• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.37 no.5
• /
• pp.927-940
• /
• 2017

Landslide has been a major disaster in Indonesia, and recent climate change and indiscriminate urban development around the mountains have increased landslide risks. Java Island, Indonesia, where more than half of Indonesia's population lives, is experiencing a great deal of damage due to frequent landslides. However, even in such a dangerous situation, the number of inhabitants residing in the landslide-prone area increases year by year, and it is necessary to develop a technique for analyzing landslide-hazardous and vulnerable areas. In this regard, this study aims to evaluate landslide susceptibility of Java, an island of Indonesia, by using GIS-based spatial prediction models. We constructed the geospatial database such as landslide locations, topography, hydrology, soil type, and land cover over the study area and created spatial prediction models by applying Weight of Evidence (WoE), decision trees algorithm and artificial neural network. The three models showed prediction accuracy of 66.95%, 67.04%, and 69.67%, respectively. The results of the study are expected to be useful for prevention of landslide damage for the future and landslide disaster management policies in Indonesia.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.295-296
• /
• 2022

자율운항선박은 선원의 항해 조작 없이 선박 스스로 운항하는 선박을 의미한다. 자율운항선박의 운항 시 충돌 및 사고 위험도가 큰 지역은 운항 중 선박을 많이 조우하게 되는 항 내 및 연안 지역이다. 실제로 충돌사고의 85% 이상이 항 내 및 연안 지역에서 발생한다. 따라서 자율운항선의 운항 안전성 확보를 위해 항 내 및 연안 지역에서의 운항 안전성을 검토하는 것은 미래 자율운항선 항 내 운용 체계에서 중요한 역할을 하게 된다. 대양에서는 선박 자체의 운항성능이 중요하지만, 항구 입출항 시에는 타선 및 터미널등과의 상호작용이 자율운항선의 입출항 안전성과 직결된다. 따라서 본 연구에서는 자율운항선이 항구 근처에 접근하여 입출항을 위해 대기하고 있는 경우에 입출항 결정을 내릴 수 있는 결정 알고리즘을 위한 해상혼잡도를 예측하는 알고리즘을 개발하는 과정을 소개한다. 혼잡 예측 알고리즘 개발을 위해 선박의 AIS통항 데이터를 분석하여 주요 항로를 구분하고 주요 항로의 이용 빈도 및 운항 시점의 선박 집중도 및 충돌위험 상황을 파라미터로 하여 특정 시간이 지난 후의 혼잡도를 예측하는 시스템을 개발하고자 한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2023.05a
• /
• pp.81-83
• /
• 2023

자율운항선박은 선원의 항해 조작 없이 선박 스스로 운항하는 선박을 의미한다. 자율운항선박의 운항 시 충돌 및 사고 위험도가 큰 지역은 운항 중 선박을 많이 조우하게 되는 항 내 및 연안 지역이다. 실제로 충돌사고의 85% 이상이 항 내 및 연안 지역에서 발생한다. 따라서 자율운항선의 운항 안전성 확보를 위해 항 내 및 연안 지역에서의 운항 안전성을 검토하는 것은 미래 자율운항선 항 내 운용 체계에서 중요한 역할을 하게 된다. 대양에서는 선박 자체의 운항성능이 중요하지만, 항구 입출항 시에는 타선 및 터미널등과의 상호작용이 자율운항선의 입출항 안전성과 직결된다. 따라서 본 연구에서는 자율운항선이 항구 근처에 접근하여 입출항을 위해 대기하고 있는 경우에 입출항 결정을 내릴 수 있는 결정 알고리즘을 위한 해상혼잡도를 예측하는 알고리즘을 개발하는 과정을 소개한다. 혼잡 예측 알고리즘 개발을 위해 선박의 AIS통항데이터를 분석하여 주요 항로를 구분하고 주요 항로의 이용 빈도 및 운항 시점의 선박 집중도 및 충돌위험 상황을 파라미터로 하여 현재 시점부터 2주후 미래까지의 항로 혼잡도를 예측하고, 정확도를 제시한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.01a
• /
• pp.11-12
• /
• 2022

