Research Article

The Journal of Engineering Geology. 31 December 2020. 663-671
https://doi.org/10.9720/kseg.2020.4.663

ABSTRACT


MAIN

  • 서 론

  • 빅데이터 자료

  • 기상자료 반영

  • 붕괴위험도 모델

  •   비탈면 붕괴 위험도 예측 분석모형

  • 성능 평가 및 결과 해석

  • 시각화지도

  • 토의 및 결론

서 론

디지털 경제의 확산으로 방대한 규모의 다양한 자료들이 기하급수적으로 증가하고 있으며, 빅데이터를 이용한 기술은 산업전반에 걸쳐 다양하게 활용되고 있다. 또한 빅데이터를 활용한 기술의 가장 근본적으로 선행되어야 할 부분은 자료의 신뢰성을 바탕으로 진행되어야 한다는 것이다. 한국건설기술연구원의 도로비탈면유지관리시스템(Cut Slope Management System, CSMS)은 1997년부터 축적해오던 3만개 이상의 비탈면 정보 데이터베이스를 구축하였다. 이를 활용한 비탈면 위험도 시각화지도 제작은 검증되고 효과적인 빅데이터 재료로부터 연구가 시작되었다고 할 수 있다.

한국건설기술연구원의 도로비탈면유지관리시스템(CSMS)에서는 전국의 일반국도를 따라 존재하는 모든 깎기비탈면에 대한 데이터베이스를 구축하였고 매년 이를 갱신하고 있다. 이들 자료를 바탕으로 위험성이 높은 비탈면에 대해서는 전문가의 정밀조사를 통해 적정대책 공법을 마련하여 제시하고 있으며 투자우선순위를 산출하여 국가예산의 투명한 집행과 효율적 배분에 기여하고 있다. 또한 비탈면 정밀조사를 수행함으로써 비탈면의 붕괴에 따른 정밀조사 정보, 붕괴와 유관한 비탈면의 특성변수, 붕괴 관련 시험 및 안정성 해석결과를 데이터베이스화 하여 빅데이터 자료를 구축하고 있다(KICT, 2019).

반면, 이상기후보고서(2012년)(KMA, 2013)에 따르면 우리나라는 여러 이상기후 현상(집중호우, 태풍, 가뭄, 한파 등)으로 인해 농업, 교통, 방재, 산림, 건강 등 거의 모든 분야에서 매년 막대한 재산피해와 수백 명의 인명피해가 발생하고 있으며, 국내의 경우 대표적으로 집중호우가 증가하여 국가적으로 산사태, 토석류 등 토사 재해와 피해액이 증가하고 있어 도로주변부 산사태 및 토석류 피해의 최소화를 위한 대책 마련이 필요한 실정이다. 더불어 붕괴발생 내적요인(풍화도, 수리, 지질 등)의 변화와 외부환경(강우, 기온변화 등)의 변화를 종합적으로 반영한 위험도 관리가 필요한 시점으로 재해재난 관리 업무의 특성상 빠른 응답 및 대응이 요구되는 상황이다(Cho and Lee, 2002; Aleotti, 2004; Guzzetti et al., 2008; Bernardie et al., 2015; Christos and Christos, 2018)

그리하여 본 연구에서는 비탈면 데이터베이스, 기상자료, 지질도 정보 등 CSMS 데이터와 외부 기관의 데이터를 분석(Mining)하고, Mash-Up를 통한 정제 및 전처리 등을 통해 붕괴 유발 핵심인자의 영향 범위를 설정시키고, 타 머신러닝 알고리즘에 비해 데이터의 특성을 100% 반영하여 예측 성능이 저하되는 과적합 현상이 적게 발생하고, 신규 데이터에 대한 일반화가 잘 이루어지는 분류 기반 머신러닝 모형인 Adaptive Boosting(Adaboost) 모델을 통해 지구환경의 변화(특히, 강우)를 고려한 최적의 붕괴 예측 모델을 개발하고자 한다. 이 결과를 토대로 비탈면 위험지도를 제작하여 산사태 및 비탈면 붕괴로부터 안전사고를 미연에 예방하여 대응 능력을 향상시킬 수 있을 것으로 기대된다.

