• 대한원격탐사학회지
• /
• 제14권4호
• /
• pp.353-365
• /
• 1998

해수 중에서 클로로필을 포함하는 식물성 플랑크톤 미생물 입자와 그 외 모든 부유입자의 단위 질량 당 광 흡수계수의 크기, 즉 "비흡광계수"는 ocean color 원격탐사 기술개발에서 가장 중요한 요소 중의 하나이다. 분석방법으로는 spectrophotpmeter을 사용한 "젖은 필터법"과 "Kishino법"을 사용하였다. 황해에서는 직접 광학적 관측으로, 지중해에서는 과거의 databank를 활용하여 클로로필(ph)과 부유침전물(ss)의 "비흡광수계수"($a^{*}_{ph}$ 및 $a^{*}_{ss}$)가 분석되었다. 그리고 필터법에서 측정 중 baseline의 변동에 의하여 발생하기 쉬운 측정오차를 제거하기 위한 새로운 분석방법을 제안하였다. 이것은 흡광 스펙트럼의 기울기를 이용한 것으로, 필터 technique 와 Kishno method에서 간혹 발생하는 baseline의 변경을 완전하게 복구할 수 있게 되었다. 식물성 플랑크톤의 광흡수 파장인 440nm에서 분석한 결과, 비흡광계수는 지중해의 빈 영양해에서 큰 값이 얻어졌으며, 서해 및 남해의 부 영양해에서는 아주 낮은 값이 관측되었다. 즉, 관측 값의 범위는 약 0.01 - 0.12 $m^2$/mg 이며, 해수의 영양 등급이 낮을수록 그 값은 증가하는 r서으로 밝혀졌다. 클로로필 농도와 440nm의 비흡광수계수 관계를 희귀 분석한 결과 이들 관계는 지수 함수적으로 표현되며 ($a^{*}_{ph}=0.039 ^{-0.369}$), Bricaud(1995)의 연구결과와 거의 일치되는 것으로 나타났다. 반면에 부유침전물의 비흡광계수는 클로로필 입자와는 다르게 그 자신의 농도와는 별다른 관계를 나타내지 않았다. 그러나 서해 연안해수의 부유침전물의 흡광 스펙트럼의 특징은 Ahn(1990)이 측정한 유상 토양입자의 흡광 스펙트럼과 아주 유사한 거승로 나타났으며 그 값의 범위는 0.005 - 0.08$m^2$/g였다. 그리고 클로로필 입자 보다 훨씬 다양한 침전 부유입자의 광특성은 유기입자와 광물질의 혼합비에 의한 것으로 사료되며 그 외 해수 중에서 생물입자 size 분포 보다 더 광범위한 분포와 다양한 환경(입자의 비중, 해상의 바람, 저질상태, 수심 등)에 의한 것으로 추정되었다.

