KR20220093798A - 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 - Google Patents

인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 Download PDF

Info

Publication number
KR20220093798A
KR20220093798A KR1020200184880A KR20200184880A KR20220093798A KR 20220093798 A KR20220093798 A KR 20220093798A KR 1020200184880 A KR1020200184880 A KR 1020200184880A KR 20200184880 A KR20200184880 A KR 20200184880A KR 20220093798 A KR20220093798 A KR 20220093798A
Authority
KR
South Korea
Prior art keywords
shellfish
habitat
analysis target
target area
data
Prior art date
Application number
KR1020200184880A
Other languages
English (en)
Other versions
KR102600529B1 (ko
Inventor
김계림
김근용
김범준
유주형
이인태
Original Assignee
한국해양과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to KR1020200184880A priority Critical patent/KR102600529B1/ko
Publication of KR20220093798A publication Critical patent/KR20220093798A/ko
Application granted granted Critical
Publication of KR102600529B1 publication Critical patent/KR102600529B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • B64C2201/123
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B64AIRCRAFT; AVIATION; COSMONAUTICS
    • B64UUNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00UAVs specially adapted for particular uses or applications
    • B64U2101/30UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 예측 방법은, 무인비행기 자료를 기반으로 특정 지역에서 패류가 서식하기 적합한지 여부를 예측하고, 패류가 서식하는 서식지의 변화를 분석할 수 있도록 한다.

