• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.209-209
• /
• 2011

본 연구는 횡성다목적댐이 준공되면서 유수역이었던 섬강이 정수역의 환경으로 변하면서 나타난 어류의 군집변화에 대하여 알아보고자 시행하였다. 조사 지역인 횡성다목적댐은 강원도 횡성군 갑천면 대관대리에 위치하고 있으며, 높이 48.5m, 길이 205m, 총저수량 8,690만t의 다목적댐으로 1993년 12월에 착공하여 2000년 11월에 준공되었다. 어류 조사는 2010년 04월부터 2010년 11월까지 총 4회에 걸쳐 횡성다목적댐을 기점으로 상류 2지점(유평교, 매일교), 횡성호 2지점(구방교, 부동교), 하류 2지점(활아지교, 수백교)에서 조사를 실시하였고 과거 문헌과 비교하여 결과를 분석하였다. 횡성다목적댐의 착공 전/후 조사 결과를 비교한 결과 착공하기 전에는 총 8과 29종 2,325개체가 조사되었으며, 참갈겨니(Zacco koreanus) 576개체(24.8%), 쉬리(Coreoleuciscus splendidus) 316개체(13.6%), 피라미(Zacco platypus) 203개체(8.7%), 배가사리(Microphysogobio longidorsalis) 194개체(8.3%) 등의 순으로 기록되었다. 반면, 착공한 후에는 총 8과 24종 2,769개체가 조사되었으며, 피라미(Z. platypus) 2,169개체(78.3%), 밀어(Rhinogobius brunneus) 91개체(3.3%), 참갈겨니(Z. koreanus) 89개체 (3.2%), 돌고기(Pungtungia herzi) 83개체(3.0%) 등의 순으로 조사되었다. 각 조사지점별로 비교한 결과 상류 2지점(유평교, 매일교)에서는 착공하기 전에 총 6과 20종 609개체가 조사되었으며, 참갈겨니(Z. koreanus) 227개체(37.3%), 피라미(Z. platypus) 74개체(12.2%), 쉬리(C. splendidus) 65개체(10.7%), 돌고기(P. herzi) 43개체(7.1%), 납자루(Acheilognathus lanceolatus) 41개체(6.7%) 등의 순으로 기록되었다. 반면, 착공한 후에는 총 6과 16종 1,923개체가 조사되었으며, 피라미(Z. platypus)가 1,707개체(88.8%)로 대부분을 차지하였고, 그 외 참갈겨니(Z. koreanus) 53개체(2.8%), 돌고기(P. herzi) 46개체(2.4%), 참마자(Hemibarbus longirostris) 35개체(1.8%), 모래무지(Pseudogobio esocinus) 23개체(1.2%) 등의 순으로 조사되었다. 횡성호 2지점(구방교, 부동교)에서는 착공하기 전에 총 6과 22종 721개체가 조사되었으며, 참갈겨니(Z. koreanus) 177개체 (24.5%), 배가사리(M. longidorsalis) 91개체(12.6%), 쉬리(C. splendidus) 88개체(12.2%), 묵납자루(A. signifer) 71개체(9.8%), 피라미(Z. platypus) 45개체(6.2%) 등의 순으로 기록되었다. 반면, 착공한 후에는 총 6과 12종 393개체가 조사되었으며, 피라미(Z. platypus) 228개체(58.0%), 붕어(C. auratus) 56개체(14.2%), 밀어(R. brunneus) 46개체(11.7%), 쏘가리(Siniperca scherzeti) 20개체(5.1%), 동자개(Pseudobagrus fulvidraco) 16개체(4.1%) 등의 순으로 조사되었다. 하류 2지점(활아지교, 수백교)에서는 착공하기 전에 총 8과 25종 995개체가 조사되었으며, 참갈겨니(Z. koreanus) 172개체(17.3%), 쉬리(C. splendidus) 163개체(16.4%), 묵납자루(A. signifer) 96개체(9.6%), 배가사리(M. longidorsalis) 91개체(9.1%), 피라미(Z. platypus) 84개체(8.4%) 등의 순으로 기록되었다. 반면, 착공한 후에는 총 7과 19종 453개체가 조사되었으며, 피라미(Z. platypus) 234개체(51.7%), 밀어(R. brunneus) 42개체(9.3%), 돌고기(Pungtungia herzi) 36개체(7.9%), 참갈겨니(Z. koreanus) 36개체(7.9%), 쉬리(C. splendidus) 10개체(4.2%) 등의 순으로 조사되었다. 본 연구의 조사 및 비교분석 결과 유수역이었던 섬강에 횡성다목적댐이 건설되어 주변 환경이 크게 변화하였고 그 결과 각 조사 지점에서의 어류상이 유수역 선호 어종에서 오염 내성종 및 정수역 선호 어종으로 변화되는 것을 확인하였다.

