http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 박운지 ( Jonggun Kim ) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
HSPF모형의 수문 컴포넌트 분석을 위한 토양 특성을 반영한 매개변수 산정
김수홍 ( Soohong Kim ),박운지 ( Dongjun Lee ),이현구 ( Jeongho Han ),김종건 ( Jonggun Kim ),임경재 ( Kyoung Jae Lim ) 한국농공학회 2019 한국농공학회 학술대회초록집 Vol.2019 No.-
전 세계적인 기후변화는 강수량과 강수특성 및 증발산량의 변화를 일으켜 강우 강도와 패턴에 영향을 주며 유출특성의 변화를 일으킨다. 이는 강우 유출수의 수질에도 영향을 주어 수질을 관리함에 있어 어려움을 초래한다. 환경부에서는 이를 관리하기 위해 수질오염총량제를 도입하였다. 수질오염총량제는 목표 수질에 대한 관리를 통해 유역의 오염 물질 배출 부하량을 관리하는 제도이다. 수질오염총량제 시행에 있어 시계열로 발생하는 유출특성을 반영하기 위해 Hydrologic Simulation Program - Fortran (HSPF)을 수질 관리 및 평가 모형으로 널리 사용되고 있다. HSPF 모형은 여러개의 층별 특성을 가진 토양을 Surface, Upper zone, Lower zone 그리고 Groundwater zone으로 나누며 소유역 별 토지이용의 Upper zone, Lower zone에 대하여 공통적인 매개변수 값으로 유량을 모의한다. 이는 토양 내 여러개의 층별 특성을 고려하지 않고 모든 토양에 대하여 세 개의 층으로만 나누어 모의하기 때문에 토양층에서의 유출 및 침투에 대한 정확한 모의가 이루어지지 않는 문제점이 있다. 따라서 본 연구에서는 HSPF모형을 모의함에 있어 국내 토층 별 특성을 반영하여 보다 정확한 모의를 가능하게 하는 방안을 제시하였다. 이를 위해 국내 토양의 층별 깊이와 Available Water Capacity(AWC)에 대한 자료를 구축하고 이를 바탕으로 토양의 층별 특성이 반영된 UZSN, LZSN을 산정하였다. HSPF모의 시 토층별 특성을 반영하지 않는 기존의 방법보다 본 연구에서 제시한 토양의 층별 특성이 반영된 매개변수를 적용할 때 보다 정확한 수문 컴포넌트에 대한 분석이 가능할 것이라 기대된다.
-
유역의 토지이용 특성을 고려한 비점오염원 관리방안 적용에 따른 저감 효율 분석
최유진 ( Yujin Choi ),이서로 ( Seoro Lee ),금동혁 ( Donghyuk Kum ),한정호 ( Jeongho Han ),박운지 ( Woonji Park ),김종건 ( Jonggun Kim ),임경재 ( Kyoungjae Lim ) 한국물환경학회(구 한국수질보전학회) 2020 한국물환경학회지 Vol.36 No.5
Land use change by urbanization has significantly affected the hydrological process including the runoff characteristics. Due to this situation, it has been becoming more complicated to manage non-point source pollutions caused by rainfall. In order to effectively control non-point sources, it is necessary to identify the reduction efficiency of the various management method based on land use characteristics. Thus, the purpose of this study is to analyze the reduction efficiency of non-point source pollution management practices targeting three different watersheds with the different land use characteristics using the Soil and Water Assessment Tool (SWAT). To do this, the vulnerable subwatersheds to non-point source pollution occurrence within each watershed were selected based on the streamflow and water quality simulation results. Then, considering the land use, low impact development (LID) or best management practices (BMPs) were applied to the selected subwatersheds and the efficiency of each management was analyzed. As a result of analysis of the non-point source pollution reduction efficiency, when LID was applied to urban areas, the average reduction efficiencies of SS, NO<sub>3</sub>-N, and TP were 5.92%, 4.62%, and 10.35%, respectively. When BMPs were applied to rural areas, the average reduction efficiencies of SS, TN and TP were 35.45%, 4.37%, and 10.16%, respectively. The results of this study can be used as a reference for determining appropriate management methods for non-point source pollution in urban, rural, and complex watersheds.
-
GAN 알고리즘의 적용을 통한 수생태계 건강성 등급 예측 머신러닝 모델 성능 향상 연구
이서로 ( Seoro Lee ),이관재 ( Gwanjae Lee ),배주현 ( Joo Hyun Bae ),박운지 ( Jonggun Kim ),김종건 ( Kyoung Jae Lim ),임경재 한국농공학회 2023 한국농공학회 학술대회초록집 Vol.2023 No.0
환경부 통합물관리 일원화 이후, 수량과 수질뿐만 아니라 수생태계의 건강성도 통합적으로 관리하기 위한 제도적 기반 마련이 중요해지고 있다. 본 연구는 한강수계 내에서 2008년부터 2018년까지의 유량, 수질 및 수생태계 건강성 지수(BMI, TDI, FAI)별 등급 데이터를 활용하여 수생태계 건강성 등급 예측을 위한 머신러닝 모델을 개발하고 모델의 예측 성능 개선을 위한 GAN 알고리즘의 적용성을 평가하였다. 머신러닝 모델은 6개 모델(서포트벡터머신, K-최근 접이웃, 의사결정트리, 랜덤포레스트, 그레디언트 부스트, 익스트림 그레디언트 부스팅)을 사용하였으며, 두 가지 데이터셋(Raw 데이터셋, Raw + GAN 데이터셋)으로 학습된 모델의 예측 성능을 비교 분석하였다. 연구 결과, Raw 데이터셋으로 학습된 머신러닝 모델 중 성능이 우수한 3개 모델(서포트벡터머신, 랜덤포레스트, 익스트림 그레디언트 부스팅)의 평균 F1-score는 0.4 이하로 나타났으나, Raw 데이터셋과 GAN 데이터셋으로 학습한 모델의 경우 평균 0.9 이상의 예측 정확도를 가졌다. 특히 테스트 데이터셋에서도 GAN 알고리즘을 활용한 머신러닝 모델의 평균 성능이 BMI 0.48, TDI 0.30, FAI 0.58 (Raw 데이터셋)에서 BMI 0.92, TDI 0.78, FAI 0.93으로 크게 향상된 것을 확인하였다. 본 연구의 결과를 통해 GAN 알고리즘을 통한 데이터 불균형 개선은 머신러닝 모델의 수생태계 건강성 등급 예측 성능 향상에 크게 기여하는 것을 확인하였다. 그러나 본 연구의 머신러닝 모델은 대부분 본류 하천의 데이터로 학습되었기 때문에 향후 4대강 본류 및 지류 하천 데이터를 활용한 모델의 최적화 연구가 필요할 것이다.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
