수치예보모델의 도시 대기온도 예측 정확도 향상을 위한 기계학습 기반의 앙상블 편의보정 모델 개발

조동진(Dongjin Cho),유철희(Cheolhee Yoo),임정호(Jungho Im) 대한공간정보학회 2018 한국지형공간정보학회 학술대회 Vol.2018 No.11

아크전류에 따른 MCCB와 MS의 차단보호협조 성능에 관한 연구

조동진(Dongjin Cho),강종성(Jong Sung Kang),백병산(Byungsan Baek),김병대(Byong Dae Kim) 대한전기학회 2013 대한전기학회 학술대회 논문집 Vol.2013 No.7

정오표

강유진,조동진,한대현,임정호,임중빈,오금희,권언혜,Kang, Yoojin,Cho, Dongjin,Han, Daehyeon,Im, Jungho,Lim, Joongbin,Oh, Kum-hui,Kwon, Eonhye 대한원격탐사학회 2022 大韓遠隔探査學會誌 Vol.38 No.2

한반도 연안 퇴적물의 중금속 배경농도 및 오염도 평가

우준식,이효진,박종규,박경규,조동진,장동준,박소정,최만식,유정규,WOO, JUNSIK,LEE, HYOJIN,PARK, JONGKYU,PARK, KYOUNGKYU,CHO, DONGJIN,JANG, DONGJUN,PARK, SOJUNG,CHOI, MANSIK,YOO, JEONGKYU 한국해양학회 2019 바다 Vol.24 No.1

The background concentrations of heavy metals in Korean coastal sediments were estimated using heavy metal data for 495 sediments obtained from 'National Marine Ecosystem Survey (Coastal ecosystem) in 2016-2017' and the extent of contamination was assessed. Al, Cs, and Li are chosen as appropriate indicators for sediment grain size. In the relationships between heavy metal and indicators concentrations, the lowest slope data were selected through the outlier removal and residual analysis, and the background concentrations were presented as a linear regression line between metal and indicator. Comparing the previous studies for the background concentrations of heavy metals in Korean coastal sediments, concentration levels were generally consistent but those for As and Cd were presented for the first time, and the background concentration using Li as the indicator was presented for the first time. 2016~2017년 '국가해양생태계 종합조사(연안생태계)'에서 얻어진 495개의 퇴적물 중금속 자료를 이용하여 한반도 연안 퇴적물의 중금속 배경농도를 산정하고 오염도를 평가하였다. 퇴적물 입도를 나타내는 지시자로 Al, Cs, Li이 적절하였으며, 이 들과 중금속 농도 사이의 관계에서 이상치 제거 및 잔차 분석을 통하여 가장 낮은 기울기의 자료를 선택하여 중금속과 지시자 사이의 회귀 직선으로 배경농도를 표시하였다. 기존 연구에서의 배경농도와 본 연구의 결과는 비교적 잘 일치하였으며, 본 연구에서는 As 및 Cd에 대해 처음으로 제시하였고, 지시자로 Li을 사용한 배경농도 식을 처음으로 제시하였다.

랜덤포레스트 기반 GK2A와 ERA5 재분석자료를 활용한 시간별 All-sky 지표면 온도 추정

배덕원(Bae, Dukwon),조동진(Cho, Dongjin),유철희(Yoo, Cheolhee),이연수(Lee, Yeonsu),임정호(Im, Jungho) 한국측량학회 2021 한국측량학회 학술대회자료집 Vol.2021 No.11

모의영상을 이용한 농림위성 대기보정의 주요 파라미터 민감도 분석 및 타위성 산출물 활용 가능성 제시

강유진 ( Yoojin Kang ),조동진 ( Dongjin Cho ),한대현 ( Daehyeon Han ),임정호 ( Jungho Im ),임중빈 ( Joongbin Lim ),오금희 ( Kum-hui Oh ),권언혜 ( Eonhye Kwon ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.5

차세대 중형위성 사업의 일환으로 농지 및 산림에서의 원격 탐사를 위하여 농림위성 (차세대 중형위성 4호)이 발사 예정에 있다. 위성 영상에서 식생의 정량적인 정보를 얻기 위해서는 대기보정을 통한 지표 반사도 취득이 선행되어야 하므로 농림위성을 위한 대기보정 기술 개발은 불가피할 것으로 생각된다. 특히 대기에서의 흡수와 산란 특성은 파장에 따라 다르게 나타나므로 농림위성 파장 영역을 고려한 대기보정 파라미터 민감도 분석이 필요하다. 또한, 농림위성은 5개 채널(Blue, Green, Red, Red edge, Near-infrared)을 보유하고있어 대기보정 주요 파라미터인 AOD (Aerosol optical depth)와WV (Water vapor)를 직접 산출하기 어려우므로 이를 외부에서 제공할 수 있는 방안을 마련할 필요가 있다. 따라서, 본 연구에서는 농림위성과 유사한 사양을 가진 Sentinel-2 위성 영상을 이용하여 주요 파라미터인 AOD, WV, O₃ 민감도 분석을 수행하고, 파라미터 제공을 위해 천리안 2A (GK2A; GEO-KOMPSAT-2A) 정지궤도 복합위성의 산출물을 이용하여 대기보정 파라미터로서의 활용 가능성을 살펴보았다. 민감도 분석 결과는 AOD가 가장 중요한 파라미터임을 보여주었으며, 근적외선 채널보다는 가시광 채널에서 더 큰 민감도를 가지는 것으로 나타났다. 특히 Blue 채널에서 AOD의 20%의 변화는 지표 반사도에서 약 100%의 오차율을 야기하므로 정확한 지표 반사도 취득을 위해서는 높은 신뢰성을 가진 AOD가 필요할 것으로 생각된다. GK2A AOD 산출물을 이용한 대기보정 결과는 토지피복별 분류 가능성을 이용하여 Sentienl-2 L2A 자료와 비교한 결과, 두 모델별 분류 가능성은 유사하였으나, 파장대가 짧은 영역일 수록 GK2A AOD 산출물을 적용한 대기보정 결과가 Sentinel-2 L2A보다 높게 나타났다. 이를 통해 GK2A에서 제공되는 산출물이 향후 농림위성 대기보정 파라미터로서 충분히 활용될 수 있을 것으로 판단된다. 본 연구의 결과는 추후 농림위성 발사 후 대기보정에 참고 자료로서 활용될 수 있을 것으로 기대된다. As part of the next-generation Compact Advanced Satellite 500 (CAS500) project, CAS500- 4 is scheduled to be launched in 2025 focusing on the remote sensing of agriculture and forestry. To obtain quantitative information on vegetation from satellite images, it is necessary to acquire surface reflectance through atmospheric correction. Thus, it is essential to develop an atmospheric correction method suitable for CAS500-4. Since the absorption and scattering characteristics in the atmosphere vary depending on the wavelength, it is needed to analyze the sensitivity of atmospheric correction parameters such as aerosol optical depth (AOD) and water vapor (WV) considering the wavelengths of CAS500-4. In addition, as CAS500-4 has only five channels (blue, green, red, red edge, and near-infrared), making it difficult to directly calculate key parameters for atmospheric correction, external parameter data should be used. Therefore, this study performed a sensitivity analysis of the key parameters (AOD, WV, and O₃) using the simulated images based on Sentinel-2 satellite data, which has similar wavelength specifications to CAS500-4, and examined the possibility of using the products of GEO-KOMPSAT-2A (GK2A) as atmospheric parameters. The sensitivity analysis showed that AOD was the most important parameter with greater sensitivity in visible channels than in the near-infrared region. In particular, since AOD change of 20% causes about a 100% error rate in the blue channel surface reflectance in forests, a highly reliable AOD is needed to obtain accurate surface reflectance. The atmospherically corrected surface reflectance based on the GK2A AOD and WV was compared with the Sentinel-2 L2A reflectance data through the separability index of the known land cover pixels. The result showed that two corrected surface reflectance had similar Seperability index (SI) values, the atmospheric corrected surface reflectance based on the GK2A AOD showed higher SI than the Sentinel-2 L2A reflectance data in short-wavelength channels. Thus, it is judged that the parameters provided by GK2A can be fully utilized for atmospheric correction of the CAS500-4. The research findings will provide a basis for atmospheric correction of the CAS500-4 in the future.

다종 위성자료와 인공지능 기법을 이용한 한반도 주변 해역의 고해상도 해수면온도 자료 생산

정시훈 ( Sihun Jung ),추민기 ( Minki Choo ),임정호 ( Jungho Im ),조동진 ( Dongjin Cho ) 대한원격탐사학회 2022 大韓遠隔探査學會誌 Vol.38 No.5

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=Δ0.21-0.29℃, rRMSE=Δ0.91-1.65%, MAE=Δ0.17-0.24℃)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. Although satellite-based sea surface temperature (SST) is advantageous for monitoring large areas, spatiotemporal data gaps frequently occur due to various environmental or mechanical causes. Thus, it is crucial to fill in the gaps to maximize its usability. In this study, daily SST composite fields with a resolution of 4 km were produced through a two-step machine learning approach using polar-orbiting and geostationary satellite SST data. The first step was SST reconstruction based on Data Interpolate Convolutional AutoEncoder (DINCAE) using multi-satellite-derived SST data. The second step improved the reconstructed SST targeting in situ measurements based on light gradient boosting machine (LGBM) to finally produce daily SST composite fields. The DINCAE model was validated using random masks for 50 days, whereas the LGBM model was evaluated using leave-one-year-out cross-validation (LOYOCV). The SST reconstruction accuracy was high, resulting in R² of 0.98, and a root-mean-square-error (RMSE) of 0.97℃. The accuracy increase by the second step was also high when compared to in situ measurements, resulting in an RMSE decrease of 0.21-0.29℃ and an MAE decrease of 0.17-0.24℃. The SST composite fields generated using all in situ data in this study were comparable with the existing data assimilated SST composite fields. In addition, the LGBM model in the second step greatly reduced the overfitting, which was reported as a limitation in the previous study that used random forest. The spatial distribution of the corrected SST was similar to those of existing high resolution SST composite fields, revealing that spatial details of oceanic phenomena such as fronts, eddies and SST gradients were well simulated. This research demonstrated the potential to produce high resolution seamless SST composite fields using multi-satellite data and artificial intelligence.

서울 지역 지상 NO₂ 농도 공간 분포 분석을 위한 회귀 모델 및 기계학습 기법 비교

강은진 ( Eunjin Kang ),유철희 ( Cheolhee Yoo ),신예지 ( Yeji Shin ),조동진 ( Dongjin Cho ),임정호 ( Jungho Im ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.6

대기 중 이산화질소(NO₂)는 주로 인위적인 배출요인으로 발생하며 화학 반응을 통해 이차오염 물질 및 오존 형성에 매개 역할을 하는 인체 건강에 악영향을 미치는 물질이다. 우리나라는 지상 관측소에 의한 실시간 NO₂ 모니터링을 수행하고 있지만, 이는 점 기반의 관측 값으로써 미관측 지역의 공간 분포 분석이 어렵다는 한계점을 지닌다. 본 연구에서는 선형 회귀 기반 모델인 다중 선형 회귀와 회귀 크리깅, 기계학습 알고리즘인 Random Forest (RF), Support Vector Regression (SVR)을 적용한 공간 내삽 모델링을 통해 서울 지역의 지상 NO₂ 농도 지도를 제작하였고, 일별 Leave-One-Out Cross Validation (LOOCV) 교차 검증을 시행하였다. 2020년 연구 기간 내 일별 LOOCV에서 MLR, RK, SVR 모델의 일별 평균 Index of agreement (IOA)는 약 0.57로 유사한 성능을 보였으며, RF (0.50)보다 높은 성능이 확인되었다. RK의 일별 평균 nRMSE는 0.9483%으로MLR (0.9501%)보다 상대적으로 낮은 오차를 나타냈다. MLR과 RK, RF 모델의 계절별 공간 분포는 비슷한 양상을 보였으며, RF는 다른 모델에 비해 좁은 NO₂ 농도 범위가 확인되었다. 본 연구에서 제안된 선형 회귀 기반 공간 내삽은 지상 NO₂ 뿐 아니라 다른 대기 오염 물질의 도시 지역 공간 내삽을 위해 활용 가능성이 높을 것으로 기대된다. Atmospheric nitrogen dioxide (NO₂) is mainly caused by anthropogenic emissions. It contributes to the formation of secondary pollutants and ozone through chemical reactions, and adversely affects human health. Although ground stations to monitor NO₂ concentrations in real time are operated in Korea, they have a limitation that it is difficult to analyze the spatial distribution of NO₂ concentrations, especially over the areas with no stations. Therefore, this study conducted a comparative experiment of spatial interpolation of NO₂ concentrations based on two linear-regression methods (i.e., multi linear regression (MLR), and regression kriging (RK)), and two machine learning approaches (i.e., random forest (RF), and support vector regression (SVR)) for the year of 2020. Four approaches were compared using leave-one-out-cross validation (LOOCV). The daily LOOCV results showed that MLR, RK, and SVR produced the average daily index of agreement (IOA) of 0.57, which was higher than that of RF (0.50). The average daily normalized root mean square error of RK was 0.9483%, which was slightly lower than those of the other models. MLR, RK and SVR showed similar seasonal distribution patterns, and the dynamic range of the resultant NO₂ concentrations from these three models was similar while that from RF was relatively small. The multivariate linear regression approaches are expected to be a promising method for spatial interpolation of ground-level NO₂ concentrations and other parameters in urban areas.

위성자료와 수치모델 산출물을 이용한 지상 이산화질소 및 오존 농도 추정

신민소(Minso Shin),임정호(Jungho Im),유철희(Cheolhee Yoo),조동진(Dongjin Cho),박수민(Sumin Park),김영준(Young Jun Kim) 대한공간정보학회 2018 한국지형공간정보학회 학술대회 Vol.2018 No.11

體育大學生의 運動 種目別 肺機能 成績에 對한 比較硏究

李圭成,金錫柱,趙東進 조선대학교 기초과학연구소 1980 自然科學硏究 Vol.3 No.1

The main purpose of this study was to find out the results of the pulmomary functions about various sports players of CYCLE, SWIMMING, TAEKWONDO, ATHLETIC SRORTS, SOCCER, VOLLEYBALL, JUDO, HANDBALL, BASKETBALL and WRESTLING by testing 227 sample players, 19∼22 years of age, selected from Physical Education college students of Chosun University and Physical Education Department Students of Chunnam National University. The results are as follows : 1) FREQUENCY OF BREATHING : (times per minute) Cycle shows 12±3.4, SWIMMING 13±3.6, TAEKWONDO 12±3.9, ATHLETIC SRORTS 14±3. , SOCCER 13±2.1, VOLLEYBALL 12±3.1, JUDO 13±2.6, HANDBALL 13±2.4, BASKETBALL 12±3.2, WRESTLING 15±2.8, times perminute. 2) VITAL CAPACITY : (liter) CYCLE SHOWS 4.35±649, SWIMMING 4.40±669, TAEKWONDO 4.42±495, ATHLETIC SRORTS 4.48±844, SOCCER 4.46±546, VOLLEYBALL 4.66±522, JUDO 4.60±398, HANDBALL 4.22±461, BASKETBALL 5.58±520, WRESTLING 4.50±634 liter. 3) TIDAL VOLUME : (㎖) CYCLE SHOWS 549±94.6, SWIMMING 611±86.4, TAEKWONDO 589±67.3, ATHLETIC SRORTS 650±92.5, SOCCER 588±96.3, VOLLEYBALL 602±83.2, JUDO 528±79.0, HANDBALL 480±68.6, BASKETBALL 686±76.7, WRESTLING 493±89.6㎖ 4) BREATH HOLDING TIME (Sec) CYCLE SHOWS 57±5.4, SWIMMING 83±8.8, TAEKWONDO 57±10.4, ATHLETIC SRORTS 67±9.8, SOCCER 68±10.9, VOLLEYBALL 58±9.3, JUDO 74±9.4, HANDBALL 74±7.6, BASKETBALL 67±8.1, WRESTLING 71±6.8.