Earticle

In this paper, the average probability of the symbol error rate (SER) and throughput are studied in the presence of joint spectrum sensing and data transmission in a cognitive relay network, which is in the environment of an optimal power allocation strategy. In this investigation, the main component in calculating the secondary throughput is the inclusion of the spatial false alarms, in addition to the conventional false alarms. It has been shown that there exists an optimal secondary power amplification factor at which the probability of SER has a minimum value, whereas the throughput has a maximum value. We performed a Monte-Carlo simulation to validate the analytical results.

The integration of integrated sensing and communication (ISAC) with artificial intelligence (AI)-driven techniques has emerged as a transformative research frontier, attracting significant interest from both academia and industry. As sixth-generation (6G) networks advance to support ultra-reliable, low-latency, and high-capacity applications, machine learning (ML) has become a critical enabler for optimizing ISAC functionalities. Recent advancements in deep learning (DL) and deep reinforcement learning (DRL) have demonstrated immense potential in enhancing ISAC-based systems across diverse domains, including intelligent vehicular networks, autonomous mobility, unmanned aerial vehicles based communications, radar sensing, localization, millimeter wave/terahertz communication, and adaptive beamforming. However, despite these advancements, several challenges persist, such as real-time decision-making under resource constraints, robustness in adversarial environments, and scalability for large-scale deployments. This paper provides a comprehensive review of ML-driven ISAC methodologies, analyzing their impact on system design, computational efficiency, and real-world implementations, while also discussing existing challenges and future research directions to explore how AI can further enhance ISAC’s adaptability, resilience, and performance in next-generation wireless networks. By bridging theoretical advancements with practical implementations, this paper serves as a foundational reference for researchers, engineers, and industry stakeholders, aiming to leverage AI’s full potential in shaping the future of intelligent ISAC systems within the 6G ecosystem.

This paper proposes an intelligent sensing framework for Internet-of-Things platforms, where sensor measurements stem from multiple causes. Sensors are selectively chosen for data collection to identify the cause with partial measurements. We employ variational deep embedding, a generative model capable of clustering and generation, to identify causes, cluster measurements accordingly, and determine causes for estimating complete measurements from partial data. These estimates aid in efficient sensor selection for data collection. Results demonstrate early and reliable cause sensing and complete measurement estimation using the proposed framework.

High-resolution land cover maps are essential in fields such as forest resource management, urban green space planning, and environmental protection. In recent years, Unmanned Aerial Vehicles (UAVs) have increasingly become influential in land cover mapping due to their flexibility, low cost, and fast data acquisition capability. However, accurately classifying high-resolution image data collected by UAVs remains a challenge due to the complexity of the data and the substantial computational resources required for processing. To address this problem, this study combines UAV remote sensing data with Object-Based Image Analysis (OBIA) to optimize feature selection to improve the accuracy of land cover classification and provide more reliable data support. In this study, combinations of four feature types were evaluated using a Decision Tree (DT) algorithm in eight scenarios. The results showed that a comparison with spectral features alone and the combination of other feature types can significantly improve the classification accuracy. Height features contribute the most to enhancing the classification results, followed by spectral and geometric features, while the contribution of texture features is relatively limited. In addition, the optimal feature combination selected by the Recursive Feature Elimination (RFE) method further validates its effectiveness in improving land cover classification results. Finally, the best feature combination achieved a classification accuracy of 72.00% and a Kappa coefficient of 0.6543, proving the effectiveness of the feature selection and optimization strategy.

본 연구에서는 위성 원격 감지 자료를 사용하여 생태학적 가뭄의 가능성을 조사하였다. 먼저 MODIS에서 제공하는 정규식생지수와 지표면온도로 부터 식생건강성지수를 추정하였다. 그런 다음 우리나라 전 지역에 분포하고 있는 기상청 ASOS 주요 60개 지점 주변의 산림지역에서 다양한 강수/증발산 시나리오에 따른 식생 관련 가뭄의 가능성을 추정하기 위한 결합 확률모델을 구성하였다. 본 연구의 결과는 대기의 수분공급이 열악하거나 대기의 수분 요구량이 과도한 조건에서 산림 식생과 관련된 가뭄의 위험 패턴을 보여준다. 또한 다양한 기상학적 가뭄 조건에서 산림 식생과 관련된 가뭄 위험의 민감도를 나타낸다. 이러한 연구 결과는 의사 결정권자가 가뭄 위험을 평가하고 온난화 시대에 산림 식생과 관련된 가뭄 완화 전략을 개발할 수 있는 통찰력을 제공할 것으로 기대된다.

Climate change has a significant impact on vegetation growth and terrestrial ecosystems. In this study, the possibility of ecological drought was investigated using satellite remote sensing data. First, the Vegetation Health Index was estimated from the Normalized Difference Vegetation Index and Land Surface Temperature provided by MODIS. Then, a joint probability model was constructed to estimate the possibility of vegetation-related drought in various precipitation/evaporation scenarios in forest areas around 60 major ASOS sites of the Meteorological Administration located throughout Korea. The results of this study show the risk pattern of drought related to forest vegetation under conditions of low atmospheric moisture supply or high atmospheric moisture demand. It also identifies the sensitivity of drought risks associated with forest vegetation under various meterological drought conditions. These findings provide insights for decision makers to assess drought risk and develop drought mitigation strategies related to forest vegetation in a warming era.

본 연구에서는 마이크로소프트 키넥트 센서와 굽힘 감지 데이터 글러브를 이용하여 광업 분야 소프트웨어를제어할 수 있는 3차원 사용자 인터페이스를 개발하였다. 개발된 인터페이스는 키넥트 센서로 추적되는 사용자의 손위치에 따라 윈도우즈 환경에서 마우스 커서를 제어한다. 또한 굽힘 감지 데이터 글러브로 측정한 사용자 손가락의구부러짐 정도에 따라 윈도우즈 환경에서 마우스 클릭 이벤트를 처리한다. 인터페이스의 개발에는 오픈소스 하드웨어인 아두이노 Lilypad 보드와 National Instrument의 LabVIEW 소프트웨어가 사용되었다. 3차원 사용자 인터페이스를 광업 분야에서 사용되고 있는 몇 가지 3차원 소프트웨어에 적용해본 결과, 마우스나 키보드와 같은 전통적인 인터페이스보다 더 직관적으로 3차원 소프트웨어를 제어할 수 있음을 확인할 수 있었다.

In this study, we developed a 3D user interface (UI) using the Microsoft’s Kinect sensor and bend-sensing data glove to control software in the mining industry. The developed UI controls the mouse cursor in Windows according to the user’s hand position tracked by the Kinect sensor. In addition, it controls the mouse click events in Windows by measuring the user’s finger flexion using the bend-sensing data glove. An open-source hardware, Arduino Lilypad Board, and National Instrument’s LabVIEW software were used to develop the UI. Applications of the 3D UI to several 3D software utilized in the mining industry revealed that it can control the 3D software in more intuitive way than traditional UIs such as mouse and keyboard.

정확한 토양수분 관측은 수문 과정 이해와 기후 변화에 따른 재해 대응에 필수적이다. 그러나 한반도 지역은 복잡한 지형과 식생 조건으로 인해 기존 위성 기반 토양수분 산출의 정확도에 한계가 존재한다. 본 연구는 2020년 1월 부터 2025년 6월 까지 기간동안 원격탐사 자료를 활용한 다중선형회귀(Multiple Linear Regression, MLR) 모형을 구축하여 고해상도 토양수분 자료를 생산하는 것을 목표로 수행되었다. 주요 입력 변수로 Sentinel-1A 위성의 VV 편파 후방산란계수, 기상청 합성 레이더 기반 1일,2일,3일 누적 강우량, 그리고 연속 무강우일수를 활용하였다. 모형은 농촌진흥청(RDA)의 충청권 13개 지점 토양수분 관측자료를 이용해 검증하였으며, 높은 성능(MAE: 2.49~10.3, R: 0.517~0.768)을 나타내었다. 또한 토지피복 유형별 분석에서도 모형은 지표 특성과 강우 패턴에 따른 토양수분 변화를 안정적으로 재현하였다. 이는 원격 탐측 자료가 지상관측 토양수분 자료를 효과적으로 보완, 대체 할 수 있음을 의미하며, 개발된 모형은 가뭄 모니터링, 농업 생산성 평가, 산사태 및 수문재해 예측 등 다양한 분야의 기초자료로 활용될 수 있을 것으로 기대된다.

Accurate soil moisture observation is essential for understanding hydrological processes and supporting disaster response under climate change. However, in South Korea, the complex topography and vegetation conditions limit the accuracy of satellite-based soil moisture estimation. This study, conducted from January 2020 to June 2025, aimed to produce high resolution soil moisture data using a multiple linear regression (MLR) model based on remote sensing data. Key input variables included the VV-polarized backscattering coefficient from Sentinel-1A, cumulative 1, 2, and 3day precipitation derived from Korea Meteorological Administration (KMA) radar data, and consecutive dry days. The model was validated against in situ soil moisture observations at 13 stations in the Chungcheong region provided by the Rural Development Administration (RDA), showing high performance (MAE: 2.49~10.3, R: 0.517~0.768). The model also highly reproduced soil moisture variations across different land cover types, reflecting the influence of both surface conditions and precipitation patterns. These results demonstrate that remotely sensed based data can effectively complement ground observations. The developed model provides a reliable foundation for various applications, including drought monitoring, agricultural productivity assessment, landslide prediction, and flood hazard evaluation.

