종분포모델 도출을 위한 빅데이터 기반 변수선택방법 적용 연구 = Application of Big Data-based Feature Selection Methods for Establishment of Suitable Species Distribution Models

국문 초록 (Abstract)

종분포모델(Species Distribution Models, SDMs)은 기후 및 환경의 변화가 생물종에 미치는 영향을 예측하여 생물종의보전 전략을 도출하기 위해 널리 사용된다. SDM은 경험기반의 모델로서, 연구 대상종의 서식환경요인에 대한 선행연구가 부족하더라도 예측이 가능하다는 장점이 있다. 그러나 SDM을 활용한 연구들의 대부분은 입력자료 구축 시 매우 제한적인 수의 변수목록(예, 19개 생물기후변수 및 그 밖에 몇몇 지리학적 변수)과 단순한 변수 선택방법(예, 상관분석)에만 의존하는 경향이 있는데, 이는 예측 결과의 대표성을 낮추는 불확실성을 초래한다. 이러한 한계점을 해결하기 위해, 본 연구에서는 광범위한 기후 및환경관련 변수 목록 200개 이상의 빅데이터를 구축하고, 탐색적 데이터 분석(Exploratory Data Analysis, EDA) 기반의 입력변수선택방법을 통해 최적의 종분포모델을 도출 실험을 수행하였다. 실험 대상종은 입력변수 선택의 적합성과 구축된 모델의 예측정확도를 평가하기 위해 서식지의 기후-환경 요인이 비교적 잘 연구된 구상나무(Abies koreana) 이다. 결과에 의하면, 빅데이터를활용하였을 때 연구 대상종의 모델링을 위해 적합한 서식환경 결정 요소의 도출 가능성이 높아지는 것으로 나타났다. 이는 생태학적정보가 부족한 생물종들을 대상으로 분포 예측모델을 구축할 때, 빅데이터 기반의 변수선택 방법 도입을 통해 최적의 서식환경결정 요소들을 도출 확률을 높이고, 결과적으로는 예측결과의 정확도를 높이는 접근 방법임을 시사한다.

다국어 초록 (Multilingual Abstract)

Species distribution models (SDMs) are commonly used to predict how climate and environmental changes impact species and to inform conservation strategies. These empirical models are particularly advantageous because they can generate predictions even when there is limited prior research on the habitat-determining factors of target species.
However, many previous studies using SDMs have relied on a narrow range of climate and environmental variables (typically 19 bioclimatic variables) and a few geographical data for model input selection resulting with a simplistic approach that creates uncertainties in the representation of simulated habitats. To address this limitation, this study constructed a Big Data repository containing over 200 climate and environmental variables and employed exploratory data analysis (EDA) methods for feature selection to build robust input datasets for SDMs. To assess the suitability of the selected input data and the predictive accuracy of the models, experiments were conducted on Abies koreana, a species whose habitat's climate and environmental factors are relatively well-studied. The results indicate that the feature selection method, combined with the climate-environmental Big Data, effectively extracts plausible habitat-determining factors for target species leading to the development of more accurate and suitable SDMs.