신경망 및 통계 기법 기반의 기계학습을 이용한 유류유출 및 기상 예측 연구 동향

국문 초록 (Abstract)

정확한 예측은 미래에 일어날 현상에 대해 효과적으로 준비 혹은 대처 할 수 있게 해준다. 특히, 기상 현상은 인간의 생활과 밀접한 연관이 있으며, 발생할 수 있는 기상 및 재난 예측을 통해 인명, 재산 등의 피해로부터 예방 할 수 있게 해준다. 해상에서 발생할 수 있는 재난 중 하나인 유류유출 사고에 대해 빠르고 효과적으로 대응하 기 위해서는 유출유의 이동과 주변 해역의 기상을 정확하게 예측하는 것이 중요하다. 본 논문에서는 분류 및 회귀 예측과 관련된 연구에서 준수한 성능 및 예측 가능성을 보여준 기계학습 기법으로 서포트 벡터 머신, 가우시안 프로 세스, 다층 퍼셉트론, 방사기저함수 네트워크의 총 4 개의 기계학습 기법을 선별하였다. 선별한 기계학습 기법을 이용하여 유류유출의 탐지와 바람, 강우량, 오존 등의 기상 데이터를 예측하는 연구들의 연구 방법과 결과 등을 설 명하며 이를 활용한 기계학습 기반 유류유출 예측 모델의 적용 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

Accurate forecasting enables to effectively prepare for future phenomenon. Especially, meteorological phenomenon is closely related with human life, and it can prevent from damage such as human life and property through forecasting of weather and disaster that can occur. To respond quickly and effectively to oil spill accidents, it is important to accurately predict the movement of oil spills and the weather in the surrounding waters. In this paper, we selected four representative machine learning techniques: support vector machine, Gaussian process, multilayer perceptron, and radial basis function network that have shown good performance and predictability in the previous studies related to oil spill detection and prediction in meteorology such as wind, rainfall and ozone. we suggest the applicability of oil spill prediction model based on machine learning.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 유류유출 및 기상 예측 문제
• 3. 선별된 기계학습 기법 개요
• 3.1 서포트 벡터 머신 (Support Vector Machine)
• 3.2 가우시안 프로세스 (Gaussian Process)
• 3.3 다층 퍼셉트론 (Multilayer Perceptron)
• 3.4 방사기저함수 네트워크 (Radial BasisFunction Network)
• 4. 관련 연구
• 4.1 서포트 벡터 머신 기반 모델 개발 사례
• 4.2 가우시안 프로세스 기반 모델 개발 사례
• 4.3 심층 신경망 기반 모델 개발 사례
• 5. 결론 및 향후 연구 방향
• REFERENCES

참고문헌 (Reference)

1 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구" 한국디지털정책학회 14 (14): 245-258, 2016

2 윤유동, "기계 학습 방법을 이용한 활동 프로파일 기반의 스마트 시니어 분류 모델 개발" 한국융합학회 8 (8): 25-34, 2017

3 유철상, "가우시안 프로세스 기반 함수근사와 서포트 벡터 학습을 이용한 레이더 및 강우계 관측 데이터의 융합" 한국지능시스템학회 18 (18): 297-305, 2008

4 Baruque, B, "forecasting solution to the oil spill problem based on a hybrid intelligent system" 180 (180): 2029-2043, 2010

5 Zhao, P, "Wind speed prediction using support vector regression" IEEE 2010

6 Tagliaferri, F, "Wind direction forecasting with artificial neural networks and support vector machines" 97 : 65-73, 2015

7 McCloskey, D. N, "The art of forecasting : From ancient to modern times" 12 : 23-43, 1993

8 Topouzelis, K, "Potentiality of feed-forward neural networks for classifying dark formations to oil spills and look-alikes" 24 (24): 179-191, 2009

9 Ramedani, Z, "Potential of radial basis function based support vector regression for global solar radiation prediction" 39 : 1005-1011, 2014

10 Petelin, D, "Ozone forecasting using Gaussian processes and perceptron neural networks" 2014

11 Matkan, A. A, "Oil spill detection from SAR image using SVM based classification" 1 (1): 55-60, 2013

12 Đalto, M, "Neural-network-based ultra-short -term wind forecasting" 2014

13 Chang, C. C, "LIBSVM : a library for support vector machines" 2 (2): 27-, 2011

14 Liu, J. N, "Information Granularity, Big Data, and Computational Intelligence" Springer International Publishing 389-408, 2015

15 Zschau, J, "Early Warning Systems for Natural Disaster Reduction" Springer Science & Business Media 2013

16 Yang, L, "Deep learning for extracting water body from Landsat imagery" 11 (11): 2015

17 Xie, P, "Analyses of global monthly precipitation using gauge observations, satellite estimates, and numerical model predictions" 9 (9): 840-858, 1996

18 Adeli, H, "A probabilistic neural network for earthquake magnitude prediction" 22 (22): 1018-1024, 2009