인공위성은 최첨단 기술로써 시공간적 관측제약이 적어 해양 사고에 효과적 대응과 해양 변동 특성 분석 등으로 각국의 국가 기관들이 위성 정보를 활용하고 있다. 하지만 고해상도 위성 관측 기반 해수면 온도 자료(Operational Sea Surface Temperature and Sea Ice Analysis, OSTIA)는 위성의 기기적, 또는 지리적 오류와 구름으로 인해 낮게 관측되거나 공백으로 처리되며 이를 복원하기까지 수 시간이 소요된다. 본 연구는 최신 딥러닝 기반 알고리즘인 LaMa 기법을 활용하여 결측된 OSTIA 자료를 복원하고, 그 성능을 기존에 이용되어 온 세 가지 영상처리 기법들의 성능과 비교하여 평가하였다. 결정계수(R²)와 평균절대오차(MAE) 값을 이용하여 각 기법의 위성 영상 복원 성 능을 평가한 결과, LaMa 알고리즘을 적용하였을 때의 R²과 MAE 값이 각각 0.9 이상, 0.5℃ 이하로, 기존에 사용되어 온 쌍 선형보간법, 쌍 삼차보간법, DeepFill v1 기법을 적용한 것보다 더 우수한 성능을 보였다. 향후에는 현업 위성 자료 제공 시스템에 LaMa 기법을 적용하여 그 가능성을 평가해 보고자 한다.

A machine learning-based algorithms have used for constructing species distribution models (SDMs), but their performances depend on the selection of backgrounds. This study attempted to develop a noble method for selecting backgrounds in machine-learning SDMs. Two machine-learning based SDMs (MaxEnt, and Random Forest) were employed with an example species (Spodoptera litura), and different background selection methods (random sampling, biased sampling, and ensemble sampling by using CLIMEX) were tested with multiple performance metrics (TSS, Kappa, F1-score). As a result, the model with ensemble sampling predicted the widest occurrence areas with the highest performance, suggesting the potential application of the developed method for enhancing a machine-learning SDM.

A causality exists between insect density and plant health, where plant health is affected by both the plant’s potential and environmental factors. In other words, causality is possible between insect density and environmental factors, allowing for the analysis of insect density based on these environmental factors. Machine learning enables studying insect density alongside environmental factors, providing insights into the causality between insects, the environment, and plant health. Machine learning is a methodology that involves the design of models by learning patterns from input data. This study aims to predict F. occidentalis density by sampling environmental factors and applying them to machine learning models.

모기는 감염병을 매개하는 종으로 전염병 확산 억제를 위해서는 개체수의 감시와 정확한 예측이 필요하다. 본 연구에서는 모기 개체수 및 기상 및 현장 자료를 활용해 모기 개체수 머신러닝 모델을 개발하였다. 모기 개체수는 디지털 모기 측정기(Digital Mosquito Monitoring System, DMS)의 2015 년~2022년의 5월~10월의 자료를 활용하였다. 기상 자료는 기온, 강수량, 풍속, 습도를 사용하였으며, 현장 조사 자료는 현장을 명목척도와 서열척도로 나누어 기록하여, 명목 척도의 경우 원핫 인코딩으 로 변환해 수치화하여 사용하였다. 분석에 사용된 머신러닝 모델은 Artificial Neural Network, Random Forest, Gradient Boosting Machine, Support Vector Machine이며 성능지표로 R2, RMSE를 사용하였다. 연구 결과, Gradient Boosting 모델이 R2 0.4, RMSE 22.45로 가장 좋은 성능을 나타냈다. 현장 조사 자료 를 분석에 활용하였을 때 R2는 증가하였고, RMSE는 감소하였다. 본 연구 결과 모기 개체수에 현장 조사 자료가 예측 정확도를 향상시킬 수 있음을 확인하였다.