• 한국해안·해양공학회논문집
• /
• 제22권5호
• /
• pp.295-305
• /
• 2010

국내 경사식 방파제는 거의 매년 태풍 피해를 지속적으로 입고 있지만 피복블록의 침식피해를 정량적으로 분석한 사례가 드물다. 본 논문에서는 피복블록의 침식을 상대피해로 표준화하여 나타내었다. 블록의 이탈 개수가 조사된 경우에는 이를 블록의 전체 개수로 나누어 상대피해를 계산하였으며, 피해 복구 비용이 조사된 경우에는 현재 가치로 환산한 복구 비용과 상대피해의 관계를 이용하여 상대피해를 산정하였다. 상대 피해는 태풍 매개변수인 중심기압 및 최대풍속과 지역별로 뚜렷한 상관관계를 보였다. 또한 기존 누적 피해 계산 방법 중에서 합리적 방법을 선정하기 위해 수리모형 실험결과와 두 가지 수치 모의 방법을 비교하였다. 본 연구에서 Melby and Kobayashi (1998) 방법이 합리적임을 증명하였고 이 방법으로 계산된 상대피해를 관측된 상대피해와 비교하였다. 여수항 동방파제에서 관측된 상대피해와 수치 모의 결과는 잘 일치하지만 나머지 방파제에서는 상당한 차이를 보였다. 이는 기후변화에 따른 태풍 강도의 증가로 방파제의 설계파고보다 큰 파고가 사용년수 동안에 발생하여 실제 상대피해가 증가된 것으로 추정된다.

• 한국수자원학회논문집
• /
• 제49권3호
• /
• pp.227-239
• /
• 2016

본 연구는 Surface Energy Balance Algorithm for Land (SEBAL) 모형을 이용해 국내의 혼효림(설마천)과 논(청미천) 유역에 대해 일 증발산량을 산정하고 각 유역의 플럭스 타워 실측 증발산량과 비교하였다. SEBAL 모형의 입력 자료로 위성자료는 2개년(2012-2013)의 Terra MODIS product 중 Albedo, Land Surface Temperature (LST), Normalized Difference Vegetation Index (NDVI)를 활용하였으며, 기상자료는 유역 인근에 위치한 기상청 기상관측소로부터 풍속, 일사량 자료를 제공받아 공간 내삽(Interpolation)하여 활용하였다. 모의결과 플럭스 타워의 연평균 증발산량은 설마천에서 302.8 mm, 청미천에서 482.0 mm, SEBAL 모의 증발산량은 각각 183.3 mm, 371.5 mm로 산정되었다. 전체 모의기간에 대한 SEBAL 모의 증발산량의 실측 증발산량과의 결정계수는 설마천 플럭스 타워에서 0.54, 청미천 플럭스 타워에서 0.79로 나타났다. 두지점에서 SEBAL 모의 증발산량이 과소 추정된 주된 이유로는 일별 hot pixel과 cold pixel로부터 산정한 현열 플럭스의 과대추정으로 인한 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제33권4호
• /
• pp.471-482
• /
• 2000

본 연구에서는 Landsat TM 자료와 GIS 기법을 이용하여 지표면 에너지 수지 요소를 공간적으로 추출하고, 추출된 에너지 수지 요소의 적용성을 검토하기 위해서 광역 증발산량을 추정하였다. 추정결과에 대한 정확도 및 열수지 요소가 증발산량에 미치는 영향을 분석하기 위해서 민감도분석과 오차분석을 실시하였다. 연구 대상지역은 금강 상류의 보정천이며, 1995년도 1월 11일, 4월 1일, 5월 3일, 10월 10일 및 11월 27일에 획득된 5개의 Landsat TM자료를 이용하였다. 연구결과 지표면의 경사 방향과 토지피복 형태에 따라 증발산량의 변화가 크게 나타났으며, 경사 방향이 북동이나 남동방향일 경우 식생지수(NDVI; Normalized Difference Vegetation Index) 값이 증가함으로써 지중열 전도량이 증가하게 되어 상대적으로 증발산랴이 감소하는 것으로 나타났다. 민감도 및 오차분석 결과, 순방사량이 12.5% 내지 23.6%의 민감도로서 지표면 온도와 대기온도 및 풍속 등도 다른 인자에 비해 가장 큰 영향을 미치는 것을 알 수 있었다.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.573-581
• /
• 2020

