High-dose I-131 used for the treatment of thyroid cancer causes localized exposure among radiology technologists handling it. There is a delay between the calibration date and when the dose of I-131 is administered to a patient. Therefore, it is necessary to directly measure the radioactivity of the administered dose using a dose calibrator. In this study, we attempted to apply machine learning modeling to measured external dose rates from shielded I-131 in order to predict their radioactivity. External dose rates were measured at 1 m, 0.3 m, and 0.1 m distances from a shielded container with the I-131, with a total of 868 sets of measurements taken. For the modeling process, we utilized the hold-out method to partition the data with a 7:3 ratio (609 for the training set:259 for the test set). For the machine learning algorithms, we chose linear regression, decision tree, random forest and XGBoost. To evaluate the models, we calculated root mean square error (RMSE), mean square error (MSE), and mean absolute error (MAE) to evaluate accuracy and R2 to evaluate explanatory power. Evaluation results are as follows. Linear regression (RMSE 268.15, MSE 71901.87, MAE 231.68, R2 0.92), decision tree (RMSE 108.89, MSE 11856.92, MAE 19.24, R2 0.99), random forest (RMSE 8.89, MSE 79.10, MAE 6.55, R2 0.99), XGBoost (RMSE 10.21, MSE 104.22, MAE 7.68, R2 0.99). The random forest model achieved the highest predictive ability. Improving the model's performance in the future is expected to contribute to lowering exposure among radiology technologists.
Nowadays, Deep Learning (DL) technology is being used in several government departments. South Korea imports a lot of seafood. If the demand for fishery products is not accurately predicted, then there will be a shortage of fishery products and the price of the fishery product may rise sharply. So, South Korea's Ministry of Ocean and Fisheries is attempting to accurately predict seafood imports using deep learning. This paper introduces the solution for the fish import prediction in South Korea using the Long Short-Term Memory (LSTM) method. It was found that there was a huge gap between the sum of consumption and export against the sum of production especially in the case of two species that are Hairtail and Pollock. An import prediction is suggested in this research to fill the gap with some advanced Deep Learning methods. This research focuses on import prediction using Machine Learning (ML) and Deep Learning methods to predict the import amount more precisely. For the prediction, two Deep Learning methods were chosen which are Artificial Neural Network (ANN) and Long Short-Term Memory (LSTM). Moreover, the Machine Learning method was also selected for the comparison between the DL and ML. Root Mean Square Error (RMSE) was selected for the error measurement which shows the difference between the predicted and actual values. The results obtained were compared with the average RMSE scores and in terms of percentage. It was found that the LSTM has the lowest RMSE score which showed the prediction with higher accuracy. Meanwhile, ML's RMSE score was higher which shows lower accuracy in prediction. Moreover, Google Trend Search data was used as a new feature to find its impact on prediction outcomes. It was found that it had a positive impact on results as the RMSE values were lowered, increasing the accuracy of the prediction.
운량 기반 기온감률 추정모형을 이용하여 0600과 1500의 기온감률을 모의하고, 최저 및 최고기온 추정과정에 활용되었던 기존의 단일 기온감률($-6.5^{\circ}C/km$, $-9^{\circ}C/km$)에 비해 추정 기온감률이 0600, 1500 기온의 추정오차를 개선할 수 있는지 확인하였다. 경남 하동과 전남 구례, 광양 지역의 '하동 2 수위표' 집수역을 기온감률 추정기법의 실용성 평가 지역으로 선정하고, 이 집수역 내 기상관측지점 12곳의 0600, 1500 기온자료를 2015년 한 해에 대해 수집하였다. 또한 2015년의 기상청 하늘상태 초단기예보 5km 격자자료를 이용, 대상 집수역의 0600, 1500 운량(0~10) 공간평균값을 계산하여 기온감률을 추정하였다. 검증지점의 0600 기온 추정오차는 기존 기온감률을 적용한 경우 평균 ME $-0.39^{\circ}C$, RMSE $1.45^{\circ}C$ 였으나, 새로운 기온감률로 변경한 결과 ME $-0.19^{\circ}C$, RMSE $1.32^{\circ}C$로 개선되었으며, 맑은 날은 ME $-0.8^{\circ}C$에서 $-0.57^{\circ}C$로, RMSE는 $1.72^{\circ}C$에서 $1.42^{\circ}C$로 감소되었고 흐린 날은 ME $-0.17^{\circ}C$에서 $-0.06^{\circ}C$, RMSE $1.16^{\circ}C$에서 $1.01^{\circ}C$로 줄어들었다. 또한 1500 기온에서 기존의 단일 기온감률과 추정 기온감률의 적용결과를 비교하면 맑은 날은 기온 추정오차에 거의 차이가 없었지만, 흐린 날은 기존 ME $-0.69^{\circ}C$, RMSE $1.54^{\circ}C$에서 ME $-0.51^{\circ}C$, RMSE $1.19^{\circ}C$로 개선되었다.
