선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 다중 매트릭스 모델에서의 충돌 가능성은 1) 공항 활주로 부근에 조류가 얼마나 출현하는지에 대한 정량적 (quantitative) 및 정성적 (qualitative) 평가에 따른 조류의 풍부도 (abundance)와 2) 관찰된 조류가 항공기-조류 충돌사고를 일으킨 기록이 있었는지 여부 및 충돌 사고의 빈도로 계산하였다 (Paton, 2010; Table A2). 단일 매트릭스 모델과 달리 정량적 또는 정성적 평가 항목에 대한 세부적인 평가를 먼저 수행하고, 그중 가장 높은 평가 점수가 항목의 평가 결과가 된다.
- 본 연구에서는 1) 각 공항 별 항공기-조류 충돌 위험성을 평가하고, 2) 단일 및 다중 매트릭스 모델의 평가 결과가 각 공항별로 차이가 있는지 또는 모델 간의 차이가 있는지를 분석하였다. 그리고 3) 모델 평가 결과를 이용하여 지역 특이적 위험성 평가 모델의 필요성과 국내 상황에 적합한 항공기-조류 충돌 위험성 평가 모델의 개발 방향에 대해 고찰하였다.
- 본 연구에서는 1) 각 공항 별 항공기-조류 충돌 위험성을 평가하고, 2) 단일 및 다중 매트릭스 모델의 평가 결과가 각 공항별로 차이가 있는지 또는 모델 간의 차이가 있는지를 분석하였다. 그리고 3) 모델 평가 결과를 이용하여 지역 특이적 위험성 평가 모델의 필요성과 국내 상황에 적합한 항공기-조류 충돌 위험성 평가 모델의 개발 방향에 대해 고찰하였다.
- 관찰 빈도 (frequency of occurrence, %)는 특정 종의 관찰 횟수를 전체 관찰 횟수로 나눈 값이며, 관찰지역 (area of occurrence, %)은 특정 종이 관찰된 면적을 전체면적으로 나눈 값으로 다음과 같은 4개의 범주로 구분하여 평가하였다(Table A2):
- 마지막으로, 각각 평가된 충돌의 심각성과 충돌 가능성을 다중 매트릭스 (Table 2)에 대입하여 항공기-조류 충돌 위험성을 평가 및 예측하였다.
- 다중 매트릭스 모델은 조류 몸무게와 관찰빈도에 따른 단일 매트릭스 모델보다 공항 내 조류의 분포 및 이동 정보 등 더욱 구체적이고 현장 중심적인 자료를 이용하여 위험성 평가 시예측의 정밀성을 높이기 위해 제안되었다 (Paton, 2010). 먼저 충돌 심각성은 조류 몸무게와 관찰된 무리의 크기 (flock size) 그리고 조류 비행 행동 (flight behavior) (Table A1)을 공식 (1)에 대입하여 계산하였다.
- 예를 들어, 10 BirdDays는 하루 동안 10개체가 관찰되었거나 10일 동안 1개체가 관찰되었음을 의미한다. 먼저, 2005년부터 2013년도까지 각 공항별로 관찰된 조류의 총 개체수의 중앙값 (median)을 기준으로 하여 각각 0.5, 1, 2.5, 5배의 비율로 공항 특이적인 BirdDays를 산출하였다(Searing, 2005). 평가를 위한 BirdDays는 아래의 5가지 범주로 구분하여 평가하였다 (MacKinnon, 2002):
- 항공기-조류 충돌사고 발생 횟수에 대한 정성적 평가는 아래와 같은 4개의 범주로 구분하여 평가하였다 (Table A2):
- 항공기-조류 충돌사고 발생 횟수에 따른 정량적 평가는 특정 종의 충돌 횟수를 전체 충돌 횟수로 나눈 값으로 4개의 범주로 구분하여 평가하였다 (Table A2):
대상 데이터
- Figure 1. Study site (Gimpo, Gimhae and Jeju International Airport).
- 단일 및 다중 매트릭스 모델을 비교하기 위해 2005년부터 2013년까지의 한국공항공사에서 관리하는 통합운항정보시스템 의 조류퇴치 데이터베이스를 이용하였다. 한국공항공사에서는 항공기와 충돌 위험이 있는 조류를 대상으로 퇴치활동을 수행하고 있으며, 퇴치된 조류의 종명, 개체수 등을 통합운항정보시스템 데이터베이스에 기록하고 있다.
- 항공기-조류 충돌 위험성 평가 모델 비교를 위한 연구지역은 한국공항공사가 관리하는 공항 중 항공기 운항이 빈번한 김포국제공항 (서울시 강서구), 김해국제공항 (부산시 강서구) 그리고 제주국제공항 (제주시 용담동) 세 곳이었다 (Figure 1). 본 연구의 분석에는 김포, 김해와 제주국제공항에서 2005년부터 2013년까지 통합운항정보시스템에 입력된 조류퇴치데이터를 이용하였다. 조류퇴치데이터는 비조류전문가에 의해 동정되어 세부 종이 아닌 조류 분류군 별로 기록된 경우가 많지만 (예 ; 큰기러기, 쇠기러기는 종 구분 없이 기러기류로 기록됨) 자료 소실 방지를 위해 분류군별로 기록된 데이터를 모두 이용하였다.
- 본 연구의 분석에는 김포, 김해와 제주국제공항에서 2005년부터 2013년까지 통합운항정보시스템에 입력된 조류퇴치데이터를 이용하였다. 조류퇴치데이터는 비조류전문가에 의해 동정되어 세부 종이 아닌 조류 분류군 별로 기록된 경우가 많지만 (예 ; 큰기러기, 쇠기러기는 종 구분 없이 기러기류로 기록됨) 자료 소실 방지를 위해 분류군별로 기록된 데이터를 모두 이용하였다.
- 항공기-조류 충돌 위험성 평가 모델 비교를 위한 연구지역은 한국공항공사가 관리하는 공항 중 항공기 운항이 빈번한 김포국제공항 (서울시 강서구), 김해국제공항 (부산시 강서구) 그리고 제주국제공항 (제주시 용담동) 세 곳이었다 (Figure 1). 본 연구의 분석에는 김포, 김해와 제주국제공항에서 2005년부터 2013년까지 통합운항정보시스템에 입력된 조류퇴치데이터를 이용하였다.
데이터처리
- 두 모델의 차이를 비교하기 위하여 공항별로 예측된 조류종별 위험성 평가 결과에 대해 교차 비교 분석을 수행하였다. 각각의 모델에서 계산된 충돌 심각성과 충돌 가능성의 평가를 비교하기 위해 Pearson Correlation analysis를 이용하였다. 공항별로 두 모델 간의 평가 결과의 차이를 비교하기 위해 먼저 공항별로 두 매트릭스 모델 간의 회귀선형모형을 계산한 뒤,종별 회귀제곱합 (Sum of Square Regression, SSR)을 계산하였다.
- 공항별 평균 회귀제곱합을 통해 AIC (Akaike Information Criterion), ΔAIC 그리고 AIC weight를 계산하여 두 매트릭스모델 간의 차이를 비교하였다.
- 각각의 모델에서 계산된 충돌 심각성과 충돌 가능성의 평가를 비교하기 위해 Pearson Correlation analysis를 이용하였다. 공항별로 두 모델 간의 평가 결과의 차이를 비교하기 위해 먼저 공항별로 두 매트릭스 모델 간의 회귀선형모형을 계산한 뒤,종별 회귀제곱합 (Sum of Square Regression, SSR)을 계산하였다. 공항별 평균 회귀제곱합을 통해 AIC (Akaike Information Criterion), ΔAIC 그리고 AIC weight를 계산하여 두 매트릭스모델 간의 차이를 비교하였다.
- 두 모델의 차이를 비교하기 위하여 공항별로 예측된 조류종별 위험성 평가 결과에 대해 교차 비교 분석을 수행하였다. 각각의 모델에서 계산된 충돌 심각성과 충돌 가능성의 평가를 비교하기 위해 Pearson Correlation analysis를 이용하였다.
이론/모형
- 다중 매트릭스 모델에서 조류 몸무게에 따른 항공기-조류 충돌 심각성은 Table A1에 의해 평가되며, 평균 몸무게에 따른 점수화의 범주는 Paton (2010)의 방식을 따랐다. 또한, 조류 무리의 크기와 관찰된 조류의 비행 행동에 따른 충돌 가능성도 Table A1에 따라 평가되었다.
- 조류 종별 몸무게 자료는 Dunning (2007)을 참조하여 암컷과 수컷의 평균값으로 계산하였다. 조류 몸무게에 따른 심각성은 아래의 5가지 범주로 구분하여 평가에 반영하였다 (MacKinnon, 2002):
- 항공기-조류 충돌 가능성은 캐나다 밴쿠버 공항과 동일하게 Searing (2005)이 제안한 BirdDays를 이용하여 계산하였다. BirdDays는 공항에 출현하는 조류의 관찰 빈도를 정량화하기 위한 방법으로 하루 동안에 관찰된 조류의 총 개체수 또는 조류 1개체가 관찰되기까지 소요된 총 일수를 의미한다 (Searing, 2005).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.