10 생태학적 모형을 활용한 생태계 변화의 이해 및 예측
§
본 연구는 유류오염이 발생한 공간적 범위를 대상으로 장기간 이루어진 모니터링 자료에 대한 시계열 변동성과 해역의 해양생태계를 구성하는 다양한 구성원들의 생물학적인 패러미터와 군집 구조 또는 분포와 관련된 분석을 수행하였고 이 과정에서 유류오염에 대한 병리적 증상이나 회복에 대한 반응으 로 볼 수 있는 생태학적 현상을 감지하고 보고하였다(국립공원관리공단 국립공원연구원, 2018b). 이 를 통해 밝혀진 해양생태계의 변화는 태안해안국립공원의 현재 상태에 대한 이해와 향후 이에 기초한 해역의 보전 및 관리 방향 또는 조치의 수립에 있어서 매우 중요한 정보로 활용될 수 있다.§
위와 같은 활동과 관리 행위의 강화를 위해서는 연구를 통해 생산되는 정보를 다양한 생태학적 도구 에 기반하여 도출하도록 하는 것이 바람직하며, 이러한 시도는 조사를 통해 제시된 가설이나 해석에 대한 과학적 타당성과 강건성을 확보할 수 있도록 돕고, 보다 정확한 근거 및 정보에 기반한 의사 결정을 지원할 수 있다.§
서식처의 변화와 그곳의 주요 생태학적 기능을 담당하거나 상태의 변화를 민감하게 지시하는 개체군 또는 군집, 새로이 출현하는 외래종 등에 대한 감시, 평가 및 예측은 점차 중요한 관심사가 되어가 고 있으며, 특히 기후 변화와 관련된 주요 개체군의 변화는 서식처 외형의 변화뿐만 아니라 실질적 인 생태계 서비스와도 직결되므로 매우 중대한 사안으로 인식되고 있다(Occhipinti-Ambrogi, 2007; Johnson et al., 2011). 생태계 차원에서의 관리는 종이나 군집 단위의 이해뿐만 아니라 다 양한 구성원의 상호작용에 대한 이해 역시 선결되어야 하며 이는 전체적인 접근 방식(holistic approach)을 요구하는 것이다(Larkin, 1996).§
이러한 점을 고려하여 본 연구에서는 두 가지 유형의 생태학적 모형 연구를 추가적으로 시도하였다.첫 번째 유형은 인공지능 신경망 모형이다. 신경망 모형은, 이미 Lek and Guégan (1999)이 언급 한 바 있듯이, 복잡한 함수에 대한 근사(approximation)능력과 이에 기반한 높은 예측력으로 생태계 모형 연구에서 강력한 도구로 인정받고 있다. 본 연구에서는 이와 같은 도구를 활용하여 해역의 환 경의 질적 상태와 생태계 서비스에 기여도가 높은 개체군을 선정하고 이들을 대상으로 서식 적정성 과 비례하는 서식확률을 산출하고 이들 개체군의 미래 변화를 예측하였다. 두 번째 유형은 유류오염 이 발생한 태안해안국립공원 해양생태계의 구조와 물질/에너지 경로와 흐름도의 이해를 위해 전체적 접근방식 차원에서 시도하는 생태계 영양 구조 모형(trophic structure model)이다. 본 연구에서는 Ecopath with Ecosim
10)
모형을 활용하였으며, 장기간 축적된 조사 자료에 근거하여 유류오염 발 생 전과 후의 대비되는 생태계 구조 차이를 분석하였다.10) http://ecopath.org/
가. 신경망 모형과 미래 예측
주요 개체군의 변화 예측과 인공지능 신경망 모형
§
신경망 모형을 통해 현재와 미래의 변화를 예측하고 하는 대상은 태안해안국립공원의 저서무척추동 물 군집에 속하는 단각류, Urothoe spp.와 다모류의 여러 기회종(예를 들어, Capitella, Mediomastus 등)이 속한 버들갯지렁이류, Capitellidae spp. 등이다. Urothoe spp.은 이 해역에 서식하는 단각류를 대표하는 분류군이라 할 수 있으며, 퇴적물이나 저어류의 주요 먹이원으로 활용 되고(Marques and Bellan-Santini, 1993), 유류오염의 영향에 대단히 민감한 지시종(Blanchet et al., 2005)인 것으로 알려져 있어 조사 해역에서는 주요 모니터링 대상종 가운데 하나라고 할 수 있다. 또 다른 분류군인 Capitellidae spp.는 이 지역의 유류오염과 교란의 영향을 지시하는 개체군 으로서 역시 감시 대상으로 매우 중요하며 향후 국립공원과 연안역의 관리 방안의 도출 및 수립에서 중요한 정보를 제공할 수 있을 것으로 판단되었다.§
