머신러닝을 이용한 침수 깊이와 위치예측 모델 개발

• 영문명: Development of Machine Learning-based Flood Depth and Location Prediction Model
• 발행기관: 한국전자통신학회
• 저자명: 강지욱 박종혁 한수희 김경준
• 간행물 정보: 『한국전자통신학회 논문지』제18권 제1호, 91~98쪽, 전체 8쪽
• 주제분류: 공학 > 전자/정보통신공학
• 파일형태: PDF
• 발행일자: 2023.02.28

국문 초록

최근 국지성 폭우로 인한 침수 피해가 빈번하게 발생함에 따라 침수 피해를 사전 예방하기 위한 침수 예측 연구가 진행되고 있다. 본 논문에서는 머신 러닝 기반으로 강우 데이터를 이용해 침수 깊이와 침수 위치를 예측하는 모델을 개발하는 방법을 연구한다. 실시간 강우량을 입력으로 사용하여 다양한 강우 분포 패턴에 강건하게 구성하고 적은 메모리로 모델을 학습시킬 수 있는 데이터 셋(set) 구성 방법을 제시하였다. 침수에 유의미한 영향을 미치는 valid total 데이터는 침수 위치는 잘 예측했지만 특정 강우 패턴에 대해 값이 다르게 나타나는 경향을 띠었다. 부분적이지만 침수에 영향을 미치는 영역을 valid local 이라 한다. valid local은 고정점 방법에 대해서는 잘 학습되었지만 임의점 방법에 대해서는 침수 위치를 정확하게 나타내지 못했다. 본 연구를 통해 실시간으로 침수 깊이와 위치를 예측할 수 있게 되어 많은 피해를 예방할 수 있을 것으로 예상된다.

영문 초록

With the increasing flood damage by frequently localized heavy rains, flood prediction research are being conducted to prevent flooding damage in advance. In this paper, we present a machine-learning scheme for developing a flooding depth and location prediction model using real-time rainfall data. This scheme proposes a dataset configuration method using the data as input, which can robustly configure various rainfall distribution patterns and train the model with less memory. These data are composed of two: valid total data and valid local. The one data that has a significant effect on flooding predicted the flooding location well but tended to have different values for predicting specific rainfall patterns. The other data that means the flood area partially affects flooding refers to valid local data. The valid local data was well learned for the fixed point method, but the flooding location was not accurately indicated for the arbitrary point method. Through this study, it is expected that a lot of damage can be prevented by predicting the depth and location of flooding in a real-time manner.

목차

Ⅰ. 서 론

Ⅱ. 데이터 학습방법

Ⅲ. 모델 학습 및 결과

Ⅳ. 결 론

References

키워드

머신 러닝 침수 예측 랜덤 포레스트 K-최근접 이웃 데이터셋 구축 Machine Learning Flood Prediction Random Forest KNN Dataset Construction