지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.5
- 수록면
- 131 - 145 (15page)
- DOI
- 10.7846/JKOSMEE.2024.27.2.131
이용수
초록· 키워드
오류제보하기
최근 빈산소수괴의 규모와 빈도가 지속적으로 증가하고 있어 양식생물 집단폐사 등 수산업에 심각한 경제적 피해를 발생시키고 있다. 양식 현장에서 빈산소수괴로 인한 피해를 최소화하기 위해서는 빈산소수괴 발생 시기를 사전에 예측하여 조기 대응할 수 있는 예측모델 구축이 필요하다. 본 연구에서는 딥러닝 기반 시계열 예측에 특화된 순환신경망 모델 중 Long Short-Term Memory(LSTM), Gate Recurrent Unit(GRU)과 합성곱 신경망인 1-Dimension Convolution Neural Network(1D-CNN)을 활용하여 저층 용존산소의 변동을 예측한 후 모델별로 성능을 평가하였다. 딥러닝 모델의 입력자료는 당동만 해역에서 2019년부터 2022년 사이에 연속 관측된 층별 해양환경자료를 사용하였다. 2019년과 2021년 자료는 모델의 학습 및 검증자료로 사용하였고 2022년 자료를 예측하여 관측자료와 비교·검증하였다. 모델의 예측 정확도에 영향을 미치는 최적의 입력자료와 매개변수를 선정하기 위해 Pearson 상관관계와 Mutual Information(MI) 분석, 시행착오법을 수행하였다. 그 결과 GRU 모델과 1D-CNN 모델의 성능이 LSTM 모델보다 성능이 우수한 것으로 나타났다. 예측선행시간이 증가할수록 LSTM 모델의 단주기 변동 패턴의 재현성이 감소하였는데, 이는 각 모델 간 구조에 기인한 결과로 나타났다. 본 연구를 통해 시계열 예측에 딥러닝 모델을 적용할 경우 데이터 특성을 반영한 모델을 활용해야 함을 알 수 있었다. 향후 신뢰성 있는 양질의 입력자료 확보와 매개변수 조정을 통해 모델의 예측 오차를 줄일 경우 향상된 예측 정확도와 48시간 이상의 예측시간을 확보할 수 있을 것으로 판단된다.
목차
요약
Abstract
1. 서론
2. 재료 및 방법
3. 결과 및 고찰
4. 결론
References
참고문헌 (0)
참고문헌 신청이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-24-02-089752727