서론 해저 퇴적물의 정확한 분류는 해양공간계획, 자원관리 및 과학연구에 필수적이다. 직접 시료 채취는 정밀한 퇴적물 정보를 제공하지만 비용이 많이 들고 공간적으로 제한된다. 다중빔 음향측심기(multibeam echo-sounding system, MBES)는 넓은 범위를 제공하나, 상세한 퇴적물 특성화를 제공하지 못해 통합적이고 데이터 기반 접근의 필요성이 제기된다. 방법 우리는 MBES 후방산란(backscatter) 데이터와 제한된 해저 시료를 융합하는 기계학습 프레임워크를 개발하였다. 먼저 누락된 MBES 값은 U-Net 모델을 이용한 보간으로 완전한 래스터(raster) 데이터셋을 생성하였다. 후방산란 영상으로부터 고급 텍스처 및 스펙트럼 기술자—Gray-Level Co-occurrence Matrix, Law의 텍스처 필터, 이산 웨이블릿 변환—을 추출하였다. 다섯 가지 분류기(Random Forest, Support Vector Machine, Deep Neural Network, Extreme Gradient Boosting, Light Gradient-Boosting Machine)를 훈련하여 네 가지 퇴적물 등급(자갈, 모래, 점토, 실트)을 예측하였다. 시료 부족과 클래스 불균형을 완화하기 위해, 반지도(semi-supervised) 자기훈련 루프를 사용하여 고신뢰도 의사 라벨(pseudo-label)을 반복적으로 훈련 집합에 추가하였다. 결과 대한민국 동해에서 현장 검증을 수행한 결과, Extreme Gradient Boosting 모델이 가장 높은 정확도를 달성하였다. 전체 예측 정확도는 기준 워크플로우에서 60.81%였으나, 데이터 보간, 향상된 특성 추출, 자기훈련을 적용한 후 72.73%로 증가하였다. 논의 제안된 U-Net 보간, 다중 스케일 텍스처 특성, 반지도 학습의 조합은 MBES 데이터가 불완전하고 퇴적물 시료가 희소한 환경에서 퇴적물 분류를 유의하게 개선한다. 본 통합 워크플로우는 기계학습 기법이 해저 지도를 고도화하고, 정보에 기반한 해양 자원관리의 지원 가능성을 보여준다.

예인 스트리머(towed-streamer) 해양 탄성파( marine seismic ) 취득 시스템은 일반적으로 공통 발사(common-shot) 집합 내에서 인라인 수신기 방향(스트리머를 따라, along-streamer)으로는 수신기 간격이 조밀한 반면, 크로스라인 수신기 방향(스트리머를 가로질러, cross-streamer)에서는 스트리머 간격이 상대적으로 성기다. 이러한 비대칭성은 공통 발사 집합 내에서 크로스라인 수신기 방향으로 공간적 애일리어싱(spatial aliasing) 문제를 유발할 수 있으며, 3D 해양 탄성파 데이터 처리 과정에서 분해능(resolution)이 저하되는 결과로 이어질 수 있다. 이 문제를 해결하고 분해능을 향상시키기 위해서는 공통 발사 집합 내에서 크로스라인 수신기 방향으로의 데이터 보간(interpolation)이 필수적이다. 이를 위해 다양한 지도학습 기반 보간 방법들이 개발되어 왔다. 그러나 공통 발사 집합 내 크로스라인 수신기 방향에는 실제 데이터가 존재하지 않기 때문에, 실제 현장 데이터를 이용해 지도학습 모델을 학습하는 데 어려움이 따른다. 이를 극복하기 위해 우리는 크로스라인 보간을 위한 딥러닝 기반 재구성 모델에서 “전치 배열 전략(transposed arrangement strategy)”이라고 불리는 새로운 접근법을 개발하였다. 이 방법은 기존 현장 데이터에서 패치(patched)된 3D 입력과 라벨을 사용해 모델을 학습한 다음, 학습된 모델에 전치된(transposed) 3D 입력을 적용하여 공통 발사 집합 내 크로스라인 수신기 방향의 데이터를 재구성한다. 이 과정에서 3D U-Net과 U-Net+ 모델을 사용하였으며, 기존 보간 방법들과의 비교를 통해 이들의 우수성이 입증되었다.