Fine-scale habitat partitioning of sympatric stingrays revealed by drone-based remote sensing and deep learning

드론 원격 감시와 딥러닝을 활용한 본 연구는 홍해 연안 습지대에서 청점날개오리 (Taeniura lymma) 와 채찍가오리 (Himantura uarnak) 등 상어류가 수심과 서식지 유형에 따라 미세하게 서식지를 분할하며 공존함을 규명했습니다.

핵심

🌊 바다의 '이웃사촌' 가오리들: 같은 동네, 다른 생활 방식

이 연구는 홍해의 얕은 만 (Lagoon) 에서 두 종류의 가오리를 관찰했습니다. 마치 같은 아파트 단지에 사는 두 이웃처럼, 그들은 같은 바다에 살지만 서로 다른 '생활권'을 가지고 있었습니다.

1. 파란점 가오리 (Bluespotted ribbontail ray):

   • 성격: 작고 활발한 '아기'나 '청소년' 같은 존재입니다.
   • 주거지: 매우 얕은 물 (발이 닿을 정도) 이자 맹그로브 나무가 있는 모래사장을 좋아합니다.
   • 생활: 이곳에서 모래를 파헤치며 먹이를 찾습니다. 마치 정원에서 흙을 파서 지렁이를 캐는 것처럼, 모래를 뒤집어엎으며 먹이를 찾는 '파괴적인'觅食 (미식) 방식을 취합니다.
   • 특징: 포식자 (큰 물고기) 들로부터 숨기 위해 아주 얕은 물을 선호합니다.

2. 채찍가오리 (Whipray):

   • 성격: 덩치가 크고 우아한 '어른' 같은 존재입니다.
   • 주거지: 파란점 가오리보다 조금 더 깊은 해조류가 자라는 산호초 평원을 선호합니다.
   • 생활: 모래를 파헤치는 대신, 물 위에 떠 있는 작은 생물들을 조용히 잡아먹습니다. 마치 정원에서 나뭇잎에 붙은 벌레를 따먹는 것처럼, 주변 환경을 크게 방해하지 않는 '조용한'觅食 방식을 취합니다.

결론: 이 두 가오리는 같은 공간에 살지만, **어디서 살지 (깊이와 서식지)**와 **어떻게 먹이를 찾는지 (모래 파기 vs 조용히 잡기)**가 완전히 달라서 서로 경쟁하지 않고 평화롭게 공존할 수 있었습니다. 이를 생태학에서는 **'서식지 분할 (Habitat Partitioning)'**이라고 합니다.

---

🚁 드론과 AI: 바다를 훑어보는 '초고속 카메라'와 '눈썰미 좋은 탐정'

과거에는 과학자들이 배를 타고 직접 가오리를 찾거나, 가오리에 태그를 붙여 추적해야 했습니다. 하지만 이는 비용도 많이 들고, 가오리 수가 너무 많을 때 모든 개체를 세기엔 한계가 있었습니다.

이 연구는 두 가지 혁신적인 도구를 사용했습니다.

1. 드론 (Drone):

   • 마치 하늘에서 바다를 내려다보는 거대한 눈입니다. 드론은 35 미터 높이에서 바다를 스캔하며, 마치 거대한 사진 앨범을 찍어왔습니다.
   • 이 사진들은 총 17 헥타르 (약 20 개 축구장 크기) 에 달하는 넓은 바다를 커버했습니다.

2. 인공지능 (AI) 탐정:

   • 드론이 찍은 사진은 수천 장에 달했습니다. 사람이 하나하나 다 보면 몇 주가 걸릴 텐데, AI 가 이 작업을 도와줬습니다.
   • 비유하자면: 사람이 100 장의 사진에서 숨겨진 가오리를 찾으려다 지쳐서 놓치는 경우가 많지만, **AI 는 97% 를 찾아내는 '초인적인 눈썰미'**를 가졌습니다. 특히 작고 잘 보이는 파란점 가오리들은 사람이 놓치기 쉬운데, AI 가 거의 다 찾아냈습니다.
   • AI 가 찾아낸 가오리들은 사람이 다시 한 번 확인하는 '검수' 과정을 거쳤습니다. 이 덕분에 시간은 15 시간에서 1 시간으로 줄어든 반면, 발견한 가오리 수는 훨씬 늘어났습니다.

---

🔍 연구가 밝혀낸 놀라운 사실들

1. 가오리들의 '식탁' 차이:

   • 파란점 가오리들은 맹그로브 나무 옆의 얕은 모래밭에서 모래를 파헤치는 행동을 많이 했습니다. 이는 바다 바닥의 생태계를 뒤집어엎는 '생물학적 교란'을 일으켜, 다른 작은 생물들에게도 영향을 줍니다.
   • 반면, 채찍가오리들은 해조류 위에서 조용히 먹이를 잡으며 환경을 크게 건드리지 않았습니다.

2. 서로 어울려 사는 법:

   • 두 종 모두 동료 (같은 종) 와 무리를 지어 있는 것을 좋아했습니다. 이는 포식자로부터의 안전을 위해, 혹은 먹이를 찾기 위해 서로를 모방하거나 따라가는 행동일 수 있습니다.

3. 개별 가오리의 기억력:

   • 드론으로 찍은 사진 덕분에, 연구자들은 특이한 무늬를 가진 가오리를 몇 달 후에도 다시 찾아냈습니다. 마치 얼굴을 기억하는 것처럼, 특정 가오리가 같은 장소를 반복해서 찾아다닌다는 것을 확인했습니다.

---

💡 이 연구가 우리에게 주는 메시지

이 연구는 **"작은 공간에서도 생태계는 복잡하게 얽혀 있다"**는 것을 보여줍니다. 큰 상어가 사라진 자리에서 작은 가오리들이 어떻게 생태계를 유지하고 있는지, 그리고 그들이 어떻게 서로의 영역을 나누며 살아가는지를 드론과 AI 라는 **'새로운 눈'**으로 밝혀냈습니다.

앞으로 이런 기술은 멸종 위기 종을 보호하고, 바다 생태계를 건강하게 관리하는 데 큰 도움이 될 것입니다. 마치 하늘에서 바다를 감시하는 똑똑한 파수꾼이 되어, 우리가 알지 못했던 바다의 비밀을 하나씩 밝혀내는 셈입니다.

기술 요약

논문 요약: 드론 원격 감지 및 딥러닝을 활용한 공생 가오리들의 미세 서식지 분할 연구

1. 연구 배경 및 문제 제기 (Problem)

• 생태적 중요성: 공생 종 (sympatric species) 간의 서식지 분할 (habitat partitioning) 은 경쟁을 줄이고 생태계 내 기능적 역할을 형성하는 핵심 메커니즘입니다. 특히 상어 개체군 감소로 인해 중포식자 (mesopredator) 인 가오리 개체수가 증가함에 따라, 이들의 서식지 이용과 생태계 영향에 대한 이해가 시급합니다.
• 기존 방법론의 한계: 음향 또는 위성 추적 기술은 샘플 크기가 작고 해상도가 낮으며, 매우 얕은 수심 환경 적용이 어렵고 비용이 많이 듭니다.
• 데이터 처리 병목 현상: 드론을 이용한 해양 모니터링은 고해상도 이미지를 대량으로 생성하지만, 수작업으로 이미지를 분석하는 데는 시간이 너무 오래 걸려 분석의 병목 현상을 초래합니다. 또한, 작은 크기의 해양 생물을 드론 이미지에서 식별하는 것은 파도 왜곡, 햇빛 반사 (sun glint), 카우스틱 (caustics) 등의 환경적 요인으로 인해 매우 어렵습니다.

2. 방법론 (Methodology)

이 연구는 중부 홍해의 연안 석호 (lagoon) 와 인접한 산호초 평지 (reef flat) 를 대상으로 드론 원격 감지, 능동 추적 (active tracking), 인공지능 (AI) 기반 이미지 분석을 통합하여 수행되었습니다.

• 데이터 수집:
  • 트랜섹트 조사 (Transect Surveys): 2024 년 5 월부터 11 월까지 총 30 회 드론 비행 (약 17 헥타르/회) 을 수행했습니다. DJI Matrice 300 RTK 드론에 45 메가픽셀 카메라를 장착하고 35m 고도에서 촬영하여 지상 샘플링 거리 (GSD) 를 0.41cm/pixel 수준으로 유지했습니다.
  • 능동 추적 (Active Tracking): 41 마리의 가오리와 1 마리의 상어를 대상으로 최대 2 시간까지 추적했습니다. 추적 중에는 드론이 동물 바로 위에서 수직으로 촬영하여 행동 (수영, 정지, 굴착) 과 서식지 유형을 기록했습니다.
• AI 기반 이미지 분석 (Deep Learning):
  • 모델 아키텍처: 커스텀 훈련된 YOLOv11x 모델을 사용했습니다.
  • 기술적 혁신:
    • Slicing Aided Hyper Inference (SAHI): 드론 이미지의 원본 해상도 (8192x5460 픽셀) 에서 작은 개체 (블루스폿트 가오리, 지름 ≤0.35m) 를 탐지하기 위해 이미지를 16 개의 오버랩된 타일로 분할하여 추론을 수행했습니다.
    • 이중 관찰자 프로토콜 (Double-Observer Protocol): 수작업 분석과 AI 분석을 병행하여 검출 정확도를 극대화했습니다. AI 모델은 97% 의 검출률을 보였으며, 수작업 분석가는 76% 만 검출했습니다.
    • 학습 데이터: 추적 조사에서 얻은 고해상도 이미지를 훈련 데이터로 사용하여 모델의 성능을 최적화했습니다.
• 통계 분석:
  • 5x5m 그리드 셀 단위로 데이터를 분할하고, **일반화 가법 혼합 모델 (GAMM)**을 사용하여 가오리 종 (블루스폿트 가오리 vs. 위프레이) 의 출현 확률에 영향을 미치는 환경 변수 (수심, 저서 서식지, 맹그로브 거리, 개체 간 거리 등) 를 분석했습니다.

3. 주요 결과 (Key Results)

• 종별 서식지 분할 (Habitat Partitioning):
  • 블루스폿트 가오리 (Taeniura lymma): 맹그로브 인접한 초얕은 모래톱 (<0.4m) 에 집중적으로 분포했습니다. 이들은 굴착 (digging) 행동을 통해 저서 생물을 포식하며, 맹그로브 가장자리를 주요 먹이 활동 구역으로 삼았습니다.
  • 위프레이 (Himantura uarnak 등): 주로 산호초 평지의 대형 조류 (macroalgae) 서식지에 분포했습니다. 이들은 표층 생물을 포식하며 굴착 행동은 드물고 비파괴적인 방식으로 먹이를 구했습니다.
  • 공간적 분리: 두 종은 1km 미만의 미세한 공간 규모에서도 명확하게 서식지를 분리하여 공존했습니다.
• 행동 및 생태적 영향:
  • 블루스폿트 가오리는 추적 시간의 26% 를 굴착에 할애한 반면, 위프레이는 2% 만 할애했습니다.
  • 블루스폿트 가오리의 집중된 굴착 활동은 해당 지역을 생물교란 (bioturbation) 핫스팟으로 만들었으며, 이는 퇴적물 교란과 영양분 순환에 중요한 영향을 미칩니다.
  • 두 종 모두 동종 개체들과 무리를 지어 행동하는 경향 (aggregation) 을 보였습니다.
• AI 성능:
  • AI 모델은 인간 분석가가 놓친 347 마리의 가오리 (주로 작은 블루스폿트 가오리) 를 추가로 탐지했습니다.
  • 수작업 분석에는 조사당 최대 15 시간이 소요되었으나, AI 보조 워크플로우를 사용하면 1 시간 이내로 완료할 수 있어 처리 효율성이 극적으로 향상되었습니다.

4. 주요 기여 (Key Contributions)

• 미세 규모 서식지 분할의 실증: 공생 가오리 종들이 먹이 전략 (굴착 대 표층 포식) 과 포식자 회피 전략에 따라 수심과 서식지 유형에서 어떻게 미세하게 분할되는지를 정량적으로 증명했습니다.
• AI 및 드론 기술의 통합: 해양 환경의 복잡한 조건 (작은 개체, 파도 왜곡 등) 에서 고해상도 드론 이미지를 처리하기 위한 SAHI 기반 YOLOv11x 파이프라인을 개발하여, 기존 수작업 분석의 한계를 극복하고 검출 정확도와 속도를 동시에 향상시켰습니다.
• 생태계 기능 이해: 특정 종이 특정 서식지에서 집중적으로 활동함으로써 생태계 구조 (퇴적물 교란, 영양 순환) 에 미치는 차별적인 영향을 규명했습니다.

5. 의의 및 결론 (Significance)

• 보전 및 관리: 상어 개체수 감소로 인한 생태계 변화 속에서 중포식자 가오리들의 역할을 이해하는 데 중요한 기초 자료를 제공하며, 연안 생태계 기반 관리 (Ecosystem-based management) 에 기여합니다.
• 방법론적 확장: 드론 원격 감지와 AI 를 결합한 접근법은 연안 생태계의 공간적, 시간적 해상도를 혁신적으로 높였으며, 향후 개체군 평가 및 장기 모니터링에 표준적인 방법론으로 자리 잡을 수 있음을 시사합니다.
• 데이터 공유: 연구에서 생성된 10 만 장 이상의 이미지와 3,681 개의 주석 데이터셋을 공개하여 향후 해양 생물 탐지 AI 모델 개발의 기초 자료로 활용될 수 있도록 했습니다.

이 연구는 기술적 혁신 (드론 + AI) 과 생태학적 통찰 (미세 서식지 분할) 을 결합하여, 복잡한 연안 생태계에서 종 간 상호작용과 생태계 기능을 이해하는 새로운 패러다임을 제시했습니다.