• Korean Journal of Agricultural and Forest Meteorology
• /
• v.14 no.4
• /
• pp.143-154
• /
• 2012

As demand of water resources and attentions to changes in climate (e.g., due to ENSO) increase, long/short term prediction of precipitation is getting necessary in water planning. This research evaluated the ability of MM5 to predict precipitation in the Tampa Bay region over 23 year period from 1986 to 2008. Additionally MM5 results were statistically bias-corrected using observation data at 33 stations over the study area using CDF-mapping approach and evaluated comparing to raw results for each ENSO phase (i.e., El Ni$\tilde{n}$o and La Ni$\tilde{n}$a). The bias-corrected model results accurately reproduced the monthly mean point precipitation values. Areal average daily/monthly precipitation predictions estimated using block-kriging algorithm showed fairly high accuracy with mean error of daily precipitation, 0.8 mm and mean error of monthly precipitation, 7.1 mm. The results evaluated according to ENSO phase showed that the accuracy in model output varies with the seasons and ENSO phases. Reasons for low predictions skills and alternatives for simulation improvement are discussed. A comprehensive evaluation including sensitivity to physics schemes, boundary conditions reanalysis products and updating land use maps is suggested to enhance model performance. We believe that the outcome of this research guides to a better implementation of regional climate modeling tools in water management at regional/seasonal scale.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.14 no.6
• /
• pp.77-90
• /
• 2015

An increasing number of vehicles is causing various traffic problems such as chronic congestion of highways and air pollution. Local governments have been managing traffic by constructing systems such as Intelligent Transport Systems (ITS) and Advanced Traffic Management Systems (ATMS) to relieve such problems, but construction of an infrastructure-based traffic system is insufficient in resolving chronic traffic problems. A more sophisticated system with enhanced operational management capabilities added to the existing facilities is necessary at this point. As traffic patterns of the urban traffic flow is time-specific due to the different vehicle populations throughout the time of the day, a local network-wide signal operation plan that can manage such situation-specific traffic patterns is deemed to be necessary. Therefore, this study is conducted for the purpose of establishment of a plan for contextual signal control management through signal optimization at the network level after setting the Frame Signal in accordance to the traffic patterns gathered from the short-term traffic forecast data as a means to mitigate the problems with existing standardized signal operations.

• Journal of Korea Water Resources Association
• /
• v.42 no.3
• /
• pp.213-225
• /
• 2009

A stationary Markov chain model is a stochastic process with the Markov property. Having the Markov property means that, given the present state, future states are independent of the past states. The Markov chain model has been widely used for water resources design as a main tool. A main assumption of the stationary Markov model is that statistical properties remain the same for all times. Hence, the stationary Markov chain model basically can not consider the changes of mean or variance. In this regard, a primary objective of this study is to develop a model which is able to make use of exogenous variables. The regression based link functions are employed to dynamically update model parameters given the exogenous variables, and the model parameters are estimated by canonical correlation analysis. The proposed model is applied to daily rainfall series at Seoul station having 46 years data from 1961 to 2006. The model shows a capability to reproduce daily and seasonal characteristics simultaneously. Therefore, the proposed model can be used as a short or mid-term prediction tool if elaborate GCM forecasts are used as a predictor. Also, the nonstationary Markov chain model can be applied to climate change studies if GCM based climate change scenarios are provided as inputs.

• Ecology and Resilient Infrastructure
• /
• v.2 no.2
• /
• pp.185-190
• /
• 2015

Greenhouse gas (GHG) emission from agricultural lands is recognized as one of important factors of global warming. The objective of this short communication was to evaluate the applicability of different soil GHG emission prediction models on agricultural systems in Korea. Four models, namely, DNDC, DAYCENT, EXPERT-N and COUP, were selected and the basic structure (e.g., components and sub-model), input variables, and output variables were compared. In particular, the availability and compilation of essential input variables were assessed. Major input variables needed for operating these predictive models were found to be available through database systems established by national organizations such as the Korea Meteorological Administration, the Korean Soil Information System, and the Rural Development Administration. However, in order to apply these models in Korea, it was necessary to calibrate and validate each of the models for the domestic landscape settings and climate conditions. In addition, field data of long-term monitoring of GHG emission from agricultural lands are limited and therefore should be measured.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.450-450
• /
• 2018

