• 한국수자원학회논문집
• /
• 제48권1호
• /
• pp.57-67
• /
• 2015

이중편파레이더는 강우입자의 모양, 크기, 위상, 방향에 대한 정보를 제공해줌으로써 단일편파레이더보다 정확한 정량적 강우 추정에 장점이 있다. 본 연구에서는 대표적인 이중편파레이더 강우 추정 알고리즘인 JPOLE 알고리즘과 CSU 알고리즘을 이용하여 강우량을 산정 비교하였다. 이 두 알고리즘은 강우의 크기에 따라 반사도, 차등반사도, 비차등위상차를 각각 이용하거나 조합하여 강우량을 계산한다. 비차등위상차는 강우입자의 모양과 분포밀도에 대한 정보를 주는 차등위상차에 필터링이나 회귀분석기법을 이용하여 계산되는데, 대류성 강우 지역에서는 비차등위상차의 첨두값이 과소 추정되거나 음의 값을 보일 수 있으며, 약한 강우지역에서는 진동하기도 한다. 본 연구에서는 이러한 문제를 해결하고자 Lim et al. (2013)에서 제안된 새로운 분포형 비차등위상차 산정방법의 이용을 제안하였다. 2012년도의 두 강우사상에 대한 국토교통부의 비슬산 레이더 자료를 이용하여 분포형 비차등위상차를 산정한 후 강우 추정 알고리즘에 적용하였다. 산정된 분포형 비차등위상차는 첨두값이 개선되었으며, 크게 진동하거나 음의 값이 산정되지 않았다. 이를 이용하여 추정된 강우량에 있어서는 일강우량 80mm 이상의 강한 강우에 대해 일강우량의 누적값이 AWS 관측값에 가깝게 개선되는 것을 확인하였으며 80mm 이하의 약한 강우에서는 개선 정도가 미약하였다. 이는 강우 추정 알고리즘에서 강우강도가 높은 경우에 비차등위상차가 사용되고, 낮은 경우에는 반사도와 차등반사도가 사용되기 때문인 것으로 판단된다. 본 연구를 통해 향후 이중편파레이더를 이용한 강우량 추정의 정확도를 향상시킬 수 있을 것으로 기대된다.

• Journal of Radiation Protection and Research
• /
• 제38권4호
• /
• pp.214-227
• /
• 2013

MDCT의 등장과 함께 병적 증상이 없는 개인이 조기검진을 위해 CT검사를 하는 예가 꾸준히 증가하고 있다. 이러한 검사의 임상적 효용성과 방사선에 의한 암 발생위험에 대한 여러 가지 논란을 살펴보았다. 1. 저선량흉부CT(LDCT)를 이용한 폐암의 조기 검진 효용성을 보기 위해 설계된 무작위배정대조검사(randomized controlled trial)인 NLST(National Lung Screening Trial)의 분석 결과, CT선별검사가 선별검사를 하지 않은 그룹의 사망률 1.67%를 1.33%로, 20% (p=0.004) 감소시키는 것으로 나타났다. CT선별검사군에서 양성결과를 보인 사람의 96.4%는 위양성(false-positive)이었다. 그리고 방사선에 의한 폐암의 ERR (excess radiation risk)은 다른 고형암과는 달리 나이와 함께 감소하지 않으며, 더욱이 흡연 위험과 방사선 위험이 상승작용을 하여 폐암 검진 대상인 고위험군에게 더욱 위험할 수 있는 것으로 평가되었다. 따라서 방사선에 의한 위험이 NLST에서 관측한 이득을 상쇄할 수도 있다. 아직은 최적의 전략이 확립되지 않은 상태이므로 임상에서 광범위하게 적용하기에는 한계가 있다. 2. 대장CT검사(CT colonography)는 10 mm보다 큰 용종의 검출에는 정확도가 뛰어나지만 이보다 작은 경우에는 민감도와 특이도가 급격히 감소하고, 용종이 발견되어 제거하고자 하는 경우 다시 기존의 대장내시경을 이용해야 하는 불편함이 있다. 현재 대장CT검사 1회 시행의 평균유효선량은 약 8-10 $mS{\nu}$로 보고되어, 만약 이 검사가 많은 사람들을 대상으로 일상적으로 행해지면 공중보건에 영향을 미칠 수 있다. 따라서 집단검진 방법으로 정착하기 위해서 는 용종 크기 6-10 mm 범위에서 높은 민감도와 특이도를 확립하고, 하제를 사용하지 않는 방법을 개발하여야 하며, 선량을 더 감소시킬 수 있는 최적화된 전략을 세워 표준화하여야만 한다. 3. 전신CT검사는 그 효용성이 검증된 선행연구가 없는 상태이다. 이 검사는 약 90%의 검사자들에게서 최소한 하나 이상의 이상소견을 확인하였지만 그 중 약 2%만이 임상적으로 중요한 질환으로 판명되었다. 전신CT검사 1회 시행으로 인한 평균유효선량은 약 12 $mS{\nu}$이며 45세부터 75세까지 매년 검사를 받는 경우 LAR (lifetime attributable risk)이 1.9%로 보고되었다. 현재 의학계의 어떤 단체도 이 검사를 권고하고 있지 않다. 현재까지 CT선별검사는 정당화에 대한 충분한 논의를 위해 심도 있는 다양한 연구가 필요하며 최적화된 프로토콜이 확립된 후 이용하는 것이 바람직하다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.959-974
• /
• 2021

Forel-Ule Index (FUI)는 자연에 존재하는 담수 및 해수의 색을 남색부터 고동색까지 21 가지의 등급으로 구분하는 지표이다. FUI는 여러 선행연구에서 수계의 부영양화 지수, 수질인자, 광 특성 등과 연관 지어 분석되었으며, 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 본 연구에서는 500 m의 높은 공간해상도를 가지는 정지궤도 해양위성해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 Random Forest (RF) 기계학습 기법을 활용하여 Ocean Colour-Climate Change Initiative(OC-CCI) 기반의 4 km FUI 자료를 공간 상세화 시켰다. 이를 활용하여 우리나라 연안 해역에 대한 수질인자와의 상관관계와 주요 해역에 대한 FUI의 공간적 분포 및 계절별 특성 변화를 분석하였다. 검증 결과 RF 기법으로 추정한 RF FUI는 결정계수(R²)=0.81, 평균 제곱근 오차(Root Mean Square Error; RMSE)=0.7784로, Pitarch의 OC-CCI FUI 알고리즘을 적용하여 계산한 GOCI FUI 추정 정확도(R²=0.72, RMSE=0.9708) 대비 향상된 결과를 보였다. RF FUI는 총 질소(Total Nitrogen), 총 인(Total Phosphorus), 클로로필-a(Chlorophyll-a), 총 부유물질(Total Suspended Solids), 투명도(Secchi Disk Depth)를 포함하는 5가지 수질인자와 각각 0.87, 0.88, 0.97, 0.65, -0.98의 상관계수로 강한 상관성을 보였다. 산출된 FUI의 시간적 패턴 역시 여러 수질인자와의 물리적 관계를 반영하며 유의미한 계절적 패턴의 변화를 보였다. 본 연구의 결과로 한반도 연안 수질 관리에서 고해상도 FUI의 활용 가능성을 제시하였다.

• 대한원격탐사학회지
• /
• 제37권5_2호
• /
• pp.1281-1293
• /
• 2021

최근 GOCI-II 위성이 발사되면서 우리나라는 세계 최초로 약 20년 동안 정지궤도상에 있는 천리안 해양위성 시리즈(GOCI, GOCI-II)를 운용하게 되었다. 본 연구에서는 GOCI-II 주요 해색산출물인 엽록소-a 농도(Chl-a), 유색용존유기물(CDOM), 원격반사도(R_rs)를 GOCI 자료와 비교 분석하여, 위성 임무초기 산출물의 현황을 파악하고 향후 천리안 해양위성 시리즈 데이터 구축을 위한 알고리즘 개선 방향을 논의한다. 2020년 황해, 남해, 울릉분지에서 GOCI-II의 엽록소-a 농도의 공간적인 분포는 GOCI 뿐 아니라 MODIS와도 잘 일치한다(상관계수: 0.83 이상). 특히, 여름철 울릉 분지 영역에서는 GOCI와 GOCI-II 자료의 엽록소-a 농도는 RMSE도 낮으며(~0.08), 편향성(Systematic Bias)도 거의 없었다. 선택된 모든 영역에서 490 nm와 555 nm 원격반사도는 GOCI와 GOCI-II 간 불확도가 낮고, 유사한 경향성이 나타났다. 그러나, 남해와 황해의 443 nm 원격반사도의 경우 GOCI-II가 GOCI에 비해 과소추정하여, 엽록소-a 농도와 유색용존유기물의 과다추정을 유도한다. 또한, 660 nm 원격반사도의 경우에도 systematic bias가 나타나 총부유입자 산출물에 영향을 줄 수 있다. 본 연구는 현재 GOCI-II 자료는 기본적으로 GOCI나 MODIS와 잘 일치하고 있어, 해양환경 관측을 위한 기본적인 신뢰도는 확보되었음을 의미한다. 그러나, 향후 GOCI-II 복사보정, 산출물 검보정, 알고리즘 개선으로 자료의 정량적인 정확도를 개선하는 연구가 반드시 필요하며, 이를 기반으로 20년간 천리안 해양위성자료의 일괄적 재처리로 GOCI, GOCI-II 연속성이 보장된 자료를 제공할 수 있다.

• 대한원격탐사학회지
• /
• 제37권2호
• /
• pp.337-357
• /
• 2021

노지에서 재배되는 벼는 필연적으로 기상요소의 영향을 받을 수밖에 없으며, 벼 생장에 영향을 미치는 최적의 기상자료 확보 및 변수 선정은 벼 수확량 예측 모델링에 있어 매우 중요하다. 본 연구에서는 1996-2019년의 7월, 8월, 9월에 대하여, 다종의 기상자료 비교평가를 통해 우리나라 벼 수확량 모델링에 대한 적합성을 살펴보고, 기상요소와 벼 수확량 사이의 비선형적인 관계를 고려하여 기계학습 기법을 이용한 수확량 하인드캐스트 실험을 수행하고자 한다. 다종의 기상자료로는, 기상청 ASOS 지상관측과 함께, CRU-JRA ver. 2.1, ERA5 재분석장을 사용하였다. 이들 기상자료에서 공통적으로 도출할 수 있는 월 단위 기온, 상대습도, 일사량, 강수량 변수에 대한 비교를 통하여, 각 자료의 특성 및 벼 수확량과의 연관성을 분석하였다. CRU-JRA ver. 2.1 재분석장은 전반적으로 타 자료와 높은 일치성을 나타냈으며, 변수별 특징을 보았을 때, 상대습도는 벼 수확량에 미치는 영향이 거의 없었으나, 일사량은 벼 수확량과의 상관성이 상당히 높은 것으로 나타났다. 7월, 8월, 9월의 기온, 일사량, 강수량을 랜덤 포리스트 모델에 투입하여 벼 수확량 하인드캐스트 실험을 수행한 결과, CRU-JRA ver. 2.1 재분석장은 세 종류 기상자료 중에 가장 높은 정확도를 나타냈다(CC = 0.772). 또한 예측 모델에서 변수의 중요도는 일사량이 가장 높게 나타나, 기존의 농학적 연구결과와 일치하였다. 본 연구는 벼 수확량 예측을 위한 다종 기상자료의 선택에 있어 하나의 합리적 방법을 제시한 것으로써 의미가 있다고 하겠다.

• 한국해안·해양공학회논문집
• /
• 제33권6호
• /
• pp.265-274
• /
• 2021

해양 이상 자료 탐지의 연구는 이전부터 활발하게 이루어지고 있으며, 통계 및 거리 기반의 기계 학습 알고리즘을 활용하는 기법들이 개발되었다. 최근에는 AI 기반의 해양 자료 이상 탐지 기법이 많은 관심을 받고 있으며, AI를 활용한 해양 이상 자료 탐지 기법은 정답이 주어지는 지도학습 기법이 주를 이루고 있다. 이러한 방법은 학습에 필요한 모든 자료에 수작업으로 분류 정보(라벨)를 지정해야 한다는 점에서 많은 시간과 비용이 요구된다. 본 연구에서는 이러한 문제를 극복하기 위해 비지도학습 기반의 오토인코더를 이상 자료 탐지 기법에 사용하였다. 실험으로는 오토인코더의 평가를 위해 단변수·다변수학습 두가지 실험을 구성하였고, 단변수 학습은 기상청에서 제공하는 덕적도 부이 정점 관측 자료 중 수온만 사용하였으며, 다변수 학습은 수온과 기온, 풍향, 풍속, 기압, 습도 등을 사용하였다. 사용기간은 1996~2020년의 25년간이며 학습 자료에 해양-기상 자료의 특성을 고려한 전처리 기법을 적용하였다. 학습된 다변수와 단변수 오토인코더를 활용하여 실제 표층 수온에 대한 이상 탐지를 시도하였다. 모델성능 비교를 위해 오차를 삽입한 합성 자료에 다변수와 단변수 오토인코더를 포함한 여러 이상 탐지 기법을 적용하여 정량적으로 평가하였으며, 다변수/단변수의 정확도가 각각 약 96%/91%로써 다변수 오토인코더가 더 나은 이상자료 탐지 성능을 보였다. 오토인코더를 이용한 비지도학습 기반 이상 탐지 기법은 주관적 판단에 의한 오류와 자료 라벨링에 필요한 시간과 비용을 줄일 수 있다는 점에서 다양하게 활용될 것으로 판단된다.

• 한국농림기상학회지
• /
• 제25권4호
• /
• pp.337-345
• /
• 2023

벼의 출수기를 추정하는 것은 농업생산성과 관련된 중요한 과정 중 하나이지만 세계적인 이상기후의 증가로 벼의 출수기를 추정하는 것이 어려워지고 있다. 본 연구에서는 CNN 분류모델을 사용하여 다양한 영상데이터에서 벼의 출수기를 추정하려고 시도하였다. 드론과 타워형 영상관측장치 그리고 일반 RGB 카메라로 촬영된 직하방과 경사각 영상을 수집하였다. 수집한 영상은 CNN 모델의 입력데이터로 사용하기 위해서 전처리를 진행하였고, 사용된 CNN 아키텍처는 이미지 분류 모델에서 일반적으로 사용되는 ResNet50, InceptionV3 그리고 VGG19 를 사용하였다. 각각의 아키텍처는 모델의 종류, 영상의 유형과 관계없이 0.98 이상의 정확도를 나타내었다. 또한 CNN 분류 모델이 영상의 어떤 특징을 보고 분류하였는지 시각적으로 확인하기 위해서 Grad-CAM 을 사용하였다. Grad-CAM 결과 CNN 분류 모델은 벼의 출수를 이삭의 형태에 높은 가중치를 두어 분류 하는 것을 확인하였다. 다음으로 작성된 모델이 실제 논 포장 모니터링 이미지에서 벼의 출수기를 정확하게 추정하는지 확인하였다. 각각 다른 지역 4 개의 벼 포장에서 벼의 출수기를 약 하루정도의 차이로 추정하는 것을 확인하였다. 이 방법을 통해서 다양한 논 포장의 모니터링 이미지를 활용하여 자동적이고 정량적으로 벼의 출수기를 추정 할 수 있다고 판단된다.

• 대한원격탐사학회지
• /
• 제39권6_2호
• /
• pp.1615-1633
• /
• 2023

괭생이모자반은 황해 및 동중국해에서 대규모 번식하는 부유조류 중 하나로 우리나라 연안에 유입되어 환경 파괴 및 양식업 피해 등 다양한 문제점을 야기한다. 효율적인 피해 예방 및 연안 환경 보존을 위하여 최근 인공위성 기반 원격탐사 기술을 활용한 괭생이모자반 탐지 알고리즘 개발이 활발하게 이루어지고 있다. 하지만, 잘못된 탐지 정보는 해상 수거 선박의 이동 거리 증가, 지자체나 유관기관의 대응 혼선 등을 유발하므로 괭생이모자반 공간정보 생산 시 오탐지 최소화는 매우 중요하다. 본 연구는 국립해양조사원 국가해양위성센터의 GOCI-II 기반 괭생이모자반 탐지 알고리즘을 활용하여 자동으로 오탐지 화소를 제거하는 기술을 적용하였다. 주요 오탐지 발생 원인 분석 결과를 바탕으로 선형·산발적 오탐지 및 봄, 여름철에 중국 연안에서 대량으로 발생하는 녹조류를 오탐지로 간주하여 제거하는 과정을 포함하였다. 2022년 2월 24일부터 6월 25일까지 괭생이모자반 발생일을 대상으로 오탐지 자동 제거 기법을 적용하고, 중해상도 위성 영상을 이용하여 육안 판독 결과를 생성하고 정성적, 정량적 평가를 수행하였다. 선형 오탐지는 완전히 제거하였으며, 산발적 및 녹조 오탐지는 분포 파악에 영향을 주는 대부분의 오탐지 결과를 제거하였다. 자동 오탐지 제거 과정 이후에도 육안 판독 결과 대비 괭생이모자반의 분포 면적 확인이 가능하였으며, 이진분류모델을 이용하여 정확도와 정밀도는 각각 평균 97.73%, 95.4%로 산출하였다. 재현율은 매우 낮은 29.03%였는데, 이는 GOCI-II와 중해상도 위성영상의 관측 시간 불일치에 의한 괭생이모자반 이동 영향, 공간해상도 차이, 정사보정에 따른 위치 편차, 그리고 구름 마스킹 영향에 의한 것으로 추정하였다. 본 연구의 괭생이모자반 오탐지 제거 결과는 공간적인 분포 현황을 준실시간으로 파악할 수 있으나 생체량을 정확하게 추정하는 것은 한계가 존재하였다. 따라서, 지속적인 괭생이모자반 모니터링 시스템 고도화 연구를 통해 향후 괭생이모자반 대응계획수립을 위한 자료로 활용하고자 한다.

• 한국수자원학회논문집
• /
• 제57권5호
• /
• pp.333-346
• /
• 2024

수량과 수질 및 수생태를 동시에 고려한 수자원 관리를 위해서는 신뢰도 높은 중기 유량 예측 기술이 필수적이다. 이를 위해서는 기상자료의 특성에 대한 이해와 더불어, 시공간 해상도가 낮은 기상예측 정보를 고해상도 분포형 수문모형에서 효과적으로 활용하는 기술이 중요하다. 본 연구에서는 분포형 수문모형 WRF-Hydro와 선행시간 288시간까지의 기상정보를 제공하는 Global Data Assimilation and Prediction System (GDAPS)를 활용해 고해상도 중기 유량 예측을 수행하고 적용성을 검토하였다. 이를 위해 대상 유역인 낙동강 지류 금호강 유역에 대해 100 m 공간해상도의 WRF-Hydro모형을 구축하고 기상지상관측자료 Automatic Weather Stations (AWS)& Automated Synoptic Observing Systems (ASOS), 기상수치예보모형 GDAPS, 기상재분석자료 Global Land Data Assimilation System (GLDAS)를 입력자료로 적용한 유량 예측 모의 결과를 비교하였다. 2020~2022년 기간 3개의 강우사상에 대해 유역 평균 누적 강우량을 분석 결과, AWS&ASOS대비 GDAPS는 36%~234%, GLDAS 재분석자료는 80%~153% 범위의 과소 및 과대 산정되었음을 확인하였다. AWS&ASOS입력자료로 한 유량 예측 결과는 KGE, NSE지표가 유역 말단 강창교 지점 기준 0.6이상이었으나, GDAPS 기반 유량 모의는 강우 사상에 따라 KGE 값이 0.871~-0.131로 큰 변동성이 확인되었다. 한편, 첨두 유량 오차는 GDAPS가 GLDAS보다 크거나 비슷했지만, 첨두 홍수 발생시간의 오차는 AWS&ASOS, GDAPS, GLDAS가 각각 평균 3.7시간, 8.4시간, 70.1시간으로, 첨두 발생시간 측면에서는 GDAPS의 오차가 GLDAS보다 적었다. GDAPS를 입력자료로 한 WRF-Hydro 고해상도 중기 유량 예측은 첨두 유량의 불확실성은 크지만, 첨두 유량 발생시점에 대한 정확도는 상대적으로 높아 수자원 시설 운영에 효과적으로 활용될 수 있을 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제39권6_2호
• /
• pp.1565-1576
• /
• 2023

천리안 해양위성 2호(Geostationary Ocean Color Imager-II, GOCI-II)에서 관측된 대기상층 복사휘도에서 해양환경 분석이 가한 원격반사도(remote-sensing reflectance, R_rs) 자료를 얻기 위해서 복사 전달 모델 기반의 대기 보정을 수행한다. 이 R_rs는 다시 엽록소, 총부유사, 용존유기물 농도 등의 다양한 해양환경변수 산출에 이용되고 있기 때문에 대기보정은 모든 해색 산출물의 정확도에 영향을 주는 중요한 알고리즘이다. 맑은 해역에서는 대기의 복사휘도가 청색 파장대의 해수 복사휘도보다 10배 이상 높다. 따라서 대기보정 과정에서 1%의 대기 복사휘도 추정 오차가 10% 이상의 R_rs 오차를 유발할 수 있으며, 이처럼 대기보정은 매우 높은 오차 민감도를 가진 알고리즘이다. 그 결과 대기보정 산출물인 R_rs의 품질 평가는 신뢰성 있는 해양 위성 기반 자료 분석을 위해 반드시 선행되어야 한다. 본 연구에서는 Sea-viewing Wide Field-of-view Sensor (SeaWiFS) Bio-optical Archive and Storage System (SeaBASS)을 통해 데이터베이스화 된 현장 측정 R_rs 기반 통계적 신뢰성을 평가하는 Quality Assurance (QA) 알고리즘을 GOCI-II의 분광 특성에 맞게 수정 및 적용하였다. 이 방법은 National Oceanic and Atmospheric Administration (NOAA)의 해색위성 자료처리 시스템에 공식적으로 적용되어 서비스 중이며, R_rs의 품질 분석 점수(0~1점)를 제공할 뿐 아니라 해수의 유형(23 유형)도 구분해 준다. 실제로 검보정 초기 단계의 GOCI-II 자료에 QA를 적용한 결과, R_rs는 비교적 낮은 값인 0.625에서 가장 높은 빈도를 보여주었지만 추가적인 검보정을 통해 개선된 GOCI-II 대기보정 결과에 QA 알고리즘을 적용했을 시 기존보다 높은 0.875에서 가장 높은 빈도를 보여주었다. QA 알고리즘을 통한 해수 유형 분석 결과, 동해 및 남해 일부 그리고 북서태평양 해역은 주로 탁도가 낮은 case-I 해역이었으며 서해 연안 및 동중국해는 주로 탁도가 높은 case-II 해역으로 구분되었다. 이처럼 QA 알고리즘의 적용을 통해 대기보정 과정에서 오차가 크게 발생한 R_rs 자료를 객관적으로 판별하여 배제할 수 있으며 이는 배포자료 및 검보정의 신뢰도 향상으로 이어질 수 있다. 본 방법은 추후 GOCI-II의 대기보정 flag에 적용되어 사용자들이 양질의 R_rs 자료만을 적용할 수 있도록 도움을 줄 것이다.