빅데이터 자료

비탈면 정보데이터는 CSMS 정밀조사 데이터와 기초조사 데이터를 이용하여 만든 메타데이터 형식으로 구현되었다. 이때, 정밀조사 데이터를 우선으로 정밀조사 데이터에서 누락된 부분, 추가정보가 필요한 부분 등을 기초조사 데이터를 통하여 보완하는 방식으로 데이터를 가공하였으며, 사용된 기초조사 데이터는 강원도 지역 6,694개소, 경상도 지역 10,130개소의 총 16,824개의 기초조사 데이터가 사용되었다.

정밀조사 데이터는 CSMS에 기록 및 관리되고 있는 엑셀 시트 형태의 데이터이며, 기초조사가 이루어진 국도 비탈면 중 잠재적으로 붕괴 위험이 있거나 붕괴 발생된 비탈면을 대상으로 전문가에 의한 상세 현장조사가 실시된 정밀조사 보고서 기반의 데이터이다. 정밀조사 보고서 및 정밀조사 데이터(투자우선순위 산정 자료)에는 기본적인 비탈면의 제원 정보(조사 일자, 위경도 좌표, 현장명, 현장 코드, 비탈면 길이, 비탈면 높이, 위험구간 길이 등)가 기록되어 있으며, 기타 붕괴 발생과 유관한 인자(붕괴 이력, 예상파괴유형, 안정해석 결과, 주관적 위험도 및 피해도 등) 또한 기록되어 있다(Table 1).

Table 1.

Information and factor of detailed survey for the priority of investment

Information and factor
Scale Height, Gradient, Length
Cause of collapse Soil depth, Groundwater, Valley, Gradient of upperslope, Collapse record, Direction of discontinuities,
Type of discontinuities, Lithology
Stability analysis RMR, Stability analysis, Risk section ratio
Risk of collapse Protection countermeasure, Reinforcement & Protection countermeasure, Subjective risk degree
Expected degree Traffic volume, Road lane, Separation distance, Damaged degree

분석 대상 비탈면(정밀조사 건별)은 2010년부터 2018년 기간 동안 정밀조사가 이루어진 경상도 및 강원도 소재 비탈면이다. 2010년 이전 비탈면의 경우 투자우선순위 자료 등의 데이터 형태(format)가 상이하여 즉각적인 분석 투입에 어려움이 있어 제외시켰다.

정밀조사 보고서에는 조사 구분 정보가 기록되어 있으며, 조사 구분의 경우 크게 해빙기 조사와 그 외 수시조사로 이루어지는데, 수시조사의 경우 붕괴 발생 또는 붕괴 위험 징후가 발견되어 정밀조사 필요성이 있는 비탈면이 발견된 경우 발견자가 조사를 요청하여 연구기관에서 취득한 정보이다. 이와 달리 해빙기 조사는 겨울철(주로 11~2월) 기간 해빙기 기상특성으로 인해 붕괴위험도가 높아진 비탈면을 일괄 파악하여 조사 기관에 조사 요청이 들어온 시점 이후에 취득된 정보이다. 2010년부터 2018년까지 경상도와 강원도의 총 정밀조사(해빙기, 수시조사 전체)는 1,761건이다.

다만, 수시조사에 기록된 조사 일자는 이를 기준 시점으로 삼아 이전 특정 기간의 기상 변화가 붕괴에 영향을 미쳤을 것으로 판단할 수 있으나, 해빙기 조사 보고서에 기록된 조사 일자는 해빙기 이후 일괄 조사 진행 당시의 조사 일자이므로 기상 정보 반영을 위해 이를 사용하면 기상변수의 영향을 왜곡할 우려가 있다. 결과적으로 머신러닝 알고리즘 구현에 있어 분석 대상 데이터는 해빙기 조사가 아닌 수시조사(2010년부터 2018년까지) 711건을 대상으로 한정하였다.

기상자료 반영

기상 정보 데이터는 기상청에서 제공하는 기상자료개방 포털(data.kma.go.kr)의 공공데이터와 케이웨더(www.kweather.co.kr)에서 제공받는 기상 콘텐츠를 수집/가공하여 분석에 활용하였다. 기상자료개방 포털에서 공개하는 다양한 종류의 기상 공공데이터 중 분석에 활용된 데이터는 종관기상관측 데이터로써 전국에 설치된 모든 기상 관측소에서 매일 동일 시각에 실시하는 지상관측 데이터이며, 기온, 강수, 일사 등 기상측정 정보를 제공하고 있다.

