Inferring resource selection and utilization distributions from irregular and error-prone animal tracking data

기술 요약: 불규칙하고 오류가 있는 동물 추적 데이터로부터 자원 선택 및 이용 분포 추론하기

문제 정의
동물의 분포를 이해하고 보전 전략을 수립하는 것은 텔레메트리(telemetry) 데이터로부터 서식지 선택을 정확하게 정량화하고 이용 분포(utilization distributions, UDs)를 도출하는 데 달려 있다. 전통적인 방법들, 예를 들어 자원 선택 함수(Resource Selection Functions, RSFs)나 단계 선택 함수(Step-Selection Functions, SSFs)는 대개 규칙적인 샘플링 간격과 무시할 수 있는 수준의 측정 오차를 가정한다. 이러한 가정은 Argos 또는 Fastloc GPS 시스템을 통해 데이터가 수집되는 해양 시스템에서 자주 위배되는데, 이 시스템들은 불규칙한 샘플링 간격과 상당한 위치 불확실성을 특징으로 한다.

현재의 관행은 대개 "2단계(two-step)" 접근법을 채택한다. 즉, 먼저 원시 데이터를 필터링하여 측정 오차를 교정하고 결측치를 보간(종종 상관된 랜덤 워크와 같은 상태-공간 모델 사용)한 후, 두 번째 단계로 교정된 위치를 사용하여 서식지 선택 모델을 적합시키는 방식이다. 이러한 분리된 절차는 필터링 단계에서의 불확실성을 생태적 추론 단계로 전파하지 못하며, 결과적으로 서식지 선택 매개변수의 편향된 추정치와 부정확한 UD를 초래할 수 있다. 또한, 국지적 이동 결정과 광역적 공간 사용을 연결하는 연속 시간 프레임워크를 제공하는 표준적인 서식지 기반 Langevin 확산 모델(Langevin diffusion models)은, 환경 공변량이 관측되지 않은 실제 위치에 의존하는 경우 측정 오차를 통합하는 데 역사적으로 어려움을 겪어 왔다.

저자들은 측정 오차와 시간적 불규칙성을 동시에 처리하기 위해, 서식지 기반 Langevin 확산 모델을 상태-공간 형식(state-space formulation)과 통합한 단일 단계의 통합 프레임워크를 제안한다.

1. Langevin 이동 모델: 동물의 이동은 과감단(underdamped) Langevin 확산 과정으로 모델링된다. 위치 과정의 정상 분포 $\pi$는 공간 공변량에 의존하는 자원 선택 함수(RSF)로 정의된다. 이는 장기적인 이용 분포(UD)가 엄격하게 RSF에 비례하도록 보장한다. 역학은 마찰 항, 브라운 노이즈, 그리고 로그 포텐셜 표면의 기울기($\nabla \log \pi$)에 의해 구동되는 환경 드리프트(environmental drift)를 포함하는 확률 미분 방정식(SDEs)에 의해 지배된다.
2. 측정 오차 모델: 관측된 위치는 가우시안 관측 과정을 통해 모델링된, 실제 잠재적 위치의 노이즈가 섞인 실현값으로 취급된다. Argos 데이터의 경우 오차 공분산은 제공된 오차 타원을 통해 도출되며, Fastloc GPS의 경우 원형 오차 가정을 사용한다.
3. Laplace 근사를 통한 추론 및 TMB: 핵심적인 과제는 서식지 공변량이 관측되지 않은 실제 위치(잠재 변수)의 함수라는 점이다. 이를 해결하기 위해 저자들은 Template Model Builder(TMB) 프레임을 활용한다. 저자들은 잠재적인 실제 위치와 속도의 고차원 공간에 대해 적분을 수행하기 위해 Laplace 근사를 사용한다. 결정적으로, 이 구현은 최적화 과정 중에 래스터 데이터로부터 공변량 값을 추출하고 기울기를 계산함으로써, 잠재 변수에 의존하는 공변량 불확실성을 모델이 고려할 수 있도록 한다. 이를 통해 자동 미분을 이용한 효율적인 최대 가능도 추정(MLE)이 가능하다.
4. 공간적 제약 (일각고래 사례 연구): 일각고래 데이터에 적용할 때, 저자들은 페널티 항을 통해 직접적으로 공간적 제약을 통합한다. 모델이 육지에서 위치를 추정하는 것을 방지하기 위해 실제 위치가 물에서 떨어진 거리의 제곱에 대한 페널티를 적용하며, 속도 및 오차 스케일링 매개변수에 대한 추가적인 페널티를 통해 생물학적 실재성을 확보한다.