• Proceedings of the Plant Resources Society of Korea Conference
• /
• 2018.04a
• /
• pp.27-27
• /
• 2018

본 연구는 강원지역에 분포하는 희귀 특산식물 5종 광릉요강꽃(CR), 개느삼(EN), 모데미풀(EN), 금강봄맞이(EN), 난장이붓꽃(EN)을 대상으로 고정조사구($5{\times}5m$, $2{\times}2m$, $1{\times}1m$)를 설치한 뒤, 2014년부터 2017년까지 4년간의 개화 및 결실 특성을 조사하여 자생지와 식물종의 보전을 위한 기초자료를 제공하기 위해 수행하였다. 그 결과, 광릉요강꽃의 개화율은 2014년 총 개체수 6개 중 100%(6개체), 2015년 6개 중 66.7%(4개체), 2016년 3개 중 33.3%(1개체), 2017년 7개 중 14.3%(1개체)으로 나타났고, 결실율은 2014년 0%(0개체), 2015년 33.3%(2개체), 2016년 0%(0개체), 2017년 0%(0개체)으로 각각 나타났다. 개느삼의 개화율은 2014년 총 개체수 83개 중 0%(0개체), 2015년 83개 중 1.2%(1개체), 2016년 83개 중 7.2%(6개체), 2017년 76개 중 0%(0개체)으로 나타났고, 2014년부터 2017년까지의 결실은 이루어지지 않은 것으로 조사되었다. 모데미풀의 개화율은 2014년 총 개체수 6개 중 33.3%(2개체), 2015년 23개 중 91.3%(21개체), 2016년 30개 중 50%(15개체), 2017년 16개 중 100%(16개체)으로 나타났고, 결실율은 2014년 33.3%(2개체), 2015년 52.2%(12개체), 2016년 36.7%(11개체), 2017년 37.5%(6개체)으로 각각 나타났다. 금강봄맞이의 개화율은 2014년 총 개체수 20개 중 50%(10개체), 2015년 27개 중 59.3%(16개체), 2016년 47개 중 34%(16개체), 2017년 58개 중 31%(18개체)으로 나타났고, 결실율은 2014년 50%(10개체), 2015년 29.6%(8개체), 2016년 4.3%(2개체), 2017년 10.3%(6개체)으로 각각 나타났다. 난장이붓꽃의 개화율은 2014년 총 개체수 28개 중 0%(0개체), 2015년 15개 중 100%(15개체), 2016년 28개 중 21.4%(6개체), 2017년 35개 중 62.9%(22개체)으로 나타났고, 2014년부터 2017년까지의 결실은 이루어지지 않은 것으로 조사되었다.

• Journal of Aquaculture
• /
• v.13 no.2
• /
• pp.101-105
• /
• 2000

To select a suitable seed for aquaculture, four strains of Hizikia fusiformis, collected from Haenam, Wando, Yosu, Chungmu and Pusan, were cultured under similar conditions at Wando, southern coast of Korea from December, 1993 to July, 1994. A comparative study on the monthly growth rate of these plants indicated that the maximum growth was attained by Yosu strain in May but the others in June-July. At the harvest time in May, Yosu strain yielded a maximum of 15.8 kg/$m^2$ of culture rope, while that of Pusan a minimum of 1.5 kg/$m^2$.

