KR101934667B1 - 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법 - Google Patents

퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법 Download PDF

Info

Publication number
KR101934667B1
KR101934667B1 KR1020180015190A KR20180015190A KR101934667B1 KR 101934667 B1 KR101934667 B1 KR 101934667B1 KR 1020180015190 A KR1020180015190 A KR 1020180015190A KR 20180015190 A KR20180015190 A KR 20180015190A KR 101934667 B1 KR101934667 B1 KR 101934667B1
Authority
KR
South Korea
Prior art keywords
fuzzy
model
data
soil
variables
Prior art date
Application number
KR1020180015190A
Other languages
English (en)
Inventor
이윤식
김용은
조기종
손진오
위준
홍진솔
이민영
Original Assignee
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020180015190A priority Critical patent/KR101934667B1/ko
Application granted granted Critical
Publication of KR101934667B1 publication Critical patent/KR101934667B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따르면 토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석하는 데이터 수집부; 생물 지표종과 유의한 환경 요인을 선발하는 요인 선발부; 상기 선발된 환경 요인과 상기 선발된 생물 지표종의 밀도를 기반으로 소속함수를 작성하는 소속함수 작성부; 퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 수정자를 적용하며 퍼지 파라미터를 추정하는 퍼지 추론부; 개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인하는 모델 검증부; 를 포함하는 서식지 적합도 평가 시스템이 제공된다.

Description

퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법{METHOD AND SYSTEM FOR ESTIMATION OF HABITAT SUITABILITY USING FUZZY MODELING}
본 발명은 대한민국 산림토양 내에서 생물 지표종의 서식지 적합도를 평가하는 방법 및 시스템에 관한 것으로서, 보다 상세히 산림토양의 복원 및 관리에 적용할 수 있도록, 국내 산림 토양의 조건에 따라 생물 지표종의 서식지 적합도를 예측하는 방법 및 시스템에 관한 것이다.
톡토기목(Collembola)은 토양 생태계에서 가장 지배적인 생물군이기 때문에(Hopkin, 1997), 다양한 환경 요인들과의 관계를 확인하는 것이 오랫동안 연구되어왔다. 그들의 분포와 밀도는 온도와 강수량과 같은 기후인자나(Irmler et al., 2006), pH나 유기물함량 등과 같은 물리 화학적 인자(Kopeszki, 1997)에 의해 영향을 받는다. 이러한 연구들은 톡토기목 서식지의 환경 조건과 밀접하게 관련되어 있으며, 특정종이 특정 환경조건에서 특정밀도로 존재한다고 제안하고 있다. 톡토기목의 이러한 광범위한 존재와 환경요소와의 밀접한 관계 때문에, 그들은 화학물질의 생물 모니터링(van Straalen, 1998), 서식지 질의 지표(Greenslande, 1997), 토양 관리(Heisler and Kaiser, 1995)등에 생물학적 지표로서 연구 되어왔다.
또한, 톡토기목은 토양의 형성에 영향을 줄 뿐 아니라(Rusek, 1975), 토양 내 다른 생물군과 밀접한 상호작용을 하고 있다(Rusek, 1998). 특히 미생물과의 아주 깊은 연관이 있기 때문에 상대적으로 평가하기 어려운 토양 생태계의 질 평가에 매우 유용하다.
하지만, 이러한 톡토기목을 이용한 토양 생태계의 분석 및 평가는 적용하고자 하는 범위가 매우 넓고 다양한 조건이 영향을 미치므로 모든 조건에서 실질적인 시료의 채취와 분석이 어렵다. 이러한 측면에서, 생태계의 복원, 생존 분석, 인간활동의 영향 분석과 같은 생태계 보전에 관한 연구의 일환으로, 서식지 적합도 평가를 위한 모델의 예측 결과에 기반을 두는 경우가 많다(Akcakaya et al., 1995; Le Lay et al., 2001; Maladenoff et al., 1997).
서식지 적합도 평가를 위한 모델의 유용성과 톡토기목의 토양 생태계에서의 중요성에도 불구하고 톡토기목의 서식지 적합도 평가 방법은 거의 연구되지 않았다. 몇몇 연구는 특정한 톡토기목종의 밀도와 환경변수 사이의 관계에 기초한 다중 회귀(multiple linear regression)와 기계 학습(machine leaning)을 이용하여 서식지 적합도를 예측한다(Detsis, 2009; Kampichler et al., 2000).
그러나 이들의 연구는 실제 밀도가 다른 시공간적 규모에서 작용하는 다양한 과정에 의존하기 때문에 예측력이 매우 낮았으며, 특정 종의 밀도를 예측하므로 토양 생태계의 질을 판단하기에 어려운 부분이 존재한다. 또한, 야외 생태계에서 조사된 톡토기목 밀도 자료와 환경 인자 자료들은 불확실성이 크며, 이를 제거하기 위한 충분한 횟수의 조사를 수행하기가 현실적으로 불가능한 한계가 있다.
본 발명은 토양 생태계 내의 중요한 위치를 차지하고 있는 톡토기목 중 생물지표종으로서 가능성이 있는 종을 선발하고, 이를 이용한 퍼지 기반 모델을 개발하여 토양 생태계의 질을 등급화하고 토양 내 환경 인자를 기반으로 등급을 예측하는데 그 목적이 있다.
또한 본 발명은, 전국적인 규모의 장기적인 조사를 통한 시 공간적인 성격을 고루 갖춘 자료를 통하여, 전국 규모의 서식지 적합도 예측이 가능하게 할 것이다.
본 발명의 일 실시예에 따르면 토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석하는 데이터 수집부; 생물 지표종과 유의한 환경 요인을 선발하는 요인 선발부; 상기 선발된 환경 요인과 상기 선발된 생물 지표종의 밀도를 기반으로 소속함수를 작성하는 소속함수 작성부; 퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 수정자를 적용하며 퍼지 파라미터를 추정하는 퍼지 추론부; 개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인하는 모델 검증부; 를 포함하는 서식지 적합도 평가 시스템이 제공된다.
본 발명에 있어서, 상기 소속함수 작성부는, 상기 유의한 환경 요인을 입력 변수로 사용하고 두 가지의 퍼지 집합으로 분류하여 소속함수로 변환할 수 있다.
