우수상기상 데이터를 이용한 산불 피해규모의 예측방법 연구 71 Ⅲ. 연구 과정 1. 데이터 수집 및 가공 1) 기상 관측 자료의 수집 및 가공

우수상

기상 데이터를 이용한 산불 피해규모의 예측방법 연구

상 용한 산 피해규모 법 연 67

상 용한 산 피해규모 측방법 연

안승 *

요 약 < >

연재해 생과 그 크 하는 것 재산 피해 미리 산 하고 그 ,

에 책 계 하는 큰 도움 다 본 연 는 상 용하여 우.

리나 산 특 시 에 피해규모 하는 모 안한다 안하는 모.

산 생 모 과 산 생했 는 피해규모 하,

는 산 피해규모 모 루어 다.

모 합 규 지스틱 귀 모 단 신경망 모 ,

근 각 고 는 다 신경망 모 용하 다 특 다 신경망 모 합 .

해 러닝 알고리즘 용하고 능 하 다 피해규모 (Deep-learning) .

모 역시 사한 법 용하고 능 하 다.

본 연 에 는 월 월 지 간 상 연 진행하 2003 1 2016 3

다 강 량 상 습도 도 등 상 용하 고 지역 요 . , , , ,

고 하 해 우리나 개 지역 나 어 모 합하 다 그 결과 많 20 .

지역에 모 결합하여 상시 특 지역 산 피해 규모 산 할

었고 는 새 운 산 험 지 사용할 것 다, .

주 어 산 생 산 피해규모 러닝: , , (Deep-learning)

울시립 학 통계학과 학사과 *

68 학원생 우 집

론. Ⅰ

연재해 생과 그 크 하는 것 재산 피해 미리 산 하고 그 ,

에 책 계 하는 큰 도움 다 우리나 는 토 산림 .

루어 에 많 연재해 산 특 그 생 험과 재산, ,

생태 피해가 크다 우리나 산 생 하여 그 피해 미리 산.

하는 것 매우 필요할 것 다 산 생 요 원 다. .

그러나 그것 산림과 재산에 피해 도 생에는 상 요 많 ,

향 것 다 시 등 산 생에 큰 향 주는 상 ( , 2004).

용하여 우리나 산 생 과 피해규모 하고 들 하는 모

연 한다 앞 모 합 통해 산 험 리에 실용 .

상 가 주어 산 피해규모 건 값 모 에 합하는 것 목

한다.

월 월 지 우리나 에 생한 산 에 한 보가 는 산 2003 1 2016 3

림청 산 생 통계 료 산 생 날짜 상 가 필요하므,

산 생 통계 료 시작 보다 월 월1 2002 1 2016 3

지 상청 상 료 연 에 용하 다 상 료 여러 상 보 .

나다 산 보 시스 요 하나 FWI*(Forest Fire Weather

지 계산하는 필요한 강 량 상 습도 도 등 산 생에 Index) , , ,

요한 향 미 것 단하여 앞 가지 상 보 택하 다4 (Van

연 에 사용 상 집에는 프 그램 웹 크 울링Wagner, 1987). R (Web

법 용하여 시간 단 상 집하 다 한 모 Crawling) 1 .

합에 지역 요 고 하 해 경도 용해 격 모양 우리나 ,

개 지역 나 어 모 합에 용하 다20 .

핀 드에 는 상 실 산 생 료에 하여 상 미

연료 지 변 하여 귀모 에 용하여 (Fine Fuel Moisture Code)

지역에 산 생 모 합에 한 연 가 다(Larjavaara et al,

우리나 에 도 산 생 모 에 한 다양한 연 들 진행 었다2004). .

등 경 지역 상 료 지스틱과 프 모 에 .(1996) ,

용시 산 생 모 합하 다 등 강원도 지역 상 . .(2009)

료 하고 용하여 미 연료 지 산출하여 그 연 포 지, ,

스틱 모 에 용시 모 합하고 그 용 검토하는 연 하 다.

그리고 과거 산 생 시계열 료 상 료 귀 모 에 용하여 역

지별 도별 산 생 모 합한 연 가 다 시 등 모( ) ( , 2004).

* 지 는 프랑스 상청과 나다 상청에 해 계산 는 산 생 험 추 값 다 FWI .


에 한 연 들 지스틱 는 귀 법 사용하 다.

본 연 에 는 산 생 모 합에 어 새 운 법 도

과 다양한 상 요 고 통해 우 한 능 가진 모 합 목

한다 해 산 생 간 강 량 상 습도 . 14 , , ,

등 다양한 상 요 들 용하 다 그리고 모 합 해 .

모 연 에 많 다루어지지 않 법 규 지스틱 귀

모 (Generalized Linear Model) 단 신경망 모 다 , (Neural Network)

신경망 모 등 용하 고 각각 능 (Multi-layered neural network) ,

하여 가장 우 한 모 안한다 모 연 에 는 프 그램 . R

키지에 공 는 함 들 용하 다'glmnet', 'nnet', 'h2o' .

나 알고리즘 등 모 SVM(Support Vector Machine) (Genetic Algorithm)

용해 산 생 피해 모 만든 연 들 다(Xiao, F.,

상학 요 들에 근거2012; Xie, D. W. et al., 2014). Qu, X. L. et al.(2007)

해 산 피해 하는 모 연 하 다 공신경망. Safi, Y. et al.(2013)

용하여 산 하는 모 안하 다 병(Artificial Neural Networks) .

