• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.168-168
• /
• 2018

최근 기후변화로 인하여 전 세계적으로 과거 강우사상에서 확인되지 않는 극치사상이 빈번하게 관측되고 있으며 이에 따른 피해도 증가하고 있다. 미래의 기상학적 변동성 및 기후변화 영향은 지구순환모형 (General Circulation Models, GCM)을 통해 구체화되며 가장 일반적인 기후변화 전망자료로서 활용된다. 그러나 산정된 기후변화 시나리오마다 서로 그 특성에 차이가 있으며 이러한 이유로 다양한 원인으로 인해 큰 변동성을 가지는 미래 극치강우를 하나의 시나리오로 분석하기에는 무리가 있다. 또한 다양한 시나리오를 통해 분석한 결과값이 상이하며 이러한 시나리오별 산정 결과의 차이는 사용자에게 혼란을 야기할 수 있어 이를 하나의 결과로 나타낼 필요성이 있으나 정량적인 대푯값을 얻기 위해 특정 시나리오를 선택하는 것은 신뢰성에 문제가 있다. 본 연구에서는 시나리오들을 정량적 지표에 의거하여 혼합된 하나의 시나리오로 표출하고자 하였다. CORDEX-RCMs 시나리오 중 HadGEM3-RA, RegCM, SNU_WRF 및 GRIMs를 입력 자료로 하여 다중모형앙상블(Multi-Model Ensemble, MME)을 통해 낙동강 유역의 극치강우에 대한 하나의 최적 기후변화 시나리오를 도출하고자 하였으며 계층적 베이지안 (Hierarchical Bayesian Model, HBM) 기법을 통하여 기후변화 시나리오에 내제된 불확실성에 대한 정량적인 해석을 수행하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.134-134
• /
• 2021

Precipitation is a crucial component of water cycle and play a key role in hydrological processes. Traditionally, gauge-based precipitation is the main method to achieve high accuracy of rainfall estimation, but its distribution is sparsely in mountainous areas. Recently, satellite-based precipitation products (SPPs) provide grid-based precipitation with spatio-temporal variability, but SPPs contain a lot of uncertainty in estimated precipitation, and the spatial resolution quite coarse. To overcome these limitations, this study aims to generate new grid-based daily precipitation using Automatic weather system (AWS) in Korea and multiple SPPs(i.e. CHIRPSv2, CMORPH, GSMaP, TRMMv7) during the period of 2003-2017. And this study used a machine learning based Random Forest (RF) model for generating new merging precipitation. In addition, several statistical linear merging methods are used to compare with the results of the RF model. In order to investigate the efficiency of RF, observed data from 64 observed Automated Synoptic Observation System (ASOS) were collected to evaluate the accuracy of the products through Kling-Gupta efficiency (KGE), probability of detection (POD), false alarm rate (FAR), and critical success index (CSI). As a result, the new precipitation generated through the random forest model showed higher accuracy than each satellite rainfall product and spatio-temporal variability was better reflected than other statistical merging methods. Therefore, a random forest-based ensemble satellite precipitation product can be efficiently used for hydrological simulations in ungauged basins such as the Mekong River.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.345-347
• /
• 2021

미세먼지 에측의 정확도 향상을 위해 다양한 연구가 이루어지고 있으나 미세먼지 농도에 따른 다양한 특성으로 인해 딥러닝 모델의 학습이 잘 이루이지지 않는 문제가 있다. 본 논문에서는 미세먼지 농도의 특성을 분해하여 특성을 반영하기 위한 EEMD 기반의 미세먼지 농도 예측 모델을 제안한다. 미세먼지 농도를 EEMD를 통해 분해 후, 각각 도출된 특성에 따른 예측 결과를 앙상블하여 최종 미세먼지 농도 값을 도출한다. 모델의 성능 평가 결과, 91.7%의 미세먼지 농도 예측 정확도를 확인하였다.

