전 세계 산호초는 기후 변화로 인한 해수 온도 상승으로 위협받고 있습니다. 많은 산호가 비정상적으로 높은 온도에 장기간 노출되면 백화 현상을 겪고 결국 죽지만, 일부 종(또는 한 종 내의 특정 유전형)은 기후 변화에 대한 놀라운 회복력을 보여줍니다. 과거에는 이러한 "슈퍼 산호"를 사후적으로, 즉 심각한 피해를 입은 산호초의 잔해 속에서 생존자를 찾는 방식으로 식별해 왔습니다. 산호초 복원 및 기타 목적을 위해서는 이러한 "건초 더미에서 바늘 찾기" 방식보다 기후 변화에 강한 산호를 식별하는 보다 체계적이고 선제적인 방법이 필요합니다. 이를 위해 저는 미크로네시아 국가 팔라우의 가장 외딴 지역에서 한 달 동안 진행된 연구 탐사에서 수집한 풍부한 산호 생태생리 데이터 세트를 소개합니다. 기본적인 데이터 처리 및 시각화 과정을 거친 후, JMP Pro 17을 사용하여 산호 회복력 예측 모델을 비교적 쉽게 구축하는 방법을 보여줍니다. 다음으로, 모델 예측 프로파일러에서 파생된 GUI를 웹 페이지에 삽입하여 과학자들이 계획 도구로 활용할 수 있는 방법을 시연합니다. 구체적으로, 모델 기반 프로파일러를 통해 연구자들은 생물자원 탐사 조사 중 내성이 강한 산호를 발견할 가능성이 가장 높은 환경 조건(예: 수심, 산호초 유형, 염도)을 예측할 수 있습니다. 따라서 이 분석 도구는 해양 생물학자들이 기후 변화에 대한 내성이 강한 산호를 찾아내고, 훼손된 산호초 복원 노력에 필요한 종자를 번식시키는 데 도움을 줄 것입니다.
안녕하세요 여러분. 시청해 주셔서 감사합니다. 저는 산호초 과학자이자 JMP의 오랜 사용자이자 지지자인 앤더슨 메이필드입니다. 앞으로 30~35분 동안 팔라우 공화국의 산호초 회복력 모델링에 대해 이야기해 보겠습니다. 안타깝게도 제가 지난 20년 동안 산호초에 대해 연구해 온 거의 모든 동기는 산호초가 아름답고 경이로운 곳이라는 사실뿐만 아니라, 특히 기후 변화와 관련된 해수 온도 상승으로 인해 심각한 위협에 처해 있다는 사실 때문입니다.
무슨 일이 벌어지냐면, 바닷물이 산호에게 너무 뜨거워진다는 겁니다. 산호는 세포 안에 사는 와편모충류와 섬세한 공생 관계를 맺고 있는데, 물이 너무 오랫동안 너무 뜨거우면 산호가 탈색되어 결국 굶어 죽게 됩니다. 안타깝게도 지금 이 순간에도 네 번째 전 지구적 산호 백화 현상이 한창 진행 중입니다.
핵심 산호초는 사실 연구가 제대로 이루어지지 않고 있습니다. 전체 해양 면적의 1%도 채 되지 않지만, 생물 다양성이 매우 높은 지역입니다. 그래서 우리는 가장 풍부한 산호 지역이 어디인지조차 제대로 알지 못합니다. 위성 이미지를 통해 추측할 수는 있지만, 실제로 물속에 들어가 스노클이나 잠수 장비를 착용하고 직접 확인해야 합니다. 하지만 지구 전체의 산호초를 종합적으로 조사하기에는 시간이 부족합니다. 특히 산호가 풍부한 지역을 찾는 방법을 서둘러야 합니다.
마찬가지로, 대부분의 산호는 고온에 매우 민감하다고 말씀드렸지만, 어떤 산호들은 해수 수질이 악화되어도 어떤 이유에서인지 회복력을 유지합니다. 우리는 이러한 산호들을 찾아내어 그들이 어떻게 다른 방식으로 생존하는지 이해해야 합니다. 이러한 산호들을 번식시켜 산호초를 복원하려고 시도할 수도 있지만, 우리가 일반적으로 사용하는 방법은 제가 '건초 더미에서 바늘 찾기'라고 부르는 방식입니다. 그냥 물속으로 들어가 잔해들을 뒤져보고, 운 좋게 이런 산호들을 발견하기를 바라는 거죠.
