• 한국해양학회지:바다
• /
• 제21권2호
• /
• pp.49-57
• /
• 2016

기후변화를 일으키는 외부강제력이 전지구적으로 동일하게 주어지더라도 그에 따른 기후변화와 되먹임 효과는 지역마다 다르게 나타난다. 따라서 기후변화에 나타난 내부변동성 및 다른 잡음 효과로부터 지구온난화 신호를 구별하기 위한 기후변화 탐지는 전구평균뿐만 아니라 지역규모에서도 이뤄져 왔다. 본 논문은 지구온난화로 인해 미래에 전례 없는 기후가 나타나는 시기를 추정하고 그 지역적 차이를 분석함이 목적이며 이를 위해, 기후모형 자료를 이용한 기존 연구와는 달리, 관측 자료를 이용하여 내부변동성을 추정하고 미래 온도변화를 전망하였다. 전례 없는 기후 시기는 미래에 예측된 지표 온도가 과거 관측 기록에 나타난 온도 범위를 벗어나 전례 없이 따뜻한 기후가 이후로도 지속되는 시점으로 정의하였다. 1880년부터 2014년까지 관측된 지표온도 아노말리의 연평균 시계열을 이용하여 온난화 선형추세를 계산하였고, 이 추세로부터 벗어난 최대 변이 값을 내부변동성의 크기로 간주하였다. 관측 자료로 구한 온난화 선형추세와 내부변동성의 크기가 미래에도 유지된다고 전제하고 계산한 결과에 따르면, 육지에서 전례없는 기후는, 아프리카는 서쪽에서, 유라시아는 인도와 아라비아 반도 남부 등 저위도에서, 북아메리카는 캐나다 중서부와 그린란드 등 고위도에서, 남아메리카는 아마존을 포함하는 저위도에서, 남극대륙은 로스해 주변지역에서 향후 200년 이내에 비교적 빨리 나타나며, 우리나라를 포함한 동아시아 일부 지역에서도 200년 이내로 빨리 나타난다. 반면에 북유럽을 포함하는 고위도 유라시아 지역과 미국과 멕시코를 포함하는 북아메리카 중남부에서는 400년 이후에 나타난다. 해양에서는 전례 없는 기후가 인도양, 중위도 북대서양과 남대서양, 남극해 일부 해역과 남극 로스해, 북극해 일부 해역에서 200년 이내로 비교적 빨리 나타나는 반면, 내부변동성이 큰 동적도태평양, 중위도 북태평양 등의 일부 해역에서는 수천 년이 지나야 오는 곳도 있다. 즉, 전례 없는 기후시기는 육지에서는 대륙마다 서로 다른 양상을 보이고 해양에서는 온난화 추세가 큰 고위도 해역을 제외하면 내부변동성의 영향을 많이 받는다. 결론적으로 지구온난화로 인한 전례 없는 기후는 특정 시기에 공통적으로 나타나는 것이 아니라 지역에 따라 시기적으로 상당한 차이가 있다. 따라서 기후변화 대응책을 마련할 때 온난화 추세뿐만 아니라 내부변동성의 크기도 함께 고려할 필요가 있다.

