Earticle

초록

한국어

본 연구에서는 한국치산기술협회에서 관리하는 땅밀림 관리대상지의 기초자료를 사용하여 기계학습 기법을 통한 땅밀림 위험도 예측모형을 개발하였다. 기계학습 기법은 SVM(Support Vecter Machine), RF(Random Forest)와 KNN(K-Nearest Neighbors)를 사용하였으며, 기법의 성능 평가를 위 한 지표로 Confusion Matrix를 통한 Accuracy Score, F1 Score 그리고 Kappa Score를 활용하였다. 연 구결과 세 가지 기법 모두 Accuracy Score는 0.98 이상으로 매우 높은 정확도를 나타내었으며, F1 Score는 SVM과 KNN이 0.98 이상, Kappa Score는 RF가 0.8 이상으로 나타났다. 다만, 모형학습에 활 용된 위험등급 간의 기초자료의 수가 크게 차이가 나며 이는 기계학습 기법의 과적합의 원인이 될 수 있다. 따라서, 현장자료와 이미 기구축된 다양한 국가 디지털 자료의 융합에 관한 방법론 개발이 필요 하며, 충분한 기초자료가 확보된다면 기계학습 기법을 통한 전국단위 땅밀림 위험지도의 제작 및 활용은 가능할 것으로 판단된다.

영어

In this study, a soil creep susceptibility prediction model was developed using machine learning techniques, based on the foundational data of soil creep management sites overseen by the Korea Association for Mountain Soil and Water Conservation. The machine learning methods employed were Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbors (KNN). For model performance evaluation, metrics such as Accuracy Score, F1 Score, and Kappa Score were derived from the confusion matrix. The results showed that all three methods achieved high accuracy, with accuracy scores exceeding 0.98. The F1 Scores of SVM and KNN were also above 0.98, while the Kappa Score for RF was above 0.8. However, a significant imbalance in the number of data points among different risk levels used for model training may lead to overfitting in the machine learning models. Therefore, it is necessary to develop methodologies that integrate field data with a variety of pre-established national digital datasets. With sufficient foundational data, it is considered feasible to produce and utilize a nationwide soil creep risk map using machine learning techniques.

목차

요약
ABSTRACT
서론
재료 및 방법
1. 기초자료
2. 기초자료 전처리 과정
3. 기계학습 기법
4. 평가지표
연구결과
1. SVM
2. RF
3. KNN
결론 및 고찰
감사의 글
인용문헌

저자

• 최찬울 [ Chanul Choi | 경북대학교 미래과학기술융합학부 ]
• 이기하 [ Giha Lee | 경북대학교 미래과학기술융합학부 ] 교신저자

참고문헌