도시화의 급속한 진행과 기후 극한 현상의 증가는 토지이용 및 토지피복 변화(LUCC)가 다차원적인 생태학적 위험을 초래하게 한다. 조림은 탄소 저장을 증가시키는 동시에 지표면 유출 조절을 감소시킬 수 있으므로, 본 연구에서는 Non-dominated Sorting Genetic Algorithm II(NSGA-II)를 적용하여 탄소 저장, 지표면 유출 조절, 그리고 비용 간의 상충관계를 최적화하고, 파레토 최적 포트폴리오 및 도시 녹지 공간 계획을 위한 공간적으로 명시적인 설계 규칙을 도출한다. 결과: 예산이 고정된 경우, 비용·탄소·유출은 해(solution) 전선의 최적 경계(optimal edge)에서 수렴하며, 경계의 각 점은 하나의 실행 가능한 조림 계획 패턴을 제공한다. 모든 파레토 점은 선택 빈도의 지도(map of frequencies)로 수렴한다. 이를 바탕으로 견고한 투자 우선순위 지역을 식별할 수 있다. 경관 패턴을 고정한 경우, 최종 성과는 전적으로 종 조합과 단위 가격에 의해 결정되며, 이는 경관 구조 하에서 종의 예산에 대한 지름길 매칭 원리(shortcut matching principles)를 도출한다. 그 결과, 정확한 조림 토지 계획은 비용, 탄소 저장, 지표면 유출 조절을 동시에 최적화할 수 있다. 결론: NSGA-II는 비용, 탄소 저장, 지표면 유출 조절 간의 상충관계를 명시적으로 제시하고, 재정 역량과 생태적 우선순위에 맞출 수 있는 포트폴리오를 제공한다. 경관 패턴을 향상시키는 것은 탄소 저장과 지표면 유출 조절 간의 더 나은 균형과 관련이 있다. 경관 구성을 고정하면 성과는 종 구성과 단위 비용이 지배하며, 선택 빈도 지도는 우선순위를 식별하고 투자를 단계적으로(phase) 추진하는 데 활용될 수 있다.

본 연구는 전통적인 수기 측정 방법의 디지털 대안으로서 3D 포인트 클라우드 기술을 이용한 총톤수(gross tonnage, GT) 측정의 가능성을 검토한다. 길이 24 m를 초과하는 선박은 1969년 톤수측정협약(Tonnage Measurement Convention, TMC) 하에서 표준화된 규정을 따르지만, 24 m 미만 선박은 종종 간이한 공식을 기반으로 하는 등 다양한 국내 규정의 적용을 받는다. 본 연구에서는 레이저 스캐너를 사용하여 두 척의 한국 선박—24 m를 초과하는 관공선과 24 m 미만의 어선—에 대한 3D 포인트 클라우드를 획득하였다. 후처리 후, 폐쇄 체적은 볼록 껍질(convex hull) 알고리즘으로 추정하고 국내 기준에 따라 계산된 GT 값과 비교하였다. 포인트 클라우드 기반 방법은 체적에서 최대 0.30 %, GT에서 0.23 TON의 차이만 보이며 변동이 최소한으로 나타났다. 이러한 결과는 3D 스캐닝이 GT 측정에 대해 신뢰할 수 있고 정확한 대안을 제공하며, 표준화된 디지털 워크플로를 통해 더 넓은 기관 차원의 도입 가능성을 시사한다.

도시화의 급속한 진행과 기후 극한 현상의 증가는 토지이용 및 토지피복 변화(LUCC)가 다차원적인 생태학적 위험을 초래하게 한다. 조림은 탄소 저장을 증가시키는 동시에 지표면 유출 조절을 감소시킬 수 있으므로, 본 연구에서는 Non-dominated Sorting Genetic Algorithm II(NSGA-II)를 적용하여 탄소 저장, 지표면 유출 조절, 그리고 비용 간의 상충관계를 최적화하고, 파레토 최적 포트폴리오 및 도시 녹지 공간 계획을 위한 공간적으로 명시적인 설계 규칙을 도출한다. 결과: 예산이 고정된 경우, 비용·탄소·유출은 해(solution) 전선의 최적 경계(optimal edge)에서 수렴하며, 경계의 각 점은 하나의 실행 가능한 조림 계획 패턴을 제공한다. 모든 파레토 점은 선택 빈도의 지도(map of frequencies)로 수렴한다. 이를 바탕으로 견고한 투자 우선순위 지역을 식별할 수 있다. 경관 패턴을 고정한 경우, 최종 성과는 전적으로 종 조합과 단위 가격에 의해 결정되며, 이는 경관 구조 하에서 종의 예산에 대한 지름길 매칭 원리(shortcut matching principles)를 도출한다. 그 결과, 정확한 조림 토지 계획은 비용, 탄소 저장, 지표면 유출 조절을 동시에 최적화할 수 있다. 결론: NSGA-II는 비용, 탄소 저장, 지표면 유출 조절 간의 상충관계를 명시적으로 제시하고, 재정 역량과 생태적 우선순위에 맞출 수 있는 포트폴리오를 제공한다. 경관 패턴을 향상시키는 것은 탄소 저장과 지표면 유출 조절 간의 더 나은 균형과 관련이 있다. 경관 구성을 고정하면 성과는 종 구성과 단위 비용이 지배하며, 선택 빈도 지도는 우선순위를 식별하고 투자를 단계적으로(phase) 추진하는 데 활용될 수 있다.

