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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.