그림 6-2-13. 엽록소 농도가 일정할 때, 용존유기물질 농도에 따른 반사 도 밴드 비 분포
그림 6-2-14. C. polykrikoides 적조인 경우(빨간 원)와 아닌 경우(초록 세 모)의 반사도 모델자료 및 현장자료(검정 세모, 검정 원)의 밴드 비
지금까지 적조종 흡광자료, IOCCG IOPs 모델자료 등을 활용하여 시뮬레이션 된 반사 도로 적조와 적조가 아닌 경우를 광학적으로 구별하는 방법을 간단한 밴드 비를 사용하 여 설명하였다. 이는 적조종이 가지는 고유한 광특성에 기반한 구별 방법으로 광범위한 광조건에서도 적용 가능할 것으로 사료된다. 본 연구는 인공위성을 통한 적조 모니터링 과 조기 탐지를 위한 기초연구로서의 역할을 하며 효과적이고 정확한 적조 탐지 방법 개발에 기여할 수 있을 것으로 기대된다.
제 7 장 C. polykrikoides 적조 탐지 인공신경망 알 고리듬 개발과 적용
제 1 절 배 경
제 6장에서 수행한 연구에서 C. polykrikoides와 비와편모 조류가 우점 한 수괴의 위성 반사도의 모양이 달라지며 따라서 밴드 비에 있어 두 경우가 분명히 구별됨을 보 여주었다. 이론적으로 반사도 밴드 비에 의해 C. polykrikoides 적조와 비와편모 조류의 구별이 가능할 것으로 사료된다. 그러나 엽록소 농도에 따라 밴드 비가 달라지며, 엽록 소 농도가 커짐에 따라 두 경우의 위치가 달라지므로 두 경우를 구별하는 기준선은 엽 록소 농도에 따라 달라진다. 현장의 엽록소 농도는 연속적인 분포를 가지므로 엽록소의 모든 농도에 대해 기준선의 위치가 연속적으로 변하고 특히 적조생물과 비 적조 생물의 엽록소 농도의 가능한 조합이 무한할 때 단순한 기준선을 설정하는 것은 불가능하다.
즉, 판별분석, 집괴분석 등 단순한 통계적 판별식을 적용하기는 어렵다는 말이다. 이렇 게 하나의 변수가 달라짐에 따라 분류기준이 연속적으로 달라지는 복잡한 상황에서는 좀 더 효과적인 방법이 필요하다. 본 연구에서는 인공신경망을 적용하여 반사도에서 적 조를 판별할 수 있는 방법을 제안하고자 한다.
제 2 절 인공신경망의 종류와 특성
인공신경망 알고리듬은 여러 종류가 있으며 이 연구에서 사용한 Back propagation 모 델 이외에도 확률론적 신경망 (Probabilistic Neural Network: PNN), 일반화된 회귀 신경 망 (Generalized Regression Neural Network: GRNN), 순환 신경망 (Recurrent Neural Network) 등이 있다. 각기 다른 종류의 신경망은 훈련의 용이도, 수렴 가능성, 훈련 시 간, 신경망 적용시 계산시간 등에 있어 차이가 나므로 적조 탐지에 있어 복수의 알고리 듬의 효율성에 대한 비교를 하여 선택하는 것이 바람직하다. 문제에 따라 신경망 모델 이 수렴하지 않는 경우도 있고 적조를 실시간으로 예측하기 위해서는 계산시간이 적절 히 빨라야 하므로 특히 이 두 가지 요인을 평가할 필요가 있다. 따라서 이 연구에서는 Resilient Back-propagation, 확률론적 신경망 (PNN), 두 가지 알고리듬의 성능을 교차하 여 비교하였다.
가장 오래되고 널리 쓰이는 것은 역방전파 (backpropagation) 법으로 hidden layer의
수와 노듈의 수를 사용자가 정하고 학습 자료와 특정 매개변수에 대응한 모델 값을 비 교하여 반복적인(iterative) 매개변수의 조정을 통하여 매개변수의 값을 적합화 하는 것 이다. 역방전파는 층 구조나 노듈의 수가 불확실하고 때에 따라 해답의 수렴이 어려울 수 있다. 반면에 분류를 목적으로 할 경우 확률적 신경망이 더 효율적인 것으로 알려져 있다(Specht, 1990).
확률적 신경망은 학습과정이 빠르고 국지적 최소값(local minima)의 문제가 없어 항상 해답을 얻을 수 있다는 장점이 있다. 확률적 신경망은 4개의 층(Input layer, Pattern layer, Summation layer, Output layer)으로 이루어져 있다(그림 7-2-1). 패턴 층에서는 각 표본에서 확률분포함수를 추정한 후 전체 모집단의 확률분포함수를 추정하여 학습을 한 다. 한 표본 k의 확률분포함수는 다음 식에서 구한다.
(1)
그림 7-2-1. 확률적 신경망의 구조(Cheung and Cannons, 2012).
모집단의 확률분포함수는 확률분포함수를 합한 것이다.
모집단의 확률분포함수가 구해지면 Bayes 최적 결정법에 따라 주어진 표본이 어느 범주에 속하는지 결정하게 된다.