우리는 기후 변화에 강한 산호를 식별하는 데 있어 보다 체계적이고 데이터 기반의 접근 방식이 필요합니다. 이것이 바로 제가 JMP를 사용하여 해결하고자 했던 질문들입니다. 저는 이것을 JMP Pro에서 핵심 지식 격차를 해소하기 위한 예측 모델링 활용이라고 부릅니다. 몇 가지 질문을 드리겠습니다. 질문 3과 4는 매우 중요하고 제게 특히 의미 있는 질문이지만, 오늘 다룰 시간은 없습니다. 이 질문들은 슬라이드 자료와 제 웹페이지에 제공되는 데이터에 포함되어 있으니, 더 자세한 내용을 원하시면 이메일로 문의해 주세요. 데이터 테이블에는 스크립트와 단계별 가이드가 포함되어 있습니다.
대신, 오늘 저는 1번과 2번 질문에 집중하려고 합니다. 기존 데이터를 활용하여 살아있는 산호의 비율이 매우 높은 다른 암초들을 예측할 수 있을까요? 이러한 암초들은 중요한 어종의 서식지로서, 그리고 파도로부터 해안을 보호하는 측면에서 훨씬 더 가치가 높습니다. 반드시 가장 튼튼한 암초는 아닐지라도, 가장 가치 있는 암초일 가능성이 큽니다.
반면에 두 번째 질문은 이러한 '슈퍼 산호'를 어디에서 찾을 수 있을까 하는 것입니다. 어떤 이유에서인지 기후 변화 및 기타 스트레스 요인에 직면해서도 회복력을 유지하는 산호 말입니다. 제가 오늘 팔라우 데이터 세트에 초점을 맞춰 이야기하려는 이유는 리빙 오션 재단(Living Oceans Foundation)과 함께 정말 놀라운 기회를 얻었기 때문입니다. 저희는 대규모 과학자 팀을 구성하여 분자부터 위성까지 다양한 데이터를 수집했습니다.
좀 거창하게 들릴 수도 있지만, 저희는 상상할 수 있는 모든 규모의 데이터를 수집했습니다. 우주에서 찍은 위성 데이터도 있고, 배를 타고 조사 구간을 만들고, 촬영하고, 해저 생물을 관찰하기도 했습니다. 저처럼 스쿠버 다이버들이 산호초에 어떤 생물이 살고 있는지 직접 보기도 했죠. 제 주된 임무는 산호를 채집해서 건강 상태와 회복력을 파악하는 것이었습니다. 정말 풍부한 데이터 세트라서 제가 제기했던 몇 가지 질문에 답하는 데 유용할 거라고 생각합니다.
제가 '생물자원탐사'라는 용어를 사용한 이유는, 우리가 연구하지 않았던 산호초에 대해 예측하기 위해 이러한 데이터의 잠재력을 활용하려고 하기 때문입니다. 한 달 동안 그곳에 머물면서 놀라운 데이터 세트를 얻었지만, 여전히 그곳에 무엇이 있는지에 대해서는 극히 일부분만 파악했을 뿐이며, 예측 모델링을 통해 부족한 부분을 채워나가고 있습니다.
발표의 전반부, 또는 아마도 다음 주요 부분은 산호 피복률이 높은 지역을 파악하는 데 초점을 맞출 것입니다. 다시 말해, 산호초를 형성하는 산호가 풍부하게 서식하는 지역을 찾는 것입니다. 아직 발견하지 못한 산호 피복률이 높은 산호초를 찾아내는 것이 목표입니다. 이를 위해 해수 수질, 공간적 위치, 기타 서식지 매개변수와 같은 환경적 예측 변수를 활용할 것입니다.
혹시 궁금해하실까 봐 말씀드리자면, 왜 이런 과정을 거쳐야 할까요? 위성 사진이나 구글 지도를 보고 산호초 위치를 추정하면 되지 않을까요? 물론 그렇게 해도 대략적인 위치는 알 수 있습니다. 하지만 어떤 산호초가 실제로 살아있는지는 알 수 없습니다. 살아있는 산호초와 죽은 산호초는 위성 사진에서 매우 비슷하게 보이기 때문에, 어떤 산호초가 살아있고 어떤 산호초가 죽어있는지 확인하려면 다이버들의 데이터에 의존해야 합니다.
