지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 염재홍
- 발행연도
- 2019
- 저작권
- 세종대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
온도 데이터는 대기 현상 분야뿐만 아니라 도시공학 연구 모델에 필수적으로 쓰이는 데이터이며, 정확한 온도 예측은 열섬이나 미세먼지와 같은 기상 현상을 모델링하고 예측할 때 중요하다. 현재 서울시의 온도를 파악할 수 있는 AWS(Automatic Weather System)는 실측 데이터로 시간 별로 정확한 온도를 알 수 있지만, 지점 데이터이기 때문에 세세한 지역의 연속적인 온도 분포를 파악할 수 없다. 반대로 위성영상으로부터 획득할 수 있는 지표면 온도 데이터는 높은 공간 해상도를 가지고 연속적인 온도를 파악할 수 있지만, 위성의 시간 해상도의 제약으로 매일 단위의 온도를 파악하기는 어렵다.
이러한 해상도 문제를 해결하기 위하여 딥 러닝 방법을 적용하여 AWS 온도 데이터를 30 미터의 공간 해상도로 향상시켰다. 공간 데이터를 적용하여 딥 러닝 모델을 설계하고 모델의 정확도를 향상하기 위하여 공간 데이터 특성에 맞는 모델 전처리와 feature engineering을 수행하였다. 또한 딥 러닝 모델의 두 종류인 구분 모델(DMLP: Deep Multi-layer Perceptron)과 생성 모델(CGAN: Conditional Generative Adversarial Networks)을 결합하여 높은 정확도를 획득하였다.
이러한 해상도 문제를 해결하기 위하여 딥 러닝 방법을 적용하여 AWS 온도 데이터를 30 미터의 공간 해상도로 향상시켰다. 공간 데이터를 적용하여 딥 러닝 모델을 설계하고 모델의 정확도를 향상하기 위하여 공간 데이터 특성에 맞는 모델 전처리와 feature engineering을 수행하였다. 또한 딥 러닝 모델의 두 종류인 구분 모델(DMLP: Deep Multi-layer Perceptron)과 생성 모델(CGAN: Conditional Generative Adversarial Networks)을 결합하여 높은 정확도를 획득하였다.
목차
목 차국문 초록 iList of Figures ivList of Tables v제 1 장 서론 11.1 연구 배경 11.2 연구 동향 31.2.1 온도 영상의 공간 해상도 향상 31.2.2 딥 러닝을 이용한 지표면 온도 영상의 해상도 향상 61.3 연구 목적 81.4 연구 방법 9제 2 장 이론적 배경 112.1 딥 러닝 개념 112.2 딥 러닝 알고리즘과 과정 132.2.1 DMLP (Deep Multi-layer Perceptron) 132.2.2 Feature engineering 과정 172.2.3 Conditional GAN (Generative Adversarial networks)과의 모델융합 18제 3 장 데이터와 실험 223.1 연구에 사용한 데이터 223.1.1 AWS(Automatic Weather System) 데이터 223.1.2 위성 데이터 243.2 DMLP를 이용한 모델 설계와 결과 273.3 Feature Engineering 353.3.1 Feature의 기여도에 따른 분석 363.3.2 AWS 관측점으로부터의 거리에 따른 분석 383.3.3 토지 피복도에 따른 분석 413.4 Conditional GAN을 이용한 모델 융합 463.4.1 AWS 데이터를 입력 자료로 이용한 경우 473.4.2 AWS 데이터와 NDVI, 토지 피복도를 입력 자료로 이용한경우 483.4.3 DMLP의 결과를 입력 자료로 이용한 경우 48제 4 장 결론 50참고 문헌 52Abstract 56
최근 본 자료
댓글(0)
0