Beyond chlorophyll: machine learning estimates of diagnostic phytoplankton pigments from multispectral ocean colour data

바다는 햇빛이 비치는 해역에 떠다니는 미세한 식물인 식물 플랑크톤에 의해 움직이는 살아있는 엔진입니다. 이 작은 유기체들은 해양 먹이 그물의 기초이며, 광합성을 통해 지구에서 생성되는 모든 유기 탄소의 약 절반을 담당합니다. 이 식물들이 어떻게 기능하는지, 그리고 변화하는 기후에 어떻게 반응할지를 이해하기 위해 과학자들에게는 단순히 그들이 얼마나 존재하는지가 아니라, 어떤 종류인지가 중요합니다. 수십 년 동안 우주에서 이들의 풍부도를 측정하는 표준적인 방법은 클로로필-a(chlorophyll-a)라고 불리는 특정 녹색 색소를 찾는 것이었습니다. 이 색소는 거의 모든 식물 플랑크톤에서 발견되며, 나무의 크기를 추정하기 위해 잎의 개수를 세는 것과 유사하게 전체 생물량을 나타내는 신뢰할 수 있는 대리 지표 역할을 합니다. 그러나 잎의 총량만 아는 것으로는 그것이 참나무인지, 소나무인지, 아니면 버드나무인지 알 수 없습니다. 해양에서도 서로 다른 그룹의 식물 플랑크톤은 생태계에서 각기 다른 역할을 수행하며, 이들을 구별하는 것은 지구의 건강 상태를 이해하는 데 매우 중요합니다.

문제는 바다가 빛과 생명의 복잡한 혼합물이라는 점에 있습니다. 클로로필-a는 우주에서 쉽게 포착되지만, 특정 식물 플키톤 그룹의 고유한 지문 역할을 하는 다른 색소들은 감지하기 훨씬 어렵습니다. 이러한 부수적 색소들은 식물이 다양한 빛 조건에 적응하도록 돕지만, 그 신호는 압도적인 클로로필-a의 존재에 의해 묻히거나 현재 위성이 볼 수 있는 제한된 색상 대역을 통해서는 분리하기가 어렵습니다. 연구자들은 오랫동안 단순한 녹색의 강도를 넘어 바다 색상의 미묘한 차이가 그 안에 살고 있는 미세한 공동체의 정체를 밝혀낼 충분한 정보를 담고 있는지 궁금해해 왔습니다. 플리머스 해양 연구소와 엑서터 대학교의 데이비드 모팻(David Moffat)과 그의 동료들이 수행한 새로운 연구는 고급 컴퓨터 학습 기술을 사용하여 데이터 속을 더 깊이 들여다봄으로써 이 질문에 답하고자 합니다.

연구진은 방대한 양의 실제 측정값 수집물로 시작했습니다. 그들은 1991년부터 2021년 사이 전 세계 선박과 연구선에서 채취한 33,000개 이상의 해수 샘키를 모았습니다. 실험실에서 이 샘플들은 다양한 색소의 정확한 농도를 식별하기 위해 분석되었으며, 이를 통해 실제 물속에 무엇이 들어있는지에 대한 상세한 '그라운드 트루스(ground truth)'를 생성했습니다. 그런 다음 각 샘플을 동일한 날짜와 장소에서 촬영된 위성 이미지와 매칭했습니다. 위성 데이터는 유럽 우주국(ESA)의 해양 색상 기후 변화 이니셔티브(Ocean Colour Climate Change Initiative)에서 가져왔으며, 이는 여러 해 동안 다양한 센서를 통해 관측된 해양 색상의 일관된 기록을 제공합니다. 연구팀은 이 매칭된 데이터셋을 사용하여 두 가지 유형의 머신러닝 모델을 훈련시켰습니다. 하나는 표 형식의 데이터를 학습하도록 설계된 정교한 파운데이션 모델이었고, 다른 하나는 과적합 없이 복잡한 패턴을 찾아내는 능력으로 알려진 알고리즘 유형인 랜덤 포레스트(random forest) 모델이었습니다. 모델이 정말로 새로운 것을 배우고 있는지 테스트하기 위해, 그들은 오직 클로로필-a의 농도에만 의존하여 다른 모든 색상 정보를 무시하는 단순한 베이스라인 모델도 구축했습니다.

