• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.457-457
• /
• 2017

최근 기후변화에 따른 수문환경의 변화로 인해 도시지역에 침수피해가 빈번히 발생하고 있으며, 이는 도시화로 인한 인구밀도 증가 및 불투수율이 높아짐으로써 땅속으로 스며들지 못한 빗물이 지표면으로 유출되어 침수피해로 나타나고 있다. 또한, 복잡한 하수관망의 정비와 관리가 어렵다는 점이 침수를 유발하는 원인이 되기도 한다. 강남역과 울산 태화강 침수 피해를 대표적인 예로 들 수 있다. 강남역 일대는 대한민국의 대표적인 상업의 중심지라고 할 수 있으며, 2010년부터 3년간 내수침수가 발생하여 사회적인 이슈가 되었으며, 2016년 울산 및 제주도에서는 제 18호 태풍 차바(CHABA)의 한반도 상륙으로 하천이 범람하고 내수침수가 발생하여 많은 재산 피해를 입혔다. 이처럼 기후변화로 인한 태풍 발생 빈도 증가 및 국지성 호우는 도시지역에 많은 침수피해를 발생시키기 때문에 정확한 침수분석과 취약성 평가를 실시해야 한다. 따라서 본 연구에서는 서울시 강남역 일대를 대상으로 강우-유출모형을 구축하였으며, 기상청에서 제공하는 HadGEM3-RA(12.5km격자자료)를 이용하여 미래 기후변화에 따른 불확실성을 고려한 취약성 평가하였다. 이는 상습침수지역에 대한 근본적인 침수원인을 파악하고 사전에 예방할 수 있는 객관적 평가자료로 활용가능할 것으로 기대된다.

• Annual Conference on Human and Language Technology
• /
• 2016.10a
• /
• pp.111-116
• /
• 2016

의미역은 자연어 문장의 서술어와 관련된 논항의 역할을 설명하는 것으로, 주어진 서술어에 대한 논항 인식(Argument Identification) 및 분류(Argument Labeling)의 과정을 거쳐 의미역 결정(Semantic Role Labeling)이 이루어진다. 이를 위해서는 격틀 사전을 이용한 방법이나 말뭉치를 이용한 지도 학습(Supervised Learning) 방법이 주를 이루고 있다. 이때, 격틀 사전 또는 의미역 주석 정보가 부착된 말뭉치를 구축하는 것은 필수적이지만, 이러한 노력을 최소화하기 위해 본 논문에서는 비모수적 베이지안 모델(Nonparametric Bayesian Model)을 기반으로 서술어에 가능한 의미역을 추론하는 비지도 학습(Unsupervised Learning)을 수행한다.

• Annual Conference on Human and Language Technology
• /
• 2015.10a
• /
• pp.75-80
• /
• 2015

본고는 기존 연구에서 상정한 의미역에 기반하여 의미역 태깅 작업 중 실제 문장에 의미역을 태깅하는 데 나타난 문제점들에 대해 재고해보았다. 의미역을 태깅하는 데에 격틀 사전을 이용한 반자동의미역태깅프로그램의 정상적인 구동을 위한 사전의 재정비와 실제 문장에서는 드러나지만 사전에서는 나타나지 않는 문형 정보를 상세히 검토해야 함을 알게 되었다. 이를 해결하기 위해 격틀사전의 기본 사전이 표준국어대사전의 통사정보 제시를 문제삼아 이를 해결하기 위한 방안을 모색하고, 실제 문장에서 격교체에 의해 나타나고 있는 논항정보교체에 대처하기 위한 방안을 마련하고자 한다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.199-202
• /
• 2021

의미역 결정은 입력된 문장 내 어절간의 의미 관계를 예측하기 위한 자연어처리 태스크이며, 핵심 서술어에 따라 상이한 의미역 집합들이 존재한다. 기존의 연구는 문장 내의 서술어의 개수만큼 입력 문장을 확장해 순차 태깅 문제로 접근한다. 본 연구에서는 확장된 입력 문장에 대해 구문 분석을 수행 후 추출된 문장 구조 정보를 의미역 결정 모델의 자질로 사용한다. 이를 위해 기존에 학습된 구문 분석 모델의 파라미터를 전이하여 논항의 위치를 예측한 후 파이프라인을 통해 의미역 결정 모델을 학습시킨다. ALBERT 사전학습 모델을 통해 입력 토큰의 표현을 얻은 후, 논항의 위치에 대응되는 표현을 따로 추상화하기 위한 계층형 트랜스포머 인코더 레이어 구조를 추가했다. 실험결과 Korean Propbank 데이터에 대해 F1 85.59의 성능을 보였다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.617-621
• /
• 2021

의미역 결정은 문장 속에서 서술어와 그 논항의 관계를 파악하며, '누가, 무엇을, 어떻게, 왜' 등과 같은 의미역 관계를 찾아내는 자연어 처리 기법이다. 최근 수행되고 있는 의미역 결정 연구는 주로 말뭉치를 활용하여 딥러닝 학습을 하는 방식으로 연구가 이루어지고 있다. 최근 구글에서 개발한 사전 훈련된 Bidirectional Encoder Representations from Transformers (BERT) 모델이 다양한 자연어 처리 분야에서 상당히 높은 성능을 보이고 있다. 본 논문에서는 한국어 의미역 결정 성능 향상을 위해 한국어의 언어적 특징을 고려하며 사전 학습된 SNU KR-BERT를 사용하면서 한국어 의미역 결정 모델의 성능을 살펴보였다. 또한, 본 논문에서는 BERT 모델에서 과연 어떤 히든 레이어(hidden layer)에서 한국어 의미역 결정을 더 잘 수행하는지 알아보고자 하였다. 실험 결과 마지막 히든 레이어 임베딩을 활용하였을 때, 언어 모델의 성능은 66.4% 였다. 히든 레이어 별 언어 모델 성능을 비교한 결과, 마지막 4개의 히든 레이어를 이었을 때(concatenated), 언어 모델의 성능은 67.9% 이였으며, 11번째 히든 레이어를 사용했을 때는 68.1% 이였다. 즉, 마지막 히든 레이어를 선택했을 때보다 더 성능이 좋았다는 것을 알 수 있었다. 하지만 각 언어 모델 별 히트맵을 그려보았을 때는 마지막 히든 레이어 임베딩을 활용한 언어 모델이 더 정확히 의미역 판단을 한다는 것을 알 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.170-170
• /
• 2021

