• 한국농림기상학회지
• /
• 제12권1호
• /
• pp.36-44
• /
• 2010

본 연구는 입지환경 인자를 적용하여 수종별 지위지수 추정식을 개발하고 이를 통해 해당 입지의 산림생산력을 추정함으로서 산불 피해지의 복구을 위한 수종 선택에 필요한 정보를 제공하고자 하였다. 이를 위해 입지환경 인자를 이용하여 동해안 산불 피해지역인 강릉, 고성, 동해, 그리고 삼척 지역에 적용할 수 있는 온대 중부지역의 수종별 지위지수 추정식을 조제하였다. 본 연구에서 도출된 수종별 지위지수 추정식은 4~5개의 비교적 소수의 입지환경 인자를 이용하여 산림생산력에 대한 높은 추정능력을 보였다. 또한 이와 같이 개발된 수종별 지위지수 추정식을 대상으로 모형의 평균 편의, 정도, 표준오차 등의 3가지 평가통계량에 근거한 검증을 실시한 결과 수종별 오차가 모두 0.5m 이내로 본 연구에서 도출된 지위지수 추정식의 실용성을 입증할 수 있었다. 지위지수 추정식의 검증결과를 보면전반적으로 본 연구에서 개발된 수종별 지위지수 추정식의 평가통계량은 낮은 것으로 판명되어 실제 적용하는 데는 문제가 없는 것으로 평가되었다. 본 연구에서 개발한 수종별 지위지수 추정식은 몇가지의 입지환경 인자만으로 산불 피해지에 대한 수종별 산림생산력을 추정할 수 있는 것으로 판명되어 앞으로 활용가치가 높을 것으로 평가된다. 특히 본 연구에서 얻어진 결과는 수종별 적지판정과 이를 통한 산림의 경영 및 관리에 유용한 정보로 활용될 수 있을 것으로 기대된다. 산불 피해지역의 입지평가 기준을 설정하기 위해서는 우선 산불피해임지를 자연회복, 인공복구 방법으로 현재의 임지를 개선하고자 할 때 이를 위한 입지 및 토양환경 인자 및 기준에 따라 임지의 생산력을 고려하여 적정한 수종을 선정하여 복구를 하여야 할 것이다. 본 연구에서는 입지환경 인자에 의한 임지생산력 추정결과 물푸레나무와 굴참나무의 적지가 비교적 넓은 면적으로 분석되어 침엽수의 단순림이 많이 있는 동해안 지역의 임분을 참나무류와 같은 활엽수 수종으로 임분 구조를 개선하여 산불이 수관화로 확산되는 큰 피해를 막을 수 있을 뿐만 아니라 산불의 피해를 저감하는 내화수림대의 역할을 할 수 있을 것으로 판단된다.

• 지능정보연구
• /
• 제22권2호
• /
• pp.127-142
• /
• 2016

딥러닝은 인공신경망(neural network)이라는 인공지능분야의 모형이 발전된 형태로서, 계층구조로 이루어진 인공신경망의 내부계층(hidden layer)이 여러 단계로 이루어진 구조이다. 딥러닝에서의 주요 모형은 합성곱신경망(convolutional neural network), 순환신경망(recurrent neural network), 그리고 심층신뢰신경망(deep belief network)의 세가지라고 할 수 있다. 그 중에서 현재 흥미로운 연구가 많이 발표되어서 관심이 집중되고 있는 모형은 지도학습(supervised learning)모형인 처음 두 개의 모형이다. 따라서 본 논문에서는 지도학습모형의 가중치를 최적화하는 기본적인 방법인 오류역전파 알고리즘을 살펴본 뒤에 합성곱신경망과 순환신경망의 구조와 응용사례 등을 살펴보고자 한다. 본문에서 다루지 않은 모형인 심층신뢰신경망은 아직까지는 합성곱신경망 이나 순환신경망보다는 상대적으로 주목을 덜 받고 있다. 그러나 심층신뢰신경망은 CNN이나 RNN과는 달리 비지도학습(unsupervised learning)모형이며, 사람이나 동물은 관찰을 통해서 스스로 학습한다는 점에서 궁극적으로는 비지도학습모형이 더 많이 연구되어야 할 주제가 될 것이다.