• 한국농림기상학회지
• /
• 제3권3호
• /
• pp.135-142
• /
• 2001

이 연구는 강원도 지역의 시계열 기상자료와 산불발생현황자료를 이용하여 시ㆍ군별 산불발생유형을 구분하고자 지역간 기상요인과 발생원인 그리고 산불발생 일을 근거로 한 지역별 유형화 구분을 목적으로 시도되었다. 기상요인에 의한 산불발생 유형화에서는 최근 6년간의 강원도 소재 기상대의 기상자료를 적용하였으며, 지역과 산불발생원인과의 관련성 규명과 산불발생일의 불일치계수를 이용한 수량화된 다차원척도법 유형화에서는 최근 10년간의 산불발생현황자료를 적용하였다. 연구결과를 요약하면 다음과 같다. 첫째, 강원도 동해안산불과 같은 대형산불에 관련되는 기상요인으로는 평균온도, 최저온도, 최저초상온도, 평균풍속, 최대풍속 등으로 규명되었다. 둘째, 산불발생원인과 지역간의 관계를 도식화한 대응일치분석 결과에서는 지역과 산불발생원인과의 관계에서 가장 확연히 구분되는 지역으로는 '강릉'의 경우로 '방화'와 깊은 관련이 있는 것으로 나타났으며, '삼척'은 '입산자실화'와 '철원', '화천', '양구'지역은 군사훈련과 관계하는 것으로 보여지며, '속초'와 '춘천'의 경우에는 '쓰레기 소각'과 '담뱃불'이 타지역보다 밀접한 관련성이 있는 것으로 나타났다. 마지막으로 산화발생일을 근거로 각 시ㆍ군의 산불발생 유사성 정도 및 유형화 구분을 위한 다차원척도법 적용결과에서는 강원도 18개 시ㆍ군 지역이 5개의 유형으로 분류되었는데, 유형 I로 구분된 지역으로는 삼척, 강릉, 춘천, 원주, 홍천, 횡성으로 나타났으며, 유형 Ⅱ는 동해, 태백, 양양, 평창지역, 유형 Ⅲ은 정선, 철원, 화천지역, 유형 Ⅵ는 고성, 인제, 양구지역이, 그리고 마지막으로 유형 V는 속초와 영월지역으로 구분되었다. 지금까지의 도출된 연구결과들은 산불현황자료와 기상자료를 기초로 하여 도출된 결과를 근거로 제시하였고, 지역별 산불발생 특성을 보다 체계적으로 구분하기 위하여는 이외에도 지역별 임상요인과 지형 및 사회적 요인에 대한 검토들이 병행되어야 할 것으로 판단된다.의 경쟁이 생장에 영향을 미치는 것이 사실이다. 따라서 앞으로의 연구에서는 지형, 토양, 미기후 조건, 그리고 임목 간의 경쟁관계가 종합적으로 고려된 환경요인에 의한 생장특성을 파악하는 연구가 필요하다. 아울러 본 연구에서와 같이 지형기후학적 방법에 의하여 추정된 미기후를 통하여 보다 정확한 결과를 얻기 위해서는 무인자동기상관측 망의 설치를 통하여 이를 검증하는 작업이 필요하다.deling of self-similar traffic.ti colored dan have been produced after 1960's. Around the end of 1980's, automatic shuttle change loom have been generalized and 7 color dan(칠색단), 9 color gumsadan (구색금사단) have been current in multi colored dan. In terms of materials, synthetic and chemical textiles had been used widely and alter 1980's most fabrics, of which the ground weave is not being woven with satin-weave but being woven with plain or twill-weave, are named Dan in general.Standards for Livestock Products of Korea". The measured mean concentrations of Ca, Fe, Zn were generally higher than lower limit of labeled value(above 80% of labeled value). The mean concentration of sodium was lower than upper limit of labeled value(below 120％ of labeled value).

• 대한의용생체공학회:의공학회지
• /
• 제23권1호
• /
• pp.9-16
• /
• 2002

국부적 근 피로는 근전도 신호의 저주파역으로의 천이, 특히 중앙주파수의 감소로 특징된다. 여러 운동각도(0$^{\circ}$, 12$^{\circ}$, 36$^{\circ}$, 72$^{\circ}$)에서 등척성 요추신전운동을 수행하는 동안 근 피로에 따른 근전도 신호의 중앙주파수와 토크의 특성을 살펴보고자 총 20명 (평균 연령 24.35$\pm$2.70세)의 건강i한 피검자를 대상으로 본 실험연구를 수행하였다. 근전도 신호로부터 FFT를 사용하여 중앙주파수를 추출하였으며 선형회귀분석을 통해서 시간에 따른 초기중앙주파수의 초기값과 기울기를 계산하였다. 중앙주파수의 기울기와 토크의 기울기에 대한 상관관계를 정량화하기 위해서 피어슨 상관계수를 적용하였다 중앙주파수의 기울기(p〈0.656)나 v-절편(p〈0.609), 피로지수(p〈0.555)에서는 요추의 각도 타이에 영향을 받지 않아 유의한 차이가 없었으며. 토크의 기울기. 피로지수 역시 유의한 차이가 없었으나, 토크의 ｙ-절편에서는 차이(p〈0.04)가 나타나서, 근육의 길이 증가와 자세변화가 토크에 영향을 미침을 알 수 있었다. 또한, 개인간의 중앙주파수와 토크의 기울기에는 상관관계가 낮았으나, 개인 내에서 중앙주파수와 토크의 시계열 변화에는 유의한 상관관계(0.682)가 있음을 알 수 있었다.