최근 기후변화와 수온상승으로 인한 녹조발생이 빈번하게 나타나며, 녹조발생에 관한 관심은 꾸준히 증가하고 있는 추세이다. 본 연구는 효율적인 녹조관리를 위하여 모델트리를 활용하여 클로로필-a 단기조류예측 기법을 개발하였다. 대상지역으로 영산강수계의 죽산보를 선정하였으며, 2013년 1월부터 2016년 12월까지 나주 수질자동측정망의 일 단위자료와 동일기간 광주 기상청의 일별 기상자료를 이용하였다. 상관 분석을 통해 T-N, T-P, N/Pratio와 클로로필-a, 수온, 일사량, 강수량을 독립변수로, 단기(t+1일, t+3일, t+5일, t+7일) 클로로필-a를 종속변수로 선정하여 단기조류예측기법을 개발하였다. 수집한 자료의 데이터세트는 격일 간격으로 Training, Testing 기간으로 구분하여 적용한 결과, 상관계수는 1일 예측 시, Training 기간에 0.89, Testing 기간에 0.91, 3일 예측 시, Training 기간에 0.74, Testing 기간에 0.68, 5일 예측 시, Training 기간에 0.70, Testing 기간에 0.66, 7일 예측 시, Training 기간에 0.63, Testing 기간에 0.62로 나타났다. RMSE(Root Mean Square Error)는 1일 예측 시, Training 기간에 13.96, Testing 기간에 12.22, 3일 예측 시, Training 기간에 20.03, Testing 기간에 22.14, 5일 예측 시, Training 기간에 21.32, Testing 기간에 22.57, 7일 예측 시, Training 기간에 23.52, Testing 기간에 23.45로 나타났다. 예측주기에 따라 모델트리와 회귀식에서 활용한 독립변수는 1일 예측 시, 모델트리는 N/Pratio, 클로로필-a, 회귀식은 클로로필-a로 다르게 나타났다. 반면, 3일, 5일, 7일 예측 시, 모델트리와 회귀식에 활용된 변수는 같게 나타났다. 클로로필-a, 수온, 일사량은 5일 예측 시 활용된 변수로, 3일 예측 시에는 기상항목인 강수량이, 7일 예측 시에는 수질항목인 T-N, N/Pratio가 추가되었다. 특히 1일 예측 시 일 때, 높은 예측정도와 활용된 변수의 수가 적게 나타나는 것을 확인하였으며, 예측기간이 길어질수록 예측의 정확성이 낮아지고, 활용된 변수의 수가 많아지는 것을 확인하였다. 향후 적정한 예측기간을 판단하고 예측가능성을 높이기 위해서는 지속적인 자료취득 및 개선이 필요하며, 이를 바탕으로 적절한 단기조류예측이 가능할 것으로 판단된다.

• Korean Journal of Remote Sensing
• /
• v.37 no.5_2
• /
• pp.1235-1243
• /
• 2021

Geostationary Ocean Color Imager 2 (GOCI-II) on Geo-KOMPSAT-2 (GK2B)satellite was developed as a mission successor of GOCI on COMS which had been operated for around 10 years since launch in 2010 to observe and monitor ocean color around Korean peninsula. GOCI-II on GK2B was successfully launched in February of 2020 to continue for detection, monitoring, quantification, and prediction of short/long term changes of coastal ocean environment for marine science research and application purpose. GOCI-II had already finished IAC and IOT including early in-orbit calibration and had been handed over to NOSC (National Ocean Satellite Center) in KHOA (Korea Hydrographic and Oceanographic Agency). Radiometric calibration was periodically conducted using on-board solar calibration system in GOCI-II. The final calibrated gain and offset were applied and validated during IOT. And three video parameter sets for one day and 12 video parameter sets for a year was selected and transferred to NOSC for normal operation. Star measurement-based INR (Image Navigation and Registration) navigation filtering and landmark measurement-based image geometric correction were applied to meet the all INR requirements. The GOCI2 INR software was validated through INR IOT. In this paper, status and results of IOT, radiometric calibration and INR of GOCI-II are analysed and described.

