1. 서 론

항해일지는 선박 운영에 있어서 의무적으로 비치되어야 하는 중요한 서류 중 하나이다(Park, 2022). 이 문서는 매일 선내에서 발생한 주요 사항을 상세히 기록하는 일지로, 항 해당직마다 항해 및 기상 상황, 화물의 하역 작업 등을 철저 히 기재한다(Jeon and Jeong, 2016). 이를 통해 선박에서의 항 해, 여객 및 화물 운송 업무에 적절한 관리와 감독이 이루어 졌음을 명확히 확인할 수 있다. 항해일지는 그 법적 증거능 력이 높아, 재판에서 중요한 증거로 활용될 수 있다(Park, 2022;Garcia-Herrera et al., 2018;Kwon, 2014). 또한 퇴선 시에 도 지참을 권고하는 만큼 이는 신뢰할 만한 기록으로 간주 된다.

항해일지는 선박 운영에서 매우 중요한 역할을 수행한다. 매 당직시간이나 발생하는 사건에 따라 작성되며, 선박의 위치 또한 상세히 기록된다(Wiegmans et al., 2020). 이러한 항 해일지는 그 자체로 역사적 데이터로서의 가치가 매우 높다 (Seida et al., 2020). 특히 특정 일자와 해역의 상황을 유추하 는 데 중요한 자료로 활용될 수 있다. 항해일지의 기록은 다 양한 분야에서 연구의 대상이 되고 있다. 과거의 기후 변화 를 연구하는 데 있어서 항해일지에 기록된 기상 정보와 바 다의 상태 등이 매우 유용한 자료로 활용된다(Ayre et al., 2015;Wheeler, 2014;Woodruff et al., 2005;Catchpole and Faurer, 1985). 또한 17~18세기에 전 세계를 탐험한 선박들의 항적에 대한 연구에서도 항해일지는 중요한 자료로 활용되고 있다 (Hong and Kim, 2020). 이와 같이 항해일지의 기록은 과거의 선박 운항 상황을 통해 다양한 분야에서의 연구 및 분석에 활용될 수 있다. 더욱 다양한 분야에서 많은 정보를 이용하 기 위해서는 항해일지를 디지털화하여야 한다.

인쇄물을 디지털화하여 내용을 분석하는 시도가 활발히 이루어지고 있다. OCR(Optical Character Recognition) 기술의 발전으로 인해 정확도가 점차 향상되고 있으나, 여전히 약 80% 정도의 인식률을 갖고 있다(Kim, 2017). 특히 표 형식의 수기로 작성된 항해일지와 같은 문서의 경우 정확도가 더욱 낮다(Moon and Kim, 2023). 현재 대량의 표 형식 문서에서 정 보를 추출하기 위해서는 주로 시민의 참여를 기반으로 한 전사 작업이 이루어지고 있다(Garcia-Herrera et al., 2018;Prieto et al., 2023;Lorrey et al., 2022;Teleti et al., 2023). 그러나 보 다 효율적이고 신속한 디지털화를 위해서는 전사 작업이 아닌 데이터 추출 모델의 개발이 필요하다. 이를 통해 항 해일지에서도 높은 정확도로 정보를 추출할 수 있게 되어 대량의 데이터를 효율적으로 활용할 수 있을 것으로 기대 된다.

따라서 본 연구의 목적은 항해일지의 내용을 더욱 정확하 게 디지털화하기 위하여 OCR 프로그램을 활용한 결과물을 보정하는 선박 항해일지 데이터 추출 모델을 개발하는 것이 다. 이 모델은 항해일지를 작성하는 데에 사용되는 규칙을 이용하여 보정 작업을 수행함으로써 OCR 결과물의 정확도 를 향상시키고자 한다. 해당 연구에서는 선박 항해일지에 기록되는 내용과 관련된 규칙을 분석하여 이를 모델링하고, OCR 프로그램을 통해 디지털화된 항해일지 데이터를 보정 하는 작업을 수행하고자 한다. 이를 통해 추출된 데이터의 정확성과 신뢰성을 높일 것으로 기대된다.

