해양 분야 인공지능/빅데이터 활용 동향

 인공지능/빅데이터 기반 융합기술들이 분야를 막론하고 연구 개발되고 있고, 더 이상 인공지능/빅데이터 기술이 부재한 세상을 상상하기 어려워지고 있다. 해양 분야에서도 선박 항해/항만, 해양과학 등 다양한 분야에서 인공지능 기술이 사용되고 있으며, 다양한 해양 관측기술이 발전함에 따라 해양 관련 데이터의 수가 급격히 증가하고 있다. Transparency Market Research의 연구 결과에 따르면, 해양 빅데이터 시장에 대한 연평균성장률은 2017년부터 2025년까지 21.5%에 달하고, 2025년의 세계 시장은 32억 4,000만 달러에 달할 전망이다. [표 1]은 해양 분야에서 사용되고 있는 인공지능/빅데이터 활용 예시를 지도학습, 비지도학습 등 머신러닝 기법별로 분류한 것을 보여주고 있다.
 어업/양식업 분야는 기후를 얼마나 잘 예측할 수 있느냐에 따라 성공 여부가 결정된다. 특히, 수온을 정확히 예측할 수 있을 경우, 최적의 어장을 찾거나 최상의 양식 환경을 조성하는데 큰 도움을 줄 수 있다. 나아가, 고수온 및 저수온/냉수대 등의 이상수온 현상을 사전에 예측할 수 있다면 어류의 집단 폐사를 방지할 수 있다. 이와 같이 수온 예측의 정확성을 향상시키고 이상수온과 같은 해양 재해로 인한 피해를 방지하기 위해 LSTM(Long-Short Term Memory)과 같은 지도학습(Supervised Learning) 기반 인공지능 기술이 주로 활용되고 있다[1]-[4].

[표 1] 해양 분야 인공지능/빅데이터 활용 분야 예시

• LSTM: Long-Short Term Memory
• MLP: Multi-Layer Perceptron
• CNN: Convolutional Neural Network
• AIS: Automatic Identification System

<자료> H. Yang, “Abnormally High Water Temperature Prediction using Deep Learning Technology,” 2020.
김민규 외, “칼만필터와 다층퍼셉트론을 이용한 선박 오토파일럿의 자이로스코프 신호 잡음제거”, 2019.
이형탁 외, “선박 접안속도의 K-평균 군집분석을 활용한 도선사 조선 유형에 관한 연구”, 2020.
Lee et al., “An AIS Data-Driven Approach to Analyze the Pattern of Ship Trajectories in Ports Using the DBSCAN Algorithm,” 2021.

 선박 운항에서 내뿜는 연기는 대기오염의 주범이다. 지구온난화에 대응하기 위해 국제해사기구는(International Maritime Organization: IMO) 선박연료유의 황 함유량 상한선을 제한하기 시작하였다. 이와 같은 맥락으로 선박 운항 효율을 최적화 하여 불필요한 연료 소모를 줄이기 위한 연구 개발이 이루어지고 있다. MLP(Multi-Layer Perceptron) 등의 지도학습을 이용하여 선박 오토파일럿의 자이로스코프 신호 잡음을 최소화하는 연구도 선박 운항 효율을 최적화하는 연구 중 하나이다[5].
 선박 운항의 마지막은 도선사에 의한 접안으로 마무리된다. 그동안에는 도선사의 경험과 지식을 바탕으로 정성적으로 선박 접안이 이루어져 왔다. 이 방식은 선박 접안에 대한 안정성을 정량적으로 평가하기 어렵게 만드는 요인이었다. 이러한 문제를 해결하기 위해 최근에는 K-means 알고리즘과 같은 비지도학습(Unsupervised Learning)을 이용하여 다양한 선박의 접안 시 AIS(Automatic Identification System) 데이터를 분석함으로써 도선사의 접안 안정성을 정량적으로 분류 및 평가하는 방법에 대한 연구 개발이 이루어지고 있다[6].
 최근 선박 분야의 핵심 키워드는 단연 ‘자율운항’이다. 대양에서의 자율운항선박에 대한 연구 개발은 활발히 이루어지고 있는 반면, 나라마다 규제가 상이한 복잡한 항구 및 연안에 대한 자율운항은 연구 개발이 더디게 이루어지고 있다. 항구 및 연안의 자율운항 기술 연구개발을 촉진하기 위해서는 연안 및 항구의 선박 운항 패턴을 파악할 필요가 있다. 비지도학습 기법 중 하나인 DBSCAN을 이용하여 항구의 선박 운항 패턴을 분석한 연구 개발이 이루어지고 있으며[7], 이와 같은 기술은 항구 및 연안에 대한 자율운항 연구 개발의 기초 자료로 활용될 수 있을 것이다.
 본 고에서는 위에 제시한 지도학습 및 비지도학습 등의 인공지능 머신러닝 기술이 해양 분야에 어떻게 활용되고 있는지에 대해 자세히 살펴본다.

 지도학습은 연속적인 실수 영역에 대한 회귀 문제나 카테고리를 나누는 분류 등의 문제를 해결하는데 유용하다. 해양 분야에서는 선형회귀(Linear Regression), MLP, RNN(Recurrent Neural Network)/LSTM 등이 바다수온, 해무, 바다 표층에 포함된 염분 등을 추정하는데 활용되고 있으며, FNN(Fully-connected Neural Network), CNN(Convolutional Neural Network) 등은 양식업, 어업 등에 치명적인 적조, 기름유출, 불법 어선 등을 검출하는데 활용되고 있다[1]-[4]. 본 장에서는 LSTM 기반 이상수온 예측, MLP를 이용한 선박 오토파일럿의 자이로스코프 신호 잡음 최소화 등에 대해 살펴본다.

 바다 수온은 지구시스템에서 해양의 순환과 생태계에 큰 영향을 주는 요소 중 하나이다. 지구온난화로 인해 한반도 근해 수온에 급격한 변화가 발생하기 시작했으며, 이로 인한 고수온, 저수온 등의 이상 수온 현상이 빈번히 발생하고 있다. 이러한 이상수온 현상은 해양생태계와 해양수산업에 큰 피해를 야기하고 있다[4]. 이상수온이란, 평년 대비 혹은 주변해역 대비 상대적으로 수온의 편차가 큰 현상을 의미한다. 대표적인 이상 수온 현상으로 고수온, 저수온 등이 있다. 고수온으로 인해 넙치, 볼락, 강도다리, 쥐노래미 등의 양식어종이 집단 폐사한 사례가 지속적으로 보고되고 있으며, 저수온으로 인해 산란기 어류의 산란정지, 오징어 등의 어군형성, 양식장 피해 등이 발생하고 있다[8].
 이상수온으로 인한 피해를 줄이기 위해서는 신속히 대응하거나 사전에 예측하는 것이 필수적이다. 그러나 매번 늦은 대응으로 피해가 가중되고 있는 실정이다. 이와 같은 문제를 해결하기 위해 대용량 수온 데이터를 딥러닝 모델에 트레이닝시켜 이상 수온을 사전에 예측하기 위한 인공지능 기술이 연구되고 있다. 최근에는 LSTM을 이용하여 이상수온을 예측하는 연구가 활발히 진행되고 있다[1]-[4].

 LSTM을 이용한 이상수온 예측은 크게 2단계로 나누어진다. LSTM 모델을 트레이닝하여 수온을 예측한 후, 예측한 수온이 기존 온도보다 클 경우 고수온, 작을 경우 저수온으로 판단한다. [그림 1]은 1일 이후의 수온을 예측하기 위해 LSTM 모델을 트레이닝 하는 방법을 나타낸 것이다. 기준일로부터 지난 30일 동안의 수온 시계열 데이터를 입력으로 하고, 기준일로부터 1일 이후의 수온 데이터를 출력으로 한 임의의 수만 개의 쌍을 트레이닝 한다.

 [그림 2]는 m일 이후의 수온을 예측하기 위한 방법을 나타낸 것으로 트레이닝된 LSTM 모델을 이용하여 1일 이후의 수온을 단계적으로 예측해 나가면 m일 이후의 수온을 예측할 수 있다. [그림 3]은 위와 같은 방법으로 수온을 예측해 보았을 때의 결과를 나타낸 것이다. 1일 이후의 수온은 비교적 정확하게 예측할 수 있지만 7일 이후의 수온은 그 정확도가 떨어지는 것을 확인할 수 있다. 이렇게 예측 기간이 길어질수록 수온 예측의 정확도가 떨어지는 문제를 해결하기 위해 수온 이외에 기압, 바람, 일조량 등의 다양한 기후 자료를 트레이닝 입력 자료로 설정하는 방법, 트렌스포머 등 LSTM 딥러닝 기술을 대체하는 방법 등의 연구개발이 다양하게 이루어지고 있다[2].

 국제해사기구는 전 세계 모든 해역의 선박을 대상으로 선박연료유의 황 함유량 상한선을 3.5%에서 0.5%로 낮추는 강력한 규제를 2020년부터 실시하고 있다[5]. 이로 인해 선박으로 인해 발생하는 대기오염을 줄일 수 있을 것으로 기대하고 있다. 황 함유량이 낮은 연료유를 사용하여 대기오염 물질을 줄이는 방법 이외에 선박을 경제적으로 운영하여 불필요한 에너지 낭비를 줄이는 것 또한 대기오염 물질을 줄이는데 일조할 수 있다. 이와 같이 경제적 선박 운항을 실현하기 위한 인공지능 기술이 연구 개발되고 있다.

 선박에서는 오토파일럿 시스템이 사용되는데 오토파일럿 시스템은 자이로스코프에서 측정된 회두각을 입력으로 사용하고, 출력으로 선박을 제어하기 위한 조타각을 생성한다[9], [10]. 기존에 사용된 오토파일럿 시스템은 PD(Proportional-Differential)형 제어기로 구성된 오토파일럿을 사용하였지만 비선형 항을 많이 포함하고 있는 선박에 적용할 경우 회전 시 조타각의 변화가 거칠게 일어나 오버슈트, 정상상태 오차가 발생하고 응답속도가 느려 선박이 정해진 항로에서 이탈하게 된다. 정해진 항로를 많이 이탈 할수록 기존 항로로 돌아오는데 더 많은 연료를 소모하게 되어 운항 효율이 떨어지게 된다. 자이로스코프의 잡음 영향을 가능한 최소화하기 위해 칼만필터와 MLP를 이용하는 연구 개발이 이루어지고 있다[5]. [그림 5]는 칼만필터와 MLP를 이용하여 자이로스코프의 잡음 영향을 최소화한 결과를 비교 분석한 내용을 보여주고 있다.

 비지도학습은 데이터로부터 알려지지 않은 특성을 파악해 내는데 유용하게 사용된다. 해양 분야 중 특히 항해/항만 분야에서 K-means 알고리즘, DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 등의 비지도학습을 이용하여 선박 운영을 효율적으로 관리하거나 선박 운항 안정성을 최적화하는데 많이 활용되고 있다. 본 장에서는 AIS 데이터를 이용한 K-means 기반 선박 접안 안정성 평가, DBSCAN을 이용한 선박 운항 패턴 분석 등의 비지도학습 기반 해양 분야 활용에 대해 살펴본다.

 우리나라 선박이 아닌 선박 및 국제항해에 취항하는 대한민국 선박으로서 총톤수 500톤 이상인 선박 등은 해양수산부령으로 정하는 도선구에서 그 선박을 운항할 때에는 도선사를 승무하게 해야 한다. 이는 선박 조종에 대한 일정 수준 이상의 자격을 갖춘 사람, 즉 도선사가 선박 접안을 담당하게 함으로써 안전성을 확보하기 위함이다[11]. 도선사는 선박이 부두시설에 근접하여 평행한 자세로 유지한 체 선박이 방충재 등의 시설물에 접촉하여 접안과정을 마무리 할 수 있도록 지도한다[12]. 이 때 선박이 방충재에 접안할 때 에너지가 발생되는데, 이 에너지가 적절하지 않으면 선체 손상 및 방충재 파손 등 선박 사고가 발생할 수 있다. 지난 2014년에는 16만톤급 유조선인 우이산호가 충돌하여 기름유출사고가 발생한 바 있는데, 이는 도선사가 선박의 접근속력을 제어하지 못해 터미널과 충돌한 사고이다. 또한, 2020년에는 부산신항에서 15만톤급 컨테이너 선박의 대형 크레인이 충돌한 사고가 발생한 바 있으며, 이는 공선상태인 선박의 접안속도를 제어하지 못해 일어난 사고이다[13].

 위와 같은 선박 접안의 안정성을 정량적으로 평가하고 이에 따라 안전한 선박 접안인지 아닌지를 분류하기 위해 K-means 알고리즘이 활용되고 있다[6]. [그림 6]은 K-means 알고리즘을 이용하여 선박 접안 케이스 별 안전성을 분류하기 위한 방법을 나타내고 있다. 우선, 선박 접안 에너지에 가장 큰 영향을 주는 선박 접안속도에 대한 실측 데이터 및 이에 매핑되는 도선사의 데이터를 수집한다. 수집된 데이터를 토대로 접안 속도와 도선사에 대한 기본적인 통계 분석을 수행한다. 다음으로 K-means 알고리즘을 위한 데이터 전처리를 실시한 후, 마지막으로 K-means 알고리즘을 적용하여 접안 속도에 따른 안전성별 도선사 그룹을 클러스터링 한다.

 [그림 7]은 K-means 기반 접안 안정성 평가 방법을 통해 도선사 그룹을 클러스터링한 결과를 나타낸 것이다. 그룹별 접안 안전성은 Low Risk형, Moderate Risk형, High Risk형으로 각각 나뉠 수 있다. 이와 같은 결과는 현재 선박들의 접안이 얼마나 안전하게 이루어지는지 파악해 볼 수 있고, High Risk형의 도선사일수록 선박 접안 시 깊은 주의가 필요할 것으로 판단할 수 있는 근거 자료로 활용할 수도 있다.

 최최근 선박 분야에도 인공지능 기술이 접목되고 있으며, 이를 이용한 자율운항선박 시대에 접어들고 있다. 일부 분야에서는 대양 항해에 대해 원격무인운항이 도입되고 있으며, 이는 많은 휴먼 에러를 제거하고 인건비 및 운영비를 절감하는데 기여하고 있다. 대양 항해에 대한 자율운항 기술연구 개발은 활발히 진행되고 있는 반면, 연안 등 항구 주변에서의 자율운항 기술은 아직 완성되지 못하고 있는 실정이다. 그 이유는 대양에 비해 연안의 환경은 복잡하고 변수가 많기 때문이다. 이러한 복잡한 연안에 대한 자율운항 기술을 완성하기 위한 기초 연구로 DBSCAN을 이용한 항구에서의 선박 운항 패턴 분석 연구가 이루어지고 있다[7].

 [그림 8]은 DBSCAN 기반 선박 운항 패턴 분석 방법에 대한 흐름도를 나타낸 것이다. 먼저, 부산 신항에서 입출항하는 선박들의 AIS 데이터를 각각 수집한 후 기초적인 통계 분석 및 데이터 전처리를 수행한다. 다음으로 입항하는 선박의 궤적과 출항하는 선박의 궤적을 분리한 후 DBSCAN 알고리즘을 이용하여 각 궤적의 패턴을 분석한다. 이렇게 분석된 패턴은 복잡한 항구 내에서 선박 운영을 자동화하고 최적화하는데 유용하게 사용될 수 있다. [그림 9]는 부산 신항에서 DBSCAN 기반 선박 운항 패턴 분석을 수행한 결과를 나타내고 있다. 분석 결과, 이 해역에서 선박 운항은 크게 Unberthing, Breakwater, Waterway, Departure 등으로 각각 나뉠 수 있다는 것을 확인할 수 있다.

 AIS 등의 선박 항행 데이터, 수온 데이터 등의 해양위성 기반 데이터 등 다양한 해양 관련 데이터들이 생산되고 있다. 아울러, 이렇게 쌓인 대용량 해양 데이터들을 트레이닝하여 고수온, 저수온, 냉수대 등의 이상수온을 예측하여 해양재해에 대응하거나, 선박 운항을 최적화하여 선박 에너지 손실을 최소화하기 위해 인공지능 기술을 접목하는 연구 개발이 지속적으 이루어지고 있다. 본 고에서는 지도학습, 비지도학습 등 다양한 인공지능 머신러닝 기술을 해양 분야에 활용하는 동향에 대해 살펴보았다. 앞으로도 정보통신기술과 인공지능 기술이 발달함에 따라 해양 분야에 활용하기 위한 연구 개발도 지속적으로 이루어질 것으로 기대된다.