[논문]K-Means Clustering을 활용한 냉수대 발생 분포에 관한 연구

김범규; 윤홍주; 이준호

doi:10.13067/jkiecs.2021.16.2.371

K-Means Clustering을 활용한 냉수대 발생 분포에 관한 연구
A Study on the Distribution of Cold Water Occurrence using K-Means Clustering 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.2, 2021년, pp.371 - 378

김범규 (한국해양과학기술원) , 윤홍주 (부경대학교 공간정보시스템공학과) , 이준호 (부경대학교 실습선 나라호)

초록
AI-Helper

본 연구에서는 한국 남동해역에 발생하는 냉수대의 공간적인 분포를 구분하기 위해 2016 ~ 2018년의 고리, 양포의 해양 관측 부이 수온자료와 GHTSST Level 4 재분석 해수면 온도자료를 K-means clustering 기법을 활용하여 분석하였다. 부이자료는 남동해역에서 고리와 양포 지점의 수온변화 및 냉수대 발생을 파악하기 위해 활용하였다. 그 결과 냉수대 발생 시점에 고리와 양포의 수온이 동일하게 감소하였다. 이에 냉수대 발생시 SST의 변화를 보기 위해 수온의 역수와 SST의 분산을 비교하였다. 수온이 변화하는 시점에 SST의 분산도 증가하는 것을 나타내었는데 이를 통해 냉수대 발생시 해역의 SST의 수온분포에 변화가 있다는 것을 알 수 있었다. 냉수대 발생해역을 분류하기 위해 K-means clustering을 활용하였다. Elbow 기법을 활용하여 분류를 위한 최적의 K값을 찾아낸 후 분류를 진행한 결과 연안의 차가운 해수가 존재하는 지역을 찾아낼 수 있었다. 이를 통해 냉수대 발생해역의 공간적인 분포 및 확산범위를 추정하여 향후 냉수대로 인한 피해 파악 및 공간적인 확산 예측연구에 활용할 수 있을 것이라 판단된다.

Abstract ▼ AI-Helper

In this study, in order to analyze the spatial distribution of cold water occurred in the Southeast Sea of Korea, the K-means clustering method was used to analyze the ocean observatory buoy of Gori and Yangpo and GHTSST Level 4 from 2016 to 2018. The buoy data was used to identify the change in sea water temperature and the cold water occurrence at Gori and Yangpo in the Southeast Sea. As a result, the sea water temperature of Gori and Yangpo decreased equally at the cold water occurrence. Therefore, the reciprocal of the sea water temperature and the variance of SST were compared to see the changes of SST when the cold water occurs. When the reciprocal of the sea water temperature increases, the dispersion of SST also increases. Through this, it can be seen that there is a change in the water temperature distribution of SST in the sea when the cold water occurs. After that, K-means clustering was used to classify the cold water. After analyzing the optimal K value for clustering by using the Elbow method, it was possible to classify a region with cold water. Through this, it is estimated that the spatial distribution and diffusion range of the cold water, and it can be estimated and used in future studies to identify damage caused by the cold water and predict spatial spread.

주제어

표/그림 (7)

그림 그림 1. 연구지역 및 해양관측 부이 Fig. 1 Study area and ocean observatory buoy
그림 그림 2. 엘보우 기법 Fig. 2 Elbow method
표 표 1. 남동해역 냉수대 발생 기간 Table 1. Period of cold water occurrence in the Southeast Sea
그림 그림 3. 2016 ∼ 2018년의 고리, 양포의 해양관측부이 수온 Fig. 3 Changes in sea water temperature in the ocean observatory buoy in Gori and Yangpo from 2016 to 2018
그림 그림 4. 2016 ∼ 2018년 연구해역의 분산과 고리, 양포의 수온의 역수와의 상관관계 Fig. 4 Correlation between the GHRSST Variance of the study area and the reciprocal of water temperature in Gori and Yangpo from 2016 to 2018
그림 그림 5. K-means clustering 분석을 위한 GHRSST의 엘보우 포인트 Fig. 5 Elbow point of GHRSST for K-means clustering analysis
그림 그림 6. 2016 ∼ 2018년 냉수대 발생 시기의 수온분포 및 K-means clustering 결과 Fig. 6 Sea water temperature distribution and K-means clustering results in cold water occurrence from 2016 to 2018

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 한국 남동해역에서 SST를 활용하여 냉수대 발생해역을 공간적으로 분류한 연구는 미흡한 실정이다. 이에 본 연구에서는 남동해역의 냉수대를 현장관측 부이자료, NASA Jet Propulsion Laboratory에서 제공하는 GHRSST(: Group for High Resolution Sea Surface Temperature) Level 4 자료에 K-means clustering 기법을 활용하여 냉수대 발생해역 및 범위를 공간적으로 구분하고자 한다.

제안 방법

[13]. 각 군집의 중심과 군집 내의 데이터와 중심의 거리의 제곱합이 최소화하는 방향으로 클러스터링을 수행한다.
그림 2는 군집의 개수가 늘어감에 따라 between-groups sum of squares/total sum of squares의 변화를 나타낸 것이다. 군집의 개수를 1부터 증가시켜가며 between-groups sum of squares/total sum of squares의 변화를 관찰하여 값의 변화가 급격하게 작아지는 구간인 Elbow point를 찾아 최적의 군집 개수를 결정한다.
그 결과 between-groups sum of squares/total sum of squares을 기준으로 최적의 K값을 나타내는 Elbow point는 3과 4에 분포하였으며, 이에 3을 기준으로 분류를 수행하였다. 냉수대 발생해역, 혼합해역, 미발생의 따뜻한 해역으로 3 개로 구분하였다. 냉수대 발생시기의 GHRSST의 분포를 본 결과 냉수대 발생 시 연안에 존재하는 차가운 수괴를 구분해 내는 것을 확인할 수 있었다.
수행하였다. 먼저 현장 관측 부이 수온자료를 활용하여 냉수대 발생 시의 수온변화 및 GHRSST의 분산과 비교하여 해역의 표층수온의 분포를 분석하였다. 그 결과 연구대상지역인 남동해역에서 고리와 양 포의 수온은 냉수대 발생 시 감소하는 것을 알 수 있었으며, 냉수대의 발생 영향에 따라 분산에 영향을 주는 것을 알 수 있었다.
33℃ 낮게 나타났다. 이를 통해 현장관 측 부이 수온자료와 GHRSST의 수온이 비슷하게 나타나는 것을 알 수 있으며, K-means clustering 통한 냉수대 발생해역분포는 냉수대 해역, 혼합해역, 외해의 따뜻한 해역 3개로 구분하였다. 그 결과 연안에 발생한 냉수해역을 구분하는 것을 확인하였다.
그 결과 3년간 총 366일의 SST데이터의 Elbow point 는 2는 4일, 3은 223일, 4는 137일, 5는 2일로 나타났다. 이에 데이터를 분류함에 있어 최적의 값이 가장 높은 비율을 보이는 3이라고 판단되어 K값을 3으로 하여 K-means clustering을 수행하였다.
이에 해역의 부이의 수온에 역수를 취한 값과 SST의 분산을 활용하여 연안의 수온변화가 전체 해역에 미치는 영향을 파악하였다(그림 4). 그 결과 2016년에는 0.
8℃높게 나타났다. 해역의 수온의 차이는 1℃내외의 차이를 보이는 것을 알 수 있으며, 냉수대 발생 시의 수온 변화를 보기 위해 국립수산과학원에서 제공하는 냉수대 속보자료를 확인하였다. 표 1은 한국 남동해역의 냉수 대발생 기간을 나타낸 것이다.

대상 데이터

6 Sea water temperature distribution and K-means clustering results in cold water occurrence 2016 to 2018

2017년의 8월 23일의 영상은 부산에서 포항까지의 연안해역을 냉수대 해역으로 구분한 것을 알 수 있었다. 이에 고리와 양포의 수온을 비교한 결과 고리가 4.
연구 기간은 2016 ∼ 2018년 6월에서 9월까지의 하계기간이며, 수온의 변화를 파악하기 위해 한국수력원자력에서 제공하는 고리, 양포의 현장 관측 부이의 수온자료를 활용하였다. 또한 남동해역의 공간적인 수온분포를 파악하기 위해 NOAA에서 제공하는 GHRSST Level 4 자료를 사용하였다. GHRSST는 다양한 위성 센서를 이용해 준 실시간으로 자료를 제공해 주는 고해상도 SST 데이터이다.
2°의 한국 남동해역이다. 연구 기간은 2016 ∼ 2018년 6월에서 9월까지의 하계기간이며, 수온의 변화를 파악하기 위해 한국수력원자력에서 제공하는 고리, 양포의 현장 관측 부이의 수온자료를 활용하였다. 또한 남동해역의 공간적인 수온분포를 파악하기 위해 NOAA에서 제공하는 GHRSST Level 4 자료를 사용하였다.
연구지역은 그림 1과 같으며, 위도 35.0° ∼ 36.0°, 경도 129.0° ∼ 130.2°의 한국 남동해역이다. 연구 기간은 2016 ∼ 2018년 6월에서 9월까지의 하계기간이며, 수온의 변화를 파악하기 위해 한국수력원자력에서 제공하는 고리, 양포의 현장 관측 부이의 수온자료를 활용하였다.
GHRSST는 다양한 위성 센서를 이용해 준 실시간으로 자료를 제공해 주는 고해상도 SST 데이터이다. 이는 Level 2, Level 3, Level 4로 제공되고 있으며 본 연구에서는 관측되지 않은 지역까지 보간하여 격자형태의 데이터로 제공되는 Level 4 데이터를 사용하였다. GHRSST Level 4는 2010년 6월부터 현재까지 제공되며 1km × 1km 격자에서 매일 생산되고 있다.
하계 한국 남동해역의 수온변화를 파악하기 위해 2016 ∼ 2018년 고리와 양포의 해양 관측 부이 수온 자료를 분석하였다(그림 3). 2017년 9월 6일 이후의 데이터는 관측 장비의 문제로 인해 데이터가 제공되어 있지 않았다.

이론/모형

냉수대 발생해역을 분류하기 위해 K-means clustering 기법을 활용하였다. 이에 분류를 위한 최적의 K값을 도출하기 위해 Elbow 기법을 활용하였다.
냉수대 발생해역의 공간적인 분포를 분류하기 위해 K-means clustering 기법을 활용하였다. K-means clustering 기법은 식 (1)과 같으며 이는 입력 값으로 K로 군집 내 유사성은 높고 군집간의 유사성은 낮게 되도록 객체들의 집합을 K개의 군집으로 분류한다.
본 논문에서는 한국 남동해역의 냉수대를 K-means clustering 기법을 활용하여 공간적인 분류를 수행하였다. 먼저 현장 관측 부이 수온자료를 활용하여 냉수대 발생 시의 수온변화 및 GHRSST의 분산과 비교하여 해역의 표층수온의 분포를 분석하였다.
이에 K-means clustering에서 가장 적합한 K값을 찾아내기 위해 Elbow 기법을 활용하였다. 그림 2는 군집의 개수가 늘어감에 따라 between-groups sum of squares/total sum of squares의 변화를 나타낸 것이다.
기법을 활용하였다. 이에 분류를 위한 최적의 K값을 도출하기 위해 Elbow 기법을 활용하였다. 그림 5는 2016 ∼ 2018년의 SST를 Elbow 기법을 활용하여 분석한 Elbow point의 분포를 나타낸 것이다.
이후 K-means clustering 기법을 활용하여 냉수대 발생해역을 구분하였다. 적합한 K값을 찾아내기 위해 Elbow 기법을 활용하였다.
이에 K-means clustering에서 가장 적합한 K값을 찾아내기 위해 Elbow 기법을 활용하였다. 그림 2는 군집의 개수가 늘어감에 따라 between-groups sum of squares/total sum of squares의 변화를 나타낸 것이다.

성능/효과

그림 5는 2016 ∼ 2018년의 SST를 Elbow 기법을 활용하여 분석한 Elbow point의 분포를 나타낸 것이다. 그 결과 3년간 총 366일의 SST데이터의 Elbow point 는 2는 4일, 3은 223일, 4는 137일, 5는 2일로 나타났다. 이에 데이터를 분류함에 있어 최적의 값이 가장 높은 비율을 보이는 3이라고 판단되어 K값을 3으로 하여 K-means clustering을 수행하였다.
먼저 현장 관측 부이 수온자료를 활용하여 냉수대 발생 시의 수온변화 및 GHRSST의 분산과 비교하여 해역의 표층수온의 분포를 분석하였다. 그 결과 연구대상지역인 남동해역에서 고리와 양 포의 수온은 냉수대 발생 시 감소하는 것을 알 수 있었으며, 냉수대의 발생 영향에 따라 분산에 영향을 주는 것을 알 수 있었다. 이에 냉수대의 발생은 수온의 감소와 SST의 분산으로 파악 할 수 있었다.
이를 통해 현장관 측 부이 수온자료와 GHRSST의 수온이 비슷하게 나타나는 것을 알 수 있으며, K-means clustering 통한 냉수대 발생해역분포는 냉수대 해역, 혼합해역, 외해의 따뜻한 해역 3개로 구분하였다. 그 결과 연안에 발생한 냉수해역을 구분하는 것을 확인하였다.
냉수대 발생해역, 혼합해역, 미발생의 따뜻한 해역으로 3 개로 구분하였다. 냉수대 발생시기의 GHRSST의 분포를 본 결과 냉수대 발생 시 연안에 존재하는 차가운 수괴를 구분해 내는 것을 확인할 수 있었다. 이는 냉수대 발생해역의 공간적인 분포 및 확산범위 등을 파악할 수 있었으며, 이를 통해 냉수대가 미치는 영향을 알 수 있었다.
이러한 결과를 냉수대 발생 시점과 비교한 결과 냉수대 발생 이후 일정 기간이 지난 시점에서는 확산의 영향과 발생범위까지 확인할 수 있는 것을 알 수 있었다. 이를 통해 냉수대 발생에 대한 범위 및 영향을 공간적으로 추정할 수 있다.

후속연구

이에 본 연구에서는 냉수대 발생해역의 공간적인 분포를 K-means clustering 기법을 활용하여 분류하였으며, 이를 통해 냉수대 발생해역의 공간적인 분포 및 확산범위를 추정하여 향후 냉수대로 인한 피해 파악 및 공간적인 확산 예측연구에 활용할 수 있을 것이라 판단된다.

참고문헌 (13)

J. Park, D. Kim, H. Yoon, and W. Seo, "A Study on Identification of Characteristics of Spatial Distribution for Submerged Marine Debris," J. of the Korean Institute of Electronics Communication Science, vol. 11, no. 5, 2016, pp. 539-544.

원문보기 상세보기
B. Kim, D. Hwang, H. Yoon, and W. Seo, "A study on suitability selection of artificial reef by GIS," J. of the Korean Institute of Electronics Communication Science, vol. 10, no. 5, 2015, pp. 629-636.

원문보기 상세보기
H. Oh, Y. Suh, and S. Heo, "The relationship between phytoplankton distribution and environmental conditions of the upwelling cold water in the eastern coast of the Korean peninsula," J. of the Korean Association of Geographic Information Studies, vol. 7, no. 4, 2004, pp. 166-173.
B. Kim, D. Hwang, S. Bak, H. Kim, E. Unuzaya, D. Kim, and H. Yoon, "Study on the correlation between the Upwelling Cold Waters and Cochlodinium polykrikoides Red Tide in the Southeast Sea of Korea," J. of the Korean Institute of Electronics Communication Science, vol. 14, no. 3, 2019, pp. 559-572.
S. Han, Y. Suh, and Y. Ahn, " Mapping cold water zone and water zone and warning service for aquaculture groups at the southeastern coast of Korean peninsula," Proceeding of International Symposium on Remote Sensing, 1995, pp. 67-74.
H. Oh, S. Kim, and S. Moon, "The Characteristics of Phytoplankton Community of Cold Water in the around Sea of Wando in Summer, 2005," J. of the Environmental Sciences, vol. 17, no. 9, 2008, pp. 949-956.

원문보기 상세보기
A. Kim, "The influences of coastal upwelling on phytoplankton community in the southern of East Sea, Korea," Master's Thesis, Pukyong National University, 2014.
J. Lee, D. Kim, and J. Kim, "Observations of Coastal Upwelling at Ulsan in summer 1997," J. of the Korean Society of Oceanography, vol. 38, no. 3, 2003, pp. 122-134.
S. Kim, W. Go, L. Jang, J. Lim, and K. Yamada, "Short-Term Variability of a Summer Cold Water Mass in the Southeast Coast of Korea Using Satellite and Shipboard Data," J. of the Korean Socuety of Marine Environment & Safety, 2008, pp. 169-171.
S. Yoon and H. Yang, "Study on the Temporal and Spatial Variation in Cold Water Zone in the East Sea using Satellite Data," Korean Journal of Remote Sensing, vol. 32, no. 6, 2016, pp. 703-719.

원문보기 상세보기
B. Kim, H. Yoon, T. Kim, and H. Choi, "Pattern Analysis of Sea Surface Temperature Distribution in the Southeast Sea of Korea Using a Weighted Mean Center," J. of the Korean Association of Geographic Information Studies, vol. 23, no. 3, 2020, pp. 263-274.

원문보기 상세보기
GHRSST Science Team (2010), "The Recommended GHRSST Data Specification (GDS) 2.0," document revision 4," available from the GHRSST International Project Office, 2011, pp. 123.
J. MacQueen, "Some methods for classification and analysis of multivariate observations," In Proc. of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, 1967, pp. 281-297.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증