KR20220095092A - 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 - Google Patents

인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 Download PDF

Info

Publication number
KR20220095092A
KR20220095092A KR1020210118098A KR20210118098A KR20220095092A KR 20220095092 A KR20220095092 A KR 20220095092A KR 1020210118098 A KR1020210118098 A KR 1020210118098A KR 20210118098 A KR20210118098 A KR 20210118098A KR 20220095092 A KR20220095092 A KR 20220095092A
Authority
KR
South Korea
Prior art keywords
forest fire
algorithm
map
inference model
vulnerability
Prior art date
Application number
KR1020210118098A
Other languages
English (en)
Inventor
아볼가셈
최수미
Original Assignee
세종대학교산학협력단
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 세종대학교산학협력단 filed Critical 세종대학교산학협력단
Publication of KR20220095092A publication Critical patent/KR20220095092A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/02—Fire prevention, containment or extinguishing specially adapted for particular objects or places for area conflagrations, e.g. forest fires, subterranean fires
    • A62C3/0271—Detection of area conflagration fires
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/02—Details of the space or ground control segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G06N3/0436—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G06N3/0472—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Tourism & Hospitality (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Public Health (AREA)

Abstract

인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치가 개시된다. 인공 지능을 이용한 산불 취약성 지도 생성 방법은 (a) 공간 데이터베이스를 구축하는 단계-상기 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함함; (b) 상기 공간 데이터베이스를 기초로 상기 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하여 공간적 상관 관계를 분석하는 단계; (c) 상기 공간적 상관 관계 분석 결과를 기초로 상기 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키는 단계; 및 (d) 타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성하는 단계를 포함한다.