CCTV영상과 날씨 정보를 이용하여 미세먼지 농도를 추정하는 기법을 제안하고, 이에 대한 실험을 진행하였다. CCTV영상에 대해서는 특정 지점을 포함하는 일부 영역 영상과, 전체 영역 영상을 가지고 합성곱 신경망 (CNN)기반의 딥러닝 기법을 적용하여 PM 지수를 추정하는 방법을 제안하였다. 추가로 딥러닝에 의해서 예측된 결과 값을 습도 및 풍속 두 가지 날씨 특성과 결합한 뒤, 학습 된 회귀 모델을 사용하여 수정된 미세먼지 지수를 계산하는 후처리 실험도 함께 진행하였다. 실험 결과, CCTV영상으로부터 미세먼지 지수 추정 값은 R2가 0.58~0.89를 나타내었고, 측정기가 설치된 일부 영역 영상과 전체 영역 영상을 함께 학습시킨 결과가 가장 우수하였다. 기상변수를 이용한 후처리 적용결과는 실험지역의 모든 경우에 대하여 항상 정확도 향상을 보여주진 않았다.

• 한국농림기상학회지
• /
• 제26권1호
• /
• pp.53-62
• /
• 2024

본 연구에서는 딥러닝을 이용한 모형을 이용해서 우리나라 지역에 대한 서리 발생 예측 모형을 구축하였다. 딥러닝 모형의 학습 데이터로 다양한 기상인자들(최저기온, 풍속, 상대습도, 구름량, 강수량)을 사용하였으며, 기상인자들에 대한 통계적 분석 결과, 서리가 발생한 날과 서리가 발생하지 않은 날에 대해 각 요소별로 유의한 차이가 있는 것을 볼 수 있었다. 단일 딥러닝 모형 3가지와 다중 입력 딥러닝 모형 3가지를 이용하여 서리발생을 추정한 결과, 평균적으로 MLP가 가장 정확도가 낮았으며, LSTM, GRU 순으로 정확도가 높게 나타났고, 다중 입력 딥러닝 모형의 경우 3가지 모형이 거의 비슷한 결과가 나타났지만 그 중 평균적으로 GRU와 MLP를 이용한 모형이 가장 정확도가 높았다. 또한, 단일 딥러닝이 다중 입력 딥러닝에 비해 샘플에 따라 정확도 편차도 더 컸다. 이에 따라 결과적으로 단일 딥러닝 기반의 서리발생 예측 모형보다 다중 입력 딥러닝 기반의 서리발생 예측 모형이 안정성과 정확도와 재현율 측면에서 다소 우수한 것을 확인할 수 있었다.

• 대한원격탐사학회지
• /
• 제34권3호
• /
• pp.451-463
• /
• 2018

본 연구는 서울지역에서 2015년 1월부터 12월까지 정지궤도 천리안 위성(Communication Ocean and Meteorological Satellite, COMS) 해양 탑재체(Geostationary Ocean Color Imager, GOCI)의 에어로졸광학두께(Aerosol Optical Depth, AOD)로부터 지상 초미세먼지(Particulate Matter; $PM_{2.5}$) 농도를 추정하기 위한 계절별 경험/통계모델을 개발했다. 행성경계층고도(Planetary Boundary Layer Height, PBLH) 그리고 에어로졸 수직 비율(Vertical Ratio of Aerosol, VRA)을 사용한 두 가지 수직보정방법과 흡습성장계수(Hygroscopic growth factor, f(RH))로부터의 습도보정방법이 각각의 경험적 모델에 적용된 결과 AOD에 대한 수직 보정과 $PM_{2.5}$에 대한 지표 습도보정이 모델 성능 향상에 중요한 역할을 했다. AOD-$PM_{2.5}$ 사이에 관련이 있다고 알려진 기상인자들(온도, 풍속, 시정)을 추가적으로 사용하여 다중 선형 회귀모델을 구성한 결과 경험모델에 비해 $R^2$값이 최대 0.25 증가했다. 본 연구에선 AOD-$PM_{2.5}$ 모델의 계절별, 월별, 시간별 특성을 분석하고 계절별로 구분하여 모델을 구성한 결과 고농도 사례에서 과소평가 되던 경향이 개선됨을 알 수 있고 관측된 $PM_{2.5}$와 추정된 $PM_{2.5}$의 월 및 시간변동성은 서로 경향성이 일치했다. 따라서 정지궤도 위성 AOD를 이용하여 지상 $PM_{2.5}$ 농도를 추정한 본 연구의 결과는 향후 발사 예정인 GK-2A와 GK-2B에 적용 가능할 것으로 기대된다.

