Multi-step 딥러닝 모델을 활용한 진동만 저층 용존산소 예측 연구 (A Study on Prediction Bottom Dissolved Oxygen in Jindong Bay Using Multi-Step Deep Learning Models)

서지정보

· 발행기관 : 한국해양환경·에너지학회
· 수록지 정보 : 한국해양환경•에너지학회지 / 28권 / 2호 / 99 ~ 107페이지
· 저자명 : 조준모, 박수호, 김청숙, 장선웅, 박성은

초록

본 연구는 진동만 저층 용존산소 농도를 72시간 앞까지 시간 단위로 예측하기 위해 멀티스텝 딥러닝 모델을 적용하였다. 2017년부터 2021년까지 관측된 표저층 수온과 용존산소 그리고 이들의 차분 자료를 활용하여 SimpleLSTM, ConvLSTM, ConvFC 모델을 구축 및 비교하였다. 비교 결과, SimpleLSTM 모델은 가장 낮은 RMSE(1.232)와 MAE(0.996)를 보였으나 단주기 변동 재현이 미흡하였다. 반면, 1D-CNN 기반의 ConvFC 모델은 예측 구간의 변동성을 보다 정확히 포착하여 Multi-step 예측에 더 적합함을 확인하였다. 이는 LSTM 레이어가 장기 추세의 재현에는 유리하나 예측 구간이 길어짐에 따라 오차가 누적될 수 있기 때문으로 해석된다. 본 연구 결과는 연안 양식장에서 빈산소로 인한 피해를 사전에 대비하기 위한 실시간 경보 시스템 구축에 활용될 수 있으며, 향후 더 다양한 환경 요인과 자료 해상도를 고려하여 모델 성능을 고도화할 필요가 있다.

영어초록

This study employed a multi-step deep learning model to predict bottom-layer dissolved oxygen (DO) concentrations in Jindong Bay up to 72 hours in advance, at hourly intervals. Using surface and bottom temperature and DO observations from 2017 to 2021, along with their differenced data, three models (SimpleLSTM, ConvFC, and ConvLSTM) were built and compared. Although the SimpleLSTM model yielded the lowest RMSE (1.232) and MAE (0.996), it struggled to capture short-term fluctuations. In con-trast, the 1D-CNN–based ConvFC model more accurately reflected variability within the forecast range, indicating its suitability for multi-step prediction. This difference is attributed to the accumulation of errors in LSTM layers over extended prediction horizons. The findings suggest that establishing real-time warn-ing systems for low-oxygen events in coastal aquaculture would benefit from such models, while future studies should incorporate more diverse environmental factors and higher-resolution data to further en-hance model performance.

참고자료

· 없음