KR20100087859A - 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템 - Google Patents

Abstract

본 발명은 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 작성 방법 및 이를 위한 시스템에 관한 것으로, 대상 지역에 대하여 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 입력받는 단계, 입력된 데이터를 이용하여 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 단계, 학습된 생태등급 예측 알고리즘들의 정확성을 평가하는 제1 신뢰도 평가 단계, 생태등급 예측 알고리즘을 이용하여 미측정된 대상지역의 토양환경 생태등급을 예측하여 수치지도를 생성하는 단계, 생성된 수치지도들의 일관성을 평가하는 제2 신뢰도 평가 단계 및 생태등급 예측 알고리즘의 정확성 및 수치지도의 일관성을 이용하여 최적의 수치지도를 선정하는 단계를 포함하는 토양환경 생태등급 수치지도 작성 방법 및 이를 위한 시스템을 제공함으로써 가장 우수한 신뢰성을 보이는 최적 수치지도를 작성할 수 있으며, 사용자의 기대 신뢰수준에 의거하여 최종 도출된 토양환경 생태등급 결과의 선택적 반영 또한 가능하다.

의사결정 나무, 생태등급 수치지도, 신뢰성 평가

Description

통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템{Method and System for Selecting Optimal Map of Soil Ecological Quality Based Upon Statistical Reliability Evaluation}

본 발명은 토양미생물 종 다양성 정도를 토양생태질의 정량적 지표로 고려하여 테스트 지역에 대해 실험적으로 측정하고, 기존의 생태환경 관련 데이터베이스(DB)를 이용해서 토양생태수치지도 작성을 위한 트레이닝 세트(training set) 자료를 획득하여, 국가정보시스템에서 제공하는 자연생태 자료, 토양특성 자료와 테스트 지역에서 획득된 측정자료들을 가지고 인공지능(Artificial Intelligence: AI)에 기반을 둔 모델에 학습을 시킨 후에 이를 이용해서 미지의 토양생태등급을 산정하는 토양환경 생태등급 예측 방법에 관한 것이다.

나아가, 본 발명은 이와 같은 토양환경 생태등급 예측방법에 의해 계산된 결과값을 지형공간정보와 연계하여 지도화하는, 토양환경 생태등급 수치지도 작성방법에 관한 것이다.

토양질(Soil Quality)에 대한 관심은 농업적인 측면에서 오래전부터 계속되어 왔으나, 국내에서 동식물생태, 하천생태 및 습지생태의 경우 생태가치에 대한 총체적 평가 기법 연구와 등급화 연구 등이 수행된 바 있지만, 토양생태의 경우 환경영향평가에서조차 고려되고 있지 않으며, 생태의 질에 대한 기초자료의 구축도 미흡한 상황이다.

토양생명체의 대부분을 차지하고 있는 토양미생물은 분해자이자 생명체에 필요한 탄소 및 질소 순환의 원동력으로서 중요한 역할을 하며, 오염된 환경생태를 복원하는 등의 순기능을 보유하고 있다. 이러한 과학적 이유로 UN(United Nations) 산하의 FAO(Food and Agriculture Organization, 2003a, 2003b), OECD(Organization for Economic Cooperation and Development, 2004)에 따르면 토양생태다양성의 지속가능성에 대한 개념을 강조하고 있다. 양질의 토양생태는 중요한 생태자원이므로 대형건설사업의 구상 및 계획 단계에서 토양환경생태에 미치는 영향에 대한 체계적인 평가가 요구된다. 이를 위해서 토양생태질에 대한 정량적 지표화(등급화)가 필요하며, 이정보를 지형공간정보와 연계한 수치지도가 필요하다. 이러한 중요성과 필요성에도 불구하고, 토양생태질의 정보를 정량화하여 등급화하려는 시도가 매우 제한적인 것이 국내외 현황이다(Rombke 등, 2005).

현재 각 나라별로 토양질을 가장 잘 반영할 수 있는 토양질 지표(indicator)들을 정하여 최소자료군(Minimum Data Set, MDS)을 구축하고, 이 자료를 통합하여 점수화/등급화를 하는 시도를 통해 토양질 평가를 하고 있다.

이에 대한 대표적인 모델로서는 뉴질랜드의 SINDY(Soil Indicators)라는 웹기반(web-based) 프로그램(http://sindi.landcare.cri.nz/ 참조)이 있다. 이 프로그램은 각 개인이 원하는 토양특성지표자료를 입력하여 토양질을 비옥도, 산도, 유기물원, 물리성 지표에 대하여 평가할 수 있는 시스템이다. 그러나 이러한 시스템은 특정 토양에 대한 지표 정보에 근거하여 각 항목의 토양질을 평가할 수 있으며, 전국적 영역에 대한 토양질 정보를 제공할 수 없다는 데에 한계가 있다.

또한, 토양생태의 질을 평가하기 위하여, 기존 문헌에서는 토양 내 생명체들의 다양성과 개체군 수를 지표로 제안하고 있다.

토양 생태계의 대부분은 토양 미생물이며, 이 토양 미생물들은 분해자이자 생명체에 필요한 탄소 및 질소 순환의 원동력으로서 중요한 역할을 하고, 오염된 환경생태를 복원하는 순기능을 보유하고 있기 때문에 양질의 토양 생태는 자원으로 판단될 수 있을 것이다.