코로나 바이러스 출현 이후, 비대면 서비스가 활성화되면서, 사물인터넷(IoT)의 센싱 정보를 블록체인 기술로 담아 무결성을 보장하는 서비스가 확대되고 있다. 예를 들면, CCTV 등을 이용한 안전, 치안 등의 영역에서는 실시간으로 안 전하게 펌웨어가 업데이트되고 악의적 침입이 없었음을 확인하는 과정이 요구된다. 기존의 안전한 보안 처리 절차에서 는 공무를 수행하는 담당자가 USB 등을 휴대하고 직접 펌웨어를 업데이트 하는 경우가 많았다. 그러나 하이퍼레저 등 프라이빗 블록체인 기술을 활용할 경우, 사물인터넷 환경의 편리성 및 업무 효율성의 증대와 안전을 기대할 수 있다. 이 글은 비대면 환경하에서 펌웨어 업데이트, 기기변경 등 사물인터넷의 취약점을 예방하는 방안을 시나리오적으로 기 술하였다. 특히 해킹이나 정보유출 등 악의적인 보안위험에 노출되기 쉬운 사물인터넷에 최적인 블록체인 기법을 소개 하였다. 이 글에서는 점차 확대되고 있는 사물인터넷 환경하에서 블록체인기술을 적용한 운영을 통해 무결성을 담보한 보안관리의 필요성 및 체제를 제안하였다. 이를 활용할 경우 추후 사물인터넷 환경의 보안 강화를 위한 가이드라인 등 에 블록체인 기법을 어떻게 적용할지에 대한 통찰력을 얻을 것으로 기대된다.

After the corona virus, as non-face-to-face services are activated, domain services that guarantee integrity by embedding sensing information of the Internet of Things (IoT) with block chain technology are expanding. For example, in areas such as safety and security using CCTV, a process is required to safely update firmware in real time and to confirm that there is no malicious intrusion. In the existing safe security processing procedures, in many cases, the person in charge performing official duties carried a USB device and directly updated the firmware. However, when private blockchain technology such as Hyperledger is used, the convenience and work efficiency of the Internet of Things environment can be expected to increase. This article describes scenarios in how to prevent vulnerabilities in the operating environment of various customers such as firmware updates and device changes in a non-face-to-face environment. In particular, we introduced the optimal blockchain technique for the Internet of Things (IoT), which is easily exposed to malicious security risks such as hacking and information leakage. In this article, we tried to present the necessity and implications of security management that guarantees integrity through operation applying block chain technology in the increasingly expanding Internet of Things environment. If this is used, it is expected to gain insight into how to apply the blockchain technique to guidelines for strengthening the security of the IoT environment in the future.

본 연구에서는 스마트 파이프 센싱 데이터 분석 운영 환경 구축을 위하여 쿠버네티스 아키텍처를 제안한다. 이 아키텍처는 MSA 기반의 서비스 운영환경에 적합하며, 그를 위하여 멀티 클라우드 환경, 여러 쿠버네티스 클러스터링을 돕는 멀티페더레이션 솔루션, MSA간 통신 및 네트워크 관리를 돕는 서비스 메시 솔루션, 대시보드 솔루션으로 구성되었다. 제안한 아키텍처는 스마트 파이프 센싱 데이터 분석 운영 환경 뿐 아니라 다른 기업 운영환경에도 적용되어 멀티 클라우드 쿠버네티스 환경을 더 명 확하고 관리하기 쉬운 환경으로 만들고, 더 많은 기업들의 클라우드 전환을 용이하게 할 것으로 판단 된다.

무선 인지 네트워크의 많은 연구는 한 번의 스펙트럼 센싱 수행으로 한 개의 데이터 슬롯을 전송하는 프레임 구조에 대하여 연구하였다. 프레임 길이가 짧은 경우, 데이터 전송률이 낮아지는 문제가 있다. 본 논문에서는 한 번의 스펙트럼 센싱 수행으로 다수의 데이터 슬롯을 전송하는 군집형 데이터 슬롯 구조에 대해서 연구한다. 이를 위해서 Chapman-Kolmogorov 방정식을 이용하여 선순위 사용자의 전송 확률을 모델링하고 이를 이용하여 후순위 사용자의 전송률을 최대화하기 위한 최적화 문제를 제시한다. 최적화 문제의 해를 구하여 최적의 스펙트럼 센싱 시간과 데이터 슬롯의 길이와 군집할 데이터 슬롯의 수를 도출한다.

In cognitive radio networks, several research works typically address the framework which consists of a spectrum sensing period and a data transmission period. When the frame period is short, there is the problem that the throughput of secondary users decrease. In this paper, aggregated data slot structure is considered to increase the throughput of secondary users. Chapman-Kolmogorov equation is used for the modeling of the transmission probability of primary users and formulation of an optimization problem to maximize the throughput of secondary users. Solution of the optimization problem results in the optimal spectrum sensing time, the length of data slot and the number of data slots governed by a spectrum sensing.

지하에 매설된 파이프의 상태를 감지하여 파손 등의 문제 상황을 감지하기 위하여 파이프에 센서를 부착하고 이를 실시간으로 감시하면서 상태를 예측하는 인공지능 모델을 연구하는 단계에서 센싱 데 이터의 오류 검출과 이를 검증하는 절차가 필요하다. 이에 본 연구에서는 스마트 파이프의 센싱 데이 터들의 오류 검출 모듈을 위한 통합 시스템을 설계하고 이를 통해 수집되는 데이터의 실시간 오류 검 출과 수신되는 누적 데이터의 오류 검출을 위한 모듈을 설계하고 이를 검증하는 절차를 진행하였다. 이를 통해 인공지능 모델이 판별한 이상 감지 이벤트를 시각화 하여 관리자에게 상태를 표현하는 시 스템을 구축할 수 있는 결과를 도출 하였다.

최근에 다양한 분야에서 인공지능이 이용되고 있으나, 대부분의 인공지능은 파이썬 언어 및 라이브러리를 사용해서 구현하며, PC에서 동작한다. 하지만, 마이크로컨트롤러 기반의 임베디드 보드는 PC보다 성능이 낮아서 파이썬 환경을 사용하지 않는다. 본 논문에서는 라즈베리파이 피코 보드와 PC의 성능평가를 수행하였고, 성능평가 방법으로는 다양한 함수를 학습한 후의 예측에 드는 시간을 측정하였다. 실험 결과, 라즈베리파이 피코 보드의 성 능은 PC 성능의 약 1/85 정도의 성능을 나타냄을 확인하였다. 결론적으로, IoT 기반의 전력 설비의 측정 데이터 를 실시간 예측하는 딥러닝 분야를 적용하는 데 있어서 라즈베리파이 피코 보드가 적절한 임베디드 시스템임을 확인하였다.

Artificial intelligence is used in various fields, but most artificial intelligence is implemented using the Python language and library, and operates on a PC. However, microcontroller-based embedded boards have lower performance than PCs, so the Python environment is not used. In this paper, the performance evaluation of the Raspberry Pi pico board and PC was performed, and the time required for prediction after learning various functions was measured as a performance evaluation method. As a result of the experiment, it was confirmed that the performance of the Raspberry Pi pico board showed about 1/85 of the performance of the PC. In conclusion, it was confirmed that the Raspberry Pi pico board is an appropriate embedded system for applying the deep learning field that predicts measurement data of IoT-based power facilities in real time.

본 논문은 열화상과 RGB 광학 센서로 구성된 멀티모달 체계에서 데이터 동기화 및 처리와 이력화를 위한 공유 DB 기반 운영 체계를 제안한다. 이 체계는 센서별 분석 기능을 독립적으로 유지하면서 모든 중간 결과와 최종 결과를 공유 데이터베이스에 기록하는 방식으로 프로그램 간 직접 의존성을 최소화한다. 구체적으로는 실 시간 운영에 필요한 최신 상태 중심의 센서 데이터 공유 데이터베이스와 사후 추이 분석 및 성능 개선을 히스 토리 기록용 데이터베이스를 분리하여 운영하여 실시간 갱신·조회 성능과 장기 분석 가능성을 동시에 확보하 도록 설계하였다. 데이터 공유 데이터베이스 에서는 열화상 벡터를 FIFO 큐로 누적하도록 하였고 미디언 필터 링을 통해 노이즈 감소를 위한 스키마 운영 구조를 포함하도록 설계하였다. RGB 광학 이미지 분석 과정으로 얻은 정보 (작업인원, 낙상, 화재·연기 영역)와 장비 이상 지표를 통합 저장하도록 였한다. 이후 주요 결과는 기록용 데이터베이스 내 일자별 테이블에 추가하여 시계열 기반의 분석과 모델 개선이 가능하도록 하였다.

This paper proposes a shared database-based operating system for data synchronization, processing, and historical storage in a multimodal system comprised of thermal imaging and RGB optical sensors. This system minimizes direct inter-program dependencies by maintaining independent analysis functions for each sensor while recording all intermediate and final results in a shared database. Specifically, the system separates a shared database for up-to-date sensor data required for real-time operation from a database for historical records for post-hoc trend analysis and performance improvement, ensuring both real-time update and query performance and long-term analysis potential. The shared data database accumulates thermal image vectors in a FIFO queue and incorporates a schema operating structure for noise reduction through median filtering. Information obtained through RGB optical image analysis (including personnel, falls, and fire/smoke areas) and equipment anomaly indicators are integrated and stored. Key results are then added to a daily table within the recording database, enabling time-series analysis and model improvement.

부족한 하천유출 관측 데이터는 모델 보정 작업을 어렵게 만들어 모델의 성능 향상을 제한한다. 위성 기반 원격탐사 자료는 수문 관련 데이터의 확보에 적극적으로 활용될 수 있으므로 새로운 대안이 될 수 있다. 최근에는 여러 연구를 통하여 기존의 개념적/물리적 모델보다는 인공지능을 이용한 해법이 더 적절하다는 평가를 받고 있다. 본 연구에서는 다양한 순환 신경망들과 의사결정나무 기반 알고리즘들을 결합한 자료 기반 접근 방식을 제안하였다. 또한 인공지능 학습을 위하여 인공위성 원격탐사 정보의 활용성을 조사하였다. 본 연구에서 위성영상은 MODIS와 SMAP의 자료가 사용된다. 공적으로 공개된 25개 유역의 자료를 사용하여 제안된 접근 방식을 검증하였다. 전통적인 지역화 접근법에 서 착안하여 모든 유역의 자료를 통합하여 하나의 자료 기반 모델을 학습하는 전략을 채택하였으며, Leave-one-out cross-validation 지역화 설정을 이용하여 하나의 모델이 다양한 유역의 하천유출을 예측함으로써 제안된 접근 방식 의 잠재력을 평가하였다. GRU + Light GBM 모델이 대상 유역에 적합한 모델 조합으로 판명되었으며(25개 미계측 유역 일 하천유량 예측 모형효율계수 평균 0.7187) 하천유출이 매우 작은 시기를 제외하면 우수한 미계측 유역의 하 천유출 예측 성능을 보여주었다. 인공위성 원격탐사 정보의 영향력은 최대 10% 정도로 파악되었으며, 위성 정보의 추가 적용이 풍수기 또는 평수기보다는 저수기 또는 갈수기의 하천유출 예측에 더 큰 영향을 미쳤다.

Lack of streamflow observations makes model calibration difficult and limits model performance improvement. Satellite-based remote sensing products offer a new alternative as they can be actively utilized to obtain hydrological data. Recently, several studies have shown that artificial intelligence-based solutions are more appropriate than traditional conceptual and physical models. In this study, a data-driven approach combining various recurrent neural networks and decision tree-based algorithms is proposed, and the utilization of satellite remote sensing information for AI training is investigated. The satellite imagery used in this study is from MODIS and SMAP. The proposed approach is validated using publicly available data from 25 watersheds. Inspired by the traditional regionalization approach, a strategy is adopted to learn one data-driven model by integrating data from all basins, and the potential of the proposed approach is evaluated by using a leave-one-out cross-validation regionalization setting to predict streamflow from different basins with one model. The GRU + Light GBM model was found to be a suitable model combination for target basins and showed good streamflow prediction performance in ungauged basins (The average model efficiency coefficient for predicting daily streamflow in 25 ungauged basins is 0.7187) except for the period when streamflow is very small. The influence of satellite remote sensing information was found to be up to 10%, with the additional application of satellite information having a greater impact on streamflow prediction during low or dry seasons than during wet or normal seasons.

Energy consumption is a critical problem affecting the lifetime of wireless sensor networks (WSNs) in structural health monitoring (SHM). A huge original acquisition data was transmitted between nodes which occupy a large amount of communication bandwidth, and even lead to paralysis of WSNs. Thus, data compression to reduce network traffic and energy loss before transmission is necessary. A number of traditional techniques have proposed to solve this issue by sampling the full signal and then taking compression process. But it spends a lot of processing time. In this paper, we establish suitability compressive sensing (CS) to address some challenges using WSN. Through the improvement of reconstruction algorithm and the experimental demonstration, the application of this method could ensure the accuracy of the data as well as balance the network energy consumption. Moreover, it can also reduce the cost of data storage and transmission which makes a certain contribution to the quality for SHM.