종관기상관측 데이터는 분, 시간, 일, 월, 연 단위 측정정보로 구성되어 있으나, 본 분석에서는 정밀성을 최대한 확보하고 세밀한 분석 단위를 정할 필요가 있어 일 단위 데이터를 활용하였다. 그 이유는 가장 세밀한 분석 단위는 분, 또는 시간 단위 데이터이나, 정밀조사 보고서 자료에는 조사 시점에 대한 정보가 조사일자만이 나타나 있고, 이는 정확한 붕괴 시점을 나타낼 수 없어 시간, 또는 분 단위로 붕괴 시점을 특정할 수 없는 제약이 존재한다. 또한 분 단위로 집계 범위를 설정하는 조작적 정의의 큰 의미가 없으므로 상대적으로 정밀하면서 유의미한 분석 단위로 판단되는 일 단위 데이터 활용을 결정하였다.

종관기상관측 데이터를 정밀조사 비탈면별로 현실적으로 활용하기 위해서는 측정 지점별로 관리되는 데이터를 공간적으로 보간하는 작업이 필수적이다. 크리깅(kriging) 등 공간 기반 보간 기법을 활용하기 위해서는 점 단위로 구축된 공간정보 데이터가 확보되어야 하며, 이를 위하여 측정정보가 존재하는 종관기상관측 데이터에 대한 측정지점 좌표 정보를 함께 수집하였다. 분석 기간인 2010년부터 2018년 기간에 위치, 코드번호 등 변동이 발생한 기상 관측소의 경우 전처리 과정을 수정 작업을 수행하였다(Fig. 1).

https://static.apub.kr/journalsite/sites/kseg/2020-030-04/N0520300419/images/kseg_30_04_19_F1.jpg
Fig. 1

Meteorological data ordinary kriging example (T: temperature, P: precipitation).

기상 정보의 정규 크리깅을 통한 데이터셋 생성은 일 단위 데이터를 변수별로 수집하여 5 km × 5 km 셀 단위로 전국을 대상으로 정규 크리깅 알고리즘을 통해 진행되었다. 일 단위로 구현된 기상 크리깅 데이터셋을 대상으로 비탈면 정밀조사 건별 조사 시점 및 위치정보로부터 2주 및 4주간 조건(평균, 최대값 등)에 맞는 기상 변수 값을 집계하여 변수를 가공하였다(Table 2).

Table 2.

Meteorological characteristic variable

Source Data
Weather
information
Last 2 weeks Last 4 weeks
Avg. T
(daily)
Avg.
Snowfall
(daily)
Max.
Snowfall_new
(daily)
Avg. T
(daily)
Avg.
Snowfall
(daily)
Max.
Snowfall_new
(daily)
Min. T Above zero and
Below zero
Max.
Snowfall_(daily)
Min. T Above zero and
Below zero
Max.
Snowfall_(daily)
Avg.
Max. T
Avg. T range
(daily)
Max. T range
(daily)
Avg.
Max. T
Avg. T range
(daily)
Max. T range
(daily)
Avg.
1 h Max. P
Avg.
3 days. P
Total. P
(daily)
Avg.
1 h Max. P
Avg.
3 days. P
Total. P
(daily)
Avg. P
(daily)
Max.
1 h Max. P
Total.
Snowfall
(daily)
Avg. P
(daily)
Max.
1 h Max. P
Total.
Snowfall
(daily)
Avg.
Snowfall_new
(daily)
Max. P
(daily)
No. of
Above zero and
Below zero
Avg.
Snowfall_new
(daily)
Max. P
(daily)
No. of
Above zero and
Below zero

T: temperature, P: precipitation.

특정년도 지도와 달리 최신 현황 지도를 표현하기 위해서는 최근시점의 기상정보 데이터를 지니고 있어야 한다. 기존에 기상청에서 제공하는 기상자료개방포털의 데이터의 경우 현시점의 기상 정보는 제공하지 않고 현시점 기준 하루 전날까지만 데이터가 제공되어 최근 시점 위험도 예측에 데이터가 없어 분석할 수 없으므로, 이 문제에 대한 해결 방법으로 케이웨더에서 제공하는 데이터를 현시점의 데이터로 대용하여 사용하였으며 여기서 현시점은 1시간 전의 기상정보 데이터를 의미한다.

