KR102508105B1 - 외래생물 확산을 예측하는 방법 - Google Patents

외래생물 확산을 예측하는 방법 Download PDF

Info

Publication number
KR102508105B1
KR102508105B1 KR1020220029961A KR20220029961A KR102508105B1 KR 102508105 B1 KR102508105 B1 KR 102508105B1 KR 1020220029961 A KR1020220029961 A KR 1020220029961A KR 20220029961 A KR20220029961 A KR 20220029961A KR 102508105 B1 KR102508105 B1 KR 102508105B1
Authority
KR
South Korea
Prior art keywords
rules
rule
generation
distribution
spread
Prior art date
Application number
KR1020220029961A
Other languages
English (en)
Inventor
오규진
진홍성
위윤주
강희진
천승주
성하철
Original Assignee
전남대학교 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 전남대학교 산학협력단 filed Critical 전남대학교 산학협력단
Priority to KR1020220029961A priority Critical patent/KR102508105B1/ko
Priority to KR1020220129546A priority patent/KR20230134088A/ko
Application granted granted Critical
Publication of KR102508105B1 publication Critical patent/KR102508105B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)

Abstract

본 발명은 셀룰러 오토마타 규칙분류 및 머신런닝을 이용한 알고리즘에 기반하여 외래생물 확산 예측정보에 관한 것이다. 본 발명은 외래생물 확산 예측함으로써, 외래생물 관리에 유용하게 이용될 수 있다.

