2019년 발생한 코로나 팬데믹은 백신의 지역별 불평등 분배를 야기하며 백신의 수급은 사회･정치적 문제로 확장되어 왔다. 의료 자원에 대한 공급과 수요를 예측하고 조정하는 것은 향후 발생할 수 있는 팬데믹 위기 해결의 실마리가 된다. 본 연구는 백신이라는 한정된 의료 자원의 공간적 형평성을 달성하는 것을 목적으로, 머신러닝을 통해 미래 서울시 인구 및 공간적 백신 접근성을 예측하였다. 공간분석 분야에서 공간접근성을 측정하는 데에 통용적으로 활용되는 2SFCA(Two-Step Floating Catchment Area Method) 방법론으로 백신의 공급처인 병원의 접근성을 파악하였다. 2017년 부터 2023년까지의 백신 접근성 및 백신 취약지를 도출한 뒤, 발생 핫스팟(Emerging Hot Spot) 탐색으로 과거부터 미래까지의 분포 변화를 분석하였다. 대한민국 의료 거점지인 서울시 백신 접근성의 측정 결과, 향후 백신 접근성은 전역적으로 감소할 것으로 보이며 특히 북부지역 비롯한 외곽지역이 접근성 취약지역으로 판단되었다. 본 연구는 서울의 시공간적인 백신 공급을 예측 및 분석하여 향후 발생할 수 있을 팬데믹 상황에 대비한 백신 취약지를 보완할 수 있는 지표를 완성하였다. 연구 결과는 백신 취약지역을 효과적으로 탐색할 수 있을 뿐만 아니라 미래 효과적인 백신 분배 정책에 기초자료로 활용할 수 있을 것이라 기대한다.

Near infrared reflectance spectroscopy (NIRS) is widely used to assess the nutrient composition of forages. In forage, the leaf to stem ratio of alfalfa greatly affects its forage quality, with a high ratio of leaf indicated as high quality. This study aimed to evaluate the predictability of the alfalfa leaf-to-stem ratio and feed value using NIRS. Alfalfa hay was manually separated into leaves and stems by hand and the analysis samples were then made in the controlled range between 0 and 100%. Calibration models (n=320) were developed using modified partial least squares regression (MPLS) based on cross-validation. The optimal calibrations were selected based on the highest coefficients of determination in cross-validation (R2) and the lowest standard error of cross-validation (SECV). The prediction accuracy for the leaf-to-stem ratio (SECV, 5.95 vs. 5.71%; R2, 0.91 vs. 0.91) in alfalfa hay was comparable. For leaves, the standard error of calibration (SEC) was 4.94% (R2=0.94), and for stems, it was 4.81% (R2=0.94). The leaves and stems of the SEC were 4.94% (R2=0.94) and 4.81% (R2=0.94), respectively. The prediction accuracy for feed value, based on the leaf-to-stem ratio, predicted SECV values of 0.92% (R2=0.88) for crude protein (CP) content, 1.92% (R2=0.91) for neutral detergent fiber (NDF) content, 1.36% (R2=0.91) for total digestibility nutrient (TDN) content, and 9.86 (R2=0.81) for relative feed value (RFV). The results of this study demonstrate the potential of the NIRS method as a reliable tool for predicting the leaf-to-stem ratio of alfalfa hay, and show available techniques for routine feed value evaluation.

고속도로 2차 사고는 선행 사고(1차 사고) 또는 전방 고장 차량에 의해 교통흐름이 변화된 상황에서 발생하는 사고로, 이에 대한 효과적인 교통안전 관리전략이 필요하다. 그러나 일반사고에 비해 데이터 표본이 부족하여 신뢰성 있는 대응 전략 수립에 어려움이 있다. 본 연구는 고속도로에서 발생하는 2차 사고의 발생 주요 요인을 식별하고 예측하기 위해 BERT(Bidirectional Encoder Representations from Transformers) 기반 텍스트 분석 모델과 전통적 머신러닝 모델 (XGBoost, RandomForest, CatBoost)을 비교하였다. 교통사고 세부기록, 원클릭 속보자료 등 비정형 텍스트 및 정형 데 이터를 수집하고 1차 사고에 관한 시공간적 동적 변수를 통합하여 인공지능 기반의 사고 예측 프레임워크를 구축하였다. 특히, BERT 기반 모델을 통해 교통사고 문맥 정보를 고려하여 단어 삽입 및 대체 기법에 따른 2차사고 데이터 표본을 보완하였다. 또한, 설명가능한 AI(XAI) 기법을 활용하여 주요 사고 요인의 기여도를 시각적으로 해석하고 사고 예방 및 정책 수립에 필요한 정보를 제공하였다. 연구 결과, 제안된 하이브리드 접근법 기반 연구 프레임워크는 높은 정확도의 2 차 사고 발생 가능성 예측에 효과적이며, 교통사고관리시스템의 신뢰성과 효율성 향상에 핵심적인 기여를 할 것으로 기 대된다.

