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.

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.

단층대(fault zone) 내 점토는 전기비저항이 낮아 전기비저항 단층촬영술(ERT)이 단층 조사를 위한 효과적인 방법이 된다. 그러나 기존의 ERT 역산(inversion) 방법은 문제의 ill-posed한 특성으로 인해 고유한 해를 찾는 데 어려움을 겪고 불안정한 결과를 산출한다. 이를 해결하기 위해 딥러닝(DL) 기술과 전통적인 ERT 역산을 통합하는 워크플로를 제안한다. 먼저, 겉보기 비저항(apparent resistivity) 데이터에서 심부 비저항(subsurface resistivity) 모델로의 매핑을 수행하는 DL-ERT inversion이라는 딥러닝 모델을 개발한다. 목표 지향적(target-oriented) 훈련 데이터를 생성하기 위해 대한민국의 다양한 조사 지역에서 획득한 약 150개의 현장 시추공(borehole) 데이터를 사용한다. DL-ERT 역산 알고리즘은 U-Net 구조를 기반으로 하며, 이용 가능한 경우 시추공 정보를 반영하기 위해 borehole mixer라는 추가 네트워크를 포함한다. DL-ERT 역산 모델은 세 단계로 학습된다: 기반 모델 학습(base model training), 시추공 믹서 학습(borehole mixer training), 그리고 파인튜닝(fine-tuning)이다. 결과는 파인튜닝 모델이 모든 테스트 데이터셋에서 가장 높은 예측 정확도를 제공함을 보여주었다. 다음으로, 학습된 모델의 예측 결과를 결정론적 역산(deterministic inversion) 방법의 초기 모델로 사용하여 최종 심부 모델을 예측한다. 제안된 워크플로의 효율성과 정확성은 현장 데이터 예시를 통해 전통적인 결정론적 역산과 비교하여 단층 탐지에서 입증된다.

인공지능 기술의 급속한 발전과 함께, 기계학습 및 딥러닝 기법이 탐사 지구물리 분야에 적극적으로 적용되고 있다. 본 연구에서는 지진, 중력, 자기, 전자기, 지표투과레이더, 그리고 연성(조인트) 역산을 포함한 다양한 지구물리 기법에서의 딥러닝 적용을 광범위하게 조사하였다. 최근 연구는 지구물리 문제에 최적화된 딥러닝 기법이 전통적인 이론 기반 접근법을 넘어서는 방향으로 개발되고 있음을 확인했으며, 이는 딥러닝이 지구물리 분야에서 새로운 패러다임이 되고 있음을 시사한다. 이러한 기술적 진전에도 불구하고, 학습 데이터의 부족, 모델의 불투명성, 그리고 학습 데이터와 현장 데이터 간 이질성 등 여전히 극복해야 할 과제가 존재하며, 본 연구는 이러한 측면을 해결하기 위한 향후 연구 방향을 제안한다.

딥러닝 기술의 많은 유망한 응용 분야 중 하나는 추적 보간(trace interpolation)을 포함한 지진 자료 처리 분야이다. 합성곱 신경망(CNN)과 순환 신경망(RNN)은 여러 설정에서 잘 작동하는 딥러닝의 대표적인 두 가지 형태이다. 그러나 입력 추적 수가 상대적으로 적기 때문에, 추적 보간은 CNN 기반 네트워크보다 RNN 기반 네트워크를 사용하는 편이 더 유연하다. 또한 RNN은 여러 가지 서로 다른 학습 및 추론 전략을 수립할 수 있게 해준다. 여기에서는 along-streamer(즉, inline; IL) 구간으로 학습된 네트워크를 기존의 예인-스트리머(towed-streamer) 시스템에서 cross-streamer(즉, crossline; XL) 파동장 재구성에 사용할 수 있음을 보인다. XL 구간은 수중청음기(hydrophone) 구간보다 4배 더 크므로, 이를 동일화하려면 XL 방향의 각 관측 사이에 세 개의 추적을 예측해야 한다. 관측의 중점(midpoint)에 위치한 추적을 예측하는 네트워크와, 관측의 중점에 있지 않은 추적을 예측하는 네트워크를 모두 학습하였다. 훈련 데이터에는 XL 구간에 나타나지만 IL 구간에는 포함되지 않는 특징을 식별하기 위해, 선형 이동-시간 보정(linear-moveout corrected)된 IL 구간을 포함하였다. 합성 예제에서 알고리즘을 시험한 결과, 추적 보간에 주로 사용되는 모델 제약 최소 가중 노름 보간(model-constrained minimum weighted norm interpolation; MWNI) 방법보다 더 나은 성능을 보였다.

홍수에 가장 취약한 국가 중 하나인 인도네시아에서는 정확하고 신뢰할 수 있는 홍수 예측에 대한 필요성이 더욱 증대되어야 한다. 따라서 인도네시아에서의 일일 홍수 예측을 제공하기 위한 기계 학습 알고리즘 기반의 새로운 예측 모델을 제안한다. 2008년부터 2021년까지의 일일 강수량, 하천 유량, 토지피복, 홍수 데이터를 확보하기 위해 데이터 크롤링을 수행하였다. 본 모델은 분류를 위한 Random Forest (RF) 알고리즘을 사용하여, 3일치 강수율, 산림 비율, 하천 유량을 입력으로 하여 향후 홍수를 예측하도록 구축하였다. RF 알고리즘을 사용한 시험 데이터셋에서의 정확도, 특이도, 정밀도, 재현율, 및 F1-score는 각각 약 94.93%, 68.24%, 94.34%, 99.97%, 97.08%이다. 또한 ROC (Receiver Operating Characteristics) 곡선의 AUC (Area Under the Curve)는 71%로 나타났다. 본 연구의 목적은 인도네시아 지역에서 홍수 발생일로부터 3개월 전 시점에 홍수 사건을 정확히 예측하는 모델을 제공하는 것이다. 시험으로 2022년 6월을 사용하였으며, 모델은 홍수 사건을 정확하게 예측하였다. 이후 예측 결과는 홍수 완화의 한 형태로 경보 시스템 웹사이트에 게시된다.