8조- ∞ - 편집 역사

2021adenv08: /* 참고문헌 및 사이트 */

2021-12-16T11:37:59Z

‎참고문헌 및 사이트

2021adenv08: /* 참고문헌 및 사이트 */

2021-12-16T11:37:20Z

‎참고문헌 및 사이트

2021년 12월 16일 (목) 11:37에 2021adenv08님의 편집

2021-12-16T11:37:05Z

2021adenv08: /* 특허 출원 내용 */

2021-12-16T11:31:30Z

‎특허 출원 내용

2021adenv08: /* 개발 과제의 목표 및 내용 */

2021-12-16T11:25:43Z

‎개발 과제의 목표 및 내용

2021adenv08: /* 제품의 요구사항 */

2021-12-16T11:24:47Z

‎제품의 요구사항

2021adenv08: /* 완료작품의 평가 */

2021-12-16T11:24:02Z

‎완료작품의 평가

2021adenv08: /* 프로토타입 사진 혹은 작동 장면 */

2021-12-16T11:23:10Z

‎프로토타입 사진 혹은 작동 장면

2021adenv08: /* 프로토타입 사진 혹은 작동 장면 */

2021-12-16T11:20:21Z

‎프로토타입 사진 혹은 작동 장면

2021adenv08: /* 관련사업비 내역서 */

2021-12-16T11:15:07Z

‎관련사업비 내역서

@@ 596번째 줄: / 596번째 줄: @@
   • 물환경정보시스템. 녹조(조류)정보. Retrieved from “http://water.nier.go.kr”
   • 한강물환경연구소. 조류경보제. Retrieved from “https://www.nier.go.kr/NIER/han/index.do“
-  • Ly, Q. V., Nguyen, X. C., Lê, N. C., Truong, T. D., Hoang, T. H. T., Park, T. J., ... & Hur, J. (2021). Application of Machine Learning for eutrophication analysis and algal bloom prediction in an urban river: A 10-year study of the Han
+  • Ly, Q. V., Nguyen, X. C., Lê, N. C., Truong, T. D., Hoang, T. H. T., Park, T. J., ... & Hur, J. (2021). Application of Machine Learning for eutrophication analysis and algal bloom prediction in an urban river: A 10-year study of the Han River, South Korea. Science of The Total Environment, 797, 149040.
- River, South Korea. Science of The Total Environment, 797, 149040.
+  • Park, Y., Lee, H. K., Shin, J. K., Chon, K., Kim, S., Cho, K. H., ... & Baek, S. S. (2021). A machine learning approach for early warning of cyanobacterial bloom outbreaks in a freshwater reservoir. Journal of Environmental Management, 288, 112415.
   • Huang, C. J., & Kuo, P. H. (2018). A deep cnn-lstm model for particulate matter (PM2. 5) forecasting in smart cities. Sensors, 18(7), 2220.
   • Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural computing and applications, 32(23), 17351-17360.

@@ 589번째 줄: / 589번째 줄: @@
   • 정재원(Jung, Jaewon), 모혜림(Mo, Hyelim) , 이준형(Lee, Junhyeong) , 유영훈(Yoo, Younghoon) , 김형수(Kim, Hung Soo). (2021). LSTM 기반 딥러닝 기법을 이용한 섬진강 구례교 지점의 홍수위 예측. 2. 한국방재학회 논문집, 21(3): 193-201
   • Sunny, M. A. I., Maswood, M. M. S., & Alharbi, A. G. (2020, October). Deep Learning-Based Stock Price Prediction Using LSTM and Bi-Directional LSTM Model. In 2020 2nd Novel Intelligent and Leading Emerging Sciences Conference (NILES)
-(p.87-92). IEEE.
+ (p.87-92). IEEE.
   • 장세훈. 2016. 아두이노-라즈베리 파이 기반의 미세먼지 측정 애플리케이션 개발 및 분석. 한국정보과학회 학술발표논문집,1907-1909.
   • Kim, T. Y., & Cho, S. B. (2019). Predicting residential energy consumption using CNN-LSTM neural networks. Energy, 182, 72-81.
@@ 597번째 줄: / 597번째 줄: @@
   • 한강물환경연구소. 조류경보제. Retrieved from “https://www.nier.go.kr/NIER/han/index.do“
   • Ly, Q. V., Nguyen, X. C., Lê, N. C., Truong, T. D., Hoang, T. H. T., Park, T. J., ... & Hur, J. (2021). Application of Machine Learning for eutrophication analysis and algal bloom prediction in an urban river: A 10-year study of the Han
-River, South Korea. Science of The Total Environment, 797, 149040.
+ River, South Korea. Science of The Total Environment, 797, 149040.
   • Park, Y., Lee, H. K., Shin, J. K., Chon, K., Kim, S., Cho, K. H., ... & Baek, S. S. (2021). A machine learning approach for early warning of cyanobacterial bloom outbreaks in a freshwater reservoir. Journal of Environmental Management,
 , 112415.
   • Huang, C. J., & Kuo, P. H. (2018). A deep cnn-lstm model for particulate matter (PM2. 5) forecasting in smart cities. Sensors, 18(7), 2220.
   • Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural computing and applications, 32(23), 17351-17360.

