딥러닝이 해양 적조 위기에 맞서 싸웁니다! 저장대학교 GIS 연구실은 해양 조류 발생에 대한 조기 경보를 제공할 수 있는 ChloroFormer 모델을 제안했습니다.

2014년 8월, 오하이오주 톨레도의 50만 명이 넘는 주민들이 갑자기 시 정부로부터 긴급 통지를 받았습니다. 허가 없이 수돗물을 마실 수 없다는 내용이었습니다!

물은 인간 생존에 필요한 기본적인 자원입니다. 이 공지사항은 매우 중요한 내용이며, 발표되자마자 상당한 공황을 야기했습니다. 그 이유는 실제로 미국 이리호에서 청록조류가 대규모로 발생하여 수면이 단세포 조류 수십억 개로 뒤덮였기 때문입니다. 두 개의 지역 정수 처리 회사에서 호수 물에 축적된 독소가 위험 수준에 도달했으며, 수질이 더 이상 마시기에 적합하지 않다는 사실을 발견했습니다.

특정 조건에서 해조류가 대량 발생하여 발생하는 이러한 생태적 이상을 사람들은 종종 적조라고 부르며, 유해 조류 대발생(HAB)이라고도 합니다.전문가들은 유해한 조류 개화가 해양 생태계 균형, 지역 경제, 그리고 인간의 건강에 심각한 위협을 가한다고 말합니다. 특히, 바다 표면에 많은 양의 조류가 모이면 햇빛을 차단하고 물의 투명도를 낮춰 심해 생물의 생존을 위협할 수 있습니다. 이러한 유기체가 분비하는 점액은 물고기의 아가미에 달라붙어 물고기가 호흡곤란을 겪거나 심지어 질식사하게 될 수도 있습니다. 더욱이, 식수원이 오염되면 적조생물에 의해 유발된 독소가 먹이사슬을 통해 인체에 전파되어 인간의 건강에도 심각한 영향을 미치게 됩니다.

이는 유해한 조류 개화를 관찰하고 경고하며 예방하는 것이 매우 중요하다는 것을 보여줍니다.일반적으로 엽록소 a(chl-a)의 농도는 HAB가 만연했는지 여부를 평가하는 주요 지표로 사용될 수 있습니다.정확한 예측은 이후의 예방 및 통제 전략에 직접적인 영향을 미칩니다. 현재, 머신 러닝은 CHL-A 농도 예측에 있어 상당한 진전을 이루었습니다. 그러나 여전히 복잡한 동적 시간 패턴을 효과적으로 모델링하고 데이터 노이즈와 신뢰성을 처리하는 데 있어 단점이 있습니다.

이에 대응하여, 저장대학교 GIS연구실 연구진은 푸리에 분석과 트랜스포머 신경망을 결합하고 시계열 분해 아키텍처를 채택하여 클로르알데히드 농도 예측의 정확도를 효과적으로 개선한 새로운 딥러닝 예측 모델인 ChloroFormer를 제안했습니다.또한 연구진은 두 개의 다른 해안 연구 지역에서 실험을 수행했습니다. 실험 결과에 따르면, 제안된 모델은 다단계 예측 정확도 측면에서 다른 6가지 비교 모델보다 성능이 뛰어났을 뿐만 아니라 극심하고 빈번한 조류 개화 상황에서도 상대적 우위를 유지했습니다.

"푸리에 분석과 변압기 네트워크의 통합을 통한 해안 수역의 클로로필 a 농도에 대한 향상된 예측"이라는 제목의 연구는 Water Research에 게재되었습니다.

연구 하이라이트:
* 딥러닝 모델인 ChloroFormer는 엽록소 a의 단기 및 중기 예측 모두에서 기준선보다 우수한 성능을 보였습니다. 

* ChloroFormer는 높은 정확도와 관찰된 데이터 분포에 대한 높은 적합도로 엽록소 a 피크를 예측하는 데 우수한 성능을 보입니다.

서류 주소: 
https://doi.org/10.1016/j.watres.2024.122160 
공식 계정을 팔로우하고 "유해한 조류 개화"에 답글을 남겨 전체 PDF를 받으세요.


