해저면 특성 분류와 산사태 위험요인 분석을 위한 기계학습 연구

Machine Learning for Seabed Characterization and Landslide Conditioning Analysis

연구 내용

MBES 기반 해저면 자료를 보완·특징화하고 반지도( self-training ) 방식으로 퇴적물 클래스를 분류하며, 산사태 위험요인을 SHAP 기반으로 해석하는 연구

해저면 퇴적물 분류는 해양공간 계획과 자원 관리에 필요하지만, 직접 시료 채취는 비용과 공간 제약이 큽니다. 본 연구는 multibeam echo-sounding backscatter로부터 누락 값을 U-Net 기반 보간으로 보완한 뒤, Gray-Level Co-occurrence Matrix, Law’s texture filters, discrete wavelet transforms 등의 다중 스케일 특징을 추출해 분류 성능을 확보합니다. 표본 부족과 class imbalance 문제를 완화하기 위해 semi-supervised self-training 루프에서 고신뢰 pseudo-label을 반복적으로 추가합니다. 또한 산사태 conditioning factor의 공간적 연관성을 SHAP 기반으로 해석하여 변수 기여도를 근거 중심으로 제시합니다. 더불어 지구물리 분야에서 딥러닝 적용의 현황과 과제를 정리해 후속 연구 설계를 지원합니다.

관련 프로젝트

5건

연구 흐름

해저면 분류 연구에서는 먼저 MBES backscatter의 불완전성을 U-Net 보간으로 채운 뒤 다중 텍스처·주파수 특징을 추출하는 체계를 구성했습니다. 이후 Random Forest, SVM, DNN, XGBoost, LightGBM 등 분류기를 비교하고, 성능이 제한되는 구간에서는 semi-supervised self-training으로 고신뢰 pseudo-label을 누적하는 방식으로 학습 데이터를 확장했습니다. 최근에는 동해 사례 검증을 통해 보간·특징 추출·반지도 학습의 조합이 분류 정확도 향상에 기여함을 확인했습니다. 별도 축에서는 산사태 조건 요인에 대해 SHAP으로 영향도를 분석해 해석 가능성을 높이는 방향으로 확장했습니다. 마지막으로 지구물리 딥러닝 적용의 전반을 정리해 데이터 불충분과 모델 불투명성 같은 공통 과제를 정면으로 다루는 방향성을 제시했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

해저면 피복도 산정
해양공간 계획 지원
오프쇼어 구조물 입지 평가
퇴적물 이동·분포 모니터링
해양자원 조사 가이드
산사태 위험도 지도화
SHAP 기반 변수 기여 해석
반지도 분류 파이프라인
불완전 MBES 자료 보정
환경 관리 의사결정 지원