KR20150131801A - 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 - Google Patents

지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 Download PDF

Info

Publication number
KR20150131801A
KR20150131801A KR1020140059062A KR20140059062A KR20150131801A KR 20150131801 A KR20150131801 A KR 20150131801A KR 1020140059062 A KR1020140059062 A KR 1020140059062A KR 20140059062 A KR20140059062 A KR 20140059062A KR 20150131801 A KR20150131801 A KR 20150131801A
Authority
KR
South Korea
Prior art keywords
landslide
prediction
landslide prediction
fuzzy
occurrence
Prior art date
Application number
KR1020140059062A
Other languages
English (en)
Other versions
KR101588232B1 (ko
Inventor
이사로
오현주
Original Assignee
한국지질자원연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국지질자원연구원 filed Critical 한국지질자원연구원
Priority to KR1020140059062A priority Critical patent/KR101588232B1/ko
Publication of KR20150131801A publication Critical patent/KR20150131801A/ko
Application granted granted Critical
Publication of KR101588232B1 publication Critical patent/KR101588232B1/ko

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

Abstract

지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법을 개시한다.
상기 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템은 산사태 발생과 관련된 지시요인인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나의 지도를 수치화하여 저장하는 지리정보시스템(GIS: Geographic Information System) 환경의 산사태 공간데이터베이스(110); 상기 산사태 공간데이터베이스(110)로부터 제공된 산사태 발생 위치 정보와 지시요인들 간의 공간적 상관관계를 확률값으로 계산하고, 확률값을 기반으로 유도된 if ~ then 퍼지규칙을 각 입력자료의 가중치 값을 조정할 수 있는 신경망 알고리즘으로 학습시키고자 뉴로퍼지 기법을 이용하여 산사태 발생 지점을 예측 분석하는 산사태 예측 분석부(120); 상기 산사태 예측 분석부(120)에서 분석된 정보를 바탕으로 산사태 예측도를 작성하는 산사태 예측도 작성부(130); 상기 기존의 산사태의 위치를 이용하여 상기 산사태 예측도 작성부에서 작성된 예측도를 정량적으로 검증하는 산사태 예측도 검증부(140); 상기 산사태 예측도 검증부(140)에서 검증된 검증결과를 비교하는 결과/비교 도출부(150)를 포함한다.