아마 대부분의 분들은 팔라우라는 곳을 잘 모르실 텐데, 팔라우는 미크로네시아에 있는 정말 아름다운 작은 섬나라입니다. 서양 사람들이 팔라우를 아는 유일한 이유는 바로 다이빙의 천국이기 때문인데, 지금도 여전히 그렇습니다. 모든 것이 폐허로 변했다고 너무 암울하게 말하고 싶지는 않지만, 그렇다고 해서 이 산호초들이 원시적인 상태라고 할 수는 없습니다. 팔라우의 산호초들도 전 세계 다른 산호초들과 마찬가지로 고온과 같은 문제에 직면해 있습니다. 자, 그럼 이제 JMP를 시작해 볼까요?
저는 JMP Pro 18을 사용하고 있습니다. JMP의 가장 큰 장점 중 하나는 데이터를 탐색하는 것입니다. 보시다시피 이 간소화된 데이터 표에는 열이 다섯 개뿐입니다. 첫 번째는 조사 지점입니다. 저희는 86개의 산호초 지점을 방문했습니다. 위도와 경도 정보가 있습니다. 잠시 후 보여드릴 대표적인 사진들도 있습니다. 마지막은 산호 피복률인데, 이는 나중에 예측하고자 하는 핵심 요소입니다.
이해를 돕기 위해 팔라우를 지도에서 보여드리겠습니다. 그래프 빌더를 열었는데, 위도와 경도를 정확한 축에 배치할 필요조차 없다는 것을 알 수 있습니다. JMP가 자동으로 위치를 파악합니다. 이 줄은 비활성화하세요. 하지만 아직 배경 지도를 추가하지 않았기 때문에 팔라우가 보이지 않습니다. 제가 지금 사우디아라비아에 있어서 일부 서버와 동기화하는 데 문제가 있었지만, 당분간은 이 간단한 스트리트맵 서버를 사용하는 것으로 충분할 것 같습니다.
이 검은 점들은 저희 다이빙 포인트를 나타냅니다. 보시다시피 약간의 편향이 있는데요. 바람 때문에 저희는 주로 서쪽 지역만 탐험할 수 있었거든요. 이 점을 염두에 두시면 좋을 것 같습니다. 이제 산호초 분포 데이터를 지도에 겹쳐보려고 합니다. 이 창은 여기서 닫아도 될 것 같지만, 아직 제가 원하는 단계는 아닙니다.
우선, 제가 범례를 꺼놨었는데 다시 켜볼게요. 색상 체계를 바꾸고 싶어요. 산호초 밀도가 높은 곳을 빨간색이 아닌 초록색으로 표시하고 싶어요. 산호초 밀도가 높을수록 좋다는 점을 강조하고 싶거든요.
보시다시피 제가 여기서 실수를 했습니다. 사실 저는 위도를 표시하는 데 관심이 없기 때문에, 이 히트맵을 끌어다 놓고 위도 지점들을 제거하겠습니다. 그리고 산호초 덮개로 돌아가서 초록색을 높은 값으로 다시 변경하겠습니다. 이제 거의 다 왔지만, 픽셀이 너무 커서 섬이 거의 보이지 않게 되었습니다. 이건 제가 몇 년 전에 우연히 발견한 팁입니다.
실제로 히트맵을 사용하여 지도에 데이터를 오버레이하는 경우, 원하는 크기로 증분 값을 변경하고 격자선을 켜서 격자를 강제로 표시할 수 있습니다. 이제 좀 나아졌네요. 제가 원하던 모습에 더 가까워졌고, 논문 발표에도 쓸 수 있을 것 같습니다. 하지만 여전히 선이 너무 많아서 격자선을 다시 끄겠습니다. 가운데 정렬을 좀 더 잘 해볼게요. 꽤 괜찮아 보입니다. 축을 좀 더 다듬고 깔끔하게 정리해 볼 수도 있겠네요.
하지만 지금 이 순간의 핵심은 탐사입니다. 보시다시피 북쪽 끝 지역에는 붉은색과 주황색이 더 많이 보입니다. 이 지역은 산호 밀도가 낮은 곳입니다. 이쪽에도 산호가 더 적게 보이는 지역이 있습니다. 그리고 남쪽 지역은 상당히 다양한 산호들이 자라고 있습니다.