Description

인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치{Forest fire susceptibility mapping method and apparatus using artificial intelligence}
본 발명은 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치에 관한 것이다.
산림은 긍정적인 상태적, 경제적, 사회적 효과를 갖는 중요한 천연 자원 중 하나이다. 최근 몇 년 동안 인구 증가와 산업 발전으로 인해 식량과 재료를 공급하기 위해 천연 자원, 특히 산림의 사용이 증가하고 있으며, 다양한 인적 및 자연적 요인으로 인해 산불 발생 위험이 증가하고 있다.
농지 사용/피복을 증가시키기 위해 매년 세계 산림 지역의 1,600만 헥타르가 파괴되고 있으며, 이는 글로벌 문제 중 하나이다. 농업 및 도시 활동 다음으로 산불은 생태계 파괴의 주원인이다.
숲속에서의 캠핑, 산림을 농경지로 전환하기 위한 고의적 산불, 불 켜짐, 가뭄 등과 같은 다양한 요인에 의해 산불이 발생하고 있다. 따라서, 산불 위험 지도 작성 및 취약 지역을 식별하기 위한 연구가 필요하다.
본 발명은 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치를 제공하기 위한 것이다.
또한, 본 발명은 복수의 추론 모델을 통해 산불 취약성 지도를 생성하여 지리 정보와 연동하여 사용자에게 제공할 수 있는 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치를 제공하기 위한 것이다.
또한, 본 발명은 산불 관련 인자들을 이용한 공간 상관관계 분석 결과를 이용하여 추론 모델 학습시 가중치로 반영하여 추론 모델의 네트워크 학습 및 추론 정확도를 높일 수 있는 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 인공 지능을 이용한 산불 취약성 지도 생성 방법이 제공된다.
본 발명의 일 실시예에 따르면, (a) 공간 데이터베이스를 구축하는 단계-상기 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함함; (b) 상기 공간 데이터베이스를 기초로 상기 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하여 공간적 상관 관계를 분석하는 단계; (c) 상기 공간적 상관 관계 분석 결과를 기초로 상기 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키는 단계; 및 (d) 타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성하는 단계를 포함하는 산불 취약성 지도 생성 방법이 제공될 수 있다.
상기 추론 모델은 적응형 뉴런-퍼지(ANFIS) 추론 모델이되, 유전자 알고리즘(GA: genetic algorithm)과 시뮬레이트된 어닐링 알고리즘(SA: simulated annealing algorithm)을 이용하여 학습되되, 상기 공간 데이터베이스 중 일부 트레이닝 데이터를 기반으로 상기 유전자 알고리즘으로 상기 적응형 뉴로-퍼지 추론 모델이 초기 학습되되, 상기 유전자 알고리즘의 종료 조건 도달시 상기 시뮬레이트된 어닐링 알고리즘이 활성화되어 상기 적응형 뉴로-퍼지 추론 모델이 추가적으로 학습될 수 있다.
상기 산불 관련 인자는 산불 발생 연도, 산불방사열에너지((FRP: fire radiative power), 고도, 경사각 및 경사면, 도로까지의 거리, 토지 이용, 주거지까지의 거리, 강우량, 온도, 바람 속도, 바람 방향 및 토양 타입 중 적어도 복수이다.
상기 추론 모델은 방사형 기저 함수 기반 앙상블 모델이되, 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습될 수 있다.
상기 산불 관련 인자는 연속 데이터 범주와 이산 데이터 범주로 구분되되, 상기 연속 데이터 범주와 상기 이산 데이터 범주는 서로 상이한 방법으로 가중치가 할당되되, 상기 이산 데이터 범주는 상기 빈도비를 이용하여 가중치가 할당되며, 상기 연속 데이터 범주는 해당하는 범주의 중간으로 할당된 후 상기 방사형 기저 함수 기반 앙상블 모델을 사용하여 상기 연속 데이터 범주에 해당하는 산불 관련 인자의 모든 값에 대한 가중치가 계산될 수 있다.
상기 산불 취약성 지도는 지리 정보(GIS)와 연동되어 사용자 단말을 통해 출력될 수 있다.
본 발명의 다른 측면에 따르면, 인공 지능을 이용한 산불 취약성 지도 생성 장치가 제공된다.
본 발명의 일 실시예에 따르면, 공간 데이터베이스를 구축하는 데이터 구성부-상기 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함함; 상기 공간 데이터베이스를 기초로 상기 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하여 공간적 상관 관계를 분석하는 공간 상관관계 분석부; 상기 공간적 상관 관계 분석 결과를 기초로 상기 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키는 학습부; 및 타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성하는 취약성 지도 생성부를 포함하는 산불 취약성 지도 생성 장치가 제공될 수 있다.
본 발명의 일 실시예에 따른 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치를 제공함으로써, 복수의 추론 모델을 통해 산불 취약성 지도를 생성하여 지리 정보와 연동하여 사용자에게 제공할 수 있다.
또한, 본 발명은 산불 관련 인자들을 이용한 공간 상관관계 분석 결과를 이용하여 추론 모델 학습시 가중치로 반영하여 추론 모델의 네트워크 학습 및 추론 정확도를 높일 수 있는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 대상 지역의 산불 발생 위치를 예시한 도면.
도 3은 본 발명의 일 실시예에 따른 산불 관련 인자를 예시한 도면.
도 4는 본 발명의 일 실시예에 따른 산불 발생 연도 및 산불방사열에너지의 공간 상관관계 분석 결과를 예시한 도면.
도 5는 본 발명의 일 실시예에 따른 산불 관련 인자의 공간 상관관계 분석 결과를 예시한 도면.
도 6은 본 발명의 일 실시예에 따른 Moran's I 지수 분석 결과를 도시한 도면.
도 7은 본 발명의 일 실시예에 따른 산불 핫스팟 분석 결과를 도시한 도면.
도 8은 본 발명의 일 실시예에 따른 산불 관련 인자의 빈도비(FR) 분석 결과를 도시한 도면.
도 9는 본 발명의 일 실시예에 따른 GA 알고리즘과 SA 알고리즘을 결합한 결합 알고리즘의 목적 함수 수렴 결과를 나타낸 도면.
도 10은 본 발명의 일 실시예에 따른 적응형 뉴런-퍼지(ANFIS) 추론 모델에 대한 성능 결과를 나타낸 도면.
도 11은 본 발명의 일 실시예에 따른 적응형 뉴런-퍼지(ANFIS) 추론 모델을 통해 생성된 산불 취약성 지도를 예시한 도면.
도 12는 본 발명의 일 실시예에 따른 앙상블 모델의 산불 관련 인자에 대한 적합도 결과를 예시한 도면.
도 13은 본 발명의 일 실시예에 따른 앙상블 모델을 통해 생성된 산불 취약성 지도를 예시한 도면.
도 14는 본 발명의 일 실시예에 따른 타겟 위치에 대한 산불 취약성 지도를 지리 정보(GIS)에 매핑하여 표시된 사용자 단말 표출 화면을 예시한 도면.
도 15는 본 발명의 일 실시예에 따른 ROC 커브 결과를 예시한 도면.