Description

지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법{Landslide Prediction System using Geographic Information System and NeuroFuzzy techniques and Landslide Prediction Method using Thereof}
본 발명은 특정 지역의 산사태를 예측하는 시스템 및 방법에 관한 것으로, 보다 상세하게는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법에 관한 것이다.
지공간상에서 발생하는 지질재해중 산사태는 국민생활 안전에 큰 위험요소로 작용하고, 경제적 손실과 재산피해를 유발하는 국가적인 문제로 부각되고 있다. 자연사면에서 산사태는 주로 폭우, 지진에 의한 지공간 환경요인들의 복잡한 상관관계에 의해 발생된다. 따라서 산사태 발생을 완화하고 사전에 예방하기 위하여 이에대한 원인과 패턴을 탐지하고 정량적인 산사태 예측 분석에 대한 연구가 필요하다.
예측분석에 있어서는 유용한 의사결정을 위한 정확한 자료와 적절한 분석 방법이 요구된다. 기존의 다양한 확률, 통계, 데이터마이닝 분석기법인 판별분석, 다변량분석, 빈도비, Weight of evidence(WOE), 로지스틱 회귀분석, 인공신경망, 퍼지 모델은 지리정보시스템(GIS)과 같이 산사태 예측 분석에 광범위하게 적용되었다.
하지만 뉴로 퍼지 시스템은 인공신경망의 학습 알고리즘과 퍼지 함수를 같이 이용하는 기법으로서 산사태 예측 분석에 적용된바 없는 새로운 사례이다.
따라서 본 발명에서는 지리정보시스템 및 뉴로퍼지 기법을 이용하여 특정 지역의 산사태를 예측할 수 있는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법을 제안하고자 한다.
대한민국 특허공개번호 제10-2009-0102311호
본 발명이 해결하고자 하는 과제는 산사태 위치정보와 지형, 지질, 임상, 토양 등의 자료에 기반하여, 뉴로퍼지 분석을 통해 정량적인 산사태를 예측 분석할 수 있는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법을 제공하고자 한다.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템은 산사태 발생 위치 정보 및 상기 산사태 발생과 관련된 지시요인인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나를 포함하는 지질정보를 제공하는 지리정보시스템(GIS) 환경의 산사태 공간데이터베이스(110); 상기 산사태 공간데이터베이스(110)로부터 제공된 산사태 발생 위치 정보와 상기 지시요인들을 간의 공간적 상관관계를 확률값으로 계산한 후, 계산된 확률값으로 유도된 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수에 적용시켜 산사태 발생 지점을 예측 분석하는 산사태 예측 분석부(120); 상기 산사태 예측 분석부(120)에서 분석된 정보에 기초한 산사태 예측도를 작성하는 산사태 예측도 작성부(130); 기존의 산사태의 발생 위치 정보와 상기 산사태 예측도 작성부(130)에서 작성된 예측도를 비교하여 매칭 정확도를 정량적으로 검증하는 산사태 예측도 검증부(140); 및 상기 산사태 예측도 검증부(140)에서 검증된 검증결과를 상기 적어도 하나 이상의 뉴로퍼지 함수들 별로 비교하는 결과/비교 도출부(150)를 포함한다.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템을 이용한 산사태 예측 방법은 산사태 발생 위치 정보 및 상기 산사태 발생과 관련된 지시요인인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나를 포함하는 지질정보가 저장된 지리정보시스템(GIS) 환경의 산사태 공간데이터베이스 구축단계(S110); 상기 산사태 발생 위치 정보와 상기 지시요인들을 간의 공간적 상관관계를 확률값으로 계산한 후, 계산된 확률값으로 유도된 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시켜 산사태 발생 지점을 예측 분석하는 산사태 예측 분석단계(S120); 상기 산사태 예측 분석단계(S120)에서 예측 분석된 정보에 기초하여 산사태 예측도를 작성하는 산사태 예측도 작성단계(S130); 기존의 산사태의 발생 위치 정보와 상기 산사태 예측도 작성부(130)에서 작성된 상기 산사태 예측도를 비교하여 매칭 정확도를 정량적으로 검증하는 산사태 예측도 검증단계(S140); 및 상기 산사태 예측도 검증단계(S140)에서 검증된 검증결과를 상기 적어도 하나 이상의 뉴로퍼지 함수별로 비교하는 비교분석단계(S150)을 포함한다.
상기 산사태 예측 분석단계(S120)는 산사태가 발생된 위치와 산사태 발생과 관련있는 지시요인들 간의 공간적 상관관계를 if ~ then 퍼지규칙으로 유도하는 단계(S121); 및 상기 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시키는 단계(S122)를 포함하는 것을 특징으로 한다.
상기 산사태 예측도 작성단계(S130)는 상기 if ~ then 퍼지규칙을 삼각형(Triangular) 멥버십 함수, 사다리꼴형(Trapezoidal) 멤버십 함수, 가우시안형(Gaussian) 멤버십 함수, 범종형(Generalized bell) 멤버십 함수, 시그모이드형(Sigmoidal) 멤버십 함수, 다항형(Polynomial) 멤버십 함수 중 적어도 하나 이상의 함수를 이용하여 멤버십 함수로 동정한 후, 동정된 if ~ then 퍼지 규칙을 상기 하이브리드 학습 알고리즘에 입력하는 단계(S131); 각 함수별 산사태 발생과 관련있는 요인의 정량적인 가중치값을 각 요인에 입력하는 단계(S132); 및 상기 각 함수별로 상기 각 요인을 중첩분석하여 산사태 발생 지점의 예측값을 산사태 예측도로 작성하는 단계(S133)를 포함하는 것을 특징으로 한다.
