대법원은 그동안 형사소송법 제33조 제1항 제1호의 ‘피고인이 구속된 때’란, 원래 구속제도가 형사소송의 진행과 형벌의 집행을 확보하기 위하여 법이 정한 요건과 절차 아래 피고인의 신병을 확보하는 제도라는 점 등에 비추어 볼 때 피고인이 해당 형사사건에서 구속되어 재판을 받는 경우를 의미하고, 피고인이 해당 형사사건이 아닌 별개의 사건, 즉 별건으로 구속 되어 있거나 다른 형사사건에서 유죄로 확정되어 수형 중인 경우는 이에 해당하지 않는다고 판시하여 왔다. 그러나 대법원 2024. 5. 23. 선고 2021도6357 전원합의체 판결에서 구속의 범위를 “별건으로 구속되어 있는 경우 및 다른 형사사건에서 유죄판결이 확정되어 그 판결의 집행으로 구금 상태에 있는 경우”로 확장하였다. 본 논문에서는 먼저 법문언의 통상적 의미와 가능한 의미의 개념 등을 살펴봄으로써 ‘법문언의 가능한 의미’라는 동일 기준을 사용하고도 서로 다 른 결론을 도출한 대법원판결을 분석하였다. 이를 통해 대상판결에 한정된 결론으로, 형사소송법 제33조 제1항 제1호 의‘피고인이 구속된 때’란 피고인이 해당 형사사건에서 구속되어 재판을 받 는 경우를 의미한다고 판시한 종래의 판례 법리로도 대상판결 사안을 해결 하는데 별다른 문제가 없다는 의견을 제시하였다. 나아가 구속의 개념을 명확히 하기 위해 ① 구속의 개념 정의를 형사소 송법에 새롭게 규정하는 방안 ② 구인과 구금의 개념을 정의하는 방안 ③ 구속의 범위를 확장하는 방안을 살펴보고, 독일형사소송법 제140조 제1항 제5호를 참고하여 형사소송법 제33조 제1항 제1호를 개정하는 입법론을 제시하였다.

This study was conducted to estimate the damage of Whole Crop Corn (WCC; Zea Mays L.) according to abnormal climate using machine learning as the Representative Concentration Pathway (RCP) 4.5 and present the damage through mapping. The collected WCC data was 3,232. The climate data was collected from the Korea Meteorological Administration's meteorological data open portal. The machine learning model used DeepCrossing. The damage was calculated using climate data from the automated synoptic observing system (ASOS, 95 sites) by machine learning. The calculation of damage was the difference between the dry matter yield (DMY)normal and DMYabnormal. The normal climate was set as the 40-year of climate data according to the year of WCC data (1978-2017). The level of abnormal climate by temperature and precipitation was set as RCP 4.5 standard. The DMYnormal ranged from 13,845-19,347 kg/ha. The damage of WCC which was differed depending on the region and level of abnormal climate where abnormal temperature and precipitation occurred. The damage of abnormal temperature in 2050 and 2100 ranged from -263 to 360 and -1,023 to 92 kg/ha, respectively. The damage of abnormal precipitation in 2050 and 2100 was ranged from -17 to 2 and -12 to 2 kg/ha, respectively. The maximum damage was 360 kg/ha that the abnormal temperature in 2050. As the average monthly temperature increases, the DMY of WCC tends to increase. The damage calculated through the RCP 4.5 standard was presented as a mapping using QGIS. Although this study applied the scenario in which greenhouse gas reduction was carried out, additional research needs to be conducted applying an RCP scenario in which greenhouse gas reduction is not performed.

This study was conducted to estimate the damage of Whole Crop Maize (WCM) according to abnormal climate using machine learning and present the damage through mapping. The collected WCM data was 3,232. The climate data was collected from the Korea Meteorological Administration's meteorological data open portal. Deep Crossing is used for the machine learning model. The damage was calculated using climate data from the Automated Synoptic Observing System (95 sites) by machine learning. The damage was calculated by difference between the Dry matter yield (DMY)normal and DMYabnormal. The normal climate was set as the 40-year of climate data according to the year of WCM data (1978~2017). The level of abnormal climate was set as a multiple of the standard deviation applying the World Meteorological Organization(WMO) standard. The DMYnormal was ranged from 13,845~19,347 kg/ha. The damage of WCM was differed according to region and level of abnormal climate and ranged from -305 to 310, -54 to 89, and -610 to 813 kg/ha bnormal temperature, precipitation, and wind speed, respectively. The maximum damage was 310 kg/ha when the abnormal temperature was +2 level (+1.42 ℃), 89 kg/ha when the abnormal precipitation was -2 level (-0.12 mm) and 813 kg/ha when the abnormal wind speed was -2 level (-1.60 ㎧). The damage calculated through the WMO method was presented as an mapping using QGIS. When calculating the damage of WCM due to abnormal climate, there was some blank area because there was no data. In order to calculate the damage of blank area, it would be possible to use the automatic weather system (AWS), which provides data from more sites than the automated synoptic observing system (ASOS).

본 연구는 기계학습을 통한 수량예측모델을 이용하여 이상기상에 따른 WCM의 DMY 피해량을 산출하기 위한 목적으로 수행하였다. 수량예측모델은 WCM 데이터 및 기상 데이터를 수집 후 가공하여 8가지 기계학습을 통해 제작하였으며 실험지역은 경기도로 선정하였다. 수량예측모델은 기계학습 기법 중 정확성이 가장 높은 DeepCrossing (R2=0.5442, RMSE=0.1769) 기법을 통해 제작하였다. 피해량은 정상기상 및 이상기상의 DMY 예측값 간 차이로 산출하였다. 정상기상에서 WCM의 DMY 예측값은 지역에 따라 차이가 있으나 15,003~17,517 kg/ha 범위로 나타났다. 이상기온, 이상강수량 및 이상풍속에서 WCM의 DMY 예측 값은 지역 및 각 이상기상 수준에 따라 차이가 있었으며 각각 14,947~17,571 kg/ha, 14,986~17,525 kg/ha 및 14,920~17,557 kg/ha 범위로 나타났다. 이상기온, 이상강수량 및 이상풍속에서 WCM의 피해량은 각각 –68~89 kg/ha, -17~17 kg/ha 및 – 112~121 kg/ha 범위로 피해로 판단할 수 없는 수준이었다. WCM의 정확한 피해량을 산출하기 위해서는 수량예측모델에 이용하는 이상기상 데이터 수의 증가가 필요하다.

본 연구는 객토를 한 간척지에서 석고시용 수준이 알팔파의 수량과 사료성분에 미치는 영향을 알아보고자 수행하였다. 실험장소는 간척한지 17~33년 경과된 석문간척지로서 약 70 cm 정도 객토한 토양이었다. 객토에 사용한 흙은 섬토양의 제염을 하지 않은 것 이었다. 처리는 석고를 시용하지 않은 0 ton/ha 구(G0), 석 고를 2 ton/ha(G2) 및 4 ton/ha(G4) 시용한 구로 하였다. 수확은 알팔파가 개화초기(개화 10%)에 도달할 때 1차 수확하였으며 이 후 수확은 약 35일 간격으로 수확을 하였다. 알팔파의 건물수량은 1차 년도는 G2가 G0와 G4보다 유의적으로 높았으며 2차 년도는 처리간 유의적인 차이는 없었으나 G2가 G0와 G4보다 높은 경향을 보였다. G2에서 알팔파의 건물수량이 높은 이유는 토양의 pH 및 EC가 각각 재배가능 및 재배적합 수준이었고 피복도 및 알팔파 식생비율도 높은 것에 기인하였다. 1차 및 2차 년도 모두 석고 처리 간 CP, NDF 및 ADF 함량 및 RFV는 차이가 없었다. 한편 1차 및 2차 년도의 연구결과를 통해서 알팔파 건물수량에 부정적인 영향을 주는 요인은 봄의 가뭄과 여름의 집중된 강수로 나타났다. 이상으로부터 객토 간척지에서 석고 처리는 알팔파의 건물수량을 높이는데 효과적인 것으로 판단되며 2 ton/ha이 적정 수준인 것으로 사료된다.

This study was conducted to determine the possibility of estimating the daily mean temperature for a specific location based on the climatic data collected from the nearby Automated Synoptic Observing System (ASOS) and Automated Weather System(AWS) to improve the accuracy of the climate data in forage yield prediction model. To perform this study, the annual mean temperature and monthly mean temperature were checked for normality, correlation with location information (Longitude, Latitude, and Altitude) and multiple regression analysis, respectively. The altitude was found to have a continuous effect on the annual mean temperature and the monthly mean temperature, while the latitude was found to have an effect on the monthly mean temperature excluding June. Longitude affected monthly mean temperature in June, July, August, September, October, and November. Based on the above results and years of experience with climate-related research, the daily mean temperature estimation was determined to be possible using longitude, latitude, and altitude. In this study, it is possible to estimate the daily mean temperature using climate data from all over the country, but in order to improve the accuracy of daily mean temperature, climatic data needs to applied to each city and province.

The objective of this study was to access the effect of climate and soil factors on alfalfa dry matter yield (DMY) by the contribution through constructing the yield prediction model in a general linear model considering climate and soil physical variables. The processes of constructing the yield prediction model for alfalfa was performed in sequence of data collection of alfalfa yield, meteorological and soil, preparation, statistical analysis, and model construction. The alfalfa yield prediction model used a multiple regression analysis to select the climate variables which are quantitative data and a general linear model considering the selected climate variables and soil physical variables which are qualitative data. As a result, the growth degree days(GDD) and growing days(GD), and the clay content(CC) were selected as the climate and soil physical variables that affect alfalfa DMY, respectively. The contributions of climate and soil factors affecting alfalfa DMY were 32% (GDD, 21%, GD 11%) and 63%, respectively. Therefore, this study indicates that the soil factor more contributes to alfalfa DMY than climate factor. However, for examming the correct contribution, the factors such as other climate and soil factors, and the cultivation technology factors which were not treated in this study should be considered as a factor in the model for future study.

현재 성인지 감수성이라는 아직은 법적으로 추상적인 개념이 성폭력범 죄재판에 사용됨으로써 이의 근거지움이 논란을 불러일으키고 있다. 따라서 본 논문에서는 성인지 감수성이 헌법상 성적 자기결정권의 함의에 따른 역할을 성폭력범죄재판에서 제대로 구현하여 피해자의 성적 자기결정권을 보호 내지 보장하는 수단 또는 판단기준으로 작동 가능한지를 살펴보았다. 성폭력범죄재판에서 성인지 감수성이 보다 객관적·효과적으로 피해자의 성적 자기결정권을 보호하기 위해서는 그 판단기준이 되는 피해자 평균적 관점에 대한 보편적 경험칙으로서의 근거를 마련할 필요가 있다. 성인지 감수성은 성폭력범죄재판 담당법관의 삶의 궤적과도 밀접한 관련성을 가지므로 개인마다 그 편차가 발생할 수밖에 없다는 점은 성인지 감수성이 지니는 가장 큰 맹점일 것이다. 따라서 성폭력범죄재판에서 경험칙으로서 작동하기 위해서는 성인지 감수성의 개념 정립에 따른 명확한 지침이 요구된다. 성인지 감수성이라는 아직은 익숙하지 않은 개념을 성폭력범죄재판의 판단기준으로 이용하기에는 아직까지 이론적 근거가 축적되어 있지 않다는 지적도 있다. 본 논문의 의의는 헌법상 성적 자기결정권의 함의를 살펴보고 이러한 헌법상 함의가 형법 등 법률에 잘 구현되어 있는지를 살펴보는데 있다. 앞으로 그동안 축적되어온 대법원법리를 충실히 반영하여 형사법원칙에 상응하는 성인지 감수성에 대한 개념정의와 판단기준 척도개발에 연구의 방향을 맞춤으로써 성인지 감수성 개념의 추상성에 기댄 가벌성의 확장 문제를 해소할 필요가 있다. 이에 대한 연구가 계속 축적된다면 성인지 감수성도 헌법상 성적 자기결정권을 실질적으로 구현하는 기준으로 충분히 자리매김 될 수 있을 것이다.

This study aimed to discuss the optimal seeding and harvesting dates with growing degree days(GDD) via meta-data of whole crop maize(WCM). The raw data (n=3,152) contains cultivation year, cultivars, location, seeding and harvesting dates collected from various reports such as thesis, science journals and research reports (1982-2012). The processing was: recording, screening and modification of errors; Then, the final dataset (n=121) consists of seeding cases (n=29), and harvesting cases (n=92) which were used to detect the optimum. In addition, the optimal periods considering tolerance range and GDD also were estimated. As a result, the optimum seeding and harvesting periods were 14th April ~ 3rd May and 15th August ~ 4th September, respectively; where, their GDDs were 23.7~99.6℃ and 1,328.7~ 1,602.1℃, respectively. These GDDs could be used as a judge standard for selecting the seeding and harvesting dates.