2. 연구의 방법

모델 개발은 Fig. 1에 나타난 것과 같이 데이터 수집 단계 부터 시작하며, 실습선 새누리호의 2023년 1년간의 항해일지 데이터 중 항해한 기간의 항해일지만 사용하였다. 데이터 수집에 활용할 OCR 프로그램을 선정하기 위하여 CER (Character Error Rate, 문자 오류율)을 기준으로 OCR 프로그램 을 비교 후 선정된 프로그램을 이용하여 항해일지를 디지털 화하였다.

그 후, 수집된 데이터에서 오류를 식별하고 보정하기 위 하여 데이터 전처리를 수행한다. 전처리가 완료된 데이터에 서 본 연구에서 제안하는 규칙을 사용하여 오류를 식별한 후, 식별된 오류를 보정하였다. 실제 수집된 데이터의 오류 율과 본 모델에서 식별된 오류율을 비교하고, 오류를 수정 한 후 개선된 데이터의 오류율을 비교하였다.

마지막으로 오류 보정 효과를 평가한다. 오류를 보정하지 않은 OCR 프로그램 인식 후의 데이터와 본 모델을 통해 오 류를 보정한 데이터의 같은 항차, 같은 변수를 시각화하여 모델의 효과를 평가하였다.

2.1 데이터 수집

2.1.1 선박 항해일지 데이터 수집

본 연구에서는 항해일지 본란 중 기입되는 항해정보를 관 련 규칙을 이용하여 오류를 식별하고 보정하고자 한다. 연 구에 활용한 항해일지는 목포해양대학교 실습선 새누리호 의 2023년 01월 01일부터 12월 15일까지의 항해일지로 정박 한 날을 제외하여 항해한 날짜만 추출하여 총 57일의 항해 일지를 활용하였다.

본 연구에서는 항해일지 본란 중 항해정보를 기입하는 Dist.Run부터 Stand Course까지의 범위에 대하여 오류를 식별 하고 보정하고자 하였다. 연구 목적에 맞는 데이터를 수집하 기 위하여 항해일지 좌측에 위치하는 본란(Primcipal column) 중 정오위치, 항해통계, 측정 등의 내용과 항해일지 우측에 위치한 기사란을 제외하였다.

아래의 Table 1은 본 연구에서 활용한 새누리호 항해일지 의 월별 항해 일자와 월별 항해 일수, 2023년 1년간 항해한 총 일수를 나타내었다.

2.1.2 OCR Program 비교

정확도 높은 항해일지 디지털화를 위하여 국내·외 OCR 프로그램을 비교하여 데이터 수집에 활용할 한 개의 프로그 램을 선정하였다. 비교군은 웹 기반의 OCR 프로그램 중, 국 내 무료 프로그램인 Naver Clova, Upstage, ePayrus TextSense 와, 국외 무료 프로그램인 Google Cloud Vision, Google Keep, 국외 유료 프로그램인 AWS Textract, Microsoft Azure로 총 7 개의 OCR 프로그램을 선정하였다.

인식률을 비교하기 위하여 와 같이 목포해양대학교 실습 선 새누리호의 2023년 2월 24일 항해일지 본란을 활용하였 다. OCR 프로그램으로 인식된 텍스트 중 프린트 된 문자를 제외하고 수기로 작성된 문자들의 CER을 기준으로 각 OCR 프로그램의 인식률을 비교하였다. Table 2는 각 OCR 프로그 램의 홈페이지 주소와 각각의 프로그램을 사용하여 인식된 항해일지의 CER을 나타내었다. 인식률을 비교한 결과, AWS Textract 프로그램 활용 결과물이 CER 12.86%로 오류율이 가 장 적었다. 또한 이미지에 표 형식이 있을 경우 인식 결과를 엑셀로 제공하며, 대량의 문서의 결과를 확인하기 용이한 AWS Textract를 선정하여 데이터 수집에 이용하였다. 선정된 OCR 프로그램인 AWS Textract는 아마존닷컴에서 제공하는 클라우드 컴퓨팅 플랫폼인 AWS에서 제공하는 OCR 프로그 램이다.