Description

외래생물 확산을 예측하는 방법{A method for prediction of spread of invasive species}
본 발명은 외래생물 확산을 예측하는 방법에 관한 것이다.
최근 기후 변화, 환경 교란 등으로 외래생물이 침입하여 생물다양성 훼손 및 질병 유발 등으로 인해사회, 경제적 손실이 막심하여 대책이 시급한 상황이다. 그러나 외래생물 침입은 많은 요인이 관계되고 복잡하게 전개되므로 객관적인 예측이나 예후를 판단하기에 어려움이 있다. 또한 외래생물 뿐 아니라, 멸종위기에 처한 야생동물, 유해조수에 이르기까지 개체군 분산과 확산 변화를 예측하여 적절한 관리대책을 적용하는 등 과학적 기술을 활용한 체계적 관리의 필요성이 대두되고 있으나, 아직 그 연구가 미흡한 실정이다.
따라서, 본 발명은 외래생물 확산에 대한 예측의 한계점을 해결하기 위해 고안된 것으로, 외래생물 특히, 양서류 및 파충류 유입종의 분포 자료를 이용하여 미래의 확산 양상을 평가하고 예측하는 방법에 관한 것이다. 본 발명은 세대별로 진화하는 패턴에 따라 규칙을 분류하고 규칙을 학습시킬 수 있는 알고리즘을 이용하므로, 외래생물 확산 예측분야에서 크게 이용될 것으로 기대된다.
본 발명자들은 외래생물의 침입으로 인한 생물다양성 훼손 및 질병 유발등의 문제를 해결하기 위하여 예의 연구 노력하였다. 그 결과 세대별로 진화하는 패턴에 따라 규칙을 분류하고 규칙을 학습시킬 수 있는 알고리즘, 즉 셀룰러 오토마타 규칙분류 및 머신러닝을 이용한 알고리즘을 개발하여 외래생물 확산을 예측함으로써, 본 발명을 완성하게 되었다.
따라서 본 발명의 목적은 셀룰러 오토마타 규칙분류 및 머신러닝을 이용한 알고리즘에 기반하여 외래생물 확산 예측정보를 제공하는 데 있다.
본 발명의 다른 목적 및 이점은 하기의 발명의 상세한 설명, 청구범위 및 도면에 의해 보다 명확하게 된다.
그러나 본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 과제에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당 업계에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이하, 본원에 기재된 다양한 구체예가 도면을 참조로 기재된다. 하기 설명에서, 본 발명의 완전한 이해를 위해서, 다양한 특이적 상세사항, 예컨대, 특이적 형태, 조성물 및 공정 등이 기재되어 있다. 그러나, 특정의 구체예는 이들 특이적 상세 사항 중 하나 이상 없이, 또는 다른 공지된 방법 및 형태와 함께 실행될 수 있다. 다른 예에서, 공지된 공정 및 제조 기술은 본 발명을 불필요하게 모호하게 하지 않게 하기 위해서, 특정의 상세사항으로 기재되지 않는다. "한 가지 구체예" 또는 "구체예"에 대한 본 명세서 전체를 통한 참조는 구체예와 결부되어 기재된 특별한 특징, 형태, 조성 또는 특성이 본 발명의 하나 이상의 구체예에 포함됨을 의미한다. 따라서, 본 명세서 전체에 걸친 다양한 위치에서 표현된 "한 가지 구체예에서" 또는 "구체예"의 상황은 반드시 본 발명의 동일한 구체예를 나타내지는 않는다. 추가로, 특별한 특징, 형태, 조성, 또는 특성은 하나 이상의 구체예에서 어떠한 적합한 방법으로 조합될 수 있다.
명세서에서 특별한 정의가 없으면 본 명세서에 사용된 모든 과학적 및 기술적인 용어는 본 발명이 속하는 기술분야에서 당업자에 의하여 통상적으로 이해되는 것과 동일한 의미를 가진다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명의 일 양태에 따르면, (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 단계;
(b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 단계;
(c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 단계; 및,
(d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용시키는 단계;를 포함하는 외래생물 확산 예측 방법을 제공한다.
본 발명자들은 외래생물의 침입으로 인한 생물다양성 훼손 및 질병 유발등의 문제를 해결하기 위하여 예의 연구 노력하였다. 그 결과 세대별로 진화하는 패턴에 따라 규칙을 분류하고 규칙을 학습시킬 수 있는 알고리즘, 즉 셀룰러 오토마타 규칙분류 및 머신러닝을 이용한 알고리즘을 개발하여, 외래생물 확산을 예측함으로써, 본 발명을 완성하게 되었다.
본 명세서에서 용어"알고리즘(Algorithm)"은 수학과 컴퓨터과학, 언어학 또는 엮인 분야에서 어떠한 문제를 풀어내기 위해 정해진 일련의 절차나 방법을 공식화한 형태로 표현한 것으로, 계산을 실행하기 위한 단계적 절차를 의미한다. 즉, 문제풀이에 필요한 계산절차 또는 처리과정의 순서를 뜻한다.
본 명세서에서 용어"외래생물(Invasive species)"은 외국으로부터 인위적 또는 자연적으로 유입되어 그 본래의 원산지 또는 서식지를 벗어나 존재하게 된 생물을 의미한다. 외국에서 들어온 생물종을 포함하여 원래는 국내의 토착종이나 특정 생태계에서 역사적으로 서식하지 않던 생물종이 자연적인 서식범위를 벗어나서 스스로 번식 혹은 경쟁력을 가지고 살아가는 생물종을 의미한다.
본 명세서에서 용어"셀룰러 오토마타(cellular automata)"는 세포 자동자라고도 하며, 계산 가능성 이론, 수학, 물리학, 복잡계, 수리생물학, 미세구조 모델링에서 다루는 이산 모형을 의미한다. 여러 개의 세포 자동자를 세포 공간, 테셀레이션 구조라고도 부르며, 세포 자동자는 규칙적인 격자 형태로 배열된 세포 또는 칸(cell)들에서 정의된다. 각 세포는 유한한 수의 "상태"를 가질 수 있는데 예를 들어 "살아 있음/죽음"이 있다. 격자는 유한한 수의 아무 차원이면 된다. 각 세포에 대하여, "이웃들"이라 부르는 세포들은 그 세포에 대한 관계로 정의하는데, 예를 들어 그 세포에 대해 모든 방향으로 한 칸씩 떨어져 있는 세포들이라는 식으로 하면 된다.
본 발명의 구체적인 구현예에 따르면, 상기 (a)단계 이후에,
(가) 홀수 규칙을 제거하는 단계; 및,
(나) 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 단계;를 추가로 포함하는, 방법이다.
본 발명의 구체적인 구현예에 따르면, 상기 (d) 단계는,
(가) AxA (A는 정수) 행렬을 만드는 단계;
(나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계;
(다) 각 규칙별 데이터를 만드는 단계; 및,
(라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함하는 것인, 방법이다.
본 발명의 구체적인 구현예에 따르면, 상기 (d) 단계는,
(가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계;
(나) 각 규칙별 데이터를 만드는 단계; 및,
(다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함하는 것인, 방법이다.
