Junmo Jo
Research Subjects
Junmo Jo has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
- Chung-Sook Kim
Marine Environment Research Division, National Institute of Fisheries Science, Busan 46083, Republic of Korea
2 shared publications - Sung-Eun Park2 shared publications
- Eun-Joo Lee
Marine Environment Research Division, National Institute of Fisheries Science, Busan 46083, Republic of Korea
1 shared publication - Jong-Hong Kim1 shared publication
- Seon-Woong Jang
Research Institute, IREMTECH Co., Ltd., Busan 46027, Republic of Korea
1 shared publication - Suho Bak
Research Institute, IREMTECH Co., Ltd., Busan 46027, Republic of Korea
1 shared publication
Latest Publications
- 25 February 2026
- Published by The Korean Society for Marine Environment and Energy in Journal of the Korean Society for Marine Environment & Energy
- Vol. 29 (1) , 79-91
A Deep Learning-Based Total Nitrogen Prediction Study in the Masan Bay Special Management Sea Area Using High-Resolution Continuous Observation Data
- 25 February 2026
- Published by The Korean Society for Marine Environment and Energy in Journal of the Korean Society for Marine Environment & Energy
- Vol. 29 (1) , 79-91
A Deep Learning-Based Total Nitrogen Prediction Study in the Masan Bay Special Management Sea Area Using High-Resolution Continuous Observation Data
- 25 May 2025
- Published by The Korean Society for Marine Environment and Energy in Journal of the Korean Society for Marine Environment & Energy
- Vol. 28 (2) , 99-107
A Study on Prediction Bottom Dissolved Oxygen in Jindong Bay Using Multi-Step Deep Learning Models
본 연구는 진동만 저층 용존산소 농도를 72시간 앞까지 시간 단위로 예측하기 위해 멀티스텝 딥러닝 모델을 적용하였다. 2017년부터 2021년까지 관측된 표저층 수온과 용존산소 그리고 이들의 차분 자료를 활용하여 SimpleLSTM, ConvLSTM, ConvFC 모델을 구축 및 비교하였다. 비교 결과, SimpleLSTM 모델은 가장 낮은 RMSE(1.232)와 MAE(0.996)를 보였으나 단주기 변동 재현이 미흡하였다. 반면, 1D-CNN 기반의 ConvFC 모델은 예측 구간의 변동성을 보다 정확히 포착하여 Multi-step 예측에 더 적합함을 확인하였다. 이는 LSTM 레이어가 장기 추세의 재현에는 유리하나 예측 구간이 길어짐에 따라 오차가 누적될 수 있기 때문으로 해석된다. 본 연구 결과는 연안 양식장에서 빈산소로 인한 피해를 사전에 대비하기 위한 실시간 경보 시스템 구축에 활용될 수 있으며, 향후 더 다양한 환경 요인과 자료 해상도를 고려하여 모델 성능을 고도화할 필요가 있다.
- 25 May 2025
- Published by The Korean Society for Marine Environment and Energy in Journal of the Korean Society for Marine Environment & Energy
- Vol. 28 (2) , 99-107
A Study on Prediction Bottom Dissolved Oxygen in Jindong Bay Using Multi-Step Deep Learning Models
본 연구는 진동만 저층 용존산소 농도를 72시간 앞까지 시간 단위로 예측하기 위해 멀티스텝 딥러닝 모델을 적용하였다. 2017년부터 2021년까지 관측된 표저층 수온과 용존산소 그리고 이들의 차분 자료를 활용하여 SimpleLSTM, ConvLSTM, ConvFC 모델을 구축 및 비교하였다. 비교 결과, SimpleLSTM 모델은 가장 낮은 RMSE(1.232)와 MAE(0.996)를 보였으나 단주기 변동 재현이 미흡하였다. 반면, 1D-CNN 기반의 ConvFC 모델은 예측 구간의 변동성을 보다 정확히 포착하여 Multi-step 예측에 더 적합함을 확인하였다. 이는 LSTM 레이어가 장기 추세의 재현에는 유리하나 예측 구간이 길어짐에 따라 오차가 누적될 수 있기 때문으로 해석된다. 본 연구 결과는 연안 양식장에서 빈산소로 인한 피해를 사전에 대비하기 위한 실시간 경보 시스템 구축에 활용될 수 있으며, 향후 더 다양한 환경 요인과 자료 해상도를 고려하여 모델 성능을 고도화할 필요가 있다.