KR20200048898A - 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 - Google Patents

머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 Download PDF

Info

Publication number
KR20200048898A
KR20200048898A KR1020180131526A KR20180131526A KR20200048898A KR 20200048898 A KR20200048898 A KR 20200048898A KR 1020180131526 A KR1020180131526 A KR 1020180131526A KR 20180131526 A KR20180131526 A KR 20180131526A KR 20200048898 A KR20200048898 A KR 20200048898A
Authority
KR
South Korea
Prior art keywords
drought
flow rate
flood
rainfall
lake
Prior art date
Application number
KR1020180131526A
Other languages
English (en)
Other versions
KR102168024B1 (ko
Inventor
이창욱
이슬기
박성재
류수빈
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020180131526A priority Critical patent/KR102168024B1/ko
Publication of KR20200048898A publication Critical patent/KR20200048898A/ko
Application granted granted Critical
Publication of KR102168024B1 publication Critical patent/KR102168024B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 홍수 또는 가뭄 위험 분석 장치는 대상 지역의 위성 영상 정보를 수집하기 위한 위성영상 수집부, 대상 지역의 강우량 정보를 수집하기 위한 강우량 수집부, 상기 위성영상 수집부에서 수집된 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 유량을 산출하며, 상기 강우량 수집부로부터 수집된 강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 분석부 및 상기 분석부에서 평가된 대상 지역의 홍수 또는 가뭄 위험도를 표출하는 출력부를 포함한다. 본 발명에 의하면, 위성영상과 강우량과의 관계를 분석하여 홍수 또는 가뭄 위험도를 용이하게 예측하고 예방할 수 있으며, 홍수 또는 가뭄 등의 국가적 재난을 사전에 방지할 수 있는 효과가 있다.

