• 환경영향평가
• /
• 제25권3호
• /
• pp.190-208
• /
• 2016

본 연구는 화엄늪 습지보호지역에서 식생의 공간적 분포특성을 파악하고 올바른 식생학적 보전 및 복원 방안을 제시하고자 시행하였다. 식생자료는 2008년과 2013년에 Braun-Branquet의 방법을 적용하여 총 117종(미동정종 포함)의 식물종이 포함된 29개가 획득되었다. 식물군락은 총 8개로 구분되었으며, 수분조건에 따라 건생형(신갈나무-애기감둥사초군락, 산철쭉군락-전형하위군락, 참억새하위군락, 미역줄나무군락)과 습생형(진퍼리새군락-전형하위군락, 왕미꾸리꽝이하위군락, 참억새하위군락, 바늘골-끈끈이주걱군락)으로 나누어졌다. 습생입지에 발달하는 습생형은 습지보호지역 내에서 보호의 핵심 대상으로 습지의 함몰된 공간 또는 물골 주변에 주로 발달하였다. 면적은 습생형이 전체의 약 3.8%에 불과하였으며, 습지보호지역 안에서 참억새가 우점하는 건생형이 약 51.5%로 가장 넓게 분포하였다. 습지보호지역 내에 다양한 수목들이 침투해 있었다. 2008년에는 교목성 수종 8종(총 228개체)과 관목성 수종 6종(총 51개체)을 포함하여 총 14종의 침투식물들이 관찰되었으며, 2013년에는 오리나무 2개체가 생육하는 것이 확인되었다. 화엄늪의 지속적인 보전과 관리를 위해서 식생유형, 공간분포 변화 및 침투식물에 대한 지속적인 모니터링, 핵심 완충 전이지역의 구획화 관리 등을 통한 능동적이고 가변적인 설정방안 모색을 제안하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제4권6호
• /
• pp.185-196
• /
• 2015

에너지 절감형 서버 클러스터는 에너지 절감을 고려하지 않는 기존 서버 클러스터에 비해 서비스 품질을 보장하면서 전력소비를 절감하는 것을 목표로 한다. 에너지 절감형 서버 클러스터에서는 현재의 부하를 처리하는 데 필요한 최소수의 서버들만 ON 하도록 고정 또는 가변 주기로 서버들의 전원모드를 조정한다. 이에 대한 기존 연구들은 전력 절감 또는 서비스 품질을 보장하려고 노력해왔지만 에너지 효율성을 잘 고려하지는 못했다. 본 논문에서는 에너지 절감형 클러스터에서 자율학습기반의 에너지 효율적인 클러스터 관리 기법을 제안한다. 자율학습을 통해 최적화된 파라미터들을 이용하여 전력 소모 대비 최고의 성능을 얻을 수 있도록 서버 전원모드를 조정한다. 제안방법은 서버 전원모드 조정을 위해 아래의 과정을 반복 수행한다. 첫째, 현재 부하 및 트래픽 패턴을 보고 현재 워크로드 패턴 유형을 사전에 정의한 대로 분류한다. 둘째, 학습 테이블을 탐색하여 해당 워크로드 패턴 유형에 대해 예전에 학습이 수행되었는지 확인한다. 만일 수행되었다면 이미 저장된 파라미터를 이용한다. 그렇지 않으면, 학습을 수행하여 에너지 효율성 관점에서 최고의 파라미터를 얻어 저장한다. 셋째, 얻어진 파라미터를 이용하여 서버 전원모드를 조정한다. 제안방법을 구현하여 16개의 서버 클러스터 환경에서 3가지 다른 부하 패턴들을 이용하여 실험을 수행하였다. 실험 결과는 제안방법의 에너지 효율성이 뛰어남을 보여주고 있다. 뱅킹 부하패턴, 실제 부하패턴, 가상 부하패턴 각각에 대하여, 제안방법의 단위전력당 good 응답 수가 기존의 정적 서버 전원모드 제어방법의 99.9%, 107.5%, 141.8%이고, 기존의 예측방법의 102.0%, 107.0%, 106.8%이다.

