딥러닝을 활용한 유자망어선 조업행태 분류모델 개발

Development of Fishing Activity Classification Model of Drift Gillnet Fishing Ship Using Deep Learning Technique

Abstract

In recent years, changes in the fishing ground environment have led to reduced catches by fishermen at traditional fishing spots and increased operational costs related to vessel exploration, fuel, and labor. In this study, we developed a deep learning model to classify the fishing activities of drift gillnet fishing boats using AIS (automatic identification system) trajectory data. The proposed model integrates long short-term memory and 1-dimensional convolutional neural network layers to effectively distinguish between fishing (throwing and hauling) and non-fishing operations. Training on a dataset derived from AIS and validation against a subset of CCTV footage, the model achieved high accuracy, with a classification accuracy of 90% for fishing events. These results show that the model can be used effectively to monitor and manage fishing activities in coastal waters in real time.

서론

최근 기후변화로 인한 해양 환경의 변화는 해조류와 어류의 서식지를 변동시켜 어류의 회유 경로를 크게 변화시키고 있다. 이로 인해 어업인들은 기존 경험에 의존하여 선택한 어장에서 어획량이 줄어들고, 어장을 탐색하기 위한 선박 운영비와 인건비 등 어업 경비가 증가하고 있다. 또한 허가받지 않은 어구를 사용하거나 조업금지해역, 금어기 기간동안의 불법조업도 지속해서 발생하고 있다(Mills et al., 2007). 이에 해양수산부는 수협 어업정보통신국, 국립수산과학원 등을 통해 지속적으로 수산자원을 모니터링하고 어장정보를 제공하고 있으며, 총 허용 어획량(total allowable catch, TAC)제도 등 어업정책으로 수산자원을 관리하고 있다. 하지만 현재까지 수산 자원 통계 수집 방법은 어선이 항구에 어획물을 판매한 항구(위판장)를 중심으로 이루어져 왔으며, 어선이 어느 해역에서 얼마나 잡았는지에 대한 데이터는 수집되지 않았다. 이에 선행연구(Cheung et al., 2009; Owiredu and Kim, 2021)에서 위판장 데이터와 어선의 조업구간 정보를 융합하여 어업자원 시공간 데이터를 구축하였다. 하지만, 선행 연구에서 어선의 조업구간을 단순히 속력을 기준으로 설정하여 어선의 실질적인 조업상황을 반영하지 못하였다.

본 연구에서는 선행연구에서 수행한 6개 업종(선망, 자망, 트롤, 안강망, 채낚기, 연승) 중 자망어업의 한 종류인 유자망 어업의 조업 특징을 분석하고, 학습 데이터를 구축 및 전처리하여 유자망 어선의 조업을 분류하는 모델을 개발하고자 한다. 이를 위해 근해유자망어업의 어구 투망 및 양망시 패턴을 상시 분석하고, 항적데이터에서 투망시점 및 종료시점, 양망시점 및 종료시점이 표시된 학습데이터를 구축하였다. 구축한 학습데이터는 LSTM (long short-term memory) 및 1D-CNN (1-dimensional convolutional neural network) 기반 딥러닝 모델에 학습하여 어선조업판별모델을 개발하였다.

연구의 구성은 다음과 같다. 재료 및 방법에서는 유자망 어선의 조업 특징 및 모델 학습의 필요성에 대해 설명하고, 선박자동식별장치(automatic identification system, AIS) 데이터를 활용한 학습 데이터 구성 및 전처리 과정을 다룬다. 그리고 구축된 학습 데이터를 활용하여 유자망 조업 판별 모델을 학습하였다. 결과 및 고찰에서는 검증 데이터를 통해 투망, 양망, 비조업시 판별 성능을 평가하고, 연구 결과를 종합하여 향후 연구 방향을 제시한다.

재료 및 방법

유자망어선 조업 특징

유자망 어업은 약 8–10 km 내외의 어구를 바다에 투망하여 그물이 상하로 전개되면서 이동하는 어류가 그물에 걸리도록 하여 어획하는 방법이다. 유자망(drift gill net)은 자망(gill net)어업의 한 종류로서 일반적으로 어구가 해저에 고정되어 저층에 있는 어류를 포획하는 고정자망어업과 비교하여 어구가 해저에 고정되지 않고, 부유체와 침강재에 연결되어 있다. 유자망어선은 중층 및 상층에 서식하는 어류를 포획하며, 주로 참조기, 고등어, 옥돔, 살오징어, 대구 등을 어획한다. Fig. 1은 국립수산과학원에서 소개된 참조기 유자망 어업(걸어구류)의 일반적인 조업 모식도를 나타낸다(NIFS, 2024).