널리 사용 가능한 데이터셋을 활용하여 연속적인 고해상도 위성 영상을 생성하기 위한 여러 시공간 데이터 융합 방법이 개발되어 왔다. 본 연구는 융합 정확도를 향상시키기 위해 설계된 잔차 분포 기반 시공간 데이터 융합 방법(Residual Distribution-based Spatiotemporal Data Fusion Method; RDSFM)을 제시한다. RDSFM은 공간적 및 시간적 변동으로 인해 발생하는 잔차를 다루며, 시간에 따라 수집된 다변량 데이터를 기반으로 IR-MAD 알고리즘을 이용하여 픽셀 하위(subpixel) 분포 가중치를 추정한다. 기존 방법과 비교할 때 RDSFM은 다음과 같은 핵심 장점을 제공한다. (1) 적색 및 NIR과 같은 밴드의 계절적 변화를 정확하게 예측하며, (2) 이질적인 지형과 변화하는 토지피복을 효과적으로 처리하고, (3) 입력으로 단 하나의 고해상도 기준 영상만 필요로 하여 데이터 요구량을 최소화한다. RDSFM의 유효성은 실제 위성 영상으로 검증되었으며, unmixing 기반 데이터 융합(UBDF)과 같은 방법들과 벤치마킹되었다. 실험 결과는 RDSFM이 특히 적색 및 NIR에서 조해상도 밴드의 계절 변화를 성공적으로 포착함을 보여주었고, 이는 식생 분석에 특히 유용함을 의미한다. 또한 RDSFM은 시각적 평가와 정량적 평가 모두를 통해 확인된 바와 같이, 이질적인 지형과 동적 토지피복이 나타나는 지역을 관리하는 데서 우수한 성능을 보인다.

본 연구는 전통적인 수기 측정 방법의 디지털 대안으로서 3D 포인트 클라우드 기술을 이용한 총톤수(gross tonnage, GT) 측정의 가능성을 검토한다. 길이 24 m를 초과하는 선박은 1969년 톤수측정협약(Tonnage Measurement Convention, TMC) 하에서 표준화된 규정을 따르지만, 24 m 미만 선박은 종종 간이한 공식을 기반으로 하는 등 다양한 국내 규정의 적용을 받는다. 본 연구에서는 레이저 스캐너를 사용하여 두 척의 한국 선박—24 m를 초과하는 관공선과 24 m 미만의 어선—에 대한 3D 포인트 클라우드를 획득하였다. 후처리 후, 폐쇄 체적은 볼록 껍질(convex hull) 알고리즘으로 추정하고 국내 기준에 따라 계산된 GT 값과 비교하였다. 포인트 클라우드 기반 방법은 체적에서 최대 0.30 %, GT에서 0.23 TON의 차이만 보이며 변동이 최소한으로 나타났다. 이러한 결과는 3D 스캐닝이 GT 측정에 대해 신뢰할 수 있고 정확한 대안을 제공하며, 표준화된 디지털 워크플로를 통해 더 넓은 기관 차원의 도입 가능성을 시사한다.