Description

머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 {Apparatus and method for analyzing dangerous of flooding or drought using machine-learning}
본 발명은 홍수 또는 가뭄 위험을 분석하는 기술에 관한 것으로서, 더욱 상세하게는 머신러닝 기술을 이용하여 특정 지역의 홍수 또는 가뭄 위험도를 분석하는 기법에 관한 것이다.
홍수는 주로 단기간의 집중호우나 장기간 지속되는 강우 등의 원인으로 피해를 일으키는 자연재해를 칭한다. 우리나라의 경우, 주로 장마철이나 태풍의 영향을 받는 여름철에 주로 홍수 피해가 발생한다.
이처럼, 우리나라는 여름철 발생하는 태풍 및 집중호우로 인한 홍수해가 빈번하게 발생하는 지역으로서, 2002년 9월에는 태풍 루사로 인하여 막대한 피해가 발생하였으며, 이는 기상 관측 이후 최대의 홍수로 기록되어 있다. 이러한 위험을 가진 홍수가 자주 발생하고 있음에도 변변한 대책없이 홍수 피해가 반복되고 있다.
이에 대비하기 위하여, 국내에서 홍수해 피해 저감 대책 수립을 위해 연구가 진행되고 있지만, 상습 피해 지역에 대한 피해 저감 대책 위주로만 연구되고 있는 실정이다. 현재 홍수 피해 위험 지역에 관한 연구는 호우가 발생할 경우를 상정하여 강우량에 대한 피해 예상 범위에 대해 진행되고 있으나, 홍수해 발생에 영향을 미칠 수 있는 지질학적 요인과 함께 분석한 연구는 미미한 실정이다.
홍수뿐만 아니라 가뭄 피해도 자주 발생하는 자연재해인데, 2015년 극심한 가뭄으로 인하여 어민 및 수도권 지역에 극심한 피해가 발생했으며, 이때 소양호의 수위가 발전 중단 수위인 150m를 살짝 웃도는 수준에 머물 정도였고, 수문 개방 수위인 190m에 많이 부족하여 여러 어려움에 봉착하였다.
한편, 댐, 호수, 저수지 등의 저수량 관리는 수자원의 효율적인 이용과 홍수 방지 등과 밀접한 관계가 있다고 볼 수 있다. 특히, 우기와 건기가 뚜렷하게 구분되는 대한민국의 경우에 있어서, 우기 때의 저수량과 관리 가능한 수용량을 정확히 파악하여 잘 관리하면, 제한된 수자원을 효과적으로 관리할 수 있어 경제적으로도 매우 중요하다.
대한민국 등록특허 10-1843008
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 홍수 또는 가뭄 위험을 분석하여 예방할 수 있도록, 머신러닝을 이용한 홍수 또는 가뭄 분석 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명의 홍수 또는 가뭄 위험 분석 장치는 대상 지역의 위성 영상 정보를 수집하기 위한 위성영상 수집부, 대상 지역의 강우량 정보를 수집하기 위한 강우량 수집부, 상기 위성영상 수집부에서 수집된 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 유량을 산출하며, 상기 강우량 수집부로부터 수집된 강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 분석부 및 상기 분석부에서 평가된 대상 지역의 홍수 또는 가뭄 위험도를 표출하는 출력부를 포함한다.
대상 지역은 호수 또는 강을 포함하고 있으며, 상기 분석부는 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가할 수 있다.
상기 분석부는 머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석할 수 있다.
상기 분석부는 지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출할 수 있다.
본 발명의 대상 지역의 홍수 또는 가뭄의 위험을 분석하기 위한 홍수 또는 가뭄 위험 분석 장치에서의 홍수 또는 가뭄 위험 분석 방법에서, 대상 지역의 위성 영상 정보와 강우량 정보를 수집하는 단계, 수집된 위성 영상 정보에 대하여 지표피복분류를 수행하는 단계, 지표피복분류를 통해 대상 지역의 유량을 산출하는 단계, 강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 단계 및 대상 지역의 홍수 또는 가뭄 위험도를 표출하는 단계를 포함한다.
대상 지역은 호수 또는 강을 포함하고 있으며, 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가할 수 있다.
