• 해양환경안전학회지
• /
• 제29권4호
• /
• pp.297-306
• /
• 2023

새만금호는 우리나라 최대의 인공호수로 호수의 수질은 갈수록 악화되어 가고 있어 호수의 특성에 맞는 새로운 수질관리 대책이 필요하다. 이에 새만금호의 국가수질측정망 자료를 이용하여 통계분석 기법에 의한 새만금호의 시공간적 수질특성을 분석하였다. 수질항목간의 상관성에서 수온과 TP는 상관성이 있고, 염분과 TN, 그리고 pH와 COD가 상관성이 높았다. 그 외 항목들 간에는 낮은 상관성을 나타내어 관련성이 낮았다. 주성분 분석을 이용한 새만금호의 공간적 수질특성을 보면, 크게 4개의 그룹으로 구분되었는데, 담수 영향구역과 해수 영향구역, 해수와 담수가 혼합되는 중간 수역이 2개 그룹으로 구분되어 각각 다른 수질특성을 나타내었다. 주성분분석을 이용한 시간적 수질특성은 계절적으로 4가지 그룹으로 구분되었다. 그룹I은 늦봄과 초여름에 해당되는 5, 6월이고, 그룹 II는 계절적으로 초봄(3, 4월)과 늦가을(11, 12월)에 해당되는 시기로 나타났으며, 그룹 III은 낮은 수온에 의한 용존산소의 증가가 나타나는 계절인 겨울철(1, 2월)의 수질 특성을 보였고, 그룹 IV는 하계(7, 8, 9, 10월) 성층의 발달로 저층 퇴적물의 높은 인농도와 하계 고수온의 상관성을 가지는 그룹으로 구분되었다. 이는 새만금호가 인위적으로 조성된 호수로써 상류 만경강과 동진강의 유입 영향을 받는 것과 동시에 새만금 방조제에 설치된 가력과 신시갑문을 통한 외해수 유입의 영향을 받음으로써 수질의 변동요소가 달라진 것으로 평가된다. 새만금호의 목표수질을 달성하기 위해서는 상류 유역의 오염원 관리 대책과 함께 새만금호의 수질관리 대책을 수립할 필요가 있다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.1031-1042
• /
• 2023

인공위성은 시공간적으로 연속적인 지구환경 데이터를 제공하므로 위성영상을 이용하여 효율인 작물 수확량 예측이 가능하며, 딥러닝(deep learning)을 활용함으로써 더 높은 수준의 특징과 추상적인 개념 파악을 기대할 수 있다. 본 연구에서는 Landsat 8 위성 영상을 활용하여 다시기 영상 데이터를 이용하여 5대 수급 관리 채소인 배추와 무의 수확량을 예측하기 위한 딥러닝 모델을 개발하였다. 2015년부터 2020년까지 배추와 무의 생장시기인 6~9월 위성영상을 이용하여 강원도를 대상으로 배추와 무의 수확량 예측을 수행하였다. 본 연구에서는 수확량 모델의 입력자료로 Landsat 8 지표면 반사도 자료와 normalized difference vegetation index, enhanced vegetation index, lead area index, land surface temperature를 입력자료로 사용하였다. 본 연구에서는 기존 연구에서 개발된 모델을 기반으로 우리나라 작물과 입력데이터에 맞게 튜닝한 모델을 제안하였다. 위성영상 시계열 데이터를 이용하여 딥러닝 모델인 convolutional neural network (CNN)을 학습하여 수확량 예측을 진행하였다. Landsat 8은 16일 주기로 영상이 제공되지만 구름 등 기상의 영향으로 인해 특히 여름철에는 영상 취득에 어려움이 많다. 따라서 본 연구에서는 6~7월을 1구간, 8~9월을 2구간으로 나누어 수확량 예측을 수행하였다. 기존 머신러닝 모델과 참조 모델을 이용하여 수확량 예측을 수행하였으며, 모델링 성능을 비교했다. 제안한 모델의 경우 다른 모델과 비교했을 때, 높은 수확량 예측 성능을 나타내었다. Random forest (RF)의 경우 배추에서는 제안한 모델보다 좋은 예측 성능을 나타내었다. 이는 기존 연구 결과처럼 RF가 입력데이터의 물리적인 특성을 잘 반영하여 모델링 되었기 때문인 것으로 사료된다. 연도별 교차 검증 및 조기 예측을 통해 모델의 성능과 조기 예측 가능성을 평가하였다. Leave-one-out cross validation을 통해 분석한 결과 참고 모델을 제외하고는 두 모델에서는 유사한 예측 성능을 보여주었다. 2018년 데이터의 경우 모든 모델에서 가장 낮은 성능이 나타났는데, 2018년의 경우 폭염으로 인해 이는 다른 년도 데이터에서 학습되지 못해 수확량 예측에 영향을 준 것으로 생각되었다. 또한, 조기 예측 가능성을 확인한 결과, 무 수확량은 어느 정도 경향성을 나타냈지만 배추의 경우 조기 예측 가능성을 확인하지 못했다. 향후 연구에서는 데이터 형태에 따라 CNN의 구조를 조정해서 조기 예측 모델을 개발한다면 더 개선된 성능을 보일 것으로 생각된다. 본 연구 결과는 우리나라 밭 작물 수확량 예측을 위한 기초 연구로 활용될 수 있을 것으로 기대된다.