3D 포인트 클라우드는 조선소와 같은 대규모 산업 환경에서 기하 정보를 정확하게 포착하는 데 있어 핵심 데이터 형식이다. 3D 포인트 클라우드를 활용하는 딥러닝 기반 객체 탐지 기술은 자동화된 생산 관리 및 공정 최적화를 가능하게 한다. 그러나 3D 포인트 클라우드의 방대한 데이터 특성은 데이터 처리와 데이터셋 구축에 필요한 자원 및 시간으로 인해 여전히 과제로 남아 있다. 3D 포인트 클라우드의 대용량은 데이터셋 구축 및 학습 과정에서 과도한 계산 비용, 저장 요구량, 시간 소모를 초래한다. 따라서 객체 탐지 성능을 보장하면서도 효율적인 활용을 위해 데이터셋 크기를 적절히 줄일 필요가 있다. 이는 최적의 밀도와 탐지 정확도를 유지하는 데이터셋 다운샘플링 전략에 대한 연구를 요구한다. 본 연구에서는 S3DIS(Stanford Large-Scale 3D Indoor Spaces) 데이터셋과 유사한 실험 데이터셋을 구축하였다. 3D 포인트 클라우드의 밀도를 단위 면적당 포인트 수를 20% 단위로 단계적으로 감소시키는 방식으로 5단계로 조정하였다. 이러한 데이터셋을 딥러닝 아키텍처에 적용하여 객체 탐지 정확도를 분석하였다. 이후, 그 결과를 조선소 데이터셋에 적용하여 대용량 포인트 클라우드를 간소화하고 탐지 성능을 평가함으로써 실용 가능성을 검토하였다. 그 결과, 실험 데이터셋의 밀도를 약 20% 수준으로 낮추더라도 주요 객체에 대해 약 95% IoU의 객체 탐지 정확도를 여전히 유지할 수 있음을 확인하였다. 이는 경량 데이터셋이 탐지 성능을 보존하면서 처리 자원과 비용을 절감할 수 있음을 시사한다. 또한 실제 조선소 데이터셋에 해당 접근법을 적용한 결과, 축소된 데이터(원시 데이터의 약 4.6%)로도 객체 탐지가 가능함을 보여주었다. 본 연구는 조선소와 같은 대규모 산업 환경에서 데이터셋을 다운샘플링하여 객체 탐지를 위한 효율적인 딥러닝 모델을 구축할 수 있는 실용적 프레임워크를 제공한다. 이는 생산 관리 및 공정 효율 향상을 위한 자동화된 데이터 관리 시스템 구축에 기여할 것으로 기대된다. 추가 분석을 통해 20% 미만의 극저밀도에서의 성능 평가가 필요하다. 또한 본 연구에서는 단순한 다운샘플링 기법을 사용하였으므로, 향후에는 다양한 다운샘플링 방법의 성능을 비교하여 탐지 정확도를 최적화하는 방안을 탐색해야 한다.

생성형 AI의 빠른 발전은 견고한 안전성 평가를 필요로 한다. 그러나 현재의 안전성 데이터셋은 대부분 영어 중심이어서, 한국과 같은 비영어권의 사회문화적 맥락에서의 특정 위험을 충분히 포착하지 못하며, 또한 텍스트 양식에 제한되는 경우가 많다. 이러한 공백을 해소하기 위해 본 연구는 생성형 AI의 안전성을 평가하기 위한 품질관리된 새로운 한국어 멀티모달 데이터셋인 AssurAI를 제안한다. 첫째, 다학제 전문가 집단이 기존의 확립된 프레임워크로부터 조정하여 보편적 위해와 한국의 사회문화적 맥락에 대한 관련성을 모두 포괄하도록 35개의 서로 다른 AI 위험 요인에 대한 분류체계를 정의한다. 둘째, 이러한 분류체계를 활용하여 텍스트, 이미지, 비디오, 오디오를 아우르는 총 11,480개의 인스턴스로 구성된 대규모 한국어 멀티모달 데이터셋인 AssurAI를 구축하고 공개한다. 셋째, 데이터 무결성을 보장하기 위해 사용되는 엄격한 품질관리 절차를 적용하며, 두 단계의 구축 과정(즉, 전문가 주도 시딩과 크라우드소싱 기반 확장), 세 명의 독립적인 주석, 그리고 반복적인 전문가 레드팀(적대적 공격팀) 루프를 포함한다. 파일럿 연구를 통해 AssurAI가 최근 LLM의 안전성을 평가하는 데 효과적임을 검증한다. 우리는 한국 커뮤니티를 위한 더 안전하고 신뢰할 수 있는 생성형 AI 시스템 개발을 촉진하기 위해 AssurAI를 공개한다.

도시 열섬(Urban Heat Islands, UHIs)은 계절 및 공간적 요인에 따라 유익한 영향과 해로운 영향을 모두 미치며, 도시의 기후 회복력에 유의미한 영향을 준다. 본 연구는 여름철 UHI 강도를 완화하기 위해 설계된 쿨루프(cool roofs)와 그린루프(green roofs)가 대한민국 서울의 겨울철 UHI 역학에 미치는 영향을 평가한다. 시간적 및 공간적 모델을 통합하는 딥러닝 프레임워크를 개발하여 UHI 강도를 예측하고 균형 잡힌 계절별 완화 전략을 제안하였다. 시간적 모델은 10년 기간(2014–2023) 동안 54개 자동기상관측장비(AWS)에서 수집한 기상 데이터를 사용하였으며, 기온, 습도, 풍속, 일사량과 같은 변수를 고려하였다. 공간적 모델은 건물 밀도, 식생 피복, 도로 불투수성(imp-erviousness) 등 GIS에서 도출한 자료와 함께 위성에서 얻은 알베도 및 복사휘도(radiance) 정보를 포함하였다. 두 모델을 통합한 하이브리드 시스템을 구성하여 계절별 UHI 패턴을 예측하였다. 선행연구에 따르면 쿨루프는 여름철 도시 열섬 강도를 평균 2.5°C 완화하였고, 그린루프는 1.8°C의 완화 효과를 보였다. 이 두 전략은 주로 정오 시간대(12:00–15:00)에 가장 큰 영향을 미쳤다. 반면 겨울철 쿨루프는 난방 에너지 수요를 약 5% 증가시키는 부작용을 보였으나, 그린루프는 이 효과를 상쇄하여 온도 강하를 평균 1°C로 제한하고 추가 난방 에너지 수요를 2%로 억제하였다. 공간 분석 결과, 고밀도 도시 지역이 완화 전략의 주요 대상이었으며 계절별 UHI 특성에 뚜렷한 차이가 나타났다. 본 연구는 도시 기후 회복력 계획을 위한 실행 가능한 통찰을 제공하며, 정책 및 설계 개입에 정보를 제공할 수 있는 딥러닝 모델의 잠재력을 보여준다. 이러한 결과는 계절 전반에 걸쳐 지속가능한 도시 열 관리(sustainable urban heat management)를 달성하기 위해, 특정 대상의 쿨루프 및 그린루프 설치와 같은 시공간적으로 적응 가능한 전략의 중요성을 강조한다. 본 연구는 한국환경산업기술원(KEITI)의 "기후변화 R&D 프로젝트: 새로운 기후 레짐"을 통해 지원받았으며, 한국환경부(MOE)에서 지원한 과제(RS-2022-KE002102)이다. 본 연구는 한국환경산업기술원(KEITI)의 기후변화 R&D 프로젝트: 새로운 기후 레짐 프로그램을 통해 지원받았으며, 한국환경부(MOE)에서 지원한 과제(RS-2023-00221110)이다.

최근 조선 산업에서는 제4차 산업혁명 기술을 통합하는 다양한 스마트 품질경영 기술들이 활발히 연구되고 있으며, 정밀 데이터를 신속하게 획득하기 위한 3D 레이저 스캐닝 기술의 활용에 특히 중점을 두고 있다. 3D 레이저 스캐너가 생성하는 원시 3D 점군(point cloud) 데이터는 표면 특성, 측정 환경, 기상 조건 등 다양한 요인으로 인해 불완전한 정보와 노이즈를 포함하는 경우가 흔하다. 따라서 원하는 정보를 정확하게 추출하고 분석하기 위해서는 데이터의 후처리가 필수적이다. 이에 따라 본 연구는 조선 블록에서 점군 분석을 위한 후처리 방법과 적용 사례를 조사한다. 오픈소스 알고리즘을 활용하여 노이즈 제거와 평면 인식(plane recognition)을 포함한 3D 점군 데이터 처리 및 분석 기법의 적용 가능성을 구현하고 평가하였다. 먼저 실험실에서 측정한 샘플 3D 점군 데이터에 알고리즘을 적용하였고, 알고리즘 파라미터에 따른 특성 검토를 통해 적용 가능성을 확인하였다. 이러한 결과에 근거하여, 현장에서 측정한 조선 블록 점군 데이터에 대해 각 알고리즘을 단계별로 평가하였다. 그 결과, DBSCAN 알고리즘을 제외하고는 조선 블록 점군 데이터에 대해 해당 알고리즘들이 적용 가능함이 확인되었다.

본 논문은 생성형 AI와 관련된 다양한 위험 요인을 평가하기 위해 고품질 데이터셋을 구축하고 고도화하는 데 필요한 품질보증 절차를 제안한다. 해당 방법은 두 가지 핵심 단계, 즉 (1) 품질보증 체계의 수립과 (2) 그 구현으로 구성된다. 수립 단계에서는 i) 품질보증 팀을 조직하고, ii) 품질보증 지표를 정의·명세하며, iii) 각 지표의 적절한 측정 시점을 결정하고, iv) 품질보증 방법의 세부사항을 설계·개발한다. 수립된 체계를 바탕으로 구현 단계에서는 N회의 반복 사이클에 걸쳐 수행되는 평가 절차를 제시한다. 본 체계는 구조적 정확성, 평가 정확성, 내용 타당성 및 효과성을 위한 일일 점검과, 콘텐츠·평가·위험 차원 전반에서의 다양성을 보장하기 위한 주간 점검을 포함한다. 또한 본 논문은 제안된 절차의 실제 적용 결과를 제시함으로써, 데이터셋 품질을 향상시키고 생성형 AI 위험 평가에서 발생하는 과제를 해결하는 데 있어 그 유용성을 보여준다.