주성분 분석과 서포트 벡터 머신 기반의 기계학습을 활용한 점 단층 배치 이미지 분류
저자
발행사항
춘천 : 강원대학교 대학원, 2019
학위논문사항
학위논문(석사)-- 강원대학교 대학원 일반대학원 : 지구물리학과 2019. 8
발행연도
2019
작성언어
한국어
주제어
KDC
451 판사항(6)
발행국(도시)
강원특별자치도
형태사항
v,70 L. : 삽도 ; 30 cm
일반주기명
강원대학교 논문은 저작권에 의해 보호받습니다
지도교수:소병달
참고문헌 : L61-68
UCI식별코드
I804:42002-000000030707
소장기관
한반도는 동 유라시아 판에 위치하여 지진 활동도가 낮은 것으로 알려졌지만, 2016년 9월 12일 규모 5.1과 5.8의 지진이 경주에서 연이어 발생했고, 다수의 여진이 발생했다. 경주 지진 이후, 2017년 11월 15일 규모 5.5의 지진이 포항에서 발생했다. 이처럼 큰 규모의 지진이 주변 단층에 영향을 미쳐 또 다른 지진을 발생시키는 예가 다수 있다. 동 캘리포니아 전단대의 1992년 6월 28일 모멘트 규모 7.3의 모하비 사막 지진과 중국 2008년 5월 12일 모멘트 규모 7.9의 웬찬 지진이 수차례에 걸쳐 여진을 발생시키거나, 주변 응력 상태를 변화시켰다. 1992년 6월 28일 모멘트 규모 7.3의 랜더스 지진은 1999년 10월 16일 모멘트 규모 7.1의 헥터 광산지진을 유발하였다. 이와 같은 판 내부에서 발생한 큰 규모의 지진은 단층 간에 점성 완화를 유발하고, 이 점성완화 작용으로 인해 단층 사이의 상호작용이 복잡해진다. 특히, 판 내부의 단층대는 판 경계에서 매우 거리에 위치하기 때문에 응력의 축적과 방출 주기가 판 경계 지진에 비해서 길다. 이러한 이유로 판 내부 지진에 관한 자료 획득에 어려움이 있지만, 최근 컴퓨터 기술의 발달은 판 내부 지진과 같이 시공간적으로 거대한 규모의 현상을 연구할 때, 정방향 수치 모사를 통해 신뢰할 만한 지진 재발 주기에 관한 자료를 충분히 확보를 가능하게 하였다. 본 연구의 목적은 비지도 학습인 주성분 분석(Principal Component Analysis)과 지도 학습인 서포트 벡터 머신(Support Vector Machine)으로 구성된 기계학습 예측기에 점 단층 배치 이미지와 단층 배치를 조절하는 인자를 학습시킨 후, 점 단층 배치 이미지로부터 단층 배치 조절 인자를 예측하는 것이다. 신뢰할만한 분류 정확도를 보이기 위해 주성분의 수와 학습자료의 수를 증가시키고, 초평면을 조절하는 커널 함수를 조절하여 기계학습 분류기를 최적화하였다. 점 단층 배치 이미지는 판 내부 영역 가운데에 단층 배치 조절 인자로 조절되는 영역에 50개의 점 단층을 임의의 위치에 배치하여 제작된다. 그다음 단층 배치 이미지와 단층 배치 조절 인자를 기계학습 분류기에 입력하기 위해 이미지를 벡터의 형태로 변환한다. 변한된 자료로부터 주성분 분석을 거쳐 점 단층 배치 이미지의 주요 특징을 추출하고, 서포트 벡터 머신은 추출된 특징을 바탕으로 자료를 분류하는 결정경계를 형성한다. 본 연구에서는 단층 배치 조절인자를 이용하여 최대 6종류의 점 단층 배치 이미지를 구성했다. 점 단층 배치 이미지를 분류할 때, 이미지의 종류가 많을수록 분류 정확도가 감소하였다. 이를 해결하기 위해 주성분 수와 학습자료의 수를 조절하였고, 다양한 커널 방식을 적용하였다. 이미지의 종류가 3개, 4개인 실험은 한 종류의 이미지 당 500개 이하의 입력 자료와 100개의 주성분 수를 이용하여 100%에 수렴하는 예측 정확도를 얻을 수 있었지만, 이미지의 종류가 5개, 6개인 실험은 약 30-40%로 예측 정확도가 감소하였다. 분류 정확도를 향상시키기 위해 한 종류의 이미지의 학습자료를 2000개로 증가시키고, 400개의 주성분을 사용하여 정확도를 95%까지 향상시켰다. 추가적으로, 단층 배치 이미지를 정확히 분류한 경우와 오분류한 경우에 대해서 수신자 조작 특성 곡선을 이용하여 평가하였다. 그 결과, 점 단층 배치 이미지의 종류가 6개인 경우에도 신뢰할 만한 결과를 보여주었다. 본 연구에서는 기계학습 분류기를 통해서 점 단층 배치 이미지로부터 주요 특징을 추출하고, 이 특징을 바탕으로 점 단층 배치를 성공적으로 분류하였다. 이는 기계학습을 이용하여 단층 배치에 대한 엔트로피를 감소시키고, 점 단층 배치 모형의 정방향 수치 모사로부터 얻은 결과와 단층 배치와의 상관관계를 분석하여 단층 배치로부터 정방향 수치 모사의 결과를 예측할 수 있는 가능성을 제시했다.
더보기The Korean Peninsula is located on eastern eurasia plate with low seismicity. However, The 12 September 2016 Gyeongju earthquake(magnitude of 5.1 and 5.8) occurred in succession and there were several aftershocks. After the Gyeongju earthquake, the 15 November 2017 Pohang earthquake(magnitude 5.5) occurred. There are many examples that large-scale earthquake affects surrounding faults to trigger another earthquake. The 29 June 1992 Mojave desert earthquake of Mw 7.3 and the 12 May 2008 Wenchuan earthquake of Mw 7.9 resulted in several aftershocks and changed the stress state of surrounding areas. The 23 June 1992 Landers earthquake of Mw 7.3 caused