본 발명의 구체적인 구현예에 따르면, 상기 (d) 단계는,
(가) 초기값으로 1000개 이하의 점을 가지는 행렬을 만드는 단계;
(나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 목적하는 제 40 세대 후, 및 제 60 세대 후의 데이터를 만드는 단계;
(다) 짝수 규칙에 따라 각 규칙별 데이터를 만드는 단계; 및,
(라) 규칙을 학습시키는 단계;를 포함하는 것인, 방법이다.
본 발명의 구체적인 구현예에 따르면, 상기 (나) 단계에서의 회귀분석을 기반으로 모델은 Maxent(Maximum Entropy Model)인 것인, 방법이다.
본 명세서에서 용어 "Maxent(Maximum Entropy Model)"는 회귀분석을 기반하는 모형으로 대상이 되는 야생동물의 출현정보를 바탕으로 최대엔트로피접근법(Maximum Entropy approach)을 통해 야생동물의 분포를 예측할 수 있는 모델을 의미한다. 연구자가 연구 대상 생물종의 출현 위치 표본을 입력해주면 컴퓨터 스스로 출현 위치의 환경 특성을 학습하여, 대상종의 출현 여부를 모르는 지점의 출현 확률을 추정하는 기계학습(machine learning) 방법으로 Maxent는 동식물의 출현지점자료만을 가지고 분포를 예측할 수 있는 기계학습분석 방법 중 하나이다.
본 발명의 구체적인 구현예에 따르면, 상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것인, 방법이다.
본 명세서에서 용어 "머신 러닝(Machine learning)"은 기계 학습이라고도 하며, 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘의 연구를 의미한다. 인공지능의 한 분야로 간주된다. 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다. 기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다. 다양한 기계 학습의 응용이 존재한다. 문자 인식은 이를 이용한 가장 잘 알려진 사례이다.
본 발명의 구체적인 구현예에 따르면, 상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것인, 방법이다.
본 발명의 다른 양태에 따르면, 본 발명은 (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 제 1 연산부;
(b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 제 2 연산부;
(c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 제 3 연산부; 및,
(d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용시키는 적용부를 포함하는, 외래생물 확산 예측 장치를 제공한다.
본 발명의 구체적인 구현예에 따르면, 상기 제 1 연산부는,
(가) 홀수 규칙을 제거하는 단계 유닛; 및,
(나) 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 분류 유닛;을 포함하는, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 적용부에서의 연산은,
(가) AxA (A는 정수) 행렬을 만드는 단계;
(나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계;
(다) 각 규칙별 데이터를 만드는 단계; 및,
(라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함하는 것인, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 적용부에서의 연산은,
(가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계;
(나) 각 규칙별 데이터를 만드는 단계; 및,
(다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함하는 것인, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 적용부에서의 연산은,
(가) 초기값으로 1000개 이하의 점을 가지는 행렬을 만드는 단계;
(나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 목적하는 제 40 세대 후, 및 제 60 세대 후의 데이터를 만드는 단계;
(다) 짝수 규칙에 따라 각 규칙별 데이터를 만드는 단계; 및,
(라) 규칙을 학습시키는 단계;를 포함하는 것인, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 (나) 단계에서의 회귀분석을 기반으로 모델은 Maxent(Maximum Entropy Model)인 것인, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것인, 장치이다.
본 발명의 구체적인 구현예에 따르면, 상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것인, 장치이다.
본 발명의 일 구체예에서, (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 단계; (b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 단계; (c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 단계; 및, (d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용하여 그룹으로 분류하는 단계를 포함하는 한 외래생물 확산 예측 방법을 제공한다.
상기 방법은 (a)단계 이후에, (가) 홀수 규칙을 제거하는 단계; 및, (나) 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 단계;를 추가로 포함할 수 있다.
또한 상기 방법에서 (a) 내지 (d) 단계는 (가) AxA (A는 정수) 행렬을 만드는 단계; (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계; (다) 각 규칙별 데이터를 만드는 단계; 및, (라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값 100, 200, 또는 300개의 점을 가진 20x20 행렬을 만드는 단계; (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계; (다) 256개의 각 규칙별 1500개의 데이터를 만드는 단계; 및, (라) 2개의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함할 수 있다.
또한 상기 방법에서 (a) 내지 (d) 단계는 (가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계; (나) 각 규칙별 데이터를 만드는 단계; 및, (다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값으로 5개의 점을 가지고 200세대 후 분포를 행렬로 만드는 단계; (나) 각 규칙별 2000개의 데이터를 만드는 단계; 및, (다) 분류한 37가지 규칙 중 0번 규칙을 제외한 36가지 규칙을 학습키는 단계;를 포함할 수 있다.
