KR20200058278A - 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치 - Google Patents

지리적 공간에 대한 시공간 데이터 분석 방법 및 장치 Download PDF

Info

Publication number
KR20200058278A
KR20200058278A KR1020190114916A KR20190114916A KR20200058278A KR 20200058278 A KR20200058278 A KR 20200058278A KR 1020190114916 A KR1020190114916 A KR 1020190114916A KR 20190114916 A KR20190114916 A KR 20190114916A KR 20200058278 A KR20200058278 A KR 20200058278A
Authority
KR
South Korea
Prior art keywords
data
space
group
analysis
command
Prior art date
Application number
KR1020190114916A
Other languages
English (en)
Other versions
KR102492843B1 (ko
Inventor
김지용
원종호
장미영
최장호
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to US16/686,909 priority Critical patent/US11416701B2/en
Publication of KR20200058278A publication Critical patent/KR20200058278A/ko
Application granted granted Critical
Publication of KR102492843B1 publication Critical patent/KR102492843B1/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
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법이 개시된다. 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법은, 시공간으로 변화하는 데이터를 이미지화하는 단계; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계; 및 동일한 그룹 별로 데이터 분석을 수행하는 단계를 포함할 수 있다.

Description

지리적 공간에 대한 시공간 데이터 분석 방법 및 장치{APPARATUS AND METHOD FOR ANALYZING SPATIO TEMPORAL DATA FOR GEO-LOCATION}
본 발명은 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치에 관한 것으로, 더욱 상세하게는 K-MEANS 알고리즘을 이용한 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치에 관한 것이다.
일상 생활과 밀접한 관련이 있는 기후환경에 대한 연구가 중요시되면서 환경 연구에 환경공간 정보 및 ICT(Information Communication Technology)/IoT(Internet of Things)를 활용한 연구가 활발히 이루어지고 있다.
이러한 연구는 IoT 센서 데이터의 수집을 통해 이루어지는 것이 일반적이다. 센서 데이터는 시계열 데이터로 시간적 연관성을 갖고 있고, 마찬가지로 공간적 연관성을 갖고 있다. IoT 센서가 곳곳에 설치되면서 과거보다 지역적으로 훨씬 조밀한 데이터를 실시간에 수집할 수 있다. 특히, 초분광 카메라와 같은 이미지를 통해 수집된 데이터나 기상 환경 데이터의 경우는 공간적으로 연속성을 갖고 있는 유효한 데이터다.
하지만, 이런 연속성 데이터에 대해 기존의 딥러닝 방법, ANN(Artificial Neural Network)이나 RNN(Recurrent Neural Network)의 방법을 사용하여 분석 및 예측을 수행하는 경우 입력 데이터가 과도하게 많아 비효율적이라는 문제점이 발생한다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 상기 지리적 공간에 대한 시공간 데이터 분석 방법을 이용하는 시공간 데이터 분석 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법은 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법으로서, 시공간으로 변화하는 데이터를 이미지화하는 단계; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계; 및 동일한 그룹 별로 데이터 분석을 수행하는 단계를 포함할 수 있다.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계는, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하는 단계를 포함할 수 있다.
상기 이미지화된 데이터는, 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다.
상기 동일한 그룹 별로 데이터 분석을 수행하는 단계는, 상기 각 그룹에 대한 대표 값을 선정하는 단계; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계를 포함할 수 있다.
상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계는, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하는 단계; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하는 단계; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하는 단계를 포함할 수 있다.