• 한국농공학회논문집
• /
• 제61권6호
• /
• pp.111-121
• /
• 2019

작물 증발산량은 수자원 계획 및 관리, 물수지 분석, 작물 관개 계획 및 생산량 추정 등에 널리 활용되고 있으며, 특히 FAO에서 공인한 Penman-Monteith식 (FAO 56-PM)은 잠재 증발산량 산정을 위한 표준방법으로 많이 사용되고 있다. Penman-Monteith식을 이용한 잠재증발산량 산정은 최소온도, 평균온도, 최대온도, 상대습도, 풍속과 일사량인 6가지 항목에 대한 시계열 자료가 필요한데, 결측 또는 미계측된 경우에는 사용이 어려운 단점을 가지고 있다. 따라서, 본 연구에서는 역전파 신경망(BPNN) 모델을 이용해서 6개 미만의 기상항목으로도 잠재증발산량이 추정가능한지를 확인하였다. 여섯 가지 기상항목을 각각 1~6개의 조합으로 입력자료를 구성하고, BPNN 모델을 이용해서 학습, 검증 및 테스트를 한 결과, 입력 자료가 많아질수록 좋은 결과가 산출되었으며, 일사량, 최대온도와 상대습도만으로도 결정계수($R^2$)가 0.94정도로 비교적 높은 예측결과를 얻을 수 있었다. 또한 산정 오차를 줄이고, 항목간의 상관관계를 높이기 위해서는 역전파 신경망 구조의 적절한 선택이 중요한 것으로 확인되었다. 역전파 신경망 모델을 사용하면 요구되는 기상 항목과 데이터의 양에 대한 제약 없이 예측이 가능할 수 있기 때문에 기준 증발산량 산정에 유용하게 활용될 수 있을 것이며 향후 작물 재배를 위한 적정 관개계획 수립에도 유용하게 사용될 것이라 사료된다.

• 대한원격탐사학회지
• /
• 제30권4호
• /
• pp.481-491
• /
• 2014

빙상이나 빙하, 빙붕에서 푸른색의 얼음이 지표에 노출되어 있는 지역을 청빙지대라 한다. 이는 빙하 표면에 쌓인 눈이 바람에 의해 침식되거나 기온과 일사량에 따른 승화로 인해 대부분 제거되기 때문이다. 청빙지대는 운석이 농집되기 쉽고 빙체의 질량균형에 매우 큰 영향을 미치기 때문에, 청빙의 노출도 및 밀집도에 대한 정량적 지표의 개발이 요구되고 있다. 이 연구에서는 2007~2012년에 동남극 맥머도 드라이벨리를 촬영한 MODIS 영상을 이용하여 청빙과 눈, 구름의 분광반사특성을 분석하고, 청빙의 노출도 및 밀집도를 정량화 할 수 있는 정규청빙지수(Normalized Difference Blue-ice Index, NDBI) 알고리즘을 고안하였다. 눈과 구름은 가시광선과 근적외선 파장대역에서 매우 높은 반사율을 나타낸다. 청빙은 청색 파장대역에서 높은 반사율을 보이는 반면에, 근적외선 파장대역에서 낮은 반사율을 보인다. NDBI 알고리즘은 청색과 근적외선 파장대역에서의 반사율 차이를 두 반사율의 합으로 나누는 것으로 표현된다[NDBI = (Blue - NIR)/(Blue + NIR)]. 청빙의 NDBI는 노출도와 밀집도에 따라 0.2~0.5의 값을 가지며, 0.2 이하의 값을 가지는 눈과 구름이나 음수의 값을 나타내는 암석으로부터 명확히 구분되었다. 청빙의 NDBI가 시간에 따라 변화하는 현상은 맥머도 드라이벨리의 기상관측소에서 측정된 풍속($R^2=0.012$)이나 기온($R^2=0.278$) 보다는 적설두께와 가장 높은 상관성($R^2=0.699$)을 나타냈다. 적설두께가 증가할수록 NDBI 값은 감소하였는데, 이는 청빙지대의 NDBI 값으로부터 적설량의 추정이 가능함을 의미한다. 이 연구에서 개발된 NDBI 알고리즘은 운석탐사, 빙체의 질량균형 분석, 적설량 추정 등 다양한 극지연구 분야에서 매우 유용하게 사용될 것으로 전망된다.

• 한국토양비료학회지
• /
• 제39권5호
• /
• pp.274-279
• /
• 2006

FAO에서는 세계의 증발산량을 동일한 방식으로 산정하기 위해 다양한 형태의 모형들을 소개하고 각국이 적용하도록 권고해왔으며 최근에는 Penman-Monteith(PM) 모형을 증발산 산정에 이용하도록 하고 있다. 따라서, 본 연구에서는 다양한 기상요소와 작물 생장을 고려해 시간별 또는 일별로 증발산량의 정량화가 가능한 FAO PM 모형의 증발산량 계산에 이용되고 있는 다양한 기상요소들을 평가하고자 하였다. 측정 장비를 통해 얻어진 순복사량과 지중열류량, 수증기압, 풍속, 기온 등의 기상요소를 PM 모형계산식 (2)부터 (9)까지의 과정에 적용해 보았다. 초지에서 측정한 알베도의 평균값은 0.20이고 최대는 0.23, 최소는 0.12를 나타내 평균값은 FAO PM에서 잔디의 반사율인 0.23보다 다소 낮은 값을 보였다. 측정 알베도에 의한 순복사량과 잔디의 알베도(0.23)를 이용한 순 복사량을 비교해보면 결정계수는 0.97과 0.95, 표준오차는 0.74와 0.80이었으나 예측 값은 실제 값에 직선의 상관을 이루며 회귀식의 유의성이 인정되었다. 지중열류량의 FAO PM에서의 영향정도를 판단하기 위해 지중 5cm 깊이에서 측정한 지중열류($G_{5cm}$)와 지표면 보정식에 의해 보정된 지중열류량($G_{0cm}$)을 지중열류량이 0일 때의 (G=0) RET 값과 비교하연 G=0일 때의 RET는 $G_{5cm}$에서의 RET보다 3-5 mm 범위에서 약간 크게 예측하고, $G_{0cm}$에서의 RET 보다는 5mm 이상에서 약간 작게 예측하나 두 경우 모두 거의 일치하는 경향이었다. 측정된 순복사와 $G_{0cm}$에 의한 RET를 지중열류량을 모두 0으로 했을 때 측정 순복사에 의해 얻어진 RET(I), 측정된 에 의해 예측된 순복사로 계산한 RET(II), ${\alpha}=0.23$을 대입하여 구한 순복사로 계산한 RET(III)와 비교했을 때 I, II, III의 결정계수와 표준오차 및 p값은 측정 순복사량과 $G_{0cm}$에 의한 RET를 비교적 잘 설명하고 있으나, II와 III처럼 알베도 값과 일사량 및 식 (3)~(9)를 이용해 얻어진 순복사량을 이용해 RET를 계산할 때는 Table1에 나타나 있는 회귀식을 이용해 이를 보정해주어야 RET 계산의 오차를 줄일 수 있을 것이다. 이상의 결과를 종합하면 FAO PM 모형에 이용되는 기상요소들을 측정할 수 없을 때는 지표면 복사율을 나타내는 지중열류 값은 0으로 산정하고 순복사량 예측 값과 잔디의 지표면 반사율 또는 알려진 작물의 반사율을 이용해 RET를 계산하는 것이 가능할 것이다.