• Journal of radiological science and technology
• /
• v.44 no.4
• /
• pp.359-365
• /
• 2021

A heavy particle accelerator is a device that accelerates particles using high energy and is used in various fields such as medical and industrial fields as well as research. However, secondary neutrons and particle fragments are generated by the high-energy particle beam, and among them, the neutrons do not have an electric charge and directly interact with the nucleus to cause radiation of the material. Quantitative evaluation of the radioactive material produced in this way is necessary, but there are many difficulties in actual measurement during or after operation. Therefore, this study compared and evaluated the generated radioactive material in the concrete shield for protons and carbon ions of specific energy by using the simulation code FLUKA. For the evaluation of each energy of proton beam and carbon ion, the reliability of the source term was secured within 2% of the relative error with the data of the NASA Space Radiation Laboratory(NSRL), which is an internationally standardized data. In the evaluation, carbon ions exhibited higher neutron flux than protons. Afterwards, in the evaluation of radioactive materials under actual operating conditions for disposal, a large amount of short-lived beta-decay nuclides occurred immediately after the operation was terminated, and in the case of protons with a high beam speed, more radioactive products were generated than carbon ions. At this time, radionuclides of ⁴⁴Sc, ³H and ²²Na were observed at a high rate. In addition, as the cooling time elapsed, the ratio of long-lived nuclides increased. For nonparticulate radionuclides, ³H, ²²Na, and for particulate radionuclides, ⁴⁴Ti, ⁵⁵Fe, ⁶⁰Co, ¹⁵²Eu, and ¹⁵⁴Eu nuclides showed a high ratio. In this study, it is judged that it is possible to use the particle accelerator as basic data for facility maintenance, repair and dismantling through the prediction of radioactive materials in concrete according to the cooling time after operation and termination of operation.

• KNOM Review
• /
• v.23 no.2
• /
• pp.18-28
• /
• 2020

With the development of the virtual community, the benefits that IT technology provides to people in fields such as healthcare, industry, communication, and culture are increasing, and the quality of life is also improving. Accordingly, there are various malicious attacks targeting the developed network environment. Firewalls and intrusion detection systems exist to detect these attacks in advance, but there is a limit to detecting malicious attacks that are evolving day by day. In order to solve this problem, intrusion detection research using machine learning is being actively conducted, but false positives and false negatives are occurring due to imbalance of the learning dataset. In this paper, a Random Oversampling method is used to solve the unbalance problem of the UNSW-NB15 dataset used for network intrusion detection. And through experiments, we compared and analyzed the accuracy, precision, recall, F1-score, training and prediction time, and hardware resource consumption of the models. Based on this study using the Random Oversampling method, we develop a more efficient network intrusion detection model study using other methods and high-performance models that can solve the unbalanced data problem.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.291-291
• /
• 2020

제주도는 강수의 지표침투성이 좋은 화산섬의 지질특성상 지표수의 개발이용여건이 취약한 관계로 용수의 대부분을 지하수에 의존하고 있다. 따라서 제주도는 정책 및 연구적으로 오랜 기간동안 지하수의 보전관리에 많은 노력을 기울여 오고 있다. 하지만 최근 기후변화로 인한 강수의 변동성 증가로 인해 지하수위의 변동성 또한 증가할 가능성이 있으며 따라서 지하수위의 급격한 하강에 대비하여 지하수위의 예측 및 지하수 취수량 관리의 필요성이 요구되고 있다. 지하수에 절대적으로 의존하고 있는 제주도의 수자원 이용 여건을 고려할 때, 지하수의 취수량 관리를 위한 지하수위의 실시간 예측이 필요한 실정이다. 하지만 기존의 예측방법에 의한 제주도 지하수위 예측기간은 충분히 길지 않으며 예측기간이 길어지면 예측성능이 낮아지는 문제점이 있었다. 본 연구에서는 이러한 단점을 보완하기 위해 딥러닝 알고리즘인 Long Short Term Memory(LSTM)를 활용하여 제주도 남동쪽 표선유역 중산간지역의 1개 지하수위 관측정에 대해 지하수위를 예측하고 분석하였다. R 기반의 Keras 패키지에 있는 LSTM 알고리즘을 사용하였고, 입력자료는 인근의 성판악 및 교래 강우관측소의 일단위 강수량자료와 인근 취수정의 지하수 취수량자료 및 연구대상 관측정의 지하수위 자료를 사용하였으며, 사용된 자료의 기간은 2001년 2월 11일부터 2019년 10월 31일까지 이다. 2001년부터 13년의 보정 및 3년의 검증용 시계열자료를 사용하여 매개변수의 보정 및 과적합을 방지하였고, 3년의 예측용 시계열자료를 사용하여 LSTM 알고리즘의 예측성능을 평가하였다. 목표 예측일수는 1일, 10일, 20일, 30일로 설정하였으며 보정, 검증 및 예측기간에 대한 모의결과의 평가지수로는 Nash-Sutcliffe Efficiency(NSE)를 활용하였다. 모의결과, 보정, 검증 및 예측기간에 대한 1일 예측의 NSE는 각각 0.997, 0.997, 0.993 이었고, 10일 예측의 NSE는 각각 0.993, 0.912, 0.930 이었다. 20일 예측의 경우 NSE는 각각 0.809, 0.781, 0.809 이었으며 30일 예측의 경우 각각 0.677, 0.622, 0.633 이었다. 이것은 LSTM 알고리즘에 의한 10일 예측까지는 관측 지하수위 시계열자료를 매우 적절히 모의할 수 있다는 것을 의미하며, 20일 예측 또한 적절히 모의할 수 있다는 것을 의미한다. 따라서 LSTM 알고리즘을 활용하면 본 연구대상지점에 대한 2주일 또는 3주일의 안정적인 지하수위 예보가 가능하다고 판단된다. 또한 LSTM 알고리즘을 통한 실시간 지하수위 예측은 지하수 취수량 관리에 활용할 수 있을 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.88-88
• /
• 2021

