I. 서론

1. 연구배경 및 목적

해양공간정보는 해양에서 일어나는 인간활동의 유형, 강도, 분포를 정량적으로 파악하는데 활용된다. 특히 선박 위치 정보는 해상에서 이루어지는 항행 및 어업 활동의 동태를 파악하는 가장 기초적이자 필수적인 데이터이다.

현재 선박 위치 정보의 수집은 주로 선박자동식별시스템(Automatic Identification System, 이하 AIS)과 어선위치발신장치(Vessel Position Automatic Identification System, 이하 V-PASS)를 통해 이루어진다. AIS는 초단파대(VHF, Very High Frequency) 대역에서 일정한 시간 간격으로 선박의 위치정보와 운항정보를 발송하여, 주변에 있는 선박이나 육상 기지국에서 선박의 위치와 선박운항 상황을 자동으로 인식할 수 있는 시스템이다. 국제해사기구(IMO)는 2002년부터 단계적으로 AIS 설치를 의무화하였으며, 이에 따라 총톤수 300톤 이상의 국제 항해 선박, 500톤 이상의 국내 항해 화물선 및 모든 여객선에 탑재가 의무화되었다(IMO, 2002). 한편, V-PASS는 AIS 장착이 어려운 소형 어선의 안전 관리를 위해 국내에서 독자적으로 개발된 시스템으로, 선박 위치를 자동으로 발신하는 무선 설비이다(해양경찰청, 2023). 선행 연구들은 이러한 데이터를 활용하여 해상 교통 패턴 분석, 위험도 평가, 소형 어선의 군집 특성 규명 등 우리나라 해역의 항행 활동을 다각도로 분석해 왔다(이종승 등, 2020; 한재림 등, 2021; 엄대용 등, 2024).

AIS와 V-PASS는 단말기를 탑재한 선박이 자발적으로 송출하는 신호에 기반하므로, 선박이 고의로 신호를 차단하거나 장비 고장이 발생할 경우 위치 정보를 확보할 수 없는 한계가 존재한다. 이러한 협력적(Cooperative) 시스템의 한계를 보완하기 위해 최근에는 위성 기반의 선박 위치 정보가 적극적으로 활용되고 있다(Kroodsma et al., 2018; Hsu et al., 2019). 그중에서도 VIIRS(Visible Infrared Imaging Radiometer Suite) 탑재체의 DNB(Day and Night Band)는 미세한 수준의 빛도 감지할 수 있어 야간 선박 식별에 널리 활용된다. VIIRS DNB 기반 선박 탐지 알고리즘은 야간 해상의 어두운 배경과 선박 불빛 간의 방사휘도(Radiance) 차이를 이용하여 선박의 위치를 추출한다(Elvidge et al., 2015).

2011년부터 축적된 VIIRS DNB 선박 탐지 데이터는 장기간의 시계열 분석이 가능한 자료이다. 특히 위성이 매일 밤 일정한 현지 시간대에 관측을 수행하므로, 자료의 시간적 일관성이 확보된다는 특징이 있다. 이는 특정 해역 내 야간 선박 활동의 장기적인 시공간 변동성을 분석하는 데 있어 중요한 이점이다. 동일 해역이라 하더라도 선박 활동은 시기별 지속성, 변동성, 활동 집중 시점 등에서 상이한 특성을 보이는데, 이러한 동적 변화는 단기간 자료나 단순한 누적 분포 분석만으로는 규명하기 어렵다.

VIIRS DNB 기반의 장기 시계열 데이터는 해역별 조업 및 항행 활동의 변화 양상을 체계적으로 파악하고, 장기적 추세 분석 및 해역별 맞춤형 관리 전략 수립에 활용될 수 있는 잠재력을 지닌다. 이에 본 연구는 2015년부터 2024년까지 최근 10년간의 VIIRS DNB 기반 야간 선박 탐지 데이터를 활용하여, 우리나라 관할 해역 내 선박 분포의 시공간적 특성을 분석하고자 한다. 이를 통해 우리나라 관할 해역에서의 항행 및 어업 활동이 갖는 계절별･지역별 특성을 정량적으로 규명하는 데 본 연구의 목적이 있다.