Fig. 1. Schematic diagram of drift gillnet fishing boat.

유자망의 조업 방법으로는 선수 갑판에 어망을 적재하여 어장으로 이동하고, 어장에서 선박은 투망 속도(약 6–9 노트)에 맞추어 침로 변화 없이 전진하여 어망을 투망한다. 투망이 완료되면 일정 시간이 지난 후 선수에 설치된 양망기를 사용하며 어획량에 따라 짧게는 6시간, 길게는 14시간 이상 양망 작업을 실시한다. 이 때 항적패턴은 조류와 바람에 따라 일정하지 않지만, 대체로 투망한 위치 부근에서 양망이 이어진다. Fig. 2는 유자망어선의 투망 및 양망 시 항적 패턴을 나타낸다.

Fig. 2. Throwing and hauling trajectory patterns of drift gillnet fishing boat.

투망 시 유자망 어선의 패턴은 침로변화 없이 약 4–8노트의 속력으로 항해하는 패턴을 보인다. 해당 패턴은 선박이 이동시 패턴과 유사하여 속력을 기준으로 투망구간 탐지가 불가하다. 양망 시는 저속으로 선박이 투망한 그물의 방향으로 이동하는 패턴을 나타내지만 어선이 바다에서 이동하지 않고 대기할 경우 조류 및 바람에 의해 유사한 패턴이 나타난다. Fig. 2와 같이 양망 과정에서 그물이 끊어지거나 양망기 고장, 장애물이 걸리는 등 여러 상황으로 작업이 중단되었다가 재개될 수 있다. 이러한 패턴에서는 양망이 중지되어 상황 처리 후 새로운 그물 탐색 작업을 하게 되어 다소 복잡한 패턴이 형성이 된다. 그러므로 제안 연구는 다양한 패턴을 유자망의 투망 및 양망 상황을 판별하기 위해 실제 유자망 어선의 조업 및 비조업 항적패턴을 딥러닝 기반의 모델에 학습하고 이를 활용하고자 한다. 이를 위해 각 어선의 항적을 현직 유자망 어선 선장분들의 자문을 통해 전문 라벨러들이 유자망 어선의 투망 및 양망 구간을 라벨링하고, 해당되는 조업구간과 비조업구간을 인공지능 모델에 학습하여 조업구간을 추정하고자 한다.

유자망 어선 항적데이터 추출 및 라벨링

유자망 어선의 조업 및 비조업 패턴을 분류를 위해 AIS 기반 어선 항적데이터 및 어선에 설치된 CCTV 영상을 이용하였다. AIS 장비는 10톤이상의 선박에 의무적으로 설치되며, 본 연구의 대상 선종인 근해 유자망 어선은 모두 의무 설치 선박에 해당된다. 본 연구에서 어선조업판별 모델 개발을 위한 학습데이터는 해양수산부 GICOMS 시스템에서 전국 어선에서 수집한 AIS 데이터로, 국립수산과학원 수산자원연구센터에서 수산자원 연구조사 목적으로 협조받아 2021년부터 2023년까지 2년치 데이터를 학습데이터 구축에 활용하였다.

AIS 데이터는 어선의 GPS 위치, 침로, 속력 정보의 동적정보(dynamic information)와 선종, 선명, 길이, 폭 등의 정적정보(static information)로 구성된다(Arbabkhah et al., 2024). AIS 정보 갱신 주기는 동적 정보의 경우에는 Table 1와 같이 항해 중에는 2–12초이며, 정적 정보와 항해 관련 정보의 경우 매 6분마다 또는 데이터가 수정되었을 때 또는 요구시에 갱신된다(ITU, 2001). 대상구역 내 선박은 AIS 데이터 정적(static) 정보상 어선으로 등록된 선박(code 30)과 선박종류정보를 등록하지 않은 선박(code 0) 중 선박 MMSI (maritime mobile service identity) 번호가 441 및 440번으로 시작하는 한국선박을 대상으로 하였다. AIS 데이터상에는 어선의 조업종류, 면허에 대한 정보가 없으므로 선행 연구(Kim and Lee, 2020)에서 개발한 선박종류 분류모델을 활용하여 유자망 조업패턴을 보이는 선박의 ID를 추출하고, 해당 선박의 항적데이터를 전처리 및 가공하여 학습데이터를 구축하였다.

Table 1. AIS data types and periods

AIS, Automatic identification system; MMSI, Maritime mobile service identity; IMO, International Maritime Organiztion; ROT, Rate of turn.

추출한 유자망 어선 항적데이터는 수신주기가 일정하지 않으므로 선행연구에서 수행한 선형 보간방법을 이용하여 1분 간격으로 보간한 위치, 침로, 속력 데이터를 생성하였다. 이후 Python Folium 및 JavaScript를 이용하여 어선의 조업 항적도를 지도 상에 시각화하였으며, 유자망 어선의 ①투망시작, ②투망 종료, ③양망시작, ④양망종료 시점을 라벨링 할 수 있는 버튼을 생성하였다. 이러한 라벨링 결과는 CSV파일 형태로 저장되는 기능이 있는 HTML 파일을 생성하였다. 이 파일은 실제 유자망 어업에 종사하는 항해사, 전문가로부터 교육을 받은 라벨러들이 실제 투망 및 양망구간을 라벨링 하였다. 데이터 추출 결과, 60척의 선박이 2년간 조업한 라벨링 데이터 결과를 추출하였다. Fig. 3은 라벨링을 위해 준비한 웹파일(HTML)의 예시를 나타낸다.

Fig. 3. Web-based fishing activity labeling program.

어선에 설치된 CCTV 영상데이터는 어선 조업라벨링 및 결과 검증을 위해 Fig. 3과 같이 실제 어선의 투망 및 양망 시점을 저장하고, 라벨러 교육과 라벨링 결과 데이터 보정에 활용하였다. 본 연구에서는 총 4척에 대해 약 500건의 투망 및 양망 시점 데이터를 캡처 화면과 함께 수집했습니다. Fig. 4는 유자망 어선의 투망 및 양망 시점을 보여주는 사진이며, Fig. 5는 수집한 캡쳐 데이터 결과이다.

Fig. 4. CCTV capture of throwing (left) and hauling (right) operation of drift gillnet fishing ship.

Fig. 5. CCTV capture results of throwing and hauling operation.

학습데이터 구축 및 조업판별 모델 개발

딥러닝 기반 어선 조업행태분류 모델 개발을 위해 유자망 어선의 다양한 투망 및 양망 패턴이 반영된 학습 데이터 구축이 필요하다. Fig. 6는 어선항적데이터에서 인공지능 학습데이터를 구축하는 과정을 나타내었다. 1단계는 AIS 데이터에서 유자망 어선 데이터를 추출하고, 1분 간격으로 보간하여 라벨링을 위한 데이터셋을 구성하는 과정이다. 2단계는 전처리된 항적데이터에서 투망 시작, 투망 종료, 양망 시작, 양망 종료 시점을 표시하여, 투망 및 양망 작업의 구간을 나타낸다. 3단계는 라벨링된 항적 데이터에서 6시간 단위의 일정한 크기로 시작 시간을 3분씩 이동하면서 학습 데이터를 추출하는 과정을 보여준다. 이 과정에서는 선행 연구(Kim and Lee, 2020)에서 사용한 방법을 참고하여, 1분 시간 주기로 360개(6시간)의 슬라이딩 윈도우를 설정하고, 3분 간격으로 이동하며 학습 데이터를 추출하였다. 이를 통해 어선 조업 중 다양한 패턴을 반영하고 충분한 학습 데이터 확보가 가능하다.

Fig. 6. Process of trajectory data labeling and AI training data construction.

3단계에서 구성한 학습 데이터 1 set는 6시간 동안 수신된 360개(1분 간격) 시점의 이동 패턴 데이터이다. 각 시점에는 속력, 침로, 침로변화, 시간 4개의 변수를 추출하여 360×4×1 차원의 데이터로 입력데이터가 구성된다. 추출한 총 학습된 데이터의 수는 22,453,835개이며, 데이터 훈련(train)에는 15,733,172개, 검증(validation)에는 2,230,299개, 평가(test)는 4,490,364개 데이터를 사용하였다. 여기서, 훈련, 검증, 평가데이터는 서로 겹치지 않는 다른 날짜로 분류하였다.

레이블 데이터는 각 시점마다 조업의 상태[①투망(thorowing), ②양망(hauling), ③비조업(non fishing)]를 나타내는 변수로서 360×1×1 차원의 데이터로 레이블데이터를 구성하였다. Table 2는 4개의 학습 변수와 라벨링에 의한 조업 판별 값(target data)에 대한 상세한 설명을 나타낸다.

Table 2. AIS data types and periods

AIS, Automatic identification system.

딥러닝 학습 모델은 Fig. 7에서 나타난 4개의 학습 데이터를 기반으로 구성된다. 이 모델은 3개의 LSTM 층과 3개의 1D-CNN (1-dimensional convolutional neural network) 층으로 구성된다(Hochreiter and Schmidhuber, 1997; Simonyan and Zisserman, 2024). Keras 라이브러리(ver. 3)를 사용하여 유자망 조업 행태 분류 모델의 아키텍처를 구성하였고, 학습 데이터를 이용하여 모델을 학습하고 검증데이터로 검증하였다. Fig. 7은 사용된 모델의 아키텍처를 보여준다.

Fig. 7. Process of trajectory data labeling and AI training data construction. LSTM, Long short-term memory; 1d-CNN, 1-dimensional convolutional neural network; FCNN, Fully connected neural network.

학습된 조업행태 분류모델은 각 시점의 조업 상태(투망, 양망, 비조업)을 분류한 결과를 출력한다. 그러나 한 시점에서는 여러개의 슬라이딩 윈도우가 이전 위치를 중복 포함하여 이동하므로, 동일 시점에 투망, 양망, 비조업 각각 120개의 모델 결과(0에서 1 사이의 확률값)가 생성된다. 모델의 최종 결과는 이들 결과를 각각 평균하고, 각 시점에서 투망, 양망, 비조업 레이블의 평균 결과 중 가장 높은 확률을 가진 레이블을 최종 예측결과로 출력된다. Fig. 8은 이 과정을 시각적으로 나타내었다.

Fig. 8. Processing multiple overlapping model outcomes at each time point.​​​​​​​

결과

앞서 구축한 훈련 및 검증데이터로 딥러닝 모델 학습을 수행하고, 테스트 데이터로 데이터 성능을 평가한다. 테스트 데이터셋은 학습 및 검증데이터의 기간과 별도로 분리된 기간이며, 전체 데이터의 15% (약 110일)를 검증 데이터로 활용하였다. 검증 데이터는 총 12,473개의 데이터셋으로 4,490,364개 시점의 데이터가 투망, 양망, 비조업으로 라벨링 되어 있다. 여기서 투망데이터는 214,846개(2%), 양망데이터는 1,386,425개(31%), 비조업데이터는 2,889,093개(64%)로 어장으로 이동 및 조업 대기 등을 위한 비조업 시간이 조업시간보다 길었다. 또한 조업 특성상 투망시간(1–2시간)이 양망시간(8–15시간)보다 짧아 투망시간의 비율이 낮아 데이터가 불균형 상태로 검증이 수행되었다.

테스트 데이터를 앞서 구축하여 학습한 모델에 적용하여 전체 결과의 분류 정확도(accuracy)는 90.6%, F1 (약어풀이) score는 88.3% 의 성능이 나타났다. 여기서 F1 score 성능은 테스트 데이터가 불균형 상태인 경우에 평가하는 지표로서, 이 정밀도(precision)와 재현율(recall)의 조화 평균을 의미한다(Yacouby and Axman, 2020). Fig. 9은 학습 데이터에 대한 confusion matrix 결과이다.

Fig. 9. Confusion matrix results for the proposed model​​​​​​​

유자망 조업행태 모델의 성능을 평가 및 실해역 적용을 위해 분류모델의 속력별, 투양망별로 세부적으로 나누어서 테스트 데이터에 대한 판별결과를 분석을 수행하였다. 선박의 속력구간은 유자망 어선의 조업특징을 고려하여 항해상태(8노트 이상), 투망상태(4–8노트), 양망상태(0.5–4노트), 대기상태(0.5 노트미만)로 분류하고, 조업행태에 따라 모델 성능을 Table 3, Table 4, Table 5와 같이 비교하였다. 해당 표에서 throwing, hauling, non fishing 열은 모델에 의해 분류된 개수이며, accuracy열은 해당 속력구간의 판별정확도, ratio는 해당 속력구간의 비율을 나타낸다.

Table 3은 비조업으로 라벨링된 2,889,093건의 데이터에서 속력 구간별 분류 결과를 나타낸다. 각 열은 모델의 속력별 예측 결과를 나타내며, 비조업(non fishing)열은 비조업으로 라벨링한 결과와 일치하는 예측을, 투망(throwing) 및 양망(hauling) 열은 라벨링값과 일치하지 않는 예측을 의미한다. 비조업 상태에서 속력 구간별 빈도를 보면, 8노트 이상 구간, 0.5–4노트 구간, 0.5노트 미만 구간에서 빈도가 높다. 모델의 정확도는 8노트 이상의 항해 상태에서 99.7%, 48노트의 투망 상태에서 76.5%, 0.5–4노트의 양망 상태에서 79.5%, 0.5노트 미만의 대기 상태에서 95.8%로 나타났으며, 전체 모델 분류 성능은 90.4%로 평가되었다.

Table 3. Predicted results of fishing activity by speed profiles (in case of labeling as non-fishing)​​​​​​​

Table 4는 투망으로 라벨링된 214,846건의 데이터에서 속력 구간별 분류 결과를 나타낸다. 각 열은 모델의 속력별 예측 결과를 나타내며, 투망(throwing)열은 투망으로 라벨링한 결과와 일치하는 예측을, 비조업(non fishing) 및 양망(hauling)열은 라벨링값과 일치하지 않는 예측을 의미한다. 투망 상태는 전체 대비 데이터 수가 적으며, 속력 구간별 빈도는 일반적으로 투망작업을 하는 4–8노트 이상 구간의 빈도가 가장 높게 나타났다. 모델의 정확도는 8노트 이상의 항해 상태에서 21.9%, 4–8노트의 투망 상태에서 92%, 0.5–4노트의 양망 상태에서 51.4%, 0.5노트 미만의 대기 상태에서 0.1%로 나타났으며, 전체 모델 분류 성능은 86.2%로 평가되었다.

Table 4. Predicted results of fishing activity by speed profiles (in case of labeling as throwing)​​​​​​​

Table 5는 양망으로 라벨링된 1,386,425건의 데이터에서 속력 구간별 분류 결과를 나타낸다. 각 열은 모델의 속력별 예측 결과를 나타내며, 양망(hauling)열은 양망으로 라벨링한 결과와 일치하는 예측을, 비조업(non fishing) 및 투망(throwing)열은 라벨링값과 일치하지 않는 예측을 의미한다. 양망 상태의 속력 구간별 빈도는 일반적으로 양망작업을 하는 0.5–4노트 이상구간의 빈도가 가장 높게 나타났다. 모델의 정확도는 8노트 이상의 항해 상태에서 3.6%, 4–8노트의 투망 상태에서 19.6%, 0.5–4노트의 양망 상태에서 94%, 0.5노트 미만의 대기 상태에서 91.8%로 나타났으며, 전체 모델 분류 성능은 86.2%로 평가되었다.

Table 5. Predicted results of fishing activity by speed profiles (in case of labeling as hauling)​​​​​​​

산출한 결과 모델은 ㈜미래해양정보기술 선박모니터링 플랫폼(http://oceantraffic.net; live fishing ship 메뉴)에 적용하여 남해안권역에서 실시간 수집되고 있는 AIS 데이터에 적용되어 유자망 조업구분에 활용되고 있다. 분석결과는 매 시간마다 실 해역에서 조업하는 연근해 어선을 대상으로 선박종류, 입출항 빈도, CPUE 예측 등 다양한 정보를 업데이트 중에 있다. 선박별 항적 및 조업행태 분류결과는 Fig. 10과 같이 해당 선박의 선명 또는 MMSI 번호를 오른쪽 창에 입력하면, 결과 확인이 가능하다. Fig. 10는 실 해역에서 적용중인 선박의 결과 예시와 개별 선박항적조회 방법을 나타내었다.

Fig. 10. Fishing boat trajectories and fishing activity classification results on the platform.​​​​​​​

고찰

그동안 어선의 실 조업해역 정보를 알 수 없어서 수산자원 평가, 어장 예측 및 통계는 항구 위판정보, 시험어선 현장조사 방법이 주로 활용되어져 왔다. 제안 연구는 실제 해역에서 조업하는 어선의 AIS 데이터와 CCTV 투양망 데이터를 활용하여 유자망 어선의 투망 및 양망 작업을 분류할 수 있는 기술적 접근을 제시하였다는 점에서 의의가 있다.

유자망 어선은 투망 시 4–8노트 속력으로 진행하였으며, 이때 투망 상태를 판별하는 정확도는 92%로 높게 나타났다. 반면, 동일한 속력 구간에서 투망하지 않고 단순히 이동하는 비조업 상태일 경우의 분류 정확도는 76.5%로, 투망 시보다 낮았다. 이는 유자망 어선이 투망 시에는 투망 이후 양망 동작이 연이어 나타나 정형화된 패턴을 보이기 때문에 정확도가 높은 반면, 비조업 시에는 이동 패턴이 상황에 따라 달라 조업 상태와 유사한 패턴이 나타나면 조업으로 인식되는 경향이 있기 때문이다. 특히 투망 시 8노트 이상 구간과 4노트 미만 구간에서는 정확도가 낮았는데, 이 구간에서는 일반적으로 투망 작업이 발생하지 않아 데이터 수가 적고, 투망 중 어망을 유실하여 탐색하거나 작업 초기 및 종료 구간에서 일시적인 비정상 투망 패턴이 나타났음을 확인하였다.

양망 시에는 0.5–4노트와 0.5노트 이하의 속력 구간에서 양망작업이 진행되었음을 확인하였다. 양망 상태를 판별하는 정확도는 0.54노트 구간에서 94%, 0.5노트 미만 구간에서 84.6%로 높게 나타났다. 반면, 동일속력구간에서 양망하지 않은 경우 비조업으로 판별하는 정확도는 0.5–4노트 구간에서 79.5%, 0.5 노트 미만 구간에서 95.8%로, 양망 시와 비슷한 정확도를 보였다. 이는 어선의 속력이 낮더라도 조업 상태가 '양망'인지 '비조업'인지 딥러닝 모델로 충분히 구분할 수 있음을 의미한다. 선행 연구에서 양망 상태를 4노트 미만으로 설정한 것보다 딥러닝 기반 분류 모델이 어선의 조업 상태를 효과적으로 분류하는 성능을 보였다. 4노트 이상의 구간에서는 데이터 수가 적고, 일반적인 양망 상황이 아닌 양망 중 이동하는 상황으로 확인되었다.

연구의 주요 결과는 다음과 같다. 첫째, 유자망 어선의 투망 및 양망 시 항적 패턴을 분석하여 조업 구간과 비조업 구간을 정확히 구분할 수 있는 데이터셋을 구축하였다. 둘째, AIS 데이터를 통해 어선의 항적 데이터를 분석하고, 유자망 어선의 조업 구간을 라벨링하여 딥러닝 학습 데이터를 구축하였다. 셋째, LSTM과 1D-CNN을 결합한 딥러닝 모델을 개발하여 유자망 어선의 조업 구간을 분류하는 모델을 개발하였다. 모델의 성능 평가 결과, accuracy 89%, F1 score 85.5%의 높은 정확도를 달성하여 선행연구의 단순 속도 기준 조업 구간 판별기반 모델의 정확도를 개선하였다. 마지막으로, 개발된 모델은 실 해역에서 조업 중인 유자망 어선의 조업 구간을 실시간으로 분류하여 oceantraffic.net 플랫폼에 적용하여 연구결과를 공유하고자 한다.

제안 연구는 최근 기후변화로 인한 해양 환경의 변화로 어장환경이 변동하고 어장 탐색을 위한 어업 경비가 증가하는 상황에서, 유자망 어선의 항적 데이터를 기반으로 어선의 조업 및 비조업 구간을 자동으로 분류 및 어장예측 빅데이터를 구축하여 데이터 기반의 어장 정보를 어민에게 제공함으로써 어업 비용 절감을 유도하여 안정적인 어업 활동과 소득 증대에 기여할 수 있다. 또한TAC제도와 같이 정부의 지속 가능한 수산 자원 관리를 위한 과학적이고 체계적인 정책 수립 TAC등)에 기반 자료로 활용될 수 있을 것으로 기대한다.