AI 기반 조피볼락 양식의 해양환경 변수 상관성 분석 및 예측모델 개발

2.1 어획량 및 해양환경측정망 데이터

조피볼락 양식의 어획량과 해양환경 변수 간의 상관관계를 분석하고, 이를 바탕으로 예측모델을 개발하기 위해 어획량 통계자료와 국가 해양환경측정망 데이터를 수집 및 통합하였다. 조피볼락 어획량 자료는 국가통계포털(Korean Statistical Information Service, KOSIS)의 ‘어업생산동향조사’ 통계자료를 활용하였다. 해당 자료는 전국 단위로 월별 집계된 양식 어종별 출하량(이하 어획량으로 통일, 단위: ton)을 제공하며, 본 연구에서는 2009년 1월부터 2025년 1월까지의 약 16년 데이터를 대상으로 하였다.

한편, 해양환경 데이터는 해양환경공단이 운영하는 해양환경 측정망에서 제공하는 관측자료를 사용하였다. 데이터가 수집되는 국내 연안에 위치한 모든 고정 관측소의 데이터를 수집하였다. 해당 자료는 부이별 분기 단위(2월, 5월, 8월, 11월)로 제공되며 본 연구에서는 1997년 2월부터 2024년 8월까지의 데이터를 수집하였다. 관측 항목은 수온(Water Temperature, ℃), 염분(practical salinity unit, psu), 수소이온농도(potential of Hydrogen, pH), 용존산소(Dissolved Oxygen, DO, mg/L), 화학적산소요구량(Chemical Oxygen Demand, COD, mg/L), 암모니아성 질소(NH₃-N, μg/L), 아질산성 질소(NO₂-N, μg/L), 질산성 질소(NO₃-N, μg/L), 용존무기질소(Dissolved Inorganic Nitrogen, DIN, μg/L), 총질소(Total Nitrogen, TN, μg/L), 용존무기인(Dissolved inorganic Phosphorus, DIP, μg/L), 총인(Total Phosphorus, TP, μg/L), 규산(SiO₂, μg/L), 부유물질(SS, mg/L), 클로로필-a(Chl-a, μg/L) 등 총 15종이다.

두 자료는 수집 주기가 상이하므로, 분석 목적에 따라 시간적 정합성을 확보하기 위한 전처리 파이프라인을 상관관계 분석용과 예측모델 학습용으로 구분하여 적용하였다. 먼저 상관관계 분석에서는 교차상관함수(Cross-Correlation Function, CCF)를 이용해 시차별 상관을 해석하는 과정에서 관측 시점의 왜곡을 최소화하는 것이 중요하므로, 분기 단위로 제공되는 해양환경 측정망 자료의 시간 해상도를 기준으로 어획량 자료를 분기 평균값으로 변환하여 정합성을 확보하였다. 반면 예측 모델 학습에서는 학습 안정성과 일반화 성능을 위해 가능한 많은 학습 샘플을 확보할 필요가 있으므로, 분기 단위 해양환경 자료를 월 단위로 스플라인 보간하여 입력 변수로 사용하였다. 이때, 일부 기간(2012년 10–11월 및 2013년 10–12월)에 해양환경측정망 자료의 확보가 제한되어 2012년 4분기는 12월 관측값으로, 2013년 4분기는 11월 관측값으로 대표값을 산정(평균 처리)하여 분석에 포함하였다. 이를 통해 어획량 자료와 환경 변수 간의 비교 가능성과 시간적 연속성을 확보하였다.

최종적으로 전처리된 어획량 및 해양환경 자료는 상관관계 분석과 기계학습 기반 예측 모델 학습에 활용되었다. 본 절에서 수집한 15개 해양환경 변수는 초기 상관성 분석에 모두 포함하였으며, 이 중 어획량과 통계적으로 유의한 상관관계를 보이는 변수만을 예측 모델의 최종 입력 변수로 채택하였다.