a Hector mine earthquake of Mw 7.1 on October 16, 1999. Large-scale earthquakes introduced in the previous examples cause postseismic relaxation. Because of postseismic relaxation, interaction between faults become complex. Because intraplate faults is located far from plate boundary, seismic recurrence time of intraplate fault system is longer than interplate system. For this reason, it is difficult to acquire the data about intraplate earthquake. However, the development of computer technology has been used for reliable earthquake recurrence data through forward numerical modeling. The purpose of this study is to compose machine learning classifier which classify point fault distribution image and parameter controlling distance between faults. The machine learning classifier is composed of Principal component analysis (PCA) and Support Vector Machine (SVM). In order to enhance classification accuracy, we increase the number of principal components and the number of learning data and apply kernel trick which controls the hyperplane. The point fault distribution image has 50 point fault randomly distributed in center of intraplate. Fault distribution is controlled by R factor. The image and R factor are then transformed into a vector form to input to the computer. From the vector data, a principal component of the fault images is extracted through PCA and then, SVM makes decision boundary called hyperplane based on extracted features. In this study, we set a image of 3-6 different R. When classifying the point fault distribution images, the classification precision was decreased with the number of images. To solve this problem, the number of principal components and the number of training image were increased and various kernel methods were applied. In experiments with 3, 4 R case, the prediction accuracy converged to 1 using 500 input data and 100 principal components per image, but in experiments with 5-6 R case, the precision of individual experiments was reduced by about 30-40%. As a result of increasing learning to 2000 and principal component to 400, we obtained a 95% precision.In addition, we assessed whether the fault images were correctly classified and misclassified using Receiver operating characteristics curve. As a result, it showed reliable results even when there are six kinds of point image. In this study, we extract the main features from point fault distribution images through machine learning classifiers and successfully classify the point fault images based on extracted features. This research suggest that It is possible to reduce the entropy of the point fault image using machine learning and to predict a result of the forward simulation by analyzing correlation between a physical properties from the forward simulation and the fault distribution.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)