따라서 본 발명은 상기한 종래 기술에 따른 문제점을 해결하기 위한 것으로, 학습된 생태등급 예측 알고리즘들의 정확성을 평가하는 제1 신뢰도 평가 단계와 생성된 수치지도들의 일관성을 평가하는 제2 신뢰도 평가 단계를 수행하는 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 작성 방법 및 이를 위한 시스템의 제공을 그 목적으로 한다.

본 발명의 일 측면에 따른 토양환경 생태등급 수치지도 작성 방법은 (a) 대상 지역에 대하여 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 입력받는 단계; (b) 상기 입력된 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 이용하여 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 단계; (c) 상기 학습된 적어도 하나의 생태등급 예측 알고리즘의 정확성을 평가하는 단계; (d) 상기 학습된 적어도 하나의 생태등급 예측 알고리즘을 이용하여 미측정된 대상지역의 토양환경 생태등급을 예측하여 수치지도를 생성하는 단계; (e) 상기 적어도 하나의 생태등급 예측 알고리즘이 생성한 수치지도의 일관성을 평가하는 단계; 및 (f) 상기 적어도 하나의 생태등급 예측 알고리즘의 정확성 및 상기 생태등급 예측 알고리즘에 따른 수치지도의 일관성을 이용하여 최적의 수치지도를 선정하는 단계를 포함한다.

이 경우 상기 생태등급 예측 알고리즘은, Conventional 의사결정 트리 기법, OPP Forward 의사결정 트리 기법 또는 OPP Backward 의사결정 트리 기법 중 적어도 하나인 것을 특징으로 할 수 있다.

상기 (c) 단계는, 대상지역에 대한 생태다양성 예측값과, 대상지역에 대한 실제로 측정한 생태다양성 값의 일치 여부를 이용하여 상기 생태등급 예측 알고리즘의 정확성을 평가하는 것을 특징으로 할 수 있다.

본 발명에 따른 토양환경 생태등급 수치지도 작성 방법에는 상기 (b) 단계 후, 상기 측정한 대상 지역에 대한 생태 다양성 값을 임의의 개수의 클래스로 구분하는 단계; 와 상기 측정한 대상 지역에 대한 다수의 생태 다양성 값을 상기 생태등급 예측 알고리즘의 학습을 위한 트레이닝 세트(Training Set)와 상기 생태등급 예측 알고리즘의 정확성 평가를 위한 테스트 세트(Test Set)로 구분하는 단계가 더 포함될 수도 있다.

상기 (d) 단계는, 미측정된 대상지역에 대하여 소정의 횟수만큼 토양환경 생태등급을 연산하고, 상기 소정의 횟수만큼 예측된 토양환경 생태등급을 평균하여 생태등급을 예측하는 것을 특징으로 할 수 있다.

상기 토양환경 생태등급 수치지도 작성 시스템은 개발 지향적 또는 보존 지향적 옵션을 입력받는 단계를 더 포함하고, 상기 (f) 단계는, 개발 지향적 또는 보존 지향적 옵션을 더 반영하여 생태등급 수치 지도를 선정하는 것을 특징으로 할 수 있다.

본 발명의 다른 측면에 따른 토양환경 생태등급 수치지도 작성 시스템은 대상 지역에 대하여 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 입력받는 데이터 입력부; 상기 입력된 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 이용하여 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 생태등급 예측 알고리즘 학습부; 상기 학습된 적어도 하나의 생태등급 예측 알고리즘의 정확성을 평가하는 제1 신뢰성 평가부; 상기 학습된 적어도 하나의 생태등급 예측 알고리즘을 이용하여 미측정된 대상지역의 토양환경 생태등급을 예측하는 생태등급 예측 부; 상기 예측된 토양환경 생태등급을 이용하여 생태등급 수치지도를 생성하는 생태등급 수치지도 생성부; 상기 적어도 하나의 생태등급 예측 알고리즘이 생성한 수치지도의 일관성을 평가하는 제2 신뢰성 평가부; 및 상기 적어도 하나의 생태등급 예측 알고리즘의 정확성 및 상기 생태등급 예측 알고리즘에 따른 수치지도의 일관성을 이용하여 최적의 수치지도를 선정하는 최종 수치지도 선정부를 포함한다.

상기 생태등급 예측 알고리즘은, Conventional 의사결정 트리 기법, OPP Forward 의사결정 트리 기법 또는 OPP Backward 의사결정 트리 기법 중 적어도 하나인 것을 특징으로 할 수 있다.

상기 제1 신뢰성 평가부는, 대상지역에 대한 생태다양성 예측값과, 대상지역에 대한 실제로 측정한 생태다양성 값의 일치 여부를 이용하여 평가하는 것을 특징으로 할 수 있다.

상기 측정한 대상 지역에 대한 생태 다양성 값을 임의의 개수의 클래스로 구분하고, 상기 측정한 대상 지역에 대한 다수의 생태 다양성 값을 상기 생태등급 예측 알고리즘의 학습을 위한 트레이닝 세트(Training Set)와 상기 생태등급 예측 알고리즘의 정확성 평가를 위한 테스트 세트(Test Set)로 구분하는 데이터 전처리부가 더 포함될 수 있다.

상기 생태등급 예측부는, 미측정된 대상지역에 대하여 소정의 횟수만큼 토양환경 생태등급을 예측하고, 상기 소정의 횟수만큼 예측된 토양환경 생태등급을 평균하는 것을 특징으로 할 수 있다.

상기 토양환경 생태등급 수치지도 작성 시스템은 개발 지향적 또는 보존 지 향적 옵션을 입력받고, 상기 최종 수치지도 선정부는, 개발 지향적 또는 보존 지향적 옵션을 더 반영하여 생태등급 수치 지도를 선정하는 것을 특징으로 할 수 있다.