• 대한원격탐사학회지
• /
• 제35권5_1호
• /
• pp.665-679
• /
• 2019

면 단위의 고해상도 토양 수분 측정이 가능한 Cosmic-Ray Neutron Probe(CRNP)를 이용한 토양수분 관측 데이터는 위성기반의 큰 공간해상도를 지닌 토양 수분 자료와 지점 관측 토양 수분 자료를 연결하는 통로의 역할을 수행할 것으로 기대된다. 이러한 CRNP 센서를 이용하여 토양 수분을 산출하기 위해서는 측정된 중성자 강도의 교정이 필요한데 기존의 교정 방법은 관측 기간의 단일 교정 중성자 강도($N_0$)를 이용하여 장기간의 토양 수분 관측에 어려움이 있다. 또한 기존 방법을 이용한 $N_0$는 시간에 따라 변동하는 인자들에 의해 영향을 고려하지 못하며 이로 인해 CRNP 센서를 이용한 토양 수분 관측 값에 불확실성을 초래한다. 이를 극복하기 위해 새로운 교정 방법(Dynamic-$N_0$ 교정 방법)을 제시한다. Dynamic-$N_0$ 교정 방법은 시간에 따른 $N_0$의 변동을 고려함으로써 토양 수분 관측 값을 개선하는 방법으로 비선형 회귀 모델을 이용하여 $N_0$의 시계열 자료를 구하여 토양 수분 산출에 이용한다. 본 연구에서는 Dynamic-$N_0$ 교정 방법을 이용하여 산출된 토양 수분을 지점 기반 토양 수분 및 기존의 교정방법을 이용한 토양 수분 산출 값과 비교하였으며 결과적으로 상관계수를 0.7에서 0.72로 개선하였다. RMSE와 Bias는 각각 $0.036m^3m^{-3}$에서 $-0.026m^3m^{-3}$으로, $-0.006m^3m^{-3}$에서 $-0.001m^3m^{-3}$으로 개선되었다. Dynamic-$N_0$ 교정 방법의 기존의 방법 대비 탁월한 성능은 CRNP 센서 주변의 수소 공급원에 의하여 $N_0$의 변동이 발생했음을 시사한다. 그러나 몇몇 중성자 강도에 영향을 미치는 수소 공급원들에 대한 고려가 구체적으로 이뤄지지 않았는데 이는 향후 연구를 통해 Cosmic-Ray를 이용한 토양 수분 관측이 보다 개선될 수 있음을 보여준다.

• 대한원격탐사학회지
• /
• 제38권5_2호
• /
• pp.707-723
• /
• 2022

위성기반 해수면온도는 광역 모니터링이 가능한 장점이 있지만, 다양한 환경적 그리고 기계적 이유로 인한 시공간적 자료공백이 발생한다. 자료공백으로 인한 활용성의 한계가 있으므로, 공백이 없는 자료 생산이 필수적이다. 따라서 본 연구에서는 한반도 주변 해역에 대해 극궤도와 정지궤도 위성에서 생산되는 해수면온도 자료를 두 단계의 기계학습을 통해 융합하여 4 km의 공간해상도를 가지는 일별 해수면온도 합성장을 만들었다. 첫번째 복원 단계에서는 Data INterpolate Convolutional AutoEncoder (DINCAE) 모델을 이용하여 다종 위성기반 해수면온도 자료를 합성하여 복원하였고, 두번째 보정 단계에서는 복원된 해수면온도 자료를 현장관측자료에 맞춰 Light Gradient Boosting Machine (LGBM) 모델로 학습시켜 최종적인 일별 해수면온도 합성장을 만들었다. 개발된 모델의 검증을 위해 복원 단계에서 무작위 50일의 자료 중 일부분을 제거하여 복원한 뒤 제거된 영역에 대해 검증하였으며, 보정 단계에서는 Leave One Year Out Cross Validation (LOYOCV) 기법을 이용하여 현장자료와의 정확도를 검증하였다. DINCAE 모델의 해수면온도 복원 결과는 상당히 높은 정확도(R²=0.98, bias=0.27℃, RMSE=0.97℃, MAE=0.73℃)를 보였다. 두번째 단계의 LGBM 보정 모델의 정확도 개선은 표층 뜰개 부이와 계류형 부이 현장자료와의 비교에서 모두 상당한 향상(RMSE=∆0.21-0.29℃, rRMSE=∆0.91-1.65%, MAE=∆0.17-0.24℃)을 보여주었다. 특히, 모든 현장 자료를 이용한 보정 모델의 표층 뜰개 부이와의 정확도는 동일한 현장 자료가 동화된 기존 해수면온도 합성장보다 나은 정확도를 보였다. 또한 LGBM 보정 모델은 랜덤포레스트(random forest)를 사용한 선행연구에서 보고된 과적합의 문제를 상당부분 해결하였다. 보정된 해수면온도는 기존의 초고해상도 해수면온도 합성장들과 유사한 수준으로 수온 전선과 와동 등의 중규모 해양현상을 뚜렷하게 모의하였다. 본 연구는 다종위성 자료와 기계학습 기법을 사용해 시공간적 공백 없는 고해상도 해수면온도 합성장 제작 방법을 제시하였다는 점에서 가치가 있다.