• 한국토양비료학회지
• /
• 제43권3호
• /
• pp.363-373
• /
• 2010

수문 수자원 분야에서의 활용도를 제고하기 위하여 HSG 1995와 HSG 2006 두가지 분류법에 의한 우리나라 수문학적 토양유형의 분포에 대한 정보를 제공하고 이를 각각 충북 괴산군 소수면의 소유역의 수치세부정밀토양도 (1:5,000)에 적용하여 SCS-CN법을 이용한 유효 우량 산정과 유출곡선을 작성한 결과는 다음과 같다. 산악지에서 주로 침투능이 크고 하성 또는 해안평탄지로 가면서 낮아지는 경향을 보였다. HSG 1995 토양 유형 중 A군은 전체의 42.2%로 가장 넓게 분포하는 것으로 나타났고, B군 29.4%, C군 18.5%, D군 9.9% 순으로 나타났다. HSG 2006 토양유형은 A군 35.1%, B군 15.7%, C군 5.5%, D군 43.7%로 D군이 가장 넓게 분포하는 특징을 가진다. HSG 1995에서 A, B, C군으로 분류되었다가 HSG 2006에서 D군으로 분류된 토양 유형의 비율이 약 34.1%로 나타나 국립농업과학원에 의해 분류된 토양유형 중 D군의 면적이 크게 늘어난 것을 알 수 있었다. 충북 괴산군 소수면 소유역의 수치세부정밀토양도에 기반한 수문학적 토양유형 분포특성을 나타낸 것으로 산림과 밭으로 이용되는 토양의 유형이 A로 분류되는 것은 일치하는 경향을 보였다. HSG 2006의 토양유형은 유역에서 C 유형이 거의 없거나 적게 분포하고 HSG 1995에 비해 D 유형이 많게 나타난다. 미계측 유역에 대한 직접유출량 산정에 가장 많이 사용되는 SCS-CN법을 이용하여, 충북 괴산군 소수면 소유역에서 직접유출에 기여하는 유효우량을 산정하고 SCS 삼각단위도를 사용하여 첨두유량과 첨두시간을 계산한 결과는 다음과 같다. HSG 1995와 HSG 2006 수문학적 토양유형과 토지 이용별 CN값을 적용하여 유역의 CN값 (AMC II)을 구한 결과는 각각 54와 62로 나타났다. 이 때, 우량계가 설치된 지점의 강우자료를 평균하여 2004년~2005년 강우사상별로 정리하여 초기손실량 (I)이 총강우량 (P)보다 큰 경우를 제외한 강우사상을 선택하였고, 8월 16일에서 강우사상 전까지 내린 강수에 따라 선행수분조건 III으로 조정하여 유효우량 산출을 위한 CN값을 각각 73과 79로 하여 사용하였다. 강우사상에 대한 HSG 2006 기준의 유효우량이 56.67 mm로 HSG 1995 기준의 44.87 mm 보다 약 25% 많게 나타났다. 두 가지 수문학적 토양 유형 분류 기준에 따라 계산된 각 유효 우량에 대하여 수문곡선을 합성하여 실제 관측치와 비교한 결과 두 개 기준 모두 관측치와 유사한 변화 패턴을 보이고 있으나 실측치보다 감수부에서 급격하게 감소되는 특징을 나타냈다. 첨두유량은 HSG 1995 보다는 HSG 2006 기준을 사용할 때 관측치와 더 가까운 값을 나타내었다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.73-85
• /
• 2013

정보기술의 비약적 발전에 힘입어, 오늘날 기업들은 지금까지 축적한 고객 데이터를 기반으로 맞춤형 서비스를 제공하는 것에 많은 관심을 가지고 있다. 고객에게 소구하는 맞춤형 서비스를 효과적으로 제공하기 위해서는 우선 그 고객이 처한 상태나 상황을 정확하게 인지하는 것이 중요하다. 특히, 고객에게 서비스가 전달되는 이른바 진실의 순간에 해당 고객의 감정 상태를 정확히 인지할 수 있다면, 기업은 더 양질의 맞춤형 서비스를 제공할 수 있을 것이다. 이와 관련하여 사람의 얼굴과 행동을 이용하여 사람의 감정을 판단하고 개인화 서비스를 제공하기 위한 연구가 활발하게 이루어지고 있다. 얼굴 표정을 통해 사람의 감정을 판단하는 연구는 좀 더 미세하고 확실한 변화를 통해 정확하게 감정을 판단할 수 있지만, 장비와 환경의 제약으로 실제 환경에서 다수의 관객을 대상으로 사용하기에는 다소 어려움이 있다. 이에 본 연구에서는 Plutchik의 감정 분류 체계를 기반으로 사람들의 행동을 통해 감정을 추론해내는 모형을 개발하는 것을 목표로 한다. 본 연구는 콘텐츠에 의해 유발된 사람들의 감정적인 변화를 사람들의 행동 변화를 통해 판단하고 예측하는 모형을 개발하고, 4가지 감정 별 행동 특징을 추출하여 각 감정에 따라 최적화된 예측 모형을 구축하는 것을 목표로 한다. 모형 구축을 위해 사람들에게 적절한 감정 자극영상을 제공하고 그 신체 반응을 수집하였으며, 사람들의 신체 영역을 나누었다. 특히, 모션캡쳐 분야에서 널리 쓰이는 차영상 기법을 적용하여 사람들의 제스쳐를 추출 및 보정하였다. 이후 전처리 과정을 통해 데이터의 타임프레임 셋을 20, 30, 40 프레임의 3가지로 설정하고, 데이터를 학습용, 테스트용, 검증용으로 구분하여 인공신경망 모형을 통해 학습시키고 성과를 평가하였다. 다수의 일반인들을 대상으로 수집된 데이터를 이용하여 제안 모형을 구축하고 평가한 결과, 프레임셋에 따라 예측 성과가 변화함을 알 수 있었다. 감정 별 최적 예측 성과를 보이는 프레임을 확인할 수 있었는데, 이는 감정에 따라 감정의 표출 시간이 다르기 때문인 것으로 판단된다. 이는 행동에 기반한 제안된 감정예측모형이 감정에 따라 효과적으로 감정을 예측할 수 있으며, 실제 서비스 환경에서 사용할 수 있는 효과적인 알고리즘이 될 수 있을 것으로 기대할 수 있다.