상기한 바와 같이 본 발명에 따른 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템에 따르면 특정 대상지역의 토양환경 생태등급 수치지도 제작시, 통계적 신뢰성 평가를 통해 해당지역에서 가장 우수한 신뢰성을 보이는 최적 수치지도를 선정할 수 있으며, 사용자의 기대 신뢰수준에 의거하여 최종 도출된 토양환경 생태등급 결과의 선택적 반영 또한 가능하다. 궁극적으로 환경영향평가에 토양환경생태의 반영을 용이하게 하는 효과를 얻을 수 있다.

이하, 본 발명에 따른 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템에 대하여 첨부된 도면을 참조하여 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 토양환경 생태등급 수치지도 산정 방법을 나타낸 도면이다.

먼저 본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)은 먼저 생태등급 수치지도를 생성하기 위해 선정된 대상 지역을 입력받는다(S101).

토양환경 생태등급 수치지도 작성 시스템(100)은 대상 지역에서 다수 회에 걸쳐 측정된 토양 속성 데이터(Soil Property Data)와 토양환경 생태질 데이터(Soil Ecological Quality Data)를 입력받는다(S102).

여기서 토양 속성 데이터는 표토 자갈함량(Gravel Content of Topsoil), 표토의 토성(Soil Texture), 표토의 침식정도(Erosion Class), 경사(Slope), 유효 토심(Available Depth), 배수 등급(Drainage Class) 등의 물리적 특성과 분포 지형, 토양모재, 퇴적양식, 형태적 분류 등의 변수를 포함할 수 있다.

또한, 토양환경 생태질 데이터는 Shannon Index에 따른 토양 미생물 종 다양성(Soil Microbial Diversity) 정도를 포함할 수 있다.

그 후 토양환경 생태등급 수치지도 작성 시스템(100)은 인공지능기법에 기반한 생태등급 예측 알고리즘의 적용을 위하여 다수 회에 걸쳐 측정된 값들을 전처리하는 단계를 수행한다(S103).

전처리 작업의 첫 번째 예로, 토양환경 생태등급 수치지도 작성 시스템(100)은 연속적인 값(Continuous Value)을 가지는 다수의 측정값들을 이산적인 클래스(Discrete Classification)로 구분하는 작업을 수행할 수 있다.

예를 들어, 섀년 인덱스(Shannon Index)에 따른 토양 미생물 다양성(Soil Microbial Diversity) 값은 다양한 측정값들을 가질 수 있으나, N개의 클래스들로 구분하는 전처리작업을 수행할 수 있다. 본 발명에서는 클래스의 숫자가 작을수록 토양 미생물 다양성이 큰, 즉 생태 다양성이 좋은 것으로 정의하기로 한다. 물론, 생태등급 수치지도 시스템의 사용자는 토양 미생물 다양성에 따른 클래스의 수를 다양하게 조절할 수 있다.

전처리 작업의 두 번째 예로, 토양환경 생태등급 수치지도 작성 시스템(100)은 생태등급 예측 알고리즘의 학습 및 테스트를 위하여 다수의 횟수에 걸쳐 측정한 데이터 세트(Data Set)들을 훈련 세트(Training Set)와 테스트 세트(Test Set)로 구분하는 전처리 작업도 수행할 수 있다.

전처리 단계에서 훈련 세트로 구분된 데이터 세트들을 이용하여 적어도 하나의 토양환경 생태등급 예측 알고리즘을 학습한다. 그 후 학습된 적어도 하나의 생태등급 예측 알고리즘에 테스트 세트(Test Set)로 분류된 데이터 세트를 적용하여 제1 신뢰성 평가를 수행하도록 데이터 세트들을 미리 구분해둘 수 있다.

S103 단계에 따른 전처리 작업 후 토양환경 생태등급 수치지도 작성 시스템(100)은 적어도 하나의 토양환경 생태등급 예측 알고리즘을 학습시킨다(S104). 다양한 인공지능 토양환경 생태등급 예측 알고리즘은 의사결정나무(Decision Tree) 기법, Support Vector Machine, 인공신경회로망 기법 등을 포함할 수 있다.

본 발명의 도 3 내지 도 8에서는 다양한 형태의 의사결정나무(Decision Tree) 기법을 기반으로 하는 생태등급 예측 알고리즘을 이용한 수치지도 작성 결과에 대하여 살펴보았다.

특히, 의사결정나무 기법 또한 토양환경 생태다양성 데이터 값들을 이산적으로 구분한 클래스 숫자, 일반적인 의사결정 트리의 성능을 개선하기 위한 OPP(Ordinal Pairwise Partitioning) 기법 등에 따라 다양한 예측 알고리즘을 제공 할 수 있다. 본 발명은 다수의 의사결정나무 기법을 각각 학습시키고, 최적의 예측 알고리즘을 선정한다.

그러나 본 발명은 실험을 위한 의사결정나무 기법에만 적용되는 것으로 한정되지 않으며 다른 생태등급 예측 알고리즘을 이용하는 경우에도 적용가능하다.

토양환경 생태등급 수치지도 작성 시스템(100)은 적어도 하나의 생태등급 예측 알고리즘을 학습시킨 후, 각각의 생태등급 예측 알고리즘에 대하여 정확성(Accuracy)을 평가한다(S105). 생태등급 예측 알고리즘에 대하여 정확성을 평가하는 단계를 제1 신뢰성 평가 단계로 칭하기로 한다.