2. 선행 연구 검토

VIIRS DNB는 가시–근적외 파장대에서 인공조명에 의해 발생하거나 달빛 등에 반사되는 저조도 방사휘도(Radiance)를 정밀하게 측정할 수 있다(Elvidge et al., 2015). VIIRS DNB 데이터를 활용하면 도시 지역에서의 야간 인공조명 활동 및 인간 활동 특성을 효과적으로 파악할 수 있다(김민호, 2019; 2020).

VIIRS DNB의 또 다른 주요 활용 분야는 야간 선박 탐지이다. Elvidge et al. (2015)은 VIIRS DNB 데이터를 이용한 선박 탐지 알고리즘인 VBD(VIIRS Boat Detection)를 제안하였다. 이 알고리즘은 DNB 이미지에서 복사휘도가 국지적으로 크게 증가하는 픽셀 스파이크(Spike)를 자동 탐지하고, 중심 픽셀과 이웃 픽셀 간의 상대적 밝기 차이를 나타내는 높이(Height) 지표와 공간적 형태 특성을 평가하는 날카로움(Sharpness) 지표를 활용하여 선박 불빛을 판별한다.

VBD는 고정된 임계치(Threshold) 기반 탐지 방식을 사용하므로, 관측 조건에 따라 탐지 결과가 변동될 수 있다는 한계를 가진다. 이러한 한계를 극복하기 위한 알고리즘 개선 연구가 지속적으로 수행되어 왔다. Kim et al. (2021)은 기존 VBD의 고정 임계치 방식이 달빛 영향에 취약하다는 점에 주목하여, 달의 위상(Moon phase)을 고려한 임계치 보정 기법을 제안하였다. Tsuda et al. (2023)은 머신러닝 모델을 도입하여 데이터로부터 특징을 학습하고, 학습된 모델이 선박 신호와 배경 노이즈를 자동으로 구분하는 방법을 제시하였다. Zuo et al. (2024)은 DNB 원영상과 Spike Median Index(SMI), Spike Height Index(SHI)를 네트워크 입력으로 활용한 딥러닝 객체 탐지 모델(DNA-net)을 적용하여 선박 탐지 성능을 개선하였다.

VBD 데이터를 활용한 응용 연구에서는 다양한 해역을 대상으로 선박 분포와 조업 현황을 분석하는 시도가 이루어져 왔다. Lumban-Gaol et al. (2020)은 VIIRS DNB 기반 선박 분포의 시공간적 동적 변동을 분석하기 위해 중심경향, 공간 분산, 방향 분산, 방향 추세 등 공간 통계 지표를 적용하였다. Takeuchi and Huang (2022)은 VIIRS VBD 데이터를 활용하여 HDBSCAN 기반 공간 군집분석과 계절성 분석을 수행함으로써 일본 EEZ 내 야간 조업 선박의 주요 어장 영역과 시간적 활동 패턴을 정량적으로 도출하였다. Li et al. (2023)은 중국 발해만 해역을 대상으로 VIIRS VBD 데이터를 이용해 야간 조업 선박의 시공간 분포를 분석하고, 월별 VBD 밀도 지도를 생성하였으며, 엽록소 농도(Chl-a)와 해수면 온도(SST) 등 해양 환경 변수와의 정량적 연관성을 규명하였다.

선행 연구를 살펴보면, 장기간에 걸쳐 축적된 VIIRS VBD 데이터를 활용하여 우리나라 관할 해역의 선박 활동을 분석한 사례는 미비한 실정이다. 또한 선박 분포와 조업 현황 분석 방법 측면에서도, 기존 연구는 주로 공간 집중도 기반의 분포 특성이나 계절적 변화 분석에 초점을 두고 있으며(Takeuchi and Huang, 2022), 해역 내 구역별 시간적 조업 패턴 자체의 차이를 정량적으로 구분하고 이를 기반으로 조업 특성을 유형화한 연구는 부족하다.

이에 본 연구는 우리나라 관할 해역을 대상으로 장기간 축적된 VIIRS VBD 데이터를 활용하여, 선박 활동의 시공간적 특성과 변동 양상을 체계적으로 분석하고자 한다. 특히 선박 활동 시계열 패턴 간의 유사성에 기반한 해역 유형 분류를 수행함으로써, 해역별 선박 활동 특성의 차이를 보다 다각적으로 이해할 수 있는 기초 자료를 제시하고자 한다.

II. 활용 자료와 분석 방법

1. 활용 자료

VIIRS는 NASA와 NOAA가 운용하는 극궤도 위성인 Suomi NPP, NOAA-20, NOAA-21에 탑재된 핵심 관측 센서이다. VIIRS는 가시광선에서 적외선 대역에 이르는 다양한 스펙트럼 정보를 수집하며, 그중 DNB (Day/Night Band)는 야간의 미세한 불빛을 감지하는 데 특화되어 있다. 이들 위성은 동일 지역을 매일 2회 이상 관측할 수 있는 높은 시공간 해상도를 제공한다.

VIIRS DNB의 대표적인 활용 분야는 야간 선박 탐지이다. Elvidge et al.(2015)이 VIIRS DNB를 활용한 선박 탐지 알고리즘인 VBD(VIIRS Boat Detection)를 제안한 이래, 현재 콜로라도 광산 대학(Colorado School of Mines) 산하 EOG(Earth Observation Group)에서 전 세계 해역에 대한 VBD 데이터를 공개하고 있다. EOG는 국가별 배타적 경제수역(EEZ)을 기준으로 일별, 월별, 연별 데이터를 제공한다.

이 연구에서는 EOG에서 제공하는 일별 VBD 데이터를 활용하였으며, 연구 기간은 2015년 1월부터 2024년 12월까지 총 10년이다. 그림 1은 VIIRS DNB 영상과 VBD 데이터의 관계를 시각화한 것이다. 배경 이미지는 DNB 방사휘도 값에 10⁹을 곱한 후 로그 변환을 적용하여 시각적 대비를 강조하였으며, 그 위에 VBD 탐지 지점을 중첩하여 표현하였다. 그림에서 확인할 수 있듯이, 주변 해수면 대비 상대적으로 높은 방사휘도 값을 갖는 픽셀들이 선박으로 식별되어 포인트로 표출된다.

그림 1.

DNB 영상과 VBD 사례

우리나라에서는 어선의 안전 조업과 어로 활동의 체계적인 관리를 위해 바다를 일정 간격의 격자로 나누고 고유 번호를 부여하여 관리하는 해구도 시스템을 운영하고 있다. 해구도는 격자의 크기에 따라 대해구도와 소해구도로 구분된다. 대해구도는 위도와 경도 0.5°(약 50 × 50 km) 간격으로 구획된 격자이며, 소해구도는 각 대해구도를 가로･세로 3등분 하여 더욱 세밀하게 나눈 구역을 의미한다. 이 연구에서는 거시적인 선박 분포 특성을 파악하기 위해 대해구도를 기본 분석 단위로 설정하였다.

이 연구의 공간적 범위인 우리나라 관할 해역은 ｢해양과학조사법｣ 제2조에 근거하여 영해, 배타적 경제수역(EEZ), 대륙붕을 포괄하는 영역으로 정의된다. 이는 대한민국이 주권, 주권적 권리 또는 배타적 관할권을 행사하는 해역을 의미한다. 특히, 우리나라와 일본, 우리나라와 중국 간의 EEZ 경계 획정이 유보된 한･일 중간수역과 한･중 잠정조치수역의 경우, 양국이 공동으로 관리하는 특수성을 고려하여 관할 해역 범위에 포함하였다.

기존의 해구도 데이터는 우리나라 관할 해역을 넘어서는 광범위한 영역까지 격자가 생성되어 있다. 이 연구에서는 데이터의 공간적 정확성을 확보하기 위해, 전체 대해구도 영역 중 관할 해역과 공간적으로 중첩되는 해역만을 최종 분석 대상으로 선정하였다(그림 2).

그림 2.

분석 영역 선택

2. 분석 방법

1) 시계열 데이터 군집 분석

이 연구에서는 10년(2015~2024년)간 축적된 VIIRS DNB 기반 선박 탐지 데이터의 시공간적 패턴을 유형화하기 위해 Dynamic Time Warping(DTW) K-means 군집 분석을 적용하였다. 시계열 데이터 군집 분석에서는 시계열 간의 유사성을 정확히 측정하는 것이 핵심이다. 대표적인 유사성 측정 방법으로는 유클리디안 거리(Euclidean Distance)와 DTW 척도가 있다.

유클리디안 거리는 두 시계열의 동일한 시점에 위치한 데이터 포인트끼리 1:1로 매칭하여 그 차이를 계산한다. 그러나 이 방식은 시계열의 길이나 시점이 고정되어 있어, 선박 활동 시점의 이동(Shift)이 발생할 경우 유사도를 과소평가할 위험이 있다. 반면, DTW는 두 시계열 데이터의 길이가 다르거나 시차(Time lag)가 존재하는 경우, 시간 축을 비선형적으로 신축(Warping)하여 두 시계열 간의 형태적 유사성이 최대가 되도록 최적의 정렬을 수행하는 척도이다(Sakoe and Chiba, 1978).

두 시계열 데이터 X={x1,x2,...,xn} 와 Y={y1,y2,...,ym} 가 있을 때, DTW 거리는 동적 계획법(Dynamic Programming)을 기반으로 계산된다. 먼저 두 시계열 간의 누적 거리 행렬 D를 생성한다. 행렬의 각 요소 D(i,j)는 현재 시점의 거리와 이전 경로의 최소 누적 거리를 합산한 값으로, 식 (1)과 같이 재귀적으로 정의된다.

여기서,

D(i,j) : xi와 yj의 누적거리

distxi,yj : 두 시점 간의 거리(예: 유클리드 거리)

min(D(i-1,j-1),D(i-1,j),D(i,j-1)): 이전 시점들 간의 누적 거리 중 최소값

식 (1)의 min 연산은 이전 시점들 중 최소 비용 경로를 선택하는 과정이다. D(i-1,j-1)는 시간 축이 일치하는 경우, D(i,j-1)와D(i-1,j)는 한쪽 시계열의 시간 축을 늘려(Warping) 시차를 보정하는 경우에 해당한다. 이 방식을 통해 누적 행렬의 시작 점에서 끝 점까지의 최적 경로를 탐색하며, 최종적인 DTW 거리는 누적 행렬이 마지막 요소 값으로 식 (2)와 같이 결정된다.

이 연구에서 적용한 DTW K-Means 알고리즘은 일반적인 K-Means 구조를 따르되, 거리 측정과 군집 중심 갱신 과정에서 DTW 거리 개념을 적용하였다. 먼저 k개의 군집 중심을 초기화한 후, 각 시계열 데이터(xi)와 군집 중심(cj) 간의 DTW 거리를 측정하여 가장 가까운 군집에 할당한다. 이를 통해 시점 차이를 보정한 형태적 유사성 기반의 군집화가 수행된다.

군집 할당 후에는 군집 중심을 새롭게 갱신한다. 군집 중심을 갱신하는 단계에서는 단순 산술 평균 대신 Petitjean et al.(2011)이 제안한 DBA(DTW Barycenter Averaging) 기법을 적용하였다. DBA는 군집 내 시계열 간의 최적 정렬 경로를 고려하여 중심을 갱신하므로, 시점 불일치로 인하여 거리 값이 평활화 되는 문제를 방지하고 시계열의 고유한 형상과 피크 특성을 보존할 수 있다. 이 과정은 군집 할당 결과에 변화가 없거나 중심의 변화량이 임계값 이하로 수렴할 때까지 반복된다.

한편, K-Means 기반 알고리즘은 군집의 개수를 사전에 정의해야 하는 문제가 존재한다. 본 연구에서는 최적의 군집 수를 선정하기 위해 엘보우 기법(Elbow Method)과 실루엣 분석(Silhouette Analysis)을 상호 보완적으로 적용하였다.

첫째, 엘보우 기법은 군집 내 오차 제곱합(SSE, Sum of Squared Errors) 값을 지표로 활용한다. 군집 수가 증가할수록 SSE는 자연스럽게 감소하지만, 특정 지점 이후부터는 감소율이 급격히 줄어든다. 그래프 상에서 감소율이 꺾이는 ‘팔꿈치(Elbow)’ 지점은 군집 세분화에 따른 성능 향상과 모델 복잡도 간의 균형점을 제시할 수 있는 군집 수를 의미한다.

둘째, 실루엣 분석에서는 군집화의 타당성을 정량적으로 평가하기 위해 실루엣 계수(Silhouette Coefficient)를 산출하였다. 실루엣 계수는 개별 데이터가 자신이 속한 군집 내에서 얼마나 밀집되어 있는지(a(i))와 인접한 다른 군집과 얼마나 분리되어 있는지(b(i))를 동시에 고려하여 식 (3)과 같이 정의된다. a(i)는 데이터 i가 속한 군집 내의 다른 모든 데이터들 간의 평균 DTW 거리로 계산한다. b(i) 는 데이터 i 에서 가장 가까운 다른 군집까지의 평균 DTW 거리로 계산한다.

실루엣 계수는 -1에서 1 사이의 값을 가지며, 1에 가까울수록 해당 데이터가 올바른 군집에 타당하게 분류되었음을 의미한다. 이 연구에서는 엘보우 기법으로 도출된 군집 수와 실루엣 계수가 가장 높은 군집 수를 고려하여 최종 군집 수를 설정하였다.

2) 군집 특성 비교를 위한 계절성 지표

DTW K-means 알고리즘을 통해 도출된 각 군집의 시공간적 활동 패턴을 정량적으로 비교･분석하기 위해, 이 연구에서는 다음 두 가지의 계절성 지표(Seasonal Indicators)를 선정하여 적용하였다.

첫째, 계절별 변동 계수 (Coefficient of Variation, 이하 CV)이다. 계절별 변동 계수는 계절별 표준 편차를 계절별 평균으로 나눈 값이다. 계절별 변동 계수는 해당 계절 내에서 선박 활동 빈도의 시간적 변동성을 나타내는 척도이다. 이 값이 높게 산출될수록 해당 계절 내에서 선박 활동량의 기복이 심하고 불규칙함을 의미하며, 반대로 값이 낮을수록 해당 기간 동안 일정한 수준의 활동이 지속적으로 유지되었음을 시사한다.

둘째, 계절 지수 (Seasonal Index)이다. 이는 전체 기간의 평균 선박 활동량대비 특정 계절의 평균 활동량이 차지하는 비율을 나타낸다. 계절 지수는 각 군집의 활동이 특정 계절에 얼마나 집중되어 있는지를 보여주는 강도 지표이다. 지수가 1인 경우 전체 평균 수준의 활동을 의미하며, 1보다 큰 경우 해당 계절에 선박 활동이 평년 대비 활발하게 집중되어 있음을 의미한다. 1 미만인 경우 활동이 상대적으로 저조함을 나타낸다. 이를 통해 각 군집별로 선박 활동이 집중되는 계절을 식별할 수 있다.

III. 야간 선박 분포의 시공간 특성

1. 선박 분포의 공간적 특성

이 연구에서는 2015년부터 2024년까지 10년간 축적된 VIIRS DNB 데이터를 활용하여, 우리나라 관할 해역 내 야간 선박의 전반적인 분포 현황을 분석하였다. 그림 3은 해구별(0.5° 격자) 누적 선박 탐지 현황을 단계구분도로 시각화한 결과이다.

그림 3.

2015년부터 2024년까지 누적된 야간 선박 탐지 현황의 공간 분포

공간 분포 분석 결과, 활발한 조업 활동이 이루어지는 주요 어장과 상선 통항이 빈번한 항로 해역에서 선박의 밀집 현상이 뚜렷하게 관측되었다. 구체적으로는 동해의 대표적 황금어장인 대화퇴 해역(한･일 중간수역 북단), 남해의 제주도 및 마라도 인근 해역, 서해의 흑산도 주변 해역 등에서 높은 선박 밀도가 확인되었다. 아울러 국내 주요 물류 거점인 부산항과 인천항 등 주요 항만 인접 해역에서도 입출항 및 정박 선박에 의한 고밀도 분포 특성이 식별되었다.

2. 선박 분포의 계절별 특성

야간 선박 분포의 시계열적 변화를 파악하기 위해 계절별 분포 특성을 분석한 결과, 우리나라 관할 해역 내 선박 활동은 계절에 따라 뚜렷한 변동성을 보이는 것으로 확인되었다.

지난 10년(2015~2024년)간의 장기 경향을 살펴보면, 그림 4와 같이 가을에 선박의 분포 밀도와 활동 강도가 가장 높게 나타나는 경향이 일관되게 관측되었다. 이는 연중 상시 이루어지는 상선의 항행 활동 외에도, 가을철 성어기를 맞아 활발해지는 어선들의 집중적인 조업 활동이 반영된 결과로 해석된다.

그림 4.

야간 선박 분포의 계절별 경향

기술 통계와 계절성 지표를 활용하여 계절별 야간 선박 활동 현황을 비교･분석한 결과는 표 1과 같다. 우선, 선박 활동의 양적 규모를 나타내는 평균 활동량과 계절 지수는 가을, 여름, 봄, 겨울의 순서로 높게 나타났다. 이는 가을이 우리나라 관할 해역 내에서 선박 활동이 가장 활발한 시기이며, 겨울이 상대적으로 가장 한산한 시기임을 보여준다. 반면, 계절 변동 계수는 여름, 겨울, 봄, 가을 순으로 산출되어, 활동량과는 상이한 패턴을 보였다.

이를 종합해 보면 다음과 같은 계절적 특성을 제시할 수 있다. 첫째, 가을은 연중 선박 활동량이 가장 많을 뿐만 아니라 변동 계수가 가장 낮게 나타났다. 이는 가을철에 대규모의 선박 활동이 지속적이고 안정적으로 발생하고 있음을 의미한다. 둘째, 여름은 가을 다음으로 높은 활동량을 보였으나, 변동 계수는 사계절 중 가장 높게 기록되었다. 이는 여름철 기간 내에서 기상 악화나 금어기 등의 요인으로 인해 선박 활동의 시기적 편차가 매우 큼을 시사한다. 또한 VIIRS DNB 데이터의 미수집에 의한 가능성도 있다.

IV. 시공간 특성에 따른 유형화

1. 시계열 군집 분석

이 연구에서는 2015년부터 2024년까지 10년간 축적된 VIIRS DNB 기반 선박 탐지 데이터의 시공간적 패턴을 유형화하기 위하여, DTW K-means 알고리즘을 적용한 군집 분석을 수행하였다. 최적의 군집 개수를 설정하기 위해 엘보우 기법과 실루엣 분석 결과를 상호 보완적으로 검토하였다. 분석 결과, 엘보우 기법에서는 k=5 지점에서 오차 제곱합의 감소율이 둔화되는 변곡점이 나타났으며, 실루엣 계수는 k=3일 때 가장 높은 수치를 보여 주었다. 이 연구에서는 이 두 가지 기준을 종합적으로 고려하여, 통계적 안정성(실루엣)과 군집의 세분화 정도(엘보우)를 절충하고 결과 해석의 타당성을 확보할 수 있는 k =4를 최적의 군집 수로 최종 선정하였다. 도출된 4개 군집별 야간 선박의 공간적 분포 특성은 그림 5와 같다.

그림 5.

DTW K-means로 식별된 4개 군집의 공간 분포

그림 6은 각 군집의 고유한 공간 분포 패턴을 명확히 식별하기 위해, 군집별 선박 분포 현황을 개별적으로 시각화한 결과이다.

그림 6.

군집별 분포 현황

각 군집의 지리적 특성을 살펴보면 다음과 같다. 군집 1은 특정 구역에 국한되지 않고 황해, 동해, 남해 전역에 걸쳐 불규칙하게 산재하는 양상을 보인다. 군집 2는 부산항, 인천항 등 주요 항만 구역과 흑산도, 마라도 인근 해역 등 선박 활동 밀도가 높은 주요 거점에 집중적으로 밀집된 특성을 나타낸다. 군집 3은 육지와 인접한 연안 해역을 따라 분포하는 경향이 뚜렷하다. 마지막으로 군집 4는 4개 군집 중 가장 광범위한 공간적 범위를 점유하며, 넓은 해역에 분포하는 특성이 확인되었다.

2. 군집별 특성

군집의 선박 분포 특성을 파악하기 위해 기술 통계량을 산출하여 비교하였다(표 2). 분석 결과, 군집 3과 군집 4는 광범위한 지역에 분포하는 특성으로 인해 선박 탐지 건수의 총합은 상대적으로 높게 나타났다. 반면, 대해구 평균(Mean)은 군집 2가 228으로 가장 높게 산출되었다. 이는 군집 2가 상대적으로 좁은 영역에 다수의 선박이 집중되는 고밀도 활동 해역임을 시사한다. 반대로 군집 4는 평균값이 67로 가장 낮아, 넓은 해역에 선박이 산발적으로 분포하는 특성을 보였다.

군집별 시계열 패턴은 전반적으로 유사한 경향을 보였으며, 모든 군집에서 가을철에 평균 활동량이 급증하는 공통적인 특성이 관측되었다(그림 7). 이를 정량적으로 규명하기 위해 계절 지수와 계절 변동 계수를 산출하여 비교 분석하였다(표 3).

그림 7.

군집별 평균의 시계열 변화

각 군집의 세부적인 계절적 특성은 다음과 같다. 군집 1은 가을철 계절 지수가 가장 높아(SI=1.51) 평년 대비 집중적인 활동이 일어남을 알 수 있다. 반면 여름(CV=2.01)과 겨울(CV=1.67)에는 변동 계수가 높게 나타나, 해당 계절 내에서 조업 활동의 기복이 심하고 불규칙한 것으로 분석되었다.

군집 2와 3은 다른 군집에 비해 계절 변동 계수의 편차가 상대적으로 작아, 연중 비교적 일정하고 균일한 활동 패턴을 유지하는 것으로 나타났다. 군집 2는 가을(SI=1.31) 다음으로 봄(SI=1.14)에 활동이 많았으며, 주요 항구와 핵심 어장(마라도, 흑산도 등)을 포함하고 있어 선박 밀집도가 가장 높다. 이는 항만 및 주요 조업 구역의 특성이 반영된 결과로 해석된다. 군집 3 또한 연안 해역에 분포하여 상대적으로 안정적인 활동 패턴을 보였다.

군집 4는 가을 집중도(SI=1.70)가 가장 높은 반면, 겨울철 변동 계수(CV=2.26)가 4개 군집 중 가장 높게 산출되었다. 이는 군집 4가 계절 간 활동량 차이가 클 뿐만 아니라, 같은 계절(특히 겨울, 여름) 내에서도 선박 활동의 시기적 변동성이 매우 큰 불안정한 군집임을 시사한다.

군집 간의 공통적인 시공간 특성을 요약하면 다음과 같다. 첫째, 가을철 활동 집중 현상이다. 모든 군집에서 가을의 계절 지수가 가장 높게 나타났으며, 이는 가을이 우리나라 전 해역에서 선박 활동이 가장 활발한 시기임을 입증한다. 반면, 겨울은 군집 4를 제외한 모든 군집에서 활동성이 가장 낮은 계절로 분석되었다. 둘째, 여름의 높은 변동성이다. 군집 4를 제외한 모든 군집에서 여름 변동 계수가 가장 높게 나타났다. 이는 여름철에는 태풍, 장마 등 기상 요인이나 금어기 등의 영향으로 인해 선박 활동이 지속적이지 못하고 시기별 변화가 크게 발생함을 의미한다. 셋째, 겨울과 봄의 낮은 활동성이다. 대부분의 군집에서 겨울과 봄은 상대적으로 활동량이 적고 일정한 패턴을 보였으나, 겨울철의 경우 활동량 자체는 적더라도 변동성은 다소 높게 나타나는 경향을 보였다

3. 논의

이 연구에서는 지난 10년(2015~2024년)간 축적된 VIIRS DNB 기반 선박 탐지 데이터를 활용하여, 우리나라 관할 해역 내 야간 선박 분포의 시공간적 패턴을 정량적으로 규명하였다. 특히 DTW K-means 군집 분석을 도입함으로써, 기존의 단순 밀도 분석에서 한 걸음 나아가 선박 활동의 시계열적 유사성에 기반한 유형화를 시도하였다는 점에서 의의가 있다.

분석 결과, 모든 군집에서 가을철에 선박 활동이 집중되는 공통된 경향이 확인되었다. 이는 우리나라 해역의 대표적인 성어기인 가을철에 조업 활동이 전 해역에 걸쳐 활발히 이루어짐을 시사한다. 반면, 여름철에는 높은 활동량에도 불구하고 변동성이 크게 나타났는데, 이는 장마, 태풍 등 기상 악화로 인한 조업 일수 제한이나 금어기 설정 등 계절적 제약 요인이 복합적으로 작용한 결과로 해석된다. 이에 대한 근거를 확인하기 위해서 추가적인 연구가 필요하다.

군집별 공간 분포 특성은 해역의 기능적 성격을 잘 반영하고 있다. 군집 2는 부산, 인천 등 주요 항만과 흑산도, 마라도 등 핵심 어장을 포함하고 있어, 상선과 어선이 혼재된 고밀도 활동 영역으로 식별되었다. 군집 3은 연안 해역을 따라 분포하며 상대적으로 안정적인 조업 및 항행 활동이 유지되는 특성을 보였다. 반면, 군집 4는 외해를 포함한 가장 넓은 지역에 분포하며 계절별 변동성이 매우 크게 나타났는데, 이는 특정 시기에만 조업이 이루어지는 회유성 어종의 조업 경로나 기상 영향에 민감한 원거리 항행 활동과 관련이 있을 것으로 판단된다. 이러한 군집별 특성 정보는 해역별 맞춤형 해양 공간 계획 수립이나 어업 자원 관리 정책을 입안하는 데 있어 중요한 기초 데이터로 활용될 수 있을 것이다.

이 연구는 계절 지수와 계절 변동 계수를 통해 선박 활동의 시기적 특성을 효과적으로 비교하였으나, 이러한 변동성을 유발하는 원인 변수에 대한 심층적인 분석에는 한계가 있다.

첫째, 기상 및 해양 환경 요인과의 정량적 상관관계 분석이 보완되어야 한다. 이 연구에서 여름철의 높은 변동성을 기상 요인으로 추론하였으나, 실제 태풍, 풍랑주의보 발효 일수, 파고, 수온(SST) 등 환경 변수가 선박 활동 감소에 미치는 구체적인 영향력을 통계적으로 검증할 필요가 있다. 둘째, 사회･정책적 변수에 대한 고려가 필요하다. 어종별 금어기, 총 허용어획량 규제, 항로 통제 등 인위적인 정책 변수가 시공간적 선박 분포 변화에 미치는 영향을 분석한다면, 선박 활동 패턴의 형성 원인을 보다 명확히 규명할 수 있을 것이다.

V. 요약 및 결론

이 연구는 2015년부터 2024년까지 10년간 축적된 VIIRS DNB 기반 선박 탐지 데이터를 활용하여, 우리나라 관할 해역 내 야간 선박 활동의 시공간적 특성을 분석하였다. 특히 시계열 데이터의 형태적 유사성을 고려한 DTW K-means 군집 분석을 적용함으로써, 해역별 선박 활동 패턴을 유형화하고 계절별 변동성을 정량적으로 도출하였다.

주요 분석 결과는 다음과 같다. 첫째, 우리나라 관할 해역 전반에서 가을철에 선박 활동이 가장 활발하게 집중되는 경향이 확인되었다. 반면, 여름과 겨울에는 활동량의 변동성이 크게 나타났으며, 봄에는 상대적으로 일정하고 안정적인 패턴을 보였다.

둘째, 군집 분석을 통해 도출된 각 유형은 뚜렷한 공간적･시계열적 특성을 보였다. 군집 1은 황해, 동해, 남해 전역에 불규칙하게 산재하는 특성을 보였으며, 가을철 활동 집중도와 함께 여름철의 높은 변동성이 특징적으로 나타났다. 군집 2와 군집 3은 공간적 밀집도와 시계열적 안정성을 보여 주었다. 군집 2는 주요 항만 및 핵심 어장을 포함하여 가장 높은 밀집도를 보였고, 군집 3은 연안 해역에 집중 분포하였다. 이들 군집은 타 군집 대비 계절 변동 계수의 편차가 작아, 연중 비교적 안정적인 선박 활동이 유지되는 것으로 분석되었다. 군집 4는 가장 광범위한 해역을 점유하는 특성을 보였다. 특히 여름과 겨울의 계절 변동 계수가 타 군집 대비 유의미하게 높게 산출되었는데, 이는 해당 군집이 계절 내 선박 활동의 시기적 기복이 심하고 불안정한 특성을 지닌 해역임을 시사한다.

이 연구를 통해 도출된 군집별 선박 활동 특성 데이터는 해역의 이용 현황을 객관적으로 파악할 수 있는 지표로서, 향후 해양 공간 계획 수립 및 수산 자원 관리 정책을 위한 과학적 기초 자료로 활용될 수 있을 것으로 기대된다.

다만, 본 연구에서는 여름과 겨울철에 관측된 높은 변동성의 구체적인 원인 변수를 심층적으로 규명하지 못한 한계가 있다. 향후 연구에서는 태풍, 풍랑 등 기상 현상이나 수온 등 해양 환경 요인, 그리고 금어기 및 항로 규제와 같은 정책적 요인이 선박 활동의 시공간적 변동에 미치는 상호 작용을 규명하는 후속 연구가 필요하다.