주성분 분석과 로지스틱 회귀모형을 이용한 호우피해 예측함수 개발

• 영문명: Development of Heavy Rain Damage Prediction Function Using Principal Component Analysis and Logistic Regression Model
• 발행기관: 한국방재학회
• 저자명: 최창현(Choi Chang hyun) 김종성(Kim Jong sung) 이명진(Lee Myung jin) 김정환(Kim Jeong hwan) 이우주(Lee Woo joo) 김형수(Kim Hung Soo)
• 간행물 정보: 『2. 한국방재학회 논문집』 17권6호, 159~166쪽, 전체 8쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2017.12.30

국문 초록

본 연구에서는 낙동강 권역을 대상으로 주성분 분석과 로지스틱 회귀모형을 적용하여 호우피해 예측함수를 개발하였다. 주성분 분석을 통해 상관성이 높은 설명변수를 사용할 수 있는 방안을 제시하였고, 로지스틱 회귀모형을 이용하여 피해액이 큰 집단과 작은 집단으로 분류한 다음, 구분된 각 집단에서 호우피해 예측함수를 개발하였다. 최종적으로 선정된 모델의 예측력을 실제피해액과 예측피해액을 비교하여 NRMSE(Normalized Root Mean Squared Error)로 평가한 결과, 12.44%로 낙동강 권역의 호우피해를 적절하게 예측하는 것으로 나타났다. 따라서 본 연구에서 개발한 낙동강 권역의 호우피해 예측함수를 활용하면, 호우피해 발생 전에 사전 대비 차원의 재난관리를 실시할 수 있을 것이다.

영문 초록

In this study, we developed heavy rain damage prediction functions for Nakdong river basin by using principal component analysis and logistic regression model. The principal component analysis can be used for the determination of explanatory variables which are highly correlated with the damage. Then the determined variables could be used as the independent variables for the development of heavy rain damage prediction functions. The logistic regression model classified heavy rain damages into two data groups of small and large damage values. Then the functions for two data groups could be developed. Finally, the function performances were assessed by comparing the observed damages and predicted damages. And we obtained NRMSE(Normalized Root Mean Squared Error) of 12.44%. Therefore, we can use the developed heavy rain damage prediction functions in the Nakdong river basin area for preparing for disaster occurred by heavy rainfall and also for the effective disaster management for damage reduction.

목차

Abstract

요지

1. 서론

2. 주성분 분석과 로지스틱 회귀모형

3. 대상지역 선정 및 자료 구축

4. 호우피해 예측함수 개발 및 예측력 평가

5. 결론

감사의 글

References

키워드

재난관리 호우피해 예측함수 로지스틱 회귀모형 주성분 분석 Disaster Management Heavy Rain Damage Prediction Function Logistic Regression Model Principal Component Analysis