http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 오종우(JongWoo Oh) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
오종우(Jongwoo Oh),오승훈 대한공간정보학회 2011 한국지형공간정보학회 학술대회 Vol.2011 No.5
인류학자가 제시한 도구를 쓰는 인간인 ‘호모 파베르’와 유희를 하는 인간인 ‘호모 루벤스’의 유전자적 원초적 습생을 활용한 시리우스 게임기반의 녹색창조교육의 서막을 열수 있는 개발시스템 환경의 부재에 직면하고 있다. IT, BT, CT, NT 등의 GIS기반의 녹색공간연출을 통한 지속가능하고 조화로운 창의적 아이디어를 도출할 수 있는 녹색체험 공간을 통한 게임형 GIS교육의 필요성이 증대하고 있으며, 게임산업의 활용이 확산됨에도 불구하고 널리 접하고 있는 위치정보의 기술용어인 ‘GIS’에 대한 일반화에 한계를 직시하여 산업육성책으로 생태환경보존교육에 대한 산업화의 구조적 활성화 기반조성의 필요성에 수반되었다. 국토정보화에 부응할 수 있는 비전적이고 실천적이며 살아있는 GIS기반의 체험형 교육시스템의 새로운 아이디어로 녹색개념의 지구환경살리기 인재 육성으로 국가 어젠더를 실천하고 세계적으로 전파할 수 있는 녹색 인재교육시스템의 제시로 미래 한국의 녹색교육비전의 신성장동력의 창출로 세계적으로 전파할 수 있는 6개의 GIS인재교육시스템 구현이 제시되었다.
-
유수(流水)에 의한 Karst의 유형(類型)에 관한 연구(硏究)
오종우 ( Jongwoo Oh ) 한국동굴학회 2008 동굴 Vol.87 No.-
카르스트는 자연수의 용식작용에 의하여 형성되는 지형이다. 용식은 카르스트 지형에 있어 가장 우세한 과정이 아니며, 또한 지배적인 과정도 아니지만, 그것은 다른 유형의 지형에서 형성되는 결과보다 용해질 암석에서 더 다양한 역할을 하기 때문이다. 용식의 가장 중요한 역할은 바위의 침투성을 증가시키면서 지하의 공간을 확대시키는 데 있다. 이는 지하수에 의해 지표면의 점진적인 용식적인 변화인 카렌, 석문, 용천, cockpit 및 mogote, sinkholes, hum 등의 카르스트 지형을 창출한다. 수문학의 대표적인 이론인 Darcy`s Law가 용식지형에서는 전혀 적용되지 않는다는 검증 결과만 하더라도 카르스트가 얼마나 다양하고 복잡한 수문학적인 형성과정을 가지고 있는가를 알 수 있을 것이다. 특히 Darcy의 법칙은 비등방성과 비균질적인 투수층에는 적용되지 않는다. 왜냐하면 카르스트 지역에서는 1차삼투율(primary transmissivity)의 공극율에 따른 투과율이 적용되는 일반적인 암석에서의 결과보다 2차삼투율(secondly transmissivity인 단층선, 균열, 절리면 등에 의한 투과율이 훤씬 증대되기 때문이다. 따라서 카르스트수문학은 자연수의 용식작용에 의하여 형성되는 지형이지만 투수성, 지하수의 유속, 동공속의 소지류의 구배, 입수율과 배출율 등이 일반적인 수문학과 다른 결과를 나타내고 있다.
-
이정규(JungKyu Lee),오종우(JongWoo Oh),조용진(YongJin Cho),이동훈(Donghoon Lee) (사)한국생물환경조절학회 2020 생물환경조절학회지 Vol.29 No.3
스마트 팜 관리의 활용 효율성을 높이기 위해서는 작물 및 환경 변화에 대한 사전 검사를 실시간으로 평가하기 위한 모델링 기법이 필요하다. 시설 온실 내부의 CO₂와 같은 필수 환경 요소는 다양한 상관 변수가 밀접하게 결합 된 시간 영역에서 신뢰할 수 있는 추정 모델을 확립하기가 어렵다. 따라서 본 연구는 입력 영역과 출력 변수를 CO₂와 같은 시간 관점에서 인접 영역에 분포된 환경 정보를 이용하여 시간 복잡도를 줄이기 위한 인공 신경망을 개발하기 위해 수행되었다. 스마트 팜을 계측하기 위한 센서 모듈을 통해 환경 요소를 지속적으로 측정하였다. 실험기간의 평균 데이터로 예측하는 모델링 1, 전일 데이터로 예측하는 모델링 2을 구성하여 CO₂ 환경인자의 상호관계를 예측하였다. 전일의 데이터 학습으로 예측하는 모델링 2가 60일 평균값으로 예측한 모델링 1에 비해 성능이 우수하였다. 30일 이전까지는 대부분 0.70~0.88사이의 결정계수를 보였으며 모델링 2가 약 0.05정도 높게 나타났다. 하지만 30일 이후에는 두 가지 모델링 모두 결정 계수 값이 0.50 이하로 낮은 값을 보였다. 모델링 접근법에 따라 결정 요인의 값을 비교하고 분석 한 결과 인접한 시간대의 데이터는 고정 신경망 모델을 사용하는 대신 예측이 필요한 지점에서 상대적으로 높은 성능을 나타냈다. To increase the utilization of the intelligent methodology of smart farm management, estimation modeling techniques are required to assess prior examination of crops and environment changes in realtime. A mandatory environmental factor such as CO₂ is challenging to establish a reliable estimation model in time domain accounted for indoor agricultural facilities where various correlated variables are highly coupled. Thus, this study was conducted to develop an artificial neural network for reducing time complexity by using environmental information distributed in adjacent areas from a time perspective as input and output variables as CO₂. The environmental factors in the smart farm were continuously measured using measuring devices that integrated sensors through experiments. Modeling 1 predicted by the mean data of the experiment period and modeling 2 predicted by the day-to-day data were constructed to predict the correlation of CO₂. Modeling 2 predicted by the previous day"s data learning performed better than Modeling 1 predicted by the 60-day average value. Until 30 days, most of them showed a coefficient of determination between 0.70 and 0.88, and Model 2 was about 0.05 higher. However, after 30 days, the modeling coefficients of both models showed low values below 0.50. According to the modeling approach, comparing and analyzing the values of the determinants showed that data from adjacent time zones were relatively high performance at points requiring prediction rather than a fixed neural network model.
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