상기 산사태 예측도 검증단계(S140)는 함수별로 산출된 산사태 예측도의 정확도를 정량적으로 계산하기위해 SRM(Success Rate Method)을 이용하는 단계이며, 상기 SRM의 X축은 산사태 발생 예측값을 상위 퍼센트로 등급화한 값이고, Y축은 산사태 발생 위치의 수를 누적 퍼센트로 표시한 등급값으로. 상기 SRM를 이용한 산사태 예측도의 정량적인 정확도값은 산사태 발생 예측값을 등면적당 산사태 발생 위치의 비율값으로 나타내는 것을 특징으로 한다.
상기 비교분석단계(S150)은 상기 산사태 예측도의 정확도를 비교분석하기 위해 AUC(Area Under Curves)를 이용하는 단계로서, 상기 AUC는 SRM 그래프의 X축과 Y축의 곱으로 계산되며, 그래프의 면적비율로 산사태 예측도의 정확도를 비교분석 하는 것을 특징으로 한다.
본 발명에 따르면, 산사태와 이에 관련된 지시요인을 이용하여 뉴로퍼지 분석을 수행하되 다양한 멤버십 함수를 이용하여 각 함수별에 따른 산사태 예측 분석을 수행함으로써 보다 정확한 산사태 발생을 예측할 수 있다.
도 1은 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템을 나타낸 블록도이다.
도 2는 도 1에 도시된 산사태 공간데이터베이스 내에 저장된 산사태와 관련있는 모든 요인들의 저장 예를 나타낸다.
도 3은 도 1에 도시된 산사태 예측 분석부의 상세도이다.
도 4는 도 1에 도시된 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템을 이용한 산사태 예측 방법을 설명하기 위한 플로우 챠트이다.
도 5는 본 발명에 따른 산사태 발생 지역의 지형과 산사태 예측 분석을 위해 산사태 발생 위치를 예시한 것이다.
도 6a는 뉴로퍼지 시스템의 구조를 도시한 예시도이다.
도 6b는 GIS 환경에서의 뉴로퍼지 기법의 분석 흐름을 도시한 것이다.
도 6c는 산사태 발생과 이에 관련된 지시요인들 간의 공간적 상관관계를 우도비 값을 표로 예시한 것이고, 각 요인들은 우도비 값을 바탕으로 뉴로퍼지 시스템에 적용된다.
도 6d 및 도 6e는 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal, Polynomial"의 초기 멤버십 함수(MFs: Membership Functions)와 변수(산사태와 관련된 지시요인)를 나타낸 표이고, 도 6f는 훈련 변수들과 뉴로퍼지 시스템의 구조를 나타낸 표이다.
도 6g는 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"에 대한 훈련 RMSE(Root Mean Square Error)값을 그래프로 도시한 것이다.
도 7a 내지 7f는 뉴로퍼지 각각의 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"을 이용하여 산사태 예측도를 도시한 것이다.
도 8은 뉴로퍼지 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"를 이용하여 도출된 산사태 예측도의 정확도를 그래프로 도시한 것이다.
이하, 본 발명의 바람직한 실시 예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 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.
본 발명은 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 방법을 제공하며, 특히 뉴로퍼지 분석에서는 다양한 멤버십 함수 Triangular, Trapezoidal, Gaussian, Generalized bell, Sigmoidal, Polynomial 중 적어도 하나 이상의 멤버십 함수를 분석에 적용시켜 산사태예측 분석을 수행하는 것을 그 요지로 한다.
이하에서는 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법에 관한 설명을 도면을 참조하여 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템을 나타낸 블록도이다.
도 2는 도 1에 도시된 산사태 공간데이터베이스 내에 저장된 산사태와 관련있는 모든 요인들의 저장 예를 나타낸다.
도 3은 도 1에 도시된 산사태 예측 분석부의 상세도이다.
도 4는 도 1에 도시된 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템을 이용한 산사태 예측 방법을 설명하기 위한 플로우 챠트이다.
도 5는 본 발명에 따른 산사태 발생 지역의 지형도와 산사태 예측 분석을 위해 산사태 발생 위치를 예시한 것이다.
도 6a는 뉴로퍼지 시스템의 구조를 도시한 예시도이다.
도 6b는 GIS 환경에서의 뉴로퍼지 기법의 분석 흐름을 도시한 것이다.
도 6c는 산사태 발생과 이에 관련된 지시요인들간의 공간적 상관관계를 우도비 값을 표로 예시한 것이고, 각 요인들은 우도비 값을 바탕으로 뉴로퍼지 시스템에 적용된다.
도 6d 및 도 6e는 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoida", "Polynomial"의 초기 멤버십 함수(MFs: Membership Functions)와 변수(산사태와 관련된 지시요인)를 나타낸 표이고, 도 6f는 훈련 변수들과 뉴로퍼지 시스템의 구조를 나타낸 표이다.
도 6g는 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"에 대한 훈련 RMSE(Root Mean Square Error)값을 그래프로 도시한 것이다.
도 7a 내지 7f는 뉴로퍼지 각각의 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"을 이용하여 산사태 예측도를 도시한 것이다.
도 8은 뉴로퍼지 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"를 이용하여 도출된 산사태 예측도의 정확도를 그래프로 도시한 것이다.
도 1에 도시된 바와 같이, 본 발명의 실시 예에 따른 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템(100)은 산사태 공간데이터베이스(110), 산사태 예측 분석부(120), 산사태 예측도 작성부(130), 산사태 예측도 검증부(140) 및 결과/비교 도출부(150)를 포함한다.
상기 산사태 공간데이터베이스(110)는 산사태 발생과 관련된 지시요인인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나의 지도 정보가 수치화된 상태로 저장되며, 지리정보시스템(GIS: Geographic Information System) 환경으로 구축된다.
상기 산사태 예측 분석부(120)는 상기 산사태 공간데이터베이스(110)로부터 제공된 산사태 발생 위치 정보와 지시요인들 뉴로퍼지 기법에 적용시켜 산사태 발생 위험지 예측을 분석하는 기능을 수행한다.
상기 산사태 예측도 작성부(130)는 상기 산사태 예측 분석부(120)에서 분석된 정보에 기반하여 산사태 예측도를 작성하는 기능을 수행한다.
상기 산사태 예측도 검증부(140)는 기존의 산사태의 위치를 이용하여 상기 산사태 예측도 작성부에서 작성된 산사태 예측도를 정량적으로 검증하는 기능을 수행한다.
상기 비교/결과 도출부(150)는 상기 산사태 예측도 검증부(140)에서 검증된 검증결과를 비교하는 기능을 수행한다.
보다 구체적으로, 상기 산사태 공간데이터베이스(110)는 복수 개의 서브-데이터베이스로 분류되며, 상기 서브-데이터베이스는 분석대상지역의 항공사진 분석과 현장조사를 통해 식별한 산사태 위치, 분석대상지역의 지형자료로부터 추출된 경사, 분석대상지역의 지질도에서 추출된 지질 및 IRS 위성영상에서 추출된 선구조에 관련된 자료들이 스크립트 형태로 저장된다.
또한, 분석대상지역의 임상도에서 추출된 임상, 분석대상지역의 토양도에서 추출된 토질 등을 더 포함하여 구성할 수 있다.
도 3에 도시된 바와 같이, 산사태 예측 분석부(120)는 Triangular 멤버십 산출부(121), Trapezoidal 멤버십 산출부(122), Gaussian 멤버십 산출부(123), Generalized bell 멤버십 산출부(124), Sigmoidal 멤버십 산출부(125), Polynomial 멤버십 산출부(126)가 구비되며, 열거된 산출부(121, 122, 123, 124, 125, 126)들 적어도 하나 이상에서 산출한 함수들을 적용하여 산사태를 예측 및 분석하는 것을 그 요지로 한다.
도 4는 도 1에 도시된 지리정보시스템 및 뉴로퍼지 기법에 기반을 둔 산사태 예측 시스템을 이용한 산사태 예측 방법을 설명하기 위한 플로우 챠트이다.
도 4에 도시된 바와 같이, 본 발명의 실시 예에 따른 산사태 예측 방법(S100)은 산사태 공간데이터베이스 구축단계(S110), 산사태 예측 분석단계(S120), 산사태 예측도 작성단계(S130), 산사태 예측도 검증단계(S140) 및 비교분석단계(S150)를 포함한다.
상기 산사태 공간데이터베이스 구축단계(S110)는 외부에서 제공된 산사태 발생과 관련된 지시요인인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나의 지도를 수치화하여 저장하는 단계일 수 있다.
상기 산사태 예측 분석단계(S120)는 상기 산사태 발생 위치 정보와 상기 지시요인들을 간의 공간적 상관관계를 확률값으로 계산한 후, 계산된 확률값으로 유도된 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시켜 산사태 발생 지점을 예측 분석하는 단계일 수 있다.
상기 산사태 예측도 작성단계(S130)는 상기 산사태 예측 분석단계(S120)에서 예측 분석된 정보에 기초하여 산사태 예측도를 작성하는 단계일 수 있다.
상기 산사태 예측도 검증단계(S140)는 기존의 산사태의 발생 위치 정보와 상기 산사태 예측도 작성부(130)에서 작성된 상기 산사태 예측도를 비교하여 매칭 정확도를 정량적으로 검증하는 단계일 수 있다.
상기 비교분석단계(S150)는 상기 산사태 예측도 검증단계(S140)에서 검증된 검증결과를 상기 적어도 하나 이상의 뉴로퍼지 함수별로 비교분석하는 단계일 수 있다.
보다 구체적으로, 상기 산사태 예측 분석단계(S120)는 산사태가 발생된 위치와 산사태 발생과 관련있는 지시요인들 간의 공간적 상관관계를 if ~ then 퍼지규칙으로 유도하는 단계와 상기 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시키는 단계를 포함할 수 있다.
상기 산사태 예측도 작성단계(S130)은 상기 if ~ then 퍼지규칙을 삼각형(Triangular) 멥버십 함수, 사다리꼴형(Trapezoidal) 멤버십 함수, 가우시안형(Gaussian) 멤버십 함수, 범종형(Generalized bell) 멤버십 함수, 시그모이드형(Sigmoidal) 멤버십 함수, 다항형(Polynomial) 멤버십 함수 중 적어도 하나 이상의 함수를 이용하여 멤버십 함수로 동정한 후, 동정된 if ~ then 퍼지 규칙을 상기 하이브리드 학습 알고리즘에 입력하는 단계, 각 함수별 산사태 발생과 관련있는 요인의 정량적인 가중치값을 각 요인에 입력하는 단계 및 상기 각 함수별로 상기 각 요인을 중첩분석하여 산사태 발생 지점의 예측값을 산사태 예측도로 작성하는 단계를 포함한다.
상기 산사태 예측도 검증단계(S140)는 함수별로 산출된 산사태 예측도의 정확도를 정량적으로 계산하기위해 SRM(Success Rate Method)을 이용하는 단계이며, 상기 SRM의 X축은 산사태 발생 예측값을 상위 퍼센트로 등급화한 값이고, Y축은 산사태 발생 위치의 수를 누적 퍼센트로 표시한 등급값으로. 상기 SRM를 이용한 산사태 예측도의 정량적인 정확도값은 산사태 발생 예측값을 등면적당 산사태 발생 위치의 비율값으로 나타내는 단계일 수 있다.
