를 곱한 값을 합산하여 로짓 값(Z)을 산출하고,
아래의 [수학식 2]에 의하여 지하수산출가능 확률을 계산함으로써, 지하수산출가능성지수를 도출하는 것을 특징으로 하는 지공간사건발생 예측 시스템.
[수학식 2]
(여기서, GPPILR는 지하수산출가능 확률, Z는 로짓 값을 나타냄)
- 제 4항에 있어서,
상기 로지스틱회귀 분석부는,
상기 갯벌 저서생물 관련 복수의 요인들의 각 값에 상기 요인들의 각 가중치를 곱한 값을 합산하여 로짓 값(Z)을 산출하고,
아래의 [수학식 4]에 의하여 갯벌 저서생물의 분포 예측확률을 계산하는 것을 특징으로 하는 지공간사건발생 예측 시스템.
[수학식 4]
(여기서, PZ는 갯벌 저서생물의 분포 예측확률, Z는 로짓 값을 나타냄)
- 분석대상지역의 지공간사건 발생 가능성에 영향을 미치는 인자 및 지공간사건 자료를 제공하는 지리정보시스템 기반의 데이터베이스를 구축하는 데이터베이스 구축단계;
상기 구축된 데이터베이스를 바탕으로 통계 기법 및 데이터마이닝 기법을 이용하여 지공간사건의 상관관계를 분석하는 상관관계 분석단계;
상기 분석된 지공간사건의 상관관계를 바탕으로 복수의 지공간사건 발생가능 예측도를 작성하는 예측도 작성단계;
상기 작성된 복수의 지공간사건 발생가능 예측도에 대한 정확도를 검증하는 예측도 검증단계; 및
상기 검증된 복수의 지공간사건 발생가능 예측도를 비교하여 정확한 결과도를 도출하는 결과 도출단계;를 포함하는 것을 특징으로 하는 지공간사건발생 예측 방법.
- 제 7항에 있어서,
상기 데이터베이스는,
지하수 산출에 영향을 미치는 복수의 수문지질인자를 포함하는 지하수 공간데이터베이스; 및,
갯벌 저서생물 관련 복수의 요인들(출현된 갯벌 저서생물 종, 각 갯벌 저서생물의 개체수 및 갯벌 저서생물 종의 출현과 관련된 갯벌 퇴적환경)로 구성된 갯벌 퇴적환경 데이터베이스; 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 지공간사건발생 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110144036A KR101280388B1 (ko) | 2011-12-28 | 2011-12-28 | 지공간사건발생 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110144036A KR101280388B1 (ko) | 2011-12-28 | 2011-12-28 | 지공간사건발생 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101280388B1 true KR101280388B1 (ko) | 2013-07-01 |
Family
ID=48996219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110144036A KR101280388B1 (ko) | 2011-12-28 | 2011-12-28 | 지공간사건발생 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101280388B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220093798A (ko) * | 2020-12-28 | 2022-07-05 | 한국해양과학기술원 | 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 |
| KR102527337B1 (ko) * | 2022-12-23 | 2023-05-03 | 한국건설기술연구원 | 대심도 굴착지반 위험등급 산정 장치 및 방법 |
| CN117786027A (zh) * | 2023-11-27 | 2024-03-29 | 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) | 长时间序列地上生物量时空变化分析方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090016866A (ko) * | 2007-08-13 | 2009-02-18 | 인하대학교 산학협력단 | 지아이에스를 이용한 홍수재해 예측시스템 |
-
2011
- 2011-12-28 KR KR1020110144036A patent/KR101280388B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090016866A (ko) * | 2007-08-13 | 2009-02-18 | 인하대학교 산학협력단 | 지아이에스를 이용한 홍수재해 예측시스템 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220093798A (ko) * | 2020-12-28 | 2022-07-05 | 한국해양과학기술원 | 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 |
| KR102600529B1 (ko) * | 2020-12-28 | 2023-11-08 | 한국해양과학기술원 | 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 |
| KR102527337B1 (ko) * | 2022-12-23 | 2023-05-03 | 한국건설기술연구원 | 대심도 굴착지반 위험등급 산정 장치 및 방법 |
| CN117786027A (zh) * | 2023-11-27 | 2024-03-29 | 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) | 长时间序列地上生物量时空变化分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Can et al. | Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms | |
| Chadalawada et al. | Hydrologically informed machine learning for rainfall‐runoff modeling: A genetic programming‐based toolkit for automatic model induction | |
| Kazemzadeh-Zow et al. | A spatial zoning approach to calibrate and validate urban growth models | |
| Sajedi‐Hosseini et al. | Spatial prediction of soil erosion susceptibility using a fuzzy analytical network process: Application of the fuzzy decision making trial and evaluation laboratory approach | |
| Khoshnood Motlagh et al. | Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran | |
| Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
| Islam et al. | Land use change prediction in Dhaka city using GIS aided Markov chain modeling | |
| Wang et al. | Environmental impact assessment using the evidential reasoning approach | |
| CN108763377B (zh) | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 | |
| Xing et al. | Large-scale landslide susceptibility mapping using an integrated machine learning model: A case study in the Lvliang mountains of China | |
| Zhang et al. | A review of machine learning based Species' distribution modelling | |
| Wan et al. | A landslide expert system: image classification through integration of data mining approaches for multi-category analysis | |
| Vahidnia et al. | Landslide hazard zonation using quantitative methods in GIS | |
| Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
| Ditthakit et al. | Comparative study of machine learning methods and GR2M model for monthly runoff prediction | |
| Wei et al. | Derived operating rules for a reservoir operation system: Comparison of decision trees, neural decision trees and fuzzy decision trees | |
| Hatim et al. | Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach | |
| Hamedi et al. | Landslide susceptibility mapping using deep learning models in Ardabil province, Iran | |
| Shafi et al. | Leveraging machine learning and remote sensing to monitor long-term spatial-temporal wetland changes: Towards a national RAMSAR inventory in Pakistan | |
| KR101280388B1 (ko) | 지공간사건발생 예측 시스템 및 방법 | |
| Hao et al. | Prediction of the landscape pattern of the Yancheng Coastal Wetland, China, based on XGBoost and the MCE-CA-Markov model | |
| Le et al. | Deep learning model development for detecting coffee tree changes based on Sentinel-2 imagery in Vietnam | |
| Momeneh et al. | Forecasting of groundwater level fluctuations using a hybrid of multi-discrete wavelet transforms with artificial intelligence models | |
| CN117808214A (zh) | 水利工程数据分析系统 | |
| Meng et al. | A novel deep learning framework for landslide susceptibility assessment using improved deep belief networks with the intelligent optimization algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20160325 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20170327 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20180406 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20181226 Year of fee payment: 19 |