풍수해 예측을 위한 신경망 모델 (Neural Network Model for Prediction of Damage Cost from Storm and Flood)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 : 소프트웨어 및 응용 / 38권 / 3호 / 115 ~ 123페이지
· 저자명 : 최선화

초록

국지성 호우 및 대규모 태풍과 같은 풍수해는 우리나라에 가장 많은 피해를 유발하는 재해로 기후온난화를 통해 그 피해가 더욱 가속화되고 있다. 따라서 풍수해 발생가능성을 미리 예측하여 선제적으로 대응하기 위한 노력과 연구가 필요하다. 재난･재해의 위험성 분석 방법은 주로 확률･통계기법에 기반한 수식모델 연구가 주류를 이루었으나, 본 논문에서는 경험적 패턴인식에 탁월한 성능을 가진 신경망 알고리즘을 활용하여 풍수해 예측모델을 생성하였다. 1991년부터 2005년 사이에 우리나라에서 발생한 풍수해 자료와 기상개황 자료를 이용하여 우리나라 232개 행정구역에 대하여 누적강우량과 최대풍속, 재해사상 발생 5일 이내의 선행강우량, 그리고 지역의 풍수해 발생 영향요인이 되는 특징을 정의하여 입력변수로 하고 총 피해액을 출력변수로 하였다. 학습, 검증, 평가 데이터는 6:3:1로 랜덤 분할･생성하여 각각 5세트로 생성하고 모델마다 학습, 검증, 그리고 평가를 5번 반복 수행하였다. 풍수해 예측을 위한 최적의 모델을 찾기 위해 신경망의 초기 가중치, 은닉층의 노드수, 모멘텀, 학습률을 다양하게 변화시켜 약 8천여개 모델을 학습하였으며 검증 데이터를 이용하여 모델의 정확도(accuracy)와 ROC(Receiver Operating Characteristic) 공간상의 TPR(True Positive Rate)과 FPR(False Positive Rate)의 분포로 최적모델 후보들을 선택하였다. 후보모델들을 평가 데이터에 적용하여 정확도와 TPR, FPR을 비교하여 풍수해 예측을 위한 최적모델을 결정하였다.

영어초록

Storm and flood such as torrential rains and major typhoons has often caused damages on a large scale in Korea and damages from storm and flood have been increasing by climate change and warming. Therefore, it is an essential work to maneuver preemptively against risks and damages from storm and flood by predicting the possibility and scale of the disaster. Generally the research on numerical model based on statistical methods for analyzing and predicting disaster risks and damages has been mainstreamed. In this paper, we developed the model for prediction of damage cost from storm and flood by the neural network algorithm which outstandingly implements the pattern recognition. Using the damage data of storm and flood and meteorological data from 1991 to 2005 in Korea, we made data sets and defined the accumulated rainfall, the maximum wind speed, the antecedent rainfall within 5 days before being disasters, and the regional feature representing the influence factors on the outbreak of damages from storm and flood as input variables for learning the model. Also we defined the total amount of damages as an output variable. Creation of a holdout which was created by randomly partitioning into train, validation, and test data in the ratio of 6:3:1 respectively was repeatedly processed by 5 times. For finding the optimal model, first of all, we learned about 8,000 models initialized by combinations of the architectures: initial weight and the number of nodes in a hidden layer, and learning parameters: momentum and learning rate of a neural network model. Next, we selected the candidate models for an optimal model among the learned models according to the accuracy and TPR and FPR on ROC graph. Finally, we decided the optimal model for predicting damage cost from storm and flood among the candidate models according to the accuracy and TPR and FPR on ROC graph obtained using test data.

참고자료

· 없음