본 발명의 일 실시예에서 머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석할 수 있다.
본 발명의 일 실시예에서, 지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출할 수 있다.
본 발명에 의하면, 위성영상과 강우량과의 관계를 분석하여 홍수 또는 가뭄 위험도를 용이하게 예측하고 예방할 수 있으며, 홍수 또는 가뭄 등의 국가적 재난을 사전에 방지할 수 있는 효과가 있다.
또한, 본 발명은 머신러닝 기법을 적용하여, 홍수 또는 가뭄의 위험도를 예측하는 정확성과 성능을 향상시킬 수 있는 효과가 있다.
또한, 본 발명에 의하면, 강우량에 따른 호수 또는 강의 유량 변화를 지속적으로 모니터링함으로써, 과거의 사례를 통해 현재 상황에 대한 대비책을 세우기 위한 좋은 자료로 활용될 것으로 기대되며, 장기적으로 기후변화에 대한 대응도 가능할 것으로 기대된다.
또한, 본 발명에 의하면, 홍수 또는 가뭄 예측 정보를 관련 기관에 제공함으로써, 막대한 인명 및 재산 피해를 야기할 수 있는 홍수 및 가뭄에 대한 즉각적인 대응이 가능하도록 하며, 이를 통해 궁극적으로 국민의 삶의 질을 확보하고 국가안전에 대한 제고가 가능하다는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 홍수 또는 가뭄 위험 분석 장치의 구조를 개념적으로 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 홍수 또는 가뭄 위험 분석 방법을 보여주는 흐름도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 유량을 계산하는 과정을 설명하기 위한 호수의 단면도이다.
도 5는 본 발명의 일 실시예에 따른 Landsat 위성 영상 기반의 지표피복분류를 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 계절에 따른 소양호의 수량 변화 관측 결과를 도시한 것이다.
도 7은 본 발명의 일 실시예에 따른 소양호 면적과 강우량의 상관관계를 도시한 그래프이다.
도 8은 본 발명의 일 실시예에 따른 장마철 전과 후의 소양호 면적과 강우량을 도시한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 소양호에 대한 홍수해 예측을 위한 요인에 따른 공간 데이터베이스를 표시한 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 갖는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명에서 분석 대상이 되는 대상 지역은 호수 또는 강을 포함하고 있다.
도 1은 본 발명의 일 실시예에 따른 홍수 또는 가뭄 위험 분석 장치의 구조를 개념적으로 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 홍수 또는 가뭄 위험 분석 장치(100)는 위성영상 수집부(110), 강우량 수집부(120), 분석부(130), 출력부(140)를 포함한다.
위성영상 수집부(110)는 대상 지역의 위성 영상 정보를 수집하는 역할을 한다. 본 발명의 일 실시예에서 위성영상 수집부(110)는 Landsat 위성의 영상정보를 수집할 수 있다.
강우량 수집부(120)는 대상 지역의 강우량 정보를 수집하는 역할을 한다. 본 발명의 일 실시예에서 강우량 수집부(120)는 기상청에서 운용하는 기상청 서버(20)로부터 강우량 자료를 제공받아 수집할 수 있다.
분석부(130)는 위성영상 수집부(110)에서 수집된 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 유량을 산출한다. 그리고, 강우량 수집부(120)로부터 수집된 강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가한다.
출력부(140)는 분석부(130)에서 평가된 대상 지역의 홍수 또는 가뭄 위험도를 표출하는 역할을 한다. 본 발명의 일 실시예에서 출력부(140)는 정보를 디스플레이할 수도 있고, 통신망에 접속하여 외부 장치에 정보를 송출할 수도 있다.
본 발명에서 분석부(130)는 출력부(140)를 통해 홍수 또는 가뭄 위험도를 표시할 수 있고, 출력부(140)를 통해 홍수 또는 가뭄 위험도에 따른 피해 예상 영역, 피해 정도 등의 정보를 외부 기관에 경고할 수도 있다.