결과는 전체 색상 스펙트럼을 사용하는 모델이 단순한 클로로필 전용 접근 방식보다 일관되게 뛰어난 성능을 보였다는 것을 보여주었습니다. 이 발견은 바다의 색상이 단순히 식물 생명량의 양뿐만 아니라, 구체적으로 어떤 종류의 식물이 존재하는지에 대한 단서도 담고 있다는 사실을 확인해 줍니다. 그러나 모델의 성공 여부는 어떤 색소를 식별하느냐에 따라 달랐습니다. 규조류와 밀접하게 연관된 색소인 푸코잔틴(fucoxanthin)의 경우, 모델의 성능이 매우 좋았으나, 이는 푸코잔틴이 전체 클로로필-a의 양과 매우 강력하게 연결되어 있어 단순한 베이스라인 모델로도 이미 어느 정도 정확하게 예측할 수 있었기 때문입니다. 진정한 돌파구는 다른 그룹의 표지자가 되는 알록사신(alloxanthin)이나 특정 형태의 푸코잔틴과 같은 다른 색소들에서 나타났습니다. 이러한 색소들에 대해 전체 범위의 색상 데이터를 사용한 모델은 베이스라인 모델보다 극적인 개선을 보여주었습니다. 컴퓨터는 단순한 클로로필 수치로는 보이지 않는 바다 색상의 미묘한 변화를 포착하는 법을 배웠으며, 이를 통해 훨씬 더 높은 정밀도로 서로 다른 식물 플키톤 공동체를 구별해 냈습니다.

컴퓨터가 어떻게 이러한 결정을 내리는지 이해하기 위해, 연구진은 모델의 논리를 분해하여 어떤 정보가 가장 중요한지 살펴보는 기법을 사용했습니다. 그들은 일부 색소의 경우 모델이 클로로필-a의 총량에 크게 의존한다는 것을 발견했는데, 이는 이 색소들이 전체 생물량과 함께 움직인다는 점을 확인시켜 줍니다. 하지만 다른 색소들의 경우, 모델은 전체 녹색의 양을 무시하고 대신 물에 반사된 청색, 녹색, 적색 빛의 특정 비율에 집중했습니다. 이는 모델이 단순히 식물 생명량이 얼마나 많은지를 바탕으로 추측하는 것이 아니라, 특정 그룹의 고유한 광학적 특징(optical signatures)을 탐지하고 있음을 시사합니다. 연구진이 훈련된 모델을 적용하여 색소 분포의 글로벌 지도를 만들었을 때, 그 결과는 알려진 생태적 패턴과 일치하는 모습을 보여주었습니다 영양분이 풍부한 연안 해역과 용승 구역에서는 특정 색소의 농도가 높게 나타난 반면, 영양분이 부족한 광활한 열대 대양에서는 다른 색소들이 우세했습니다. 이러한 공간적 분리는 풍부하고 격동적인 물에서 번성하는 그룹과 잔잔하고 맑은 조건에 적응한 그룹 등 서로 다른 식물 플키톤 그룹의 알려진 습성을 반영합니다.

또한 이 연구는 현재 기술의 한계를 강조했습니다. 모델은 많은 그룹을 성공적으로 분리할 수 있었지만, 매우 작고 풍부한 박테리아형 생물에서 발견되는 색소인 제아잔틴(zeaxanthin)에 대해서는 어려움을 겪었습니다. 모델은 이 색소의 정확한 양을 잘 예측하지 못했는데, 이는 그 신호가 약하고 위성 데이터의 배경 소음으로부터 분리하기 어렵기 때문인 것으로 보입니다. 그럼에도 불구하고, 이 까다로운 색소에 대해서도 모델은 따뜻한 열대 해역에서 예상되는 이 작은 생물들의 분포 패턴을 포착해 냈습니다. 이는 기술이 아직 완벽하지는 않지만, 단순한 생물량 측정을 훨씬 넘어서는 의미 있는 생태적 정보를 추출할 능력이 이미 갖춰져 있음을 나타냅니다. 연구진은 이러한 발견이 최종적인 해결책은 아니지만 중요한 진전임을 강조합니다. 이 연구는 머신러닝이 수십 년간의 위성 기록 속에 숨겨진 세부 정보를 열어줄 수 있으며, 우리 행성을 지탱하는 식물 플키톤의 변화하는 구성을 모니터링하는 새로운 방법을 제시한다는 것을 입증합니다. 더 민감한 색상 센서를 갖춘 새로운 위성들이 발사됨에 따라, 이러한 방법들은 더욱 강력해져 우리 지구를 유지하는 복잡하고 필수적인 식물 플키톤의 세계를 더 명확하게 보여주는 창이 될 것입니다.