산호가 가장 풍부한 암초는 서남서부 지역에 있습니다. 이 점을 꼭 기억해 두세요. 그리고 제가 계속해서 산호 피복률이라고 말씀드리는 게 좀 어려울 수 있는데, 해양 생물학자가 아닌 분들에게는 추상적인 개념일 수 있습니다. 그래서 몇몇 지역의 대표적인 사진을 올려봤습니다. 여기 보시면 산호 피복률이 약 46%인 암초가 있습니다. 이는 미국 평균과 비슷한 수치인데, 잠시 후에 더 자세히 살펴보겠습니다. 이 사진은 일반인이 보기에는 산호로 완전히 뒤덮인 것처럼 보일 수 있지만, 실제로는 산호 중 일부는 암초를 형성하는 데 기여하지 않고 있습니다. 산호초 구조의 형성에 도움이 되지 않는다는 뜻입니다. 조금 오해의 소지가 있죠. 물론 이 지역도 아름답지만, 앞으로 살펴보겠지만 산호가 가장 풍부한 곳은 아닙니다.
오늘은 여기까지 하고, 좀 더 포괄적인 데이터 세트로 넘어가 보겠습니다. 여전히 86개의 행으로 구성되어 있고, 위도, 경도, 산호 피복률 정보는 그대로 있지만, 여기에는 산호 피복률에 영향을 미칠 것으로 예상되는 추가적인 환경 변수들이 포함되어 있습니다. 이 부분은 나중에 자세히 살펴보겠습니다. 해수 수질과 같은 요소들도 여기에 포함됩니다.
제 질문은 아직 확인하지 못한 산호 피복률이 높은 지역을 예측하고 싶다는 것입니다. 지도에 표시하는 것 외에도 '예측 화면'이라는 유용한 기능을 활용해 볼 수 있습니다. 여기서 산호 피복률을 Y축으로, 산호 피복률에 영향을 미칠 것으로 예상되는 환경 요인들을 X축으로 선택해 보겠습니다. 그러면 직관적이고 해석하기 쉬운 그래프가 나타납니다. 산호 피복률 변화에 가장 큰 영향을 미치는 예측 변수는 위도였는데, 이는 당연한 결과입니다. 북쪽에서는 산호 피복률이 낮고 남쪽에서는 높은 경향이 나타났는데, 남쪽 끝에서는 낮지만 중간 지점이 최적의 조건일 수 있다는 것을 이 예측 화면에서 확인할 수 있습니다.
사실 저는 오랫동안 이 부분을 잘못 해석했습니다. 위도가 설명하는 변동의 비율을 나타내는 것으로 생각했죠. 하지만 실제로는 그렇지 않습니다. 위도는 부스팅 트리 모델에 포함된 경우의 비율을 나타내는 것으로 알고 있습니다. 변동의 33%가 위도로 설명된다는 의미는 아니지만, 예를 들어 위도가 온도보다 약 두 배 정도 큰 영향을 미친다고 말할 수 있습니다. 제가 미리 가설을 세웠던 산호초 피복 변동의 주요 원인으로 예상했던 다른 변수들은 실제 변동에 큰 영향을 미치지 않는 경향이 있습니다. 사실 이 부분을 강조하고 싶었지만, 워낙 유용한 기능이라 언급하지 않으려 했습니다.
방금 본 내용을 지도를 보는 것 외에도 시각적으로 표현하고 싶다면, 해저에 서식하는 생물들의 데이터를 합산하는 방법도 있습니다. 다이버들이 보는 모든 것을 경산호, 해조류, 기타 무척추동물(해면류 등), 그리고 생물이 없는 기질(모래, 암석 등)의 네 가지 범주로 나눌 수 있습니다. 완전히 황무지는 않지만 생명이 없는 부분을 말합니다. 이 네 가지 범주의 비율을 합하면 100%가 됩니다.
제가 할 일은 이 데이터들을 쌓는 것입니다. 이렇게 하는 이유는 제가 생각하는 정말 효과적인 그래프를 만들 수 있기 때문입니다. 이제 모든 저서생물 데이터를 같은 열에 쌓았으니, 이 데이터들을 Y축으로 드래그하겠습니다. 이렇게 겹쳐서 표시하고, 범례를 켜고, 막대 그래프로 변환하겠습니다. 아직 완벽하진 않습니다. 이 네 가지 요소의 합이 100%라는 사실을 강조하고 싶기 때문입니다. 그래서 누적 막대 그래프로 바꿔 보겠습니다. 합이 100%라는 점이 앞서 언급하지 않았던 중요한 사실을 강조해 줍니다.
