과도한 조류 발생은 수생태계 교란과 수질 악화를 초래하는 대표적인 환경 문제로, 효과적인 관리와 대응을 위해 정확한 예측이 필요하다. 우리나라는 사계절의 기후 특성이 뚜렷하며, 수온이 상승하는 하절기에 조류 발생이 집중되는 경향을 보인다. 이에 따라 실시간 모니터링 자료는 대부분 저농도 상태가 유지되어 데이터 불균형 문제가 발생한다. 본 연구에서는 chlorophyll-a 농도를 기준으로 하천 현장의 조류 발생 수준을 Class 1 (Chl-a ≤ 10 ㎍/L), Class 2 (10 < Chl-a ≤ 50 ㎍/L), Class 3 (Chl-a > 50 ㎍/L)와 같이 3개의 class로 구분하고, 대표적인 앙상블 머신러닝 모형인 extreme gradient boosting (XGB) 알고리즘을 이용하여 조류 발생 수준을 예측하는 분류 모형을 구축하였다. 데이터 불균형 해소를 위해 생성형 인공지능 기반 알고리즘인 conditional generative adversarial network (CGAN)과 전통적인 데이터 보강 알고리즘인 synthetic minority over-sampling technique (SMOTE), 그리고 딥러닝 기반 기법인 autoencoder (AE)를 활용한 3가지 데이터 보강 알고리즘을 활용하여 데이터의 불균형을 개선한 자료를 생성하고 이를 XGB 모형에 적용하여 성능 변화를 비교하였다. 분석 결과 macro average 기준으로 원본 데이터를 사용한 모형의 recall은 0.606이었으나 SMOTE, AE 및 CGAN의 recall은 각각 0.666, 0.682, 0.720으로 크게 개선되었고, F1 score도 데이터 불균형 해소를 통해 약 7–13%의 성능이 향상되는 등 전체적으로 데이터 불균형 해소로 모형의 성능이 향상되었으며 CGAN이 가장 우수한 성능 개선 효과를 보이는 것으로 나타냈다. 본 연구의 결과를 통해 데이터 불균형 해소를 통한 머신러닝 모형 성능 개선 가능성을 확인하였다.

염화동 에칭 공정에서 발생한 철염 폐수를 전구체로 활용하여 마그네타이트(Fe3O4)를 합성하고, 이를 인산염 흡착 및 회수에 적용하였다. 합성 조건 최적화를 위하여 Box–Behnken Design를 적용한 반응표면분석법(Response Surface Methodology, RSM)을 활용하여 회귀모델을 구축하였다. 모델을 통해서 도출한 최적 합성 조건은 Fe3+/Fe2+ 비율 1.7, NaOH 농도 0.7 N, 숙성 시간 86.3분으로 확인되었다. 해당 조건에서 합성된 마그네타이트는 10.9 mg-P g-1 마그네타이트의 인산염 흡착 용량을 나타내었다. 기기 분석 결과, 최적화된 마그네타이트는 고순도 결정 구조와 초상자성 특성을 나타냈으며, 비표면적과 반응성이 향상된 것이 확인되었다. 또한 연속 회분식 반응조(Sequencing Batch Reactor, SBR)에 적용한 결과, 5회 반복 흡착–탈착 동안 평균 인산염 회수율은 46.6%로 나타났다. 유입 인산염 농도가 200 mg-P L-1의 고농도 조건에서도 회수율이 안정적으로 유지되어, 마그네타이트가 인산염 흡착제로서의 활용 가능성과 안정성을 입증하였다.

Accurate estimation of vehicle exhaust emissions at urban intersections is essential to assess environmental impacts and support sustainable traffic management. Traditional emission models often rely on aggregated traffic volumes or measures of average speed that fail to capture the dynamic behaviors of vehicles such as acceleration, deceleration, and idling. This study presents a methodology that leverages video data from smart intersections to estimate vehicle emissions at microscale and in real time. Using a CenterNet-based object detection and tracking framework, vehicle trajectories, speeds, and classifications were extracted with high precision. A structured preprocessing pipeline was applied to correct noise, missing frames, and classification inconsistencies to ensure reliable time-series inputs. Subsequently, a lightweight emission model integrating vehicle-specific coefficients was employed to estimate major pollutants including CO and NOx at a framelevel resolution. The proposed algorithm was validated using real-world video data from a smart intersection in Hwaseong, Korea, and the results indicated significant improvements in accuracy compared to conventional approaches based on average speed. In particular, the model reflected variations in emissions effectively under congested conditions and thus captured the elevated impact of frequent stopand- go patterns. Beyond technical performance, these results demonstrate that traffic video data, which have traditionally been limited to flow monitoring and safety analysis, can be extended to practical environmental evaluation. The proposed algorithm offers a scalable and cost-effective tool for urban air quality management, which enables policymakers and practitioners to link traffic operations with emission outcomes in a quantifiable manner.

In this study, we propose a data-driven analytical framework for systematically analyzing the driving patterns of autonomous buses and quantitatively identifying risky driving behaviors at the road-segment level using operational data from real roads. The analysis was based on Basic Safety Message (BSM) data collected over 125 days from two Panta-G autonomous buses operating in the Pangyo Autonomous Driving Testbed. Key driving indicators included speed, acceleration, yaw rate, and elevation, which were mapped onto high-definition (HD) road maps. A hybrid clustering method combining self-organizing map (SOM) and k-means++ was applied, which resulted in eight distinct driving pattern clusters. Among these, four clusters exhibited characteristics associated with risky driving such as sudden acceleration, deceleration, and abrupt steering, and were spatially visualized using digital maps. These visualizations offer practical insights for real-time monitoring and localized risk assessment in autonomous vehicle operations. The proposed framework provides empirical evidence for evaluating the operational safety and reliability of autonomous buses based on repeated behavioral patterns. Its adaptability to diverse urban environments highlights its utility for intelligent traffic control systems and future mobility policy planning.

Autonomous vehicles are widely expected to be commercialized in the near future. This would naturally lead to situations in which existing vehicles and autonomous vehicles would be on the road at the same time, which would pose a notable hazard to traffic safety. From this perspective, high-risk factors relating to this deployment should be identified to prepare measures to promote traffic safety. However, at this point, deriving high-risk factors based on actual data is problematic because autonomous vehicles have not yet been widely commercialized. In this study, we derive high-risk factors that would apply if autonomous vehicles were allowed to drive alongside vehicles driven by humans using a meta-analysis. We synthesized factors related to autonomous vehicles mentioned in the relevant literature. An analysis was conducted based on a total of 58 documents according to five keywords related to autonomous vehicles (crash factors, scenarios, predictive models, laws, and regulations). We also performed a binary meta-analysis of factors related to autonomous vehicles according to these keywords and a meta-analysis of effect size according to the relative size of factors to evaluate them comprehensively. We found that many different aspects of driving such as navigating intersections, lanes, fog, rain, acceleration and deceleration, rear-end collisions, inter-vehicle spacing, and pedestrian collisions were notable as high-risk factors. This study provides basic data to identify high-risk factors to support the development of related prediction models.

Permeable blocks are effective in improving urban water circulation and alleviating heat islands and floods. However, they cause environmental problems owing to their dependence on cement and natural aggregates. In this study, a permeable block was developed, and its performance was verified using ferronickel slag (FNS) as a substitute. The block applied with FNS met the KS F 4419 standard, and an average flexural strength of 4 MPa and a permeability coefficient of 0.1 mm/s or more were secured. This study confirmed that natural aggregate collection could be suppressed, resource efficiency could be improved, greenhouse gas reduction could be achieved, and high value-added industrial byproducts could be used.

The purpose of this study is to explore the applicability of satellite-based synthetic aperture radar (SAR) data combined with pavement management system (PMS) indicators for effective road condition monitoring on mountainous local roads. Field survey data, including the International Roughness Index (IRI) and rutting measurements, were used as the ground truth, whereas Sentinel-1 and COSMO-SkyMed SAR images were processed using the time-series InSAR analysis to detect surface displacement and pavement deformations. In addition, a deep learning framework integrating PMS data and SAR imagery was developed, consisting of a swine transformer and CNN–LSTM networks for the classification and localization of pavement defects. The results demonstrated that X-band SAR backscatter values were correlated with IRI variations and that the proposed hybrid two-stage approach (CNN for surface damage and LSTM for rutting) enhanced the accuracy of defect detection compared with conventional single-model approaches. These findings highlight the potential of combining remote sensing and AI-based analysis with existing PMS datasets to provide a cost-effective and scalable solution for road asset management and maintenance prioritization.

본 연구는 장애인을 대상으로 한 국내 인공지능(AI) 활용 연구의 동향 을 파악하고, 향후 연구 방향을 제시하기 위해 체계적 문헌고찰을 실시 하였다. 학술연구정보서비스(RISS)를 활용하여 2001년부터 2025년까지 학위논문과 학술지를 대상으로 ‘장애’와 AI 관련 주요 키워드를 검색하 고, 선정 기준에 따라 최종 99편을 분석하였다. 분석 결과, AI 기술은 주 로 보조기술·알고리즘·서비스 개발(56.6%)과 중재 프로그램 개발(20.2%) 에 활용되고 있었으며, 연구 방법으로는 개발연구(71.7%)가 가장 많았다. 연구 대상은 자폐성장애, 시각장애, 인지장애 순으로 많았고, 실험연구 16편에 대한 심층 분석 결과, 독립변인은 인공지능 기반 교육 프로그램, 수업 활용, 중재 전략, 교수 전략 등이었으며, 종속변인은 언어 및 의사 소통 능력, 사회·정서 및 학업 태도 등과 관련되는 것으로 나타났다. 본 연구는 국내 장애인 대상 AI 연구의 현황을 고찰하고 향후 장애인의 삶 이나 재활에 도움을 줄 수 있는 도구 및 프로그램 개발에 기초 자료를 제안하고자 한다.

본 연구는 영유아의 미디어 활용 시 상호작용의 중요성을 살피기 위해 미디어와 인적 상호작용을 다룬 국내 연구들의 동향을 분석하였다. 이를 위하여 2003년부터 2024년까지 우리나라 학술지 60곳에 게재된 학술논 문 127편을 분석하였다. 연구결과를 정리하면 다음과 같다. 첫째, 영유아 의 미디어와 인적 상호작용을 다룬 연구는 2015년부터 2020년까지 급증 하였다. 둘째, 어머니 대상 연구가 많았고, 양적 연구가 다수로 질문지법 을 활용한 상관연구가 주로 수행되었다. 셋째, 독립변인으로 ‘유아 미디 어 노출’, 종속변인으로 ‘아동 미디어 중독’이 가장 많이 연구되었다. 넷 째, 미디어와 영유아 발달, 유아 미디어 중독이 연구 주제로 빈번하게 다 루어졌다. 다섯째, 연구들의 주요 결과를 보면, 영유아에게는 성인과 함 께 대화와 상호작용의 맥락에서 미디어 함께하기가 중요하였고, 성인의 미디어 중재가 요구되었으며, 부모 자신의 미디어 사용 점검, 어머니의 양육스트레스 관리가 필요하였다. 본 연구를 통해 영유아의 미디어 활용 시 양육자와의 반응적인 인적 상호작용에 기반하는 연구 방향을 제안하 고자 한다.