KR20210067721A - 인공신경망을 이용한 해양환경 예측 시스템 및 방법 - Google Patents

인공신경망을 이용한 해양환경 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20210067721A
KR20210067721A KR1020190157622A KR20190157622A KR20210067721A KR 20210067721 A KR20210067721 A KR 20210067721A KR 1020190157622 A KR1020190157622 A KR 1020190157622A KR 20190157622 A KR20190157622 A KR 20190157622A KR 20210067721 A KR20210067721 A KR 20210067721A
Authority
KR
South Korea
Prior art keywords
data
neural network
learning
marine
artificial neural
Prior art date
Application number
KR1020190157622A
Other languages
English (en)
Inventor
양영준
장원두
손정민
Original Assignee
동명대학교산학협력단
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 동명대학교산학협력단 filed Critical 동명대학교산학협력단
Priority to KR1020190157622A priority Critical patent/KR20210067721A/ko
Publication of KR20210067721A publication Critical patent/KR20210067721A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 인공신경망을 이용한 해양환경 예측 시스템 및 방법에 관한 것으로, 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경을 예측하는 시스템에 있어서, 해상이미지를 생성하여 전송하는 레이더; 파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하는 해양환경 계측모듈; 상기 레이더로부터 수신되는 상기 해상이미지가 저장되는 해상이미지 저장부와, 상기 해양환경 계측모듈로부터 수신되는 상기 계측정보를 저장하는 계측정보 저장부와, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와, 상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성부를 포함하는 학습데이터 생성모듈; 상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키는 신경망 학습모듈; 및 상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하는 예측정보 산출모듈;을 포함하여 구성되는 것을 특징으로 한다.

Description

인공신경망을 이용한 해양환경 예측 시스템 및 방법{System and method for predicting marine environment with artificial neural network}
본 발명은 해양환경 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 레이더를 통해 생성되는 해상영상을 인공신경망을 이용한 딥러닝 방식으로 분석하여, 파랑의 파고, 파주기, 파향 등의 해양환경에 대한 예측정보를 산출하도록 구성되는 예측 시스템 및 방법에 관한 것이다.
국내의 경우 지형적 특성상 해양 기후에 많은 영향을 받게 되므로, 이에 따라 해양 기상을 관측하여 실생활에도 적용하고, 각종 산업에 활용하기 위해 많은 비용과 노력이 투자되고 있는 실정이다.
일반적으로, 해양 기상 관측이란 해상에서 기상 요소를 비롯한 조위, 파고, 파주기, 파향, 풍향, 풍속 등을 실시하는 관측을 말하는 것으로, 해양 기상 관측을 위해서 다양한 장소에 다양한 장비를 설치하여 관측이 이루어지고 있으며, 관측한 자료를 바탕으로 각종 기관에는 예보자료를 도출하여 생활 및 산업에 활용할 수 있도록 제공하고 있다.
한편, 파랑의 파고, 파주기, 파향과 같은 해양 기상을 관측하는 대표적인 방법으로 해양 기상을 관측하기 위한 관측 센서를 설치하여 계측하는 방법이 있으며, 이에 사용되는 관측 센서는 주로 해양에서 기상 및 해상 상황을 자동 관측하기 위한 부이(buoy)에 설치되어 운용되고 있고, 부이에 설치된 관측 센서를 통해 계측한 값이 현재로서는 가장 신뢰성이 높은 상황이다.
그러나, 관측 센서를 부이에 설치하여 파랑과 같은 해양 기상을 계측하기 위해서는, 관측 센서를 설치한 부이의 전자장치 모듈은 방수가 요구되기 때문에 이를 위해 모듈 내의 습한 공기를 제거하기 위해 질소나 프레온 가스를 주입해야 하는데, 이를 위한 비용이 지속적으로 발생되게 되므로, 이로 인해 해당 장비를 사용하는 경우에는 파랑과 같은 해양 기상을 계측하는 과정에서 지속적으로 비용이 소요됨에 따라 경제적이지 못하다.
또한, 부이는 선박과의 충돌이나 태풍과 같은 외력에 의해 파손되거나 유실되는 위험에 항상 노출되어 있는 한계가 있어, 부이를 활용하는 계측장치를 대체하거나 보조할 계측 장비의 필요성이 대두되고 있다.
한편, 한국등록특허 제10-0795497호에서는, 파랑 계측 시스템에 관한 기술로, 레이더 영상에 하나 이상의 해석 영역을 선택하고, 선택된 해석 영역을 고속 푸리에 변환을 통해 파워 스펙트럼을 구성하며, 해석영역별 방향과 스펙트럼을 계산하고, 해석 영역별 방향과 스펙트럼을 합성하여, 최종적으로 합성된 스펙트럼에서 파랑 및 조류 정보를 처리하도록 구성되며, 실제 수집된 파랑과 이미지 스펙트럼의 신호 대 잡음비를 이용하여 파랑정보를 계산하도록 구성된 것을 특징으로 한다.
그러나, 상기와 같은 종래기술은, 통계적 모델을 기반으로 하여 음성 또는 영상을 분석하는 기법이 적용되었으며, 이러한 종래기술에서는 분석하고자 하는 음성 또는 영상의 특징 정보가 부족하거나, 영상의 경우 입력된 영상이 흔들린 경우 등 인식률이 떨어지는 문제가 발생되어, 분석결과의 정확도가 저하되는 문제점이 발생되고 있어 이에 대한 방안이 필요한 실정이다.
본 발명은 전술한 바와 같이, 인공신경망을 이용한 딥러닝 방식에 의해 파고, 파주기, 파향 등의 해양환경에 대한 예측 정확성을 향상시킬 수 있도록 한 인공신경망을 이용한 해양환경 예측 시스템 및 방법을 제공하는 데 목적이 있다.
본 발명에 따른 인공신경망을 이용한 해양환경 예측 시스템은, 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경을 예측하는 시스템에 있어서, 해상이미지를 생성하여 전송하는 레이더; 파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하는 해양환경 계측모듈; 상기 레이더로부터 수신되는 상기 해상이미지가 저장되는 해상이미지 저장부와, 상기 해양환경 계측모듈로부터 수신되는 상기 계측정보를 저장하는 계측정보 저장부와, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와, 상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성부를 포함하는 학습데이터 생성모듈; 상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키는 신경망 학습모듈; 및 상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하는 예측정보 산출모듈;을 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 해상이미지 가공부는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성되는 것을 특징으로 한다.
또한, 상기 학습데이터 생성부는, 상기 하나의 데이터세트가 일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 학습데이터 생성부는, 생성되는 학습데이터를 상기 계측정보를 바탕으로 기설정된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되, 각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성되는 것을 특징으로 한다.
또한, 상기 인공신경망은, 컨볼루션 신경망으로 이루어지는 것을 특징으로 한다.
한편, 본 발명에 따른 인공신경망을 이용한 해양환경 예측 방법은, 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경을 예측하는 방법에 있어서, 해상이미지 저장부에서 레이더에서 생성되는 해상이미지를 수신하여 저장하고, 계측정보 저장부에서 해양환경 계측모듈에 의해 생성되는 파고, 파주기, 파향 중 적어도 하나 이상을 포함하는 계측정보를 수신하여 저장하는 원시데이터 수집단계; 해상이미지 가공부에서, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공단계; 학습데이터 생성부에서, 생성된 상기 가공이미지데이터의 원시데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 대응되어 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성단계; 신경망 학습모듈에서, 상기 학습데이터 생성부를 통해 생성되는 상기 학습데이터를 이용하여 인공신경망을 학습시키는 신경망 학습단계; 및 예측정보 산출모듈에서, 상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용하여 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하는 예측정보 산출단계;를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 해상이미지 가공단계는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 제1 변환이미지데이터를 생성하는 3D-FFT 처리단계와, 생성된 상기 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하는 로그변환단계를 포함하는 것을 특징으로 한다.
또한, 상기 학습데이터 생성단계는, 상기 학습데이터 생성부에서, 상기 하나의 데이터세트는 일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하도록 한 것을 특징으로 한다.
또한, 상기 학습데이터 생성단계 이후에, 상기 학습데이터 생성부에서, 생성되는 학습데이터를 상기 계측정보를 바탕으로 기설된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되, 각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성되는 학습데이터수 조정단계;를 더 포함하는 것을 특징으로 한다.
본 발명에 따른 인공신경망을 이용한 해양환경 예측 시스템 및 방법은, 레이더를 통해 수집되는 해상이미지를, 인공신경망을 이용한 딥러닝 학습 기법을 적용하여 파랑의 파고, 파주기, 파향 등의 해양환경에 대한 예측정보를 산출하도록 구성됨으로써, 해양환경에 대한 예측 정확도를 향상시킬 수 있는 효과가 있다.
또한, 본 발명에 따른 인공신경망을 이용한 해양환경 예측 시스템 및 방법은, 레이더를 통해 수집되는 해상이미지를 1차로 3D-FFT 처리 후, 2차로 로그변환 처리를 통해 가공한 가공이미지데이터를 이용하도록, 해상이미지 가공처리 수단 및 과정을 더 포함하도록 구성됨으로써, 해양환경에 대한 예측 정확도를 더욱 향상시킬 수 있는 효과가 있다.
또한, 본 발명에 따른 인공신경망을 이용한 해양환경 예측 시스템 및 방법은, 레이더를 통해 수집되는 일련의 연속적인 해상이미지를 종합적으로 분석하도록 구성됨에 따라, 해양환경에 대한 예측 정확도를 더욱 향상시킬 수 있는 효과가 있다.
더불어, 본 발명에 따른 인공신경망을 이용한 해양환경 예측 시스템 및 방법은, 학습데이터를 복수의 학습데이터군에 나누어 저장하되, 각 학습데이터군에 저장되는 학습데이터 수를 동일하도록 조정하도록 함으로서, 인공신경망의 딥러닝 학습을 위한 학습데이터 분포를 균일하도록 하여, 분석 정확성을 보다 더 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 시스템 및 방법의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 방법의 작동과정을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 방법 중 해상이미지 가공단계를 보다 상세히 나타낸 순서도이다.
도 4는 본 발명의 인공신경망을 이용한 해양환경 예측 방법에서, 해상이미지 가공단계 이전의 해상이미지 원본 예시를 나타낸다.
도 5는 본 발명의 인공신경망을 이용한 해양환경 예측 방법에서, 해상이미지 가공단계를 통해 가공이 완료된 가공이미지데이터 예시를 나타낸다.
도 6은 본 발명에 따른 인공신경망을 이용한 해양환경 예측 방법을 이용하여 파랑 실제 계측 데이터를 바탕으로 예측테스트를 진행한 결과, 실제 계측 데이터와 예측 데이터 간의 상관관계를 나타낸 그래프이다.
이상과 같은 본 발명에 해결하고자 하는 과제, 과제의 해결수단, 발명의 효과를 포함한 구체적인 사항들은 다음에 기재할 실시예 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
또한, 명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함” 또는 “구비”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함하거나 구비할 수 있는 것을 의미한다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
도 1은 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 모니터링 시스템의 구성을 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 시스템은, 크게, 레이더, 해양환경 계측모듈, 학습데이터 생성모듈, 신경망 학습모듈, 예측정보 산출모듈을 포함한다.
우선, 레이더는, 인공신경망 학습을 위한 학습데이터를 생성하는 원시데이터를 제공하고, 또한 해양환경을 실시간으로 예측할 수 있도록 예측정보 산출모듈에 해양환경 예측을 위한 해상이미지를 전송하기 위한 것으로, 운항중인 선박이나, 해양구조물, 해안 등에 설치되어, 레이더 해상이미지를 제공하도록 구성된다.
레이더에서 생성되는 영상이미지는 레이더 안테나로부터 조사된 신호가 해수면에 부딪혀 되돌아오기까지 걸린 시간과 방향, 그리고 그 때의 신호 크기 등을 나타내며, 해수면의 높이를 정량적인 값으로 보여주는 것은 아니나, 파랑의 파고, 파주기, 파향과 밀접한 정보를 내포하고, 있으며, 연속적인 영상이미지를 수집하는 경우 시간적인 정보 또한 얻을 수 있으며, 또한, 레이더는 X밴드 레이더로 구성될 수 있으며, X밴드 레이더는 대체적으로 저가이며, X밴드 레이더로 수집되는 레이더 영상을 기초로 음영 영역을 추출하여, 추출된 음영역에 따라 파고, 파주기, 파향 등을 예측할 수 있게 된다.
다음으로, 해양환경 계측모듈은, 학습데이터를 생성하기 위하여 실제 해양환경에 대한 계측정보를 제공하기 위한 것으로, 파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하도록 구성된다.
다음으로, 학습데이터 생성모듈은, 딥러닝 학습을 위한 인공신경망을 학습시키기 위한 학습데이터를 생성하기 위한 것으로,
레이더로부터 수신되는 해상이미지가 저장되는 해상이미지 저장부와,
해양환경 계측모듈로부터 수신되는 계측정보를 저장하는 계측정보 저장부와,
해상이미지 저장부에 저장된 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와,
가공이미지데이터의 원시 데이터인 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 계측정보 저장부로부터 추출하여, 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성부를 포함하여 구성된다.
다음으로, 신경망 학습모듈은, 해양환경에 대한 예측정보를 실시간으로 산출할 수 있도록 딥러닝 학습이 이루어질 수 있도록 인공신경망을 학습시키기 위한 것으로, 학습데이터 생성모듈을 통해 생성되는 학습데이터를 이용하여 인공신경망을 학습시키도록 구성되는 것으로, 보다 상세하게는, 상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키도록 구성된다.
이때, 인공신경망은 컨볼루션 신경망으로 이루어질 수 있다.
다음으로, 예측정보 산출모듈은, 예측대상인 해양환경정보를 산출하기 위한 것으로, 예측대상인 해양환경정보는, 파랑의 파고, 파주기, 파량 중 적어도 하나를 포함하여 구성되며,
한편, 해양환경 계측모듈, 학습데이터 생성모듈, 신경망 학습모듈, 예측정보 산출모듈은, 컴퓨터와 같은 하나 이상의 프로세서를 포함하는 장치에 포함되어 구현될 수 있으며, 레이저와 각 모듈 간, 또는 각 모듈 간의 데이터 송수신은 유무선 통신수단에 의해 이루어질 수 있다.
한편, 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 모니터링 시스템에서, 학습데이터 생성모듈을 보다 상세히 살펴보면 다음과 같다.
우선, 해상이미지 가공부는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성되는 것을 특징으로 한다.
또한, 해상이미지 가공부는, 상기 하나의 데이터세트가, 일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하여 구성될 수 있다.
또한, 학습데이터 생성부는, 생성되는 학습데이터를 상기 계측정보를 바탕으로 기설정된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되, 각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성될 수 있다.
도 2는 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 방법의 작동과정을 나타낸 순서도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 인공신경망을 이용한 해양환경 예측 방법은,
원시데이터 수집단계 : 해상이미지 저장부에서 레이더에서 생성되는 해상이미지를 수신하여 저장하고, 계측정보 저장부에서 해양환경 계측모듈에 의해 생성되는 파고, 파주기, 파향 중 적어도 하나 이상을 포함하는 계측정보를 수신하여 저장하도록 구성된다.
해상이미지 가공단계 : 해상이미지 가공부에서, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하도록 구성된다.
학습데이터 생성단계 : 학습데이터 생성부에서, 생성된 상기 가공이미지데이터의 원시데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 대응되어 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하도록 구성된다.
신경망 학습단계 : 신경망 학습모듈에서, 상기 학습데이터 생성부를 통해 생성되는 상기 학습데이터를 이용하여 인공신경망을 학습시키도록 구성되며, 이를 통해 입력데이터인 가공이미지데이터에 대하여, 해당 이미지에 대한 예측값인 결과데이터가 데이터세트의 계측정보가 되도록 인공신경망을 학습시킴에 따라, 향후 레이더로부터 수신되는 해상이미지를 인공신경망에 입력하는 경우 학습된 인공신경망에 의해 해당 해상이미지를 바탕으로 해양환경에 대한 예측정보를 산출하게 되고, 이때 해양환경에 대한 예측정보는 파고, 파주기, 파향 중 하나의 예측정보를 포함하게 된다.
예측정보 산출단계 : 예측정보 산출모듈에서, 상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용하여 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하도록 구성된다.
한편, 상기의 해상이미지 가공단계는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 제1 변환이미지데이터를 생성하는 3D-FFT 처리단계와, 생성된 상기 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하는 로그변환단계를 포함하여 구성될 수 있으며, 이와 같은 경우, 해상이미지에 대한 전처리를 통해 산출되는 예측정보의 정확성을 향상시킬 수 있다.
또한, 상기 학습데이터 생성단계는, 상기 학습데이터 생성부에서, 상기 하나의 데이터세트는, 일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하도록 하여, 연속적인 복수개의 이미지를 종합적으로 입력데이터로 활용하여, 해당 데이터를 바탕으로 해양환경에 대한 예측정보를 산출하도록 구성되어, 산출되는 예측정보의 정확성을 보다 더 향상시킬 수 있게 된다.
더불어, 학습데이터 생성단계 이후에, 상기 학습데이터 생성부에서, 생성되는 학습데이터를 상기 계측정보를 바탕으로 기설된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되, 각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성되는 학습데이터수 조정단계를 더 포함하도록 구성될 수 있으며, 이와 같은 경우에는, 인공신경망의 딥러닝 학습을 위한 학습데이터 분포를 균일하도록 하여, 분석 정확성을 보다 더 향상시킬 수 있게 된다.
도 6은 본 발명에 따른 인공신경망을 이용한 해양환경 예측 방법을 이용하여 파랑 실제 계측 데이터를 바탕으로 예측테스트를 진행한 결과, 실제 계측 데이터와 예측 데이터 간의 상관관계를 나타낸 그래프이다.
(실험예)
1) 울릉도 도동등대에 설치된 X밴드 레이더를 통해 수집된 레이더 영상 이미지를 활용하여, 5개월 간 수집된 파랑 계측 데이터를 원시데이터로 확보하였다. 또한, 원시데이터로, 기상청에서 운용중인 해양기상부이를 통해 계측된 파랑 실제 계측 데이터를 확보하였다.
2) 컨볼루션 신경망을 사용하여, 본 발명에 따른 인공신경망을 이용한 해양환경 예측 방법을 통해 해양환경 예측정보를 산출하도록 테스트를 수행하였다.
3) 테스트를 통해 산출된 예측값과, 파랑 실제 계측 데이터를 비교하여, 분석 결과를 살펴본 결과는, 도 6에 도시된 바와 같이, 연구결과 상관계수 0.9576이 도출되어, 예측 정확성 향상됨을 확인할 수 있다.
이와 같이, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술분야의 당업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.
그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (9)

  1. 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경을 예측하는 시스템에 있어서,
    해상이미지를 생성하여 전송하는 레이더;
    파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하는 해양환경 계측모듈;
    상기 레이더로부터 수신되는 상기 해상이미지가 저장되는 해상이미지 저장부와, 상기 해양환경 계측모듈로부터 수신되는 상기 계측정보를 저장하는 계측정보 저장부와, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와, 상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성부를 포함하는 학습데이터 생성모듈; 및
    상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키는 신경망 학습모듈;
    상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하는 예측정보 산출모듈;을 포함하여 구성되는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
  2. 제1항에 있어서,
    상기 해상이미지 가공부는,
    상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성되는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
  3. 제1항에 있어서,
    상기 학습데이터 생성부는,
    상기 하나의 데이터세트가
    일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하여 구성되는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
  4. 제1항에 있어서,
    상기 학습데이터 생성부는,
    생성되는 학습데이터를 상기 계측정보를 바탕으로 기설정된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되,
    각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성되는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
  5. 제1항에 있어서,
    상기 인공신경망은,
    컨볼루션 신경망으로 이루어지는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
  6. 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경을 예측하는 방법에 있어서,
    해상이미지 저장부에서 레이더에서 생성되는 해상이미지를 수신하여 저장하고, 계측정보 저장부에서 해양환경 계측모듈에 의해 생성되는 파고, 파주기, 파향 중 적어도 하나 이상을 포함하는 계측정보를 수신하여 저장하는 원시데이터 수집단계;
    해상이미지 가공부에서, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공단계;
    학습데이터 생성부에서, 생성된 상기 가공이미지데이터의 원시데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 대응되어 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 학습데이터 생성단계;
    신경망 학습모듈에서, 상기 학습데이터 생성부를 통해 생성되는 상기 학습데이터를 이용하여 인공신경망을 학습시키는 신경망 학습단계; 및
    예측정보 산출모듈에서, 상기 신경망 학습모듈을 통해 학습된 인공신경망을 이용하여 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측정보를 산출하여 제공하는 예측정보 산출단계;를 포함하여 구성되는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 방법.
  7. 제6항에 있어서,
    상기 해상이미지 가공단계는,
    상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 제1 변환이미지데이터를 생성하는 3D-FFT 처리단계와,
    생성된 상기 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하는 로그변환단계를 포함하는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 방법.
  8. 제6항에 있어서,
    상기 학습데이터 생성단계는,
    상기 학습데이터 생성부에서, 상기 하나의 데이터세트는
    일련의 연속적인 복수개의 가공이미지데이터와, 상기 연속적인 복수개의 가공이미지데이터의 원시 데이터가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출되는 계측정보를 포함하도록 한 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 방법.
  9. 제6항에 있어서,
    상기 학습데이터 생성단계 이후에,
    상기 학습데이터 생성부에서, 생성되는 학습데이터를 상기 계측정보를 바탕으로 기설된 분류기준에 따라 복수개의 학습데이터군으로 분류하여 저장하되,
    각 학습데이터군에 저장되는 학습데이터 수가 동일해지도록, 상기 복수개의 학습데이터군 중 가장 적은 수의 학습데이터를 포함하는 학습데이터군의 학습데이터 수에 맞춰 나머지 학습데이터군에 저장되는 학습데이터 수를 조정하도록 구성되는 학습데이터수 조정단계;를 더 포함하는 것을 특징으로 하는 인공신경망을 이용한 해양환경 예측 시스템.
KR1020190157622A 2019-11-29 2019-11-29 인공신경망을 이용한 해양환경 예측 시스템 및 방법 KR20210067721A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190157622A KR20210067721A (ko) 2019-11-29 2019-11-29 인공신경망을 이용한 해양환경 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157622A KR20210067721A (ko) 2019-11-29 2019-11-29 인공신경망을 이용한 해양환경 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20210067721A true KR20210067721A (ko) 2021-06-08

Family

ID=76399804

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157622A KR20210067721A (ko) 2019-11-29 2019-11-29 인공신경망을 이용한 해양환경 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20210067721A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102420981B1 (ko) 2021-12-23 2022-07-14 한화시스템 주식회사 수심에 따른 해양환경 시뮬레이터 및 시뮬레이팅 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
KR20230001875A (ko) * 2021-06-29 2023-01-05 한국해양과학기술원 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법
KR102511967B1 (ko) * 2021-11-19 2023-03-20 (주)해양정보기술 영상 기반 해수위 관측 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230001875A (ko) * 2021-06-29 2023-01-05 한국해양과학기술원 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법
KR102511967B1 (ko) * 2021-11-19 2023-03-20 (주)해양정보기술 영상 기반 해수위 관측 방법 및 시스템
KR102420981B1 (ko) 2021-12-23 2022-07-14 한화시스템 주식회사 수심에 따른 해양환경 시뮬레이터 및 시뮬레이팅 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
Callens et al. Using Random forest and Gradient boosting trees to improve wave forecast at a specific location
KR20210067721A (ko) 인공신경망을 이용한 해양환경 예측 시스템 및 방법
Ayet et al. Nowcasting solar irradiance using an analog method and geostationary satellite images
CN114384015A (zh) 一种基于多源遥感和机器学习的水环境监测方法
Penalba et al. A data-driven long-term metocean data forecasting approach for the design of marine renewable energy systems
CN112433233B (zh) 一种基于粒子群算法的gnss-r海面风速反演方法及系统
Chen et al. Rain-contaminated region segmentation of X-band marine radar images with an ensemble of SegNets
Mounet et al. Deriving spatial wave data from a network of buoys and ships
CN113935228A (zh) 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法
Osawa et al. Wave height and peak wave period prediction using recurrent neural networks
Dorian et al. Bi-class classification of humpback whale sound units against complex background noise with Deep Convolution Neural Network
Horne et al. Determining representative ranges of point sensors in distributed networks
KR102156237B1 (ko) X밴드 레이더 영상을 이용한 해상풍 계측 시스템 및 계측 방법
Satterfield et al. Assessing the performance of an ensemble forecast system in predicting the magnitude and the spectrum of analysis and forecast uncertainties
Champenois et al. Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements
Akinturk et al. Estimates of wave field in the vicinity of a floating body using its motions and machine learning techniques
KR102386532B1 (ko) 파랑 예측 정보를 이용하여 해상 환경 정보를 보정하는 멀티-레이어 퍼셉트론 기반의 해상 환경 정보 보정 모델을 학습하는 방법과 테스팅 방법 및 이를 이용한 학습 장치와 테스팅 장치
CN117217103B (zh) 基于多尺度注意力机制的星载sar海杂波生成方法及系统
JP3245238U (ja) 学習装置と予測補正装置を備える予測補正システム
Wang et al. Multi step prediction method of ship pitch based on Conv-Informer model
KR20200104694A (ko) X밴드 레이더 영상을 이용한 파랑 계측 시스템 및 계측 방법
Schmid et al. Conference report: Fourth European nowcasting conference
KR102589878B1 (ko) 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법
이준범 Development of Prediction Models of Ship Power and Ocean Environmental Data Based on Deep Learning
Macdonald et al. Robust Storm Surge Forecasts for Early Warning System: A Machine Learning Approach Using Adaptive Monte Carlo Bayesian Model Selection Algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application