본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

요약

목차

제1장 서론 13

제1절 연구의 배경 및 필요성 13

제2절 연구 목적 18

제2장 이론적 고찰 20

제1절 원격탐사 기반 조류 모니터링 20

제2절 Deep neural network(DNN) 23

제3절 Convolutional neural network(CNN) 27

제4절 Stacked variational autoencoder(SVAE) 30

1. Louvain algorithm 32

2. Generalized mean information coefficient(GMIC) 35

3. Variational autoencoder(VAE) 42

제5절 변수 중요도 분석 47

1. Shapley additive explanation(SHAP) 47

2. DeepSHAP 49

제3장 연구 방법 53

제1절 데이터 수집 및 전처리 56

1. 연구 대상 지역 56

2. 현장 데이터 58

3. 원격탐사 데이터 63

제2절 조류 색소 농도 모델링 64

1. SVAE 구축 67

2. 비교모델 구축 69

3. 변수 중요도 분석 71

4. 주요 파장 검증 모델 구축 72

제4장 연구 결과 및 고찰 74

제1절 기초 자료 분석 결과 74

제2절 모델링 결과 78

1. SVAE 및 비교모델 78

2. 변수 중요도 85

3. 주요 파장 검증 91

제3절 고찰 94

1. 모델 성능 94

2. 변수 중요도 결과 해석 97

3. SVAE 활용성 및 발전 가능성 100

제5장 결론 103

References[원문불량;p.94] 105

ABSTRACT 119

표목차

〈Table 3.1〉 Sampling dates and the number of samples in Chuso and Hoenam region 58

〈Table 4.1〉 Statistics of Chl-a and PC concentration 76

〈Table 4.2〉 Results of feature clustering 79

〈Table 4.3〉 Performance evaluation of Chl-a estimation using SVAE and 1D-CNN 81

〈Table 4.4〉 Performance evaluation of PC estimation using SVAE and 1D-CNN 82

〈Table 4.5〉 Performance evaluation of Chl-a estimation using SVAE and DNN 92

〈Table 4.6〉 Performance evaluation of PC estimation using SVAE and DNN 92

그림목차

〈Fig. 1.1〉 Flowchart of research process 19

〈Fig. 2.1〉 Characteristics of various remote sensing images 21

〈Fig. 2.2〉 Basic architecture of DNN 23

〈Fig. 2.3〉 Architecture of CNN(LeNet-5) 27

〈Fig. 2.4〉 Process of generating feature map through convolution in CNN 28

〈Fig. 2.5〉 Flowchart of SVAE modeling procedure 30

〈Fig. 2.6〉 Schematic diagram of SVAE for retreiving Chl-a and PC concentration 31

〈Fig. 2.7〉 Visualization of the steps of Louvain algorithm 34

〈Fig. 2.8〉 Venn diagram representing the relationship between mutual information and entropy 38

〈Fig. 2.9〉 Comparision between pearson's correlation coefficient, MIC, and GMIC 41

〈Fig. 2.10〉 Structure of VAE 43

〈Fig. 2.11〉 Features of sampling based on reparameterization trick in comparison with original sampling 46

〈Fig. 2.12〉 Example of simple neural network 51

〈Fig. 3.1〉 Schematic diagram of the research process 55

〈Fig. 3.2〉 Map of sampling sites in Chuso and Hoenam region 57

〈Fig. 3.3〉 Process of selecting in-situ surface reflectance based on hyperspectral sensor bands 60

〈Fig. 3.4〉 Random split of train and test data 64

〈Fig. 3.5〉 1D-CNN model structure for estimating the concentration of Chl-a and PC in this study 69

〈Fig. 3.6〉 DNN model structure for estimating the concentration of Chl-a and PC in this study 73

〈Fig. 4.1〉 Variation of Chl-a and PC concentration 74

〈Fig. 4.2〉 Relationship between Chl-a and PC concentration 75

〈Fig. 4.3〉 In-situ surface reflectance spectra; Pearson's correlation coefficient between each spectrum and algal pigment 77

〈Fig. 4.4〉 Measured GMIC between pairs of each wavelength and feature clustering results 78

〈Fig. 4.5〉 Illustration of an optimized SVAE architecture 80

〈Fig. 4.6〉 Comparison between measured and estimated Chl-a concentration by SVAE 83

〈Fig. 4.7〉 Comparison between measured and estimated Chl-a concentration by 1D-CNN 83

〈Fig. 4.8〉 Comparison between measured and estimated PC concentration by SVAE 84

〈Fig. 4.9〉 Comparison between measured and estimated PC concentration by 1D-CNN 84

〈Fig. 4.10〉 SHAP summary plot for Chl-a concentration 85

〈Fig. 4.11〉 SHAP summary plot for PC concentration 86

〈Fig. 4.12〉 SHAP summary plot for Chl-a and PC concentration on SVAE Layer 1 88

〈Fig. 4.13〉 SHAP summary plot for latent variables in SVAE Layer 1 90

〈Fig. 4.14〉 Comparison between measured and estimated Chl-a concentration by DNN 93

〈Fig. 4.15〉 Comparison between measured and estimated PC concentration by DNN 93

〈Fig. 4.16〉 Positions of minimal and maximal absorption by Chl-a, PC, phytoplankton pigments(Min 1), and water(Min 1) indicated by arrows 98

초록보기

 녹조는 상수원 수질뿐만 아니라 전반적인 수생태계를 악화시키는 등 다양한 사회경제학적 피해를 유발하고 있으며, 특히 유해 남조류로부터 배출되는 독성물질은 인간을 비롯한 다양한 생물에 대하여 직접적으로 건강상의 악영향을 미치고 있다. 녹조 관리를 위해서는 모니터링을 통해 언제 어디서 녹조가 발생하는지를 파악하여 피해 경감을 위한 사전 조치를 취할 수 있어야 한다. 하지만 현재 녹조 모니터링을 위해 널리 활용되고 있는 현장 채수 방식은 점 단위로 수행되기 때문에 녹조의 공간적 분포 확인이 어려우며, 따라서 모니터링 결과가 전체 수계를 대표할 수 없다는 한계를 지닌다.

최근에는 인공위성 또는 항공영상 기반 원격탐사의 단점을 개선한 드론 기반 원격탐사가 현장 채수 방식의 한계를 극복할 수 있는 효과적인 녹조 모니터링의 수단으로 떠오르고 있다. 특히 드론에 초분광센서를 탑재하는 경우 대상 수체에 대한 높은 공간해상도와 분광해상도를 갖는 영상을 취득할 수 있는데, 이러한 초분광영상은 조류 색소의 분광 특성을 보다 정확하게 반영함으로써 보다 효과적인 녹조 모니터링에 기여할 수 있는 것으로 알려져 있다. 하지만 초분광영상을 모델의 입력 데이터로 활용하는 경우 불필요한 변수가 많아짐에 따라 성능이 저하되고 해석이 어려워지는 등 다양한 문제가 발생할 수 있다. 따라서 녹조 모니터링을 위한 초분광 원격탐사의 효율성 향상을 위해서는 보다 적은 파장 정보를 활용하면서도 높은 성능을 확보할 수 있는 모델을 구축할 필요가 있다. 이를 위해 본 연구에서는 조류 색소 농도를 예측함과 동시에 조류 예측에 중요한 파장 정보를 획득할 수 있는 딥러닝 기반 모델을 구축하고자 하였다.

본 연구에서는 대청호 추소 및 회남 지역에서 측정한 현장표면반사도를 기반으로 딥러닝 기반의 SVAE를 개발하였으며, 이를 통해 (1) 식물플랑크톤 생체량의 지표인 클로로필 a와 남조류 생체량의 지표인 피코시아닌의 농도를 예측하고, (2) 클로로필 a와 피코시아닌 농도 예측에 대하여 유의한 영향을 미치는 주요 파장을 선별하였으며, (3) 입력변수로 전체 파장을 활용했을 때와 선별된 주요 파장만을 활용했을 때의 모델 성능을 비교해 선별된 주요 파장의 유효성을 검증하고자 하였다. 그리고 이러한 과정을 통해 최종적으로 SVAE가 최적 파장 위주의 보다 효율적인 면 단위 녹조 모니터링에 기여할 수 있는지 검증하고자 하였다.

SVAE는 클로로필 a 농도 예측 시 R²가 0.71, RMSE가 34.92 mg/m³, MAE가 17.10 mg/m³, SMAPE가 0.37로 나타났으며, 피코시아닌 농도 예측 시 R²가 0.80, RMSE가 34.04 mg/m³, MAE가 22.84 mg/m³, SMAPE가 0.60으로 나타났다. SVAE는 클로로필 a와 피코시아닌 농도 예측 시 우수한 성능을 보이는 1D-CNN과 큰 차이 없이 양호한 예측 성능을 보이는 것으로 나타났다. SVAE의 변수 중요도 분석 결과는 클로로필 a와 피코시아닌의 분광 특성과 부합하는 것으로 나타나 모델을 신뢰할 수 있다고 판단하였다.

SVAE에서 유사한 특성을 갖는 파장 중 클로로필 a와 피코시아닌 농도 예측에 대한 상대적 중요도가 가장 높게 나타난 파장이 실제로 얼마나 효과적으로 활용될 수 있는지 검증하기 위해 해당 주요 파장만을 DNN의 입력변수로 하여 조류 색소 농도 예측을 수행하였다. 그 결과 DNN은 클로로필 a 농도 예측 시 R²가 0.67, RMSE가 33.66 mg/m³, MAE가 18.20 mg/m³, SMAPE가 0.36으로 나타났으며, 피코시아닌 농도 예측 시 R²가 0.78, RMSE가 35.75 mg/m³, MAE가 20.80 mg/m³, SMAPE가 0.63으로 나타나 SVAE나 1D-CNN과 큰 차이 없이 양호한 예측 성능을 보이는 것으로 나타났다. 따라서 SVAE는 유사한 특성을 갖는 파장 중 녹조 예측에 가장 중요한 파장을 규명할 수 있으며, 이를 통해 녹조 예측 모델 단순화에 충분히 기여할 수 있는 것으로 판단된다. 향후 SVAE로부터 획득한 녹조 예측에 대한 주요 파장 정보는 초분광 센서를 경량화시키는 데 활용될 수 있을 것으로 판단되며, 이를 통해 보다 고도화된 녹조 모니터링 시스템을 구축하는데 기여할 수 있을 것으로 판단된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차