상기 노드 간 영향력 분석을 수행하는 단계는, 상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하는 단계를 포함할 수 있다.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다.
상기 지리적 공간에 대한 시공간 데이터 분석 방법은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하는 단계를 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함할 수 있다.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 시공간 데이터 분석 장치는 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 장치로서, 프로세서; 및 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함할 수 있다.
상기 적어도 하나의 명령은, 시공간으로 변화하는 데이터를 이미지화하도록 하는 명령; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령; 및 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함할 수 있다.
상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다.
상기 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령은, 상기 각 그룹에 대한 대표 값을 선정하도록 하는 명령; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령은, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하도록 하는 명령; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하도록 하는 명령; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 노드 간 영향력 분석을 수행하도록 하는 명령은,
상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함할 수 있다.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다.
상기 적어도 하나의 명령은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함한다.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다.
상기와 같은 본 발명의 실시예들에 따르면, 시공간적 연속성이 있는 데이터를 분석하여 효과적으로 녹조를 예측할 수 있다.
본 발명에 따르면, 유사성을 기반으로 분할하고 변화를 추적함으로써 특정 지역뿐만 아니라 지역 전체에 대하여 서로 구별되는 세밀한 예측을 수행할 수 있
도 1은 딥러닝을 이용하여 녹조를 예측하는 방법을 나타낸 개념도이다.
도 2a는 본 발명의 일 실시예에 따라 녹조 예측 대상 지역을 셀 단위로 구분하여 나타낸 도면이다.
도 2b는 도 2a의 지리 모델에서 색상을 이용해 데이터를 표현한 예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법의 동작 순서를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 K-평균 알고리즘을 이용하여 이미지 분할을 수행한 결과를 나타낸 도면이다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 특정 결정계수 값에 따라 구성된 연결 링크를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 노드 간 연결 링크를 이용하여 녹조를 예측하는 지리 모델을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치의 블록 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명은 데이터 분석(예측)에 관한 것으로써 시간적 공간적 연속성이 있는 데이터를 지리적 연관성을 바탕으로 분석함으로써, 환경 데이터, 예를 들어 녹조를 미리 예측할 수 있다.
도 1은 딥러닝을 이용하여 녹조를 예측하는 방법을 나타낸 개념도이다.
도 1에서는 ANN(Artificial Neural Network)을 이용하여 녹조를 예측한다.
여기서, 인공신경망(Atificial Neural Network; ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.
인공신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화되어 가는 교사 학습과 교사 신호를 필요로 하지 않는 비교사 학습이 있다. 명확한 해답이 있는 경우에는 교사 학습이, 데이터 클러스터링에는 비교사 학습이 이용되는 것이 보통이다. 인공신경망은 많은 입력들에 의존하면서 일반적으로 베일에 싸인 함수를 추측하고 근사치를 낼 경우 사용한다. 일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호연결로 표현되고, 적응성이 있어 패턴 인식과 같은 기계학습을 수행할 수 있다.
한편, 심층신경망(Deep Neural Network; DNN)은 도 1에 도시된 바와 같이, 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들을 포함하여 구성된 인공신경망(Artificial Neural Network, ANN)이다. 심층신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다.