• 한국해양학회지:바다
• /
• 제29권1호
• /
• pp.56-76
• /
• 2024

동해에서 수행된 국내 최장기 수중글라이더 운용 및 연속 단면 관측 결과를 보고한다. 본 연구팀은 수중글라이더를 활용하여 2020년 9월 18일부터 12월 21일까지 총 95일 동안 국립수산과학원(NIFS) 정선 관측 106 라인에 거의 일치하는 37.9 °N 위도선을 따라 동경 129.1 °E ~ 131.5 °E 사이를 6회 왕복하는 국내 최초의 연속 물성 단면 관측을 성공리에 수행하였다. 본 수중글라이더는 2020년 9월 18일 129.1 °E 위치에서 투하되어 9월 19일부터 88일간의 비행 관측을 수행하였고, 2020년 12월 15일부터 6일간 129.2 °E 위치에서 위치 제어 유지(Virtual Mooring)후 회수되며 전체 운용을 마무리하였다. 표층부터 800 dbar 수심까지 톱니형태의 궤적을 그리면서 총 수평거리 2550 km를 비행하는 동안 글라이더의 경로 이탈은 RMS 거리 262 m를 벗어나지 않을 정도의 매우 안정적인 경로 추종 모드를 보여줬다. 비행 관측을 통해 획득한 총 12개의 고해상도 물성 횡단면 자료로부터 수온과 염분의 연속적인 변동이 보이는 아중규모 특성을 확인하였고, 국립수산과학원(NIFS)의 격월 선박 관측 자료와 비교함으로써 시공간 해상도 차이에 따른 뚜렷한 특성을 발견하였다. 첫째는 공간 해상도 차이에 따른 결과로 표층 전선역의 세기 및 이동, 수온약층 강화현상 등 아중규모 현상들이 글라이더 횡단면 자료에서만 뚜렷하게 관찰되었다. 이러한 아중규모 구조는 현행 선박 관측 자료의 정점 간격(25 km) 보다 작다는 특징이 있었는데, 동해 내 아중규모 구조의 이해를 위해서는 고해상도 관측이 필요함을 의미한다. 둘째는 시간 해상도 차이에 따른 결과로 글라이더 자료에서 추출한 평균 7일 간격의 수온과 염분 시계열이 대략 6주 주기를 갖는 월중변동(Intramonthly variation) 특성을 보인다는 것과 대략 1주 동안 급격한 관측치의 변동이 나타난다는 것을 확인하였다. 이는 격월 정선 관측 자료에는 확인되지 않는 특징이다. 따라서, 정선 관측해역의 물성 변동을 이해하기 위해서는 선박 관측과 비교하여 상대적으로 비용이 저렴하고 효율적인 글라이더 관측을 통한 보완이 필요하다고 여겨진다. 마지막으로 두 플랫폼 간 관측치의 편차를 확인하였는데, 이러한 편차의 요인을 공간 규모에 기초한 정점의 정의 및 시간 규모에 따른 변동성, 그리고 각 플랫폼의 CTD 측정 장비의 교정 관점에서 논하였다.