[논문]해양관측부위 자료 기반 딥러닝 기술을 활용한 해양 혼합층 수온 예측

고관섭; 변성현; 김영원

doi:10.7780/kjrs.2022.38.3.6

해양관측부위 자료 기반 딥러닝 기술을 활용한 해양 혼합층 수온 예측
Prediction of Sea Water Temperature by Using Deep Learning Technology Based on Ocean Buoy 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.3, 2022년, pp.299 - 309

고관섭 (아주대학교 국방디지털융합학과) , 변성현 (국방대학교 국방과학학과) , 김영원 (국방대학교 국방과학학과)

초록
AI-Helper

최근 한반도 주역 해역의 수온이 꾸준히 증가하고 있다. 수온변화는 어업생태계에 영향을 미칠 뿐만 아니라 해양에서의 군사작전과도 밀접히 연관되어 있다. 본 연구는 딥러닝 기술을 기반으로 하는 다양한 예측모델을 통해 단기간 수온예측을 시도함으로써 어떠한 모델이 수온예측분야에 더욱 적합한지를 제시하는 것에 목적을 두었다. 예측을 위해 사용한 데이터는 국립수산과학원에서 해양 관측부이를 통해 관측한 2016년부터 2020년까지 동해 지역(고성, 양양, 강릉, 영덕)의 수온 데이터이다. 또한 예측을 위한 모델로는 시계열 데이터 예측에 우수한 성능을 보이는 Long Short-Term Memory (LSTM), Bidirectional LSTM 그리고 Gated Recurrent Unit (GRU) 기법을 사용하였다. 기존 연구가 LSTM만을 활용하였던데 반해 이번 연구에서는 LSTM 외에 다양한 기법을 적용함으로써 각 기법의 예측 정확도와 수행시간을 비교하였다. 연구결과, 1시간 예측을 기준으로 모든 관측지점에서 Bidirectional LSTM과 GRU 기법이 실제값과 예측값의 오차가 가장 적은 것으로 확인되었으며, 학습시간에 있어서는 GRU가 가장 빠른 것으로 확인되었다. 이를 통해, 예측 오차를 줄이면서 정확도를 향상하기 위한 수온예측에는 Bidirectional LSTM을 활용하고 대잠작전처럼 정확도 외에 실시간 예측이 필요한 분야에 있어서는 GRU 기법을 활용하는 방안이 더욱 적절할 것으로 판단된다.

Abstract ▼ AI-Helper

Recently, The sea water temperature around Korean Peninsula is steadily increasing. Water temperature changes not only affect the fishing ecosystem, but also are closely related to military operations in the sea. The purpose of this study is to suggest which model is more suitable for the field of water temperature prediction by attempting short-term water temperature prediction through various prediction models based on deep learning technology. The data used for prediction are water temperature data from the East Sea (Goseong, Yangyang, Gangneung, and Yeongdeok) from 2016 to 2020, which were observed through marine observation by the National Fisheries Research Institute. In addition, we use Long Short-Term Memory (LSTM), Bidirectional LSTM, and Gated Recurrent Unit (GRU) techniques that show excellent performance in predicting time series data as models for prediction. While the previous study used only LSTM, in this study, the prediction accuracy of each technique and the performance time were compared by applying various techniques in addition to LSTM. As a result of the study, it was confirmed that Bidirectional LSTM and GRU techniques had the least error between actual and predicted values at all observation points based on 1 hour prediction, and GRU was the fastest in learning time. Through this, it was confirmed that a method using Bidirectional LSTM was required for water temperature prediction to improve accuracy while reducing prediction errors. In areas that require real-time prediction in addition to accuracy, such as anti-submarine operations, it is judged that the method of using the GRU technique will be more appropriate.

주제어

표/그림 (12)

표 Table 1. Ocean observation data by Institution
그림 Fig. 1. Location (Goseong, Yangyang, Gangneung, Yeongdeok) of this Study.
표 Table 2. Sea water temperature at the observation point
표 Table 3. Number of missing values of Sea water data
그림 Fig. 2. (a) Before Data Preprocessing, (b) Data Preprocessing Using Mean Substitution, and (c) Data Preprocessing Using Linear Interpolation.
그림 Fig. 3. Structure of RNN and LSTM (Ko and Shin, 2018).
그림 Fig. 4. Structure of Bidirectional LSTM.
그림 Fig. 5. Structure of GRU (Kwak and Lim, 2021).
표 Table 4. Performance comparison by Deep Learning Model
표 Table 5. Learning Time by Deep Learning Model
표 Table 6. Comparison of Learning Time by Number of hidden layer
표 Table 7. Performance according to water depth change

AI 본문요약
AI-Helper

문제 정의

이를 통해 잠수함 또는 함정이 수집한 수온 데이터를 분석기관에 보내지 않고도 자체 능력만으로도 예측이 가능하도록 단기간 수온 예측 모델을 설계하였다. 또한 모델 설계에 있어 딥러닝의 여러 기법을 수행 시간과 정확도를 통해 비교 분석함으로써 어떤 기법이 실시간성을 요구하는 대잠작전에 적합한지 제시하고자 한다.
본 연구에서는 국립수산과학원에서 해양관측부이 를 통해 원격으로 관측한 우리나라 동해안 지역의 2016년부터 2020년까지의 혼합층수온 데이터를 활용하여 저층 수온을 예측하고자 하였다. 관측된 데이터는 장비 고장 등으로 인해 결측값이 다수 존재하여 전처리 과정을 수행하였고, 예측 모델의 최적화된 성능을 도출하기 위해 batch 크기와 epoch, 은닉층의 개수를 달리하여 실험을 진행하였다.

제안 방법

본 연구에서는 국립수산과학원에서 해양관측부이 를 통해 원격으로 관측한 우리나라 동해안 지역의 2016년부터 2020년까지의 혼합층수온 데이터를 활용하여 저층 수온을 예측하고자 하였다. 관측된 데이터는 장비 고장 등으로 인해 결측값이 다수 존재하여 전처리 과정을 수행하였고, 예측 모델의 최적화된 성능을 도출하기 위해 batch 크기와 epoch, 은닉층의 개수를 달리하여 실험을 진행하였다. 최적화된 모델 설정을 통해 인공신경망 기법 중 시계열 데이터 처리에 우수한 성능을 보이고 있는 LSTM, Bidirectional LSTM, GRU 기법을 모두 사용하여 실제값과 예측값의 차이를 확인하는 한편, 수행 속도를 비교함으로써 혼합층수온 예측을 위한 최적의 기법을 제시하였다.
LSTM 기법에서 파생되어 최근 날씨 예측과 같은 분야에서 우수한 성능을 보이고 있는 Bidirectional LSTM이나 Gated Recurrent Unit (GRU) 기법은 활용되지 않았다. 따라서 이번 연구에서는 LSTM, Bidirectional LSTM, GRU 기법을 모두 활용하여 성능을 비교함으로써 어느 기법이 잠수함 탐지와 같은 실시간 수온 예측 영역에 더욱 적합한지를 확인하였다.
해양 관련 기관이 수온 데이터를 수집하고 분석하는 데 많은 시간은 물론 고성능의 전산기를 요구하기 때문이다. 본 연구는 최근 데이터 예측 분야에서 우수한 성능을 보이고 있는 딥러닝 기법을 수온 예측에 활용하였다. 이를 통해 잠수함 또는 함정이 수집한 수온 데이터를 분석기관에 보내지 않고도 자체 능력만으로도 예측이 가능하도록 단기간 수온 예측 모델을 설계하였다.
본 연구에서 Keras와 Tensorflow를 기반으로 하여 LSTM, Bidirectional LSTM 그리고 GRU의 딥러닝 기법을 적용한 예측 모델을 개발하였다. 먼저, 예측 모델을 최적화하기 위해 학습의 횟수를 의미하는 epoch와 학습의 크기인 batch 사이즈, 은닉층의 개수를 변경해가며 최적화를 시도하였다.
본 연구는 최근 데이터 예측 분야에서 우수한 성능을 보이고 있는 딥러닝 기법을 수온 예측에 활용하였다. 이를 통해 잠수함 또는 함정이 수집한 수온 데이터를 분석기관에 보내지 않고도 자체 능력만으로도 예측이 가능하도록 단기간 수온 예측 모델을 설계하였다. 또한 모델 설계에 있어 딥러닝의 여러 기법을 수행 시간과 정확도를 통해 비교 분석함으로써 어떤 기법이 실시간성을 요구하는 대잠작전에 적합한지 제시하고자 한다.

대상 데이터

모델 최적화를 위한 학습을 위해 사용한 데이터는 국립수산과학원에서 측정한 2016년부터 2020년까지의 강릉지역의 수온 데이터를 활용하였다. 2016년부터 2020년까지의 데이터는 학습 데이터로 활용하였고, 2020년의 데이터는 평가 데이터로 입력하였다. LSTM을 기반으로 하여 epoch를 50, 100, 150, 200으로 설정하여 실험을 진행한 결과, RMSE는 0.
국립수산과학원에서 제공한 고성, 양양, 강릉, 영덕지점의 데이터를 Table 2와 같이 수심에 따른 최고·최저수온과 평균 수온으로 분석하였다
모델 최적화를 위한 학습을 위해 사용한 데이터는 국립수산과학원에서 측정한 2016년부터 2020년까지의 강릉지역의 수온 데이터를 활용하였다. 2016년부터 2020년까지의 데이터는 학습 데이터로 활용하였고, 2020년의 데이터는 평가 데이터로 입력하였다.
기관마다 관측 내용과 주기, 최대 수심이 각기 다른 것을 확인할 수 있다. 이 중에서도 저층 수온의 데이터를 제공하는 곳은 국립수산과학원과 국립해양조사원이며, 국립수산과학원의 경우 해양관측 부이로 관측한 일부 지점에 대해서만 해양수심에 따른 수온 자료를 제공하고 있다. 이번 이번 연구에서는 잠수함의 위치와 활동 범위와 연계한 해양수심에 따른 수온을 예측하기 위한 자료로써 동해안에 위치한 고성, 양양, 강릉, 영덕지점 (Fig.
이 중에서도 저층 수온의 데이터를 제공하는 곳은 국립수산과학원과 국립해양조사원이며, 국립수산과학원의 경우 해양관측 부이로 관측한 일부 지점에 대해서만 해양수심에 따른 수온 자료를 제공하고 있다. 이번 이번 연구에서는 잠수함의 위치와 활동 범위와 연계한 해양수심에 따른 수온을 예측하기 위한 자료로써 동해안에 위치한 고성, 양양, 강릉, 영덕지점 (Fig. 1)의 데이터를 수온 예측에 활용하였다.

데이터처리

가지 딥러닝 기반 예측 모델의 성능을 비교하기 위한 평가지표로 평균절대오차(Mean Absolute Error, MAE; 식(1))와 평균제곱근오차(Root Mean Square Error, RMSE; 식(2))를 사용하였다. 먼저, MAE는 예측값과 실제값의 차이를 절댓값으로 변환하여 평균화한 값이다.

이론/모형

수온의 경우 계절성 특징을 보이면서도 시간 변화에 따라 하루 사이에도 값이 차이가 크게 나기 때문에 장기간 결측값을 이전, 이후, 또는 평균값으로 대체할 경우 예측에 오차가 더욱 커진다. 따라서 이번 연구에서는 결측값의 이전과 이후 값을 직선 거리에 따라 선형적으로 계산하는 선형보간법을 사용하여 결측값을 대체하였다. Fig.
이를 보완하고자 MSE에 루트를 씌운 값이 RMSE로 RMSE는 오차가 클수록 가중치가 높이 반영된다. 본 연구에서는 성능지표로 MAE와 RMSE를 동시에 사용하여 실제값과 예측값의 차이를 설명하였다.

성능/효과

7배까지 차이가 나는 것으로 확인되었다. 따라서 혼합층수온을 예측하기 위한 최적의 기법으로 GRU 기법이 우수함을 입증하였다.
성능을 비교하기 위한 지표로 MAE와 RMSE를 활용하였으며, 오차에 있어서는 Bidirectional LSTM과 GRU 가 LSTM보다 우수한 성능을 보이는 것으로 확인하였으나, 학습 시간에 있어서는 Bidirectional LSTM이 GRU와 LSTM보다 2.9–6.7배까지 차이가 나는 것으로 확인되었다
관측된 데이터는 장비 고장 등으로 인해 결측값이 다수 존재하여 전처리 과정을 수행하였고, 예측 모델의 최적화된 성능을 도출하기 위해 batch 크기와 epoch, 은닉층의 개수를 달리하여 실험을 진행하였다. 최적화된 모델 설정을 통해 인공신경망 기법 중 시계열 데이터 처리에 우수한 성능을 보이고 있는 LSTM, Bidirectional LSTM, GRU 기법을 모두 사용하여 실제값과 예측값의 차이를 확인하는 한편, 수행 속도를 비교함으로써 혼합층수온 예측을 위한 최적의 기법을 제시하였다.
해양 수온의 실제값과 예측값 오차는 Bidirectional LSTM이 LSTM보다 우수한 성능을 보였다. 이는 Bidirectional LSTM이 LSTM과 달리 역방향의 데이터까지를 분석하기 때문으로 판단된다.

후속연구

이번 연구에서는 최근 5년치의 데이터를 학습에 활용하였으므로, 향후에는 보다 많은데이터를 활용하여 수행 속도와 성능 차이가 얼마만큼 나는지를 실험할 예정이다. 또한 수온 예측 외에 기상, 강우량 예측과 같은 분야에 LSTM 기반으로 한 딥러닝 기술을 활용하고 그 성능을 비교함으로써 실시간 예측에 적합한 모델을 제안하고자 한다.
특히 수심이 증가할수록 오차가 커지는 것을 확인하였다. 앞선 결과를 종합해보면, 잠수함을 탐지하기 위한 수온 예측과 같이 빠른 수행 시간과 정확도를 필요로 하는 수온 예측에 있어서는 GRU기법을 활용하는 방안이 고려되어야 한다.
이번 연구에서는 최근 5년치의 데이터를 학습에 활용하였으므로, 향후에는 보다 많은데이터를 활용하여 수행 속도와 성능 차이가 얼마만큼 나는지를 실험할 예정이다. 또한 수온 예측 외에 기상, 강우량 예측과 같은 분야에 LSTM 기반으로 한 딥러닝 기술을 활용하고 그 성능을 비교함으로써 실시간 예측에 적합한 모델을 제안하고자 한다.

참고문헌 (17)

ADD (Agency for Defense Development), 2005. Research on the Data Assimilation Methods for the Realtime Forecast Model of the EastSea, Agency for Defense Development, Daejeon, Korea, p. 256.
Choi, H.M., M.K. Kim, and H. Yang, 2020. High water temperature prediction using RNN-based LSTM, Proc. of The Korean Institute of Information Scientists and Engineers Conference, Dec. 21-23, pp. 693-695.
Joo, I.T. and S.H. Choi, 2018. Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network, The Journal of Korea Institute of Information, Electronics, and Communication Technology, 11(2): 204-208 (in Korean with English abstract). https://doi.org/10.17661/JKIIECT.2018.11.2.204

원문보기 상세보기
Jung, S.H., Y.J. Kim, S.M. Park, and J.H. Im, 2020. Prediction of Sea Surface Temperature and Detection of Ocean Heat Wave in the South Sea of Korea Using Time-series Deep-learning Approaches, Korean Journal of Remote Sensing, 36(5-3): 1077-1093 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.7

원문보기 상세보기
KMA (Korea Meteorological Administration), 2020. Korean Peninsula Impact Typhoon Analysis Report 2020, https://www.kma.go.kr/download_01/typhoon/typeffect_2020.pdf, Accessed on Jun. 20, 2021.
Ko, K.S., Y.W. Kim, S.H. Byeon, and S.J. Lee, 2021. LSTM Based Prediction of Ocean Mixed Layer Temperature Using Meteorological Data, Korean Journal of Remote Sensing, 37(3): 603-614 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.19

원문보기 상세보기
Ko, S.J., H.Y. Yun, and D.M. Shin, 2018. Electronic Demand Data Prediction Using Bidirectional Long Short Term Memory Networks, Journal of Software Assessment and Valuation, 14(1): 33-40 (in Korean with English abstract).
Kim, R.M., K.M. Kim, and J.H. Ahn, 2021. Comparison Between Random Forest and Recurrent Neural Network for Photovoltaic Power Forecasting, Journal of Korean Society of Environmental Engineers, 43(5): 347-355 (in Korean with English abstract). https://doi.org/10.4491/KSEE.2021.43.5.347

상세보기
Kim, Y.I., D.H. Kim, and S.O. Lee, 2020. Prediction of Temperature and Heat Wave Occurrence for Summer Season Using Machine Learning, Journal of Korean Society of Disaster and Security, 13(2): 27-38 (in Korean with English abstract). https://doi.org/10.21729/ksds.2020.13.2.27

원문보기 상세보기
Kim, Y.H., B.J. Choi, J.S. Lee, D.S. Byun, K.R. Kang, Y.G. Kim, and Y.K. Cho, 2013. Korean Ocean Forecasting System: Present and Future, The Sea: Journal of the Korean Society of Oceanography, 18(2): 89-103 (in Korean with English abstract). https://doi.org/10.7850/jkso.2013.18.2.89

원문보기 상세보기
Kwak, N.W. and D.H. Lim, 2021. Financial time series forecasting using AdaBoost-GRU ensemble model, Journal of the Korean Data & Information Science Society, 32(2): 267-281 (in Korean with English abstract).

상세보기
Kwak, G.H., M.G. Park, C.W. Park, K.D. Lee, S.I. Na, H.Y. Ahn, and N.W. Park, 2019. Combining 2D CNN and bidirectional LSTM to consider spatiotemporal features in crop classification, Korean Journal of Remote Sensing, 35(5-1): 681-692 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.5.1.5

원문보기 상세보기
Lim, S.H., J.Y. Yun, Y.B. Kim, and S.H. Nam, 2007. Variability of Underwater Sound Propagation in the Northern Part of the East Sea, Korea Institute of Military Science and Technology, 10(4): 52-61 (in Korean with English abstract).
Moon, J.H., S.S. Park, and E.J. Hwang, 2019. A Multilayer Perceptron-Based Electric Load Forecasting Scheme via Effective Recovering Missing Data, KIPS Transactions on Software and Data Engineering, 8(2): 67-78 (in Korean with English abstract). https://doi.org/10.3745/KTSDE.2019.8.2.67

원문보기 상세보기
Park, J.H., 2019. Prediction of Short-term Surface Water Temperature Using Artificial Neural Network, University of Seoul, Seoul, Korea.
Saito, G.K., 2019. Deep Learning from scratch, O'Reilly Media, Sebastopol, CA, USA.
Zhang, Q., H. Wang, J. Dong, G. Zhong, and X. Sun, 2017. Prediction of sea surface temperature using long short-term memory, IEEE Geoscience and Remote Sensing Letters, 14(10): 1745-1749. http://doi.org/10.1109/LGRS.2017.2733548

상세보기

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