Computer Vision / Video Analytics

전 세계 해양 오염 추적을 혁신하는 하이테크 AI 프레임워크

Reading Time: 3 minutes

AI 기반 원격 감지 연구는 전 세계 해양 정화 노력을 위한 역동적인 새 도구를 제공합니다. ISPRS 사진측량 및 원격 감지 저널에 자세히 소개된 이 획기적인 연구는 고해상도 Sentinel-2 이미지를 사용하여 해양 오염을 감지하고 식별하는 딥러닝 프레임워크인 MariNeXt를 공개합니다. 해양 쓰레기와 해수면 기름 유출을 정확하게 감지함으로써 전 세계 자원 관리자와 기관이 해양 오염을 모니터링하고 완화하는 방식을 혁신할 수 있습니다.

“해양 쓰레기는 현재 해양 오염에서 가장 시급한 문제 중 하나로 꼽히고 있습니다. 쓰레기를 자동으로 정확하게 식별하는 능력은 생태계 건강과 블루 이코노미에 대한 심각한 위협에 대응하고 이를 줄이는 데 중요합니다.”라고 연구의 수석 저자이자 아테네 국립 공과대학교의 박사후 연구원 Katerina Kikaki는 말합니다.

기름 유출, 해양 쓰레기, 해조류 번식과 같은 오염원은 인간의 건강, 수생 생물, 경제에 지속적인 위협이 되고 있습니다. 과거에는 수작업으로 해양 오염 물질을 탐지하는 데 많은 노동력과 시간이 소요되어 일부만 식별할 수 있었습니다.

“AI는 해양 모니터링에 점점 더 강력한 도구가 되고 있습니다. 원격 센싱과 결합하면 대규모 공간 및 시간 규모에서 자동화된 데이터 수집 및 분석을 제공하여 보다 포괄적이고 비용 효율적인 모니터링이 가능합니다.”라고 Kikaki는 말합니다.

효과적인 해양 오염 모니터링 시스템은 해양 환경의 장기적인 건강을 보장하는 데 핵심적인 역할을 하기 때문에 UN의 지속 가능한 개발 목표를 달성하는 데 매우 중요합니다. 그러나 현재의 AI 알고리즘은 오염 물질을 정확하게 식별하지 못합니다.

대부분의 제안된 방법은 단일 해양 오염 물질 또는 소수의 해수면 특징을 감지하도록 설계되었습니다. 또한 대규모 모니터링 기능 없이 국지적으로 작동하는 경향이 있습니다. 또 다른 문제는 해양 오염 물질의 광학적 특성이 복잡하고 현재의 위성 센서가 이를 처리할 수 있는 장비를 항상 갖추고 있지 않다는 점입니다.

이러한 한계를 극복하기 위해 Athens 국립 공과대학교와 King Abdullah 과학기술대학교의 연구원들은 MariNeXt를 개발했습니다. 이 딥러닝 프레임워크는 고급 데이터 증강 기술과 멀티스케일 컨볼루션 주의 네트워크를 통합하여 광범위한 조건과 해수면 특징으로부터 학습하고 일반화할 수 있습니다.

연구진은 2015년부터 2022년까지 전 세계에서 수집한 174개의 위성 장면에서 약 150만 개의 주석이 달린 픽셀을 사용하여 만든 해양 쓰레기 및 기름 유출(MADOS) 데이터 세트로 MariNeXt를 훈련시켰습니다. 이 포괄적인 데이터 세트에는 부유 해양 쓰레기, 기름 유출, 사르가섬 거대 조류, 천연 유기물, 선박, 바다 콧물, 파도 및 탁하거나 얕은 물과 같은 물 관련 조건 등 15가지 분류가 포함되어 있습니다.

그림 1. 다양한 기상 및 해양 상태 조건에서 해양 오염 물질과 해수면 특징을 주석으로 표시한 MADOS 패치 개요

연구진은 각각 24GB 메모리를 갖춘 두 대의 NVIDIA RTX A5000 GPU에서 cuDNN 가속 PyTorch 프레임워크를 사용하여 모델을 개발하고 테스트했습니다. 연구진은 NVIDIA 아카데미 하드웨어 지원 프로그램의 수혜자로 선정되어 두 대의 RTX A5000을 지원받았습니다.

연구의 공동 저자인 Ioannis Kakogeorgiou는 “상당한 GPU 용량 덕분에 연구팀은 랜덤 포레스트와 같은 기존의 머신 러닝 방법을 넘어서는 고급 딥 러닝 솔루션을 개발할 수 있었습니다. 이 고성능 하드웨어 덕분에 더 큰 모델, 더 높은 입력 해상도, 더 큰 배치 크기로 광범위한 실험을 할 수 있었습니다.”

MariNeXt 모델은 다양한 해양 조건에서 해양 오염 물질과 해수면 특징을 식별하는 데 있어 89.1%의 정확도를 기록했습니다. 또한 이 AI 프레임워크는 유망한 예측 지도를 생성하고 다른 머신러닝 기준 모델보다 뛰어난 성능을 보여 해양 환경을 이해하고 모니터링할 수 있는 잠재력을 보여주었습니다.

해양 모니터링을 위한 유용한 도구이긴 하지만, MariNeXt에는 한계가 있습니다. 데이터 세트는 본질적으로 불균형하며, 해양 물과 기름 유출과 같은 일부 클래스는 풍부한 반면 거품과 천연 유기 물질과 같은 다른 클래스는 덜 대표합니다.

이로 인해 데이터 세트의 범위를 벗어난 지역에서 대표성이 낮은 클래스를 탐지하는 모델의 기능이 제한될 수 있습니다. 연구원들은 현재 MariNeXt의 예측 기능을 개선하기 위해 노력하고 있습니다.

Kikaki는 “한계는 차치하고서라도, MADOS는 개방형 Sentinel-2 데이터에서 해양 오염 탐지를 위한 머신러닝 알고리즘을 벤치마킹하여 향후 운영 가능한 해양 모니터링 솔루션의 개발을 지원하는 귀중한 데이터 세트입니다.”라고 말했습니다.

자세한 내용과 오픈 소스 코드에 대한 액세스는 GitHub에서 확인하세요.

Sentinel-2 이미지에서 딥 러닝으로 해양 오염 물질 및 해수면 특징 감지하기 연구를 읽어보세요.

관련 리소스

Discuss (0)

Tags