Analysis and Detection of Red Tide Sea Areas Using Machine Learning-Based Clustering

Abstract

본 연구에서는 기존의 이분법적인 적조 해역 분류 방식을 개선하고 다양한 해수 환경을 고려하기 위해 비지도 학습 클러스터링 기법을 사용하였다. 사용한 가우시안 혼합 모델은 다른 클러스터링에 비해 매우 유연하게 수행되며 다양한 데이터에 적용할 수 있다는 장점이 있다. 클러스터링은 일반적인 지도학습 모델과 달리 실제 정답값이 주어지지 않아 정확도와 같은 정량적인 값으로 판단하기 어렵다. 클러스터링 모델의 성능은 데이터의 유사성을 기반으로 하여 형성한 클러스터링의 유효성으로 평가된다. 따라서 GMM은 일반적인 클러스터링 모델과 달리 확률에 기반한 모델이므로 우도를 활용한 AIC와 BIC를 이용하여 평가된다. 연구 수행에 사용된 Water leaving radiance는 적조가 빈번히 일어난 2015년 8~9월에 해당하는 GOCI의 Level 1B 자료 중 , 실제로 적조 발생한 날에 대해 수집하고 이를 대기보정하여 Level 2A 자료로 변환한 후 추출한 값이다. AIC와 BIC가 각각 -99584, -97798로 가장 작은 값을 나타내는 K는 5로 산출되었으며 이는 K가 5일 때(클러스터 형성이 5개 일 때) 적조 해역 데이터들을 가장 잘 설명한다고 볼 수 있다. 이에 대하여 가우시안 혼합 모델 클러스터링을 수행하였으며 이를 분광 프로파일 형태로 나타내었다. 클러스터링 된 결과는 적조와 비적조에 대한 이분적 분류가 아닌 실제 해수의 환경을 고려하여 형성되었으며 시각적으로도 뚜렷한 차이를 보였다. 특히 외해와 연안에 대하여 확실한 차이를 나타내었다. 또한 해당 픽셀을 실제 위경도로 변환하여 지도에 매핑한 결과 각각의 클러스터가 서로 외해와 연안에 다르게 위치한 것을 알 수 있었다. 이에 대하여 실제 적조 위치 자료와 적조로 추정되는 클러스터의 위치 값을 비교한 결과 거의 유사한 정도를 보였다. 이는 클러스터링 된 값으로 적조 픽셀을 구분하여 적조를 탐지 할 수 있음을 나타낸다.