• 한국조경학회지
• /
• 제48권2호
• /
• pp.34-44
• /
• 2020

정원이 제도적 차원에서 공적영역으로 확대되며, 기능의 불명확성으로 인해 혼란이 발생하고 있다. 이에 본 연구에서는 정원 조성 및 이용자 관점, 즉 전문가와 일반인을 대상으로 정원 기능의 우선순위 인식을 규명하고, 정책적 방향성을 제시하고자 수행하였다. 연구방법론은 사회과학적 방법론인 AHP를 적용하였으며, 집단A 227명, 집단B 220명의 인식을 분석하고 비교고찰하였다. 먼저 정원의 대분류 기능에 대한 가중치 분석 결과, 집단A는 문화적 기능, 생태적 기능, 사회적 기능의 순으로 중요하게 인식하고 있다. 반면 집단B에서는 생태적 기능, 문화적 기능, 사회적 기능 순으로 나타나, 서로 간 인식 차이가 확인되었다. 둘째, 각 대분류별 중분류의 가중치 분석 결과에서는 문화적 기능에서 심미적 아름다움이 두 집단 모두 1순위로 나타났으며, 영적 종교적 영감, 문화유산과 고유성에서 순위 차이가 있었다. 생태적 기능에서는 생태환경 보호, 사회적 기능에서는 지역주민 삶의 질이 두 집단 모두 1순위로 평가되었으며, 나머지 중분류 우선순위도 모두 동일하였다. 셋째, 대분류 수준의 각 기능별 가중치를 곱셈한 중분류 기능의 종합적 분석 결과에서는 생태환경보호, 심미적 아름다움, 휴양치유, 물순환에 대해 두 집단 모두 제일 중요하게 인식하였다. 반면 두 집단 모두 산업화를 가장 후순위로 인식하고 있었다. 종합하여 보면 공적 영역으로 확대된 정원은 이용자 중심의 공간 기능이 우선되어야 하며, 산업적 혼란을 방지함과 동시에 전문성이 존중되어야 한다. 즉, 생태환경 보호와 물순환 등의 생태적 기능을 최우선으로 하여, 심미적 아름다움, 휴양치유 등의 문화적 기능을 보완하는 것이 효과적일 것으로 판단된다. 후속 연구로서 정원의 유형과 위계, 기타 다양한 정원에 대한 설계와 시공 및 모니터링 DB를 구축하여, 정원의 흐름을 체계적으로 관리하는 것이 중요하다.

• 대한원격탐사학회지
• /
• 제37권5_3호
• /
• pp.1361-1371
• /
• 2021

스마트 시티 서비스 중 방범·방재 분야가 2018년 기준 가장 높은 24%를 차지하고 있으며, 실시간 상황정보제공에 가장 중요한 플랫폼은 CCTV(Closed-Circuit Television) 이다. 이러한 CCTV의 활용을 극대화 하기 위해서는 CCTV가 제공하는 실질적인 감시 영역을 파악하는 것이 필수적이다. 하지만 국내에 설치된 CCTV양은 지자체 관리대상 포함 100만대를 넘고 있다. 이러한 방대한 양의 CCTV의 가시영역을 수동적으로 파악해야 하는 것은 문제점으로 제기되고 있다. 이에 본 연구에서는 CCTV의 실질적 가시권 영역 데이터를 효율적으로 구축하고, 관리자가 상황 파악에 소요되는 시간을 단축하는 방안을 제시하고자 하였다. 이를 위하여 첫째, 접근이 어려운 기 설치된 CCTV 카메라의 외부표정요소와 초점 거리를 MMS(Mobile Mapping System)의 점군 데이터를 활용하여 계산하고, 이 결과를 활용하여 FOV(Field of View)를 계산하였다. 둘째, 첫 단계에서 계산된 FOV 결과를 이용하여 건물에 의하여 발생하는 폐색 영역을 고려하여 CCTV의 실질적 감시 영역을 그리드 단위 1 m, 2 m, 3 m, 5 m, 10 m 폴리곤 데이터로 구축하였다. 이 방법을 경상북도 울진군에 위치한 5개소의 CCTV 영상에 적용한 결과, 평균 재투영 오차는 약 9.31 pixel, 공공데이터포털(Data Portal)에서 제공하는 위·경도 좌표와의 거리는 평균 약 10 m의 거리 차이가 발생하였고, MMS를 통해 취득한 점군 데이터 상의 CCTV 위치 좌표 값과는 평균 약 1.688 m의 위치 차이를 나타냈다. 단위 그리드의 한 변의 크기가 3 m인 경우, 본 연구를 통하여 계산된 감시 영역 폴리곤은 육안으로 확인한 실제 감시 영역과 최소 70.21%에서 최대 93.82%까지 일치함을 확인할 수 있었다.

