본 연구는 서해안에서 상선의 어구 손괴로 인한 추진기 장애를 예방하기 위해 연안자망어선의 월별분포를 제시하였다. 분석 방법은 2014년 1년간의 어선위치발신장치 데이터를 이용하였다. 조업 해구도를 기준으로 경·위도 30′× 30′크기의 해구별 간격으로 격자를 설정하였다. 총 56개 해구를 대상으로 격자를 구성하였다. 연구 결과 밀도지수가 가장 높았던 194해구는 어구 손괴가 없었다. 반면, 밀도지수가 상대적으로 작은 193해구는 상선의 주 통항경로에 어구가 설치되기 때문에 손괴가 발생했다. 이 분석을 바탕으로 어구 손괴는 밀도지수에 비례하지 않고 상선의 주 통항경로에 따라 손괴위험이 존재하는 것으로 나타났다. 따라서 상선의 안전항해를 위해 5월부터 9월까지 위도 34.5° ~ 35.5°, 경도 125.67° ~ 126°를 항행경보구역으로 통보하면 추진기 장애와 어구손괴와 같은 해양사고를 예방할 것이다. 따라서 상선이 193해구와 203해구를 항해할 때는 안전한 항해를 위해 위도 34.5° ~ 35.5°, 경도 125.5° ~ 125.67°을 추천한다.

본 연구는 물때에 따른 교통특성을 분석하여 선박통항관리 개발에 필요한 자료를 제공하고자 한다. 목포항의 1년간 선박자동식별장치 자료를 사용하였다. 물때에 따른 교통량을 분석하기 위해 목포항의 1년간의 선박자동식별장치의 양력 데이터를 음력으로 변환한 후, 서해안의 구전 물때를 적용하였다. 연구 결과, 출항선박은 2-3물때 교통량이 7물때 보다 약 23-24% 많고, 입항선박은 12-13물때 교통량이 9물때 보다 약 29-33 % 많았다. 특히, 시간의 변화에 따른 물때별 변동지수는 sine 함수의 형태로 변화하였다. 본 연구는 물때에 따른 선박통항관리 개발에 필요한 기초자료로 활용될 수 있을 것으로 판단된다.

본 연구는 관측일수에 따른 교통량의 신뢰성을 검증하고자 한다. 목포항의 1년간 선박자동식별장치(AIS) 자료를 사용하여 월별, 요일별, 시간별 변화지수를 비교한 후, 각 관측일수에 따른 최대표준오차를 산출하였다. 월별변화지수를 비교한 결과 9월달 1.11, 2월달 0.84로 나타나 9월달이 2월달 교통량 보다 약 32.1 % 많은 것으로 나타났다. 요일변화지수는 화요일 1.05, 일요일 0.92로 나타나 화요일이 일요일 교통량보다 약 14.1 % 많았다. 해상교통조사는 요일변화지수를 고려하여 최소 1주일 이상 실시하면 최대표준오차를 21 % 이내로 산출할 수 있다. 따라서 해상교통조사 관측시기에 따라 각 변화지수를 적용하여 교통량의 흐름을 반영한 연구가 뒷받침 되어야 하겠다.

The purpose of this study is to find suitable probability distribution function of complex distribution data like multimodal. Normal distribution is broadly used to assume probability distribution function. However, complex distribution data like multimodal are very hard to be estimated by using normal distribution function only, and there might be errors when other distribution functions including normal distribution function are used. In this study, we experimented to find fit probability distribution function in multimodal area, by using AIS(Automatic Identification System) observation data gathered in Mokpo port for a year of 2013. By using chi-squared statistic, gaussian mixture model(GMM) is the fittest model rather than other distribution functions, such as extreme value, generalized extreme value, logistic, and normal distribution. GMM was found to the fit model regard to multimodal data of maritime traffic flow distribution. Probability density function for collision probability and traffic flow distribution will be calculated much precisely in the future.

본 연구의 목적은 통항분포함수 계산 시 적용하는 기준선의 방향과 기준점의 수평위치 및 수직위치에 따라서 통항분포함수가 변하는 양상을 식별하기 위한 것이다. 목포항 입구에 있는 항로를 대상으로 2013년 1월달의 AIS 실측자료를 이용하여 기준선의 방향(θ), 수평위치(ℒH) 및 수직위치(ℒV) 등의 3가지 변수가 통항분포함수의 평균(χ)과 표준편차(δ)에 미치는 영향을 실험하였다. 실험결과, θ에 따라 추출되는 샘플 데이터가 달라지기 때문에 θ의 변화에 따라서 χ와 δ가 변화됨을 나타냈고, θ에 따른 χ와 δ의 변화는 사인(sine)함수 합의 관계로 도출되었다. 또한 항로가 복잡한 해역에서 최적의 통항분포함수를 결정하기 위해서는 의 변화 값이 최소가 되는 θ을 기준선의 방향으로 설정하는 것이 타당함을 알았다. 본 연구의 결과는 정규분포가 보다 더 정량화된 수치로 표현되어 해상교통흐름을 파악하고 해상교통안전관리 의사결정을 위한 기초자료로 활용될 것으로 판단된다.

This study applied regression analysis to evaluate the impact of hourly average congestion calculated by bumper model in the congested area of each passage of each port on the peak time congestion, to suggest the model formula that can predict the peak time congestion. This study conducted regression analysis of hourly average congestion and peak time congestion based on the AIS survey study of 20 ports in Korea. As a result of analysis, it was found that the hourly average congestion has a significant impact on the peak time congestion and the prediction model formula was derived. This formula(Cp = 4.457Ca + 29.202) can be used to calculate the peak time congestion based on the predicted hourly average congestion.

본 연구는 기존의 회귀분석과는 달리 시계열 분석과 인공신경망 모형을 이용하여 장래 해상교통량을 예측하였다. 특히, 시계열 분석을 통한 예측값을 인공신경망 모형에 추가 입력변수로 적용하여 장래 해상교통량 예측을 제고하고자 하였다. 본 연구는 인천항의 1996년부터 2013년까지 월별 관측값을 대상으로 하였다. 모형의 예측력 검증을 위해 1996년부터 2012년까지 관측값을 대상으로 구축한 모형으로부터 2013년을 예측하여 실제 관측값과의 비교로 적합한 모형을 판별하였다. 인천항의 2015년 장래 해상교통량은 매월 평균 교통량보다 5월과 11월에 각 5.9 %, 4.5 % 많았으며, 1월과 8월은 매월 평균 교통량보다 각 8.6 %, 4.7 % 적은 것으로 예측되었다. 따라서 인천항은 계절에 따른 월별 교통량의 차이를 확인할 수 있다. 본 연구는 해상교통 현장관측 조사시 계절에 따른 교통량의 특성을 반영할 수 있는 기초 자료로 활용될 수 있다.

항로 설정은 통항 선박들의 안전을 위해 교통 흐름을 반영할 필요가 있으며, 선박들이 항로를 잘 준수하는지 지속적인 경과 분석 이 필요하다. 본 연구에서는 완도항 인근해역 추천항로의 문제점을 도출하고 이에 대한 개선안을 제시하였다. 효율적인 항로 중앙선을 설정하 기 위해 선박 항적을 기반으로 서포트 벡터 머신을 이용하였다. 추천항로 중앙선을 기준으로 우측으로 항해해야 하므로 통항 선박들의 항적 이 2개의 군집으로 분할된다. 서포트 벡터 머신은 패턴 인식 등 많은 분야에서 이용되고 있으며, 특히 이진 분류 기능이 뛰어나다. 연구 결과 장죽수도 방향의 2.4 NM 추천항로 구간에서 동진하는 상선은 약 79.5%가 추천항로를 준수하지 않는 것으로 나타나 선박 충돌 사고 위험이 상존하는 것을 확인하였다. 추천항로를 현 위치에서 북쪽으로 약 300 m 재설정할 경우, 동진하는 상선은 항로를 역주행할 비율이 79.5%에서 30.9%로 낮아지는 것으로 나타났다. 본 연구에서 적용한 서포트 벡터 머신은 선박 항적을 두 군집으로 분류가 가능하므로 항로 중앙선을 효 과적으로 설정하는데 응용할 수 있을 것으로 기대된다.