심해의 물고기 무리를 살찌우기 위해 랜덤 포레스트 알고리즘을 사용하는 방법

사시미를 좋아하는 친구라면 황꼬리 참돔에 대해 들어봤을 겁니다.식당에서는 노랑꼬리 황새치를 노랑꼬리 도미 또는 노랑꼬리 황새치라고 부르는 경우가 많습니다.

이 대형 심해어는 살이 촘촘하고, 오메가-3가 풍부하며, 생선 냄새가 없고 맛이 뛰어나며, 최고급 사시미 요리로 여겨집니다. 짧은 어기 기간과 낚시의 어려움 등의 요인으로 인해 야생 황새치의 가격은 높은 수준을 유지하고 있습니다.

해양 생물을 살찌우고 건강하게 유지하는 방법

노랑꼬리 참치는 빠르게 자라지만, 야생 개체 수가 적어 상업적인 어업은 어렵습니다. 해양 양식 기술의 발달로, 노랑꼬리황어도 늘어나는 소비자 수요를 충족시키기 위해 양식될 수 있게 되었습니다.

해양 양식업의 경우,황새치의 생활습성과 산란특성을 정확히 이해하고, 성숙황새치를 집중적으로 보호하는 방법, 사육 생산 효율성과 수익성을 개선하는 데 핵심이 되고 있습니다.

노랑꼬리참치는 계절과 기온 변화에 따라 주기적으로 이동하는 물고기입니다. 주로 우리나라 연안에서 멀리 떨어진 해안의 암초 지대, 일본, 한반도, 호주에 분포합니다.

지난 10년 동안 관찰 장비의 발달 덕분에 생물 추적 분야는 상당한 진전을 이루었고, 종의 원격 모니터링에서도 많은 획기적인 진전이 이루어졌습니다.해양 생물의 행동에 대한 관찰과 데이터 수집에 대규모 3축 가속도계를 사용하는 사례가 점점 늘어나고 있습니다.

3축 가속도계는 3개 축의 가속도를 측정합니다.생물학적 움직임과 활동을 설명하는 시계열을 생성한 다음, 환경의 가속도 특성에 따라 동물의 행동을 추론할 수 있습니다.

또한, 가속기 데이터는 시공간 데이터(깊이, 지리적 위치, 계절 등)와 결합되어 분석될 수 있습니다.산란과 먹이 섭취와 같은 생태학적으로 중요한 행동을 결정합니다.

3축 가속도계가 수집하는 데이터의 양은 수백만 행(가속도, 신체 자세 등 포함)에 달할 정도로 방대하므로 생물학적 행동을 분류하기 위해서는 반자동 분석 시스템이 필요합니다.

노랑꼬리참치의 이동 행동 또한 매우 복잡하며, 평균 속도는 시속 30~40km입니다. 먹이를 쫓을 때는 순식간에 시속 100km 이상으로 가속할 수도 있습니다. 고진푸의 이런 갑작스러운 '폭발'은이로 인해 자동화된 분석 기술의 개발이 방해를 받았습니다.

복잡한 생물학 데이터에 머신 러닝이 유용합니다.

이동 속도, 시간, 깊이, 지리적 위치 등을 포함한 방대한 양의 다차원적이고 복잡한 시공간적 데이터에 직면합니다.머신러닝은 과학 연구자들의 첫 번째 선택이 되었습니다.

Flinders University의 과학 및 공학부 박사 과정 학생인 Thomas Clarke는산란기 동안 양식 황새치 6마리에서 수집한 624시간 분량의 가속기 데이터를 바탕으로 랜덤 포레스트 머신 러닝 알고리즘을 훈련하여 황새치의 5가지 행동(수영, 먹이 섭취, 부상, 탈출, 구애)을 식별했습니다.

이 연구는 머신 러닝을 사용하여 야생 노랑꼬리 참치의 산란 행동을 식별한 최초의 연구입니다.이는 AI를 사용하여 심해어의 번식 패턴을 더 잘 이해하는 데 매우 중요합니다.

이 연구에서 토마스 클라크와 동료들은 벤치마크 트루스 엑셀러레이터의 데이터를 바탕으로 양식 황새치의 행동을 특성화하고 정량화했습니다.지도 학습 알고리즘(RF 모델)이 개발되었습니다.

이 모델은 야생 황새치 데이터를 분석하여 자연적으로 발생하는 산란 행동을 예측하는 데 사용되었습니다.

양식 야생 두머리 붕어, 상세 시험 방법

 1. 황꼬리 황어 번식 실험 

성적으로 성숙한 노랑꼬리 참돔(남호주에서 잡은 야생 노랑꼬리 참돔)을 큰 용기에 담아 놓고 산란 행동을 지속적으로 관찰했습니다.

2018년 8월부터 2019년 2월까지 두 번의 추적 임무가 수행되었습니다.매번 암컷 한 마리와 수컷 두 마리가 추적되었습니다. 6마리의 양식 황새치의 행동 데이터는 3축 가속도계 데이터 로거를 사용하여 기록되었습니다.

용기에 담긴 노랑꼬리 참치를 꺼내어 AQUI-S(10ppm)가 들어 있는 장치에 넣고 표시를 했습니다.이 기록 장치는 노랑꼬리 참치의 등에 고정되어 있습니다. 개인마다 구별하기 위해 가속 버튼, 야간 모드 등이 차별화되어 있습니다.태그 부착이 완료된 후 3시간 후에 황꼬리참치의 행동 데이터가 기록되었습니다.

 2. 야생 황꼬리 참치 시험 

2015년 10월부터 2019년 11월까지연구진은 양식 황새치와 크기가 비슷한 야생 황새치 8마리를 포획하여 태그를 달고 가속도계를 사용하여 2~3일 동안 데이터를 기록했습니다.

야생 황꼬리 참치는 양식 황꼬리 참치와 동일한 사양을 가지고 있으며, 가속기가 고정되어 있습니다. 차이점은 야생 황새치용 가속기는 자체 분리 및 복구가 가능한 설치 패키지라는 점입니다.이 제품에는 가속도계, 무선 송신기, 그리고 2~3일 후에는 스스로 떨어지는 스마트 위치 및 온도 전송 태그가 포함되어 있습니다.

 3. 데이터 분석 

가속기 데이터는 IGOR Pro를 통해 다운로드할 수 있으며, Ethographer 소프트웨어를 사용하여 시각화하고 분석할 수 있습니다.

첫째, 빛이 부족하거나 카메라가 대상을 포착하지 못해 유효하지 않은 데이터는 삭제됩니다.

3개의 가속도 축에 대한 정적 가속도와 동적 가속도를 계산합니다.꼬리 때리기와 자세로 인해 발생하는 주요 신호를 걸러내고 진폭 가속도가 큰 행동을 분리합니다.

시계열 가속도 데이터를 관찰함으로써 노랑꼬리참치의 잠재적인 폭발 행동을 결정할 수 있습니다.노랑꼬리 참돔의 다섯 가지 행동 유형을 영상에서 관찰할 수 있습니다. 먹기, 헤엄치기, 도망치기, 구애하기, 다치기.

 4. 머신러닝 분류 알고리즘 개발 

예측은 랜덤 포레스트 분류를 기반으로 이루어집니다.모든 예측 변수의 값으로 단일 데이터 세트를 형성한 다음 무작위로 두 부분으로 분할했습니다. 70%는 모델 학습에 사용되었고 30%는 모델 성능을 평가하기 위한 검증 세트로 사용되었습니다.

ntree 값은 500에서 시작하여 점차 2000까지 증가합니다. 또한, 각 mtry당 무작위로 샘플링된 변수의 수를 테스트하여 모델 오류율에 미치는 영향을 평가했습니다.

모델을 구축하는 과정에서 저자는 모델의 정확성을 더욱 보장하기 위해 64개의 예측 변수를 사용했습니다.

 5. 모델 성능 평가 

RF 혼동 행렬로부터 계산된 분류 모델의 성능 지표입니다.혼동 행렬은 참 양성(TP), 거짓 양성(FP), 거짓 음성(FN)을 결정합니다.또한, 노랑꼬리참치의 모든 행동 범주에 대한 실제 관찰값과 모델 예측값의 비교표도 제공됩니다.

 6. 야생 황꼬리 참돔의 행동 예측 

RF 알고리즘을 사용하여 야생 황새치 8마리의 행동 데이터를 예측합니다.모델의 전반적인 정확도는 94%에 도달한 것으로 나타났습니다.

수영과 먹이 섭취는 84%를 넘어 가장 높은 인식 정확도를 보였고, 그 다음으로 구애, 탈출, 부상이었으며 분류 정확도 점수는 낮았습니다.

바다를 이해하는 것은 아직 먼 길이다

바다는 지구의 자원의 보고입니다.

해양 생물은 경제적 가치 외에도 바다의 생태적 균형에 중요합니다. 해양을 연구하면 해양 생물, 에너지 및 기타 자원을 더 잘 이해하는 데 도움이 될 수 있으며, 해양 자원의 합리적인 개발과 보호를 위한 중요한 주제이기도 합니다.