도 16은 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 장치의 내부 구성을 개략적으로 도시한 블록도.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시예에 따른 대상 지역의 산불 발생 위치를 예시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 산불 관련 인자를 예시한 도면이고, 도 4는 본 발명의 일 실시예에 따른 산불 발생 연도 및 산불방사열에너지의 공간 상관관계 분석 결과를 예시한 도면이고, 도 5는 본 발명의 일 실시예에 따른 산불 관련 인자의 공간 상관관계 분석 결과를 예시한 도면이고, 도 6은 본 발명의 일 실시예에 따른 Moran's I 지수 분석 결과를 도시한 도면이고, 도 7은 본 발명의 일 실시예에 따른 산불 핫스팟 분석 결과를 도시한 도면이며, 도 8은 본 발명의 일 실시예에 따른 산불 관련 인자의 빈도비(FR) 분석 결과를 도시한 도면이고, 도 9는 본 발명의 일 실시예에 따른 GA 알고리즘과 SA 알고리즘을 결합한 결합 알고리즘의 목적 함수 수렴 결과를 나타낸 도면이고, 도 10은 본 발명의 일 실시예에 따른 적응형 뉴런-퍼지(ANFIS) 추론 모델에 대한 성능 결과를 나타낸 도면이고, 도 11은 본 발명의 일 실시예에 따른 적응형 뉴런-퍼지(ANFIS) 추론 모델을 통해 생성된 산불 취약성 지도를 예시한 도면이며, 도 12는 본 발명의 일 실시예에 따른 앙상블 모델의 산불 관련 인자에 대한 적합도 결과를 예시한 도면이고, 도 13은 본 발명의 일 실시예에 따른 앙상블 모델을 통해 생성된 산불 취약성 지도를 예시한 도면이며, 도 14는 본 발명의 일 실시예에 따른 타겟 위치에 대한 산불 취약성 지도를 지리 정보(GIS)에 매핑하여 표시된 사용자 단말 표출 화면을 예시한 도면이고, 도 15는 본 발명의 일 실시예에 따른 ROC 커브 결과를 예시한 도면이다. 단계 110에서 산불 취약성 지도 생성 장치(100)는 공간 데이터베이스를 구성한다.
여기서, 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함할 수 있다.
이에 대해 보다 상세히 설명하기로 한다.
산불 취약성 지도 생성 장치(100)는 위성 이미지를 이용하여 산불 발생 위치가 선정되며, 해당 산불 발생 위치에 대한 측량 데이터들이 획득될 수 있다.
예를 들어, 본 발명의 일 실시예에서는 2013년부터 2018년까지 Chaharmahal 및 Bakhtiari 천연자원국, MODIS 핫스팟 제품(http://earthdata.nasa.gov/firms) 위성 이미지 및 측량 데이터를 이용하여 산불 데이터를 수집할 수 있다. 즉, 1km 버퍼로 대상 지역에서 약 262개의 산불 데이터가 수집되었다.
이와 같이 수집된 산불 위치 관련 데이터들은 7:3 비율로 추론 모델의 트레이닝과 검증을 위해 랜덤하게 분류되었다.
산불 관련 인자는 산불에 영향을 미치는 지형적 요인, 사회 경제적 요인 및 기후 요인을 구려하여 구축될 수 있다. 이하에서는 이에 대해 간략하게 설명하기로 한다.
1. 지형적 요인
산불 발생에 영향을 미치는 지형적 변수는 는 고도, 경사각 및 경사면일 수 있다. 지형적 특징과 바람의 방향 또한 해당 지역의 산불 발생 가능성에 영향을 미칠 수 있다.
본 발명의 일 실시예에서는 STER 위성 이미지에서 30m의 공간 해상도로 디지털 고도 모델(DEM)을 준비하고, ArcGIS10.3 소프트웨어를 통해 고도, 경사각 및 경사면의 맵을 추출하였다.
고도 변화는 온도와 식생에 영향을 미치며, 고도가 높은 지역은 온도가 낮고 습도가 높기 때문에 산불 발생 가능성은 높은 고도와 반비례하는 것을 알 수 있다(도 3의 (a))
또한, 경사각은 산불의 방향과 범위에 영향을 미친다. 일반적으로 손상 정도는 가파른 경사면에서 더 높다(도 3의 (b)).
경사면은 해당 지역의 식물 건조와 관련된 햇빛과 열의 양에 영향을 받는다. 남쪽과 동쪽 방향은 햇빛 노출 비율이 상대적으로 높으며 이로 인해 산불에 더 취약하다(도 3의 (c))
2. 사회경제적 요인
최근 수십 년 동안 인구가 증가함에 따라 공급, 연료 및 농업을 위해 산림 지역이 훼손되고 있으며, 일부 관광객에 의한 산불 발생도 증가하고 있는 추세이다.
본 발명의 일 실시예에서는 도로까지의 거리, 토지 이용, 주거지까지의 거리라는 세가지 요인을 사회경제적 요인으로 설정하였다.
일반적으로 도로 근처에서 산불이 발생할 가능성이 더 높다. 따라서, 1:100,000 지형도를 사용하여 대상 지역의 도로 지도를 작성하고, 지정된 간격으로 도로에 대한 버퍼를 정의했다(도 3의 (f)) 참조)
산불에 영향을 미치는 다른 영향 요인은 정착지(농촌 및 유목민 정착지)와의 근접성이다. 농민들은 산림과 토지에 의존하여 필요를 충족하기 때문에 고의 및 의도하지 않은 산불을 일으킬 수 있다.
정착지도로부터의 거리는 1:100,000 지형도를 사용하여 작성되었다(도 3의 (g)). 2013년과 2018년 Landsat-7 이미지는 토지 이용 및 주거 지도를 작성하는 데 사용되었다.
본 발명의 일 실시예에서는 GPS (Global Positioning System)로 수집된 400개의 타겟 포인트(훈련 포인트)를 사용하여 토지 이용 및 주거 지도를 작성했으며, 이중 70%는 훈련에 사용하고 나머지 30%는 정확도를 평가하는데 사용되었다.
최대우도 알고리즘을 사용하여 91% 정확도로 토지 사용/커버 지도를 획득하고 숲, 농업, 목초지, 황야 및 도시 지역과 같이 5가지 분류로 구획하였다(도 3의 (d) 참조).
3. 기후 요인
기후 조건은 산불에 직간접적으로 영향을 미치며 간접적으로 식생의 종류와 밀도에 영향을 미친다. 본 발명의 일 실시예에서는 2013년부터 2018년까지 차하르마할과 바흐티아리 주의 14개 기상관측소에서 강우량, 온도, 바람 속도 및 바람 방향에 대한 연평균 데이터를 획득했다.
획득된 기후 요인 관련 데이터를 Kriging 보간법을 사용하여 강우량 및 온도 지도로 작성하였다.
또한, SAGA(Automated Geoscientific Analysis)-GIS 소프트웨어 시스템의 Windward 및 Leeward 지수를 사용하여 바람 효과 지도를 구성했다. 이들 지표의 입력은 DEM, 속도 및 바람의 방향이였다. 일반적으로 기온이 높고 강수량이 적은 지역이 산불 발생에 영향을 미친다(도 3의 (h) ~ (j) 참조).
이외에도, 산불 발생 연도, 산불방사열에너지((FRP: fire radiative power) 및 토양 타입 등이 산불 관련 인자로서 구축될 수 있다.
단계 115에서 산불 취약성 지도 생성 장치(100)는 산불 빈도 및 산불 주기를 계산한다.
산불 빈도 및 산불 주기는 산불이 발생한 위치를 분석하기 위해 이용된다. 산불 빈도는 대상 지역 및 기간 내에서 산불이 발생한 횟수로 정의된다.
산불 주기는 대상 지역 면적과 동일한 면적을 태우는데 필요한 시간으로 정의하기로 한다.
산불 발생시 전체 영역이 타지 않을 수도 있으며, 어떤 장소는 여러 번 타거나 전혀 타지 않을 수도 있다.
본 발명의 일 실시예에서는 산불 주기는 수학식 1을 이용하여 계산할 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 전체 영역을 나타내고,
Figure pat00003
는 년 수를 나타내며,
Figure pat00004
는 전체 영역 화재 사이클(fire cycle=burned)을 나타낸다.
단계 120에서 산불 취약성 지도 생성 장치(100)는 산불 관련 인자에 대한 반변이도값, Moran's I 지수 및 빈도비(FR)를 계산하여 공간적 상관 관계를 분석한다.