통상적으로 딥러닝을 이용해 녹조를 예측하는 방법은, 예를 들어, 도 1에서 X 표로 표시된 지점에서 수집된 환경인자 8종을 2개의 은닉층이 있는 네트워크의 입력 데이터로 활용하여 해당 지점에 녹조가 발생할지 또는 발생하지 않을지를 학습한다.
이때, 예를 들어, 분광 센서로 클로로필-a와 같은 데이터를 수집했을 경우, 조밀한 데이터 측정이 가능하여, 지역적으로 대청호(2.9km x 1.8km)에서 2m 간격의 조밀함으로 데이터를 수집했을 때 60만 지점 이상의 서로 다른 지점에서 데이터를 수집이 가능하다. 여기서, 수집된 서로 다른 측정 데이터를 바탕으로 60만 지점에 대한 ANN 학습을 각각 진행한다는 것은 매우 비효율적이라는 문제가 발생한다.
이러한 문제를 해결하기 위해, 주요 지점에서 데이터 분석(예측)을 진행하고 나머지 부분을 선형 보간으로 채우는 방법이 사용될 수 있지만, 그 결과가 정확하지 못하다는 단점이 있다. 서로 비슷한 위치에 있어도 지리적 특성이 다른 경우 각각이 유의미한 데이터가 될 수 있는데, 해당 방법은 이러한 부분을 충분히 반영할 수 없기 때문이다.
본 발명은 이와 같은 문제를 충분히 인식하고, 공간적 특성에 따라 지역을 구분하고 그룹화하여 데이터 분석 및 예측을 효율적으로 수행하는 데 그 목적이 있다. 지역적 특성을 반영함으로써 기존의 선형 보간 방법보다는 더 정확한 분석 및 예측이 가능하다. 특히, 본 발명에서는 녹조를 미리 예측하여 제어할 수 있도록 하는 방법을 제안한다.
도 2a는 본 발명의 일 실시예에 따라 녹조 예측 대상 지역을 셀 단위로 구분하여 나타낸 도면이다.
본 발명은 전역 공간 데이터를 기반으로 분석한다. 수집된 데이터의 형태가 이미지인 경우는 수집 데이터의 형태를 그대로 사용하고, 수집된 데이터의 형태가 수치인 경우에는 수집된 데이터를 이미지 형태로 변환한다. 도 2a 및 도 2b는 데이터를 지도 위에 가시화하는 방법을 보여준다.
도 2a의 201은 금강 유역 일부를 지리 모델링한 내용이다. 격자 하나에 대해 데이터 값이 별개로 수집되거나 모의(시뮬레이션)를 통해 생성된다. 각 셀들은 서로 다른 값을 갖고 별개의 단위로 취급된다.
도 2b는 도 2a의 지리 모델에서 색상을 이용해 데이터를 표현한 예를 나타낸다. 도 2b에서 202는 별개의 데이터로 처리된 격자를 데이터의 구간을 나누어 가시화하고 있다. 붉은 색은 높은 값을 표현하고 파란색은 낮은 값을 표현하는 방식이다. 시간의 흐름에 따라 202 형식의 서로 다른 히트맵(heat map) 이미지가 생성될 수 있고, 사용자는 그 이미지를 통해 데이터의 변화를 알 수 있다.
도 2a 및 2b와 같이, 각 셀 별로 데이터를 수집하고 표현하는 방법도 있지만, 초분광 센서(이미지)를 통해 데이터를 수집하면 수집한 원시(Raw) 데이터를 바로 이용할 수도 있다. 또는, 후처리를 거쳐 지리 모델링된 셀에 데이터 값을 입력하고 다시 그 내용을 도 2(b)의 202 형식으로 가시화할 수도 있다.
이때, 도 2a또는 2b에 도시된 수많은 셀들에 대해 셀 별로 각각 신경망을 구축하는 것은 비효율적인 방법일 수 있다. 따라서, 본 발명에서는 유사한 셀을 묶어 분석해야 할 신경망의 개수를 줄이고자 한다.
구체적으로, 유사한 셀을 묶는 방법으로, 지역적으로 인접한 셀을 묶는 방법이 있을 수 있다. 예를 들어, 1x1의 단위 사각형 형태의 셀 대신 지역적으로 인접하는 2x2 사각형의 조금 큰 셀 단위로 처리하면 분석해야 하는 신경망의 수를 1/4로 줄일 수 있다. 하지만, 지역적으로 인접했다고 해도 유사한 특성을 지녔다고 단정할 수는 없다. 수(水) 분석의 경우는 물의 흐름에 따른 인접성이 중요하고, 대기를 분석하는 경우에는 바람의 방향이 상관 관계를 형성하게 된다. 문제는 유속장, 풍속, 풍향에 따라 셀을 묶는 방법은 복잡도에 비해 분석 정확도가 높지 않다는 점이다.
본 발명에서는 천이에 따른 K-평균 알고리즘(K-means algorithm)을 사용해 이미지를 색 구분하여 분할한다. k-평균 알고리즘은 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작한다. 이 알고리즘은 자율 학습의 일종으로, 레이블이 달려 있지 않은 입력 데이터에 레이블을 달아주는 역할을 수행한다.
한편, 천이에 따른 대표 이미지 선택과 관련하여, 충분한 데이터 확보가 가능한 경우에는 평균값이 대표 이미지로 선택, 사용할 수 있다. 천이는 시간(계절)이나 사건에 따라 구분되어 발생할 수 있다.
도 3은 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법의 동작 순서를 나타낸다.
본 발명에 따라 지리적 공간에 대한 시공간 데이터를 분석하고 녹조 예측을 수행하기 위해서는 녹조 관련 전수 조사 데이터를 확보하는 절차가 선행된다. 조사된 데이터는 이미지화하여 저장된다(S310). 조사 데이터의 이미지화는 다량의 전수 조사 데이터에 대해 수행되며, 이를 통해 다량의 전수 조사 데이터의 이미지 세트를 확보한다(S320).
다량의 이미지 세트에 포함된 각 이미지는 상태 천이(과정)에 따라 구분될 수 있다. 구분된 각 천이 상태별로 대표 이미지 또는 평균 이미지를 선정한다(S330). 선정된 이미지에 대해서는 K-평균 알고리즘을 통한 클러스터링(clustering)을 수행한다(S340). 이후 클러스터링에 의해 분할된 그룹별 대표값(또는 평균값)을 선정한다(S350).
그룹별 대표값이 선정되면 대표값을 바탕으로 그룹별 연관관계 분석을 실행한다(S360). 분할된 그룹을 노드로 하여, 앞서 실행한 연관관계 분석 결과 값을 바탕으로 연결 링크를 생성한다(S370). 이후, 영향력 분석 등의 그래프 분석을 통해 분할된 그룹별 DNN(Deep Neural Network)을 구성하여 분석 및 예측한다(S380).