상기 비교분석단계(S150)은 상기 산사태 예측도의 정확도를 비교분석하기 위해 AUC(Area Under Curves)를 이용하는 단계로서, 상기 AUC는 SRM 그래프의 X축과 Y축의 곱으로 계산되며, 그래프의 면적비율로 산사태 예측도의 정확도를 비교분석하는 단계일 수 있다.
도 5는 본 발명에 따른 실예로서, 산사태가 가장 많이 발생한 보은지역의 지형도와 산사태 발생 위치를 도시한 것으로, 이 지역에 대한 분석실시 예를 통해 본 발명의 예측 방법을 설명하기로 한다. 보은지역은 지리좌표상으로 위도 36°26' 23.80" ~ 36°28' 54.74", 경도 127°40' 02.06" ~ 127°44' 54.05" 에 위치한다.
분석대상지역인 보은 지역의 산사태 발생 예측분석을 위해 수집된 자료는 산사태 분포도, 지형도, 토양도, 임상도, 및 지질도이다. 산사태 발생 위치는 항공사진을 이용하여 산사태 발생 위치를 파악하였으며, 현장에서는 GPS를 이용하여 발생 위치를 기록하였다.
지형도에서는 경사를, 토양도에서는 토질을, 임상도에서는 임상을, 지질도에서는 지질을 IRS 위성영상에서는 선구조를 추출하였다. 산사태와 관련있는 모든 요인들은 GIS 환경에서 공간데이터베이스로 구축하였고, 입력자료의 축척을 고려하여 5m X 5m 크기의 격자로 설정하였으며, 연구지역의 격자 개수는 2,735,776개이다.
산사태 예측 분석에 있어서 기존의 산사태 위치는 앞으로 산사태가 일어날 수 있는 환경을 이해하는데 중요한 역할을 한다. 그러므로 정확한 산사태 위치 파악은 최적의 분석 결과를 도출할 수 있다.
산사태 발생지역의 현지답사는 가장 정확한 산사태 위치를 파악할 수 있다. 그러나 처음에 산사태 발생지역을 찾는데 시간과 비용이 많이 들고, 또한 접근이 어려운 산악지역에서는 현지답사가 어렵거나 불가능하다. 그래서 도로 주변 및 접근 가능한 지역만 조사하다보니 모든 산사태의 현지조사가 불가능하여 뉴로퍼지 분석을 할 경우 모든 자료 입력이 불가능하여 정확한 결과를 기대하기 어렵다. 그리고 매핑에 있어서도 실제 측량을 하지 않고 대략적으로 지도상에만 매핑하기 때문에 정확도가 떨어진다. 이러한 단점을 극복하기 위해 GPS를 이용하고 1:5,000 대축척 지도를 사용하여 정확도 및 신뢰도를 향상시켰다.
본 실험에서는 이러한 현지조사가 1차적으로 항공사진 분석이 끝난 후 현장 확인을 위해 실시되었다. 항공사진 분석을 통한 산사태 위치 파악은 비교적 짧은 시간에 정확히 산사태 발생 위치를 파악할 수 있다는 장점이 있다.
그러나 현재 우리나라의 경우 지도제작을 목적으로 항공사진을 5년 간격으로 촬영하기 때문에 산사태 발생 시기와 맞추는 것이 어렵다. 더욱이 산사태 발생 위치 확인을 위해 항공촬영을 실시한다는 것은 비용이 너무 많이 소요된다.
그러나 산사태가 발생하면 보통 그 흔적은 10년이 넘게 남기 때문에 금방 복구되지 않은 산사태는 시기적으로 큰 문제는 되지 않는다. 또한 스캐닝되고 기하보정된 항공사진은 1:5,000 수치지형도와 비교하여 산사태로 인해 변화된 양상을 보다 정확히 파악할 수 있다.
그러나 항공사진의 경우 먼저 스캐닝을 해야 하며, 기하보정이 어렵고, 또한 항공사진의 획득이 국립지리원을 통해야 하므로 조금 번거롭다. 더욱이 산사태 이전 및 이후의 모든 항공사진을 구하는 것은 더욱 어렵다.
본 발명에서는 1998년 보은 지역에 집중적으로 발생된 산사태를 1995년 및 1999년에 촬영된 사진을 이용하여 분석하였다. 이러한 작업 절차를 통하여 판독된 산사태는 377개로 산사태 좌표를 추출 후 ArcGIS 9.0 환경에서 점 형태의 공간자료로 구축하였다.
도 6a 및 도 6b는 산사태 예측 분석부의 구성을 도시한 것이다.
도 6a는 5층으로 구성된 전형적인 뉴로퍼지 시스템의 구조이고 시스템 내에서 사용된 Hybrid 학습알고리즘은 결과를 훈련자료와 맞추기 위해 변수들을 조정한 예시도이다.
도 6b는 GIS 환경에서 적응성 네트워크(Adaptive network), 확률모델(Probibility model), 퍼지시스템(Fuzzy interface system)의 조합으로 분석되는 뉴로퍼지 시스템을 이용한 산사태 예측 방법을 수행하는 흐름도를 도시한 것이다.
특히 산사태 예측도 작성에 있어서 다양한 멤버십 함수 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial" 등을 사용하며, 각 멤버십 함수별 산사태 예측도는 기존의 산사태 발생 위치를 이용하여 검증된다.
이후, 각 멤버십 함수별 산사태 예측도는 정확도 비교를 통하여 가장 예측 분석에 적합한 멤버십 함수를 판별할 수 있게 된다.
도시된 것처럼, 본 발명의 산사태 예측 방법은 산사태 예측 분석뿐만 아니라 GIS와 같이 다양한 자연재해, 지질자원, 환경오염 등과 같은 지공간상에서 일어나는 지질현상들을 예측하는데 적용될 수 있다.
이하에서는 본 발명에서 제시하는 뉴로퍼지 기법, 산사태 예측 분석부, 산사태 예측도 작성부, 산사태 예측도 검증부 및 결과/비교부의 수행과정을 보다 상세하게 설명하도록 한다.
1) 뉴로퍼지 이론
뉴로퍼지 기법은 6a를 참조, 다층 피드포워드 네트워크로서, 인공신경망의 학습 알고리즘과 다수의 입력 및 단일 결과에 퍼지 추론 함수를 이용한 기법이다.
이것은 하나의 퍼지 추론시스템이며, 인공신경망에서 실행되어진다. 전형적인 뉴로퍼지 시스템은 [식 1]와 도 6a같이 2개의 입력 x와 y와, 4개의 MFs(Membership Functions)인
Figure pat00001
,
Figure pat00002
,
Figure pat00003
,
Figure pat00004
과 4개의 퍼지 If-then 규칙 집합을 갖는다(Sugeno, 1985).
[식 1]
Figure pat00005

