Economic and Environmental Geology (자원환경지질)

The Korean Society of Economic and Environmental Geology (대한자원환경지질학회)
권호 표지

Weight Determination of Landslide Factors Using Artificial Neural Networks

인공신경 망을 이용한 산사태 발생요인의 가중치 결정

  • 류주형 (연세대학교 지구시스템과학과) ;
  • 이사로 (한국지질자원연구원 국가지질자원정보센터) ;
  • 원중선 (연세대학교 지구시스템과학과)
  • Published : 2002.02.01
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to determine the weights of the factors for landslide susceptibility analysis using artificial neural network. Landslide locations were identified from interpretation of aerial photographs, field survey data, and topography. The landslide-related factors such as topographic slope, topographic curvature, soil drainage, soil effective thickness, soil texture, wood age and wood diameter were extracted from the spatial database in study area, Yongin. Using these factors, the weights of neural networks were calculated by backpropagation training algorithm and were used to determine the weight of landslide factors. Therefore, by interpreting the weights after training, the weight of each landslide factor can be ranked based on its contribution to the classification. The highest weight is topographic slope that is 5.33 and topographic curvature and soil texture are 1 and 1.17, respectively. Weight determination using backprogpagation algorithms can be used for overlay analysis of GIS so the factor that have low weight can be excluded in future analysis to save computation time.

본 연구의 목적은 산사태 취약성 분석을 위하여 인공신경망을 이용하여 산사태 요인의 가중치를 결정하는 것이다. 산사태 발생 지역은 항공사진, 현장조사와 지형도 등으로부터 위치를 파악하였다. 용인 지역에 대해서 산사태에 영향을 주는 지형경사, 지형곡률, 토양배수, 토양 유효심도, 토양 종류, 식생 경급과 영급 등의 자료가 사용되었다. 이들 자료를 이용하여 인공신경망의 층간 가중치가 역전파 트레이닝 알고리즘에 의해 계산되었으며, 이는 산사태 요인의 가중치를 결정하는데 사용되었다. 죽, 트레이닝 후 층간 가중치를 해석하여 분류에 미치는 영향을 고려함으로서 각 산사태 요인의 가중치가 결정되게 된다. 가장 높은 값은 지형경사로서 5.33의 값을 나타냈으며 지형 곡률과 토질은 각각 1과 1.17로 낮은 값을 나타냈다. 역전파 알고리즘을 이용한 가중치 결정 방법은 분석에 중요하지 않은 요인을 제거함으로 계산시간을 단축시킬 수 있어 GIS를 이용한 중첩 분석 연구에 활용되 수 있다.

Keywords

References

  1. 지질공학회지 v.4 no.1 지질 피해 예상 및 절취 난이도 분석을 위한 GIS 응용연구 김윤종;김원영;유일현;이사로;민경덕
  2. 연세대학교 석사학위 논문 원격탐사와 GIS를 이용한 충주지역의 사면안정 평가 신현준
  3. 연세대학교 석사학위 논문 지리정보시스템(GIS)을 이용한 청주지역의 광역적 산사태 분석 연구 이사로
  4. 연세대학교 박사학위 논문 지리정보시스템(GIS)을 이용한 산사태 취약성 분석 기법 개발 및 적용 연구 이사로
  5. 자원환경지질학회지 v.33 no.4 인공신경망을 이용한 산사태 취약성 분석 이사로;류주형;민경덕;원중선
  6. 자원환경지질학회지 v.33 no.4 공간 데이터베이스를 이용한 1991년 용인지역 산사태 분석 이사로;민경덕
  7. 한국GIS학회지 v.6 no.1 GIS를 이용한 한국 동남부지역의 상대적 사면안정성 분류도 작성 한대석;이사로;김경수;최영섭;유일현
  8. Int. J. Remote Sensing v.18 Neural networks in remote sensing Atkinson, P.M.;Tatnall, A.R.L. https://doi.org/10.1080/014311697218700
  9. Proceedings of the seventh international symposium on landslides Landslide susceptibility numerical at the Messina Straits crossing site, Italy Baldelli, P.;Aleotti, P.;Polloni, G.
  10. IEEE, Trans. on Geoscience and Remote Sensing v.28 Neural network approaches versus statistical methods in classification of multisource remote sensing data Benediktsson, J.A.;Swain, P.H.;Ersoy, O.K. https://doi.org/10.1109/TGRS.1990.572944
  11. Fuzzy and Neural Approaches in Engineering Hines, J.W.
  12. Proceeding of IGARSS 2001(CD-ROM version) Development of two artificial neural network methods for landslide susceptibility analysis Lee, S;Ryu, J;Min, K.;Won, J.
  13. Int. J. Remote Sensing v.16 A review and analysis of backpropagation neural networks for classification of remotely sensed multi-spectral imagery Paola, J.D.;Schowengerdt, R.A. https://doi.org/10.1080/01431169508954607
  14. Canadian Journal of Remote Sensing v.20 Multisource image classification Ⅱ: an empirical comparison of evidential reasoning, linear discriminant analysis, and maximum likelihood algorithms for alpine land cover classification Peddle, D.R.;Foody, G.M.;Zhang, A.;Franklin, S.E.;Ledrew, E.F.
  15. Engineering Geology v.50 Proposal of a method to define areas of landslide hazard and application to an area of the Dolomites Turrini, C. M.;Visintainer, P. https://doi.org/10.1016/S0013-7952(98)00022-2
  16. IEEE, Trans.on Geoscience and Remote Sensing v.37 Verification of the nonparametric characteristics of backpropagation neural networks for image classification Zhou, W https://doi.org/10.1109/36.752193
  17. 개인서신 정창조