KR102387940B1 - Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide - Google Patents
Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide Download PDFInfo
- Publication number
- KR102387940B1 KR102387940B1 KR1020200153980A KR20200153980A KR102387940B1 KR 102387940 B1 KR102387940 B1 KR 102387940B1 KR 1020200153980 A KR1020200153980 A KR 1020200153980A KR 20200153980 A KR20200153980 A KR 20200153980A KR 102387940 B1 KR102387940 B1 KR 102387940B1
- Authority
- KR
- South Korea
- Prior art keywords
- landslide
- sensitivity
- occurrence
- environmental
- model
- Prior art date
Links
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—Systems or methods specially adapted for 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
Abstract
Description
본 발명은 산사태 예측 장치 및 방법에 관한 것으로, 보다 구체적으로는 빈도 비(FR)와 증거 신뢰 함수(EBF)를 이용하여 산사태가 발생할 것으로 예상되는 지역과 관련된 환경 지리적 특성을 파악하기 위한 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting landslides, and more specifically, to an apparatus and method for identifying environmental geographic characteristics related to an area where a landslide is expected to occur using a frequency ratio (FR) and an evidence confidence function (EBF) is about
산사태는 호우, 지진, 화산 등에 의해 발생된 자연 현상으로 산 사면을 이룬 암석, 토양이 붕괴되는 현상으로, 인명, 재산 및 운송 네트워크에 상당한 피해를 준다. 한국의 산사태는 산지 지역을 중심으로 여름철 강우가 집중되는 기간인 7 - 8월에 주로 발생하고 있는데, 우기의 높은 강우량은 산사면 토양층의 공극수압 증가로 인한 사면 안정성의 저하로 산사태에 대한 취약성에 큰 영향을 미친다Landslides are natural phenomena caused by heavy rains, earthquakes, volcanoes, etc., which cause the collapse of rocks and soils on mountain slopes, causing significant damage to human life, property and transportation networks. Landslides in Korea occur mainly in July-August, the period when summer rainfall is concentrated mainly in mountainous areas. The high rainfall in the rainy season is related to vulnerability to landslides due to a decrease in slope stability due to an increase in pore water pressure in the soil layer of the slope. have a big impact
이에, 많은 정부 기관들은 여름철 산사태 발생에 대한 경각심을 갖고, 산사태가 발생한 지역을 중심으로 산사태를 철저하게 조사하였다. 이 과정으로는 산사태 민감성 분석(Landslide Susceptibility)을 통해 산사태가 발생할 가능성이 높은 지역을 확인하는 과정을 포함한다.Accordingly, many government agencies have been wary of the occurrence of landslides in summer, and have thoroughly investigated landslides focusing on the area where the landslide occurred. This process includes identifying areas with a high probability of landslides through Landslide Susceptibility.
산사태 민감성 분석은 과거에 발생한 사건을 통하여 미래에 산사태가 발생할 가능성이 높은 지역을 예상하는데 주요한 목적이 있기 때문에 과거에 발생한 산사태의 정확한 위치 정보를 파악하고 탐지하는 것이 선행되어야 한다. 또한, 산사태 민감성 분석은 국지 지역의 환경 특성을 기반으로 분석해야 의미가 있다. 국지 지역을 대상으로 한 산사태 민감성 분석은 산사태가 일어난 지역의 환경 지리 변수(Geo-environmental variables)의 특성 파악이 가능할 뿐만 아니라, 향후 해당 지역에서 산사태의 발생 가능성이 높은 공간적 특성에 대한 예측이 가능하다.Since landslide sensitivity analysis has the main purpose of predicting areas with a high probability of occurrence of landslides in the future based on past events, it is necessary to identify and detect accurate location information of landslides that have occurred in the past. In addition, it is meaningful to analyze the landslide sensitivity based on the environmental characteristics of the local area. The landslide sensitivity analysis for a local area can not only identify the characteristics of the geo-environmental variables in the area where the landslide has occurred, but also predict the spatial characteristics of the area where landslides are likely to occur in the future. .
이때, 산사태 민감성 분석은 광역적인 지역 내 산사태를 유발하는 인자 자료와 산사태 발생 위치 간 통계적 상관 관계에 따른 지역의 환경 지리 변수와 산사태와의 연관성을 우선적으로 고려해야 한다.In this case, landslide sensitivity analysis should prioritize the correlation between landslide-inducing factor data and landslide location in a wide area and local environmental geographic variables according to the statistical correlation between landslide occurrence locations.
그러나, 지형, 지질, 임상, 토양 등 환경 지리 변수에 대한 연구는 산사태 민감성 모델의 여러 통계적 방법을 통한 적용과 검증 연구에 비해 심도 있는 연구가 부족한 실정이다. 또한, 국지 지역 별 산사태에 민감한 환경지리 변수에 대한 연구가 미비함에 따라 산사태의 예측 정확도를 높이는데 한계가 발생하게 되며, 산사태와 관련된 예방 조치나 개발 계획 등에 차질로 이어지는 문제가 발생하게 된다.However, research on environmental geographic variables such as topography, geology, clinical practice, and soil lacks in-depth research compared to studies on application and validation of landslide sensitivity models through various statistical methods. In addition, as research on environmental geographic variables sensitive to landslides by local area is insufficient, there is a limit to increasing the accuracy of prediction of landslides, and problems that lead to problems in preventive measures or development plans related to landslides occur.
따라서, 특정 지역과 관련된 환경 지리 변수가 산사태 발생에 민감한지에 대한 특성을 종합적으로 고찰한 이후, 환경 지리 변수의 특성에 따라 산사태 민감성 분석을 수행함으로써, 산사태와 관련된 환경 지리적 특성을 파악하기 위한 방법이 필요하다.Therefore, after comprehensively examining the characteristics of whether environmental geographical variables related to a specific area are sensitive to landslides, a method for identifying environmental geographical characteristics related to landslides is proposed by performing a landslide sensitivity analysis according to the characteristics of environmental geographical variables. need.
본 발명은 환경 지리 변수에 따른 산사태 민감성을 특성화하고 강우로 인한 산사태 민감성 분석을 위한 빈도 비와 증거 신뢰 함수를 이용함으로써, 산사태가 발생했던 산지 지역의 산사태 민감성 모델을 생성하는 장치 및 방법을 제공한다.The present invention provides an apparatus and method for generating a landslide susceptibility model of a mountainous area where a landslide has occurred by characterizing the landslide sensitivity according to environmental geographic variables and using a frequency ratio and evidence confidence function for rainfall-induced landslide sensitivity analysis. .
본 발명은 산지 지역의 산사태 민감성 모델의 모델 적합도 및 모델 예측 성능을 비교함으로써, 생성된 산사태 민감성 모델을 통해 산출된 산사태의 분포에 따른 산사태 예측 능력을 평가하는 장치 및 방법을 제공한다.The present invention provides an apparatus and method for evaluating the landslide prediction ability according to the distribution of landslides calculated through the generated landslide sensitivity model by comparing the model fit and the model prediction performance of the landslide sensitivity model in the mountainous area.
일실시예에 따른 산사태 민감성 모델 생성 방법은 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 수집하는 단계; 상기 사전 조사 정보를 기반으로 빈도 비(FR: Frequency Ratio)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정하는 단계; 상기 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF: Evidential Belief Function)에 따른 산사태의 발생에 대한 신념(Belief)의 정도를 나타낸 제2 산사태 민감성 지수를 결정하는 단계; 및 상기 제1 산사태 민감성 지수 및 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성하는 단계를 포함할 수 있다.A method for generating a landslide sensitivity model according to an embodiment includes: collecting pre-investigation information on a mountainous area where a landslide occurred; determining a first landslide susceptibility index indicating spatial characteristics regarding the vulnerability of landslides in a mountainous area according to a frequency ratio (FR) based on the preliminary survey information; determining a second landslide sensitivity index indicating a degree of belief about the occurrence of a landslide according to an Evidential Belief Function (EBF) based on the preliminary survey information; and generating a landslide sensitivity model for a mountainous area using the first landslide sensitivity index and the second landslide sensitivity index.
실시예에 따른 사전 조사 정보를 수집하는 단계는, i) 산지 지역에서 산사태가 발생했던 발생 영역에 관한 위경도 좌표를 결정하기 위한 지리 자료, 및 ii) 상기 발생 영역 내 산사태의 시작점을 결정하기 위한 상기 지리 자료의 위경도 좌표에 대응하는 연속 수치 지형도를 포함하는 영상 자료 중 적어도 하나를 포함하는 사전 조사 정보를 수집할 수 있다.The step of collecting preliminary survey information according to the embodiment includes: i) geographic data for determining latitude and longitude coordinates for an area where a landslide occurred in a mountainous area, and ii) for determining a starting point of a landslide in the area where the landslide occurred Pre-survey information including at least one of image data including a continuous numerical topographic map corresponding to latitude and longitude coordinates of the geographic data may be collected.
실시예에 따른 제1 산사태 민감성 지수를 결정하는 단계는, 상기 산지 지역을 대상으로 환경 지리 변수의 특성을 나타내는 등급들을 설정하는 단계; 상기 환경 지리 변수의 특성을 나타내는 등급별 산사태 발생의 조건부 확률 원리를 적용하여 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정하는 단계; 및 상기 설정된 면적 비율을 고려하여 제1 산사태 민감성 지수를 설정하는 단계;를 포함할 수 있다.The determining of the first landslide susceptibility index according to the embodiment may include: setting grades indicating characteristics of environmental geographic variables for the mountainous region; applying the conditional probability principle of occurrence of landslides for each grade indicating the characteristics of the environmental geographic variable to set an area ratio of each grade set in the occurrence area where the landslide occurred; and setting a first landslide sensitivity index in consideration of the set area ratio.
실시예에 따른 제1 산사태 민감성 지수를 설정하는 단계는, 상기 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정할 수 있다.In the setting of the first landslide sensitivity index according to the embodiment, the first landslide sensitivity index may be set by using an environmental geographic variable superimposed by spatial characteristics according to the area ratio of each grade.
실시예에 따른 제2 산사태 민감성 지수를 결정하는 단계는, 상기 산지 지역을 대상으로 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정하는 단계; 및 상기 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 상기 제2 산사태 민감성 지수를 설정하는 단계;를 포함할 수 있다.The step of determining the second landslide sensitivity index according to the embodiment may include: setting a probability of appearing a characteristic of an environmental geographic variable based on a grade setting of the environmental geographic variable for the mountainous region and a setting of a landslide occurrence area ratio for each grade; and setting the second landslide sensitivity index by using the degree of belief in the occurrence of a landslide determined according to the probability.
실시예에 따른 신념의 정도는, 산지 지역에서 산사태가 발생하지 않은 미발생 영역 중 환경 지리 변수의 특성에 따라 설정된 각 등급에서 산사태가 발생하지 않을 경우의 비율과 상기 발생 영역 중 환경 지리 변수의 특성에 따라 설정된 각 등급에서 산사태가 발생할 경우의 비율에 의해 결정될 수 있다.The degree of belief according to the embodiment is the ratio of a case in which a landslide does not occur in each grade set according to the characteristics of the environmental geographic variable among the non-occurring regions in which landslides do not occur in the mountainous region, and the characteristics of the environmental geographical variables among the occurrence regions It can be determined by the rate of occurrence of landslides in each grade set according to the
다른 실시예에 따른 산사태 민감성 모델 분석 방법은 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 기반으로 i) 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 이용하는 빈도 비(FR) 및 ii) 산사태의 발생에 대한 신념의 정도를 결정하는 증거 신뢰 함수(EBF)를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하는 단계; 상기 산사태 민감성 지수를 기반으로 상기 산지 지역에 대한 산사태 민감성 모델을 생성하는 단계; 및 상기 산사태 민감성 모델에 대응하여 상기 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석하는 단계를 포함할 수 있다.A landslide sensitivity model analysis method according to another embodiment is based on preliminary survey information on a mountainous area where a landslide occurred, i) a frequency ratio (FR) using spatial characteristics related to the vulnerability of a landslide within a mountainous area, and ii) the occurrence of a landslide determining a landslide susceptibility index including a vulnerable area representing the likelihood of a landslide by using an evidence confidence function (EBF) that determines a degree of belief in the landslide; generating a landslide sensitivity model for the mountainous region based on the landslide sensitivity index; and analyzing the model fit and model prediction performance for landslide prediction in the mountainous region in response to the landslide sensitivity model.