특히, 본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)은 실제 필드에서 측정된 값과 생태등급 예측 알고리즘이 예측한 생태 다양성 클래스 값들을 비교함으로써 그 알고리즘의 정확성을 평가할 수 있다

여기서 생태등급 예측 알고리즘의 정확도 또는 히트 레이트(Hit Rate)는 다음과 같이 정의할 수 있다.

Hit Rate = 정확히 예측된 케이스 / 총 케이스 수

본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)은 입력된 토양 속성 데이터를 적어도 하나의 생태등급 예측 알고리즘에 적용하여, 미측정 대상 지역에 속한 폴리곤(Polygon) 별로 생태 등급을 예측한다(S106).

그 후 토양환경 생태등급 수치지도 작성 시스템(100)은 예측된 생태 등급에 따라 수치지도를 작성한다(S107).

특히 본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)은 대상 지역에 속해있는 각각의 폴리곤(Polygon)에 대하여 N 배수의 생태 예측 값을 생성할 수 있다. 그리고 N 배수의 생태 예측 값에 대한 평균값을 해당 폴리곤에 대한 생태 예측 값으로 결정하는 것이 보다 바람직하다.

이와 같은 작업은 통계적인 편차에 따른 클래스간의 감소를 조정하기 위하여 필요한 작업에 해당한다. 본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)은 예측된 평균치의 최소값과 최대값의 차이를 동일한 빈도를 가지는 네 개의 구간으로 구분하는 재스케일링(Re Scaling) 작업을 수행할 수도 있다.

이와 같이 적어도 하나의 생태등급 예측 알고리즘을 이용한 수치지도 생성 후 본 발명에 따른 토양환경 생태등급 수치지도 작성 산정 시스템(100)은 수치지도의 일관성 평가(Coherence Analysis)를 수행한다(S108). 생태등급 수치지도의 일관성 평가를 제2 신뢰성 평가라고 칭한다.

이와 같이 일관성 평가를 수행함으로써 랜덤하게 선택되어진 트레이닝 세트의 일관성을 유지할 수 있게 된다.

일관성 평가를 위하여 본 발명에 따른 토양환경 생태등급 수치지도 작성 산정 시스템은 정규 표준 편차(NSD : Normalized Standard Deviation)를 계산한다. 정규 표준 편차(NSD)는 아래 수학식과 같이 정의될 수 있다.

정규 표준 편차(NSD) = 표준 편차(Standard Deviation) / 이산화된 클래스의 범위(Range of Discrete Classes)

여기서 이산화된 클래스의 범위는 클래스의 최대값과 클래스의 최소값의 차이를 의미한다. 즉, (Range of Discrete Classes) = (Max. Class) - (Min. Class)로 정의될 수 있다. 정규 표준 편차가 적어지면 적어질수록 생태등급 예측 알고리즘의 일관성 특성이 보다 좋은 것을 의미한다.

특히, 사용자는 본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템(100)의 정규화 표준 편차 기준값을 설정하고, 상기 기준값 이하인 폴리곤만에 대하여만 토양질에 대한 수치지도를 작성하고, 상기 기준값 이상인 폴리곤들은 불분명한 지역(Uncertain Area)로 표현할 수 있다.

본 발명에 따른 토양환경 생태등급 수치지도 작성 시스템은 다수의 생태지역 예측 알고리즘에 따른 수치지도 중 가장 뛰어난 정확도와 일관성을 보이는 수치지도를 선택하게 된다(S109).

도 2는 본 발명의 다른 실시예에 따른 토양환경 생태등급 수치지도 작성 시스템의 구성을 나타낸 도면이다.

도 2에 도시된 바와 같이 토양환경 생태등급 수치지도 작성 시스템(100)은 데이터 입력부(101), 데이터 전처리부(102), 생태등급 예측 알고리즘 학습부(104), 제1 신뢰성 평가부(105), 생태등급 예측부(106), 생태등급 수치지도 생성부(107), 제2 신뢰성 평가부(108), 최종 수치지도 산정부(109)의 기능 블록과 토양환경 생태 등급 데이터베이스(103a)와 예측 알고리즘 데이터베이스(103b) 등의 데이터베이스 블록으로 구성될 수 있다.

데이터 입력부(101)는 생태등급 예측 알고리즘을 학습시키기 위한 지역 또는 예측 대상 지역 등에서 다수 회에 걸쳐 측정된 토양 속성 데이터(Soil Property Data)와 토양환경 생태질 데이터(Soil Ecological Quality Data)를 입력받는 구성 요소에 해당한다.

데이터 전처리부(102)는 생태등급 예측 알고리즘을 학습시키기 위한 S103 단계의 데이터 전처리 단계를 수행하는 구성 요소에 해당한다. 생태등급 예측 알고리즘 학습부(104)는 S104 단계에 따라 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 구성 요소에 해당한다. 이와 같은 단계는 그 자세한 설명을 생략한다.

제1 신뢰성 평가부(105)는 생태등급 예측 알고리즘 학습부에 의하여 학습된 적어도 하나의 생태등급 예측 알고리즘에 대한 정확도를 평가하는 구성 요소에 해당한다.

생태등급 예측부(106)는 미측정 대상 지역에 대한 토양 속성 데이터를 입력받고, 이를 적어도 하나의 생태등급 예측 알고리즘에 적용하여 미측정 대상 지역의 토양환경 생태질 데이터를 획득하는 구성 요소이다.

