모기는 감염병을 매개하는 생물종으로서 인간생활에 불편을 야기하며, 교통 및 운송수단 등의 발달로 인해 새로운 질병 도입 및 질병 매개체의 확산에 대한 우려가 증가하고 있는 실정이다. 환경부 토지피복지도 분류체계와 연계하여 모기가 발생 가능한 서식지 유형을 파악하고, 각각의 서식지 유형 특성에 따라 출현 가능한 모기 종류를 함께 구분하였다. 또한 모기의 생태적 특성을 고려하여, 서식지 유형별로 최적의 방제 방법을 제시하였다. 도심지역은 위생 해충의 발생원이 다양한 서식지가 분포하는 지역으로, 최소 환경 조건만 갖춰진다면 모기가 대량 발생하기 적합한 환경일 것으로 보인다. 발생원이 광범위하기 때문에 유충과 성충 방제를 같이 수행하며, 시민들을 대상으로 방제 교육이나 홍보물을 배부하여 적극적인 방제의식을 함양시키는 것이 효과적일 것으로 판단된다. 농업지역의 경우, 저수지나 늪지, 논 등의 정수역에서 모기 유충의 서식밀도가 높을 것으로 예상되어 천적생물을 이용한 생물학적 방제를 이용하면 개체수를 조절하는 데 유용할 것으로 보인다. 산림지역은 흰줄숲모기 (Aedes albopictus)의 주요 서식지로서 무분별한 산림벌채를 최소화하고 인근 거주민을 대상으로 물리적 방제를 실시해야 할 것으로 판단되며, 기타지역은 수생태계를 중심으로 발생 가능한 모기유충을 방제하기 위해 생물학적 방제와 Bti를 이용한 화학적 방제가 병행되어야 할 것으로 보인다. 본 연구는 서식지를 크게 4가지 (도심지역, 농업지역, 산림지역, 기타지역)로 분류하여 모기에게 적합한 서식지를 고찰하였으며, 모기 서식지별로 적합한 방제법을 제시하였다. 모기의 개체수를 보다 효율적으로 조절하고, 하절기 시민들의 불편과 피해를 감소시킬 수 있는 기초자료로 제공할 수 있을 것으로 전망한다.

이 연구에서는 극궤도 기상위성인 NOAA/AVHRR 시계열 자료를 이용하여 한반도의 지면 피복을 분류하였다. 일주기 기상위성자료로부터 구름이 없는 상태의 지면상태 자료를 획득하기 위하여 10일 간격 최대치 합성법 자료를 작성하였으며 27개의 10일주기 식생지수 자료들(겨울철 12, 1, 2월 자료 9개 제외)로부터 4개의 식생 계절성 자료를 작성하였다. 또한 위성자료로부터 분석한 연 최고 및 연평균 지면온도, 그리고 지형고도 자료를 이용하였다. 각 지면 피복에 대한 특성 자료 수집이 어렵기 때문에 여기서는 2단계 무감독 분류법을 이용하였다. 즉, 초기 입력자료는 신경망 기법의 일종인 SOFM을 이용하여 군집화한 다음 결정나무를 이용하여 각 군집을 분류하였다. 최종 분류 결과는 식생지수의 시계열과 지상 자료로 검증한 결과 대도시, 농지, 낙엽수림 및 상록수림 등 우리 나라의 지면 피복을 개략적으로 잘나타내고 있는 것으로 판단된다.

The assessment of wind resources must be carried out to choose wind farm sites adequately. Additionally, input data on surface roughness maps and topographic maps are required to evaluate wind resources, where input data accuracy determines the accuracy of their overall analysis. To estimate this accuracy, we used met-mast data in Jeju and produced the ground roughness value for the Jeju region. To determine these values, an unsupervised classification method using SPOT-5 images was carried out for image classification. The wind resources of the northeastern part of Jeju were predicted, and the ground roughness map of the region was calculated by the WindPRO software. The wind speed of the Pyeongdae region of Jeju from the ground roughness map was calculated using WindPRO as 8.51 m/s. The wind speed calculated using the remote sensing technology presented in this study was 8.69 m/s. To assess the accuracy of the measured WindPro and the remote sensing technology values, we compared these results to the observed values in the Pyeongdae region using met-mast. This comparison shows that remote sensing data are more accurate than the WindPro data. We also found that the ground roughness map calculated in this study is useful for generating an accurate wind resource map of Jeju Island.

This study aims to increase the ability to adapt to the ecosystem and promote a sustainable use of the natural environment, by classifying the types of damaged lands according to various factors, such as the characteristics of the target area and form, cause, and impact of damage. Moreover, the study suggests the development of evaluation categories and criteria by each type. The results obtained are as follows: first, for the assessment of damaged lands, the changed areas were identified utilizing land cover maps. Video analysis was performed to increase the accuracy, and 88 sites were obtained. Second, the types of damage were classified into ecological infrastructure and ecological environment, and the sub-factors of the cause of damage were classified into 12 factors. Third, each evaluation system for the types of damage was composed of four steps, considering each type of damage and the level of evaluators being higher than paraprofessionals. To supplement this study, it will be necessary to utilize the database of damaged lands other than the Seoul Metropolitan Area and conduct an on-site survey for verification in the future.

본 연구에서는 최대우도법과 인공신경망 모형에 의해 카테고리 분류를 수행하고 각각의 분류 성능을 비교 평가하였다. 인공신경망 모형은 오류역전파 알고리즘을 이용한 것으로서 학습을 통한 은닉층의 최적노드수를 결정하여 카테고리 분류를 수행하도록 하였다. 인공신경망 최적 모형은 입력층의 노드수가 7개, 은닉층의 최적노드수가 18개, 그리고 출력층의 노드수가 5개인 것으로 구성하였다. 위성영상은 1996년에 촬영된 Landsat TM-5 영상을 사용하였고, 최대우도법과 인공신경망 모형에 의한 카테고리 분류를 위하여 각각의 카테고리에 대한 분광특성을 대표하는 지역을 절취하였다. 분류 정확도는 인공신경망 모형에 의한 방법이 90%, 최대우도법이 83%로서, 인공신경망 모형의 분류 성능이 뛰어난 것으로 나타났다. 카테고리 분류 항목인 토지 피복 상태에 따른 분류는 두 가지 방법에서 밭과 주거지의 분류오차가 큰 것으로 나타났다. 특히, 최대우도법에 의한 밭에서의 태만오차는 62.6%로서 매우 큰 값을 보였다. 이는 밭이나 주거지의 특성이 위성 영상 촬영시기에 따라 나지의 형태로 분류되거나 산림, 또는 논으로도 분류되는 경향이 있기 때문인 것으로 보인다. 차후에 카테고리 분류를 위한 각각의 클래스의 보조적인 정보를 추가한다면, 카테고리 분류 향상이 이루어질 것으로 기대된다.

유출에 대한 신속하고 정확한 예측은 수문 및 수자원 분야에 있어서 궁극적인 목표 중의 하나이며, 우리나라와 같이 강우에 대한 유출의 응답이 짧은 시간에 발생하는 경우에 무엇보다도 중요하다. 따라서, 토지이용변화 등에 의한 유출의 변화 및 감시를 포함하는 유역내의 수문 변수의 변화를 적절하게 고려할 수 있는 분포형 자료를 선호하게 된다. 이때 분포형 모형을 적용시키기 위해서는 강우의 공간특성을 알아야 하며, 각 격자별 강우량이 입력자료로 활용되어 각 격자