• 대한원격탐사학회지
• /
• 제37권6_1호
• /
• pp.1739-1756
• /
• 2021

대기 중 이산화질소(NO₂)는 주로 인위적인 배출요인으로 발생하며 화학 반응을 통해 이차오염 물질 및 오존 형성에 매개 역할을 하는 인체 건강에 악영향을 미치는 물질이다. 우리나라는 지상 관측소에 의한 실시간 NO₂ 모니터링을 수행하고 있지만, 이는 점 기반의 관측 값으로써 미관측 지역의 공간 분포 분석이 어렵다는 한계점을 지닌다. 본 연구에서는 선형 회귀 기반 모델인 다중 선형 회귀와 회귀 크리깅, 기계학습 알고리즘인 Random Forest (RF), Support Vector Regression (SVR)을 적용한 공간 내삽 모델링을 통해 서울 지역의 지상 NO₂ 농도 지도를 제작하였고, 일별 Leave-One-Out Cross Validation (LOOCV) 교차 검증을 시행하였다. 2020년 연구기간 내 일별 LOOCV에서 MLR, RK, SVR 모델의 일별 평균 Index of agreement (IOA)는 약 0.57로 유사한 성능을 보였으며, RF (0.50)보다 높은 성능이 확인되었다. RK의 일별 평균 nRMSE는 0.9483%으로 MLR (0.9501%)보다 상대적으로 낮은 오차를 나타냈다. MLR과 RK, RF 모델의 계절별 공간 분포는 비슷한 양상을 보였으며, RF는 다른 모델에 비해 좁은 NO₂ 농도 범위가 확인되었다. 본 연구에서 제안된 선형 회귀 기반 공간 내삽은 지상 NO₂ 뿐 아니라 다른 대기 오염 물질의 도시 지역 공간 내삽을 위해 활용 가능성이 높을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제37권2호
• /
• pp.275-290
• /
• 2021

대기 중의 이산화황(SO2)은 주로 인위적 배출원에 의해 발생하며 화학 반응을 통해 (초)미세먼지를 형성하여 직간접적으로 주변 환경 및 인체 건강에 해로운 영향을 주는 물질이다. 특히 지상에서의 농도는 인간 활동과 밀접한 관련이 있어 모니터링의 필요성이 매우 크다. 따라서, 본 연구에서는 TROPOMI SO2 연직 컬럼 농도 산출물 및 타 위성 산물과 모델 산출물 등을 융합 활용하여 기계학습 기법에 적용하여 SO2 지상 농도 추정모델을 개발하였다. 기계학습 기법으로는 널리 활용되고 있는 RF(Random Forest)에 잔차 보정 과정을 결합한 2-step 잔차 보정 RF를 적용하였다. 개발된 모델은 무작위, 공간 및 시간별 10-fold 교차 검증을 통하여 검증하였으며, 기울기(slope) 값이 1.14-1.25, 상관계수(R) 값이 0.55-0.65, rRMSE 값이 약 58-63% 정도로 나타났다. 이는 잔차 보정이 적용되지 않은 기존의 RF 대비 slope의 경우 약 10%, R과 rRMSE의 경우 약 3% 가량 향상된 결과를 보인다. 국가별로 나누어 분석하였을 때에는 샘플 수가 적고 SO2의 전반적인 농도가 낮은 일본 지역에서의 공간별 10-fold 교차검증 성능이 소폭 감소하는 것으로 나타났다. SO2 지상농도 분포를 계절별로 표출하였을 때, 일본의 경우 다른 지역 대비 연중 저농도가 관찰되며 높은 결측 값 비율로 인하여 관측소 농도 대비 2-step 잔차 보정 RF 모델에서 과대 모의하는 경향이 관찰되었다. 대표적 고농도 발생지인 중국의 YRD(Yangtze River Delta) 와 한국의 SMA(Seoul Metropolitan Area)의 계절적 분포 변화를 추가적으로 분석하였을 때, 연료 연소로 인한 겨울철 농도 증가 패턴이 나타났다. 이는 인위적 배출원의 영향을 크게 받는 SO2의 시공간적인 분포 특성을 잘 반영하고 있는 결과이다. 따라서, 본 연구를 통하여 제안한 모델은 장기적으로 SO2 지상 농도의 시공간적 분포를 파악하는 데에 활용될 수 있을 것으로 기대된다.

• 한국해양학회지:바다
• /
• 제24권3호
• /
• pp.375-388
• /
• 2019

지구의 탄소순환을 이해하고 미래 대기 $CO_2$의 농도와 기후 변화를 예측하기 위해서는 해양과 대기 사이 $CO_2$ 교환율(sea-to-air $CO_2$ flux)의 시공간 변화를 정확하게 추정하는 것이 필요하다. 연구선을 이용한 현장 관측이 갖고 있는 시공간 제약으로 인해 동해에는 매우 제한적인 표층 이산화탄소분압($fCO_2$) 자료만 존재한다. 이 연구에서는 위성 및 수치모형에서 얻은 수온, 염분, 엽록소, 혼합층 자료를 세 종류의 기계학습 모형에 입력하여 동해 남서부해역의 고해상도 표층 $fCO_2$ 시계열 자료를 산출하였다. 세 모형 중 현장 관측 자료를 가장 잘 재현하는 Random Forest (RF) 모형의 평균제곱근오차는 $7.1{\mu}atm$이었다. RF 모형을 이용한 $fCO_2$ 예측에 중요한 역할을 하는 변수는 수온, 염분과 시간 정보였으며, 엽록소와 혼합층 깊이는 $fCO_2$ 예측에 미미한 역할을 하였다. RF 모형에서 예측한 표층 $fCO_2$를 이용하여 계산한 동해 남서부해역의 $CO_2$ 교환율은 $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$로 이전 현장 관측 연구에서 제시한 교환율( $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$) 범위 중 작은 값에 해당한다. RF 모형의 표층 $fCO_2$ 시계열 자료는 1주일 내외의 짧은 시간 사이에도 $CO_2$ 교환율이 상당히 변할 수 있음을 보여주었다. 앞으로 보다 정확한 $CO_2$ 교환율 산출을 위해서는 $fCO_2$가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다.

• 한국산학기술학회논문지
• /
• 제20권6호
• /
• pp.19-25
• /
• 2019

국내 산업단지에서 배출되는 대기오염물질의 모니터링을 위해 굴뚝원격감시시스템이 운영되고 있으나 대상 시설이 한정적이어서, 시스템이 설치되지 않은 시설은 단속 요원이 직접 모니터링 및 단속을 수행하고 있다. 그래서 효율적인 산업단지에서 배출되는 대기오염물질의 모니터링을 위해 다양한 센서를 활용한 연구들이 수행되고 있다. 이에 따라 본 연구에서는 초분광센서로 측정할 수 있는 분광복사량을 활용하여 대기오염물질 중 이산화질소의 농도를 추정할 수 있는 공식을 개발하고 검증하였다. 농도 추정식 개발을 위해 다양한 농도의 이산화질소를 대상으로 태양천정각, 관측천정각, 상대방위각을 다르게 하여 분광복사량을 관측하였다. 관측된 분광복사량에서 특정 파장 간의 값의 차이를 흡수 깊이로 하였으며, 흡수 깊이와 이산화질소 농도와의 관계를 이용하여 농도 추정식을 개발하였다. 그리고 개발된 농도 추정식들의 검증을 위해 이산화질소와 아황산가스가 혼합된 가스를 대상으로 측정한 분광복사량을 이용하였다. 그 결과, 추정식의 형태에 따라 결정 계수와 RMSE가 0.71~0.88, 72~323 ppm으로 나타났으며, 지수 형태의 농도 추정식의 결정 계수가 가장 높게 나타났다. 추정식의 형태에 따라 농도의 변화에 따른 추정 농도의 정확도가 일정하지 않지만, 향후 농도 추정식의 고도화가 이루어진다면 초분광 센서를 활용하여 산업단지 배출되는 이산화질소의 모니터링에 사용 가능할 것으로 판단된다.

• 한국지리정보학회지
• /
• 제21권4호
• /
• pp.64-80
• /
• 2018

우리나라의 시민들은 범죄에 대한 일반적인 사항만을 알 수 있을 뿐, 자신이 범죄위험에 얼마나 노출되어 있는지를 파악하기 어렵다. 경찰의 입장에서도 범죄발생 지역을 예측할 수 있다면 경찰력이 부족한 상황에서 효율성 있게 범죄에 대처 가능할 것이지만 아직 우리나라에서는 예측시스템이 없고, 관련 연구도 매우 부족한 실정이다. 이에 본 연구에서는 범죄발생 위험지역 예측 자동화 시스템 개발의 첫 번째 단계로 빅데이터로 구축 가능한 범죄정보와 도시지역 자료를 바탕으로 머신러닝 방식을 통해 한국형 범죄발생 위험지역 예측 모형을 개발하고자 한다. 또한 시나리오를 가정하여 범죄발생 확률을 지도로 시각화함으로써 사용자의 이해도를 높이도록 하였다. 선행 연구 및 사례에서 범죄발생에 영향을 미치는 요인 중 빅데이터로 구축 가능한 범죄정보, 날씨정보(기온, 강수량, 풍속, 습도, 일조, 일사, 적설, 전운량), 지역정보(평균 건폐율, 평균 용적율, 평균 높이, 총 건축물수, 평균 공시지가, 평균 주거용도면적, 평균 지상층수)를 머신러닝에 활용할 수 있도록 데이터를 사전 처리하였다. 머신러닝 알고리즘으로서 지도학습 모형 중 다양한 분야에서 활용되며 정확도가 높다고 알려진 의사결정나무모형, 랜덤포레스트모형, Support Vector Machine(SVM)모형을 활용하여 범죄 예측 모형을 구축하고 비교 분석하였다. 그 결과 평균 제곱근 오차(Root Mean Square Error, RMSE)가 낮아 예측력이 높은 의사결정나무모형을 최적모형으로 선정하였다. 이를 바탕으로 가장 빈번하게 발생하는 절도와 폭력범죄를 대상으로 시나리오를 작성하여 범죄 발생 위험지역을 예측한 결과, 사례도시 J시는 위험지역이 3가지 패턴으로 발생하는 것으로 나타났으며, 각각 발생확률을 3 등급으로 구분하여 $250{\times}250m$ 단위의 지도형태로 시각화할 수 있었다. 본 연구는 향후 자동화 시스템으로 개발하여 시시각각으로 변하는 도시 상황에 따라 실시간으로 예측 결과를 시각화하여 제공함으로써 보다 범죄로부터 안전한 도시환경 조성에 기여하고자 한다.

• Journal of Nutrition and Health
• /
• 제51권6호
• /
• pp.567-579
• /
• 2018

본 연구는 국민건강영양조사 자료를 이용하여 교대 근무자의 근무시간이 대사증후군의 유병률에 영향을 미치는 요인을 파악하는데 대사증후군의 위험군으로 식습관, 영양섭취상태, 일상생활 관련 특성의 관점에서 관리하는 데 도움을 주고자 진행되었다. 본 연구의 분석결과는 다음과 같다. 첫째, 교대 근무자의 근무시간과 식습관 관계는 직접관계 (direct causality)가 있지 않으나 일상생활과는 직접관계를 갖는 것으로 나타났다. 또한, 식습관과 영영 상태, 대사증후군과는 직접관계가 있지 않은 것으로 나타났고 영양섭취상태와 대사증후군과는 직접관계가 없으나 일상생활과는 직접 인과관계가 있는 것으로 나타났다. 둘째, 교대 근무자의 근무시간과 대사증후군 관계에서 각각 식습관, 일상생활의 개별 매개 효과 (specific mediator effect)는 통계적으로 유의한 것으로 나타났으나, 식습관과 영양섭취상태의 다중매개효과 (multiple mediator effect), 그리고 식습관, 영양섭취상태, 일상생활의 다중매개 효과는 통계적으로 유의하지 않는 것으로 나타났다. 셋째, 교대 근무자의 근무시간이 배제된 상태에서 영양섭취상태, 일상생활 그리고 대사증후군 간의 관계에서 영양섭취상태와 일상생활 그리고 일상생활과 대사증후군과는 직접 인과관계는 없으나 일상생활에 의한 매개 효과는 통계적으로 유의한 것으로 나타났다. 넷째, 교대 근무자의 근무시간과 식습관은 대사증후군에 대해 전체 총 효과 (total effect)를 가진 것으로 나타났으나 영양섭취상태와 일상생활은 대사증후군에 대해 총 효과를 갖고 있지 않은 것으로 나타났다. 결론적으로, 구조방정식 모델을 사용하여 교대 근무자의 교대시간은 그들의 일상생활 또는 식습관에 영향을 주고 대사증후군 유병률과 관련성이 있음을 밝혔다.

• 대한원격탐사학회지
• /
• 제37권3호
• /
• pp.515-530
• /
• 2021

본 연구에서는 Sentinel-1 C-band SAR(Synthetic Aperture Radar) 위성영상을 기반으로 다중선형회귀모형을 활용하여 금강 유역 상류에 위치한 용담댐 유역의 토양수분을 산정하였다. 10 m 공간 해상도의 Sentinel-1A/B SAR 영상은 6일 간격으로 2015년부터 2019년까지 5년 동안 구축하였고, SNAP(SentiNel Application Platform)을 사용하여 기하 보정, 방사 보정 및 잡음(Noise) 보정을 수행하고 VV 및 VH 편파 후방산란계수로 변환하였다. 토양수분 산정 모형의 검증자료로 TDR로 측정된 6개 지점의 실측 토양수분 자료를 구축하였으며, 수문학적 개념인 선행 강우를 고려하기 위해 동지점에 대한 강수량 자료를 구축하였다. 다중선형회귀모형은 전체 기간 및 계절별로 나누어 모의하였으며, 독립변수의 증감에 따른 상관성 분석을 진행하였다. 산정된 토양수분은 결정계수(R²)와 평균제곱근오차(RMSE)를 활용하여 검증하였다. 초지 지역에서 후방산란계수만을 이용한 토양 수분 산정 결과 R²가 0.13, RMSE가 4.83%으로 나타났으며 선행강우를 5일까지 사용했을 경우 R²가 0.37, RMSE가 4.11%로 상관성이 상승하는 모습을 보였다. 이 때, 토양수분의 계절별 변동성과 감소 패턴의 반영을 위해 무강우누적일수의 적용과 계절별 회귀식을 작성한 결과 R²가 0.69, RMSE가 2.88%로 상관성이 크게 상승하였다. SAR 기반 토양수분 추정 시 선행강우 및 무강우누적일수의 활용이 효과적이었다.

• 한국수자원학회논문집
• /
• 제53권12호
• /
• pp.1081-1095
• /
• 2020

본 연구는 SWAT (Soil and Water Assessment Tool)을 이용하여 섬진강유역 주암댐에서 영산강유역(3,371.4 km2)으로의 유역간 물이동량조절에 따른 영산강의 하천유량 및 수질변동을 분석하였다. 이를 위해, SWAT의 Inlet 기능을 이용한 물이동과 영산강유역 하수처리장들의 방류량 자료를 고려한 SWAT을 구축하여, 마륵(MR) 수위관측소와 다기능보 2개(승촌보;SCW, 죽산보;JSW) 그리고 3개의 수질관측소(광주;GJ2, 나주;NJ, 함평;HP)를 대상으로 총 14년(2005~2018) 동안의 유량과 수질을 검보정하였다. 3개 지점 하천유량의 검보정 결과, R2, NSE, RMSE, PBIAS는 각각 0.69 ~ 0.81, 0.61 ~ 0.70, 1.34 ~ 2.60 mm/day, -8.3% ~ +7.6%였으며, 수질은 SS, T-N 및 T-P 각각 R2가 각각 0.69 ~ 0.81, 0.61 ~ 0.70, 0.54 ~ 0.63의 범위를 보였다. 물이동량을 고려한 영산강유역의 하천유량은 평균 12.0 m3/sec로 나타났으며, SS, T-N 및 T-P의 평균 농도는 각각 110.5 mg/L, 4.4 mg/L, 0.18 mg/L 이었다. 물이동량의 변화에 따른 영산강의 유량과 수질의 변화를 보기 위하여, 물이동량의 증가(110%, 130%, 150%)와 감소(90%, 70%, 50%)를 적용하였다. 대표적으로 증가시나리오 130%의 경우, 하천유량과 SS의 농도는 각각 12.94 m3/sec (+7.8%), 111.26 mg/L (+0.7%) 증가, T-N과 T-P 농도는 각각 4.17 mg/L (-5.2%), 0.165 mg/L (-8.3%)로 감소하였다. 반면 감소시나리오 70%를 적용하였을 때, 하천유량과 SS의 농도는 각각 11.07 m3/sec (-7.8%), 109.74 mg/L (-0.7%)로 감소, T-N과 T-P 농도는 각각 4.68 mg/L (+6.4%), 0.199 mg/L (+10.6%) 증가하였다.