또한 상기 방법에서 (a) 내지 (d) 단계는 (가) 초기값으로 1000개 이하의 점을 가지는 행렬을 만드는 단계; (나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 목적하는 제 40 세대 후, 및 제 60 세대 후의 데이터를 만드는 단계; (다) 짝수 규칙에 따라 각 규칙별 데이터를 만드는 단계; 및, (라) 규칙을 학습시키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값 100, 200, 또는 300개의 점을 가진 행렬을 만드는 단계; (나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 40세대 후, 60세대후의 데이터를 만드는 단계; (다) 128가지 짝수 규칙에 따라 각 규칙별 1500개의 데이터를 만드는 단계; 및, (라) 규칙을 학습시키는 단계;를 포함할 수 있다. 이 때, 상기 회귀분석을 기반으로 모델은 Maxent(Maximum Entropy Model)일 수 있다.
또한 상기 방법에서 상기 세대는 1년의 기간일 수 있고, 상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것일 수 있으며, 상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것일 수 있다.
본 발명의 다른 구체예에서, (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 제 1 연산부; (b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 제 2 연산부; (c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 제 3 연산부; 및, (d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용하여 그룹으로 분류하는 적용부를 포함하는 외래생물 확산 예측 장치를 제공한다.
상기 장치에서 상기 제 1 연산부는, (가) 홀수 규칙을 제거하는 제거; 및, (나) 유닛 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 분류 유닛;을 포함할 수 있다.
또한 상기 장치에서 상기 적용부에서의 연산은, (가) AxA (A는 정수) 행렬을 만드는 단계; (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계; (다) 각 규칙별 데이터를 만드는 단계; 및, (라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값 100, 200, 또는 300개의 점을 가진 20x20 행렬을 만드는 단계; (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계; (다) 256개의 각 규칙별 1500개의 데이터를 만드는 단계; 및, (라) 2개의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함할 수 있다.
또한 상기 장치에서 상기 적용부에서의 연산은, (가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계; (나) 각 규칙별 데이터를 만드는 단계; 및, (다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값으로 5개의 점을 가지고 200세대 후 분포를 행렬로 만드는 단계; (나) 각 규칙별 2000개의 데이터를 만드는 단계; 및, (다) 분류한 37가지 규칙 중 0번 규칙을 제외한 36가지 규칙을 학습키는 단계;를 포함할 수 있다.
또한 상기 장치에서 상기 적용부에서의 연산은, (가) 초기값으로 1000개 이하의 점을 가지는 행렬을 만드는 단계; (나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 목적하는 제 40 세대 후, 및 제 60 세대 후의 데이터를 만드는 단계; (다) 짝수 규칙에 따라 각 규칙별 데이터를 만드는 단계; 및, (라) 규칙을 학습시키는 단계;를 포함할 수 있다. 이 때, 보다 구체적으로는, (가) 초기값 100, 200, 또는 300개의 점을 가진 행렬을 만드는 단계; (나) 회귀분석을 기반으로 하는 모델로 확률 분포에 맞춰 40세대 후, 60세대후의 데이터를 만드는 단계; (다) 128가지 짝수 규칙에 따라 각 규칙별 1500개의 데이터를 만드는 단계; 및, (라) 규칙을 학습시키는 단계;를 포함할 수 있다. 이 때, 상기 회귀분석을 기반으로 모델은 Maxent(Maximum Entropy Model)일 수 있다.
또한 상기 장치에서 상기 세대는 1년의 기간일 수 있고, 상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것일 수 있으며, 상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것일 수 있다.
본 발명의 특징 및 이점을 요약하면 다음과 같다:
(a) 본 발명은 셀룰러 오토마타 규칙분류 및 머신런닝을 이용한 알고리즘
에 기반하여 외래생물 확산 예측정보를 제공한다.
(b) 본 발명은 외래생물 확산 예측함으로써, 외래생물 관리에 유용하게 이용될 수 있다.
도 1은 본 발명의 일 실시예에 따른, 셀룰러 오토마타 규칙 30을 0세대부터 20 세대까지 나타낸 것이다.
도 2은 본 발명의 일 실험예에 따른, 왼쪽은 규칙 30, 오른쪽은 규칙 31의 0세대부터 20세대까지 나타낸 도면이다.
도 3는 본 발명의 일 실험예에 따른, 각 리스트는 같은 분포를 가지는 37가지 그룹으로 분류된 규칙들을 나타낸다.
도 4는 본 발명의 일 실험예에 따른, 2번 클래스는 한쪽 방향성을 가지고 움직이는 규칙을 나타낸다.
도 5은 본 발명의 일 실험예에 따른, 삼각형 클래스는 삼각형 형식으로 확산되는 규칙을 나타낸다.
도 6은 본 발명의 일 실험예에 따른, 4번 클래스는 세대가 진행될 때 분포가 유지되는 것을 나타낸다.
도 7은 본 발명의 일 실험예에 따른, 0번 클래스는 세대가 진행될 때 0으로 사라지는 것을 나타낸다.
도 8는 본 발명의 일 실험예에 따른, 4x4행렬과 3x3행렬의 합성곱 계산을 나타낸 결과이다.
도 9은 본 발명의 일 실험예에 따른, 알고리즘1 학습 데이터 생성 과정을 나타내는 도면이다.
도 10은 본 발명의 일 실험예에 따른, 알고리즘 1의 정확도 곡선을 나타내며, x축(epcoh)은 학습 반복횟수, y축(accuracy)은 알고리즘의 정확도를 의미하며, 청색선은 훈련 데이터의 학습이 진진 될 때 정확도 곡선이고, 녹색선은 검증테이터의 학습이 진행될 때 정확도 곡선을 나타낸다.
도 11는 본 발명의 일 실험예에 따른, 병합군집 방법으로 16개의 클러스터링으로 분류한 결과와 16개의 클러스터 중 하나를 선택하여 20x20의 행렬로 만든 결과를 나타낸다.
도 12은 본 발명의 일 실험예에 따른, 선택한 군집에서 병합되는 과정을 행렬로 나타냈으며, 각 과정에 대한 알고리즘1로 계산된 확률 값과 규칙을 나타낸 결과이다.