이에 대해 각각 설명하기로 한다.
이미 전술한 바와 같이, 산불 관련 인자는 산불 발생 연도, 산불방사열에너지((FRP: fire radiative power), 고도, 경사각 및 경사면, 도로까지의 거리, 토지 이용, 주거지까지의 거리, 강우량, 온도, 바람 속도, 바람 방향 및 토양 타입일 수 있다.
산불 취약성 지도 생성 장치(100)는 산불 관련 인자들 중 일부에 대한 반변이도값을 각각 계산한다.
이해와 설명의 편의를 도모하기 위해 반변이도에 대해 간략하게 설명하기로 한다.
반변이도는 일정한 거리에 있는 데이터들의 연관성을 나타내는 척도이다. 따라서, 거리가 가까우면 그 값들이 비슷하므로 작은 값을 가지며, 멀어질수록 값이 크게 나타나는 것이 일반적이다.
예를 들어, 관심 영역내에 있는 두개의 지점(
Figure pat00005
,
Figure pat00006
)에서 확률 과정(Z)에 의해 가정된 값들 사이에서의 연관성은 변이도 함수로 표현되며, 이에 대한 추정량은 수학식 2와 같이 계산될 수 있다.
Figure pat00007
여기서,
Figure pat00008
는 실험적 반변이도의 값을 나타내며, 평균이 상수라는 가정에서 적률법을 이용한 불편추정량이다.
또한,
Figure pat00009
와
Figure pat00010
는 두 지점(i)와 (i+h)의 로컬 변수를 나타낸다.
반변이도는 range, still, nugget에 의해 모델링된다.
range는 변이도(variogram)이 고정된 지점에 도달하고 수평선에 접근하는 거리를 말하며, 데이터가 알려지지 않은 변수의 값을 추정하는데 사용할 수 있는 범위를 지정하며, 이 거리를 벗어나면 더 이상 공간 연속성이 없으며, 해당 샘플은 독립적으로 작동한다.
sill 매개변수는 변이도 범위 매개변수에서 도달하는 상수값이다. 이는 변이도를 계산하는데 사용된 전체 샘플 수의 분산과 같다.
좌표의 원점(h = 0)에서 variogram의 양은 무작위로 이상적으로는 0이어야 한다는 점을 제외하고는 가변 구조를 나타내는 nugget이라고 한다.
산불 관련 인자들 중 일부에 대해 반변이도값이 도출되면, 반변이도값 도출에 이용되는 매개변수를 이용하여 공간 의존성(SD)이 계산될 수 있다.
예를 들어, 공간 의존성(SD)는 수학식 3에서 보여지는 바와 같이, nugget과 부분 still 매개 변수를 이용하여 계산될 수 있다.
Figure pat00011
SD가 25% 미만이면 변수는 공간 의존성이 강하며, 25%와 75% 사이이면 변수는 중간 정도의 공간 의존성을 가지며, 75% 이상이면 변수의 공간 의존성이 약한 것을 의미한다.
산불 취약성 지도 생성 장치(100)는 산불 발생한 연도 및 산불방사열에너지(FRP: fire radiative power)를 매개변수로 하여 반변이도값을 계산한 결과는 표 1 및 도 4에 도시된 바와 같다.
[표 1]
Figure pat00012
화재 연도의 nugget 매개변수 값은 FRP보다 작고, FRP의 rnage와 partial still의 두 매개변수는 더 높게 나타났다.
SD 지수 결과에 따르면, 화재 발생 연도는 FRP보다 공간 의존도가 높은 것을 알 수 있다. 따라서, 산불 취약성 지도 작성시 산불 연도 데이터를 사용하는 것이 FRP보다 더 나은 결과를 얻을 수 있음을 알 수 있다.
표 2 및 도 5에는 고도, 경사각 및 경사면, 도로까지의 거리, 토지 이용, 주거지까지의 거리, 강우량, 온도, 바람 속도, 바람 방향과 같은 산불 관련 인자에 대한 반변이도값과 공간 의존성(SD)를 계산한 결과가 도시되어 있다.
[표 2]
Figure pat00013
표 2 및 도 5를 참조하면, 토양, 강우량, 정착지까지의 거리에 대해 nugget 매개변수의 값이 가장 낮았고, 경사면, 경사각, 바람 영향 변수는 nugget 매개변수의 값이 높았다.
또한, range 매개 변수의 경우, 온도, 토지 이용/커버, 도로까지의 거리 변수가 높은 값을 가지며, 토양, 경사면 경사각 변수가 낮은 값을 가지는 것으로 나타났다.
Sill 매개 변수의 경우, 도로까지의 거리, 온도 및 토지 이용/커버 변수가 높았으며, 고도, 토양 및 정착지까지의 거리 변수는 낮은 것으로 나타났다.
또한, SD 지수 결과는 정착지까지의 거리, 토양 및 강수량 변수가 높았으며, 바람 영향, 경사각 및 경사면 변수에서 낮은 것으로 나타났다.
상술한 바와 같이, 산불 취약성 지도 생성 장치(100)는 산불 관련 인자들에 대한 반변이도값과 공간 의존성(SD)을 계산할 수 있다.
또한, 산불 취약성 지도 생성 장치(100)는 산불 관련 인자들 중 일부에 대한 Moran's I 지수를 각각 계산한다.
Moran's I 지수는 데이터 간의 공간적 관계를 조사하는 데 필수적인 도구로 여겨지는 일반 및 지역 Moran's I 지표를 포함한다.
일반 Moran's I 지수 지표의 값 범위는 -1에서 +1까지 다양하다. +1의 양은 가장 높은 양의 공간 상관도를 나타내고 -1의 양은 가장 높은 음의 공간 상관도를 나타내며 0은 값의 무작위 분포의 최대 정도를 나타낸다.
일반 Moran's I 지수 지표는 데이터에 일반적인 공간 상관 관계가 있는지 여부를 보여준다. 지역 Moran's I 지수 지표는 어느 지점에서든 변수의 공간적 상관 정도를 나타낼 수 있다. 일반 Moran's I 및 로컬 Moran's I 지표는 수학식 4 및 수학식 5를 이용하여 계산될 수 있다.
Figure pat00014
Figure pat00015
수학식 4 및 수학식 5에서 Z는 변수 z의 평균값을 나타내고,
Figure pat00016
는 I 위치의 변수값을 나타내고,
Figure pat00017
는 j위치의 변수값을 나타내며,
Figure pat00018
는 기술된 값의 평균을 나타내며,
Figure pat00019
는 위치 I의 값을 나타내고,
Figure pat00020
는 i와 j 사이의 공간적 공동 가중치(co-weight)를 나타내며, n은 분규(complication)의 총 수를 나타낸다.
Moran's I 지수의 계산 결과는 표 3 및 도 6에 도시된 바와 같다.
화재 발생 연도와 FRP의 매개 변수에 대한 Moran's I index 값은 각각 0.830061과 0.904367이였으며, 화재 발생 연도와 FRP 변수가 군집 분포를 보이는 것을 알 수 있다.
도출된 Moran's I 지수의 계산 결과를 이용하여 산불 핫스팟 지역을 클러스터링하여 분석한 결과는 도 7에 도시된 바와 같다. 산불 발생 연도와 FRP 인자에 대한 Moran's I 지수 분석 결과 산불 핫스팟이 북서쪽 부분에 있고 나머지 지역은 콜드 스팟이며 일시적인 스팟으로 분석되었다.
또한, 산불 취약성 지도 생성 장치(100)는 산불 관련 인자들 중 일부에 대한 빈도비(FR)를 도출한다.
이해와 설명의 편의를 도모하기 위해 FR 모델에 대해 간략하게 설명하기로 한다.
산불과 산불 관련 인자의 관계는 산불이 발생 또는 산불이 발생하지 않은 지역과 산불 관련 인자로부터 추론된다. 이를 정량적으로 표현하기 위해 FR 모델이 사용된다.
FR은 각 산불 관련 인자의 클래스별 산불 발생 면적 비율을 각 산불 관련 인자의 클래스가 전체 면적에서 차지하는 비율로 나눈 것이다.
예를 들어, FR은 수학식 6을 이용하여 계산될 수 있다.
Figure pat00021
여기서,
Figure pat00022
는 해당 인자(x)의 i번째 클래스의 산불이 발생한 픽셀의 개수를 나타내고,
Figure pat00023
는
Figure pat00024
의 전체 픽셀 개수를 나타내며, m과 n은 카테고리의 개수와 기준의 전체 수를 나타낸다.
