Camera trap monitoring of unmarked animals: a map of the relationships between population size estimators

이 논문은 무표지 동물 개체군 밀도 추정을 위한 다양한 방법론들 간의 수학적 관계를 명확히 규명하여 연구자들이 방법론을 선택하고 적용하는 데 도움이 되는 개념적 틀을 제시합니다.

핵심

🎬 배경: 유령과 카메라

가상적인 무인도가 있다고 상상해 보세요. 이 섬에는 사람 (연구자) 은 없지만, 카메라 10 대가 곳곳에 설치되어 있습니다. 그리고 이 섬에는 **얼굴을 가린 유령 (동물)**들이 떠돌아다니고 있습니다. 우리는 유령의 얼굴을 볼 수 없으므로 (식별 불가), 카메라에 찍힌 '유령의 흔적'만 보고 전체 유령의 수를 세려고 합니다.

지금까지 과학자들은 유령의 수를 세기 위해 두 가지 서로 다른 방식을 고안해 냈습니다.

1. 방식 A: "유령이 지나가는 시간"을 재는 방법 (Encounter-based)

이 방식은 카메라가 유령이 지나가는 전체 시간을 기록합니다.

• 상황: 유령이 카메라 앞에서 3 초 동안 지나갔습니다.
• 문제: 유령이 빨리 달렸는지, 느리게 걸었는지에 따라 카메라에 찍히는 횟수가 달라집니다.
• 해결책: 유령의 평균 이동 속도를 알아야만 정확한 수를 계산할 수 있습니다. (예: "유령이 1 초에 1 미터씩 간다면, 3 초 동안 지나간 거리는 3 미터다"라고 계산하는 식입니다.)
• 대표적인 방법: 랜덤 엔카운터 모델 (REM), REST 모델 등.

2. 방식 B: "순간 스냅샷"을 찍는 방법 (Association-based)

이 방식은 카메라가 정해진 시간 (예: 10 분) 마다 한 장씩 사진을 찍습니다.

• 상황: 10 분마다 찍힌 사진 한 장에 유령이 1 마리씩 찍혔습니다.
• 장점: 유령이 얼마나 빨리 움직이는지는 중요하지 않습니다. 그냥 "이 순간, 이 공간에 유령이 몇 마리 있었는가?"만 세면 됩니다.
• 대표적인 방법: 카메라 트랩 거리 샘플링 (CTDS), 인스턴트 샘플링 등.

---

🗺️ 이 논문의 핵심: "모두 같은 지도"

지금까지 연구자들은 이 두 방식 (A 와 B) 이 서로 다른 원리라고 생각하며 각각의 복잡한 공식을 사용했습니다. 하지만 이 논문은 **"잠깐만요, 이 두 방식은 사실 같은 것을 다른 각도에서 바라본 것일 뿐입니다!"**라고 외칩니다.

저자는 **이상 기체 (Ideal Gas)**라는 물리학 개념을 빌려와 설명합니다.

비유: 유령들이 마치 공기의 분자처럼 무작위로, 일정하게 움직인다고 가정해 봅시다.

이런 이상적인 상황에서는 다음과 같은 놀라운 사실이 밝혀집니다.

1. 속도가 빠르면?

   • 방식 A (시간 측정): 유령이 빨리 지나가면 카메라에 찍히는 '시간'은 짧아지지만, '횟수'는 늘어납니다.
   • 방식 B (순간 촬영): 유령이 빨리 지나가도, 10 분마다 찍힌 사진 속 유령의 '밀도'는 변하지 않습니다.
   • 결론: 두 방식은 서로 다른 데이터를 쓰지만, 유령이 카메라 앞에 머무는 '총 시간'이라는 공통 분모를 통해 결국 같은 개체수를 계산해냅니다.

2. 수학의 마법 (지도 연결)
   저자는 이 두 방식 사이의 수학적 관계를 그림 (지도) 으로 그려냈습니다.

   • "시간을 재는 방법"과 "순간을 재는 방법"은 사실 동일한 공식의 변형일 뿐입니다.
   • 마치 "킬로미터로 거리를 재는 사람"과 "마일로 거리를 재는 사람"이 서로 다른 단위를 쓰지만, 결국 같은 길이를 측정하는 것과 같습니다.

---

💡 왜 이 발견이 중요한가요?

이 논문은 생물학자들에게 다음과 같은 중요한 교훈을 줍니다.

• 혼란을 끝내다: "어떤 방법을 써야 하지? 속도 데이터가 없는데 REM 을 써도 될까?"라는 고민이 사라집니다. 두 방법이 연결되어 있음을 알면, 가진 데이터에 맞춰 가장 적합한 방법을 유연하게 선택할 수 있습니다.
• 데이터의 유연성: 카메라 트랩으로 찍은 영상 (시간 데이터) 이나 사진 (순간 데이터) 중 하나만 있어도, 이론적으로는 서로 변환하여 개체수를 추정할 수 있습니다.
• 현실적인 조언: 물론, 유령들이 (동물들이) 완벽하게 무작위로 움직이지는 않습니다. 숲속에서 길을 잃거나, 특정 장소를 좋아할 수도 있죠. 하지만 이 '지도'를 통해 연구자들은 자신의 연구 환경에 어떤 가정이 필요한지 더 명확히 이해하고, 더 정확한 설계를 할 수 있게 됩니다.

🏁 요약

이 논문은 **"카메라로 동물 수를 세는 다양한 방법들은 서로 다른 언어로 같은 진실을 말하고 있다"**는 것을 증명했습니다. 마치 여러 개의 나침반이 모두 북쪽을 가리키듯, 이 방법들은 서로 연결되어 있어 연구자들이 더 똑똑하고 효율적으로 야생동물 보호 활동을 할 수 있는 길을 열어줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 최근 10 년간 카메라 트랩을 이용한 미표지 (unmarked) 동물 개체군 모니터링이 급격히 확대되면서, 밀도 추정을 위한 다양한 방법론이 개발되었습니다.
• 문제점:
  • 방법론의 혼란: 무작위 만남 모델 (REM), 무작위 만남 및 체류 시간 모델 (REST), 시간 - 사건 모델 (TTE), 공간 - 사건 모델 (STE), 카메라 트랩 거리 표본추출 (CTDS), 순간 표본추출 (IS), 연관성 모델 (AM) 등 다양한 추정 기법이 존재하지만, 이들 간의 관계가 명확하지 않아 초보 연구자들에게 혼란을 줍니다.
  • 데이터 요구 사항의 차이: 어떤 방법은 동물의 평균 이동 속도 (일일 이동 거리, day range) 를 필요로 하는 반면 (예: REM), 다른 방법은 이를 필요로 하지 않습니다 (예: CTDS).
  • 개념적 단절: '만남 (Encounter, 연속적인 사건)' 기반 방법과 '연관성 (Association, 순간적인 사건)' 기반 방법이 서로 다른 데이터 형식을 사용하지만, 이론적으로 어떻게 연결되는지에 대한 통합적인 시각이 부족합니다.
  • 선택의 어려움: 연구 설계 시 어떤 방법이 가장 적합한지, 그리고 왜 특정 방법이 특정 데이터 (예: 이동 속도) 를 요구하는지에 대한 이론적 근거가 명확하지 않습니다.

2. 연구 방법론 (Methodology)

저자는 다양한 밀도 추정기 간의 수학적 관계를 규명하기 위해 다음과 같은 접근법을 취했습니다.

• 이론적 프레임워크: 모든 추정기를 비교하기 위해 **'이상 기체 모델 (Ideal Gas Model)'**을 가정했습니다. 이 모델은 동물이 2 차원 공간에서 분자처럼 무작위로 이동하며, 속도가 일정하고 방향이 균일하게 분포한다고 가정합니다.
• 핵심 가정:
  1. 완벽한 탐지 (Perfect Detectability): 동물이 카메라 시야에 들어오면 100% 탐지된다고 가정합니다. (실제 적용 시에는 탐지 확률을 보정해야 함).
  2. 균일한 이동: 모든 개체의 이동 속도가 일정하고, 경로가 직선이며, 방향이 무작위입니다.
• 추정기 분석 대상: 총 8 가지 주요 추정 기법을 분석했습니다.
  • 만남 (Encounter) 기반: 무작위 만남 모델 (REM), 무작위 만남 및 체류 시간 모델 (REST), 카메라 앞 체류 시간 (TIFC), 시간 - 사건 모델 (TTE).
  • 연관성 (Association) 기반: 순간 표본추출 (IS), 연관성 모델 (AM), 카메라 트랩 거리 표본추출 (CTDS), 공간 - 사건 모델 (STE).
• 수학적 유도: 각 추정기의 수식을 이상 기체 모델 하에서 단순화하고, 서로 다른 추정기 간의 수학적 동일성 (Mathematical Identity) 을 유도하여 관계를 도식화했습니다. Appendix 에 상세한 수학적 증명을 포함했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

이 연구는 다음과 같은 핵심 결과를 도출했습니다.

가. 추정기 간의 통합적 관계 지도 (The Map)

저자는 8 가지 추정기 간의 관계를 보여주는 **수학적 관계 지도 (Fig. 2)**를 제시했습니다. 이를 통해 다음과 같은 연결 고리가 밝혀졌습니다.

1. 만남 기반과 연관성 기반의 통합:

   • REST, TIFC, REM: 이 세 방법은 본질적으로 동일합니다. REM 은 이동 속도 ($v$) 를 사용하지만, 체류 시간 ($E(T)$) 을 통해 $v$를 대체하면 REST/TIFC 와 동일한 식이 됩니다. 즉, $D \propto \frac{\text{총 만남 수}}{\text{총 활성화 시간}} \times \text{체류 시간}$의 관계를 가집니다.
   • TTE 와 REST 의 동치: 시간 - 사건 모델 (TTE) 은 만남이 발생하는 대기 시간을 이용합니다. 이상 기체 모델 하에서 만남은 포아송 과정 (Poisson process) 을 따르므로, 대기 시간은 지수 분포를 따릅니다. 이를 변환하면 TTE 추정기는 REST 추정기와 수학적으로 동일해집니다.
   • 연관성 기반 방법들 (IS, AM, CTDS): 순간 표본추출 (IS), 연관성 모델 (AM), 거리 표본추출 (CTDS) 은 모두 특정 시점의 카메라 시야 내 개체 수를 기반으로 합니다. CTDS 는 탐지 불완전성을 고려하지만, 완벽한 탐지를 가정하면 IS/AM 과 동일한 식으로 귀결됩니다.

2. 이동 속도가 필요한 이유와 불필요한 이유:

   • 이동 속도 ($v$) 필요성: 만남 (Encounter) 기반 방법 (REM 등) 은 동물이 카메라를 통과하는 '횟수'를 세므로, 속도가 빠를수록 만남 횟수가 증가합니다. 따라서 밀도를 정확히 추정하려면 속도를 보정해야 합니다.
   • 이동 속도 불필요성: 연관성 (Association) 기반 방법 (CTDS, IS 등) 은 특정 시점에 카메라 앞에 있는 개체 수를 세므로, 동물이 얼마나 빠르게 움직이는지와 무관합니다.
   • 연결 고리: 만남의 총 지속 시간 ($\sum \text{Duration}$) 은 속도나 만남 횟수와 무관하게 개체가 카메라 앞에 머무는 총 시간과 비례합니다. 이를 통해 만남 기반 데이터를 연관성 기반 데이터로 변환할 수 있음을 보였습니다.

3. 수학적 동치성 증명:

   • 이상 기체 모델과 완벽한 탐지 가정 하에서 REST, TTE, TIFC, IS, AM, CTDS는 모두 동일한 밀도 추정식을 도출할 수 있음이 증명되었습니다.
   • 예를 들어, CTDS 추정기는 비율 추정기 (Ratio Estimator) 인 반면, IS 는 비율의 평균 (Mean-of-ratios) 이지만, 탐지 확률이 균일하고 카메라 시야 면적이 동일할 경우 두 방법은 동일해집니다.

4. 의의 및 시사점 (Significance)

• 개념적 명확성 제공: 다양한 밀도 추정 방법들이 서로 고립된 기법이 아니라, 동일한 이론적 기반 (이상 기체 모델) 위에서 서로 다른 관점 (시간 vs 공간, 만남 vs 연관성) 에서 접근한 것임을 보여줍니다.
• 연구 설계 지원: 연구자가 어떤 데이터를 수집할 수 있는지 (예: 이동 속도 데이터 유무, 만남 지속 시간 유무, 거리 데이터 유무) 에 따라 어떤 방법을 선택해야 하는지에 대한 명확한 가이드를 제공합니다.
  • 예: 이동 속도를 알 수 없다면 REM 대신 REST 나 CTDS 를 사용해야 함.
  • 예: 거리 데이터를 수집할 수 있다면 CTDS 를 사용하여 탐지 불완전성을 보정할 수 있음.
• 가정의 중요성 강조: 이 연구는 방법론 간의 동치성이 '이상 기체 모델'과 '완벽한 탐지'라는 강력한 가정 하에 성립함을 명시했습니다. 실제 현장에서는 동물의 서식지 선호도, 무리 행동, 탐지 확률의 불완전성 등이 존재하므로, 이러한 가정 위반이 추정치의 편향 (Bias) 과 정밀도 (Precision) 에 미치는 영향을 고려해야 함을 경고합니다.
• 실무적 적용: 이 지도는 연구자들이 단순히 방법론을 나열하는 것을 넘어, 방법론 간의 이론적 연결고리를 이해하고 더 나은 연구 설계를 할 수 있도록 돕습니다.

5. 결론

이 논문은 카메라 트랩을 이용한 미표지 동물 개체군 밀도 추정 방법론에 대한 통합적인 이론적 지도를 제시했습니다. 다양한 추정기들이 서로 다른 데이터 형식과 가정을 바탕으로 개발되었지만, 근본적인 수학적 원리 (이상 기체 모델) 하에서는 서로 밀접하게 연결되어 있음을 증명했습니다. 이는 생물학자들이 연구 목적과 데이터 특성에 맞춰 가장 적합한 추정 방법을 선택하고, 방법론의 한계를 이해하는 데 중요한 기여를 합니다. 다만, 실제 적용 시에는 이상적인 가정이 깨질 수 있음을 인지하고, 탐지 확률 보정 및 적절한 표본 설계가 필수적임을 강조합니다.