도 13는 본 발명의 일 실험예에 따른, 규칙 204는 분포가 그대로 유지되는 규칙을 가지고 있음을 나타내는 도면이다.
도 14는 본 발명의 일 실험예에 따른, 2007년 내지 2012년 MaxEnt 확률분포 데이터를 나타낸 것이다.
도 15은 본 발명의 일 실험예에 따른, 알고리즘2의 정확도 곡선을 나타낸 결과이다.
도 16은 본 발명의 일 실험예에 따른, Agglomerative, KMean, Spectral, Meanshift 클러스터링 결과를 나타낸다.
도 17은 본 발명의 일 실험예에 따른, 2007년부터 2012년까지의 Maxent 데이터를 기반으로 알고리즘2를 가지고 예측한 결과이다.
도 18는 본 발명의 일 실험예에 따른, 알고리즘2의 정확도 곡선을 나타낸 결과이다.
도 19은 본 발명의 일 실험예에 따른, 2007년 MaxEnt 확률분포 데이터와 각 연도별 알고리즘2로 예측결과 가장 높은 확률을 가지는 규칙을 나타낸다.
도 20은 본 발명의 일 실험예에 따른, 셀룰러 오토마타 알고리즘3를 적용한 예측 모델을 나타낸다.
도 21는 본 발명의 일 실험예에 따른, 알고리즘3의 정확도 곡선을 나타낸 결과이다.
도 22은 본 발명의 일 실험예에 따른, 2050년, 2070년 MaxEnt확률 분포 데이터를 가져와서 알고리즘3으로 예측한 결과를 나타낸다.
이하, 실시예를 통하여 본 발명을 더욱 상세히 설명하고자 한다. 이들 실시예는 오로지 본 발명을 보다 구체적으로 설명하기 위한 것으로, 본 발명의 요지에 따라 본 발명의 범위가 이들 실시예에 의해 제한되지 않는다는 것은 당업계에서 통상의 지식을 가진 자에 있어서 자명할 것이다.
실시예
[실시예 1]
1-1. 생물의 확산 모델
(1) 볼프램 세포자동자(Wolfram Cellular Automata; WCA)모델
셀룰러 오토마타는 인접한 셀의 상태를 기반으로 하는 일련의 규칙에 따라 여러 개별 시간 단계를 통해 진화하는 지정된 모양의　그리드에 있는 셀의 모음인 모델이다. 셀이 살아있으면 1, 죽어 있으면 0으로 표현한다. 인접한 3개의 셀의 상태에 따라 다음 세대의 셀의 상태를 결정하고, 이를 2진법으로 표현한다. 도 1에서 보여주듯이 규칙 30을 2진법으로 표현하면 00011110 이다. 규칙은 0부터 255까지 총 256가지 규칙이 있다.
(2) 볼프램 세포자동자(WCA)규칙 분류
한 점에서 시작했을 시 세대마다 분포(도 3 빨간 박스 부분)가 같은 규칙끼리 분류하였다. 홀수 규칙은 이전 세대의 [0,0,0]이 다음 세대의 [1]로 가기 때문에 [도 2] 규칙 31에서 보이듯이 1세대에서 전부 채워지기 때문에 생물의 확산을 표현하는 규칙으로 알맞지 않기 때문에 제외시켜 짝수 규칙 총 128가지 규칙에 대하여 분류하였다. 분류 기준은 한점에서 시작했을 시 세대마다 분포(빨간 박스 부분)가 같은 규칙끼리 분류했다(도 2).
모든 세대에서 같은 분포를 가지는 짝수 규칙을 37그룹으로 분류하였고, 37가지 그룹 중 같은 경향성을 보이는 규칙끼리 묶어 25가지 그룹으로 분류 후 최종적으로 총 4개의 클래스로 분류하였다. 2번 클래스는 세대가 진행될 때 한 방향성을 가지고 움직이는 것을 말하며, 삼각형 클래스는 세대가 진행될 때 양방향성으로 확산하는 것을 말한다. 4번 클래스는 세대가 진행될 때 분포가 유지되는 것을 말하고, 0번 클래스는 세대가 진행될 때 0으로 사라지는 것을 의미한다. 여기서 2, 6, 14 또는 16, 20, 84같이 3가지의 그룹이 비슷한 형태를 가지고 있음을 볼 수 있다. 따라서 여기서 한번 더 비슷한 그룹을 묶어 25가지 그룹으로 만들 수 있었다(도 4).
(3) WCA모델 알고리즘 개발
WCA 규칙을 학습시키기 위한 기계학습 알고리즘을 개발하고 평가한다. 기계학습(machine learning)을 이용한 WCA 규칙에 따른 확산 예측하였다. CNN(Convolution Neural Network)은 합성곱(Convolution)을 사용하는 기계학습 모델이다. 생물들의 분포 데이터는 2차원이고, 이런 공간적 정보가 담긴 데이터의 경우 CNN 방법으로 학습시켰다. 선행 연구로 CNN을 이용하여 3개의 CA 규칙을 학습시킨 알고리즘을 참고하였으며, 이를 확장하여 WCA 규칙을 학습시킨 알고리즘을 만들었다.
(3-1) 알고리즘1
가상의 분포 데이터를 만들어서 학습하고, 먼저 초깃값 100, 200, 또는 300개의 점을 가진 20x20행렬 생성(이전 세대 분포)하며, 2차원 행렬을 1x400 행렬로 변환시킨 후 WCA 규칙을 적용한다(주어진 규칙에 따라 한 세대 후 행렬 생성).
생성된 행렬을 2차원 행렬로 변환시키며(이후 세대 분포), 모든 짝수 규칙(128가지)마다 데이터를 만든다. 이전 세대 분포와 이후 세대 분포를 가지고 어떤 규칙에 의해 변하였는지 규칙을 찾는 모델로서, 2차원 분포를 그림으로 인식하고 합성곱 신경망(Convolution Neural Network; CNN) 방법을 적용하여 2차원 변화 규칙을 예측한다.
알고리즘 1은 셀룰러 오토마타 256가지 모든 규칙을 분류하는 모델로서, 하나의 규칙은 각 초기값 마다 500개의 데이터를 만들었고, 총 256x1500=384,000개의 데이터를 가지고 학습하였다. 학습결과 99.5% 정확도를 보여주고 있다.
(3-2) 알고리즘2
초기값을 5개를 주고 200세대 후의 분포를 가지고 규칙을 예측하는 모델이다. 학습에 사용하는 룰은 37가지 분류 중 0번을 제외한 36가지 규칙을 가지고 학습했으며, 각 규칙 마다 2000개의 데이터를 만들어 총 72,000개의 데이터를 가지고 학습했다. 데이터를 만드는 방법은 알고리즘1과 같다. 임의로 5개의 지점에 황소개구리가 있다고 가정하고 초기값 5개의 점을 가지는 1차원 1x400행렬 생성하고, 분류한 37가지 규칙 중 0번을 제외한 36가지 규칙을 가지고 200세대 후 현재의 분포가 되었다고 가정하고 행렬을 생성한다. 1차원 행렬을 2차원 행렬로 변환시키고, 생성된 현재 분포만 가지고 규칙을 찾는 모델이며, 2차원 행렬을 가지고 CNN방법으로 규칙을 예측한다. 학습결과 86.7% 정확도를 보여준다.
(3-2-1) 알고리즘2-1
알고리즘 2모델에서 36가지 규칙이 아니라 한번 더 분류된 25가지 규칙에 대하여 동일한 방법으로 각 규칙 마다 2000개의 데이터를 만들어서 50,000개의 데이터로 학습시켰다. 클러스터링을 이용하여 예측하면 30, 86, 또는 150으로 예측되었다. 학습결과 96.0% 정확도를 보여준다(도 18).
(3-3) 알고리즘3
알고리즘 1과 동일한 방식으로 분포 데이터를 만든다. 초기값 100, 200, 또는 300개의 점을 가진 20x20행렬 생성하고, 2차원 행렬을 1x400 행렬로 변환시킨 후 WCA 규칙을 적용한다(주어진 규칙에 따라 40세대 후, 60세대 후 행렬 생성). 3개의 1차원 행렬을 2차원 행렬로 변환시키고, 짝수 규칙(128가지)마다 데이터를 만든다. 현재를 2010년, 40년 후 2050년 그리고 60년 후 2070년 분포 데이터를 가지고 규칙을 찾는 모델이며, CNN 방법을 적용하여 2차원 변화 규칙을 예측했으며, 짝수 규칙 128가지에 대하여 총 192,000개의 데이터를 가지고 학습했다. 학습결과 81.4% 정확도를 보여준다(도 20).
[실시예 2]
1. 군집(Clustering)
군집이란 주어진 데이터들의 특성을 고려해 데이터 집단(Cluster)을 분류하는 방법이다. 본 연구에선 4가지 방법을 사용하였다. KMean 군집은 n개의 클러스터로 분류하는 방법으로 각 클러스터별 거리의 차이를 최소화하는 방식으로 동작한다. 병합군집(Agglomerative Clustering)은 가장 거리가 가까운 데이터들을 합쳐 나가는 방식으로 분류한다. Spectral 군집은 데이터들의 유사성을 측정하여 분류한다. Mean Shift 군집은 데이터들의 밀도가 높은 지역을 찾아 분류한다.
2. 규칙 예측(생태계교란생물)
황소개구리 분포자료는 연도별 분류가 되어있지 않고 2006 내지 2017년 누적 분포이다.
2-1. 군집(Clustering)과 알고리즘1을 이용하여 예측
훈련된 모델에 황소개구리 종합된 데이터를 클러스터링을 이용하여 확산을 예측하였다. 시간별 데이터가 없으므로 병합군집 방법으로 분포자료를 분류하였다. 병합군집을 사용하여 분포자료를 16개의 클러스터링으로 분류하였다(도 11). 클러스터 집합을 선택해 위도 경도 기준 20등분하고 존재하면 1 없으면 0으로 행렬을 만들었고, 병합군집 알고리즘은 가장 가까운 점끼리 합쳐져서 클러스터를 생성한다. 선택한 군집에서 병합군집 알고리즘으로 합쳐지는 과정을 행렬로 만들었다(도 12). 1번 클러스터에서 가장 먼저 병합되는 점 하나 고르고 그 점을 기준으로 병합 군집 과정을 가지고 예측해보았다. 각 과정을 이전 세대 이후 세대로 보고 알고리즘 1에 따른 규칙 및 확산 예측하였으며, 확산 예측 결과 규칙 204로 예측된다. 왼쪽 클러스터는 규칙 204가 나왔는데 규칙204은 유지되는 규칙이다. 확산이 멈추고 유지된다고 볼 수 있다. 하지만 오른쪽 클러스터경우 낮은 확률 값을 가지는데 왼쪽 클러스터의 처음부분처럼 확산되는 과정이라고 생각할 수 있다(도 13).
2-2. MaxEnt데이터와 알고리즘1을 이용하여 예측
2007 내지 2012 각 연도별 MaxEnt 확률분포 데이터로 예측이 진행되었으며, 20x20행렬로 매년 똑같은 구역을 가져왔다. 2007 및 2008년 데이터로 예측해본 결과 2번 클래스가 31.9% 4번 클래스가 12.3% 삼각형 클래스 53%나오는 것을 볼 수 있다. 4개의 클래스로 확률 값을 묶어보면 하기 표 1과 같은 결과가 나온다.
Class 예측 확률 특성
0번 class 2.6 % 소멸
2번 class 31.9 % 한 방향 확산
4번 class 12.3 % 유지
삼각형 class 53 % 양방향 확산
4개의 클래스로 예측된 결과로 양방향으로의 확산이 53%, 한 방향으로의 확산이 31.9%, 현재의 분포 상태가 유지되는 확률이 12,3%, 종이 사라질 확률이 2.6%로 나타났다. 이러한 분포로 예측된 학습의 정확도는 (99.7%)이다. 4개의 클래스별 예측된 확률 값이다.
2-3. 클러스터링과 알고리즘2을 이용하여 예측
클러스터링 방법에 따라 예측되는 규칙을 알아보고자 Agglomerative, KMean, Spectral, 및 Meanshift 4가지 방법을 사용하였고, 각 클러스터그룹을 하나의 분포를 가진다고 생각하고 예측해보았다. 각 군집 별로 도 11과 같은 방법으로 행렬 생성하였다. 각 군집 별로 현재 분포가 되었다고 생각하고 알고리즘 2 방법으로 예측해 보았으며, 18, 22, 30, 86, 및 150의 5개 규칙으로 예측되었다. 이번 경우는 확산한다고 볼 수 있다(도 16).
2-4. Maxent데이터와 알고리즘2을 이용하여 예측 1
2007년부터 2012년까지의 각 연도별 Maxent확률 분포 데이터를 알고리즘2를 사용하여 예측하였다. 4개의 클래스로 묶어 확률을 계산해보니 2번 클래스가 99.9% 예측되었다. 즉 한 방향으로 확산이 일어날 것으로 예측되었다(도 17).
2-4-1. Maxent데이터와 알고리즘2을 이용하여 예측 2
25가지 분류했던 모델에서 2007년부터 2012년까지의 Maxent 데이터를 가지고 예측했다. 14, 또는 84 경우 2, 또는16과 같이 오른쪽, 왼쪽으로 움직이는 규칙이고, 222의 경우는 모든 점이 가득 찬 규칙이다. 2-4 Maxent데이터와 알고리즘2을 이용하여 예측 방법으로 예상한 결과와 유사한 것을 볼 수 있다(도 19).
2-5. Maxent데이터와 알고리즘3을 이용하여 예측
현재, 2050년, 및 2070년 MaxEnt확률 분포 데이터를 가져와서 알고리즘3으로 예측하였다. 가장 높은 확률 값으로 25.5% 248 규칙이 예측되었고, 240 이후의 룰들에 대하여 확률 값을 다 합치면 90%가 넘었다. 37가지 분류 또는 25가지 분류에 대하여 동일한 모델을 만들어 예측을 해볼 필요가 있어 이 부분을 보안할 예정이며, 4개의 클래스로 묶어 예측해보았다(표 2).
Class 예측 확률 특성
0번 class 9.7 % 소멸
2번 class 36.9 % 한 방향 확산
4번 class 5.3 % 유지
삼각형 class 47.9 % 양방향 확산
표2에서 4개의 클래스로 예측된 결과를 나타내며, 양방향으로의 확산이 47.9%, 한방향으로의 확산이 36.9%, 현재의 분포 상태가 유지되는 확률이 5,3%, 종이 사라질 확률이 9.7%로 나타났다. 이러한 분포로 예측된 학습의 정확도는 (81.4%)이다.
[실시예 3] 알고리즘 고찰 및 결과 분석
알고리즘 1은 종의 분포데이터가 충분하면 어떤 규칙으로 확산되어지는지 예측 가능하고 가장 높은 정확도를 보여준다. 병합군집이 합쳐지는 과정에 있어 전세대의 점들이 다음세대로 계속 유지되기 때문에 유지되는 204번 같은 규칙이 나올 확률이 높다고 계산되어진다. Maxent 분포 확률 값으로 예측했지만 학습 결과에 따라 다른 결과가 나와 적용하기 힘들어 보인다.
알고리즘 2는 현재의 분포만 가지고 예측하는 모델이어서 연속된 데이터가 부족한 종에 대해서도 적용시킬 수 있다. 알고리즘1과 달리 타임 시리즈 데이터가 필요하지 않고, 분포 데이터로 예측을 할 수 있다는 장점이 있으며, 각 클러스터링 방법이 달라져도 클러스터별 예측되는 결과는 대부분 22, 30, 18, 150 이다. 학습데이터가 초기값과 세대에 따라 학습 결과가 달라질 수 있다. 따라서 초기값과 세대를 잘 선정해야 한다.
알고리즘 1 또는 2 같은 경우 분포가 적거나 아직 유입되지 않는 종에 대해 적용하기 힘든 단점이 있다.
알고리즘 3은 종별 Maxent 데이터를 이용하여 예측할 수 있다. 분포데이터가 필요하지 않는 알고리즘 3을 이용하여 확산을 예측하겠다. 알고리즘 3은 현재 20km X 20km 지역(20x20행렬) 예측이 가능하고, 추후 슈퍼컴퓨터를 사용하여 알고리즘의 학습 데이터의 행렬의 크기를 늘려 전국단위 예측할 수 있게 할 예정이다.
알고리즘3은 다른 소프트웨어와 융합(Ensenble)가능하며, e-DNA등 다른 방법으로 얻어진 분포 자료의 이용도 바람직하다. 도입되지 않은 침입 가능성이 있는(높은) 외래종의 경우는 MaxEnt 방법으로 예측하고 있으며, 제안하는 알고리즘을 이용(융합)하면 예측의 정확도를 높일 수 있으리라 사료되며 또한 MaxEnt등의 기존 모델의 검증으로도 이용될 수 있을 것이다.

Claims (16)

  1. (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 단계;
    (b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 단계;
    (c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 단계; 및,
    (d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용시키는 단계;를 포함하는 외래생물 확산 예측 방법으로서,
    상기 (d) 단계는,
    (가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계;
    (나) 각 규칙별 데이터를 만드는 단계; 및,
    (다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함하는 것인, 외래생물 확산 예측 방법.
  2. 제 1항에 있어서,
    상기 (a)단계 이후에,
    (가) 홀수 규칙을 제거하는 단계; 및,
    (나) 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 단계;를 추가로 포함하는, 외래생물 확산 예측 방법.
  3. 제 1항에 있어서,
    상기 (d) 단계는,
    (가) AxA (A는 정수) 행렬을 만드는 단계;
    (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계;
    (다) 각 규칙별 데이터를 만드는 단계; 및,
    (라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함하는 것인, 외래생물 확산 예측 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1항에 있어서,
    상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것인, 외래생물 확산 예측 방법.
  8. 제 1항에 있어서,
    상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것인, 외래생물 확산 예측 방법.
  9. (a) 한 점에서 시작했을 때 세대별로 같은 분포를 가지는 규칙끼리 그룹화하는 제 1 연산부;
    (b) 모든 세대에서 같은 분포를 가지는 그룹으로 분류하는 제 2 연산부;
    (c) 유사한 분포를 가지는 규칙끼리 그룹으로 분류하는 제 3 연산부; 및,
    (d) 셀룰러 오토마타(Cellular automata) 알고리즘을 적용시키는 적용부를 포함하는, 외래생물 확산 예측 장치로서,
    상기 적용부에서의 연산은,
    (가) 초기값으로 20개 이하의 점을 가지고 목적하는 세대 후 분포를 행렬로 만드는 단계;
    (나) 각 규칙별 데이터를 만드는 단계; 및,
    (다) 분류한 규칙 중 0번 규칙을 제외한 규칙들을 학습키는 단계;를 포함하는 것인, 외래생물 확산 예측 장치.
  10. 제 9항에 있어서,
    상기 제 1 연산부는,
    (가) 홀수 규칙을 제거하는 제거 유닛; 및,
    (나) 짝수 세대 그룹과 홀수 세대 그룹으로 분류하는 분류 유닛;을 포함하는, 외래생물 확산 예측 장치.
  11. 제 9항에 있어서,
    상기 적용부에서의 연산은,
    (가) AxA (A는 정수) 행렬을 만드는 단계;
    (나) 주어진 규칙에 따라 한 세대 후 행렬을 만드는 단계;
    (다) 각 규칙별 데이터를 만드는 단계; 및,
    (라) 2개 이상의 행렬로 규칙을 예측하는 학습을 시키는 단계;를 포함하는 것인, 외래생물 확산 예측 장치.
  12. 삭제
  13. 삭제
  14. 삭제
  15. 제 9항에 있어서,
    상기 알고리즘은 머신러닝(Machine learning)으로 훈련되는 것인, 외래생물 확산 예측 장치.
  16. 제 9항에 있어서,
    상기 외래생물은 외국에서 들어온 생물종, 및 자연적인 서식범위를 벗어난 토착종을 포함하는 것인, 외래생물 확산 예측 장치.
KR1020220029961A 2022-03-10 2022-03-10 외래생물 확산을 예측하는 방법 KR102508105B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220029961A KR102508105B1 (ko) 2022-03-10 2022-03-10 외래생물 확산을 예측하는 방법
KR1020220129546A KR20230134088A (ko) 2022-03-10 2022-10-11 외래생물 확산을 예측하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220029961A KR102508105B1 (ko) 2022-03-10 2022-03-10 외래생물 확산을 예측하는 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220129546A Division KR20230134088A (ko) 2022-03-10 2022-10-11 외래생물 확산을 예측하는 방법

Publications (1)

Publication Number Publication Date
KR102508105B1 true KR102508105B1 (ko) 2023-03-10

Family

ID=85570498

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220029961A KR102508105B1 (ko) 2022-03-10 2022-03-10 외래생물 확산을 예측하는 방법
KR1020220129546A KR20230134088A (ko) 2022-03-10 2022-10-11 외래생물 확산을 예측하는 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220129546A KR20230134088A (ko) 2022-03-10 2022-10-11 외래생물 확산을 예측하는 방법

Country Status (1)

Country Link
KR (2) KR102508105B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102627837B1 (ko) * 2023-09-06 2024-01-23 충남대학교 산학협력단 글로벌 스케일의 환경 데이터와 경제적 손실 데이터베이스를 사용하여 외래생물의 위해성을 평가하는 방법 및 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Woo Kang Seo et. al. "WIND DEPENDENT DISPERSION PATTERN CLASSIFICATION IN THE POLLINATION OF GENETICALLY MODIFIED MAIZE." Honam Mathematical Journal , Vol. 41(4), pp. 837-849(2019.) 1부.* *
환경기술개발사업 연차실적 계획서, "생물다양성 위협 외래생물 관리 기술개발사업"(2020.11.12.) 1부.* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102627837B1 (ko) * 2023-09-06 2024-01-23 충남대학교 산학협력단 글로벌 스케일의 환경 데이터와 경제적 손실 데이터베이스를 사용하여 외래생물의 위해성을 평가하는 방법 및 시스템

Also Published As

Publication number Publication date
KR20230134088A (ko) 2023-09-20

Similar Documents

Publication Publication Date Title
Chou et al. Multiobjective optimization inspired by behavior of jellyfish for solving structural design problems
Zhang et al. A hybrid biogeography-based optimization and fuzzy C-means algorithm for image segmentation
Vosooghifard et al. Applying Grey Wolf Optimizer-based decision tree classifer for cancer classification on gene expression data
Huang et al. Deep and wide multiscale recursive networks for robust image labeling
Abd-Alsabour A review on evolutionary feature selection
Agliari et al. Parallel retrieval of correlated patterns: From Hopfield networks to Boltzmann machines
WO2012177913A1 (en) Method and apparatus for a local competitive learning rule that leads to sparse connectivity
Forti et al. Growing Hierarchical Tree SOM: An unsupervised neural network with dynamic topology
Gheraibia et al. Penguins search optimisation algorithm for association rules mining
Cuevas et al. Evolutionary computation techniques: a comparative perspective
KR102508105B1 (ko) 외래생물 확산을 예측하는 방법
Akrour et al. Continuous action reinforcement learning from a mixture of interpretable experts
Suganuma et al. Designing convolutional neural network architectures using cartesian genetic programming
Li et al. Labeling of MR brain images using Boolean neural network
Cheng et al. Multilinear operator networks
Zahadat et al. Wolfpack-inspired evolutionary algorithm and a reaction-diffusion-based controller are used for pattern formation
Park et al. Attribution preservation in network compression for reliable network interpretation
Kao et al. An effective particle swarm optimization method for data clustering.
Belan Specialized cellular structures for image contour analysis
Yelugam et al. TopoBARTMAP: Biclustering ARTMAP with or without topological methods in a blood cancer case study
CN116047901A (zh) 一种基于自动门控循环单元的鲁棒时空轨迹建模方法
Bi et al. Evolutionary computation and genetic programming
Islam et al. Evolving artificial neural network ensembles
Azghani et al. Intelligent modified mean shift tracking using genetic algorithm
Sterne et al. Why MCA? Nonlinear sparse coding with spike-and-slab prior for neurally plausible image encoding

Legal Events

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