Description

인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 시스템{SYSTEM AND METHOD FOR PREDICTING SHELFISH FOR HABITAT}
본 발명은 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법에 관한 것으로서, 보다 상세하게는 무인비행기 자료를 기반으로 특정 지역에서 패류가 서식하기 적합한지 여부를 예측하고, 패류가 서식하는 서식지의 변화를 분석하기 위한 기술에 관한 것이다.
이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.
해양 갯벌에는 다양한 생물이 서식하는 공간이다. 최근 들어 갯벌 생태의 중요성이 대두되고 있는 시점에서 갯벌에서 서식하는 패류의 개체 수가 줄어 패류 서식지를 확보하기 위한 기술이 요구되고 있다.
패류 서식지를 예측하기 위해서는 패류가 서식하는 갯벌의 환경, 조건 등에 해당하는 패류 서식지 환경을 확인해야 하고, 이를 위해 갯벌 영상, 이미지가 포함된 위성자료를 중심으로 패류 서식지 환경을 확인하고 있다.
그러나, 공간해상도와 분광해상도에 한계와 함께 사용된 위성자료를 통한 패류 서식지 환경에 대한 정확한 이해가 부족한 것이 현실이다.
이에, 패류가 서식하기 적합한 환경을 정확하게 예측할 수 있는 기술이 요구되고 있는 실정이다.
한편, 전술한 선행기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명의 실시 예는, 패류가 서식하기 적합한 환경을 예측할 수 있도록 한다.
또한, 본 발명의 실시 예는 패류가 서식할 수 있는 서식지의 특징을 추출하여 패류 서식지 변화를 분석할 수 있도록 한다.
또한, 본 발명의 실시 예는 무인비행기를 이용하여 패류 서식지의 공간적 특징을 수집하고, 기 학습한 패류 서식지 특징에 따라 수집한 패류 서식지가 실제 패류가 서식하기 적합한 지역인지를 예측할 수 있도록 한다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 방법은, 무인비행기를 기반으로 분석 대상 지역의 패류 서식 환경 자료를 생성하고, 지리정보시스템을 기반으로 상기 패류 서식 환경 자료와 상기 분석 대상 지역의 자료의 상관 관계를 분석하며, 분석된 상기 패류 서식 환경과 상기 분석 대상 자료 사이의 상관 관계에 기초하여 패류 서식지를 예측하는 과정을 통해 패류 서식지를 예측할 수 있도록 한다.
이때, 상관 관계를 분석하는 과정에서, 상기 지리정보시스템을 기초로 설정된 상기 패류 서식과 연계된 임의의 독립 변수 및 상기 패류가 서식하는 위치와 연계된 임의의 종속 변수를 분석하고, 상기 지리정보시스템은 상기 독립 변수와 상기 종속 변수 사이의 공간적 관계를 이용한 미리 훈련된 빈도비 모델인 것을 특징으로 한다.
또한, 상관 관계 분석은, 상기 분석 대상 지역에 분포된 패류 분포도 및 상기 분석 대상 지역에 서식하는 패류 서식도를 결정하고, 상기 패류 분포도와 상기 패류 서식도를 등급화하여 패류 분포 면적 비율을 산출한 후, 상기 분석 대상 지역의 환경에 따라 상기 패류가 분포하는 영향력을
Figure pat00001
(여기서, A는 상기 패류 분포도와 상기 패류 서식도별 등급에 따른 면적 비율, B는 상기 패류 분포도와 상기 패류 서식도 등급에 따른 패류 분포 면적 비율임)를 기준하여 분석하는 과정으로 수행될 수 있다.
또한 패류 서식지 예측은, 서식지 분류 신경망을 통해 상기 패류 분포도 및 상기 패류 서식지의 상관 관계를 이용하여 상기 패류 서식지를 예측할 수 있고, 상기 서식지 분류 신경망은 상기 패류 분포도 및 상기 패류 서식지의 생성 패턴이 레이를링된 훈련 데이터를 이용하여 미리 훈련된 신경망인 것을 특징으로 한다.
또한, 패류 서식지를 예측한 이후에 예측된 상기 패류 서식지 정확도를 검증하고, 검증된 상기 패류 서식지를 기초로 상기 패류 서식지 위치 및 면적을 산출할 수 있다.
한편, 패류가 서식하는 환경을 생성할 때, 상기 패류 서식 환경 자료에 기초하여 상기 분석 대상 지역에 위치한 상기 패류의 서식 영역을 설정하고, 상기 패류 서식 여부에 따라 상기 분석 대상 지역에 점수를 부여할 수 있다.
예를 들어, 상기 분석 대상 지역에 점수를 부여할 때, 상기 분석 대상 지역에 상기 패류의 개체수가 미리 설정된 조건 이상 출현하는 것으로 판단되면, 상기 분석 대상 지역에 가점을 부여하거나, 상기 분석 대상 지역의 지형 고도, 경사 방향, 상기 분석 대상 지역으로 유입되는 조류 밀도, 조류와의 거리 중 적어도 어느 하나가 기 저장된 상기 패류 서식지 환경 조건과 상충한다고 판단하면, 상기 분석 대상 지역에 감점을 부여하는 것을 특징으로 한다.
이때, 분석 대상 지역에 감점을 부여하기 위해서는 상기 분석 대상 지역 주변의 고도가 상기 패류 서식을 위한 고도 범위에서 벗어나는 경우, 상기 분석 대상 지역에 감점을 부여하게 된다.
또한, 상기 패류 서식지를 예측할 때, 상기 분석 대상 지역에 부여하는 점수 중 가장 높은 점수를 획득한 상기 분석 대상 지역을 상기 패류 서식지로 예측하는 것을 특징으로 한다.
한편, 본 발명의 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 시스템은, 무인비행기를 기반으로 분석 대상 지역의 맵을 포함하는 상기 분석 대상 지역의 패류 서식 환경 자료를 생성하는 데이터 생성부, 지리정보시스템을 기반으로 상기 패류 서식 환경 자료와 상기 분석 대상의 자료의 상관 관계를 분석하는 분석부, 분석된 상기 패류 서식 환경과 상기 분석 대상 자료 사이의 상관 관계에 기초하여 패류 서식지를 예측하는 예측부를 포함하여 구성될 수 있다.
이때, 상기 데이터 생성부는, 상기 분석 대상 지역에 서식하는 상기 패류의 종, 상기 분석 대상 지역에 서식하는 패류의 개체 수 및 상기 분석 대상 지역의 환경 정보 중 적어도 어느 하나의 정보를 생성할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법에 따르면, 갯벌 환경 정보를 획득한 뒤, 획득한 갯벌 환경 정보를 인공 지능 기술에 적용하여 정보를 획득한 갯벌이 패류가 서식하기 적합한 지역인지를 예측할 수 있다.
구체적으로, 패류가 서식할 수 있는 서식지 후보 지역인 분석 대상 지역을 선정하면, 선정된 분석 대상 지역의 표층 퇴적 정보, 지형 고도, 조류의 흐름, 밀도 등의 패류 서식 환경 자료를 생성할 수 있다. 생성된 서식 환경 자료를 인공 지능 기반으로 하는 기계 학습 및/또는 딥 러닝에 적용하여 분석 대상 지역의 적합 서식지 분석 및 모델이 생성될 수 있다. 선정된 분석 대상 지역의 분석 결과를 기초로 패류가 서식하기 적합한 지역을 맵핑할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시 예에 따라 패류 서식지를 예측하기 위한 환경의 예시도이다.
도 2는 본 발명의 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 시스템의 블록 구성도이다.
도 3은 본 발명의 실시 예에 따른 인공 지능 모델의 학습 장치에 해당하는 서버의 블록 구성도이다.
도 4는 본 발명의 실시 예에 따른 패류 서식지 예측 방법을 도시한 흐름도이다.
도 5는 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 지형도이다.
- 도 5 (a)는 연도별 분석 대상 지역의 지형도이고,
- 도 5 (b)는 연도별 분석 대상 지역에 출몰하는 조류의 변화를 도시한 지형도이다.
도 6은 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 분석 대상 지역의 부유퇴적물 농도 분포 변화 및 퇴적물의 퇴적상 타입을 도시한 도면이다.
도 7은 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 분석 대상 지역의 노출 시간 분포도를 도시한 도면이다.
도 8은 본 발명의 실시 예에 따라 예측된 패류 서식지 적합지 분포도를 도시한 예시도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예들에 한정되지 않는다. 이하 실시 예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.
이하의 설명에서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 되며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 실시 예에 따라 패류 서식지를 예측하기 위한 환경의 예시도이고, 도 2는 본 발명의 실시 예에 따른 인공지능을 기반하는 패류 서식지 예측 시스템의 블록 구성도이며, 도 3은 본 발명의 실시 예에 따른 인공 지능 모델의 학습 장치에 해당하는 서버의 블록 구성도이며, 도 4는 본 발명의 실시 예에 따른 패류 서식지 예측 방법을 도시한 흐름도이다.
도 1을 참고하면, 본 발명의 실시 예에 따라 패류 서식지를 예측하기 위한 환경(10)은, 서식지 예측 시스템(100), 무인비행체(50), 서버(200) 및 네트워크(300)를 포함하여 구성될 수 있다.
도면 설명에 앞서, 본 발명의 실시 예에 따른 분석 대상 지역은 패류(조개류)가 서식하는 갯벌일 수 있으며, 이하 설명에서는 [갯벌]로 칭하여 설명하기로 한다.
또한, 본 발명의 실시 예에서 패류는 갯벌에서 서식하는 다양한 조개류 중 어느 하나이지만, 본 발명의 실시 예에서는 바지락인 경우를 예를 들어 설명하기로 한다.
무인비행체는 원격 조정이 가능한 비행장치인, 예를 들어 드론일 수 있다. 무인비행체(100)는 기 설정된 조건에 따라 항공을 비행하며 패류가 서식하거나 서식할 수 있는 갯벌의 환경을 영상, 이미지로 획득할 수 있다.
무인비행체(50)가 수집하는 갯벌의 이미지, 영상은 서버(200)로 일정 기간 간격 또는 실시간으로 전송되어 패류가 서식할 수 있는 갯벌의 환경을 확인할 수 있도록 한다.
이를 위해 무인비행체(50)에는 환경 자료를 생성하기 위한 분석 대상 지역, 즉 갯벌의 맵 정보가 저장될 수 있다.
무인비행체(50)는 한 대가 특정 갯벌 상공을 비행하며 갯벌의 환경을 영상, 이미지로 획득할 수 있지만, 다르게는 여러 대가 군집되어 비행할 수도 있다. 다수의 무인비행체(50)가 갯벌 상공을 비행하며 갯벌의 환경을 영상, 이미지로 획득함에 따라 여러 지점의 갯벌 환경 정보를 획득할 수 있으며, 이로 인해 패류의 서식지를 보다 정확하게 예측할 수 있다.
구체적으로 본 발명의 실시 예의 무인비행체(50)는 회전익 무인비행체일 수 있으며, 최대적재중량은 2kg 이며 고정익의 경우 1kg 이내의 최대적재중량을 가질 수 있다. 회전익 및 고정익 무인비행체의 1회 비행시간은 각각 약 20분, 90분이며 주로 이륙 및 착륙이 용이한 특징이 있다. 본 발명의 실시 예에 따른 무인비행체(50)는 회전익 무인비행체를 활용하여 갯벌의 환경 자료를 수집하는 예를 들지만, 갯벌 특성 상 물 밖으로 노출되는 최대 노출 시간 내 회전익 무인비행체 활용이 어려울 경우 장시간 비행이 가능한 고정익 무인비행체를 활용하여 갯벌 환경 자료를 수집할 수 있다.
또한 무인비행체(50)는 분석 대상 지역인 갯벌의 온도 환경 자료 수집을 위해서 7.5~13.5 micrometer 파장 대역이 관측 가능하도록 Vue Pro R 열적외선 센서를 활용할 수 있다.
더불어, 무인비행체(50)는 수치고도, 조류(潮流) 정보 수집, 노출시간에 따른 환경 자료 수집을 위해 광학 센서를 포함할 수 있고, 분석 대상 지역인 갯벌의 클로로필(엽록소) 환경 자료를 위해 475~842 nanometer 파장 대역 관측이 가능한 멀티스펙트럴 센서를 포함할 수 있다.
추가적으로 무인비행체(50)는 분석 대상 지역의 패류 서식지에 대한 분석을 위해 5 cm/pixel 이내의 공간해상도를 갖는 자료를 수집할 수 있다. 이를 위해 광학, 멀티스펙트럴, 열적외선 센서 등을 활용하여 5 cm/pixel 이내의 공간해상도 자료 수집을 위한 150~250 m의 비행이 가능하다. 예를 들어, 1 km2 영역에 대한 환경 자료를 수집하기 위해서는 회전익 무인비행체의 비행고도를 150m로 설정할 수 있으며, 이에 따른 비행 시간은 약 15분 내지 18분 미만일 수 있다. 또한, 상기 조건에 따른 공간해상도 3cm 의 환경 자료 수집이 가능할 수 있다. 각각의 센서로부터 획득되는 모든 개별 영상 데이터의 오버랩 지수는 무인비행체가 진행하는 방향의 65% 내지 75% 미만, 무인비행체의 측면 방향의 75% 내지 85% 미만으로 설정하여 환경 자료를 수집하도록 한다. 더불어, 분석 대상 지역의 환경 요인 자료의 기하 보정 정확도를 향상하고자 약 9개 내지 10개의 GCP(ground control points)를 설치하고, RTK(real-time kinematic)-GPS를 활용하여 지상기준점 위치와 정밀 지형고도를 측량할 수 있다. 이렇게 측량된 기준점은 2D 오차 3 cm이내, 3D 오차 5 cm이내로 획득 가능하다.
이러한 특징의 무인비행체(50)에서 수집한 갯벌 환경 자료를 서식지 예측 시스템(100)로 전송할 수 있도록 구성될 수 있다.
예를 들어, 무인비행체(100)가 획득한 정보를 서식지 예측 시스템(100)로 전송하기 위해 무인비행체(50)는 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
또한, 무인비행체(50)는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 이미지 변환 방식을 결정할 수 있다.
구체적으로 무인비행체(100)는 5G 네트워크를 통해 서버(200)와 데이터를 전송하고 수신할 수 있다. 특히 무인비행체(100)는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서식지 예측 시스템(100)와 데이터 통신할 수도 있다.
eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 화자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 화자 이동성이 보장될 수 있다.
URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.
mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.
서식지 예측 시스템(100)는 후술할 무인비행체(50)에서 수집한 정보(예: 갯벌 환경 영상/이미지, 조류 영상/이미지 등)를 기초로 바지락 등의 패류가 서식할 수 있는 적합한 서식지를 예측할 수 있는 장치이다.
이러한 서식지 예측 시스템(100)는 패류가 서식에 영향을 주는 인자인 갯벌 환경, 조류의 밀도 등을 기초로 이들의 상관 관계를 분석하여 패류가 서식하기 적합한 환경을 예측할 수 있도록 한다.
서식지 예측 시스템(100)를 통해 패류 서식지를 예측할 뿐 아니라, 패류 양식을 위한 적합한 위치를 제공하여 패류 서식을 증대시켜 갯벌 생태계를 보전할 수 있도록 할 수 있으며, 나아가 패류 생산성을 향상시킬 수 있도록 한다.
이러한 서식지 예측 시스템(100)는 통신부(110), 데이터 생성부(120), 분석부(130), 예측부(140), 검증부(150), 산출부(160), 메모리(170) 및 프로세서(180)를 포함하여 구성될 수 있다.
구체적으로 통신부(110)는 무인비행체(50), 서버(200)와 통신 연결된 구성이다. 통신부(110)는 무인비행체(50)가 비행 영역을 미리 정해진 경로로 비행할 수 있도록 비행 경로를 서버(200)에서 수신 받고, 이를 무인비행체(50)로 전송할 수 있다. 또한, 통신부(110)는 무인비행체(50)에서 획득한 갯벌의 영상 및 이미지 정보를 수신할 수도 있다.
데이터 생성부(120)는 통신부(110)에서 수신한 갯벌의 영상, 이미지 정보를 기초로 분석 대상 지역에 서식하는 패류의 종, 분석 대상 지역에 서식하는 패류의 개체 수, 분석 대상 지역의 환경 정보 중 적어도 어느 하나에 대한 패류 서식 환경 자료를 생성하는 구성이다(단계 S110).
분석부(130)는 지리정보시스템을 기반으로 무인비행체(50)에서 획득한 패류 서식 환경 자료와 분석 대상 지역(갯벌)의 자료의 상관 관계를 분석할 수 있다(단계 S120).
구체적으로 서식지 예측 시스템(100)의 분석부(130)는 지리정보시스템(GIS)을 기초로 설정된 패류 서식과 연계된 임의의 독립 변수와 패류가 서식하는 위치와 연계된 종속 변수를 분석할 수 있다.
여기서, 독립 변수란 패류가 서식할 수 있는 인자인 갯벌 지형, 환경, 날씨의 변화, 갯벌에서 서식하거나 갯벌을 비행하는 조류 생태 네트워크(조류(潮流)의 밀도, 조류와의 거리 등) 등의 정보를 의미한다.
또한, 종속 변수란 패류가 서식하는 갯벌의 GPS 상의 위치, 특정된 갯벌에서 패류가 서식하는 위치 등 패류가 서식하고 있는 위치 정보를 의미한다.
이러한 독립 변수와 종속 변수는 미리 훈련된 빈도비 모델을 이용하여 독립 변수와 종속 변수 사이의 공간적 관계를 분석하게 된다.
여기서, 빈도비 모델이란 지리정보시스템(GIS)를 이용하여 산사태, 홍수, 지반침하 등에 대한 취약성도를 작성하거나, 지하수, 광물자원 등에 대한 가능성도를 작성하기 위해, 지형, 지질, 토양, 산림, 토지피복 등과 같은 각종 입력자료와 산사태, 홍수, 지반침하, 지하수, 광물자원 등과 같은 이벤트와의 공간적 상관관계를 구하는 모델이며, 빈도비 모델을 이용하여 구해진 상관 관계는 입력 자료의 선택 기준이 될 수 있다.
또한, 분석부(130)는 갯벌에 분포된 패류 분포도 및 갯벌에 서식하는 패류 서식도를 등급화하고, 패류 분포 면적 비율과 갯벌의 환경에 따라 패류가 분포하는 영향력을 분석할 수 있다.
구체적으로 [수학식 1]을 통해 갯벌 환경이 패류 분포에 미치는 영향력을 정략적으로 분석할 수 있다.
[수학식 1]
Figure pat00002
여기서 A는 패류 분포도와 패류 서식도별 등급에 따른 면적 비율이고, B는 패류 분포도와 패류 서식도 등급에 따른 패류 분포 면적 비율이다.
예측부(140)는 분석부(130)에서 분석한 패류 분포도 및 패류 서식도를 기반하여 패류가 서식할 수 있는 서식지를 예측하는 구성이다(단계 S130).
구체적으로 예측부(140)는 독립 변수와 종속 변수의 구조적 패턴을 분석하기 위해 인공지능 모델을 이용할 수 있다. 예컨대 서식지 분류 신경망을 통해 패류 분포도와 패류 서식지의 상관 관계를 이용하여 패류 서식지를 분석할 수 있으며, 이러한 서식지 분류 신경망은 패류 분포도 및 패류 서식지의 생성 패턴이 레이를링된 훈련 데이터를 이용하여 미리 훈련된 신경망일 수 있다.
구조적 패턴이란, 등급화된 갯벌에 분포된 패류 분포도 및 갯벌에 서식하는 패류 서식도에 따라 패류가 분포하는 갯벌의 위치, 분포하는 패류의 개체와 개체 수 등을 이미지 등에 표시화하는 것을 의미할 수 있다.
이때, 사용되는 인공지능 모델은 기 입력된 갯벌의 위치, 저장된 갯벌의 환경 상태, 저장된 갯벌에 서식하는 패류의 종류와 개체 수 등이 될 수 있다.
이러한 데이터 생성부(120)는 인공 지능 기술을 이용하여 패류 서식 환경 자료를 생성할 수 있다.
여기서, 여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.
또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.
한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.
본 발명의 실시 예에서 용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 수 있다.
본 발명의 실시 예에 따른 서식지 예측 시스템(100)는 패류가 서식할 수 있는 서식지 검출 기능 수행에 필요한 인공 지능 모델과 관련하여 각종 인공 지능 모델을 생성하고 이를 학습하며, 이를 평가하고 완성할 수 있다. 그리고 패류가 서식할 수 있는 서식지에 대한 각종 데이터를 이용하여 이를 업데이트 하는 과정에서 서버(200)에 저장된 각종 인공 지능 알고리즘과 관련된 프로그램을 이용할 수도 있다.
이러한 인공지능 모델에서 학습한 결과를 기초로 입력된 패류의 서식 환경 자료를 통해 실제 갯벌의 어느 위치에 패류가 서식하기 적합한 위치인지를 예측하는 것이다.
또한, 예측부(140)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터 등을 결정할 수 있다.
예측부(140)를 통해 패류 서식지를 예측하면, 예측한 패류 서식지가 적합한 서식지인지를 판단해야 한다. 이를 위해 검증부(150)가 예측된 패류 서식지 정확도를 검증할 수 있다.
