• 환경영향평가
• /
• 제32권2호
• /
• pp.94-111
• /
• 2023

효과적인 외래생물 관리 전략 수립을 위해서는 도입 및 확산 여부 평가를 위한 정기 모니터링이 요구된다. 환경 DNA (eDNA, environmental DNA) 메타바코딩은 높은 검출 민감도를 가지고 다수의 종을 동시에 검출할 수 있어 외래생물의 출현 여부와 그 영향을 평가하는데 활발히 활용되고 있다. 국내에서는 어류를 중심으로 메타바코딩의 적용 가능성 평가가 이루어지고 있으며 타 분류군에 대한 연구는 부족한 실정이다. 따라서 본 연구에서는 환경 DNA 메타바코딩을 활용한 국내 외래생물 탐지 가능성을 확인하고자 했다. 분류군별 검출 가능성을 확인하기 위해 어류, 포유류, 조류, 양서류를 목표로 디자인 된 4가지 범용 프라이머(MiFish, MiMammal, Mibird, Amp16S)를 활용하여 대상종 검출 여부를 평가하였다. 그 결과, 총 55개 지점 중 17개 지점(Trachemys scripta, 3개 지점; Cervus nippon, 3개 지점; Micropterus salmoides, 7개 지점; Rana catesbeiana, 4개 지점)에서 대상종의 서식이 확인되었다. 대상지 내 조밀한 지점 선정에도 생태적 특성을 반영한 검출 지점에 차이가 나타났다. 큰입배스와 붉은귀거북을 중심으로 외래생물이 출현이 생물 군집구조(종 풍부도, 풍부도, 다양도)에 미치는 영향을 비교한 결과, 외래생물이 서식하는 지점에서의 다양도가 더 높게 나타났다. 또한 외래생물 출현 지점에서 출현 종 수가 1~4종 추가 검출되었으며 풍부도 또한 1.7배 높게 나타났다. 메타바코딩을 통한 외래생물 검출 결과 및 군집구조 비교는 eDNA를 통한 다량의 모니터링 데이터 구축이 다차원적 생태계 평가에 효율적으로 활용될 수 있음을 나타냈다. 또한 환경의 인위적, 자연적 변화에 따른 생물상 변화를 관찰하고 자연생태 분야의 환경영향평가 등 현황 평가 및 예측을 위한 주요한 기초자료로 활용 가능성을 제시하였다.

• 대한토목학회논문집
• /
• 제43권4호
• /
• pp.421-431
• /
• 2023

하수관로 열화모델은 하수관망을 관리하는 의사결정자에게 자산의 미래 상태 예측에 대한 중요한 정보를 제공할 수 있다. 본 연구에서는 CCTV 조사를 통해서 확보한 구조적 상태평가 이력자료를 기반으로 마르코프 연쇄 모델을 이용하여 하수관로의 노후도를 추정하였다. A시의 3개 배수분구에서 1998-1999년과 2010-2011년에 CCTV 조사에 의해 수집된 관경 450 mm와 600 mm의 흄관 자료를 이용하여 분석하였다. EM 배수분구의 450 mm 관로와 600 mm 관로에서 주요 결함 발생이 다른 두 배수분구보다 빠르게 발생하는 것으로 나타났다. 관로 설치 이후 35년이 지난 시점에는 450 mm 관로의 약 29%, 600 mm 관로의 약 38%가 주요 결함이 발생했으며, 100년 후에는 각각 62%와 74%의 관로가 주요 결함으로 관로 기능을 상실하는 수준으로 나타났다. 관로설치 35년 후, SN 배수분구는 450 mm 관로의 약 26%, 600 mm 관로에서 약 35%, HK 배수분구에서는 450 mm 관로의 약 27%, 600 mm 관로에서 약 37%의 주요 결함이 발생한 것으로 예측되었다. 또한 600 mm 관로가 450 mm 관로보다 평균 12년 정도 빨리 기능 저하가 일어나는 것으로 나타났다. 한편, 관로의 주요 결함등급 비율을 40%로 설정하여 관로의 유효사용수명으로 적용할 경우, 450 mm 관로는 SN배수분구에서 60년, EM배수분구에서 42년, HK배수분구 59년이며, 600 mm 관로에서는 각각 43년, 34년 39년으로 나타났다.

• 지능정보연구
• /
• 제24권3호
• /
• pp.1-19
• /
• 2018

최근 딥러닝은 오디오, 텍스트 및 이미지 데이터와 같은 비 체계적인 데이터를 대상으로 다양한 추정, 분류 및 예측 문제에 사용 및 적용되고 있다. 특히, 의류산업에 적용될 경우 딥러닝 기법을 활용한 의류 인식, 의류 검색, 자동 제품 추천 등의 심층 학습을 기반으로 한 응용이 가능하다. 이 때의 핵심모형은 합성곱 신경망을 사용한 이미지 분류이다. 합성곱 신경망은 입력이 전달되고 출력에 도달하는 과정에서 가중치와 같은 매개 변수를 학습하는 뉴런으로 구성되고, 영상 분류에 가장 적합한 방법론으로 사용된다. 기존의 의류 이미지 분류 작업에서 대부분의 분류 모형은 의류 이미지 자체 또는 전문모델 착용 의류와 같이 통제된 상황에서 촬영되는 온라인 제품 이미지를 사용하여 학습을 수행한다. 하지만 본 연구에서는 통제되지 않은 상황에서 촬영되고 사람들의 움직임과 다양한 포즈가 포함된 스트릿 패션 이미지 또는 런웨이 이미지를 분류하려는 상황을 고려하여 분류 모형을 훈련시키는 효과적인 방법을 제안한다. 이동성을 포착하는 런웨이 의류 이미지로 모형을 학습시킴으로써 분류 모형의 다양한 쿼리 이미지에 대한 적응력을 높일 수 있다. 모형 학습 시 먼저 ImageNet 데이터셋을 사용하여 pre-training 과정을 거치고 본 연구를 위해 수집된 32 개 주요 패션 브랜드의 2426개 런웨이 이미지로 구성된 데이터셋을 사용하여 fine-tuning을 수행한다. 학습 과정의 일반화를 고려해 10번의 실험을 수행하고 제안된 모형은 최종 테스트에서 67.2 %의 정확도를 기록했다. 본 연구 모형은 쿼리 이미지가 런웨이 이미지, 제품 이미지 또는 스트릿 패션 이미지가 될 수 있는 다양한 분류 환경에 적용될 수 있다. 구체적으로는 패션 위크에서 모바일 어플리케이션 서비스를 통해 브랜드 검색을 용이하게 하는 서비스를 제공하거나, 패션 잡지사의 편집 작업에 사용되어 브랜드나 스타일을 분류하고 라벨을 붙일 수 있으며, 온라인 쇼핑몰에서 아이템 정보를 제공하거나 유사한 아이템을 추천하는 등의 다양한 목적에 적용될 수 있다.