고려청자의 생산지 판별과 중국 전통 청자와의 비교를 위한 머신러닝 적용 연구

국문 초록 (Abstract)

본 연구는 도자기 분석에 새로운 방법론을 제시하고자 머신러닝 기법을 도입하여, 고려청자와 중국 전통 청자의 판별 및 고려청자 주요 가마터 간의 특성을 분석하였다. 이를 위해 5가지 머신러닝 모델(PCA-LDA, SVM, KNN, DT, RF)에 청자의 ICP 미량원소 분석 데이터를 적용하고, SHAP 분석을 통해 판별에 중요한 화학적 지표를 도출하였다. 고려청자와 중국 전통 청자의 판별에서는 모든 머신러닝 모델이 97% 이상의 높은 정확도를 보였으며, 특히 SVM, KNN, RF 모델은 100%의 완벽한 분류 정확도를 달성하였다. SHAP 분석 결과, Rb가 0.30-0.35의 중요도로 가장 중요한 판별 지표로 확인되었다. 고려청자 가마터 간의 판별에서는 RF 모델이 92%로 가장 높은 정확도를 보였으며, 특성 중요도는 모델별로 다양하게 나타났다. SVM 모델에서는 V, PCA 모델에서는 Yb와 Sm, KNN 모델에서는 Zr, DT 모델에서는 Sc와 Pb가 주요 판별 지표로 작용하였다. 본 연구는 머신러닝 기법의 도자기 분석 적용 가능성을 입증하였으며, 이는 향후 다양한 문화유산의 과학적 분석에 새로운 방향성을 제시할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study introduced a machine learning technique to present a new methodology for ceramic analysis, and analyzed the discrimination of Goryeo celadon and traditional Chinese celadon, and the characteristics between the main kilns of Goryeo celadon. To this end, ICP trace element analysis data were applied to five machine learning models (PCA-LDA, SVM, KNN, DT, RF), and important chemical indicators for discrimination were derived through SHAP analysis. In the discrimination of Goryeo celadon and traditional Chinese celadon, all machine learning models showed high accuracy of more than 97%, and in particular, SVM, KNN, and RF models achieved perfect classification accuracy of 100%. As a result of SHAP analysis, Rb was identified as the most important discrimination index with an importance of 0.30~0.35. As for the discrimination accuracy of Goryeo celadon kiln, RF was the highest, and the characteristic importance was different for each model. V in the SVM model, Yb and Sm in the PCA model, Zr in the KNN model, and Sc and Pb in the DT model were the main discrimination indicators. This study proved the possibility of machine learning methods and is expected to present a new direction for various cultural heritage analysis.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 이론적 배경 3
• 1. 고려청자 3
• 1) 고려청자의 시기구분과 변천 3
• 2) 고려청자의 가마터 4
• 3) 고려청자와 중국 청자의 연관성 7
• 2. 청자의 과학적 분석 9
• 1) 청자의 재료학적 특징 9
• 2) 청자의 미량성분 분석 11
• 3. 머신러닝 13
• 1) PCA-LDA 14
• 2) SVM 16
• 3) KNN 18
• 4) DT 19
• 5) RF 20
• 6) SHAP value 22
• 4. 선행연구 25
• Ⅲ. 대상 및 방법 27
• 1. 실험대상 27
• 2. 실험방법 31
• Ⅳ. 실험 결과 35
• 1. 고려청자와 중국 청자의 생산지 추정 35
• 1) PCA-LDA 모델 결과 35
• 2) SVM 모델 결과 38
• 3) KNN 모델 결과 40
• 4) DT 모델 결과 42
• 5) RF 모델 결과 43
• 6) SHAP value 분석 결과 45
• 2. 고려청자 생산지 추정 47
• 1) PCA-LDA 모델 결과 47
• 2) SVM 모델 결과 51
• 3) KNN 모델 결과 53
• 4) DT 모델 결과 55
• 5) RF 모델 결과 58
• 6) SHAP value 분석 결과 60
• Ⅴ. 결론 64
• 참고문헌 66
• 국문초록 69
• Abstract 70