• 한국응용곤충학회지
• /
• 제61권2호
• /
• pp.319-330
• /
• 2022

전국 최대 규모의 고추(Capsicum annuum L.) 재배지는 안동이다. 이 지역을 중심으로 본 연구는 시설재배지 고추를 가해하는 총채벌레의 연중(2021년 3월 31일~10월25일) 발생을 보고한다. 황색트랩을 이용하여 포획한 총채벌레를 유관으로 동정한 결과 꽃노랑총채벌레(Frankliniella occidentalis)와 대만총채벌레(F. intonsa)가 우점종으로 나타났다. 전체 포획충은 107,873마리였으며 이 가운데 꽃노랑총채벌레가 약 82%, 대만총채벌레가 약 17% 그리고 기타 총채벌레가 약 0.3%를 차지하였다. 연중 전체적으로 2회 총채벌레 발생 피크를 보였다. 첫 번째 발생피크는 5-6월에 나타났고, 두 번째 발생 피크는 9월 이후에 일어났다. 발생규모는 첫번째보다는 두 번째 발생 피크에서 높았으며 대부분은 꽃노랑총채벌레가 차지하였다. 흥미롭게 7-8월에 이들 총채벌레의 발생이 매우 낮았는데 이들 주요 총채벌레가 고온에 대한 높은 감수성으로 기인되었다. 실내 고온 노출실험은 총채벌레들이 35℃ 이상에서 고온 감수성을 보여 45℃에서는 1시간 노출을 견디지 못하였다. 실제로 안동지역 7-8월 시설재배지는 최고온도가 45℃ 이상을 기록하였다. 이 가운데 꽃노랑총채벌레가 대만총채벌레에 비해 낮은 고온 감수성을 보였다. 반면에 안동에 비해 기온이 낮은 강원지역의 시설 고추 재배지에서는 7-8월에 오히려 최대 총채벌레 발생피크를 나타냈으며, 이 시기 최고온도는 45℃ 이하를 기록하였다. 조사한 안동지역 고추에서는 TSWV (tomato spotted wilt virus)에 의해 발병되는 바이러스병이 발생하였다. 다중 PCR 검정법으로 이 바이러스 보독 유무 및 대상 총채벌레를 동시에 분석하였다. 이 결과 바이러스 보독충 비율은 최대 30%를 기록하며 연중 지속적으로 검출되었는데 이들 모두는 대만총채벌레로 판명되었다. 이상의 결과는 시설 고추재배지에서 꽃노랑총채벌레는 고추 수확기에 최성기를 이루며 고추에 직접피해를 줄 가능성이 높으며, 대만총채벌레는 높은 바이러스 보독율로 고추의 간접피해를 유발할 위험성이 있다는 것을 각각 제시하고 있다.

• 한국습지학회지
• /
• 제25권4호
• /
• pp.335-344
• /
• 2023

기후변화 생물지표인 남색이마잠자리(B. chalybea flavovittata)는 우리나라에는 2010년 제주도에서 최초로 관찰되어 기록된 이후 최근 영산강 일대에서 월동이 확인되었다. 본 연구는 MaxEnt 모델을 이용하여 남색이마잠자리의 잠재적 분포를 예측하고, 기후변화에 따른 서식지 확산을 예측하고자 하였다. 본 종의 분포 자료는 세계생물다양성정보 기구인 GBIF의 검색 결과를 수집하였으며, 2019년 5월부터 2023년 5월까지 확보된 현장조사 결과를 포함하였다. 또한, 생물기후변수는 WorldClim 데이터베이스에서 제공받아 사용하였다. 잠재적 종 분포예측과 미래 분포예측은 MaxEnt 모델을 사용하였다. 유충은 위도상 제주특별자치도 제주시(33.318096°)부터 경기도 여주시(37.366734°)까지, 경도상 전라남도 진도군(126.054925°)부터 경상남도 양산시(129.016472°)까지 관찰되었다. 본 종의 서식지는 람사르 습지유형 분류체계에 따라 M(permanent rivers, streams, creeks) 유형의 습지가 12개소(50.0%)로 가장 많았으며, Tp(permanent freshwater marshes, pools) 유형이 11개소(45.8%), F(estuarine waters) 유형이 1개소(4.2%)로 분류되었다. 현재 분포지역에 기초하여 MaxEnt 모델을 이용한 잠재적 분포 예측 결과, 기존 서식지 외에 울산광역시, 대구광역시 일대가 서식확률이 높았다. 또한, 미래 시나리오를 적용하였을 때, 2050년대와 2090년대 분포 가능지역이 넓어져 가까운 미래에 남부 서남해안, 남부 내륙 대구광역시 일대, 동해안 일대로 서식범위가 확장될 것으로 예측되었다. 남색이마잠자리는 가까운 미래에 서식범위를 확장할 가능성이 높게 예측되었는데, 본 연구 결과는 향후 모니터링을 지속하면서 서식지를 공유하는 토착 자생생물자원의 보전 및 관리를 위한 기초자료를 제공할 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.57-73
• /
• 2021

ICT 인프라의 이상탐지를 통한 유지보수와 장애 예방이 중요해지고 있다. 장애 예방을 위해서 이상탐지에 대한 관심이 높아지고 있으며, 지금까지의 다양한 이상탐지 기법 중 최근 연구들에서는 딥러닝을 활용하고 있으며 오토인코더를 활용한 모델을 제안하고 있다. 이는 오토인코더가 다차원 다변량에 대해서도 효과적으로 처리가 가능하다는 것이다. 한편 학습 시에는 많은 컴퓨터 자원이 소모되지만 추론과정에서는 연산을 빠르게 수행할 수 있어 실시간 스트리밍 서비스가 가능하다. 본 연구에서는 기존 연구들과 달리 오토인코더에 2가지 요소를 가미하여 이상탐지의 성능을 높이고자 하였다. 먼저 다차원 데이터가 가지고 있는 속성별 특징을 최대한 부각하여 활용하기 위해 멀티모달 개념을 적용한 멀티모달 오토인코더를 적용하였다. CPU, Memory, network 등 서로 연관이 있는 지표들을 묶어 5개의 모달로 구성하여 학습 성능을 높이고자 하였다. 또한, 시계열 데이터의 특징을 데이터의 차원을 늘리지 않고 효과적으로 학습하기 위하여 조건부 오토인코더(conditional autoencoder) 구조를 활용하는 조건부 멀티모달 오토인코더(Conditional Multimodal Autoencoder, CMAE)를 제안하였다. 제안한 CAME 모델은 비교 실험을 통해 검증했으며, 기존 연구들에서 많이 활용된 오토인코더와 비교하여 AUC, Accuracy, Precision, Recall, F1-score의 성능 평가를 진행한 결과 유니모달 오토인코더(UAE)와 멀티모달 오토인코더(Multimodal Autoencoder, MAE)의 성능을 상회하는 결과를 얻어 이상탐지에 있어 효과적이라는 것을 확인하였다.