본 발명에 있어서, 상기 퍼지 추론부는, 입력 변수를 이용한 출력 변수의 도출을 위해 퍼지 추론을 적용할 수 있다.
본 발명에 있어서, 상기 퍼지 추론부 및 상기 모델 검증부는, 전체 데이터 중 75% 를 모델 파라미터의 보정에 활용하고 25%를 검증에 이용할 수 있다.
본 발명에 있어서, 상기 퍼지 추론부는, 상기 모델 파라미터의 보정을 위해 일반화된 적극적 수정자(generalized positively modifier)를 소속함수에 적용하고, 상기 수정자가 적용된 소속함수를 이용하여 최적의 모델 파라미터를 추정할 수 있다.
본 발명에 있어서, 상기 퍼지 추론부는, 상기 전체 데이터 중 75% 를 모델에 적용하였을 때 가장 높은 %CFCI 값을 나타내는 추정값을 상기 최적의 모델 파라미터로 추정할 수 있다.
본 발명에 있어서, 상기 모델 검증부는, 상기 전체 데이터 중 25% 를 이용하여 %CFCI를 계산하여 상기 모델의 예측력을 확인할 수 있다.
본 발명의 다른 일 실시예에 따르면, 토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석하는 데이터 수집 단계; 생물 지표종과 유의한 환경 요인을 선발하는 요인 선발 단계; 상기 선발된 환경 요인과 상기 선발된 생물 지표종의 밀도를 기반으로 소속함수를 작성하는 소속함수 작성 단계; 퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 수정자를 적용하며 퍼지 파라미터를 추정하는 퍼지 추론 단계; 개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인하는 모델 검증 단계; 를 포함하는 서식지 적합도 평가 방법이 제공된다.
본 발명을 통하여 개발된 서식지 적합도 평가방법을 통하여 전국적 토양환경생태내의 우점 톡토기목의 서식지 적합도를 예측할 수 있으며, 이는 토양 생태계의 보전과 복원과 같은 산림 토양의 관리에 대한 설계 및 평가 등에 객관적인 하나의 새로운 자료로 활용될 수 있다.
이러한 톡토기목의 서식지 적합도의 등급화를 통한 기준점의 제시는 토양의 질의 평가를 좀 더 체계적이고 공정하게 하며, 다양한 시각의 접근을 통하여 환경가치를 극대화 하는 의사결정에 과학적으로 접근할 수 있게 할 것이다.
도 1은 본 발명의 일 실시예에 있어서, 사용자 단말과 서식지 적합도 평가 시스템 간의 개괄적인 모습을 도시한 것이다.
도 2a 내지 도 2c는 서식지 적합도 평가 시스템의 구성 및 동작을 나타내는 도면이다.
도 3은 토양시료 채취를 위해 선정된 산을 도시한 것이다.
도 4는 토양 시료 채취 지역과 관련 기상대 위치를 나타낸 표이다.
도 5는 Tullgren funnel을 이용한 토양내 Collembola의 추출 사진이다.
도 6은 각 시료채취 장소별 3년간 우점종과 그 비율이다.
도 7은 Multiple regression을 통한 지표종의 밀도에 유의한 영향을 주는 환경 요인 선발을 위한 표이다.
도 8은 선발된 주요 환경 요인 및 자료 범위와 대상 생물 종을 나타낸 표이다.
도 9는 퍼지 개발의 과정을 나타내는 모식도이다.
도 10은 실측된 자료를 기반으로 구성된 if-then rule을 나타낸 표이다.
도 11은 Folsomia octoculata의 최초 작성된 함수와 변형된 함수를 나타낸 그래프이다.
도 12는 Folsomia quadrioculata의 최초 작성된 함수와 변형된 함수를 나타낸 그래프이다.
도 13은 완성된 모델의 실제 값과 예측값의 수와 산출된 %CFCI 값이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
본 발명은 대한민국 산림토양 내에서 생물 지표종의 서식지 적합도를 평가하기 위해, 지표종 선발과 퍼지접근법을 활용한 평가방법을 개발하는 것이며, 보다 상세하게는 국내 산림 토양의 조건에 따라 이들의 서식지 적합도 예측을 통하여 이를 산림토양의 복원 및 관리에 적용할 수 있는 모델에 관한 것이다.
상기한 목적을 달성하기 위하여, 본 발명은 전국 규모의 토양 채취를 통한 생물지표종의 선발하는 제1 단계, 선발된 종의 밀도에 유의한 영향을 미치는 환경요인을 선발하는 제2 단계 및 마지막으로 얻어진 자료들을 통하여 퍼지 기반 모델(Fuzzy rule-based model)을 개발하는 제3 단계를 포함할 수 있다.
보다 상세히, 생태계 조사 및 평가에 내재되어 있는 불확실성을 처리하기 위해, 퍼지접근법이 활용되고 있다. 퍼지접근법은 측정된 숫자들을 퍼지수(fuzzy number)로 변환하여 불확실성을 낮추고, 적은 수의 데이터로 연구 대상에 대한 높은 예측률을 얻을 수 있다. 이러한 장점에 의해, 퍼지접근법은 수생 생물의 서식지 적합도를 예측하는데 광범위하게 적용되고 있으나(Ahamadi-nedushan et al., 2006), 데이터 획득의 어려움과 기반 연구의 부족으로 톡토기목을 이용한 토양 생태계 평가에 대한 적용 사례가 없다.
본 발명에서는 실제 현장 데이터를 기반으로 한 퍼지 기반 모델(Fuzzy rule-based model)을 개발하여 주요 종들의 서식지 적합도를 평가하고 예측하는 방법을 제공한다.
본 발명은 이를 위해 지표종으로서 가능성이 있는 톡토기목을 선발하고, 이들의 밀도를 기반으로 하여 토양 서식지 적합도를 합리적으로 등급화한다. 완성된 모델을 통해 한국의 숲 서식지의 토양 환경이 대상종의 서식지 적합도를 예측할 수 있게 한다. 이 평가방법은 산림 경영의 다양한 영역에 적용될 것으로 기대된다.