오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.
https://github.com/hyperai/awesome-ai4s

데이터 세트: 타이저우 해역과 알라와이 항구를 예로 들어 보겠습니다.

본 연구에서는 연구 지역으로 저장성의 타이저우 해역과 하와이 오아후 섬의 알라와이 항구를 선택했습니다.이 두 지역의 유해한 조류 개화는 서로 다릅니다. 그 중 타이저우 수역은 경제 개발을 위해 과도하게 집약적으로 이용되어 대량의 폐기물 오염 물질이 유입되고 있으며, 해수 수질이 악화되어 적조가 잦아지고 있습니다. 보트 타기와 요트 타기에 인기 있는 장소인 알라와이 항구는 서핑, 조정, 세일링, 수영, 낚시 등 다양한 인간 활동으로 인해 HAB가 발생하기 쉽습니다.

구체적으로, 타이저우 해역 데이터 TZ02에는 2014년 5월 30일부터 2021년 7월 29일까지의 클로로필 a(chl-a) 농도가 포함되어 있으며, 이는 매시간 모니터링됩니다. 알라와이 항구의 NSS002 데이터는 2013년 3월 1일부터 2018년 7월 26일까지의 클로르알데히드(chl-a) 농도를 다룹니다. 데이터는 수질 모니터링 센서를 통해 4분 간격으로 수집되었으며 15개 시점에 대한 평균을 구했습니다. 또한, 데이터 범위를 줄이고 모델의 예측 정확도를 높이기 위해 데이터 세트를 정규화하고 자연 로그로 변환했습니다.

모델 구조: 주기성과 추세의 공존, Chl-a 농도의 다단계 예측

본 연구에서는 Chl-a 농도를 예측하기 위해 딥러닝 모델인 ChloroFormer를 제안했습니다. 모델 프레임워크는 아래 그림과 같습니다.첫 번째,원래 시계열은 이동 평균법을 이용하여 주기적(Periodic lnit) 성분과 추세적(Trend lnit) 성분으로 분해되며, 모델링은 별도로 수행됩니다.

둘째,추세 구성 요소의 경우, 연구자들은 Transformer 신경망과 자체 주의 메커니즘을 사용하여 장거리 종속성을 포착했습니다. 주기적 구성요소의 경우, 연구진은 주파수 필터와 주파수 주의 메커니즘을 포함하는 Transformer 네트워크를 기반으로 한 푸리에 분석에 기반한 주의 메커니즘을 설계했으며, 이를 통해 주파수의 주기적 패턴을 보다 효과적으로 포착할 수 있습니다.

마침내,연구자들은 두 개의 모델링된 하위 시리즈를 결합하고 선형 투영을 통해 다단계 예측 결과에 직접 매핑했습니다.

실험 결론: chl-a 농도의 매우 불안정한 시간적 역학을 예측할 수 있습니다.

연구진은 ChloroFormer 모델을 사용하여 단기 및 중기 chl-a 농도를 예측했습니다. 결과는 아래 그림과 같습니다.단기 예측에서 ChloroFormer는 두 연구 영역 모두에서 다른 비교 모델보다 정확도가 더 높았으며 오류율이 크게 감소했습니다.

아래 그림과 같이,중기 예측에서 ChloroFormer는 전반적인 예측 정확도가 감소했음에도 불구하고 여전히 다른 모델보다 우수한 성과를 보였습니다.

또한 연구진은 빈번한 조류 개화 조건에서 최대 클로렐라 농도를 예측하는 다양한 모델의 결과를 비교했습니다. 아래 그림에서 볼 수 있듯이 ChloroFormer는 단기 예측에서는 정확도가 높지만, 예측 시간이 길어질수록 ChloroFormer의 장기 예측 정확도는 낮아집니다. 일반적으로 다른 모델과 비교했을 때,ChloroFormer는 시계열 추세를 잘 포착하고 극단적인 지점을 정확하게 일치시켜 조류 개화 조기 경보에 중요한 정보를 제공할 수 있습니다.

마지막으로, 이 연구는 콜모고로프-스미르노프 검정을 통해 ChloroFormer의 예측 결과가 실제 관측된 데이터 분포와 매우 일치한다는 것을 증명했습니다.이는 ChloroFormer 모델이 견고하고 데이터 특성을 정확하게 반영할 수 있음을 보여줍니다.반면, 연구진은 주의 가중치 분포를 분석함으로써 ChloroFormer가 다양한 데이터 세트에서 주요 시간 패턴을 포착할 수 있다는 사실을 발견했습니다.

요약하면, 본 연구에서는 푸리에 분석 기술과 트랜스포머 네트워크를 통합하여 비정상 시간 역학을 갖는 클로르-a 농도의 예측 정확도를 향상시킨 딥러닝 모델인 ChloroFormer를 제안하였으며, 이는 환경 관리에서 유해 조류 개화 예측을 위한 신뢰성 있고 비용 효율적인 도구이다.

과학기술의 힘으로 푸른 미래를 건설합니다

바다는 지구상에서 가장 큰 생명 유지 시스템입니다. 해양 생물다양성을 보호하는 것은 우리 공동의 미래를 보호하는 것입니다. 그러나 인간 활동이 지속적으로 확대됨에 따라 기후 변화, 과도한 어업, 서식지 파괴, 오염과 같은 위기가 계속 발생하고 있으며 해양 생태계는 심각한 문제에 직면해 있습니다. 이에 국내외 연구진은 함께 푸른 방어선을 구축하기를 기대하며 호응하고 있습니다.

최근 몇 년 동안 데이터가 축적되고 딥러닝과 같은 새로운 기술이 개발되면서 해양 보호 분야에서 혁신적인 연구가 계속해서 등장하고 있습니다.예를 들어, 이 기사에서 언급한 저장대학교 GIS 연구실 연구팀은 오랫동안 해양 보호 분야의 탐구와 혁신에 헌신해 왔습니다.그들은 머신 러닝과 위성 제품을 결합하여 전 세계 해양의 용존 산소의 매우 역동적인 변화에 대한 심층 연구를 수행하고 해양 저산소증의 법칙과 원인을 탐구했습니다.

구체적으로 연구진은 전 세계 해수면 용존산소 종합 모델링 프레임워크인 DOsurface-Pred Framework를 개발하고 이 프레임워크를 기반으로 대규모 해수면 용존산소 데이터세트인 SSDO를 생성했습니다. 연구 결과에 따르면, 산소가 풍부한 해수면에서조차 용존산소 수치는 감소 추세를 보였으며, 이러한 감소는 주로 해수면 온도(SST)의 변화에 기인하는 것으로 나타났습니다.

자세한 내용: 해양 저산소 분해: 저장대학교 GIS 연구실은 머신 러닝과 위성 매핑을 통합하여 전 세계 해수면 용존산소에 대한 포괄적인 모델링 프레임워크를 출시했습니다.

또한 프랑스 몽펠리에 대학 연구팀은 랜덤 포레스트 모델과 인공 신경망을 결합하기도 했습니다.데이터가 부족하거나 평가되지 않은 4,992종의 해양 어류에 대한 멸종 위험 예측. 연구 결과에 따르면 해양 어류의 멸종 위협은 이전에 생각했던 것보다 훨씬 큰 것으로 나타났습니다. 앞으로는 데이터가 부족한 종과 주요 위험 지역에 더 많은 주의를 기울여 후속 보호 노력이 타깃을 잡고 주요 문제를 해결하도록 해야 합니다. 이 연구를 통해 과학자들은 해양 어류 보호 분야의 데이터 격차를 메웠을 뿐만 아니라, 전 세계 보호 우선순위를 조정하기 위한 새로운 관점을 제공했습니다.

이러한 최첨단 연구 결과는 별들이 모여 빛나는 은하수를 이루는 것과 같아 바다를 보호합니다. 앞으로 더 많은 과학 연구팀, 정부 기관, 비정부 기구 및 대중의 참여로 해양 생태계를 보호하기 위한 이러한 싸움은 더욱 강력해질 것이며, 우리는 반드시 해양 생태계를 위한 견고한 방어선을 구축할 수 있을 것이라고 믿을 만한 이유가 있습니다.

참고문헌:
https://dialogue.earth/zh/3/42441/
https://m.thepaper.cn/newsDetail_forward_4890474