• 대한토목학회논문집
• /
• 제28권3D호
• /
• pp.407-415
• /
• 2008

본 연구에서는 도시하천의 수체적 계산에 이용되는 지형측량자료의 정확도 향상을 위해 영상정보를 연계하는 기법을 제시하였다. 먼저, 사주와 초지에 대한 지형을 구축하기 위해 횡단측량자료로부터 IDW와 크리깅과 같은 GIS 공간추정기법을 적용하였으며 생성된 지형의 정확도를 평가하기 위해 검정점 측량자료와 비교하였다. 비교결과, 사주에서는 2차 제곱의 IDW가 초지영역에서는 크리깅 구형모델이 하천내 지형구축에 효과적이었으나, 보간법간의 차이는 크지 않은 것으로 나타났다. 또한 하천에 분포하고 있는 사주와 초지에 대한 영역을 효과적으로 고려하기 위해 최소거리법을 적용하여 영상을 분류하여 Water Level Point의 수위값을 적용하였다. 사주와 초지영역을 영상정보로부터 추출하여 생성한 지형자료로부터 분석한 하천내 수체적은 영상정보를 활용하지 않은 기존의 지형에 비해 사주는 20%, 초지는 13%의 정확도 개선효과를 나타내었다. 따라서, 영상정보를 연계한 하천지형분석기법은 홍수시 댐하류에 분포하는 사주와 초지영역에 대한 모니터링 및 하천내 수체적 계산에 유용하게 활용될 수 있으리라 판단된다.

• 한국산림과학회지
• /
• 제65권1호
• /
• pp.68-73
• /
• 1984

Simple random sampling과 P.P.S. sampling의 효율을 비교하기 위하여 오스트리아 Salzburg 부근의 침엽수 장령림 임분에서 임목조사를 실시하였다. 축적 1:10,000의 흑백 적외선 사진을 판독하여, 조사 임지를 제지, 유령림, 너도 밤나무 장령림, 침엽수 장령림으로 구분하고, 침엽수 장령림 내에서 random sampling에 의한 99개의 표본점과 P.P.S. sampling에 의한 75개의 표본점을 흉고 단면적 제수 4인 Relascope에 의하여 야외 조사한 자료를 비교한 결과는 다음과 같다. 1) random sampling에 의한 임분 재적의 추정치는 $422.0m^3/ha$이었고, P.P.S. sampling에 의해서는 $433.5m^3/ha$이었으나 이들간의 통계적 유의성은 없었다. 2) 5 %의 허용 오차내에서는 P.P.S. sampling에 의하여는 170점, random sampling에 의하여는 237점이 필요하였다. 3) P.P.S. sampling은 random sampling에 비하여 야외 조사 시간을 17% 감소시킬 수 있었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.246-246
• /
• 2021

