본 연구는 낙동강 유역에서의 플랑크톤의 동태를 기초로 하여 시간적 흐름(time series)에 따른 플랑크톤의 패턴화와 낙동강 생태계에서의 주요 대번성 플랑크톤 종을 생태계 모델링 방법을 이용하여 예측을 하는 데에 그 목적이 있다. 이에 더하여 개발된 모형을 활용하여 플랑크톤의 계절성 및 인자들과의 상호작용을 알아보고자 하였다. 일반적으로 생태계는 무생물적 요소와 생물적 요소가 복합적으로 이루어진 시스템으로서 현상에 대한 복잡성이나 비선형성이 매우 높다. 생태계의 현상 또는 메커니즘을 이해하기 위하여 통계를 기반으로 한 통계적 분석 방법이나 각 인자들의 구조 및 기능을 미분방정식 등으로 표현하는 ...
본 연구는 낙동강 유역에서의 플랑크톤의 동태를 기초로 하여 시간적 흐름(time series)에 따른 플랑크톤의 패턴화와 낙동강 생태계에서의 주요 대번성 플랑크톤 종을 생태계 모델링 방법을 이용하여 예측을 하는 데에 그 목적이 있다. 이에 더하여 개발된 모형을 활용하여 플랑크톤의 계절성 및 인자들과의 상호작용을 알아보고자 하였다. 일반적으로 생태계는 무생물적 요소와 생물적 요소가 복합적으로 이루어진 시스템으로서 현상에 대한 복잡성이나 비선형성이 매우 높다. 생태계의 현상 또는 메커니즘을 이해하기 위하여 통계를 기반으로 한 통계적 분석 방법이나 각 인자들의 구조 및 기능을 미분방정식 등으로 표현하는 수학적 모형 방법이 적용되어 왔다. 최근에는 컴퓨터 연산 속도의 급속한 진전을 통하여 특수한 알고리즘을 적용한 모형 방법이 생태계 모델링 분야에서도 적용되고 있으며, 이러한 다양한 방법의 생태계 해석 연구를 통하여 생태계의 현상을 예측해보거나 이를 통하여 의미있는 정보를 추출하고 해석하는 작업들이 이루어지고 있다. 생태모형 혹은 생태모델(ecological model)이라 함은 구현하고자 하는 해당시스템을 개념적 혹은 수학적인 관계에 따라 수식이나 다이어그램으로 표현하는 것이다. 이러한 모델링 작업은 일반적으로 해석이 힘들거나 학술적으로 접근이 어려운 경우, 또는 실 세계에서는 실험을 통하여 검증하기 힘든 경우 등에서 가상으로 모의하고 검증하여 정보를 추출해 내는 방법으로 알려져 있다. 1990년대 이전까지의 생태모형의 연구에 있어서는 전반적으로 통계적인 접근방식이나 수학적인 관계를 결정지은 후에 모형을 구축하는 작업이 이루어졌다. 하지만 최근에는 인공신경망(artificial neural networks)나 진화연산(evolutionary computation)과 같은 비선형적으로 각 변수간의 관계를 파악하여 최종 모형을 구축하는 알고리즘들이 개발되고 발전되어, 생태계 모델링 분야에서 새로운 모형화 작업으로 자리잡게 되었다. 최근 이러한 여러 가지 생태모델링 연구는 생태정보학 (ecological informatics)이라는 새로운 학문으로 발전하였다. 강 생태계는 다른 호소 생태계와 비교하여 인간의 목적에 부합하도록 구조적으로 변형한 사례가 많으며 특히 이러한 물리적인 변형은 수계의 체류시간의 감소로 인하여 심각한 부영양화 (eutrophication)를 초래하며 특정 시기에 대하여 식물플랑크톤의 대번성을 유발시킨다. 낙동강 생태계는 전형적인 조절강 생태계 (regulated river ecosystem)로 수자원 이용을 위하여 다목적 댐이나 하구둑을 건설하여 강의 흐름이 물리적 요소에 의해 통제되는 시스템이다. 특히 1980년대 후반의 낙동강 하구둑의 건설 이후 강 하류에서의 플랑크톤 동태에 많은 변화가 왔으며, 특정 식물플랑크톤의 대번성이 빈번히 발생하고 있다. 낙동강 하류에서의 식물플랑크톤의 동태 변화는 복합적인 요인에 의해 나타나는데, 특징적인 대번성을 두 가지로 나누어 보면 여름철의 남조류 (cyanobacteria) 번성과 겨울철 규조류 (diatom)의 번성으로 표현될 수 있다. 본 연구에서는 부영양화 생태계인 낙동강에서의 플랑크톤 동태를 동물플랑크톤과 식물플랑크톤에 대해서 살펴보고, 인공신경망과 진화연산과 같은 생태계 모델링 방법 중 기계학습을 이용하여 플랑크톤의 패턴을 인지하고 상호관계를 규명하며, 또한 특정 식물플랑크톤의 대번성을 시계열로 예측하는 내용을 다루고 있다. 본 연구논문은 총 5장으로 구성되어있으며, 제 1장에서는 담수생태학 분야에서 이용되고 있는 여러 가지 분석방법을 모델링 관점에서 적용 가능한 방법들을 소개하고 각 모델링의 특성들을 간략히 소개하고, 다양한 생태계 모델링의 필요성에 대해 설명하고 있다. 제 2장에서는 동물플랑크톤의 동태를 여러 가지 이화학적 요인과 식물플랑크톤 생체량 등을 이용하여 인공신경망의 비감독모형 (non-supervised model) 중 하나인 자가지도화 (Self-Organizing Map, SOM)모형으로 패턴화하였다. 제 3장에서는 낙동강에서 매년 겨울철마다 반복적으로 식물플랑크톤 대번성을 발생시키는 규조류 우점종 (Stephanodiscus hantzschii)을 대상으로 유전자 프로그래밍 (Genetic Programming, GP) 알고리즘을 이용하여 시계열 예측을 하였다. 이에 더하여 개발된 모형의 안정성을 일반화하기 위하여 leave-one-out 방법을 이용하여 모형 변수의 선택성과 예측성을 평가하였다. 제 4장에서는 낙동강의 여름철 대번성 주요 종이면서 동시에 전 세계적으로도 빈번하게 관찰되는 남조류 우점종 (Microcystis aeruginosa)을 대상으로 형태적으로 복합적인 진화연산 (hybrid evolutionary algorithm, HEA)을 이용하여 일반적인 수식 형태의 모형과 ‘IF’ ‘THEN’ ‘ELSE’ 가 포함된 규칙 (rule set) 형식의 두 가지 모형을 구축하고 예측성을 비교하였다. 이후 민감도 분석 (sensitivity analysis, SA)을 이용하여 모형에서 선택된 변수에 대한 남조류의 민감성을 분석하여 수자원 관리에 대한 전략 수립에 대한 모형의 적용성에 대해서도 다루고 있다. 마지막으로 제 5장에서는 낙동강의 식물플랑크톤 생체량에 대한 단기 (일주일) 및 장기 (일년) 예측 모형을 개발하는 데에 초점을 맞추었으며, 모형의 구축 방법으로는 진화인공신경망 (evolving recurrent neural network) 방법을 이용하였다. 진화인공신경망은 기존의 순환인공신경망 (recurrent neural network)의 구조를 최적화하기 위하여 유전자 알고리즘 (genetic algorithm)을 적용하여 모형을 최적화하였다. 또한 추가적으로 식물플랑크톤 예측에 있어서 동태의 양상을 추세 (time-series trend) 관점에서 예측하기 위하여 이동평균 (moving average, MA)과 같은 데이터 전처리 과정 (data preprocessing)을 이용하였으며, 이러한 데이터 전처리 과정은 모형의 예측성을 높이는 데에 기여하였으며, 장단기에 따라 반응하는 변수들의 특성들의 민감성에 차이가 있었다. 낙동강 생태계의 플랑크톤의 동태는 상류의 댐 조절과 하구둑의 유량 조절로 인하여 일반적인 강 생태계와는 약간 다른 특수성을 가진다. 또한 한반도의 장마와 태풍이라는 특수한 기상 조건은 플랑크톤의 동태에 영향을 미치는 추가적인 요인이 된다. 특히, 제 2장에서 다루어진 동물플랑크톤의 패턴은 낙동강에서 시기적으로 봄철에 개체수 증가가 나타나며, 이는 식물플랑크톤의 섭식에 대한 기여가 곧바로 담수생태계에서 반영되기 때문에 수질개선을 위한 중요한 요인으로 평가될 수 있다. 또한 분류군별에 따른 시기적 혹은 계절적인 패턴 양상은 수자원 관리를 위한 중요한 정보로 활용될 수 있다. 제 3장에서 5장까지 다루어지는 내용들은 주로 수질변화와 관련한 식물플랑크톤의 성장을 영양물질과 같은 이화학적 요인, 댐 방류량 및 저수량과 같은 수문학적 요인들이 수질변화에 어떻게 대응되는 가를 모형을 통하여 평가되었으며, 특히 댐 조절을 통한 식물플랑크톤의 조절 가능성은 주목할 만한 모형 결과로 사료될 수 있을 것이다. 이에 더하여 식물플랑크톤에 대한 장기 변화에 대한 생태모형 구축 및 예측은 수자원 통합 관리에 있어서 오염원 유입, 댐 조절을 통한 적정 방류 계획, 생물학적 조절을 통한 수질개선 가능성 등을 동시에 고려할 수 있으며, 장기적인 통합유역관리 방안 설립에도 도움이 될 것으로 판단된다. 종합적으로 앞의 내용을 정리해보면, 강 생태계는 여러 가지의 기상, 수문, 이화학, 생물학적인 요인들이 복합적으로 구성하고 있는 시스템이며, 부영양화 문제와 더불어 수질개선의 시나리오 구성 및 검증을 위해서는 모델링 방법이 하나의 대안이 될 수 있다. 생태계 모델링 분야는 국제적인 연구의 분위기를 반영해 볼 때 새로운 학문으로 성장하여 그 연구의 가치와 중요성이 매우 높다고 할 수 있으며, 모델링 분야의 발전을 위해서는 복잡한 생태계를 실제로 조사하고 연구하는 생태학자들의 참여가 절실히 요구된다. 더구나 이공계 분야의 다학제간 공동연구와 같은 연구분위기 조성은 생태계 모델링 분야와 같은 복합적인 생태계를 연구하는 데에 있어서 매우 중요한 밑거름이 될 수 있을 것이다.
본 연구는 낙동강 유역에서의 플랑크톤의 동태를 기초로 하여 시간적 흐름(time series)에 따른 플랑크톤의 패턴화와 낙동강 생태계에서의 주요 대번성 플랑크톤 종을 생태계 모델링 방법을 이용하여 예측을 하는 데에 그 목적이 있다. 이에 더하여 개발된 모형을 활용하여 플랑크톤의 계절성 및 인자들과의 상호작용을 알아보고자 하였다. 일반적으로 생태계는 무생물적 요소와 생물적 요소가 복합적으로 이루어진 시스템으로서 현상에 대한 복잡성이나 비선형성이 매우 높다. 생태계의 현상 또는 메커니즘을 이해하기 위하여 통계를 기반으로 한 통계적 분석 방법이나 각 인자들의 구조 및 기능을 미분방정식 등으로 표현하는 수학적 모형 방법이 적용되어 왔다. 최근에는 컴퓨터 연산 속도의 급속한 진전을 통하여 특수한 알고리즘을 적용한 모형 방법이 생태계 모델링 분야에서도 적용되고 있으며, 이러한 다양한 방법의 생태계 해석 연구를 통하여 생태계의 현상을 예측해보거나 이를 통하여 의미있는 정보를 추출하고 해석하는 작업들이 이루어지고 있다. 생태모형 혹은 생태모델(ecological model)이라 함은 구현하고자 하는 해당시스템을 개념적 혹은 수학적인 관계에 따라 수식이나 다이어그램으로 표현하는 것이다. 이러한 모델링 작업은 일반적으로 해석이 힘들거나 학술적으로 접근이 어려운 경우, 또는 실 세계에서는 실험을 통하여 검증하기 힘든 경우 등에서 가상으로 모의하고 검증하여 정보를 추출해 내는 방법으로 알려져 있다. 1990년대 이전까지의 생태모형의 연구에 있어서는 전반적으로 통계적인 접근방식이나 수학적인 관계를 결정지은 후에 모형을 구축하는 작업이 이루어졌다. 하지만 최근에는 인공신경망(artificial neural networks)나 진화연산(evolutionary computation)과 같은 비선형적으로 각 변수간의 관계를 파악하여 최종 모형을 구축하는 알고리즘들이 개발되고 발전되어, 생태계 모델링 분야에서 새로운 모형화 작업으로 자리잡게 되었다. 최근 이러한 여러 가지 생태모델링 연구는 생태정보학 (ecological informatics)이라는 새로운 학문으로 발전하였다. 강 생태계는 다른 호소 생태계와 비교하여 인간의 목적에 부합하도록 구조적으로 변형한 사례가 많으며 특히 이러한 물리적인 변형은 수계의 체류시간의 감소로 인하여 심각한 부영양화 (eutrophication)를 초래하며 특정 시기에 대하여 식물플랑크톤의 대번성을 유발시킨다. 낙동강 생태계는 전형적인 조절강 생태계 (regulated river ecosystem)로 수자원 이용을 위하여 다목적 댐이나 하구둑을 건설하여 강의 흐름이 물리적 요소에 의해 통제되는 시스템이다. 특히 1980년대 후반의 낙동강 하구둑의 건설 이후 강 하류에서의 플랑크톤 동태에 많은 변화가 왔으며, 특정 식물플랑크톤의 대번성이 빈번히 발생하고 있다. 낙동강 하류에서의 식물플랑크톤의 동태 변화는 복합적인 요인에 의해 나타나는데, 특징적인 대번성을 두 가지로 나누어 보면 여름철의 남조류 (cyanobacteria) 번성과 겨울철 규조류 (diatom)의 번성으로 표현될 수 있다. 본 연구에서는 부영양화 생태계인 낙동강에서의 플랑크톤 동태를 동물플랑크톤과 식물플랑크톤에 대해서 살펴보고, 인공신경망과 진화연산과 같은 생태계 모델링 방법 중 기계학습을 이용하여 플랑크톤의 패턴을 인지하고 상호관계를 규명하며, 또한 특정 식물플랑크톤의 대번성을 시계열로 예측하는 내용을 다루고 있다. 본 연구논문은 총 5장으로 구성되어있으며, 제 1장에서는 담수생태학 분야에서 이용되고 있는 여러 가지 분석방법을 모델링 관점에서 적용 가능한 방법들을 소개하고 각 모델링의 특성들을 간략히 소개하고, 다양한 생태계 모델링의 필요성에 대해 설명하고 있다. 제 2장에서는 동물플랑크톤의 동태를 여러 가지 이화학적 요인과 식물플랑크톤 생체량 등을 이용하여 인공신경망의 비감독모형 (non-supervised model) 중 하나인 자가지도화 (Self-Organizing Map, SOM)모형으로 패턴화하였다. 제 3장에서는 낙동강에서 매년 겨울철마다 반복적으로 식물플랑크톤 대번성을 발생시키는 규조류 우점종 (Stephanodiscus hantzschii)을 대상으로 유전자 프로그래밍 (Genetic Programming, GP) 알고리즘을 이용하여 시계열 예측을 하였다. 이에 더하여 개발된 모형의 안정성을 일반화하기 위하여 leave-one-out 방법을 이용하여 모형 변수의 선택성과 예측성을 평가하였다. 제 4장에서는 낙동강의 여름철 대번성 주요 종이면서 동시에 전 세계적으로도 빈번하게 관찰되는 남조류 우점종 (Microcystis aeruginosa)을 대상으로 형태적으로 복합적인 진화연산 (hybrid evolutionary algorithm, HEA)을 이용하여 일반적인 수식 형태의 모형과 ‘IF’ ‘THEN’ ‘ELSE’ 가 포함된 규칙 (rule set) 형식의 두 가지 모형을 구축하고 예측성을 비교하였다. 이후 민감도 분석 (sensitivity analysis, SA)을 이용하여 모형에서 선택된 변수에 대한 남조류의 민감성을 분석하여 수자원 관리에 대한 전략 수립에 대한 모형의 적용성에 대해서도 다루고 있다. 마지막으로 제 5장에서는 낙동강의 식물플랑크톤 생체량에 대한 단기 (일주일) 및 장기 (일년) 예측 모형을 개발하는 데에 초점을 맞추었으며, 모형의 구축 방법으로는 진화인공신경망 (evolving recurrent neural network) 방법을 이용하였다. 진화인공신경망은 기존의 순환인공신경망 (recurrent neural network)의 구조를 최적화하기 위하여 유전자 알고리즘 (genetic algorithm)을 적용하여 모형을 최적화하였다. 또한 추가적으로 식물플랑크톤 예측에 있어서 동태의 양상을 추세 (time-series trend) 관점에서 예측하기 위하여 이동평균 (moving average, MA)과 같은 데이터 전처리 과정 (data preprocessing)을 이용하였으며, 이러한 데이터 전처리 과정은 모형의 예측성을 높이는 데에 기여하였으며, 장단기에 따라 반응하는 변수들의 특성들의 민감성에 차이가 있었다. 낙동강 생태계의 플랑크톤의 동태는 상류의 댐 조절과 하구둑의 유량 조절로 인하여 일반적인 강 생태계와는 약간 다른 특수성을 가진다. 또한 한반도의 장마와 태풍이라는 특수한 기상 조건은 플랑크톤의 동태에 영향을 미치는 추가적인 요인이 된다. 특히, 제 2장에서 다루어진 동물플랑크톤의 패턴은 낙동강에서 시기적으로 봄철에 개체수 증가가 나타나며, 이는 식물플랑크톤의 섭식에 대한 기여가 곧바로 담수생태계에서 반영되기 때문에 수질개선을 위한 중요한 요인으로 평가될 수 있다. 또한 분류군별에 따른 시기적 혹은 계절적인 패턴 양상은 수자원 관리를 위한 중요한 정보로 활용될 수 있다. 제 3장에서 5장까지 다루어지는 내용들은 주로 수질변화와 관련한 식물플랑크톤의 성장을 영양물질과 같은 이화학적 요인, 댐 방류량 및 저수량과 같은 수문학적 요인들이 수질변화에 어떻게 대응되는 가를 모형을 통하여 평가되었으며, 특히 댐 조절을 통한 식물플랑크톤의 조절 가능성은 주목할 만한 모형 결과로 사료될 수 있을 것이다. 이에 더하여 식물플랑크톤에 대한 장기 변화에 대한 생태모형 구축 및 예측은 수자원 통합 관리에 있어서 오염원 유입, 댐 조절을 통한 적정 방류 계획, 생물학적 조절을 통한 수질개선 가능성 등을 동시에 고려할 수 있으며, 장기적인 통합유역관리 방안 설립에도 도움이 될 것으로 판단된다. 종합적으로 앞의 내용을 정리해보면, 강 생태계는 여러 가지의 기상, 수문, 이화학, 생물학적인 요인들이 복합적으로 구성하고 있는 시스템이며, 부영양화 문제와 더불어 수질개선의 시나리오 구성 및 검증을 위해서는 모델링 방법이 하나의 대안이 될 수 있다. 생태계 모델링 분야는 국제적인 연구의 분위기를 반영해 볼 때 새로운 학문으로 성장하여 그 연구의 가치와 중요성이 매우 높다고 할 수 있으며, 모델링 분야의 발전을 위해서는 복잡한 생태계를 실제로 조사하고 연구하는 생태학자들의 참여가 절실히 요구된다. 더구나 이공계 분야의 다학제간 공동연구와 같은 연구분위기 조성은 생태계 모델링 분야와 같은 복합적인 생태계를 연구하는 데에 있어서 매우 중요한 밑거름이 될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.