비주석 재귀신경망 앙상블 모델을 기반으로 한 조위관측소 해수위의 준실시간 이상값 탐지 = A Non-annotated Recurrent Neural Network Ensemble-based Model for Near-real Time Detection of Erroneous Sea Level Anomaly in Coastal Tide Gauge Observation

국문 초록 (Abstract)

상시 관측되는 조위관측소 해수위 자료는 결측값과 오측값을 포함하고 있으며, 그 중 오측 값은 이상값으로 분류되는 전처리 대상이다. 이러한 오측을 제거하기 위해 대표적으로 3𝜎 (three standard deviations) 규칙이 적용되어왔으나, 기상이변 등에 의한 극값이 존재하거나 3𝜎 범위 안에서도 오측이 존재하는 해수위 자료에는 그 적용이 어렵다. 본 연구에서 설계된 모델은 오측에 대한 사전 정보가 필요하지 않은 비주석 학습으로 구성되며, 재귀신경망과 앙상블 기법을 이용함으로써 실시간으로 수집되는 해수위 자료가 오측일 가능성을 발생한지 20분 이내로 제시한다. 검증이 완료된 모델은 평시 및 기상이변시의 정상값과 오측값을 잘 분리하며, 학습이 이뤄지지 않은 연도의 해수위 자료에서도 이상값 탐지가 가능함을 확인하였다. 본 연구의 관측 이상치 탐지 알고리즘은 조위관측소 해수위에 국한되지 않고 다양한 해양 및 대기자료의 이상치 탐지 인공신경망 모델에 확장 적용할 수 있다.

참고문헌 (Reference)

1 김마가, "임계치 모형과 인공신경망 모형을 이용한 실시간 저수지 수위자료의 이상치 탐지" 한국농공학회 61 (61): 107-120, 2019

2 국립해양조사원, "바다누리 해양정보 서비스"

3 Wang, Y., "Study on wavelet neural network based anomaly detection in ocean observing data series" 186-, 2019

4 Kim, H. J., "Spatiotemporal Approaches for Quality Control and Error Correction of Atmospheric Data through Machine Learning" 2020 : 7980434-, 2020

5 Miau, S., "River Flooding Forecasting and Anomaly Detection Based on Deep Learning" 8 : 198384-198402, 2020

6 Sciuto, G., "Quality control of daily rainfall data with neural networks" 364 (364): 13-22, 2009

7 Opitz, D., "Popular Ensemble Learning: An Empirical Study" 11 : 169-198, 1999

8 Bell, C., "POL/PSMSL Tidal Analysis Software Kit 2000 (TASK-2000)" 1999

9 UNESCO, "Ocean Data Standards, Vol.3: Recommendation for a Quality Flag Scheme for the Exchange of Oceanographic and Marine Meteorological Data"

10 Liu, J., "Machine learning and transport simulations for groundwater anomaly detection" 380-, 2020

11 Omar, S., "Machine Learning Techniques for Anomaly Detection: An Overview" 79 (79): 2013

12 Hochreiter, S., "Long Short-Term Memory" 9 (9): 1735-1780, 1997

13 Guan, Y, "Ensembles of Deep LSTM Learners for Activity Recognition Using Wearables" 1 (1): 1-28, 2017

14 Just, A. C., "Correcting Measurement Error in Satellite Aerosol Optical Depth with Machine Learning for Modeling PM2.5 in the Northeastern USA" 10 (10): 2018

15 Goyal, S., "Artificial Neural Network: A Review and its Application in Managing Water Quality Control" 3 (3): 2018

16 Russell, S., "Artificial Intelligence: A Modern Approach" Prentice Hall 2010

17 Pastore, V. P., "Annotation-free learning of plankton for classification and anomaly detection" 10 (10): 12142-, 2020

18 Linares-Rodriguez, A., "An artificial neural network ensemble model for estimating global solar radiation from Meteosat satellite images" 61 : 636-645, 2013

19 Saini, S. Preeti, "Advance Applications of Artificial Neural Network" 2 (2): 1001-1005, 2015

20 López-Lineros, M., "A new quality control procedure based on non-linear autoregressive neural network for validating raw river stage data" 510 : 103-109, 2014

21 Yu, J. B., "A neural network ensemble-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes" 36 (36): 909-921, 2009

22 Castelão, G. P., "A machine learning approach to quality control oceanographic data" 155-, 2021

23 Fourrier, M., "A Regional Neural Network Approach to Estimate Water-Column Nutrient Concentrations and Carbonate System Variables in the Mediterranean Sea:CANYON-MED" 7 : 2020

24 Murray, M. T., "A General Method for the Analysis of Hourly Heights of Tide" 41 (41): 91-101, 1964