최근 수자원과 수질관리 분야에 자료기반 머신러닝 모델과 딥러닝 모델의 활용이 급증하고 있다. 그러나 딥러닝 모델은 Blackbox 모델의 특성상 고전적인 질량, 운동량, 에너지 보존법칙을 고려하지 않고, 데이터에 내재된 패턴과 관계를 해석하기 때문에 물리적 법칙을 만족하지 않는 예측결과를 가져올 수 있다. 또한, 딥러닝 모델의 예측 성능은 학습데이터의 양과 변수 선정에 크게 영향을 받는 모델이기 때문에 양질의 데이터가 제공되지 않으면 모델의 bias와 variation이 클 수 있으며 정확도 높은 예측이 어렵다. 최근 이러한 자료기반 모델링 방법의 단점을 보완하기 위해 프로세스 기반 수치모델과 딥러닝 모델을 결합하여 두 모델링 방법의 장점을 활용하는 연구가 활발히 진행되고 있다(Read et al., 2019). Process-Guided Deep Learning (PGDL) 방법은 물리적 법칙을 반영하여 딥러닝 모델을 훈련시킴으로써 순수한 딥러닝 모델의 물리적 법칙 결여성 문제를 해결할 수 있는 대안으로 활용되고 있다. PGDL 모델은 딥러닝 모델에 물리적인 법칙을 해석할 수 있는 추가변수를 도입하며, 딥러닝 모델의 매개변수 최적화 과정에서 Cost 함수에 물리적 법칙을 위반하는 경우 Penalty를 추가하는 알고리즘을 도입하여 물리적 보존법칙을 만족하도록 모델을 훈련시킨다. 본 연구의 목적은 대청호의 수심별 수온을 예측하기 위해 역학적 모델과 딥러닝 모델을 융합한 PGDL 모델을 개발하고 적용성을 평가하는데 있다. 역학적 모델은 2차원 횡방향 평균 수리·수질 모델인 CE-QUAL-W2을 사용하였으며, 대청호를 대상으로 2017년부터 2018년까지 총 2년간 수온과 에너지 수지를 모의하였다. 기상(기온, 이슬점온도, 풍향, 풍속, 운량), 수문(저수위, 유입·유출 유량), 수온자료를 수집하여 CE-QUAL-W2 모델을 구축하고 보정하였으며, 모델은 저수위 변화, 수온의 수심별 시계열 변동 특성을 적절하게 재현하였다. 또한, 동일기간 대청호 수심별 수온 예측을 위한 순환 신경망 모델인 LSTM(Long Short-Term Memory)을 개발하였으며, 종속변수는 수온계 체인을 통해 수집한 수심별 고빈도 수온 자료를 사용하고 독립 변수는 기온, 풍속, 상대습도, 강수량, 단파복사에너지, 장파복사에너지를 사용하였다. LSTM 모델의 매개변수 최적화는 지도학습을 통해 예측값과 실측값의 RMSE가 최소화 되로록 훈련하였다. PGDL 모델은 동일 기간 LSTM 모델과 동일 입력 자료를 사용하여 구축하였으며, 역학적 모델에서 얻은 에너지 수지를 만족하지 않는 경우 Cost Function에 Penalty를 추가하여 물리적 보존법칙을 만족하도록 훈련하고 수심별 수온 예측결과를 비교·분석하였다.