효율적인 대잠전 수행을 위한 XBT 데이터 및 기계학습 기반의 동해 수직 수온분포 예측 :XBT Data and Machine Learning Based Prediction of Vertical Sea Water Temperature Profile in the East Sea for Efficient Anti-Submarine Warfare

김영주

추천

검색

자료유형: 학위논문

저자정보: 김영주 (국방대학교, 국방대학교 관리대학원)

지도교수: 이수진

발행연도: 2023

저작권: 국방대학교 논문은 저작권에 의해 보호받습니다.

이용수10

이 논문의 연구 히스토리 (3)

2023

효율적인 대잠전 수행을 위한 XBT 데이터 및 기계학습 기반의 동해 수직 수온분포 예측

김영주 2023.01 학위논문

2022

XBT 데이터를 이용한 기계학습 기반의 동해 수직 수온분포 예측

김영주 , 이수진 , 김영원 한국컴퓨터정보학회논문지 2022.11 학술저널

XBT 데이터를 이용한 LightGBM 기반 동해 수직 수온분포 예측

김영주 , 이수진 한국컴퓨터정보학회 학술발표논문집 2022.07 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

동해는 우리나라 및 주변국들에게 해양안보 측면에서 매우 중요한 전략적 해양공간이다. 깊은 수심과 다양한 해류의 특성으로 ‘잠수함의 천국’이라 불리는 동해는 잠수함을 상대로 하는 대잠전 측면에서도 군사적 중요성과 유용성이 매우 크다. 소나는 잠수함을 탐지하기 위한 중요한 수단으로 소나의 음파전달은 음속과 밀접하게 관련되어 있고 음속은 수온의 영향을 가장 많이 받는다. 따라서 수직 수온분포를 예측할 수 있다면 대잠전력을 효율적으로 운용하고 전장 가시화를 보장할 수 있다.
최근 다양한 인공지능 모델을 이용한 수온예측 연구가 활발히 진행되고 있다. 태평양, 남중국해 등을 대상으로 하는 국외 연구의 경우 다양한 데이터를 사용하여 깊은 수심의 수온까지 예측하는 연구들이 많이 진행되고 있으나 우리나라 주변 해역의 경우 해수면 온도만을 예측하거나 연안에서 관측된 데이터를 사용하여 특정 수심의 수온을 예측하는 연구가 대부분이다. 이에 따라 본 연구는 동해 특정해역의 해수면부터 수심 200m까지의 수직 수온분포를 예측하기 위해 기계학습 모델과 XBT 데이터를 사용하였다. 기계학습 모델은 회귀분석이 가능하고 높은 정확도와 빠른 처리속도를 보이는 RandomForest, XGBoost 및 LightGBM을 사용하였다.
실험은 XBT 데이터의 결측치 및 이상치를 처리하기 위해 먼저 전처리 과정을 수행하고 데이터를 학습 데이터와 평가 데이터로 분리하였다. 모델의 정확도 향상을 위해 하이퍼파라미터를 세팅하고 데이터 학습을 진행하였다. 이후 학습된 모델과 평가 데이터를 사용하여 예측값을 산출하고 MAE와 그래프를 활용하여 모델의 정확도를 평가하였다. 실험결과 RandomForest가 MAE 0.6144로 가장 높은 정확도를 보였고 월별 수직 수온분포 그래프를 통해 실제값과 예측값을 비교한 결과 상당히 유사하였다. 이를 통해 XBT 데이터와 기계학습 모델을 사용하여 수직 수온분포 예측이 가능함을 확인하였다.

The East Sea is a strategic maritime space that is very important for maritime security for Korea and surrounding countries. And the East Sea is called the ''Heaven of Submarines'' due to its deep water depth and various ocean currents. Therefore, the East Sea is militarily important and useful in terms of anti-submarine warfare against submarines. SONAR is an important tool for detecting submarines. The sound propagation of SOANR is closely related to the speed of sound and the speed of sound is most affected by sea water temperature. Therefore, if the vertical sea water temperature profile can be predicted, anti-submarine forces can be efficiently operated and battle field visualization can be ensured.
Recently, studies on sea water temperature prediction using various artificial intelligence models has been actively carried out. In the case of overseas studies on the Pacific Ocean and the South China Sea, many studies are carried out to the deep water temperature using various data. But in the case of studies on the seas around the Korean Peninsula, most studies only predict the sea surface temperature or the sea water temperature of a specific depth using the data observed on the coast. Therefore, this study used machine learning models and XBT data to predict the vertical sea water temperature profile from sea surface to 200m depth in the East Sea. The used machine learning models are Random Forest, XGBoost and LightGBM which can perform regression analysis and show high accuracy and fast speed.
The experiment first performed data preprocessing in order to process missing and outliers and separated the data into train data and test data. Hyperparameters were set to improve the accuracy of models and the models were trained using train data. Afterwards, predictions were calculated using the trained model and test data. The Accuracy of the model was evaluated using MAE and graphs. As a result of the experiment, Random Forest showed the highest accuracy with MAE 0.6144 and the results of comparing the actual and predicted values through the monthly vertical sea water temperature profile graphs were quite similar. Through this study, it was confirmed that vertical sea water temperature profile can be predicted using XBT data and machine learning models.

#수직 수온분포 예측 #XBT #기계학습 #대잠전

제1장 서 론
제1절 연구배경 11
제2절 연구목적 및 방향 15
제2장 관련연구
제1절 XBT(eXpendable Bathythermograph) 17
제2절 기계학습 모델 19
제3절 선행연구 및 분석 23
제4절 소결론 28
제3장 실험 및 분석
제1절 실험환경 및 실험방법 29
제2절 데이터 전처리 31
제3절 하이퍼파라미터 세팅 37
제4절 실험결과 및 분석 40
제4장 결 론 48
참고문헌 50
ABSTRACT 44

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)