붕괴위험도 모델

비탈면 붕괴 위험도 예측 분석모형

비탈면 붕괴위험도 예측모형은 분류 기반 머신러닝 모형인 Adaptive Boosting(Adaboost) 모형을 통해 구축되었다. Adaboost 알고리즘은 분류 기반 머신러닝 모형으로, 약한 학습기(weak learner)를 다량 구축하여 예측 성능에 따라 가중치를 통해 합성하는 방법의 알고리즘이다. Adaboost 모형은 일부 변수만을 사용한 모델을 구현하므로, 타 머신러닝 알고리즘에 비해 데이터의 특성을 100% 반영하여 예측 성능이 저하되는 과적합(overfitting) 현상이 적게 발생하고, 신규 데이터에 대한 일반화(generalization)가 잘 이루어지는 장점이 있다. 본 분석 과제에서는 붕괴 또는 비붕괴를 예측하는 모형 수립이 필요하고, 분석 설계 특성상 표본 수가 많지 않은 점을 감안하여, 상기의 특성을 보유한 Adaboost 알고리즘을 활용하였다(Gomez and Kavzoglu, 2005; Raul, 2009).

붕괴위험도 예측모형은 경상도와 강원도 지역의 2010~2018년 정밀조사 데이터를 활용하여 분석되었다. 알고리즘 구축을 위해 설정되는 모델의 하이퍼파라미터(hyperparameter)는 일반적으로 사용되는 수치를 준용하였다. 변수 간 상호 작용의 깊이를 의미하는 depth는 2회로 설정하여, 많지 않은 데이터 수로 인해 발생 가능한 과적합 문제를 저감하였다. 모형 추정 과정에 앞서 학습용 데이터(Train Data Set)와 테스트용 데이터(Test Data Set)을 9:1로 분리하여 학습용 데이터(Train Data Set)을 대상으로 모형을 추정하였으며, 학습용-테스트용 데이터(Train-Test Data Set)를 대상으로 한 모형 정확도의 차이가 크지 않아 과적합 문제가 발생하지 않은 것으로 판단된다.

모형 구현 결과로 최적 반복(iteration) 수는 3,154회로 나타났다. 최적 반복수는 모형에 최종적으로 합성되는 약분류기의 개수와 같으며, 곧 트리의 개수이다. 트리 개수의 산정은 매 분석마다 수행되는 교차검증(Cross-Validation) 결과에 의해 시험군(test set)으로 분리된 데이터에 가장 적용이 잘 되는 트리개수를 자동적으로 선택하도록 설정되어 있다(Intrieri et al., 2017)(Fig. 2).

https://static.apub.kr/journalsite/sites/kseg/2020-030-04/N0520300419/images/kseg_30_04_19_F2.jpg
Fig. 2

Optimum No. of iteration.

모형 구축 결과를 통해 일부 수치형으로 이루어진 변수에 대하여 유사 선형 효과를 나타내는 그래프를 시각화하였다(Fig. 3). 시각화 자료를 통해 검토하면 비탈면경사, 불연속면종류, 위험구간비율, 구성재료 등 붕괴 발생에 기여할 것으로 추측되는 비탈면 특성 변수와, 최근 4주간 10분 최대강수량, 1시간 최대강수량, 최근 2주간 1시간 최대강수량 등 기상 특성 변수의 효과가 예상되는 대로 붕괴 위험도를 높이는 것으로 분석되었다.

https://static.apub.kr/journalsite/sites/kseg/2020-030-04/N0520300419/images/kseg_30_04_19_F3.jpg
Fig. 3

Characteristics of risk model reflecting weather data.

성능 평가 및 결과 해석

붕괴 예측 정확도는 예측값-실제값 비교를 통해 도출되었다. 예측된 위험도 값은 0과 1 사이의 확률 수치로 산출되며, 0.5 미만은 0(비붕괴)으로, 0.5 초과는 1(붕괴)로 환산하여 정밀조사 당시 실제 붕괴 발생 여부와 비교 분석하였다. 정확도 산출 결과 모형의 붕괴 예측 정확도(붕괴가 발생한 비탈면을 붕괴로 예측)는 94.49%로 나타나 붕괴 위험 비탈면을 사전 감지하는 목적의 모형으로서 일정 성능을 만족하는 것으로 판단되며 해당 결과는 성능 지표를 나타내는 오차행렬(Confusion Matrix)을 통해 확인할 수 있다(Table 3).

Table 3.