본 발명에 따른 시공간 데이터 분석 방법의 각 단계를 보다 상세히 설명하면 아래와 같다.
조사 데이터 확보 단계(S310)에서는 일자별 최대한 많은 데이터를 확보하는 것이 중요하다. 각각의 데이터가 천이(과정)에 따른 대표 이미지 또는 평균 이미지를 선정하는 데 사용되기 때문에 사례가 충분히 확보되어야 분석의 정확성을 높일 수 있기 때문이다.
조사 데이터는 이미지화하여 저장되는데, 이때 이미지의 저장 형식은 특정 형식으로 제한되지 않는다. 즉, 이미지는 RGB(Red, Green, Blue) 형식으로 저장될 수도 있고, HSL(Hue, Saturation, Lightness) 및/또는 HSV(Hue, Saturation, Value) 형식이 사용될 수도 있다. 조사되는 센서 데이터는 대부분 수치 데이터로서 고저, 장단, 대소가 존재하는 특성을 갖고 있고 그 특성을 반영하기 용이한 이미지 파일 형식이 HSL 및/또는 HSV 형식이다. HSL 또는 HSV를 사용하는 방법은 서로 연관성이 있을 경우에 이변량까지 한 번에 처리하는 것이 가능하여 효과적이다.
HSV 형식을 이용한 예에서, S와 V 값을 결정하는 방법은 아래 수학식 1에 따를 수 있다.
Figure pat00001
예를 들어, 측정하는 데이터가 온도일 때, 온도는 영하 50도(변량 최소값)에서 영상 50도(변량 최대값)까지 변동 가능하다고 가정하면 현재 기온이 영상 20도(변량)인 경우 S 값은 70으로 결정될 수 있다.
이렇게 이미지화한 데이터를 구축하면, 데이터의 시기나 상황에 따른 이미지 데이터의 분류(classification)를 수행한다. 이때, 도메인 전문가를 활용하여 데이터를 분류하는 방법이 활용될 수 있다. 이렇게 데이터를 구분하여 분류하는 것을 상태 천이(과정)에 따른 분류라고 할 수 있다. 이를 다르게 표현하면 이미지 데이터에 태그 정보를 붙이는 과정이라고 표현할 수도 있다. 예를 들면, 봄철 대청호 수온, 여름 대청호 수온, 가을 대청호 수온, 겨울 대청호 수온과 같은 시기적인 분류(또는 구분)가 있을 수 있고, 장마철 수질, 봄 가뭄 수질과 같은 사건 기반의 분류도 있을 수 있다. 이러한 분류는 정형화, 자동화되는 것이 바람직하다.
이렇게 이미지들이 분류되어 적어도 하나의 그룹을 형성하면 해당 그룹에 대해 대표 이미지를 선택할 수 있다(S330). 해당 그룹에 충분히 많은 샘플이 존재하는 경우에는 전체 샘플들의 평균값을 구해 대표값으로 선정할 수도 있다.
도 3의 S340 단계에서는, 선정된 대표값(이미지)을 바탕으로 K-평균 알고리즘을 통해 분할(clustering)을 수행한다. 이때, RGB나 HSV나 3차원 벡터로 각 픽셀 데이터를 표현하고 이미지를 분할하는 방법을 사용할 수 있다. 또한, 3차원 벡터에 공간 정보를 삽입하여 5차원 벡터로서 픽셀 데이터를 표현하고 분할하는 방법을 사용할 수도 있다.
공간 정보는 다양한 형식을 사용할 수 있는데, 이때 색상값과 단위 차이가 나지 않도록 정규화하는 것이 중요하다. 보통의 경우 RGB값을 포함하여 5차원의 벡터로 표현할 수 있고, 0 내지 1 사이의 값으로 정규화할 수 있다. 예를 들어, 각 픽셀은 표 1과 같은 형식으로 샘플링될 수 있다.
Figure pat00002
도메인의 특성에 따라 지리적 연관성이 크면 공간 정보를 포함하여 구분할 수 있다. 공간 정보를 포함하는 경우에는 K 값을 크게 설정해야 분석(및 예측)의 정확도가 보장될 수 있다.
도 4는 본 발명의 일 실시예에 따른 K-평균 알고리즘을 이용하여 이미지 분할을 수행한 결과를 나타낸 도면이다.
도 4는 K=6인 경우의 이미지 분할의 예를 나타내고 있다. 도 4를 참조하면, 이미지 데이터는 분할 단계를 거친 후 복수의 그룹을 포함하는 형태로 표현될 수 있음을 알 수 있다.
이후, 그룹 별 대표값 선정 단계(S350)에서는, 도 4에서 하나의 단위로 표현되는 격자별로 중심 벡터를 산출할 수 있고, 대표값을 상징하는 지역을 선정하여 해당 지역의 데이터를 대표값으로 지정할 수도 있다. 해당 그룹의 데이터가 충분하다고 하면 중심 벡터를 구하는 것이 바람직하지만, 데이터 분석을 진행할 때 효율성을 고려한다면 지역을 선정하는 것이 더 나을 수 있다. 중심 벡터를 그때마다 계산하여 입력으로 사용하는 것보다 대표 지점을 선정하여 그곳으로부터 획득되는 측정값을 입력으로 사용하는 것이 보다 편리할 수 있기 때문이다.
각 그룹별 대표값이 선정되면, 연관 분석을 통해 분할된 그룹 간의 연관성을 파악한다(S360). 연관관계 분석은 그래프를 구성하여 지리적 상관성을 고려한 시공간 복합 분석에 활용된다.
그룹 간의 연관성이 파악되면, 연관성이 높은 그룹 간의 연결 링크를 만들어 그래프를 구성한다. 본 발명의 일 실시예에서는, 연관계수, 즉, 결정 계수 R2를 0.65로 설정하였지만 이 값은 적용 도메인에 따라 조정될 수 있다. 예를 들어, K 값이 큰 경우 노드가 많아지게 되므로 그래프를 성기게(Sparse), 즉 조밀하지 않게 만들기 위해서는 R2를 값을 높게 설정하여 연결 링크의 개수를 줄이는 것이 효과적이다.
아래 수학식 2는 상관 관계를 분석한 결과로, 그룹 i및 j간의 상관계수를 제곱한 값인 결정계수 R2 ij 의 행렬로 나타내고 있다.
Figure pat00003
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 특정 결정계수 값에 따라 구성된 연결 링크를 나타낸 도면이다.
도 5a 및 도 5b에서 각 그룹은 숫자로 구분되는 노드에 의해 표현될 수 있다. 수학식 2 및 도 5a를 참조하면, 예를 들어, 그룹 2와 그룹 3 노드 간의 결정 계수가 0.71이고 경계 값을 0.65로 선택하면 그룹 2에 대한 노드와 그룹 3에 대한 노드 간의 링크가 표시된다. 여기서, 경계 값을 0.8로 높이게 되면 도 5b와 같이 링크가 사라지게 된다.
