Journal Archive

노무라입깃해파리의 대량 발생 거동은 동중국해에서 발생하여 5월경 최초 발견되며, 발생 이후 서해, 남해, 동해로 이동하는 것으로 알려져 있다(Uye[2013]). Yoon et al.[2012]의 연구에 따르면 노무라입깃해파리 기원 추정지의 동계~춘계 수온을 분석한 결과 노무라입깃해파리 대량 출현 시기의 수온이 비출현 시기보다 높은 것으로 확인되어 수온이 노무라입깃해파리의 대량 발생을 일으키는 요인 중 하나로 추정된다. 또한, 노무라입깃해파리의 생활사는 부유생활시기와 고착생활시기로 구분되는데 고착생활시기에 무성생식을 통해 개체수를 늘릴 수 있으며, 이때 수온, 염분, 먹이, 광조건 등이 주요 인자로 작용할 가능성이 있다. 특히, 노무라입깃해파리의 주요 무성생식 방법인 podocyst 생성은 20℃이상의 비교적 높은 수온에서 주로 이루어진다. 따라서 해수 유동, 기상 조건, 해양 수질 등 노무라입깃해파리의 유영 및 발생과 생장에 영향을 끼치는 자료를 인공신경망의 입력자료로 활용가능할 것으로 기대된다.

최근 인공지능 기술의 발달로 다양한 분야에 인공지능 기술이 적용되기 시작하면서 해파리 출현 예측, 해파리 무리 인식 등의 연구에도 활용되었다. 한 선행연구는 심층신경망(Deep Neural Network, DNN)을 사용하여 기온, 기압, 수온, 유속, 풍속, 염분, 조위, 파고를 특징(feature)으로 활용하여 해파리의 출현을 예측하였다(Hwang and Han[2019]). 출현율의 학습 및 검증은 국립수산과학원의 해파리 모니터링 주간보고 자료를 이용하였으며, 해운대 해수욕장을 연구해역으로 예측을 진행하였다. 특히, 원본 데이터가 247개로 학습에 충분치 않은 점을 보완하기 위해 부트스트래핑을 통해 부족한 데이터를 생성하고 예측 모형의 정확도를 향상시켰다. Jeon et al.[2019]는 합성곱신경망(Convolutional Neural Network, CNN)을 이용하여 해파리 군집 인식 연구를 수행했다. 해양감시선에서 녹화한 영상을 분석하여 해양쓰레기와 해양유해생물을 구별하였다. 경상남도 마산 진동 바다에서 촬영한 영상을 학습 데이터로 사용하여 해파리 군집 인식 CNN 모형을 구축하였다.

Malhotra[2016]에 의해 제안된 LSTM-Autoencoder(이하 LSTM-AE)는 오토인코더와 장단기메모리(Long short-term memory, LSTM) 모델이 결합된 것으로 두 모델의 장점을 모두 가져 시계열의 비정상 데이터 검출에 효과적이다. 오토인코더는 비지도학습의 한 가지로 인코더와 디코더로 구성되며 예측(prediction), 분류(classification), 비정상 데이터 검출(anomaly detection) 등 다양한 분야에 널리 사용되는 모델 중 하나이다. Fig. 1은 LSTM-Autoencoder 모델을 도식화한 것으로 기존의 오토인코더 모델과 같이 인코더와 디코더로 이루어져 있다. 인코더를 통과한 입력 데이터가 특징벡터(latent vector)로 압축되고, 다시 디코더를 통해 복원하는 방법으로 학습이 이루어진다. 따라서, 정상 데이터에 대해서만 학습이 이루어진 후, 비정상 데이터가 입력 데이터로 주어질 시 복원된 출력 데이터와 입력 데이터 사이의 복원 오차(reconstruction error)가 크게 나타난다. 인코더와 디코더에 기존의 장단기메모리(Long Short-term memory) 모델을 활용하여 특히 신호, 시계열과 같은 시퀀스 형태의 데이터를 효율적으로 학습할 수 있다는 특징을 갖는다. 즉, 시계열 데이터에 해당하는 해수 거동, 기상, 해양 수질 등 해파리 대량 발생의 영향 인자들을 효과적으로 학습 가능하기 때문에, 시계열 데이터를 통해 해파리 대량 발생을 조기 감지하려는 본 연구에 적합한 모델로 판단된다.

Fig. 1. 
Architecture of LSTM-AE model.

Uye[2013]와 Yoon et al.[2012]의 선행연구에서 밝혀진 바와 같이 노무라입깃해파리는 동중국해에서 발생하여 우리나라의 서해, 남해, 동해로 순차적으로 이동하기 때문에 시기의 차이는 있지만 국내 대부분 해역에서 노무라입깃해파리의 대량 발생을 관측할 수 있다. 해파리 모니터링 주간보고 자료가 모니터링 요원의 활동을 기반으로 작성된다는 점에서 미루어 볼 때, 해파리 모니터링 요원의 수가 많은 지역일수록 노무라입깃해파리의 출현율이 더 정확할 것으로 기대할 수 있다. 또한, 해역 특성을 반영하기 위해서는 해양관측부이와 해양수질자동측정소의 위치가 동일한 해역에 속해야 하며 가까울수록 해역 특성이 더 정확하게 반영될 것으로 판단되었으며, 해양수질자동측정소의 경우 측정소에 따라 측정 항목이 달라지기 때문에 측정 항목의 수가 분석 해역 선정의 중요한 기준이 되었다. 해파리 모니터링 요원의 수, 데이터 결측, 측정 항목의 수, 해양관측부이와 해양수질자동측정소의 공간적 근접성 등을 고려하여 부산 해역을 해파리 대량 발생 예측 대상 지점으로 선정하였다. 부산 해역의 해양수질자동측정 자료는 낙동명지 측정소의 데이터를 활용하였으며, 해양관측부이 자료는 해운대 해수욕장의 측정소 데이터를 활용하였다.

상기 서술한 바와 같이 LSTM-AE 모델의 학습을 위해 국립수산과학원의 해파리 모니터링 주간보고 자료, 해양환경정보포털의 해양수질자동측정망 데이터, 국립해양조사원의 바다누리 해양정보서비스에서 제공되는 해양관측부이 측정 데이터를 활용하였다. 해파리 모니터링 주간보고 자료와 해양관측부이 측정 데이터는 OpenAPI가 제공되어 이를 활용하였으며, 해양수질자동측정망 데이터는 홈페이지에서 제공되는 원본 데이터를 다운로드하여 활용하였다.

국립수산과학원은 해파리 출현 및 이동경로를 모니터링 하기 위해서 2004년부터 어민과 지자체 및 관련 공무원으로 구성된 해파리 모니터링 네트워크를 운영하고 있다. 해파리 모니터링 주간보고 자료는 이러한 모니터링 활동을 통해서 확인된 한국 연근해 해파리 출현 종, 출현 위치, 출현율 등의 자료를 포함하고 있다. 본 연구에서는 해파리 모니터링 주간보고 자료에서 제공되는 부산 지역 노무라입깃해파리 출현율을 수집 및 활용하였다. 해파리 모니터링 주간보고는 대략 5월부터 12월까지 이루어지며, 주간보고가 이루어지지 않는 시기의 노무라입깃해파리 출현율은 직관적으로 0으로 가정할 수 있다.

해양수질자동측정망의 측정 항목에서 수온, 일사량, 기온, 풍속, 염분, 화학적 산소 요구량을 입력값으로 활용하였고, 해양관측부이의 측정 항목에서 파고, 풍속, 유속을 입력값으로 활용하였다. 2015년 1월 1일부터 2021년 12월 31일까지의 데이터를 수집하였고, 분석에는 2015년 1월 1일부터 2018년 9월 31일까지의 데이터를 사용하였다. 2018년 10월부터 현 시점까지의 데이터는 측정 항목이 누락되거나 결측치가 지나치게 길어 사용할 수 없는 점 등의 이유로 분석에서 제외되었다. 해양수질자동측정망과 해양관측부이는 모두 5분 간격으로 측정되고 있다. 통신 장애, 유지보수 등의 원인으로 결측값이 측정 항목에 따라 다양한 길이로 존재하며, 연속적으로 긴 시간에 걸쳐 발생한 결측값의 경우 단순한 보간법을 사용할 수 없게 하는 제약이 된다. 본 연구에서는 결측치 및 노이즈의 영향을 일차적으로 감소시키기 위해서 일평균 데이터를 입력값으로 사용하였으며, 또한 KNN(k-nearest neighbor) 알고리즘을 사용하여 결측치를 보간하였다. 전처리가 완료된 데이터 세트는 1,369의 길이를 갖는 시계열 데이터이다. Fig. 2는 수집된 원 데이터 일부의 그래프로 부산해역 노무라입깃해파리 출현율, 해양수질자동측정망의 수온과 염분, 해양관측부이의 유속 데이터를 대표적으로 나타내었다. 노무라입깃해파리 출현율 외의 데이터는 가시성을 위해 가장 앞선 300개의 데이터만 표시되었다. 측정 항목 별로 측정 주기가 다르므로 측정 주기에 따라 그래프에 표현되는 일시가 다른 점에 유의해야 한다.

Fig. 2. 
Graph representation of collected data.

수집 및 전처리가 완료된 전체 데이터 세트를 학습, 검증, 테스트 데이터로 나누기 위해 일반적으로 사용되는 비율이 있으나, 본 연구에서는 학습, 검증, 테스트 데이터에 모두 해파리 대량 발생 시기가 포함되게 하도록 2015년 1월 1일부터 2016년 12월 31일까지의 데이터를 학습 데이터로, 2017년 1월 1일부터 2017년 12월 31일까지를 검증 데이터로, 2018년 1월 1일부터 2018년 9월 30일까지의 데이터를 테스트 데이터로 사용하였다.

본 연구에서는 노무라입깃해파리의 대량 발생을 사전에 예측하는 것이 목표이므로, 조기 경보 기간을 설정하여 조기 경보 기간 이전부터 해파리 대량 발생 시점까지 대량 발생의 징후가 나타난다고 가정하고 이를 학습하도록 하였다. 국내에서 해파리 주의보는 단위 면적 당 해파리 개체수를 기준으로 발령되며, 해파리 출현율에 기반한 발령 기준은 전무하기 때문에, 부득이하게 본 연구에서는 해파리 출현율 20%를 해파리 대량 발생의 기준으로 설정하였다. Fig. 3의 좌측 그래프는 해파리 모니터링 요원의 활동으로 산정된 부산해역 노무라입깃해파리 출현율을 의미하고, 우측 그래프는 20% 이상의 출현율을 대량 발생으로 판단하여 이진화한 것이다. 즉, 좌측의 그래프에서 출현율이 20% 이상일 경우 대량 발생으로, 20% 미만일 경우 대량 발생하지 않음으로 판단하고 우측 그래프에서 각각 1.0과 0의 값을 갖도록 가공한 것을 의미한다. 수집된 시계열 데이터가 내포하고 있는 해파리 대량 발생의 사전 징후를 나타내기 위해서 Fig. 3과 같이 이진화된 해파리 출현율을 Fig. 4와 같이 가공하여 비정상 데이터로 판단한다. 해파리 대량 발생 기간 중의 데이터는 이미 해파리 대량 발생이 일어난 시점이므로 정상 데이터로 판단한다. 해파리 대량 발생이 연속적으로 일어날 시 가장 먼저 관측된 대량 발생 시점의 사전 징후가 연속된 대량 발생 시기를 대표한다. Fig. 5는 LSTM-AE모델의 입력 데이터 구조를 나타낸다. 학습에 사용된 입력 변수는 총 8개가 사용되었고, 해파리 대량 발생 여부를 타겟으로 학습이 이루어졌다. 전체 시계열 데이터는 순차적으로 Window size의 길이를 갖는 시계열로 나누어져 LSTM-AE 모델의 가중치를 업데이트한다. 또한, 해파리 대량 발생을 사전에 예측하기 위해 Early warning step을 도입하여 일정 시간 이후의 해파리 대량 발생 여부를 예측하도록 하였다. 즉, 해파리 모니터링 주간 보고 자료의 노무라입깃해파리 부산 해역 출현율을 Fig. 3과 같이 적절한 기준을 통해 대량 발생 여부로 이진화하고, Fig. 4와 같이 조기 경보를 위한 사전 징후를 내포하는 비정상 데이터로 나타낸다. 이후 최종적으로 Fig. 5와 같이 LSTM-AE 모델이 입력 데이터를 학습하여 설정된 조기 경보 기간 이후의 해파리 대량 발생 여부를 예측하도록 하였다.

Fig. 3. 
Jellyfish appearance binarized by a threshold to indicate jellyfish bloom.

Fig. 4. 
Description of data shifting to learn the prior sign for jellyfish bloom.

Fig. 5. 
Description of input data to LSTM-AE model.

LSTM-AE 모델의 학습에 사용된 하이퍼파라미터가 Table 1에 정리되어 있다. 해파리 대량 발생으로 판단하는 출현율은 20% 이상으로 설정하였고, 조기 경보 기간은 해파리 출현율이 주간으로 보고되는 점을 감안하여 2주로 설정하였다. LSTM-AE 모델의 인코더와 디코더에 포함된 LSTM 셀의 은닉층은 4개의 뉴런으로 구성하였으며, 활성화함수는 Relu 함수를 사용하였다. 과적합을 방지하기 위해 20%의 확률로 뉴런이 학습에 사용되지 않도록 드롭아웃을 적용하였고, 손실 함수는 평균절대오차(Mean Absolute Error, MAE)를 사용하였다. 옵티마이저는 Adam을 사용하였고 배치 사이즈를 2로 설정하여 가중치 업데이트가 이루어지도록 하였다. 최대 에폭은 1000으로 설정하였으나, 조기 종료를 적용하여 검증 손실값이 50에폭까지 개선되지 않으면 학습을 종료하도록 했다. 하이퍼파라미터는 trial-and-error를 통해 최적화되었으며, 학습 과정에서 학습 및 검증 손실의 수렴을 모니터링하여 과적합이 일어나지 않은 것을 확인하였다. 학습 과정에서 시계열 데이터의 연속성을 보존하기 위해 별도의 교차 검증은 시행하지 않았다. 데이터 전처리, LSTM-AE 모델 학습 및 비정상 데이터 검출 과정이 Fig. 6에 요약되어 있다.

Fig. 6. 
Data preparation and training process.