• 시큐리티연구
• /
• 제61호
• /
• pp.109-135
• /
• 2019

본 연구는 소방공무원의 직무질환(진료건수)에 대한 시계열 분석 등 기술적 탐색 연구를 진행하는데 그 목적이 있다. 구체적인 연구결과는 다음과 같다. 첫째, 소방공무원의 직무질환에 대한 평균추이는 ① 내과 질병은 12월이 9.24%로 가장 높고, 2월이 7.76%로 가장 낮고, ② 이비인후과 질병은 12월이 9.29%로 가장 높고, 8월이 6.74%로 가장 낮으며, ③ 피부과 질병은 7월이 10.03%로 가장 높고, 1월과 2월이 7.35%로 가장 낮고, ④ 외과 질병은 11월이 10.38%로 가장 높고, 2월이 5.62%로 가장 낮으며, ⑤ 정형외과 질병은 3월이 9.69%로 가장 높고, 11월이 7.52%로 가장 낮고, ⑥ 신경외과 질병은 4월이 9.33%로 가장 높고, 2월이 6.82%로 가장 낮으며, ⑦ 재활의학과 질병은 12월이 9.47%로 가장 높고, 10월이 7.06%로 가장 낮고, ⑧ 정신건강의학과 질병은 12월이 9.93%로 가장 높고, 5월이 6.51%로 가장 낮은 것으로 나타났다. 둘째, 소방공무원의 직무질환에 대한 계절분해는 ① 내과 질병은 1.075(S) × 189.355(T·C) × 1.174(R) = 238.975(F), ② 이비인후과 질병은 1.023(S) × 69.605(T·C) × 1.040(R) = 74.000(F), ③ 피부과 질병은 1.002(S) × 73.088(T·C) × 0.874(R) = 64.000(F), ④ 외과 질병은 1.099(S) × 27.229(T·C) × 0.669(R) = 20.000(F), ⑤ 정형외과 질병은 1.115(S) × 73.182(T·C) × 1.213(R) = 99.000(F), ⑥ 신경외과 질병은 0.993(S) × 27.836(T·C) × 1.303(R) = 36.000(F), ⑦ 재활의학과 질병은 1.029(S) × 62.417(T·C) × 1.152(R) = 74.000(F), ⑧ 정신건강의학과 질병은 1.210(S) × 8.781(T·C) × 1.035(R) = 11.000(F) 등으로 나타났다.

• 한국농공학회논문집
• /
• 제61권6호
• /
• pp.111-121
• /
• 2019

작물 증발산량은 수자원 계획 및 관리, 물수지 분석, 작물 관개 계획 및 생산량 추정 등에 널리 활용되고 있으며, 특히 FAO에서 공인한 Penman-Monteith식 (FAO 56-PM)은 잠재 증발산량 산정을 위한 표준방법으로 많이 사용되고 있다. Penman-Monteith식을 이용한 잠재증발산량 산정은 최소온도, 평균온도, 최대온도, 상대습도, 풍속과 일사량인 6가지 항목에 대한 시계열 자료가 필요한데, 결측 또는 미계측된 경우에는 사용이 어려운 단점을 가지고 있다. 따라서, 본 연구에서는 역전파 신경망(BPNN) 모델을 이용해서 6개 미만의 기상항목으로도 잠재증발산량이 추정가능한지를 확인하였다. 여섯 가지 기상항목을 각각 1~6개의 조합으로 입력자료를 구성하고, BPNN 모델을 이용해서 학습, 검증 및 테스트를 한 결과, 입력 자료가 많아질수록 좋은 결과가 산출되었으며, 일사량, 최대온도와 상대습도만으로도 결정계수($R^2$)가 0.94정도로 비교적 높은 예측결과를 얻을 수 있었다. 또한 산정 오차를 줄이고, 항목간의 상관관계를 높이기 위해서는 역전파 신경망 구조의 적절한 선택이 중요한 것으로 확인되었다. 역전파 신경망 모델을 사용하면 요구되는 기상 항목과 데이터의 양에 대한 제약 없이 예측이 가능할 수 있기 때문에 기준 증발산량 산정에 유용하게 활용될 수 있을 것이며 향후 작물 재배를 위한 적정 관개계획 수립에도 유용하게 사용될 것이라 사료된다.