도 6은 본 발명의 일 실시예에 따른 노드 간 연결 링크를 이용하여 녹조를 예측하는 지리 모델을 나타낸 도면이다.
도 6은 대청호 수질을 예측하기 위해 구성된 지리 모델에서 서로 유사성을 보이는 셀들을 묶어서 분석(및 예측)의 동일 단위로 활용한 예를 도시한다. 도 6의 예에서는 지리적 연관성을 중요하게 넣어 서로 인접한 단위로 구분하였는데, 실제 RGB값으로만 분할을 실행하면 서로 인접하지 않은 지역도 하나의 그룹으로 같이 묶일 수 있어 지도 위에 표시할 수 없는 경우가 발생하기 때문이다. 도 6에서 노드의 크기는 유사성을 갖는 지역들의 크기와 비례하여 표현되어 있다. 또한,
이렇게 구성된 지리 모델에 대해서는 그래프 분석이 시행될 수 있다. 본 발명에서는 다양한 그래프 분석을 실시할 수 있는데 그 내용은 적용 도메인에 따라 다를 수 있다. 이러한 그래프 분석을 통해 영향력 분석을 진행하면 수질 개선을 위해 어디를 집중 관리해야 하는지 파악할 수 있다. 예를 들어, 도 6에서 노드 50, 51, 52는 다른 노드들에 많은 영향을 끼치는 노드이다. 이들 중 특히 노드 50의 경우 영향력이 가장 큰 노드이므로, 수질 개선을 위해서는 노드 50에 속하는 지역을 집중 관리해야 함을 알 수 있다.
본 발명은 또한, DNN(Deep Neural Network; 심층신경망)을 이용한 분석을 포함할 수 있다. 앞서 실시예들을 통해 살펴본 바와 같이 본 발명에 따르면 그룹 단위로 분석을 수행하고 예측 결과가 그룹 단위로 고정된다. DNN을 이용해 환경 데이터을 분석하고 예측하는 데 본 발명이 사용되면, 동일한 그룹에 속하는 여러 지점은 서로 유사성을 갖기 때문에 같은 그룹의 대표 지점에서 수집된 데이터만으로도 나머지 지점에서의 녹조 정보를 예측할 수 있다.
도 7은 본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치의 블록 구성도이다.
본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치는, 적어도 하나의 프로세서(710), 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리(720) 및 네트워크와 연결되어 통신을 수행하는 송수신 장치(730)를 포함할 수 있다. 지리적 공간에 대한 시공간 데이터 분석 장치에 의해 분석 및 예측되는 데이터는 환경 이벤트, 특히 녹조 발생과 관련한 데이터일 수 있다. 따라서, 지리적 공간에 대한 시공간 데이터 분석 장치는 예를 들어 녹조 예측 장치일 수 있다.
지리적 공간에 대한 시공간 데이터 분석 장치(700)는 또한, 입력 인터페이스 장치(740), 출력 인터페이스 장치(750), 저장 장치(760) 등을 더 포함할 수 있다. 초해상도 영상 생성 장치(700)에 포함된 각각의 구성 요소들은 버스(bus)(770)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(710)는 메모리(720) 및 저장 장치(760) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(710)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(720) 및 저장 장치(760) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(720)는 읽기 전용 메모리(Read Only Memory, ROM) 및 랜덤 액세스 메모리(Random Access Memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
여기서, 적어도 하나의 명령은, 상기 프로세서로 하여금, 시공간으로 변화하는 데이터를 이미지화하도록 하는 명령; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령; 및 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함할 수 있다.
상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다.
상기 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령은, 상기 각 그룹에 대한 대표 값을 선정하도록 하는 명령; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령은, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하도록 하는 명령; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하도록 하는 명령; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하도록 하는 명령을 포함할 수 있다.
상기 노드 간 영향력 분석을 수행하도록 하는 명령은, 상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함할 수 있다.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다.
상기 적어도 하나의 명령은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함한다.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다.
이상 실시예들을 통해 살펴본 바와 같은 본 발명은 시간과 공간적 연속성이 있는 데이터를 분석하여 미래 예측을 수행하는 데 효과적인 방법을 제시한다. 유사성을 기반으로 이미지를 분할(Clustering)하고 변화를 추적하는 방식으로서, 특정 지역이 아니라 지역 전체에 대해 서로 구별되는 세밀한 예측이 가능하다. 이런 예측은 기존의 선형보간 방법보다 훨씬 정확한 결과를 도출할 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (20)

