• 한국수자원학회논문집
• /
• 제56권4호
• /
• pp.235-243
• /
• 2023

하천법 개정 및 수자원의 조사·계획 및 관리에 관한 법률 제정으로 하상변동조사를 정기적으로 실시하는 것이 의무화되었고, 지자체가 계획적으로 수자원을 관리할 수 있도록 제도가 마련되고 있다. 하상 지형은 직접 측량할 수 없기 때문에 수심 측량을 통해 간접적으로 이루어지고 있으며, 레벨측량이나 음향측심기를 활용한 접촉식 방법으로 이루어지고 있다. 접촉식 수심측량법은 자료수집이 제한적이기 때문에 공간해상도가 낮고 연속적인 측량이 불가능하다는 한계가 있어 최근에는 LiDAR나 초분광영상을 이용한 원격탐사를 이용한 수심측정 기술이 개발되고 있다. 개발된 초분광영상을 이용한 수심측정 기술은 접촉식 조사보다 넓은 지역을 조사할 수 있고, 잦은 빈도로 자료취득이 용이한 드론에 경량 초분광센서를 탑재하여 초분광영상을 취득하고, 최적 밴드비 탐색 알고리즘을 적용해 수심분포 산정이 가능하다. 기존의 초분광 원격탐사 기법은 드론의 경로비행으로 획득한 초분광영상을 면단위의 영상으로 정합한 후 특정 물리량에 대한 분석이 수행되었으며, 수심측정의 경우 모래하천을 대상으로 한 연구가 주를 이루었으며, 하상재료에 대한 평가는 이루어지지 않았었다. 본 연구에서는 기존의 초분광영상을 활용한 수심산정 기법을 식생이 있는 하천에 적용하고, 동일지역에서 식생을 제거한 후의 2가지 케이스에 대해서 시공간 초분광영상과 단면초분광영상에 모두 적용하였다. 연구결과, 식생이 없는 경우의 수심산정이 더 높은 정확도를 보였으며, 식생이 있는 경우에는 식생의 높이를 바닥으로 인식한 수심이 산정되었다. 또한, 기존의 단면초분광영상을 이용한 수심산정뿐만 아니라 시공간 초분광영상에서도 수심산정의 높은 정확도를 보여 시공간 초분광영상을 활용한 하상변동(수심변동) 추적의 가능성을 확인하였다.

• 한국과학교육학회지
• /
• 제44권3호
• /
• pp.249-262
• /
• 2024

본 연구의 목적은 TIMSS 2023 과학 인지 영역 분석틀을 활용하여 2015 개정과 2022 개정의 과학과 교육과정의 성취 기준을 분석하는 것이다. 연구 대상은 2015 개정과 2022 개정 과학과 교육과정에서 초등 전 영역의 성취 기준이다. 연구 분석에는 초등과학교육을 전공한 3명의 현장 교사와 초등과학교육전문가 1명이 참여하였다. 본 연구의 결과는 다음과 같다. 첫째, 2022 개정 운동과 에너지 분야에서 '알기' 영역의 비율은 2015 개정보다 약 16% 높았고, '추론하기' 영역의 비율도 약 5.8% 증가하였다. 둘째, 물질 분야에서 TIMSS 2023 인지 영역의 비율은 학년군과 교육과정의 개정 시기와 관련 없이 '알기', '적용하기', '추론하기'의 순이었다. 셋째, 생명과학 분야에서 TIMSS 2023 인지 영역의 비율은 학년군과 교육과정의 개정 시기에 따라 달랐다. 넷째, 2022 개정의 지구와 우주 분야 또한 다른 세 영역과 유사하게 '알기' 영역의 비율은 증가하였고 '적용하기' 영역은 감소하였다. 하지만 2022 개정에서 다른 세 분야의 '추론하기' 영역은 모두 증가하였는데 지구와 우주 분야에서만 감소하였다. 다섯째, 2015 개정 통합 단원과 2022 개정 과학과 사회 분야에서는 '알기' 영역의 '인식하기'와 '예 제시하기', '적용하기' 영역의 '관계짓기'와 '설명하기', '추론하기' 영역의 '종합하기' 요소만 다루고 있었다. 2022 개정 초등 전체 과학 분야에서 '알기' 영역의 비율은 52.5%, '적용하기' 영역의 비율은 33.8%, '추론하기' 영역의 비율은 13.7%였다. 결론적으로 2022 개정 초등 과학과 성취 기준에서 '알기' 영역의 의존도가 너무 높았기 때문에 '적용하기'와 '추론하기' 영역의 비율이 낮았다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.