주요 기여

• 통합 프레임워크: 본 논문은 공변량이 잠재 변수에 의존하는 상태-공간 모델을 처리할 수 있는 최초의 TMB 구현을 제시한다. 이를 통해 오차 교정과 생태적 추론을 분리하지 않고 이동 매개변수, 서식지 선택 계수, 실제 궤적을 동시에 추정할 수 있다.
• 계산 효율성: Laplace 근사와 TMB의 자동 미분을 결합함으로써, 저자들은 복잡한 모델을 대규모 데이터셋(예: 시뮬레이션 실행당 25,000개의 관측치)에 적합시키는 것이 가능한 빠르고 확장 가능한 최대 가능도 추론을 달anche 성취하였다. 이는 MCMC와 같은 샘플링 기반 접근법이 계산적으로 불가능한 경우에도 유용하다.
• 오픈 소스 구현: 저자들은 모델의 시뮬레이션과 적합을 위한 오픈 소스 R 패키지(langevinSSM)를 제공하여, 이동 생태학계의 재현성과 채택을 용이하게 한다.

결과

• 시뮬레이션 연구: Langevin SSM은 전통적인 2단계 방법보다 일관되게 우수한 성능을 보였다.
  • 편향 감소: 2단계 방법은 측정 오차가 낮을 때조차 서식지 선택 강도를 체계적으로 과소평가하여 추정치가 0을 향해 편향되는 경olas을 보였다. 반면, Langevin SSM은 50%의 측정 오차와 높은 수준의 결측치가 존재하는 상황에서도 선택 매개별의 부호와 크기를 훨씬 적은 편향으로 회복하였다.
  • 커버리지: 2단계 방법은 중간 또는 높은 오차 조건에서 선택 매개에 대한 유효한 신뢰 구간을 제공하지 못했으나(커버리지 0%), Langevin SSM은 85%에서 97% 사이의 커버리지를 유지하였다.
  • 궤적 회복: Langevin SSM은 실제 시뮬레이션된 경로와 거의 동일한 궤적을 회복한 반면, 2단계 방법은 상당한 노이즈를 유지하였다.
  • 이용 분포(UD): Langevin SSM은 진정한 UD를 보존(높은 Bhattacharyya 친밀도)하였으나, 2단계 방법은 왜곡된 UD를 생성하였다.
• 일각고리 사례 연구: 캐나다 키키크타알루크(Qikiqtaaluk)의 일각고래 텔레메트리 데이터에 적용한 결과:
  • 서식지 선택: 통합 접근법은 깊은 수심에 대한 강한 선호도(추정 계수 $\hat{\beta}_1 = -3.1$)를 식별한 반-면, 2단계 방법은 훨씬 약화되고 감쇄된 신호($\hat{\beta}_1 = -1.1$)를 나타냈다.
  • 매개변수 안정성: 2단계 방법은 비현실적으로 높은 속도 및 지속성 매개변수 추정치(예: 속도가 522,420 km/h에 도달)를 생성하여 불안정성을 보였다. Langevin SSM은 알려진 일각고래 행동과 일치하는 생물학적으로 타당한 추정치를 생성하였다.
  • 공간적 교정: 통합 모델은 페널티 구조를 통해 상당수의 원시 "육지" 위치를 바다로 성공적으로 밀어 넣었으나, 2단계 방법은 모든 오류가 있는 육지 지점을 그대로 유지하였다.

의의 및 주장
저자들은 자신들의 접근 방식이 측정 오차와 시간적 불규칙성과 관련된 이동 생태학의 오랜 과제를 해결한다고 주장한다. 필터링과 추론 단계를 통합함으로써, 이 방법은 2단계 절차에 내재된 감쇄 편향(attenuation bias)을 방지하여 더 정확한 서식지 선택 및 이용 분포 추정을 가능하게 한다. 본 논문은 이 프레임워크가 데이터 품질이 저하되는 경우가 많은 해양 시스템을 포함하여 다양한 분류군과 환경에 적용 가능하다고 단언한다. 저자들은 이 방법이 공변량과 선택 간의 선형 관계 및 정상성을 가정하고 있지만, 시간 가변 공변량이나 큰 관측 간격을 처리하기 위한 더 복잡한 이산화 기법과 같은 미래의 확장을 위한 계산적으로 효율적이고 유연한 토대를 제공한다고 언급한다. 또한, 이동과 서식지 선택을 공동으로 추정하는 것이 본질적으로 우월함을 강조하는데, 이는 서식지 선택이 이동 역학에 근본적인 영향을 미치기 때문이다.