본 연구에서는 레이더 관측 영역 내에 강수 에코(echo)가 없는 지역을 비강수 정보라고 정의하고 자료 동화에 활용하였다. 비강수 정보는 레이더로 관측할 수 있는 최대 영역 내에서 강수에 의한 에코가 나타나지 않고 레이더에서 관측할 수 없을 정도로 약한 강수나 구름 입자가 있거나, 강수 자체가 없다는 것을 의미한다. 기존의 레이더 자료를 동 화한 연구가 강수에 의한 반사도와 시선속도를 동화하여 모델 내의 강수를 만들어내는 것에 초점을 두었다면, 본 연구 에서는 에코가 없다는 것도 하나의 정보로 고려하고 이를 동화함으로써 모델 내에서 잘못 예측한 강수를 억제하였다. 비강수 정보를 자료동화에 적용시키기 위해 레이더 비강수 정보를 수상체와 상대습도로 변환하는 관측 연산자를 제시 하고 이를 Weather Research and Forecasting (WRF) 모델의 자료동화 시스템인 WRF Data Assimilation system (WRFDA)에 적용하였다. 또한 비강수 정보를 효과적으로 활용하기 위한 레이더 자료의 처리 방법을 제시하였다. 비강 수 정보가 모델 내에서 잘못 예측한 강수를 억제할 수 있는지 확인하기 위해 단일 관측실험을 수행하였으며 비강수 정 보가 수상체와 습도 그리고 기온을 낮춤으로써 대류가 억제될 수 있는 환경을 만들었다. 비강수 정보의 동화 효과를 실제 사례에 적용한 2013년 7월 23일 대류 사례 실험을 통해 9시간 예측을 수행하여 결과를 분석하였다. 레이더 비강 수 정보를 추가로 동화한 실험이 비강수 정보를 제외한 실험보다 Fractional Skill Score (FSS)가 증가하고 False Alarm Ratio (FAR)는 감소하여 모델의 강수 예측성을 향상시켰다.

여러 센서를 이용한 구조물의 구조 응답을 모니터링하는 사례가 증가하고 있다. 그러나 비용과 관리 문제로 인해 제한된 센서만이 구조물에 설치되어 일부의 구조 응답만을 수집하는 경우가 대부분이다. 이는 구조물의 전체 거동을 분석하는데 장애요소로 작용하게 된다. 따라서 제한된 센서를 이용해 센서가 설치되지 않은 위치에서의 응답을 신뢰할 수 있는 수준으로 예측하는 기술이 필요하다. 본 연구에서는 제한된 정보를 이용해 저층 건물 구조물의 지진 응답을 예측하는 해석적 연구를 수행한다. 활용 가능한 응답 정보는 1층과 최상층의 가속도 응답만을 사용할 수 있다고 가정한다. 두 정보를 이용하면 구조물의 1차 고유진동수를 얻을 수 있다. 1층 가속도 정보는 구조물의 가력 정보로 활용한다. 최상층의 가속도이력응답에 대한 오차와 대상 구조물의 1차 고유진동수 오차를 최소화하는 구조물의 질량과 강성 정보를 유전자알고리즘을 이용해 예측하는 기법을 제시한다. 제약조건은 고려하지 않는다. 탐색공간을 의미하는 설계변수의 범위를 결정하기 위해 인공신경망 기반의 파라미터 예측기법을 제시한다. 또한 유전자알고리즘을 통해 얻게 되는 해를 개선시키기 위해 앞서 언급한 인공신경망을 활용한다. 제시한 기법을 검증하기 위해 5층 구조물 예제를 사용한다.

This study develops an empirical prediction equation of spectral acceleration responses of earthquakes which can induce structural damages. Ground motion records representing hazards of low-to-moderate seismic regions were selected and organized with several influential factors affecting the response spectra. The empirical equation and estimator coefficients for acceleration response spectra were then proposed using a robust nonlinear optimization coupled with a regression analysis. For analytical verification of the prediction equation, response spectra used for low-to-moderate seismic regions were estimated and the predicted results were comparatively evaluated with measured response spectra. As a result, the predicted shapes of response spectra can simulate the graphical shapes of measured data with high accuracy and most of predicted results are distributed inside range of correlation of variation (COV) of 30% from perfectly correlated lines.

This study was aimed to find yield prediction model of Italian ryegrass using climate big data and geographic information. After that, mapping the predicted yield results using Geographic Information System (GIS) as follows; First, forage data were collected; second, the climate information, which was matched with forage data according to year and location, was gathered from the Korean Metrology Administration (KMA) as big data; third, the climate layers used for GIS were constructed; fourth, the yield prediction equation was estimated for the climate layers. Finally, the prediction model was evaluated in aspect of fitness and accuracy. As a result, the fitness of the model (R2) was between 27% to 95% in relation to cultivated locations. In Suwon (n=321), the model was; DMY = 158.63AGD –8.82AAT +169.09SGD - 8.03SAT +184.59SRD -13,352.24 (DMY: Dry Matter Yield, AGD: Autumnal Growing Days, SGD: Spring Growing Days, SAT: Spring Accumulated Temperature, SRD: Spring Rainfall Days). Furthermore, DMY was predicted as 9,790±120 (kg/ha) for the mean DMY(9,790 kg/ha). During mapping, the yield of inland areas were relatively greater than that of coastal areas except of Jeju Island, furthermore, northeastern areas, which was mountainous, had lain no cultivations due to weak cold tolerance. In this study, even though the yield prediction modeling and mapping were only performed in several particular locations limited to the data situation as a startup research in the Republic of Korea.

기상 조건을 고려하여 교통사고 발생 원인과의 관계를 분석한 연구에서는 갑작스러운 온도 또는 기상 상 태의 변화는 교통사고에 영향을 준다는 결론을 제시하고 있다. 특히, 동절기에 기온이 떨어지는 경우, 도로 결빙에 의한 교통사고가 발생할 가능성이 높으며, 도로 표면에서 발생하는 결빙 현상은 운전자가 육안으로 쉽게 관측 할 수 없는 한계를 가진다. 따라서, 노면에 발생하는 결빙은 교통사고의 원인으로 작용 할 수 있 기 때문에, 결빙이 발생한 구간에서 운전자의 주의를 높여 줄 수 있는 대안 등이 요구된다. 결빙 현상은 야 간과 같이 온도가 낮아지는 시간에 발생하므로, 결빙을 예측하기 위해서는 노면 온도에 대한 정보가 필요하 다. 그러나, 노면온도 변화에 직･간접적으로 영향을 주는 대기 기상정보는 거시적(5km*5km 단위) 범위에 서 정보가 제공되므로, 운전자가 주행하는 도로망에 대한 정확한 정보를 제공하는데 어려움이 따른다. 따라 서, 본 연구에서는 운전자가 주행하는 도로망에 대기 온도를 제공 및 예측하기 위해 대기온도, 대기습도, 풍 향 등을 고려한 기상정보와 노면 온도 자료를 활용하여 노면 온도를 예측하는 모형을 개발하고자 한다. 노면 온도 예측 모형을 개발하기 위하여 Thermal Mapping 장비가 장착된 차량을 이용하였으며, Thermal Mapping 장비를 통해 노면온도, 대기온도, 대기습도를 측정한다. 또한, 시스템적으로 GPS가 연계되어 있어서, 정확한 위치 정보의 취득이 가능하며, 노면온도에 영향을 미치는 기상정보는 기상청에 서 수집하여 제공하는 온도, 습도, 풍속 등을 이용하였다. 또한, 지형의 요소를 교량부, 산지부, 평지부, 해안, 내륙을 구분하여 지형적인 요소도 반영 될 수 있도록 하였다. 예측 모형은 비선형 분석 모형을 사용 하여 노면 예측 정확도에 적합한 알고리즘을 사용할 계획이며, 본 연구의 결과는 기상과 관련된 교통안전 관련 연구에 활용될 것으로 기대한다.

창조경제 정부에서 교통안전 선진화를 국정과제로 추진하고 있을 만큼 도로안전은 사회적 주요 관심대 상이다. 그러나 현재 우리나라에서는 도로안전사업 대상 지역의 선정기준이 되는 도로안전 취약 및 위험 구간을 도출하는 방법이 객관적으로 마련되어 있지 않다. 따라서 이러한 국내 상황을 극복하기 위해서는 도로 안전성 여부를 과학적으로 분석할 수 있는 평가기법 개발이 필요하다. 이를 위한 최적의 방안으로는 한국 현지 도로 여건에 맞는 사고예측모형을 개발하는 것이다. 그러나 사고예측모형 개발에 필요한 모형 입력 자료를 생성하기 위해서는 현장조사와 DB 구축 등에 많이 비용이 소요된다. 따라서 본 연구에서는 사고예측모형 개발에 필요한 자료 중 도로 기하구조 요소(곡선반경 등)를 수집하 기 위해 직접 현장조사를 하지 않고 엑셀 형태로 작성된 도로대장을 활용할 수 있는 방안에 대해 연구하 였다. 또한 사고예측모형을 공간정보 기반으로 개발하여 Network Screening과 개선대안 효과분석 등의 작업을 직관적이며 효과적으로 수행하고 사고예측을 정확하게 판단할 수 있는 장점을 확보하기 위하여 모 형입력 자료를 공간정보 DB로 구축하는 방안을 도출하였다. 따라서 본 연구에서는 임의로 설정한 기준점에서부터의 누적거리를 이용하여 시설물 위치와 도로 기하 구조 정보를 표현하는 도로대장을 도로망 수치지도(교통주제도)를 따라 선형 객체의 공간정보로 변환할 수 있는 기능을 개발하였다. 또한 사고발생 자료의 경우 수집된 자료의 지구좌료를 이용하여 점형 객체의 공간정보를 생성하였으며, 교통량조사 자료는 동일한 교통량으로 구분되는 선형 객체의 공간정보를 생성 하였다. 본 연구에서 제시한 모형 입력 자료 생성 방법은 교통주제도의 차로수에 따라 도로중심선을 1차 분할 한 후, 공간정보로 생성된 종단경사, 곡선반경, 중앙분리대 등으로 도로중심선을 2차 분할하였으며, 이를 토대로 GIS 공간분석을 수행하여 접도구역(면형객체), 사고위치(점형객체), 교통량(선형객체), 가로등의 정보를 분할된 동질구간에 매핑하는 방안을 도출하였다. 본 연구를 통하여 교통사고, 교통량 및 도로대장 자료를 모형 입력 자료 형식에 맞게 공간정보 DB 형태 로 구축하고, 이를 통해 GIS의 공간분석을 수행함으로서 정확한 사고건수 추출, 동질성 구간에 대한 체계 적인 분석과 과학적인 분할 등을 매우 신속하고 다양하게 시뮬레이션을 할 수 있음을 확인할 수 있었다.

최근 빅데이터 활용, 앙상블 기후모형과 작물모형의 결합, 작물모형과 사회경제모형의 결합 등 다학제간 연구들이 활발하게 수행되고 있는 가운데, 국내 많은 농업모형 연구자들에 의해 작물 생물계절/생육단계모의 모형, 기상재해 및 병해충 예측모형 등이 꾸준히 개발되었고, 이와 더불어 각 모형에서 생산되는 정보를 농가에서 쉽게 활용 가능하도록 가공하고 또 빠르고 효율적으로 정보를 제공하기 위한 시스템들이 개발되었다. 그러나, 여러 농업모형들을 유기적으로 결합하여 보다 현실적인 정보를 생산하기 위한 연구는 드물었다. 농업생태계를 구성하는 작물, 작물에 영향을 미치는 생물적 환경 (병원균, 해충, 잡초 등)과 비생물적 환경 (토양, 기상 등)은 서로 밀접하고 복잡한 상호작용을 하고 있기 때문에 이들 모두를 고려한 모형을 개발하는 것은 사실상 거의 불가능에 가깝다. 그럼에도 불구하고, 주요 상호작용들을 모의한 종합적인 농업생태계 모형을 만들어 내는 것이 우리 연구자들이 앞으로 해야 할 중요한 숙제임에는 틀림없다. 최근 복숭아순나방 (Grapholita molesta, Busck)의 서식지가 중국 북서부에서부터 전세계로 급속도로 확대되면서 과수 농가에도 상당한 경제적 피해를 입히고 있다. 따라서 이 해충에 대한 연구도 활발하게 이루어지고 있는데, 본 연구에서는 과수 개화일 예측모형과 복숭아순나방 출현모형을 이해하고 이를 결합하여 활용할 수 있는 가능성을 고민해 보려고 한다.

To improve the performance of wide-issue superscalar processors, it is essential to increase the width of instruction fetch and the issue rate. Removal of control hazard has been put forward as a significant new source of instruction-level parallelism for superscalar processors and the conditional branch prediction is an important technique for improving processor performance. Branch mispredictions, however, waste a large number of cycles, inhibit out-of-order execution, and waste electric power on mis-speculated instructions. Hence, the branch predictor with higher accuracy is necessary for good processor performance. In global-history-based predictors like gshare and GAg, many mispredictions come from commit update of the branch history. Some works on this subject have discussed the need for speculative update of the history and recovery mechanisms for branch mispredictions. In this paper, we present a new mechanism for recovering the branch history after a misprediction. The proposed mechanism adds an age_counter to the original predictor and doubles the size of the branch history register. The age_counter counts the number of outstanding branches and uses it to recover the branch history register. Simulation results on the SimpleScalar 3.0/PISA tool set and the SPECINT95 benchmarks show that gshare and GAg with the proposed recovery mechanism improved the average prediction accuracy by 2.14% and 9.21%, respectively and the average IPC by 8.75% and 18.08%, respectively over the original predictor.