생태등급 수치지도 생성부(107)는 미측정 대상 지역에 속한 다수의 폴리곤마다 예측된 생태질 데이터를 이용하여, 상기 폴리곤 별 생태 등급을 결정하고 상기 폴리곤에 생태 등급에 따른 색을 칠함으로써 수치지도를 작성하는 구성 요소에 해당한다.

제2 신뢰성 평가부(108)는 생태등급 수치지도 생성부(107)가 하나의 생태등급 예측 알고리즘에 대하여 다수 회에 걸쳐 생성한 수치지도들에 대하여 정규 표준 편차(NSD)를 연산함으로써 그 일관성을 평가하는 구성 요소에 해당한다.

최종 수치지도 선정부(109)는 다수의 생태등급 예측 알고리즘에 대하여 제1 신뢰성 평가부(105)가 연산한 정확도와 제2 신뢰성 평가부(108)가 연산한 수치지도 일관성 정보를 토대로 최적의 수치지도를 산정하는 구성 요소에 해당한다. 최종 수치지도 선정부(109)는 최적의 수치지도를 선정하여 이를 디스플레이하도록 제어한다.

도 3 내지 도 8은 본 발명에 따라 실질적으로 토양환경 생태등급 수치지도를 작성한 예를 나타낸 도면이다.

도 3은 S101 단계에 따라 측정 대상 지역을 선정한 예이다. 본 실시예에서의 측정 대상 지역으로 대한민국의 연천 지역과 설악 지역을 선정하였다. 이 상의 두 지역에 대하여 196개의 토양 샘플을 획득하여, 그에 따른 토양 속성 데이터와 섀년 인덱스(Shannon Index)에 의하여 계산된 토양 미생물 다양성 데이터(Soil Microbial Diversity)를 측정하였다.

이 때 상기 측정 대상 지역에 대하여 획득하는 토양 속성 데이터는 표토의 자갈함유량(Gravel Content of Topsoil), 표토의 토성(Soil Texture), 표토의 침식정도(Erosion Class), 경사(Slope), 유효토심(Available Depth), 배수 등급(Drainage Class) 등이 존재한다.

각각의 토양 속성 변수(Soil Property Variables)들에 대한 클래스 구분과 변수 타입은 아래 표와 같다.

위 표에 기재된 토양 속성 변수는 그 일 예이며, 보다 다양한 토양 속성 변수를 측정하여 생태등급 예측 알고리즘에 적용할 수 있음은 자명하다.

도 4는 S103 단계에 따라 측정된 토양 미생물 다양성 데이터들을 이산적인 클래스로 구분한 예를 나타낸 도면이다.

본 발명의 실시예에서는 생태질 데이터로 섀년 인덱스(Shannon Index)에 의하여 획득되는 토양 미생물 다양성(Soil Microbial Diversity) 데이터를 이용한다.

도 4의 (a)는 연속적인 토양 미생물 다양성의 값을 2 클래스로 구분하여 그 분포를 나타낸 도면이다.

도 4의 (a)에서 살펴볼 수 있듯이 생태 다양성 값이 약 2.0이 이상인 경우 클래스 1의 샘플로 구분하였으며 약 2.0 이하인 경우 클래스 2의 샘플로 구분하였다. 총 196개의 토양 샘플 중 106개는 클래스 1의 샘플에 해당하였으며, 나머지 90개의 샘플은 클래스 2에 속함을 알 수 있다.

한편, 도 4의 (b)는 토양의 토양 미생물 다양성의 값을 3 클래스로 구분하여 그 분포를 나타낸 도면이다. 클래스 3에서는 생태 다양성이 약 0.5부터 약 2.3의 값을 가지는 샘플을 클래스 3으로, 생태 다양성이 약 2.3에서 약 3.2까지의 값을 가지는 샘플을 클래스 2로, 약 3.2 이상의 생태 다양성을 가지는 샘플을 클래스 1로 구분하였다. 총 196개의 토양 샘플 중 클래스 3에는 59개의 샘플이, 클래스 2에는 78개의 샘플이, 클래스 1에는 59개의 샘플이 속해있음을 알 수 있다.

마지막으로 도 4의 (c)는 토양 미생물 다양성을 4개의 클래스로 구분하여 그 분포를 나타낸 도면이다. 클래스 4는 생태 다양성이 약 0.5에서 약 2의 값을 가지는 샘플이 해당하며, 클래스 3에는 생태 다양성이 약 2에서 약 2.7의 값을 가지는 샘플이 해당된다. 클래스 2에는 생태 다양성이 약 2.7내지 약 3.4의 값을 가지는 샘플들이 속하게 되며, 클래스 1에는 생태 다양성이 약 3.4 이상인 토양 샘플들이 속하게 된다. 총 196개의 토양 샘플 중 클래스 4에는 35개의 샘플이, 클래스 3에는 56개의 샘플이, 클래스 2에는 70개의 샘플이, 클래스 1에는 35개의 샘플이 속하는 것을 알 수 있다.

이와 같이 연속적인 토양 미생물 다양성 값을 이산적인 클래스로 구분하는 작업은 S103 단계에 따른 전처리 작업에 해당한다.

본 실시예의 S104 단계에서는 토양환경 생태등급 수치지도 작성 시스템(100)이 아래 표 2에 도시된 다양한 형태의 의사결정나무 기법에 기반한 생태등급 예측 알고리즘에 대하여 각각 학습시키는 것으로 설정하였다. 물론 의사결정나무 기법이 아닌 다른 인공지능기법을 기반으로 한 생태등급 예측 알고리즘을 이용하여도 무방하다.