즉, FR은 각 인자의 산불 발생 면적 비율을 각 인자가 차지하는 비율로 나는 것으로, FR의 값이 1보다 크면 산불과 산불 영향 인자간의 높은 상관관계를 나타내며, 1보다 낮으면 낮은 상관 관계를 나타낸다.
10개의 산불 영향 인자를 각 클래스별로 나눈 후 FR값을 계산하였으며, 계산 결과는 도 8에 도시된 바와 같다.
도 8에서 보여지는 바와 같이, 산불 영향 인자와 산불 위치간의 공간적 관계에 대한 결과가 도시되어 있다.
고도의 결과 가장 높은 FR값은 2.81로 2600m 이상의 고도 클래스와 관련이 있음을 알 수 있다. 또한, 기울기의 경우, 최대 FR값은 1.67로 15 ~ 20도 클래스와 관련이 있는 것으로 나타났다. 경사면의 경우, 가장 높은 FR값은 1.23으로 남서 방향 클래스인 것으로 나타났다.
도로까지의 거리 인자의 경우 300 ~ 600m 클래스가 1.42로 FR값이 가장 높으며, 정착지(주거지)까지의 거리 인자의 경우 0 ~ 500m 클래스가 2.096으로 FR값이 가장 높게 나타났으며, 토양 타입 인자에서는 Entiso 그룹 클래스가 1.39로 FR값이 가장 높았다.
또한, 강우량의 경우 750mm 클래스에서 5.96으로 FR값이 가장 높으며, 온도의 경우 8도 클래스가 4.06으로 FR값이 가장 높았으며, 바람 영향 인자의 경우 1.2 보다 큰 클래스에서 FR값이 2.21로 가장 높았으며, 토지 이용 인자의 경우 산림(forest) 클래스가 FR값이 1.8로 가장 높은 것으로 나타났다.
단계 125에서 산불 취약성 지도 생성 장치(100)는 공간적 상관 관계 분석 결과를 기초로 산불 관련 인자에 대한 가중치를 상이하게 반영하여 공간 데이터베이스를 기초로 산불 취약성 추론 모델을 학습한다.
본 발명의 일 실시예에 따르면, 산불 취약성 추론 모델은 적응형 뉴런-퍼지(ANFIS) 추론 모델 및 방사형 기저 함수 기반 앙상블 모델 중 적어도 하나일 수 있다.
ANFIS는 내림차순 기울기 및 최소 자승 기법과 함께 활용되었다. 최소 자승법은 매개변수를 최적화하는 데 효과적이며 선행 매개변수는 ANFIS 추론 모델의 모델링에서 매우 중요하다. 종래의 방법은 기울기 계산의 높은 복잡성과 출력에서 선행 매개변수의 비선형 존재로 인해 적절치 않다. 따라서, 본 발명의 일 실시예에서는 적응형 뉴런-퍼지(ANFIS) 추론 모델을 학습시킴에 있어, 유전자 알고리즘(GA: genetic algorithm)과 시뮬레이트된 어닐링 알고리즘(SA: simulated annealing algorithm)를 결합하여 정확도를 높였다.
GA 알고리즘은 진화론을 기반으로 하며, 최초이자 가장 유명한 메타휴리스틱 알고리즘 중 하나이다. GA 알고리즘의 기본은 각 답변 세트를 염색체라고 하는 이진 인코더로 변환하는 것이다. GA 알고리즘의 각 염색체는 검색 공간 위치와 문제에 대한 가능한 솔루션을 나타낸다. GA 알고리즘은 모집단이라고 하는 오리지날 무작위 대안 세트의 생성으로 시작된다. GA 알고리즘의 반복은 세대라고 하는 새로운 염색체 세트를 생성하며, 염색체의 양은 각 세대에 걸친 적합도 함수에 의해 결정된다. 번식 과정은 융합 및 돌연변이를 포함하는 유전 연산자가 염색체에 적용된다. 적합도 함수는 각 염색체를 평가하고 유전 연산자는 이를 선택하며, 최적의 염색체를 선택하여 문제에 대한 최적 솔루션을 다음 세대로 전달한다.
SA 알고리즘은 원래 솔루션으로 시작하여 반복 루프에서 인접 솔루션으로 이동한다. 이웃의 답이 원래의 답보다 나으면 SA 알고리즘은 그것을 원래의 답으로 설정하고 좋지 않으면 원래의 알고리즘은 원래의 답을 우도와 함께 받아들인다. 온도가 점차 낮아지면서 각 온도에서 여러 번 반복된다. 초기 단계는 더 나쁜 반응을 수용하기 위해 온도를 설정하고, 온도가 점진적으로 감소함에 따라 최종 단계에서 더 나쁜 솔루션을 수용할 가능성이 줄어들어 알고리즘이 좋은 솔루션으로 수렴된다.
본 발명의 일 실시예에서는 이러한 GA 알고리즘과 SA 알고리즘을 결합한 결합 알고리즘을 이용하여 산불 취약성 추론 모델을 학습할 수 있다.
본 발명의 일 실시예에 따르면, 산불 취약성 추론 모델의 초기 모델은 GA 알고리즘으로 구성 및 학습될 수 있다. GA 알고리즘의 종료 조건에 도달시 SA 알고리즘을 적용하여 산불 취약성 추론 모델이 학습될 수 있다.
여기서, GA 알고리즘의 종료 조건은 5세대 동안 발견된 최상의 염색체가 변하지 않거나 GA 알고리즘의 종료 조건의 절반인 GA 알고리즘을 10회 반복하면 SA 알고리즘이 활성화되며 산불 취약성 추론 모델이 학습될 수 있다.
이를 위해 GA 알고리즘에 대한 최상의 솔루션이 SA 알고리즘에 대한 첫번째 솔루션으로 선택되어 나머지 계산이 수행될 수 있다.
GA 알고리즘과 SA 알고리즘의 동작은 다음과 같다.
1단계 - 원래의 염색체 집단이 선택된다.
2단계 - 현재 세대는 돌연변이 및 통합 연산자를 사용하여 증가된다.
3단계―최상의 염색체가 5회의 연속 반복에서 발견되지 않거나 반복이 종료 조건의 절반인 10회 이상 반복된 경우 최상의 현재 염색체가 SA 알고리즘에 대한 입력으로 간주된다.
4단계 - SA 알고리즘을 사용하여 ANFIS를 트레이닝한다.
GA 알고리즘과 SA 알고리즘을 결합한 결합 알고리즘에서 ANFIS를 훈련시키기 위한 목적함수는 수학식 7 및 수학식 8과 같다.
Figure pat00025
Figure pat00026
여기서, t는 타겟 데이터를 나타내고, y는 입력 데이터를 나타낸다.
적응형 뉴런-퍼지(ANFIS) 추론 모델의 GA 알고리즘 및 SA 알고리즘에서 사용된 파라미터는 표 5와 같으며, 결합 알고리즘에 의한 목적 함수의 수렴 결과는 도 9에 도시된 바와 같다.
[표 5]
Figure pat00027
적응형 뉴런-퍼지(ANFIS) 추론 모델에 대한 결합 알고리즘을 기반으로 훈련 데이터로 값이 1인 화재 위치와 값이 0인 비화재 위치를 무작위로 할당하였다.
훈련 데이터에 대한 결합 알고리즘의 RMSE, MSE 및 MAE 매개변수의 결과는 각각 0.2672, 0.0713 및 0.1735이고, 검증 데이터에 대한 결합 알고리즘의 RMSE, MSE 및 MAE 매개변수의 결과는 각각 0.4286, 0.1837 및 0.2963로 나타났다.
결합 알고리즘의 목적 함수에 대한 수렴 결과는 도 9에 도시된 바와 같으며, 도 10은 학습 데이터와 테스트 데이터에 대한 결합 알고리즘의 성능을 나타낸다.
결합 알고리즘으로 적응형 뉴런-퍼지(ANFIS) 추론 모델의 네트워크를 학습시킨 후 산불 취약성 지도를 생성하였다. 산불 취약성 지도는 매우 낮음, 낮음, 중간, 높음 및 매우 높은 위험 분류로 분할되는 것을 알 수 있다(도 11 참조).
다른 예를 들어, 산불 취약성 추론 모델은 방사형 기저 함수 기반 앙상블 모델이며, 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습될 수 있다.
방사형 기저 함수 기반 앙상블 모델에 대해 간략하게 설명하면 다음과 같다.
방사형 기저 함수 기반 앙상블 모델은 모델링 과정에서 시간이 많이 소요될 때 사용되는 스플라인 보간 방법이다. 신경망 기반 예측 방법과 달리 이 모델은 훨씬 낮은 계산과 높은 정확도로 함수 추정을 제공한다. 방사형 기저 함수 기반 앙상블 모델은 기준점을 적용하여 샘플의 새 위치에서 새 값을 추정할 수 있다.
예를 들어, 방사형 기저 함수 기반 앙상블 모델은 데이터의 합을 기반으로 수학식 9와 같이 보간 함수를 계산할 수 있다.
Figure pat00028
여기서,
Figure pat00029
는 두 지점의 유클리드 거리를 나타내고,
Figure pat00030
는 가중치를 나타내고,
