• 대한토목학회논문집
• /
• 제42권6호
• /
• pp.853-860
• /
• 2022

본 연구의 목적은 엔지니어링 노임단가의 산출기준 개선방안을 마련하고 이를 모델화하여 적정한 노임단가 수준을 산정하는데 있다. 이를 위해 엔지니어링 노임단가 산출기준의 타당성 검토와 더불어 광범위한 엔지니어링 산업 실태조사가 실시되었다. 실태조사는 5,879개 모집단을 층화하여 추출된 표본 1,000개의 기업을 대상으로 실시되었고 이중 유효하게 응답한 748개 기업의 설문지가 분석에 사용되었다. 본 연구가 제시한 엔지니어링 노임단가 산출기준의 개선방안 및 산출모델은 다음과 같다. ① 엔지니어링 대가 산정 시 적용되는 노임단가는 평균임금이 아닌 원청 임금으로 산정하는 것이 합리적인 것으로 분석되었다. 원청노임단가는 '평균 기술자임금÷ [1-하청금액 수주비중×(1-하도급률)]'의 산식에 의해 추정되었다. ② 실태조사결과 엔지니어링산업의 1개월 근로일수는 99 % 신뢰구간에서 20.35일~20.54일로 현행기준(22일)과 차이가 컸다. 또한 노임단가 산출기준 법령을 검토한 결과 2022년 이후부터는 현행 22일에서 근로기준법에서 정한 휴일을 계산하여 근로일수를 산정하는 것이 법령에 부합되는 것으로 나타났다. ③ 엔지니어링 대가 산정 시 임금조사와 노임단가 적용시점 간의 시간차이는 정부지침을 준용할 경우 과거 특정기간 노임단가 상승률로 보정하여 사용할 수 있는 것으로 검토되었다. ④ 분석결과 현행 엔지니어링 노임단가는 하도급 거래구조의 미 반영(4.1 %), 근로일수의 과다 계상(6.8 %~7.8 %), 과거의 임금적용(2.6 %)으로 적정 노임단가보다 13.5~14.5 % 낮았다. 본 연구에서 제시된 모델은 적정한 엔지니어링 대가를 산정할 수 있을 뿐만 아니라 유사 분야의 노임단가 산정 시 유용한 틀로 사용될 수 있어 정책 활용도가 높을 것으로 기대된다.

• 환경생물
• /
• 제39권4호
• /
• pp.526-535
• /
• 2021

공간 샘플링은 공간모델링 연구에 활용되어 샘플링 비용을 줄이면서 모델링의 효율성을 높이는 역할을 한다. 농업분야에서는 기후변화 영향을 예측하고 평가하기 위한 고해상도 공간자료 기반 모델링에 대한 연구 수요가 빠르게 증가하고 있으며, 이에 따라 공간 샘플링의 필요성과 중요성이 증가하고 있다. 본 연구는 국내 농지 공간샘플링 연구를 통해 농업분야 기후변화연구의 공간자료 활용의 효율성을 제고하고자 하였다. 본 연구는 층화랜덤샘플링을 기반으로 하였으며, 1 km 해상도의 농지 공간격자자료 모집단(11,386개 격자)에 대해서 RCP 시나리오별(RCP 4.5/8.5) 연대별(2030/2050/2080년대) 공간샘플링을 설계하였다. 국내 농지는 기상 및 토양 특성에 따라 계층화 되었으며, 샘플링 효율 극대화를 위해 최적 층화 및 샘플 배정 최적화를 수행하였다. 최적화는 작물수량, 온실가스 배출량, 해충 분포 확률을 포함하는 16개 목표 변수에 대해 주어진 정밀도 제한 내에서 샘플 수를 최소화하는 방향으로 진행되었다. 샘플링의 정밀도와 정확도 평가는 각각 변동계수(CV)와 상대적 편향을 기반으로 하였다. 국내 농지 공간격자 모집단 계층화 및 샘플 배정 및 샘플 수 최적화 결과, 전체 농지는 5~21개 계층, 46~69개 샘플 수 수준에서 최적화되었다. 본 연구결과물들은 국내 농업시스템 대표 공간격자로써 널리 활용될 수 있을 것으로 기대된다. 또한, 기후변화 영향예측 공간모델링 연구들에 활용되어 샘플링 비용 및 계산 시간을 줄이면서도 모델의 효율성을 높이는 데에 기여할 수 있다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.

