GOCI 영상과 기계학습 기법을 이용한 Cochlodinium polykrikoides 적조 탐지 기법 연구

엥흐자리갈 운자야(Enkhjargal Unuzaya),박수호(Su-Ho Bak),황도현(Do-Hyun Hwang),정민지(Min-Ji Jeong),김나경(Na-Kyeong Kim),윤홍주(Hong-Joo Yoon) 한국전자통신학회 2020 한국전자통신학회 논문지 Vol.15 No.6

본 연구에서는 적조 Cochlodinium Polykrikoide를 기계학습 방법과 정지궤도 해색위성 영상을 활용하여 탐지하는 방법을 제안하다. 기계학습 모형을 학습시키기 위해 GOCI Level2 자료를 활용하였으며, 국립수산과학원의 적조 속보 자료를 활용하였다. 기계학습 모델은 로지스틱 회귀모형 , 의사결정나무 모형, 랜덤포레스트 모형을 사용하였다. 성능 평가 결과 기계학습을 사용하지 않은 전통적인 GOCI 영상 기반 적조 탐지 알고리즘 (Son et al.,2012) (75%)과 비교해보았을 때 약 13~22%p (88~98%)의 정헉도 향상을 확인할 수 있었다. 또한 기계학습 모형 간 탐지 성능을 비교 분석해본 결과 랜덤 포레스트 모형(98%)이 가장 높은 탐지 정확도를 보였다. 이러한 기계학습 기반 적조 탐지 알고리즘은 향후 적조를 조기에 탐지하고 그 이동과 확산을 추적 모니터링하는데 활용될 수 있을 것이라고 판단된다. In this study, we propose a method to detect red tide Cochlodinium Polykrikoide using by machine learning and geostationary marine satellite images. To learn the machine learning model, GOCI Level 2 data were used, and the red tide location data of the National Fisheries Research and Development Institute was used. The machine learning model used logistic regression model, decision tree model, and random forest model. As a result of the performance evaluation, compared to the traditional GOCI image-based red tide detection algorithm without machine learning (Son et al., 2012) (75%), it was confirmed that the accuracy was improved by about 13~22%p (88~98%). Could. In addition, as a result of comparing and analyzing the detection performance between machine learning models, the random forest model (98%) showed the highest detection accuracy. It is believed that this machine learning-based red tide detection algorithm can be used to detect red tide early in the future and track and monitor its movement and spread.

한국 남동해역의 냉수대 발생 변화와 Cochlodinium polykrikoides 적조와의 상관성 연구

김범규,황도현,박수호,김흥민,enkhjargal unuzaya,김대현,윤홍주 한국전자통신학회 2019 한국전자통신학회 논문지 Vol.14 No.3

In the southeast sea of Korea, the cold water is concentrated in the summer of every year, showing in abnormal oceanic conditions. Cold water occurred in the southeast sea is dominantly influenced by wind, which occurs when the south wind is continuously blowing for 3 to 7 days more. In this study, water temperature, wind speed and direction data of KMA, KHOA and KHNP, Chlorophyll-a of COMS/GOCI, GHRSST Level 4 SST of NASA, and red tide alert data of the National Institute of Fisheries Science were used to analyze the correlation between occurrence and change of the cold water and the red tide of Cochlodinium polykrikoides. The upwelling cold water mass showed a characteristic of moving northward along the current and occurrence a high concentration of chlorophyll along the water mass. Also, when the east korea warm current were strong, the characteristic of red tide showed a northward moving. 한반도 동해 남부해역은 매년 하계에 집중적으로 냉수대가 형성되어 빈번한 이상해황이 발생한다. 동해안에 발생하는 냉수대는 바람의 영항을 지배적으로 받는데 남풍계열의 바람이 3일에서 7일 이상 지속적으로 불어오는 경우 발생한다. 본 연구에서는 냉수대의 발생과 변화 및 Cochlodinium polykrikoides 적조와의 상관성을 분석하기 위하여 기상청, 한국수력원자력, 해양조사원의 부이의 수온과 풍향 및 풍속, COMS/GOCI의 클로로필 자료, 바람자료와 NOAA에서 제공하는 GHRSST Level 4 SST, 국립수산과학원의 적조속보자료를 활용하였다. 동해안 연안용승시 용승된 수괴는 해류를 따라 북쪽으로 이동하는 특성을 보이며 수괴를 따라 고농도의 클로로필이 형성되는 특성을 보였다. 남쪽의 동한난류의 세력이 강하게 형성될 때 적조가 북상하는 특성을 나타내었다.

위성 자료를 이용한 전선 탐지 기법 연구

황도현(Do-Hyun Hwang),박수호(Su-Ho Bak),엥흐자리갈 운자야(Unuzaya Enkhjargal),정민지(Min-Ji Jeong),김나경(Na-Kyeong Kim),박미소(Mi-So Park),김보람(Bo-Ram Kim),윤홍주(Hong-Joo Yoon) 한국전자통신학회 2020 한국전자통신학회 논문지 Vol.15 No.6

해양에서 바닷물의 성질이 비슷한 바닷물 덩어리를 수괴라 하며, 전선은 서로 다른 속성의 두 수괴가 만나는 해역이다. 경사도 알고리즘은 해수면 온도 픽셀이 급격하게 변하는 곳을 경사가 크다고 보고, 경사가 큰 곳을 전선으로 가정하여 추출하는 방법이다. 이 방법은 대용량의 위성 자료를 한꺼번에 처리할 수 있다는 장점이 있다. 따라서 본 연구에서는 경사도 알고리즘을 이용하여 한반도 주변 해역의 전선을 찾아보고자 하였다. 연구 자료는 격자화 되어있는 해수면 온도 위성 자료를 이용하였다 해상도는 1/4°이며, 연구 기간은 1993년 1월부터 2018년 12월까지 월 평균 자료를 사용하였다. 해수면 온도 자료를 이용하여 전선 추출 결과 대표적으로 중국 연안 전선(China Coastal Front), 남해 연안 전선(South Sea Coastal Front), 쿠로시오/쿠로시오 속류 전선(Kuroshio Front/ Kuroshio Extension Front), 아극 전선(Subpolar Front), 아북극 전선(Subarctic Front) 등 다섯 개의 전선을 찾을 수 있었다. 계절별 전선 분포 비교 결과 겨울, 봄철에는 여름, 가을철에 비해 더 많은 종류의 전선이 분포하였으며, 분포 범위도 더 넓어졌다. A mass of seawater with similar properties in the ocean is called a water mass, and the front is a sea area where two masses of different properties meet. The gradient algorithm is a method of extracting where the sea water temperature pixel changes rapidly assuming that the slope is large, and the place with the large slope is assumed to be a front. This method is able to process large amounts of satellite data at once. Therefore, in this study, we tried to find the front lines in the sea area around the Korean Peninsula by using a gradient algorithm. The study data used gridded sea surface temperature satellite data. The resolution was 1/4°, and the monthly average data from January 1993 to December 2018 were used. There were major five fronts representatively, China Coastal Front, South Sea Coastal Front, Kuroshio Front/ Kuroshio Extension Front, Subpolar Front and the Subarctic Front. As a result of comparing the distribution of front by season, more types of front were distributed in winter and spring than in summer and autumn, and the distribution range was wider.

로지스틱 회귀모형과 의사결정나무 모형을 이용한 Cochlodinium polykrikoides 적조 탐지 기법 연구

박수호(Su-Ho Bak),김흥민(Heung-Min Kim),김범규(Bum-Kyu Kim),황도현(Do-Hyun Hwang),엥흐자리갈 운자야(Enkhjargal Unuzaya),윤홍주(Hong-Joo Yoon) 한국전자통신학회 2018 한국전자통신학회 논문지 Vol.13 No.4

본 연구에서는 기계학습 기법의 한 갈래인 로지스틱 회귀모형과 의사결정나무 모형을 이용하여 인공위성영상에서 Cochlodinium polykrikoides 적조 픽셀을 탐지하는 방법을 제안한다. 학습자료로 적조, 청수, 탁수해역에서 추출된 수출광량 분광 프로파일(918개)을 활용하였다. 전체 데이터셋의 70%를 추출하여 모형 학습에 활용하였으며, 나머지 30%를 이용하여 모형의 분류 정확도를 평가하였다. 정확도 평가 결과 로지스틱 회귀모형은 약 97%의 분류 정확도를 보였으며, 의사결정나무 모형은 약 86%의 분류 정확도를 보였다. This study propose a new method to detect Cochlodinium polykrikoides on satellite images using logistic regression and decision tree. We used spectral profiles(918) extracted from red tide, clear water and turbid water as training data. The 70% of the entire data set was extracted and used for model training, and the classification accuracy of the model was evaluated by using the remaining 30%. As a result of the accuracy evaluation, the logistic regression model showed about 97% classification accuracy, and the decision tree model showed about 86% classification accuracy.

CCTV 영상과 합성곱 신경망을 활용한 해무 탐지 기법 연구

김나경(Na-Kyeong Kim),박수호(Su-Ho Bak),정민지(Min-Ji Jeong),황도현(Do-Hyun Hwang),앵흐자리갈 운자야(Unuzaya Enkhjargal),박미소(Mi-So Park),김보람(Bo-Ram Kim),윤홍주(Hong-Joo Yoon) 한국전자통신학회 2020 한국전자통신학회 논문지 Vol.15 No.6

본 논문에서는 합성곱 신경망을 기반으로 CCTV 이미지를 통한 해무 탐지 방법을 제안한다. 학습에 필요한 자료로 시정 1km 기준으로 총 11개의 항만 또는 해수욕장(부산항, 부산신항, 평택항, 인천항, 군산항, 대산항, 목포항, 여수광양항, 울산항, 포항항, 해운대해수욕장)에서 수집된 해무와 해무가 아닌 이미지 10004장을 랜덤 추출하였다. 전체 10004장의 데이터셋 중에 80%를 추출하여 합성곱 신경망 모델 학습에 사용하였다. 사용된 모델은 16개의 합성곱층과 3개의 완전 연결층을 가지고 있으며, 마지막 완전 연결층에서 Softmax 분류를 수행하는 합성곱 신경망을 활용하였다. 나머지 20%를 이용하여 모델 정확도 평가를 수행하였고 정확도 평가 결과 약 96%의 분류 정확도를 보였다. In this paper, the method of detecting sea fog through CCTV image is proposed based on convolutional neural networks. The study data randomly extracted 1,0004 images, sea-fog and not sea-fog, from a total of 11 ports or beaches (Busan Port, Busan New Port, Pyeongtaek Port, Incheon Port, Gunsan Port, Daesan Port, Mokpo Port, Yeosu Gwangyang Port, Ulsan Port, Pohang Port, and Haeundae Beach) based on 1km of visibility. 80% of the total 1,0004 datasets were extracted and used for learning the convolutional neural network model. The model has 16 convolutional layers and 3 fully connected layers, and a convolutional neural network that performs Softmax classification in the last fully connected layer is used. Model accuracy evaluation was performed using the remaining 20%, and the accuracy evaluation result showed a classification accuracy of about 96%.

심층신경망을 활용한 Cochlodinium polykrikoides 적조 발생 예측 연구

박수호(Su-Ho Bak),정민지(Min-Ji Jeong),황도현(Do-Hyun Hwang),엥흐자리갈 운자야(Unuzaya Enkhjargal),김나경,윤홍주(Hong-Joo Yoon) 한국전자통신학회 2019 한국전자통신학회 논문지 Vol.14 No.6

In this study, we propose a model for predicting Cochlodinium polykrikoides red tide occurrence using deep neural networks. A deep neural network with eight hidden layers was constructed to predict red tide occurrence. The 59 marine and meteorological factors were extracted and used for neural network model training using satellite reanalysis data and meteorological model data. The red tide occurred in the entire dataset is very small compared to the case of no red tide, resulting in an unbalanced data problem. In this study, we applied over sampling with adding noise based data augmentation to solve this problem. As a result of evaluating the accuracy of the model using test data, the accuracy was about 97%. 본 연구에서는 심층 신경망을 이용하여 Cochlodinium polykrikoides 적조 발생을 예측하는 모델을 제안한다. 적조 발생 예측을 위해 8개의 은닉층을 가진 심층 신경망을 구축하였다. 위성 재분석 자료와 기상수치모델 자료를 이용하여 과거 적조 발생해역의 해양 및 기상인자 총 59개를 추출하여 신경망 모델 학습에 활용하였다. 전체 데이터셋 중 적조 발생 사례는 적조 미발생 사례에 비해 매우 적어 불균형 데이터 문제가 발생하였다. 본 연구에서는 이를 해결하기 위해 과표집화(Over sampling) 기반 데이터 증식(Data augmentation) 기법을 적용하였다. 과거자료를 활용하여 모형의 정확도를 평가한 결과 약 97%의 정확도를 보였다.

자기 조직화 지도 기법을 이용한 적조 분포와 해양 인자의 관계

황도현(Do Hyun Hwang),박수호(Su Ho Bak),김흥민(Heung Min Kim),김범규(Bum Kyu Kim),엥흐자리갈 운자야(Unuzaya Enkhjargal),석경휴(Gyeong Hyu Seok),윤홍주(Hong Joo Yoon) 한국생태공학회 2019 한국생태공학회지 Vol.7 No.1

The red tide occurs almost every year around in the South Sea of Korea. Once it occurs, it causes serious fisheries damages. Sea water temperature is an important factor of causing the red tide. The Self-Organizing Map(SOM) is useful algorithm for pattern recognition and clustering methods for climate change when used large datasets. In this study, it is investigated the relations of SST(Sea Surface Temperature) and SLA(Sea Level Anomaly) when red tide occurred, how SST and SLA pattern changes by applying SOM technique. SST data and SLA data were July 1st to October 31st in 2013. Applying SOM algorithm, hexagonal 3 x 3 size map were used. It is able to distinguish the patterns to the red tide occurrence and disappearance. However, because of the limited study period to 2013, it is necessary to apply them to other periods in which red tide occurred, and it is required to apply the other environmental data. When the red tide disappeared, SST gradually increased to reach the high temperature, SLA was less then 0 cm which is negative anomaly.