A Gradient Boosted Mixed-Model Machine Learning Framework for Vessel Speed in the U.S. Arctic

기술 요약: 미국 북극해 선박 속도를 위한 경사 부스팅 혼합 모델 기계 학습 프레임워크

문제 제기
기후 변화로 인해 계절별 교통량이 증가함에 따라, 북극해에서의 지상 대 선박 속도 (SOG) 의 원인을 이해하는 것은 항해 안전과 환경 영향 관리에 필수적입니다. 기존 문헌은 종종 분석적 모델에 의존하거나 선박 속도를 단일 연속 과정으로 취급합니다. 그러나 북극해의 AIS(자동식별시스템) 데이터는 "강한 제로 과잉 (strong zero inflation)"을 보이며, 관측치의 53% 이상이 0 속도를 기록합니다. 0 속도와 양의 속도를 단일 연속 변수로 취급하면 정지 상태와 능동 항해라는 서로 다른 운영 체제 (operational regimes) 가 모호해집니다. 또한, 이전 연구들은 종종 해빙, 바람, 수심과 같은 환경적 요인을 고립적으로 분석하거나, 동일한 선박, 위치, 기간에서 반복된 관측치의 비독립성을 고려하지 못했습니다. 이는 북극 항해의 비선형적 다변량 원인을 특성화하는 능력을 제한합니다.

방법론
저자들은 **GPBoost(그룹화 가우시안 무작위 효과를 갖춘 경사 부스팅 의사결정나무)**를 활용한 2 단계 기계 학습 프레임워크를 제안합니다. 이 접근법은 0 속도 사건과 양의 속도 사건의 모델링을 명시적으로 분리합니다.

1. 데이터: 이 연구는 2010 년부터 2019 년까지 7 월부터 10 월까지의 미국 북극해에서 수집된 1,480 만 개의 AIS 관측치를 분석합니다. 공변량에는 해빙 농도, 바람 성분 (궤도 방향 및 횡방향), 수심, 연안까지의 거리, 지상 대 진로 (COG), 선박 그룹, 그리고 항해 상태가 포함됩니다. 환경 데이터는 지리통계학적 보간 (크리깅) 을 사용하여 0.5° 그리드에서 AIS 위치와 일치시켜 완전한 커버리지를 확보했습니다.
2. 1 단계: 이진 분류: 베르누이 가능도 (likelihood) 와 프로빗 링크 (probit link) 를 사용하는 GPBoost 모델이 $SOG > 0$일 확률을 예측합니다.
3. 2 단계: 조건부 회귀: $SOG > 0$인 관측치에 대해 GPBoost 모델이 속도의 크기를 예측합니다. 반응 변수는 왜도를 완화하기 위해 SOG 의 제곱근 ($\sqrt{SOG}$) 입니다.
4. 무작위 효과: 두 단계 모두 특정 선박 (MMSI), 공간 그리드 셀, 일별 시간 인덱스 내의 상관관계를 고려하기 위해 그룹화 가우시안 무작위 효과를 포함합니다. 이 구조는 체계적인 공변량 효과를 선박별, 공간적, 시간적 변동성과 분리합니다.
5. 해석 가능성: 저자들은 모델 예측을 분해하기 위해 SHAP(SHapley Additive exPlanations) 값을 사용하여 각 공변량이 이동 확률과 속도 크기에 기여하는 한계 기여도를 정량화합니다.

주요 결과

• 모델 성능:
  • 분류: 이 모델은 0 과 양의 SOG 사이에서 강력한 판별력을 보였으며, 교차 검증 외 (out-of-fold) 곡선 아래 면적 (AUC) 은 0.845였습니다.
  • 회귀: 조건부 속도 모델은 교차 검증 외 분산의 약 **77%**를 설명 ($R^2 \approx 0.77$) 했으며, 평균 절대 오차 (MAE) 는 약 1 노트였습니다.
• 주요 영향 요인:
  • 연안까지의 거리: 두 단계 모두에서 가장 영향력 있는 예측 변수로 확인되었습니다. 연안과의 근접성은 양의 SOG 확률을 크게 낮추고 속도 크기를 제한합니다. 이 효과는 매우 비선형적이며, 연안에서 40~50km 이상 떨어진 곳에서만 안정화됩니다.
  • 진로 변화 ($\Delta COG$): 두 번째로 영향력 있는 요인입니다. 작은 진로 변경은 지속적인 항해와 높은 속도와 상관관계가 있는 반면, 크거나 빈번한 변경은 기동과 속도 감소를 나타냅니다.
  • 수심: 중요한 결정 요인이며, 얕은 연안 지역과 비교하여 깊은 수역은 더 높은 속도와 이동 가능성을 지원합니다.
• 2 차 영향 요인:
  • 선박 그룹 및 상태: 이러한 요인들은 체계적인 효과를 보입니다 (예: 상태 0 "엔진 사용 중 진행"은 양의 SOG 를 강력하게 예측하고, 상태 1 "정박"은 0 속도를 강력하게 예측함) 하지만 공간 및 조종 변수보다는 영향력이 적습니다.
  • 환경적 요인: 해빙 농도와 바람은 글로벌 SHAP 순위에서 보통 수준의 평균 영향을 보여주었습니다. 저자들은 이러한 요인들이 특정 위험 조건에서는 중요하지만, 개방 수역 계절의 다양한 운영 맥락에서 평균화될 때 그 효과가 약화된다고 지적합니다.

의의 및 기여
이 논문은 0 속도와 양의 속도를 단일 연속 과정이 아닌 별개의 운영 체제로 취급하는 통합 프레임워크를 도입함으로써 문헌을 발전시켰다고 주장합니다. 정지 행동을 능동 항해와 분리함으로써, 이 연구는 정지/기동 패턴과 지속적 항해를 구별하는 해석 가능한 북극 선박 운영 특성화를 제공합니다.

경사 부스팅 프레임워크 내에서 구조화된 무작위 효과를 통합함으로써, AIS 데이터의 상관 관계를 고려하면서도 비선형 환경 반응을 해결할 수 있게 되었습니다. 결과는 경험적으로 북극 선박 운영 체제를 특성화하여, 일반적으로 선박 유형이나 빙하 및 바람과 같은 환경적 요인보다 **공간적 맥락 (연안까지의 거리) 과 조종 행동 ($\Delta COG$)**이 선박 속도의 주요 결정 요인임을 시사합니다.

이 데이터 기반 특성화는 속도 관리와 회로 수준 평가의 기초를 제공하며, 선박이 정지하거나 느리게 기동할 가능성이 더 높은 연안 지역보다는 외해 항해 회로에서 항해 및 생태학적 위험이 종종 공존함을 강조합니다. 저자들은 임계값 기반의 빙하 위험 지표는 유용하지만, 실제 관찰된 선박 속도의 복잡하고 다변량적인 원인을 포착할 수 없으므로, 본 연구에서 제공하는 통계적 특성화가 필요하다고 결론지었습니다.