등 동안 산 생건 연 에 해 시계열모.(2006) 1970 - 2005

추 한 연 하 다 그리고 지 산출에 필요한 가지 지 . FWI 4 * 지,

역변 가지 상 실 산 피해 등 상학 , 4

마 닝 법에 용하여 산 생하 산 피해(Data Mining) ,

하는 모 시한 연 가 다.(P. Cortez, et al., 2007).

본 연 에 는 산 피해 한 단계들 나 어 하고 산

생 간 상 용해 하는 모 안한다 본 연14 . ,

에 안하는 모 산 생하 는 산 피해규모 하는

모 다 산 피해규모 모 합 해 근 웃 알고리즘. k-

(k-Nearest Neighbor Classification) 다 신경망 모 등 용하 다 프 . R

그램 등 키지에 공 는 함 들 용하 다‘kknn', ‘h2o’ .

본 연 에 는 앞에 시한 모 합한 모 상

용해 산 생 피해규모 하는 모 안한다 모 산 생 .

동안 상 가 주어 산 피해규모 건 값 하14

는 모 다 특 산 피해규모 값 알 므 산 .

험 리 에 그 효용 매우 크다고 생각 다.

* FFMC(Fine Fuel Moisture Code), DMC(Duff Moisture Code), DC(Drought Code), ISI(Initial

지Spread Index)


본 우 연 에 사용 개하고 연 진행 과 개한다 연 , .

진행 과 가공 산 생 모 합 과 산 생했, ,

는 피해규모 모 합 과 그리고 본 목 상

가 주어 산 피해규모 모 합 과 어 다 그.

리고 결과 고찰 결 마 리한다, .

연 에 사용 개. Ⅱ

전 산 발생 통계 료1.

우리나 에 생한 산 에 한 는 산림청 공하는 산 생 통계

료 료 용하 다 산 생 통계 료 료에는 월. 2003 2016 3

지 개 산 생 보가 어 다 산 생 통계 료5476 .

에 산 에 한 보는 생 시 진 료시간 생장 생원 피해, , , ,

등 다 본 연 에 는 생 시 생장 피해 등 가지 산 (ha) . , , (ha) 3

보 실 산 사용하 다.

상청 상 측 료2.

재 상청 상 에 사용 는 상 개 는 개 다 본 연 에 는 93 .

들 개 상 에 상 료 상 용하 다 연 에 93 .

사용 산 생 통계 료가 었고 그 상 가 2003

필요하므 월 집하 다 그리고 산 생 통계2002 1 1 .

료 마지막 월 므 상 료 한 월 2016 3 31 2016 3 31

지 집하 다.

집 매 날짜 시간 단 집하 다 상 보는 강 량 상 1 . (mm),

습도 들 사용하 다 집 상청 료 (%), ( ), (m/s) . ℃

공 페 지 상 웹 크 울링 법 사용하여 집하 다(Web Crawling) .


연 과정. Ⅲ

수집 및 가공1.

상 측 료 수집 및 가공 1)

상 료는 시간 단 집하 므 각 별 강 량 상 습도 1 , , ,

에 한 개씩 가 다 각 별 개 상 가 다 강24 . , 96 .

한 과 낮 습도는 산 에 큰 향 미 는 요 므 등( ,

산 생 마다 각 상 보 개 에 해 강 량 평균값 상 습2014) 24 ,

도 솟값 값 값 계산하여 평균 강 량 상 습도, , , ,

고 고 연 에 사용할 상 요 택하 다 앞 과 통해 , .

상 료 각 별 평균 강 량 상 습도 고 고 , , , 4

개 상 가 는 료 가공하 다.

경도 용한 가공 2) ,

산 생 통계 료 각 산 생 개 상 93

에 공하는 용해 각 경도 값 한다API geocode , .

본 연 에 는 지역 요 고 하 해 개 지역 나 었다 .

행 단 지역 나 지 않고 가 운 지역 슷한 지역 ,

향 것 므 경도에 격 모양 개 지역 나 었다, 20 (Cortez

주도는 산 생 도가 매우 어 지역 과 연 상 지역et al. 2007).

에 하 다 개 지역 그림 에 시 어 다 그리고 개 지역. 20 < 1> . 20

쪽 지역 차 붙 다1~20 .

다 각 개 지역마다 지역 하는 새 운 상 료 가공한다 20 .

우 주도에 한 개 상 하고 나 지 상 들 경도 용4 ,

하여 앞에 나 개 지역 경도 에 상 마다 하는 지역 20

붙 다 각 지역마다 개에 개 도 상 가 하게 다 여러 개 . 3 5 .

상 상 료 하나 료 통합하는 과 한다 상 상 .

료 가지 상 값들에 해 평균값 값 솟값 택하는 가지 4 , , 3

법 한 지역에 하는 상 들 상 료 각 별 개 상 4

가 는 하나 상 료 가공하여 통합한다 모 합 한 .

사용에 상 사용하 하 다 월 14 . 2003 1 1

월 지 각 마다 통합 상 료 상 2016 3 31 14


별 개 상 가지는 새 운 상 료 가공한다 앞, 56 .

과 통해 새 운 개 가공 상 상 료가 생 었다20 .

마지막 앞에 한 산 생 경도 용해 앞에 나 개 지 , 20

역 경도 에 산 생 통계 료 각 마다 산 생 가

하는 지역 붙 다.