본 연구는 강우 발생시 유량을 추정하는 것에 목적이 있다. 이를 위해 본 연구는 선행연구의 모형 개발방법론에서 벗어나 딥러닝 알고리즘 중 하나인 합성곱 신경망 (convolution neural network)과 수문학적 이미지 (hydrological image)를 이용하여 강우 발생시 유량을 추정하였다. 합성곱 신경망은 일반적으로 분류 문제 (classification)을 해결하기 위한 목적으로 개발되었기 때문에 불특정 연속변수인 유량을 모의하기에는 적합하지 않다. 이를 위해 본 연구에서는 합성곱 신경망의 완전 연결층 (Fully connected layer)를 개선하여 연속변수를 모의할 수 있도록 개선하였다. 대부분 합성곱 신경망은 RGB (red, green, blue) 사진 (photograph)을 이용하여 해당 사진이 나타내는 것을 예측하는 목적으로 사용하지만, 본 연구의 경우 일반 RGB 사진을 이용하여 유출량을 예측하는 것은 경험적 모형의 전제(독립변수와 종속변수의 관계)를 무너뜨리는 결과를 초래할 수 있다. 이를 위해 본 연구에서는 임의의 유역에 대해 2차원 공간에서 무차원의 수문학적 속성을 갖는 grid의 집합으로 정의되는 수문학적 이미지는 입력자료로 활용했다. 합성곱 신경망의 구조는 Convolution Layer와 Pulling Layer가 5회 반복하는 구조로 설정하고, 이후 Flatten Layer, 2개의 Dense Layer, 1개의 Batch Normalization Layer를 배열하고, 다시 1개의 Dense Layer가 이어지는 구조로 설계하였다. 마지막 Dense Layer의 활성화 함수는 분류모형에 이용되는 softmax 또는 sigmoid 함수를 대신하여 회귀모형에서 자주 사용되는 Linear 함수로 설정하였다. 이와 함께 각 층의 활성화 함수는 정규화 선형함수 (ReLu)를 이용하였으며, 모형의 학습 평가 및 검정을 판단하기 위해 MSE 및 MAE를 사용했다. 또한, 모형평가는 NSE와 RMSE를 이용하였다. 그 결과, 모형의 학습 평가에 대한 MSE는 11.629.8 m3/s에서 118.6 m3/s로, MAE는 25.4 m3/s에서 4.7 m3/s로 감소하였으며, 모형의 검정에 대한 MSE는 1,997.9 m3/s에서 527.9 m3/s로, MAE는 21.5 m3/s에서 9.4 m3/s로 감소한 것으로 나타났다. 또한, 모형평가를 위한 NSE는 0.7, RMSE는 27.0 m3/s로 나타나, 본 연구의 모형은 양호(moderate)한 것으로 판단하였다. 이에, 본 연구를 통해 제시된 방법론에 기반을 두어 CNN 모형 구조의 확장과 수문학적 이미지의 개선 또는 새로운 이미지 개발 등을 추진할 경우 모형의 예측 성능이 향상될 수 있는 여지가 있으며, 원격탐사 분야나, 위성 영상을 이용한 전 지구적 또는 광역 단위의 실시간 유량 모의 분야 등으로의 응용이 가능할 것으로 기대된다.

• 한국산림과학회지
• /
• 제79권4호
• /
• pp.388-397
• /
• 1990

1979년 촬영한 흑백항공사진(黑白航空寫眞)과 1988년 촬영한 흑백적외선항공사진(黑白赤外線航空寫眞)을 이용하여 금오산지역(金烏山地域)의 토지이용변화(土地利用變化)와 임분재적(林分材積)의 변화(變化)에 관하여 얻은 결과는 다음과 같다. 1. 항공사진상의 임상구분에 있어서 색조(色調)가 어두운 것은 침엽수림(針葉樹林), 색조(色調)가 밝고 수관이 매우 불규칙한 것은 활엽수림(闊葉樹休)으로 구분되었다. 2. 칩엽수림중 수관이 좁은 원추형이고 감촉(感觸)이 조(粗)하고 끝이 둥근 것은 소나무림, 감촉(感觸)이 세(細)하고 끝이 뾰족한 것은 리기다소나무림으로 구분되었고, 수관이 불규칙하고 넓은 원추형은 낙엽송림으로 구분되었다. 3. 임지(林地)의 면적변화(面積變化)를 살펴보면 혼효림에서 678ha가 소나무림으로, 130ha가 리기다소나무림으로 변화되었고 219ha가 활엽수림으로 변화되었다. 활엽수림은 279ha가 혼효림으로 변화되었다. 4. 수관직경(樹冠直徑)과 흉고직경(胸高直徑)과의 회귀식(回歸式)을 구하여 F-test한 결과, 모든 수종의 임분에서 유의성(有意性)이 있었고, 소나무림과 혼효림과 활엽수림에서는 $H=a+bD+cD^2$, 리기다소나무림과 낙엽송림에서는 logD=loga+blogCD 식이 $R^2$값이 높았다. 모든 수종의 임분에서 D=a+bCD의 식이 좋아 흉고직경계산시(胸高直徑計算時) 이 식을 이용하였다. 5. 수고(樹高)를 구하기 위하여 수고곡선식(樹高曲線式)을 유도하여 F-test를 한 결과 모두 유의성(有意性)이 있었고, 소나무림과 낙엽송림에서는 logH=loga+blogD, 리기다소나무림, 활엽수림 및 흔효림에서는 $H=a+bD+cD^2$이 좋았다. 6. ha당 재적(材積)이 가장 좋은 임분은 낙엽송림이고, 성장률(成長率)이 가장 좋은 임분은 혼효림이었다. 활엽수림은 ha당 재적과 성장율에 있어 가장 낮았다. 연간성장량(年間成長量)은 낙엽송림이 $4.005m^3/ha$로 가장 좋았고, 활엽수림이 $0.682m^3/ha$로 가장 낮았다.