위의 과정에서 선정된 AWS Textract를 이용하여 항해일지 의 이미지를 디지털화하였다. 이때, 프로그램에 업로드할 이 미지는 복합기 스캔 방식을 이용하여 왜곡에 따른 인식 저 하를 방지하고자 하였다(Kim et al., 2011).

Fig. 2는 스캔한 이미지의 일부로, 새누리호의 2023년 4월 13일 항해일지를 스캔한 이미지이다.

Fig. 3은 AWS Textract를 이용하여 항해일지를 디지털화한 엑셀 파일의 일부이다. 한글로 적혀있는‘시간’및‘평균속력’ 은 ‘4/1’와‘AZI’로 인식되었으며, 12시의 Ave.Speed의 경우 ‘14.5’가 ‘14.t’로 인식되었지만 항해일지의 각 시간과 정보의 칸에 맞게 인식되어진 것이 확인할 수 있다.

2.2 데이터 보정

2.2.1 전처리

AWS Textract를 이용하여 추출된 엑셀 파일 형태의 결과 물에서 Confidence Scores를 제외하고 행은 01시부터 24시까 지, 열은 Dist.Run(거리)부터 Sea.State(해상상태)까지만 추출하 였다.

그 후 항해일지 본란에 기재된 시간 앞에 날짜를 추가한 후 날짜와 시간을 결합하여 연,월,일,시간이 표현된 타임스 탬프를 추가하였다. 타임스탬프는 Ave.Speed의 오류를 식별 하고 확인하는 과정에서 이용하며, 각 행의 위치를 잘 식별 하기 위하여 추가하였다.

추출된 모든 날짜의 항해일지는 하나의 타임테이블로 통 합하였으며, 항해한 날을 대상으로 데이터를 수집하였지만, 같은 날에 항해하지 않은 시간을 제외하기 위하여 Dist.Run 의 기록 유무를 기준으로 하였다. 위의 기준을 적용하여 통 합된 타임테이블에서 Dist.Run이 기록되지 않은 행은 제외하 였다.

2.2.2 오류 식별

전처리 된 항해일지 데이터 중 OCR 프로그램을 이용하는 과정에서 오류가 발생한 셀을 식별하고자 하였다.

오류 식별 범위는 항해정보를 기입하는 Dist.Run부터 Stand Course까지였으며, 각 정보 간의 규칙을 이용하여 오류를 식 별하고자 하였다.

다음과 같은 경우에 해당 셀에 오류가 있음을 식별한 후 해당 셀을 붉은색으로 표기하였다.

아래의 수식에서 오류의 유무를 확인하고자 하는 행을 (i)로, 그 이전 행을 (i - 1), 그 이후의 행을 (i + 1)로 표기 하였다.

이후의 규칙에서 항해를 시작하여 Dist.Run과 Log가 같은 경우에는 모두 규칙을 적용하지 않는다.

본 연구에서 오류로 식별하고 보정하는 범위에 포함되지 않았지만, 3가지 Course의 규칙을 정하기 위하여 Dev. 및 Var. 또한 형태가 맞지 않는 경우 오류로 식별하였다. 한 자리 숫 자와 소수점 첫째 자리까지 표현되었으며, 숫자 뒤에 E 또는 W 문자가 있는 셀이 아닌 경우 오류로 정의하였다.

True Course와 Gyro Course는 자이로컴퍼스 에러만큼의 차 이가 발생한다. 자이로컴퍼스는 통상적으로 그 에러를 무시 할 만큼 작은 에러를 가지고 있다.