정확도는 산출부(160)를 통해 인공지능 모델로부터 추출된 예측도와 실제 입력된 패류 서식 환경 자료를 비교하여 실제 입력된 패류 서식 환경 자료의 정확도를 판단하는 과정으로 산출할 수 있다.
메모리(170)는 앞서 학습된 학습 모델을 저장하거나, 서식지 예측 시스템(100)의 프로세서(180)가 실행되기 위한 실행 코드를 저장할 수 있다.
프로세서(180)는 메모리(170)에 저장된 실행 코드가 동작하도록 결정하는 구성요소이다. 이를 프로세서(170)는 메모리(170)에 저장된 실행코드를 제어하는 데이터를 요청, 검색, 수신 또는 활용할 수 있으며, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나 바람직한 것으로 판단되는 동작을 실행할 수 있다.
한편, 패류 서식 환경 자료를 생성 시, 패류 서식 환경 자료에 기초하여 갯벌에 위치한 패류의 서식 영역을 설정하고, 패류가 서식하는 여부에 따라 갯벌에 점수를 부여하여 패류 서식지를 설정할 수도 있다.
구체적으로, 갯벌에 패류의 개체수가 미리 설정된 조건 이상 출현하는 것으로 판단되면, 선택된 갯벌 영역에 가점을 부여하고, 갯벌의 지형 고도, 경사 방향, 갯벌로 유입되는 조류 밀도, 조류와의 거리 중 적어도 어느 하나가 기 저장된 패류 서식지 환경 조건과 상충한다고 판단되면 선택된 갯벌 영역에 감점을 부여할 수 있다.
예시적으로 분석하기 위한 대상 지역(갯벌)을 선정한 뒤, 선정된 갯벌에서 패류의 출현이 기존 출현보다 증가한 경우, 선정된 갯벌 영역에 점수를 부여(예: +1) 한다. 이와 반대로 선정된 갯벌에서 패류의 출현이 기존 출현보다 감소하거나, 패류가 출현하기 어려운 조건, 예를 들어 지형 고도, 조류 밀도 등이 변화하여 패류 서식이 어려운 조건으로 변화되는 경우 선정된 갯벌에는 감점(-1)하는 것이다.
이로써, 가점이 최대로 된 영역이 패류가 서식하기 적합한 갯벌이라고 판단할 수 있게 되어 패류 서식지 적합도를 쉽게 적용할 수 있게 된다.
한편, 선정된 갯벌에 점수를 부여하기 위해 패류 예측 시스템(100)은 선정된 갯벌의 환경을 판단함과 동시에 기 설정된 기준에 따라 갯벌에 점수를 부여하는 점수 설정부(미도시)를 더 포함할 수 있다.
결과적으로, 패류가 서식할 수 있는 서식지 후보 지역인 분석 대상 지역을 선정하면, 선정된 분석 대상 지역의 표층 퇴적 정보, 지형 고도, 조류의 흐름, 밀도 등의 패류 서식 환경 자료를 생성할 수 있다.
생성된 서식 환경 자료를 인공 지능 기반으로 하는 기계 학습 및/또는 딥 러닝에 적용하여 분석 대상 지역의 적합 서식지 분석 및 모델이 생성될 수 있다.
선정된 분석 대상 지역의 분석 결과를 기초로 패류가 서식하기 적합한 지역을 맵핑하게 되는 것이다.
한편, 도 3을 참고하면 서버(200)는 학습 결과로서 객체를 인식하는 인공지능 모델을 훈련 시키는데 필요한 학습용 데이터와 각종 인공 지능 알고리즘과 관련된 컴퓨터 프로그램, 예를 들어 API, 데이터 워크플로우(data workflows) 등을 서식지 예측 시스템(100)에 제공할 수 있다.
또한, 서버(200)는 객체 인식을 위한 학습에 필요한 학습용 데이터를 사용자 로그 데이터 형태로 수집하고 수집된 학습용 데이터를 이용하여 직접 훈련시킨 인공지능 모델을 서식지 예측 시스템(100)에 제공할 수도 있다.
더욱이 서버(200)는 서식지 예측 시스템(100)의 외부에 별도로 구성된 장치 또는 서식지 예측 시스템(100) 내부에 탑재된 구성으로 서식지 예측 시스템(100)의 프로세서(180)와 동일한 기능을 수행할 수도 있다.
즉, 서버(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
또한, 서버(200)는 적어도 하나의 서식지 예측 시스템(100)와 통신할 수 있으며 서식지 예측 시스템(100)를 대신하거나(혹은 도와) 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
인공 신경망을 포함하는 서버(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.
특히 서버(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다. 즉, 서버(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 서버(200)는 분산 처리를 통해 데이터 분석 또는 학습하여 결과를 도출할 수 있다.
이러한 서버(200)는 주기적 또는 요청에 의하여 서식지 예측 시스템(100)에 기계 학습 또는 딥 러닝에 의한 학습한 모델을 전송할 수 있다.
이를 위해 서버(200)는 통신부(Communication Unit, 210), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 220), 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 서식지 예측 시스템(100)의 통신부(110)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.
메모리(230)는 도 2의 메모리(170)에 대응하는 구성이다.
메모리(230)는 모델 저장부(231) 등을 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(140)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망_231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 3에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.
러닝 프로세서(220)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.
러닝 프로세서(220)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.
구체적으로, 러닝 프로세서(220)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 서식지 예측 시스템(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다. 같은 다른 장치에 전송되어 탑재될 수 있다.
그 밖에 학습 장치(200)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 하고 업데이트된 인공지능 모델을 서식지 예측 시스템(100)에 제공할 수 있다. 여기서, 서식지 예측 시스템(100)는 학습 장치(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 학습 장치(200)와의 통신을 통해 함께 수행할 수 있다. 예를 들어 서식지 예측 시스템(100)는, 사용자 개인의 데이터에 의한 학습을 통해 인공지능 모델이 사용자의 개인적 패턴을 학습시킴으로써, 학습 장치(200)로부터 다운로드 받은 인공지능 모델을 업데이트할 수 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 서식지 예측 시스템(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.
그 밖에 학습 장치(200)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 하고 업데이트된 인공지능 모델을 서식지 예측 시스템(100)에 제공할 수 있다. 여기서, 서식지 예측 시스템(100)는 학습 장치(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 학습 장치(200)와의 통신을 통해 함께 수행할 수 있다. 예를 들어 서식지 예측 시스템(100)는, 사용자 개인의 데이터에 의한 학습을 통해 인공지능 모델이 사용자의 개인적 패턴을 학습시킴으로써, 학습 장치(200)로부터 다운로드 받은 인공지능 모델을 업데이트할 수 있다.
도 5는 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 지형도이고, 도 6은 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 분석 대상 지역의 부유퇴적물 농도 분포 변화 및 퇴적물의 퇴적상 타입을 도시한 도면이고, 도 7은 본 발명의 실시 예에 따라 무인비행체를 이용하여 획득한 분석 대상 지역의 노출 시간 분포도를 도시한 도면이고, 도 8은 본 발명의 실시 예에 따라 예측된 패류 서식지 적합지 분포도를 도시한 예시도이다.
도 5 및 도 6을 참고하면, 앞서 설명한 무인비행체(50)를 이용하여 분석 대상 지역인 특정 갯벌(예: 본 발명의 실시 예의 경우 대한민국 전라남도 강진만 일대의 미산 갯벌 지역)의 지형 이미지를 획득할 수 있다.
획득한 지형 이미지는 연도별로 획득할 수 있으며, 예를 들어 2018년에서부터 2020년까지 지형의 변화도를 획득할 수 있다. 획득한 지형의 변화도에 따르면 하부조간대로 갈수록 퇴적이 발달한다.
즉, 상부조간대와 하부조간대는 약 3m 고도차가 발생하고, 상부 조간대는 평균 약 50cm 지형고도가 낮아짐에 따라 침식이 발달하고, 하부조간대는 평균 약 30cm 지형고도가 높아짐에 따라 퇴적이 발달한다고 판단할 수 있다.
또한 도 5의 (b)의 조류의 밀도 정도를 통해 동일 기간 동안, 치패 중 바지락은 상대적으로 지형 고도가 높은 곳에서 관찰되는 것을 알 수 있다.
한편, 조류의 흐름에 따라 패류(바지락)의 분포를 분석할 수도 있다. 이때, 조류의 흐름인 조류로를 분석하기 위해서는 rcGIS 기반의 Hydrology and Spatial Analyst 툴을 사용하여 지형 방향에 따라 흐름 방향(flow direction)과 흐름 누적수(flow accumulation)을 산출하여 조류로 네트워크(channel network)를 추출하고, 추출한 네트워크에 kernel 함수와 euclidean distance 함수를 적용하여 조류로 밀도와 조류로 간 거리를 산출할 수 있다.
이를 기초로 살펴보면, 전체적으로 조류로 밀도는 0∼0.15m/m2 로 분포하고 있으며, 조류 흐름에 대한 밀도는 상부 조간대 에서는 대부분 0.07m/m2 이하이고, 하부 조간대는 0.1m/m2이상으로 상대적으로 조간대 상부에서 낮은 분포를 보인다. 또한 조류의 흐름에서 조류의 거리는 최대 33m까지 나타나는 것을 알 수 있다.
이를 통해 2018년과 2020년의 조류로 변화를 2018년에 비해 2020년도에 조류 흐름에 대한 밀도는 낮아지는 걸 확인할 수 있었으며, 조류의 거리도 커지는 것을 확인할 수 있다.
상기 기술된 결과를 기초로 바지락 치패 서식지 부근의 환경 특징을 추출하면, 조류의 밀도는 평균 약 0.08m/m2 로 분포를 보이고, 조류 사이의 거리는 평균 약 8m를 나타낸다.
한편, Feed-forward neural network(FNN) 알고리즘을 이용하여 상부조간대에서 모래함량이 약 70% 이상으로 높게 분포하며, 하부조간대에서는 모래 함량이 약 40% 미만으로 낮게 분포하는 것을 측정할 수 있다.
앞서 추출한 바지락 치패가 주로 서식하는 위치와 대조하면, 바지락 치패가 서식하는 서식지의 모래 함량은 65% 이상 75% 미만으로 높게 나타나는 것을 알 수 있다.
이를 통해 각 서식 환경들과 바지락 치패 분포의 상관 관계를 (수학식 1)을 통해 분석하면, 바지락 치패 분포와 조류의 흐름과 상관 관계가 약0.7로 높은 상관 관계를 가지는 것을 알 수 있다.
한편, 도 7을 참고하면, 분석 대상 지역이 물 외부로 노출되는 노출 시간을 계산하기 위해서 완도조위관측소에서 2019년 1월부터 12월까지 10분간격으로 측정된 조위자료를 이용하여, 약최고고조위(HHW), 평균조위(MHW), 최저고조위(LHW), 최고저조위(HLW), 평균저조위(MLW) 및 약최저저조위(LLW)를 산출하였다.
이를 기초로 부 조간대의 경우 연간 약 700시간 이상 노출되어 있고, 대부분 갯벌 영역은 12 ~ 708 시간 노출되는 것으로 조사되었으며, 바지락 치패가 발생하는 곳은 대부분 24 ~ 708 시간 외부로 노출되는 것을 알 수 있다.
이러한 환경적 특징을 기초로 패류 서식지를 예측하면, 도 8에 도시된 바와 같이, 지형고도가 약 -0.32m로 노출시간이 354 ∼ 708시간인 영역과 조류로 분포가 약 0.08m/m2 이며, 조류로 간 거리가 약 8m 이상인 영역 및 모래 함량이 약 54% 이상인 영역에서 바지락 치패가 발생할 확률이 높을 것으로 판단되어 이러한 지형적 특징을 가진 갯벌이 패류 서식지로 예측될 수 있다.
이와 같이, 갯벌 환경 정보를 획득한 뒤, 획득한 갯벌 환경 정보를 인공 지능 기술에 적용하여 정보를 획득한 갯벌이 패류가 서식하기 적합한 지역인지를 예측할 수 있다.
구체적으로, 패류가 서식할 수 있는 서식지 후보 지역인 분석 대상 지역을 선정하면, 선정된 분석 대상 지역의 표층 퇴적 정보, 지형 고도, 조류의 흐름, 밀도 등의 패류 서식 환경 자료를 생성할 수 있다. 생성된 서식 환경 자료를 인공 지능 기반으로 하는 기계 학습 및/또는 딥 러닝에 적용하여 분석 대상 지역의 적합 서식지 분석 및 모델이 생성될 수 있다. 선정된 분석 대상 지역의 분석 결과를 기초로 패류가 서식하기 적합한 지역을 맵핑할 수 있다.
또한, 패류가 서식하는 서식지의 변화를 분석할 수 있게 되어 패류가 서식하는 갯벌의 변화 양상을 추측할 수 있게 된다. 이로써, 갯벌 생태계의 변화를 분석하여 갯벌을 이용한 산업 변화를 추출할 수 있게 된다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다. 반드시 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 따른 방법들에 포함된 단계들은 프로세서 또는 해당 단계의 기능을 수행하기 위한 모듈들을 통해서 수행될 수 있다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (15)

  1. 인공지능을 기반하는 패류 서식지 예측 방법으로서,
    무인비행기에서 획득한 분석 대상 지역의 영상 및 이미지 자료를 기초로 패류 서식 환경 자료를 생성하는 단계;
    지리정보시스템을 기반으로 상기 패류 서식 환경 자료와 상기 분석 대상 지역의 자료의 상관 관계를 분석하는 단계;
    분석된 상기 패류 서식 환경과 상기 분석 대상 자료 사이의 상관 관계에 기초하여 패류 서식지를 예측하는 단계를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  2. 제1항에 있어서,
    상기 분석하는 단계는,
    상기 지리정보시스템을 기초로 설정된 상기 패류 서식과 연계된 임의의 독립 변수 및 상기 패류가 서식하는 위치와 연계된 임의의 종속 변수를 분석하는 단계를 포함하고,
    상기 지리정보시스템은 상기 독립 변수와 상기 종속 변수 사이의 공간적 관계를 이용한 미리 훈련된 빈도비 모델인,
    인공지능을 기반하는 패류 서식지 예측 방법.
  3. 제2항에 있어서,
    상기 분석하는 단계는,
    상기 분석 대상 지역에 분포된 패류 분포도 및 상기 분석 대상 지역에 서식하는 패류 서식도를 결정하는 단계;
    상기 패류 분포도와 상기 패류 서식도를 등급화하여 패류 분포 면적 비율을 산출하는 단계; 및
    상기 분석 대상 지역의 환경에 따라 상기 패류가 분포하는 영향력을
    Figure pat00003
    (여기서, A는 상기 패류 분포도와 상기 패류 서식도별 등급에 따른 면적 비율, B는 상기 패류 분포도와 상기 패류 서식도 등급에 따른 패류 분포 면적 비율임)를 기준하여 분석하는 단계를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  4. 제2항에 있어서,
    상기 예측하는 단계는,
    서식지 분류 신경망을 통해 상기 패류 분포도 및 상기 패류 서식지의 상관 관계를 이용하여 상기 패류 서식지를 예측하는 단계를 포함하고,
    상기 서식지 분류 신경망은 상기 패류 분포도 및 상기 패류 서식지의 생성 패턴이 레이블링된 훈련 데이터를 이용하여 미리 훈련된 신경망인,
    인공지능을 기반하는 패류 서식지 예측 방법.
  5. 제1항에 있어서,
    상기 예측하는 단계 이후에,
    예측된 상기 패류 서식지 정확도를 검증하는 단계; 및
    검증된 상기 패류 서식지를 기초로 상기 패류 서식지 위치 및 면적을 산출하는 단계를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  6. 제1항에 있어서,
    상기 생성하는 단계는,
    상기 패류 서식 환경 자료에 기초하여 상기 분석 대상 지역에 위치한 상기 패류의 서식 영역을 설정하는 단계;
    상기 패류 서식 여부에 따라 상기 분석 대상 지역에 점수를 부여하는 단계를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  7. 제6항에 있어서,
    상기 분석 대상 지역에 점수를 부여하는 단계는,
    상기 분석 대상 지역에 상기 패류의 개체수가 미리 설정된 조건 이상 출현하는 것으로 판단되면, 상기 분석 대상 지역에 가점을 부여하는 단계;
    상기 분석 대상 지역의 지형 고도, 경사 방향, 상기 분석 대상 지역으로 유입되는 조류 밀도, 조류와의 거리 중 적어도 어느 하나가 기 저장된 상기 패류 서식지 환경 조건과 상충한다고 판단하면, 상기 분석 대상 지역에 감점을 부여하는 단계를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  8. 제7항에 있어서,
    상기 감점을 부여하는 단계에서,
    상기 분석 대상 지역 주변의 고도가 상기 패류 서식을 위한 고도 범위에서 벗어나거나 상기 조류의 서식을 확인하면, 상기 분석 대상 지역에 감점을 부여하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  9. 제6항에 있어서,
    상기 예측하는 단계는,
    상기 분석 대상 지역에 부여하는 점수 중 가장 높은 점수를 획득한 상기 분석 대상 지역을 상기 패류 서식지로 예측하는,
    인공지능을 기반하는 패류 서식지 예측 방법.
  10. 인공지능을 기반하는 패류 서식지 예측 시스템으로서,
    무인비행기에서 획득한 분석 대상 지역의 영상 및 이미지 자료를 기초로 패류 서식 환경 자료를 생성하는 데이터 생성부;
    지리정보시스템을 기반으로 상기 패류 서식 환경 자료와 상기 분석 대상의 자료의 상관 관계를 분석하는 분석부;
    분석된 상기 패류 서식 환경과 상기 분석 대상 자료 사이의 상관 관계에 기초하여 패류 서식지를 예측하는 예측부를 포함하는,
    인공지능을 기반하는 패류 서식지 예측 시스템.
  11. 제10항에 있어서,
    상기 데이터 생성부는,
    상기 분석 대상 지역에 서식하는 상기 패류의 종, 상기 분석 대상 지역에 서식하는 패류의 개체 수 및 상기 분석 대상 지역의 환경 정보 중 적어도 어느 하나에 대한 상기 패류 서식 환경 자료를 생성하는,
    인공지능을 기반하는 패류 서식지 예측 시스템.
  12. 제10항에 있어서,
    상기 분석부는,
    상기 지리정보시스템을 기초로 설정된 상기 패류 서식과 연계된 임의의 독립 변수 및 상기 패류가 서식하는 위치와 연계된 임의의 종속 변수를 분석하고,
    상기 지리정보시스템은 상기 독립 변수와 상기 종속 변수 사이의 공간적 관계를 이용한 미리 훈련된 빈도비 모델인,
    인공지능을 기반하는 패류 서식지 예측 시스템.
  13. 제12항에 있어서,
    상기 분석부는,
    상기 분석 대상 지역에 분포된 패류 분포도 및 상기 분석 대상 지역에 서식하는 패류 서식도를 등급화하여 패류 분포 면적 비율 및 상기 분석 대상 지역의 환경에 따라 상기 패류가 분포하는 영향력을 분석하는,
    인공지능을 기반하는 패류 서식지 예측 시스템.
  14. 제12항에 있어서,
    상기 예측부는,
    서식지 분류 신경망을 통해 상기 패류 분포도 및 상기 패류 서식지의 상관 관계를 이용하여 상기 패류 서식지를 예측하고,
    상기 서식지 분류 신경망은 상기 패류 분포도 및 상기 패류 서식지의 생성 패턴이 레이를링된 훈련 데이터를 이용하여 미리 훈련된 신경망인,
    인공지능을 기반하는 패류 서식지 예측 시스템.
  15. 제10항에 있어서,
    예측된 상기 패류 서식지 정확도를 검증하는 검증부; 및
    검증된 상기 패류 서식지를 기초로 상기 패류 서식지 위치 및 면적을 산출하는 산출부를 더 포함하는,
    인공지능을 기반하는 패류 서식지 예측 시스템.
KR1020200184880A 2020-12-28 2020-12-28 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법 KR102600529B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200184880A KR102600529B1 (ko) 2020-12-28 2020-12-28 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200184880A KR102600529B1 (ko) 2020-12-28 2020-12-28 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법

Publications (2)

Publication Number Publication Date
KR20220093798A true KR20220093798A (ko) 2022-07-05
KR102600529B1 KR102600529B1 (ko) 2023-11-08

Family

ID=82401896

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200184880A KR102600529B1 (ko) 2020-12-28 2020-12-28 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법

Country Status (1)

Country Link
KR (1) KR102600529B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527496B1 (ko) * 2022-11-04 2023-05-02 한국해양과학기술원 극지 운항 선박의 통합 상태 모니터링 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110114285A (ko) * 2010-04-13 2011-10-19 한국지질자원연구원 지리정보시스템 및 확률기법을 이용한 갯벌 저서생물 분포 예측시스템 및 이를 이용한 갯벌 저서생물 분포 예측방법
KR101280388B1 (ko) * 2011-12-28 2013-07-01 한국지질자원연구원 지공간사건발생 예측 시스템 및 방법
JP2015139439A (ja) * 2014-01-30 2015-08-03 富士通株式会社 生息地適性評価プログラム、生息地適性評価方法及び生息地適性評価装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110114285A (ko) * 2010-04-13 2011-10-19 한국지질자원연구원 지리정보시스템 및 확률기법을 이용한 갯벌 저서생물 분포 예측시스템 및 이를 이용한 갯벌 저서생물 분포 예측방법
KR101280388B1 (ko) * 2011-12-28 2013-07-01 한국지질자원연구원 지공간사건발생 예측 시스템 및 방법
JP2015139439A (ja) * 2014-01-30 2015-08-03 富士通株式会社 生息地適性評価プログラム、生息地適性評価方法及び生息地適性評価装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527496B1 (ko) * 2022-11-04 2023-05-02 한국해양과학기술원 극지 운항 선박의 통합 상태 모니터링 시스템 및 방법

Also Published As

Publication number Publication date
KR102600529B1 (ko) 2023-11-08

Similar Documents

Publication Publication Date Title
Jiang et al. Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction
Tsangaratos et al. Estimating landslide susceptibility through a artificial neural network classifier
Selvi et al. Comparative analysis of ant colony and particle swarm optimization techniques
CN112445823A (zh) 神经网络结构的搜索方法、图像处理方法和装置
KR102517513B1 (ko) 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법
Ganapathi Subramanian et al. Using spatial reinforcement learning to build forest wildfire dynamics models from satellite images
CN116635866A (zh) 用于挖掘少数类数据样本以训练神经网络的方法和系统
Mosavi et al. Training a feed-forward neural network using particle swarm optimizer with autonomous groups for sonar target classification
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
MS et al. Optimal Squeeze Net with Deep Neural Network-Based Arial Image Classification Model in Unmanned Aerial Vehicles.
CN110737968A (zh) 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统
Bahmani et al. A novel approach to forecast global CO2 emission using Bat and Cuckoo optimization algorithms
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
Yang et al. Prediction of significant wave heights based on CS-BP model in the south China sea
KR102600529B1 (ko) 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법
CN117541083B (zh) 疏散平台疏散能力的预测方法和装置
Kaur et al. A multi-model decision support system (MM-DSS) for avalanche hazard prediction over North-West Himalaya
CN115796017A (zh) 一种基于模糊理论的可解释交通认知方法
Kala et al. Forecasting monthly rainfall using bio-inspired artificial algae deep learning network
Casas Deep reinforcement learning for urban traffic light control
Tsanakas et al. An innovative neuro-genetic algorithm and geometric loss function for mobility prediction
Jenifer et al. Improved Mayfly Optimization and LightGBM Classifier for Smart City Traffic Prediction
Jindal et al. Predicting the dynamics of forest fire spread from satellite imaging using deep learning
KR102572576B1 (ko) 인공지능 모델을 활용한 강우량 기반 지형의 사면안정 및 침수해석 시뮬레이션 방법, 장치 및 시스템
Mishra et al. An ocean water current-inspired Geoscience based optimization algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant