Continuous foraging behavior shapes patch-leaving decisions in pigeons: A 3D tracking study

이 연구는 3D 추적 기술을 활용하여 비둘기가 현재 환경 단서와 누적 섭식 경험을 통합하여 패치 이탈을 결정하며, 이는 최적 섭식 이론과 한계 가치 정리와 일치함을 밝혔습니다.

핵심

이 연구는 비둘기들이 "어디서 먹이를 구할지, 그리고 언제 다른 곳으로 이동할지" 어떻게 결정하는지 탐구한 흥미로운 실험입니다. 마치 우리가 마트에서 장을 볼 때, "이 코너에 싼 물건이 다 떨어졌으니 다른 코너로 가볼까?"라고 고민하는 것과 비슷하죠.

연구진은 비둘기들을 실험실로 데려와 두 개의 '음식 플랫폼' (먹이가 있는 곳) 을 놓고, 그 높이를 다르게 설정하여 이동하는 데 드는 '힘' (비용) 을 조작했습니다.

이 복잡한 실험을 일상적인 언어와 비유로 쉽게 설명해 드릴게요.

---

🕊️ 실험의 핵심: "계단 vs 평지" 게임

상상해 보세요. 비둘기들이 넓은 방 안에 있습니다. 방에는 두 개의 식탁이 있는데, 하나는 바닥에 있고 다른 하나는 75cm 높이의 의자 위에 있습니다.

연구진은 세 가지 상황을 만들었습니다.

1. 평지 vs 평지 (0-0): 두 식탁 모두 바닥에 있음.
2. 평지 vs 계단 (0-75): 하나는 바닥, 하나는 의자 위.
3. 계단 vs 계단 (75-75): 두 식탁 모두 의자 위.

비둘기들은 이 식탁들에서 완두콩 (먹이) 을 쪼아 먹어야 합니다. 문제는 "먹이가 다 떨어지면 언제 다른 식탁으로 갈까?" 입니다.

🔍 주요 발견 1: "힘들면 일단 바닥에서 먹어!" (이동 비용의 중요성)

비둘기들은 매우 똑똑합니다. 0-75 상황 (하나는 바닥, 하나는 의자 위) 에서 비둘기들은 무조건 바닥에 있는 식탁을 먼저 선택했습니다.

• 비유: 여러분이 배가 고플 때, 가까운 편의점에 가는 것과 계단을 20 층까지 올라가서 식당에 가는 것 중 어디를 먼저 갈까요? 당연히 가까운 편의점 (바닥) 이죠.
• 비둘기들은 의자 위로 날아오르는 데 드는 '에너지 비용'을 계산해서, 이동하기 쉬운 바닥을 먼저 선택했습니다.

🔍 주요 발견 2: "이미 노력했으니, 여기서 더 먹자!" (손실 회피 심리)

흥미로운 점은 비둘기들이 의자 위 (높은 곳) 에 도착하면, 바닥에 있을 때보다 훨씬 더 오래 머물렀다는 것입니다.

• 비유: 여러분이 힘들게 20 층까지 계단을 올라가서 식당에 도착했다고 칩시다. "아, 여기까지 올라오느라 힘들었으니, 밥을 다 먹을 때까지는 절대 안 내려가야지!"라고 생각하지 않나요?
• 비둘기들도 마찬가지입니다. 의자 위로 날아오르는 '투자 비용'을 치렀기 때문에, 그곳의 먹이가 다 떨어질 때까지 더 오래 머물며 열심히 먹었습니다. 이를 '손실 회피' 혹은 '투자한 비용 때문에 더 오래 머무는 심리' 라고 볼 수 있습니다.

🔍 주요 발견 3: "먹이가 떨어질수록 행동이 변한다" (시간의 흐름)

실험이 진행될수록 (20 분 동안), 비둘기들의 행동은 점점 변했습니다.

1. 먹이 찾기 속도 감소: 처음에는 쉴 새 없이 쪼았지만, 시간이 지나면 먹이가 줄어들어 쪼는 횟수도 줄고, 쪼는 간격도 더 규칙적으로 변했습니다.
2. 이동 증가: 먹이가 거의 다 떨어지면, 비둘기들은 식탁을 떠나 방 안을 돌아다니며 새로운 것을 탐색하기 시작했습니다. 마치 "이곳은 다 먹었으니 다른 곳을 찾아봐야지"라고 생각하는 것과 같습니다.

🧠 비둘기의 뇌는 어떻게 작동할까?

이 연구는 비둘기들이 단순히 "배고프니까 먹는다"가 아니라, 현재 상황 (먹이 양) 과 과거 경험 (이동한 거리, 이미 먹은 양) 을 종합해서 결정을 내린다는 것을 보여줍니다.

• 마가린 가치 정리 (MVT) 의 검증: 경제학이나 생태학에서 유명한 이론인 '마가린 가치 정리'에 따르면, 동물은 한곳에서 얻는 이득이 다른 곳으로 이동했을 때 기대할 수 있는 평균 이득보다 낮아지면 이동해야 합니다.
• 비둘기들은 이 이론을 완벽하게 따랐습니다. 이동하기 힘든 곳 (의자 위) 에는 더 오래 머물고, 이동하기 쉬운 곳 (바닥) 에는 빨리 떠났습니다.

💡 결론: 비둘기도 '경제학자'다

이 실험은 비둘기들이 복잡한 3D 추적 카메라와 인공지능 기술로 분석된 결과, 매우 합리적인 의사결정자임을 보여줍니다.

• 이동 비용을 계산합니다.
• 이미 투자한 노력을 고려합니다.
• 먹이의 감소 속도를 감지합니다.

우리가 마트에서 장을 볼 때, "이 코너는 비싸고 멀어, 저 코너로 가자"라고 계산하는 것처럼, 비둘기들도 자신의 에너지와 시간을 계산하며 최적의 식사를 위해 전략적으로 움직인다는 것이 이 연구의 핵심 메시지입니다.

한 줄 요약:

"비둘기들은 이동하기 힘든 곳 (계단 위) 에는 이미 들인 노력 때문에 더 오래 머물고, 이동하기 쉬운 곳 (바닥) 에는 빨리 떠나서 다른 곳을 찾아다니는 똑똑한 '경제학자'입니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 최적 채식 이론 (Optimal Foraging Theory) 과 한계: 동물이 먹이 패치 (food patch) 에 머무는 시간을 언제 종료하고 새로운 패치로 이동할지 결정하는 메커니즘은 '한계 가치 정리 (Marginal Value Theorem, MVT)'로 설명됩니다. MVT 는 이동 비용 (travel cost) 이 높을수록 현재 패치에 더 오래 머무는 것이 합리적이라고 예측합니다.
• 기존 연구의 한계: 기존 연구들은 주로 이산적 (discrete) 인 행동 데이터나 수동 코딩에 의존하여, 채식 행동의 연속적이고 미세한 역동성을 포착하는 데 한계가 있었습니다. 또한, 이동 비용 (이동 거리, 높이 차이 등) 이 채식 결정에 미치는 실시간 영향을 정량화하기 어려웠습니다.
• 연구 목적: 비둘기의 채식 행동을 고해상도 3D 포즈 추적 (3D pose tracking) 기술을 활용하여 연속적으로 분석하고, 이동 모드 (지상 보행 vs 비행) 에 따른 이동 비용의 변화가 패치 이탈 (patch-leaving) 결정에 어떻게 영향을 미치는지 규명하는 것입니다.

2. 방법론 (Methodology)

가. 실험 설계 및 장치

• 대상: 12 마리의 성체 집비둘기 (10 마리 암컷, 2 마리 제외).
• 실험 환경: 2m x 2m 의 육각형 원형 경기장.
• 패치 구성: 두 개의 먹이 플랫폼 (각 30 개의 구멍, 각 구멍에 완두콩 1 개).
• 조건 (이동 비용 조작): 플랫폼의 높이 차이를 조작하여 이동 비용 (travel cost) 을 변화시킴.
  1. 0-0 조건: 두 플랫폼 모두 지상 (0cm). 이동 비용 최소.
  2. 75-75 조건: 두 플랫폼 모두 75cm 높이의 다리 위에 있음. 이동 비용 중간 (수평 비행).
  3. 0-75 조건: 한 플랫폼은 지상, 다른 하나는 75cm 높이. 이동 비용 최대 (수직 비행 필요).
• 절차: 20 분간 12 회 세션 (각 조건당 4 회). 먹이 발견을 위해 플랫폼은 검은 필름으로 덮여 있어 먹이가 보이지 않음 (탐색 행동 유도).

나. 데이터 수집 및 처리 (기술적 핵심)

• 3D 추적 시스템:
  • 6 개의 동기화된 RGB 카메라 (50Hz, 1440x1080 해상도) 를 천장에 설치.
  • DeepLabCut: 비둘기의 신체 키 포인트 (머리, 몸통 등) 를 마커 없이 자동 추적.
  • Anipose: 6 개 카메라 뷰를 삼각측량 (triangulation) 하여 정밀한 3D 포즈 좌표 생성.
  • MotionPype: 비디오 동기화 및 전처리.
• 행동 특징 추출 (Feature Extraction):
  • 방문 (Visit): 플랫폼 영역 내 머리의 위치를 기반으로 방문 시작/종료 시간, 체류 시간 계산.
  • 쪼기 (Pecking): 머리의 수직 운동과 플랫폼 평면 간의 거리 변화 (국소 최소값) 를 분석하여 쪼기 횟수, 쪼기 속도 (peck rate), 쪼기 간격 (IPI, IPD) 의 변동성 (RMSSD) 정량화.
  • 과잉 쪼기 (Overpecking): 현재 방문 중 누적된 쪼기 횟수와 대안 플랫폼의 누적 쪼기 횟수 비율을 계산하여 상대적 채식 투자량 측정.
• 통계 분석:
  • 혼합 효과 생존 분석 (Mixed-effects Cox Proportional Hazards Model): 플랫폼 이탈 확률 (hazard rate) 을 예측하기 위해 사용.
  • 독립 변수: 플랫폼 조건, 현재 채식 파라미터 (쪼기 속도 등), 누적 채식 이력, 이동 거리, 개체 특성 (나이, 체중) 등.

3. 주요 결과 (Key Results)

가. 이동 비용과 패치 선택

• 초기 방문 선호: 비대칭 조건 (0-75) 에서 비둘기는 항상 지상 플랫폼을 먼저 방문함 (이동 비용 최소화).
• 이동 지연: 0-75 조건에서 지상 플랫폼을 방문한 후 고지대 플랫폼으로 이동하는 데 걸리는 시간이 다른 조건보다 유의미하게 길었음.
• 자율 전환 (Self-transitions): 고지대 플랫폼에서는 다른 플랫폼으로 이동하기보다 같은 플랫폼을 떠났다 다시 돌아오는 '자율 전환'이 빈번하게 발생함 (이동 비용 회피 및 플랫폼 내 이동의 어려움 때문).

나. 체류 시간과 이탈 결정

• 체류 시간 증가: 이동 비용이 높은 조건 (0-75 의 지상 플랫폼, 75-75 의 고지대 플랫폼) 에서 비둘기는 패치 이탈 확률이 낮아져 체류 시간이 길어짐. 이는 MVT 예측과 일치함.
• 이동 거리 효과: 플랫폼까지 이동한 거리가 길수록 이탈 확률이 감소함 (투자된 비용이 클수록 더 오래 머무름).

다. 채식 활동의 변화

• 시간에 따른 감소: 세션이 진행됨에 따라 방문 횟수, 쪼기 횟수, 이동 거리가 감소하며 채식 활동이 둔화됨.
• 변동성: 초기에는 쪼기 간격과 거리의 변동성이 높았으나, 패치가 고갈됨에 따라 행동이 더 안정적이고 균일해짐 (기존 연구와 상반된 결과로, 불확실성이 낮았기 때문으로 해석).
• 과잉 쪼기 (Overpecking): 이동 비용이 높은 고지대 플랫폼에서 상대적으로 더 많은 '과잉 쪼기'가 관찰됨. 이는 이동 비용이 '침식된 비용 (sunk cost)'으로 작용하여 해당 패치를 더 많이 활용하려는 경향을 시사함.

라. 예측 모델의 성능

• Cox 회귀 모델: 현재 채식 활동 (쪼기 속도, 변동성) 과 누적 채식 이력 (과잉 쪼기 비율) 을 포함할 때, 패치 이탈 확률 예측 정확도가 크게 향상됨. 이는 비둘기가 단순한 외부 신호가 아닌, 자신의 내부 상태와 과거 경험을 통합하여 결정을 내림을 시사함.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 고해상도 행동 정량화: 마커 없는 3D 포즈 추적 기술을 채식 연구에 적용하여, 기존에 관찰하기 어려웠던 연속적인 이동 및 미세한 쪼기 행동 (kinematics) 을 정밀하게 계량화함.
2. MVT 의 동적 검증: 이동 비용 (높이 차이) 이 패치 이탈 결정에 실시간으로 영향을 미치며, 비둘기가 이동 비용과 패치 내 채취율을 통합하여 최적의 체류 시간을 조정함을 실험적으로 입증함.
3. 의사결정 메커니즘 규명: 비둘기의 이탈 결정이 단순한 외부 자극 반응이 아니라, '현재의 채식 강도'와 '누적 채식 이력 (과잉 쪼기)'이라는 내부적 요인에 의해 조절된다는 것을 통계적 모델링을 통해 보여줌.
4. 방법론적 확장: 이 연구에서 개발된 자동화된 3D 추적 및 생존 분석 프레임워크는 다른 동물 종이나 복잡한 환경에서의 의사결정 연구에도 적용 가능한 표준적인 방법론으로 제시됨.

5. 결론

이 연구는 비둘기가 이동 비용과 패치 내 자원 고갈 상황을 실시간으로 평가하여 최적의 채식 전략을 수립함을 보여주었습니다. 특히, 3D 추적 기술과 생존 분석 모델의 결합은 동물의 복잡한 의사결정 과정을 미시적 수준에서 해석할 수 있는 강력한 도구가 됨을 입증했습니다. 이는 최적 채식 이론이 단순한 규칙이 아니라, 환경과 개체의 상호작용을 통해 역동적으로 형성되는 과정임을 시사합니다.