• 제목/요약/키워드: Knowledge based Engineering

검색결과 2,454건 처리시간 0.027초

생육도일(GDDs)에 따른 '춘광' 봄배추의 적정 재배 작기 예측 (Estimation of Optimum Period for Spring Cultivation of 'Chunkwang' Chinese Cabbage Based on Growing Degree Days in Korea)

  • 위승환;송은영;오순자;손인창;이상규;이희주;문보흠;조영열
    • 한국농림기상학회지
    • /
    • 제20권2호
    • /
    • pp.175-182
    • /
    • 2018
  • 본 연구는 기온에 따른 봄배추 '춘광'의 재배 적기를 밝혀 농가에 적정 재배시기를 제공하기 위해서 수행되었다. 기온이 외기보다 $6^{\circ}C$까지 단계적으로 상승하도록 설계된 온도구배 터널을 3개의 구역(외기+$2^{\circ}C$, A; 외기+$4^{\circ}C$, B; 외기+$6^{\circ}C$, C)으로 나눈 후 작기(2017.3.6., 1차; 3.20., 2차; 4.3., 3차)에 걸쳐 정식하였다. 재배기간 동안의 생육도일(growing degree days, GDDs)은 1차 A, 1차 B, 2차 A, 1차 C, 2차 B, 3차 A, 2차 C, 3차 B, 3차 C 순으로 높았다. 구중은 1차 B, 1차 C, 2차 A 처리구에서 높게 나타나 처리간 높은 유의적 차이를 보였으나 생태적인 특성(엽수, 엽면적, 최대엽의 엽장 및 엽폭 등)은 차이가 없었다. 다만, 생육초기 $13^{\circ}C$ 이하의 저온에 감응하였던 결과로 1차 A 처리구에서 5.5%의 추대현상이 발생하였다. 또한 2차 C, 3차 A, B, 및 C 처리구에서 기온이 높아짐에 따라 각각 11.0, 5.5, 33.3, 및 44.4%의 속썩음 현상이 발생하였다. GDDs에 따른 배추 구중은 587 GDDs까지 증가하다 729 GDDs 이후에는 오히려 감소하였다. GDDs에 따른 배추 수량과 적정 재배시기 예측식에서 최대 기대수량은 정식 후 64일 기준 GDDs가 601일 때 16.3MT/10a이었다. 최대 수량의 95%(약 15.5MT/10a) 이상을 재배 적기로 설정할 때 적정 범위는 478~724 GDDs로 산출되었다. 재배적기 예측식의 검증 결과, 봄배추 주산지인 진도, 해남, 나주, 서산, 평택의 GDDs는 각각 634, 619, 666, 652, 및 719이었고, 예측식에서 산출된 범위(478~724 GDDs)에 포함되었다. 결과적으로 봄배추의 재배 최적기는 예측식의 최대값인 수확기준 601 GDDs이며 적정 범위는 호냉성인 온도 특성을 감안하여 478~724 GDDs인 것으로 판단된다.

무인도서의 지속가능한 관리를 위한 기본 정책방향 (Management Policy Directions for Sustainable Management of the Uninhabited Islands of Korea)

  • 남정호;강대석
    • 한국해양환경ㆍ에너지학회지
    • /
    • 제8권4호
    • /
    • pp.227-235
    • /
    • 2005
  • 독특한 생태적 가치뿐만 아니라 관광수요 증가에 따른 잠재적 경제가치, 주권수호의 기점으로 기능하는 국가안보적 가치를 가지는 국토자원인 무인도서 생태계의 이용과 보전을 조화하기 위한 무인도서 관리 기본 정책방향을 제시하였다. 무인도서 현황과 관리 실태를 토대로 도출한 관리문제점은 무인도서 기초 자료의 부족과 낮은 정확도, 무인도서의 종합적 체계적 관리를 위한 기본 정책방향의 부재, 폐기물(쓰레기), 벌목, 채취, 동물방목, 외부생물에 의한 생태계 훼손과 교란, 무인도서 이용 개발수요의 합리적 수용을 위한 정책수단 미흡, 무인도서 관리 업무 수행에 필요한 인력과 재원의 부족 등 관리기반 취약, 무인도서의 특성을 반영하지 못하고 있는 법제도 등을 들 수 있다. 이러한 관리 문제점을 개선하기 위한 무인도서 관리 기본 정책방향을 무인도서 관리 기본방향, 관리전략, 법제도 개정 방향으로 나누어 제시하였다. 무인도서의 관리기본방향은 무인도서가 가지고 있는 독특한 생태적, 경제적, 주권수호 차원의 가치를 고려할 때 현재 및 미래의 이용 개발수요가 현재의 무인도서 생태계 가치를 훼손하지 않는 가치보전과 기존의 육상중심에서 육상과 해양을 하나의 관리단위로 설정하여 관리하는 '통합관리' 로 설정하였다. 무인도서 관리기본방향을 달성하고, 관리문제점을 효과적으로 해결하기 위한 전략으로 무인도서 종합조사를 통한 지식 기반 강화, 이용 개발 수요의 합리적 수용과 체계적 관리를 위한 무인도서 관리지침 개발 및 법제화, 환경현안 중 가장 문제가 되는 쓰레기의 효과적 처리를 위한 도서 쓰레기 광역수거처리 체계 구축, 관리능력 부족을 해결할 수 있도록 관리체제 개선을 통한 관리역량 강화 네 가지를 제시하였다. 무인도서 관리 기본 정책방향의 효과적인 이행을 위한 법제도 개선방향은 종합조사의 실시, 유형별 분류와 이응행위 제한사항 및 관리지침의 개발, 무인도서 관리 범위 재설정, 특정도서 관련 규정 정비 방안 등을 제시하였다.