← 이전 판		2021년 12월 16일 (목) 11:37 판
563번째 줄:		563번째 줄:
	===특허 출원 내용===		===특허 출원 내용===
	[[파일:특허출원 8조.jpg]]		[[파일:특허출원 8조.jpg]]
		+
		+	==부록==
		+	=== 참고문헌 및 사이트 ===
		+
		+	• Kim, J., Kim, J., & Seo, D. (2020). Effect of major pollution sources on algal blooms in the Seungchon weir and Juksan weir in the Yeongsan River using EFDC. Journal of Korea Water Resources Association, 53(5), 369-381.
		+	• 이승재, & 김지원. (2019). 과학적 수질관리를 위한 수질예측시스템 고도화. 한국농공학회 학술대회초록집, 2019, 220-220.
		+	• 홍한움, 조을생, 강선아, 한국진. (2020). 인공지능 딥러닝을 활용한 조류현상 예측기술 개발 및 활용방안. 기본연구보고서, 2020(0), 1-147.
		+	• 건설기술 [웹사이트]. (2019.11.28). Retrieved from http://www.ctman.kr/news/18367
		+	• 경상남도 수질관리과. (2019.03.12). '19년 녹조발생 예방 및 대응 추진 계획.
		+	• K water (2021.09.02). 한국수자원공사, 녹조 발생 대응 현장 점검. 보도자료.
		+	• K water (2021.05.13). 한국수자원공사, 인공지능(AI) 물관리 시대 선도한다.
		+	• 한혜진. (2014). 물환경 및 기후변화를 고려한 유해녹조 대응체계 및 정책 개선방안 연구. 한국환경정책·평가연구원
		+	• 조영철, 오경희, 김혜령, 김보리. (2017). 녹조로부터 안전한 사회 구축을 위한 녹조 제어·관리기술 고도화 사전기획연구. 충북대학교 산학협력단
		+	• 권용환. ICT 기술 기반의 녹조 모니터링 및 예측 연구. 한국통신학회지(정보와 통신) 37(1). 2019.12,66-71
		+	• 강성원 외(2019), 환경 빅데이터 분석 및 서비스 개발Ⅲ, KEI한국환경정책평가연구원.
		+	• 김재영(2017). EFDC 모델을 이용한 한강 수질 및 녹조현상 예측에 관한 연구. 충남대학교
		+	• 김택근(2021). 기계학습 기법을 활용한 낙동강 지역 클로로필-a 농도 예측 연구. 충북대학교
		+	• 순천향대학교 산학협력단(2014). 특허등록 제1585545-0000. 서울: 특허청
		+	• 경북대학교 산학협력단(2019). 특허등록 제2104345-0000. 서울: 특허청
		+	• 대한민국(2019). 특허등록 제2119276-0000. 서울: 특허청
		+	• EFDC를 이용한 영산강 주요 오염 부하 저감에 따른 승촌보 및 죽산보 녹조 현상 개선 효과 분석. (2020). Journal of Korea Water Resources Association, 53(5), 369–381.
		+	• Jang, I. S., Park, G. B., Kim, J. G., Lee, W. H., & Kim, J. H. (2007). WASP 모형을 이용한 저수지 수질예측. In Proceedings of the Korean Environmental Sciences Society Conference (pp. 241-244). The Korean Environmental Sciences Society.
		+	• 김소연, 변성준, & 김주원. (2020). QUAL2K 모형을 이용한 도시하천의 효율적 수질관리방안-인천광역시 심곡천을 중심으로. 한국수처리학회지, 28(1), 29-41.
		+	• 김미은, & 신현석. (2013). 신경망 모형을 이용한 단기조류예측모형 구축에 관한 연구. 한국수자원학회논문집, 46(7), 697-706.
		+	• 정재원(Jung, Jaewon), 모혜림(Mo, Hyelim) , 이준형(Lee, Junhyeong) , 유영훈(Yoo, Younghoon) , 김형수(Kim, Hung Soo). (2021). LSTM 기반 딥러닝 기법을 이용한 섬진강 구례교 지점의 홍수위 예측. 2. 한국방재학회 논문집, 21(3): 193-201
		+	• Sunny, M. A. I., Maswood, M. M. S., & Alharbi, A. G. (2020, October). Deep Learning-Based Stock Price Prediction Using LSTM and Bi-Directional LSTM Model. In 2020 2nd Novel Intelligent and Leading Emerging Sciences Conference (NILES)
		+	(p.87-92). IEEE.
		+	• 장세훈. 2016. 아두이노-라즈베리 파이 기반의 미세먼지 측정 애플리케이션 개발 및 분석. 한국정보과학회 학술발표논문집,1907-1909.
		+	• Kim, T. Y., & Cho, S. B. (2019). Predicting residential energy consumption using CNN-LSTM neural networks. Energy, 182, 72-81.
		+	• Jeremy Blum. (2021). 익스플로링 아두이노. 허경용(역), 서울 : 한빛아카데미
		+	• Che, Z., Purushotham, S., Cho, K., Sontag, D., & Liu, Y. (2018). Recurrent neural networks for multivariate time series with missing values. Scientific reports, 8(1), 1-12.
		+	• 물환경정보시스템. 녹조(조류)정보. Retrieved from “http://water.nier.go.kr”
		+	• 한강물환경연구소. 조류경보제. Retrieved from “https://www.nier.go.kr/NIER/han/index.do“
		+	• Ly, Q. V., Nguyen, X. C., Lê, N. C., Truong, T. D., Hoang, T. H. T., Park, T. J., ... & Hur, J. (2021). Application of Machine Learning for eutrophication analysis and algal bloom prediction in an urban river: A 10-year study of the Han
		+	River, South Korea. Science of The Total Environment, 797, 149040.
		+	• Park, Y., Lee, H. K., Shin, J. K., Chon, K., Kim, S., Cho, K. H., ... & Baek, S. S. (2021). A machine learning approach for early warning of cyanobacterial bloom outbreaks in a freshwater reservoir. Journal of Environmental Management,
		+	288, 112415.
		+	• Huang, C. J., & Kuo, P. H. (2018). A deep cnn-lstm model for particulate matter (PM2. 5) forecasting in smart cities. Sensors, 18(7), 2220.
		+	• Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural computing and applications, 32(23), 17351-17360.
		+	• 정시훈, 김영준, 박수민, & 임정호. (2020). 시계열 기계학습을 이용한 한반도 남해 해수면 온도 예측 및 고수온 탐지. 대한원격탐사학회지, 36(5), 1077-1093.
		+	• 조류경보제 운영 매뉴얼(2020), 국립환경과학원
		+	• 물환경정보시스템. 녹조(조류)정보. Retrieved from http://water.nier.go.kr/
		+	• 한강물환경연구소. 조류경보제. Retrieved from https://www.nier.go.kr/NIER/han/inde x.do
		+	• 뉴스타파[Website]. (2021.11.09). Retrieved from http://newstapa.org/article/nQqZg
		+	• Github[Website]. (2021.11.01). Retrieved from https://github.com/