True Course와 Stand Course는 Dev.와 Var.로 인하여 차이가 발생한다. Dev.는 통상 5도 이내를 유지하도록 한다. Var.는 매년 변화가 발생하지만, 새누리호의 운항영역이 동아시아 및 한국 연안이므로 해당 지역의 Variation 분포가 10도를 넘 지 않기 때문에 10도 이하를 정상범위로 설정하였다.

Stand Course에서 True Course로 침로의 개정을 시행할 때, Dev.와 Var.가 WEST일 경우 그 값만큼 Stand Course에서 빼주 고, EAST일 경우 그 값만큼 Stand Course에서 더해준다. 본 연구에서는 WEST일 경우 양수로, EAST일 경우 음수로 치환 한 후 Stand Course에서 True Course를 계산할 때 Dev.와 Var. 의 합을 빼주었다.

이후의 규칙은 3개의 Course 모두 오류가 없다는 것을 전 제로 적용한다. 만약, 같은 행에 한 개 이상의 Course가 오류 인 경우 규칙을 적용하지 않는다.

2.2.3 오류 보정

2.2.2에서 식별한 오류를 식별한 규칙과 비슷한 규칙을 적 용하여 보정하였다.

오류로 식별된 Dist.Run을 보정한 규칙은 다음과 같다.

아래의 Table 3과 Table 4는 오류 식별 및 보정 시 서로 관 련이 있는 정보들을 한 table에 기입하였으며, 본 모델에서 제안하는 규칙을 항해일지 형태의 table에 요약한 것이다. 좌 측부터 우측으로, 상단에서 하단의 순서로 알파벳을 지정하 였다.

2.3 모델 평가

본 모델을 통한 항해일지 디지털화 과정에서 발생한 오류 보정 효과를 평가하기 위하여 보정 전 데이터와 보정 후 데 이터를 비교하였다.

데이터를 비교하기 위하여 오류 식별 및 보정을 위하여 통합하였던 타임테이블을 항차별로 구분하였다. 항차별로 구분하기 위하여 Dist.Run과 Log의 값이 같을 경우를 항차의 시작으로 정하였다. 보정 후 데이터의 경우, 위의 기준을 적 용하였을 때 항차별로 잘 구별되었다. 그러나 보정 전 데이 터의 경우, Dist.Run과 Log 값에 오류가 있어 그 값이 같은지 확인이 불가능한 경우에는 잘 적용되지 않았다. 보정 전 데 이터를 잘 구분하기 위하여, 위의 기준과 함께 이전 행과 시간 차이가 24시간 즉, 하루 이상 차이가 있는 경우에는 항 차의 시작으로 간주하였다. 항차별로 분류한 보정 전 데이 터와 보정 후 데이터를 같은 항차끼리, 같은 변수를 비교하 였다.

3. 결과 및 토의

3.1 데이터 보정

3.1.1 전처리

오류를 식별하고 보정하기 위하여 AWS Textract 인식 후 제공된 결과물 중 분석에 불필요한 Confidence Scores를 제외 하고 행은 01시부터 24시까지, 열은 Dist. Run (거리)부터 Sea. State (해상상태)까지만 추출하였다.

그 후 오류 식별 및 보정 시 활용하기 위하여 시간열 앞 에 날짜를 추가하여 날짜와 시간이 표현된 타임스탬프를 추 가하였다. Fig. 4는 타임스탬프를 추가한 타임테이블 중 일부 이다.

추출된 모든 날짜의 항해일지를 하나의 타임테이블로 통 합하였으며, 해당 데이터 중 항해하지 않은 시간대를 제외 하기 위하여 Dist.Run이 기록되어 있지 않은 행을 제외하였 다. Fig. 5는 하나의 타임테이블로 데이터를 통합한 후, Dist.Run이 기록되지 않은 행을 제외한 타임테이블의 일부 이다.

3.1.2 오류 식별

항해일지 기입 시 고려되는 사항을 바탕으로 2.2.2에서 정 한 규칙을 이용하여 항해일지를 AWS Textract를 활용하여 인 식한 후 발생한 오류를 식별하였다. 오류가 발생한 셀의 위 치를 쉽게 인식할 수 있도록 Fig. 6과 같이 오류가 발생한 셀 을 붉은색으로 표시하였다.

식별된 110개의 오류 중 52개가 숫자이지만 숫자 외의 문 자로 인식한 경우로 식별된 오류 중 약 47%를 차지하였다. 그 외에도 Ave.Speed의 경우 소수점을 인식하지 못하거나 다 른 문자로 인식한 경우, 숫자를 다른 숫자로 인식한 경우에 도 오류로 식별되었다.

본 모델이 오류를 정확하게 식별하였는지 확인하기 위하 여 실제 오류 식별에 활용된 항해일지 데이터와 AWS Textract 인식 후의 데이터를 비교하여 오류가 있는 부분을 확인하였다. Fig. 7은 실제 데이터와 비교 후 확인된 오류를 시각화한 테이블의 일부이다.

본 모델에서는 총 1038개의 셀 중 110개의 오류를 식별하 였는데, 실제 항해일지 데이터와 비교한 결과 AWS Textract로 인식된 데이터에서는 123개의 오류가 발생하였다. 본 모델로 측정한 AWS Textract를 통하여 추출된 데이터의 셀 오류율은 약 10.6%였으며, 실제 셀 오류율은 약 11.8%로 약 1%의 차이 를 보이며 대부분의 오류를 식별하였음을 확인하였다.

아래의 Table. 5는 본 모델이 식별한 오류 개수와 실제 AWS Textract 인식 결과의 오류 개수와 두 경우에서의 오류 율을 나타내었다.

3.1.3 오류 보정

2.2.3에서 정한 규칙을 이용하여 오류를 보정한 후, 보정 의 정확도를 확인하기 위하여 Fig. 8과 같이 본 모델을 통하 여 보정된 데이터를 실제 항해일지 데이터와 비교하였다. 실제 항해일지와 비교한 AWS Textract 인식 후 실제 오류 개 수를 기준으로, 123개의 오류 중 56개를 개선하여 67개의 오 류가 확인되었다.

아래의 Table 6은 실제 AWS Textract 인식 결과 오류율과 모델을 통해 보정한 후의 오류율을 비교하였다.

보정하지 못한 오류에 대하여 실제 항해일지 내용과 비교 한 결과, Fig. 9과 Fig. 10의 경우와 같이 새누리호 항해일지 에서 Ave.Speed 기재 시 소수점 첫째 자리까지 표현하는 방 식과 소수점 둘째 자리까지 표현하는 방식을 혼용하여 이에 따른 오차가 발생한 경우가 3건이었다. 본 모델에서는 보정 된 Ave.Speed를 소수점 둘째 자리까지 표현하였다.

또한 원래 항해일지를 기입할 당시 당직사관의 계산 실수 로 인하여 잘못 기입된 경우 규칙에 맞춰 계산한 값과 맞지 않은 경우가 3건이었다. Fig. 11과 Fig. 12의 경우 11월 30일 20시의 Log를 제외하고 나머지 값은 본 모델을 통하여 보정 한 값과 실제 항해일지에 기입된 값이 모두 동일하였다. 실 제 항해일지에 기입된 값을 이용하여 Log를 계산해보면, 이 전 Dist.Run과의 차, Ave.Speed를 4배한 값 모두 49임을 알 수 있다.

