디지털 양식장 통합 제어 시스템을 활용한 수질 데이터 기반 넙치 폐사량 예측 모델 연구 = Deep Learning-Based Prediction of Mortality in Olive Flounder (Paralichthys olivaceus) Aquaculture Using Water Quality Data through an Integrated Digital Control System

국문 초록 (Abstract)

본 연구는 디지털 양식장의 효율적 운영을 위한 넙치 폐사 예방을 목적으로 통합 제어 시스템과 수질 기반 폐사량 예측 모델을 설계하고 이를 실제 수조에서 수집된 시계열 데이터를 통해 예측 모델을 검증하였다. 제안된 시스템의 Data 전송은 Modbus 및 MQTT 통신 기반의 다기종 장비 연동 구조를 바탕으로 하며, 사용자 친화적 UI를 통해 수온, pH, DO 등 주요 수질 지표와 장비 상태 등을 실시간으로 모니터링하고 제어할 수 있도록 구현되었다. 분석에 사용된 데이터는 2023년 03월부터 2024년 09월까지의 실제 넙치 양식장에서 수집된 수질 데이터를 기반으로 하였다. 데이터 전처리 과정에서는 결측치 제거, 이상치 보정, 정규화 과정을 수행하였고, 피어슨 상관분석을 통해 폐사량과 상관성이 높은 주요 수질 변수를 입력 변수로 선정하였다. 이후 7일 입력 – 7일 출력 구조의 시계열 슬라이딩 윈도우 방식으로 데이터셋을 구성하였다. 예측 모델은 LSTM, GRU, TCN의 세 가지 딥러닝 모델을 사용하였으며, 각 모델은 동일한 조건에서 학습을 진행하였다. 모델 학습은 Adam 옵티마이저, 학습률 0.001, 배치 크기 32, Epoch 512, 조기 종료 patience = 128 조건으로 진행되었으며 예측 결과는 RMSE, MmRMSE, R², adj-R² 지표를 통해 정량적으로 비교하고, 시계열 시각화를 통해 예측 추세를 분석하였다. 실험 결과, LSTM과 GRU 모델은 폐사량이 낮은 구간에서는 비교적 실제값 추세를 따라가며 안정적으로 예측하였으나, 고폐사 구간에서는 급격한 폐사량 변화를 충분히 반영하지 못해 실제값 대비 과소 예측하는 경향이 나타났다. 반면 TCN 모델이 RMSE 35.868, MmRMSE 0.106, R² 0.753, adj-R² 0.750의 성능을 보이며 가장 우수한 예측 정확도를 나타냈고, 특히 고폐사 구간에서도 실제값의 추세를 안정적으로 반영하는 모습을 나타냈다. 본 연구는 실제 수집된 수질 데이터를 기반으로 한 딥러닝 예측 모델의 적용 가능성을 확인함과 동시에, 향후 양식장의 실시간 폐사 예측 및 경고 시스템과의 연계 가능성을 제시함으로써 디지털 양식장의 지능형 폐사 위험의 사전 인지 및 대응 체계 구축에 기여할 수 있을 것으로 기대된다. 실험 결과를 통해 실제 현장에서 수집된 수질 데이터를 활용해 딥러닝 기반 폐사량 예측 모델을 검증하였으며, 이를 디지털 양식장 통합 제어 시스템과 연계함으로써 양식 어가의 폐사 위험 관리 체계의 가능성을 제시하였다. 연구 결과를 적용함으로써 양식 어가의 운영 효율성 향상과 비용절감 같은 스마트 양식 산업의 경쟁력 강화에 이바지할 수 있다. 향후에는 기상 데이터, 사료 급이량, 영상 데이터 등 추가적인 데이터와의 융합을 통해 예측 정확도를 한층 더 높이고, 클라우드 및 모바일 기반 플랫폼과 연계하여 현장 적용성을 강화할 수 있을 것으로 기대된다

다국어 초록 (Multilingual Abstract)

This study designed and validated an integrated control system and a water quality-based mortality prediction model to enhance the operational efficiency of digital aquaculture and reduce mortality in olive flounder (Paralichthys olivaceus). The proposed system adopts a Modbus- and MQTT-based multi-device communication structure with a user-friendly interface for real-time monitoring and control of water quality indicators—temperature, pH, and dissolved oxygen (DO)—as well as equipment status. The dataset, collected between March 2023 and September 2024 from a commercial aquaculture facility, was preprocessed through missing-value removal, outlier correction, and normalization. Pearson correlation analysis was used to select mortality-related variables, and a 7-day input–7-day output sliding-window method was applied to construct the time-series dataset. Three deep learning architectures—LSTM, GRU, and TCN—were trained under identical conditions (Adam optimizer, learning rate = 0.001, batch size = 32, 512 epochs, early stopping with patience = 128). Prediction performance was evaluated using RMSE, MmRMSE, R², and adjusted R². While LSTM and GRU followed actual trends during low-mortality intervals but underestimated abrupt increases, the TCN model achieved the best performance (RMSE = 35.868, MmRMSE = 0.106, R² = 0.753, adj-R² = 0.750), stably capturing trends even during high-mortality periods. The results confirm the feasibility of deep learning-based mortality prediction using real-world aquaculture data and demonstrate the potential for integration with real-time mortality warning systems. Such integration could provide intelligent early detection and proactive response, thereby strengthening mortality risk management. Ultimately, combining deep learning with integrated control systems can improve operational efficiency, reduce costs, and enhance the competitiveness of smart aquaculture. Future research will extend this framework by incorporating weather, feeding, and video data, and by developing cloud- and mobile-based platforms to improve field applicability.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경 및 필요성 1
• 2. 연구목적 및 세부 내용 2
• 3. 연구 범위 및 방법 3
• Ⅱ. 관련 연구 및 동향 5
• 1. 스마트 양식장 통합 제어 시스템 관련 연구 5
• 2. 수질 데이터 기반 어류 폐사량 예측 연구 9
• Ⅲ. 디지털 양식장 통합 제어 시스템 설계 및 구축 14
• 1. 시스템 구성 개요 14
• 2. 장비 및 통신 프로토콜 구조 15
• 3. 통합 제어 및 UI 설계 19
• Ⅳ. 수질 데이터 수집 및 분석 구조 26
• 1. 데이터 수집 및 구성 26
• 2. 상관관계 분석 및 입력 변수 선정 27
• 3. 데이터 전처리 및 시계열 구성 31
• Ⅴ. 폐사량 예측 모델 설계 및 실험 평가 34
• 1. 모델 구성 및 학습 환경 34
• 2. 모델 구조 설명 35
• 3. 예측 결과 시각화 및 성능 비교 37
• 4. 분석 및 해석 50
• Ⅵ. 결론 및 향후 연구 53