  1. 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법으로서,
    시공간으로 변화하는 데이터를 이미지화하는 단계;
    이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계;
    선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계; 및
    동일한 그룹 별로 데이터 분석을 수행하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  2. 청구항 1에 있어서,
    상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계는,
    상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  3. 청구항 1에 있어서,
    상기 이미지화된 데이터는,
    픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  4. 청구항 1에 있어서,
    상기 동일한 그룹 별로 데이터 분석을 수행하는 단계는,
    상기 각 그룹에 대한 대표 값을 선정하는 단계; 및
    상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  5. 청구항 4에 있어서,
    상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계는,
    상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하는 단계;
    상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하는 단계; 및
    상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  6. 청구항 5에 있어서,
    상기 노드 간 영향력 분석을 수행하는 단계는,
    상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  7. 청구항 5에 있어서,
    상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  8. 청구항 1에 있어서,
    상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하는 단계를 더 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  9. 청구항 8에 있어서,
    상기 환경 이벤트는 녹조 발생을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  10. 청구항 3에 있어서,
    상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.
  11. 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 장치로서,
    프로세서; 및
    상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함하고,
    상기 적어도 하나의 명령은,
    시공간으로 변화하는 데이터를 이미지화하도록 하는 명령;
    이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령;
    선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령; 및
    동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  12. 청구항 11에 있어서,
    상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은,
    상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  13. 청구항 11에 있어서,
    상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  14. 청구항 11에 있어서,
    상기 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령은,
    상기 각 그룹에 대한 대표 값을 선정하도록 하는 명령; 및
    상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  15. 청구항 14에 있어서,
    상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령은,
    상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하도록 하는 명령;
    상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하도록 하는 명령; 및
    상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  16. 청구항 15에 있어서,
    상기 노드 간 영향력 분석을 수행하도록 하는 명령은,
    상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  17. 청구항 13에 있어서,
    상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  18. 청구항 11에 있어서,
    상기 적어도 하나의 명령은,
    상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  19. 청구항 18에 있어서,
    상기 환경 이벤트는 녹조 발생을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.
  20. 청구항 13에 있어서,
    상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치.
KR1020190114916A 2018-11-19 2019-09-18 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치 KR102492843B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/686,909 US11416701B2 (en) 2018-11-19 2019-11-18 Device and method for analyzing spatiotemporal data of geographical space

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180142910 2018-11-19
KR20180142910 2018-11-19

Publications (2)

Publication Number Publication Date
KR20200058278A true KR20200058278A (ko) 2020-05-27
KR102492843B1 KR102492843B1 (ko) 2023-01-27

Family

ID=70911050

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190114916A KR102492843B1 (ko) 2018-11-19 2019-09-18 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102492843B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
KR20220038963A (ko) * 2020-09-21 2022-03-29 디토닉 주식회사 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템
CN113807208B (zh) * 2021-08-30 2024-05-31 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110454B1 (en) 1999-12-21 2006-09-19 Siemens Corporate Research, Inc. Integrated method for scene change detection
KR100913194B1 (ko) * 2007-08-10 2009-08-24 인하대학교 산학협력단 지아이에스를 이용한 유비쿼터스 기반의 지하매설물 실시간모니터링 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110454B1 (en) 1999-12-21 2006-09-19 Siemens Corporate Research, Inc. Integrated method for scene change detection
KR100913194B1 (ko) * 2007-08-10 2009-08-24 인하대학교 산학협력단 지아이에스를 이용한 유비쿼터스 기반의 지하매설물 실시간모니터링 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220038963A (ko) * 2020-09-21 2022-03-29 디토닉 주식회사 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN113807208B (zh) * 2021-08-30 2024-05-31 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
KR102492843B1 (ko) 2023-01-27

Similar Documents

Publication Publication Date Title
Wang et al. Machine learning in modelling land-use and land cover-change (LULCC): Current status, challenges and prospects
CN110139067B (zh) 一种野生动物监测数据管理信息系统
CN105354273A (zh) 一种快速检索高速公路逃费车辆高相似度图像的方法
CN107527007A (zh) 用于检测关注对象的图像处理系统
KR102517513B1 (ko) 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법
Prabhushankar et al. Contrastive explanations in neural networks
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
Duan et al. A semi-supervised deep learning approach for vessel trajectory classification based on AIS data
CN113160150B (zh) 线网异物入侵ai检测方法与装置
CN112801236B (zh) 图像识别模型的迁移方法、装置、设备及存储介质
Silver et al. In vino veritas: Estimating vineyard grape yield from images using deep learning
Li et al. Localizing and quantifying infrastructure damage using class activation mapping approaches
CN111639587A (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
Fitrianah et al. Feature exploration for prediction of potential tuna fishing zones
Aburasain et al. Drone-based cattle detection using deep neural networks
CN113378785A (zh) 森林类型识别方法及装置
CN117765480B (zh) 一种道路沿线野生动物迁徙预警方法及系统
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
Mao et al. Domain randomization-enhanced deep learning models for bird detection
Apeagyei et al. Evaluation of deep learning models for classification of asphalt pavement distresses
KR102492843B1 (ko) 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치
CN112528058A (zh) 基于图像属性主动学习的细粒度图像分类方法
US11416701B2 (en) Device and method for analyzing spatiotemporal data of geographical space
Carpenter et al. Biologically inspired approaches to automated feature extraction and target recognition
CN115019218B (zh) 图像处理方法和处理器

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right