강원지방소나무의 수간곡선 추정에 비선형 혼합효과 모형(nonlinear mixed-effects models: NLME)을 적용하고 몇 가지 성능 척도를 이용하여 비선형 고정효과 모형과 비교하였다. 혼합효과 모형이 고정효과 모형을 개선한 정도를 전체 성능의 측면에서 설명하면, 수간직경에 대해서는 BIAS 26.4%, MAB 42.9%, RMSE 43.1%, FI 0.9%만큼이었고, 수간단면적에 대해서는 BIAS 67.7%, MAB 44.7%, RMSE 45.8%, FI 1.0%만큼이었다. 수간을 12개의 상대수고 구간으로 세분화하여 분석한 결과에서도 수간곡선의 성능은 혼합효과 모형에 의해 크게 개선된 것으로 나타났다. 혼합효과 모형은 모든 상대수고 구간에서 수간직경 및 수간단면적에 대한 성능이 고정효과 모형보다 더 나은 MAB, RMSE, FI를 나타내었고, BIAS의 경우 일부 구간(수간직경: 0.05, 0.2, 0.3, 0.8, 수간단면적: 0.05, 0.3, 0.5, 0.6, 1.0)에서만 고정효과 모형보다 뒤떨어지는 것으로 확인되었다. 특히 지상에 근접한 수간 최하부(수고 0.2 m 지점)에서 수간직경 및 수간단면적 추정 성능이 혼합효과 모형에 의해 크게 향상되었다. 수간직경의 경우 BIAS 84.2%, MAB 69.8%, RMSE 68.7%, FI 3.1%, 수간단면적의 경우 BIAS 98.5%, MAB 70.1%, RMSE 68.7%, FI 3.1%만큼 향상된 것으로 분석되었다. 지상으로부터 0.2 m 높이 지점의 수간단면적이 수간단면적 전체에서 차지하는 비중은 22.7%에 달하였다. 이렇게 수간재적에서 가장 큰 비중을 차지하는 수간 최하부에서의 추정 성능이 크게 향상되었다는 것은 전체 수간재적의 추정 성능 역시 큰 폭으로 향상될 수 있음을 시사한다. 비록 모형 적합 과정이 고정효과 모형보다 까다롭다는 단점이 있지만, 추정 성능의 개선 효과를 고려하면 NLME를 수간곡선 추정의 표준적인 방법으로 사용하는 것을 검토할 필요가 있다.
Shape from focus (SFF) 방법은 이미지의 초점화된 영상을 이용하여 삼차원의 형상을 복원하는 방법이다. 그동안 많은 SFF 방법들이 연구되어 왔지만 노이즈에 대한 문제점과 영상특성으로 인한 최적화되지 못한 문제점이 남아있었다. 그러므로 노이즈를 제거하기 위한 필터링과 최적화 알고리즘을 제안한다. 성능 평가를 위하여 통계적인 판별기준인 평균제곱근오차 (RMSE)와 상관관계 (correlation) 수치를 이용한다.
매년 재난/재해의 발생 빈도와 피해 규모가 증가하고 있다. 그 피해를 최소화하기 위해 주기적인 모니터링을 수행하여 위기 상황을 사전에 대비하고 긴급 대응 체계를 구축하여 상황 발생 시 피해 상황을 신속하게 파악할 수시스템에 있어야 한다. 모니터링의 용이성과 신속성을 확보하기 위해 UAV에 기반한 긴급 매핑 대한 관심이 증가하고 있다. 그러나 이러한 시스템으로부터 획득된 센서 데이터가 Georeferencing되었을 때 이로부터 다양한 공간 정보를 도출할 수 있다 본 논문에서는 UAV 기반의 매핑 시스템으로부터 획득된 센서 데이터를 시뮬레이션 해보고 시뮬레이션 데이터에 대하여 Aerial Triangulation을 수행하여 영상을 Georeferncing하고 위치/자세 정보를 보정하고자 한다. 실험은 (1) 시뮬레이션 데이터 생성, (2) 초기값 생성, (3) AT 수행을 통한 위치/자세 조정의 3단계로 구성된다. 800m 길이의 1개 스트립, 500m 길이의 2개 스트립으로 나눠 비행경로를 정하고 200m, 400m, 600m의 비행고도에 대하여 다양한 실험을 수행하였다. 실험 결과 위치/자세의 초기값 RMSE에서 90% 이상 개선된 RMSE를 얻을 수 있었으며, 비행고도가 높아질수록 RMSE의 향상도는 반비례하였다. 향후에는 Sequential 알고리즘을 적용하여 연산 속도를 향상시킬 수 있고 궁극적으로 실시간 영상 Georeferencing을 가능하게 할 것으로 기대된다.