• 한국수자원학회논문집
• /
• 제56권10호
• /
• pp.631-639
• /
• 2023

돌발가뭄(Flash drought, FD)은 기존 가뭄과는 달리 급작스러운 발생이 대표적인 특징으로, 즉각적인 수분 스트레스를 유발하여 생태계에 주요한 영향을 미친다. 보다 효과적인 돌발가뭄의 모니터링을 위해서는 돌발가뭄의 특징과 원인에 대한 보다 종합적인 이해가 필요하다. 이에, 본 연구에서는 Global Land Data Assimilation System (GLDAS) 자료를 사용하여 2012년부터 2022년 사이 한반도 전역에서 발생한 돌발가뭄에 대해 분석하고자 하였다. 스트레스 기반 탐지 기법인 표준 증발 스트레스 비율(Standardized Evaporative Stress Ratio, SESR)의 변화를 바탕으로 돌발가뭄을 탐지하였으며, 발생 빈도와 기간에 대해 분석하였다. 또한, 탐지된 돌발가뭄 사건들을 실제 증발산(Actual Evapotranspiration, AET)과 잠재 증발산(Potential Evapotranspiration, PET)의 변화를 기반으로 세 가지 케이스로 분류하였으며, 각 케이스 별 발생 특성 및 공간 분포에 대해 분석하였다. 그 결과, 돌발가뭄의 발생 빈도와 기간에 지역적인 편차가 있는 것을 확인하였으며, 평균 빈도는 6.4회, 평균 발생 기간은 31일로 나타났다. 일반적인 돌발가뭄인 Case 1, AET의 감소가 주 원인이 되어 발생한 Case 2, PET의 증가에 의해 발생한 Case 3으로 돌발가뭄 사건들을 분류하였을 때, 한반도에서는 Case 1 돌발가뭄이 1,448건으로 가장 많이 발생했으며, Case 2 돌발가뭄이 Case 3 돌발가뭄보다 약 1.5배 더 많이 일어난 것을 확인할 수 있었다. Case 2 돌발가뭄은 수분 제한 조건(water-limited condition)에서 발생하여 AET와 PET가 모두 감소하는 결과로 이어졌으며, Case 3 돌발가뭄은 에너지 제한 조건(energy-limited condition)에서 발생한 이후 AET와 PET가 모두 증가하였다. Case 2 돌발가뭄은 주로 북서부와 중남부에 위치한 농경지에 영향을 주었으며, Case 3 돌발가뭄은 산지에 해당하는 동부에서 집중적으로 발생하였다. 본 연구의 결과들은 기후 요소, 토지피복 및 수분 가용성을 고려한, 돌발가뭄에 대한 이해를 돕고, 보다 효과적인 가뭄 대응 방안 수립에 기여할 수 있다.

• 한국습지학회지
• /
• 제26권2호
• /
• pp.168-181
• /
• 2024

인공습지는(CW)는 침투, 흡착, 저류, 식물과 미생물의 증발산 등과 같은 수문학적 및 생태학적 기작에 의하여 오염물질 제거, 탄소흡수 및 저장, 생물다양성 향상 등의 생태계서비스를 제공한다. 본 연구는 수평지하흐름 인공습지(HSSF CW)의 미생물 군집과 토양의 물리·화학적 특성 및 처리효율의 상관관계를 분석하기 위하여 수행되었다. 연구를 위한 모니터링은 강우시 수질특성, 토양특성, 미생물 분석이 수행되었다. 따뜻한 계절(>15℃) 에서 TSS, COD, TN, TP 및 중금속(Fe, Zn, Cd) 제거효율이33~74% 범위로 나타났다. 그러나 추운 계절(≤15℃)에서 TOC 35%로 가장 높은 제거 효율이 나타났다. 인공습지 내 토양은 인근에서 채취한 토양의 토양유기탄소(SOC) 함량보다 3.3배 더 높은 함량을 가지고 있는 것으로 나타났다. 유입부와 유출부의 탄소(C), 질소(N) 및 인(P)의 화학양론비(C:N:P)는 각각 120:1.5:1 및 135.2:0.4:1로 나타났으며, 탄소에 비해 질소와 인의 비율이 매우 낮아 미생물 성장에 문제가 발생될 수 있다. 미생물 분석에서는 생물다양성 지수를 통해 미생물 군집의 풍부도, 다양성, 균질성 및 균일성이 따뜻한 계절이 추운 계절에 비해 높게 나타났다. 인공습지의 강우유출수 오염물질 중 질소고정 미생물인 Proteobacteria, Actinobacteria, Acidobacteria, Bacteroidetes가 우점종으로 미생물 생장을 촉진하는 것으로 평가되었는데 이는 특정 토양특성 및 유입수 특성이 미생물 풍부도와 밀접한 관련이 있음을 의미한다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.