Figure pat00031
는 방사 기저 함수를 나타낸다.
본 발명의 일 실시예에 따르면 방사형 기저 함수 기반 앙상블 모델은 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습될 수 있다.
우선, 본 발명은 산불 관련 인자를 연속 데이터 범주와 이산 데이터 범주로 분류한다. 예를 들어, 연속 데이터 범주는 경사각, 고도, 경사면, 온도, 바람의 영향, 강우량, 도로까지의 거리, 정착지까지의 거리 인자들이 포함되며, 이산 데이터 범주는 토양 및 토지 사용 인자들이 포함될 수 있다.
이와 같이 산불 관련 인자를 연속 데이터 범주와 이산 데이터 범주로 구분한 후 이산 데이터 범주의 경우 FR 모델의 가중치를 사용하여 학습하며, 연속 데이터 범주는 해당 인자의 중간값을 가중치로 할당한 후 방사형 기저 함수 기반 앙상블 모델을 사용하여 모든 값에 대한 가중치를 계산한다.
본 발명의 일 실시예에 따르면, 방사형 기저 함수 기반 앙상블 모델의 보간법은 각 산불 관련 인자의 각 클래스 중심을 트레이닝 데이터로 간조하구 트레이닝 데이터에 따라 목적 함수를 최적화하도록 학습될 수 있다. 전술한 바와 같이, 방사형 기저 함수 기반 앙상블 모델은 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습될 수 있으며, 목적 함수는 수학식 10과 같이 계산될 수 있다.
Figure pat00032
여기서, m,
Figure pat00033
및
Figure pat00034
는 커널 함수의 중간과 가중치의 편차 및 계수를 나타낸다.
도 12는 앙상블 모델을 사용하여 각 산불 관련 인자에 대한 최적의 적합도를 보여준다. 도 12를 기준으로 가로축은 각 산불 관련 인자의 값이고 세로축은 FR의 값이다.
방사형 기저 함수 기반 앙상블 모델의 학습에 이용된 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)에 사용된 매개변수는 표 6과 같다.
Figure pat00035
학습된 방사형 기저 함수 기반 앙상블 모델에 의해 생성된 산불 취약성 지도는 도 13에 도시된 바와 같다.
단계 130에서 산불 취약성 지도 생성 장치(100)는 타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성한다. 이때, 산불 취약성 지도는 도 13에 도시된 바와 같이, 지리 정보와 연동되어 사용자 단말로 제공될 수 있다.
사용자 단말에 출력되는 산불 취약성 지도는 지리 정보(GIS)와 연동되어 사용자 위치 또는 사용자가 선택한 타겟 위치에 대한 산불 취약성 지도를 지리 정보(GIS)에 매핑하여 표시할 수 있다(도 14 참조).
또한, 이미 전술한 바와 같이, 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 장치(100)는 산불 취약성 추론 모델을 통해 산불 취약성 지도를 생성함에 있어, GA 알고리즘과 SA 알고리즘이 결합된 결합 알고리즘에 의해 학습된 적응형 뉴런-퍼지(ANFIS) 추론 모델과 경험적 경쟁 알고리즘에 의해 학습된 방사형 기저 함수 기반 앙상블 모델 각각에 대해 산불 취약성 지도를 생성할 수 있다.
따라서, 학습된 적응형 뉴런-퍼지(ANFIS) 추론 모델과 학습된 방사형 기저 함수 기반 앙상블 모델 각각에 의해 생성된 산불 취약성 지도가 모두 표시되거나 사용자에 의해 어느 하나가 선택적으로 표시되도록 사용자 단말을 통해 인터페이스를 제공할 수도 있다.
본 발명의 일 실시예에서는 ROC 곡선을 이용하여 산불 취약성 지도(FFSM)을 평가하기 위해, 79개의 산불 발생위치(값이 1)와 79개의 임의의 지점(값이 0)이 사용되었다. 도 14 및 표 7은 ROC-AUC에 대한 결과를 보여준다. 결과에 따르면, 결합 알고리즘이 적용된 학습된 적응형 뉴런-퍼지(ANFIS) 추론 모델과 경험적 경쟁 알고리즘이 적용된 방사형 기저 함수 기반 앙상블 모델의 정확도는 각각 0.903과 0.878이다.
[표 7]
Figure pat00036
표 8은 결합 알고리즘이 적용된 학습된 적응형 뉴런-퍼지(ANFIS) 추론 모델의 RMSE 및 MAE 매개변수에 대한 결과를 보여준다. 그 결과 훈련 데이터와 테스트 데이터에 대한 RMSE와 MAE 매개변수 값은 각각 0.267, 0.173, 0.428, 0.296이였다.
[표 8]
Figure pat00037
도 16은 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 장치의 내부 구성을 개략적으로 도시한 블록도이다.
도 16을 참조하면, 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 장치(100)는 통신부(1610), 데이터 구성부(1615), 공간 상황관계 분석부(1620), 학습부(1625), 산불 취약성 지도 생성부(1630), 메모리(1635) 및 프로세서(1640)를 포함하여 구성된다.
통신부(1610)는 통신망을 통해 다른 장치(예를 들어, 사용자 단말 등)과 데이터를 송수신하기 위한 수단이다.
데이터 구성부(1615)는 공간 데이터베이스를 구축하기 위한 수단이다. 이는 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
공간 상황관계 분석부(1620)는 공간 데이터베이스를 기초로 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하고, 이를 이용하여 공간적 상관관계를 분석하기 위한 수단이다.
이는 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
학습부(1625)는 공간적 상관 관계 분석 결과를 기초로 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키기 위한 수단이다.
산불 취약성 추론 모델은 이미 전술한 바와 같이, GA 알고리즘과 SA 알고리즘을 결합한 결합 알고리즘에 의해 학습되는 적응형 뉴로-퍼지(ANFIS) 추론 모델과 경험적 경쟁 알고리즘을 이용하여 학습되는 방사형 기저 함수 기반 앙상블 모델일 수 있다.
산불 취약성 추론 모델은 적응형 뉴로-퍼지 추론 모델과 방사형 기저 함수 기반 앙상블 모델 각각을 이용하여 타겟 지역에 대한 산불 취약성 지도를 각각 생성할 수 있다.
이는 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
메모리(135)는 본 발명의 일 실시예에 따른 인공 지능을 이용한 산불 취약성 지도 생성 방법을 수행하기 위한 명령어를 저장하기 위한 수단이다.
프로세서(1640)는 본 발명의 일 실시예에 따른 산불 취약성 지도 생성 장치(100)의 내부 구성 요소들(예를 들어, 통신부(1610), 데이터 구성부(1615), 공간 상황관계 분석부(1620), 학습부(1625), 산불 취약성 지도 생성부(1630), 메모리(1635) 등)을 제어하기 위한 수단이다.
본 발명의 실시 예에 따른 장치 및 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 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(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.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 산불 취약성 지도 생성 장치
1610: 통신부
1615: 데이터 구성부
1620: 공간 상관관계 분석부
1625: 학습부
1630: 산불 취약성 지도 생성부
1635: 메모리
1640: 프로세서