그림 본 연 에 한 개 지역 나타낸 지도< 1> 20

료: https://www.google.co.kr/maps/@36.4483731,127.674894,7.25z


산 발생 측 모 적합2.

본 연 에 만들고 하는 모 특 상 가 주어 14

산 생 하는 모 다 모 통해 특 산 생 .

하는 것 모 합 목 다.

모 적합에 사용할 가공 1)

우 개 지역 산 생 통계 료 각각 산 생 가 20

하는 지역 가공 상 료 출한다 생 하는 날.

짜 출 가공 상 료 에 산 생한 날 는 미 1

값 여한다 나 지 하지 않는 날짜들에는 값 여한다 가공 . 0 .

상 료는 평균값 값 솟값 등 택하여 만든 가지 료 모 , , 3

용한다.

산 발생 모 적합 2)

앞 가공한 탕 모 합한다 본 연 에 고 하고 는 .

모 우도함 법 지스틱 귀 법 모 복잡도 ,

하 해 변 택에 함 규 하 다 한편 모Lasso (Generalized) .

계 하 해 신경망 모 고 했 모 복잡도 효과,

하 해 다 신경망 모 러닝 알고리즘 사용(Deep-learning)

하 다 프 그램 키지 키지 키지 등에 공하는 함. R glmnet , nnet , h2o

용하 다 평균값 값 솟값 택한 개 지역 가공 상 . , , 20

료 모 에 해 모 합한다 능 알 는 . ROC curve* auc** 값

통해 평균값 값 솟값 택에 능 가지 법에 능 , , , 3

모 한 뒤 그 가장 능 우 한 모 모 택한다, .

변 는 상 료 각 별 개 상 고 변 는 산 생56

여 나타내는 값 루어진 다 모 가공 0, 1 . train set

상 료 월 월 지 고 2003 1 1 2012 12 31 test set

가공 상 료 월 월 지 다2013 1 1 2016 3 31 .

* 는 진 능 보여주는 그래프 ROC(Receiver Operating Characteristic) curve (binary)

는 특 도 값 축, FPR(False Positive Rate) 1- (specificity) x , TPR(True Positive Rate)

는 민감도 값 축 가진다 특 도 경우에 해 한 민감도(sensitivity) y ( : 0 0 , :

경우에 해 한 1 1 )

** 아래 나타내는 값 진 능 Area Under the Curve, ROC curve (binary)

나타내는 지 다 값 에 가 울 진 능 다. 1 .


시 산 나타내는 베 변 단( , 산

생한 사건 나타냄 그리고 ) 시 시 지 상 나

타내는 벡 한다. 는 시 평균 강 량,

상 습도 고 고 개 상 나타낸다, , 4 . 시

시 시 다 앞 벡 는 14 .

다시 할 다 여 . 는 간단 고 시하겠다 본 연 .

에 합하고 하는 모 앞 에 해 시 지 14

상상태 나타내는 벡 가 주어 별(시 산 생 )

모 고 는 시 에 산 생할 할 다.

정규 로지스틱 귀 모 용 (1)

첫 째 규 지스틱 귀 모 용한 모 합 다 프 . R

그램 키지 용하 고 한 모 택 해 함 glmnet cv.glmnet

용하여 계 택하 다 법 택 모 귀계 . 용해

변 값 하 다test set .

규 지스틱 귀 모 용해 합한 시 에 산 생할 모

나타낸다 . 변 test set

값 ′에 지스틱 모 용하여 모 링한다 지스틱 모 다 식 . (1)

과 같 다.

exp′

(1)

용해 한 변 산 생 값과 실test set (

산 생여 나타내는 변 에 해 값) test set ROC curve auc

계산하여 모 능 한다 는 키지에 공하는 함. AUC auc, roc

용하 다 평균값 값 솟값 하나 택한 상 료 개 지. , , 20

역 각각에 한 값 ROC curve auc < 1>, < 2>, < 3>

에 리 어 다.

단층 신경망 모 사용 (2) (Neural Network)

째 단 신경망 모 용한 모 합 다 는 키지 . nnet

용하 다 우 변 변 에 해 신경망 모 내 드 . train set

개 개12 * 잡고 신경망 모 복잡도 하여** 함 용하 다 nnet .

* 함 에 는 하 다 nnet size 12 .

** 함 에 는 하고 복 는 하 다 nnet decay 0.05 1000 .


얻어지는 모 시 에 산 생할 산출해 다 모 .

나타내고 다 식 같 다(2) .

(2)

여 함 는 단 신경망 모 법 통해 추 한 함 다.

다 용해 변 값 한다 는test set .

함 용한다 predict . 용해 한 변 test set

값과 변 에 해 값 계산하여 모 test set ROC curve auc

능 한다 평균값 값 솟값 하나 택한 상 료 개 지. , , 20

역 각각에 한 값 ROC curve auc < 1>, < 2>, <

에 리 어 다3> .

다층 신경망 모 사용 (3) (Multi-layered neural network)

째 다 신경망 모 사용한 모 합 다 러닝 . (Deep

알고리즘 변 내 계 효과 여주 미-learning) ,

지 처리 동 상 료 같 특별한 에 매우 뛰어난 능 가지, ,

고 다는 것 많 연 통해 알 다 본 연 에 도 변 시간.

