Segmentation and profile-based classification of movement strategies from animal tracking data

단 한 장의 흐릿한 스냅샷만 보고 이야기를 이해하려고 노력한다고 상상해 보십시오. 당신은 어떤 사람이 가만히 서 있는 모습은 볼 수 있겠지만, 그가 버스를 기다리는 중인지, 폭풍을 피해 숨어 있는 것인지, 아니면 단순히 길을 잃은 것인지는 알 수 없습니다. 이제 그 사람이 야생 동물이고, 스냅샷 대신 몇 주 또는 몇 달 동안 남겨진 긴 GPS 점들의 궤적이 있다고 상상해 보십시오. 이것이 바로 이동 생태학(movement ecology)의 세계입니다. 이 분야에서 과학자들은 탐정처럼 행동하며, 동물의 이동 경로로부터 숨겨진 삶의 이야기를 읽어내려 노력합니다. 핵심 질문은 단순하지만 까다롭습니다. 이 동물은 자신의 영역에 머물고 있는가, 새로운 곳을 찾아 정처 없이 떠돌고 있는가, 아니면 완전히 다른 지역으로 이동하기 위해 짐을 싸고 있는가?

이를 해결하기 위해 과학자들은 종종 '순 제곱 변위(Net Squared Displacement, NSD)'라고 불리는 것을 살펴봅니다. NSD를 '집으로부터의 거리' 점수라고 생각하면 됩니다. 이 점수는 동물이 움직임에 따라 계속 올라가거나 내려갑니다. 만약 점수가 낮게 유지되면서 약간씩 출렁인다면, 그 동물은 아마도 자기 동네 근처에 머물고 있는 것입니다. 만약 점수가 직선으로 치솟는다면, 그 동물은 진지한 여정 중일 가능성이 높습니다. 하지만 문제는 실제 동물의 삶은 매우 복잡하다는 점입니다. 때로는 '집돌이'가 여정처럼 보이는 긴 산책을 할 수도 있고, 때로는 '방랑자'가 우연히 한곳에 잠시 멈춰 서 있을 수도 있습니다. 이러한 행동을 분류하는 전통적인 방법들은 대개 방대한 양의 사전 라벨링된 데이터(알려진 사례들의 거대한 도서관 같은 것)를 필요로 하거나, 동물이 예상치 못한 행동을 할 때 무너져 버리는 경us한 수학적 추측에 의존합니다.

이 지점에서 이보 카들렉(Ivo Kadlec)과 그의 팀이 수행한 새로운 연구가 등장합니다. 그들은 단순히 더 나은 지도를 만든 것이 아니라, 방대한 사례 도서관 없이도 지도를 읽는 더 똑똑한 방법을 만들었습니다. 그들은 '행동 지문(behavioral fingerprint)' 스캐너처럼 작동하는 시스템을 구축했습니다. 동물의 경로를 엄격한 수학적 틀에 강제로 끼워 맞추는 대신, 이 시스템은 전문가가 제공한 소수의 명확한 사례를 공부함으로써 서로 다른 행동들이 어떠한 모습인지를 학습합니다. 그런 다음 새로운 미지의 경로를 이 지문들과 비교하여 확률 점수와 '신뢰 등급(confidence rating)'을 부여하는데, 이는 시스템이 얼마나 확신하는지를 알려줍니다. 그들은 중앙유럽의 숲을 누비는 회색늑대와 유럽과 프랑스 사이를 이동하는 철새인 잉꼬목의 일종인 붉은도요(northern lapwing)라는 매우 서로 다른 두 동물을 대상으로 테스트했습니다. 결과는 어떠했을까요? 이 도구는 늑대가 자리를 잡고 있는지, 떠날 준비를 하는지, 아니면 그냥 떠돌고 있는지를 알려줄 수 있으며, 새가 둥지를 틀고 있는지, 간식을 먹으러 잠시 멈춘 것인지, 아니면 남쪽으로 날아가고 있는지를 알려주는 동시에, 자신이 100% 확실하지 않을 때는 그 사실을 인정할 줄도 압니다.

탐정의 새로운 도구 상자

그렇다면 이 '프로필 기반 분류(profile-based classification)'는 실제로 어떻게 작동할까요? 당신이 친구의 스마트워치 걸음 수를 보고 친구가 무엇을 하고 있는지 추측하려고 한다고 상상해 보십시오. 걸음 수가 낮고 일정하다면, 아마 집에 있을 것입니다. 걸음 수가 높고 일정하다면, 어딘가로 걷고 있는 중일 것입니다. 하지만 만약 그가 초조하게 왔다 갔다 하고 있다면 어떨까요? 그것이 까다로운 부분입니다.

저자들의 방법은 동물의 긴 여정을 '세그먼트(segments, 구간)'라는 작은 덩어리로 나누는 것부터 시작합니다. 이때 동물의 행동이 변하는 정확한 순간을 찾아내는 스마트한 알고리즘을 사용합니다. 이는 마치 긴 영화를 장면별로 자르는 것과 같습니다. 한 장면은 '집에서 잠자기', 다음 장면은 '새 집으로 달려가기', 그다음 장면은 '동네를 배회하기'가 되는 식입니다.

여정이 조각으로 나뉘고 나면, 시스템은 각 덩로에 대한 특정 '지표(metrics)'를 측정합니다. 이것들을 동물의 '행동 통계'라고 생각하십시오:

• 기울기(Slope): 동물이 출발점에서 얼마나 빨리 멀어지고 있는가? 가파른 기울기는 진지한 여정을 의미하며, 완만한 기울기는 머물러 있음을 의미합니다.
• 변동성(Volatility): 움직임이 매끄럽고 일정한가, 아니면 들쭉날쭉하고 불규칙한가?
• 역전율(Reversal Rate): 동물이 한 방향으로 움직이고 있는가, 아니면 지그재그로 왔다 갔다 하는가?

마법은 이 통계치들을 소규모 훈련 세트로부터 구축된 '프로필'과 비교할 때 일어납니다. 연구진은 전문가들에게 알려진 늑대의 몇 가지 사례를 보여주고 라벨을 붙이도록 요청했습니다 (예: "이것은 확실히 영역 안에 머무는 늑대이다"). 시스템은 '영역 내 체류', '배회', '이동(migration)'의 평균 통계치를 학습합니다. 새로운 미지의 세그먼트가 들어오면, 시스템은 이 통계치가 알려진 프로필과 얼마나 가까운지 계산합니다. 시스템은 단순히 "이것은 이동이다"라고 말하지 않습니다. 대신 "이것이 이동일 확률은 98%이며, 신뢰 구간은 89%에서 100% 사이이다"라고 말합니다.

결정적으로, 시스템은 '신뢰도 등급(credibility rating)'을 제공합니다. 만약 '집에 머무는 것'과 '배회하는 것'의 통계가 너무 비슷하다면, 시스템은 "잘 모르겠습니다. 이것은 신뢰도가 낮은 추측입니다"라고 인정합니다. 이는 매우 중요한데, 데이터가 모호할 때 과학자들이 근거 없는 이야기를 만들어내는 것을 방설해주기 때문입니다.

늑대와 붉은도요: 두 여행자의 이야기

이 방법이 작동한다는 것을 증명하기 위해, 팀은 두 가지 테스트를 실시했습니다.

첫째, 그들은 중앙유럽의 회색늑대 44마리를 관찰했습니다. 늑대는 세 가지 주요 모드를 가집니다: 체류(Residency) (무리 영역에 머물기), 부유(Floating) (짝이나 새로운 무리를 찾아 집 없이 떠돌기), 그리고 분산(Dispersal) (새로운 삶을 시작하기 위해 집을 떠나기). 시스템은 13마리의 늑대로부터 얻은 23개의 세그먼트만으로 훈련되었습니다. 나머지 31마리의 늑대를 대상으로 테스트했을 때, 결과는 훌륭했습니다. 시스템은 세그먼트의 83%가 명확한 사례(높음 또는 중간 신뢰도)임을 정확히 식별했습니다. 예를 들어, 연구진은 180일 동안 영역에서 지내다가 갑자기 39일 동안 돌진(분산)한 후, 마지막으로 136일 동안 배회 단계에 안착한 늑대 103216번을 추적했습니다. 시스템은 모든 변화를 완벽하게 포착했습니다.

다음으로, 그들은 체코와 스페인 및 프랑스 월동지 사이를 이동하는 붉은도요 15마리를 대상으로 실험했습니다. 새들은 늑대보다 훨씬 빠르게 움직이며 규모도 다릅니다. 여기서의 과제는 체류(둥지를 틀고 새끼를 키우는 것)와 부유(이동 중에 잠시 멈추거나 번식 후 배회하는 것)를 구별하는 것이었습니다. 이 두 행동은 둘 다 한곳에 잠시 머무는 것을 포함하기 때문에 구분하기가 매우 어렵기로 유명합니다. 시스템은 단 4마리의 새로부터 얻은 46개 세그먼트로 훈련되었습니다. 시스템은 이동 단계를 거의 완벽한 확신(종종 100% 확률)으로 잡아냈습니다. 그러나 예상대로, 체류와 부유를 완벽하게 분리하는 데는 어려움을 겪었습니다. 하지만 여기서 이 도구의 천재성이 드러납니다. 시스템은 잘못된 답을 강요하는 대신, 이 세그먼트들이 겹치는 확률을 가지고 있다고 표시했습니다. 그리고 연구진이 조류 전문가들에게 확인했을 때, 전문가들도 동의했습니다: "네, 이 두 가지를 구분하는 것은 실제로 매우 어렵습니다." 도구가 실패한 것이 아니라, 혼란스러운 상황을 정직하게 보고한 것입니다.

숫자가 말해주는 것들

팀은 단순히 눈에 의존하지 않았습니다. 통제된 조건 하에서 도구가 어떻게 수행되는지 보기 위해 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 '정답'이 알려진 1,796개의 서로 다른 여정을 시뮬레이션하여 시스템에 통과시켰습니다.

• 정확도: 시스템은 전반적으로 91.1%의 확률로 정답을 맞혔습니다.
• 훈련 규모: 그들은 방대한 데이터 라이브러리가 필요하지 않다는 것을 발견했습니다. 행동 유형당 5~10개의 명확한 사례만 있어도 신뢰할 수 있는 결과를 얻기에 충분했습니다.
• 시간의 중요성: 늑대가 집에 머무는 것과 배회하는 것을 구분하려면 30~60일 동안 관찰해야 했습니다. 더 짧은 기간은 너무 혼란스러웠습니다.
• '부유(Floating)'의 함정: 시뮬레이션은 재미있는 편향을 보여주었습니다. 시스템은 때때로 '집돌이'를 '배회자'로 오해하기도 했지만(17.7%의 경우), 그 반대의 경우는 드물었습니다. 이는 타당한데, 집돌이가 배회처럼 보이는 긴 사냥 여행을 할 수는 있지만, 배회자가 '집으로 돌아오는 패턴'을 흉내 내는 경우는 드물기 때문입니다.

이것이 게임의 판도를 바꾸는 이유

이 논문이 나오기 전에는, 희귀 동물을 연구하거나 새로운 행동을 연구하려는 과학자들이 복잡한 머신러러닝 모델을 위한 충분한 데이터를 모으기 위해 수년을 기다리거나, 실제 삶에 맞지 않는 엄격한 수학 공식에 의존해 추측해야 했습니다. 이 새로운 접근 방식인 moveprofile은 유연하고 정직한 조수와 같습니다. 적은 데이터셋으로도 작동하며, 왜 그런 추측을 했는지 설명해주고, 확신이 없을 때는 확신이 없다고 말해줍니다.

저자들은 이것이 모든 미스터리를 해결하는 마법 지팡이는 아니라는 점을 강조합니다. 이 방식은 초기 훈련 데이터의 품질에 의존합니다. 즉, 전문가가 훈련 사례를 잘못 라벨링하면 시스템도 잘못된 것을 배우게 됩니다. 또한, 나쁜 GPS 신호와 같은 모든 가능한 오류의 원인을 고려하지는 않습니다. 하지만 대다수의 이동 연구에 있어, 이 도구는 혼란스러운 점들의 궤적을 동물이 어디로 가고 있으며 무엇을 하고 있는지에 대한 명확한 이야기로 바꾸어 주는 방법을 제시하며, 이를 위해 통계학 박사 학위까지 필요하지는 않습니다.

결국, 늑대가 무리를 떠나기로 결정하든 새가 남쪽으로 날아가기로 결정하든, 이 도구는 우리가 그들의 이야기를 조금 더 명확하게, 그리고 우리가 여전히 알지 못하는 것에 대해 훨씬 더 정직하게 들을 수 있도록 도와줍니다.