실시예에 따른 산사태 민감성 지수를 결정하는 단계는, 상기 산지 지역에 관한 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 정보 또는 상기 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 정보를 포함하는 산사태 민감성 지수를 결정할 수 있다.The step of determining the landslide susceptibility index according to the embodiment includes information indicating spatial characteristics regarding the vulnerability of landslides in the mountainous area according to the frequency ratio (FR) or the evidence confidence function ( It is possible to determine a landslide sensitivity index including information indicating the degree of belief in the occurrence of a landslide according to EBF).
실시예에 따른 모델 적합도 및 모델 예측 성능을 분석하는 단계는, 상기 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정하는 단계; 및 상기 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석하는 단계를 포함할 수 있다.In the analyzing the model fit and model prediction performance according to the embodiment, based on the sensitivity index calculated from the landslide sensitivity model, a correlation between the sensitivity and specificity according to the ratio of the case where landslide does not occur in the mountainous area is set to do; and analyzing the model fit and model prediction performance for the landslide sensitivity model in consideration of the correlation.
다른 실시예에 따른 프로세서를 포함하는 산사태 예측 장치에 있어서, 상기 프로세서는, 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 수집하고, 상기 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정하고, 상기 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 제2 산사태 민감성 지수를 결정하고, 상기 제1 산사태 민감성 지수 또는 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성할 수 있다.In the landslide prediction apparatus including a processor according to another embodiment, the processor collects pre-investigation information on a mountainous area in which a landslide has occurred, and a mountainous area according to a frequency ratio (FR) based on the prior survey information A first landslide sensitivity index indicating the spatial characteristics of the vulnerability of the landslide is determined, and a second landslide sensitivity index indicating the degree of belief in the occurrence of a landslide according to the evidence confidence function (EBF) based on the pre-investigation information and may generate a landslide sensitivity model for a mountainous area using the first landslide sensitivity index or the second landslide sensitivity index.
실시예에 따른 프로세서는, 상기 산지 지역을 대상으로 환경 지리 변수의 특성을 나타내는 등급들을 설정하고, 상기 환경 지리 변수의 특성을 나타내는 등급별 산사태 발생의 조건부 확률 원리를 적용하여 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정하고, 상기 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정할 수 있다.The processor according to the embodiment sets the grades indicating the characteristics of the environmental geographic variable for the mountainous area, and applies the conditional probability principle of the occurrence of the landslide for each grade indicating the characteristic of the environmental geographic variable to the occurrence area where the landslide occurred. The set area ratio of each grade may be set, and the first landslide susceptibility index may be set using an environmental geographic variable superimposed by spatial characteristics according to the area ratio of each grade.
실시예에 따른 프로세서는, 상기 산지 지역을 대상으로 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정하고, 상기 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 제2 산사태 민감성 지수를 설정할 수 있다.The processor according to the embodiment sets the probability of appearing the characteristics of the environmental geographical variable based on the setting of the grade setting of the environmental geographical variable and the setting of the landslide occurrence area ratio for each grade for the mountainous region, and the occurrence of the landslide determined according to the probability The second landslide sensitivity index can be established using the degree of belief in
다른 실시예에 따른 프로세서를 포함하는 산사태 예측 장치에 있어서, 상기 프로세서는, 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 기반으로 i) 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 이용하는 빈도 비(FR) 및 ii) 산사태의 발생에 대한 신념의 정도를 결정하는 증거 신뢰 함수(EBF)를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하고, 상기 산사태 민감성 지수를 기반으로 상기 산지 지역에 대한 산사태 민감성 모델을 생성하고, 상기 산사태 민감성 모델에 대응하여 상기 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석할 수 있다.In the landslide prediction apparatus including a processor according to another embodiment, the processor, based on preliminary survey information on the mountainous area where the landslide occurred, i) a frequency ratio ( FR) and ii) an evidence confidence function (EBF) that determines the degree of belief in the occurrence of a landslide is used to determine a landslide susceptibility index including a vulnerable area representing the likelihood of a landslide, and based on the landslide susceptibility index A landslide sensitivity model for the mountainous region may be generated, and model fit and model prediction performance for landslide prediction in the mountainous region may be analyzed in response to the landslide sensitivity model.
실시예에 따른 프로세서는, 상기 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정하고, 상기 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석할 수 있다.The processor according to the embodiment establishes a correlation between sensitivity and specificity according to a ratio of a case in which a landslide does not occur in a mountainous area based on the sensitivity index calculated from the landslide sensitivity model, and considers the correlation It is possible to analyze the model fit and model prediction performance for the sensitive model.
본 발명의 일실시예에 의하면, 빈도 비(FR)와 증거 신뢰 함수(EBF)는 지도의 도면 상에 산사태 발생 가능성이 높은 지역을 공간적으로 판별하는데 도움을 줄 수 있다.According to an embodiment of the present invention, the frequency ratio (FR) and the evidence confidence function (EBF) can help to spatially determine an area with a high probability of occurrence of a landslide on a drawing of a map.
본 발명의 일실시예에 의하면, 모델 적합도 평가와 모델 예측 성능 평가를 ROC 방법과 AUC 방법을 제시하였으며, 향후 산사태 민감성 모델의 검증 방법으로 활용할 수 있다.According to an embodiment of the present invention, the ROC method and the AUC method are presented for model fit evaluation and model prediction performance evaluation, which can be used as a verification method for a landslide sensitivity model in the future.
본 발명의 일실시예에 의하면, FR와 수정된 EBF를 활용하여 산사태 민감성 지도를 구축하면, 산사태 발생 가능성이 높은 곳의 공간 정보가 산출되기 때문에 이를 활용하여 산사태 예방 대책의 산사태 예방단 활용의 근거 자료로 활용할 수 있다.According to an embodiment of the present invention, if a landslide sensitivity map is constructed using FR and the modified EBF, spatial information of a place with a high probability of occurrence of a landslide is calculated. It can be used as data.
본 발명의 일실시예에 의하면, 국지적인 환경 지리적 특성을 잘 반영한 정보이기 때문에 사방 사업 추진의 기반자료로 활용하는 등 활용가치가 높다.According to an embodiment of the present invention, since it is information that well reflects the local environmental and geographical characteristics, it has a high utility value, such as using it as a base data for the promotion of erosion control projects.
도 1은 본 발명의 일실시예에 따른 산사태와 관련된 환경 지리적 특성을 파악하기 위한 전반적인 동작을 설명하기 위해 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 산사태 예측 장치의 세부 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 증거 신뢰 함수에 기반한 산사태 민감성 지수를 산출하기 위한 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 산지 지역의 산사태 예방을 위한 모델 적합도 및 모델 예측 성능을 분석한 결과를 나타낸 그래프이다.
도 5는 본 발명의 일실시예에 따른 산사태 민감성 모델 생성 방법을 설명하기 위해 도시한 흐름도이다.
도 6은 본 발명의 일실시예에 따른 산사태 민감성 모델 분석과 검증 방법을 설명하기 위해 도시한 흐름도이다.1 is a diagram illustrating an overall operation for determining environmental geographic characteristics related to a landslide according to an embodiment of the present invention.
2 is a view for explaining the detailed operation of the landslide prediction apparatus according to an embodiment of the present invention.
3 is a diagram for explaining an operation for calculating a landslide sensitivity index based on an evidence confidence function according to an embodiment of the present invention.
4 is a graph showing the results of analyzing the model fit and model prediction performance for preventing landslides in a mountainous area according to an embodiment of the present invention.
5 is a flowchart illustrating a method for generating a landslide sensitivity model according to an embodiment of the present invention.
6 is a flowchart illustrating a method for analyzing and verifying a landslide sensitivity model according to an embodiment of the present invention.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for purposes of illustration only, and may be changed and implemented in various forms. Accordingly, the actual implementation form is not limited to the specific embodiments disclosed, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit described in the embodiments.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various elements, these terms should be interpreted only for the purpose of distinguishing one element from another. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.When a component is referred to as being “connected to” another component, it may be directly connected or connected to the other component, but it should be understood that another component may exist in between.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as "comprise" or "have" are intended to designate that the described feature, number, step, operation, component, part, or combination thereof exists, and includes one or more other features or numbers, It should be understood that the possibility of the presence or addition of steps, operations, components, parts or combinations thereof is not precluded in advance.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present specification. does not
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, the same components are assigned the same reference numerals regardless of the reference numerals, and overlapping descriptions thereof will be omitted.
도 1은 본 발명의 일실시예에 따른 산사태와 관련된 환경 지리적 특성을 파악하기 위한 전반적인 동작을 설명하기 위해 도시한 도면이다.1 is a diagram illustrating an overall operation for determining environmental geographic characteristics related to a landslide according to an embodiment of the present invention.
도 1을 참고하면, 산사태 예측 장치(101)는 산사태 민감성 모델을 생성하기 이전에, 복수의 환경 지리 변수 중 산사태 발생에 민감한지에 대한 특성을 종합적으로 고찰한 이후, 산사태 민감성을 분석하고자 하는 산지 지역에 적합한 환경 지리 변수를 추출할 수 있다. 산사태 예측 장치(101)는 환경 지리 변수에 따른 산사태 민감도 정도를 이용하여 산사태 민감도 모델을 생성할 수 있다. 이후, 산사태 예측 장치(101)는 산사태 민감성 모델에 대응하여 상기 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석함으로써, 공간적으로 산사태 민감성을 판단할 수 있다.Referring to FIG. 1 , before generating the landslide sensitivity model, the
자세하게, 산사태 예측 장치(101)는 산사태가 발생했던 산지 지역에 관한 사전 조사 정보(102)를 수집할 수 있으며, 사전 조사 정보(102)는 지리 정보(103) 및 수치·영상 자료(104)를 포함할 수 있다.In detail, the
산사태 예측 장치(101)는 사전 조사 정보(102)를 수집하기 위해 1차적으로 산사태가 발생했던 발생지 즉, 산사태의 발생 영역에 관한 지리 정보(103)를 수집할 수 있다. 이때, 산사태 예측 장치(101)는 발생 영역에 관한 위경도 좌표를 활용하여 지표 공간 상 위치를 포함하는 지리 정보(103)를 수집할 수 있다.In order to collect the
산사태 예측 장치(101)는 지리 정보(103)를 수집한 이후, 2차적으로 산사태 민감성 지도의 구축을 위한 산사태 발생시작 지점을 판독하기 위하여, 산사태가 발생했던 지역 범위의 취득 가능한 모든 수치·영상 자료(104)를 수집할 수 있다. 산사태 예측 장치(101)는 1차적으로 수집한 지리 정보(103)를 기반으로 발생 영역 내 산사태의 시작점을 결정하기 위한 지리 정보의 위경도 좌표에 대응하는 연속 수치 지형도를 포함하는 수치·영상 정보(104)를 수집할 수 있다. 일례로, 산사태 예측 장치(101)는 1차적으로 구축된 산사태의 발생 지점(발생 영역)을 포함하는 항공 사진 이미지, 산사태가 발생한 지역 범위의 연속수치지형도 자료 등을 포함하는 사전 조사 정보(102)를 수집할 수 있다.After the
여기서, 산사태 예측 장치(101)는 1차적으로 수집한 산사태의 발생 지점을 포함하는 지리 정보(103)를 기반으로 연속 수치 지형도 상의 등고선 자료와 정사 영상의 산림파괴 흔적, 퇴적물 이동 흔적 등을 단서로 영상 자료를 판독할 수 있다. 그리고, 산사태 예측 장치(101)는 영상 자료의 판독 결과에 따른 산사태와 관련된 발생 시작 지점들을 추출할 수 있다. 산사태 예측 장치(101)는 발생 시작 지점들에 따른 산사태 발생 여부를 기준으로 산사태 민감성을 분석할 수 있다.Here, the
산사태 예측 장치(101)는 환경 지리 변수(Geo-environmental information)를 고려하여 산사태가 발생했던 산지 지역의 산사태 민감성 모델을 생성할 수 있다. 자세하게, 산사태 예측 장치(101)는 산사태 민감성 모델을 생성하기 이전에, 분석 대상인 산지지역에서 복수의 환경 지리 변수 중 산사태 발생에 민감한지에 대한 특성을 기반으로 산사태 민감성을 분석하기에 적합한 환경 지리 변수를 추출할 수 있다.The
본 발명은 환경 지리 변수를 추출하기 위해 지형 요인, 지질 요인, 토양 요인 및 토지 피복 요인 중 적어도 하나의 요인을 이용할 수 있다. 각각의 요인은 다음과 같이 정의될 수 있다.The present invention may use at least one of a topographical factor, a geological factor, a soil factor, and a land cover factor to extract an environmental geographic variable. Each factor can be defined as follows.