공간 계 고 보 효과 축약하여 다 신경망 모 합, ,

하 해 러닝 알고리즘 용하 다 키지에 공하는 러닝에 한 . h2o

함 용하 다 체 복 는 함 는 . (epoch) 10 , (activation function)

간 함 내 개 는 개 고 하나 에Rectified Linear Unit(ReLU), 3

드 개 는 개 그리고 추 계 리는200 , * 사용하 다 앞 .

과 통해 시 에 산 생할 모 만든다 모 .

나타내고 다 식 같 다 (3) .

(3)

여 함 는 러닝 법 통해 추 한 함 다(Deep-learning) .

다 용해 변 에 해 값 한다 는 test set .

함 용한다 h2o.predict . 용해 한 변 test

값과 변 에 해 값 계산하여 모set test set ROC curve auc

능 한다 평균값 값 솟값 하나 택한 상 료 개 . , , 20

지역 각각에 한 값 ROC curve auc < 1>, < 2>, < 3>

에 리 어 다.

* 함 에 는 하 다 RectifierWtihDropout TRUE .


산 발생 모 택 (4)

모

지역

1 0.71816191 0.646733339 0.736149333

2 0.693100108 0.61249242 0.681467714

3 0.727271659 0.726872065 0.718515863

4 0.710271523 0.59566213 0.723458989

5 0.687893338 0.626746228 0.729616335

6 0.754204584 0.658302371 0.755371278

7 0.682958329 0.594377798 0.704583286

8 0.692265227 0.627590759 0.694917492

9 0.774439746 0.636918605 0.761839323

10 0.683269243 0.685670105 0.75454231

11 0.718598862 0.628520626 0.689378853

12 0.759993692 0.700149807 0.756866146

13 0.735024155 0.580591787 0.728478261

14 0.728568951 0.674942979 0.727328505

15 0.774241466 0.771088812 0.78931732

16 0.698599034 0.507669082 0.685048309

17 0.697293729 0.68340234 0.694665467

18 0.750194351 0.707558089 0.771823443

19 0.765427288 0.715454796 0.758389877

20 0.8187751 0.76507817 0.778650316

< 1 평균값 택해 가공한 개 지역 상 료 용했 > 20

가지 모 들 값 3 ROC curve auc


모

지역

1 0.705210029 0.68105114 0.714555057

2 0.679750813 0.584738488 0.701747616

3 0.702602646 0.701829903 0.68492064

4 0.681168638 0.620524672 0.692151126

5 0.687085295 0.606381987 0.73716843

6 0.741532497 0.646931596 0.734819521

7 0.697494547 0.59782172 0.694208472

8 0.68120012 0.651989199 0.690813081

9 0.759534884 0.692859408 0.736384778

10 0.65555759 0.599045759 0.747604224

11 0.721028924 0.670791844 0.689224751

12 0.703881837 0.620331678 0.757628321

13 0.705772947 0.611328502 0.738067633

14 0.5 0.674055993 0.709828872

15 0.765628951 0.747281922 0.775

16 0.7 0.637403382 0.707922705

17 0.708910891 0.61990399 0.716327633

18 0.739310702 0.744441565 0.726008465

19 0.745759215 0.621699065 0.759238034

20 0.813683305 0.704012478 0.764773379

< 2 값 택해 가공한 개 지역 상 료 용했 > 20

가지 모 들 값3 ROC curve auc


모

지역

1 0.680828639 0.555701287 0.708840303

2 0.553916974 0.506296614 0.583958794

3 0.711893191 0.714508177 0.702755431

4 0.690808351 0.585767997 0.692546891

5 0.603491679 0.599451463 0.613506752

6 0.777125626 0.63815447 0.783120636

7 0.678208587 0.512261795 0.678366433

8 0.67669967 0.57780378 0.684092409

9 0.610824524 0.520264271 0.645158562

10 0.706748866 0.607916743 0.740259212

11 0.636024182 0.583677098 0.654789

12 0.784514705 0.675655076 0.73810087

13 0.601123188 0.586256039 0.675410628

14 0.688114388 0.561575501 0.697664493

15 0.646523388 0.510698483 0.672819216

16 0.624661836 0.577246377 0.625193237

17 0.668922892 0.533363336 0.640912091

18 0.601122916 0.401382051 0.601934871

19 0.744017055 0.610466716 0.738515496

20 0.813683305 0.746647303 0.776391279

< 3 솟값 택해 가공한 개 지역 상 료 용했 > 20

가지 모 들 값3 ROC curve auc

보 평균값 값 솟값 택해 가공한 < 1>, < 2>, < 3> , , 20

개 지역 상 료 용했 가지 모 들 3 ROC curve auc

값 보다 큰 모 개 는 각각 개 다 0.7 34, 31, 15 . ROC curve

값 보다 큰 모 가장 많 경우 평균값 택해 가공한 개 auc 0.7 20

지역 상 료 사용했 모 들 능 다 경우에 해 우

하다고 할 다 한 평균값 택해 가공한 개 지역 상 료 사. 20

용한 경우에 개 지역에 한 모 러닝 법 용해 만든 모20

( 들 값 보다 큰 모 개 가 개) ROC curve auc 0.7 15


가장 많다 규 지스틱 귀 모( ( 개 단 신경망 모): 13 ,

( 개 산 생 모 평균값 택해 가): 6 ).

공한 개 지역 상 료 러닝 알고리즘 용해 합한 다 신경망 20

모 개 지역에 해 가장 우 한 능 가지는 모 다20 .

본 연 에 는 산 생 모 평균값 택해

가공한 개 지역 상 료 용한 모 20 안하고

고 나타낸다 개 지역에 한 . 20 ROC

그래프는 그림 그림 에 다curve < 1> < 5>~< 24> .

산 발생했 때 는 피해규모 측 모3.

본 연 에 만들고 하는 산 생했 는 피해규모 모

산 생하 다는 건과 상 가 주어 는 산 14

피해규모 하는 모 다.

산 피해규모 측 모 적합에 사용할 가공 1)

우 개 지역 산 생 통계 료 각각 산 생 가 20

하는 지역 상 료 출한다 다 산 생 통계 료 .

날짜 하는 날짜 가공 상 료 날씨 산 생 통계

료 피해 보 합 다 앞과 같 과 통해 산 생 통.

계 료 가 하는 지역 날짜 동안 날씨 14

변 가지는 가공 산 생 통계 료 만든다.

그림 산 피해 스토그램< 2>


그림 가공 산 생 통계 료 산 피해 스토< 2>

그램 나타낸 것 다 스토그램에 알 듯 산 피해 는 연.

값들 아닌 지 값들에 집 어 복 나타난다0.01 973 .

산 피해 값 하는 것 아닌 한 에 피해규모 단계 만

들어 값 하는 법 사용하 다 변 가 에 지에 해. , 1 7

당하는 산 피해규모 단계 다 산 피해규모 단계는 다 같다. < 4> .

단계 산 피해 크 (ha)

1 상 미만0 0.1

2 상 미만0.1 0.3

3 상 미만0.3 0.7

4 상 미만0.7 1

5 상 미만1 2

6 상 미만2 3

7 상3

< 4 산 피해규모 단계 >

단계 도

1 1721

2 1770

3 1069

4 195

5 377

6 113

7 231

합 5476

< 5 가공 산 생 >

통계 료 산 피해

에 각 산 피해규모

단계 도


같 피해규모 단계 한 는 산 피해크 가 보다 작 값 < 4> 1

도가 매우 높고 상 큰 값 매우 드 게 나타나 에 도가 높 산 3

피해크 값들 해 단계 하 고 도가 낮 산 피해크 값들

하나 어 단계 하 다 가공 산 생 통계 료 . < 5>

산 피해 에 각 산 피해규모 단계들 도 나타내었다.

산 발생했 때 는 피해규모 측 모 적합 2)

앞 가공한 탕 산 피해규모 모 합한다 본 연 에 .

고 하고 는 피해규모 모 근 웃 알고리즘k- (k-Nearest Neighbor

고 했 모 계 하고 복잡도 효과 Classification) ,

하 해 다 신경망 모 러닝 알고리즘 사용하 다(Deep-learning) .

프 그램 키지 키지 등에 공하는 함 용하 다 평균값R kknn , h2o . ,

값 솟값 택해 가공한 개 지역 상 료 모 용해 가공 , 20

산 생 통계 료 만들고 용해 모 합한다.

산 피해규모 모 능 알 는 변 과 모 test set

변 피해규모 값과 도 용해 평균값 값 솟값 test set , ,

택에 능 가지 법에 능 모 한 뒤 그 가장 능, 2 ,

우 한 모 산 피해크 모 택한다 변 는 상 .

료 개 상 고 변 는 가공 산 생 통계 료 56

산 피해규모 다 모 가공 산 생 통계 료 각 . train set

산 피해규모 단계들에 하는 들 택하 고 나 지 들 75% ,

택하 다test set .

우 시 에 산 생했 산 피해규모 나타내는 변

한다 본 연 에 합하고 하는 산 생했 는 피해규모 .

모 벡 가 주어 산 피해규모 모 고 는 건

값 같 나타낸다 는 식 같다. (4) .

(4)

여 함 는 산 생 통계 료 과 각 train set test set

에 산 피해크 값 에 단계 하여 해주는 함1 7

다 함 . 는 근 웃 알고리즘 k- (k-Nearest Neighbor Classification)

러닝 알고리즘 등 법 용하여 추 한다.


근접 웃 알고리즘 사용 (1) k- (k-Nearest Neighbor Classification)

첫 째 근 웃 알고리즘 용한 산 생하 는 피해 k-

모 합 다 는 프 그램 키지 용하 다 변 . R kknn .

변 모 에 해 함 용하여 train set, test set kknn 시 에 산

생하 는 피해규모 모 과 산 피해규모 값 한다.

피해규모 모 나타내고 다 식 같다(5) .

(5)

여 함 는 근 웃 알고리즘 통해 추 한 함 다k- .

다 능 알아보 해 변 값과 test set

변 과 도 검사한다 모 합에는 산 생 test set .

통계 료는 평균값 값 솟값 택해 가공한 가지 모 가 용 었다 모, , 3 .

도는 에 리 어 다< 6> .

다층 신경망 모 사용 (2) (Multi-layered neural network)

째 다 신경망 모 사용한 모 합 다 본 연 에 는 .

변 시간 공간 계 고 보 효과 축약하여 다 신경망 , ,

모 합하 해 러닝 알고리즘 용하 다 키지에 공하는 . h2o

러닝에 한 함 용하 다 체 복 는 함. (epoch) 10 , (activation

는 간 함 내 개 는 개function) Rectified Linear Unit(ReLU), 2

고 하나 에 드 개 는 개 그리고 추 계 리는200 , * 사

용하 다 앞 과 통해 . 시 에 산 생하 는 피해규모

모 만든다 모 . 나타내고 다 식 같 (7)

다.

