Study on detection for Cochlodinium polykrikoides red tide using by the GOCI imager and machine learning technique

Abstract

적조현상은 특정 해양환경 조건에서 식물 플랑크톤이 대량으로 증식하여, 해수의 색을 변화시키거나 타생물에게 물리적 피해를 입히는 현상이다. 한국의 경우 1980년대까지는 주로 규조류에 의한 적조가 발생하였으나, 1990년대에 이르러 와편모조류에 의한 적조 발생 빈도가 증가하고 있다. 와편모조류는 규조류에 비해 적조 발생 면적도 넓고, 적조 현상의 지속시간도 길어 피해 규모도 크다. 특히 와편모조류의 일종인 Cochlodinium polykrikoides는 거의 매년 여름과 가을철에 양식업에 경제적 피해를 입히고 있다. C. polykrikoides에 의한 적조 피해로 인해 많은 연구자들이 발생 원인과 발생 매커니즘, 방재 방안에 대해 연구하고 있다. 그러나 C. polykrikoides는 아직 생활사의 일부만 밝혀진 상태라 어떤 조건에서 대량증식하며, 확산되는가에 대한 이론적 모델이 존재하지 않는다. 따라서 C. polykrikoides 적조의 발생을 예측하여 사전에 막는 것은 현실적으로 어렵다. 최근에는 이러한 C. polykrikoides 적조를 발생 초기에 조기탐지하고, 모니터링하여 추가 피해를 막으려는 노력들이 이루어지고 있다. C. polykrikoides는 발생 면적이 넓어 탐지 및 모니터링을 하기 위해서는 인공위성 원격탐사를 이용하는 방법이 가장 효율적이다. 본 연구에서는 이러한 C. polykrikoides를 기계학습 방법과 정지궤도 해색위성 영상을 활용하여 탐지하는 방법을 제안한다. 기계학습 모형을 학습시키기 위해 GOCI Level 2 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 정확도 향상을 확인 할 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 것이라 판단된다.