이 연구는 대기오염과 미세먼지의 각 성분이 질환에 미치는 영향에 대한 데이터만 존재한다면 어떠한 질환이든 위험도 예측 결과를 알 수 있는 것에 의미가 있다. 또한 기존의 대기정보에 따른 정보를 예상하는데 필요한 데이터 종류와 수가 많았으며 계산의 복잡성이 높았고 정보의 제공 범위가 넓었다. 하지만 이 연구는 과거 대기 데이터와 딥러닝을 통해서 낮은 비용으로 더욱 자세하게 유해질환 위험도를 예측하는 시스템을 구축하였다. 이 연구에서 구축한 시스템은 예측 결과 88.9%의 정확도를 보였다. 이 시스템은 입력되는 데이터의 정보에 따라 세분화된 지역의 대기환경 정보 또한 파악 가능하며 그 과정이 매우 간편하고 유용하다. 이 시스템은 공기질 예측을 위해 유용하게 사용될 수 있을 것이라고 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.215-215
• /
• 2011

우리나라 하천의 대부분은 산지에서 발원하며 전 국토의 약 67%가 산지하천 유역에 포함된다. 최근 기후변화로 인해 여름철 집중호우가 증가하고 있는 상황에서 강우의 예측이 어렵고 경사가 급한 산지하천 유역의 피해가 가중되고 있으며 돌발홍수나 산사태와 같은 산지재해 예방을 위한 대책 마련이 시급히 요구되고 있다. 산지하천유역에서 발생하는 재해를 예방하고 피해를 저감하기 위해서는 재해위험지역에 대한 선정 및 상시 모니터링 체계의 구축이 필요하며 본 연구에서는 격자기반의 산지하천 모니터링 시스템을 구축하여 강우상황과 예측정보, 이동상황을 모니터링 할 수 있는 시스템을 구축하였다. 산지하천 모니터링 시스템은 기상청 레이더 강우를 활용한 실시간 강우자료 및 강우예측자료(MAPLE) 표출, 분포형 수문모형과 연계한 유출분석 결과의 제공, AWS를 이용한 지점강우량 표출 등으로 구성된다. 또한, 지점자료 혹은 격자자료로 이원화되어 있는 기존 하천유역 모니터링 체계를 통합하여 사용자가 원하는 유역에 대한 기상자료의 모니터링과 위험지역에 설치된 지점관측정보를 연계 운영할 수 있도록 구현된 특징이 있다. 본 시스템은 현재 강원도 인제 내린천 유역을 대상으로 시험운영 중이며 격자기반의 강우모니터링과 토석류 현장모니터링 결과를 연계한 위험지 관리에 활용되고 있다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.50-50
• /
• 2017

도시홍수의 잠재적 위험은 홍수경감계획이 발전됨에 따라 감소하지만, 침수피해 가능성은 도시화와 도시 확장에 따라 증가한다. 침수피해 가능성에 대한 사전 파악 및 위험도 분석은 대규모 침수재해 발생 시의 위기관리에도 도움을 준다. 또한, 경제적 피해에 대한 예측은 재해발생 후 복구 및 복원 작업에 필요한 자원 할당에 매우 유용하며, 잠재적 홍수 피해에 대한 예측은 장기적인 홍수경감계획과 재해관리에 필요하다. 본 연구에서는 다차원 침수해석 모형의 결과로 산정 가능한 침수심, 유속 등의 지표들을 복합적으로 고려하여 침수위험도를 산정하고, 침수 발생 위험이 있는 지역의 인문 사회 경제적 지표를 통해 피해 저감 및 복구성을 반영하기 위한 재해 취약인자를 선정하여 해당 지역에 대한 취약도를 산정하였다. 또한, 분석된 위험도와 취약도의 연산으로 통합리스크 분석을 실시하여 침수 발생 시 해당지역에 대한 피해 예상과 지역별 상대평가가 가능하도록 하였다. 위험도와 취약도 및 리스크 분석은 다양한 인자를 동시에 고려하기 위해 여러 개의 기준에 대한 선호도를 결정하거나 최적 대안을 선택하는 다기준의사결정(MCDM)기법을 적용하였으며, MCDM기법 중 보편적으로 많이 이용되는 TOPSIS기법을 적용하였다. 이러한 리스크 분석은 우리나라 전체, 특정 시도, 시군구, 읍면동 간의 침수피해와 관련한 상대적 비교 평가가 가능하며, 대응 및 대비의 관점에서 저감 대책 수립의 우선 지역을 도출하는 데 활용될 수 있을 것이며, 침수피해 발생 후, 리스크가 큰 지역에 대해 우선적으로 복구 조치가 이뤄질 수 있을 것이다. 또한, 한정된 지자체 예산 안에서 도시홍수 피해 경감 대책 수립을 위한 의사결정에 활용될 수 있을 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2006.05a
• /
• pp.2001-2005
• /
• 2006