  • PDF

고교학점제를 위한 융합교육(STEAM) 프로그램 개발 (Development of Convergence Education (STEAM) Program for High School Credit System)

  • 권혁수;김어진;김재운;민재식;배상일;손미현;이효녕;최진영;한미영;함형인
    • 과학교육연구지
    • /
    • 제46권1호
    • /
    • pp.93-108
    • /
    • 2022
  • 이 연구의 목적은 2025년 전면적으로 시행되는 고교학점제에 활용 가능한 융합교육(STEAM) 프로그램을 개발하고 그 타당성과 효과성을 알아보는 것이다. 융합교육(STEAM) 프로그램은 2015 개정 교육과정과 고교학점제 선행연구를 분석을 통해 얻어진 '수소연료', '기후위기', '데이터 사이언스', '적정기술', '바리스타'라는 5개의 최신 이슈를 주제로 개발되었다. 프로그램은 연구팀이 자체 개발한 고교학점제 융합교육(STEAM) 프로그램 개발형식(틀)에 맞춰 집단 숙의의 과정을 통해 7개월간 개발되었다. 고등학생의 진로·직업을 간접적으로 체험할 수 있도록 개발된 5종 29차시의 융합교육(STEAM) 프로그램 초안은 2인의 융합교육(STEAM) 교육 전문가에게 자문을 통해 검증을 받았으며, 프로그램의 현장 적합도를 판단하기 위해 5개 고등학교 627명을 대상으로 시범 적용하였다. 시범 적용 결과, 학생들의 융합교육(STEAM) 태도는 사전보다 사후가 통계적으로 유의미하게 향상된 것을 확인할 수 있었으며, 프로그램에 대해서 학생들의 높은 만족도를 확인할 수 있었다. 또한 시범 적용 교사 면담을 통해 '프로그램의 내용과 수준이 적합하며, 실생활 문제를 해결하는 경험을 통해 관련 교과의 내용 지식을 적용하고 진로 체험의 기회를 가질 수 있다'는 긍정적인 평가를 받았다. 시범 적용의 결과를 바탕으로 5종 29차시의 학생용·교사용 고교학점제 융합교육(STEAM) 프로그램을 최종 완성했다. 마지막으로 고교학점제에서 적용할 수 있는 차시대체형 STEAM 프로그램 개발 및 운영이 활발하게 이루어져야 할 것과 고교학점제가 바람직하게 정착되고 운영될 수 있도록 교사의 전문성 향상 방안 마련, COVID-19로 촉발된 블렌디드 수업 설계의 필요성 등을 제언하였다. 이 연구는 2025년 전면적으로 시행되는 고교학점제에서 융합교육(STEAM) 프로그램 개발 및 운영 방안에 대한 기초 자료로 활용될 것으로 기대한다.

전이학습 기반 다중 컨볼류션 신경망 레이어의 활성화 특징과 주성분 분석을 이용한 이미지 분류 방법 (Transfer Learning using Multiple ConvNet Layers Activation Features with Principal Component Analysis for Image Classification)

  • 바트후 ?바자브;주마벡 알리하노브;팡양;고승현;조근식
    • 지능정보연구
    • /
    • 제24권1호
    • /
    • pp.205-225
    • /
    • 2018
  • Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.