• 수산해양교육연구
• /
• 제28권6호
• /
• pp.1812-1821
• /
• 2016

The purpose of this study is to survey input data error of ship automatic identification system (AIS) and suggest its improvement. The effects of AIS were observed. Input data error of AIS was investigated by dividing it into dynamic data, static data by targeting actual ships and its improvement method was suggested. The findings are as follows. Looking into accidents before and after AIS is enforced to install on the ship, total collision were decreased after AIS installed. Static data error of AIS took place mainly in the case that ship name, call sign, MMSI, IMO number, ship type, location of antenna (ship length and width) were wrongly input or those data were not input initially. Dynamic data error of AIS was represented by input error of ship's heading. As errors of voyage related data take place as well, confusion is made in sailing or ship condition. Counter measures against the above are as follows. First, reliability of AIS data information should be improved. Second, incessant concern and management should be made on the navigation officers.

• 수산해양기술연구
• /
• 제44권3호
• /
• pp.229-238
• /
• 2008

This paper describes on the consolidation of AIS and ARPA radar positions by comparing the AIS and ARPA radar information for the tracked ship targets using a PC-based ECDIS in Busan harbor, Korea. The information of AIS and ARPA radar target was acquired independently, and the tracking parameters such as ship's position, COG, SOG, gyro heading, rate of turn, CPA, TCPA, ship s name and MMSI etc. were displayed automatically on the chart of a PC-based ECDIS with radar overlay and ARPA tracking. The ARPA tracking information obtained from the observed radar images of the target ship was compared with the AIS information received from the same vessel to investigate the difference in the position and movement behavior between AIS and ARPA tracked target ships. For the ARPA radar and AIS targets to be consolidated, the differences in range, speed, course, bearing and distance between their targets were estimated to obtain a clear standards for the consolidation of ARPA radar and AIS targets. The average differences between their ranges, their speeds and their courses were 2.06% of the average range, -0.11 knots with the averaged SOG of 11.62 knots, and $0.02^{\circ}$ with the averaged COG of $37.2^{\circ}$, respectively. The average differences between their bearings and between their positions were $-1.29^{\circ}$ and 68.8m, respectively. From these results, we concluded that if the ROT, COG, SOG, and HDG informations are correct, the AIS system can be improved the prediction of a target ship's path and the OOW(Officer of Watch) s ability to anticipate a traffic situation more accurately.

• 한국컴퓨터정보학회논문지
• /
• 제24권10호
• /
• pp.65-70
• /
• 2019

최근 선박자동식별장치의 도입으로, 육상에서 선박위치, 침로, 속력, 선박종류 등 선박 항적데이터 수집이 가능해 졌다. 본 연구는 맵리듀스 알고리즘을 분산처리 환경에 적용하여 선박 항적데이터를 효율적으로 처리하는 방법을 제안한다. 제안하는 방법은 데이터 전처리 단계, 맵핑 단계, 리듀싱 단계로 나뉘어져 있다. 데이터 전처리 단계는 선박의 동적 및 정적 데이터를 통합하고, 비관심지역의 선박정보는 필터링한다. 맵핑 단계는 선박 위치를 지오해시 코드로 변환하여 맵리듀스의 키 데이터로 할당하고, 선박의 ID는 값 데이터로 분리한다. 리듀싱 단계에서는 키 데이터가 같은 키-값 쌍 데이터를 추출하여 해당 그리드에서 선박의 수를 계산하여 시각화 한다. 제안한 방법은 항적데이터 분석에 있어서 기존 프로그램 성능에 비해 1~4배 성능 개선이 되었다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2023년도 춘계학술대회
• /
• pp.104-105
• /
• 2023

해양 관측과 위성 원격탐사를 이용하여 시공간적으로 다양하게 변하는 생태 어장 환경 및 선박 관련 자료를 획득할 수 있다. 이번 연구의 주요 목적은 야간 불빛 위성 자료를 이용하여 광범위한 해역에 대한 어선의 위치 분포를 파악하는 딥러닝 기반 모델을 제안하는 것이다. 제안한 모델의 정확성을 평가하기 위해 야간 조업 어선의 위치를 포함하고 있는 AIS(Automatic Identification System) 정보와 상호 비교 평가 하였다. 이를 위해, 먼저 AIS 자료를 획득 및 분석하는 방법을 소개한다. 해양안전종합시스템(General Information Center on Maritime Safety & Security, GICOMS)으로부터 제공받은 AIS 자료는 동적정보와 정적정보로 나뉜다. 동적 정보는 일별 자료로 구분되어있으며, 이 정보에는 해상이동업무식별번호(Maritime Mobile Service Identity, MMSI), 선박의 시간, 위도, 경도, 속력(Speed over Ground, SOG), 실침로(Course over Ground, COG), 선수방향(Heading) 등이 포함되어 있다. 정적정보는 1개의 파일로 구성되어 있으며, 선박명, 선종 코드, IMO Number, 호출부호, 제원(DimA, DimB, DimC, Dim D), 홀수, 추정 톤수 등이 포함되어 있다. 이번 연구에서는 선박의 정보에서 어선의 정보를 추출하여 비교 자료로 사용하였으며, 위성 자료는 구름의 영향이 없는 깨끗한 날짜의 영상 자료를 선별하여 사용하였다. 야간 불빛 위성 자료, 구름 정보 등을 이용하여 야간 조업 어선의 불빛을 감지하는 심층신경망(Deep Neural Network; DNN) 기반 모델을 제안하였다. 본 연구의결과는 야간 어선의 분포를 감시하고 한반도 인근 어장을 보호하는데 기여할 것으로 기대된다.