제가 조사 대상 지역의 평균 산호 피복률이 45%라고 말씀드렸었죠. 이는 국제 기준으로도 매우 높은 수치라서 팔라우에게는 좋은 소식입니다. 여전히 많은 산호가 살아있다는 뜻이니까요. 하지만 안타깝게도 해조류 피복률이 40%라는 것도 상당히 높은 수치입니다. 산호초 생태계에 대해 기본적인 지식을 가지고 계시다면, 산호와 해조류 사이에는 끊임없는 경쟁이 있다는 것을 아실 겁니다. 둘 다 서식지를 차지하기 위해 싸우죠. 산호초에서는 해조류를 희생시키더라도 산호가 더 많이 자라는 것이 바람직합니다. 물론 바다에서 해조류가 항상 나쁜 것만은 아니지만, 산호초에서는 해조류가 산호와 경쟁하기 때문에 좋은 점과 나쁜 점을 모두 받아들여야 하는 거죠. 제가 여러분께 보여드리고 싶었던 내용은 이게 아니었습니다. 제가 보여드리고 싶었던 것은 제가 관심 있는 다양한 환경 요인에 따라 이 집합체가 어떻게 달라지는지 얼마나 쉽게 살펴볼 수 있는지였습니다. 이 작업은 1분밖에 걸리지 않았고, 워드 문서에 붙여넣어 논문과 함께 제출해도 전혀 문제가 없을 것 같습니다.
예를 들어, 여기에는 세 가지 유형의 산호초가 있습니다. 산호 피복률이 모든 산호초 유형에서 거의 동일한 45%인 것을 볼 수 있는데, 이는 예측 화면에서 본 결과와 일치합니다. 산호초 유형이나 노출 정도는 실제로 유용한 예측 변수가 아니었습니다. 노출 정도는 산호초에 부딪히는 파도의 에너지를 나타냅니다. 파도 에너지는 다른 요소에도 영향을 미치는데, 보호된 산호초에는 해조류가 훨씬 적습니다. 이는 세계 여러 지역과는 정반대 현상입니다. 생태학자에게 이 그림은 매우 풍부하고 유익한 정보를 제공하며, 제가 이 그림을 만드는 데 30초밖에 걸리지 않았다는 점은 여담입니다. 저는 이 기능이 정말 멋지다고 생각합니다. 데이터를 중첩하여 제가 '저서 생물 군집 도표'라고 부르는 것을 만드는 데 사용할 수 있습니다.
우리가 이 모든 작업을 하는 이유는 산호초 피복률 모델을 구축하기 위해서라는 점을 기억하세요. 데이터를 조금 살펴보고 변동 요인을 파악한 후에는 JMP Pro의 예측 모델링 부분으로 이동하여 몇 버전 전에 추가된 제가 정말 좋아하는 기능인 모델 화면을 사용할 것입니다. 이 기능을 사용하면 다양한 모델링 유형을 동시에 테스트할 수 있습니다.
제가 예측하려는 것은 산호 피복률입니다. 검증 열을 만들어서 86개 조사 지점을 75% 훈련 데이터와 25% 검증 데이터로 나누었습니다. 이제 몇 가지 추가 옵션을 활성화해 보겠습니다. 이차 함수에서 나타나는 일부 2차 상호작용은 의미가 없을 수도 있지만, 일단은 그대로 두겠습니다. 이전에 살펴봤던, 산호 피복률에 영향을 줄 수 있다고 생각되는 변수들을 예측 변수로 추가했습니다. 그중 일부는 중요하지 않아서 이미 제거했어야 했을 수도 있지만, 지금은 신경 쓰지 않겠습니다.
검증 데이터셋의 산호 피복률을 얼마나 잘 예측했는지 보여주는 R-제곱 값을 살펴보겠습니다. 보시다시피, 모델 성능이 그다지 좋지 않습니다. R-제곱 값이 약 0.3 정도인데, 이 정도 값은 복잡한 머신러닝 모델에서 흔히 나타나는 값입니다. 모델 스크리닝은 논문에 사용할 모델을 찾는 과정이 아니라, 앞으로 탐색해 볼 만한 방향을 찾는 과정입니다. 특히 복잡한 생태 데이터셋의 경우 신경망 모델이 좋은 성능을 보이는 경우가 있습니다.