여기서,
Figure pat00006
,
Figure pat00007
및
Figure pat00008
(
Figure pat00009
)는 If-then 규칙 집합을 통해 계산된 결과의 상수들이다.
전형적인 뉴로퍼지 구조는 5층으로 구성되며, 각각의 층에서는 다른 역할을 수행하며 자세한 기술은 다음과 같다(Wang and Elhag, 2008).
1층: 이 층의 모든 노드들은 적응성 노드들이며, 입력들의 소속 정도를 결정한다. 이 층의 결과들은 아래 식에 의해서 주어진다.
[식 2]
Figure pat00010
[식 3]
Figure pat00011
여기서 x와 y는 명확한 입력들이며,
Figure pat00012
와
Figure pat00013
는 적절한 MFs(Membership Functions)에 의해 낮거나 혹은 높은 특징을 가지는 퍼지-집합(fuzzy-set)들이며, MFs는 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial" 또는 그 밖에 다른 형태의 모양으로써 표현되어진다.
2층: 이 층에서의 노드들은 고정 노드들로서 기호로 표시되며, 간단한 곱하기 연산을 수행한다. 이 층의 결과들은 다음과 같이 기술되어진다.
[식 4]
Figure pat00014
[식 4]는 각각의 규칙에 대한 시작 강도로 표현되며, 즉 시작 강도는 규칙에 대한 선행 부분이 만족되어지는 정도를 나타낸다.
3층: 이 층에서의 노드들은 또한 고정 노드들로서
Figure pat00015
기호로 표시되며, 네트워크상에서 정규화 역할을 수행한다. 이 층에서의 결과는 다음과 같이 표현되어진다.
[식 5]
Figure pat00016
[식 5]는 정규화된 시작 강도라고 불려진다.
4층: 이 층에서의 각 노드는 적응성 노드이며, 그 결과는 정규화된 시작 강도와 1차 다항식(1차 Sugeno 모델)의 간단한 곱하기 연산에 의해 표현되며, 따라서 이 층의 결과들은 다음과 같이 주어진다.
[식 6]
이 층에서의 변수들은 [식 6]에 대한 결과로서 일어나는 변수들로 언급되어진다.
5층: 이 층에서의 단일 노드는 하나의 고정 노드로서 기호로 표시되며, 들어오는 모든 신호들의 합으로써 전체적인 결과를 계산한다.
[식 7]
Figure pat00018
[식 7]은 전체 변수들의 값들이 고정되어졌을 때 그 결과로써 일어나는 변수들의 선형조합이다. 이것은 뉴로퍼지 시스템 구조가 2개의 적응 층들을(1과 4층) 가질 때 관측할 수 있다.
1층은 입력 MFs(Membership Functions)과 관련된 수정할 수 있는 변수들
Figure pat00019
과
Figure pat00020
을 갖으며, 4층은 1차 다항식에 속하는 수정할 수 있는 변수들
Figure pat00021
을 갖는다. 이러한 뉴로퍼지 시스템 구조를 위한 학습 알고리즘은 뉴로퍼지 시스템 결과를 훈련 자료와 맞추기 위해 모든 수정할 수 있는 변수들을 조정한다. 이러한 수정할 수 있는 변수들은 역전파 알고리즘을 단독으로 사용하여 조절되어지거나, 혹은 최소 제곱 형태의 방법을 사용하여 조절되며, 이러한 두 가지 방법을 조합하여 사용한 것을 "Hybrid learning algorithm"으로 알려져 있다. 그러므로 그 결과로서 일어나는 변수들은 하나의 값으로 고정되어지며, 오류 신호들을 줄이고 또한 전제된 변수들은 Gradient descent 방법에 의해 경신되어진다.
2) 산사태 예측 분석부 - 우도비와 뉴로퍼지 기법 적용
산사태 발생과 관련된 요인들 사이의 공간적 상관관계는 우도비(likelihood ratio) 모델을 이용하여 계산하였다. 우도비는 조건부 확률 원리를 바탕으로 한, 각 요인의 등급별 산사태 발생 면적 비율을 의미하며 도 6c과 같다. 초기 변수 값을 계산하기위해, 각각의 요인에 대한 우도비(likelihood) 값은 산사태 발생 예측지수 (Landslide Susceptibility Index, LSI)값을 계산하기위해 합해졌으며, 식 8과 같다.
[식 8]
Figure pat00022
여기서
Figure pat00023
은 변수들이며,
Figure pat00024
은 각각의 요인들의 형태 및 범위에 대한 우도비(likelihood ratio) 값을 나타낸다.
변수들은 다음과 같이 구할 수 있다.
[식 9]
Figure pat00025
여기서 p는 변수를 나타낸다.
그 결과, 각각의 변수들은 계산된 각각의 요인들에 의해 계산된다. 각각의 변수들은 뉴로퍼지 시스템에 의해 재계산되며, GIS환경에서 뉴로퍼지 시스템에 대한 개념적인 다이어그램은 도 6b와 같다.
산사태 발생 예측평가를 위한 본 발명의 시스템은 산사태 발생과 관련된 요인들과의 관계를 이용하여 설계된다.
산사태와 관련된 요인으로는 경사, 지질, 선구조, 임상, 토질을 입력 자료로 고려하였다. 뉴로퍼지 시스템에서는 효과적인 결과를 유도하는 "Hybrid learning algorism"을 적용하여 훈련하였으며, 총 6개 형태를 갖는 MFs(Membership Functions)는 뉴로퍼지 시스템을 수립하기 위해 각각 5개의 입력에 적용되었으며, 32개의 'if-then' 규칙이 도출되었다.
도 6d 및 도 6e은 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal", "Polynomial"와 같은 초기 MFs(Membership Functions) 및 변수들을 보여주며, 훈련 변수들과 뉴로퍼지 시스템 구조는 도 6f와 같다.
이 모델은 RMSE(Root Mean Square Error)값이 0.0000001 또는 500번 반복횟수를 만족하면 가장 최적의 학습이 완료되도록 설계하였다. 최종훈련 후 "Triangular", "Trapezoidal", "Gaussian", "Generalized bell", "Sigmoidal" 및 "Polynomial"와 같은 MFs(Membership Functions)와 각각의 형태에 따른 MFs(Membership Functions)를 위한 RMSE(Root Mean Square Error)값은 0.00035, 0.0034, 0.0024, 0.0023, 0.0023 및 0.0028의 결과를 보였다.
3) 산사태 예측도 작성부
경사, 지질, 선구조, 임상, 토질 요인들은 산사태 발생 예측지수 (Landslide Susceptibility Index, LSI)를 계산하기위해 평가된 뉴로퍼지 시스템을 사용하여 계산되었다.
이러한 과정 후, 각각의 MFs(Membership Functions)형태들에 대한 산사태 예측도는 산사태 예측 분석지수 값을 이용하여 작성되었다.
도 7a는 "Triangular MFs", 도 7b는 "Trapezoidal MFs", 도 7c는 "Gaussian MFs", 도 7d는 "Generalized bell MFs", 도 7e는 "Sigmoidal MFs", 도 7f는 "Polynomial MFs"을 이용하여 도출된 산사태 예측도이다.
도 7a 내지 도 7f를 참조하면, 산사태 예측도는 산사태 예측 분석지수 값을 이용하여 만들어졌으며, 지수 값들은 등 면적(equal area)방법을 이용하여 5등급으로 구분하였다.
4) 산사태 예측도 검증부
GIS 및 뉴로퍼지 기법을 이용하여 특정 지역의 산사태 예측도를 작성하였고 SRM(Success Rate Method) 및 AUC(Area Under Curves) 방법을 이용하여 검증하였다. SRM(Success Rate Method) 그래프는 작성된 예측도가 얼마나 적합한지 그 추정 능력을 설명한다. 산사태 예측도의 검증을 위해 연구지역의 모든 픽셀의 산사태 예측 분석지수 값들은 내림차순으로 정렬되어졌으며, 정렬된 모든 픽셀 값들은 100등급으로 구분되어졌고 누적된 1%의 간격들을 갖는다.
도 8은 각각의 MFs에 대한 SRM(Success Rate Method)과 AUC(Area Under Curve)를 정리한 것이다. 그 결과, 정확도 측면에서 뉴로퍼지 시스템 기법은 "Triangular MF", "Trapezoidal MF" 및 "Polynomial MF"을 사용한 경우가 84.96%로 가장 우수한 결과를 보였다.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 기술한 실시예에 국한되어 정해져서는 안 되며, 특허청구범위 뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 산사태 예측 시스템
110: 산사태 공간데이터베이스
120: 산사태 예측 분석부
121: Triangular 멤버십 함수 산출부
122: Trapezoidal 멤버십 함수 산출부
123: Gaussian 멤버십 함수 산출부
124: Generalized bell 멤버십 함수 산출부
125: Sigmoidal 멤버십 함수 산출부
126: Polynomial 멤버십 함수 산출부
130: 산사태 예측도 작성부
140: 산사태 예측도 검증부
150: 결과/비교 도출부

Claims (6)

  1. 산사태 발생 위치 정보 및 상기 산사태 발생과 관련된 지시요인들 경사, 지질, 선구조, 임상, 토질 중 적어도 하나를 포함하는 지질정보를 제공하는 지리정보시스템(GIS) 환경의 산사태 공간데이터베이스(110);
    상기 산사태 공간데이터베이스(110)로부터 제공된 산사태 발생 위치 정보와 상기 지시요인들을 간의 공간적 상관관계를 확률값으로 계산한 후, 계산된 확률값으로 유도된 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수에 적용시켜 산사태 발생 지점을 예측 분석하는 산사태 예측 분석부(120);
    상기 산사태 예측 분석부(120)에서 분석된 정보에 기초한 산사태 예측도를 작성하는 산사태 예측도 작성부(130);
    기존의 산사태의 발생 위치 정보와 상기 산사태 예측도 작성부(130)에서 작성된 예측도를 비교하여 매칭 정확도를 정량적으로 검증하는 산사태 예측도 검증부(140); 및
    상기 산사태 예측도 검증부(140)에서 검증된 검증결과를 상기 적어도 하나 이상의 뉴로퍼지 함수들 별로 비교하는 결과/비교 도출부(150)를 포함하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템.
  2. 청구항 제1항에 기재된 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템을 이용한 산사태 예측 방법에 있어서,
    산사태 발생 위치 정보 및 상기 산사태 발생과 관련된 지시요인들인 경사, 지질, 선구조, 임상, 토질 중 적어도 하나를 포함하는 지질정보가 저장된 지리정보시스템(GIS) 환경의 산사태 공간데이터베이스 구축단계(S110);
    상기 산사태 발생 위치 정보와 상기 지시요인들을 간의 공간적 상관관계를 확률값으로 계산한 후, 계산된 확률값으로 유도된 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시켜 산사태 발생 지점을 예측 분석하는 산사태 예측 분석단계(S120);
    상기 산사태 예측 분석단계(S120)에서 예측 분석된 정보에 기초하여 산사태 예측도를 작성하는 산사태 예측도 작성단계(S130);
    기존의 산사태의 발생 위치 정보와 상기 산사태 예측도 작성부(130)에서 작성된 상기 산사태 예측도를 비교하여 매칭 정확도를 정량적으로 검증하는 산사태 예측도 검증단계(S140); 및
    상기 산사태 예측도 검증단계(S140)에서 검증된 검증결과를 상기 적어도 하나 이상의 뉴로퍼지 함수별로 비교하는 비교분석단계(S150)을 포함하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 방법.
  3. 제2항에 있어서,
    상기 산사태 예측 분석단계(S120)는,
    산사태가 발생된 위치와 산사태 발생과 관련있는 지시요인들 간의 공간적 상관관계를 if ~ then 퍼지규칙으로 유도하는 단계(S121); 및
    상기 if ~ then 퍼지규칙을 각 입력자료에 적용시켜, 서로 다른 가중치 값을 갖는 적어도 하나 이상의 뉴로퍼지 함수들에 적용시키는 단계(S122)를 포함하는 것을 특징으로 하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 방법.
  4. 제2 항에 있어서,
    상기 산사태 예측도 작성단계(S130)는,
    상기 if ~ then 퍼지규칙을 삼각형(Triangular) 멥버십 함수, 사다리꼴형(Trapezoidal) 멤버십 함수, 가우시안형(Gaussian) 멤버십 함수, 범종형(Generalized bell) 멤버십 함수, 시그모이드형(Sigmoidal) 멤버십 함수, 다항형(Polynomial) 멤버십 함수 중 적어도 하나 이상의 함수를 이용하여 멤버십 함수로 동정한 후, 동정된 if ~ then 퍼지 규칙을 하이브리드 학습 알고리즘에 입력하는 단계(S131);
    각 함수별 산사태 발생과 관련있는 요인의 정량적인 가중치값을 각 요인에 입력하는 단계(S132); 및
    상기 각 함수별로 상기 각 요인을 중첩분석하여 산사태 발생 지점의 예측값을 산사태 예측도로 작성하는 단계(S133)를 포함하는 것을 특징으로 하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 방법.
  5. 제2항에 있어서,
    상기 산사태 예측도 검증단계(S140)는,
    함수별로 산출된 산사태 예측도의 정확도를 정량적으로 계산하기위해 SRM(Success Rate Method)을 이용하는 단계이며, 상기 SRM의 X축은 산사태 발생 예측값을 상위 퍼센트로 등급화한 값이고, Y축은 산사태 발생 위치의 수를 누적 퍼센트로 표시한 등급값으로. 상기 SRM를 이용한 산사태 예측도의 정량적인 정확도값은 산사태 발생 예측값을 등면적당 산사태 발생 위치의 비율값으로 나타내는 것을 특징으로 하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 방법.
  6. 제2항에 있어서,
    상기 비교분석단계(S150)는 상기 산사태 예측도의 정확도를 비교분석하기 위해 AUC(Area Under Curves)를 이용하는 단계로서, 상기 AUC는 SRM 그래프의 X축과 Y축의 곱으로 계산되며, 그래프의 면적비율로 산사태 예측도의 정확도를 비교분석 하는 것을 특징으로 하는 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 방법.
KR1020140059062A 2014-05-16 2014-05-16 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 KR101588232B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140059062A KR101588232B1 (ko) 2014-05-16 2014-05-16 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140059062A KR101588232B1 (ko) 2014-05-16 2014-05-16 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법

Publications (2)

Publication Number Publication Date
KR20150131801A true KR20150131801A (ko) 2015-11-25
KR101588232B1 KR101588232B1 (ko) 2016-01-25

Family

ID=54845574

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140059062A KR101588232B1 (ko) 2014-05-16 2014-05-16 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법

Country Status (1)

Country Link
KR (1) KR101588232B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108535792A (zh) * 2018-04-17 2018-09-14 中国电建集团昆明勘测设计研究院有限公司 提高滑坡体探测精度的综合物探计算方法
CN108596364A (zh) * 2018-03-29 2018-09-28 杭州电子科技大学 一种化工园区重大危险源动态预警方法
KR20200052398A (ko) 2018-10-23 2020-05-15 강원대학교산학협력단 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치
CN111898249A (zh) * 2020-07-02 2020-11-06 华能澜沧江水电股份有限公司 滑坡位移非参数概率密度预测方法、设备及存储介质
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
CN114021633A (zh) * 2021-10-29 2022-02-08 重庆地质矿产研究院 基于变形状态综合多属性熵分析的滑坡稳定性预测方法
CN116861286A (zh) * 2023-06-21 2023-10-10 四川省人工智能研究院(宜宾) 一种基于模糊计算的多模态滑坡位移智能预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090102311A (ko) 2008-03-26 2009-09-30 (주)성경기술공사 수치지도를 이용한 산사태 발생지 예측 시스템
KR100982447B1 (ko) * 2010-03-03 2010-09-16 한국지질자원연구원 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090102311A (ko) 2008-03-26 2009-09-30 (주)성경기술공사 수치지도를 이용한 산사태 발생지 예측 시스템
KR100982447B1 (ko) * 2010-03-03 2010-09-16 한국지질자원연구원 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 48, NO. 12, DECEMBER 2010* *
동서대학교* *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596364A (zh) * 2018-03-29 2018-09-28 杭州电子科技大学 一种化工园区重大危险源动态预警方法
CN108596364B (zh) * 2018-03-29 2021-09-21 杭州电子科技大学 一种化工园区重大危险源动态预警方法
CN108535792A (zh) * 2018-04-17 2018-09-14 中国电建集团昆明勘测设计研究院有限公司 提高滑坡体探测精度的综合物探计算方法
KR20200052398A (ko) 2018-10-23 2020-05-15 강원대학교산학협력단 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
CN111898249A (zh) * 2020-07-02 2020-11-06 华能澜沧江水电股份有限公司 滑坡位移非参数概率密度预测方法、设备及存储介质
CN114021633A (zh) * 2021-10-29 2022-02-08 重庆地质矿产研究院 基于变形状态综合多属性熵分析的滑坡稳定性预测方法
CN116861286A (zh) * 2023-06-21 2023-10-10 四川省人工智能研究院(宜宾) 一种基于模糊计算的多模态滑坡位移智能预测方法
CN116861286B (zh) * 2023-06-21 2024-01-30 四川省人工智能研究院(宜宾) 一种基于模糊计算的多模态滑坡位移智能预测方法

Also Published As

Publication number Publication date
KR101588232B1 (ko) 2016-01-25

Similar Documents

Publication Publication Date Title
KR101588232B1 (ko) 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법
Yariyan et al. Earthquake risk assessment using an integrated Fuzzy Analytic Hierarchy Process with Artificial Neural Networks based on GIS: A case study of Sanandaj in Iran
Bui et al. A novel hybrid evidential belief function-based fuzzy logic model in spatial prediction of rainfall-induced shallow landslides in the Lang Son city area (Vietnam)
Gudiyangada Nachappa et al. Comparison and validation of per-pixel and object-based approaches for landslide susceptibility mapping
Soma et al. Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia
Jaafari et al. Spatial prediction of slope failures in support of forestry operations safety
KR100982447B1 (ko) 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법
Pradhan et al. Approaches for delineating landslide hazard areas using different training sites in an advanced artificial neural network model
US11436712B2 (en) Predicting and correcting vegetation state
Thiery et al. Application of expert rules in indirect approaches for landslide susceptibility assessment
Jasim Using of machines learning in extraction of urban roads from DEM of LIDAR data: Case study at Baghdad expressways, Iraq
Wan et al. Construction of knowledge-based spatial decision support system for landslide mapping using fuzzy clustering and KPSO analysis
Sun et al. Development of the artificial neural network’s swarm-based approaches predicting East Azerbaijan landslide susceptibility mapping
CN111080080B (zh) 一种村镇地质灾害风险预估方法及系统
Chang et al. Spatial resolution effects of digital terrain models on landslide susceptibility analysis
Chen et al. CNN-LSTM-attention deep learning model for mapping landslide susceptibility in Kerala, India
Castro et al. State of the art on artificial intelligence in land use simulation
JP3656852B1 (ja) 防災事業計画支援方法とそのシステム
Maqsoom et al. Efficiency of multiple hybrid techniques for the earthquake physical susceptibility mapping: the case of Abbottabad District, Pakistan
Bharadwaj et al. Landslide Susceptibility Mapping Using Probabilistic Frequency Ratio and Shannon Entropy for Chamoli, Uttarakhand Himalayas
Abraham et al. Proposing an easy-to-use tool for estimating landslide dimensions using a data-driven approach
Vincent et al. A Light-Weight ANN Model for Landslide Detection: A Case Study of Idukki, India
Asmael A GIs Based Weight of Evidence for Prediction Urban Growth of Baghdad City by Using Remote Sensing Data
Zhou et al. A Modelling Tool for Rainfall-triggered Landslide Susceptibility Mapping and Hazard Warning based on GIS and Machine Learning
Geiß et al. Anticipating a risky future: LSTM models for spatiotemporal extrapolation of population data in areas prone to earthquakes and tsunamis in Lima, Peru

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20181226

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20191226

Year of fee payment: 5