• 한국농공학회지
• /
• 제11권4호
• /
• pp.1775-1782
• /
• 1969

벼의 생육기간중(生育期間中) 논에서의 수력소비(水力消費)에 관(關)하여 연구(硏究)하였던바 다음과 같은 결론(結論)을 얻었다. 1. 엽면(葉面) 및 주간수면증발(株間水面蒸發) 1) 벼의 엽면증발량(葉面蒸發量)은 조(早), 중(中), 만생종(晩生種) 공(共)히 이앙(移秧)후 점차(漸次) 증가(增加)하다가 수잉기(穗孕期)에 급증(急增)하고 수잉기(穗孕期) 말기(末期)에서 출수개화(出穗開花) 초기(初期)(조생종(早生種)은 제6기(第6期), 중(中), 만생종(晩生種)은 제7기(第7期)에 최대량(最大量)에 달(達)하며 그 후 점감(漸減)한다. 2) 벼의 엽면증발작용(葉面蒸發作用)은 조(早), 중(中), 만생종(晩生種) 모두 제5기(第5期)까지는 별(別) 차이(差異)가 없으며 제6기(第6期)에는 조생종(早生種)이 가장 왕성(旺盛)하고 제7기(第7期) 이후(以後)는 만생종(晩生種)이 계속(繼續) 제일(第一) 왕성(旺盛)하다. 3) 엽면증발(葉面蒸發)이 가장 왕성(旺盛)한 시기(時期)인 제6기(第6期) 조생종(早生種)와 제7기(第7期)(중(中), 만생종(晩生種)의 엽면증발량(葉面蒸發量)은 전(全) 생육기간(生育期間)의 총엽면증발량(總葉面蒸發量)의 $15{\sim}16%$에 달(達)한다. 4) 벼의 엽면증발(葉面蒸發)은 그 생리작용(生理作用)에 기인(起因)하느니만큼 엽면증발량산정(葉面蒸發量算定)의 기준계수(基準係數)로는 증산강도(蒸散强度)를 채택사용(採擇使用)함이 타당(妥當)하다고 본다. (표(表)7) 5) 이 시험(試驗)에서 공시(供試)한 벼의 엽면증발량(葉面蒸發量)이 최대(最大)로 되는 출수개화(出穗開花) 초기(初期)까지의 각품종(各品種)의 엽면증발량(葉面蒸發量)을 산정(算定)할 수 있는 수식(數式)은 다음과 같다. 조생종(早生種) ; Y=0.658+1.088x 중생종(中生種) : Y=0.780+1.050x 만생종(晩生種) : Y=0.646+1.091x 7) 논 에서의 주간수면증발량(株間水面蒸發量)은 그림-1, 2에서 보는바와 같이 엽면증발량(葉面蒸發量)과 고도(高度)의 부(負)의 상관관계(相關關係)가 있음을 알 수 있다. 8) 주간수엽증발량(株間水面蒸發量)은 증발계(蒸發計) 증발량(蒸發量)에 대(對)한 비(比)(표(表) 11)로 산정(算定)할 수도 있고 표(表)-10에 의거(依據)하던가 또는 주간수면증발량(株間水面蒸發量)이 최소(最少)로 되는 시기(時期)(조생종(早生種)은 이 시험(試驗)에 공시(供試)한 품종(品種)에 대(對)해서 다음 수식(數式)으로 산정(算定)할 수도 있다. 조생종(早生種) : Y=4.67-0.58x 중생종(中生種) ; Y=4.70-0.59x 만생종(晩生種) : Y=4.71-0.59x 9) 엽(葉), 수면증발량(水面蒸發量)의 생육기별(生育期別) 변화상황(變化狀況)은 엽면증발량(葉面蒸發量)의 그것과 그 경향(傾向)이 동일(同一)하며 조생종(早生種)은 제6기(第6期)에 중(中), 만생종(晩生種)은 제7기(第7期)에 최대(最大)로 된다. 10) 논 에서의 엽(葉), 수면증발량(水面蒸發量)은 표(表)-12에 의(依)하거나 증발산강도(蒸發散强度)(표(表)14)에 의(依)하여 산정(算定)할 수 있으며 엽(葉), 수면증발량(水面蒸發量)이 최대(最大)로 되는 시기(時期)까지의 양(量)은 이 시험(試驗)에서 공시(供試)한 품종(品種)에 대(對)해서 다음 수식(數式)으로 산정(算定)할 수 있다. 조생종(早生種) : Y=5.36+0.503x 중생종(中生種) : Y=5.41+0.456x 만생종(晩生種) : Y=5.80+0.494x 11) 전(全) 생육기간(生育期間)의 엽(葉), 수면증발량(水面蒸發量)의 증발계(蒸發計) 증발량(蒸發量)에 대(對)한 비(比)는 조생종(早生種)은 1.23, 중생종(中生種)은 1.25, 만생종(晩生種)은 1.27이었다. 12) 우리 나라의 기상조건하(氣象條件下)에서 무강우일(無降雨日)의 관측식(觀測植)만을 처리(處理)한 경우 벼 전생육간기(全生育間期)을 통(通)하 엽(葉), 수면증발량(水面蒸發量)과 제(諸) 기상요소(氣象要素)와의 관계(關係)는 기온(氣溫)만이 고도(高度)의 상관성(相關性)을 보여주고 있다. 2. 