• Annual Conference on Human and Language Technology
• /
• 2017.10a
• /
• pp.309-313
• /
• 2017

개체명은 인명, 지명, 조직명 등 문서 내에서 중요한 의미를 가지므로 질의응답, 요약, 기계번역 분야에서 유용하게 사용되고 있다. 개체명 인식은 문서에서 개체명에 해당하는 단어를 찾아 개체명 범주를 부착하는 작업을 말한다. 개체명 인식 연구에는 개체명 범주가 부착된 개체명 말뭉치를 사용한다. 개체명의 범주는 연구 분야에 따라 다양하게 정의되므로 연구 분야에 적합한 개체명 말뭉치가 필요하다. 하지만 이런 말뭉치를 구축하는 일은 시간과 인력이 많이 필요하다. 따라서 본 논문에서는 개체명 사전 기반의 반자동 말뭉치 구축 도구를 제안한다. 제안하는 도구는 크게 전처리, 사용자 태깅, 후처리 단계로 나뉜다. 전처리 단계는 자동으로 개체명을 찾는 단계이다. 약 11만 개의 개체명을 기반으로 하여 트라이(trie) 구조의 개체명 사전을 구축한 후 사전을 이용하여 개체명을 자동으로 찾는다. 사용자 태깅 단계는 사용자가 수동으로 개체명을 태깅하는 단계이다. 전처리 단계에서 찾은 개체명 중 오류가 있는 개체명들은 수정하거나 삭제하고, 찾지 못한 개체명들은 사용자가 추가로 태깅하는 단계이다. 후처리 단계는 태깅한 결과로부터 사전 정보를 갱신하는 단계이다. 제안한 말뭉치 구축 도구를 이용하여 752개의 뉴스 기사에 대해 개체명을 태깅한 결과 7,620개의 개체명이 사전에 추가되었다. 제안한 도구를 사용한 결과 사용하지 않았을 때 비해 약 57.6% 정도 태깅 횟수가 감소했다.

• 한국어정보학회:학술대회논문집
• /
• 2017.10a
• /
• pp.309-313
• /
• 2017

개체명은 인명, 지명, 조직명 등 문서 내에서 중요한 의미를 가지므로 질의응답, 요약, 기계번역 분야에서 유용하게 사용되고 있다. 개체명 인식은 문서에서 개체명에 해당하는 단어를 찾아 개체명 범주를 부착하는 작업을 말한다. 개체명 인식 연구에는 개체명 범주가 부착된 개체명 말뭉치를 사용한다. 개체명의 범주는 연구 분야에 따라 다양하게 정의되므로 연구 분야에 적합한 개체명 말뭉치가 필요하다. 하지만 이런 말뭉치를 구축하는 일은 시간과 인력이 많이 필요하다. 따라서 본 논문에서는 개체명 사전 기반의 반자동 말뭉치 구축 도구를 제안한다. 제안하는 도구는 크게 전처리, 사용자 태깅, 후처리 단계로 나뉜다. 전처리 단계는 자동으로 개체명을 찾는 단계이다. 약 11만 개의 개체명을 기반으로 하여 트라이(trie) 구조의 개체명 사전을 구축한 후 사전을 이용하여 개체명을 자동으로 찾는다. 사용자 태깅 단계는 사용자가 수동으로 개체명을 태깅하는 단계이다. 전처리 단계에서 찾은 개체명 중 오류가 있는 개체명들은 수정하거나 삭제하고, 찾지 못한 개체명들은 사용자가 추가로 태깅하는 단계이다. 후처리 단계는 태깅한 결과로부터 사전 정보를 갱신하는 단계이다. 제안한 말뭉치 구축 도구를 이용하여 752개의 뉴스 기사에 대해 개체명을 태깅한 결과 7,620개의 개체명이 사전에 추가되었다. 제안한 도구를 사용한 결과 사용하지 않았을 때 비해 약 57.6% 정도 태깅 횟수가 감소했다.

• 한국어정보학회:학술대회논문집
• /
• 2017.10a
• /
• pp.317-320
• /
• 2017

개체명 인식은 자연어 문장에서 장소, 제작물, 사람 등 분류를 통한 의미 부여가 가능한 단어를 파악하는 기술로서 의미 분석을 위한 핵심 기술이다. 현재 많은 개체명 분석 관련 연구들은 형태소 분석 결과에 의존적인 형태를 갖고 있어서, 형태소 분석 결과의 정확성이 개체명 분석 결과의 성능에 영향을 미치고 있다. 본 연구에서는 형태소 분석 과정을 거치지 않는 음절 기반의 개체명 분석 기술을 제안하여 형태소 분석의 정확도가 낮은 통신어, 신조어 분석 성능을 향상하였다. 또한, 자동화된 방법으로 음절 단위 개체명 말뭉치 및 개체명 사전을 구축하는 프로세스를 정의하여 개체명 분석의 정확도 향상 및 인지 범주의 확대를 도모하였다. 본 연구에서 제안한 개체명 인식 기술은 한국어 개체명 표준에 기반한 129가지의 개체명 분류가 가능하며, 이는 자연어 처리 기술이 필요한 산업계에서 상용화하는데 큰 기여를 할 것으로 판단된다.