① 지형 요인① Terrain Factor
환경 지리 변수를 추출하기 위한 지형 요인은 연속 수치 지형도를 포함하는 수치·영상 자료로부터 고도, 경사도, 사면 향, 일반 곡률(curvature), 산각 / 골짜기 곡률(plan curvature), 종단면 곡률(profile curvature), 하천 침식력 지수(SPI: Stream Power Index), 지형 습윤 지수(TWI: Topographic Wetness Index), 하천으로부터의 거리 등에 대한 격자 자료로 구축될 수 있다.The topographic factors for extracting environmental geographical variables are elevation, slope, slope direction, general curvature, plan curvature, profile curvature, and profile curvature from numerical and image data including continuous numerical topographic maps. It can be constructed as grid data for Stream Power Index (SPI), Topographic Wetness Index (TWI), and distance from streams.
여기서, 하천 침식력 지수(SPI)는 지표면에서 단위면적당 물의 유출량이 일정하다는 가정하에, 지표 유출에 따른 퇴적물의 이동과 침식률을 나타내는 지수이며, 하천 침식력 지수는 아래의 수학식 1과 같이 정의될 수 있다.Here, the river erosion force index (SPI) is an index indicating the movement and erosion rate of sediments according to the surface runoff under the assumption that the amount of water runoff per unit area at the surface is constant, and the river erosion force index is defined as
여기서, 수학식 1은 사면경사와 상부사면의 기여면적에 자연로그를 취하여 결정되는 하천 침식력 지수를 나타내며, 
또한, 지형 습윤 지수(TWI)는 수문과 토양의 습윤 함량을 나타내는 것으로, 토양의 물리적, 화학적 속성이 동질하다는 가정하에, 지표면의 수분 보유 가능성을 표현하는 지수이다. 지형 습윤 지수는 복합 지형 지수(CTI: compound topographic index)를 이용하는 집수 모델링의 방법 중 하나이며, 지형 습윤 지수는 아래의 수학식 2와 같이 정의될 수 있다.In addition, the topographic wetness index (TWI) is an index expressing the water retention potential of the surface under the assumption that the physical and chemical properties of the soil are homogeneous. The topographic wetness index is one of catchment modeling methods using a compound topographic index (CTI), and the topographic wetness index may be defined as in Equation 2 below.
여기서, 수학식 2는 상부사면의 기여면적에서 사면경사를 나누어 자연로그를 취하여 결정되는 지형 습윤 지수를 나타내며, 
② 지질 요인② lipid factor
환경 지리 변수를 추출하기 위한 지질 요인은 수치 지질도를 포함하는 영상 자료로부터 암상종류, 세부 암상, 단층으로부터의 거리에 대한 격자 자료로 구축될 수 있다. 일례로, 본 발명은 산사태의 발생 여부를 판단하기 위한 산지 지역으로써, 춘천을 포괄하기 위한 수치 지질도를 이용할 수 있다. 수치 지질도는 화천, 양구, 인제, 춘천, 내평, 자은, 가평, 홍천의 총 8 개 도엽을 포함할 수 있다. 이때, 각 도엽 별 수치 지질도는 암상의 표현 방식이 서로 다르기 때문에 총 13 가지의 암상 종류를 통해 구분하고, 수치 지질도 상의 암상 이름과 암상 설명, 암상 기호에 근거하여 39 가지의 세부 암상으로 구분할 수 있다.Geological factors for extracting environmental geographic variables can be constructed from image data including numerical geological maps as grid data for rock types, detailed rock formations, and distances from faults. As an example, the present invention may use a numerical geological map to cover Chuncheon as a mountainous area for determining whether a landslide occurs. Numerical geological maps may include a total of 8 maps of Hwacheon, Yanggu, Inje, Chuncheon, Naepyeong, Jaeun, Gapyeong, and Hongcheon. At this time, the numerical geological map for each map leaf differs in the expression method of the dark phase, so a total of 13 types of dark phases are used. .
③ 토양 요인③ Soil factor
환경 지리 변수를 추출하기 위한 토양 요인은 정밀 토양도를 포함하는 영상 자료로부터 유효 토심, 배수 등급, 토양 목, 표토 토성에 대한 격자 자료로 구축될 수 있다. Soil factors for extracting environmental geographic variables can be constructed from image data including precise soil maps as grid data for effective soil depth, drainage grade, soil length, and topsoil soil.
④ 식생 요인④ Vegetation factor
또한, 식생 요인은 임상도 자료로부터 임종, 임상, 경급, 영급, 밀도에 대한 격자 자료로 구축될 수 있다.In addition, vegetation factors can be constructed as grid data for end-of-life, clinical, light, young, and density from clinical data.
⑤ 토지 피복 요인⑤ Land cover factor
환경 지리 변수를 추출하기 위한 토지 피복 요인은 중분류의 토지 피복 지도로부터 구축된 토지 피복에 대한 격자 자료로 구축될 수 있다. 토지 피복 지도의 원시 영상은 1m 급의 항공 정사 영상과 1m 급의 영상이며, 이를 토대로 격자 자료로 중분류의 토지 피복 지도를 구축할 수 있다.Land cover factors for extracting environmental geographic variables can be constructed as grid data for land cover constructed from land cover maps of medium classification. The raw image of the land cover map is an aerial orthographic image of 1 m level and an image of 1 m level, and based on this, a medium classification land cover map can be constructed with grid data.
산사태 예측 장치(101)는 상술한 요인들을 고려하여 환경 지리 변수의 등급을 구분할 수 있다. 여기서, 환경 지리 변수의 등급 구분은 고도, 사면경사와 같은 비율척도의 경우 10 개 등급의 등간격으로 구분될 수 있다. 산사태 예측 장치(101)는 고도와 사면 경사도를 통해 등간격으로 구분함으로써, 산사태 발생 가능성이 높은 등급 구간에 대한 이해를 높일 수 있다. 산사태 예측 장치(101)는 비율 척도 중에 일반 곡률, 산각 / 골짜기 곡률, 종단면 곡률은 곡률의 특성을 알기 쉽게 구분하기 위하여 3개 등급으로 구분할 수 있다. The
여기서, SPI 와 TWI 와 같은 지수 값은 산사태와 관련된 분석 지역에 따라 지수 값이 달라질 수 있으며, 산사태 예측 장치(101)는 SPI 와 TWI 와 같은 지수의 높고 낮음을 분위수라는 기준으로 파악할 수 있다. 또한, 지질도, 토양도, 임상도, 토지 피복 지도와 같은 명목척도의 경우에는 공간 자료의 원 자료 구축 당시의 속성 자료 구분 방법에 따라 등급화 할 수 있다.Here, the index values such as SPI and TWI may vary depending on the analysis region related to the landslide, and the
이에, 본 발명에서 제안하는 산사태 예측 장치(101)는 산사태 발생에 대한 환경지리적 민감성 분석을 위해 빈도 비(FR: Frequency Ratio)와 증거 신뢰 함수(EBF: Evidential Belief Function)를 이용할 수 있다. 산사태 예측 장치(101)는 빈도 비 및 증거 신뢰 함수를 활용하여 산사태 민감성 지수 구축에 활용할 환경 지리 변수를 선정할 수 있다.Accordingly, the
산사태 예측 장치(101)는 환경 지리 변수의 특성을 기반으로 산사태 민감성 지수를 생성하고, 산사태 민감성 지수에 따른 산사태 민감성 모델을 생성할 수 있다. 산사태 예측 장치(101)는 산사태 민감성 모델에 대한 모델 적합도 평가와 모델 예측 성능 평가를 수행할 수 있다.The
도 2는 본 발명의 일실시예에 따른 산사태 예측 장치의 세부 동작을 설명하기 위한 도면이다.2 is a view for explaining the detailed operation of the landslide prediction apparatus according to an embodiment of the present invention.
도 2를 참고하면, 산사태 예측 장치(101)는 산사태의 발생 가능성이 높은 산지 지역의 환경 지리적 특성(Geo environmental characteristics)을 파악하기 위한 방법을 수행할 수 있다. 산사태 예측 장치(101)는 빈도 비(FR)와 증거 신뢰 함수(EBF)를 이용하여 산사태 발생에 취약한 환경 지리적 특성을 활용한 산사태 민감성 지수(LSI: Landslide Susceptibility Index)를 생성할 수 있다. 산사태 예측 장치(101)는 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성할 수 있다. 산사태 예측 장치(101)는 산사태 민감성 모델의 적합도를 검증하기 위해 해당 산사태 민감성 모델의 장단점 및 예측 성능을 비교 분석할 수 있다.Referring to FIG. 2 , the
이를 위해, 산사태 예측 장치(101)는 프로세서(201)를 포함할 수 있으며, 프로세서(201)은 빈도 비(FR)와 증거 신뢰 함수(EBF)를 이용하여 산사태 민감성 모델을 생성하고, 생성한 산사태 민감성 모델에 따른 성능을 검증할 수 있다.To this end, the
① 빈도 비(FR)① Frequency ratio (FR)
프로세서(201)는 빈도 비(FR: Frequency Ratio)를 활용할 수 있다. 빈도 비(FR)는 산사태가 발생한 지역의 환경지리적 민감도 분석과 산사태 발생의 공간적 예측을 위하여 활용될 수 있다. 빈도 비(FR)는 조건부 확률 원리를 기반으로 한 환경지리변수의 등급별 산사태 발생면적의 비율을 의미할 수 있다. 프로세서(201)는 산사태 발생지역의 환경지리적 민감도를 판별하기 위한 기본적인 분석이므로 산사태 민감도 분석에 지속적으로 활용되기 위해 빈도 비(FR)를 활용할 수 있다. 주파수 비율(FR)은 아래의 수학식 3과 같이 정의 될 수 있다.The
여기서, 수학식 4는 공간적으로 중첩한 환경 지리 변수의 산사태 발생 빈도비를 모두 합산한 결과로, 빈도 비에 따른 산사태 민감성 지수를 설정할 수 있다.Here, Equation 4 is a result of summing all the landslide occurrence frequency ratios of spatially overlapping environmental geographic variables, and it is possible to set the landslide sensitivity index according to the frequency ratio.
결국, 프로세서(201)는, 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정할 수 있다. 자세하게, 프로세서(201)는 산지 지역에서 산사태가 발생했던 발생 영역을 대상으로 조건부 확률 원리를 적용하여 환경 지리 변수의 특성을 나타내는 등급들을 설정할 수 있다. 그리고, 프로세서(201)는 환경 지리 변수의 특성을 나타내는 등급별 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정하고, 설정된 면적 비율을 고려하여 제1 산사태 민감성 지수를 설정할 수 있다. 이때, 제1 산사태 민감성 지수는 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용할 수 있다.As a result, the
② 증거 신뢰 함수(EBF)② Evidence confidence function (EBF)
프로세서(201)는 증거 신뢰 함수(EBF)을 활용할 수 있다. 여기서, 증거 신뢰 함수(EBF)는 Dempster-Shafer 증거이론에 기반하여 광물 잠재성 지도로 활용되기 시작하였으며, 산사태 민감성 지도를 작성하기 위해 활용될 수 있다. 증거 신뢰 함수(EBF)는 아래의 수학식 5 내지 수학식 10과 같이 정의될 수 있다.The
수학식 6은 증거 신뢰 함수(EBF) 중 Belief를 나타내는 식일 수 있다. 