• 한국조경학회지
• /
• 제37권1호
• /
• pp.120-130
• /
• 2009

본 연구는 생태학에 견줄 수 있는 전통적 관념으로서 생명사상과 전통사상에 착안하여 마련된 '전통경관의 생태학적 해석' 방법론에 대한 사례연구이다. 연구를 통해서 당시의 관점에 근접함으로써 선조들의 생태학적 사고와 그를 기반으로 한 조영방식을 설명하기에 유용한 방법론이 될 수 있음을 규명하였다. 생태학적 해석 도구로써 추출한 '본성(本性; 자연의 정체성 고수)' '중절(中節; 절제)' '효율(效率; 경제적 효용)' '상생(相生; 관계 맺기)' '자생(自生; 자연의 원리 취득)' '중화(中和; 인공을 최소화하여 조화)' '방통(旁通; 소통과 순환)' '변통(變通; 가변성과 다양성)'이라는 전통사상의 개념어들은 우리 문화와 경관 속에 함유된 생태학적 개념을 대신한다. 사례연구를 위해서 서유구의 "임원경제지(林園經濟志)"(1827)에 서술된 항목들을 '공간구조' '조경요소' '건축 구조요소'로 구분하여 해석의 대상을 추출하였다. 정온 가옥과 최씨 종택을 구성하는 요소들을 해석한 결과로 생태학적 조영기법들을 제시하고, 전통주택과 조경공간에 대한 생태학적 특성을 다음과 같이 종합하였다. 자연조건과 세밀한 관계 설정 방식을 가지는 풍토건축으로서 첫째, 자연의 형상을 따르는 토지이용방식('본성' '상생' '중화'), 둘째, 자연과 일체감을 이루는 물리적 공간요소('중절' '상생' '중화'), 셋째, 한정된 자연에너지와 자원을 재활용하면서 지속적인 순환체계 유지('효율' '자생' '방통'), 넷째, 지역에서 얻을 수 있는 자연재료 이용('중절' '효율' '자생'), 다섯째, 미기후를 고려한 평면과 구조 결정('효율' '자생' '변통')으로 정리된다. 이에 전통주택과 조경공간은 다른 유형의 전통공간보다 자연 안에서 효율적인 자원 소비 공간을 목표하였다는 점에서 생태학적 의의를 찾을 수 있다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.261-261
• /
• 2020

물관리의 기본이 되는 연속적인 유량 자료 확보를 위해서는 정확도 높은 수위-유량 관계 곡선식 개발이 필수적이다. 수위-유량 관계곡선식은 모든 수문시설 설계의 기초가 되며 홍수, 가뭄 등 물재해 대응을 위해서도 중요한 의미를 가지고 있다. 그러나 일반적으로 유량 측정은 많은 비용과 시간이 들고, 식생성장, 단면변화 등의 통제특성(control)이 변함에 따라 구간분리, 기간분리와 같은 비선형적인 양상이 나타나 자료 해석에 어려움이 존재한다. 특히, 국내 하천의 경우 자연적 및 인위적인 환경 변화가 다양하여 지점 및 기간에 따라 세밀한 분석이 요구된다. 머신러닝(Machine Learning)이란 데이터를 통해 컴퓨터가 스스로 학습하여 모델을 구축하고 성능을 향상시키는 일련의 과정을 뜻한다. 기존의 수위-유량 관계곡선식은 개발자의 판단에 의해 데이터의 종류와 기간 등을 설정하여 회귀식의 파라미터를 산출한다면, 머신러닝은 유효한 전체 데이터를 이용해 스스로 학습하여 자료 간 상관성을 찾아내 모델을 구축하고 성능을 지속적으로 향상 시킬 수 있다. 머신러닝은 충분한 수문자료가 확보되었다는 전제 하에 복잡하고 가변적인 수자원 환경을 반영하여 유량 추정의 정확도를 지속적으로 향상시킬 수 있다는 이점을 가지고 있다. 본 연구는 머신러닝의 대표적인 알고리즘들을 활용하여 유량을 추정하는 모델을 구축하고 성능을 비교·분석하였다. 대상지역은 안정적인 수량을 확보하고 있는 한강수계의 거운교 지점이며, 사용자료는 2010~2018년의 시간, 수위, 유량, 수면폭 등 이다. 프로그램은 파이썬을 기반으로 한 머신러닝 라이브러리인 사이킷런(sklearn)을 사용하였고 알고리즘은 랜덤포레스트 회귀, 의사결정트리, KNN(K-Nearest Neighbor), rgboost을 적용하였다. 학습(train) 데이터는 입력자료 종류별로 조합하여 6개의 세트로 구분하여 모델을 구축하였고, 이를 적용해 검증(test) 데이터를 RMSE(Roog Mean Square Error)로 평가하였다. 그 결과 모델 및 입력 자료의 조합에 따라 3.67~171.46로 다소 넓은 범위의 값이 도출되었다. 그 중 가장 우수한 유형은 수위, 연도, 수면폭 3개의 입력자료를 조합하여 랜덤포레스트 회귀 모델에 적용한 경우이다. 비교를 위해 동일한 검증 데이터를 한국수문조사연보(2018년) 내거운교 지점의 수위별 수위-유량 곡선식을 이용해 유량을 추정한 결과 RMSE가 3.76이 산출되어, 머신러닝이 세분화된 수위-유량 곡선식과 비슷한 수준까지 성능을 내는 것으로 확인되었다. 본 연구는 양질의 유량자료 생산을 위해 기 구축된 수문자료를 기반으로 머신러닝 기법의 적용 가능성을 검토한 기초 연구로써, 국내 효율적인 수문자료 측정 및 수위-유량 곡선 산출에 도움이 될 수 있을 것으로 판단된다. 향후 수자원 환경 및 통제특성에 영향을 미치는 다양한 영향변수를 파악하기 위해 기상자료, 취수량 등의 입력 자료를 적용할 필요가 있으며, 머신러닝 내 비지도학습인 딥러닝과 같은 보다 정교한 모델에 대한 추가적인 연구도 수행되어야 할 것이다.