• 지구물리와물리탐사
• /
• 제25권4호
• /
• pp.227-241
• /
• 2022

전파형 역산은 석유가스 탐사를 위한 탄성파 자료처리 분야에서 지층의 속도 모델을 추정하는데 사용되는 역산 기법이다. 최근 탄성파 자료처리에 딥러닝 기술의 활용이 급격하게 증가하고 있는데, 전파형 역산 기술도 마찬가지로 다양한 연구가 이루어지고 있다. 초기에는 머신러닝 기술을 활용한 자료처리 기법이 전파형 역산을 위한 입력자료의 전처리 목적으로 활용되는 수준이었으나, 딥러닝 기술을 통해 전파형 역산을 직접적으로 구현하는 연구가 등장하기 시작하였다. 딥러닝 기술을 활용한 전파형 역산은 순수 데이터 기반 접근법, 물리 기반 신경망 활용법, 인코더-디코더 구조 활용법, 신경망 재매개변수화를 이용한 구현법, 물리정보 기반 신경망 기법 등으로 구분할 수 있다. 이 논문에서는 딥러닝 기반 전파형 역산 기법을 발전 과정 순서로 체계화하여 각각의 접근법에 대한 이론과 특징을 설명하였다. 전파형 역산 기술에 딥러닝 기법을 도입한 초기에는 데이터 과학의 기본 원리에 충실하게 대량의 학습자료를 준비하고 순수 데이터 기반 예측 모델을 적용하여 속도 모델을 역산하는 연구로 시작하였다. 최근 연구 동향은 탄성파 자료의 잔차나 파동방정식 자체의 물리정보를 심층 신경망에 활용하여 순수 데이터 기반 접근법의 단점을 보완해 나가는 방향으로 진행되고 있다. 이러한 발전으로 대량의 학습자료가 필요하지 않고, 전파형 역산의 태생적 한계점인 주기 놓침 현상을 완화하며 계산 시간을 획기적으로 줄일 수 있는 딥러닝 기반 전파형 역산 기술이 등장하고 있다. 딥러닝 기술의 도입으로 전파형 역산 기술은 탄성파 자료처리 분야에서 가치가 더 높아질 것으로 생각된다.

• 한국농림기상학회지
• /
• 제12권1호
• /
• pp.11-22
• /
• 2010

본 연구에서는 지구온난화에 따른 식물기간과 작물 기간 등과 관련된 농업기후지수의 변화를 살펴보기 위하여 접합 대순환 모형인 PNU CGCM에 의해 모의 된 $CO_2$ 배증 실험 결과를 지역기후 모형인 WRF에 two-way double nesting방법을 이용하여 역학적 규모 축소법을 적용 후, 그 결과를 분석하였다. 분석 기간은 배증 실험 시작 후 51년부터 55년까지 5년 동안의 3월~9월이다. 분석 결과 기온은 뚜렷하게 상승하는 모습을 볼 수 있었으며, 강수는 지역별로 차이를 보였으나 전반적으로 증가할 것으로 예상되었다. 상대습도와 토양온도도 증가하였으나 일사는 감소할 것으로 보인다. 풍속은 지역별로 큰 차이 없이 다소 상승할 것으로 모의되었다. 최저기온은 최고기온보다 상승폭이 커서 일교차는 줄어들 것으로 예상된다. 봄철 서리일수는 감소하고, 마지막 서리일은 빨라질 것으로 나타난다. 일 평균기온이 5 이상인 일수는 3월에 가장 큰 증가가 있을 것으로 보이며, 식물온도의 평균 출현초일은 한반도 평균적으로 3.7일 정도 빨라지는 것을 알 수 있었다. 그리고 한반도 북부지역보다 남부지역에서 출현초일이 앞당겨질 것으로 예상된다. 일 평균 기온이 10 이상 출현지속 기간인 작물온도의 평균 출현초일은 평균적으로 17일 빨라질 것으로 보이며 지역적으로 분석하였을 때, 강원도 산맥지역에서는 작물온도의 출현초일에 큰 변화가 없을 것으로 예상된다. 그리고 기후생산력 지수는 출수 후 40일간의 평균 일조시간과 기온의 상승으로 인해 증가할 것으로 예상된다. 따라서 $CO_2$ 배증에 의해 변화된 한반도 기후는 식물 및 작물의 생장과 벼 생장에 좋은 영향을 미칠 것으로 예상된다. 따라서 지구 온난화에 따라 예상되는 한반도 기후변화에 적합한 작부체계의 개선이 향후 필요할 것으로 생각된다. 그리고 본 연구는 하나의 시나리오를 적용한 결과이므로 보다 다양한 시나리오를 적용하여 그에 따른 농업기후지수 변화를 살펴보는 연구가 필요하다.