[논문 리뷰] Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm.

Al-Akhir Nayan, Ahamad Nokib Mozumder외 3명|arXiv (Cornell University)|2021. 02. 15.

Water Quality Monitoring and Analysis참고 문헌 4인용 수 8

한 줄 요약

이 논문은 pH, DO, BOD, COD, TSS, TDS, EC, PO4³⁻, NO3-N, NH3-N 등의 수질 매개변수를 분석함으로써 조류 질병의 조기 감지를 위한 기계학습 기반 접근법을 제안한다. 실제 데이터셋을 활용하여 모델은 수질 악화에 기반해 질병 발생을 높은 정확도로 예측하며, 양식업에서 재정적 손실을 방지하기 위한 사전 조치를 가능하게 한다.

ABSTRACT

Early detection of fish diseases and identifying the underlying causes are crucial for farmers to take necessary steps to mitigate the potential outbreak, and thus to avert financial losses with apparent negative implications to national economy. Typically, fish diseases are caused by virus and bacteria; according to biochemical studies, the presence of certain bacteria and virus may affect the level of pH, DO, BOD, COD, TSS, TDS, EC, PO43-, NO3-N, and NH3-N in water, resulting in the death of fishes. Besides, natural processes, e.g., photosynthesis, respiration, and decomposition also contribute to the alteration of water quality that adversely affects fish health. Being motivated by the recent successes of machine learning techniques in complex relational data analyses in accurate classification and decision-making tasks, a state-of-art machine learning algorithm has been adopted in this paper to detect and predict the degradation of water quality timely and accurately, thus it helps taking pre-emptive steps against potential fish diseases. The experimental results show a high accuracy in detecting fish diseases particular to specific water quality based on the algorithm with real datasets.

연구 동기 및 목표

• 양식업에서의 경제적 손실을 방지하기 위해 조류 질병의 조기 감지를 해결하기 위한 필수적인 필요성에 부응한다.
• 바이러스 및 박테리아에 의해 유발된 질병 발생과 특정 수질 매개변수 간의 연관성을 규명한다.
• 수질 악화를 조기에 감지할 수 있도록 기계학습을 활용한 예측 모델을 개발한다.
• 수화학적 지표에 기반한 시기적이고 정확한 질병 위험 평가를 제공함으로써 농가가 사전 조치를 취할 수 있도록 지원한다.

제안 방법

• 본 연구는 실제 수질 매개변수 데이터셋에 기반한 최신 기계학습 알고리즘을 활용한다.
• 주요 입력 특징으로는 pH, 용존산소(DO), 생화학적 산소 요구량(BOD), 화학적 산소 요구량(COD), 총부유물질(TSS), 총용해물질(TDS), 전기전도도(EC), 인산염(PO4³⁻), 질산염질소(NO3-N), 암모니아질소(NH3-N)가 포함된다.
• 알고리즘은 이러한 매개변수의 변동에 기반해 수질 상태를 분류하고 질병 위험을 예측하도록 설계되어 있다.
• 모델는 역학적 수질 데이터 패턴을 활용하여 병원성 활동과 관련된 악화의 조기 징후를 탐지한다.
• 수질에 영향을 주는 생화학적 요인과 자연 환경적 요인(예: 광합성, 호흡, 분해)을 통합한다.
• 정확도 평가를 위해 실제 데이터셋을 활용하여 수질 지표에 기반한 질병 위험 분류 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 기계학습을 통해 주요 수질 매개변수의 변화를 분석함으로써 조류 질병 발생을 정확하게 예측할 수 있는가?
• RQ2 어떤 특정 수질 지표(예: pH, DO, NH3-N)가 조류 질병 발생과 가장 강한 상관관계를 가지는가?
• RQ3 기계학습은 어류에 임상적 증상이 나타나기 이르기 전에 수질 악화의 조기 징후를 어느 정도 탐지할 수 있는가?
• RQ4 모델은 분해 및 호흡과 같은 자연 과정으로 인한 수질 변화와 질병 관련 수질 변화를 얼마나 효과적으로 구분할 수 있는가?

주요 결과

• 기계학습 모델은 수질 매개변수의 이탈에 기반해 조류 질병을 높은 정확도로 감지하는 데 성공했다.
• 병원성 미생물 존재 시 pH, DO, BOD, COD, TSS, TDS, EC, PO4³⁻, NO3-N, NH3-N 등의 특정 수질 매개변수가 뚜렷하게 변화하는 것으로 확인되었다.
• 모델는 어류가 사망하는 것을 보여주는 외형적 증상 이전에 바이러스성 및 세균성 감염과 관련된 조기 수질 악화를 성공적으로 탐지했다.
• 생화학적 요인과 자연 환경 과정의 통합은 모델의 예측 신뢰도를 향상시켰다.
• 결과적으로 기계학습은 양식 시스템에서 사전 질병 감지를 위한 신뢰할 수 있는 도구로 기능할 수 있음을 보여주었다.
• 이 방법은 시기적이고 정확한 농가의 조치를 가능하게 하여 대규모 질병 유포와 경제적 손실의 위험을 줄였다.