Analytic results of confusion matrix

Actuality
Prediction
Non-Collapse Collapse
Non-Collapse 141 25
Collapse 116 429

예측값 및 실제값에 따라 비붕괴 또는 붕괴로 예측된 정밀조사 건별 예측 위험도의 평균을 계산해 보면, 동일하게 비붕괴 또는 붕괴로 예측된 정밀조사 건이라고 하더라도 실제로 붕괴되었던 정밀조사 건의 예측 위험도가 높게 예측되는 것을 확인할 수 있었다(Table 4).

Table 4.

Predicted risk means by type

Actuality
Prediction
Non-Collapse Collapse
Non-Collapse 0.363 0.444
Collapse 0.624 0.756

모형 추정을 통해 나타나는 변수별 상대적 중요도 측정 결과, 전반적으로 한 변수로의 쏠림 현상이 나타나지 않아 모형이 잘 추정된 것으로 판단되었다. 기상 관련 변수의 경우 중요도가 상대적으로 높지 않게 나타났는데, 이는 향후 데이터의 추가 수급을 통해 더욱 정밀한 기상정보의 반영으로 보완 가능할 것으로 기대된다(Table 5).

Table 5.

Relative importance by collapse risk prediction model variables

Rank Variable importance Relative importance (%)
1 Slope gradient 11.09
2 Type of discontinuities 7.69
3 Risk section ratio 6.47
4 Slope material 6.20
5 Slope height 5.71
6 Daily temperature range (Max. 4 weeks) 5.70
7 Soil depth 5.34
8 Daily precipitation volume (Avg. 4 weeks) 4.77
9 Slope shape 3.73
10 Daily snowfall volume (Max. 4 weeks) 3.48
11 Soil 3.39
12 Upper slope angle 2.98
13 1 hour maximum precipitation (Max.4 weeks) 2.93
14 Daily temperature range (Max. 2 weeks) 2.61
15 Daily precipitation volume (Avg. 2 weeks) 2.18
16 Daily precipitation volume (Total. 4 weeks) 2.06
17 Daily precipitation volume (Total. 2 weeks) 1.83
18 Groundwater 1.69
19 Rockmass type 1.53
20 Daily temperature range (Avg. 2 weeks) 1.48
21 Daily precipitation volume (Max. 4 weeks) 1.31
22 Three-day precipitation (Avg.2 weeks) 1.04

시각화지도

비탈면 시각화 위험도 지도는 구현된 위험도 예측 알고리즘을 탑재하여 기상 변수 입력값(최근 4주 1시간 최대강수량, 최근 4주 일강수량 평균, 최근 4주 최대 일교차, 최근 4주 최고기온 평균, 최근 2주 일강수량 평균, 최근 4주 최심적설) 변화에 따른 비탈면 별 붕괴위험도 및 예상피해도 변화를 표현하였으며 특정년도(2010~2018년) 맵에서는 비탈면 붕괴 당시 기상데이터 변수에 대한 슬라이더를 자신이 변경하고자 하는 값으로 변경하여 위험구간 파악이 가능하다. 또한 최신현황 맵에서는 현재 시점(1시간 전) 기준으로부터의 기상변수가 자동 적용되어 비탈면 위험구간을 나타내주고 있다. 위험도는 색상, 피해도는 심볼 크기로 나타나며, 비탈면이 중첩되어 좁은 영역에 표시되면 겹치기 시작하고 유용한 정보를 찾기 어려울 수 있어 클러스터 맵 옵션을 선택하여 지역별 군집도로 표시할 수도 있다(Fig. 4). 추가적으로 비탈면별로 현장명, 관리청 및 수치화된 예측위험도 및 피해도 등 속성정보를 조회할 수 있다(URL: http://211.53.241.203:18080/slope/).

https://static.apub.kr/journalsite/sites/kseg/2020-030-04/N0520300419/images/kseg_30_04_19_F4.jpg
Fig. 4

Characteristics of slope visualization risk map; (a) Survey year, (b) Weather conditions control, (c) Rick and damage indication.

토의 및 결론

앞서 언급한 바와 같이 빅데이터 기반의 비탈면 위험도 시각화 지도는 비탈면 전문가들로부터 수집된 다년간의 CSMS 자료를 활용함으로써 여타의 빅데이터 자료를 이용하는 것에 비해 상당히 높은 수준의 자료를 제공하고 있다. 또한 동일한 비탈면에 대하여 장기적인 자료를 취득해나감으로써 대상 비탈면이 장기간 모니터링 되고 있으며, 적절한 유지관리에 따른 비탈면의 변동을 파악하는데도 신뢰성 있는 자료를 제공할 수 있을 것으로 기대된다.