3.2 모델 평가

모델의 보정 효과를 평가하기 위하여 보정 전 데이터와 보정 후 데이터를 비교하기 위하여 오류 식별 및 보정을 위 하여 통합했던 타임테이블을 항차별로 구분하였다. 2.3에서 언급한 기준으로 구분한 결과, 보정 전과 후 데이터 모두 실 제 항해한 날짜별로 잘 구분되었다. Fig. 13의 경우 항차별로 구분한 데이터 중 2월 22일부터 24일까지 항해한 항차의 보 정 전 데이터를 나타내고, Fig. 14의 경우 같은 항차의 보정 후 데이터를 나타낸다.

Fig. 15의 경우 새누리호의 항해일지 중 11월 14일부터 15 일까지의 데이터 중 Dist.Run을 계단상그래프를 통하여 비교 한 것이다. 붉은색의 선으로 표현한 보정 전 데이터에서 14 일 16시의 Dist.Run이 숫자가 아닌 문자로 인식되어 그래프 에 표현이 되지 않았으며, 14일 20시의 Dist.Run이 본래 값인 ‘148’이 아닌 ‘14’로 인식되어 보정 후의 값과 큰 차이를 보 였다. 이 두 값 모두 본래 값으로 보정되어 파란색 선으로 표현한 보정 후 데이터는 4시간의 당직시간동안 비슷한 간 격을 유지하며 증가하는 것을 확인할 수 있다.

Fig. 16의 경우 새누리호의 항해일지 중 2월 22일부터 24 일까지의 데이터 중 Ave.Speed를 박스플롯을 통하여 비교한 것이다. 해당 항차의 항해동안 기록된 10개의 Ave.Speed 중 2 개를 제외한 나머지 값은 오류가 없이 잘 인식되어, IQR (Inter Quatile Range)의 위치는 보정 전과 후 데이터에서 비슷 하였다. 이를 통하여 실습선 새누리호의 해당 항차 당시 최 솟값보다 작은 이상치 ‘9’를 제외하고는 비슷한 속력을 유지 한 것을 확인할 수 있다. 그러나 보정 전 데이터의 경우 Ave.Speed의 소수점을 인식하지 못하여 ‘148’과 ‘125’로 인식 된 것이 최댓값보다 큰 이상치로 확인되었다.

계단상그래프와 박스플롯을 이용한 보정 전과 후의 데이 터 비교를 통하여 보정이 효과적으로 이루어졌다는 것을 확 인할 수 있다.

3.3 결과에 대한 토의

항해일지는 그 역사가 적어도 18세기 초까지 거슬러 올 라가야 할 만큼 역사적인 기록물이다(Garcia-Herrera et al., 2018). 영국의 경우 18세기부터 영국 해군이 작성한 항해일 지를 영국 국립문서보관소에 보관하고 있다(Ayre et al., 2015). 오랜 역사를 지니고있는 항해일지는 항해 시 위치와 기상상황, 항해상황에 대하여 기록되어 있으므로 과거의 기상 정보와 해양에 관한 연구, 과거 무역의 흐름 등 다양 한 연구에 활용될 수 있다(Lorrey et al., 2022;Wiegmans et al., 2020).

최근 이미지를 인식하여 텍스트로 변환시켜 주는 기술이 매우 발전하고 있지만, 표 형식의 문서의 경우 표의 형태에 따라 같은 열이나 행이라도 OCR 프로그램 인식 시 다르게 배열될 수 있다(Prieto et al., 2023). 수기로 작성된 문서 또한 작성한 사람마다 필체가 다르기 때문에 인식하기에 어려움 이 있다. 항해일지는 이 두 특징이 모두 있는 문서이므로, 디지털 데이터로 변환하기에 어려움이 따른다.