(7)

여 함 는 러닝 법 통해 추 한 함 다(Deep-learning) .

다 능 알아보 해 변 값과 변test set

과 도 검사한다 변 값test set . test set

* 함 에 는 하 다 RectifierWtihDropout TRUE .


변 에 함 용시 한다 모 합test set h2o.predict .

에는 산 생 통계 료는 평균값 값 솟값 택해 가공한 가지 모, , 3

가 용 었다 모 도는 에 리 어 다. < 6> .

산 발생했 때 는 피해 적 측 모 택 (3)

가공 상

료

평균값 택 0.2206846 0.3190095

값 택 0.2301529 0.3182811

솟값 택 0.2600146 0.3182811

< 6> 시 에 산 생했 는 피해규모

모 변 값과 변 test set test

과 도 set

개 6 시 에 산 생했 는 피해규모 모 들 도

평균값 택해 가공한 산 생 통계 료 러닝 알고리즘 용해 합

한 모 도 값 가장 큰 것 볼 다 본 연 . 시 에 산

생하 는 피해규모 모 평균값 택해 가공한 산

생 통계 료 러닝 알고리즘 용해 합한 모 택하고

한다.

상 가 주어졌 때 는 산 피해규모 측 모4.

본 연 목 는 모 특 상 가 주어 14

산 피해규모 하는 모 다 는 앞에 한 개 지역 산 생 . 20

건 모 과 산 피해규모 건 값 모 합 할 다.

앞에 한 모 추 량들과 건 값 용하 , 가 주어

값에 한 모 다 식 과 같 특 시 (8) 에

는 산 피해규모 모 나타낼 다 식 본 연 에 안하고 하.

는 상 가 주어 는 산 피해규모 모 과 같다.

(8)


결과 및 고찰 . Ⅳ

산 발생 모 결과 및 고찰1.

본 연 에 택한 산 생 모 개20

지역에 능 보여주었 나 개 지역에 는 다 지역에 ,

해 그 능 떨어 다 모 능 다 떨어지는 지역 . 2, 8, 11, 16, 17

지역 지역들 우리나 동쪽 지역 산림 많 지역들 다, .

러한 지역들에 모 능 약간 떨어지는 는 산림 많아 산 생에

어 상 요 뿐만 아니 본 연 에 모 합에 고 하지 않 지 산림 ,

건 향 미 고 고 다 한편 는 산림 나 지 지역에 .

해 는 지 산림 건보다 상 요 산 생에 주요한 향 미 므 ,

본 연 에 안한 모 능 높았다.

다 해 매우 어 우므 보다 해 운 규 지

스틱 귀 모 에 한 해 다 값 가장 큰 모 . ROC curve auc

평균값 택해 가공한 상 모 용해 합한 지역 9

시 들었고 , 한다 다 . < 7>

귀계 (~ 리한 다) .

-0.14427 -0.02596 0.01578 0.02687

-0.08328 -0.00978 0 0.050265

-0.08624 0 0.035164 0

-0.03182 -0.00515 0.021876 -0.02654

-0.0335 0 0 -0.05456

-0.02358 0 0 0

-0.00097 0.004917 -0.00128 0

-0.01599 0 0 0.040722

0 0 0 0.117373

-0.01471 0 0 0

-0.00535 0 -0.01548 0

-0.01149 0 0 0.079836

-0.00061 0 -0.00885 0.217998

-0.02088 0.002758 -0.14081 0.04148

< 7> 귀계 들 리한

열에 해당하는 귀계 들 평균 강 량 변 들 귀계 다 < 7> 1, 2 .

귀계 들 집합 한다 열에 해당하는 귀계 들 평. < 7> 3, 4


균 상 습도 변 들 귀계 다 귀계 들 집합 . 한다 . <

열에 해당하는 귀계 들 고 변 들 귀계 다 귀계7> 5, 6 .

들 집합 한다 열에 해당하는 귀계 들 . < 7> 7, 8

변 들 귀계 다 귀계 들 집합 . 한다 귀계 집.

합 , , , 각각에 하는 귀계 들에 해 귀계 아래 첨 가 작

특 가 운 시 상 미한다.

에 하는 귀계 들 모 므 특 간 동안 가 게 내

릴 산 생 높아진다 한 . 는 다 귀계 집합과 했

값 귀계 개 에 갖지 않 므 특 평균 강 량 는 0 1

가지 상 산 생 에 가장 많 향 미 다고 할 다4 .

는 다 귀계 집합에 해 귀계 가장 많 가지고 다 특0 .

평균 상 습도 는 다 상 에 해 산 생 에

향 미 다고 할 다 그리고 특 가 운 시 평균 상 습도가 .

낮 산 생 높아지고 시 평균 상 습도는 거 향 미 지 ,

않는다 는 평균 상 습도가 낮 날씨가 건 해지므 산 생 높아지.

는 것과 다. 에 하는 귀계 들 통해 특 가 운 시

고 높고 특 시 고 낮 산 생 높,

아지는 것 알 다 마지막 . 에 하는 귀계 들 통해 특

시 에 고 클 산 생 높아지는 것 알 다.

그림 < 3> 지역에 한 15

그래프


그림 < 4> 지역에 한 2

그래프

그림 그림 그래프는 각각 < 3>, < 4> 지역에 15 , 2

한 실 산 생 도 보여주는 그래프 다 그래프 다.