또한 빅데이터 분석을 통한 비탈면 붕괴 위험도 모델이 특정 변수로 쏠림 현상이 나타나지 않고 상대적 중요도에 따라 배열되는 결과를 보여준다. 그리고 비탈면 유지관리 업무를 통해 얻어진 붕괴현장에 대한 다양한 자료를 기반으로 구축된 위험도 지도는 현재까지의 피해현황 및 위험지역에 대한 정보 등의 파악이 용이하며 조사년도, 기상정보 등의 항목별 선택 기능은 상황에 맞는 현황파악이 가능하여 다양한 분석에 활용도가 높다.

도로유지관리 실무자들이 기존 붕괴현장의 위치파악을 통해 붕괴 예상 취약지역을 유추할 수 있으며 해당지역 점검 및 순찰강화를 통해 도로 이용자의 안전을 확보할 수 있으며 사전에 선제적 대응의 위험비탈면 정비를 통한 대규모 붕괴 및 피해를 방지하여 사회적 비용 절감 효과를 기대할 수 있다

본 연구는 경상도와 강원도의 CSMS 정밀조사 자료에 국한되어 빅데이터 분석과 위험도 시각화 지도에 나타내었다. 소표본의 한계로 인한 문제점이 제기될 수 있으나 수도권, 충청도, 전라도의 동일한 기간(2010~2018년)의 정밀조사(약 990건) 데이터를 추가하여 빅데이터 재분석을 통한 전국 단위 지도 업데이트가 추가 연구로 남아있다. 또한 전국단위 비탈면 위험지도 제작에 맞춰 2020년 수해피해의 주된 원인인 집중호우와 누적강우자료, 기상특보 자료 추가반영에 따른 위험도 시각화 지도 추가 개발을 통해 국민이 실사용에 효율적인 서비스로 다가갈 필요가 있다.

Acknowledgements

본 연구는 국토교통부 국토교통과학기술진흥원의 도로관리 효율화를 위한 건설사업정보화(건설CALS) 빅데이터 서비스 기술 개발, 20SCIP-C146569-03의 지원으로 수행되었으며 이에 깊은 감사를 드립니다.

References

1
Aleotti, P., 2004, A warning system for rainfall-induced shallow failures, Engineering Geology, 73(3-4), 247-265. 10.1016/j.enggeo.2004.01.007
2
Bernardie, S., Desramaut, N., Male, J.P., Gourlay, M., Grandjean, G., 2015, Prediction of changes in landslide rates induced by rainfall, Landslides, 12, 481-494. 10.1007/s10346-014-0495-8
3
Cho, S.E., Lee, S.R., 2002, Evaluation of surficial stability for homogeneous slopes considering rainfall characteristics, Journal of Geotechnical and Geoenvironmental Engineering, 128(9), 756-763. 10.1061/(ASCE)1090-0241(2002)128:9(756)
4
Christos, P., Christos, C., 2018, Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models, Nat Hazards, 93, 249-274. 10.1007/s11069-018-3299-7
5
Gomez, H., Kavzoglu, T., 2005, Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78(1), 11-27. 10.1016/j.enggeo.2004.10.004
6
Guzzetti, F., Peruccacci, S., Rossi, M., Stark, C., 2008, The rainfall intensity-duration control of shallow landslides and debris flows: an update, Landslides, 5(1), 3-17. 10.1007/s10346-007-0112-1
7
Intrieri, E., Bardi, F., Fanti, R., Gigli, G., Fidolini, F., Casagli, N., Costanzo, S., Raffo, A., Di Massa, G., Capparelli, G., Versace, P., 2017, Big data managing in a landslide early warning system: experience from a ground-based interferometric radar application, Natural Hazards and Earth System Sciences, 17(10), 1713-1723. 10.5194/nhess-17-1713-2017
8
KICT (Korea Institute of Civil Engineering and Building Technology Research Specialist), 2019, Operation of road cut slope management system in 2018, Republic of Korea Ministry of Land, Infrastructure and Transport, 355p.
9
KMA, 2013, Abnormal climate report. KMA, 148p.
10
Raul, R., 2009, AdaBoost and the super bowl of classifiers A tutorial introduction to adaptive boosting, Freie University, Berlin. 6p.
페이지 상단으로 이동하기