선행 연구에서는 주로 crowd sourcing으로 항해일지 데이 터를 디지털화하여 연구를 진행하였다(Garcia-Herrera et al., 2018;Prieto et al., 2023;Lorrey et al., 2022;Teleti and Wood, 2023). 본 연구에서는 대중의 참여 없이도 대량의 항해일지 를 디지털화하고자 하였다. 이를 위하여 항해일지의 정보를 기입할 때 참고되는 몇 가지 규칙들을 이용하여 OCR 프로 그램으로 추출된 항해일지 데이터에서 프로그램 인식 시 생 성된 오류를 식별한 후 보정하는 모델을 개발하였다. 항해 일지의 정보 중 서로 연관이 있는 정보를 이용하여 오류를 수정하므로 오류 없이 제대로 인식된 정보를 이용하여 오류 를 수정하여 OCR 프로그램 인식 결과를 더욱 개선시킬 수 있었다.

오류를 보정한 후, 통합된 타임테이블을 항차별로 나누어 같은 항차의 같은 변수를 비교하여 모델의 보정 효과를 평 가하였다. 11월 중 항해한 항차의 Dist.Run을 비교한 계단상 그래프와 2월 중 항해한 항차의 Ave.Speed를 비교한 박스플 롯을 확인한 결과, 두 경우 모두 오류가 제대로 보정되었음 을 확인할 수 있었다.

본 연구에서는 항해정보를 기입하는 란인 Dist.Run부터 Stand Course까지의 범위에서 오류를 식별하고 보정하였다. 해당 모델을 이용하여 AIS 정보가 남아있지 않은 과거 선 박의 항해일지를 디지털화한다면, 해당 선박의 항해거리와 침로 등을 이용하여 항로를 추정할 수 있고, 항해거리, 회 전수, 평균속력 등을 이용하여 당직시간별 엔진의 효율을 추정하는 등 당시 항해상황을 이해하는데 기여할 수 있을 것이다.

4. 결 론

빠르게 발전하는 이미지 인식 기술에도 불구하고 표 형식 의 문서와 수기로 작성된 문서를 완벽하게 디지털화하기에 는 아직 어려움이 따른다. 본 연구의 목적은 두 가지 특성을 모두 가진 항해일지를 항해일지 기재 시 고려되는 몇 가지 규칙을 활용하여 OCR 프로그램 인식 후 오류가 발생한 부 분을 식별하고 보정하고자 하였다.

본 연구에서는 목포해양대학교 실습선 새누리호의 2023 년 중 항해한 57일의 항해일지를 대상으로 AWS Textract를 이용하여 디지털화한 것을 몇 가지 규칙을 활용하여 오류를 식별하고 보정하였다. 연구에서 활용된 규칙은 항해일지 기 재 시 사용하는 규칙을 기반으로 형성되었다. 본 모델의 보 정 효과를 평가하기 위하여 보정 전과 후의 데이터를 항차 별로 구별한 후, 같은 항차의 같은 변수를 비교한 후 시각화 하였다.

본 연구의 한계점으로는, 다른 셀과의 관계를 통한 규칙 을 이용하였기 때문에 오류를 식별하고자 하는 셀과 관련이 있는 모든 셀의 값이 오류로 식별된 경우, 해당 셀의 오류 유무를 확인하지 못하여 보정할 수 없었다는 점이다. 또한, 항해일지 중 항해정보를 기입하는 Dist.Run부터 Stand Course 까지의 정보만을 대상으로 수행하였다는 점이다. 특정 규칙 에 의하여 기입되는 것이 아닌 당시 상황을 그대로 기입하 는 기상정보에 경우 그것에 특화된 오류 보정 모델이 필요 할 것으로 예상된다.

추후 항해정보 뿐만 아니라 앞서 말한 기상정보 등 항해 일지의 더 많은 정보를 보정하고, 기사란에 기재된 당직시 간 당 기재한 선박의 위치를 활용하기 위하여 연구를 진행 할 예정이다. 이를 통해 기상청 정보가 남아있지 않은, 혹은 기상청 정보가 있는 시기라도 선박과 거리가 있는 기상 관 측부이가 아닌 선박의 위치에서의 기상정보를 해당 선박의 항해정보와 결합하여 선박의 항해와 기상에 관한 연구에 활 용할 수 있을 것으로 예상된다.