Communications for Statistical Applications and Methods
/
제28권4호
/
pp.351-368
/
2021
For a probabilistic model with positively skewed data, a lognormal distribution is one of the key distributions that play a critical role. Several lognormal models can be found in various areas, such as medical science, engineering, and finance. In this paper, we propose a new estimator for a lognormal mean and depict the performance of the proposed estimator in terms of the relative mean squared error (RMSE) compared with Shen's estimator (Shen et al., 2006), which is considered the best estimator among the existing methods. The proposed estimator includes a tuning parameter. By finding the optimal value of the tuning parameter, we can improve the average performance of the proposed estimator over the typical range of σ2. The bias reduction of the proposed estimator tends to exceed the increased variance, and it results in a smaller RMSE than Shen's estimator. A numerical study reveals that the proposed estimator has performance comparable with Shen's estimator when σ2 is small and exhibits a meaningful decrease in the RMSE under moderate and large σ2 values.
2015년부터 최근까지 차세대도시농림융합기상사업단에서는 수도권에 위치한 도시기상 관측소에서 관측된 기상자료(14소), 운고계(2소) 그리고 마이크로웨이브 라디오미터(MWR, 7소) 자료를 이용하여 태양에너지를 산출하였다. 수도권지역에 위치한 운고계에서 관측된 후방산란계수와 MWR에서 추정된 액상물량을 이용하여 구름광학두께와 운량을 산출하였다. 각각의 원격탐사장비에서 산출된 운량을 태양복사모델에 입력하여 지표면에 도달하는 태양에너지를 계산하였다. 추정된 태양에너지를 관측과 비교한 결과, 중랑과 광화문지점에서는 과소추정이 나타났다. 선형회귀분석한 결과 0.8이하의 기울기를 나타냈고 $-20W/m^2$의 음의 편차와 $120W/m^2$의 평방근오차(RMSE)가 나타났다. 그리고 MWR을 이용하여 추정된 태양에너지의 정확도(평균 결정계수$(R^2)=0.8$)와 오차율(평균 $RMSE=110W/m^2$)이 향상되었다. 월별 산출된 운량과 태양에너지는 운고계를 이용하여 산출하였을 때 운량이 0.09 이상 크게 나타났으며 태양에너지가 $50W/m^2$ 이상 낮게 산출되었다. 지점에 따라 차이는 있었으나 대체로 7월과 9월의 RMSE가 $50W/m^2$ 이상 크게 계산되었다. 결과적으로 일누적 태양에너지는 광화문지점에서 가장 높은 상관성이 나타났고($R^2=0.80$, RMSE=2.87 MJ/Day), 구로지점에서 상관성이 가장 낮았다($R^2=0.63$, RMSE=4.77 MJ/Day).
국가 우주개발 프로그램에 따라 개발되고 있는 다목적실용위성 시리즈 영상자료에 대한 활용도 증대를 위해서는 표준화된 후처리 공정을 통해 위치정확도가 향상된 고품질의 영상을 생성할 필요가 있다. 본 연구에서는 다목적실용위성 영상자료 후처리를 위하여 구축된 부가처리시스템을 이용하여 국내외 지역의 다목적실용위성 2호, 3호 영상자료에 대한 위치보정 실험을 수행하였다. 우선 남한과 북한지역에서 다목적실용위성 2호 영상자료를 각각 50장씩 선정한 후 GCP Chip을 이용한 모델링 결과 남한과 북한에 대한 RMSE(Root Mean Square Errors)는 각각 1.59 화소와 2.04 화소로 나타났으며, 검사점을 이용한 정사모자이크영상에 대한 위치정확도는 각각 1.33m(RMSE)와 1.90m(RMSE)로 나타났다. 한편 GCP 확보에 어려움이 존재하는 해외지역의 경우 공개도로지도를 이용한 영상보정을 통해 위치정확도 향상을 확인할 수 있었다. 향후 본 연구에서 사용된 부가처리시스템과 참조자료는 전 세계지역에 대한 정밀 영상 DB 구축에 있어 매우 유용하게 활용될 수 있을 것으로 기대된다.
최근 남북교류 협력사업과 통일에 대비한 각종 계획 및 정책 수립에 비접근 지역에 대한 공간자료의 필요성이 대두되고 있다. 이에 본 연구에서는 PLEIADES 영상과 TerraSAR 기준점을 활용하여 비접근 지역의 1/5,000 수치지형도 제작을 위한 기하보정의 허용오차 만족 가능성을 평가하였다. GPS 측량성과의 기준점 수량 및 배치를 변경해 가면서 기하보정을 수행하였고, 기하학적 배치와 안전성을 고려하여 5점을 활용하는 방안을 선정하였다. 선정된 위치에 TerraSAR 기준점을 확보하여 정확도를 평가한 결과, RMSE는 X=±0.64m, Y=±0.46m, Z=±0.28m였고, TerraSAR 기준점으로 PLEIADES 영상을 기하보정한 결과, RMSE는 X=±0.34m, Y=±0.27m, Z=±0.11m, 검사점에 대한 RMSE는 X=±0.50m, Y=±0.30m, Z=±0.66m임을 확인하였다. 본 연구 결과를 통해 비접근지역의 PLEIADES 영상과 최적의 TerraSAR 기준점을 확보하여 공간자료를 구축한다면 국내 항공삼각측량의 조정계산 및 오차한계의 1/5,000 수치지형도 제작 규정에 부합하는 고정밀 공간정보의 확보가 가능하다고 사료된다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.