한국 해역 관측 데이터를 이용한 앙상블 학습 기반 파고 예측

Abstract

파고 예측은 해양 분야에서 매우 중요하며, 자율운항 선박의 최적 경로 설정, 파력 발전기 설치 및 운영, 해양 플랫폼 설치 등 여러 분야에 폭넓게 활용되고 있다. 과거에는 물리적 원리에 기초한 수치 모델을 기반으로 파고를 예측했으나, 이 방법은 많은 계산 자원이 필요하다는 단점이 있다. 이러한 단점을 극복하기 위해 최근에는 기계학습 방법을 적용하여 파고를 예측하는 연구가 이루어지고 있다. 본 연구에서는 기계학습 방법 중 앙상블 학습을 이용하여 해양 관측소에서 수집된 데이터를 기반으로 파고를 예측하였다. 상관관계 분석을 통해 모델의 입력 변수를 결정한 후 앙상블 기법 중 배깅 기법과 부스팅 기법을 적용한 모델들을 적용하여 성능을 비교하였다. 그 결과, 앙상블 학습 모델 중 배깅 모델보다 부스팅 모델의 성능이 더 좋은 것을 확인하였다. 본 연구는 단일 관측소의 데이터를 기반으로 한 실험이라는 한계가 있다. 따라서, 향후에는 여러 해역의 관측소 데이터를 활용하여 제안한 모델의 보편성을 검증하는 연구를 수행할 계획이다.

Wave height prediction is crucial in the marine sector and has wide-ranging applications, including determining the optimal route for autonomous ships, installing and operating wave power generators, and deploying offshore platforms. In the past, wave prediction was primarily based on numerical models based on physical principles, but these methods have the disadvantage of requiring extensive computational resources. Recently, many researchers apply machine learning methods to overcome these limitation. In this study, we utilized ensemble learning, a type of machine learning method, to predict wave heights based on data collected from ocean observation stations in Korea. After determining the input variables of the model through correlation analysis, we applied and compared models using both bagging and boosting ensemble methods. The results showed that, among the ensemble learning models, the boosting models outperformed the bagging models. This study has the limitation of being based on data from a single observation station. Therefore, future work will involve conducting research using data from multiple observation stations across various sea areas to validate the generalizability of the proposed model.