우리나라는 매년 집중호우로 인한 산사태로 인해 인적, 물질적 피해를 일으킨다. 반복적인 산사태의 피해를 방지 하기위해서는 산사태 예측 시스템이 필요하다. 본 연구에서는 안성시를 대상으로 GIS와 RS 자료를 활용하여 산사태 위험지를 분석하고자 Logistic 회귀분석 방법과 AHP 기법을 이용하였다. Logistic 회귀분석과 AHP 기법에는 6개의 인자(경사, 경사향, 고도, 토양배수, 토심, 토지이용)를 사용하여, 7등급으로 산사태 위험도를 분류하였다. Logistic 회귀분석 방법과 AHP 기법을 이용한 산사태 위험지도를 표본 자료와 비교하면 산사태가 발생한 표본에서 산사태 위험성이 높은(1-2등급)지역이 Logistic 회귀분석에서는 46.1% AHP 기법은 48.7%로 분류되어 AHP 기법이 분류도가 높다고 분석 되었다. 하지만 Logistic 회귀분석과 AHP 기법은 서로 분석 과정의 차이를 가지고 있기 때문에 Logistic 회귀분석과 AHP기법을 적용한 결과에 동일 가중치를 부여한 후 7개 등급으로 재분류(reclass)하여 산사태 위험지역을 추출 할 수 있는 방법론을 제시하였다. 그 결과 산사태가 발생한 표본에서 1-2등급지역이 58.9%로 분석되어 분류정확도를 높일 수 있었다.

• Proceedings of the Korea Air Pollution Research Association Conference
• /
• 1999.10a
• /
• pp.420-421
• /
• 1999

여천지역은 화학물질 누출사고 등 안전 사고 발생의 잠재적 위험이 높으나 (김영성 등, 1999), 복잡한 해안선의 여수 반도 해안지역에 산을 등지고 있어 해륙풍에 의한 일 변화와 지형 조건에 따른 국지 변화등 복잡한 형태의 바람장이 예상되는 지역이다. 이러한 지역에서의 확산현상은 환경영향평가에서 흔히 이용되고 있는 균일한 바람장 분포를 가정한 대기화산 예측과는 다른 결과를 보이며 (오현선, 김영성, 1999), 따라서 단순한 가우시안 플룸 모델을 이용한 확산 예측은 적용범위가 매우 제한적일 수밖에 없다.(중략)

• Journal of Korean Society of Disaster and Security
• /
• v.11 no.2
• /
• pp.1-8
• /
• 2018

Extreme climate phenomena are occurring around the world caused by global climate change. The heavy rains exceeds the previous record of highest rainfall. In particular, as flash floods generate heavy rainfall on the mountains over a relatively a short period of time, the likelihood of landslides increases. Gangwon region is especially suffered by landslide damages, because the most of the part is mountainous, steep, and having shallow soil. Therefore, in this study, is to predict the risk of disasters by applying topographic classification techniques and landslide risk prediction techniques to mountain watersheds. Classify the hazardous area by calculating the topographic position index (TPI) as a topographic classification technique. The SINMAP method, one of the earth rock predictors, was used to predict possible areas of a landslide. Using the SINMAP method, we predicted the area where the mountainous disaster can occur. As a result, the topographic classification technique classified more than 63% of the total watershed into open slope and upper slope. In the SINMAP analysis, about 58% of the total watershed was analyzed as a hazard area. Due to recent developments, measures to reduce mountain disasters are urgently needed. Stability measures should be established for hazard zone.

• Journal of Korea Water Resources Association
• /
• v.54 no.12
• /
• pp.1255-1263
• /
• 2021

While it could become an alternative water resource, fog could undermine traffic safety and operational performance of infrastructures. To reduce such adverse impacts, it is necessary to have spatially continuous fog risk information. In this work, tree-based machine-learning models were developed in order to quantify fog risks with routine meteorological observations alone. The Extreme Gradient Boosting (XGB), Light Gradient Boosting (LGB), and Random Forests (RF) were chosen for the regional fog models using operational weather and visibility observations within the Jeollabuk-do province. Results showed that RF seemed to show the most robust performance to categorize between fog and non-fog situations during the training and evaluation period of 2017-2019. While the LGB performed better than in predicting fog occurrences than the others, its false alarm ratio was the highest (0.695) among the three models. The predictability of the three models considerably declined when applying them for an independent period of 2020, potentially due to the distinctively enhanced air quality in the year under the global lockdown. Nonetheless, even in 2020, the three models were all able to produce fog risk information consistent with the spatial variation of observed fog occurrences. This work suggests that the tree-based machine learning models could be used as tools to find locations with relatively high fog risks.