• Annual Conference on Human and Language Technology
• /
• 2019.10a
• /
• pp.71-77
• /
• 2019

개체 연결은 자연어 문장 안에서 나타난 개체를 지식베이스의 URI에 연결하는 작업이다. 그러나 지금까지는 새로운 개체를 지식베이스에 등록하여 지식베이스를 확장하려는 시도가 아직 없었다. 본 논문에서는 지식베이스에 새로운 개체를 등록하는 방법인 "개체 발견" 과정과, 이를 평가하는 방법인 "반복적 개체 연결"에 대한 순서와 실험 방법을 정의하였다. 실험 결과를 통해 개체명을 많이 등록할수록 새로운 URI를 잘 찾아내는 장점이 있지만, 기존의 개체 연결 성능에 악영향을 미쳐 적절한 개체 검증 과정이 필요함을 보였다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.251-256
• /
• 2021

개체명 인식은 정보 추출의 하위 작업으로, 문서에서 개체명에 해당하는 단어를 찾아 알맞은 개체명을 분류하는 자연어처리 기술이다. 질의 응답, 관계 추출 등과 같은 자연어처리 작업에 대한 관심이 높아짐에 따라 세부 분류 개체명 인식에 대한 수요가 증가했다. 그러나 기존 개체명 인식 성능에 비해 세부 분류 개체명 인식의 성능이 낮다. 이러한 성능 차이의 원인은 세부 분류 개체명 데이터가 불균형하기 때문이다. 본 논문에서는 이러한 데이터 불균형 문제를 해결하기 위해 대분류 개체명 정보를 활용하여 세부 분류 개체명 인식을 수행하는 방법과 대분류 개체명 인식의 오류 전파를 완화하기 위한 2단계 학습 방법을 제안한다. 또한 레이블 주의집중 네트워크 기반의 구조에서 레이블의 공통 요소를 공유하여 세부 분류 개체명 인식에 효과적인 레이블 임베딩 구성 방법을 제안한다.

• Annual Conference on Human and Language Technology
• /
• 2023.10a
• /
• pp.505-509
• /
• 2023

개체명 인식은 주어진 텍스트에서 특정 유형의 개체들을 식별하고 추출하는 작업이다. 일반적인 딥러닝 기반 개체명 인식은 사전에 개체명들을 모두 정의한 뒤 모델을 학습한다. 하지만 실제 학습 환경에서는 지속적으로 새로운 개체명이 등장할 수 있을뿐더러 기존 개체명을 학습한 데이터가 접근이 불가할 수 있다. 또한, 새로 모델을 학습하기 위해 새로운 데이터에 기존 개체명을 수동 태깅하기엔 많은 시간과 비용이 든다. 해결 방안으로 여러 방법론이 제시되었지만 새로운 개체명을 학습하는 과정에서 기존 개체명 지식에 대한 망각 현상이 나타났다. 본 논문에서는 지식증류를 활용한 지속학습이 한국어 개체명 인식에서 기존 지식에 대한 망각을 줄이고 새로운 지식을 학습하는데 효과적임을 보인다. 국립국어원에서 제공한 개체명 인식 데이터로 실험과 평가를 진행하여 성능의 우수성을 보인다.

• Annual Conference on Human and Language Technology
• /
• 2018.10a
• /
• pp.163-166
• /
• 2018

개체명 연결이란 주어진 문장에 출현한 단어를 위키피디아와 같은 지식 기반 상의 하나의 개체와 연결하여 특정 개체가 무엇인지 식별하여 모호성을 해결하는 작업이다. 본 연구에서는 위키피디아의 링크를 이용하여 개체 표현(Entity mention)과 학습 데이터, 지식 기반을 구축한다. 또한, Mention/Context 쌍의 표현과 Entity 표현의 코사인 유사도를 이용하여 Score를 구하고, 이를 통해 개체명 연결 문제를 랭킹 문제로 변환한다. 개체의 이름과 분류뿐만 아니라 개체의 설명, 개체 임베딩 등의 자질을 이용하여 모델을 확장하고 결과를 비교한다. 확장된 모델의 개체 링킹 성능은 89.63%의 정확도를 보였다.