앞서 저는 7개의 환경 요인만을 사용한 신경망을 하나 확인했는데, 이 신경망의 검증 R-제곱 값이 약 0.72였습니다. 해양 환경을 예측하려는 경우 이 정도면 상당히 좋은 수치라고 생각합니다. 실행하는 데 몇 초 정도 걸리므로, 파워포인트로 돌아가서 보여드리겠습니다. 이 모델은 JMP를 아주 능숙하게 사용하는 디드리히 슈미트라는 분이 개발한 매우 영리한 추가 기능 덕분에 발견되었습니다. 신경망에 대해 조금이라도 아시는 분이라면, 모델 성능에 상당한 영향을 미칠 수 있는 수많은 하이퍼파라미터가 있다는 것을 아실 겁니다. 슈미트는 이러한 하이퍼파라미터의 다양한 조합을 대량으로 테스트할 수 있는 매우 훌륭하고 일반화된 자동 튜닝 추가 기능을 개발했습니다. 이러한 하이퍼파라미터에는 은닉층의 개수, 단일 레이어일 때의 부스팅 정도, 활성화 노드의 유형 등이 있습니다.
어디 보자. 이 신경망을 좀 더 자세히 살펴볼까요? 한 가지 눈치채셨을 수도 있지만, 학습 R-제곱 값이 검증 R-제곱 값보다 상당히 낮다는 점이 조금 걱정스러울 수 있습니다. 검증 R-제곱 값을 보고 "생태 데이터셋에서 0.88은 정말 놀라운 수치야"라고 생각하실 수도 있겠죠. 이는 분명 과적합의 증거일 수 있습니다. 하지만 지금은 이번 실행이 다른 실행만큼 잘 되지 않았다고 생각하고, 이 모델에 만족하는 척해 보겠습니다. 제가 정말로 보여주고 싶은 것은 몇 가지 다른 점들이니까요.
먼저 예측 프로파일에서 변수 중요도 평가 기능을 끄겠습니다. 다시 실행하고 싶기 때문입니다. 이 기능은 모델에 미치는 영향에 따라 환경 요인들의 순서를 정하는 것입니다. 출력 결과는 예측 변수 화면과 매우 유사합니다. 이 경우, 이전에 모델을 실행한 적이 있기 때문에 이미 순서대로 정렬되어 있습니다. 하지만 변수 중요도 분석을 실행하면 예측 프로파일러에서 예측 변수들의 순서가 전체 효과 크기에 따라 다시 정렬됩니다. 이 경우 경도가 위도보다 더 큰 영향을 미쳤으므로, 여기에서 보이는 순서가 아래에서 위로 갈수록 정렬되는 순서와 일치합니다.
놀랍게도, 앞서 그래프에서 노출의 영향이 크지 않다고 봤음에도 불구하고, 다른 요인들보다 높은 순위를 차지하는 것을 발견했습니다. 이는 흥미로운 결과입니다. 공간 좌표는 지도에서 본 내용과 일치합니다. 산호초 출현은 자세히 살펴보지는 않았지만, 간단히 그래프로 나타냈습니다. 산호 피복률에는 거의 영향이 없다는 것을 알 수 있었고, 이 값은 전국 평균보다 약간 낮은 수준입니다.
하지만 제가 하고 싶은 건, 이 모델에 만족하고 과적합 징후도 없고 여러 기준을 모두 충족했다고 가정해 보겠습니다. 그리고 제가 정말 멋지다고 생각하는 건, 바로 이 선호도 분석을 하는 겁니다. 이전에 해본 적이 있어서 기억하고 있지만, JMP에게 산호 피복률을 최대화하라고 지시하고 싶습니다. 이 모델을 기반으로 했을 때 산호 피복률이 최대가 될 것으로 예상되는 조건을 알려달라는 거죠. 그런 다음 선호도를 최대화하면 그 값이 73%까지 올라갑니다.
다시 슬라이드로 돌아가 보겠습니다. 여기 분포도가 있습니다. 전국 산호 피복률을 나타낸 그래프인데요. 앞서 말씀드린 평균값 45%가 있지만, 실제 범위는 2%에서 78%까지 매우 넓습니다. 모델이 왜 78%인 산호초로 돌아가라고 추천하지 않았는지 궁금하실 수도 있습니다. 그 이유는 모델에서 특정 지역, 특히 섬을 제외했기 때문입니다. 특정 지역의 데이터에 편향되지 않도록, 그리고 전국적으로 더 일반화할 수 있도록 하기 위해서입니다.
그렇지 않고 단순히 지역, 섬 등의 정보만 추가하면 산호 피복률이 가장 높았던 곳으로 돌아가라고 알려줄 가능성이 매우 높습니다. 이는 가장 정확한 결과를 보여줄 수 있지만, 우리는 아직 탐사하지 못한 지역에 대한 통찰력을 얻기 위해 보다 일반화 가능한 모델을 만들려고 합니다. 73%라는 산호 피복률은 놀라울 정도로 높지만, 완전히 불가능한 수치는 아닙니다. 제가 이 점을 언급하는 이유는 환경 데이터를 이용한 이러한 적합성 분석을 할 때 외삽의 위험성을 반드시 고려해야 하기 때문입니다.
이 경우에는 제가 미리 살펴봤습니다. 제게는 이러한 조건들이 전혀 터무니없어 보이지 않습니다. 해양 생물학자라면 "이 정도 평균 수심에서 산호초가 해안선 바깥쪽으로 드러나는 것을 충분히 상상할 수 있겠네요."라고 말할 만한 조건들입니다. 산호초에게는 충분히 가능한 일이죠. 제가 이전에 했던 다른 모델들에서는 외삽 제어 기능을 켜지 않으면 산업혁명 이전 이후로 지구상에서 경험해 본 적 없는 조건들이 도출되기도 했습니다. 특히 역동적인 시스템에서 예측을 할 때는 이러한 외삽 제어 기능을 사용하는 것이 중요합니다. 저는 경고 기능을 켰을 때 아무런 경고도 받지 못했지만, 켤 수도 있었습니다. 외삽에 문제가 생기면 모델을 다시 실행하면 됩니다.
이 경우에는 문제가 없어서 거의 변화가 없지만, 여기서 주목할 점은 몇몇 선들이 고정되었다는 것입니다. 산호초에 대해 조금이라도 아신다면, 전면 산호초는 항상 석호 바깥쪽에 있다는 것을 아실 겁니다. 그런데 "데이터 세트에 존재하지 않는 조건을 시뮬레이션할 수 없습니다."라는 메시지가 뜨면서 이 부분을 드래그해서 옮기는 것조차 허용하지 않습니다. 이 경우에는 자연에 존재하지 않는 조건입니다. 사실 이건 정말 흥미로운 점입니다.
다시 말씀드리지만, 이 모델에 만족한다면… 제가 뭘 할지 아시겠죠? 저는 편법을 쓰지는 않겠지만, 다시 한번 실행해 볼 겁니다. 그러면 그 이유가 명확해질 거예요. 제가 원하는 건 이 모델을 제 웹사이트에 올리는 거거든요. 적합성 분석을 하면 기본적으로 그런 조건들이 수정될 거라는 건 알고 있습니다. 물론 그것도 바람직하겠지만, 저는 다른 사용자들이 자신의 데이터를 입력하거나, 확인하고 싶은 산호초에 대한 데이터를 입력하면 그 산호초의 피복률을 알려주는 모델을 만들고 싶습니다.
또 하나 하려고 했던 게 있었는데... 아, 아니네요. 지도를 치웠어요. 사실 그 좌표들을 이용해서 팔라우 내에서 정확히 어디쯤에 해당하는 위도와 경도를 찾아보려고 했는데, 그건 다음에 하도록 하죠. 그런데 예전에 이 시뮬레이션을 했을 때, 산호초 밀도가 높은 경향이 있었던 팔라우 남서부 지역 어딘가에서 결과가 나왔던 걸로 기억해요.
보시다시피 이 모델의 재실행 결과는 상당히 유사합니다. 하지만 제가 하고 싶은 건 이 모델에 만족한다고 가정하는 겁니다. 실제로 JMP Public에 게시하고 싶은데, 이미 로그인되어 있으니 오래 걸리지 않을 겁니다. 이 JMP Discovery 폴더에 저장하겠습니다. 여기에 추가 정보를 넣을 수도 있고, 원한다면 그림도 첨부할 수 있습니다.
이게 어떻게 보이는지 한번 볼까요? 상호작용이 가능하길 바랍니다. 가끔 실행했을 때 산호 피복률을 최대화하는 데 관심이 있다는 설정이 남아 있으면 선호도 분석이 계속 켜져 있는 경우가 있는데, 대부분의 경우 설정이 유지되는 건 좋지만, 상호작용 가능한 HTML을 게시하려는 경우에는 문제가 될 수 있습니다. 보고서를 생성하는 데 몇 분 정도 걸리니 잠시 후에 다시 확인해 보겠습니다. 미리 만들어 둔 거라 어떻게 보이는지 보여드릴게요.
