넙치 양식장 수질 데이터를 활용한 딥러닝 기반 폐사량 예측 연구

Deep Learning-Based Prediction of Mortality in Olive Flounder (Paralichthys olivaceus) Aquaculture Using Water Quality Data

국내 수산업에서 양식 산업은 안정적인 수산물 공급을 가능하게 한다는 점에서 매우 중요한 역할을 맡고 있다. 하지만 최근 기후 변화에 따른 해수 고수온 현상과 수질 악화 등 환경적 요인으로 인한 집단 폐사 문제가 빈번히 발생하고 있으며, 이러한 집단 폐사 문제는 양식 어가의 생산성과 수익성 저하로 이어지고 있다. 특히 국내에서 가장 널리 양식되는 넙치는 수온과 수질 변화에 민감한 특성을 지녀, 여름철 반복되는 대규모 폐사로 인한 피해가 심각한 실정이다. 피해 저감을 위해 기존에는 영상 기반의 예측 기술이 일부 도입되었으나, 해당 방식은 질병 발생 이후의 상태를 인식하기에 사전 대응이 어렵고 장비 설치 및 환경 제약 등의 한계가 존재한다. 이에 본 연구에서는 수온, 용존산소(DO), pH, 아질산성질소 등 수질 데이터를 기반으로, 시계열 딥러닝 모델(LSTM, GRU, TCN)을 적용하여 넙치의 폐사량을 예측하고, 각 모델의 성능을 비교 분석하였다. 모델 학습은 7일 단위의 입력과 출력을 기반으로 구성하였으며, 성능 지표로는 RMSE, MmRMSE, R², adj-R² 등을 활용하여 정량적 평가를 수행하였다. 분석 결과, TCN 모델이 RMSE 35.868, MmRMSE 0.106, R² 0.753, adj-R² 0.750의 예측 성능을 보여 다른 모델과 대비하여 가장 우수한 결과를 나타냈다. 특히 고폐사 구간에서도 실제 폐사량의 추세를 효과적으로 반영하는 특성을 보였다.

In Korea’s aquaculture industry, fish farming plays a key role in ensuring a stable supply of aquatic products. However, environmental changes such as rising sea temperatures and water quality deterioration have led to frequent mass mortality events, reducing productivity and profitability. Olive flounder, the most widely farmed species in Korea, is highly sensitive to temperature and water quality changes, making it vulnerable to large-scale mortality during summer. Although vision-based prediction technologies have been introduced to mitigate such damage, they are limited to post-disease detection and constrained by equipment requirements and environmental factors. This study applied time-series deep learning models (LSTM, GRU, TCN) using water quality data—temperature, dissolved oxygen, pH, and nitrite nitrogen—to predict mortality. The models were trained using a 7-day input/output structure and evaluated with RMSE, MmRMSE, R², and adjusted R². The TCN model achieved the best performance (RMSE 35.868, MmRMSE 0.106, R² 0.753, adj-R² 0.750), effectively capturing trends during high-mortality periods.