수학식 8은 증거 신뢰 함수(EBF) 중 Disbelief를 나타내는 식일 수 있다. 
수학식 9는 증거 신뢰 함수(EBF) 중 Uncertainty를 나타내는 식일 수 있다. Uncertainty는 1에서 Belief와 Disbelief를 뺀 값으로 산출한다. Equation 9 may be an expression representing uncertainty among evidence confidence functions (EBF). Uncertainty is calculated as 1 minus Belief and Disbelief.
수학식 10은 증거 신뢰 함수(EBF) 중 Plausibility를 나타내는 식일 수 있다. Plausibility는 Bel과 Unc 값을 합산하여 산출한다.
증거 신뢰 함수(EBF)는 신념 값(Belief)이 동일한 환경 지리 변수 내에서 모든 등급 구간들의 신념 값의 합계가 '1'이 된다. 따라서, 환경 지리 변수의 등급 별 산사태의 발생에 대한 신념은 신념에 대한 증거 함수가 얼마나 높게 나타나는지에 따라 결정될 수 있다. 신념에 대한 증거 함수는 산사태 미발생 지역 중 환경 지리 변수의 해당 등급에서 산사태가 발생하지 않을 비율이 낮을수록 신념 값이 낮고, 산사태 발생 지역 중 환경 지리 변수의 해당 등급에서 산사태가 발생할 비율이 높을 수록 신념 값이 높다.In the evidence confidence function (EBF), the sum of the belief values of all grade intervals within the environmental geographic variable having the same belief value becomes '1'. Therefore, beliefs about the occurrence of landslides by grades of environmental geographic variables can be determined according to how high the evidence function for beliefs appears. As for the evidence function for belief, the lower the ratio of landslide non-occurrence in the corresponding grade of environmental geographic variable among landslide non-occurring regions, the lower the belief value, and the higher the ratio of landslides occurring in the corresponding grade of environmental geographic variable among landslide-prone regions. The belief value is high.
이러한 증거 신뢰 함수(EBF)의 장점은 불확실성의 정도를 구분하여 표현하기 때문에 산사태를 목적 변수로 둔 경우 환경 지리 변수의 해당 등급에서 산사태가 일어날 확률이 높은 신념(Belief)의 정도와 해당 등급이 아닐 경우에 산사태 일어날 확률이 높은 불신(Disbelief)의 정도를 판별하다는 장점을 가진다.The advantage of this evidence confidence function (EBF) is that it expresses the degree of uncertainty separately, so when a landslide is used as the objective variable, the degree of belief that a landslide is likely to occur in the corresponding grade of the environmental geographic variable and the degree of belief that the landslide is not in the corresponding grade In this case, it has the advantage of determining the degree of disbelief with a high probability of a landslide.
프로세서(201)는 산사태 민감성 지도를 작성할 때, Belief 함수 결과 값의 합계를 사용하여 산출할 수 있다. 신념 값은 산사태가 일어날 가능성에 대한 불확실성을 포함하지 않는 신념의 정도를 나타내기 때문에 산사태 민감성 지수의 분석에 활용가치가 높다. 따라서 증거 신뢰 함수(EBF)를 활용한 산사태 민감성 지수는 다음의 수학식 11과 같이 정의될 수 있다.The
여기서, 수학식 11은 증거 신뢰 함수(EBF)의 4 가지 함수 중 Belief 함수 결과 값의 합계에 따른 산사태 민감성 지수를 설정할 수 있다.Here, Equation 11 may set the landslide sensitivity index according to the sum of the result values of the Belief function among the four functions of the evidence confidence function (EBF).
프로세서(201)는 ROC(Receiver Operating Characteristic) 검증 방법을 이용할 수 있다. 이를 통해, 프로세서(201)는 산지 지역에 대한 산사태 민감성 모델에 대한 모델 적합도(model fit) 평가와 모델예측 성능(model prediction performance)을 평가할 수 있다.The
프로세서(201)는 산지 지역에 대한 산사태 민감성 모델에 대응하여 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석할 수 있다. 프로세서(201)는 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정할 수 있다. 프로세서(201)는 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석할 수 있다.The
도 3은 본 발명의 일실시예에 따른 산사태 민감성 지수를 예측하기 위한 동작을 설명하기 위한 도면이다.3 is a diagram for explaining an operation for predicting a landslide sensitivity index according to an embodiment of the present invention.
도 3의 그래프는 산사태 민감성 모델에 대한 모델 적합도 평가와 모델예측 성능을 평가함에 따른 ROC을 나타낸 그래프일 수 있다.The graph of FIG. 3 may be a graph showing the ROC according to the evaluation of model fit and model prediction performance for the landslide sensitivity model.
여기서, 모델 적합도 평가란, 모델 산출에 사용된 동일한 산사태 정보와 모델 결과를 비교하여 알려진 산사태의 분포가 모델의 등급화와 잘 맞는지를 평가하는 것을 의미할 수 있다. 따라서, 모델 구축에 사용된 산사태 정보인 훈련용(70%) 자료를 모델 적합도 검증에 활용한다.Here, the evaluation of model fit may mean evaluating whether the known distribution of landslides fits well with the grading of the model by comparing the same landslide information used for model calculation with the model result. Therefore, training (70%) data, which is landslide information used to build the model, is used to verify the model fit.
또한, 모델 예측 성능 평가란, 모델 구축에 사용되지 않은 산사태 정보와 모델 결과를 비교하여 민감성 모델의 산사태 예측 능력을 평가하는 것을 의미할 수 있다. 이는 모델 예측 성능 평가를 위해 모델에 사용된 산사태 발생 정보보다 시간적으로 미래에 발생한 산사태를 활용하는 것이 이상적이지만, 자료취득의 어려움 때문에 무작위 추출법으로 구분한 동일 연도에 발생한 산사태의 검증용 자료(30%)를 활용한다.In addition, the evaluation of model prediction performance may mean evaluating the landslide prediction ability of the sensitive model by comparing the landslide information not used for model construction with the model result. It is ideal to use landslides occurring in the temporal future rather than the information on landslide occurrence used in the model for model prediction performance evaluation. ) is used.
산사태 예측 장치에서 사용되는 ROC 검증 방법은 타겟 탐지에 대한 레이더 반응의 성능을 평가하기 위해 개발된 이후 의료 진단 평가나 머신러닝과 같은 과학 분야에 적용되었다. ROC 곡선의 AUC(Area Under Curve)는 모델 전반의 질을 평가하는 데에 사용될 수 있다. ROC 곡선의 X 축은 False Positive rate(FP) 로써 민감도 지수를 내림차순으로 정렬한 후 산사태가 발생하지 않은 총 픽셀 수 중 해당 지수까지의 픽셀에서 산사태가 발생하지 않은 픽셀 수의 비율로 표현할 수 있다.The ROC verification method used in the landslide prediction device was developed to evaluate the performance of radar response to target detection and then applied to scientific fields such as medical diagnostic evaluation and machine learning. The Area Under Curve (AUC) of the ROC curve can be used to evaluate the overall quality of the model. The X axis of the ROC curve is the false positive rate (FP), and after sorting the sensitivity index in descending order, it can be expressed as the ratio of the number of pixels up to the corresponding index to the number of pixels without landslide among the total number of pixels that did not have landslides.
ROC 곡선의 Y 축은 True Positive rate(TP) 로써 산사태가 발생한 총 픽셀 수 중 해당 지수까지의 픽셀에서 산사태가 발생한 픽셀 수의 비율로 표현할 수 있다.The Y-axis of the ROC curve is the true positive rate (TP), and it can be expressed as the ratio of the number of pixels in the landslide to the pixel up to the corresponding index out of the total number of pixels where the landslide occurred.
일례로, 본 발명은 산사태 민감성 지수의 분석과 검증하기 위하여 다음과 같은 과정을 수행할 수 있다. 본 발명은 춘천 지역을 대상으로 산사태 민감성 지수의 분석과 검증을 수행한다. 이에, 산사태 민감성 지수의 분석은 춘천 지역의 산사태 발생에 대한 환경 지리적 특성에 따른 민감성 분석 결과, 민감도가 낮은 환경 지리 변수였던 3 가지(사면 향, 암상종류, 단층으로부터의 거리)를 제외한 모든 환경 지리 변수를 대상으로 분석을 수행하였다. 산사태 민감성 지수의 검증은 모델 적합도 평가와 모델 예측 성능 평가를 실시하였으며, 분석결과를 기반으로 산사태 민감성 지도를 산출하였다.As an example, the present invention may perform the following process in order to analyze and verify the landslide sensitivity index. The present invention performs analysis and verification of the landslide sensitivity index for the Chuncheon area. Accordingly, the analysis of the landslide sensitivity index showed that all environmental geographies except for the three environmental geographic variables with low sensitivity (slope orientation, bed type, and distance from fault) were the result of sensitivity analysis according to the environmental and geographical characteristics of the occurrence of landslides in the Chuncheon region. Analysis was performed on the variables. To verify the landslide sensitivity index, model fit evaluation and model prediction performance evaluation were performed, and a landslide sensitivity map was calculated based on the analysis results.
1) 모델 적합도 평가1) Model fit evaluation
모델 적합도 평가는 모델 구축에 사용되었던 70 %의 훈련 자료를 FR 과 EBF 모델에 적용하여 모델이 적합한 정도를 ROC 방법으로 평가하는 것이다. Area Under Curve(AUC)값의 경우, FR 은 80.5% 로 높고 EBF 는 76.6 %로 낮게 나타났다. FR 모델의 훈련자료 분석 결과 산사태 민감성 지수의 상위 10%(Very high)는 41.4%, 상위 30%(high)는 77.3%, 상위 50%(Moderate)는 91.7 %의 훈련 자료를 정확하게 예측한 것을 알 수 있었다.The model fit evaluation is to evaluate the degree of model fit using the ROC method by applying 70% of the training data used to build the model to the FR and EBF models. In the case of Area Under Curve (AUC), FR was high at 80.5% and EBF was low at 76.6%. As a result of analyzing the training data of the FR model, it was found that 41.4% of the top 10% (Very high) of the landslide sensitivity index accurately predicted the training data of 77.3% of the top 30% (high), and 91.7% of the top 50% (Moderate) of the landslide sensitivity index. could
반면에 EBF 모델의 훈련자료 분석 결과 산사태 민감성 지수의 상위 10 %는 38.1 %, 상위 30 %는 68.5 %, 상위 50 %는 89.0 %의 훈련 자료를 예측한 것을 알 수 있었다. 이는 아래의 표 2와 같이 나타낼 수 있다.On the other hand, as a result of analyzing the training data of the EBF model, it was found that the top 10% of the landslide sensitivity index predicted 38.1% of the training data, 68.5% of the top 30%, and 89.0% of the training data of the top 50%. This can be shown in Table 2 below.
2) 모델 예측 성능 평가2) Model prediction performance evaluation
FR 과 EBF 의 모델 예측 성능 평가는 춘천 지역의 산사태 발생 지점에 관한 자료 중 무작위로 추출한 검증용 자료30% 에 대하여 수행하였다. 모델 예측 성능 평가는 산사태 민감성의 상위 10% 에 해당하는 ‘매우 높음’ 등급에서는 기존과 동일하게 FR 방법의 모델 예측성능이 42.3% 로 EBF 의 37.2% 보다 높았지만 상위 30% 의 ‘매우 높음’과 ‘높음’ 등급에서는 EBF 의 모델 예측 성능이 73.1% 로 FR 의 66.7% 보다 현저히 높게 나타난 것을 알 수 있었다. 이는 아래의 표 3과 같이 나타낼 수 있다.The model prediction performance evaluation of FR and EBF was performed on 30% of randomly selected verification data among the data on landslide occurrence points in the Chuncheon area. In the evaluation of model prediction performance, in the 'very high' grade, which is the top 10% of landslide sensitivity, the model prediction performance of the FR method was 42.3%, which was higher than that of the EBF 37.2%, but the top 30% of the 'very high' and In the 'high' grade, it was found that the model prediction performance of EBF was 73.1%, which was significantly higher than that of FR, 66.7%. This can be shown in Table 3 below.