• 한국작물학회지
• /
• 제66권2호
• /
• pp.105-111
• /
• 2021

해마다, 강한 바람을 동반한 태풍 및 집중호우로 인해 벼도복이 발생하고 있으며, 이삭이 여무는 등숙기에 도복으로 인한 수발아와 관련된 피해를 발생시키고 있다. 따라서,신속한 피해 대응을 위해 신속한 벼 도복 피해 면적 산정은 필수적이다. 벼 도복과 관련된 이미지들은 도복이 발생된 김제, 부안, 군산일대에서 드론을 이용하여 수집하였고, 수집한 이미지들을 128 × 128 픽셀로 분할하였다. 벼 도복을 예측하기 위해 이미지 기반 딥 러닝 모델인 CNN을 이용하였다. 분할한 이미지들은 도복 이미지(lodging)와 정상 이미지(non-lodging) 2가지로 라벨로 분류하였고, 자료들은 학습을 위한 training-set과 검증을 위한 vali-se을 8:2의 비율로 구분하였다. CNN의 층을 간단하게 구성하여, 3개의 optimizer (Adam, Rmsprop, and SGD)로 모델을 학습하였다. 벼 도복 면적 평가는 training-set과 vali-set에 포함되지 않은 자료를 이용하였으며, 이미지들을 methshape 프로그램으로 전체 농지로 결합하여 총 3개의 농지를 평가하였다. 도복 면적 추정은 필지 전체의 이미지를 모델의 학습 입력 크기(128 × 128)로 분할하여 학습된 CNN 모델로 각각 예측한 후, 전체 분할 이미지 개수 대비 도복 이미지 개수의 비율을 전체 농지의 면적에 곱하여 산정하였다. training-set과 vali-set에 대한 학습 결과, 3개의 optimizer 모두 학습이 진행됨에 따라 정확도가 높아졌으며, 0.919 이상의 높은 정확도를 보였다. 평가를 위한 3개의 농지에 대한 결과는 모든 optimizer에서 높은 정확도를 보였으며, Adam이 가장 높은 정확도를 보였다(RMSE: 52.80 m², NRMSE: 2.73%). 따라서 딥 러닝을 이용하여 신속하게 벼 도복 면적을 추정할 수 있을 것으로 예상된다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1125-1139
• /
• 2022

무인항공기에 부착된 위성 항법 시스템/관성 측정 센서(global positioning system/inertial measurement unit, GPS/IMU)와 관측 센서 사이에는 물리적인 위치와 자세 오차가 존재한다. 해당 물리 오프셋으로 인해, 관측 데이터는 비행 방향에 따라 서로 위치가 어긋나는 이격 오차가 발생한다. 특히나, 다중 센서를 활용하여 데이터를 취득하는 다중 센서 무인항공기의 경우, 관측 센서가 변경될 때마다 고액의 비용을 지불하고 외산 소프트웨어 의존하여 물리 오프셋을 조정하고 있는 실정이다. 본 연구에서는 다중 센서에 적용 가능한 초기 센서 모델식을 수립하고 물리 오프셋 추정 방법을 제안한다. 제안된 방안은 크게 3가지 단계로 구성된다. 먼저, 직접지리 참조를 위한 회전 행렬 정의 및 초기 센서 모델식을 수립한다. 다음으로, 지상기준점과 관측 센서에서 취득된 데이터 간의 대응점을 추출하여 물리 오프셋 추정을 위한 관측방정식을 수립한다. 마지막으로, 관측 자료를 기반으로 물리 오프셋을 추정하고, 추정된 파라미터를 초기 센서 모델식에 적용한다. 전주, 인천, 알래스카, 노르웨이 지역에서 취득된 데이터셋에 적용한 결과, 4개 지역 모두 물리 오프셋 적용 전에 발생되던 영상 접합부의 이격 오차가 물리 오프셋을 적용 후 제거되는 것을 확인했다. 인천 지역의 지상기준점 대비 절대 위치 정확도를 분석한 결과, 초분광 영상의 경우, X, Y 방향으로 약 0.12 m 위치 편차를 보였으며, 라이다 포인트 클라우드의 경우 약 0.03 m의 위치 편차를 보여줬다. 더 나아가 영상 내 특징점에 대하여 초분광, 라이다 데이터의 상대 위치 정확도를 분석한 결과, 센서 데이터 간의 위치 편차가 약 0.07 m인 것을 확인했다. 따라서, 제안된 물리 오프셋 추정 및 적용을 통해 별도 기준점 없이 정밀한 데이터 매핑이 가능한 직접 지리 참조가 가능하다는 것을 확인했으며, 다중 센서를 부착한 무인항공기에서 취득된 센서 데이터 간의 융합 가능성에 대해 확인하였다. 본 연구를 통해 독자적인 물리 파라미터 추정 기술 보유를 통한 경제적 비용 절감 효과 및 관측 조건에 따른 유연한 다중 센서 플랫폼 시스템 운용을 기대한다.