본 연구는 항만물류 분야의 산업 설비에 대한 머신러닝 기반 예지정비 시스템 개발을 목적으로 수행되었다. UCI Repository의 Dataset을 활용하여 10,000개의 데이터 포인트를 분석하였으며, 설비 고장 발생 여부를 예측하는 이진 분류와 고장 유형을 분류하는 다중 클래스 분류 과제를 수행하였다. 데이터 전처리 과정에서 클래스 불균형 문제 해결을 위해 SMOTE 기법을 적용하였고, StandardScaler를 이 용한 정규화를 수행하였다. 주성분 분석을 통해 온도 변수, 기계 출력, 공구 마모가 주요 예측 변수로 확인되었다. 로지스틱 회귀, K-최근 접 이웃, 서포트 벡터 머신, 랜덤 포레스트, XGBoost 등 다섯 가지 머신러닝 알고리즘을 적용하여 성능을 비교하였다. 분석 결과, KNN은 상대적으로 낮은 성능을 보였으나 빠른 응답속도를 제공하였고, XGBoost가 모두에서 최고 성능을 보였으며, 이진 분류에서 F1 점수 0.958, 다중 클래스 분류에서 0.989를 달성하였다.

This study proposes a data-driven framework for analyzing freeway driving behavior using multiple real-world trajectory datasets, and applies it consistently to mainline and ramp sections. The four large-scale datasets—namely highD, exiD, NGSIM I-80, and NGSIM US- 101—were processed through a unified preprocessing pipeline that converted all variables to International System Units(SI), resampled trajectories to 10 Hz, applied Savitzky-Golay smoothing to speed, and removed physically implausible and statistical outliers based on joint physical-statistical criteria. For each vehicle, 24 summary features were constructed from six longitudinal indicators–speed, acceleration, deceleration, time headway (THW), distance headway (DHW), and time-to-collision (TTC)–using their minimum, maximum, mean, and standard deviation. Indicator distributions by road type were compared using relative frequency histograms with common binning; then, principal component analysis (PCA) and K-means clustering were applied independently to each dataset. The leading principal components revealed interpretable axes related to longitudinal driving intensity (speed and acceleration level), safety margin (THW/DHW/TTC), and onramp sections; responsiveness was characterized by acceleration-deceleration variability, as observed within the analyzed datasets. Cluster interpretation yielded four relative driving behavior categories–aggressive, responsive, stable, and defensive–defined within each dataset based on indicator levels and variability rather than absolute thresholds.

Since the National Emergency Management Agency’s seismic fragility function, developed in 2009, classified domestic buildings by structural type, numerous studies have used this classification. In 2021, the updated seismic fragility function adopted a slightly more complex classification logic, limited to concrete structures. Data for structural-type classification were derived from information in the building register, including primary use, floor area, permit date, and number of stories. To verify and improve the accuracy of the classification logic, a sample of approximately 1,800 from about 13,000 concrete buildings in a specific region was selected. Structural types classified by the logic were compared with those identified through road views provided by the Architecture HUB. The results confirmed that the existing classification logic requires revision to incorporate additional variables, including the sub-use of the building and the area-by-use on the first floor. The revised logic significantly improved classification accuracy by including those variables.

Underwater sonar image classification is essential for maritime surveillance, autonomous navigation, and underwater target identification, where optical sensing is often restricted by turbidity and light attenuation. To enhance the robustness of sonar-based perception under such challenging conditions, this study proposes a metric-enhanced Vision Transformer (ViT) framework that integrates Siamese-based representation alignment with distance-regularized classification. In the first stage, a Siamese pre-training strategy is employed to align embeddings of positive pairs, encouraging directionally consistent representations that improve class separability even under severe noise and viewpoint variations. In the second stage, the pretrained ViT encoder is frozen, and five classifiers—Linear, Cosine, Proxy, and their Mahalanobis-regularized variants—are systematically evaluated to investigate the effect of embedding normalization and distributional alignment. Experimental results on the UATD dataset demonstrate that the Siamese-trained ViT produces more stable and discriminative features than both ResNet-50 and standard ViT-S. Among the classifiers, the Mahalanobis-regularized cosine classifier achieves the highest, showing significant reductions in misclassification between visually similar classes such as cube and square cage. Overall, the proposed approach highlights the effectiveness of combining ViT with metric learning and covariance-aware distance normalization for underwater sonar image recognition. The results suggest that metric-enhanced transformers offer a robust and generalizable foundation for sonar-based perception in real maritime environments.

본 연구는 중앙해양안전심판원의 해양사고 중 안전사고에 대한 재결서 내 비정형 텍스트 데이터를 분석하여, 데이터 기반의 새로운 원인 분류 체계를 구축하는 것을 목적으로 한다. 이를 위해 거대 언어 모델(Large Language Model, LLM)의 문맥 기반 인과 추론 능 력을 활용하는 단계적 접근 방식을 채택하였다. 분석 데이터로는 중앙해양안전심판원 홈페이지에 등록된 2020년부터 2024년까지의 안전 사고 재결서를 수집하여 활용하였다. 수집된 데이터에서 세부 원인을 추출하고, 벡터 기반의 통계적 군집화 분석을 수행한 결과, 당사자, 지휘·협업, 설비·물적, 조직, 환경 요인의 5가지 분류 체계를 도출하였다. 도출된 체계를 적용하여 원인을 재분류한 결과, 기존 통계에서 ‘운항과실’과 ‘기타’ 등 소수 범주에 약 94% 이상 편중되어 있던 원인들이 책임 소재 및 시스템적 관점에 따라 ‘당사자 요인(40.6%)’과 ‘지 휘·협업 요인(25.3%)’ 및 ‘설비·물적 요인(23.2%)’ 등으로 세분화되었다. 또한, 기존에 식별되지 않았던 의사소통 오류나 작업 환경 특성 등 이 ‘조직 요인’ 및 ‘환경 요인’으로 명확히 구분되었다. 본 연구의 결과는 해양 안전사고의 원인을 책임 소재와 시스템적 차원에서 입체적 으로 규명함으로써, 향후 실효성 있는 안전사고 예방 대책 수립을 위한 기초 자료로 활용될 것으로 기대한다.

환경 규제에 대한 국제 규제의 강화로 인하여 국내 항만에도 친환경 연료 인프라를 구축하기 위한 정책이 마련되고 있다. 하지 만 여전히 친환경 연료에 대한 작업자의 취급 안전 문제가 대두되고 있는 것이 실정이다. 따라서 본 연구에서는 계절에 따른 항만 내 암 모니아 누출 위험 특성을 정량적으로 평가하고, 이를 기반으로 관리구역을 설정하기 위한 의사결정지원 체계를 제안하였다. 여수항을 대 상으로 환경 변수를 고려하기 위하여 봄·여름·가을·겨울 및 오전·오후의 계절 시나리오를 구성하고, 벙커링 중 발생할 수 있는 최대 누출 조건에서 암모니아 확산 특성을 시뮬레이션하였다. 이때 개인적 위험도는 Gexcon 社의 RISKCURVES를 활용하여 산정하고, IMO CCC 10차 에서 제시한 220 ppm 독성 기준과 HSE Level-2 기준인 1.0E-6/year를 적용하였다. 도출된 위험도를 기반으로 Safety zone을 정의하고, IMO의 작업자 평지 보행속도 1.11 m/s를 적용하여 60초 이내 대피가 불가능한 구역을 Unsheltered zone으로 설정하였다. 또한, Safety zone과 Unsheltered zone 사이에 위치한 작업자의 대피 가능성을 평가하기 위해 A* 알고리즘을 이용해 최단 경로를 탐색하고, k-means 군집화와 Silhouette score를 활용하여 Security zone을 도출하였다. 본 연구의 결과는 암모니아 벙커링 항만 및 친환경 연료 기반 인프라 구축 시 계절 별 위험성을 반영한 사고대응 전략 수립에 활용될 수 있을 것으로 판단된다.

In digital games, typography serves not only as a vehicle for conveying information but also as a crucial visual element that shapes the game’s identity and emotional atmosphere. However, prior research has predominantly focused on graphics, backgrounds, and character design, with systematic analyses of typographic expression remaining limited. This study concentrates on the emotional functions of typography in games by analyzing 25 PC games across five representative genres: role-playing (RPG), shooting (FPS/TPS), strategy (RTS/TBS), MOBA (AOS), and horror. The titles of these games were assessed using a seven-point scale based on typographic variables—weight, form, spacing, slant, baseline, and visual effects—and subsequently translated into emotional dimensions: robustness, stability, dynamism, traditionality, and fantasy. Based on this framework, genre-specific emotional typologies were identified. The results indicate that RPGs emphasize grandeur and mythic symbolism; FPS/TPS games highlight robustness and dynamism; strategy games exhibit order and stability; MOBAs convey competitive dynamism; and horror games strongly employ fantasy and anxiety. By classifying genre-specific emotional types of typography, this study expands the scope of game graphic design research to include textual expression. Practically, it provides design guidelines that help align typographic choices with genre-specific emotional characteristics. Nonetheless, the study is limited to PC games and a single-researcher evaluation, suggesting the need for future research to incorporate diverse platforms and user-based assessments.

항로표지는 해상에서 항행안전을 보장하기 위한 핵심 수단으로서, 국제적 표준화가 필수적인 분야이다. 국제항로표지기구 (International Organization for Marine Aids to Navigation, IALA)는 1980년대 초 해상부표식(Maritime Buoyage System, MBS)을 제정·채택하여 이 를 중심으로 전 세계 항로표지 표준화를 주도해왔으며, 해상부표식은 현재 국제해사기구(IMO)와의 협력을 통해 사실상 국제 규정으로 기 능하고 있다. 이에 따라 세계 각국은 IALA 기준을 자국 법령에 반영하여 항로표지의 통일성과 해상안전을 확보해 왔다. 우리나라도 항로 표지법과 해양수산부령 고시를 통해 IALA 기준을 수용하고 있으나, 분류체계의 명확성과 국제표준과의 용어 통일성 측면에서 보완과 정 비가 필요한 상황이다. 본 논문은 IALA의 역사적 배경과 문서 체계를 살펴보고, 해상부표식의 원칙과 국제법적 지위를 고찰하였다. 나아 가 우리나라의 항로표지법, 시행령, 시행규칙 및 해양수산부 고시상 항로표지 분류체계를 해상부표식과 비교·분석함으로써 국내 법령의 국제표준 반영 현황과 문제점을 도출하였다. 이를 바탕으로 항로표지법령에 IALA 표준 준수에 대한 명확한 법적 근거를 마련하고, 항로 표지 분류체계를 직관적으로 이해할 수 있도록 법령을 재편하는 방안을 제시하였다. 이를 통해 국제표준에 부합하는 체계를 구축하여 효 과적인 항로표지 운영 기반이 마련될 수 있을 것으로 기대된다.

본 연구의 목적은 2023년 4월 충청남도 홍성군 대형산불피해지를 대상으로 산불로 인한 온실가스 배출량을 산정하여 국가 온실가스 인벤토리 고도화에 기여하고자 한다. 산불로 인한 온실가스 배출량은 2006년 IPCC 가이드라인에 따라 산정하였으며, 산정 인자인 연소면적은 Sentinel-2A 위성영상 기반의 differenced Normalized Burn Ratio (dNBR)을 활용하여 제작한 산불피해등급도를 이용하였고 지표층 및 수관층의 연료량 및 연소효율은 현장자료를 바탕으로 추정하였다. dNBR을 활용하여 제작한 산불피해등급도를 기반으로 산정한 온실가스 배출량은 약 19,336.9톤으로, 국립산림과학원 자료를 이용한 결과보다 약 4.0% 증가한 것으로 나타났다. 본 연구는 현장자료를 반영하여 산불로 인한 온실가스 배출량을 보다 정밀하게 산정한 데 의의가 있다. 향후에는 국내 생태계 특성을 반영한 각 요소별 고유 지표의 도입이 요구된다.

Flagpole supports were stone structures used in temples, symbolizing the temple or hanging a Dang on the Danggan to announce event, and played a crucial role in supporting both the Dang and the Danggan. The flagpole supports are not merely stone structures but hold significance in their relationship with the temple itself. Currently, around 86 of these flagpole supports remain in Korea. Despite a considerable number of flagpole supports still remaining, research papers and materials on the subject have been scarce, except for recent survey reports, precise measurements, and Um Ki-pyo's “A Study on the Dangcan and the Dangcan-Jiju in Korea.” While art historical research is abundant, architectural studies are still needed, and this study aims to fill that gap. First of all, the status of Flagpole Supports was identified based on the field survey, a precision survey report and other data were used, and an analysis study was conducted. This study, therefore, focuses on (1) the current status of the altered flagpole supports, and (2) the classification of the types of jointing, categorizing the methods of flagpole support jointing into five types based on the presence or absence of a base. Therefore, this study aims to identify the current status of flagpole supports and, through analysis, classify the jointing methods to provide foundational data for future research.

This study presents a truck classification method using panoramic side-view images to meet the Ministry of Land, Infrastructure and Transport’s 12-category standard (types 4–12). The system captures a vehicle’s full side profile via a panoramic imaging device, ensuring complete wheel visibility. A YOLOv12-based deep learning model detects wheels, and image processing extracts their center coordinates. Pixel distances between adjacent wheels are calculated and normalized to determine axle spacing patterns, which, together with wheel count, are applied to a rule-based classifier. Tests on 1,200 real-world panoramic truck images (1,000 for training, 200 for testing) achieved a mean average precision of 96.1% for wheel detection and 90.5% overall classification accuracy. The method offers explainable classification through measurable structural features, supporting applications in smart tolling, road usage billing, overloading enforcement, and autonomous vehicle perception.

This paper reviews ordinal decision tree algorithms for ordinal classification, exploring theoretical foundations, key algorithms (MDT, QMDT), specialized splitting criteria (Ordinal Gini, Weighted Information Gain), and ensemble methods. It discusses applications in healthcare and social sciences, highlighting interpretability and flexibility while acknowledging overfitting and instability. As implications for future research, this study points out advantages such as interpretability and flexibility, and limitations such as overfitting and instability.

Passive acoustic monitoring (PAM) has emerged as an effective tool for studying underwater soundscapes and monitoring marine organisms. In this study, the biological sounds of three fish species that mainly inhabit or occur in the Korean coastal oceans, brown croaker (Miichthys miiuy), Pacific cod (Gadus macrocephalus), and small yellow croaker (Larimichthys polyactis) were recorded using the PAM method. The possibility of automatic classification was evaluated using a deep learning-based convolutional neural network (CNN) model based on the measured data. The biological fish sounds were recorded using hydrophones in the sea cage environments. The three fish species data were converted into spectrogram images and used as input for training and evaluating the CNN model. Gaussian noise was added to the test data to simulate low signal-to-noise ratio (SNR) environments. The model achieved high classification performance, with F1-score of about 96% on raw data and about 77% accuracy under signal-to-noise ratio conditions. These results suggest that CNN-based models be adequate for fish sound classification, even in acoustically complex underwater environments. Applying CNN models to classify and detect fish sounds can improve the automation and efficiency of PAM-based acoustic analysis, thereby improving the monitoring of fish populations, resource assessment, and ecological management in the future.