• 헤리티지:역사와 과학
• /
• 제44권1호
• /
• pp.106-121
• /
• 2011

유네스코(UNESCO: United Nations Educational, Scientific, and Cultural Organization) 세계유산 가운데 자연유산이 차지하는 비율이 전체 지정건수의 1/3에도 못 미치며 이에 대한 큰 이유는 세계적으로 가장 탁월한 가치 즉, 과학적 혹은 보존적 관점에서 보존할 필요성이 있는 빼어난 보편적 가치(OUV: Outstanding Universal Value)를 지니고 있어야만 유네스코 세계자연유산으로 인정받기 때문이다. 한편 지금까지 지정된 180건의 세계자연유산 중 9건만이 화석과 관련된 자연유산이다. 이 연구에서는 이 9건의 화석관련 세계자연유산의 특징을 분석하고, 그들이 가진 장점을 비교하여, 우리나라가 현재 추진하고 있는 한국백악기 공룡해안(KCDC: Korean Cretaceous Dinosaur Coast)의 등재 준비에 기초 자료를 제공하고자 한다. 이 연구에서는 지난 2005년에 지정된 이집트의 Wadi Al-Hitan을 직접 방문하여, 현장을 조사하고 담당직원들과의 인터뷰를 통해 얻어진 자료를 정리하였다. Wadi Al-Hitan의 성공적인 관리와 운영체계는 세 가지 요인으로 요약할 수 있다. 첫째, 연구와 모니터링을 위한 시스템 운영이고 둘째, 관련 전문가 채용과 훈련, 그리고 마지막으로 자연친화적인 보존기법 적용과 장기 발전계획에 따른 실행이다. 향후 우리나라가 추진하는 세계자연유산 후보지역들이 성공적으로 등재되고 관리되기 위해서는 우리가 가진 장점을 최대한 부각하여 신청서 제출 이전부터 세계자연보전연맹(IUCN: International Union for Conservation of Nature) 등 국제전문가들로부터 OUV를 인정받고, 연구와 관리를 담당하는 전문가를 정식직원으로 고용하여 준비과정에서 부터 참여해야 하며, 등재 이후의 관리와 운영에도 만전을 기해야 한다. 특히, 우리나라가 보유한 유일한 세계자연유산인 '제주 화산섬과 용암동굴'의 2007년 최종 등재까지의 준비과정에서도 경험했듯이 한 지역이 세계유산으로 지정되기까지는 여러분야의 전문가들의 참여와 각 부처의 적극적인 노력이 이상적으로 조화를 이뤄야 한다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.125-140
• /
• 2013

어떤 클래스에 속한 레코드의 개수가 다른 클래스들에 속한 레코드의 개수보다 매우 많은 경우에, 이 데이터 집합을 '불균형 데이터 집합'이라고 한다. 데이터 분류에 사용되는 많은 기법들은 이러한 불균형 데이터에 대해서 저조한 성능을 보인다. 어떤 기법의 성능을 평가할 때에 적중률뿐만 아니라, 민감도와 특이도도 함께 측정하여야 한다. 고객의 이탈을 예측하는 문제에서 '유지' 레코드가 다수 클래스를 차지하고, '이탈' 레코드는 소수 클래스를 차지한다. 민감도는 실제로 '유지'인 레코드를 '유지'로 예측하는 비율이고, 특이도는 실제로 '이탈'인 레코드를 '이탈'로 예측하는 비율이다. 많은 데이터 마이닝 기법들이 불균형 데이터에 대해서 저조한 성능을 보이는 것은 바로 소수 클래스의 적중률인 특이도가 낮기 때문이다. 불균형 데이터 집합에 대처하는 과거 연구 중에는 소수 클래스를 Oversampling하여 균형 데이터 집합을 생성한 후에 데이터 마이닝 기법을 적용한 연구들이 있다. 이렇게 균형 데이터 집합을 생성하여 예측을 수행하면, 특이도는 다소 향상시킬 수 있으나 그 대신 민감도가 하락하게 된다. 본 연구에서는 민감도는 유지하면서 특이도를 향상시키는 모델을 개발하였다. 개발된 모델은 Support Vector Machine (SVM), 인공신경망(ANN) 그리고 의사결정나무 기법 등으로 구성된 하이브리드 모델로서, Hybrid SVM Model이라고 명명하였다. 구축과정 및 예측과정은 다음과 같다. 원래의 불균형 데이터 집합으로 SVM_I Model과 ANN_I Model을 구축한다. 불균형 데이터 집합으로부터 Oversampling을 하여 균형 데이터 집합을 생성하고, 이것으로 SVM_B Model을 구축한다. SVM_I Model은 민감도에서 우수하고, SVM_B Model은 특이도에서 우수하다. 입력 레코드에 대해서 SVM_I와 SVM_B가 동일한 예측치를 도출하면 그것을 최종 해로 결정한다. SVM_I와 SVM_B가 상이한 예측치를 도출한 레코드에 대해서는 ANN과 의사결정나무의 도움으로 판별 과정을 거쳐서 최종 해를 결정한다. 상이한 예측치를 도출한 레코드에 대해서는, ANN_I의 출력값을 입력속성으로, 실제 이탈 여부를 목표 속성으로 설정하여 의사결정나무 모델을 구축한다. 그 결과 다음과 같은 2개의 판별규칙을 얻었다. 'IF ANN_I output value < 0.285, THEN Final Solution = Retention' 그리고 'IF ANN_I output value ${\geq}0.285$, THEN Final Solution = Churn'이다. 제시되어 있는 규칙의 Threshold 값인 0.285는 본 연구에서 사용한 데이터에 최적화되어 도출된 값이다. 본 연구에서 제시하는 것은 Hybrid SVM Model의 구조이지 특정한 Threshold 값이 아니기 때문에 이 Threshold 값은 대상 데이터에 따라서 얼마든지 변할 수 있다. Hybrid SVM Model의 성능을 UCI Machine Learning Repository에서 제공하는 Churn 데이터 집합을 사용하여 평가하였다. Hybrid SVM Model의 적중률은 91.08%로서 SVM_I Model이나 SVM_B Model의 적중률보다 높았다. Hybrid SVM Model의 민감도는 95.02%이었고, 특이도는 69.24%이었다. SVM_I Model의 민감도는 94.65%이었고, SVM_B Model의 특이도는 67.00%이었다. 그러므로 본 연구에서 개발한 Hybrid SVM Model이 SVM_I Model의 민감도 수준은 유지하면서 SVM_B Model의 특이도보다는 향상된 성능을 보였다.