• Computers and Concrete
• /
• 제33권2호
• /
• pp.137-145
• /
• 2024

The technique of experimentally determining concrete's compressive strength for a given mix design is time-consuming and difficult. The goal of the current work is to propose a best working predictive model based on different machine learning algorithms such as Gradient Boosting Machine (GBM), Stacked Ensemble (SE), Distributed Random Forest (DRF), Extremely Randomized Trees (XRT), Generalized Linear Model (GLM), and Deep Learning (DL) that can forecast the compressive strength of ternary geopolymer concrete mix without carrying out any experimental procedure. A geopolymer mix uses supplementary cementitious materials obtained as industrial by-products instead of cement. The input variables used for assessing the best machine learning algorithm not only include individual ingredient quantities, but molarity of the alkali activator and age of testing as well. Myriad statistical parameters used to measure the effectiveness of the models in forecasting the compressive strength of ternary geopolymer concrete mix, it has been found that GBM performs better than all other algorithms. A sensitivity analysis carried out towards the end of the study suggests that GBM model predicts results close to the experimental conditions with an accuracy between 95.6 % to 98.2 % for testing and training datasets.

• 한국IT서비스학회지
• /
• 제21권3호
• /
• pp.63-72
• /
• 2022

The extinction crisis of local cities, caused by a population density increase phenomenon in capital regions, directly causes the increase of vacant houses in local cities. According to population and housing census, Gunsan-si has continuously shown increasing trend of vacant houses during 2015 to 2019. In particular, since Gunsan-si is the city which suffers from doughnut effect and industrial decline, problems regrading to vacant house seems to exacerbate. This study aims to provide a foundation of a system which can predict and deal with the building that has high risk of becoming vacant house through implementing a data driven vacant house prediction machine learning model. Methodologically, this study analyzes three types of machine learning model by differing the data components. First model is trained based on building register, individual declared land value, house price and socioeconomic data and second model is trained with the same data as first model but with additional POI(Point of Interest) data. Finally, third model is trained with same data as the second model but with excluding water usage and electricity usage data. As a result, second model shows the best performance based on F1-score. Random Forest, Gradient Boosting Machine, XGBoost and LightGBM which are tree ensemble series, show the best performance as a whole. Additionally, the complexity of the model can be reduced through eliminating independent variables that have correlation coefficient between the variables and vacant house status lower than the 0.1 based on absolute value. Finally, this study suggests XGBoost and LightGBM based machine learning model, which can handle missing values, as final vacant house prediction model.

• 산업경영시스템학회지
• /
• 제44권4호
• /
• pp.227-233
• /
• 2021

Predictive maintenance has been one of important applications of data science technology that creates a predictive model by collecting numerous data related to management targeted equipment. It does not predict equipment failure with just one or two signs, but quantifies and models numerous symptoms and historical data of actual failure. Statistical methods were used a lot in the past as this predictive maintenance method, but recently, many machine learning-based methods have been proposed. Such proposed machine learning-based methods are preferable in that they show more accurate prediction performance. However, with the exception of some learning models such as decision tree-based models, it is very difficult to explicitly know the structure of learning models (Black-Box Model) and to explain to what extent certain attributes (features or variables) of the learning model affected the prediction results. To overcome this problem, a recently proposed study is an explainable artificial intelligence (AI). It is a methodology that makes it easy for users to understand and trust the results of machine learning-based learning models. In this paper, we propose an explainable AI method to further enhance the explanatory power of the existing learning model by targeting the previously proposedpredictive model [5] that learned data from a core facility (Hyper Compressor) of a domestic chemical plant that produces polyethylene. The ensemble prediction model, which is a black box model, wasconverted to a white box model using the Explainable AI. The proposed methodology explains the direction of control for the major features in the failure prediction results through the Explainable AI. Through this methodology, it is possible to flexibly replace the timing of maintenance of the machine and supply and demand of parts, and to improve the efficiency of the facility operation through proper pre-control.