• 한국지리정보학회지
• /
• 제22권2호
• /
• pp.36-49
• /
• 2019

본 연구는 강원대학교 학술림을 대상으로 현장조사 기반(Field Survey Based)에 의한 감염목(FSB_감염목)과 객체분류기반(Object Classification Based)에 의한 감염목(OCB_감염목)을 추출하고 감염목에 대한 공간적 분포특성 및 발생강도 평가를 목적으로 하였다. OCB 최적 가중치는 Scale 11, Shape 0.1, Color 0.9, Compactness 0.9, Smoothness 0.1로 선정되었으며, 전체 분류정확도는 약 94%, Kappa 계수는 0.88로 매우 높았다. OCB_감염목 지역은 약 2.4ha로 전체 면적의 약 0.05% 발생하였다. OCB_감염목와 FSB_감염목의 임분구조 분포특성 및 지형 지리적 요인을 비교 하면, OCB_감염목 영급은 IV영급의 분포비율이 약 44%로 가장 높았으며, FSB_감염목의 영급도 IV영급의 분포비율이 약 55%로 가장 높았다. OCB_감염목의 IV영급 비율은 FSB_감염목보다 약 11% 낮았다. OCB_감염목 경급은 소경목과 중경목이 약 93%로 대부분을 차지한 반면, FSB_감염목 경급은 중경목과 대경목이 약 87%로 전체 대상지의 경급 분포와 상이하였다. 한편, OCB_감염목 표고 분포비율은 401-500m에서 약 30%로 가장 높은 반면, FSB_감염목은 301-400m에서 약 45%로 상이하였으며, 임도로부터 접근성 분포 비율은 OCB_감염목과 FSB_감염목 모두 100m이하에서 각각 약 24%와 31%로 가장 높아 임도로부터 접근성이 높을수록 감염목이 높았다. OCB_감염목 핫스팟은 31임반과 32임반으로 영급과 경급이 높은 지역에서 높게 분포하였다.

• 한국측량학회지
• /
• 제37권3호
• /
• pp.199-208
• /
• 2019

운용 가능한 위성의 수가 증가하고 기술이 진보함에 따라 영상정보의 성과물이 다양해지고 많은 양의 자료가 축적되고 있다. 본 연구에서는 기구축된 영상정보를 활용하여 부족한 훈련자료의 문제를 극복하고 딥러닝(deep learning) 기법의 장점을 활용하고자 전이학습과 변화탐지 네트워크를 활용한 고해상도 위성영상의 변화탐지를 수행하였다. 본 연구에서 활용한 딥러닝 네트워크는 공간 및 분광 정보를 추출하는 합성곱 레이어(convolutional layer)와 시계열 정보를 분석하는 합성곱 장단기 메모리 레이어(convolutional long short term memory layer)로 구성되었으며, 고해상도 다중분광 영상에 최적화된 정보를 추출하기 위하여 커널(kernel)의 차원에 따른 정확도를 비교하였다. 또한, 학습된 커널 정보를 활용하기 위하여 변화탐지 네트워크의 초기 합성곱 레이어를 고해상도 항공영상인 ISPRS (International Society for Photogrammetry and Remote Sensing) 데이터셋에서 추출된 40,000개의 패치로 학습된 값으로 초기화하였다. 다시기 KOMPSAT-3A (KOrean Multi-Purpose SATllite-3A) 영상에 대한 실험 결과, 전이학습과 딥러닝 네트워크를 활용할 경우 기복 변위 및 그림자 등으로 인한 변화에 덜 민감하게 반응하며 분류 항목이 달라진 지역의 변화를 보다 효과적으로 추출할 수 있었으며, 2차원 커널보다 3차원 커널을 사용할 때 변화탐지의 정확도가 높았다. 3차원 커널은 공간 및 분광정보를 모두 고려하여 특징 맵(feature map)을 추출하기 때문에 고해상도 영상의 분류뿐만 아니라 변화탐지에도 효과적인 것을 확인하였다. 본 연구에서는 고해상도 위성영상의 변화탐지를 위한 전이학습과 딥러닝 기법의 활용 가능성을 제시하였으며, 추후 훈련된 변화탐지 네트워크를 새롭게 취득된 영상에 적용하는 연구를 수행하여 제안기법의 활용범위를 확장할 예정이다.

