This study proposes a statistical modeling framework for estimating the daily number of bus stops at highway transfer facilities (ex-HUBs) where demand information is often uncertain during the early planning stages. Accurate estimation of the daily number of bus stops is critical for efficient design and operation; however, reliable demand data are rarely available in the initial planning phase. Using pooled data from 16 facilities, a direct demand estimation approach was implemented, based on facility characteristics, transportation connectivity, highway traffic conditions, and socioeconomic factors. Log-linear model (LLM) and negative binomial model (NBM) were developed to capture the count data characteristics. Ensemble models using arithmetic and weighted means were also constructed to improve predictive reliability. The analysis revealed that the arithmetic mean ensemble of NBM and LLM produced the most accurate predictions. The daily number of bus stops was significantly influenced by the distance from bus terminals, highway traffic volume, public transportation connectivity, economically active population, and level of urbanization. The framework proposed in this study provides a practical tool for estimating the daily number of bus stops at highway transfer facilities, and can support more reliable feasibility analyses and infrastructure planning under demand uncertainty.

This study develops a correction model to improve the accuracy of horizontal spectral accelerations estimated by stochastic extended finite-fault simulation (EXSIM) in southeastern Korea. EXSIM predictions for five earthquakes (M4.3-5.5) recorded at eight stations reveal frequency-dependent residuals, with a tendency to underpredict spectral accelerations at frequencies ≥ 3 Hz. These discrepancies are correlated with eight variables: moment magnitude, stress drop, hypocentral distance, azimuth, average shear wave velocity up to 30 m in depth, relative elevation, and slope. To address these discrepancies, a multiple linear regression model is developed using eight variables that reflect earthquake source characteristics, wave-propagation paths, and site-specific conditions, including azimuth and topographic effects not fully accounted for in the original EXSIM. Application of this correction model substantially improves predictive performance, reducing root-mean-square error by 18.8% to 81.0% for the test sets. The corrected response spectra show good overall agreement with observations, including high-frequency spectral peaks. This approach enables the construction of reliable ground-motion databases. It enhances the accuracy of EXSIM predictions for scenario earthquakes, providing a practical tool for seismic hazard assessment in regions with sparse observational data.

This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

In response to global emission reduction goals set by the Paris Agreement (2015), the construction industry has adopted strategies to reduce cement consumption by using sustainable materials. Sugarcane bagasse ash (SCBA), an agro-waste by-product, has shown its potential for use as a sand or cement replacement in concrete. However, its nature and complex interactions across mixed designs make predicting its compressive strength challenging using conventional approaches. This study presents the use of k-nearest neighbors (KNN), a machine-learning model for predicting the compressive strength of concrete incorporating SCBA as a sand or cement replacement. Three databases, Web of Science, Scopus, and Google Scholar, were used in the collection of 844 experimental data points from published articles between 2015 and 2025. Independent variables include SCBA usage, SCBA replacement level, cement content, fine and coarse aggregate contents, water-to-binder ratio, superplasticizer dosage, and curing age, while compressive strength served as the dependent variable. Prior to model development, SCBA usage, the only categorical variable, was encoded using one-hot encoding. Feature scaling using StandardScaler was applied to ensure consistency in distance-based features. The dataset was split into 75%-25% train-test subsets, and 5-fold cross-validation was carried out to enhance model generalization and robustness. Hyperparameter tuning was optimized using Optuna to enhance predictive accuracy. The optimized KNN model achieved a coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 1, 0.329, and 0.063 in the training phase and 0.81, 7.378, and 5.674 in the testing phase, respectively. Optuna improved the result of the mean cross validated coefficient of determination from 0.78 to 0.84 upon hyperparameter tuning. While the results indicate KNN capability of capturing localized patterns in the heterogeneous SCBA concrete dataset, robust ML models such as eXtreme Gradient Boosting and Random Forest may be used to capture enhanced generalization of the dataset. KNN serves as a reliable baseline model for data-driven prediction of compressive strength, highlighting the potential of simple, interpretable machine-learning models in supporting sustainable concrete design aligned with global climate mitigation goals.

도로의 기하구조(종단경사, 평면 곡선반경)는 차량의 속도 변화, 제동 거리, 원심력 등에 직접적인 영향을 미쳐 주행 안전성과 사고 위험을 결정짓는 핵심적인 설계 요소이다(Park et al., 2008). 따라서 도로 유지관리 측면 에서 이러한 기하선형 정보를 정밀하게 측정하고 관리하는 것은 필수적이나, 준공 후 장기간이 경과하거나 관 리 체계가 다원화된 경우 데이터가 누락되어 통합적인 활용에 한계가 있다. 이에 본 연구는 설계도면이 부재한 대규모 도로망의 안전 진단 및 위험 구간 판단 근거를 마련하기 위해, GIS(Geographic Information System) 기반 노드·링크 시스템의 평면선형 데이터와 공개 DEM(Digital Elevation Model)을 활용하여 전국 고속국도의 기하구조를 추정하는 경제적이고 보편적인 방법론을 제안하고 자 한다.

콘크리트 포장 내부 온도는 열응력 발생, 균열 거동, 구조 성능 및 유지관리 의사결정에 직접적인 영향을 미 치는 핵심 변수이다. 그러나 기존의 물리식 기반 예측 모델은 특정 지역과 제한된 기상 조건에서 보정된 계수 에 의존하는 경우가 많아, 지역 및 기후 조건이 달라질 경우 적용성과 확장성에 한계가 있다. 이에 본 연구는 한국 기상대 자료와 인천국제공항 유도로 콘크리트 포장의 실측 온도 데이터를 활용하여, 깊이별 내부 온도를 예측하는 CNN 기반 모형을 구축하고 공항 포장 유지관리 및 구조 평가에 활용 가능한 데이터 기반 예측 체계 를 제시하고자 하였다. 연구 데이터는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 시계열로 구 성하였으며, 입력 변수로는 기온, 풍속, 강수량, 습도, 일조량, 일사량, 적설량, 적운량, 지면온도 등 기상 인자 를 사용하고, 출력 변수로는 포장 내부 0.05 m, 0.15 m, 0.25 m, 0.35 m, 0.45 m 깊이의 온도를 설정하였 다. 또한 한국도로연구프로그램(KPRP)의 열평형 방정식 기반 지식을 보조적으로 활용하여 데이터 기반 예측 결 과의 물리적 타당성을 검토하고 모형 고도화 방향을 함께 모색하였다. 제안된 CNN 모형은 다변량 시계열 입력 으로부터 시간대별 변동 패턴, 계절성 및 기상 인자 간 국부적 상관관계를 추출하도록 설계하였으며, 합성곱 연산을 통해 급격한 기온 변화, 강수·적설 이벤트, 주야간 반복 패턴 등 온도 변화 특성을 안정적으로 학습할 수 있도록 하였다. 특히 깊이별 온도를 동시에 예측하는 다중출력 구조를 적용하여 표면과 내부층 간 연계 거 동을 반영하고자 하였다. 아울러 ANN 기반 접근과 비교 가능한 평가 체계를 마련하여 예측 정확도뿐 아니라 일반화 성능 및 계절별·시간대별 재현성을 검토함으로써, 콘크리트 포장 깊이별 온도 예측에서 CNN의 적용 타 당성과 실무 활용 가능성을 평가하고 향후 공항 포장 관리 시스템과 연계 가능한 예측 기반 기술로 확장하기 위한 기초자료를 제공하고자 한다.

The study investigated the applicability of a freestanding retaining wall system, with a combination of H-beams and precast concrete blocks. Additionally, the study utilized finite element analysis in ABAQUS. The concrete damaged plasticity and Mohr–Coulomb models were employed to model concrete and soil, respectively. The key parameters included H-beam size (100 × 100, 200 × 200, and 300 × 300 mm), wall height (6.0, 4.5, and 3.0 m), and embedment depth (3.0, 2.5, 2.0, and 1.5 m), with displacement limits of 24, 18, and 12 mm. For 6.0-m walls, only the 300 × 300-mm H-beam with a 3.0-m embedment met the displacement criteria. Most combinations for the 4.5- and 3.0-m walls met the criteria, with the exception of the smallest displacement limit at 4.5-m walls with reduced embedment. The results showed that, assuming proper embedment, wall behavior is governed by H-beam stiffness, with 300 × 300-, 200 × 200-, and 100 × 100-mm beams suitable for 6.0-, 4.5-, and 3.0-m walls, respectively.

This paper presents an AI-based PHM (Prognostics and Health Management) framework for quantitative motor health assessment and remaining useful life (RUL) prediction. The proposed method first defines a health index using vibration and current signals of an industrial motor, and then adopts a two-stage PHM architecture consisting of health-state classification and deep learning-based RUL prediction. A degradation test bench is designed to obtain condition monitoring data for normal, warning, and critical states, and a hybrid 1D CNN– BiLSTM–attention model is developed to capture both local features and long-term temporal dependencies. Experimental results demonstrate that the proposed model outperforms conventional SVM and single LSTM baselines in terms of both health-state classification accuracy and RUL prediction accuracy, achieving a 20– 30% reduction in RMSE and more than 80% of RUL predictions within ±10% error. The proposed approach provides a practical PHM framework and modeling guidelines for implementing condition-based maintenance of electric motors in smart manufacturing environments.

본 논문은 철계-형상기억합금 bar가 인장보강재로 사용된 콘크리트 보의 휨 거동을 예측하기 위한 해석적 연구결과를 제시 한다. 연구를 위해 범용 구조해석 프로그램인 OpenSees가 사용되었으며, 콘크리트, 철근, Fe-SMA bar의 재료모델이 제안되었다. 본 연구에서 제안된 유한요소 해석 모델의 검증을 위해 기존 연구에 대한 재현해석이 수행되었다. 그 결과 제안된 유한요소해석 모델은 초기 균열과 극한하중을 실험결과와 각각 7.95%, 6.76%의 오차 범위로 예측하는 것으로 나타났다. 또한 제안된 유한요소 해석 모델을 이용하여 철계-형상기억합금의 회복응력이 콘크리트 보에 미치는 영향을 평가한 결과 회복응력이 50 MPa 증가할 때 초기균열 하중은 약 7.14 kN 증가하는 것으로 나타났다. 그러나 철계-형상기억합금의 회복응력이 콘크리트 부재 극한하중에 미치는 영향은 미미한 것으로 나타났다.

This study develops a scientific fishing-ground exploration framework for the Korean large purse-seine fishery, where traditional experience-based searching has become increasingly unreliable under rapid climate variability. AIS-derived fishing locations from 2021 to 2023 were integrated with HYCOM-based temperature and salinity fields and MODIS-Aqua chlorophyll-a data to construct a unified environmental – fishing dataset. After multicollinearity screening and principal component analysis, temperature and salinity at 30 m depth and chlorophyll-a were selected as representative predictors. Using these variables, a generalized additive model (GAM) with background-sampled pseudo-absence data and monthly maximum entropy (MaxEnt) models were developed to quantify nonlinear habitat – environment relationships and predict monthly and seasonal mackerel fishing occurrences. Model performance was evaluated using independent data from 2024. GAM exhibited relatively stable predictive performance across months with generally high AUC and TSS values whereas MaxEnt showed pronounced seasonal variability and was effective in identifying potential habitat structures based on presence-only environmental conditions. Spatial predictions from both models showed good agreement with observed fishing-ground distributions during specific seasons, reproducing high-suitability zones associated with seasonal thermal – salinity fronts and productivity gradients. These results provide insights into the environmental mechanisms governing purse-seine fishing grounds and demonstrate the complementary roles of GAM for operational prediction and MaxEnt for potential habitat exploration.

본 연구는 고속도로 다주식 교각 두부보를 대상으로 철근 보강과 철근 대체 GFRP 보강의 균열 손상 거동을 3차원 유한요소 해석으로 비교ㆍ평가하였다. 콘크리트는 ABAQUS의 CDP 모델을 적용하고, 균열 분포는 인장 손상 변수를 핵심 지표로 사용하였다. 선형해석 결과, 두부보 중앙 상단부의 압축 응력 지배 구간과 중앙 하단부 및 접합부 주변의 인장ㆍ전단 영향 구간이 명확히 구분되었 으며, 향후 실험 계측 위치 선정에 활용 가능한 정보를 제공하였다. 비선형 해석 결과, 전반적으로 각 Case의 최초 균열하중 및 최대하 중, 균열 발생 시 변위 및 최대 변위는 큰 차이 없이 유사 범위에 분포하였으며, 균열 면적과 분포 형상 역시 대체로 유사하여 GFRP 보강 두부보의 구조적 안정성이 확인되었다. 특히 일부 Case는 초기 강성과 파괴 저항 측면에서 철근 보강 대비 경쟁력 있는 결과를 보여, 실무적 대체 가능성을 뒷받침하였다.

This study compares the shear behavior of anisotropic magnetorheological elastomers (MREs) using natural rubber (NR) and silicone rubber (Si) as matrices. The effects of magnetic flux density and compressive pre-stress on the shear modulus were experimentally investigated. Results showed that silicone-based MREs exhibited a 10–20% higher magnetorheological effect than NR-based ones due to stronger particle–matrix bonding and stable chain alignment under magnetic fields. In contrast, NR-based MREs showed greater stiffness variation under compressive stress, attributed to strain-hardening and volumetric constraint effects. These findings indicate that matrix selection significantly governs the magneto-mechanical response: silicone MREs are suitable for precision control and sensing, while NR MREs perform better in high-stress damping systems. This study provides fundamental insight for tailoring MREs according to design requirements.

In this study, We aim to provide design data for a low-temperature refrigeration system to select operating conditions for predicting maximum performance of an eco-friendly binary refrigeration system based on changing operating conditions The operating variables considered in this paper are evaporating temperature, condensing temperature, superheating degree, subcooling degree, and compression efficiency. The main results are summarized as follows: In the low temperature range of -50℃ to -30℃, the COP of the system increased as the evaporating temperature and subcooling degree of the binary refrigeration system for R744-R717 increased, but the COP decreased as the condensing temperature and superheating degree increased. It was confirmed that factors such as superheating, subcooling, condensing temperature, evaporating temperature, cascade temperature difference, and compression efficiency affect the performance coefficient of the binary refrigeration cycle for R744 and R717, and it was found that each of these factors has a cascade evaporating temperature that maximizes the performance of the binary refrigeration cycle.

With the rapid expansion of renewable energy deployment, power systems are increasingly exposed to issues such as higher output variability. Photovoltaic generation, as the most widely installed variable renewable energy source both domestically and internationally, exhibits significant fluctuations due to weather conditions. These characteristics lead to operational challenges including increased curtailment, higher reserve requirements, and even risks of large-scale outages. This study aimed to improve the accuracy of photovoltaic power generation forecasting by developing a data quality control procedure for meteorological data collected at a PV plant. The quality-controlled data were used as inputs to SVM and XGBoost, resulting in improved forecasting accuracy, with MAPE decreasing from 7–10% to 6.32% and 6.08%, respectively. The results demonstrate that meteorological data quality control significantly enhances PV forecasting performance and can contribute to distributed energy resource operation and curtailment mitigation strategies.

최근 국민 삶의질 향상, 인구구조 변화 등에 따라 관광수요가 증가하고 관광활동 또한 다양화되고 있다. 특히 국가어항은 단순 한 어업 활동의 거점을 넘어 지역 경제, 관광, 문화까지 아우르는 복합 기능 공간으로 활용되고 있다. 본 연구는 부산 기장군에 위치한 대 변항을 대상으로 관광수요를 예측함으로써 정책적 활용이 가능한 기초자료를 제공하고자 한다. 2015년부터 2024년까지의 월별 위치 기반 방문객수를 입력 데이터로 설정하여 시계열 예측을 수행하였다. 연구방법론으로 전통적인 통계방법인 SARIMA를 기준으로 예측 정확도 를 향상시키기 위해 Hybrid model을 활용하였다. 특히 기존의 선형적 방법과 비선형 방법을 결합한 Hybrid model을 제안하고자 한다. 시계 열 구조적 분해방법인 STL 기법과 비구조적 잔차 제거 방법인 DAE 분석을 수행하였다. 즉 Trend와 Seasonal을 분해하는 STL과 머신 러닝 기반의 DAE를 활용하여 분해하고, 설명되지 않은 잔차를 대상으로 딥 러닝을 통해 예측함으로써 선형과 비선형 방법을 결합하여 예측 정확도를 제고하고자 한다. 분석결과, 연구진이 제안한 모델로 STL와 DAE를 활용하여 2중 분해하고 LSTM과 Attention을 결합한 Hybrid deep learning model이 가장 예측 정확도가 높았다. 향후 관광수요 예측에서는 분해와 잔차 기반의 노이즈 제거 과정을 거친 후, 딥 러닝 기 법을 결합하는 것이 정확성 측면에서 효과적인 방법임을 확인하였다. 본 연구는 연안 국가어항의 미래 관광수요를 전망함으로써, 관광추 세를 반영한 지속가능한 수요 대응 전략 수립 및 정책 의사결정에 기여할 수 있을 것으로 기대된다.

원격운항자는 자율운항선박의 안전 운항에 대한 책임이 있는 사람으로 위급한 상황에 개입하여 원격조종을 수행하는 역할을 수행한다. 기존의 유인선 항해 환경에서는 단일 선박에 선장, 당직사관, 당직 조타수 등의 선교 인력이 동시에 승선하고 있어, 미숙한 선 박조종을 수행할 때에도 이를 지원이 가능한 조직으로 구성된다. 다수의 선박을 동시에 관리하는 원격운항자는 각 선박에 대한 조종 특 성에 대응이 필요하고, 위급한 상황에서만 상대적으로 짧은 시간 동안 개입해야 함에도 단일 선박에만 집중할 수 없는 방식으로서, 긴급 한 선박 조종에 대한 조직적 지원을 제공받기 어려울 것으로 예상된다. 본 연구에서는 원격운항자의 선박조종을 지원하기 위한 선박 조 종 행동 예측 모델 개발을 위한 기초연구로서, 숫자가 아닌 패턴을 활용한 행동 예측 방법을 제안한다. 제안하는 방법론은 선박 조종 데 이터를 패턴화하는 과정, 행동 패턴을 자기회귀 모델에 학습하여, 실제 선박에서의 개인의 조종 습관에 기반한 선박 조종 행동 예측 방법 을 제안하고, 원격운항자의 선박별 선박 조종을 지원하기 위한 선박 조종 행동 예측 모델 활용의 구체적인 예시를 제공한다. 검증된 패턴 을 활용한 행동 예측 방법은 원격운항자의 조종 특성 적응을 지원하는 모델의 개발에 활용될 수 있을 것으로 기대한다.

본 연구에서는 2011년부터 2024년까지 새만금 지역의 4개 주요 지점(만경강, 동진강, 신시갑문, 가력갑문)에서 수집된 수질 자료 를 이용하여 용존산소(DO)와 총유기탄소(TOC) 예측을 위한 XGBoost 기반 모델을 구축하고, SHAP 분석을 통해 변수별 상대적 설명력을 평가하였다. 모델은 DO에서 R² 0.89–0.95, TOC에서 0.88–0.95의 높은 예측 성능과 낮은 평균제곱오차(MSE)를 보여, 예측의 신뢰성을 확 인하였다. SHAP 분석 결과, 하천 지점에서는 pH와 수온이 DO 예측에서 가장 높은 설명력을 보였고, 염분의 영향은 미미하여 외해수 유입 이 제한적임을 나타냈다. 반면, 기수 지점에서는 수온이 DO 예측의 주요 요인으로, 염분은 보조 요인으로 작용하였다. 연도별 분석에서는 하천 지점에서 pH의 기여도가 2016년 이후 감소하고 수온의 비중이 2019년 이후 다소 높아지는 경향이 일부 나타났으나, 전체적으로는 명 확한 증가·감소 추세가 확인되지 않았다. TOC 예측에서는 하천 지점에서 COD와 chlorophyll-a가, 기수 지점에서는 chlorophyll-a와 염분이 상 대적으로 중요한 설명 변수로 확인되었다. COD의 기여도는 2017–2018년에 낮았다가 2019–2021년에 높아진 후 최근 다시 감소하는 등 일부 연도에서 변동이 나타났으나, 뚜렷한 장기 경향은 관찰되지 않았다. 이러한 결과는 연도별로 변수의 상대적 설명력에 세부적인 변동 은 존재하지만 전체적으로 일관된 추세는 아직 확립되지 않았음을 보여준다. 이처럼 연도별 변동성과 불확실성이 공존하는 환경에서, XGBoost와 SHAP을 결합한 접근법은 각 변수의 상대적 중요도와 시기별 변화를 정량적으로 평가할 수 있는 유용한 분석 틀을 제공한다.

최근 기후 변화로 인해 기존 경험 기반 농업의 불확실성이 증가하고 있어 작물의 생육 특성을 정밀하게 예측하고 대비하는 것이 중요해지고 있다. 이에 본 연구는 복합 농업 데이터를 기반으로 양파의 생육 특성을 정밀하게 예측하기 위해, 시계열 기반 환경 정보 및 생육 데이터를 처리하는 LSTM 기반 동적 분기와, 품종 및 재식 밀도 등 농가별 고정 특성을 반영하는 정적 분기로 구성된 이중 분기 아키텍처를 제안하고 검증한다. 제안 모델의 검증은 전북특별자치도 내 3곳의 양파 재배 농가에서 2024년과 2025년에 수집된 환경, 생육, 농가 정보 데이터셋을 활용하였다. 실험 결과, 구직경과 생구무게에 대한 평균  가 각 0.91과 0.90으로, 제안 모델이 두 변수에 대해 높은 수준의 설명력을 갖고 있음을 확인하였다. 이는 본 연구에서 제안한 복합 데이터 모델링 접근법이 수확량의 정밀한 예측과 재배 관리 의사결정의 보조 도구로 활용될 수 있음을 보여준다.

기후변화로 서리의 계절적 발생 시점은 지연되고 있다. 반면에 국내 주요 사과 산지의 서리 발생 빈도는 오히려 증가하고 있어 정밀한 사전 예측의 필요성이 커지고 있다. 본 연구는 노지 과수원 환경을 대상으로, 서리 발생 여부를 예측하는 다중 시간스케일 기반의 인공지능 모델을 제안하였다. 최근 10년간(2014-2025년) 경상북도 안동 기상대의 시간별 관측 97,758건을 사용하였으며, 6·12·24시간의 멀티윈도우 입력으로 단기 급변(복사냉각), 일일 주기성, 장기적인 대기 순환 패턴을 동시에 반영하였다. 모델링은 XGBoost, CNN, XGB-CNN 앙상블로 구성하였으며, 학습-검증-테스트를 70-20-10%로 분할하였다. 성능 평가로 XGB-24h는 ROC-AUC 0.977, PR-AUC 0.921, FPR 0.039로 높은 분별력과 낮은 허위경보를 보였다. CNN-24h는 Recall 0.941로 놓침 최소화에 유리하나 FPR이 상대적으로 높았다. 제안한 앙상블은 두 축을 절충하여 Accuracy 0.932, Recall 0.859, FPR 0.046, MCC 0.809, PR-AUC ≈0.919를 달성했고, Brier 0.056으로 확률 보정도 가장 우수했다. 성능 최적화를 위해 소프트 보팅 앙상블 모델의 가중치(ω)와 서리판정의 임계값(θ)을 대상으로 2차원 grid search를 수행한 결과, 앙상블 성능 조정 시 가중치(ω)보다 임계값(θ)이 핵심 파라미터임을 확인 하였다. 본 연구는 다중 시간스케일과 앙상블에 계절별 동적 임계값(θ) 정책을 적용할 경우 추가적인 성능 개선이 가능함을 시사하며, 지역 일반화의 한계를 고려해 향후 다양한 지역·기후 조건에서의 현장 실증 연구를 통해 재현율(Recall) 중심의 성능향상을 지속적으로 개선하고자 한다.