연구과제명 위성 빅데이터 기반 적조감지 및 추이분석. 적조 발생 추이 및 확률 분석 시스템 구축
연구배경
둘째, 적조지역의 현장관측을 통한 데이터 수집 및 발생환경 분석, 현장자료 및 양식자료를 활용한 적조의 광학적 특성 측정, 원격탐사 기반 적조감지 알고리즘 개발 및 개선한다. 최근 원격탐사를 이용한 적조감지 및 모니터링에 대한 연구가 진행되고 있으나 이는 단편적인 접근에 불과하며 장기간의 데이터를 활용한 적조연구는 수행되지 않았다.
연구의 필요성
개선된 적조 예보체계를 구축하기 위해서는 장기적 종합자료 분석을 통한 통계모형을 개발하여 순환생태모형과 연계하여 활용하는 것이 바람직하다. 또한 정량적 예측모델이 없어 적조의 발생, 이동, 확산 등을 파악하기 어렵다.
연구목표
연구 주요내용
추진체계
한국해양과학기술원은 인공위성과 멀티센서를 활용한 적조자료 분석을 담당하고 있다. 데이터를 제공합니다. 한국과학기술정보연구원(KISTI)은 15년 이상 위성 데이터를 신속하고 효율적으로 처리·관리하고 통계 분석을 할 수 있는 분석 시스템 개발을 담당하고 있다.
기대성과 및 활용 방안
적조 속보 digitizing
국립수산과학원 "대한민국 앞바다의 적조 발생" 최근 적조 소식의 예. 올해 적조는 흑조의 약화로 가계수 환경에서 생성되지 않고 연안 규조류의 우점으로 사라진 것으로 분석되었다(국립수산과학원, 2008).
조사 해역
현장 관측 자료 분석방법
와 의 값은 상대값이므로 식물플랑크톤의 흡수계수인 (식물플랑크톤의 흡수계수)로 환산하였으며, 식은 다음과 같다. 6) 유색 용존 유기물(CDOM)의 흡수. 본격적인 측정을 위해 0.2 공극 크기 47 폴리카보네이트 멤브레인 여과지로 여과한 증류수 시료를 기포 형성을 방지하기 위해 두 개의 큐벳에 꽉 채웠습니다. 분광 광도계의 광학 창에 두 개의 큐벳을 배치하여 기준선을 측정했습니다.
현장 관측자료 개요
용존 유기물 흡수 Cary300 UV-Spectrophotometer 입자 흡수 Cary300 UV-Spectrophotometer 식물성 플랑크톤 엽록소 a 농도, 5 미만 엽록소 a. 식물플랑크톤 종 구성 FlowCam-VS, Zeiss 현미경 식물플랑크톤 흡수 Cary300 UV 분광광도계 표 3-2-2.
현장 관측자료 분석 결과
저층의 경우 표층과 달리 해안에서 외해로 갈수록 농도가 높았다. 표층의 경우 여수~남해 사이 해역이 거자 일대보다 높은 값을 나타냈고, 하층은 섬진강과 남강의 영향권에서 높은 값을 나타냈다.
재료 및 방법
Positive MRI is potential red tide pixel and negative MRI is clear and/or turbid water pixel (remove negative MRI pixel).
결과
적조 발생 시 엽록소 a의 농도도 상대적으로 높다. 적조탐지 알고리즘과 비교하여 bbp-Morel 방법은 대부분의 해역을 적조해역으로 추정하였고 나머지 방법들은 여수~부산 사이 해역을 적조해역으로 추정하였다.
C. polykrikoides 의 흡광도 분석
검은색 선으로 표시된 피크 R과 배양된 C의 흡수 스펙트럼.
본 연구에서는 남해안에서 주로 적조를 발생시키는 종의 고유 광학특성(IOP) 중 하나인 소멸계수를 규명하여 적조탐지 알고리즘 개선에 활용하였다. 재배된 레드망고의 광학적 특성을 이용한 반사도 시뮬레이션 모델 데이터의 비교 분석.
기존 적조 탐지 방법의 문제점
적색 종 간의 유사점과 차이점은 적색 종 흡수 분석을 통해 분석되었으며 반사율 모델 개발을 위한 입력 데이터로 사용되었습니다. 그리고 광학적 특성을 바탕으로 적조 지역과 비적조 지역을 구분할 수 있는 간단한 알고리즘을 제시하고자 하였다.
적조종 광특성 기반 적조 탐지 알고리듬
연구 3차년도에는 적조의 광학적 특성을 정밀하게 분석하여 기존 인공위성을 이용한 적조 탐지 방식의 문제점을 해결하여 보다 정확한 탐지 기술을 개발하였다. 적색조광 특성을 이용한 적색조작 판별 연구에서 역산란 특성과 식물성 플랑크톤 흡수 특성을 모두 사용하는 경우도 있다.
Hydrolight Simulation (반사도 시뮬레이션)
적조수에서의 식물플랑크톤 흡광계수는 양식종의 흡광도 분석을 통해 엽록소 농도를 달리하여 측정한 자료를 사용하였다. 반사율 시뮬레이션 입력 데이터와 필드 데이터의 범위 비교.
총 2,275개의 반사 스펙트럼은 다양한 해수 환경의 반사율을 광학적으로 시뮬레이션하기 위해 적조 유기체, 용존 유기물 및 부유 물질의 농도를 변화시켜 생성되었습니다. 적조가 극히 우세한 적조 지역에서도 일반적으로 다수의 종과 함께 존재한다.
C. polykrikoides 반사도 모델
위성에서 계산된 반사는 빨간색 파장에 있습니다. 청색 파장에서 녹색 파장까지의 반사 스펙트럼 특성은 현장에서 위성입니다.
C. polykrikoides 반사도 밴드 비 모델
결론적으로 용존 유기물의 농도가 낮은 해역의 반사율은 주로 R2 값이 작다. 엽록소 농도가 일정할 때 용존유기물 농도에 따른 반사율의 분포.
모델-현장 C. polykrikoides 반사도 밴드 비 비교
이것은 적색 조작체의 고유한 광학적 특성을 기반으로 한 식별 방법으로 광범위한 조명 조건에서 적용할 수 있는 것으로 여겨집니다. 본 연구에서는 인공신경망을 적용하여 적색과 반사도를 구분하는 방법을 제안한다.
수중 알고리듬 (in-water algorithm)
모집단의 확률 분포 함수는 확률 분포 함수의 합입니다. 모집단의 확률 분포 함수를 구하면 Bayes 최적 결정 방법에 따라 주어진 표본이 속하는 범주를 결정합니다.
다중영상을 이용한 인공신경망 훈련
확률론적 신경망
이는 6장 2절에서 살펴본 바와 같이 엽록소 반사율의 밴드 비율 공간에서 엽록소 농도가 증가함에 따라 분리 간격이 증가한다는 사실과 일치한다. 엽록소 농도와 확률적 신경망 알고리즘의 예측 가능성 간의 관계.
역방전파 인공신경망
즉, 엽록소 농도가 증가할수록 반사율의 청록색 띠 부분의 가라앉는 정도가 심해지며 이는 반사율 띠 비율에서 더 멀어지는 것으로 나타난다. 따라서 밴드 비율 값이 클수록 확률적 신경망 알고리즘의 예측 가능성이 높아지는 것은 당연하다.
MODIS 인공신경망 알고리듬
6절 적조 인공신경망 알고리즘을 이용한 위성자료 분석. 개발된 탄력적 인공 신경 역전파 네트워크를 사용하여 2002년부터 2015년까지 구름 없는 MODIS 이미지에서 적조 분포를 계산했습니다.
현장 관측자료
다중위성 자료
과거 위성 자료를 재분석한 후 장기적으로 적조 발생 추이를 분석할 예정이다. 또한 적조 현장 자료와 비교하여 광대역 적조 분석을 수행할 계획이다.
환경자료
기타 열적외선 및 극초단파를 이용하여 관측한 지표수온, 풍속 및 강수량 자료는 적조 발생 추이 분석을 위한 해양환경 자료로 활용하고 있습니다.
적조 빅데이타 플랫폼 구축 및 다차원 배열 스키마 설계
TuPiX OC를 활용한 적조 빅데이타 분석 기술
기존문헌 연구자료
물리 관측 자료
향후 적조 발생 추이를 분석하기 위해서는 다른 환경적 요인과 함께 조수를 면밀히 검토할 필요가 있다. 태풍은 적조를 사라지게 할 수 있기 때문에 앞으로 태풍과 적조가 어떤 관계가 있는지 알아내는 것이 매우 중요하다.
화학 관측 자료
일반적으로 해양에서 식물성 플랑크톤의 대규모 번식이 일어나면 바닷물의 용존산소량이 증가한다. 향후 저층부 용존산소량과 수온의 상관관계를 분석해 적조 발생과 어떤 관계가 있는지 분석할 계획이다.
적조 발생 분석
적조 지역에서는 평균 11건이 발견되었으나 대부분의 해역에서는 4건의 적조가 발생한 것으로 나타났다. 서해안의 경우 서천 7건, 태안 8건이 적조 발생 빈도가 가장 낮았다.
따라서 본 연구의 목적은 지금까지 제시된 적조 발생 메커니즘을 종합적으로 이해하는 것이다. 이는 적조 발생 환경을 분석하기 위해 필요한 절차로 추정된다.
따라서 잠시 원점으로 돌아가 적조 발생으로 분류된 자료의 정확도를 따져볼 필요가 있다. 일일 적수 자료의 불확실성을 개선하기 위해 연간 자료를 사용하는 것이 바람직하다.
