선박 운항 및 해상 활동의 증가로 인해 해상사고 위험성이 지속적으로 높아지고 있으며, 광범위한 해역을 효율 적으로 감시할 수 있는 원격탐사 기반 선박탐지 기술의 중요성이 커지고 있다. 본 연구에서는 광학 위성영상 기반 비 지도 학습 기법을 활용한 선박탐지 및 크기 추정 방법을 제시하였다. 이를 위해 Sentinel‐2 Level‐2A 반사도 영상을 사 용하였으며, 부산항 인근 해역을 대상으로 분석을 수행하였다. 먼저 주성분분석(Principal Component Analysis, PCA)을 적용하여 분광 정보를 압축하고 노이즈를 저감한 후, K‐means 클러스터링을 통해 선박과 해수를 분리하였다. 이후 선 박자동식별시스템(Automatic Identification System, AIS) 자료를 활용하여 탐지 결과의 정확도를 평가하고, 타원 피팅 기법을 적용하여 선박 길이를 추정하였다. 분석 결과, PCA 기반 전처리는 선박과 해수 간 반사도 차이를 효과적으로 강화하였으며, K‐means 클러스터링은 약 80% 수준의 탐지 정확도를 나타내었다. 또한 AIS 자료와의 비교에서 평균 약 78 m 수준의 위치 차이를 보여 탐지 결과의 공간적 신뢰성을 확인하였다. 타원 피팅 기반 길이 추정에서는 대형 선박 을 대상으로 실제 등록 길이와 비교한 결과, 약 38m의 평균제곱근오차(Root Mean Square Error, RMSE)가 산정되었 다. 본 연구는 추가 학습자료 없이도 광학 위성영상 기반 비지도 접근을 통해 선박탐지와 크기 추정이 가능함을 제시 하였으며, 향후 해양 감시 및 선박 모니터링 분야에 활용 가능성을 제공한다.

기후변화로 기상 조건의 변동성이 증가함에 따라, 하수처리장 유입 부하의 변동성 또한 전반적으로 확대되고 있다. 특히 합류식 하수관거 시스템을 사용하는 도시 지역에서는 강수 및 기온 변화에 따라 유입 부하 변동이 더욱 두드러지게 나타난다. 이에 따라 기존에 활용되는 계절 기반 분류 방법은 예외적인 유입 부하 패턴을 충분히 포착하는 데 한계를 가진다. 본 연구는 기상 자료와 유입 수질 자료를 통합하여 군집화 기반으로 하수처리장 유입 부하 패턴을 분류하는 것을 목적으로 한다. 유입 부하 변동 특성을 효과적으로 나타낼 수 있는 최적의 군집화 조건을 도출하기 위해 다양한 실험 조건에서 여러 군집화 알고리즘의 성능을 비교ㆍ분석하였다. 9년간의 일 단위 기상 자료와 유입 수질 자료를 활용하여 다양한 입력 변수 및 파라미터 조건에서 4개 군집화 알고리즘의 성능을 평가하였다. 분석 결과, 학습에 활용된 특징 변수의 수가 증가할수록 군집 간 상대적 거리인 분리도는 전반적으로 감소하여 분류 성능이 저하되는 경향을 보였다. 반면, 기상 변수를 포함하면 군집 성능이 일관되게 향상되었다. 결과적으로, 강수량의 비대칭적 분포 특성으로 인해 밀도 기반 및 분포 기반 알고리즘은 군집 경계 형성을 저해하여 성능이 저하되었고, 거리 기반 알고리즘은 강수 변수를 포함할 때 분리도가 증가하며 실루엣 지수(Silhouette Index, SI) 높게 나타났다. 이러한 결과는 적절히 선택된 군집화 조건이 기존의 계절 분류를 넘어 예외적인 유입 부하 패턴을 효과적으로 구분할 수 있음을 시사한다. 본 연구는 기상 자료와 수질 자료를 통합한 유입 부하 군집화가 기존 접근법보다 정교한 분류를 가능하게 하며, 선제적 운영과 공정 수준 예측 성능 향상에 기여할 수 있는 정량적 근거를 제시한다.

현대 국가어항은 전통적인 어업생산 지원 기능을 넘어 관광, 레저, 물류, 지역경제 거점 등 복합적인 기능을 수행하는 다차원적 공간으로 진화하고 있다. 이러한 다기능성은 어항 개발 및 관리 정책 수립에 있어 중요한 고려사항이 되었으나, 기존의 개발 규모 산정 방 식은 어항의 복합적 특성을 제대로 반영하지 못하는 한계를 지니고 있었다. 특히, 「해양공간계획 및 이용에 관한 법률」에 따른 해양공간 적합성 협의 과정에서 개발 규모의 적정성을 판단할 과학적이고 객관적인 근거가 부족하여 잦은 보완 요구와 사업 지연을 초래하였다. 본 연구는 이러한 문제의식을 바탕으로, 국가어항의 다기능적 특성을 과학적으로 반영한 적정 이용 면적 산정 모델을 개발하고, 이를 기반으 로 해양공간적합성 협의 지원이 가능한 기초 자료 구축을 목표로 한다. 이를 위해 본 연구에서는 전국 115개 국가어항의 자료를 활용하여, 하나의 어항이 여러 군집에 동시에 속할 수 있다는 중복 소속(Overlapping Membership) 가정을 도입한 새로운 방법론을 제안한다. 구체적으 로, 독립변수와 종속변수(어항 이용 면적) 간의 회귀관계가 유사한 어항들을 하나의 군집으로 묶는 회귀 기반 군집화(Regression-based Clustering) 기법과, 하나의 데이터가 여러 군집에 속할 수 있도록 허용하는 중복 소속 군집화(Overlapping Clustering) 기법을 결합하였다. 또 한, 회귀모형의 안정성과 해석력을 높이기 위해 모든 회귀계수가 양(+)의 값을 갖도록 제약을 가한 단계적 선택(Stepwise Selection) 방법론 을 적용하였다. 실증분석 결과, 115개 국가어항을 총 6개의 중복 소속 군집으로 분류하였으며, 개별 어항에 대해서는 모든 군집의 회귀식 을 활용하여 도출한 6개의 적정 범위를 이용 면적과 비교함으로써 적정성을 판단하기 위한 정량적 기준을 구현하였다. 본 연구의 결과는 해양공간적합성 협의 과정에서 개발계획의 규모 적정성을 판단하는 객관적인 근거 자료로 활용될 수 있으며, 과도한 개발을 방지하고 해 양공간의 효율적 활용을 도모하는 데 기여할 수 있다. 나아가, 어항별 맞춤형 개발정책 수립과 지역경제 활성화 방안 모색을 위한 과학적 토대를 제공한다는 점에서 정책적·실무적으로 활용 가능하다. 본 연구는 국가어항의 복합적 특성을 통계적으로 모델링하고 이를 정책 결 정 시 적용하려는 최초의 시도라는 점에서 학술적 의의를 갖는다.

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 the era of big data, where massive volumes of information are collected at high velocity from various sources, data mining has become a crucial tool for organizations seeking competitive advantage. Among its core tasks, clustering plays a key role in uncovering hidden patterns within unlabeled data by grouping similar objects into distinct clusters. Widely used methods such as k-means and its robust counterpart PAM (Partitioning Around Medoids) require the number of clusters, k, to be predefined—a task that remains a major challenge despite extensive research. This study addresses the problem of selecting the optimal number of clusters by proposing three novel enhancements to the widely-used gap statistic method: the 1stDaccSEmax heuristic rule, the recursive gap strategy, and the two-way bootstrapping technique. Collectively termed the new gap, this approach aims to overcome the limitations of the original gap statistic, particularly in datasets with overlapping clusters, hierarchical structures, or large volumes. Extensive experiments on both synthetic and real-world datasets—including Iris, Breast Cancer, Seeds, and Khan gene expression datasets—demonstrate that the new gap method outperforms traditional techniques such as the elbow method, silhouette analysis, and the original gap statistic in both accuracy and computational efficiency. Although PAM was used throughout the experiments for its robustness, the proposed approach is algorithm-agnostic and can be integrated with other clustering methods that require the selection of k. The results suggest that the new gap method provides a more reliable and scalable solution for determining the number of clusters, thereby enhancing the effectiveness of clustering-based data analysis in real-world applications.

We introduce a new clustering algorithm, MulGuisin (MGS), that can identify distinct galaxy over-densities using topological information from the galaxy distribution. This algorithm was first introduced in an LHC experiment as a Jet Finder software, which looks for particles that clump together in close proximity. The algorithm preferentially considers particles with high energies and merges them only when they are closer than a certain distance to create a jet. MGS shares some similarities with the minimum spanning tree (MST) since it provides both clustering and network-based topology information. Also, similar to the density-based spatial clustering of applications with noise (DBSCAN), MGS uses the ranking or the local density of each particle to construct clustering. In this paper, we compare the performances of clustering algorithms using controlled data and some realistic simulation data as well as the SDSS observation data, and we demonstrate that our new algorithm finds networks most correctly and defines galaxy networks in a way that most closely resembles human vision.

Humans have the ability to perceive an object’s material and properties instantaneously, and use this information to prepare for future actions. Material perception is not only an important factor for humans but also for artificial intelligence robots that are being developed. In addition, material perception is one of the important design requirements in selecting materials suitable for the products desired by consumers and pursued by designers. Because it is impossible to perform material perception using an exact formula, it is determined from tendencies that are identified in surveys. In this study, surveys with a binary selection were conducted, presenting participants with pairs of bipolar adjectives and asking them to choose one of two. After multiple surveys were conducted all the data were merged. Before merging the data, to ensure the reliability of the data homogeneity and correlation were tested using hierarchical clustering, correlation coefficient, and k-means cluster analysis. Afterwards, the merged data was used to analyze universal and comparable perceptual qualities of various material classes using relative frequency and hierarchical cluster analysis.

본 연구는 2013년, 2018년, 2023년 뉴질랜드 인구주택총조사 데이터를 활용하여 오클랜드 한인의 지리적 분포와 거주지 분리 변화를 분석한다. 연구에서는 단계구분도와 국지적 G 통계량을 활용하여 주요 거주지 군집의 변화를 살펴보고, 상이지수와 노출지수를 통해 한인의 분리 수준을 다른 민족과 비교하고자 한다. 결과적으로, 오클랜드 한인의 거주지 분포는 북부 지역을 중심으로 뚜렷한 군집 형태를 유지하면서도 동남부와 중부에서는 지역적 확산이 나타나는 등 공간적 재구성이 관찰되었다. 이러한 연구 결과는 오클랜드 내 한인 거주지 군집의 특성과 분리 수준 변화에 관한 기초 자료로 활용할 수 있고, 향후 유사한 인구 규모와 초기 정착 분포를 보이는 소수 집단이 어떻게 변화할지 예측하는데 중요한 시사점을 제공할 것으로 기대된다.

한국의 주택시장은 2020년대에 들어 유례없는 폭등과 폭락을 반복하는 등 매우 민감한 가격 변동을 경험하였다. 특히 2024년 9월 서울특별시에서는 거래량 급감에도 불구하고 역대 최고 아파트 평균 매매가격이 경신되기도 하였다. 하지만 이러한 주택시장의 변동성은 지역에 따라 다소 이질적인 특성을 보이고 있다. 이에 본 연구에서는 최근 10년 간의 시계열적인 매매가격지 수를 기반으로 수도권 아파트의 주택 하위시장을 유형화하고 그 특성을 살펴보고자 한다. 이를 위해 수도권 시군구 단위로 2014-2024년 월간 아파트 매매가격지수 데이터셋을 구축하였고, 자기조직화 지도를 사용하여 매트릭스 형태의 시계열적 가격 변동을 2차원 공간상에 매핑하여 그래프로 작성하였다. 그 후 동적 타임 워핑을 유사성 척도로 하는 K-평균 군집화 및 계층적 밀도 기반 군집화 알고리즘을 이용한 시계열 군집 분석을 수행하여 주택 하위시장을 식별하였다. 연구 결과, 수도권 지역에서는 공통적으로 2014년 이후 아파트 매매가격이 지속적으로 상승하였고, 2020년을 기점으로 폭등한 후 2022년 급락하는 경향을 보였다. 그러나 지역별로 가격 변동의 정도와 패턴, 속도가 상이하였고 이에 대한 유형화를 진행한 결과 최종적으로 계단형(서울 인근 경기도 지역), 단기변동형(경기도 남･북부 지역), 안정형(경기도 서부 지역), 외곽 저속개발(수도권 외곽 및 접경지역), 지속상승(서울 및 인접 경기도 지역) 총 5개의 하위시장을 확인할 수 있었다. 본 연구는 민감한 가격 변동을 보이는 수도권 아파트의 하위시장을 실증적으로 구분하고, 하위시장의 독특한 시공간적 패턴에 대한 이해를 제공함으로써 향후 실효성 있는 지역 특수적 주택 정책 수립에 기여할 것으로 기대된다.

The purpose of this study was to identify and evaluate hazardous road sections based on roadside friction. Using GIS mapping and clustering techniques, this study analyzed traffic accidents and roadside friction data based on latitude and longitude coordinates. The density-based spatial clustering of applications with noise (DBSCAN) algorithm was applied, with parameters of MinPts = 5 and eps = 0.0001, determined through a K-nearest neighbor analysis. The data were separated based on traffic flow direction (uphill/ downhill), and clustering was performed separately in each direction to identify specific hazard zones. The DBSCAN clustering results revealed 18 clusters in traffic accident data and 44 clusters in roadside friction data. Traffic accident clusters include various types of accidents (e.g., vehicle-to-vehicle and vehicle-to-pedestrian accidents), identifying locations as high-accident zones. The clustering results from the roadside friction data highlighted areas with crosswalks, absence of curbs, and roadside parking zones as major risk sections. Future research should analyze the operational design domain (ODD) of autonomous vehicles on hazardous road sections and explore the integration of multiple data sources to establish a comprehensive safety management system for accident prevention in autonomous driving environments. Additionally, road hazard sections are categorized into stages (e.g., hazardous, cautious, and safe) to enhance the precision in assessing road conditions. This categorization, combined with a detailed analysis of ODD, serves as a foundation for future research aimed at improving the safety of autonomous driving environments.

The purpose of this study was to incorporate Pakistan's climatic conditions into the road design process by performing a cluster analysis using collected climate data. Monthly time-series data for six climate variables—altitude, sea level, maximum temperature, minimum temperature, vapor pressure, and precipitation—were used to cluster 24 locations. Missing values were imputed using the Kalman filter, and hierarchical and k-medoid clustering analyses were performed based on the dynamic time warping (DTW) distance. By evaluating two to five clusters using six validity indices, the optimal number of clusters was determined to be two. the optimal two-cluster classification results were confirmed to be consistent between the two methods. When the clustering results were visualized on a map of Pakistan alongside the data, the clusters were divided into areas with relatively high and low altitudes. By classifying the regions of Pakistan into two clusters using time-series data of climate variables, this study highlights the distinct characteristics of each cluster. These findings suggest that management strategies tailored to the characteristics of each cluster can be applied to various fields.

The purpose of this study was to enhance the correlation between the dependent and independent variables in a prediction model of pavement performance for local roads on Jeju Island by applying K-means clustering for data preprocessing, thereby improving the accuracy of the prediction model. Pavement management system (PMS) data from Jeju Island were utilized. K-means clustering was applied, with the optimal K value determined using the elbow method and silhouette score. The Haversine formula was used to calculate the distances between the analysis sections and weather stations, and Delaunay triangulation and inverse distance weighting (IDW) were employed to interpolate the magnitude of the influencing factors. The preprocessed data were then analyzed for correlations between the rutting depth (RD) and influencing factors, and a prediction model was developed through multiple linear regression analysis. The RD prediction model demonstrated the highest performance with an R² of 0.32 and root-mean-square error (RMSE) of 1.48. This indicates that preprocessing based on the RD is more effective for developing an RD prediction model. The study also observed that the lack of pavement-age data in the analysis was a limiting factor for the prediction accuracy. The application of K-means clustering for data preprocessing effectively improved the correlation between the dependent and independent variables, particularly in the RD prediction model. Future research is expected to further enhance the prediction accuracy by including pavement-age data.

본 연구에서는 비산먼지 농도를 평가하기 위한 영향 요인인 먼지부하량(Silt loading, sL)에 대한 연구로 노면에 쌓여있는 먼지 수집 시 효율적인 방법을 제시하기 위해 실험적 데이터 수집과 시각화를 통해 위치별 특성에 따른 먼지 분포량과 효율적인 먼지 수집 위치 를 분석하고자 하였다. 기존의 미국 EPA(Environmental Protection Agency)에서는 도로 전구간을 샘플링하기에 어려움이 있어 구간별 교 차로 길이(2.4km)를 기준으로 샘플링 위치를 제시하거나 1km 이하 구간에서는 2개를 샘플링하도록 제시하고 있다. 하지만 국내 실정 에 적용하기에는 교차로 사이 간격이 너무 넓거나, 샘플링 개수가 적은 등 한계점을 가지고 있다. 이에 본 연구에서는 청소기의 길이 0.3m에 따라 3m(0.3m X 10회) 샘플링 기법을 통해 25m와 100m 구간을 대표할 수 있는 위치를 제시해주는 것을 목표로 하고 있으며, 이때 시료를 채취하여 통계분석과 클러스터링 분석을 통해 샘플링 위치를 선정하고자 하였다. 또한 샘플링 위치에 따른 검증을 위해 서 도로 먼지 부하량과 비산먼지와의 상관관계를 정량적으로 평가하였다. 이때 먼저 sL의 양에 따른 비산먼지의 농도 측정은 도심부 제한속도에 따라 50km/h의 속도로 주행하는 조건에서 측정되었으며, 측정차량을 통해 수집된 GPS 좌표를 활용하여 도로 먼지 농도의 변화를 정량적으로 분석하였다. 분석 결과, 먼지 부하량(sL)이 농도가 높을수록 도로 먼지 농도가 증가하는 경향이 나타났으며, 이러한 상관관계는 먼지가 많을수록 공기중으로 비산되는 먼지의 양이 많은 것에 기인한 것으로 분석되었고 이때 측정한 전 구간에서 sL과 비산먼지 농도 간의 높은 상관 관계(상관계수 0.76)가 확인되었다. 추가적으로, 각 시료 채취 지점에서의 sL의 변화가 도로 먼지 농도에 미치는 영향을 평가하기 위해 K-평균 클러스터링 기법을 사용하였다. 클러스터링 결과, 최적의 샘플링 지점이 25m 구간 내에서는 3개, 100m 구간 안에서는 5개의 샘플링 위치로 대표값을 띄는 것으로 도출되었으며 비산먼지 농도의 변화와도 일치하는 것을 보였다. 이러한 방법을 통해 도로 먼지 샘플링의 신뢰성을 높일 수 있었으며, 도로 먼지의 특성을 보다 정확하게 분석할 수 있었고, 인력 수집에 따른 시간적, 공간적인 한계 를 해결할 수 있을 것으로 판단된다. 또한 이는 향후 비산먼지 측정 차량 제작 연구의 기초 자료로 활용될 수 있을 것이다.