본 발명에서 분석부(130)는 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가할 수 있다.
본 발명의 일 실시예에서 분석부(130)는 머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석할 수 있다.
본 발명의 일 실시예에서 분석부(130)는 지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출할 수 있다.
도 2는 본 발명의 일 실시예에 따른 홍수 또는 가뭄 위험 분석 방법을 보여주는 흐름도이다.
도 2를 참조하면, 대상 지역의 위성 영상 정보와 강우량 정보를 수집한다(S201, S207)
그리고, 수집된 위성 영상 정보에 대하여 지표피복분류를 수행한다(S203).
그리고, 지표피복분류를 통해 대상 지역의 유량을 산출한다(S205).
그리고, 강우량 정보와 유량 변화 간의 상관성을 분석한다(S209).
그리고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가한다(S211).
그리고, 대상 지역의 홍수 또는 가뭄 위험도를 표출한다(S213).
본 발명의 일 실시예에서 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가할 수 있다.
본 발명의 일 실시예에서 머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석할 수 있다.
본 발명의 일 실시예에서 지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출할 수 있다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 유량을 계산하는 과정을 설명하기 위한 호수의 단면도이다.
도 3은 홍수 위험도를 계산하는 과정을 예시하기 위한 호수의 단면도이고, 도 4는 가뭄 위험도를 계산하는 과정을 예시하기 위한 호수의 단면도이다.
도 3을 참조하면, 호수의 단면도에서 수위가 A, B, C, D로 표시되어 있으며, 각 수위에서의 호수의 표면적이 면적A, 면적B, 면적C, 면적D로 표시되어 있다.
도 3에서 강수량 등의 원인에 의하여 호수의 유량이 증가하여 수위가 상승하게 되고, 이에 따른 유량의 변화를 계산하는 과정을 설명하면 다음과 같다.
예를 들어, 강수량이 증가하여 기준 수위인 A에서 B로 수위면이 상승한 경우, 측정면적은 면적B이고, 기준면적은 면적A이다. 그리고, 유량α= 면적A×수위증가분(a)이고, 유량β=(면적B-면적A)×a×1/2라고 하면, 총 증가 유량(310)= 유량α + 유량β로 계산할 수 있다.
즉, 총 증가 유량(310)은 유량α에 유량β를 더한 것인데, 유량β는 312와 314로 이루어진 직사각형에서 314에 해당하는 면적을 제한 것, 즉 312에 해당하는 면적을 두 배한 것을 나타낸다.
도 4를 참조하면, 호수의 단면도에서 수위가 A, E, F로 표시되어 있으며, 각 수위에서의 호수의 표면적이 면적A, 면적E, 면적F로 표시되어 있다.
도 4에서 가뭄 등의 원인에 의하여 호수의 유량이 감소하여 수위가 하강하게 되고, 이에 따른 유량의 변화를 계산하는 과정을 설명하면 다음과 같다.
예를 들어, 유량이 감소하여 E에서 F로 수위면이 하강한 경우, 유량α'= 면적F×수위감소분(b)이고, 유량β'=(면적E-면적F)×b×1/2라고 하면, 총 감소 유량(410)= 유량α' + 유량β'로 계산할 수 있다.
즉, 총 감소 유량(410)은 유량α'에 유량β'를 더한 것인데, 유량β'는 412와 414로 이루어진 직사각형에서 414에 해당하는 면적을 제한 것, 즉 412에 해당하는 면적을 두 배한 것을 나타낸다.
이처럼, 본 발명에서는 강우량을 측정하고, 위성영상 이미지에 대해 지표피복분류를 하여 호수 또는 강의 면적을 측정하고, 이를 통해 호수 또는 강의 증가유량이나 감소유량을 계산할 수 있으며, 이러한 데이터들을 반복적으로 측정하고 계산하는 과정을 통해서 강우량과 호수 또는 강의 유량 간의 상관관계를 산출할 수 있다. 그리고, 나중에는 강우량만으로 증가유량이나 감소유량을 추정할 수 있고, 이를 통해 홍수 위험도나 가뭄 위험도를 평가할 수 있다.
본 발명의 일 실시예에서 머신 러닝(machine-learning) 기법을 이용하여 강우량과 호수 또는 강의 유량 변화 간의 상관관계를 산출할 수 있다.
