🧬 biology

Density-based clustering method for detecting space use patterns, forays, and dispersal in animal tracking data: Case study of translocated desert and Rocky Mountain bighorn sheep

본 연구는 공간 밀도 기반 클러스터링(S-DBC) 프레임워크가 전위된 사막 및 로키산맥 큰뿔양에서 뚜렷한 이동 구성 요소를 식별하고 더 일관된 개체군 간 비교를 제공하는 능력을 통해 입증된 바와 같이, 동물의 탐색 및 분산 패턴을 탐지하고 특징짓는 데 있어 전통적인 행동권 기반 방법론에 대한 강력한 대안을 제공한다는 것을 보여준다.

원저자: Dylan G. Stewart, Marcus E. Blum, Teresa J. Frink, Jonathan A. Jenks, John T. Kanta, Chadwick P. Lehman, E. Alejandro Lozano-Cavazos, Autumn D. Patterson, Ty J. Werdel, Stephen L. Webb

게시일 2026-09-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dylan G. Stewart, Marcus E. Blum, Teresa J. Frink, Jonathan A. Jenks, John T. Kanta, Chadwick P. Lehman, E. Alejandro Lozano-Cavazos, Autumn D. Patterson, Ty J. Werdel, Stephen L. Webb

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

동물은 단일한 이웃에 머무는 정적인 거주자가 아닙니다. 그들은 자신들이 알고 있는 세계의 경계를 끊임없이 협상하며 이동하는 여행자입니다. 공간 생태학 분야에서 과학자들은 오랫동안 동물이 먹이를 찾고, 짝짓기를 하며, 새끼를 키우는 데 사용하는 정의된 영역인 '홈 레인지(home range)' 개념에 의존해 왔습니다. 그러나 삶은 종종 개체가 익숙한 경계 밖으로 발을 내디딜 것을 요구합니다. '포레이(foray, 탐색적 이동)'라고 알려진 이러한 원정은 탐사, 자원 탐색 또는 분산의 결정적인 순간이지만, 추적하고 정의하기가 매우 어렵습니다. 동물의 움직임을 지도화하는 전통적인 방식은 동물의 평균 영토 주위에 엄격한 선을 긋고, 그 선 밖의 모든 것을 이상 현상으로 분류하곤 합니다. 이러한 접근 방식은 유용할 수는 있지만, 다소 투박하여 동물이 실제로 공간을 어떻게 사용하는지에 대한 미묘한 차이를 놓치거나, 일상적인 움직임을 비정상적인 사건으로 오분류할 수 있습니다. 이러한 여정의 진정한 본질을 이해하는 것은 특히 빅혼 양(bighorn sheep)과 같이 움직임 패턴이 유전자 흐름부터 질병 확산에 이르기까지 모든 것에 영향을 미치는 종의 보존에 있어 매우 중요합니다.

연구팀은 빅혼 양의 GPS 데이터를 분석하는 더 유연하고 새로운 방법을 테스트함으로써 이러한 움직임을 바라보는 방식을 개선하고자 했습니다. 연구진은 두 개의 뚜렷한 집단, 즉 멕시코 소노라로 이주된 사막 빅혼 양과 사우스다코타 블랙 힐스에 재도입된 로키산맥 빅혼 양에 집중했습니다. 목표는 동물의 삶 주위에 단 하나의 정적인 경계를 그리는 기존의 방식을 넘어, 반복적인 사용 패턴과 뚜렷한 이동 경로를 찾아내는 것이었습니다. 그들은 '공간 밀도 기반 클러스터링(spatial density-based clustering)'이라는 기술을 개발했는데, 이는 본질적으로 양들이 가장 많은 시간을 보낸 곳을 찾아내어 활동의 '핫스팟'을 식별하는 방식입니다. 데이터 전체에 대해 단일한 형태를 강요하는 대신, 이 방법은 연구자들이 양들이 정착하는 여러 개의 뚜렷한 구역뿐만 아니라, 이들을 연결하는 일시적인 정지 지점과 긴 여정까지도 볼 수 있게 해주었습니다.

연구진이 이 새로운 방법을 적용했을 때, 기존의 기술로는 가려져 있던 풍부한 움직임의 태피스트리가 드러났습니다. 그들은 양들이 단순히 무작위로 배회하는 것이 아니라, 반복적으로 돌아오는 주요 구역과 보조 구역의 네트워크를 유지하고 있다는 사실을 발견했습니다. 이러한 핵심 구역들 사이에서 동물들은 특정한 이동을 수행했습니다. 새로운 방법은 사막 빅혼 양에 대해 144번, 로키산맥 빅혼 양에 대해 91번의 그러한 이동을 성공적으로 식별했습니다. 이것들은 단순한 짧은 발걸음이 아니었습니다. 어떤 여정은 동물들을 기성 영토에서 멀리 떨어진 곳까지 데려갔습니다. 연구진은 또한 거리와 목적에 따라 이러한 이동을 분류하여, 짧고 국지적인 탐사와 새로운 서식지로 이어질 수 있는 길고 중요한 원정을 구분할 수 있었습니다. 결정적으로, 이 방법은 양들이 며칠 동안 머물렀던 임시 장소인 '스톱오버(stopovers)'를 식별해 냈으며, 이는 이전의 방식들이 흔히 매끄럽게 처리하거나 무시했던 여정의 중간 단계들을 엿볼 수 있게 해주었습니다.

또한 이 연구는 이러한 움직임의 시기와 규모가 환경과 방사 상황에 따라 두 집단 간에 크게 다르다는 것을 보여주었습니다. 완전히 새로운 지형에 도입된 로키산맥 양들은 지형을 익히기 위해 즉시 탐사를 시작했으며, 가장 긴 여정 중 상당수가 처음 몇 달 이내에 발생했습니다. 반면, 다른 양들이 이미 살고 있는 지역에 다시 들여온 사막 양들은 빠르게 안착했습니다. 이들의 가장 중요한 장거리 이동은 연말에 더 덥고 건조한 조건이 찾아오고 가용 먹이가 감소함에 따라 발생했습니다. 이는 새로운 도착자들이 학습을 위해 움직였다면, 재도입된 집단은 자원을 찾기 위한 계절적 필요에 의해 움직였음을 시사합니다.

아마도 가장 중요한 발견은 양들에 관한 것이 아니라, 그들을 관찰하는 도구에 관한 것이었을 것입니다. 연구진은 새로운 클러스터링 방법을 다섯 가지 전통적인 홈 레인지 계산법과 비교했습니다. 그들은 기존의 방식들이 특정 수학적 공식에 매우 민적하여, 공식을 바꾸는 것만으로도 감지되는 이동 횟수나 이동 거리가 급격히 변할 수 있다는 점을 발견했습니다. 어떤 방식은 하나의 여정을 주요 포레이로 보는 반면, 다른 방식은 그것을 일반적인 범위의 일부로 치부할 수도 있습니다. 새로운 클러스터링 접근 방식은 절충안을 제시했습니다. 이 방식은 일부 움직임 모델보다 더 보수적이어서 전체 이동 횟수는 적게 식별했지만, 식별된 이동들이 더 길고 실질적이라는 점을 포착했습니다. 사전 설정된 가정에 의존하기보다 실제 인구의 움직임 데이터로부터 직접 규칙을 도출함으로써, 이 새로운 방법은 서로 다른 동물들이 어떻게 이동하는지를 비교하는 데 있어 더 일관되고 신뢰할 수 있는 방법을 제공했습니다.

궁극적으로 이 연구는 동물의 세계를 항해하는 방식을 이해하기 위해서, 우리는 그들의 삶을 단 하나의 정적인 상자에 가두려는 노력을 멈춰야 함을 시사합니다. 새로운 접근 방식은 과학자들이 동물의 움직임이 가진 복잡하고 다층적인 현실, 즉 그들이 집이라 부르는 핵심 장소, 여정 중에 거치는 임시 정지 지점, 그리고 필요할 때 떠나는 뚜렷한 여정을 볼 수 있게 해줍니다. 이주된 개체군을 관리하는 보전 전문가들에게 이러한 명확성은 필수적입니다. 이는 동물이 단순히 새로운 집을 탐색하고 있는 것인지 아니면 곤경에 처한 것인지를 이해하도록 돕고, 환경 변화가 어떻게 움직임을 유발하는지를 밝혀줍니다. '이동(trip)'을 정의하는 방식을 정교하게 함으로써, 이 연구는 야생 동물의 역동적인 삶을 바라보는 더 선명한 렌즈를 제공하며, 관리 결정이 그들의 행동에 대한 더 정확한 그림을 바탕으로 내려질 수 있도록 보장합니다.

기술 요약: 동물 추적 데이터에서 공간 사용 패턴, 탐색 이동(forays), 분산을 탐지하기 위한 밀도 기반 클러스터링 방법

문제 제식 (Problem Statement)
동물 추적 데이터는 이동 생태학의 이해를 혁신적으로 변화시켰으며, 특히 "탐색 이동(forays)"—전형적인 영역 사용 범위를 벗어나는 움직임—에 대한 이해를 높였다. 기존의 홈 레인지(home range) 기반 방식(고정 기간 또는 이동 창 방식)은 흔히 사용되지만, 심각한 한계를 지닌다. 이러한 접근법은 특정 추정치(예: 커널 밀도 추정, 최소 볼록 다각형)로부터 도출된 사전 정의된 공간 경계(등치선)에 의존한다. 결과적으로, 탐색 이동의 탐지와 특성 규명은 내재적인 이동 특성이 아니라 선택된 추정치와 등치선 수준의 산물(artifact)이 되는 경우가 많다. 예를 들어, 100% 등치선은 탐색 이동을 전혀 탐지하지 못하며, 95% 등치선은 정의상 위치의 5%를 제외하므로 생물학적으로 의미 있는 일시적 이동을 잘못 분류할 가능성이 있다. 또한, 고정 기간 방식은 탐색 이동을 홈 레인지 추정에 포함시켜 탐색 자체를 가릴 수 있으며, 이동 창 방식은 초기 창 기간 동안 발생하는 움직임을 평가할 수 없다. 따라서 임의적인 공간 경계에 의존하지 않고 궤적으로부터 비전형적인 움직임을 직접 식별할 수 있는, 홈 레인지 독립적인 접근법이 필요하며, 이러한 신흥 방법론들과 전통적 접근법 사이의 구조적 비교 연구도 여전히 제한적이다.

연구 방법론 (Methodology)
본 연구는 두 곳의 이주된 빅혼 양(bighorn sheep) 집단의 GPS 위치 데이터를 활용하여, 새로운 공간 밀도 기반 클러스터링(Spatial Density-based Clustering, S-DBC) 프레임워크를 기존의 고정 기간 방식과 비교 평가하였다.

연구 대상 집단:
- 사막 빅혼 양 (Desert Bighorn Sheep, DBS): 멕시코 소노라 지역에 포획된 개체군으로부터 재정착된 13마리(암컷 7, 수컷 6).
- 로키 산맥 빅혼 양 (Rocky Mountain Bighorn Sheep, RMBS): 미국 사우스다코타주의 폐광 지역에 재도입된 성체 암컷 18마리.
S-DBC 프레임워크: GPS 데이터를 생물학적으로 의미 있는 상태로 분류하기 위해 개발된, 홈 레인지 독립적이고 공간적인 접근 방식:
1. 클러스터링 (Clustering): DBSCAN 알고리즘을 사용하여 위치를 클러스터링하였다. 집단 특이적 이웃 거리( $\epsilon$ )는 민감도 분석과 분절 회귀(segmented regression)를 통해 클러스터 탐지를 안정화하여 결정되었다.
2. 지속 시간 분류 (Duration Classification): 클러스터 지속 시간을 가우시안 유한 혼합 모델(Gaussian finite mixture models)을 사용하여 모델링함으로써, 정지 지점(stopovers)(단기 지속), 이차 클러스터(secondary clusters), 그리고 일차 클러스터(primary clusters)(장기 지속)를 객관적으로 구분하였다. 클러스터링되지 않은 위치는 일시적 이동(transient movements)으로 분류되었다.
3. 탐색 이동 식별 (Foray Identification): 일시적 이동/정지 지점과 확립된 클러스터 간의 거리를 계산하였다. 분절 회귀를 통해 집단 특이적 거리 임계값을 찾아내어 탐색 이동을 단거리, 중거리, 장거리 범주로 분류하였다.
4. 네트워크 분류 (Network Classification): 그래프 이론을 사용하여 공간적으로 인접한 클러스터들을 네트워크로 연결하였다. 탐색 이동은 회귀형(returning)(기점과 종점이 동일 네트워크 내 존재), 비회귀형(non-returning)(서로 다른 네트워크 간 이동), 또는 시작/종료(start/end) 이벤트로 분류되었다.
비교 분석 (Comparative Analysis): S-DBC 결과를 다섯 가지 고정 기간 홈 레인지 추정치와 비교하였다: 고정 커널 밀도 추정(KDE), 최소 볼록 다각형(MCP), 브라운 브리지 이동 모델(BBMM), 동적 BBMM(dBBMM), 그리고 자기상관 KDE(AKDE).
통계 모델링 (Statistical Modeling): 다변량 베이지안 일반화 선형 혼합 효과 모델을 사용하여, 홈 레인지 면적과 복잡성을 고려하여 추정치 및 집단 간의 탐색 이동 특성(횟수, 지속 시간, 총 거리, 최대 거리)을 비교하였다.

주요 결과 (Key Results)

탐색 이동 탐지: S-DBC 방식은 DBS에서 144회, RMBS에서 91회의 탐색 이동을 탐지하였다. 탐색 이동의 특성은 집단 간에 유의미하게 달랐다: DBS의 탐색 이동은 RMBS에 비해 빈도는 더 높았으나(평균 11.1 대 5.1), 지속 시간과 거리는 더 짧았다.
방법론적 차이:
- 추정치 민감도: 탐지된 탐색 이동의 수와 범위는 홈 레인지 추정치에 따라 크게 달라졌다. 이동 모델(BBMM, dBBMM)은 일반적으로 더 많은 탐색 이동을 추정했으나 최대 거리는 더 짧았다. 커널 추정치(KDE, AKDE)는 더 적은 탐색 이동을 추정했으나 최대 거리는 더 길었다.
- S-DBC 성능: S-DBC는 이동 모델과 커널 추정치 사이의 중간 정도의 탐색 이동 수를 식별하였다. 그러나 S-DBC가 탐지한 탐색 이동은 다른 방법들이 식별한 것보다 일반적으로 지속 시간과 공간적 거리가 더 광범위했다.
- 균형 잡힌 경계 설정: S-DBC는 핵심 구역의 보수적인 묘사(이동 모델의 특징)와 핵심 사용 영역의 연속적인 공간 표현(커널 방법의 특징) 사이의 균형을 성공적으로 맞추었다. 이를 통해 일차 영역을 벗어나는 움직임을 식별하면서도 일관된 공간 구조를 유지할 수 있었다.
생태적 패턴:
- RMBS: 방사 후 즉각적이고 높은 수준의 탐색 활동(1~128일)을 보였으며, 이는 새로운 환경에서의 탐색 행동과 일치한다.
- DBS: 방사 후 중·장거리 탐색 이동이 지연되어 증가(39~166일)하는 양상을 보였으며, 이는 자원 가용성의 계절적 변화 및 열 스트레스와 맞물려 나타났다. 이는 탐색 이동이 초기 탐색보다는 환경적 조건에 의해 유발되었음을 시사한다.

주요 기여 (Key Contributions)

새로운 프레임워크: 본 논문은 임의의 등치선 없이 집단 수준의 이동 분포를 사용하여 공간 사용 상태와 탐색 이동 임계값을 객관적으로 정의하는, 홈 레인지 독립적 방법인 S-DBC 프레임워크를 도입하고 검증하였다.
방법론적 비교: 탐색 이동 탐지가 공간 사용 추정치의 선택에 크게 의존한다는 것을 보여주는 구조적 비교를 제공하였다. 본 연구는 추정치 선택에 따라 연구 간 결과가 일관되지 않을 수 있음을 강조한다.
세분화된 분류: 이 방법은 일차/이차 클러스터, 정지 지점, 그리고 거리 기반 탐색 이동(단거리, 중거리, 장거리)을 동시에 식별할 수 있게 하여, 단순한 "홈 레인지 내부/외부" 분류보다 더 미세한 공간 사용 관점을 제공한다.
생태적 통찰: 이 방법을 이주된 집단에 적용함으로써, RMBS의 즉각적인 탐색과 DBS의 환경 유발형 탐색이라는 서로 다른 이동 전략을 밝혀냈다.

의의 및 주장 (Significance and Claims)
저자들은 S-DBC 방법이 탐색 이동의 특성을 규명하는 데 있어 고정 범위 방식의 강력한 대안이 될 수 있다고 주장한다. 사전 정의된 경계 대신 관찰된 이동 분포로부터 임계값을 도출함으로써, S-DBC는 서로 다른 집단 및 종 간의 탐색 행동을 보다 일관되게 비교할 수 있게 한다. 본 연구는 이 방법이 빅혼 양과 같이 뚜렷한 사용 영역을 가진 종에 특히 적합함을 시사하지만, 더 넓은 적용 가능성을 판단하기 위해서는 이주 종 및 다양한 이동 전략에 대한 추가적인 평가가 필요하다. 본 논문은 공간 사용을 획정하는 방법론적 결정이 이동 행동에 대한 추론에 직접적인 영향을 미친다는 점을 강조하며, 특정 생태적 질문에 적합한 도구를 선택하는 것의 중요성을 역설한다.

유사한 논문