2.2 상관관계 분석

해양환경 변수와 조피볼락 어획량 간의 시계열적 관계를 분석하기 위해 CCF를 중점적으로 활용하였다. CCF를 활용한 시계열 분석은 다양한 연구에서 환경 변수와 어획량 간의 관계를 규명하는 데 효과적으로 활용되어 왔다. Kim et al.[2002]은 북태평양 연어 자원과 기후변동 간의 관계 분석에 CCF를 적용하여 기후지수와 연어 어획량 간의 시간 지연 효과를 규명하고 이를 편차의 누적합(CuSum) 분석과 결합하여 장기적 변동 패턴을 파악하였다. Kim et al.[2015]은 CCF를 활용하여 중서부태평양의 해양환경 변수와 가다랑어 어획량 간의 관계를 분석하였으며 Song[2018]은 CCF를 이용하여 기후 변화와 서식지 수온 변화가 북서태평양 살오징어 어획량에 미치는 영향을 분석하였다. 또한 Kim et al.[2021]은 CCF를 활용하여 한 국 남해와 동해 연안역에서 삼치 개체군과 주요 먹이 어종 간의 관계를 분석한 결과를 바탕으로 일반화 가법모형(GAM)을 적용하여 지역별 주요 예측 변수를 정량적으로 평가하였다. 이러한 선행연구들은 CCF가 환경 변수와 어획량 간의 시간 지연 효과를 정량적으로 분석하는 데 효과적인 도구임을 보여준다.

본 연구에서는 이러한 방법론을 기반으로 조피볼락 어획량과 주요 해양환경 변수 간의 교차상관분석을 수행하여, 특정 시점에서 환경 변화가 어획량에 미치는 시간 지연 효과를 규명하고 유의미한 상관관계를 갖는 변수를 도출하고자 하였다. 이를 위해 Holmes et al., [2020]를 참고하여 시계열 내에서 반복되는 패턴이나 주기성을 정량적으로 파악하는 데 사용되는 자기 상관함수(Autocorrelation Function, ACF)를 교차상관함수로 확장하여 사용하였다. ACF는 동일한 시계열 x_t 에 대해 다음과 같이 정의된다.

여기서 n은 시계열의 길이, x_t 는 시점 t에서의 값, $$ \stackrel{-}{x}$$는 표본 평균, k는 시차를 의미한다. 이를 두 개의 상이한 시계열 x_t(해양환경 변수)와 y_t(조피볼락 어획량)에 적용하였으며 두 시계열 간에 시간 지연에 따른 상관성 측정을 위한 표본 기반 교차상관계수(sample cross-correlation coefficient)는 다음과 같이 정의된다.

$$ {\widehat{\rho }}_{xy}$$는 두 시계열 간의 정규화된 상관계수로서, 1에 가까울수록 강한 양의 상관, -1에 가까울수록 강한 음의 상관을 의미한다. 시간 지연 범위는 최대 4분기(1년)로 설정하였으며 이는 조피볼락이 단기~중기 환경 변화에 주로 영향을 받으며, 1년 이상의 장기 지연 효과는 생태학적 유의성이 낮을 가능성이 크기 때문이다. 또한, 시차가 길어질수록 표본 수(n-k)가 감소하여 교차상관 추정의 신뢰도가 낮아질 수 있으므로 4분기까지의 lag를 고려하였다.

2.3 AI 분석 알고리즘

전반적으로 다양한 기계학습 기법을 활용한 어획량 예측 연구가 수행되었다. 다중선형회귀(Multiple Linear Regression, MLR)은 여러 독립변수와 종속변수 간의 선형 관계를 모델링하는 통계적 기법으로, 해양환경 변수와 어획량 간의 관계를 정량적으로 분석하는 데 효과적이다. Ko et al.(2016)은 다중선형회귀분석을 활용하여 해양환경 변수(수온, 염분, 용존산소 등)와 어류 생산량 간의 관계를 분석하였으며, 특히 시간 지연 효과를 고려한 모델이 예측 정확도를 향상시킬 수 있음을 입증하였다. Park et al.(2018)은 다중선형회귀 모형을 활용하여 남해안 주요 양식 어종의 생산량을 예측하였으며, 해양환경 변수 중 수온과 용존산소가 가장 높은 설명력을 가진다는 결론을 도출하였다. 특히 계절적 변동성을 고려한 분기별 MLR 모형을 구축함으로써 예측 정확도를 크게 향상시켰다. 본 연구에서도 이러한 방법론을 참고하여 분기별 해양환경 데이터와 조피볼락 어획량 간의 관계를 MLR 모형으로 구축하였다. 모형 구축 과정에서는 다중공선성(Multicollinearity) 문제를 해결하기 위해 분산팽창계수(Variance Inflation Factor, VIF)를 활용하여 변수 간 상관관계를 검토하였으며, VIF가 10 이상인 변수는 제외하는 방식으로 최적의 변수 조합을 선정하였다. Kim and Lee(2020)는 단계적 변수 선택법(Stepwise Variable Selection)을 적용한 MLR 모형을 통해 해양 환경 변수가 어류 생산량에 미치는 영향을 분석하였다. 이 연구에서는 전진 선택법(Forward Selection), 후진 제거법(Backward Elimination), 단계적 선택법(Stepwise Selection)을 비교하여 최적의 변수 선택 방법을 도출하였다. 본 연구에서도 이러한 방법론을 참고하여 단계적 변수 선택법을 적용함으로써 조피볼락 어획량 예측에 가장 유의미한 해양환경 변수 조합을 선정하였다. 또한 시간 지연 효과를 고려하기 위해 최대 4분기(1년)까지의 시차를 포함한 변수를 모형에 포함시켜 환경 변화가 어획량에 미치는 지연 효과를 정량화하였다. Choi et al.(2022)은 서포트 벡터 회귀(Support Vector Regression, SVR)를 활용하여 비선형적 관계를 포착하는 모델을 제안하였으며, Lee and Park(2021)은 랜덤 포레스트(Random Forest, RF) 알고리즘을 통해 변수 간 복잡한 상호작용을 고려한 예측 모델을 개발하였다. 또한 Yang et al.(2019)은 간단한 구조의 다층퍼셉트론(Multi-Layer Perceptron, MLP)을 활용하여 해양환경 변수와 어획량 간의 관계를 모델링하였다.

이처럼 AI 모델을 활용한 여러 선행연구 분석에서 다수의 해양 환경 변수의 복잡한 상호작용을 예측 모델에 활용하여 다변량 분석(Multivariate Analysis)을 수행하였을 뿐만 아니라, 시계열적 추세 반영을 위한 시퀸스 처리 모델을 주로 사용한 것을 알 수 있다. 이에 본 연구에서는 장단기 메모리(Long Short-Term Memory, LSTM)을 활용하여 조피볼락 어획량을 예측하는 연구를 수행하였다. LSTM은 Hochreiter and Schmidhuber (1997)에 의해 처음으로 제시된 순환 신경망(Recurrent Neural Network, RNN)의 한 종류로, 장기적 기억 보존 텀이 없어 이전의 데이터 추세가 사라질 위험이 있는 RNN의 구조를 Fig. 1과 같이 보완하였다. LSTM의 셀에는 Fig. 1(a)와 같이 이전 데이터에 대한 총 3개의 게이트(입력, 출력, 망각)가 존재하며, 각각 i, o, f 로 표기된다. 이전 순환 신경망에서 전달되는 Cell state C, hidden state h, 그리고 입력 값 x에 대해서 아래의 수식이 성립한다.

Fig. 1.

Schematic diagram of LSTM algorithm.

여기서 W와 U는 각각 입력 및 순환 연결의 가중치를 포함하는 행렬이고, b는 각 게이트의 편향치 벡터이며, $$ \tilde{C}$$는 업데이트 된 Cell state이고, 연산자 *는 아다마르 곱셈(Hadamard Product)를 나타내며, σ는 시그모이드 함수, 아래 첨자 t는 각 시간 단계의 인덱스를 나타낸다. t시점의 상태는 네트워크의 다음 단계 t + 1로 순전파되고, 역전파를 통해 업데이트 된다. 이 순서에서 망각 게이트는 바로 이전 시간 단계의 전체 정보를 유지하지 않는 조건을 통해 더 이전의 셀 단계에서 제공되는 데이터를 유지하게 됨으로써 장기적인 트렌드를 유지할 수 있게 된다.

3.1 연도별 어획량

해양환경 변수와의 상관관계 분석에 앞서, 2009년부터 2025년 1월까지의 월별 조피볼락 어획량 데이터를 기반으로 생산량의 계절적 변동성과 전체 시계열적 변화 추세를 분석하였다. Fig. 2는 월 단위 어획량의 변화를 검은 실선으로, 3개월 이동평균 추세선을 빨간 선으로 함께 제시하여 단기 변동성을 완화하고 계절적 경향을 파악할 수 있도록 하였다.

Fig. 2.

Monthly catch of sebastes schlegelii and 3-month moving average (2009–2025).

계절적 변동성 분석 결과, 조피볼락 어획량은 대체로 겨울철(11월, 2월)에 증가하고 여름철(7월, 8월)에 감소하는 경향을 보인다. 이는 해상가두리 양식 특성상 출하 전략 및 고수온기 대응 방식과 일정 부분 연관이 있는 것으로 보고되고 있다(조피볼락 표준지침서[2007]). 다만, 계절 경향성은 연도에 따라 일부 변동성을 보이며 절대적인 주기성보다는 반복적 경향성 수준에서 관찰되었다.

시계열적 변화의 경우 조피볼락 어획량은 2009년을 정점으로 전반적인 감소 추세를 나타냈다. 특히 2009년 초에는 월 4,000 ton 이상의 어획량이 기록되었으나, 이후 수년간 완만한 감소 단기 증가를 반복하였다. 2012년부터 2018년 사이에는 상대적으로 안정적인 수준을 유지하였고, 2021년 이후에는 하락세가 뚜렷해지며 2024년 말~2025년 초에는 1,000 ton 이하 수준으로 감소하였다. 이러한 장기적 감소 추세는 조피볼락 양식 산업의 지속가능성 측면에서 우려를 낳고 있으며, 이에 따라 해양환경 변수와의 정량적 관계를 분석하여 어획량 변화의 원인을 규명하고 예측함으로써 해결 방안을 논의할 수 있을 것이다.

3.2 Cross-Correlation을 이용한 시간적 상관성 분석

본 절에서는 분기 단위 해양환경 변수와 어획량 간의 시계열적 상관성을 분석하였다. Fig. 3과 Fig. 4는 각각 CCF를 이용한 저층과 표층의 15가지 해양환경 변수를 Lag에 따라 나타낸 결과로, 해당 해양환경 변수와 조피볼락 어획량 간의 교차상관 분석 결과를 나타낸다. 먼저 본 연구의 교차상관은 ρ_xy(k) = corr(x_t, y_t+k)로 정의하였으므로, k > 0이면 해양환경 변수 x의 변화가 어획량 y보다 선행(leading)하며, k < 0이면 어획량의 변화가 해양환경 변수보다 선행함을 의미한다. 본 연구에서는 ±4분기(약 1년)의 시차 범위에서 각 환경 변수별 CCF를 산출하였으며, 이를 통해 시차적 영향과 주요 상관 변수를 파악하고자 하였다.

Fig. 3.

Cross-correlation between all marine environmental variables (bottom layer) and catches. Positive lag indicates the environmental variable leads catch, whereas negative lag indicates catch leads the environmental variable.

Fig. 4.

Cross-correlation between all marine environmental variables (surface layer) and catches.

3.3 상관성 평가 및 해양환경 변수 선정

상관성 평가는 평균 절대 상관계수(Mean Absolute CCF)와 최대 상관계수(Max CCF)를 모두 활용하였다. 평균 절대 상관계수는 전체 시차에서 일관적으로 유지되는 상관성의 크기를 나타내며, 장기적이고 안정적인 변수를 찾는 데 유용하다. 반면 최대 상관계수는 특정 시차에서 가장 강한 상관성을 포착할 수 있어 시간 지연 효과가 뚜렷한 선행 지표를 찾는 데 효과적이다. 평균값만 사용할 경우 단기적인 강한 상관성을 놓칠 수 있고, 최대값만 사용할 경우 일시적·불안정한 피크를 변수로 선택할 위험이 있으므로, 본 연구에서는 두 지표를 혼합하여 활용하였다. 즉, 평균 절대 상관계수가 높은 변수를 우선적으로 선정하고, 해당 변수에서 최대 상관계수가 발생하는 시차(lag)를 추출하여 예측모델의 입력 변수로 사용하였다.

분석 결과, 표층과 저층 모두에서 COD(화학적 산소 요구량), 클로로필-a(Chl-a), 수온이 조피볼락 어획량과 가장 높은 상관성을 보였다. 또한 염분은 특정 시차에서 0.39~0.40 수준의 높은 최대 상관계수를 보여, 일부 구간에서 어획량과 강하게 연계되는 보조 변수임을 확인하였다. Table 1은 각 상관성이 크게 나타난 변수의 평균 절대 상관계수, 최대 상관계수, 그리고 시차 정보를 요약한 것이다. COD는 표층에서 약 4분기 후행 시 –0.45, 저층에서 –0.43의 음의 상관성을 보이고 평균 절대 상관계수도 가장 높았으며, Chl-a는 표층에서 3분기 후행 시 0.45, 저층에서 0.51의 높은 양의 상관성을 보였다. 이는 COD와 Chl-a가 어획량에 대한 사후 진단 지표로써 가치있음을 시사한다. 수온은 특정 시차에서 두드러진 피크는 없었으나 표층과 저층 모두에서 평균 0.19의 양의 상관성을 유지하며 장기적으로 어획량에 일정한 영향을 주는 것으로 분석되었다. 염분은 평균 상관계수는 COD, 클로로필-a 및 수온에 비해 낮지만, 특정 4분기 선행 및 후행 시차에서 강한 피크를 보여 예측모델에서 무시할 수 없는 변수라고 판단하였다.

Table 1.

Significant environmental variables correlated with Sebastes schlegelii catches

전체적으로 표층과 저층 데이터는 상관계수 크기와 시차 패턴이 매우 유사하게 나타났으며, 이는 조피볼락 양식 환경에서 표층과 저층 모두가 어획량 변화와 밀접하게 연계되어 있다는 것을 의미한다. 따라서, 향후 예측 모델 개발 시 표층 또는 저층 중 하나의 데이터를 대표 변수로 사용하더라도 큰 정보 손실이 발생하지 않을 것으로 판단되며, 상관성 평가 결과 COD, Chl-a, 수온, 염분을 변수로 최종 선정하였다.

4.1 데이터 및 학습 모델 설정

AI 기반 조피볼락 어획량 예측을 위해서는 우선 AI 기법의 학습에 활용될 데이터의 구성을 확인할 필요가 있다. 본 연구에서 조피볼락 어획량은 해양환경 측정망 데이터와 연계되어 LSTM 모델 학습에 사용되었으며, 조피볼락의 월별 어획량이 통계적으로 산출 가능한 2009년부터 2024년까지 조사되었다. 조피볼락 어획량 데이터는 월별 어획량으로 조회가 가능한 반면, 해양환경 측정망 데이터는 각 연도 별 분기에 따라 총 4회 조사가 이루어진 것으로 확인하여 조피볼락 어획량 데이터에 대해 결측치가 존재하게 된다. 학습 가능한 더 많은 데이터 샘플 확보를 위해 해양 환경 측정망 데이터도 조피볼락 어획량 데이터와 마찬가지로 분기별 데이터를 월별 데이터로 결측치를 보간하였으며, 보간 방식은 각각 1분기(2월), 2분기(5월), 3분기(8월), 4분기(11월)에 조사된 데이터를 스플라인 보간하였고, 이는 Fig. 5와 같다.

Fig. 5.

Configuration of time-series of ocean monitoring network data.

예측 문제는 1-step ahead로 정의하였으며, 평가를 위해 예측 타깃 기준으로 2023년 1월 이후를 test로 분리하였다. 모든 전처리는 시간 분할을 선행한 후(train/val/test 고정) 수행하였고, 스케일링 파라미터는 train 구간에서만 추정한 뒤 val/test에 동일하게 적용하였다. 분기 단위 해양환경 자료는 예측 시점에서 이용 가능한 정보만 사용하기 위해, 월별 시계열로 확장하되 각 월의 값은 해당 월 이전의 가장 최근 관측값을 유지(Last Observation Carried Forward, LOCF)하는 방식으로 구성하여 미래 정보의 누수를 방지하였다.

해양환경 측정망 데이터와 조피볼락 어획량 데이터 간의 단변량(Single-variate) 혹은 다변량적 예측 상관성을 확인하기 위해 입력 변수의 조정으로 여러 LSTM 모델을 구성하고 테스트하였다. 테스트의 일관성을 위해 서로 다른 입력변수에도 동일하게 구성된 LSTM 모델을 사용하였으며, 모델에 대한 간략한 설명을 Table 2에 나타내었다. 해당 모델은 총 8개월에 해당하는 입력 변수를 시퀀스 길이에 대항하는 값으로 사용하였으며, 모델에 따라 최대 1개에서 3개의 다변량 입력 변수를 가지도록 하였다.

Table 2.

Summary of present reference LSTM model

또한 각 데이터셋의 편차를 줄이기 위해 각 데이터 간 정규화를 수행하였으며, 시계열 데이터 정규화에 Robust Scaling 식을 적용하였고 이는 식 (8)과 같다.

여기서 X_median은 해당 시계열의 중앙값, IQR은 1사분위 수와 3사분위 수의 차이를 의미한다.

학습된 모델의 평가를 위해, 식 (9)과 같은 모델 학습 성능 지표(mean absolute error, root mean squared error, correlation coefficient)를 활용하였다.

여기서 y는 실제값, $$ \widehat{y}$$는 예측값, $$ \stackrel{-}{y}$$는 해당 데이터셋의 평균값, N은 데이터셋 개수이다. mean absolute error (MAE)는 이상치에 덜 민감한 계절성을, root mean squared error (RMSE)는 예측된 데이터의 변동성을 확인할 수 있는 지표로 활용되었으며, correlation coefficient (R)은 계절성과 변동성을 동시에 포함한 경향성을 확인하는 지표로 사용하였다.

4.2 학습 결과 확인 – 단변량 분석

단변량 분석은 구성된 LSTM 모델에 상관성 평가에서 높은 점수를 받은 4개의 해양환경 측정망 데이터와 조피볼락 어획량을 각각 입·출력으로 하는 4개의 LSTM 모델과, 조피볼락 어획량의 시차를 이용한 입·출력 데이터를 사용하는 1개의 LSTM 모델을 구성하였으며, 예측 모델 결과를 시계열에 따라 정리한 결과는 Fig. 6과 같다. 검은색 실선은 실제 조피볼락 어획량의 시계열 데이터, 노란색 점선은 LSTM 모델 훈련에 사용한 데이터셋을, 분홍색 점선은 LSTM 모델 훈련 시 검증에 사용한 데이터셋을 학습된 LSTM 모델을 통해 예측시켰을 때 시계열 데이터를 나타내며, 빨간색 표식은 2009.01~2024.12년도 데이터를 기반으로 2025.01년도의 조피볼락 어획량을 예측한 결과이다. 정량적 분석을 위해 먼저 검증 데이터셋에 대한 LSTM 모델의 학습 성능 지표를 Table 3에 나타내었다. 네 종류의 해양환경 측정망 입력 데이터에 대해, 절대 오차 지표는 측정망 값이 어획량 대비 선·후행하는지에 대해 뚜렷한 차이를 보이지 않았다. 이는 각 모델이 측정망 값을 통해 어획량 시계열 데이터의 계절성을 일관되게 예측했다는 것을 의미한다. 그러나, 상관 지표를 통해 분기 단위의 래그(Lag) 값이 양수인 경우 상대적으로 검증 시계열 데이터의 경향성이 양호하게 예측된 것을 확인할 수 있으며, 래그 값이 음수인 경우 예측된 검증 시계열 데이터가 실험과 거의 연관성이 없는 것으로 나타난다. 이는 지연 상관성 분석에서 수행한 내용과 같이 입·출력의 데이터가 각각 선행과 후행의 경우에 있어야 예측이 용이하나, COD와 Chl-a 데이터는 출력보다도 데이터가 후행하여 예측 정확도가 떨어지는 것을 의미한다. 또한, 5번째 케이스가 단변량 LSTM 모델 중 가장 높은 정확도를 보이는 것으로 확인되며, 이는 어획량 시계열 데이터가 자기 상관성이 강한 지표라는 것을 시사한다.

Fig. 6.

Time-series according to input-output data combination at single-variate analysis.

Table 3.

Absolute errors and correlation coefficient of validation dataset (2023.01~2024.12) at single-variate analysis

4.3 학습 결과 확인 − 다변량 분석

앞선 단변량 분석에서 어획량에 후행하는 지표는 모델의 성능을 저하시키는 것으로 나타났으므로, 다변량 분석에서는 선행/후행 측정망 데이터를 분리한 4가지 모델을 구성하였다. 선행 변수가 포함되는 Case 6과 7이 학습 결과 및 예측 성능의 주요 분석 케이스이고, 후행 변수가 포함되는 Case 8~9는 이에 대응되는 사후 진단 케이스로 구성했다. 단변량 분석과 마찬가지로 예측 모델 결과를 시계열에 따라 정리한 결과를 Fig. 7, 정량적 분석을 위한 검증 데이터셋에 대한 LSTM 모델의 입력 데이터 구성, 시계열 데이터의 학습 성능 지표를 Table 4에 나타내었다.

Fig. 7.

Time-series according to input-output data combination at multi-variate analysis.

Table 4.

Absolute errors and correlation coefficient of validation dataset (2023.01~2024.12) at multi-variate analysis

먼저 어획량에 선행하는 측정망 데이터만으로 구성된 다변량 예측 모델(Case 6)은 단변량 자기 상관 모델(Case 5)보다 계절성의 추종 관점에서는 근소 우위를 보이나, 이상치를 포함한 전반적인 경향성 추종 관점에서는 성능이 다소 떨어진다. 이는 어획량 데이터가 측정망의 데이터로 대표되기 보다는 자기 상관적 관계가 강함을 의미하며, 근소 우위적 지표는 회귀 모델 중 상대적으로 복잡한 LSTM 모델이 다변량의 지표의 상관 관계를 비선형적으로 잘 연결할 수 있기 때문이다. 이러한 특징은 어획량에 선행하는 측정망 데이터와 어획량을 같이 다변량으로 구성한 모델(Case 7)에서 극적으로 개선된 결과를 보인다.

한편, 어획량에 후행하는 측정망 데이터만으로 구성된 다변량 예측 모델(Case 8)은 Case 7과 거의 동일한 성능 지표를 보이는 것으로 확인된다. 이는 해당 측정망 데이터가 비록 어획량에 후행할지라도 Table 1에서 나타난 것과 같이 절대적인 상관 계수가 어획량에 선행하는 측정망 데이터보다 더 높기 때문에 발생한 현상으로 추측된다.

4.4 모델 예측 성능 비교

Table 5는 2025.01년도의 어획량을 모델별로 예측한 결과와 그 상대 오차를 나타낸 것이다. 먼저, 단변량 LSTM 모델의 경우 선행 및 후행 측정망 데이터에 따른 학습 정확도가 비교적 명확하게 나타나는 것을 확인할 수 있다. 특히 Case 5는 약 11%의 오차를 보여 단변량 LSTM 모델 중 가장 뛰어난 예측 성능을 보이는 것으로 확인되었다.

Table 5.

Comparison of predicted catches of Sebastes schlegelii in 2025.01

다변량 모델에서도 마찬가지로 어떤 측정망 데이터가 포함되었는지에 따라 극명한 성능 차이를 보였다. 어획량 데이터에 선행하는 측정망 데이터가 포함된 경우 10% 내의 상대 오차를 보이는 것을 알 수 있었는데, 특히 앞서 모델의 학습 결과가 좋을수록 정확도가 더 증폭되는 경향을 보였다. 한편, 후행하는 측정망 데이터가 포함된 경우 상당히 높은 상대 오차를 보일 뿐만 아니라, 자기 회귀 모델인 Case 5보다도 높은 오차를 기록한 것을 볼 수 있다. 이는 후행하는 데이터가 모델 학습 당시에는 높은 성능을 보이도록 착시를 유발하지만, 예측 영역으로 이동하면 예측값을 더 교란하여 오히려 자기 회귀 모델보다도 낮은 성능을 보인다.