또한, 본 발명의 홍수 또는 가뭄 위험 분석 장치 및 방법에서는 홍수 위험도 또는 가뭄 위험도에 따른, 예상 피해 영역과 예상 피해 정도를 산출하여 경고메시지를 송출할 수 있다. 예를 들어, 본 발명의 홍수 또는 가뭄 위험 분석 장치에서는 홍수 또는 가뭄 위험도에 따른 예상 피해 영역과 예상 피해 정도를 산출하여, 이러한 정보를 포함하는 경고메시지를 유무선 통신망을 통해 외부 유관 기관이나 외부 단말(스마트폰, 태블릿 PC 등)에 송출할 수 있다.
이제 본 발명에서 실제 소양호 지역을 대상으로 수위변화를 관측하고, 강우량 자료 간의 상관성을 분석한 연구 예를 기술하고자 한다.
도 5는 본 발명의 일 실시예에 따른 Landsat 위성 영상 기반의 지표피복분류를 도시한 것이다.
도 5를 참조하면, Landsat 위성이 수십년 동안 촬영하여 배포 중인 Landsat 위성 영상 중에서 소양호 지역의 Landsat 위성 영상을 수집하고, 수집한 영상에 대하여 지표피복분류를 수행한 것을 도시한 도면이다.
도 5에서 Landsat 위성영상을 기반으로 지표피복분류를 수행한 결과, 산악지형, 소양호, 도심 및 토지지역으로 구분하여 분류되며, 산악지형은 녹색, 물을 포함하고 있는 소양호는 파란색, 도심 및 토지 지역은 분홍색으로 표시된다. 이러한 지표피복분류를 통해 소양호의 면적 변화를 관측할 수 있다.
이런 식으로, 본 발명에서는 위성 영상을 수집하고, 그 영상에 대하여 지표피복분류를 수행하고, 이를 통해 소양호의 유량을 탐지하고, 그 면적을 계산한다. 또한, 소양호 지역에 대한 강우량 자료를 수집하여, 강우량과 소양호 유량 간의 상관성을 분석한다. 본 발명의 일 실시예에서 강우량에 따른 면적 변화량 간의 상관성을 분석하기 위하여 기상청에서 제공하는 강우량 자료를 수집하여, 위성영상에서 탐지한 면적 차와 비교하여 상관도를 산출할 수 있다.
즉, 본 발명에서는 위성영상에서 지표피복분류를 통해 소양호 일대의 수면 면적을 분류한다. 그리고, 이러한 지표피복분류를 통해 검출된 소양호 면적은 픽셀(pixel)의 개수로 표현되며, 영상의 1 픽셀의 면적은 900m2이다.
그리고, 지표피복분류가 수행된 결과를 기반으로 소양호의 면적을 계산한다. 그리고, 계산된 면적을 이용하여 소양호의 유량 변화를 계산한다. 유량 변화를 계산하는 방법은 도 3 및 도 4에서 전술한 바와 같다.
그리고, 기상청에서 관측하여 제공하는 소양호 지역의 강우량 자료를 수집하여 소양호의 면적과 강우량 간의 비교를 통해 상관성을 분석한다. 이렇게 본 발명에서는 상관성을 분석함으로써 강우량에 따른 소양호의 변화를 관측할 수 있고, 이를 통해 소양호 지역의 홍수 위험이나 가뭄 위험을 예측할 수 있다.
도 6은 본 발명의 일 실시예에 따른 계절에 따른 소양호의 수량 변화 관측 결과를 도시한 것이다.
도 6에서 (a)는 1989년 6월의 소양호 일대의 면적 변화를 도시한 것이고, (b)는 1989년 9월의 소양호 일대의 면적 변화를 도시한 것이다.
도 6에서 (a)와 (b)의 도면에서 소양호 일대의 면적변화를 비교하면, 수계의 끝자락에서 큰 차이를 보이는 것을 알 수 있다. 이는 6월과 9월 사이의 장마기간에 유입된 물로 인한 것으로 판단할 수 있으며, 이와 같이 장마철 전후의 수량 변화와 강우량 간의 상관관계를 산출할 수 있다.
도 7은 본 발명의 일 실시예에 따른 소양호 면적과 강우량의 상관관계를 도시한 그래프이다.
도 7은 Landsat 영상을 통해 산출한 소양호의 유량과 강우량 간의 상관성을 분석하기 위하여 비교한 결과 그래프로서, 강우량이 많은 장마철이 지난 후인 매년 9월에 소양호의 유량이 6월에 비해 증가하는 양상을 나타내고 있으며, 소양호의 유량 면적은 강우량에 비례하여 증감하는 경향을 나타내고 있다
도 8은 본 발명의 일 실시예에 따른 장마철 전과 후의 소양호 면적과 강우량을 도시한 그래프이다.
도 8에서 보는 바와 같이, 장마철 전/후의 소양호의 강 면적을 분석한 결과, 장마철 이후에 소양호의 면적이 증가하였음을 확인할 수 있으며, 매년 소양호의 유량은 상이하게 나타나지만, 유량의 증감이 강우량의 증감에 매우 일치하여 나타나는 경향이 있음을 확인할 수 있다. 이러한 결과는 소양호의 유량 변화에 있어서 강우량이 매우 중요한 변수임을 증명한다.
도 9는 본 발명의 일 실시예에 따른 소양호에 대한 홍수해 예측을 위한 요인에 따른 공간 데이터베이스를 표시한 것이다.
