XBT 데이터를 이용한 기계학습 기반의 동해 수직 수온분포 예측
Prediction of Vertical Sea Water Temperature Profile in the East Sea Based on Machine Learning and XBT Data
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 우리나라에서도 인공지능 모델을 이용한 수온예측 관련 연구가 활발히 진행되고 있으나한반도 주변 해역의 수온을 예측한 대부분의 연구는 주로 해수면 온도 예측에 중점을 두고 진행되었다. 반면 본 연구는 XBT(eXpendable Bathythermograph, 소모성 연직수온측정기) 데이터와 기계학습 모델(RandomForest, XGBoost, LightGBM)을 사용하여 잠수함 작전 및 대잠전(Anti-Submarine Warfare)에 있어서 군사적으로 중요한 동해의 수직 수온분포를 예측하였다. 동해 특정해역의 해수면부터 수심 200m까지 측정된 XBT 데이터를 이용하여 모델을 학습시키고 절대 평균 오차(MAE, Mean Absolute Error)와 수직 수온분포 그래프를 통해 예측정확도를 평가하였다.
Abstract
Recently, researches on the prediction of sea water temperature using artificial intelligence models has been actively conducted in Korea. However, most researches in the sea around the Korean peninsula mainly focus on predicting sea surface temperatures. Unlike previous researches, this research predicted the vertical sea water temperature profile of the East Sea, which is very important in submarine operations and anti-submarine warfare, using XBT(eXpendable Bathythermograph) data and machine learning models(RandomForest, XGBoost, LightGBM). The model was trained using XBT data measured from sea surface to depth of 200m in a specific area of the East Sea, and the prediction accuracy was evaluated through MAE(Mean Absolute Error) and vertical sea water temperature profile graphs.
참고문헌 (17)
- 김하영, "동아시아 지역 해양갈등과 한국에 대한 함의", 사회과학연구, 24(2), pp.239~258 (2017), 사회과학연구원[DOI]
- 김재엽, "한반도에서의 전략적 대잠전 수행 방안", 전략연구, 24(1), pp.111~141 (2017), (사) 한국전략문제연구소
- Mackenzie. K. V, "Nine-term Equation for Sound Speed in the Oceans", Journal of the Acoustic Society of America, 70(3), pp.807~812 (1981)[DOI]
- 임세한, "동해의 음향층심도와 혼합층깊이 차이 분석", 한국정보통신학회논문지, 19(5), pp.1259~1268 (2015), 한국정보통신학회[DOI]
- Joseph Hall, "Principles of Naval Weapons Systems", pp.186~ (2000), US Naval Academy
- Q. Zhang, "Prediction of Sea Surface Temperature Using Long Short-Term Memory", IEEE Geoscience and Remote Sensing Letter, 14(10), pp.1745~1749 (2017)[DOI]
- J. Liu, "TD-LSTM: Temporal Dependence-Based LSTM Networks for Marine Temperature Prediction", Sensors, 18(11), pp.1~13 (2018)[DOI]
- J. Liu, "Convolutional LSTM Networks for Seawater Temperature Prediction", 2019 IEEE International Conference on Signal Information and Data Processing (ICSIDP), pp.1~5 (2019)
- 정시훈, "시계열 기계학습을 이용한 한반도 남해 해수면 온도 예측 및 고수온 탐지", 대한원격탐사학회지, 36(5), pp.1077~1093 (2020), 대한원격탐사학회[DOI]
- 고관섭, "기상 데이터를 활용한 LSTM 기반의 해양 혼합층 수온 예측", 대한원격탐사학회지, 37(3), pp.603~614 (2021), 대한원격탐사학회[DOI]
- 고관섭, "해양관측부위 자료 기반 딥러닝 기술을 활용한 해양 혼합층 수온 예측", 대한원격탐사학회지, 38(3), pp.299~309 (2022), 대한원격탐사학회
- CJ. Willmott, "Advantages of the Mean Absolute Error(MAE) over the Root Mean Square Error (RMSE) in Assessing Average Model Performance", Climate Research, 30, pp.79~82 (2005)[DOI]
- Hodoson, T. O, "Root-mean-square error(RMSE) or mean absolute error(MAE): when to use them or not", Geoscientific Model Development, 15(14), pp.5482~5483 (2022)[DOI]
- 정신택, "한반도 연안 수온자료의 확률분포함수 추정", 한국해안·해양공학회논문집, 25(1), pp.11~19 (2013), 한국해안,해양공학회[DOI]
- L. Breiman, "Random Forests", Machine Learning, 45, pp.5~32 (2001)[DOI]
- T. Chen, "XGBoost: A Scalable Tree Boosting System", 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), pp.785~794 (2016)
- G. Ke, "Lightgbm: A Highly Efficient Gradient Boosting Decision Tree", Advances in Neural Information Processing Systems, 30, pp.3146~3154 (2017)