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.

선박에는 단열을 위한 발포제가 적용된다. 기존의 발포제에는 지구온난화물질인 수소불화탄소(HFC)를 다량 포함하고 있는 문제점이 있으며, 우리나라는 몬트리올 의정서의 ‘키칼리 개정서’를 채택함에 따라 HFC를 ‘24년부터 ’45년까지 기준 수량의 80% 감 축하기로 결정되었다. 이에, 메틸포메이트 원료는 지구온난화지수가 0(HFC는 960~1,430)으로 향후 친환경발포제로 높은 기대를 갖고 있다. 하지만, 메틸포메이트 발포제의 성능은 원료의 순도 및 주변환경에 높은 영향을 받음으로 각 공정환경에 대한 정확한 분류가 필요하다. 이에, 본 논문에서는 주변환경(온도)과 메틸포메이트 순도에 따라, 총 4개의 케이스를 만들었다. 각 케이스에 대해서 10,010 장의 이미지를 학습하고, 이를 구글넷(GoogLeNet)알고리즘을 이용하여 분류하였다. 분류결과 정확도는 96.8%를 갖고, F1-Score는 0.969 를 갖는 것으로 계산하였다.

Oral Lichen Planus (OLP) is a T-cell-mediated autoimmune disease, with the reticular type being the most common among its subtypes, while the erosive type is known to have a relatively higher risk of malignant transformation. The reticular subtype of OLP has a low risk of malignancy, whereas the erosive subtype has a higher risk, leading to a debate on whether OLP should be considered a precancerous lesion. On the other hand, Oral Squamous Cell Carcinoma (OSCC) is the most common malignant tumor occurring in the oral cavity. It often originates from precancerous lesions, and due to its often unclear early symptoms, there is a growing need for early diagnosis. This study aims to identify salivary biomarkers associated with malignant transformation from OLP to OSCC through a literature review. The review was conducted using the PubMed and Google Scholar databases, focusing on the last 20 years. The search keywords used were "Oral lichen planus reticular," "Oral lichen planus erosive," "Oral squamous cell carcinoma," and "Biomarker." Compared to healthy controls, a total of 48 biomarkers showed increased or decreased expression in OLP-reticular, 43 in OLP-erosive, and 54 in OSCC. There were 27 common biomarkers between OLP-reticular and OLP-erosive, and 11 common biomarkers between OLP-erosive and OSCC. Nine biomarkers were common across OLP-reticular, OLP-erosive, and OSCC. Among the 27 biomarkers showing a shift from OLP-reticular to OLP-erosive, TNF-α, IL-1β, IL-6, IL-8, and TBARS were observed to increase in expression as the condition progressed from OLP-reticular to OLP-erosive. The nine biomarkers involved in the transition from OLP-reticular to OLP-erosive and subsequently to OSCC were TNF-α, IL-1α, IL-1β, IL-6, IL-8, CD44, MMP-9, Catalase, and Survivin. Notably, Survivin was found to decrease in expression in both OLP-reticular and OLP-erosive compared to healthy controls, but its expression increased in OSCC, making it the most noteworthy biomarker.

This paper presents a finite-difference method (FDM)-based heat-transfer model for predicting black-ice formation on asphalt pavements and establishes decision criteria using only meteorological data. Black ice is a major cause of winter road accidents and forms under specific surface temperature and moisture conditions; however, its accurate prediction remains challenging owing to dynamic environmental interactions. The FDM incorporates thermodynamic properties, initial pavement-temperature profiles, and surface heat-transfer mechanisms, i.e., radiation, convection, and conduction. Sensitivity analysis shows the necessity of a 28-d stabilization period for reliable winter predictions. Black-ice prediction logic evaluates the surface conditions, relative humidity, wind speed, and latent-heat accumulation to assess phase changes. Field data from Nonsancheon Bridge were used for validation, where a maximum prediction accuracy of 64% is indicated in specific cases despite the overestimation of surface temperatures compared with sensor measurements. These findings highlight the challenges posed by wet surface conditions and prolonged latent-heat retention, which extend the predicted freezing duration. This study provides a theoretically grounded methodology for predicting black ice on various road structures without necessitating additional measurements. Future studies shall focus on enhancing the model by integrating vehicle-induced heat effects, solar radiation, and improved weather-prediction data while comparing the FDM with machine-learning approaches for performance optimization. The results of this study offer a foundation for developing efficient road-safety measures during winter.

Climate change significantly impacts biodiversity, particularly for endemic species in restricted habitats. This study focuses on the Korean fir (Abies koreana), an alpine conifer species in South Korea, to evaluate potential habitat changes under SSP climate scenarios (SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5- 8.5). Using high-resolution ensemble climate data from the KMA (Korea Meteorological Administration) and integrating 10 species distribution models (SDMs) into an ensemble model, we predicted habitat suitability for the period 2010~2090. The species data was refined and constructed with a focus on location data so that it could be used in this model, using the National Ecosystem Survey, Baekdudaegan Conservation Area Survey of the National Institute of Ecology, and the National Park Natural Resources DB of National Park Service. The results identified BIO1 (mean annual temperature) and BIO13 (Precipitation of Wettest Month) as the most influential bioclimatic variables for habitat suitability. SSP1-2.6 exhibited fluctuating habitat area with partial recovery by 2070s, while SSP5-8.5 projected a near-complete loss of suitable habitats by 2090s. The ensemble model demonstrated robust performance, providing reliable predictions across all scenarios. This study highlights the substantial impact of climate change on the habitat suitability of Abies koreana and underscores the importance of understanding these changes to preserve vulnerable alpine ecosystems.

본 연구는 자율주행상황에서 주관적인 운전 준비도를 객관적으로 측정할 수 있는 심리⋅생리적 지표를 확인하는 것을 목적으로 한다. 51명의 연구대상자가 참여하였고, 설문을 통해 운전 경험, 태도, 운전부하, 상황인식 등을 평가 하였다. 자율주행 중 차량 제어권을 인계받아야 하는 시나리오 동안 심전도를 측정하여 심박변이도 지표를 추출하였 고, 주행 종료 후 연구대상자는 자신의 상태를 평가하였다. 분석 결과, 운전 준비도는 정신적 부하와 부적 상관, 상황 인식과 상황 이해도와는 정적 상관을 보였다. 또한, 심박변이도 지표인 제곱 평균 근간 심박 간격 차이(Root Mean Square of Successive Differences, RMSSD)와 50ms 이상의 연속적인 RR 간격의 차이 비율(proportion derived NN50 by the total number of NN interval, pNN50)과의 유의한 정적 상관관계가 확인되었다. 운전 준비도 수준에 따라 상⋅중⋅하로 나누어 분석한 결과, 높은 운전 준비도 집단은 정신적 부하가 낮고 상황인식 및 상황에 대한 이해 도가 유의하게 높았으며, 자율주행 구간에서 pNN50이 높은 경향이 있었다. 마지막으로 상황인식과 RMSSD가 운전 준비도의 주요 예측 지표로 확인되었다. 이는 운전 준비도가 낮은 운전자는 자율신경 각성이 높고, 높은 운전자는 부교감신경계의 활성화로 인해 심리적, 생리적으로 안정된 상태임을 의미한다. 본 연구는 운전자의 주관적인 운전 준비도를 예측하기 위한 운전자의 심리 및 생리 지표를 확인하였고, 이는 운전자의 운전 준비 상태를 모니터링하는 기술에 적용되어 사고 예방에 기여할 수 있을 것이다.

The purpose of this study was to develop a more accurate model for predicting the in-situ compressive strength of concrete pavements using Internet-of-Things (IoT)-based sensors and deep-learning techniques. This study aimed to overcome the limitations of traditional methods by accounting for various environmental conditions. Comprehensive environmental and hydration data were collected using IoT sensors to capture variables such as temperature, humidity, wind speed, and curing time. Data preprocessing included the removal of outliers and selection of relevant variables. Various modeling techniques, including regression analysis, classification and regression tree (CART), and artificial neural network (ANN), were applied to predict the heat of hydration and early compressive strength of concrete. The models were evaluated using metrics such as mean absolute error (MAE) to determine their effectiveness. The ANN model demonstrated superior performance, achieving a high prediction accuracy for early-age concrete strength, with an MAE of 0.297 and a predictive accuracy of 99.8%. For heat-of-hydration temperature prediction, the ANN model also outperformed the regression and CART models, exhibiting a lower MAE of 1.395. The analysis highlighted the significant impacts of temperature and curing time on the hydration process and strength development. This study confirmed that AI-based models, particularly ANNs, are highly effective in predicting early-age concrete strength and hydration temperature under varying environmental conditions. The ability of an ANN model to handle non-linear relationships and complex interactions among variables makes it a promising tool for real-time quality control in construction. Future research should explore the integration of additional factors and long-term strength predictions to further enhance the model accuracy.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

포트홀은 아스팔트 도로 위에서 반복적인 하중으로 인해 일부가 떨어져 나가며 발생하는 패임을 의미한다. 포트홀은 습기에 취약해 특히 장마철에 큰 영향을 받으며, 이로 인해 대형교통사고와 높은 개보수 비용이 발생한다. 매년 포트홀 로 인한 피해와 사고는 언론을 통해 지속적으로 보도 되고 있다. 이러한 피해를 최소화하기 위해서는 사고가 발생하기 전 적절한 시기에 포트홀이 보수되어야 한다. 이를 위해서는 정확한 포트홀 면적 탐지가 선행되어야 한다. 포트홀 면적 의 정확한 탐지는 도로포장의 유지관리 및 보수 전략 수립에 매우 중요한 과정이다. 이에 따라 본 연구에서는 2,086의 포트홀 이미지를 기반으로 학습하고 탐지하였다. 비정형 탐지에 최적화된 Mask R-CNN을 활용하여 포트홀의 전체적인 면적을 탐지하였으며, 탐지 정확도를 높이기 위해 SwinT 백본 네트워크를 사용하였다. 그 결과, 90% 이상의 높은 정확 도로 포트홀의 면적을 탐지하였다. 추후 이 연구를 바탕으로 적절한 시기에 개보수 시기를 예측하여 포트홀로 인한 피해 와 사고를 줄이는 데 기여할 것이다.

한국 고속도로 포장은 1970년 경부고속도로 건설을 시작으로 많은 발전을 이루었으며, 최근 도로이용자에게 쾌적한 도로를 제공할 수 있는 배수성 아스팔트 포장에 대한 관심이 높아지고 있다. 본 연구에서는 한국 고속도로 배수성 아스팔트 구간에 대한 시공목적별, 신설과 유지보수 등을 구분하여 배수성 아스팔트 포장 적용현황을 분석하였다. 또한, 적용된 배수성 아스팔트 포장의 교통량을 조사 분석하였으며, 효율적인 교통량 그룹 선정 방법을 제시하였다. 고속도로에 적용된 배수성 아스팔트 포장의 전주기 평가를 위해 평가항 목을 제시하였다. 내구성평가 항목으로는 포장상태평가지수와 표면조도를 선정하였다. 기능성 평가 항목으로는 내부 공극 막힘여부를 확인할 수 있는 현장투수, 미끄럼저항지수, 포장노면과 타이어에서 발생하는 도로소음원 평가를 위한 도로소음을 선정하였다. 그리고 조사 항목들에 대한 배수성 아스팔트 포장의 전주기 평가를 통해 각각 조사 항목에 대한 정량적 분석평가를 수행하여 도로소음도 예 측식을 제안하였다.