• 대한원격탐사학회지
• /
• 제14권1호
• /
• pp.53-68
• /
• 1998

대기중에 존재하는 수증기의 관측은 일기와 기후의 이해에 있어서 매우 중요한데, 기존의 관측체계로는 지구상의 극히 제한된 지역의 수증기 분포만을 관측할 수 있다. 이 연구에서는 일본 정지기상위성인 GMS-5의 적외 split window 채널 관측자료로부터 대기중에 함유되어 있는 수증기 총량 즉 가강수량(precipitable water)을 산출하였다. 가강수량 산출에는 라디오존데 관측 가강수량과 split window 관측자료 사이의 회귀분석에 기초한 Chesters et al.(1983)의 알고리즘을 사용하였 다. 가강수량 산출을 위하여 센서의 필터 함수와 관련된 수증기 흡수 파라미터는 우리 나라 고층 관측소인 오산, 광주,포항,제주에서 관측한 '76년 8월부터 11월가지의 4개월간 관측한 라디오존데 자료와 위성 관측자료의 회귀분석을 통하여 산출하였다. 한편 기상청 전구 스펙트랄 모델의 700 hPa온도를 1층 복사 모델의 대기 평균 온도로 사용하였다. 1996년 7월부터 12월까지의 기간에 대하여 산출한 GMS-5 가강수량 자료를 같은 기간 관측된 라디오존데 관측자료와 비교한 결과 0.46의 상관계수와 0.65 g/$cm^2$~1.09 g/$cm^2$의 RMS 오차를 나타내었다. GMS-5로부터 산출된 월평균 가강수량 분포는 계절에 따른 전지구 규모의 수증기 분포변화를 잘 나타내었다. 이번 연구에서 산출된 위성 가강수량은 0.5$^{\circ}$격자 간격으로 6시간마다 기상청에서 정규적으로 산출된다. 이 자료는 수치예보의 객관분석 초기 자료로 이용되어, 특히 청천 조건하에서의 습도 분석의 정확도 향상에 기여하며 기후 연구에 있어서도 현존하는 자료 세트에 대한 유용한 보완 자료가 될 것이다. 그러나 연구 결과의 실용화를 위하여는 좀더 높은 상관계수와 산출절차 등의 개선이 필요하다.용성을 고찰하였다.산마와 재배와 점질다당류가 각각 219~332$^{\circ}C$, 229~341$^{\circ}C$ 범위였다.TEX> 범위였다. 사면의 풍화와 침식에 대한 대책연구도 수행되어야 한다. 15ng/$\textrm{cm}^2$로서 90분간 조사로 27ng/$\textrm{cm}^2$량이 생성되었다. 7-DHC은 당초의 123ng/$\textrm{cm}^2$으로부터 계속 감소되어 150분간 조사시 53ng/$\textrm{cm}^2$량까지 내려갔다.하였으며, 그 외의 항목간에는 대동소이하였다.ckarti 와 E. serrulatus가 스파르가눔의 중간숙주가 될 수 있음을 확인하였다. 충란의 배양에서부터 종숙주의 충란 배출까지 약 2개월 정도의 기간이 소요되었고, 우리 나라 자연환경에서는 5일에서 7월에 주로 이 충체의 유충이 발육되고 전파되는 것으로 추측되었다.러 가지 방법들을 적극 적용하여 금후 검토해볼 필요가 있을 것이다.잡은 전혀 삭과가 형성되지 않았다. 이 결과는 종간 교잡종을 자방친으로 하고 그 자방친의 화분친을 사용할 때만 교잡이 이루어지고 있음을 나타내고 있다. 따라서 여교잡을 통한 종간잡종 품종육성 활용방안을 금후 적극 확대 검토해야 할 것이다하였다.함을 보이고 있다.X> , ZnCl$_{3}$$^{-}$같은 이온과 MgCl$^{+}$, MgCl$_{2}$같은 이온종을 형성하기 때문인것 같다. 한편 어떠한 용리액에서던지 NH$_{4}$$^{+}$의 경우 Dv값이 제일 작았다. 바. 본 연구의 목적중의 하나인 인체유해 중금속이온인 Hg(II), Cd(II)등이 NaCl같은 염화물이 함유된 시료용액에

• 전기전자학회논문지
• /
• 제27권1호
• /
• pp.116-121
• /
• 2023

본 논문에서는 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조를 개발한다. 제안하는 복합 미생물 배양기는 수집한 복합 미생물 데이터에 대해 복합 미생물 데이터 전처리, 복합 미생물 데이터 구조 변환, 딥러닝 네트워크 설계, 설계한 딥러닝 네트워크 학습, 시제품에 적용되는 GUI 개발 등으로 구성된다. 복합 미생물 데이터 전처리에서는 미생물 배양에 필요한 당밀, 영양제, 식물엑기스, 소금 등의 양에 대해 원-핫 인코딩을 실시하며, 배양된 결과로 측정된 pH 농도와 미생물의 셀 수에 대해 최대-최소 정규화 방법을 사용하여 데이터를 전처리한다. 복합 미생물 데이터 구조 변환에서는 전처리된 데이터를 물 온도와 미생물의 셀 수를 연결하여 그래프 구조로 변환 후, 인접 행렬과 속성 정보로 나타내어 딥러닝 네트워크의 입력 데이터로 사용한다. 딥러닝 네트워크 설계에서는 그래프 구조에 특화된 그래프 합성곱 네트워크를 설계하여 복합 미생물 데이터를 학습시킨다. 설계한 딥러닝 네트워크는 Cosine 손실함수를 사용하여 학습 시에 발생하는 오차를 최소화하는 방향으로 학습을 진행한다. 시제품에 적용되는 GUI 개발은 사용자가 선택하는 물 온도에 따라 목표하는 pH 농도(3.8 이하) 복합 미생물의 셀 수(10⁸ 이상)를 배양시키기 적합한 순으로 나타낸다. 제안된 미생물 배양기의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과는, pH 농도의 경우 평균 3.7로, 복합 미생물의 셀 수는 1.7 × 10⁸으로 측정되었다. 따라서, 본 논문에서 제안한 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조의 효용성이 입증되었다.