보다 상세히, 본 발명에 의한 토양 환경 생태 등급 예측 방법은 전국단위의 시료 채취를 통하여 토양 내 우점종과 밀도를 확인하고 수집된 지역의 환경변수를 확인하는 자료 수집단계와, 수집된 자료를 기반으로, 자격 있는 생물 지표종과 유의한 환경 인자를 선발해내는 주요 생물 및 환경 인자 선발 단계와, 선발된 환경요소와 선발된 종의 밀도를 기반으로 Fuzzy rule-based model에 사용될 소속함수(Membership function)의 작성과 generalized positively modifier를 이용한 모델의 구성과 최적화를 통한 대상 생태지표종의 서식지 등급 확정 및 예측 단계와, 개발된 모델의 결과와 실제 결과를 비교함으로써 모델의 예측력을 확인하는 validation 단계로 나누어 실행한다. 얻어진 자료는 모두 실제 환경에서 수집된 자료이며, 최대한 다양한 자료를 얻기 위하여 다양한 토양 채취지점과 장기적인 조사를 실시한다. 이하에서는 본 발명의 구체적인 구성을 도면과 함께 알아보기로 한다.
도 1은 본 발명의 일 실시예에 있어서, 사용자 단말과 서식지 적합도 평가 시스템 간의 개괄적인 모습을 도시한 것이다.
도 1에서는 서식저 적합도 평가 시스템(200) 및 사용자 단말(100)을 도시하고 있다. 도 1에서 화살표는 서식지 적합도 평가 시스템(200)과 사용자 단말(100) 간에 유/무선 네트워크를 통해 데이터가 송수신될 수 있음을 의미할 수 있다.
사용자 단말(100)은 PC(personal computer), 노트북 컴퓨터(laptop computer), 스마트폰(smart phone), 태블릿(tablet), 웨어러블 컴퓨터(wearable computer) 등을 포함하여, 컨텐츠 제공 시스템(200)과 관련된 웹/모바일 사이트의 접속 또는 서비스 전용 어플리케이션의 설치 및 실행이 가능한 모든 단말 장치를 의미할 수 있다. 이때, 사용자 단말(100)은 웹/모바일 사이트 또는 전용 어플리케이션의 제어 하에 서비스 화면 구성, 데이터 입력, 데이터 송수신, 데이터 저장 등 서비스 전반의 동작을 수행할 수 있다.
서식지 적합도 평가 시스템(200)은 사용자 단말(100)을 대상으로 서식지 적합도 평가 방법을 제공할 수 있다. 서식지 적합도 평가 시스템에 대해서는 하기에서 보다 상세히 알아보기로 한다.
도 2a는 본 발명의 일 실시예에 있어서, 서식지 적합도 평가 시스템의 내부 구성을 설명하기 위한 블록도이고, 도 2b는 프로세서를 설명하기 위한 블록도이다.
본 실시예에 따른 컨텐츠 제공 시스템(200)은 프로세서(210), 버스(220), 네트워크 인터페이스(230) 및 메모리(240)를 포함할 수 있다. 메모리(240)는 운영체제(241) 및 서비스 제공 루틴(242)을 포함할 수 있다. 프로세서(210)는 후술하는 도 2b에 도시된 구성들을 포함할 수 있다.
메모리(240)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(240)에는 운영체제(241)와 서비스 제공 루틴(242)을 위한 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism, 미도시)을 이용하여 메모리(240)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체(미도시)를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 네트워크 인터페이스(230)를 통해 메모리(240)에 로딩될 수도 있다.
버스(220)는 컨텐츠 제공 시스템(200)의 구성요소들 간의 통신 및 데이터 전송을 가능하게 할 수 있다. 버스(220)는 고속 시리얼 버스(high-speed serial bus), 병렬 버스(parallel bus), SAN(Storage Area Network) 및/또는 다른 적절한 통신 기술을 이용하여 구성될 수 있다.
네트워크 인터페이스(230)는 컨텐츠 제공 시스템(200)을 컴퓨터 네트워크에 연결하기 위한 컴퓨터 하드웨어 구성요소일 수 있다. 네트워크 인터페이스(230)는 컨텐츠 제공 시스템(200)을 무선 또는 유선 커넥션을 통해 컴퓨터 네트워크에 연결시킬 수 있다.
프로세서(210)는 기본적인 산술, 로직 및 컨텐츠 제공 시스템(200)의 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(240) 또는 네트워크 인터페이스(230)에 의해, 그리고 버스(220)를 통해 프로세서(210)로 제공될 수 있다. 프로세서(210)는 컨텐츠 제공부(260) 및 가변컷 제어부(270)를 위한 프로그램 코드를 실행하도록 구성될 수 있다. 이러한 프로그램 코드는 메모리(240)와 같은 기록 장치에 저장될 수 있다. 프로세서(210)는 서식지 적합도를 평가하여 그 결과를 제공할 수 있다. 이하에서는, 프로세서(210)의 내부 구성을 중심으로 본 발명에 대해 상세히 살펴보기로 한다.
도 2b 를 참조하면, 본 발명의 프로세서(210)는 데이터 수집부(211), 요인 선발부(212), 소속함수 작성부(213), 퍼지 추론부(214) 및 모델 검증부(215)를 포함한다. 이하에서는, 프로세서(210)의 각 구성에 기초하여 본 발명의 서식지 적합도 평가 시스템에 대해 알아보기로 한다.
먼저, 데이터 수집부(121)는 토양 시료의 채취 및 자료 수집에 관한 데이터를 획득하는 역할을 하며, 토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석. 보다 상세히, 데이터 수집부(121)는 대상 토양 생태계의 다양한 종들 중 대표성을 지닌 종을 선발하기 위하여, 최대한 다양한 조건의 토양 시표 채취 지점을 선정한다. 또한 대표하고자 하는 토양 서식지의 특성을 고려한 지점을 선정한다.
예를 들어, 본 발명의 일 실시예에서는 산림 토양생태계를 대상으로 서식지 적합도 평가를 실시하므로, 데이터 수집부(121)는 산림지역을 대상으로 시료를 채취할 것을 결정할 수 있다.
보다 상세히, 데이터 수집부(121)가 획득하는 토양 시료의 데이터는, 이하의 방법으로 획득되어질 수 있다. 먼저, 동일한 부피의 시료채취를 위하여 높이 10 cm 지름 10 cm 토양 샘플링 코어를 이용하여 매 샘플링마다 동일한 부피의 토양 시료를 채취한다. 다음으로, 채취된 샘플은 곧바로 Tullgren funnel를 사용하여 각각 하나의 40 와트 백열전구를 열원으로 하여 추출한다. 각 시료 채취 지점에서 채취 한 샘플의 토양 습도에 따라 24 시간에서 36 시간 동안 추출한다. 다음으로, 추출된 톡토기목들은 동정하여 각각의 개체수를 채집 시기별로 기록한다. 다음으로, 채취된 지점의 기후(온도, 강수량), 토양 물리화학적 성질(pH), 양이온 교환 용량(CEC), 인(AP), 토양 유기물(SOM), 토성 등을 실험을 통하여 확보한다.
다음으로, 요인 선발부(212)는 주요 생물 지표종 및 환경 요인(인자) 선발을 위해, 수집된 자료에 기초하여, 자격있는 생물 지표종과 유의한 환경 인자를 선발한다. 본 발명의 일 실시예에 따르면 생물학적 지표 생물의 선택 기준은 다음과 같다.
1. 식별 기준의 용이함으로 잘 알려진 안정된 분류
2. 특정 스트레스 나 환경 요인에 의한 생물의 잘 알려진 생물학적 특징
3. 풍부하고, 직접적으로 조사할 수 있는 종
4. 연구의 공간적 및 시간적 요구 사항과 일치
5. 군집을 대표하거나, 특정 요인과 밀접한 상관관계를 가지는 종
본 발명의 일 실시예에 따르면 상기 1-3번의 조건을 확보하기 위해 가장 널리 분포하고 우점종을 우선적으로 선발하며, 이후 각종 문헌조사를 통해 이들의 생물학적 특징을 파악한다. 또한, 상기 4-5번의 확보를 위해 얻어진 환경요인자료를 독립변수로 대상종의 밀도자료를 종속변수로 하여 다중회귀분석(Multiple linear regression)을 시행하여, 유의한 환경변수를 선발한다. 다중회귀분석의 경우, 변수의 유의성을 간단하게 판단하는데 매우 유용한 분석방법이다.
다음으로, 소속함수 작성부(213)는 선발된 환경 요인과 선발된 생물 지표종의 밀도를 기반으로 입/출력 소속함수를 구성한다. 본 발명에서는, 위의 과정에서 선발된 유의한 환경인자들을 입력변수(Input variable)로 사용하며, 두 가지의 퍼지집합(low, high)으로 분류하여 소속함수로 변환한다. 측정값의 소속정도가 0 또는 1이라는 것은 각각 퍼지집합에 완전히 소속되지 않거나 소속된다는 의미이며, 0과 1 사이의 소속정도는 퍼지집합에 소속되는 정도를 나타낸다. 측정값 x의 low에 해당하는 소속함수 와 high에 해당하는 소속함수 를 표현하면 다음의 수학식 1과 같다.
Figure 112018013643617-pat00001
[수학식 1]
상기와 같은 [수학식 1] 에서는, a와 b는 low에 대한 소속정도가 각각 1과 0인 기준값, c와 d는 high에 대한 소속정도가 각각 0과 1인 기준값을 나타낸다.
또한, 본 발명에서는 효율적인 서식지 평가를 위해 4 종류의 최적 환경인자를 선발하였으므로, 4 종류의 측정값(
Figure 112018013643617-pat00002
)에 대한 8 종류의 소속 함수(하기 표시)를 생성한다.
-
Figure 112018013643617-pat00003
또한, 지표종의 서식지 적합도는 출력변수(Output variable)이며, 야외 조사 자료에서 얻은 지표종의 밀도에 근거하여 하기와 같은 4 종류의 서식지 적합도 수준을 설정한다.
1. 매우 낮음(very low) : 대상 종에 부적합하다.
2. 낮음(low) : 평균보다 낮은 밀도로 존재한다.
3. 좋음(high) : 평균보다 높은 밀도로 존재한다.
4. 아주 좋음(very high) : 최고 수준의 밀도로 존재한다.
이때, 출력변수는 4단계의 수준을 가지므로, 출력값 y에 대한 소속함수(
Figure 112018013643617-pat00004
)는 다음의 [수학식 2]와 같이 구성된다.
Figure 112018013643617-pat00005
[수학식 2]
상기의 [수학식 2]에서, a와 b는 very low에 대한 기준값, c, d, e, f는 low에 대한 기준값, g, h, i, j는 high에 대한 기준값, l과 k는 very high에 대한 기준값을 나타낸다.
다음으로, 퍼지 추론부(214)는 퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 변경자를 적용하여 퍼지 파라미터를 추정한다. 보다 상세히, 퍼지 추론부(214)는 4 종류의 입력변수를 이용한 출력변수 도출을 위해 퍼지 추론을 적용한다. 본 발명의 일 실시예에 따르면, 퍼지 추론부(214)는 Mamdani(1977)의 퍼지 추론을사용할 수 있다. Mamdani 퍼지 추론은 데이터의 불확실성이 높은 생태 분야에서 활용도가 높은 것으로 알려져 있으며, if-then rule을 기반으로 출력변수를 crisp value가 아닌 fuzzy 소속정도로 도출하기 때문에, 연구 대상을 등급 또는 정도로 평가하는데 적합하다. 본 발명에서는, 4 종류의 입력변수(x1, x2, x3, x4)를 이용하여 대상의 서식지 적합도(y)를 평가하고자 하였으므로, if-then rule은 아래의 수학식 3과 같이 나타낼 수 있다.
Figure 112018013643617-pat00006
[수학식 3]
여기서, Ri는 i번째 규칙, Ai, Bi, Ci, Di는 i번째 규칙에 대한 입력변수의 소속함수, Ei는 i번째 규칙에 대한 출력변수의 소속함수, K는 총 규칙의 개수이다.
4 종의 입력변수는 각각 두 그룹의 소속함수(low, high)로 분류되도록 설정하였기 때문에, 가능한 총 규칙의 개수는 16개이다. 하지만, 실제 야외 조사 데이터에서 확인되지 않는 규칙이 존재할 수 있으므로, 퍼지 추론에 사용가능한 규칙의 개수는 16개 이하로 결정된다.
Mamdani 퍼지추론에서는 소속함수 연산방법으로 max-min method를 적용한다. 이 방법은 퍼지집합 소속함수의 연산에는 minimum operator(∧)를, 규칙의 연산에는 maximum operator(∨)를 사용하는 방법이다. 따라서, 각 규칙의 소속함수는 하기의 수학식 4에 의해 연산된다.
Figure 112018013643617-pat00007
[수학식 4]
퍼지추론은 max-min method에 따라, 결정된 모든 규칙의 연산에 의해 결과를 도출하므로 하기의 수학식 5로 나타낼 수 있다.
Figure 112018013643617-pat00008
[수학식 5]
연산된 퍼지추론 결과는, [수학식 2]에 대입하여 서식지 적합도 등급으로 나타낸다. 따라서, 4 종류의 입력변수의 퍼치추론 결과는 4 등급의 톡토기목 서식지 적합도 중 하나로 도출된다.
또한, 퍼지 추론부(214)는 3-fold cross-validation 방법을 퍼지모델의 보정 및 검증 방법으로 사용한다. 특히, 본 발명은 야외 샘플링 조사에서 획득한 전체 데이터 중, 75%를 모델 파라미터의 보정에 활용하고 25%를 검증에 이용한다.
본 발명은 모델 파라미터의 보정과정을 위해, 75%의 데이터를 기반으로 환경인자(입력변수)와 서식지 적합도 등급(출력변수)의 조합이 정의된다. 입력변수는 데이터의 평균값을 기준으로 ‘low’와 ‘high’를 결정하며, 출력변수인 서식지 적합성은 밀도를 기준으로 25 미만, 25 ~ 50 사이, 50 ~ 75 사이, 그리고 75% 보다 높은 데이터를 각각 ‘very low’, ‘low’, ‘high’ 및 ‘very high’의 범주로 정의한다.
데이터를 기반으로 가분류된 범주의 정확도를 향상시키기 위하여, Botta et al.(2008)이 제안한 generalized positively modifier를 소속함수에 적용하며, 이는 하기의 수학식 6 과 같다.
Figure 112018013643617-pat00009
[수학식 6]
이때, μ(x)는 기존의 소속함수, μ'(x)는 modifier가 적용된 소속함수, n과 θ 는 소속함수의 중첩부분을 곡선으로 변환해주는 퍼지수식어 상수이다.
Modifier가 적용된 소속함수를 이용하여 최적의 모델 파라미터(i.e., 수학식 1, 2의 기준값)를 추정한다. 최적의 모델 파라미터는 75%의 데이터를 모델에 적용했을 때, 가장 높은 percentage of correctly fuzzy classified instances (%CFCI) 값을 나타내는 추정값이다. %CFCI는 수학식 7에 의해 계산된다.
Figure 112018013643617-pat00010
[수학식 7]
상기 수학식에서, Ai(ydata, j)는 j번째 데이터의 i번째 등급 소속함수에 대한 측정된 소속정도, Ai(ydata, j)는 j번째 데이터의 i번째 등급 소속함수에 대한 예측된 소속정도, n은 총 등급의 개수, N은 총 데이터의 개수를 나타낸다. 최대의 %CFCI를 도출하는 모델 파라미터 추정은 다양한 상용 컴퓨터 프로그램 또는 직접 코딩한 알고리즘 프로그램에 의해 수행가능하다.
다음으로, 모델 검증부(215)는 최적의 모델 파라미터 추정이 완료되면, 개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인한다. 보다 상세히, 모델 검증부(215)는 25%의 데이터를 이용하여 %CFCI를 계산하고 모델의 성능을 평가한다. 본 발명의 일 실시예에 따르면, 50% 이상의 값이 계산되었을 때 모델의 성능이 좋다고 판단할 수 있다.
이하에서는, 본 발명의 일 실시예에 따른 서식지 적합도 평가 방법의 구체적인 실시예를 설명하기로 한다. 보다 구체적으로, 도 2b에 도시된 프로세서의 내부구성 및 도 2c에 도시된 서식지 적합도 평가 방법의 시계열적 순서도를 참고하여 본 발명을 설명하기로 한다.
먼저, 데이터 수집부(121)는 토양 시료의 채취 및 자료 수집으로 데이터를 분석한다(S1). 우리나라 대부분의 위도와 경도를 포함한 총 9개의 산이 선정되어 26개의 시료채취 지역으로 선정되었, 9개의 산은 우리나라의 대부분의 위도 경도를 대변할 수 있도록 선정된다. 선정된 9개의 산은 도 3에 도시한다.
각 샘플링 현장에서, 2×2 m의 플롯을 설정하고 2013 년부터 2015 년까지 4, 8, 11 월에 샘플링을 진행한다. 3 개의 토양 코어(지름 10 cm, 높이 10 cm)를 이용하여 채취한다. 자세한 시료 채취 지역에 대한 정보는 도 4 에 도시된 표에 관련 기상대의 위치와 함께 표시한다.
또한, 샘플링 날짜마다 톡토기목은 Tullgren 깔때기를 사용하여 각각 하나의 40 와트 백열전구로 추출한다. 각 시료 채취 지점에서 채취 한 샘플의 토양 습도에 따라 24 시간에서 36 시간 동안 추출한다. Tullgren funnel에 대한 사진을 도 5에 나타나 있다. 참고적으로, 각 표본 지점의 온도와 강수량은 각 지역의 기상 관측소(한국 기상청)의 측정 기록에 의해 얻어졌다.
또한, 각 시료 채취 장소에서 채취한 토양을 공기 건조시키고 분쇄하여 2-mm 체를 통과시켜 물리 화학적 성질을 측정한다. 채취된 토양의 보관은 실험실 안에서 냉장 보관한다. 각 샘플링 현장의 pH, 전자 전도도(EC), 양이온 교환 용량(CEC), 인(AP), 토양 유기물(SOM)을 조사한다.
다음으로, 요인 선발부(212)는 생물종 및 주요 환경요인을 선발한다(S2). 본 발명에서는 26개의 sampling site 모든 지역에서 적어도 한 종은 존재하며, 가장 많은 지역에서 우점종으로 존재하는 Folsomia quadrioculata와 Folsomia octoculata를 지표종으로 선정한다. 본 발명의 일 실시예에 따른 각 지역별 우점종 및 비율에 대한 내용을 도 6에 나타내었다. 도 6은 각 시료채취 장소별 3년간 우점종과 그 비율을 나타내고 있고, FQU는 Folsomia quadrioculata, FOC는 Folsomia octoculata, FIN는 Folsomia inoculata, IMI는 Isotomeilla minor 를 나타낸다.
또한, 선정된 생물 지표종의 토양 내의 분포와 밀도에 영향을 주는 환경요인의 선발을 위하여 multiple linear regression을 활용하였으며, 해당분석에서 유의하다고 결정되는 요인을 우선적으로 선발한다. 다중회귀분석은 R-square 값이 최대가 되는 값의 조합으로 설정하였으며, 이때 각 인자의 p value가 0.05 이하인 인자를 통계적으로 유의하다고 판단하고 선발한다.
Folsomia octoculata는 pH, 온도, 유효인산(available phosphorus), 점토함량(clay content), Folsomia quadrioculata는 토양 유기물(SOM), 온도, 유효인산, 점토함량이 유의한 환경 인자로 선발되었다. 이에 따른 본 발명의 분석 결과를 도 7의 표에 표시하였으며, 이때에 유의하게 나타난 인자를 도 8 의 표에 표시한다. 도 7은 Multiple regression을 통한 지표종의 밀도에 유의한 영향을 주는 환경 요인 선발의 결과를 나타내고 있고, 도 8 은 선발된 주요 환경 요인 및 자료 범위와 대상 생물 종을 나타내고 있다.
다음으로, 퍼지 기반 모델(Fuzzy rule-based model)을 개발 및 최적화하는 모델 작성 set에서(S3), 소속함수 작성부(213)는 입/출력 소속함수를 작성하고(S4), 퍼지 추론부(214)는 퍼지 규칙을 생성하며(S5) 퍼지 수정자(modifier)를 적용하고(S6), 퍼지 파라미터를 추정한다(S7).
보다 상세히, 본 발명의 지표종의 밀도와 채택된 환경 요인을 기준으로 Fuzzy rule-based model을 개발하며 이때의 flow chart 는 도 9에 도시되어 있다. 본 발명에서는 실제 각 종당 99개씩의 데이터를 확보하였으며, 이 중 75개의 데이터 셋을 모델의 구축에 사용한다. 75개의 데이터 셋을 이용하여, 선발된 4종의 중요 환경인자들을 low와 high로 가구분한다. 이 과정에서는, 측정된 데이터의 평균값을 기준으로 적용한다. 출력변수인 각 종의 서식지 적합도 수준도, 조사된 자료의 25, 50, 75%로 가구분하여 4등급화 한다. 가구분된 등급의 기준값을 이용하여, 상술한 [수학식 1], [수학식 2]의 파라미터 결정 및 소속함수 구성을 완료한다. 가구성된 소속함수는 도 11 및 도 12의 실선으로 도시한다. 도 11은 Folsomia octoculata의 최초 작성된 membership function (실선)과 fuzzy modifier를 통한 변형된 membership function (점선)을 나타낸 것이고, 도 12는 Folsomia quadrioculata의 최초 작성된 membership function (실선)과 fuzzy modifier를 통한 변형된 membership function (점선)을 나타낸 것이다.
다음으로, 퍼지 추론부(214)는 본 발명은 가구분된 입력변수와 출력변수의 등급을 기반으로 퍼지 규칙을 생성한다(S4). 본 발명의 일 실시예에 따르면 이론상 가능한 16개의 규칙 중 실제 조사 자료에서 확인가능한 규칙만 생성하며, 본 실시예에서는 F. octoculata가 13개, F. quadrioculata가 14개가 설정되었으며, 이는 도 10의 실측된 자료를 기반으로 구성된 if-then rule (일부)로 나타나있다.
다음으로, 퍼지 추론부(214)는 가구성된 입력변수와 출력변수의 소속함수에 generalized positively modifier를 적용하여(S6), 최적의 소속함수를 도출한다(S7). Generalized positively modifier가 적용된 소속함수의 파라미터들을, 75개의 데이터 셋을 이용하여 추정한다. 이 과정에서는 75개의 입력변수 셋이 소속함수에 적용되었을 때, 75개 출력변수 셋의 %CFCI가 최대가 되는 파라미터 셋을 산출한다. 본 실시예에서는 genetic algorithm을 사용하였으나, 이 밖의 다양한 알고리즘이나 연산 프로그램들이 적용될 수 있다. 추정된 파라미터 셋에 의해 개량된 소속함수는 도 11 및 도 12에 점선으로 도시되어 있다.
다음으로, 모델 검증부(215)는 개발된 모델의 예측력의 검정(S9)을 위하여, validation을 위하여 남겨둔 25개의 데이터 셋을 이용하였으며, %CFCI를 산출하여 모델의 성능을 평가한다. 각 종에 대해 개발된 모델의 예측력은 도 12 의 표에 나타내었다. 도 13의 표는 완성된 모델의 실제 값과 예측값의 수와 산출된 %CFCI 값을 나타내고 있다. 본 실시예에서는 선발된 두 종의 지표종 F. octoculata, F. quadrioculata에 대한 fuzzy-rule based model의 %CFCI값이 각각 62.5%, 66.7%로 측정되었다. 따라서, 본 실시예에서 개발된 fuzzy rule-based model은 선발된 두 종류의 지표종에 대한 서식지 적합도를 예측하기에 유용한 것으로 판단되었다.
결론적으로 본 발명의 일 실시예에 따르면 각 토양의 유의한 변수를 실험적으로 도출한다면, 각 토양생태계 내의 해당 지표종의 서식지 적합도를 4개의 등급으로 예측이 가능하다. 본 발명은 적은 수의 데이터를 기반으로 높은 예측력을 갖는 서식지 평가 및 예측 기법을 개발하는 방법이며, 이 방법은 불확실성이 높은 실제 생태계를 평가하는데 유용한 도구로 활용될 수 있을 것이다.
상기에서는 본 발명의 구체적인 실시예를 설명하였으나, 본 발명은 상술한 실시예에만 국한되는 것이 아니며, 실제 야외 생태계에서 충분한 데이터만 획득 가능하다면 다양한 생태계에 대한 다양한 생물종의 서식지 적합도 평가 및 예측에 활용될 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (15)

  1. 토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석하는 데이터 수집부;
    생물 지표종과 유의한 환경 요인을 선발하는 요인 선발부;
    상기 선발된 환경 요인과 상기 선발된 생물 지표종의 밀도를 기반으로 소속함수를 작성하는 소속함수 작성부;
    퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 수정자를 적용하며 퍼지 파라미터를 추정하는 퍼지 추론부;
    개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인하는 모델 검증부;
    를 포함하고,
    상기 데이터 수집부는, 상기 환경 변수로서 적어도 토양 산성도(pH), 전자 전도도(EC), 양이온 교환 용량, 유효인산(available phosphorus), 토양 유기물(SOM) 및 토성을 분석하고,
    상기 요인 선발부는, 각 생물 지표종에 대해 4 개의 상기 유의한 환경 요인을 선발하되, Folsomia octoculata에 대해 pH, 온도, 유효인산, 점토함량(clay content)을 유의한 환경 요인으로 선발하고, Folsomia quadrioculata에 대해 토양 유기물(SOM), 온도, 유효인산, 점토함량을 상기 유의한 환경 요인으로 선발하며,
    상기 퍼지 추론부는 75개의 입력변수 셋이 소속함수에 적용되었을 때 75개 출력변수 셋의 %CFCI (percentage of correctly fuzzy classified instances)가 최대가 되는 파라미터 셋을 산출하는, 서식지 적합도 평가 시스템.
  2. 제 1 항에 있어서,
    상기 소속함수 작성부는,
    상기 유의한 환경 요인을 입력 변수로 사용하고 두 가지의 퍼지 집합으로 분류하여 소속함수로 변환하는, 서식지 적합도 평가 시스템.
  3. 제 1 항에 있어서,
    상기 퍼지 추론부는,
    입력 변수를 이용한 출력 변수의 도출을 위해 퍼지 추론을 적용하는, 서식지 적합도 평가 시스템.
  4. 제 1 항에 있어서,
    상기 퍼지 추론부 및 상기 모델 검증부는,
    전체 데이터 중 75% 를 모델 파라미터의 보정에 활용하고 25%를 검증에 이용하는, 서식지 적합도 평가 시스템.
  5. 제 4 항에 있어서,
    상기 퍼지 추론부는,
    상기 모델 파라미터의 보정을 위해 일반화된 적극적 수정자(generalized positively modifier)를 소속함수에 적용하고, 상기 수정자가 적용된 소속함수를 이용하여 최적의 모델 파라미터를 추정하는, 서식지 적합도 평가 시스템.
  6. 제 5 항에 있어서,
    상기 퍼지 추론부는,
    상기 전체 데이터 중 75% 를 모델에 적용하였을 때 가장 높은 %CFCI 값을 나타내는 추정값을 상기 최적의 모델 파라미터로 추정하는, 서식지 적합도 평가 시스템.
  7. 제 4 항에 있어서,
    상기 모델 검증부는,
    상기 전체 데이터 중 25% 를 이용하여 %CFCI를 계산하여 상기 모델의 예측력을 확인하는, 서식지 적합도 평가 시스템.
  8. 서식지 적합도 평가 시스템에 의해 수행되는 서식지 적합도 평가 방법으로서, 상기 방법은,
    토양 시료 데이터를 획득하여 토양 내 우점종과 밀도를 확인하고 환경 변수를 분석하는 데이터 수집 단계;
    생물 지표종과 유의한 환경 요인을 선발하는 요인 선발 단계;
    상기 선발된 환경 요인과 상기 선발된 생물 지표종의 밀도를 기반으로 소속함수를 작성하는 소속함수 작성 단계;
    퍼지 기반 모델(Fuzzy rule-based model)의 퍼지 규칙을 생성하고, 퍼지 수정자를 적용하며 퍼지 파라미터를 추정하는 퍼지 추론 단계;
    개발된 퍼지 기반 모델의 결과 데이터와 실제 결과 데이터를 비교하여 수립된 모델의 예측력을 확인하는 모델 검증 단계;
    를 포함하고,
    상기 데이터 수집 단계는, 상기 환경 변수로서 적어도 토양 산성도(pH), 전자 전도도(EC), 양이온 교환 용량, 유효인산(available phosphorus), 토양 유기물(SOM) 및 토성을 분석하고,
    상기 요인 선발 단계는, 각 생물 지표종에 대해 4 개의 상기 유의한 환경 요인을 선발하되, Folsomia octoculata에 대해 pH, 온도, 유효인산, 점토함량(clay content)을 유의한 환경 요인으로 선발하고, Folsomia quadrioculata에 대해 토양 유기물(SOM), 온도, 유효인산, 점토함량을 상기 유의한 환경 요인으로 선발하며,
    상기 퍼지 추론 단계는 75개의 입력변수 셋이 소속함수에 적용되었을 때 75개 출력변수 셋의 %CFCI (percentage of correctly fuzzy classified instances)가 최대가 되는 파라미터 셋을 산출하는, 서식지 적합도 평가 방법.
  9. 제 8 항에 있어서,
    상기 소속함수 작성 단계는,
    상기 유의한 환경 요인을 입력 변수로 사용하고 두 가지의 퍼지 집합으로 분류하여 소속함수로 변환하는, 서식지 적합도 평가 방법.
  10. 제 8 항에 있어서,
    상기 퍼지 추론 단계는,
    입력 변수를 이용한 출력 변수의 도출을 위해 퍼지 추론을 적용하는, 서식지 적합도 평가 방법.
  11. 제 8 항에 있어서,
    상기 퍼지 추론 단계 및 상기 모델 검증 단계는,
    전체 데이터 중 75% 를 모델 파라미터의 보정에 활용하고 25%를 검증에 이용하는, 서식지 적합도 평가 방법.
  12. 제 11 항에 있어서,
    상기 퍼지 추론 단계는,
    상기 모델 파라미터의 보정을 위해 일반화된 적극적 수정자(generalized positively modifier)를 소속함수에 적용하고, 상기 수정자가 적용된 소속함수를 이용하여 최적의 모델 파라미터를 추정하는, 서식지 적합도 평가 방법.
  13. 제 12 항에 있어서,
    상기 퍼지 추론 단계는,
    상기 전체 데이터 중 75% 를 모델에 적용하였을 때 가장 높은 %CFCI 값을 나타내는 추정값을 상기 최적의 모델 파라미터로 추정하는, 서식지 적합도 평가 방법.
  14. 제 11 항에 있어서,
    상기 모델 검증 단계는,
    상기 전체 데이터 중 25% 를 이용하여 %CFCI를 계산하여 상기 모델의 예측력을 확인하는, 서식지 적합도 평가 방법.
  15. 제 8 항 내지 제 14 항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체.
KR1020180015190A 2018-02-07 2018-02-07 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법 KR101934667B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180015190A KR101934667B1 (ko) 2018-02-07 2018-02-07 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180015190A KR101934667B1 (ko) 2018-02-07 2018-02-07 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101934667B1 true KR101934667B1 (ko) 2019-01-02

Family

ID=65021477

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180015190A KR101934667B1 (ko) 2018-02-07 2018-02-07 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101934667B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749834A (zh) * 2020-12-16 2021-05-04 南京林业大学 基于气候和土壤因素预测银杏果用林适宜生境的方法
CN113793053A (zh) * 2021-09-23 2021-12-14 贵州航天天马机电科技有限公司 一种地面设备环境适应性评估系统的创建方法及评估方法
CN117521815A (zh) * 2024-01-04 2024-02-06 交通运输部水运科学研究所 航路与平台之间安全距离的评估方法、电子设备
CN117574222A (zh) * 2023-11-07 2024-02-20 广州海洋地质调查局 一种底栖生境的分类方法、系统、设备及介质
CN117973875A (zh) * 2024-03-27 2024-05-03 昆明理工大学 一种基于模糊推理系统的矿浆输水系统风险评估建模方法
CN118607261A (zh) * 2024-08-02 2024-09-06 交通运输部天津水运工程科学研究所 生境适宜度指数模型、构建方法及装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567629A (zh) 2011-12-20 2012-07-11 北京师范大学 一种资料缺乏情况下确定栖息地适宜度的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567629A (zh) 2011-12-20 2012-07-11 北京师范大学 一种资料缺乏情况下确定栖息地适宜度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Botta, Alessio, Beatrice Lazzerini, and Francesco Marcelloni. "Context adaptation of Mamdani fuzzy rule based systems." International Journal of Intelligent Systems 23.4, 2008.*
Kampichler, et al. "Application of machine learning techniques to the analysis of soil ecological data bases: relationships between habitat features and Collembolan community characteristics.", 2000.*
Van Broekhoven, Ester, et al. "Fuzzy rule-based macroinvertebrate habitat suitability models for running waters." Ecological Modelling 198.1-2, 2006.*

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749834A (zh) * 2020-12-16 2021-05-04 南京林业大学 基于气候和土壤因素预测银杏果用林适宜生境的方法
CN113793053A (zh) * 2021-09-23 2021-12-14 贵州航天天马机电科技有限公司 一种地面设备环境适应性评估系统的创建方法及评估方法
CN113793053B (zh) * 2021-09-23 2024-05-14 贵州航天天马机电科技有限公司 一种地面设备环境适应性评估系统的创建方法及评估方法
CN117574222A (zh) * 2023-11-07 2024-02-20 广州海洋地质调查局 一种底栖生境的分类方法、系统、设备及介质
CN117574222B (zh) * 2023-11-07 2024-06-11 广州海洋地质调查局 一种底栖生境的分类方法、系统、设备及介质
CN117521815A (zh) * 2024-01-04 2024-02-06 交通运输部水运科学研究所 航路与平台之间安全距离的评估方法、电子设备
CN117521815B (zh) * 2024-01-04 2024-04-02 交通运输部水运科学研究所 航路与平台之间安全距离的评估方法、电子设备
CN117973875A (zh) * 2024-03-27 2024-05-03 昆明理工大学 一种基于模糊推理系统的矿浆输水系统风险评估建模方法
CN117973875B (zh) * 2024-03-27 2024-06-11 昆明理工大学 一种基于模糊推理系统的矿浆输水系统风险评估建模方法
CN118607261A (zh) * 2024-08-02 2024-09-06 交通运输部天津水运工程科学研究所 生境适宜度指数模型、构建方法及装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR101934667B1 (ko) 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법
Schmucki et al. A regionally informed abundance index for supporting integrative analyses across butterfly monitoring schemes
Ready et al. Predicting the distributions of marine organisms at the global scale
Efstratiadis et al. One decade of multi-objective calibration approaches in hydrological modelling: a review
Miller Species distribution modeling
Braunisch et al. Predicting species distributions based on incomplete survey data: the trade‐off between precision and scale
Mueller et al. Map quality for ordinary kriging and inverse distance weighted interpolation
Andrew et al. Beta‐diversity gradients of butterflies along productivity axes
Fei et al. Quality of presence data determines species distribution model performance: a novel index to evaluate data quality
Chilkoti et al. Multi-objective autocalibration of SWAT model for improved low flow performance for a small snowfed catchment
Baasch et al. Comparing gray box methods to derive building properties from smart thermostat data
Hoffman et al. Use of simulated data from a process‐based habitat model to evaluate methods for predicting species occurrence
CN113779760A (zh) 基于可预测气候模态的动力-统计结合季节气候预测方法
CN111639803A (zh) 一种应用于气候变化情景下区域未来植被指数的预估方法
CN115935283B (zh) 一种基于多元非线性因果分析的干旱成因溯源方法
CN106919645A (zh) 复杂地貌大景区的景点气象要素智能精细预测方法
CN118261454B (zh) 深层地热能动态评估方法
CN118350678A (zh) 基于物联网与大数据的水环境监测数据处理方法及系统
CN118470550A (zh) 一种自然资源资产数据采集方法及平台
Aizpurua et al. Optimising long‐term monitoring projects for species distribution modelling: how atlas data may help
Nayak et al. A review of residential building archetypes and their applications to study building energy consumption
CN116307242A (zh) 落叶松林立地质量和生产力模型构建方法
CN113890833B (zh) 网络覆盖预测方法、装置、设备及存储介质
Jarvis et al. Empirical realised niche models for British coastal plant species
Gao et al. CLUMondo v2. 0: Improved model by adaptive determination of conversion orders for simulating land system changes with many-to-many demand-supply relationships

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant