지리산의 중산리골, 대원사골과 거림골을 잇는 지역에서 수목에 피해를 주는 산림해충은 7목 44과 140종으로 조사되었다. 이 중 나비목은 16과 59종, 딱정벌레목 9과 35종, 매미목 10과 33종, 노린재목 3과 4종, 벌목은 3과 6종, 메뚜기목 1과 1종, 대벌레목 2과 2종으로 조사되었다. 조사지 역별 산림해충은 대원사골 6목 36과 85종, 중산리골 6목 31과 67종, 거림골 7목 27과 56종이었다.

기계적 합금화 공정과 가압소결법으로 (Pb1-xSnx)Te(0≤x≤0.4)합금을 제조하여 SnTe 함량에 따른 열전특성을 분석하였다. PbTe와 (Pb0.9Sn0.1)Te 가압소결체는 각기 200˚C와 300˚C에서 p형에서 n형으로 천이되었으나, SnTe를 0.2몰 이상 함유한 가압소결체는 450˚C까지의 온도범위에서 p형 전도를 나타내었다. Extrinsic 전도영역에서 SnTe 함량이 증가함에 따라 (Pb1-xSnx)Te 가압소결체의 Seebeck 계수와 전기비저항이 감소하였다. SnTe 함량이 증가함에 따라 (Pb1-xSnx)Te 가압소결체의 최대성능지수를 나타내는 온도가 고온으로 이동하였으며, (Pb0.7Sn0.3)Te 가압소결체는 200˚C에서 0.68×10-3/K의 최대성능지수를 나타내었다.

열전발전용 재료인 PbTe의 밀링 시간, 볼과 분말의 무게비에 따른 기계적 합금화 거동을 연구하였다. Pb와 Te 분말을 볼과 분말의 무게비 2 : 1에서 2분간 기계적 합금화 함으로써 PbTe 금속간 화합물의 형성이 완료되었다. 밀링 공정중 vial 표면 온도의 in situ 측정에서 기계적 합금화에 의한 PbTe 금속간 화합물의 형성이 분말 계면에서의 확산 공정보다는 합금화 반응이 자발적으로 전파하는 자전 반응에 의하여 이루어지는 것을 알 수 있었다. 기계적 합금화로 제조한 PbTe 합금분말의 격자상수는 0.6462nm로 용해 및 분쇄법으로 제조한 PbTe 분말에서 보고된 값인 0.6459nm와 잘 일치하였으며, 밀링 시간의 증가 및 볼과 분말의 무게비의 변화에 의하여 변하지않았다.

지리산 대원계곡의 입지환경구배에 따른 삼림군집구조분석을 위하여 89개소의 조사지(1조사구당 500m2)를 설정하고 식생조사를 실시하여 얻은 자료에 대하여 TWINSPAN에 의한 classification 및 ordination의 한 기법인 DCA를 적용하여 분석하였다. Classification에 의하여 낮은 해발고의 건조지에서 소나무군집, 굴참나무군집, 졸참나무-굴참나무군집으로. 습윤지에서 서어나무군집으로 분류되었고, 높은 해발고의 건조지에서 신갈나무군집, 습윤지에서 층층나무-신갈나무군집으로 분류되었으며, DCA기법에 의한 ordination분석결과에서도 classification 분석결과와 같은 경향을 나타내었다. 종에 대한 두 기법분석에 의해 추정된 천이과정은 교목상층에서 해발고가 낮은 지역은 소나무→굴참나무, 졸참나무→서어나무 순이었고, 해발고가 높은 지위는 신갈나무→층층나무 순이었으며, 교목하층은 진달래, 개옻나무, 때죽나무→사람주나무, 나도밤나무, 대팻집나무→참개암나무, 당단풍, 함박꽃나무 순이었다. 환경인자의 ordination 분석에서 소나무군집과 굴참나무군집은 토양수분함량, 유기물함량, 전질소함량, 유효인산. 치환성용량 등의 토양양료가 낮은 지위에 분포하고 신갈나무군집과 층층나무군집은 토양양료가 높은 지위에 분포하였으며, 서어나무군집은 중간지위에 주로 분포하였다.

Reinforcement learning has been applied to various problems in robotics. However, it was still hard to train complex robotic manipulation tasks since there is a few models which can be applicable to general tasks. Such general models require a lot of training episodes. In these reasons, deep neural networks which have shown to be good function approximators have not been actively used for robot manipulation task. Recently, some of these challenges are solved by a set of methods, such as Guided Policy Search, which guide or limit search directions while training of a deep neural network based policy model. These frameworks are already applied to a humanoid robot, PR2. However, in robotics, it is not trivial to adjust existing algorithms designed for one robot to another robot. In this paper, we present our implementation of Guided Policy Search to the robotic arms of the Baxter Research Robot. To meet the goals and needs of the project, we build on an existing implementation of Baxter Agent class for the Guided Policy Search algorithm code using the built-in Python interface. This work is expected to play an important role in popularizing robot manipulation reinforcement learning methods on cost-effective robot platforms.