신경망 및 통계 기법 기반의 기계학습을 이용한 유류유출 및 기상 예측 연구 동향
A Survey on Oil Spill and Weather Forecast Using Machine Learning Based on Neural Networks and Statistical Methods
1
조회
0
다운로드
12
인용
0
참고문헌
키워드
초록
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 대응하기 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 프로세스, 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 설명하며 이를 활용한 기계학습 기반 유류유출 예측 모델의 적용 가능성을 제시한다.
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.
참고문헌 (18)
- McCloskey, D. N, "The art of forecasting : From ancient to modern times", Cato J, 12, pp.23~43 (1993)
- Zschau, J, "Early Warning Systems for Natural Disaster Reduction" (2013), Springer Science & Business Media
- Xie, P, "Analyses of global monthly precipitation using gauge observations, satellite estimates, and numerical model predictions", Journal of climate, 9(4), pp.840~858 (1996)
- Adeli, H, "A probabilistic neural network for earthquake magnitude prediction", Neural networks, 22(7), pp.1018~1024 (2009)
- 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구", 디지털융복합연구, 14(2), pp.245~258 (2016), 한국디지털정책학회[DOI]
- 윤유동, "기계 학습 방법을 이용한 활동 프로파일 기반의 스마트 시니어 분류 모델 개발", 한국융합학회논문지, 8(1), pp.25~34 (2017), 한국융합학회[DOI]
- Matkan, A. A, "Oil spill detection from SAR image using SVM based classification", ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 1(3), pp.55~60 (2013)
- Tagliaferri, F, "Wind direction forecasting with artificial neural networks and support vector machines", Ocean Engineering, 97, pp.65~73 (2015)
- Chang, C. C, "LIBSVM : a library for support vector machines", ACM Transactions on Intelligent Systems and Technology (TIST), 2(3), pp.27~ (2011)
- Zhao, P, "Wind speed prediction using support vector regression", 5th IEEE Conference on Industrial Electronics and Applications (2010), IEEE
- 유철상, "가우시안 프로세스 기반 함수근사와 서포트 벡터 학습을 이용한 레이더 및 강우계 관측 데이터의 융합", 한국지능시스템학회 논문지, 18(3), pp.297~305 (2008), 한국지능시스템학회
- Petelin, D, "Ozone forecasting using Gaussian processes and perceptron neural networks", 16th International Conference on Harmonisation within Atmospheric Dispersion Modelling for Regulatory Purposes (2014)
- Liu, J. N, "Information Granularity, Big Data, and Computational Intelligence", pp.389~408 (2015), Springer International Publishing
- Đalto, M, "Neural-network-based ultra-short -term wind forecasting", European Wind Energy Association 2014 Annual Event (2014)
- Yang, L, "Deep learning for extracting water body from Landsat imagery", International Journal of Innovative Computing, Information and Control, 11(6) (2015)
- Baruque, B, "forecasting solution to the oil spill problem based on a hybrid intelligent system", Information Sciences, 180(10), pp.2029~2043 (2010)
- Topouzelis, K, "Potentiality of feed-forward neural networks for classifying dark formations to oil spills and look-alikes", Geocarto International, 24(3), pp.179~191 (2009)
- Ramedani, Z, "Potential of radial basis function based support vector regression for global solar radiation prediction", Renewable and Sustainable Energy Reviews, 39, pp.1005~1011 (2014)