Claims (12)

  1. (a) 공간 데이터베이스를 구축하는 단계-상기 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함함;
    (b) 상기 공간 데이터베이스를 기초로 상기 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하여 공간적 상관 관계를 분석하는 단계;
    (c) 상기 공간적 상관 관계 분석 결과를 기초로 상기 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키는 단계; 및
    (d) 타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성하는 단계를 포함하는 산불 취약성 지도 생성 방법.
  2. 제1 항에 있어서,
    상기 추론 모델은 적응형 뉴런-퍼지(ANFIS) 추론 모델이되, 유전자 알고리즘(GA: genetic algorithm)과 시뮬레이트된 어닐링 알고리즘(SA: simulated annealing algorithm)을 이용하여 학습되되,
    상기 공간 데이터베이스 중 일부 트레이닝 데이터를 기반으로 상기 유전자 알고리즘으로 상기 적응형 뉴로-퍼지 추론 모델이 초기 학습되되, 상기 유전자 알고리즘의 종료 조건 도달시 상기 시뮬레이트된 어닐링 알고리즘이 활성화되어 상기 적응형 뉴로-퍼지 추론 모델이 추가적으로 학습되는 것을 특징으로 하는 산불 취약성 지도 생성 방법.
  3. 제1 항에 있어서,
    상기 산불 관련 인자는 산불 발생 연도, 산불방사열에너지((FRP: fire radiative power), 고도, 경사각 및 경사면, 도로까지의 거리, 토지 이용, 주거지까지의 거리, 강우량, 온도, 바람 속도, 바람 방향 및 토양 타입 중 적어도 복수인 것을 특징으로 하는 산불 취약성 지도 생성 방법.
  4. 제1 항에 있어서,
    상기 추론 모델은 방사형 기저 함수 기반 앙상블 모델이되, 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습되는 것을 특징으로 하는 산불 취약성 지도 생성 방법.
  5. 제4 항에 있어서,
    상기 산불 관련 인자는 연속 데이터 범주와 이산 데이터 범주로 구분되되,
    상기 연속 데이터 범주와 상기 이산 데이터 범주는 서로 상이한 방법으로 가중치가 할당되되,
    상기 이산 데이터 범주는 상기 빈도비를 이용하여 가중치가 할당되며, 상기 연속 데이터 범주는 해당하는 범주의 중간으로 할당된 후 상기 방사형 기저 함수 기반 앙상블 모델을 사용하여 상기 연속 데이터 범주에 해당하는 산불 관련 인자의 모든 값에 대한 가중치가 계산되는 것을 특징으로 하는 산불 취약성 지도 생성 방법.
  6. 제1 항에 있어서,
    상기 산불 취약성 지도는 지리 정보(GIS)와 연동되어 사용자 단말을 통해 출력되는 것을 특징으로 하는 산불 취약성 지도 생성 방법.
  7. 제1 항 내지 제6 항 중 어느 하나의 항에 따른 방법을 수행하기 위한 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체.
  8. 공간 데이터베이스를 구축하는 데이터 구성부-상기 공간 데이터베이스는 산불 데이터와 산불 관련 인자를 포함함;
    상기 공간 데이터베이스를 기초로 상기 산불 관련 인자에 대한 반변이도값, Moran's I 지수값 및 빈도비(FR)를 각각 도출하여 공간적 상관 관계를 분석하는 공간 상관관계 분석부;
    상기 공간적 상관 관계 분석 결과를 기초로 상기 공간 데이터베이스를 이용하여 상기 산불 관련 인자에 대한 가중치를 상이하게 반영하여 산불 취약성 추론 모델을 학습시키는 학습부; 및
    타겟 지역에 대한 데이터를 상기 학습된 산불 취약성 추론 모델에 적용하여 상기 타겟 지역에 대한 산불 취약성 지도를 생성하는 취약성 지도 생성부를 포함하는 산불 취약성 지도 생성 장치.
  9. 제8 항에 있어서,
    상기 추론 모델은 적응형 뉴로-퍼지(ANFIS) 추론 모델이되, 유전자 알고리즘(GA: genetic algorithm)과 시뮬레이트된 어닐링 알고리즘(SA: simulated annealing algorithm)을 이용하여 학습되되,
    상기 공간 데이터베이스 중 일부 트레이닝 데이터를 기반으로 상기 유전자 알고리즘으로 상기 적응형 뉴로-퍼지 추론 모델이 초기 학습되되, 상기 유전자 알고리즘의 종료 조건 도달시 상기 시뮬레이트된 어닐링 알고리즘이 활성화되어 상기 적응형 뉴로-퍼지 추론 모델이 추가적으로 학습되는 것을 특징으로 하는 산불 취약성 지도 생성 장치.
  10. 제8 항에 있어서,
    상기 추론 모델은 방사형 기저 함수 기반 앙상블 모델이되, 경험적 경쟁 알고리즘(ICA: imperialist competitive algorithm)을 이용하여 학습되는 것을 특징으로 하는 산불 취약성 지도 생성 장치.
  11. 제10 항에 있어서,
    상기 산불 관련 인자는 연속 데이터 범주와 이산 데이터 범주로 구분되되,
    상기 연속 데이터 범주와 상기 이산 데이터 범주는 서로 상이한 방법으로 가중치가 할당되되,
    상기 이산 데이터 범주는 상기 빈도비를 이용하여 가중치가 할당되며, 상기 연속 데이터 범주는 해당하는 범주의 중간으로 할당된 후 상기 방사형 기저 함수 기반 앙상블 모델을 사용하여 상기 연속 데이터 범주에 해당하는 산불 관련 인자의 모든 값에 대한 가중치가 계산되는 것을 특징으로 하는 산불 취약성 지도 생성 장치.
  12. 제8 항에 있어서,
    상기 산불 취약성 지도는 지리 정보(GIS)와 연동되어 사용자 단말을 통해 출력되는 것을 특징으로 하는 산불 취약성 지도 생성 장치.

