기후변화와 식품공급망의 복잡성 증대로 식품 위해요소 의 발생 경로와 패턴이 다변화됨에 따라, 과학적 예측과 선 제적 개입이 가능한 예방형 식품안전 관리체계의 필요성이 대두되고 있다. 본 연구는 기후·환경 요인이 식품 위해요소 에 미치는 영향을 분석함으로써, 기후 민감성이 높은 위해 요소를 식별하고 예측 가능성과 주요 환경인자를 도출하였 다. 아울러 국내외 데이터 기반 위해예측 시스템의 운영 사 례를 비교·분석함으로써, 식품위해예측센터의 실질적 운영 과 역할을 위한 발전방향을 제시하였다. 본 연구를 통해 향 후 식품위해예측센터가 식품안전 정책의 과학화와 지능화 를 이끄는 전략적 플랫폼으로 기능하고, 예방 중심의 관리 체계로의 전환을 유도할 수 있도록 실효적 토대와 정책적 방향성을 제공하고자 한다.

This study aims to explore the public perception of sports welfare by employing big data analysis techniques and to analyze it through a multi-layered lens grounded in Bronfenbrenner’s ecological systems theory. To this end, text mining software Textom and Ucinet 6 were utilized to examine online textual data related to “sports welfare” collected from May 2017 to February 2025. frequency analysis, TF-IDF analysis, degree centrality analysis, and CONCOR analysis were conducted. The results identified keywords such as “physical education.” “fitness.” “citizens.” “society.” “support.” “disability.” “voucher.” “university.” and “center.” as having high co-occurrence with sports welfare. CONCOR analysis revealed six major clusters: National Fitness 100 Service, Sports Voucher Program, Health Programs at Public Sports Centers, Community-Based Sports Welfare Environment, Training of Sports Welfare Professionals, and Support System Centered on the Korea Sports Promotion Foundation. This study suggests that the level of individual sports welfare can be enhanced through dynamic and interactive relationships between the individual and various environmental systems. Furthermore, to realize sustainable sports welfare, it is essential to develop long-term national strategies that holistically integrate all levels of the ecological systems from the micro system to the chrono system.

This study analyzed the changes in sodium content across different types of kimchi over various storage periods, distinguishing between solids and seasoning (liquid), to better estimate actual sodium intake and improve the food composition databases. Six types (baechu-kimchi, oi-sobagi, buchu-kimchi, baek-kimchi, dongchimi, and nabak-kimchi) were analyzed using ICP-AES. The results were compared with salinometer readings, food composition databases, and nutrition labels from commercial products. Statistical analyses included the Mann-Whitney U test and the Kruskal-Wallis test (=0.05). The findings showed that the seasoning had significantly higher sodium content than the solids and, except for baechu-kimchi and nabak-kimchi, accounted for more than 50% of the total sodium content. Sodium content varied across kimchi types and changed over storage time. Additionally, sodium content measured by ICP-AES significantly differed from those in the food composition databases and commercial nutrition labels, which often over or under-estimated values. Moreover, sodium content in commercial kimchi products exhibited up to a 581-fold difference between the minimum and maximum values. These results suggest that current databases and labeling systems, which do not distinguish between solids and seasoning, may misrepresent the actual sodium intake. Further research and regulatory measures are needed to improve sodium estimation and consumer guidance.

본 연구에서는 UAV(Unmanned Aerial Vehicle) 기반 LiDAR(Light Detection and Ranging), SfM(Structure from Motion), 그리고 수치지형도 기반 DEM(Digital Elevation Model) 데이터를 동일 지역에 적용하여 지형 데이터의 정밀도와 표현 특성을 정량적으로 비교 분석하였다. 경기도 시흥시 범배산 일대를 연구 대상지로 선정하고, 평지, 완사면, 급사면의 세 구역으로 나누어 고도 및 경사 통계, 경사 방향, 경사도 재분류에 따른 면적 분포를 비교하였다. 분석 결과, UAV LiDAR 기반 DEM은 모든 지형에서 가장 높은 정밀도와 해상도를 보여주었으며, SfM 기반 데이터는 비용과 접근성 면에서 유리하나 식생 및 지형 복잡도에 따라 정확도 변동이 크게 나타났다. 수치지형도 기반 DEM은 해상도는 낮지만 일정한 품질을 유지하며 일반적인 지형 분석에 적합한 것으로 나타났다. 본 연구는 지형 조건과 분석 목적에 따른 공간데이터 선택 기준을 제시하고, UAV 기반 지형 정보 활용 전략 수립에 기초자료로 활용될 수 있다.

본 연구는 개선된 무인도 지리정보를 구축하기 위해 폴리곤(Polygon) 기반 무인도 지도와 속성정보를 구축하였다. 연구 결과, 3,460개의 포인트(Point) 데이터와 3,447개의 폴리곤 기반 섬 데이터를 구축하였다. 여기에는 463개의 유인도가 포함되었으며, 무인도 수는 기존 해양수산부의 무인도서 정보조회 서비스에 비해 80개 추가된 것이다. 속성정보로는 59건 이상의 이명과 61개의 무인도 지형 변화 사례를 정리하였다. 무인도 지형 변화는 육화, 소멸, 연결, 병합의 네 가지로 구분하였다. 데이터 구축 과정에서는 해안선 자료의 통합, 불필요한 폴리곤 객체의 정리, 이명 정리 과정에서 일부 한계가 있었다. 이런 한계에도 불구하고 본 연구에서 구축된 데이터는 무인도의 공간적 변화 모니터링과 보전 정책 수립을 위한 기초 자료를 제공하고, 향후 다양한 연구에 활용될 수 있을 것으로 기대된다.

This study is a preliminary investigation into a method for updating analytical models using actual vibration measurement data to improve the reliability of the seismic performance evaluations. The research was conducted on 26 models with various parameters, aiming to develop an optimal analytical model that closely matches the natural frequencies of the actual building. By identifying the dynamic characteristics of the target building through vibration measurements taken just before the demolition of the structure, the natural frequency analysis results of the analytical models were compared to the measured data. Based on this comparison, an optimized method for adjusting the parameters of the analytical models was derived. Throughout the analysis, various parameters were adjusted, and the eigenvalue analysis results were corrected by comparing them with vibration measurements. Among the comparative analytical models, the model with the lowest error rate was selected. The results showed that, in all cases, the analytical model with a concrete compressive strength of 16 MPa (based on actual measurements), pin boundary conditions, and an idealized strip footing cross-section had the closest match to the actual building's natural frequencies, with an average error of less than 8%.

해상풍력 프로젝트의 발전사업허가 취득 및 연간 예상발전량 평가를 위해서는 최소 1년 이상의 해상관측자료 확보가 필수적 이나, 입지선정 과정 및 사전예비타당성 단계에서는 재해석자료나 중규모 모델링 자료와 같은 기상·기후데이터가 활용된다. 하지만, 이 들은 관측값 대비 다소 높은 불확도를 내포하고 있기 때문에 이들을 기반으로 한 발전량 평가 결과 역시 불확실성을 가지게 된다. 이에 본 연구에서는 HeMOSU-1 해상기상탑 관측자료와 인근 격자점에서의 ERA5, EMD-WRF 데이터의 시계열 및 특성을 비교, 검증하여 국내 서남해권의 해상풍력 프로젝트의 사전예비타당성평가의 신뢰성을 확보하고자 하였다. 본 연구에서는 기계적·열적 대기안정도 지수인 연직윈드시어와 모닌 오브코프 길이, 리차드슨 수를 각각 활용하여 관측값 부재시 국내 서남해상에서 ERA5와 EMD-WRF를 사용하는 것이 정량적으로 어느 정도의 오차를 보이는지, 또 대기안정도별 변화 트렌드는 유사한지를 파악하였다.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.