삼투량(渗透量) 1) 관개계획(灌漑計劃) 용수량산정(用水量算定)을 위한 삼투량(渗透量)은 보수일(保水日)에 의거(依據)함이 타당(妥當)하다고 본다. 3. 유효우량(有效雨量) 1) 벼생육기간중(生育期間中)의 각(各) 기별(期別) 유효우량(有效雨量)과 유효율(有效率)은 표(表) 18과 같다. 2) 벼의 전생육기간(全生育期間)의 유효율(有效率)은 $65{\sim}75%$를 기준(基準)으로 함이 타당(妥當)하다고 본다. 3) 평년(平年)의 벼의 전생육기간중(全生育期間中)의 유효우량(有效雨量)은 550mm 정도(程度)로 추정(推定)된다. 4. 벼의 엽면증발(葉面蒸發)이 삼투(渗透)에 미치는 영향(影響) 1) 벼뿌리의 흡수작용(吸水作用)은 삼투(渗透)에 영향(影響)을 미치며 그 작용(作用)이 왕성(旺盛)할수록 삼투량(渗透量)은 감소(減少)한다. (표(表) 21, 표(表) 22) 2) 벼를 재식(栽植)한 경우 그 생육기간중(生育期間中) 오전(午前) 및 후간(後間)과 오후(午後)와는 그 삼투량(渗透量)이 판이(判異)한 현상(現象)을 보이며 오전(午前)과 후간(後間)은 이식(移植)후 점증(漸增)하여 7월하순(月下旬) 또는 8월상순(月上旬)(수온(水溫), 지온(地溫)이 최고시기(最高時期)에 최대(最大)로 되고 그 이후(以後)는 감소(減少)하는데 대(對)해 오후(午後)는 정반대(正反對)로 이식후(移植後) 점차(漸次) 감소(減少)하여 8월(月) 중순(中旬)(수잉기(穗孕期)) 후기(後期)에서 출수개화초기(出穗開花初期)에 최소(最少)로되고 그 후 점증(漸增)한다. 3) 주간삼투량(晝間渗透量)은 이식후(移植後) 엽면증발량(葉面蒸發量)의 증가(增加)와 더부러 점차(漸次) 감소(減少)하지만 수잉기(穗孕期) 말기(末期)에서 출수개화(出穗開花) 초기(初期)에는 급감현상(急減現象)이 나타나고 8월(月) 하순(下旬)에는 다시 급증(急增)하고 9월(月) 중순(中旬)은 9월(月) 상순(上旬)보다 지온(地溫)이나 수온(水溫)이 낮은 데도 불구(不拘)하고 삼투량(渗透量)은 오히려 증가(增加)하는데 이는 9월중순(月中旬)에 이르면 벼뿌리의 흡수작용(吸水作用)이 크게 감퇴(減退)함에 기인(起因)하는 것으로 추정(推定)된다. 4) 일(日) 삼투량(渗透量)의 생육기간중(生育期間中)의 변화상황(變化狀況)을 보면 이식후(移植後) 점증(漸增)하여 7월하순(月下旬)에 최대(最大)로 되고 그 이후(以後) 감소(減少)하였다가 8월하순(月下旬)(등숙기(登熟期))에 다시 증가(增加)하고 그 후 다시 감소(減少)하는 다소(多少) 변동(變動)이 심(甚)한 현상(現象을 보여주고 있는데 이는 수온(水溫)이나 지온(地溫)의 영향(影響(야간(夜間), 오전(午前))과 아울러 벼뿌리의 흡수작용(吸收作用)이 복합적(複合的)으로 영향(影響)을 미치는 결과(結果)라고 본다. 5) 주간삼투량(晝間渗透量)은 엽면증발량(葉面蒸發量)과 부(負)의 고도(高度)의 상관성(相關性)을 인정(認定)할 수 있다. 야간삼투량(夜間渗透量)은 수온(水溫)이나 지온(地溫)의 영향(影響)이 지배적(支配的)이고 엽면증발(葉面蒸發)의 영향(影響)은 거의 없으며 일(日) 삼투량(渗透量)은 엽면증발(葉面蒸發)보다 그 이외(以外)의 요인(要因)의 영향(影響)이 보다 큰 것으로 생각된다. 6) 야간삼투량(夜間渗透量)과 수온(水溫)이나 지온간(地溫間)에는 고도(高度)의 정(正)의 상관성(相關性)이 인정(認定)되는데 대(對)해 오전(午前)과 오후(午後)의 삼투량(渗透量)과 수온(水溫)이나 지온간(地溫間)에는 상당성(相當性)을 인정(認定)할 수 없다. 7) 벼를 재식(栽植)한 포트의 일(日) 침투량(浸透量)과 재치(裁値)하지 않는 포트에서의 일삼투량간(日渗透量間)에는 $r={\div}0.8382$란 고도(高度)의 상관성(相關性)을 인정(認定)할 수 있다. 8) 벼의 전생육기간(全生育期間)을 통(通)한 총삼투량(總渗透量)은 벼의 엽면증발(葉面蒸發)에 의(依)한 영향(影響)보다는 토양고유(土壤固有)의 삼투성(渗透性)이나 수온(水溫), 지온(地溫)등 벼뿌리의 흡수작용(吸收作用) 이외(以外)의 다른 요인(要因)들이 보다 더 영향(影響)을 미친다고 여겨진다.