도 9에서 소양호에 대한 (a) 볼록도(convexity), (b) MBI(mass balance index), (c) 수렴 지수(convergence index), (d) 랜드폼(landform), (e) TPI(terrain position index), (f) TRI(terrain ruggedness index), (g) aspect, (h) curvature, (i) 경사(slope), (j) hillshade의 각 요인에 대한 공간 데이터베이스로 표현한 것이 도시되어 있다.
도 9를 참조하면, 각 요인과 홍수의 연관성을 분석하고, 이를 통해 홍수 위험을 예측하는데 도움이 된다. 요인 선정 단계에 따라 위험 지역 예측의 정확도가 결정되기 때문에 지형정보 자료와 지질학적 자료를 바탕으로 확률론적 분석을 통해 유효한 요인을 판단한다. 본 발명에서는 머신 러닝 기반의 분석을 진행하여 해당 연구지역에 가장 정확한 결과를 산출할 수 있다.
이처럼 본 발명에서는 머신 러닝 기반 분석을 수행하여, 해당 연구지역에 확률론적 분석을 시행하고 유효한 요인을 판단할 수 있으며, 해당 연구지역의 홍수해 위험 지역을 산출해 낼 수 있다. 산출된 결과는 검증을 통해 신뢰도를 판단하고, 연구지역에 가장 적합한 모델을 선정하여 홍수해 위험 예측도를 작성할 수 있다. 그리고, 이를 기반으로 홍수해 위험 예측 지도를 제시하여 관련 기관에 제공함으로써, 막대한 인명 피해 및 재산 피해를 야기할 수 있는 홍수해에 대한 즉각적인 대응이 가능하도록 하며, 이를 통해 궁극적으로 국민의 삶의 질을 확보하고, 국가안전에 대한 제고가 가능할 것이다.
본 발명에서 머신 러닝 알고리즘으로 AdaBoost 알고리즘, LogitBoost 알고리즘, Multiclass Classifier 알고리즘, Bagging 알고리즘, ANN(Artificial Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 등의 다양한 기법이 사용될 수 있다.
ANN 알고리즘은 널리 사용되는 분류기중 하나로서, 하나의 입력 레이어, 적어도 하나의 입력 레이어 숨겨진 레이어 및 하나의 출력 레이어로 구성되는 특징이 있다. 그리고, 각 레이어는 비선형 처리 단위이고, 뉴런 및 연결 연속적인 레이어에서 뉴런 사이의 가중치가 부여되며, 전달 연결만 허용된다.
ANN 알고리즘은 그 자신의 처리 유닛, 또는 선택된 트레이닝 룰 또는 러닝 룰의 특성에 따라 고유하게 지정되지는 않는다. 그리고, 네트워크 토폴로지(즉, 숨겨진 계층 및 유닛의 수 및 이들의 상호 접속) 또한 분류자 성능에 영향을 미친다.
그리고, SVM은 최첨단 기계 학습 알고리즘으로서, 통계적 학습 이론에 기초하고, Vapnik에 의해 개발되었다.
SVM 알고리즘은 하이퍼 스펙트럴 이미지의 분류에 처음 사용되었지만, 나중에는 멀티 스펙트럼 이미지를 분류하는데 사용되었다.
SVM은 클래스 간의 차이를 최대화하는 결정 표면을 사용하여 클래스를 분리한다. 선형 케이스에 대한 이러한 표면은 두 개의 클래스 간의 최대 차이를 허용하는 최적의 초평면이라고 하며, 표면에 가장 가까운 데이터 포인트를 지원 벡터(Support vectors, SVs)라고 한다. 이러한 벡터는 교육 세트의 핵심 요소이다. SVM을 구현할 때는 적절한 커널을 선택하는 것이 중요한데, SVM 분류자는 선형, 다항식, 방사 기반 기능(radial basis function, RBF) 및 시그모이드(sigmoid) 커널의 네 가지 유형의 공통 커널을 제공한다. RBF 커널은 대부분의 경우 잘 작동하여 우수한 비선형 분류를 수행하므로, 본 발명의 실시예에서는 이 커널을 사용하는 것이 바람직하다.
이처럼 본 발명에서는 위성영상과 강수량 자료 간의 상관성을 분석하여 강수량에 따른 수위변화를 예측할 수 있다. 본 발명을 기반으로 지속적은 모니터링을 수행한다면 관련 자료의 정확성은 더욱 향상될 것이고, 추후 강수량만으로 호수가 강의 유량을 추정할 수 있을 것이다. 또한, 특정 시기의 호수나 강의 수심을 알 수 있다면 강우량과 유량만으로 호수나 강의 수심도 예측할 수 있을 것이다. 더 나아가 계절별 호수나 강의 유량과 강우량 간의 관계와 수심관의관계를 보다 일반화시킬 수 있으며, 과거의 사례와의 비교를 통해 현재 상황에 대한 대비책을 세우기 위한 자료로 활용될 수 있을 것으로 기대되며, 장기적으로 기후변화에 대한 대응도 가능할 것으로 기대된다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
100 홍수 또는 가뭄 위험 분석 장치
110 위성영상 수집부
120 강우량 수집부
130 분석부
140 출력부