아래의 표 3은 표 2에서 제시한 다양한 형태의 생태등급 예측 알고리즘에 대하여, S105 단계에 따라 제1 신뢰성 평가를 수행한 결과이다.

아래의 표 4는 일반적인 의사결정나무 기법(Conventional DT)에 비해 OPP 기법을 이용하는 의사결정나무 기법(OPP-DT)을 이용하는 경우 그 성능 향상도를 나타낸 표이다.

표 3과 4를 참조하면 일반적인 의사결정나무 기법보다 OPP 기법에 따른 의사결정 나무 기법을 이용한 경우 생태등급 예측 알고리즘의 정확도가 높음을 알 수 있다. 특히, OPP(B)-DT-4C를 이용한 생태등급 예측 알고리즘이 정확도 향상이 크게 나타남을 알 수 있다.

따라서 수치지도의 일관성 평가 결과가 동일하다면 본 발명에 따른 토양환경 생태등급 작성 시스템(100)은 다른 알고리즘에 의한 수치지도보다 OPP(B)-DT-4C를 이용한 생태등급 예측 알고리즘에 기반하여 작성된 수치지도를 최적의 수치지도로 선정한다.

아래의 표 5는 랜덤 선택 조건(Random Selection Condition)에 비해 일반적인 의사결정나무 기법과 OPP 의사결정나무 기법의 성능 향상도를 나타낸 표이다.

랜덤 선택 조건하에서도 OPP-DT-4c 모델이 다른 생태등급 예측 알고리즘보다 그 성능 향상도가 뛰어나다는 것을 알 수 있다.

도 5는 S108 단계에 따른 제2 신뢰성 평가 2단계에 따른 수치지도의 일관성 평가 결과를 나타낸 도면이다.

도 5에 도시된 7개의 그래프에서 x축(x-axis)은 정규 표준 편차(Normalized Standard Deviation) 값을 의미하며, y축(y-axis)은 수치지도 상에서 정규 표준 편차 값의 영역에 속하는 폴리곤(Polygon)의 출현 빈도(Detection Frequency)를 나타낸다.

도 5에서 정규 표준 편차 값이 작은 영역에 폴리곤의 출현 빈도가 높은 모델일수록, 제2 신뢰성 평가 단계에 따른 수치지도 일관성이 좋은 특성을 가진 모델로 해석될 수 있다.

도 5에서는 OPP(F)-DT-4c 모델 또는 OPP(B)-DT-4c 모델이 다른 모델과 달리 정규 표준 분포가 0.45를 넘어가는 폴리곤들이 출현하지 않는 등의 이유로 다른 생태등급 예측 알고리즘보다 일관성이 뛰어나다는 것을 알 수 있다.

이상에서 설명한 표 4와 표 5 및 도 5의 결과 등을 토대로 할 때 OPP-DT-4c 모델에 따른 생태등급 예측 알고리즘이 최적의 알고리즘에 해당한다. 따라서 S109 단계에서 본 발명에 따른 토양환경 생태등급 수치지도 작성 산정 시스템 표 4와 표 5 및 도 6의 결과 등을 토대로 하여 OPP-DT-4c 모델을 최적의 생태등급 예측 알고리즘으로 선정하게 된다.

도 6은 토양환경 생태등급 수치지도 작성 산정 시스템이 작성한 수치지도의 예를 나타낸 도면이다.

도 6은 S108 단계에서 선정한 OPP-DT-4c 모델을 이용하여 실제로 생태등급 수치지도를 작성한 것이다.

도 6에서 녹색 지역(폴리곤)들은 클래스 1(Class 1)의 토양을 의미하며, 노란색 지역(폴리곤)들은 클래스 2(Class 1)의 토양을 의미한다. 주황색 지역(폴리곤)들은 클래스 3(Class 3)의 토양을 의미하며, 빨간색 지역(폴리곤)들은 클래스 4(Class 4)의 토양을 의미한다.

도 4의 (c) 그래프 등을 참조하면 클래스 1에서 클래스 4로 갈수록 토양 미생물 다양성(Soil Mircobial Diversity) 값은 감소하는 것을 알 수 있다. 따라서 클래스 4인 빨간색으로 표시된 토양이 생태학적으로 열등한 토양이라고 볼 수 있으며, 개발이 가능한 토양이라고 볼 수 있다. 반대로 클래스 1, 녹색으로 표시된 토양은 생태가 다양한 토양이므로 보전되어야 할 토양으로 해석될 수 있다.

다시 도 6을 살펴보면 OPP(F)-DT-4c 모델은 클래스 1의 토양, 즉 녹색의 토양이 많은 반면 OPP(B)-DT-4c 모델은 클래스 4의 토양, 즉 적색의 토양이 많은 것을 알 수 있다.

여기서 OPP(F)-DT-4c 모델은 녹색의 토양이 많으므로 보전 지향적인 생태등급 예측 알고리즘이고, OPP(B)-DT-4c 모델은 적색의 토양이 많으므로 개발 지향적인 생태등급 예측 알고리즘으로 해석될 수 있다.

이와 같이 OPP Forward 또는 OPP Backward 기법에 따라 보전 지향적 또는 개발 지향적인 생태등급 수치지도가 생성될 수 있다. 이러한 점을 고려하여 본 발명에 따른 토양환경 생태등급 수치지도 작성 산정 시스템(100)은 사용자로부터 생태 지도 옵션을 미리 입력받고, 그 선택에 따라 보전 또는 개발 지향적인 생태 지도를 작성할 수도 있다.

도 7은 정규 표준 편차의 기준값에 따라 OPP(F)-DT-4c 기반의 생태등급 예측 알고리즘에 의하여 작성된 생태지역 수치지도의 예를 나타낸 도면이다.

도 7의 (a)는 정규 표준 편차(NSD)가 0.45 이상인 폴리곤을 불분명한 지역(Uncertain Area)로 표시하도록 설정한 경우의 생태등급 수치지도이다. 마찬가지로 도 7의 (b), (c)는 각각 불분명한 지역으로 구분하기 위한 정규 표준 편차(NSD) 기준값을 0.4와 0.35로 설정하여 생태지역 수치지도를 작성한 예이다.

정규 표준 편차 기준값이 작아질 수록 불분명한 지역(회색으로 마킹된 지역)이 많아짐을 알 수 있다. 이 때 정규 표준 편차의 기준값이 작아질 수록 불확실한 지역으로 변화한 지역은 노란색과 주황색 지역, 즉 클래스 2와 클래스 3 지역에 해당한다. 따라서 OPP(F)-DT-4c 모델을 이용하는 경우에는 상대적으로 클래스 1 도는 클래스 4 등급의 토양 예측을 하는데 우사한 신뢰성을 가짐을 알 수 있다.

도 8은 정규 표준 편차의 기준값에 따라 OPP(B)-DT-4c 기반의 생태등급 예측 알고리즘에 의하여 작성된 생태지역 수치지도의 예를 나타낸 도면이다.

도 8의 (a), (b), (c)는 정규 표준 편차 기준값이 0.45인 경우, 0.4인 경우, 0.35 이상인 경우로 설정하고, OPP(B)-DT-4c 모델에 따라 생태지역 수치지도를 작성한 예이다.

마찬가지로 정규 표준 편차의 기준값이 작아질수록 불확실한 지역(흰 색으로 마킹된 지역)이 많아짐을 알 수 있다. 다만 OPP(F)-DT-4c 모델과 달리 OPP(B)-DT-4c 모델을 이용하는 경우 주로 3등급에 해당하는 지역이 불확실한 지역으로 변화하였다. 따라서 OPP(B)-DT-4c 모델을 이용하는 경우 클래스 2 또는 클래스 4의 예측결과가 우수한 신뢰성을 가지는 것을 확인할 수 있다.

이상에서 살펴본 바와 같이 OPP Forward 모델을 이용하는지 여부 또는 OPP Backward 모델을 이용하는지 여부에 따라 상대적으로 우수한 신뢰성을 나타내는 클래스가 있다.

본 발명에 다른 토양환경 생태등급 수치지도 산정 시스템은 사용자로부터 우선순위가 가장 높은 클래스를 입력받고, 그에 따른 알고리즘 선택을 할 수도 있다. 예를 들어, 사용자가 클래스 3의 토양을 최우선시 하도록 옵션을 설정한 경우, 토양환경 생태등급 수치지도 산정 시스템은 OPP Backward 모델을 이용하여 수치지도를 작성하도록 결정할 수 있다.

이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의하여 정해져야 한다.

도 1은 본 발명의 일 실시예에 따른 토양환경 생태등급 수치지도 산정 방법을 나타낸 도면.

도 2는 본 발명의 다른 실시예에 따른 토양환경 생태등급 수치지도 작성 시스템의 구성을 나타낸 도면.

도 3은 측정 대상 지역을 선정하고 토양 샘플을 획득한 지역의 분포를 나타낸 도면.

도 4는 측정된 토양 미생물 다양성 데이터들을 이산적인 클래스로 구분한 예를 나타낸 도면.

도 5는 제2 신뢰성 평가 2단계에 따른 수치지도의 일관성 평가 결과를 나타낸 도면.

도 6은 토양환경 생태등급 수치지도 작성 산정 시스템이 작성한 수치지도의 예를 나타낸 도면.

도 7은 정규 표준 편차의 기준값에 따라 OPP(F)-DT-4c 기반의 생태등급 예측 알고리즘에 의하여 작성된 생태지역 수치지도의 예를 나타낸 도면.

도 8은 정규 표준 편차의 기준값에 따라 OPP(B)-DT-4c 기반의 생태등급 예측 알고리즘에 의하여 작성된 생태지역 수치지도의 예를 나타낸 도면.

<도면의 주요 부분에 대한 부호 설명>

100 : 토양환경 생태등급 수치지도 작성 시스템

101 : 데이터 입력부

102 : 데이터 전처리부

103a : 토양환경 생태등급 데이터베이스

103b : 예측 알고리즘 데이터베이스

104 : 생태등급 예측 알고리즘 학습부

105 : 제1 신뢰성 평가부

106 : 생태등급 예측부

107 : 생태등급 수치지도 생성부

108 : 제2 신뢰성 평가부

109 : 최종 수치지도 선정부

Claims (12)

1. 토양환경 생태등급 수치지도 작성 방법에 있어서,

   (a) 대상 지역에 대하여 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 입력받는 단계;

   (b) 상기 입력된 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 이용하여 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 단계;

   (c) 상기 학습된 적어도 하나의 생태등급 예측 알고리즘의 정확성을 평가하는 단계;

   (d) 상기 학습된 적어도 하나의 생태등급 예측 알고리즘을 이용하여 미측정된 대상지역의 토양환경 생태등급을 예측하여 수치지도를 생성하는 단계;

   (e) 상기 적어도 하나의 생태등급 예측 알고리즘이 생성한 수치지도의 일관성을 평가하는 단계; 및

   (f) 상기 적어도 하나의 생태등급 예측 알고리즘의 정확성 및 상기 생태등급 예측 알고리즘에 따른 수치지도의 일관성을 이용하여 최적의 수치지도를 선정하는 단계를 포함하는 토양환경 생태등급 수치지도 작성 방법.
2. 제1항에 있어서,

   상기 생태등급 예측 알고리즘은,

   일반적인(Conventional) 의사결정 트리 기법, OPP(Ordinal Pairwise Partitioning) Forward 의사결정 트리 기법 또는 OPP Backward 의사결정 트리 기법 중 적어도 하나인 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 방법.
3. 제1항에 있어서,

   상기 (c) 단계는,

   대상지역에 대한 생태다양성 예측값과, 대상지역에 대한 실제로 측정한 생태다양성 값의 일치 여부를 이용하여 상기 생태등급 예측 알고리즘의 정확성을 평가하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 방법.
4. 제1항에 있어서,

   상기 (b) 단계 후,

   상기 측정한 대상 지역에 대한 생태 다양성 값을 임의의 개수의 클래스로 구분하는 단계; 와

   상기 측정한 대상 지역에 대한 다수의 생태 다양성 값을 상기 생태등급 예측 알고리즘의 학습을 위한 트레이닝 세트(Training Set)와 상기 생태등급 예측 알고리즘의 정확성 평가를 위한 테스트 세트(Test Set)로 구분하는 단계를 더 포함하는 토양환경 생태등급 수치지도 작성 방법.
5. 제1항에 있어서,

   상기 (d) 단계는,

   미측정된 대상지역에 대하여 소정의 횟수만큼 토양환경 생태등급을 연산하고, 상기 소정의 횟수만큼 예측된 토양환경 생태등급을 평균하여 생태등급을 예측하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 방법.
6. 제1항에 있어서,

   상기 토양환경 생태등급 수치지도 작성 시스템은 개발 지향적 또는 보존 지향적 옵션을 입력받는 단계를 더 포함하고,

   상기 (f) 단계는,

   개발 지향적 또는 보존 지향적 옵션을 더 반영하여 생태등급 수치 지도를 선정하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 방법.
7. 토양환경 생태등급 수치지도 작성 시스템에 있어서,

   대상 지역에 대하여 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 입력받는 데이터 입력부;

   상기 입력된 토양환경 속성 데이터 및 토양환경 생태다양성 데이터를 이용하여 적어도 하나의 생태등급 예측 알고리즘을 학습시키는 생태등급 예측 알고리즘 학습부;

   상기 학습된 적어도 하나의 생태등급 예측 알고리즘의 정확성을 평가하는 제1 신뢰성 평가부;

   상기 학습된 적어도 하나의 생태등급 예측 알고리즘을 이용하여 미측정된 대상지역의 토양환경 생태등급을 예측하는 생태등급 예측부;

   상기 예측된 토양환경 생태등급을 이용하여 생태등급 수치지도를 생성하는 생태등급 수치지도 생성부;

   상기 적어도 하나의 생태등급 예측 알고리즘이 생성한 수치지도의 일관성을 평가하는 제2 신뢰성 평가부; 및

   상기 적어도 하나의 생태등급 예측 알고리즘의 정확성 및 상기 생태등급 예측 알고리즘에 따른 수치지도의 일관성을 이용하여 최적의 수치지도를 선정하는 최종 수치지도 선정부를 포함하는 토양환경 생태등급 수치지도 작성 시스템.
8. 제7항에 있어서,

   상기 생태등급 예측 알고리즘은,

   Conventional 의사결정 트리 기법, OPP Forward 의사결정 트리 기법 또는 OPP Backward 의사결정 트리 기법 중 적어도 하나인 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 시스템.
9. 제7항에 있어서,

   상기 제1 신뢰성 평가부는,

   대상지역에 대한 생태다양성 예측값과, 대상지역에 대한 실제로 측정한 생태다양성 값의 일치 여부를 이용하여 평가하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 시스템.
10. 제7항에 있어서,

    상기 측정한 대상 지역에 대한 생태 다양성 값을 임의의 개수의 클래스로 구분하고, 상기 측정한 대상 지역에 대한 다수의 생태 다양성 값을 상기 생태등급 예측 알고리즘의 학습을 위한 트레이닝 세트(Training Set)와 상기 생태등급 예측 알고리즘의 정확성 평가를 위한 테스트 세트(Test Set)로 구분하는 데이터 전처리부를 더 포함하는 토양환경 생태등급 수치지도 작성 시스템.
11. 제7항에 있어서,

    상기 생태등급 예측부는,

    미측정된 대상지역에 대하여 소정의 횟수만큼 토양환경 생태등급을 예측하고, 상기 소정의 횟수만큼 예측된 토양환경 생태등급을 평균하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 시스템.
12. 제7항에 있어서,

    상기 토양환경 생태등급 수치지도 작성 시스템은 개발 지향적 또는 보존 지향적 옵션을 입력받고,

    상기 최종 수치지도 선정부는,

    개발 지향적 또는 보존 지향적 옵션을 더 반영하여 생태등급 수치 지도를 선정하는 것을 특징으로 하는 토양환경 생태등급 수치지도 작성 시스템.

Images