[그림 2-10-1]은 조사 해역의 서식 단각류, Urothoe spp.의 서식확률을 예측하는 신경망 모형의 선택 과정을 보여주는 것이다. 본 연구에서는 태안에서 장기간 축적된 데이터베이스를 활용하고 이 를 학습, 교차타당성 검토 그리고 검증 자료 등의 세 가지로 구분하고 독립적으로 활용하였다. 이 세 가지 자료를 대상으로 모두 우수한 성능(성과 측정치는 CCI, percentages of correctly classified instances)을 보인 것으로 근거하여 최적의 모형을 선택하였으며, 따라서 양호한 학습결 과와 범용성(generalizability)을 갖춘 것으로 볼 수 있었다. 이와 같은 과정을 통해, 최종적으로 선 택된 Urothoe spp.의 서식확률 예측 모형은 MLPC-2-B-L (Classification MLP)로 다중 퍼셉트 론 구조에 2개의 은닉층을 가지며, 개별적인 데이터에 의존하여 학습하는 것이 아니라 전체 자료가 일시에 학습 과정에 활용되어 모델 구축에 활용되는 batch mode의 학습법 그리고 오차를 최소화 하는 패러미터를 추정하는 학습 알고리듬으로 Levenberg-Marquardt algorithm을 활용한 것이다.선택된 모형의 성능은 검증 과정에서 80%의 분류 정확도를 보인 모형이었다.
Ⅱ. 유류유출 영향 평가 10. 생태학적 모형을 활용한 생태계 변화의 이해 및 예측
[그림 2-10-1] 조사 해역의 단각류,
Urothoe
spp.의 서식확률 예측을 위한 인공지능 신경망 모형의 선택 과정§
[그림 2-10-2]는 신경망 모형의 민감도 분석 결과를 나타낸 것으로 Urothoe spp.의 서식확률에 미치는 환경요인들의 영향력을 파악하기 위해 제시한 것이다. Urothoe spp.는 용존산소와 퇴적물 내 중금속, 유기물 함량 등으로부터 상대적으로 커다란 영향을 받는 것으로 나타났다. [그림 2-10-3]은 다른 환경요인들을 평균에 고정시키고 각 그래프별로 나타낸 관심대상 환경요인을 변동 시켰을 때 나타나는 Urothoe spp.의 서식확률 변화 양상을 관찰한 것이다. Urothoe spp.는 특히 카드뮴(Cd)이나 수은(Hg)과 같은 중금속 농도가 증가할수록 급격한 감소를 보였으며, 용존 산소 (DO)가 증가할 때는 서식확률의 증가를 보였다. 이외에도 퇴적물 내 유기물 함량(IL)이나 16PAHs 가 증가할 때 감소를 보여 생태계의 부적절한 관리로부터 부정적인 영향을 받을 수 있는 개체군임을 알 수 있었다.§
[그림 2-10-4]는 현재까지 관찰된 주요 환경요인(퇴적물 유기물 함량, 수층 용존산소, 퇴적물 16PAHs, Hg, 수층 COD 그리고 엽록소-a 농도)의 추세를 기반으로 신경망 모형의 현재와 미래 예측을 위해 작성한 시뮬레이션 시나리오를 나타낸다. 이를 바탕으로 현재 상태를 반영하는 환경요 인과 가까운 미래의 환경을 반영하는 환경요인 입력값을 조정하였다. 유류오염과 관련해서는 그 농 도가 지속적인 감소가 나타날 것이며, 퇴적물 내 중금속 수은(Hg) 농도 역시 미래의 심각한 변화를 유발할 것으로는 예상되지 않아 시뮬레이션 과정에서는 현재와 동일한 값을 입력하였다.0 0.01 0.02 0.03 0.04 0.05 0.06
Se n si ti vi ty
Input Name
Sensitivity About the Mean
Urothoe spp.
[그림 2-10-2] 조사 해역의 단각류,
Urothoe
spp.의 서식확률 예측을 위한 인공지능 신경망 모형의 민감도 분석 결과Ⅱ. 유류유출 영향 평가 10. 생태학적 모형을 활용한 생태계 변화의 이해 및 예측
0 0.05 0.1 0.15 0.2
0.0 3.7 7.4 11.2 14.9 18.6 22.3 26.0 29.8 33.5 37.2 40.9
Output(s)
Varied Input GRAVEL Network Output(s) for Varied Input GRAVEL
0 0.05 0.1 0.15 0.2 0.25 0.3
0.00 0.03 0.07 0.10 0.13 0.16 0.19 0.22 0.25 0.28 0.31 0.35
Output(s)
Varied Input Cd Network Output(s) for Varied Input Cd
0 0.05 0.1 0.15 0.2
29.5 29.8 30.2 30.5 30.8 31.2 31.5 31.8 32.1 32.5 32.8 33.1
Output(s)
Varied Input Salinity Network Output(s) for Varied Input Salinity
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14
0.1 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
Output(s)
Varied Input COD Network Output(s) for Varied Input COD
0 0.05 0.1 0.15 0.2
0.3 9.0 17.8 26.6 35.4 44.1 52.9 61.7 70.5 79.3 88.0 96.8
Output(s)
Varied Input MUD Network Output(s) for Varied Input MUD
0 0.05 0.1 0.15 0.2 0.25
0.00 0.02 0.03 0.05 0.07 0.09 0.10 0.12 0.14 0.15 0.17 0.19
Output(s)
Varied Input Hg Network Output(s) for Varied Input Hg
0 0.05 0.1 0.15 0.2
7.5 7.6 7.7 7.8 7.9 7.9 8.0 8.1 8.2 8.3 8.4 8.4
Output(s)
Varied Input pH Network Output(s) for Varied Input pH
0 0.05 0.1 0.15
0.01 0.04 0.07 0.11 0.14 0.17 0.20 0.24 0.27 0.30 0.33 0.37
Output(s)
Varied Input DIN Network Output(s) for Varied Input DIN
0 0.05 0.1 0.15 0.2 0.25 0.3
0.2 0.6 1.1 1.5 2.0 2.4 2.9 3.3 3.8 4.2 4.7 5.2
Output(s)
Varied Input IL Network Output(s) for Varied Input IL
0 0.05 0.1 0.15 0.2 0.25 0.3
2.8 6.1 9.4 12.8 16.1 19.4 22.7 26.0 29.4 32.7 36.0 39.3
Output(s)
Varied Input Pb Network Output(s) for Varied Input Pb
0 0.05 0.1 0.15 0.2 0.25
6.3 7.1 8.0 8.8 9.7 10.5 11.3 12.2 13.0 13.8 14.7 15.5
Output(s)
Varied Input DO Network Output(s) for Varied Input DO
0 0.05 0.1 0.15 0.2
0.3 4.0 7.7 11.3 15.0 18.7 22.4 26.0 29.7 33.4 37.1 40.7
Output(s)
Varied Input Si Network Output(s) for Varied Input Si
0 0.05 0.1 0.15
0.8 3.0 5.2 7.4 9.7 11.9 14.1 16.3 18.5 20.7 22.9 25.1
Output(s)
Varied Input As Network Output(s) for Varied Input As
0 0.05 0.1 0.15
0.0 21.7 43.4 65.0 86.7 108.4130.1151.7173.4195.1216.8238.5
Output(s)
Varied Input tPAHs Network Output(s) for Varied Input 16PAHs
0 0.05 0.1 0.15
0.0 2.9 5.8 8.7 11.6 14.5 17.4 20.3 23.2 26.1 29.0 31.9
Output(s)
Varied Input tChla Network Output(s) for Varied Input tChla
[그림 2-10-3] 환경요인 변동에 따른 모래무지옆새우사촌류(
Urothoe
spp.)의 서식확률 예측 결과0 1 2 3 4 5 6
1 21 41 61 81 101 121 141 161 181 201 221 241 261 281 301 321 341 361 381 401 421 441 461 481 501 521 541 561 581 601 621 641 661
Time Series Plot (COD, mg/L) 150%
0 5 10 15 20 25 30 35
1 22 43 64 85 106 127 148 169 190 211 232 253 274 295 316 337 358 379 400 421 442 463 484 505 526 547 568 589 610 631 652
Time Series Plot (Chl-a, ug/L) 90%
0 50 100 150 200 250 300
1 22 43 64 85 106 127 148 169 190 211 232 253 274 295 316 337 358 379 400 421 442 463 484 505 526 547 568 589 610 631 652
Time Series Plot (16PAHs, ng/g)
0.00 0.04 0.08 0.12 0.16 0.20
1 22 43 64 85 106 127 148 169 190 211 232 253 274 295 316 337 358 379 400 421 442 463 484 505 526 547 568 589 610 631 652
Time Series Plot (Hg, mg/kg)
0 2 4 6 8 10 12 14 16 18
1 20 39 58 77 96 115 134 153 172 191 210 229 248 267 286 305 324 343 362 381 400 419 438 457 476 495 514 533 552 571 590
Time Series Plot (DO, mg/L) 85%
0 1 2 3 4 5 6 7
1 20 39 58 77 96 115 134 153 172 191 210 229 248 267 286 305 324 343 362 381 400 419 438 457 476 495 514 533 552 571 590
Time Series Plot (Ignition Loss, %) 110%
[그림 2-10-4] 현재까지 관찰된 주요 환경요인(퇴적물 유기물 함량, 수층 용존산소, 퇴적물 16PAHs, Hg, 수층 COD 그리고 엽록소-a 농도)의 추세를 기반으로 작성한 신경망 모형의 시뮬레이션 시나리오
Ⅱ. 유류유출 영향 평가 10. 생태학적 모형을 활용한 생태계 변화의 이해 및 예측
§
[그림 2-10-5]는 위와 같은 시나리오를 본 연구를 통해 구축한 인공지능 신경망 모형에 적용하고 그 시뮬레이션을 수행한 결과를 나타낸 것이다. 건강한 해양생태계를 지시하는 단각류, Urothoe spp.에 대한 예측 결과에서, 현재 상황은 조사 해역의 북측에서 관찰되는 이들의 분포 패턴과 일치 한다. 그러나 몇몇 주요 환경 요인에 대한 변화를 적용한 미래에는 이들의 서식확률이 감소하는 것 으로 나타났다. Urothoe spp.의 서식확률 감소는 이들 개체군에만 국한되어 나타나지 않을 가능성 이 높으며, 유사한 생태 습성의 분류군 역시 마찬가지 변화 경로를 겪을 수 있다. 따라서 쾌적한 환 경의 보전과 생태계로부터 발생하는 생태계 서비스의 지속적 이용을 위해서는 시나리오에서 언급된 부영양화와 관련된 요인들을 개선해야 할 필요가 크다고 할 수 있겠다.[그림 2-10-5] 인공지능 신경망 모형에 생태계 변화 시나리오를 적용하여 현재와 미래의 조사 해역에 서식하는 단각류,