본 연구에서는 토지이용변화 예측 모형으로 산출된 토지이용도를 사용하여 용담댐 소유역의 지표유출량을 비교 및 분석하였다. 토지이용예측모형은 DynaCLUE 모형을 사용하였으며, 토지이용 면적 시나리오는 2000년, 2007년 및 2013년 실제 중분류 토지이용도를 기반으로 회귀식을 산정하였다. 모의된 토지이용도는 실제 토지이용도와 공간적인 분포 및 면적 비교를 통해 변환 탄성계수와 변환 행렬을 수정하여 검·보정하였다. DynaCLUE 모형으로 모의된 토지이용도는 공간적인 분포에서 초지가 실제 토지이용도와 차이가 발생하였으나, 각 토지이용별 면적을 비교한 경우 모의 토지이용도와 실제 토지이용도가 매우 유사하게 나타났다. CLUE 모형으로 모의된 토지이용도에서 발생하는 공간적인 불확실성은 복잡한 용담댐 소유역의 토지이용을 반영할 Driving factor가 부족하여 발생하는 것으로 판단된다. 산출된 모의 토지이용도를 SWAT 모형의 입력 자료로 사용하여 2013년 용담댐의 소유역 지표유출량을 모의하였다. SWAT으로 산정된 유출량의 보정은 SWAT-CUP의 SUFI-2 알고리즘을 이용했으며, 보정된 모의 지표유출량과 실제 유량 측정값을 비교한 결과 유의미한 비교 결과가 나타났다. 향후 토지이용예측모형을 이용하여 토지이용 변화를 수문 분석에 반영하는 추가 연구가 필요할 것으로 판단된다.

• Journal of agriculture & life science
• /
• v.46 no.5
• /
• pp.137-141
• /
• 2012

The foot and mouth disease(FMD) was occurred from Andong city on November 23, 2010 and spread out the whole country except Jeju island and Jeolla-do. About 3.4 million livestock such as cow and pig was buired at 4,200 sites during preventive measures of FMD. Government did not effectively respond to the FMD crisis management so FMD spread out the whole country. To Prevent the spread FMD, Farms have to fast approaching and respond directly to smartphones and Tablet PC applications. Resolve the difficulties of using smart devices and easy to operate for the effective utilization of the development of simple applications. This application of FMD, developed for the prevention and alarm applications, foot and mouth disease will be caused, farmers around the farm in case of risk and the seriousness of the FMD will notify smartphone, FMD prevent additional damage due to be interested in preventing further that allows your application is for development purposes.

• Annual Conference on Human and Language Technology
• /
• 2017.10a
• /
• pp.163-166
• /
• 2017

딥러닝은 모델이 복잡해질수록 Train 시간이 오래 걸리는 작업이다. Layer Normalization은 Train 시간을 줄이고, layer를 정규화 함으로써 성능을 개선할 수 있는 방법이다. 본 논문에서는 한국어 의미역 결정을 위해 Layer Normalization이 적용 된 Bidirectional LSTM CRF 모델을 제안한다. 실험 결과, Layer Normalization이 적용 된 Bidirectional LSTM CRF 모델은 한국어 의미역 결정 논항 인식 및 분류(AIC)에서 성능을 개선시켰다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.04a
• /
• pp.588-590
• /
• 2000

시스템에 사용되는 데이터베이스 또한 소프트웨어이고 이를 유지보수 하기위해 데이터베이스 역 공학을 사용하고자 한다. 데이터베이스 역 공학 기법은 기존 시스템에서 사용되는 데이터베이스의 스크립트 파일들을 기준으로 현 데이터베이스의 구조를 역으로 도출하는 기법이다. 본 논문은 소프트웨어 유지보수를 위해 위와 같이 도출된 구조를 대상으로 검증 과정을 실시하여 문제점을 파악하고 해결 방법을 제시한다.

• Annual Conference on Human and Language Technology
• /
• 2018.10a
• /
• pp.352-357
• /
• 2018

본 논문에서는 한국어 프레임넷 분석기를 구축하기 위하여 한국어 프레임넷 데이터를 가공하여 공개하고, 한국어 프레임 분류 및 논항의 의미역 분류 문제를 해결하기 위한 방법을 제안한다. 프레임넷은 단어 단위가 아닌 단어들의 범위로 구성된 범위에 대해 어노테이션된 코퍼스라는 점에 착안하여, 어휘 및 논항의 내부 의미 정보와 외부 의미 정보, 그리고 프레임과 각 의미역들의 임베딩을 학습한 중첩 분할된 양방향 LSTM 모델을 사용하였다. 이를 통해 한국어 프레임 분류에서 72.48%, 논항의 의미역 분류에서 84.08%의 성능을 보였다. 또한 본 연구를 통해 한국어 프레임넷 데이터의 개선 방안을 논의한다.