Claims (8)

  1. 대상 지역의 위성 영상 정보를 수집하기 위한 위성영상 수집부;
    대상 지역의 강우량 정보를 수집하기 위한 강우량 수집부;
    상기 위성영상 수집부에서 수집된 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 유량을 산출하며, 상기 강우량 수집부로부터 수집된 강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 분석부; 및
    상기 분석부에서 평가된 대상 지역의 홍수 또는 가뭄 위험도를 표출하는 출력부를 포함하는 홍수 또는 가뭄 위험 분석 장치.
  2. 청구항 1에 있어서,
    대상 지역은 호수 또는 강을 포함하고 있으며,
    상기 분석부는 위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 장치.
  3. 청구항 2에 있어서,
    상기 분석부는 머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 장치.
  4. 청구항 2에 있어서,
    상기 분석부는 지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 장치.
  5. 대상 지역의 홍수 또는 가뭄의 위험을 분석하기 위한 홍수 또는 가뭄 위험 분석 장치에서의 홍수 또는 가뭄 위험 분석 방법에서,
    대상 지역의 위성 영상 정보와 강우량 정보를 수집하는 단계;
    수집된 위성 영상 정보에 대하여 지표피복분류를 수행하는 단계;
    지표피복분류를 통해 대상 지역의 유량을 산출하는 단계;
    강우량 정보와 유량 변화 간의 상관성을 분석하고, 이를 기반으로 강우량에 따른 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 단계; 및
    대상 지역의 홍수 또는 가뭄 위험도를 표출하는 단계를 포함하는 홍수 또는 가뭄 위험 분석 방법.
  6. 청구항 5에 있어서,
    대상 지역은 호수 또는 강을 포함하고 있으며,
    위성 영상에 대하여 지표피복분류를 수행하고, 이를 통해 대상 지역의 호수 또는 강의 유량을 산출하고, 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하고, 이를 기반으로 대상 지역의 홍수 또는 가뭄 위험도를 평가하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 방법.
  7. 청구항 6에 있어서,
    머신러닝 알고리즘을 이용하여 강우량 정보와 호수 또는 강의 유량 변화 간의 상관성을 분석하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 방법.
  8. 청구항 6에 있어서,
    지표피복분류를 통해 호수 또는 강의 면적을 산출하고, 호수 또는 강의 면적의 차이를 이용하여 유량 변화를 산출하는 것을 특징으로 하는 홍수 또는 가뭄 위험 분석 방법.
KR1020180131526A 2018-10-31 2018-10-31 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 KR102168024B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180131526A KR102168024B1 (ko) 2018-10-31 2018-10-31 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180131526A KR102168024B1 (ko) 2018-10-31 2018-10-31 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200048898A true KR20200048898A (ko) 2020-05-08
KR102168024B1 KR102168024B1 (ko) 2020-10-20

Family

ID=70678282

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180131526A KR102168024B1 (ko) 2018-10-31 2018-10-31 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102168024B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737651A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 基于多源数据的空间网格化干旱灾情风险评估方法及系统
CN112183607A (zh) * 2020-09-23 2021-01-05 浙江水利水电学院 一种基于模糊理论的东南沿海地区洪水分类方法
CN113592334A (zh) * 2021-08-09 2021-11-02 水利部牧区水利科学研究所 分析和评估河湖水量波动影响因素的方法
CN113960699A (zh) * 2021-09-27 2022-01-21 中国水利水电科学研究院 一种田间旱涝急转等级判别方法
KR20220096645A (ko) * 2020-12-31 2022-07-07 위디비 주식회사 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템
CN116202576A (zh) * 2023-05-06 2023-06-02 广东广宇科技发展有限公司 一种城市水利的河湖动态管理的监测方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208580A1 (ja) * 2021-03-29 2022-10-06 日本電気株式会社 サーバ装置、システム、サーバ装置の制御方法及び記憶媒体

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
KR101499754B1 (ko) * 2014-05-16 2015-03-09 채희정 홍수 모델링 시스템
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법
KR101843008B1 (ko) 2016-12-26 2018-03-28 연세대학교 산학협력단 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
KR101499754B1 (ko) * 2014-05-16 2015-03-09 채희정 홍수 모델링 시스템
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법
KR101843008B1 (ko) 2016-12-26 2018-03-28 연세대학교 산학협력단 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737651A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 基于多源数据的空间网格化干旱灾情风险评估方法及系统
CN111737651B (zh) * 2020-06-22 2024-02-20 黄河勘测规划设计研究院有限公司 基于多源数据的空间网格化干旱灾情风险评估方法及系统
CN112183607A (zh) * 2020-09-23 2021-01-05 浙江水利水电学院 一种基于模糊理论的东南沿海地区洪水分类方法
CN112183607B (zh) * 2020-09-23 2023-11-07 浙江水利水电学院 一种基于模糊理论的东南沿海地区洪水分类方法
KR20220096645A (ko) * 2020-12-31 2022-07-07 위디비 주식회사 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템
CN113592334A (zh) * 2021-08-09 2021-11-02 水利部牧区水利科学研究所 分析和评估河湖水量波动影响因素的方法
CN113960699A (zh) * 2021-09-27 2022-01-21 中国水利水电科学研究院 一种田间旱涝急转等级判别方法
CN116202576A (zh) * 2023-05-06 2023-06-02 广东广宇科技发展有限公司 一种城市水利的河湖动态管理的监测方法及系统
CN116202576B (zh) * 2023-05-06 2023-09-26 广东广宇科技发展有限公司 一种城市水利的河湖动态管理的监测方法及系统

Also Published As

Publication number Publication date
KR102168024B1 (ko) 2020-10-20

Similar Documents

Publication Publication Date Title
KR102168024B1 (ko) 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법
Costache Flash-flood Potential Index mapping using weights of evidence, decision Trees models and their novel hybrid integration
Dou et al. An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan
Munawar et al. A review on flood management technologies related to image processing and machine learning
Tehrany et al. Flood susceptibility analysis and its verification using a novel ensemble support vector machine and frequency ratio method
Youssef et al. Flood-hazard assessment modeling using multicriteria analysis and GIS: a case study—Ras Gharib Area, Egypt
KR102271945B1 (ko) Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
Borga et al. Forensic analysis of flash flood response
Saha et al. Constructing the machine learning techniques based spatial drought vulnerability index in Karnataka state of India
Hoang et al. Spatial prediction of rainfall-induced shallow landslides using gene expression programming integrated with GIS: a case study in Vietnam
Hadian et al. Multi attributive ideal-real comparative analysis (MAIRCA) method for evaluating flood susceptibility in a temperate Mediterranean climate
Youssef et al. Comparative study of convolutional neural network (CNN) and support vector machine (SVM) for flood susceptibility mapping: a case study at Ras Gharib, Red Sea, Egypt
KR20200052398A (ko) 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치
Nguyen et al. A novel hybrid approach to flood susceptibility assessment based on machine learning and land use change. Case study: a river watershed in Vietnam
Jaafari et al. Anthropogenic activities amplify wildfire occurrence in the Zagros eco-region of western Iran
Nocentini et al. Towards landslide space-time forecasting through machine learning: the influence of rainfall parameters and model setting
Kaiser et al. Regional-scale prediction of pluvial and flash flood susceptible areas using tree-based classifiers
Rana et al. Spatial prediction of flash flood susceptible areas using novel ensemble of bivariate statistics and machine learning techniques for ungauged region
Kamoji et al. Effective Flood prediction model based on Twitter Text and Image analysis using BMLP and SDAE-HHNN
Shakya et al. Change over time in grey levels of multispectral landsat 5 TM/8 OLI satellite images
CN113870224A (zh) 一种洪水监测方法、系统、设备和介质
Khaddari et al. A comparative analysis of analytical hierarchy process and fuzzy logic modeling in flood susceptibility mapping in the Assaka Watershed, Morocco
Dano et al. Assessing the accuracy of image classification algorithms using during-flood TerraSAR-X imagery
Rossi et al. Analysis of a statistically initialized fuzzy logic scheme for classifying the severity of convective storms in F inland
Malothu et al. Tropical cyclone detection in South Pacific and Atlantic coastal area using optical flow estimation and RESNET deep learning model

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant