최근 한반도 주변 해역에서 해상사고로 인한 인명피해가 증가함에 따라 실종자 수색 및 구조 활동을 지원하기 위한 수중환경 정보 산출 기술 개발의 필요성이 대두되고 있다. 끊임없이 변화하는 해양환경 속에서 수중시야를 예측하는 것은 매우 중요한 과제이다. 본 연구에서는 인공위성 영상과 현장실험 자료를 활용하여 탁도와 수중시야 간의 상관 성을 분석하고, 한반도 서해 연안에 적합한 수중시야 산출 알고리즘을 제시하고자 한다. 이를 위해 대천항 인근 해역의 두 정점을 선정하여 탁도 센서와 세키디스크를 이용해 깊이에 따른 탁도 및 수중시야를 측정하였으며, 동시에 고해상도 인공위성 영상을 수집하여 표층 원격반사도 자료를 획득하였다. 또한 서해 연안에서의 탁도 변화에 따른 수중시야의 공 간 분포를 비교하기 위해 Sentinel-2 위성의 560 nm 반사도를 활용하여 연구 해역의 탁도를 산출하고, 실측 탁도와 수 중시야 간의 상관성을 분석하였다. 연구 결과, 서해 연안에서는 2 .0- 3.0NTU 범위의 탁도가 분포하였으며, 수중거리는 1.5-3.5 m 사이의 값을 나타냈다. 특히, 만 지형이나 섬 주변에서는 상대적으로 낮은 수중시야가 관측된 반면, 대천해수 욕장 해안선을 따라서는 약 3.0m 이상의 높은 수중시야를 보였다. 본 연구를 통해 실측 및 원격탐사 자료를 활용한 수중시야 산출 가능성을 확인하였으며, 위 결과는 향후 해상 실종자 수색 지원을 위한 기초 자료로 활용될 것으로 기 대된다.

This study evaluated the safety impact of automated traffic enforcement cameras targeting tailgating behavior at signalized intersections by comparing traffic conditions shortly after installation and one year later. The Kukkiwon intersection in Gangnam-gu, Seoul, South Korea was selected as the study site. Individual vehicle speeds, accelerations, and subsequent distances were extracted from video data using YOLOv8 and ByteTrack, which are advanced deep learning-based object detection and tracking algorithms. Surrogate safety measures (SSM), such as time to collision (TTC), modified time to collision (MTTC), and proportion of stopping distance (PSD), were calculated to assess changes in traffic safety. Every SSM indicated an improvement one year after the installation of enforcement cameras, suggesting a reduction in collision risks. In particular, the PSD indicator showed a notable improvement, reflecting a better maintenance of safe following distances. These results highlight the effectiveness of automated enforcement in improving intersection safety and suggest its scalability to other intersections with similar tail-gating issues. Future research should explore the long-term and multisite effects using diverse intersection types and behavioral indicators.

호서지역은 남한지역 청동기 문화의 대표적인 유형이 고루 분포하고 있는 핵심적인 위치이다. 청동 기시대 유형의 연구는 전기 유형으로 정의되어온 가락동, 역삼동, 흔암리의 개념으로 출발하여 발굴 사례의 축적과 함께 지속적으로 변화하였다. 최근에는 다양한 변이를 보여주는 자료에 대한 해석 틀 의 부재, 기존 유형과의 모호한 대응관계, 탄소연대 자료의 활용으로 새로운 해석이 추가되면서 유형 연구에 대한 다양한 시각이 도출되는 양상이다. 호서지역 전기 취락 유형은 공간적으로는 5개의 지역 권으로, 시간적으로는 3단계로 구분하여 각각의 특징을 검토하였다. 취락유형의 경계는 크게 세 가지 형태로 구분할 수 있으며, 취락 유형 간 뚜렷한 분포지역의 차이, 지역 내 이질적인 요소의 관입, 혼 재된 취락유형의 동시 사용, 시기를 달리한 취락 주체의 변화 등이 확인되었다. 청동기시대 전기 취락 유형 가운데 미사리, 가락동, 역삼동, 송국리 유형은 기층 유형에 해당하며 관념단위로 볼 수 있다. 기층 유형은 변이를 구성하고 있는 요소들을 인지하는데 적합한 개념이다. 그리고 흔암리유형을 위시 한 백석동, 조동리 등의 파생유형은 이러한 변이들에 대한 설명을 위해 발생한 현상단위로 볼 수 있 다. 청동기시대 유형 연구에서 새롭게 고려할 부분은 크게 두 가지로 요약된다. 첫째는 한반도의 광역 적 환경 변화 등의 최신 자료 검토로서, 이러한 자료는 취락의 형태와 생계, 인구의 이동 등에서 시사 하는 바가 있으며 지속적인 관찰이 필요하다. 둘째는 유형을 결정짓는 개별 요소에 대한 구체적 설명 이 유형의 왜곡을 최소화할 수 있는 방법이 될 수 있다. 결과적으로, 복잡하고 세분화 되어있는 변이 의 양상도 어떤 조합, 어떤 시점 어떤 공간에서는 분류가 이루어져야 한다. 이를 위해 기층 유형으로 만 고고자료를 설명하는 시도는 지양되어야 하며, 지역 단위와 유형의 위계를 구분하여 연구자들이 인지 가능한 설명 방법으로 접근해야 한다.

본 연구에서는 UAV(Unmanned Aerial Vehicle) 기반 LiDAR(Light Detection and Ranging), SfM(Structure from Motion), 그리고 수치지형도 기반 DEM(Digital Elevation Model) 데이터를 동일 지역에 적용하여 지형 데이터의 정밀도와 표현 특성을 정량적으로 비교 분석하였다. 경기도 시흥시 범배산 일대를 연구 대상지로 선정하고, 평지, 완사면, 급사면의 세 구역으로 나누어 고도 및 경사 통계, 경사 방향, 경사도 재분류에 따른 면적 분포를 비교하였다. 분석 결과, UAV LiDAR 기반 DEM은 모든 지형에서 가장 높은 정밀도와 해상도를 보여주었으며, SfM 기반 데이터는 비용과 접근성 면에서 유리하나 식생 및 지형 복잡도에 따라 정확도 변동이 크게 나타났다. 수치지형도 기반 DEM은 해상도는 낮지만 일정한 품질을 유지하며 일반적인 지형 분석에 적합한 것으로 나타났다. 본 연구는 지형 조건과 분석 목적에 따른 공간데이터 선택 기준을 제시하고, UAV 기반 지형 정보 활용 전략 수립에 기초자료로 활용될 수 있다.

본 연구는 개선된 무인도 지리정보를 구축하기 위해 폴리곤(Polygon) 기반 무인도 지도와 속성정보를 구축하였다. 연구 결과, 3,460개의 포인트(Point) 데이터와 3,447개의 폴리곤 기반 섬 데이터를 구축하였다. 여기에는 463개의 유인도가 포함되었으며, 무인도 수는 기존 해양수산부의 무인도서 정보조회 서비스에 비해 80개 추가된 것이다. 속성정보로는 59건 이상의 이명과 61개의 무인도 지형 변화 사례를 정리하였다. 무인도 지형 변화는 육화, 소멸, 연결, 병합의 네 가지로 구분하였다. 데이터 구축 과정에서는 해안선 자료의 통합, 불필요한 폴리곤 객체의 정리, 이명 정리 과정에서 일부 한계가 있었다. 이런 한계에도 불구하고 본 연구에서 구축된 데이터는 무인도의 공간적 변화 모니터링과 보전 정책 수립을 위한 기초 자료를 제공하고, 향후 다양한 연구에 활용될 수 있을 것으로 기대된다.

목적 : COVID-19 팬데믹 기간 동안 사회적 거리두기와 비대면 활동 증가로 인해 생활습관이 크게 변화하였다. 본 연구는 근거리 작업시간, 수면시간, 스트레스 수준의 변화가 비정시(근시, 원시, 난시) 발생에 미치는 영향을 분 석하고자 하였다. 방법 : 본 연구는 질병관리청 국민건강영양조사 제8기(2019~2021년도) 조사 중 2020년에 참여한 대상자들 중 만 40세 이상인 성인들을 대상으로 수행된 단면 연구이다. 연구 대상자는 안검진을 받은 성인 중 안과 질환이 없는 2,564명을 포함하였다. 굴절 이상은 등가구면굴절력을 기준으로 하였다. 결과 : 근거리 작업시간이 하루 4시간 이상인 그룹에서 근시 유병률이 유의하게 증가하였다. 반면, 1시간 이하 의 근거리 작업을 수행하는 그룹에서는 원시 유병률이 높았다(p<0.0001). 수면시간이 6~8시간인 그룹에서 근시 유병률이 가장 높았으며, 원시는 6시간 미만 그룹에서 높았다(p=0.0082). 스트레스 수준이 높은 그룹에서 근시 유 병률이 유의하게 증가하는 경향을 보였으나, 다중 로지스틱 회귀분석에서는 근거리 작업시간이 짧은 그룹에서 난시 유병률이 더 높은 경향을 보였으며(p<0.0001), 수면시간과 스트레스의 영향은 통계적으로 유의하지 않았다. 결론 : 본 연구 결과, 근거리 작업시간 증가가 근시 발생에 가장 큰 영향을 미치는 요인임이 확인되었으며, 수면 패턴과 스트레스 또한 비정시와 연관성을 가질 수 있음을 시사하였다. 이는 COVID-19 팬데믹과 같은 환경적 변 화가 시력 건강에 미치는 영향을 이해하고, 근시 예방 및 관리 전략을 수립하는 데 기여할 수 있다.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.

Early warnings have been developed to provide rapid earthquake information, allowing people to prepare as much time as possible. However, since it takes several seconds for an earthquake warning to be issued, the blind zone is inevitable. To reduce the blind zone, information from a single observatory is used to operate an on-site earthquake warning. However, false and missed alarms are still high, requiring continued research and validation. This study predicted Peak Ground Acceleration (PGA) using the characteristic data to reduce false and missed alarms in on-site earthquake warnings. A machine learning prediction model was created using the initial P-wave parameters developed from the characteristic data to achieve this. Then, the model was used to predict the maximum ground acceleration in the southeastern region of the Korean Peninsula. The expected results for six target earthquakes were confirmed to have a standard deviation within 0.3 compared to the observed PGA and the values within ±2 sigma. This method is expected to help develop an on-site early warning system for earthquakes.

This study is a preliminary investigation into a method for updating analytical models using actual vibration measurement data to improve the reliability of the seismic performance evaluations. The research was conducted on 26 models with various parameters, aiming to develop an optimal analytical model that closely matches the natural frequencies of the actual building. By identifying the dynamic characteristics of the target building through vibration measurements taken just before the demolition of the structure, the natural frequency analysis results of the analytical models were compared to the measured data. Based on this comparison, an optimized method for adjusting the parameters of the analytical models was derived. Throughout the analysis, various parameters were adjusted, and the eigenvalue analysis results were corrected by comparing them with vibration measurements. Among the comparative analytical models, the model with the lowest error rate was selected. The results showed that, in all cases, the analytical model with a concrete compressive strength of 16 MPa (based on actual measurements), pin boundary conditions, and an idealized strip footing cross-section had the closest match to the actual building's natural frequencies, with an average error of less than 8%.

해상풍력 프로젝트의 발전사업허가 취득 및 연간 예상발전량 평가를 위해서는 최소 1년 이상의 해상관측자료 확보가 필수적 이나, 입지선정 과정 및 사전예비타당성 단계에서는 재해석자료나 중규모 모델링 자료와 같은 기상·기후데이터가 활용된다. 하지만, 이 들은 관측값 대비 다소 높은 불확도를 내포하고 있기 때문에 이들을 기반으로 한 발전량 평가 결과 역시 불확실성을 가지게 된다. 이에 본 연구에서는 HeMOSU-1 해상기상탑 관측자료와 인근 격자점에서의 ERA5, EMD-WRF 데이터의 시계열 및 특성을 비교, 검증하여 국내 서남해권의 해상풍력 프로젝트의 사전예비타당성평가의 신뢰성을 확보하고자 하였다. 본 연구에서는 기계적·열적 대기안정도 지수인 연직윈드시어와 모닌 오브코프 길이, 리차드슨 수를 각각 활용하여 관측값 부재시 국내 서남해상에서 ERA5와 EMD-WRF를 사용하는 것이 정량적으로 어느 정도의 오차를 보이는지, 또 대기안정도별 변화 트렌드는 유사한지를 파악하였다.

중앙버스전용차로는 일반 도로 대비 높은 교통량과 반복적인 축하중이 작용하는 구간으로, 정차 및 출발 과정에서 발생 하는 국부적인 응력 집중으로 인해 포장 파손이 빈번하게 발생한다. 그러나 기존 도로 설계에서는 정적인 교통량을 기준 으로 축하중을 산정하여, 실제 교통 환경에서의 버스 유형별 차이, 재차 인원, 시간대별 하중 변화 등 동적인 요소를 충 분히 반영하지 못하는 한계가 존재한다. 이에 본 연구에서는 대중교통 빅데이터를 활용하여 중앙버스전용차로의 버스 유 형 및 시간대별 재차 인원을 반영한 새로운 축하중 산정 모델을 개발하였다. 이를 위해 서울시 열린 데이터 광장의 교통 정보를 활용하여 버스 유형 및 시간대별 재차 인원 데이터를 수집하고, 카카오맵 및 네이버 로드뷰 데이터를 이용해 결 측치를 보완하여 데이터셋을 구축하였다. 구축된 데이터셋을 활용하여 기존 ESAL(Equivalent Single Axle Load) 방식과 비교 분석한 결과, 새로운 축하중 모델에서는 기존 방식 대비 평균 111.8% 높은 축하중이 산정되었으며, 일부 구간에서 는 최대 128.9%까지 차이가 발생하는 것으로 나타났다. 이는 기존 포장 설계가 중앙버스전용차로의 실질적인 교통 하중 을 충분히 반영하지 못하고 있음을 시사하며, 추가적으로 버스 중하중의 가·감속의 영향을 고려한다면, 시간대별·노선별 실시간 축하중 변화를 보다 정밀하게 분석할 수 있으며, 이를 통해 과소 산정된 설계 하중을 보완하고 포장 공용성을 향 상시킬 수 있는 최적의 설계 및 유지보수 전략 수립이 가능할 것으로 기대된다.

자율주행 차량이 상용화됨에 따라 연구에 사용할 수 있는 자율주행 차량의 주행궤적 자료를 제공하고 연구하는 기관이 증가하고 있다. 캘리포니아 자동차관리국은 사고 당시 차량의 거동과 주변 환경을 기록한 자율주행 차량 사고 보고서를 제공한다. Waymo는 라이다, 카메라 등을 통해 수집한 자율주행 차량의 실주행 자료를 제공한다. 본 연구에서는 캘리포 니아 자동차관리국에서 제공하는 자율주행 차량 사고 보고서와 Google Street Map을 이용하여 사고 당시의 도로유형과 도로환경요소 및 사고 당시 상황을 파악하고, 베이지안 네트워크(BN)을 통해 자율주행 차량 사고 영향요인을 파악하였 다. 랜덤 포레스트를 통해 앞에서 파악한 자율주행 차량 사고 영향요인들의 변수 중요도를 추출하고 이를 기반으로 자율 주행 차량 주행 시나리오를 도출하였다. 도출한 자율주행 차량 주행 시나리오와 유사한 상황을 보이는 Waymo Open Dataset의 자율주행 차량 실제 주행궤적을 매칭하여 자율주행 차량 주행 행태 기반 사고 위험도 평가 지표를 도출하였 다. 본 연구의 결과는 앞으로 도로환경요소 및 자율주행 차량 주행궤적에 따른 자율주행 차량 주행 안전성 연구의 기반 이 될 것으로 기대된다.

지하도로는 폐쇄적인 공간 구조와 내·외부 조도 차이로 인해 지상도로와 다른 교통 환경을 형성하며 이러한 특성은 교 통사고에 영향을 미칠 수 있다. 특히 고속도로 터널에서 사고 발생 시 대형 인명 피해로 이어질 가능성이 크다는 점을 고려할 때 지하도로에서도 유사한 우려가 제기된다. 따라서 지하도로의 교통류 특성을 면밀히 분석하여 안전성을 평가하 고 사고 예방을 위한 효과적인 대책을 마련하는 것이 중요하다. 본 연구에서는 서부간선 지하도로 성산 방면의 14개 VDS 검지기 데이터를 기반으로 지점별 속도 변동성과 교통사고 분석을 통해 안전성을 평가하였고 분석 결과의 시사점 을 바탕으로 지하도로 속도 관리 전략을 설계하였다. 먼저, VDS 검지기 지점별 속도 표준편차와 time-varying-volatility 산출 및 속도의 변동성과 교통사고 데이터 매칭을 통해 사고 개연성과 심각도를 분석하였다. 이후, 사후검정을 통해 속 도 및 속도 변동성 기준으로 동질적 부분집합을 도출하고 회귀분석을 통해 속도 변동성과 교통량·밀도 간의 관계를 규명 하여 속도 변동성을 최소화할 수 있는 최적의 교통량과 밀도를 산출하였다. 분석 결과, 속도 변동성이 큰 구간에서 사고 개연성과 심각도가 높게 나타났으며 지하도로에 구간단속을 적용할 경우 하류부에서 변동성이 증가하는 현상을 확인하 였다. 이를 바탕으로 위험 구간을 식별하고 해당 구간에 가변형 속도 제한 시스템을 적용한 로컬 속도 관리 전략을 제시 하였다. 본 연구의 결과는 지하도로의 사고 예방 및 안전성 향상을 위한 실질적인 속도 관리 전략 설계에 기여할 수 있 을 것으로 기대된다.

본 연구는 한국 기상대 데이터를 활용하여 콘크리트 포장의 깊이별 온도를 예측하는 ANN(Artificial Neural Network) 모델을 개발하는 것을 목표로 한다. 기존의 열평형 방정식 기반 모델은 특정 지역의 기상 데이터를 필요로 하기 때문에 일반적인 적용이 어렵다는 한계를 가지고 있다. 이에 본 연구에서는 ANN을 활용하여 기상대 데이터를 기반으로 범용적 인 온도 예측 모델을 개발하고자 한다. 이를 통해 다양한 지역 및 환경 조건에서도 적용 가능한 모델을 구축하는 것이 목적이다. 본 연구에서는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 기상 및 온도 데이터를 활용하며, 0.05m, 0.15m, 0.25m, 0.35m, 0.45m 깊이별 온도 데이터를 학습 데이터로 사용한다. 입력 변수로는 기온, 풍속, 강수량, 습도, 일 조량, 일사량, 적설량, 적운량, 지면온도를 포함한다. 이러한 다양한 기상 데이터를 활용하여 신경망 모델을 학습하고, 기 존 방식보다 높은 정확도를 확보하는 것이 연구의 핵심 목표이다. 기존 ANN 구조인 O = WI + B에서 확장된 O = W(I + (WI + B)) + B 형태의 비선형 구조를 적용하여 기존 모델이 가지는 비선형 관계 반영의 한계를 극복하고자 한다. 또한, 선형 다중 은닉층 모델과 비선형 다중 은닉층 모델을 각각 개발하여 성능을 비교하고, 비선형 모델의 필요성과 일반화 능력을 평가할 예정이다. 최종적으로 두 모델의 성능을 평균 제곱 오차 및 평균 절대 오차 등과 같은 평가 지표들을 이용하여 비교 분석하고, 가장 적합한 모델을 도출하고자 한다.

이 연구는 관측 지점의 해황 정보 데이터를 기반으로 관측 지점 이외 공간의 해황 정보 데이터를 격자 형식으로 공간 보간하는 방법에 관해 연구한다. 해황 정보를 얻을 수 있는 관측소나 관측 지점의 공간적 분포가 제한되어 있어 단편적인 지점의 해황 정보만을 수 집할 수 있기 때문에 이러한 점을 해결하기 위해 OPEN API를 활용하여 해황 정보 데이터를 수집하고, 데이터 전처리 과정을 통해 관측 데이터가 존재하지 않는 지점의 데이터를 격자 형식으로 공간 보간한다. 본 연구에서 사용된 보간 방법으로는 Cubic spline interpolation, Linear extrapolation, Kriging 3가지 방법을 사용하였고 각 보간 결과의 비교 분석을 통해 보간 결과의 정확도와 공간 보간에 활용 가능성을 평가하였다. 결과적으로 Kriging이 관측된 지점 간의 공간적 분포와 상관관계, 해황 정보의 데이터 구조를 가장 잘 반영하여 관측 지점 이 외 보간에 대한 결과가 다른 두 보간 방법에 비해 높은 정확도를 보여 해황 정보 공간 보간에 적합한 보간 방법으로 판단되었다. 공간 보 간된 데이터는 평균 풍속 및 풍향, 평균 조류 속도 및 방향 등 선박의 조종성에 영향을 미치는 요인을 정밀하게 계산하는 데 활용 가능하 며 선박 항해 경로를 따라 영향을 받는 외력을 파악, 이를 통해 안전성과 경제성을 모두 고려한 경로 탐색에 활용할 수 있을 것으로 기대 된다.

The objectives of the study were to examine food waste generation and reduction efforts at home, and to identify factors affecting the intention to reduce food waste. A total of 3,321 food buyer responses were used from the 2022 Consumer Behavior Survey for Food of the Korea Rural Economic Institute. Statistical methods for a complex sample were applied by using a SPSS program (ver. 26.0). The average daily food waste generation per household significantly differed by the main food purchaser’s age and household size. Plate waste and food waste from preparation were the main types of food waste. A multiple regression analysis revealed that intention to reduce food waste was influenced by the main types of food waste, the average daily amount of food waste, the perceived amount of food waste, and the perceived importance of food waste reduction after adjusting for the age of the main food purchaser and household size. Since the amount of food waste was affected by a series of food behaviors as well as consumer’s intention to reduce waste, empirical research on the types and amounts of food waste generated in Korean households and qualitative research on behaviors and attitude affecting food waste are needed.

This study examined differences in breakfast habits, mental health, and the prevalence of allergic diseases among 9,549 adolescents from father-headed and mother-headed families, using raw data from the 2017~2019 Korea Youth Risk Behavior Web-Based Survey. Of the total participants, 44.6% came from father-headed families, while 55.4% were from mother-headed families. Single-parent adolescents showed the highest likelihood of eating breakfast every day of the week (24.5%), but they also had a significant tendency to skip breakfast entirely (24.3%). There was no significant difference in breakfast frequency between those from father-headed and mother-headed families. The perception of stress and subjective health status did not differ significantly between adolescents from the two types of families, although subjective health status did show significant differences among boys. Depressive experiences were notably higher in adolescents from mother-headed families (33.0%) compared to those from father-headed families (30.8%). Additionally, the prevalence of atopic dermatitis and allergic rhinitis was significantly greater in adolescents from mother-headed families (24.2% and 32.1%, respectively) than in those from father-headed families (21.1% and 26.5%, respectively). These results indicate the need for tailored nutrition and health guidance programs for adolescents from single-parent families to support the role of the absent parent.

Galaxy evolution studies require the measurement of the physical properties of galaxies at different redshifts. In this work, we build supervised machine learning models to predict the redshift and physical properties (gas-phase metallicity, stellar mass, and star formation rate) of star-forming galaxies from the broad-band and medium-band photometry covering optical to near-infrared wavelengths, and present an evaluation of the model performance. Using 55 magnitudes and colors as input features, the optimized model can predict the galaxy redshift with an accuracy of σ(Δz/1+z) = 0.008 for a redshift range of z < 0.4. The gas-phase metallicity [12 + log(O/H)], stellar mass [log(Mstar)], and star formation rate [log(SFR)] can be predicted with the accuracies of σNMAD = 0.081, 0.068, and 0.19 dex, respectively. When magnitude errors are included, the scatter in the predicted values increases, and the range of predicted values decreases, leading to biased predictions. Near-infrared magnitudes and colors (H, K, and H −K), along with optical colors in the blue wavelengths (m425–m450), are found to play important roles in the parameter prediction. Additionally, the number of input features is critical for ensuring good performance of the machine learning model. These results align with the underlying scaling relations between physical parameters for star-forming galaxies, demonstrating the potential of using medium-band surveys to study galaxy scaling relations with large sample of galaxies.

미·중 기술패권 경쟁 가운데, 첨단 디지털 기술의 공급망과 데이터 수 집, 유출, 조작, 유포 등의 우려가 제기되면서 공급망안보와 데이터안보 가 교차하는 양상이 두드러지기 시작했다. 데이터안보나 공급망안보 각 각에 대한 기존 연구는 있었으나, 이 둘의 교차점에 초점을 맞춘 연구는 드물다. 이 연구에서 다루는 데이터안보 사안들은 정부뿐 아니라 개인이 나 민간 행위자들이 취급하는 데이터들이 국가안보적 사안으로 전환되는 모습을 보인다. 이러한 신흥위협이 공급망위협과 상호작용하며, 국가안보 적 우려로 비화한 사례로 화웨이의 5G, ZPMC 항만 대형 크레인, 미래 자동차의 핵심 기술 라이다, 중국산 DJI 드론 등이 있다. 본 연구는 이러 한 사례들에 대해 국가 차원에서 어떤 대응이 이루어졌는지 탐구하였다. 특히, 관련 이슈들을 안보화하고 대응책을 앞서 제시하고 있는 미국에 초점을 맞추었다. 또한 기존의 안보화 이론을 보완하여 정치경제적 측면 을 추가하였다. 행정명령, 전략서 발간, 연방 예산안 그리고 새로운 전문 기구들의 창설을 통해 신흥 위협에 대처하고 있으며, 그 과정에서 공급 망 재편, 표준, 규범, 규제의 설립을 통해 변화하는 국가의 안보 제공자 로서의 역할을 조명하였다.

Structures compromised by a seismic event may be susceptible to aftershocks or subsequent occurrences within a particular duration. Considering that the shape ratios of sections, such as column shape ratio (CSR) and wall shape ratio (WSR), significantly influence the behavior of reinforced concrete (RC) piloti structures, it is essential to determine the best appropriate methodology for these structures. The seismic evaluation of piloti structures was conducted to measure seismic performance based on section shape ratios and inter-story drift ratio (IDR) standards. The diverse machine-learning models were trained and evaluated using the dataset, and the optimal model was chosen based on the performance of each model. The optimal model was employed to predict seismic performance by adjusting section shape ratios and output parameters, and a recommended approach for section shape ratios was presented. The optimal section shape ratios for the CSR range from 1.0 to 1.5, while the WSR spans from 1.5 to 3.33, regardless of the inter-story drift ratios.