과 같다 그래프 축 월 나타내고 차 체 연 상 . x 1 2003 1 1

간 나타낸다 그래프 축 산 생 나타낸다 그래프에 찍 는 . y .

들 변 과 체에 해 train set test set 용해

한 산 생 나타낸다 들 값 각 에 해당하는 . , y

날짜 축 값 는 날짜 산 생 나타낸다 그리고 그래프, x .

에 그 진 실 산 생 에 는 축 값에 그린 것 다 특 x .

색 실 산 생 에 하는 날짜들 그 해당하는 값train set x

에 그린 것 고 색 실 산 생 에 하는 날짜들 , test set

그 해당하는 값에 그린 것 다 그래프들 컬러 보 장한다 x . .

그래프 그래프 고 한다.

지역과 지역 시 든 는 개 체 지역 지역 15 2 20 15

값 가장 크고 지역 ROC curve auc 2

값 가장 작아 지역 그래프 하 함 다ROC curve auc .

우 지역 그래프 그림 보 값 큰 들 값에 15 (< 3>) . y x

겹쳐 그 는 것 볼 다 특 변 용한 . test set

것에 해당 는 값 지 들에 해 큰 값 높 (x 3654 4839 ) y ,


값 가지는 들에 값에 색 거 겹쳐 그 고 값x , y (

값 작 값에는 색 거 겹쳐 지 않다) x . ,

용해 한 산 생 높 실 산 생

하 므 모 진 능 우 하고

값 높게 나타나게 고 ROC curve auc 용해 상당

한 산 생 할 다.

다 지역 그래프 그림 보 지역에 한 2 (< 4>) . 2

값 다 지역에 해 낮게 나 다 ROC curve auc .

그래프 통해 알 다 변 용한 것에 해당 는 . test set (x

값 지 들에 해 특별 높 값 값 가지는 가 3654 4839 ) y ( )

없지만 같 간 동안 색 매우 도 높게 그 는 것 보아 실

산 높 도 생하 다 산 생 낮지만 실 산 .

높 도 생하 므 모 능 지 않다는 것 미하게

고 값 작게 나 다ROC curve auc .

앞 지역뿐만 아니 나 지 지역 모 에 한 15 , 2

그래프 보 값 값 높 값에 겹쳐y ( ) x

그 는 것 볼 다 는 . 능 개 지역 체에 20

해 우 하다는 결과 그래프 보여주는 것 다 개 지역에 한 . 20

그래프는 그림 그림 에 다< 2> < 25>~< 44> .

한 그래프 보 들 한 태 가지고 그 지는 것 볼

다 태 살펴보 슷한 간격 사 에 고 값 증가했다가 다시 . y

감 하는 태가 그래프에 복 나타나고 다 값 에 사. x 0 1000

간에 도 값 증가했다가 감 하는 태가 복 므 약 값3 y x

약 도가 산 생 증감 태 사 간격 고 할 330, 1

다 는 산 심 간 월 에 산 생 크게 증가하. 1 (2, 3, 4, 5 )

는 상 값 값 변 나타난 것 보 다y ( ) .

산 피해규모 측 모 결과 고찰 2.

본 연 시 에 산 생하 는 피해규모 모 가장

도가 높고 능 우 한 택하 다 변.

가 개 단계 루어 므 단 한 7 1/7( 0.142857)≒

보다 모 값과 실 값 도가 크게 나 지만 다 과 같 개 2 ,

통해 능 우 한 모 합하는 것 가능할 것 다.


본 연 에 사용한 산 생 통계 료 산 피해 보는 산 피해

체 크 다 상 용해 하 고 하 산 도 향. , , ,

크 등 산 체 크 에 큰 향 미 는 결 하는 산 생지 경

사 같 지 주변 나 도 등 과 같 요 고 지 ,

않는다 상 지 등 산 산과 그 피해 에 . ,

향 미 는 모든 요 변 용하여 피해 모 합한다

능 모 것 다.

상 가 주어졌 때 는 산 피해규모 측 모 결3.

과 고찰

택한 산 생 모 고 산 생했

는 피해규모 모 다 본 연 에 .

안하고 하는 특 (시 상 ) 14 ( 가 주어 는 산)

피해규모 모 나타내고 다 식 같다(9) .

(9)

결론. Ⅴ

본 연 는 산 험 리 에 한계 는 산 생했 는

피해 아닌 동안 상 가 주어 특 한 하루 산 14

피해규모 값 하는 모 시하 다 그 결과 많 지역에 모 .

용해 상시 특 지역 산 피해 규모 산 할 었고 는 새 운 ,

산 험 지 사용할 것 다.

산 생 모 과 산 생하 는 산 피해규모

모 모 에 평균값 택하는 식 상 료 가공하여 용하

모 능 가장 우 한 것 나타났다 그리고 개 지역에 해 산 생 . 20

모 합에 어 규 지스틱 귀 모 단 신경망 모 ,

다 신경망 모 능 하 고 많 지역에 다 신경망 모 합하

해 사용한 러닝 알고리즘 용하 그 능 가장 우(Deep-learning)

했다 산 생하 산 피해규모 모 합에 는 근 . k-

웃 알고리즘 다 신경망 모 능 하 고 그 다 신경망 모

합하 해 사용한 러닝 알고리즘 용하 능 가장 우 했다.


모 합에 어 러닝 알고리즘 변 시간 공간 ,

계 보 효과 축약하여 능 다 신경망 모 합하 다고 할

다.