• 한국해양학회지:바다
• /
• 제24권1호
• /
• pp.54-63
• /
• 2019

국가해양생태계종합조사의 일환으로 2015년부터 2017년까지 3년간 강화남단, 가로림만, 증도, 순천만 등 한반도 4개 대표 갯벌에서 시계열 변화에 따른 퇴적환경 및 유 무기 오염현황을 조사하였다. 조사시기 및 지역별 퇴적물의 평균입도는 강화남단 $5.0-5.3{\varnothing}$, 가로림만 $4.5-4.8{\varnothing}$, 증도 $6.1-6.5{\varnothing}$, 순천만 $8.6-8.7{\varnothing}$이었다. 전반적으로 강화남단에서 순천만으로 남하함에 따라 입도가 조립해지는 경향을 나타내었고, 순천만에서 가장 세립한 경향을 보였다. 조사시기별로 강화남단과 증도의 경우 2015년보다 2017년에 평균입도가 보다 세립화되는 경향을 나타내었다. 강열감량은 2015년 순천만에서 15.5%로 다른 지역에 비해 상대적으로 높았으나 2016년 8.3%, 2017년 7.0%로 시간의 경과에 따라 점차 감소되었다. 미량금속 농도는 증도와 순천만의 일부정점에서 Zn와 As가 주의기준(TEL)을 초과하였으나 기타 금속의 경우 오염농도 이하의 범위로 분석되어 오염의 개연성이 나타나지 않았다. 연구지역내 퇴적물중 평균입도와 미량금속 농도 사이의 관계를 살펴본 결과, 증도의 경우 수은을 제외한 모든 미량금속과 강열감량이 평균입도와 정의 상관성(r=0.40-0.88, P < 0.05)을 보였다. 반면 순천만의 경우, 입도와 미량금속은 유의한 상관성이 없는 것으로 파악되었으며, 강열감량과 미량금속 간에 음의 상관성(p < 0.05)을 나타내었다. 퇴적물의 미량금속 오염을 평가하기 위하여 농집지수 $I_{geo}$를 계산한 결과, Cu, Zn, Pb, Cd, Hg에 대해서는 1보다 작은 범위로 오염되지 않았고, As의 경우 순천만과 증도의 일부정점에서 약간 오염된 수준에 해당되었다.

• 벤처창업연구
• /
• 제16권6호
• /
• pp.31-42
• /
• 2021

한국 경제에서 창업·벤처기업의 중요성이 커지고 있다. 이 연구는 창업·벤처기업의 성장을 포함하여 창업·벤처 생태계가 성장하고 있는지 측정하였다. 창업·벤처 생태계는'생태계'의 주요 행위자인 창업·벤처기업, 투자기관, 정부로 구성하고, 이들의 주요 활동을 정량적 지표 25개로 측정하였다. 창업·벤처 생태계 지수는 25개 지표의 2010~2018년의 시계열 원자료를 토대로 종합주가지수 방식과 AHP를 통한 가중치를 적용하여 산출하였다. 2018년 창업·벤처 생태계는 2010년에 비해 2.1배 성장하였으며, 정부 지수의 증가가 성장에 큰 영향을 미쳤다. 2018년 각각의 지수를 구성하는 개별지표를 보면, 기업 지수는 천억 벤처기업의 수, 투자 지수는 회수금액, 정부 지수는 모태펀드 출자금액이 성장에 가장 큰 영향을 주었다. 원자료를 토대로 창업·벤처 생태계 지수를 생태계별(창업생태계와 벤처생태계), 업종별(전업종과 제조업), 지역별(전국과 부산)로 구분하여 분석하였다. 그 결과, 지난 8년간 창업생태계의 성장이 벤처생태계의 성장 보다 근소한 차이로 컸다. 제조업 창업·벤처 생태계는 전업종 보다 낮게 나타났으며, 예시로 살펴본 부산의 창업·벤처 생태계 지수는 전국 보다 낮게 나타났다. 이 연구는 창업·벤처 생태계 지수를 개발 및 측정하여 모니터링 함으로써 지원 정책의 수립 및 시행에 활용하고자 했다. 이 지수는 주요 행위자 간의 상호관계를 파악해 볼 수 있으며, 공식적인 통계조사 결과를 활용하여 누구라도 지수를 산출할 수 있는 장점이 있다. 향후에도 지수를 지속적으로 모니터링하여 경제사회적 사건이나 정책적 지원이 창업·벤처 생태계에 어떤 영향을 미쳤는지 파악할 필요가 있다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.1031-1042
• /
• 2023

인공위성은 시공간적으로 연속적인 지구환경 데이터를 제공하므로 위성영상을 이용하여 효율인 작물 수확량 예측이 가능하며, 딥러닝(deep learning)을 활용함으로써 더 높은 수준의 특징과 추상적인 개념 파악을 기대할 수 있다. 본 연구에서는 Landsat 8 위성 영상을 활용하여 다시기 영상 데이터를 이용하여 5대 수급 관리 채소인 배추와 무의 수확량을 예측하기 위한 딥러닝 모델을 개발하였다. 2015년부터 2020년까지 배추와 무의 생장시기인 6~9월 위성영상을 이용하여 강원도를 대상으로 배추와 무의 수확량 예측을 수행하였다. 본 연구에서는 수확량 모델의 입력자료로 Landsat 8 지표면 반사도 자료와 normalized difference vegetation index, enhanced vegetation index, lead area index, land surface temperature를 입력자료로 사용하였다. 본 연구에서는 기존 연구에서 개발된 모델을 기반으로 우리나라 작물과 입력데이터에 맞게 튜닝한 모델을 제안하였다. 위성영상 시계열 데이터를 이용하여 딥러닝 모델인 convolutional neural network (CNN)을 학습하여 수확량 예측을 진행하였다. Landsat 8은 16일 주기로 영상이 제공되지만 구름 등 기상의 영향으로 인해 특히 여름철에는 영상 취득에 어려움이 많다. 따라서 본 연구에서는 6~7월을 1구간, 8~9월을 2구간으로 나누어 수확량 예측을 수행하였다. 기존 머신러닝 모델과 참조 모델을 이용하여 수확량 예측을 수행하였으며, 모델링 성능을 비교했다. 제안한 모델의 경우 다른 모델과 비교했을 때, 높은 수확량 예측 성능을 나타내었다. Random forest (RF)의 경우 배추에서는 제안한 모델보다 좋은 예측 성능을 나타내었다. 이는 기존 연구 결과처럼 RF가 입력데이터의 물리적인 특성을 잘 반영하여 모델링 되었기 때문인 것으로 사료된다. 연도별 교차 검증 및 조기 예측을 통해 모델의 성능과 조기 예측 가능성을 평가하였다. Leave-one-out cross validation을 통해 분석한 결과 참고 모델을 제외하고는 두 모델에서는 유사한 예측 성능을 보여주었다. 2018년 데이터의 경우 모든 모델에서 가장 낮은 성능이 나타났는데, 2018년의 경우 폭염으로 인해 이는 다른 년도 데이터에서 학습되지 못해 수확량 예측에 영향을 준 것으로 생각되었다. 또한, 조기 예측 가능성을 확인한 결과, 무 수확량은 어느 정도 경향성을 나타냈지만 배추의 경우 조기 예측 가능성을 확인하지 못했다. 향후 연구에서는 데이터 형태에 따라 CNN의 구조를 조정해서 조기 예측 모델을 개발한다면 더 개선된 성능을 보일 것으로 생각된다. 본 연구 결과는 우리나라 밭 작물 수확량 예측을 위한 기초 연구로 활용될 수 있을 것으로 기대된다.