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 : 조봉준 ( Jo Bongjun ) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
조봉준 ( Jo Bongjun ),최완민 ( Choi Wanmin ),김영대 ( Kim Youngdae ),김종건 ( Kim Jonggun ) 한국물환경학회 2020 한국물환경학회·대한상하수도학회 공동 춘계학술발표회 Vol.2020 No.-
토양수분은 증발산, 유출, 지하수 침투 등을 통해 끊임없이 배출된다. 토양의 특성에 따라 강우로 인한 홍수가 저감되기도 하며, 빗물을 저장하고 천천히 방류하여 하천의 수위를 조절해주는 자연적인 저류시설의 역할을 한다. 기존에는 토양수분 측정을 위해서 토양시료를 채취해서 실내 실험을 통해서 측정하거나 측정 장비를 통한 현장 조사 방법이 있으나 시간적, 경제적 한계점이 있으며, 원격탐사 기법은 공간적으로 넓은 범위를 포함하지만 시간 해상도가 낮은 단점이 있다. 본 연구의 목적은 토양수분과 연관된 다양한 인자들(강수량, 풍속, 습도 등)을 수집하여 머신기법을 통한 반복학습을 통해 토양수분 예측 기술을 개발하는데 있다. 과거부터 현재까지 토양수분 실측 자료가 잘 구축된 청미천, 설마천 유역을 대상으로 기상 인자 값들의 연구를 진행하였다. 두 지역에 2008년~2012년 수문자료인 강수량, 풍속, 대기온도, 증발산량, 습도 자료를 확보하였다. 기상자료는 기상자료개방포털과 WAMIS를 통해 자료를 확보하였다. 2008년~2011년 토양수분 자료와 기상자료를 머신러닝 알고리즘을 통해 학습하였으며 2012년 기상 자료를 바탕으로 토양수분을 예측하였다. 사용되는 머신러닝 기법은 의사결정 나무(Decision Tree), 신경망(Multi Layer Perceptron, MLP), K-최근접 이웃(K-Nearest Neighbors, KNN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 (Gradient Boosting)이다. 토양수분과 각 기상인자간의 상관관계를 분석하기 위해 히트맵(Heat Map)을 이용하였다. 청미천 유역을 대상으로 분석한 히트맵 결과에서는 토양수분과 기상 인자 간의 직접적인 영향력은 보이지 않았다. 설마천 유역을 대상으로 분석한 히트맵 결과에서는 일 상대습도의 최솟값이 0.52로서 청미천 유역의 결과에 비해 토양수분에 큰 영향력을 주는 것으로 보였으며, 일평균 강수량이 0.45, 일평균 상대습도 값이 0.43으로서의 영향력을 보여줬다. 두 지역 모두 신경망을 제외한 모든 기법이 전반적으로 비슷한 형태를 보였으며 비교 그래프에서도 실측값과 예측 값이 비슷한 추세를 나타냈다. 향후 연구를 통해 인자들 간의 상호관계에 대한 영향분석의 필요성이 예상되어진다.