하지만 러닝 알고리즘 용하여 모 합하 모 해 거 가능

하여 산 리하는 실 에게 과 피해규모 다 보 주지 못한

다는 단 다 러한 에 능 떨어지지만 해 보다 운 규 .

지스틱 귀 모 용하게 사용 것 다.

산 생하 산 피해규모 모 합에 귀 하지 못

하고 신 법 용하 다 그 는 변 가 매우 (Classification) .

리가 운 포 가지므 그림 참고 모 나 모 용한 (< 2> )

모 합 어 다 평균 재하지 않는 변 에 한 귀.

법 고 해야 할 것 다 그 하나 후보 모 는 추 모 .

생각해 볼 다.

산 생 통계 료에 보 하나 산 생 원 고 하여

변 포함한 연 가 진행 지 못했다 연 에 사용 상 는 연 요.

에 산 생과 그 크 에 향 는 요 같 고

하여 모 작하 능 산 생 모 나 산 피해

모 합 가능하다고 생각 다 한 산 피해 모 연 할 .

경사 과 같 지 요 들 고 어 변 포함 지 않았다, .

지 지 개 산 험 지 모 상 건과 함께 고도 같 지,

건 상 건들 모 고 했고 그것 산 험 지 높여주는 ,

공 었다고 알 다 모 합에 상 함께 지 건.

과 상 건들 변 포함하여 모 합한다 능 모 할

것 다.


참 고 헌

승 욱 간 통계 통한 내 산 과 상과 계· · (2013), “50 ,”

한 재학 집 한 재학, 13(5): 225~231, .『』

우식 별 장 산 생에 향 미 는 상 상 에 · · · (2014), "

한 연 한 재학 학 집 한 재학," 2014: 376, .『』

시 채 우균 나다 산 상지 용한 산 생 모· · · (2009), “

합 강원도 지역 산 생 심 한 재학 집: ,” , 9(3): 『』

한 재학95~100,

병 주상 동안 산 생건 연 에 한 시계· (2006), “1970-2005

열모 추 한 학 지 한 학,” , 95(6): 643~648, .『』

시 한상열 원 안상 보 상특 용한 산 생 모· · · · (2004), “

합 한 림 상학 지 한 림 상학,” , 6(4): 242~249, .『』

한상열 상 료 용한 산 생 모 합 한 학 지· (1996), “ ,” , 『』

한 학85(1): 15~23, .

Cortez P. and Morais A.(2007), “A Data Mining Approach to Predict Forest

Fires using Meteorological Data,” New Trends in Artificial

Intelligence, 13: 512~523, Portuguese Conference on Artificial

Intelligence, Guimaraes, Portugal.

http://www.kma.go.kr/HELP/basic/help_01_01.jsp (2016. 7. 14.).

Larjavaara, M., Kuuluvainen, T., Tanskanen, H., and Venalainen, A.(2004),

“Variation in forest fire ignition probability in Finland,” Silva

Fennica, 38(3): 253~266.

Safi, Y., and Bouroumi, A.(2013), "Prediction of forest fires using artificial

neural networks," Applied Mathematical Sciences, 7(6): 271~286.

Van Wagner, C. E., & Forest, P.(1987), "Development and Structure of the

Canadian Forest Fire Weather Index System," Forestry Technical

Report, 35: 35, Canadian Forest Service.

Xiao, F.(2012), "Forest Fire Disaster Area Prediction Based on Genetic

Algorithm and Support Vector Machine," Advanced Materials

Research, 446~449(4): 3037~3041, TRANS TECH PUBLICATION LTD.

Xie, D.W., and Shi, S.L.(2014), "Prediction for Burned Area of Forest Fires

Based on SVM Model," Applied Mechanics and Materials,

513~517(5): 4084~4089, TRANS TECH PUBLICATIONS LTD.


록 < 1 >

그림 그림 개 지역 < 5>~< 24>: 20 ROC curve

그림 지역 그림 지역 < 5> 1 < 6> 2

그림 지역 그림 지역 < 7> 3 < 8> 4

그림 지역 그림 지역 < 9> 5 < 10> 6


그림 지역 그림 지역 < 11> 7 < 12> 8

그림 지역 그림 지역< 13> 9 < 14> 10

그림 지역 그림 지역< 15> 11 < 16>


그림 지역 그림 지역< 17> 13 < 18> 14

그림 지역 그림 지역< 19> 15 < 20> 16

그림 지역 그림 지역< 21> 17 < 22> 18


그림 지역 그림 지역< 23> 19 < 24> 20


록 < 2 >

그림 그림 개 지역에 한 < 25>~< 44>: 20 그래프

그림 지역 그림 지역< 25> 1 < 26> 2

그림 지역 그림 지역< 27> 3 < 28> 4

그림 지역 그림 지역< 29> 5 < 30> 6


그림 지역 그림 지역< 31> 7 < 32> 8

그림 지역 그림 지역< 33> 9 < 34> 10

그림 지역 그림 지역< 35> 11 < 36> 12


그림 지역 그림 지역< 37> 13 < 38> 14

그림 지역 그림 지역< 39> 15 < 40> 16

그림 지역 그림 지역< 41> 17 < 42> 18


그림 지역 그림 지역< 43> 19 < 44> 20

Documents

우수상기상 데이터를 이용한 산불 피해규모의 예측방법 연구 71 Ⅲ. 연구 과정 1. 데이터 수집 및 가공 1) 기상 관측 자료의 수집 및 가공