• 한국자원식물학회지
• /
• 제19권3호
• /
• pp.418-421
• /
• 2006

In this study, we surveyed the influence of IOA (iodoacetamide) and media upon protoplast fusion for the efficient production of the somatic hybrid among S. sisymbriifolium and other Solanum species (S. intergrifolium and S. toxicarium). Regardless of a breed, as the IOA concentration increases, the cell division tends to decrease. As the influence of the media on the colony formation, we could get 5 colonies from the fusion of S. sisymbriifolium and IOA-treated S. integrifolium protoplast, but none was observed in other fusions. As a result of analyzing their IDH isozyme, we found a somatic hybrid in 2 objects.

• 융합정보논문지
• /
• 제11권3호
• /
• pp.7-13
• /
• 2021

본 연구는 딥러닝(Deep Learning) 알고리즘 GAN 모델을 기반으로 초미세먼지(PM2.5) 인공지능 예측시스템을 개발한다. 실험 데이터는 시계열 축으로 생성된 온도, 습도, 풍속, 기압의 기상변화와 SO2, CO, O3, NO2, PM10와 같은 대기오염물질 농도와 밀접한 관련이 있다. 데이터 특성상, 현재시간 농도가 이전시간 농도에 영향을 받기 때문에 반복지도학습(Recursive Supervised Learning) 예측 모델을 적용하였다. 기존 모델인 CNN, LSTM의 정확도(Accuracy)를 비교분석을 위해 관측값(Observation Value)과 예측값(Prediction Value)간의 차이를 분석하고 시각화했다. 성능분석 결과 제안하는 GAN이 LSTM 대비 평가항목 RMSE, MAPE, IOA에서 각각 15.8%, 10.9%, 5.5%로 향상된 것을 확인하였다.

• 대한원격탐사학회지
• /
• 제35권6_1호
• /
• pp.919-932
• /
• 2019

미세먼지는 인간 활동에 의한 오염물질 배출에 의해 발생하는 것이 일반적이지만, 수문기상 조건에 따라 이동, 심화, 소멸 과정에서 매우 복잡한 메커니즘을 지니고 있으므로 효과적인 미세먼지 대책 마련을 위해서는 수문기상인자와 미세먼지 간의 상관성에 대한 이해가 필수적이다. 현재 우리나라의 미세먼지 농도 관측 및 예보는 지점 측정소에서 농도를 측정하고, 이 자료를 기반으로 측정소가 위치하지 않는 지역의 값을 추정함으로써 이루어지고 있다. 이러한 관측 방식 및 자료는 공간적 대표성을 갖지 못하기 때문에 관측소와의 거리가 먼 지역의 정확한 미세먼지 농도를 파악하는 것이 불가능하며, 미세먼지의 이동, 심화, 소멸 단계를 추적하는데 어려움이 있다. 본 연구에서는 Global Land Data Assimilation System (GLDAS)의 다양한 수문기상인자를 사용하여, 베이지안 모델 평균(Bayesian Model Averaging, BMA)을 통해 초미세먼지(PM2.5)와 유의미한 상관성을 갖는 인자를 선별하였다. 선별된 인자는 MODerate Resolution Imaging Spectroradiometer (MODIS)의 Aerosol Optical Depth (AOD) 자료와 함께 계절별 PM2.5 농도 산출 모델을 구축하는데 활용되었으며, 산출 결과를 매핑하여 PM2.5 농도의 공간 분포를 파악하고자 하였다. 지점 기반 자료와의 비교를 통해 구축된 모델을 검증하였을 때, 측정된 PM2.5 농도와 높은 상관성(R ~0.7; IOA ~0.78; RMSE ~7.66 ㎍/㎥)을 나타냈으며, 지역별로 나누어 비교할 경우 데이터의 분포는 유사하나 상관계수의 차이를 보이는 것을 확인할 수 있었다(R: 0.32-0.82). 모델 산출 자료를 활용하여 PM2.5 농도를 매핑한 결과 기존 내삽 방법에 비해 시공간적 변동성을 더욱 잘 표현하는 것을 확인하였다. 추후 연구 지역을 동아시아 지역으로 확장 시킨다면 국내외 미세먼지 발생원의 파악 및 이동 양상에 대한 분석에 용이할 것으로 기대된다.

• 한국대기환경학회지
• /
• 제23권4호
• /
• pp.449-456
• /
• 2007

Dispersion coefficient preprocessing schemes have been examined to improve plume dispersion model performance in complex coastal areas. The performances of various schemes for constructing the sigma correction order were evaluated through estimations of statistical measures, such as bias, gross error, R, FB, NMSE, within FAC2, MG, VG, IOA, UAPC and MRE. This was undertaken for the results of dispersion modeling, which applied each scheme. Environmental factors such as sampling time, surface roughness, plume rising, plume height and terrain rolling were considered in this study. Gaussian plume dispersion model was used to calculate 1 hr $SO_2$ concentration 4 km downwind from a power plant in Boryeung coastal area. Here, measured data for January to December of 2002 were obtained so that modelling results could be compared. To compare the performances between various schemes, integrated scores of statistical measures were obtained by giving weights for each measure and then summing each score. This was done because each statistical measure has its own function and criteria; as a result, no measure can be taken as a sole index indicative of the performance level for each modeling scheme. The best preprocessing scheme was discerned using the step-wise method. The most significant factor influencing the magnitude of real dispersion coefficients appeared to be sampling time. A second significant factor appeared to be surface roughness, with the rolling terrain being the least significant for elevated sources in a gently rolling terrain. The best sequence of correcting the sigma from P-G scheme was found to be the combination of (1) sampling time, (2) surface roughness, (3) plume rising, (4) plume height, and (5) terrain rolling.

• 한국대기환경학회지
• /
• 제21권5호
• /
• pp.495-505
• /
• 2005

This study is to estimate source contribution by air pollutantion types (point, area, line) over Seoul metropolitan area. The Air Pollution Model (TAPM) and the highly resolved anthropogenic and biogenic gridded emissions ($1km{\times}1km$) were applied to simulate $SO_2,\;NO_2,\;O_3\;and\;PM_{10}$ concentrations by seasons and contribution was estimated by their source types (point, area, line). The results showed that the simulated concentrations of secondary pollutant agreed well with observed values with an index of agreement (IOA) over 0.4, whereas IOAs over 0.3 were observed for most primary pollutants. The contributions of each source types by seasons were similar. The point source contribution was the highest for $SO_2$ at medium level ranged from $55.1\%\;to\;61.5\%$. But the contribution from area source during for the spring and summer increased as the concentration level increased. The line source contribution was the highest for $NO_2$ at all levels ranged from $68.3\%\;to\;93.1\%$. The results indicate that $SO_2$ emissions should be mainly controlled from point source, as well as area source at higher level concentration. Also, $NO_2\;and\;PM_{10}$ to from line source should be controlled.

• 대한원격탐사학회지
• /
• 제37권6_1호
• /
• pp.1739-1756
• /
• 2021

대기 중 이산화질소(NO₂)는 주로 인위적인 배출요인으로 발생하며 화학 반응을 통해 이차오염 물질 및 오존 형성에 매개 역할을 하는 인체 건강에 악영향을 미치는 물질이다. 우리나라는 지상 관측소에 의한 실시간 NO₂ 모니터링을 수행하고 있지만, 이는 점 기반의 관측 값으로써 미관측 지역의 공간 분포 분석이 어렵다는 한계점을 지닌다. 본 연구에서는 선형 회귀 기반 모델인 다중 선형 회귀와 회귀 크리깅, 기계학습 알고리즘인 Random Forest (RF), Support Vector Regression (SVR)을 적용한 공간 내삽 모델링을 통해 서울 지역의 지상 NO₂ 농도 지도를 제작하였고, 일별 Leave-One-Out Cross Validation (LOOCV) 교차 검증을 시행하였다. 2020년 연구기간 내 일별 LOOCV에서 MLR, RK, SVR 모델의 일별 평균 Index of agreement (IOA)는 약 0.57로 유사한 성능을 보였으며, RF (0.50)보다 높은 성능이 확인되었다. RK의 일별 평균 nRMSE는 0.9483%으로 MLR (0.9501%)보다 상대적으로 낮은 오차를 나타냈다. MLR과 RK, RF 모델의 계절별 공간 분포는 비슷한 양상을 보였으며, RF는 다른 모델에 비해 좁은 NO₂ 농도 범위가 확인되었다. 본 연구에서 제안된 선형 회귀 기반 공간 내삽은 지상 NO₂ 뿐 아니라 다른 대기 오염 물질의 도시 지역 공간 내삽을 위해 활용 가능성이 높을 것으로 기대된다.