KR1020210118098A 2020-12-29 2021-09-06 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 KR20220095092A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200186121 2020-12-29
KR20200186121 2020-12-29

Publications (1)

Publication Number Publication Date
KR20220095092A true KR20220095092A (ko) 2022-07-06

Family

ID=82400028

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210118098A KR20220095092A (ko) 2020-12-29 2021-09-06 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR20220095092A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077897A (zh) * 2023-09-21 2023-11-17 四川省华地建设工程有限责任公司 一种地震灾害破坏推演方法及系统
CN117689520A (zh) * 2024-02-01 2024-03-12 青岛山科智汇信息科技有限公司 一种草原火灾灭火弹覆盖能力评估方法、介质及系统
WO2024090664A1 (ko) * 2022-10-25 2024-05-02 연세대학교 산학협력단 노브 벡터 표현을 이용한 데이터베이스의 최적화 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090664A1 (ko) * 2022-10-25 2024-05-02 연세대학교 산학협력단 노브 벡터 표현을 이용한 데이터베이스의 최적화 방법
CN117077897A (zh) * 2023-09-21 2023-11-17 四川省华地建设工程有限责任公司 一种地震灾害破坏推演方法及系统
CN117077897B (zh) * 2023-09-21 2024-03-19 四川省华地建设工程有限责任公司 一种地震灾害破坏推演方法及系统
CN117689520A (zh) * 2024-02-01 2024-03-12 青岛山科智汇信息科技有限公司 一种草原火灾灭火弹覆盖能力评估方法、介质及系统
CN117689520B (zh) * 2024-02-01 2024-05-10 青岛山科智汇信息科技有限公司 一种草原火灾灭火弹覆盖能力评估方法、介质及系统

Similar Documents

Publication Publication Date Title
Mustafa et al. Coupling agent-based, cellular automata and logistic regression into a hybrid urban expansion model (HUEM)
Feng et al. Modeling urban growth with GIS based cellular automata and least squares SVM rules: a case study in Qingpu–Songjiang area of Shanghai, China
KR20220095092A (ko) 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치
Kodysh et al. Methodology for estimating solar potential on multiple building rooftops for photovoltaic systems
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
US7801842B2 (en) Method and system for spatial behavior modification based on geospatial modeling
CA2561939C (en) Method and system for forecasting events and results based on geospatial modeling
Ozgoren et al. Estimation of global solar radiation using ANN over Turkey
Dlamini A Bayesian belief network analysis of factors influencing wildfire occurrence in Swaziland
US7571146B2 (en) Event, threat and result change detection system and method
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
US7917458B2 (en) Temporal-influenced geospatial modeling system and method
Stojanova et al. Estimating the risk of fire outbreaks in the natural environment
CN113496310A (zh) 基于深度学习模型的大气污染物预测方法和系统
Amirabadizadeh et al. Downscaling daily precipitation and temperatures over the Langat River Basin in Malaysia: a comparison of two statistical downscaling approaches
Feng et al. Urban expansion simulation and scenario prediction using cellular automata: comparison between individual and multiple influencing factors
KR102454007B1 (ko) 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법
Chang et al. Development of fine-scale spatiotemporal temperature forecast model with urban climatology and geomorphometry in Hong Kong
Mushore et al. Estimating urban LST using multiple remotely sensed spectral indices and elevation retrievals
Değermenci Spatio-temporal change analysis and prediction of land use and land cover changes using CA-ANN model
Jaafari et al. Anthropogenic activities amplify wildfire occurrence in the Zagros eco-region of western Iran
CN117173593A (zh) 基于遥感地物分布感知的火势蔓延推演方法、介质及设备
Fallah-Ghalhary et al. Spring rainfall prediction based on remote linkage controlling using adaptive neuro-fuzzy inference system (ANFIS)
Pijanowski et al. Evaluating error propagation in coupled land–atmosphere models
Rana et al. Quantifying the effects of urban land forms on land surface temperature and modelling the spatial variation using machine learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal