KR102229213B1 - 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템 - Google Patents

서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템 Download PDF

Info

Publication number
KR102229213B1
KR102229213B1 KR1020190098716A KR20190098716A KR102229213B1 KR 102229213 B1 KR102229213 B1 KR 102229213B1 KR 1020190098716 A KR1020190098716 A KR 1020190098716A KR 20190098716 A KR20190098716 A KR 20190098716A KR 102229213 B1 KR102229213 B1 KR 102229213B1
Authority
KR
South Korea
Prior art keywords
benthic
marine
map
habitat
prediction
Prior art date
Application number
KR1020190098716A
Other languages
English (en)
Other versions
KR20210019729A (ko
Inventor
유재원
김창수
안동식
정수영
이채린
오승용
박용주
Original Assignee
(주)한국연안환경생태연구소
한국해양과학기술원
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 (주)한국연안환경생태연구소, 한국해양과학기술원 filed Critical (주)한국연안환경생태연구소
Priority to KR1020190098716A priority Critical patent/KR102229213B1/ko
Publication of KR20210019729A publication Critical patent/KR20210019729A/ko
Application granted granted Critical
Publication of KR102229213B1 publication Critical patent/KR102229213B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 해저 서식처 지도를 저서생태계 예측 모형과 결합하여 고도화함으로써, 개발이나 보전, 복원 관련 조치의 효과를 시뮬레이션 할 수 있도록 하여 활용성을 극대화함과 아울러, 개발, 보전, 복원 등의 계획 수립과 적용에 이용할 수 있도록 한 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템에 관한 것이다.

Description

서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템{PREDICTION SYSTEM OF CHANGES IN MARINE BENTHIC COMMUNITIES INCLUDING BENTHIC HABITAT MAP}
본 발명은 해양 저서생태계 변화 예측 시스템에 관한 것으로, 특히 해저 서식처 지도를 저서생태계 예측 모형과 결합하여 고도화함으로써, 개발이나 보전, 복원 관련 조치의 효과를 시뮬레이션 할 수 있도록 하여 활용성을 극대화함과 아울러, 개발, 보전, 복원 등의 계획 수립과 적용에 이용할 수 있도록 한 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템에 관한 것이다.
바다에서 많은 생물이 바다의 밑바닥에서 일생 동안 또는 일생의 어느 시기 동안 생활을 하고 있는데, 이러한 생물들을 통틀어 해양 저서생물이라 한다.
이들 중 해양 저서동물은 물에서 떠다니는 부유생물이나 헤엄을 치는 유영생물과는 다른 생활양식을 가지며, 모든 생활의 기반을 해저기질 위에 두고 있거나, 이에 의존하는 형태를 갖는다. 이들 저서동물의 특징은 이동성이 전혀 없이 한곳에 고정되어 살거나, 저서 어류를 제외하고는 제한된 범위 내에서 느린 속도로 이동하며 산다. 이런 저서동물의 특성은 그 지역의 환경특성을 이해하는데 도움을 준다.
최근 갯벌의 중요성이 크게 대두됨에 따라 선진국의 경우 기존 간척지를 복원하여 습지화하는 역간척이 진행 중이며, 아울러 인공습지 및 인공갯벌 조성도 활발히 진행되고 있다. 조성된 인공습지의 환경친화적 역할을 극대화하기 위해서는 습지 내의 생태계를 지역적 특성을 고려하여 최적화하여야 한다.
특히, 이러한 갯벌뿐만 아니라 조하대 연안역과 같은 자연 서식처 역시 생태계 서비스(ecosystem services)를 통해 인간의 삶을 영위하게 하고, 웰빙을 가능케 하는 역할을 한다. 생태계 서비스는 부양(supporting), 조절(regulating), 문화 서비스(cultural service)로 분류된다. 생태계의 생물 다양성이나 기초, 2차 생산량은 이 생태계 서비스의 질적, 양적 차원과 직결되며, 이는 곳 인간의 삶과 밀접한 관계를 갖는다.
때문에, 해양 생태계도 이와 같은 이유로 중요성이 대두되고 있으며, 해양생물과 이들이 서식하는 서식처도 해양 생태계로 인식되어 관리를 위한 노력이 대두되고 있다.
그러나, 이러한 해양 생태계를 관리할 수 있는 시스템 예를 들어 서식처 지도, 생태학적 상태를 평가하는 시스템이 부재한 실정이다. 이로 인해, 개발, 보존과 같이 해양 생태계에 영향을 줄 수 있는 행위의 적법 여부를 판별하기 위한 수단이 부재 또는 제한적인 문제점이 있으며, 이를 확인하여 의사결정에 이용할 수 있는 방법의 개발이 필요한 실정이다.
대한민국 공개특허공보 제2011-0114285호(2011.10.19 공개) 대한민국 공개특허공보 제2013-0000621호(2013.01.03 공개) 대한민국 공개특허공보 제2013-0050707호(2013.05.16 공개)
따라서, 본 발명의 목적은 상기한 문제점을 해결하기 위한 것으로, 해저 서식처 지도를 저서생태계 예측 모형과 결합하여 고도화함으로써, 개발이나 보전, 복원 관련 조치의 효과를 시뮬레이션 할 수 있도록 하여 활용성을 극대화함과 아울러, 개발, 보전, 복원 등의 계획 수립과 적용에 이용할 수 있도록 한 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템을 제공하는 것이다.
본 발명에 따른 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템은 다수 곳의 갯벌과 조하대 연안역에서 해양 저서 동물에 대한 정보를 수집하는 다수의 수집장치; 상기 다수의 수집장치에서 각각 수집된 해양 저서 동물에 대한 정보를 저장하는 데이터베이스; 상기 해양 저서 동물이 서식하는 지역의 서식처 지도 정보를 상기 데이터 베이스에 제공하는 지도제공장치; 상기 데이터베이스에 저장된 해양저서 동물의 변동에 따라 해양 저서 생태계의 변화를 예측한 예측 값을 산출하여 상기 서식처 지도 정보에 상기 예측 값을 적용하는 서버; 및 상기 예측 값이 적용된 서식처 지도 정보를 표시하는 단말장치;
본 발명에 따른 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템은 해저 서식처 지도를 저서생태계 예측 모형과 결합하여 고도화함으로써, 개발이나 보전, 복원 관련 조치의 효과를 시뮬레이션 할 수 있도록 하여 활용성을 극대화함과 아울러, 개발, 보전, 복원 등의 계획 수립과 적용에 이용하도록 할 수 있다.
도 1은 본 발명에 따른 해양 저서생태계 변화 예측 시스템의 구성도.
도 2는 도 1에 도시된 서버의 구성도.
도 3은 본 발명에 적용되는 다층 퍼셉트론(multi-layer perceptron) 신경망 모형의 구조의 일 예를 나타내는 도면.
도 4는 갯벌 생물다양성(대수변환 총 출현 종수)의 예측결과를 나타내는 그래프.
도 5는 강화주변 동만도와 교동도 갯벌의 생물 다양성 예측 결과를 나타낸 그래프.
도 6은 교동도와 동만도의 갯벌 생물 다양성에 대한 모의 실험의 결과를 나타내는 그래프.
도 7은 본 발명에 따른 해양 저서생태계 변화 예측 시스템에 적용되는 갯벌 대형저서동물 생물다양성 예측에 활용된 인공지능 신경망의 구조.
도 8은 본 발명에 따른 해양 저서생태계 변화 예측 시스템에 적용하기 위해 한반도의 서쪽과 남쪽 해안을 따라 갯벌 저서 계통을 50군데에서 수집하기 위해 설치한 수집장치의 위치를 나타내는 도면.
도 9는 데이터베이스 I과 데이터베이스 II에 따른 자료에 의거하여 예측한 상태를 나타내는 그래프.
도 10은 서식처 지도 작성의 국외 사례를 나타낸 예시도.
도 11은 본 발명에 따른 예측 모형이 적용된 일례를 나타낸 예시도.
도 12는 발명에 따른 예측 모형이 적용된 다른 예를 나타낸 예시도.
이하, 본 발명의 실시예를 첨부한 도면을 참조하여 당해 분야의 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명하기로 한다. 첨부된 도면들에서 구성에 표기된 도면번호는 다른 도면에서도 동일한 구성을 표기할 때에 가능한 한 동일한 도면번호를 사용하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고 도면에 제시된 어떤 특징들은 설명의 용이함을 위해 확대 또는 축소 또는 단순화된 것이고, 도면 및 그 구성요소들이 반드시 적절한 비율로 도시되어 있지는 않다. 그러나 당업자라면 이러한 상세 사항들을 쉽게 이해할 것이다.
도 1은 본 발명에 따른 해양 저서생태계 변화 예측 시스템의 구성도이고, 도 2는 도 1에 도시된 서버의 구성도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 해양 저서생태계 변화 예측 시스템은 다수의 갯벌과 조하대 연안역에서 해양 저서동물에 대한 정보를 수집하는 다수의 수집장치(10), 상기 다수의 수집장치(10)에서 각각 수집된 해양 저서동물에 대한 정보를 저장하는 데이터베이스(20), 상기 데이터베이스(20)에 저장된 해양저서 동물상의 변동에 따라 해양 저서 생태계의 변화를 예측하는 서버(30), 상기 서버에서 예측된 해양 저서 생태계를 표시하는 단말장치(40)와, 해양 저서동물의 서식처 지도 정보를 제공하는 지도 제공 장치(50)를 포함하여 구성된다.
수집장치(10)는 국토의 해안에 분포하는 갯벌뿐만 아니라 조하대 연안역의 저서 계통을 복수의 장소에서 수집하기 위해 마련된다. 일반적으로 갯벌과 같은 저서생태계가 해안에서 형성되기 때문에 국토의 해안을 따라 마련되는 것으로 기재되었으나, 도서 연안과 같이 해안과 떨어진 곳에도 설치가 될 수 있으며, 조하대에도 설치가 가능한 것으로 해안으로만 본 발명을 한정하지는 않는다.
이 수집장치(10)를 통해 1991년 이후의 대형 저서 동물의 군집 데이터가 수집되었으며, 본 발명에서는 연도구간을 나누어 대형 저서 동물의 군집 데이터를 구분하여 이용하였다. 다만, 본 발명에서 편의상 연도구간으로 구분했으나, 동물의 종류, 장소와 같은 다른 조건을 이용하여 구분할 수 있는 것으로 제시된 바에 의해 본 발명을 한정하는 것은 아니다.
이와 같이 수집장치(10)에 의해 수집된 저서 동물의 군집 데이터는 데이터베이스(20)에 저장된다.
데이터베이스(20)는 접근 및 검색의 용이성 및 효율성 등을 감안하여 데이터베이스 구축이론에 의하여 다른 구조로 구성될 수 있다. 이 데이터베이스(20)에는 수집장치(10)에 의해 수집된 저서 동물의 군집데이터가 미리 정해진 기준에 따라 정리되어 저장된다.
또한, 데이터베이스(20)에는 지도 제공 장치(50)에 의해 제공되는 서식처 지도 데이터가 저장된다.
지도 제공 장치(50)는 서식처 지도 데이터가 저장된다. 이 서식처 지도는 주요 생물의 서식 현황 관련 정보 및 파라미터를 도식화하여 나타낸 것으로 실제 해저 지형도를 포함할 수 있다. 이 지도 제공 장치(50)에 의해 제공되는 해저 서식처 지도는 기존의 다변량 통계분석 기법을 활용하여, 정보를 점(point) 또는 면(area) 형태로 나타낸 것일 수 있다.
서버(30)는 도 2에 도시된 바와 같이, 오차 제곱합에 따라 가중치와 임계값을 변화시키며 해를 반복적으로 구하는 학습 알고리즘을 구비한 인공지능신경망 모형(31), 상기 데이터베이스(20)에 저장된 해양 저서동물에 대한 정보에서 정보의 변동 상태를 판정하는 변동 상태 판정부(32), 상기 변동 상태 판정부(32)에서 판정된 정보에 따라 상기 인공지능신경망 모형(31)에서의 학습 알고리즘을 실행시켜 해양 저서 생태계의 변화를 예측하는 예측부(33)를 포함한다.
또한, 서버(30)는 예측부(33)에 의해 산출된 변화를 서식처 지도에 적용할 수 있는 형태로 변환하는 예측결과 변환부(34), 변환부(34)에 의해 변환된 예측결과를 서식처 지도에 적용하여 서식처 지도 상에 표시하는 결합부(35)를 포함하여 구성된다.
인공지능신경망 모형(31)은 입력층, 은닉층 및 출력층을 구비하고, 상기 입력층으로부터 전달되는 환경 요인을 바탕으로 1개의 은닉층을 거쳐 1개의 출력층을 통해, 학습 과정으로 최소화된 오차를 갖는 생물 다양성을 출력하도록 구성된다.
예측결과 변환부(34)는 수치적으로 출력되는 예측결과를 서식처 지도의 지형도에 적용 가능한 값으로 변환한다. 일례로, 결합부(35)에 의해 표현되는 예측결과는 등고선, 색과 같은 형태로 표현될 수 있으며, 이를 위해 예측결과 변환부(34)는 등가의 값을 가지는 구역을 산출하여 등고선으로 이을 수 있도록 하는 추정을 수행할 수 있으며, 이를 위한 값을 제공할 수 있다.
그리고, 결합부(35)는 서식처 지도의 위치와 예측결과 변환부(34)에 의해 예측된 값을 일치시켜, 예측결과 변환부에서 제공되는 예측결과를 서식처 지도 상에 표시되도록 하는 역할을 한다.
한편, 도 1 및 도 2에서는 데이터베이스(20)와 서버(30)를 분리하여 도시하였지만, 데이터베이스(20)와 서버(30)를 일체로 마련할 수 있다. 또 상기 인공지능신경망 모형(31)을 서버에 마련한 구조로 설명하였지만, 이에 한정되는 것은 아니고 데이터베이스(20)에 마련하여 사용할 수도 있다.
서버(30)는 하나 또는 복수 개의 프로세서에 해당할 수 있다. 프로세서는 다수의 논리 게이트들의 어레이로 구현될 수 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 따라서 상기 변동 상태 판정부(32)와 예측부(33)는 상기 프로세서에 의해 실행되고, 상기 인공지능신경망 모형(31)은 상기 메모리에 저장되어 사용될 수 있다.
단말장치(40)는 컴퓨팅 기능을 가진 단말기로서, 개인용 컴퓨터(PC), 노트북, 넷북, PDA 등을 의미하며 인터넷 등의 통신 방법에 의해 상기 서버(30)와 접속할 수 있는 기능을 구비한다.
본 발명에 적용되는 인공지능 신경망(artificial intelligence neural network) 모형은 생태학적 모형에서 자주 경험하는 비선형성 또는 변수의 속성, 변수 간 관계와 관련된 수 많은 매개 변수적 가정(parametric assumption)에도 유연성이 뛰어나며, 사회과학을 포함하는 다방면의 연구 분야에서 강력한 모델 기술로써 활용되고 있다.
도 3은 본 발명에 적용되는 다층 퍼셉트론(multi-layer perceptron) 신경망 모형의 구조의 일 예를 나타내는 도면이다.
본 발명에 따른 해양 저서생태계 변화 예측 시스템에서는 도 3에 도시된 바와 같은 신경망 모형 기법으로서 크게 구조의 유형에 따라 다양하게 구분되며, 단순한 형태의 구조를 갖는 다층 퍼셉트론 신경망 모형을 적용한다.
도 3의 신경망 모형은 입력층에 8개의 뉴런(PEs, Processing Elements)을 가지며, 은닉층의 각 뉴런은 8개의 입력치를 가지고, 각 뉴런에서는 8개의 입력치(xk)가 각각에 대응되는 가중치 wk와 곱해지고, 임계값 b와 더해지며, 이렇게 더해진 것을 네트입력이라 할 때, net는 전달함수 f를 통과하는 방식으로 출력치인 y를 생성하며 아래의 식과 같이 표현될 수 있다.
y=f(net), net=k=1nxkwk+b
가중치와 임계값은 수정이 가능하고, 뉴런 입출력 관계가 특정 목표에 도달될 수 있도록 해주는 학습 규칙에 의해 조정된다. 전달 함수는 선형 또는 비선형 함수 등이 있으며, 로지스틱 함수, 쌍곡 탄젠트 함수 등이 비선형 함수에 속한다. 도 3의 신경망 모형은 입력층과 출력층 사이에 하나의 은닉층만을 두었는데, 일반적으로 다층 퍼셉트론은 하나 이상의 은닉층을 가진다. 신경망은 오차 제곱합에 따라 가중치와 임계값을 변화시키며 해를 반복적으로 구하는 학습 알고리즘에 의해 훈련된다. 일반적인 방법으로는 역전파 학습(BP, backpropagation)이 있고, 도 3의 신경망 모형에서는 입력층으로부터 전달되는 환경 요인을 바탕으로 1개의 은닉층을 거쳐 1개의 출력층을 통해, 학습 과정으로 최소화된 오차를 갖는 생물 다양성을 출력하게 된다.
본 발명에 따른 해양 저서생태계 변화 예측 시스템에서 입력변수로 활용되는 환경 요인은 대형저서동물 군집의 변동을 조절하는 주요 인자로 구성되며 갯벌의 경우에는 아래의 표 1과 같다.
Figure 112019082877512-pat00001
표 1은 갯벌의 생물 다양성 예측을 위해 입력 변수로 활용된 16개 생물적/환경 인자를 나타낸다.
인공지능 신경망 모형을 활용한 예측기술의 개발은 많은 양의 검증 자료 확보가 중요하다. 본 발명에 따른 해양 저서생태계 변화 예측 시스템에서는 1991년이후의 기간동안 확보된 방대한 양의 대형저서동물 정보를 활용하였다.
본 발명에 따른 해양 저서생태계 변화 예측 시스템에서는 도 4에 나타낸 바와 같이, 생물다양성 예측을 위해 인공지능 신경망 모형을 활용하였다.
도 4는 갯벌 생물다양성(대수변환 총 출현 종수)의 예측결과를 나타내는 그래프이다. 도 4에 도시된 바와 같이, 관찰 값과 예측 값의 비교에서 68% 신뢰구간에 포함되는 수준의 적절한 예측 결과를 나타내었다.
하기 표 2는 개발사업 이후 주변 해역의 COD, SS 농도 증가에 따른 생물다양성 변화 예측 결과를 나타낸 것이다.
Figure 112019082877512-pat00002
도 5는 강화주변 동만도와 교동도 갯벌의 생물 다양성 예측 결과를 나타낸 그래프이고, 도 6은 교동도와 동만도의 갯벌 생물 다양성에 대한 모의 실험의 결과를 나타내는 그래프이다.
도 6에서 알 수 있는 바와 같이, 교동도 갯벌 생물 다양성은 큰 변화 없는 것으로 나타난 반면, 동만도의 경우 부유사 증가나 평균 입도 그리고 COD 변화에 따라 큰 폭으로 감소하고, 현재 대비 최악 조건(현재 평균 대비 SS +30ppm; 퇴적물 평균입도, 정선평균 +3phi; COD +2ppm)에서 약 30% 생물 다양성 손실이 발생할 것으로 예측된다.
*본 발명에 따른 해양 저서생태계 변화 예측 시스템에서는 녹색기술, 생태정보 예측기술 분야의 기술수준(R2>0.6)을 만족하는 성능의 예측모형을 개발하여 적용하였다. 즉 본 발명에서는 Goethals et al. (2007)의 대형저서동물 대상 신경망 모형 적용 사례를 적용하여 리뷰 논문에서 제안된 성능 측정 항목에 따라 테스트하고, 피어슨 상관계수(r), 결정계수(R2)를 측정하였다.
도 7은 본 발명에 따른 해양 저서생태계 변화 예측 시스템에 적용되는 갯벌 대형저서동물 생물다양성 예측에 활용된 인공지능 신경망의 구조를 나타낸다.
본 발명에서 ANN(Artificial Neural Network) 분석은 환경 변수를 사용하여 갯벌 대형저서동물 생태계의 감마 다양성을 예측하기 위해 수행하였다. 환경 변수는 전처리 공정에서 정상화하고, 다른 유형 및 네트워크의 구조(예를 들어 다층 퍼셉트론, 일반화 피드포워드 네트워크)를 시도하고, RBF(Radial Basis Function) 신경망은 성능 측정값(상관 계수 r)에 따라 가장 성공적인 모델로 선정하였다.
RBF망은 입력층, 은닉층, 출력층을 구비하고, 은닉층은 활성 함수로서 가우시안 전달함수를 사용한다. 은닉층에서 각각의 뉴런은 자신의 중심과 가우시안 곡선의 폭을 갖고, 자율 학습 규칙에 의해 설정된다.
도 8은 본 발명에 따른 해양 저서생태계 변화 예측 시스템에 적용하기 위해 한반도의 서쪽과 남쪽 해안을 따라 갯벌 저서 계통을 50군데에서 수집하기 위해 설치한 수집장치의 위치를 나타내는 도면으로서, 검은 원은 ANN 모델의 개발을 위해 1991년~2006년까지 데이터베이스 I 에 기여한 위치를 나타내고, 빈 원은 예측 모델의 일반화를 위해 테스트된 2007년~2010년까지 데이터베이스 II에 기여한 위치를 나타낸다.
도 9는 데이터베이스 I과 데이터베이스 II에 따른 자료에 의거하여 예측한 상태를 나타내는 그래프이다.
데이터베이스 I과 데이터베이스 II를 대상으로 개발, 검증된 갯벌 생물다양성 예측 신경망 모형의 성능으로서, 도 9의 (a)~(d)는 학습, 교차-타당성 검토, 검증 자료 1(데이터베이스 I)과 검증 자료 2(데이터베이스 II)를 나타내며, 도 9의 (e)~(h)는 각각의 자료를 바탕으로 계산된 관찰치-예측치 간 상관계수를 나타낸다.
1991년~2006년까지 기간의 학습, 교차-타당성 검토, 그리고 검증 자료(데이터베이스 I)에서 관찰치-예측치 간 각각 0.84, 0.77, 0.73의 범위였으며, 전체 자료는 0.80이었다. 2007년~2010년까지의 채집기간이 다른 독립적 검증 자료(데이터베이스 II)를 대상으로 성능을 검증한 결과 역시 0.84인 것으로 나타났다. 각 데이터베이스로부터 추정된 결정계수(R2)는 각각 0.60과 0.71이었다.
갯벌의 생물 다양성을 조절하는 생물/비생물적 인자들의 구성과 각 인자들의 효과에 대한 학습 결과가 매우 강건하며, 적절한 것으로 볼 수 있었다. 지역과 기간을 달리한 자료에서의 높은 성능은 국내 전역에 분포하는 갯벌의 생물 다양성 추정에 활용할 수 있음을 나타내는 것으로 볼 수 있었다.
즉, 본 발명에 따라 출력된 예측 결과와 실제 조사 결과 간의 현저한 차이를 보이는 곳은 잠재적 교란 요인이 존재함을 지시하므로, 서식처의 질적 악화를 유발하는 문제를 파악하기 위한 조치가 도입되어야 한다. 따라서 본 발명의 이 같은 활용을 통해 훼손된 서식처를 식별하고 회복시켜 생태계의 훼손 범위를 최소화하는 데 기여할 수 있다.
도 10은 서식처 지도 작성의 국외 사례를 나타낸 예시도이고, 도 11은 본 발명에 따른 예측 모형이 적용된 일례를 나타낸 예시도이며, 도 12는 발명에 따른 예측 모형이 적용된 다른 예를 나타낸 예시도이다.
도 10에서와 같이 종래에는 서식처 지도는 통계 분석 결과를 통해 생물의 시공간적 분포를 면 또는 점으로 표시하는 것이 일반적이었다. 이를 위해, 생물 조사 자료를 수행하고, 이를 다변량 통계 분석 방법을 통해 분석하였다. 생물 조사 자료의 수집을 위해 항공촬영, 수중 사진, 음향자료, 채집활동을 통해 정보를 획득하는 것이 일반적이었다.
이러한 도식화는 전술한 다변량 통계 분석 기법을 이용하며, 분석에 있어서 생물 분포와 관련된 요인을 적용하여 산출한다. 일례로, 군집 분포를 조절하는 가설 요인이나 대리변수가 적용될 수 있다. 가설요인으로는 퇴적물 특성 또는 수심과 같은 사항이 인용되며, 대리변수로는 음향자료가 이용될 수 있다. 이를 기존에는 경험적 관례를 활용하여 해저면의 군집을 식별하였으며, 이를 토대로 서식처 지도를 표시하였다.
이러한 서식처 지도만으로도 많은 정보를 획득하고, 개발 등의 계획수립에 영향을 줄 수 있으나, 종래의 서식처 지도는 향후의 변동을 예측하기 곤란하고, 직관적으로 이해가 어려운 문제점이 있다.
때문에, 본 발명은 이러한 서식처 지도에 예측 모형을 결합하여 제공한다. 이에 대한 예가 도 11 및 도 12에 도시되어 있다. 도 11은 자연적으로 발생하는 물리적 교란의 영향 감소 후 해저 서식처의 생체량/생산량 변화 예측 결과를 나타낸 것이다. 좀 더 구체적으로 소파제(wave reducer)나 이와 유사한 효과의 개발에 의해 물리적 교란인 저층 현탁물 농도, 유의 파고, 저층전단응력 감소시 예측된 대형저서동물 군집의 생체량 변화를 서식처 지도에 결합하여 나타낸 것이다. 이때 도 11의 좌측위는 현재 조건인 경우, 우측 아래는 물리적교란이 10% 감소한 경우의 변화 예측 결과를 나타낸 것이다.
또한, 도 12는 만 입구에 계획된 시설물의 장기 누적 생태계 영향을 예측한 도면이다. 도 12에서는 사질 서칙처의 대형저서동물의 군집의 생물 다양성에 미치는 펄질화 효과를 예측한 것이다. 도 12의 좌측 위는 현재조건에서의 상태를 나타낸 것이고 오른쪽 아래는 펄질화에 따른 변화를 예측한 것이다.
이와 같이 본 발명은 서식처 지도의 본래 취지를 유지하고, 활용성을 고도화하기 위해 제공된다. 도 11 및 도 12에서와 같이 다양한 조건의 변화, 예를 들어, 보전 또는 복원에 따른 개발 시의 현재와 미래의 변화를 제공할 수 있게 된다.
즉, 기존에는 보존, 복원과 같이 개발이 진행되는 경우 해류, 조석, 파랑, 부유사의 예측에만 의존했었기 때문에, 생태계 서비스의 변화나 질적 저하의 판단이 어려웠고, 생태계 서비스와 무관하게 개발이 진행되었다. 때문에, 개발 이후 생태계 서비스의 질적 저하가 발생하는 문제가 빈번하게 발생하였다.
반면, 본 발명에서는 서식처 지도에 예측 모형을 결합시킴으로써 생태계 서비스에 직접 관련된 생물 구성의 시공간적 변화를 제공할 수 있게 된다. 이를 통해 미래 조건 변화에 따른 예측 결과를 도식화하여 제공하게 됨으로써 정확한 예측을 통하 개발의 방향을 결정하는 것이 가능해진다.
특히, 단순 수치에 의해 제공하지 않고 이를 서식처 지도를 통해 직관적으로 이해가 가능한 형태로 제공되기 때문에, 전문가가 아니더라도 이해할 수 있으며, 이를 통해 의사 결정할 보조하는 것이 가능하다. 결과적으로 예측 모형이 결합된 형태의 서식처 지도를 이용하는 경우 더 효과적이고 효율적인 개발 계획을 수립하면서도 정확한 생태 변화를 인지하여 수립하는 것이 가능해진다.
이상에서 본 발명의 기술적 사상을 예시하기 위해 구체적인 예로 도시하고 설명하였으나, 본 발명은 상기와 같이 구체적인 실시 예와 동일한 구성 및 작용에만 국한되지 않고, 여러가지 변형이 본 발명의 범위를 벗어나지 않는 한도 내에서 실시될 수 있다. 따라서, 그와 같은 변형도 본 발명의 범위에 속하는 것으로 간주해야 하며, 본 발명의 범위는 후술하는 특허청구범위에 의해 결정되어야 한다.
10 : 수집장치
20 : 데이터베이스
30 : 서버
40 : 단말장치
50 : 지도 제공장치

Claims (5)

  1. 다수 곳의 갯벌 또는 조하대 연안역에서 해양 저서 동물에 대한 정보를 수집하는 다수의 수집장치;
    상기 다수의 수집장치에서 각각 수집된 해양 저서 동물에 대한 정보를 저장하는 데이터베이스;
    상기 해양 저서 동물이 서식하는 지역의 서식처 지도 정보를 상기 데이터 베이스에 제공하는 지도제공장치;
    상기 데이터베이스에 저장된 해양저서 동물의 변동에 따라 해양 저서 생태계의 변화를 예측한 예측 값을 산출하여 상기 서식처 지도 정보에 상기 예측 값을 적용하는 서버; 및
    상기 예측 값이 적용된 서식처 지도 정보를 표시하는 단말장치;를 포함하고,
    상기 서버는
    오차 제곱합에 따라 가중치와 임계값을 변화시키며 해를 반복적으로 구하는 학습 알고리즘을 구비한 인공지능신경망 모형; 상기 데이터베이스에 저장된 해양 저서 동물에 대한 정보에서 정보의 변동 상태를 판정하는 변동 상태 판정부; 상기 변동 상태 판정부에서 판정된 정보에 따라 상기 인공지능신경망 모형에서의 학습 알고리즘을 실행시켜 해양 저서 생태계의 변화를 예측하는 예측부; 상기 예측부의 예측 결과를 상기 서식처 지도에 표시 가능한 값으로 변환하는 예측결과 변환부; 및 상기 예측결과 변환부에 의해 변환된 상기 예측 결과를 상기 서식처 지도에 결합시키는 결합부;를 포함하며,
    상기 예측결과 변환부는 예측결과 중 등가의 값을 가지는 구역을 산출하여 등고선으로 이을 수 있도록 추정을 수행하며, 추정에 의한 값을 상기 결합부에 제공하는 것을 특징으로 하는 해양 저서생태계 변화 예측 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 예측결과 변환부는 상기 예측결과를 상기 서식처 지도에 표현 가능한 등고선 또는 동일 색 영역으로 변환하는 것을 특징으로 하는 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템.
  4. 제 1 항에 있어서,
    상기 인공지능신경망 모형은 입력층, 은닉층 및 출력층을 구비하고, 상기 입력층으로부터 전달되는 환경요인을 바탕으로 1개의 은닉층을 거쳐 1개의 출력층을 통해, 학습 과정으로 최소화된 오차를 갖는 생물 다양성을 출력하는 것을 특징으로 하는 해양 저서생태계 변화 예측 시스템.
  5. 제 4 항에 있어서,
    상기 환경 요인은 대형저서동물 군집의 변동을 조절하는 복수의 생물적 또는 환경 인자로 구성된 것을 특징으로 하는 해양 저서생태계 변화 예측 시스템.
KR1020190098716A 2019-08-13 2019-08-13 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템 KR102229213B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190098716A KR102229213B1 (ko) 2019-08-13 2019-08-13 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190098716A KR102229213B1 (ko) 2019-08-13 2019-08-13 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템

Publications (2)

Publication Number Publication Date
KR20210019729A KR20210019729A (ko) 2021-02-23
KR102229213B1 true KR102229213B1 (ko) 2021-03-18

Family

ID=74688136

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190098716A KR102229213B1 (ko) 2019-08-13 2019-08-13 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템

Country Status (1)

Country Link
KR (1) KR102229213B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646407B1 (ko) * 2022-04-21 2024-03-11 고려대학교 산학협력단 생태계 멸종 위험 진단 시스템 및 이의 동작방법
KR102486499B1 (ko) * 2022-07-21 2023-01-10 한국해양과학기술원 이미지 기반 인공지능 객체인식을 이용한 갯벌 서식굴 탐사시스템 및 이를 이용한 갯벌 생태환경 공간정보 구축방법
KR102486498B1 (ko) * 2022-07-21 2023-01-10 한국해양과학기술원 이미지 기반 인공지능 객체인식을 이용한 갯벌 서식굴 탐지 및 생태환경 공간정보 구축시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101635623B1 (ko) * 2015-04-10 2016-07-04 (주)한국연안환경생태연구소 해양 저서생태계 변화 예측 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110114285A (ko) 2010-04-13 2011-10-19 한국지질자원연구원 지리정보시스템 및 확률기법을 이용한 갯벌 저서생물 분포 예측시스템 및 이를 이용한 갯벌 저서생물 분포 예측방법
KR20130000621A (ko) 2011-06-23 2013-01-03 (주)한국연안환경생태연구소 갯벌 생태계의 건강도 평가 방법
KR101910576B1 (ko) 2011-11-08 2018-12-31 삼성전자주식회사 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101635623B1 (ko) * 2015-04-10 2016-07-04 (주)한국연안환경생태연구소 해양 저서생태계 변화 예측 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문:PAIKHO RHO*

Also Published As

Publication number Publication date
KR20210019729A (ko) 2021-02-23

Similar Documents

Publication Publication Date Title
Qin et al. Red tide time series forecasting by combining ARIMA and deep belief network
Stelzenmüller et al. Assessment of a Bayesian Belief Network–GIS framework as a practical tool to support marine planning
KR102229213B1 (ko) 서식처 지도가 적용된 해양 저서생태계 변화 예측 시스템
Geem et al. A new heuristic optimization algorithm: harmony search
Muñoz-Mas et al. Assessment of brown trout habitat suitability in the Jucar River Basin (SPAIN): Comparison of data-driven approaches with fuzzy-logic models and univariate suitability curves
Li et al. Individualized indicator for all: Stock-wise technical indicator optimization with stock embedding
Illian et al. Using INLA to fit a complex point process model with temporally varying effects-a case study
Fox et al. An efficient multi-objective optimization method for use in the design of marine protected area networks
Azadeh et al. Performance assessment of electric power generations using an adaptive neural network algorithm
Li Biodiversity assessment based on artificial intelligence and neural network algorithms
Chau A review on the integration of artificial intelligence into coastal modeling
Robinson et al. Using decision analysis to collaboratively respond to invasive species threats: A case study of Lake Erie grass carp (Ctenopharyngodon idella)
Preis et al. A coupled model tree–genetic algorithm scheme for flow and water quality predictions in watersheds
Ashrafi et al. Applying wavelet transformation and artificial neural networks to develop forecasting-based reservoir operating rule curves
KR101635623B1 (ko) 해양 저서생태계 변화 예측 시스템
Yee et al. Practical strategies for integrating final ecosystem goods and services into community decision-making
Elshaboury et al. Prioritizing water distribution pipelines rehabilitation using machine learning algorithms
Russo et al. Predicting fishing footprint of trawlers from environmental and fleet data: an application of artificial neural networks
Kosana et al. Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network
Pachev et al. A framework for flexible peak storm surge prediction
Jalali et al. Novel uncertainty-aware deep neuroevolution algorithm to quantify tidal forecasting
Ultsch et al. Self-organizing feature maps predicting sea levels
Sedighkia et al. An ecohydraulic-based expert system for optimal management of environmental flow at the downstream of reservoirs
Ha et al. A structural weight estimation model of FPSO topsides using an improved genetic programming method
Sharifi et al. Efficiency evaluation of Mazandaran Industrial parks by using neuro-DEA approach

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right