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
- 신동훈
- 발행연도
- 2021
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수26
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
오늘날 운영되고 있는 다수의 지진관측소에서는 지진자료를 생산한다. 생산된 많은 지진 자료에는 다양한 원인으로 인한 이상 자료들도 포함될 수 있다. 이상 상태가 시작되면 이른 시일 내 이를 인지하고 점검을 하는 것이 좋으나, 그렇지 못하여 긴 기간 동안 이상상태가 유지된 사례들도 있었다. 이로 인해 잘못된 신호를 감지하게 되면 지진조기경보 시 정확성이 떨어질 수 있으므로 지진관측소에서 전송되는 지진 자료들을 확인해 이상상태가 있다면 빠른 조치를 취해 지진 자료의 품질을 관리하는 것이 중요하다. 하지만 수동으로 일일이 다수의 지진관측소에 기록된 많은 양의 실시간 지진자료 품질을 관리하는 것은 어려운 일이다.
이를 위해 선행 연구(서근주, 2019)에서는 지진조기경보시스템에서 실시간 지진자료의 품질관리를 하고자 시간 영역의 자료를 주파수 영역에서 진폭 스펙트럼 값으로 표현한 파워스펙트럼 밀도를 이용해 관측소 상태를 파악하였다. 2016년부터 2017년까지 광대역 속도계의 파워스펙트럼 밀도를 기반으로 정상, 이상, 지진 신호 세 종류로 분류하고 이를 토대로 합성곱 신경망을 이용한 자동 분류 기술을 개발한 바가 있다.
본 연구에서는 지진 자료에 포함되는 배경잡음 수준과 주파수 대역별, 시?공간별 배경잡음의 변화 등을 파악해보고, 일반적인 배경잡음과 구분되는 다양한 이상상태들도 유형별로 분류해 지진자료 품질 관리에 활용하고자 한다. 또한 최근 기상청에서 운영 중인 지진 관측소의 경우 가속도 관측소의 수가 광대역이나 단주기 속도계보다 월등히 많으므로 선행 연구(서근주, 2019)를 보완하여, 가속도 관측소도 추가해 지진계의 종류별로 파워스펙트럼밀도의 특성을 분석하여 지진조기경보에 활용되고 있는 광대역 관측소와 가속도 관측소의 품질 관리 기술을 개발하고자 한다.
관측소의 작동상태를 분류하는 자동으로 학습모델을 개발하고자 기상청에서 제공한 2016년, 2017년, 2019년의 1시간 시계열 자료를 파워스펙트럼밀도로 변환한 자료를 사용하였다. 4939개의 이상신호, 5370개의 정상신호로 총 10309개의 자료를, 가속도 관측소 2356개의 이상신호, 2096개의 정상신호로 총 4452개의 자료를 선별하였다. 각각 선별된 자료 중 70%를 가지고 딥러닝의 합성곱 신경망의 입력자료로 학습을 수행하였다. 나머지 30% 자료로 검증을 한 결과 각각 99.71%, 99.93%의 정확도를 보였다. 따라서 본 연구결과의 학습모델로 관측소 상태를 준실시간으로 관측한다면, 지진조기경보의 실시간 지진자료 품질 관리를 위한 모듈로 사용할 수 있을 것이다.
이를 위해 선행 연구(서근주, 2019)에서는 지진조기경보시스템에서 실시간 지진자료의 품질관리를 하고자 시간 영역의 자료를 주파수 영역에서 진폭 스펙트럼 값으로 표현한 파워스펙트럼 밀도를 이용해 관측소 상태를 파악하였다. 2016년부터 2017년까지 광대역 속도계의 파워스펙트럼 밀도를 기반으로 정상, 이상, 지진 신호 세 종류로 분류하고 이를 토대로 합성곱 신경망을 이용한 자동 분류 기술을 개발한 바가 있다.
본 연구에서는 지진 자료에 포함되는 배경잡음 수준과 주파수 대역별, 시?공간별 배경잡음의 변화 등을 파악해보고, 일반적인 배경잡음과 구분되는 다양한 이상상태들도 유형별로 분류해 지진자료 품질 관리에 활용하고자 한다. 또한 최근 기상청에서 운영 중인 지진 관측소의 경우 가속도 관측소의 수가 광대역이나 단주기 속도계보다 월등히 많으므로 선행 연구(서근주, 2019)를 보완하여, 가속도 관측소도 추가해 지진계의 종류별로 파워스펙트럼밀도의 특성을 분석하여 지진조기경보에 활용되고 있는 광대역 관측소와 가속도 관측소의 품질 관리 기술을 개발하고자 한다.
관측소의 작동상태를 분류하는 자동으로 학습모델을 개발하고자 기상청에서 제공한 2016년, 2017년, 2019년의 1시간 시계열 자료를 파워스펙트럼밀도로 변환한 자료를 사용하였다. 4939개의 이상신호, 5370개의 정상신호로 총 10309개의 자료를, 가속도 관측소 2356개의 이상신호, 2096개의 정상신호로 총 4452개의 자료를 선별하였다. 각각 선별된 자료 중 70%를 가지고 딥러닝의 합성곱 신경망의 입력자료로 학습을 수행하였다. 나머지 30% 자료로 검증을 한 결과 각각 99.71%, 99.93%의 정확도를 보였다. 따라서 본 연구결과의 학습모델로 관측소 상태를 준실시간으로 관측한다면, 지진조기경보의 실시간 지진자료 품질 관리를 위한 모듈로 사용할 수 있을 것이다.
목차
그림 목차 ⅲ표 목차 ⅷ국문 초록 ⅸ1. 연구배경 및 목적 12. 연구방법 7가. 지진 자료의 파워스펙트럼밀도 7나. 파워스펙트럼밀도의 특성 분석 9다. 머신러닝과 딥러닝 113. 연구내용 24가. 국내 관측소의 배경잡음 수준 분석 24나. 이상상태의 파워스펙트럼밀도 29다. 자료 선별 및 학습 모델 구성 30라. 학습 모델의 적용 및 평가 374. 토의 435. 결론 51참고 문헌 54영문 초록 56
최근 본 자료
댓글(0)
0