← 이전 판		2021년 12월 16일 (목) 11:31 판
562번째 줄:		562번째 줄:

	===특허 출원 내용===		===특허 출원 내용===
−	내용	+	[[파일:특허출원 8조.jpg]]

@@ 44번째 줄: / 44번째 줄: @@
   현재 「물환경보전법」 제21조에 의한 녹조 경보 발령 기준은 아래와 같다. 발령 기준은 유해 남조류의 수에 따라 3단계로 나뉘는데 관심, 경계, 대발생 순이다.
-{| cellpadding="0" cellspacing="0" border="1" width="30%"
+{| class="wikitable" style="font-weight:bold; text-align:center;"
+|- style="background-color:#FFFFE5;"
-|-
+! 발 령 단 계
-| 발령단계
+! 관  심
-| 관심
+! 경  계
-| 경계
+! 대발생
-| 대발생
+|- style="font-weight:normal;"
 | 유해남조류(세포수/mL)
 | 1천 이상

@@ 322번째 줄: / 322번째 줄: @@
 ===설계사양===
 ====제품의 요구사항====
-{| cellpadding="0" cellspacing="0" border="1" width="30%"
+{| class="wikitable" style="text-align:center; background-color:#FFF;"
+|- style="font-weight:bold; background-color:#F2F2F2;"
-|-
+! 번호
-| 번호
+! 요 구 사 항
-| 요구사항
+! D or W
-| D or W
+! 비고
 |-
 | 1
-| 데이터 전처리 (결측치 대체 및 보완)
+| style="text-align:left;" | 데이터 전처리 (결측치 대체 및 보완)
 | D
 | 大
 |-
 | 2
-| 하이퍼 파라미터 설정
+| style="text-align:left;" | 하이퍼 파라미터 설정
 | D
 | 大
 |-
 | 3
-| 모델의 성능
+| style="text-align:left;" | 모델의 성능
 | D
 | 大
 |-
 | 4
-| 실시간 데이터베이스 구축
+| style="text-align:left;" | 실시간 데이터베이스 구축
 | W
 | 中
 |-
 | 5
-| 경보 알람
+| style="text-align:left;" | 경보 알람
 | W
 | 中
 |}
 ====설계 사양====
 내용

@@ 512번째 줄: / 512번째 줄: @@
 ===완료작품의 평가===
-내용
+{| class="wikitable" style="background-color:#FFF;"
 ===향후평가===

@@ 459번째 줄: / 459번째 줄: @@
 {| class="wikitable"
 |-
+! [[파일:경보해제.jpg|200픽셀]]
+! [[파일:관심.jpg|200픽셀]]
 |- style="text-align:center;"
 | 경보해제
 | 관심
 |-
+| [[파일:경계.jpg|200픽셀]]
+| [[파일:조류대발생.jpg|200픽셀]]
 |- style="text-align:center;"
 | 경계

@@ 457번째 줄: / 457번째 줄: @@
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
+{| class="wikitable"
 ====포스터====
 [[파일:21. 포스터.png]]