• 대기
• /
• 제25권2호
• /
• pp.295-308
• /
• 2015

Based on the CMIP5 historical simulation datasets, we assessed the performance of state-of-the-art climate models in respect to the relationship between interannual variabilities of the North Pacific synoptic eddy (NPSE) and East Asian winter monsoon (EAWM). Observation (ERA-Interim) shows a high negative correlation (-0.73) between the interannual variabilities of East Asian winter monsoon (EAWM) intensity and North Pacific synoptic eddy (NPSE) activity during the period of 1979~2005. Namely, a stronger (weaker) EAWM is related to a weaker (stronger) synoptic eddy activities over the North Pacific. This strong reverse relationship can be well explained by latitudinal distributions of the surface temperature anomalies over East Asian continent, which leads the variation of local baroclinicity and significantly weakens the baroclinic wave activities over the northern latitudes of $40^{\circ}N$. This feature is supported by the distribution of the meridional heat flux (${\overline{{\nu}^{\prime}{\theta}^{\prime}}}$) anomalies, which have negative (positive) values along the latitudes $40{\sim}50^{\circ}N$ for strong(weak) EAWM years. In this study, the historical simulations by 11 CMIP5 climate models (BCC-CSM1.1, CanESM2, GFDL-ESM2G, GFDL-ESM2M, HadGEM2-AO, HadGEM2-CC, IPSL-CM5A-LR, MPI-ESM-LR, MPI-ESM-MR, MRI-CGCM3, and NorESM1-M) are analyzed for DJF of 1979~2005. Correlation coefficient between the two phenomena is -0.59, which is comparable to that of observation. Model-to-model variation in this relationship is relatively large as the range of correlation coefficient is between -0.76 (HadGEM2-CC and HadGEM2-AO) and -0.33 (MRI-CGCM3). But, these reverse relationships are shown in all models without any exception. We found that the multi-model ensemble is qualitatively similar to the observation in reasoning (that is, latitudinal distribution of surface temperature anomalies, variation of local baroclinicity and meridional heat flux by synoptic eddies) of the reverse relationship. However, the uncertainty for weak EAWM is much larger than strong EAWM. In conclusion, we suggest that CMIP5 models as an ensemble have a good performance in the simulation of EAWM, NPSE, and their relationship.

• 한국수자원학회논문집
• /
• 제52권10호
• /
• pp.671-680
• /
• 2019

기후변화에 따른 수문순환 요소들의 변화로 인해 미래에는 전 세계적으로 수문사상의 규모 및 빈도가 증가할 것이라는 많은 선행연구들이 있다. 하지만 북한지역의 미래 강수량에 대한 정량적 연구와 평가는 미비한 실정이다. 북한지역 역시 우리나라와 마찬가지로 극한강수에 따른 피해가 발생될 것으로 예상되기 때문에 북한지역에 관한 연구는 지속적으로 진행되어야 한다. 따라서 본 연구에서는 정상성 및 비정상성 빈도해석을 통해 북한지역의 미래(2020-2060년) 극한강수를 산정하고 현재기후(1981-2017년)와 비교 분석하였다. 비정상성 빈도해석은 RCP기후변화시나리오에 따라 모의된 HadGEM2-AO모델의 외부인자(JFM(1-3월), AMJ(4-6월), JAS(7-9월), OND(10-12월)의 평균 강수량)를 고려하여 수행하였다. 북한지역 극치 강우 사상과 유사한 경향을 보이는 외부인자 선정을 위해 앙상블 경험적 모드분해법을 활용하여 연 최대 강우자료의 잔차를 추출하였다. 추출된 잔차와 외부인자 사이의 상관성분석을 실시하였다. 8개 지점(강계, 삼지연, 장진, 양덕, 함흥, 신포, 장전, 신계)에서 3개의 외부인자(AMJ, JAS, OND)가 경향이 있음을 확인하였다. 선정된 외부인자를 고려하여 비정상성 GEV모형을 구축하고 빈도해석을 수행하였다. 그 결과, RCP4.5에서는 8개 지점 중 4개 지점이 현재기후 대비 미래극한강수량이 감소하는 경향을 보였고 3개 지점이 증가하는 것으로 나타났다. 반면에 RCP8.5에서는 2개 지점이 감소하는 경향을 5개 지점이 증가하는 것으로 분석되었다.

