메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
박상진 (서울대학교) 남상욱 (서원대학교) 이동근 (서울대학교)
저널정보
한국리스크관리학회 리스크 관리연구 리스크관리연구 제32권 제4호
발행연도
2021.12
수록면
1 - 28 (28page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
In the present study, we used multiple machine learning methods to assess flood risks caused by the effects of climate change and predict future flood risks based on climate change scenarios. In particular, we aimed to verify the usefulness of machine learning algorithms as a tool to predict future flood risks. Through this analysis, we sought to provide fundamental data for preparing plans to improve flood risk predictions and establishing climate change adaptation measures. To this end, we used three machine learning algorithms (naive Bayes, k-nearest neighbor, and random forest) to predict flood risks in certain areas of Cheongju, Chungcheongbuk Province, South Korea, where heavy rain occur frequently, and assessed future flood risk for each regional climate model and climate change scenario (Representative Concentration Pathway [RCP] 4.5 and 8.5). RF (AUC: 0.616), among all machine learning algorithms tested, achieved the best flood risk predictive performance. Furthermore, for each climate change scenario, the models confirmed a gradual increase in flood risk over time, even when the uncertainty of the future is considered. In particular, if the greenhouse gas mitigation policy fails (RCP8.5), the flood risk will increase significantly.
#climate change #flood risk #insurance #multiple machine learning #regional climate model

목차

등록된 정보가 없습니다.

참고문헌 (35)

참고문헌 신청
Bhavsar, H. / 2012 / A Comparative Study of Training Algorithms for Supervised Machine Learning / International Journal of Soft Computing and Engineering 2(4):74~81 google schola Breiman, L / 2001 / Random Forests / Machine Learning 45:5~32 google schola Cracknell, M. J. / 2014 / Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information / Computers and Geosciences 63:22~33 google schola Dodangeh, E / 2020 / Integrated machine learning methods with resampling algorithms for flood susceptibility prediction / Science of the Total Environment 705 google schola European Commission / 2010 / Risk Assessment and Mapping Guidelines for Disaster Management / Commission Staff Working Paper google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0