-
조봉준 ( Jo Bongjun ),최완민 ( Choi Wanmin ),김영대 ( Kim Youngdae ),김종건 ( Kim Jonggun ) 한국물환경학회 2020 한국물환경학회·대한상하수도학회 공동 춘계학술발표회 Vol.2020 No.-
토양수분은 증발산, 유출, 지하수 침투 등을 통해 끊임없이 배출된다. 토양의 특성에 따라 강우로 인한 홍수가 저감되기도 하며, 빗물을 저장하고 천천히 방류하여 하천의 수위를 조절해주는 자연적인 저류시설의 역할을 한다. 기존에는 토양수분 측정을 위해서 토양시료를 채취해서 실내 실험을 통해서 측정하거나 측정 장비를 통한 현장 조사 방법이 있으나 시간적, 경제적 한계점이 있으며, 원격탐사 기법은 공간적으로 넓은 범위를 포함하지만 시간 해상도가 낮은 단점이 있다. 본 연구의 목적은 토양수분과 연관된 다양한 인자들(강수량, 풍속, 습도 등)을 수집하여 머신기법을 통한 반복학습을 통해 토양수분 예측 기술을 개발하는데 있다. 과거부터 현재까지 토양수분 실측 자료가 잘 구축된 청미천, 설마천 유역을 대상으로 기상 인자 값들의 연구를 진행하였다. 두 지역에 2008년~2012년 수문자료인 강수량, 풍속, 대기온도, 증발산량, 습도 자료를 확보하였다. 기상자료는 기상자료개방포털과 WAMIS를 통해 자료를 확보하였다. 2008년~2011년 토양수분 자료와 기상자료를 머신러닝 알고리즘을 통해 학습하였으며 2012년 기상 자료를 바탕으로 토양수분을 예측하였다. 사용되는 머신러닝 기법은 의사결정 나무(Decision Tree), 신경망(Multi Layer Perceptron, MLP), K-최근접 이웃(K-Nearest Neighbors, KNN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 (Gradient Boosting)이다. 토양수분과 각 기상인자간의 상관관계를 분석하기 위해 히트맵(Heat Map)을 이용하였다. 청미천 유역을 대상으로 분석한 히트맵 결과에서는 토양수분과 기상 인자 간의 직접적인 영향력은 보이지 않았다. 설마천 유역을 대상으로 분석한 히트맵 결과에서는 일 상대습도의 최솟값이 0.52로서 청미천 유역의 결과에 비해 토양수분에 큰 영향력을 주는 것으로 보였으며, 일평균 강수량이 0.45, 일평균 상대습도 값이 0.43으로서의 영향력을 보여줬다. 두 지역 모두 신경망을 제외한 모든 기법이 전반적으로 비슷한 형태를 보였으며 비교 그래프에서도 실측값과 예측 값이 비슷한 추세를 나타냈다. 향후 연구를 통해 인자들 간의 상호관계에 대한 영향분석의 필요성이 예상되어진다.
-
조봉준 ( Jo Bongjun ),최완민 ( Choi Wanmin ),김영대 ( Kim Youngdae ),김종건 ( Kim Jonggun ) 한국물환경학회 2020 한국물환경학회·대한상하수도학회 공동 춘계학술발표회 Vol.2020 No.-
토양수분은 증발산, 유출, 지하수 침투 등을 통해 끊임없이 배출된다. 토양의 특성에 따라 강우로 인한 홍수가 저감되기도 하며, 빗물을 저장하고 천천히 방류하여 하천의 수위를 조절해주는 자연적인 저류시설의 역할을 한다. 기존에는 토양수분 측정을 위해서 토양시료를 채취해서 실내 실험을 통해서 측정하거나 측정 장비를 통한 현장 조사 방법이 있으나 시간적, 경제적 한계점이 있으며, 원격탐사 기법은 공간적으로 넓은 범위를 포함하지만 시간 해상도가 낮은 단점이 있다. 본 연구의 목적은 토양수분과 연관된 다양한 인자들(강수량, 풍속, 습도 등)을 수집하여 머신기법을 통한 반복학습을 통해 토양수분 예측 기술을 개발하는데 있다. 과거부터 현재까지 토양수분 실측 자료가 잘 구축된 청미천, 설마천 유역을 대상으로 기상 인자 값들의 연구를 진행하였다. 두 지역에 2008년~2012년 수문자료인 강수량, 풍속, 대기온도, 증발산량, 습도 자료를 확보하였다. 기상자료는 기상자료개방포털과 WAMIS를 통해 자료를 확보하였다. 2008년~2011년 토양수분 자료와 기상자료를 머신러닝 알고리즘을 통해 학습하였으며 2012년 기상 자료를 바탕으로 토양수분을 예측하였다. 사용되는 머신러닝 기법은 의사결정 나무(Decision Tree), 신경망(Multi Layer Perceptron, MLP), K-최근접 이웃(K-Nearest Neighbors, KNN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 (Gradient Boosting)이다. 토양수분과 각 기상인자간의 상관관계를 분석하기 위해 히트맵(Heat Map)을 이용하였다. 청미천 유역을 대상으로 분석한 히트맵 결과에서는 토양수분과 기상 인자 간의 직접적인 영향력은 보이지 않았다. 설마천 유역을 대상으로 분석한 히트맵 결과에서는 일 상대습도의 최솟값이 0.52로서 청미천 유역의 결과에 비해 토양수분에 큰 영향력을 주는 것으로 보였으며, 일평균 강수량이 0.45, 일평균 상대습도 값이 0.43으로서의 영향력을 보여줬다. 두 지역 모두 신경망을 제외한 모든 기법이 전반적으로 비슷한 형태를 보였으며 비교 그래프에서도 실측값과 예측 값이 비슷한 추세를 나타냈다. 향후 연구를 통해 인자들 간의 상호관계에 대한 영향분석의 필요성이 예상되어진다.
-
조봉준 ( Bongjun Jo ),최완민 ( Wanmin Choi ),김영대 ( Youngdae Kim ),김기성 ( Kisung Kim ),김종건 ( Jonggun Kim ) 한국농공학회 2020 한국농공학회 학술대회초록집 Vol.2020 No.-
토양수분은 증발산, 유출, 침투 등 물 수지 요소들과 밀접한 연관이 있는 주요한 변수 중의 하나이다. 토양수분의 정도에 따라 강우를 저류해 홍수 피해를 저감하는 등 수재해 발생에 대한 예방 및 대책으로 수립할 수 있는 가치가 있다. 기존 토양수분 측정은 토양 시료 채취를 통한 실내 실험 측정과 측정 장비를 통한 현장 조사 방법이 있으나 토양 시료를 채취할 때 토양이 흐트러지는 등의 시간적, 경제적 한계점이 있으며, 원격탐사 기법은 공간적으로 넓은 범위를 포함하지만 시간 해상도가 낮은 단점이 있다. 또한, 모델링을 통한 토양수분 예측 기술은 전문적인 지식이 요구되며, 복잡한 입력자료의 구축이 요구된다. 최근 머신러닝 기법은 과거 및 현재의 데이터를 통한 학습으로 사용자가 원하는 출력값을 도출하는데 널리 활용되고 있다. 이에 본 연구에서는 다양한 기상 인자들(강수량, 풍속, 습도 등)과 작물 및 토양에 대한 인자 등을 활용하여 머신러닝을 통해 토양수분의 예측 가능성을 분석하고자 한다. 이를 위해 건설기술연구원에서 직접 실측하여 시공간적으로 토양수분 자료가 잘 확보되어있는 청미천과 설마천 유역을 대상으로 머신러닝 기법을 적용하였다. 두 대상지에서 2008년∼2012년 수문 자료를 확보하였으며, 기상자료는 기상자료개방포털과 WAMIS를 통해 자료를 확보하였다. 토양수분 자료와 기상자료를 머신러닝 알고리즘을 통해 학습하고 2012년 기상자료를 바탕으로 토양수분을 예측하였다. 사용되는 머신러닝 기법은 의사결정 나무(Decision Tree), 신경망(Multi Layer Perceptron, MLP), K-최근접 이웃(K-Nearest Neighbors, KNN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 (Gradient Boosting)이다. 토양수분과 기상인자, 작물 및 토양인자 간의 상관관계를 분석하기 위해 히트맵(Heat Map)을 이용하였다. 히트맵 분석 결과 토양수분의 시간적 변동은 다양한 기상자료 중 강수량과 상대습도가 가장 큰 영향력을 보여주었다. 또한, 다양한 기상인자 기반 머신러닝 기법 적용 결과에서는 두 지역 모두 신경망(MLP) 기법을 제외한 모든 기법이 전반적으로 실측값과 유사한 형태를 보였으며 비교 그래프에서도 실측값과 예측값이 유사한 추세를 나타냈다. 따라서 상관 관계있는 과거 기상자료를 통해 머신러닝 기법 기반 토양수분의 시간적 변동 예측이 가능할 것으로 판단된다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