AUC 분석 결과, FR 이 76.3% 으로 EBF 의 74.9% 보다 높아 전반적인 성능은 FR 이 여전히 높았다. 하지만 모델 적합도의 AUC 는 두 가지 방법의 차이가 3.9% 였던 것에 비해 모델 예측 성능의 AUC 는 두 모델 간 차이가 1.4% 로 적었다. 특히, 상위 30% 이내의 높은 산사태 민감성 지수를 보이는 지역에서 EBF 방법이 6.4% 만큼 더 높은 예측 성능을 보여주고 있다. 따라서, 실질적으로 미래의 산사태 예측을 위해서는 EBF 방법의 장점이 있다.As a result of AUC analysis, FR was 76.3%, which was higher than that of EBF of 74.9%, so the overall performance was still high. However, the difference between the two methods was 3.9% in the AUC of the model fit, whereas the difference in the AUC of the model prediction performance was 1.4% between the two models. In particular, in the region with a high landslide sensitivity index within the top 30%, the EBF method shows higher prediction performance by 6.4%. Therefore, there is an advantage of the EBF method for practically predicting future landslides.
이에, 본 발명은 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정할 수 있다. 여기서,빈도 비(FR) 모델은 환경지리변수 별로 해당 등급의 면적비율 대비 산사태 발생 비율로 표현한다. 여기서, FR 값이 높다는 것은 해당 등급의 면적 비율이 매우 작거나 산사태 발생비율이 높은 것을 의미한다.Accordingly, the present invention can determine the first landslide sensitivity index indicating the spatial characteristics of the vulnerability of the landslide in the mountainous area according to the frequency ratio (FR) based on the preliminary survey information. Here, the frequency ratio (FR) model is expressed as the ratio of landslide occurrence to the area ratio of the corresponding grade for each environmental geographic variable. Here, a high FR value means that the area ratio of the corresponding grade is very small or the landslide occurrence ratio is high.
FR 값은 경우에 따라 면적 비율이 매우 낮아, FR 값이 높을 경우에는 2 순위나 3 순위 등급 구간도 산사태 발생에 중요한 변수로써 파악할 수 있다. 또한 FR 값의 경우 산사태 발생 수와 전체 셀 수가 동일한 값으로 적용되기 때문에 환경지리변수별로 FR 값의 차이를 비교하는 것이 가능할 수 있다.In some cases, the FR value has a very low area ratio, and when the FR value is high, the 2nd or 3rd grade section can also be identified as an important variable in the occurrence of landslides. Also, in the case of FR values, since the number of landslides and the total number of cells are applied as the same value, it may be possible to compare the difference in FR values for each environmental geographic variable.
본 발명은 환경지리변수 별 FR 값이 가장 큰 1 순위 등급과 1 순위가 아니지만 FR값이 1.5 이상인 환경지리변수의 등급을 FR 값이 큰 순서대로 나열하면, 다음의 표 4와 같이 나타낼 수 있다.According to the present invention, if the 1st grade with the largest FR value for each environmental geographic variable and the grades of the environmental geographic variable with the FR value of 1.5 or more are listed in the order of the largest FR value, it can be shown in Table 4 below.
산사태 발생과 관련하여 등급별 빈도비가 높은 구간이 많은 환경 지리 변수는 지형 요인과 관련한 하천으로부터의 거리 50~150m, 사면 경사 15~25 °, 지질 요인인 세부 암상 종류들(흑운모편마암, 각섬석흑운모편암, 앰피볼라이트 등)이었다. 또한 영급이 어리고, 임상 밀도가 낮고 경급이 작은 치수이며 인공림의 임상조건이 산사태 유발에 특히 민감한 환경 조건이었다. 본 발명은 국지 지역에 따라 다르게 나타날 수 있는 산사태 민감성 정보와 우리나라에서 일반화할 수 있는 산사태 민감성이 높은 환경 지리적 특성을 파악할 수 있다.In relation to the occurrence of landslides, the environmental geographic variables with a high frequency ratio by grade are 50 to 150 m from the river, 15 to 25 ° slope inclination related to topographic factors, and detailed rock formation types (biotite gneiss, hornblende biotite schist, amphibolite, etc.). In addition, the young level, the clinical density is low, the light level is small, and the clinical condition of the plantation is an environmental condition that is particularly sensitive to the induction of landslides. The present invention can identify landslide sensitivity information that may appear differently depending on local regions and environmental geographic characteristics with high landslide sensitivity that can be generalized in Korea.
산사태 예측 장치는 산지 지역에서 산사태가 발생했던 발생 영역을 대상으로 조건부 확률 원리를 적용하여 환경 지리 변수의 특성을 나타내는 등급들을 설정할 수 있다. 산사태 예측 장치는 환경 지리 변수의 특성을 나타내는 등급별 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정한 후, 면적 비율을 고려하여 제1 산사태 민감성 지수를 설정할 수 있다. 산사태 예측 장치는 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정할 수 있다.The apparatus for predicting a landslide may set grades indicating characteristics of environmental geographic variables by applying a conditional probability principle to a region where a landslide has occurred in a mountainous area. The landslide prediction apparatus may set the area ratio of each grade set in the region where the landslide occurred by grade representing the characteristics of the environmental geographic variable, and then set the first landslide sensitivity index in consideration of the area ratio. The landslide prediction apparatus may set the first landslide sensitivity index by using the environmental geographic variable superimposed by the spatial characteristics according to the area ratio of each grade.
본 발명은 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 제2 산사태 민감성 지수를 결정할 수 있다. The present invention may determine the second landslide sensitivity index indicating the degree of belief in the occurrence of a landslide according to the evidence confidence function (EBF) based on the prior investigation information.
증거 신뢰 함수(EBF)의 Belief 값은 모든 환경 지리 변수별로 등급 구간의 상대적인 Belief 에 관한 증거 함수 값의 비율 차이를 나타내므로 동일 환경 지리 변수 내의 등급별 산사태 발생 가능성에 대한 차이를 확실히 구분할 수 있다. 이때, Belief 값은 동일 환경 지리 변수 내에서의 상대적인 비율 값이기 때문에 등급 구간의 수에 따라 값이 전반적으로 크거나 작아질 수 있어, 환경 지리 변수 간의 Belief 값의 비교는 무의미하다고 할 수 있다.Since the Belief value of the Evidence Confidence Function (EBF) represents the difference in the ratio of the evidence function value with respect to the relative Belief of the grade interval for all environmental geographic variables, it is possible to clearly distinguish the difference in the probability of occurrence of landslides by grade within the same environmental geographic variable. In this case, since the Belief value is a relative ratio value within the same environmental geographic variable, the value may be overall larger or smaller depending on the number of grade sections, so it can be said that the comparison of the Belief value between the environmental geographic variables is meaningless.
또한, 증거 신뢰 함수(EBF)의 Belief 값과 Disbelief값에 중간 값은 산사태 발생에 대하여 Uncertainty 값으로 불확실한 부분의 비율을 구할 수 있다는 측면에서는 증거 신뢰 함수(EBF)의 장점이 있다. 증거 신뢰 함수(EBF)은 입력 자료를 우호적인 경우와 비우호적인 경우로 분류하여 단순화함으로써 입력 자료의 부정확성을 극복하여 분석할 수 있다.In addition, the intermediate value of the Belief value and the Disbelief value of the Evidence Confidence Function (EBF) has the advantage of the Evidence Confidence Function (EBF) in that it can obtain the ratio of the uncertain part as the Uncertainty value for the occurrence of landslides. Evidence confidence function (EBF) can be analyzed by overcoming the inaccuracy of the input data by classifying the input data into a favorable case and an unfavorable case and simplifying it.
본 발명에서는 증거 신뢰 함수(EBF)의 Belief, Disbelief, Uncertainty, Plausibility 를 구하는 공식을 활용하였다. 증거 신뢰 함수(EBF)는 Belief 증거함수(WcijL)를 산사태가 발생하지 않은 경우(B+D) 중 환경 지리 변수(i)의 해당 등급(j)인 경우 (B)의 비율에 대한 산사태가 발생한 경우(A+C) 중 환경 지리 변수(i)의 해당 등급 (j)인 경우 (A)의 비율로써 산출할 수 있다. 이는 다음의 표 5와 같이 나타낼 수 있다.In the present invention, formulas for obtaining Belief, Disbelief, Uncertainty, and Plausibility of the Evidence Confidence Function (EBF) were used. The evidence confidence function (EBF) is the Belief evidence function (Wc ij L) for the ratio of landslides to the proportion of (B) for the corresponding class (j) of the environmental geographic variable (i) among the non-landslide cases (B+D). Among the cases (A+C), it can be calculated as the ratio of (A) in the case of the corresponding grade (j) of the environmental geographic variable (i). This can be shown in Table 5 below.
표 5의 
산사태 예측 장치는 산지 지역에서 산사태가 발생한 발생 영역 중 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정할 수 있다. 산사태 예측 장치는 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 상기 제2 산사태 민감성 지수를 설정할 수 있다.The apparatus for predicting a landslide may set a probability of appearing a characteristic of an environmental geographical variable based on the setting of the grade of the environmental geographical variable and the setting of the landslide occurrence area ratio for each grade among the landslide occurrence regions in the mountainous region. The landslide prediction apparatus may set the second landslide sensitivity index by using a degree of belief in the occurrence of a landslide determined according to a probability.
이후, 본 발명은 제1 산사태 민감성 지수 또는 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성할 수 있다. 본 발명은 산사태 민감성 모델에 대응하여 산지 지역의 산사태 예방을 위한 모델 적합도 및 모델 예측 성능을 분석할 수 있다.Thereafter, the present invention may generate a landslide sensitivity model for a mountainous area using the first landslide sensitivity index or the second landslide sensitivity index. The present invention can analyze the model fit and model prediction performance for landslide prevention in the mountainous region in response to the landslide sensitivity model.
자세하게, 산사태 예측 장치는 FR과 EBF 분석 결과를 기반으로 산사태 민감성 지수의 분포에 따라 산사태 민감성 지도를 작성할 수 있다. 각 모델의 분석 결과에 따른 산사태 민감성 지수를 내림차순으로 정렬하여 상위 10% 는 ‘매우 높음’, 상위 10~30% 는 ‘높음’, 상위 30~50% 는‘보통’, 50~70% 는 ‘낮음’, 70~100% 는 ‘매우 낮음’등급으로 설정하여 지도화할 수 있다.In detail, the landslide prediction device can create a landslide susceptibility map according to the distribution of the landslide susceptibility index based on the FR and EBF analysis results. The landslide sensitivity index according to the analysis result of each model is sorted in descending order, so that the top 10% is 'Very High', the top 10-30% is 'High', the top 30-50% is 'Normal', and 50-70% is 'Very High'. 'Low', 70~100% can be mapped by setting the 'very low' rating.
일례로, 본 발명은 모델 예측 성능이 높았던 EBF 분석에 따른 산사태 민감성 지도를 생성할 수 있다. 각 등급에 따라 '매우 높음’과 ‘높음’ 등급은 주로 동면의 품걸리, 상걸리, 북산면의 물로리, 조교리, 부귀리, 추곡리, 대곡리, 사북면의 고성리, 서면의 덕두원리, 당림리, 남산면의 백양리, 방하리, 가정리, 동산면의 원창리, 군자리, 봉명리, 조양리에 분포하였다.As an example, the present invention may generate a landslide sensitivity map according to EBF analysis, which has high model prediction performance. According to each grade, the 'Very High' and 'High' grades are mainly Pumgeol-ri, Sanggeol-ri, Buksan-myeon, Mulgori, Jogyo-ri, Buguri, Chugok-ri, Daegok-ri, Goseong-ri, Sabuk-myeon, Deokduwon-ri, Dangrim-ri, Namsan-myeon Baekyang-ri, Bangha-ri, It was distributed in Gajeong-ri, Wonchang-ri, Gunja-ri, Bongmyeong-ri, and Joyang-ri of Dongsan-myeon.
또한, 본 발명은 모델 예측 성능이 높았던 FR 분석에 따른 산사태 민감성 지도를 생성할 수 있다. 각 등급에 따라 ‘매우 높음’과 ‘높음’등급의 분포가 EBF 기반의 산사태 민감성 지도와 대체로 동일하게 나타나는 경향이었다. 단, FR 기반의 산사태 민감성 지도는 북산면의 추곡리, 대곡리와 사북면의 고성리 대신에 사북면 오탄리, 남산면 광판리, 동면 감정리에서‘매우 높음’과 ‘높음’ 등급 지역이 넓게 분포하는 차이가 있었다.In addition, the present invention can generate a landslide sensitivity map according to FR analysis, which has high model prediction performance. According to each grade, the distribution of ‘very high’ and ‘high’ grades tended to appear substantially the same as those of the EBF-based landslide sensitivity map. However, in the FR-based landslide sensitivity map, instead of Chugok-ri, Daegok-ri and Sabuk-myeon in Buksan-myeon, Otan-ri in Sabuk-myeon, Gwangpan-ri in Namsan-myeon, and Gamjeong-ri in Dongmyeon, there was a difference in that 'Very High' and 'High' grade areas were widely distributed.
본 발명은 FR 과 EBF 모델과 같이 통계적 방법에 근거한 산사태 민감성 예측 모델을 기반으로 적용한 지역의 국지적 특성에 따라서 예측 성능이 높은 모델의 종류가 달라질 수 있다.In the present invention, the types of models with high prediction performance may vary depending on the local characteristics of the area applied based on the landslide sensitivity prediction model based on statistical methods such as the FR and EBF models.
도 4는 본 발명의 일실시예에 따른 산지 지역의 산사태 예방을 위한 모델 적합도 및 모델 예측 성능을 분석한 결과를 나타낸 그래프이다.4 is a graph showing the results of analyzing the model fit and model prediction performance for preventing landslides in a mountainous area according to an embodiment of the present invention.
도 4의 그래프를 살펴보면, 산사태 예측 장치는 Frequency Ratio(FR) 모델과 Evidential Belief Function(EBF) 모델을 활용하여 춘천의 산사태 발생에 민감한 환경지리적 특성을 분석하고, 분석한 내용을 기반으로 산사태 발생에 민감한 환경지리변수를 선정하여 산사태 민감성 지수를 산출할 수 있다. 그리고, 산사태 예측 장치는 산사태 민감성 지수의 산출 결과를 기반으로 모델 적합도와 모델 예측 성능을 ROC 와 AUC 방법으로 검증할 수 있다.Looking at the graph of FIG. 4, the landslide prediction device uses the Frequency Ratio (FR) model and the Evidential Belief Function (EBF) model to analyze the environmental and geographical characteristics sensitive to the occurrence of landslides in Chuncheon, and based on the analyzed contents, A landslide sensitivity index can be calculated by selecting sensitive environmental geographic variables. And, the landslide prediction apparatus may verify the model fit and model prediction performance using the ROC and AUC methods based on the calculation result of the landslide sensitivity index.
본 발명의 산사태 유발에 대한 민감성이 높은 지형 요인은 100~200m 의 고도, 15~25 °의 경사도, 50~200m 의 하천으로부터의 거리, 높은 하천 침식력 지수, 중간 또는 중간 이상의 지형 습윤 지수, 산각/골짜기 곡률과 일반 곡률이 오목사면인 경우, 종단면 곡률이 볼록 사면인 경우였다.The topographic factors with high sensitivity to landslide induction of the present invention include an altitude of 100 to 200 m, a slope of 15 to 25 °, a distance from a river of 50 to 200 m, a high river erosion force index, a moderate or medium or higher topographic wetness index, and a slope. /Valley curvature and general curvature were concave, and longitudinal curvature was convex.
본 발명의 산사태 유발에 대한 민감성이 높은 지질 요인은 39 개 세부 암상 분류 분석을 통해 파악하였다. FR값이 1.5 이상이었던 세부 암상은 흑운모 편마암, 각섬석흑운모편암, 섬록암, 앰피볼라이트, 각섬암류, 흑운모화강암, 운모편암, 안구상편마암, 호상 편마암이었다. 또한 단층으로부터의 거리는 산사태 발생과 일관된 연관성이 없어, 산사태 민감도 지수 분석에서 제외하였다.The lipid factors with high sensitivity to landslide induction of the present invention were identified through 39 detailed rock bed classification analysis. The detailed rock phases with FR values of 1.5 or higher were biotite gneiss, hornblende biotite schist, diorite, amphibolites, hornblende, biotite granite, mica schist, oculum gneiss, and arc gneiss. In addition, the distance from the fault did not have a consistent relationship with the occurrence of landslides, so it was excluded from the analysis of the landslide sensitivity index.
본 발명의 토양 요인의 경우에는 알피솔, 50~100cm의 유효토심, 매우 양호한 배수등급 조건, 사양토 조건일 때 산사태 발생에 대한 민감성이 높았다 In the case of the soil factor of the present invention, sensitivity to landslide occurrence was high when Alpisol, effective soil depth of 50 to 100 cm, very good drainage grade conditions, and sandy soil conditions were used.
본 발명의 임상 요인의 경우에는 1~2 영급, 소밀도, 경급이 작은 치수, 인공림, 침엽수림의 조건에서 산사태 발생에 대한 민감성이 높았다. 상대적으로 임상의 수령이 어리고 경급이 작고, 소밀도의 임상 조건이면 수목의 뿌리 발달이 미약하여 산사태 방지 기능이 약하고 산사태에 민감한 환경 조건이었다.In the case of the clinical factors of the present invention, the sensitivity to landslide occurrence was high in the conditions of 1~2 grade, small density, small size, plantation forest, and coniferous forest. In clinical conditions of relatively young age, low grade, and low density, the root development of trees was weak, and the function of preventing landslides was weak and the environmental conditions were sensitive to landslides.
특히 인공림이 자연림보다 산사태 유발에 취약한 조건인 것을 밝힌 것이 새롭게 발견한 점이다. 토지이용의 경우 하천으로부터의 거리와 연관성이 높은 자연 초지의 빈도비가 가장 높게 나타났고, 공공시설지역, 침엽수림, 과수원의 순으로 높은 FR 과 Bel 값을 보여주었다.In particular, it is a new discovery that revealed that artificial forests are more vulnerable to landslides than natural forests. In the case of land use, the frequency ratio of natural grasslands, which is highly related to the distance from rivers, was the highest, and public facilities areas, coniferous forests, and orchards showed the highest FR and Bel values in that order.
도 5는 본 발명의 일실시예에 따른 산사태 민감성 모델 생성 방법을 설명하기 위해 도시한 흐름도이다.5 is a flowchart illustrating a method for generating a landslide sensitivity model according to an embodiment of the present invention.
단계(501)에서 산사태 예측 장치는 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 수집할 수 있으며, 사전 조사 정보는 지리 자료 및 수치·영상 자료를 포함할 수 있다. 여기서, 지리 자료는 산지 지역에서 산사태가 발생했던 발생 영역에 관한 위경도 좌표를 결정하기 위한 정보일 수 있으며, 수치·영상 자료는 발생 영역 내 산사태의 시작점을 결정하기 위한 상기 지리 자료의 위경도 좌표에 대응하는 연속 수치 지형도를 포함할 수 있다.In
단계(502)에서 산사태 예측 장치는, 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정할 수 있다. 산사태 예측 장치는 산지 지역에서 산사태가 발생했던 발생 영역을 대상으로 조건부 확률 원리를 적용하여 환경 지리 변수의 특성을 나타내는 등급들을 설정할 수 있다. 산사태 예측 장치는 환경 지리 변수의 특성을 나타내는 등급별 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정할 수 있다. In
산사태 예측 장치는 설정된 각 등급의 면적 비율을 고려하여 제1 산사태 민감성 지수를 설정할 수 있다. 산사태 예측 장치는 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정할 수 있다.The landslide prediction apparatus may set the first landslide sensitivity index in consideration of the area ratio of each grade set. The landslide prediction apparatus may set the first landslide sensitivity index by using the environmental geographic variable superimposed by the spatial characteristics according to the area ratio of each grade.
단계(503)에서 산사태 예측 장치는, 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 제2 산사태 민감성 지수를 결정할 수 있다. 산사태 예측 장치는 지역에서 산사태가 발생한 발생 영역 중 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정할 수 있다. 산사태 예측 장치는 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 제2 산사태 민감성 지수를 설정할 수 있다.In
단계(504)에서 산사태 예측 장치는, 제1 산사태 민감성 지수 또는 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성할 수 있다.In
도 6은 본 발명의 일실시예에 따른 산사태 민감성 모델 분석 방법을 설명하기 위해 도시한 흐름도이다.6 is a flowchart illustrating a method for analyzing a landslide sensitivity model according to an embodiment of the present invention.
단계(601)에서 산사태 예측 장치는, 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 기반으로 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 이용하는 빈도 비및 산사태의 발생에 대한 신념의 정도를 결정하는 증거 신뢰 함수를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정할 수 있다. 여기서, 산사태 민감성 지수는 산지 지역에 관한 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 정보 및 상기 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 정보를 포함할 수 있다.In
단계(602)에서 산사태 예측 장치는, 산사태 민감성 지수를 기반으로 산지 지역에 대한 산사태 민감성 모델을 생성할 수 있다.In
단계(603)에서 산사태 예측 장치는, 산사태 민감성 모델에 대응하여 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석할 수 있다. 산사태 예측 장치는 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정할 수 있다. 산사태 예측 장치는 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석할 수 있다.In
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the apparatus, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA) array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using a general purpose computer or special purpose computer. The processing device may execute an operating system (OS) and a software application running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in a computer-readable recording medium.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination, and the program instructions recorded on the medium are specially designed and configured for the embodiment, or are known and available to those skilled in the art of computer software. may be Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware devices described above may be configured to operate as one or a plurality of software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited drawings, those of ordinary skill in the art may apply various technical modifications and variations based thereon. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
101: 산사태 예측 장치
102: 사전 조사 정보
103: 지리 자료
104: 영상 자료
101: landslide prediction device
102: pre-investigation information
103: geographic data
104: video material
Claims (14)
상기 산사태 예측 장치가 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 수집하는 단계;
상기 산사태 예측 장치가 수집된 사전 조사 정보를 기반으로 빈도 비(FR: Frequency Ratio)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정하는 단계-상기 빈도 비는 환경 지리 변수 별로 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율 대비 산사태 발생 비율로 표현됨-;
상기 산사태 예측 장치가 수집된 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF: Evidential Belief Function)에 따른 산사태의 발생에 대한 신념(Belief)의 정도를 나타낸 제2 산사태 민감성 지수를 결정하는 단계; 및
상기 산사태 예측 장치가 제1 산사태 민감성 지수 또는, 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성하는 단계;
를 포함하고,
상기 제1 산사태 민감성 지수를 결정하는 단계는,
1) 환경 지리 변수 별로 각 등급에 설정된 빈도 비의 최대값 및, 2) 환경 지리 변수 별로 기 설정된 임계값 이상을 갖는 빈도 비를 내림차순으로 나열하고,
각 등급의 면적 비율에 따른 내림차순으로 나열된 환경 지리 변수 별 빈도 비의 차이를 비교하여 제1 산사태 민감성 지수를 결정하는,
상기 제2 산사태 민감성 지수를 결정하는 단계는,
증거 신뢰 함수에 따른 산사태가 발생하지 않은 경우 중 환경 지리 변수 i의 등급 j에 속하는 제1 비율 및 산사태가 발생한 경우 중 환경 지리 변수 i의 등급 j에 속하는 제2 비율을 이용하여 환경 지리 변수의 특성이 나타날 확률을 설정하고,
상기 설정된 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 상기 제2 산사태 민감성 지수를 설정하는 산사태 민감성 모델 생성 방법.In the landslide sensitivity model generation method performed by the landslide prediction device,
collecting, by the landslide prediction device, pre-investigation information on the mountainous area where the landslide occurred;
Determining, by the landslide prediction device, a first landslide susceptibility index indicating spatial characteristics regarding the vulnerability of landslides in a mountainous area according to a frequency ratio (FR) based on the collected pre-investigation information - the frequency ratio is the environment Expressed as the ratio of landslide occurrence to the area ratio of each grade set in the region where landslides occurred by geographic variable;
determining, by the landslide prediction device, a second landslide sensitivity index indicating a degree of belief about the occurrence of a landslide according to an Evidential Belief Function (EBF) based on the collected preliminary survey information; and
generating, by the landslide prediction device, a landslide sensitivity model for a mountainous area using a first landslide sensitivity index or a second landslide sensitivity index;
including,
The step of determining the first landslide sensitivity index,
1) the maximum value of the frequency ratio set in each class for each environmental geographic variable, and 2) the frequency ratio having more than a preset threshold value for each environmental geographic variable is listed in descending order;
determining the first landslide sensitivity index by comparing the difference in the frequency ratio for each environmental geographic variable listed in descending order according to the area ratio of each grade;
The step of determining the second landslide sensitivity index,
Characteristics of the environmental geographic variable using the first proportion belonging to the class j of the environmental geographical variable i during the non-landslide occurrence and the second proportion belonging to the grade j of the environmental geographical variable i during the landslide occurrence according to the evidence confidence function set the probability of appearing,
A method of generating a landslide sensitivity model for setting the second landslide sensitivity index by using a degree of belief in the occurrence of a landslide determined according to the set probability.
상기 사전 조사 정보를 수집하는 단계는,
i) 산지 지역에서 산사태가 발생했던 발생 영역에 관한 위경도 좌표를 결정하기 위한 지리 자료, 및 ii) 상기 발생 영역 내 산사태의 시작점을 결정하기 위한 상기 지리 자료의 위경도 좌표에 대응하는 연속 수치 지형도를 포함하는 영상 자료 중 적어도 하나를 포함하는 사전 조사 정보를 수집하는 산사태 민감성 모델 생성 방법.According to claim 1,
The step of collecting the preliminary survey information includes:
i) geographic data for determining latitude and longitude coordinates for an area where the landslide occurred in the mountainous area, and ii) a continuous numerical topographic map corresponding to latitude and longitude coordinates of the geographic data for determining the starting point of a landslide within the area of occurrence. A method of generating a landslide sensitivity model for collecting preliminary survey information including at least one of the image data comprising a.
상기 제1 산사태 민감성 지수를 결정하는 단계는,
상기 산지 지역을 대상으로 환경 지리 변수의 특성을 나타내는 등급들을 설정하는 단계;
상기 환경 지리 변수의 특성을 나타내는 등급별 산사태 발생의 조건부 확률 원리를 적용하여 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정하는 단계; 및
상기 설정된 면적 비율을 고려하여 제1 산사태 민감성 지수를 설정하는 단계;
를 포함하는 산사태 민감성 모델 생성 방법.According to claim 1,
The step of determining the first landslide sensitivity index,
setting grades representing characteristics of environmental geographic variables for the mountainous region;
applying the conditional probability principle of occurrence of landslides for each grade indicating the characteristics of the environmental geographic variable to set an area ratio of each grade set in the occurrence area where the landslide occurred; and
setting a first landslide sensitivity index in consideration of the set area ratio;
A method of generating a landslide sensitivity model comprising
상기 제1 산사태 민감성 지수를 설정하는 단계는,
상기 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정하는 산사태 민감성 모델 생성 방법.4. The method of claim 3,
Setting the first landslide sensitivity index comprises:
A method of generating a landslide sensitivity model for setting a first landslide sensitivity index by using an environmental geographic variable superimposed by a spatial characteristic according to the area ratio of each grade.
상기 제2 산사태 민감성 지수를 결정하는 단계는,
상기 산지 지역을 대상으로 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정하는 단계; 및
상기 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 상기 제2 산사태 민감성 지수를 설정하는 단계;
를 포함하는 산사태 민감성 모델 생성 방법.According to claim 1,
The step of determining the second landslide sensitivity index,
setting the probability of appearing the characteristics of the environmental geographical variable based on the setting of the grade of the environmental geographical variable and the setting of the landslide occurrence area ratio for each grade for the mountainous region; and
setting the second landslide sensitivity index by using the degree of belief in the occurrence of a landslide determined according to the probability;
A method of generating a landslide sensitivity model comprising
상기 신념의 정도는,
산지 지역에서 산사태가 발생하지 않은 미발생 영역 중 환경 지리 변수의 특성에 따라 설정된 각 등급에서 산사태가 발생하지 않을 경우의 비율과 상기 발생 영역 중 환경 지리 변수의 특성에 따라 설정된 각 등급에서 산사태가 발생할 경우의 비율에 의해 결정되는 산사태 민감성 모델 생성 방법.According to claim 1,
The degree of this belief is
Among non-occurring areas in which landslides do not occur in mountainous areas, the ratio of cases in which landslides do not occur in each grade set according to the characteristics of the environmental geographic variable among the non-occurring areas, and among the regions where landslides occur in each grade set according to the characteristics of the environmental geographic variable A method of generating a landslide susceptibility model determined by the proportion of cases.
상기 산사태 예측 장치가 산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 기반으로 i) 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 이용하는 빈도 비(FR) 및 ii) 산사태의 발생에 대한 신념의 정도를 결정하는 증거 신뢰 함수(EBF)를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하는 단계-상기 빈도 비는 환경 지리 변수 별로 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율 대비 산사태 발생 비율로 표현됨-;
상기 산사태 예측 장치가 결정된 산사태 민감성 지수를 기반으로 상기 산지 지역에 대한 산사태 민감성 모델을 생성하는 단계; 및
상기 산사태 예측 장치가 산사태 민감성 모델에 대응하여 상기 산지 지역의 산사태 예측을 위한 모델 적합도 및 모델 예측 성능을 분석하는 단계
를 포함하고,
상기 산사태 민감성 지수를 결정하는 단계는,
빈도 비를 활용함에 있어,
1) 환경 지리 변수 별로 각 등급에 설정된 빈도 비의 최대값 및, 2) 환경 지리 변수 별로 기 설정된 임계값 이상을 갖는 빈도 비를 내림차순으로 나열하고,
각 등급의 면적 비율에 따른 내림차순으로 나열된 환경 지리 변수 별 빈도 비의 차이를 비교하여 민감성 지수를 1차적으로 결정하며,
증거 신뢰 함수를 활용함에 있어,
증거 신뢰 함수에 따른 산사태가 발생하지 않은 경우 중 환경 지리 변수 i의 등급 j에 속하는 제1 비율 및 산사태가 발생한 경우 중 환경 지리 변수 i의 등급 j에 속하는 제2 비율을 이용하여 환경 지리 변수의 특성이 나타날 확률을 설정하고,
상기 설정된 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 민감성 지수를 2차적으로 결정한 후,
상기 1차적으로 결정된 민감성 지수와 2차적으로 결정된 민감성 지수를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하는 산사태 민감성 모델 분석 방법.In the landslide sensitivity model generation method performed by the landslide prediction device,
Based on the preliminary survey information about the mountainous area where the landslide occurred, the frequency ratio (FR) and ii) the degree of belief in the occurrence of the landslide Determining a landslide susceptibility index including a vulnerable area indicating the likelihood of a landslide using a determining evidence confidence function (EBF) - The frequency ratio is the area of each grade set in the occurrence area where the landslide occurred by environmental geographic variable Expressed as the ratio of landslide occurrence to ratio-;
generating, by the landslide prediction device, a landslide sensitivity model for the mountainous area based on the determined landslide sensitivity index; and
Analyze, by the landslide prediction device, the model fit and model prediction performance for landslide prediction in the mountainous area in response to the landslide sensitivity model
including,
The step of determining the landslide sensitivity index,
In using the frequency ratio,
1) the maximum value of the frequency ratio set in each class for each environmental geographic variable, and 2) the frequency ratio having more than a preset threshold value for each environmental geographic variable is listed in descending order;
The sensitivity index is primarily determined by comparing the difference in the frequency ratio for each environmental geographic variable listed in descending order according to the area ratio of each grade.
In using the evidence confidence function,
Characteristics of the environmental geographic variable using the first proportion belonging to the class j of the environmental geographical variable i during the non-landslide occurrence and the second proportion belonging to the grade j of the environmental geographical variable i during the landslide occurrence according to the evidence confidence function set the probability of appearing,
After secondarily determining the sensitivity index using the degree of belief in the occurrence of a landslide determined according to the set probability,
A landslide sensitivity model analysis method for determining a landslide sensitivity index including a vulnerable area indicating the possibility of a landslide by using the firstly determined sensitivity index and the secondly determined sensitivity index.
상기 산사태 민감성 지수를 결정하는 단계는,
상기 산지 지역에 관한 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 정보 및 상기 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 정보를 포함하는 산사태 민감성 지수를 결정하는 산사태 민감성 모델 분석 방법.8. The method of claim 7,
The step of determining the landslide sensitivity index,
Based on the pre-investigation information on the mountainous area, the information indicating the spatial characteristics of the vulnerability of landslides in the mountainous area according to the frequency ratio (FR) and the degree of belief in the occurrence of the landslide according to the evidence confidence function (EBF) A method of analyzing a landslide susceptibility model to determine a landslide susceptibility index comprising the indicated information.
상기 모델 적합도 및 모델 예측 성능을 분석하는 단계는,
상기 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정하는 단계; 및
상기 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석하는 단계
를 포함하는 산사태 민감성 모델 분석 방법.8. The method of claim 7,
The step of analyzing the model fit and model prediction performance includes:
establishing a correlation between sensitivity and specificity according to a ratio of a case in which a landslide does not occur in a mountainous area based on the sensitivity index calculated from the landslide sensitivity model; and
Analyzing the model fit and model prediction performance for the landslide sensitivity model in consideration of the correlation
A landslide sensitivity model analysis method comprising a.
상기 산사태 예측 장치는, 프로세서를 포함하고,
상기 프로세서는,
산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 수집하고,
상기 사전 조사 정보를 기반으로 빈도 비(FR)에 따른 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 나타낸 제1 산사태 민감성 지수를 결정하고-상기 빈도 비는 환경 지리 변수 별로 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율 대비 산사태 발생 비율로 표현됨-,
상기 사전 조사 정보를 기반으로 증거 신뢰 함수(EBF)에 따른 산사태의 발생에 대한 신념의 정도를 나타낸 제2 산사태 민감성 지수를 결정하고,
상기 제1 산사태 민감성 지수 또는 제2 산사태 민감성 지수를 이용하여 산지 지역에 대한 산사태 민감성 모델을 생성하고,
상기 제1 산사태 민감성 지수를 결정함에 있어,
1) 환경 지리 변수 별로 각 등급에 설정된 빈도 비의 최대값 및, 2) 환경 지리 변수 별로 기 설정된 임계값 이상을 갖는 빈도 비를 내림차순으로 나열하고,
각 등급의 면적 비율에 따른 내림차순으로 나열된 환경 지리 변수 별 빈도 비의 차이를 비교하여 제1 산사태 민감성 지수를 결정하는,
상기 제2 산사태 민감성 지수를 결정함에 있어,
증거 신뢰 함수에 따른 산사태가 발생하지 않은 경우 중 환경 지리 변수 i의 등급 j에 속하는 제1 비율 및 산사태가 발생한 경우 중 환경 지리 변수 i의 등급 j에 속하는 제2 비율을 이용하여 환경 지리 변수의 특성이 나타날 확률을 설정하고,
상기 설정된 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 상기 제2 산사태 민감성 지수를 설정하는 산사태 예측 장치.In the landslide prediction apparatus for performing the method for generating a landslide sensitivity model,
The landslide prediction device includes a processor,
The processor is
Collecting preliminary survey information on the mountainous area where the landslide occurred;
Based on the preliminary survey information, a first landslide susceptibility index indicating the spatial characteristics of the vulnerability of landslides in the mountainous area according to the frequency ratio (FR) is determined - and the frequency ratio is in the area where the landslide occurred for each environmental geographic variable. Expressed as the ratio of landslide occurrence to the area ratio of each grade set-,
Determining a second landslide sensitivity index indicating the degree of belief in the occurrence of a landslide according to the evidence confidence function (EBF) based on the pre-investigation information,
generating a landslide sensitivity model for a mountainous area using the first landslide sensitivity index or the second landslide sensitivity index;
In determining the first landslide sensitivity index,
1) the maximum value of the frequency ratio set in each class for each environmental geographic variable, and 2) the frequency ratio having more than a preset threshold value for each environmental geographic variable is listed in descending order;
determining the first landslide sensitivity index by comparing the difference in the frequency ratio for each environmental geographic variable listed in descending order according to the area ratio of each grade;
In determining the second landslide sensitivity index,
Characteristics of the environmental geographic variable using the first proportion belonging to the class j of the environmental geographical variable i during the non-landslide occurrence and the second proportion belonging to the grade j of the environmental geographical variable i during the landslide occurrence according to the evidence confidence function set the probability of appearing,
A landslide prediction device for setting the second landslide sensitivity index by using the degree of belief in the occurrence of a landslide determined according to the set probability.
상기 프로세서는,
상기 산지 지역을 대상으로 환경 지리 변수의 특성을 나타내는 등급들을 설정하고,
상기 환경 지리 변수의 특성을 나타내는 등급별 산사태 발생의 조건부 확률 원리를 적용하여 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율을 설정하고,
상기 각 등급의 면적 비율에 따른 공간적 특성에 의해 중첩된 환경 지리 변수를 이용하여 제1 산사태 민감성 지수를 설정하는 산사태 예측 장치.11. The method of claim 10,
The processor is
Set grades indicating the characteristics of environmental geographic variables for the mountainous region,
Applying the conditional probability principle of occurrence of landslides by grade indicating the characteristics of the environmental geographic variable to set the area ratio of each grade set in the occurrence area where the landslide occurred,
A landslide prediction device for setting a first landslide sensitivity index by using an environmental geographic variable superimposed by a spatial characteristic according to the area ratio of each grade.
상기 프로세서는,
산지 지역에서 산사태가 발생한 발생 영역 중 환경지리변수의 등급 설정과 등급별 산사태 발생 면적비율의 설정에 기초한 환경 지리 변수의 특성이 나타날 확률을 설정하고,
상기 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 제2 산사태 민감성 지수를 설정하는 산사태 예측 장치.11. The method of claim 10,
The processor is
Set the probability of appearing the characteristics of the environmental geographic variable based on the setting of the grade of the environmental geographic variable and the setting of the landslide occurrence area ratio for each grade among the areas where landslides occurred in the mountainous area;
A landslide prediction device for setting a second landslide sensitivity index by using the degree of belief in the occurrence of a landslide determined according to the probability.
상기 산사태 예측 장치는, 프로세서를 포함하고,
상기 프로세서는,
산사태가 발생했던 산지 지역에 관한 사전 조사 정보를 기반으로 i) 산지 지역 내 산사태의 취약성에 관한 공간적 특성을 이용하는 빈도 비(FR) 및 ii) 산사태의 발생에 대한 신념의 정도를 결정하는 증거 신뢰 함수(EBF)를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하고,
상기 산사태 민감성 지수를 기반으로 상기 산지 지역에 대한 산사태 민감성 모델을 생성하고,
상기 산사태 민감성 모델에 대응하여 상기 산지 지역의 산사태 예방을 위한 모델 적합도 및 모델 예측 성능을 분석하고,
상기 빈도 비는,
환경 지리 변수 별로 산사태가 발생했던 발생 영역에 설정된 각 등급의 면적 비율 대비 산사태 발생 비율로 표현되며,
상기 산사태 민감성 지수를 결정함에 있어,
빈도 비를 활용하는 경우,
1) 환경 지리 변수 별로 각 등급에 설정된 빈도 비의 최대값 및, 2) 환경 지리 변수 별로 기 설정된 임계값 이상을 갖는 빈도 비를 내림차순으로 나열하고,
각 등급의 면적 비율에 따른 내림차순으로 나열된 환경 지리 변수 별 빈도 비의 차이를 비교하여 민감성 지수를 1차적으로 결정하며,
증거 신뢰 함수를 활용하는 경우,
증거 신뢰 함수에 따른 산사태가 발생하지 않은 경우 중 환경 지리 변수 i의 등급 j에 속하는 제1 비율 및 산사태가 발생한 경우 중 환경 지리 변수 i의 등급 j에 속하는 제2 비율을 이용하여 환경 지리 변수의 특성이 나타날 확률을 설정하고,
상기 설정된 확률에 따라 결정되는 산사태 발생에 대한 신념의 정도를 이용하여 민감성 지수를 2차적으로 결정한 후,
상기 1차적으로 결정된 민감성 지수와 2차적으로 결정된 민감성 지수를 이용하여 산사태의 발생 가능성을 나타내는 취약 지역을 포함하는 산사태 민감성 지수를 결정하는 산사태 예측 장치.In the landslide prediction apparatus for performing the method for generating a landslide sensitivity model,
The landslide prediction device includes a processor,
The processor is
Based on preliminary survey information about the mountainous area where the landslide occurred, i) the frequency ratio (FR) using spatial characteristics of the vulnerability of the landslide within the mountainous area, and ii) the evidence confidence function to determine the degree of belief about the occurrence of the landslide. (EBF) to determine a landslide susceptibility index including vulnerable areas representing the likelihood of a landslide;
create a landslide sensitivity model for the mountainous area based on the landslide sensitivity index;
Analyze model fit and model prediction performance for landslide prevention in the mountainous region in response to the landslide sensitivity model,
The frequency ratio is
It is expressed as the ratio of the occurrence of landslides to the ratio of the area of each grade set in the area where the landslide occurred for each environmental geographic variable.
In determining the landslide sensitivity index,
When using the frequency ratio,
1) the maximum value of the frequency ratio set in each class for each environmental geographic variable, and 2) the frequency ratio having more than a preset threshold value for each environmental geographic variable is listed in descending order;
The sensitivity index is primarily determined by comparing the difference in the frequency ratio for each environmental geographic variable listed in descending order according to the area ratio of each grade.
Using the evidence confidence function,
Characteristics of the environmental geographic variable using the first proportion belonging to the class j of the environmental geographical variable i during the non-landslide occurrence and the second proportion belonging to the grade j of the environmental geographical variable i during the landslide occurrence according to the evidence confidence function set the probability of appearing,
After secondarily determining the sensitivity index using the degree of belief in the occurrence of a landslide determined according to the set probability,
A landslide prediction device for determining a landslide sensitivity index including a vulnerable area indicating the possibility of a landslide by using the firstly determined sensitivity index and the secondly determined sensitivity index.
상기 프로세서는,
상기 산사태 민감성 모델로부터 산출된 민감도 지수에 기초하여 산지 지역 내 산사태가 발생하지 않은 경우의 비율에 따른 민감도와 특이도 간에 상관 관계를 설정하고,
상기 상관 관계를 고려하여 산사태 민감성 모델에 대한 모델 적합도 및 모델 예측 성능을 분석하는 산사태 예측 장치.
14. The method of claim 13,
The processor is
Based on the sensitivity index calculated from the landslide sensitivity model, a correlation is established between the sensitivity and specificity according to the ratio of the case where landslide does not occur in the mountainous area,
A landslide prediction device for analyzing the model fit and model prediction performance for the landslide sensitivity model in consideration of the correlation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200153980A KR102387940B1 (en) | 2020-11-17 | 2020-11-17 | Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200153980A KR102387940B1 (en) | 2020-11-17 | 2020-11-17 | Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102387940B1 true KR102387940B1 (en) | 2022-04-18 |
Family
ID=81390671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200153980A KR102387940B1 (en) | 2020-11-17 | 2020-11-17 | Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102387940B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819525A (en) * | 2023-05-19 | 2023-09-29 | 东北大学 | InSAR landslide monitoring and evaluating method and system for high steep side slope |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101280389B1 (en) * | 2011-12-28 | 2013-07-01 | 한국지질자원연구원 | System and method for predicting ground disaster occurrence prediction |
-
2020
- 2020-11-17 KR KR1020200153980A patent/KR102387940B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101280389B1 (en) * | 2011-12-28 | 2013-07-01 | 한국지질자원연구원 | System and method for predicting ground disaster occurrence prediction |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819525A (en) * | 2023-05-19 | 2023-09-29 | 东北大学 | InSAR landslide monitoring and evaluating method and system for high steep side slope |
| CN116819525B (en) * | 2023-05-19 | 2024-02-09 | 东北大学 | InSAR landslide monitoring and evaluating method and system for high steep side slope |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdulwahid et al. | Landslide vulnerability and risk assessment for multi-hazard scenarios using airborne laser scanning data (LiDAR) | |
| Ghosh et al. | Identifying river bank erosion potential zones through geo-spatial and binary logistic regression modeling approach: a case study of river Ganga in Malda district (India) | |
| Manfreda et al. | A digital elevation model based method for a rapid estimation of flood inundation depth | |
| Saito et al. | Comparison of landslide susceptibility based on a decision-tree model and actual landslide occurrence: the Akaishi Mountains, Japan | |
| Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
| CN111582597B (en) | Method and equipment for predicting landslide hazard of power transmission line | |
| Suh et al. | Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS | |
| Mergili et al. | Combining release and runout in statistical landslide susceptibility modeling | |
| Biswas et al. | Comparative assessment of FR and AHP models for landslide susceptibility mapping for sikkim, india and preparation of suitable mitigation techniques | |
| Yordanov et al. | Comparing model performance metrics for landslide susceptibility mapping | |
| Shastry et al. | Using Steady‐State Backwater Analysis to Predict Inundated Area from National Water Model Streamflow Simulations | |
| Yang | Assessment of rainfall-induced landslide susceptibility using GIS-based slope unit approach | |
| KR102387940B1 (en) | Landslide prediction apparatus and method to undestand the geo-environmental characteristics related to landslide | |
| Pyakurel et al. | Does machine learning adequately predict earthquake induced landslides? | |
| KR101785148B1 (en) | Empirical Formula for the Mobilization Criteria between Landslide and Debris Flow and Generation Method thereof | |
| Maurizio et al. | A multi temporal kernel density estimation approach for new triggered landslides forecasting and susceptibility assessment | |
| Saha et al. | Development and assessment of a novel hybrid machine learning-based landslide susceptibility mapping model in the Darjeeling Himalayas | |
| Huqqani et al. | Analysis of landslide hazard mapping of Penang island Malaysia using bivariate statistical methods | |
| Tehrani et al. | Landslide susceptibility mapping of refugee camps in Bangladesh | |
| KR101693835B1 (en) | Debris flow prediction apparatus using digital terrain model and the predicting method thereof | |
| Strapazan et al. | A comparative assessment of different loss methods available in Mike Hydro River-UHM | |
| Greco et al. | Influence of management of variables, sampling zones and land units on LR analysis for landslide spatial prevision | |
| Davison et al. | Parameter-state ensemble thinning for short-term hydrological prediction | |
| Hidayah et al. | Assessment of the Conditioning Factor for Flash Flood Susceptibility Potential Based on Bivariate Statistical Approach in the Wonoboyo Watershed in East Java, Indonesia | |
| KR102511157B1 (en) | Method and Apparatus for Dynamic Landslide Risk Assessment Using Matrix Technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |