• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.207-221
• /
• 2023

본 연구는 천리안위성 2A호의 Level 1B (L1B) 정보를 사용해 지상기온을 추정하기 위한 심층신경망(deep neural network, DNN) 기법을 적용하고 검증을 실시하였다. 지상기온은 지면으로부터 1.5 m 높이의 대기온도로 일상생활뿐만 아니라 폭염이나 한파와 같은 이슈에 밀접한 관련을 갖는다. 지상기온은 지표면 온도와 대기의 열 교환에 의해 결정되므로 위성으로부터 산출된 지표면 온도(land surface temperature, LST)를 이용한 지상기온 추정 연구가 활발하였다. 하지만 천리안위성 2A호 산출물 LST는 Level 2 정보로 구름영향이 없는 픽셀만 산출되는 한계가 있다. 따라서 본 연구에서는 Advanced Meteorological Imager 센서에서 측정된 원시데이터에 오직 복사와 위치보정을 마친 L1B 정보를 사용해 지상기온을 추정하기 위한 DNN 모델을 제시하고 그 성능을 가늠하기 위해 위성 LST와 지상관측 기온 사이의 선형회귀모델을 기준모델로 사용하였다. 연구기간은 2020년부터 2022년까지 3년으로 평가기간 2022년을 제외한 기간은 훈련기간으로 설정했다. 평가지표는 기상청의 종관기상관측소에서 정시에 관측된 기온정보로 평균 제곱근 오차를 사용하였다. 관측지점에서 추출된 픽셀 중 손실된 픽셀의 비율은 LST는 57.91%, L1B는 1.63%를 보였으며 LST의 비율이 낮은 이유는 구름의 영향 때문이다. 제안한 DNN의 구조는 16개 L1B 자료와 태양정보를 입력 받는 층과 은닉층 4개, 지상기온 1개를 출력하는 층으로 구성하였다. 연구결과 구름의 영향이 없는 경우 DNN 모델이 root mean square error (RMSE) 2.22℃로 기준모델의 RMSE 3.55℃ 보다 낮은 오차를 보였고, 흐린 조건을 포함한 총 RMSE는 3.34℃를 나타내면서 구름의 영향을 제거할 수 있을 것으로 보였다. 하지만 계절과 시간에 따른 분석결과 여름과 겨울철에 모델의 결정계수가 각각 0.51과 0.42로 매우 낮게 나타났고 일 변동의 분산이 0.11과 0.21로 나타났다. 가시채널을 고려해 태양 위치정보를 추가한 결과에서 결정계수가 0.67과 0.61로 개선되었고 시간에 따른 일 변동의 분산도 0.03과 0.1로 감소하면서 모든 계절과 시간대에 더 일반화된 모델을 생성할 수 있었다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제27권6호
• /
• pp.120-129
• /
• 2023

본 연구는 기존의 재하시험에 의한 계측 결과와 시험 열차 및 상시주행 열차 간의 결과 비교를 통해 주행 열차에 의한 재하시험을 검증하였다. 또한 계측된 자료로부터 정적,·동적 거동 특성을 추출하여 평가를 진행하여 재하시험의 신뢰성 검증을 위해 기존 계측자료와 열차속도, 노선 간 응답 비교, 경향분석, 충격계수 선정 및 고유진동수 분석을 통해 타당성을 입증하였다. 이를 위해 동호철교를 대상지로 적용하였으며 제안 방법의 적용성을 검증하였다. 상시 운행 열차 10대와 시험 열차를 이용하여 교량에 44개의 센서를 부착하고 재하시험 경간에 대한 변형률, 처짐 등을 계측하여 이론치와 비교분석 하였다. 분석 결과 하중의 대칭성 및 중첩성은 양호하며 정적 동적 재하시험 결과에 대한 비교 또한 양호한 것으로 나타났다. 충격계수 분석 결과 최대 실측 충격계수(0.092)가 이론충격계수(0.327)보다 작은 것으로 분석되어, 활하중에 의한 충격 영향은 양호한 것으로 판단된다. 실측 고유진동수는 최저 2.393Hz로 해석 값 2.415Hz와 비교 시 근사하게 평가되었다. 위 결과를 바탕으로 본 논문에서는 내하력 평가 시 열차의 통행 차단이 필요하지 않고, 기존의 처짐 및 응답 계측보다 계측이 용이하도록 트러스 교량구조의 응답 결과를 도출하였다. 주행 열차의 재하시험을 통해 트러스 철도 교량의 변형률 및 처짐을 측정하고 정적, 동적 거동 특성을 파악하여 응력보정을 위한 응답비 및 동적 강성을 평가할 수 있음을 보였다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1283-1297
• /
• 2023

중적외선(mid-wave infrared, MWIR) 영상은 피복 및 객체의 온도를 파악할 수 있어 환경, 국방 등 다양한 분야에서 핵심 데이터로 사용된다. KOMPSAT-3A 위성은 타 위성에 비해 높은 공간해상도의 MWIR 영상을 제공하지만, 광학(electro-optical, EO) 영상에 비해 상대적으로 낮은 시인성을 가져 활용성의 확대에 어려움을 겪는다. 이에 본 연구에서는 KOMPSAT-3A 전정색(panchromatic, PAN) 영상의 윤곽 정보를 기반으로 시인성이 높은 MWIR 융합 영상을 제작하고자 한다. 먼저, 이종 센서에서 취득된 PAN 영상과 MWIR 영상의 상대 기하오차를 제거하는 전처리를 수행하고, 딥러닝 기반 윤곽 정보 추출 기술인 Pixel difference network (PiDiNet)의 사전 학습 모델을 이용하여 PAN 영상에 대한 윤곽 정보를 추출한다. 이후 전처리된 MWIR 영상과 추출된 윤곽 정보를 중첩하여 객체 경계면이 강조된 MWIR 융합 영상을 제작한다. 제안 방법을 이용하여 서로 다른 세 지역에 대한 MWIR 융합 영상을 제작하였으며, 이를 시각적으로 분석하였다. 본 기법을 통해 제작된 MWIR 융합 영상은 지형 및 지물의 경계면이 강조되어 시인성이 개선되었으며, 세부적으로 관심 지역에 대한 열 정보를 전달할 수 있었다. 특히, MWIR 융합 영상에서는 저해상도의 원본 MWIR 영상에서 식별할 수 없었던 비행기, 선박 등의 객체를 육안으로 판독할 수 있었다. 본 연구는 가시적인 정보와 열 정보를 동시에 고려할 수 있는 단일 영상 제작 방법론을 제시하였으며, 이는 MWIR 영상의 활용성 확대에 이바지할 수 있을 것으로 사료된다.

• 한국조경학회지
• /
• 제48권5호
• /
• pp.80-88
• /
• 2020

2019년 3월 미세먼지 비상저감조치가 일주일 동안 발령되면서, 미세먼지로 인한 국민의 불안감은 점차 가중되고 있다. 본 연구는 공기정화식물이 적용된 바이오필터의 다중이용시설 내 적용성 평가를 위해 입자상 오염원의 실내 연속방출환경을 조성하여 오염원 저감효과에 대한 측정방법을 제안하고, 시스템의 실내공기질 개선 여부를 확인할 수 있는 기초연구를 진행하였다. 강의실을 대상으로 춘절기에 모니터링 1시간 전 모기향을 오염원으로 배경농도를 조성한 후, 스케줄에 따라 2시간 관수, 1시간 송풍하여 미세먼지의 저감능을 확인하였으며, 바이오필터 2m 전방에 PM₁₀, PM_2.5 및 온습도 센서를 설치하고, 3개 송풍구 중 중앙에 풍속 프로브를 설치하여 시계열 모니터링을 수행하였다. 바이오필터에 구비된 총 3개소의 송풍구 평균 면풍속은 0.38±0.16 m/s로 댐퍼 면적이 제외된 송풍구별 면적 0.29m×0.65m을 적용한 총 공조풍량이 776.89±320.16㎥/h로 산출되었다. 시스템 가동으로 평균온도 21.5~22.3℃, 평균상대습도 63.79~73.6%를 유지하여, 선행연구의 다양한 조건별 온습도 범위에 부합하는 것으로 판단된다. 시스템 공조부 구동을 통해 급격하게 상대습도를 상승시키는 효과를 효율적으로 운용할 경우, 계절에 따른 실내 미세먼지 저감과 적정한 상대습도 확보도 가능할 것으로 판단된다. 미세먼지 농도는 바이오필터 시스템 가동 전의 모든 주기에서 상승 현상이 동일하게 집계되었으며, 시스템 가동 후 1주기 송풍구간(B-1, β=-3.83, β=-2.45)에서 미세먼지(PM₁₀)는 최대 28.8% 수준인 560.3㎍/㎥, 초미세 먼지(PM_2.5)는 최대 28.0% 수준인 350.0㎍/㎥까지 저감되었다. 이후 미세먼지(PM₁₀, PM_2.5)의 농도는 2주기 송풍구간 감소(B-2, β=-5.50, β=-3.30)로 각각 최대 32.6% 수준인 647.0㎍/㎥, 32.4% 수준인 401.3㎍/㎥까지 저감되었고, 3주기 송풍구간감소(B-3, β=5.48, β=-3.51)로 최대 30.8% 수준인 732.7㎍/㎥, 31.0% 수준인 459.3㎍/㎥까지 저감된 것으로 확인되었다. 본 연구는 식생 바이오필터의 다중이용시설 내 설치와 유관한 관련 표준 및 규정을 참조하여, 객관적인 성능평가환경의 구축 방안을 제시할 수 있었다. 이를 통해 일반 강의실 환경 내에 보다 객관화된 모니터링 인프라를 조성하여, 상대적으로 신뢰성 있는 데이터 확보가 가능했던 것으로 판단된다.