• 인터넷정보학회논문지
• /
• 제22권2호
• /
• pp.1-9
• /
• 2021

전통적으로 대부분의 악성코드는 도메인 전문가에 의해 추출된 특징 정보를 활용하여 분석되었다. 하지만 이러한 특징 기반의 분석방식은 분석가의 역량에 의존적이며 기존의 악성코드를 변형한 변종 악성코드를 탐지하는 데 한계를 가지고 있다. 본 연구에서는 도메인 전문가의 개입 없이도 변종 악성코드의 패밀리를 분류할 수 있는 ResNet-Variational AutoEncder 기반 변종 악성코드 분류 방법을 제안한다. Variational AutoEncoder 네트워크는 입력값으로 제공되는 훈련 데이터의 학습 과정에서 데이터의 특징을 잘 이해하며 정규 분포 내에서 새로운 데이터를 생성하는 특징을 가지고 있다. 본 연구에서는 Variational AutoEncoder의 학습 과정에서 잠재 변수를 추출을 통해 악성코드의 중요 특징을 추출할 수 있었다. 또한 훈련 데이터의 특징을 더욱 잘 학습하고 학습의 효율성을 높이기 위해 전이 학습을 수행했다. ImageNet Dataset으로 사전학습된 ResNet-152 모델의 학습 파라미터를 Encoder Network의 학습 파라미터로 전이했다. 전이학습을 수행한 ResNet-Variational AutoEncoder의 경우 기존 Variational AutoEncoder에 비해 높은 성능을 보였으며 학습의 효율성을 제공하였다. 한편 변종 악성코드 분류를 위한 방법으로는 앙상블 모델인 Stacking Classifier가 사용되었다. ResNet-VAE 모델의 Encoder Network로 추출한 변종 악성코드 특징 데이터를 바탕으로 Stacking Classifier를 학습한 결과 98.66%의 Accuracy와 98.68의 F1-Score를 얻을 수 있었다.

• 한국응용곤충학회지
• /
• 제62권3호
• /
• pp.215-220
• /
• 2023

최근 국내에서 외래 곤충인 (가칭)마른나무흰개미(Cryptotermes domesticus)가 서울에 위치한 주택에서 발견되었다. 이 종은 국내에 정착할 경우 잠재적으로 목재나 목조건물에 피해를 줄 수 있어 시급한 국내 발생 조사가 필요하다. 본 연구에서는 종 분포 모델 기법을 활용하여 마른나무흰개미의 정착 가능성과 관련된 기후적합성을 추정하는 것을 목표로 하였다. 문헌 자료를 바탕으로 전세계 분포 정보를 수집하고, 생물기후변수를 활용하여 4개의 모델링 알고리즘으로 기후적합성 예측 모델을 구동하였다. 개발한 모델들의 결과를 종합하여 최종적으로 마른나무흰개미의 평균 발생 확률로 표현되는 앙상블 모델을 개발하였다. 그 결과 마른나무흰개미는 열대 지방에서에서 해양성 기후를 보이는 연안이나 도서지역에서 기후적합성이 높을 것으로 예상되었다. 국내에서는 기후적합성이 전반적으로 낮을 것으로 추정되었다. 하지만, 마른나무흰개미의 정착 및 확산 가능성을 염두해두고, 최근 발생이 보고된 지점을 중심으로 정밀 역학 조사가 필요할 것으로 보인다.