제 웹사이트입니다. 팔라우 섹션이 있고, '팔라우 생물자원 탐사'라는 특별한 페이지가 있는데, 여기서는 단순히 JMP(Journal of Merit Project)를 위한 개념 증명이 아니라 제가 실제로 관심을 갖고 있는 발견들을 소개하고 있습니다. 보시다시피 완전히 똑같은 모델은 아니지만, 방금 실행한 모델과 유사한 모델입니다. 예를 들어, 팔라우에서 연구하는 제 동료들이 "지도에서 산호초를 발견했는데, 석호 안에 있는 수중 산호초야. 후방 산호초 또는 석호 패치 산호초라고 할 수 있겠지. 수심이 얕아서 보호되고 있을 거야. 위치는 대략 이쯤이야."라고 말하는 상황을 가정해 보겠습니다.
그건 아마 좋은 예시는 아닐 거예요. 왜냐하면 그건 전국 평균을 보여주는 거니까요. 그래서 모델은 "저기 한번 가봐"라고 추측할 거예요. 거기도 다른 곳 못지않게 좋은 산호초일 테고, 실제로 본 데이터를 입력해서 모델을 최적화하고 더 잘 훈련시킬 수 있겠죠.
여기서 제가 한 일은 최적화된 선호도를 정적인 형태로 보여주는 것입니다. 실행 결과마다 조금씩 차이가 나는 것을 보실 수 있습니다. 하지만 이 경우, 제 모델을 기반으로 예측된 조건은 산호초 피복률이 67%에 달하는 매우 높은 수치입니다. 그렇다면 어떻게 이런 결과를 얻을 수 있을까요?
이게 바로 그 모습입니다. 모델은 약간 다르지만 제대로 게시되었습니다. 상호작용도 잘 되고요. 이제 제가 할 일은… 이게 방해가 되는지 한번 볼까요? 두 가지 방법이 있습니다. iframe의 임베드 코드를 사용하거나 카드를 사용하는 거죠. 저는 iframe을 선호합니다. 카드는 기본적으로 여기에 작은 스텁을 삽입하는 것인데, 이는 사실상 JMP Public 페이지로 이동하는 하이퍼링크일 뿐입니다. 물론 이것만으로도 충분할 수도 있지만, 사용자가 직접 데이터를 입력할 수 있는 임베디드 창을 만들고 싶다면 iframe을 사용하는 것이 좋습니다.
저는 Squarespace를 사용하고 있지만, 사실 코드를 직접 입력하거나 임베드하는 방식처럼 아주 간단합니다. 여기에 코드를 붙여넣기만 하면 됩니다. JMP Public 웹사이트에서 코드를 복사해서 붙여넣었어요. 로딩하는 데 몇 초 정도 걸릴 텐데, 바로 저장하고 새로고침한 다음 이 링크를 동료들에게 보내면 됩니다. 동료들이 JMP 사용자라면 훨씬 더 자세한 정보를 얻을 수 있겠죠. JMP를 사용하지 않더라도 이 기능을 활용해서 가설 검증이나 산호초 피복률 추정 같은 작업을 시작할 수 있을 겁니다.
이건 아마 JMP에서는 오랫동안 불가능했을 수도 있지만, 웹사이트에 이렇게 쉽게 인터랙티브 예측 프로파일러를 구현할 수 있다는 사실에 정말 놀랐습니다. 제가 오랫동안 답을 찾고 싶었던 모든 질문들에 대한 해답을 찾을 수 있는 엄청난 잠재력이 있는 것 같습니다.
시간 관계상 슈퍼 산호 예시는 자세히 설명하지 않겠습니다. 보시다시피 그 예시를 이해하려면 몇 분 정도 걸리기 때문입니다. 하지만 간단히 말씀드리자면, 기본적으로는 동일한 과정입니다. 예측 모델링을 할 때 산호 피복률 대신 제가 몇 년 전에 개발한 산호 건강 지수를 사용합니다. 이 지수를 만드는 데 얼마나 많은 노력이 들어가는지 아실 수 있을 겁니다. 매우 높은 해상도를 제공하지만, 그만큼 비용도 많이 듭니다. 수백만 마리의 산호를 대상으로 이 모든 것을 일일이 측정하는 것은 불가능합니다.
다시 말하지만, 예측 모델링을 사용해야 하는 이유는 수천 달러를 들여 복잡한 분자 분석을 하는 대신, 더 저렴한 지표를 활용하여 "이 예시에서 '슈퍼 산호'일 확률이 99%인 산호는 산호 피복률이 매우 높고 산호 다양성이 낮은 산호초에서 이 정도 크기로 자랄 것입니다."와 같은 예측 결과를 얻을 수 있기 때문입니다. JMP Pro에서도 이와 매우 유사한 분석 과정을 거쳐 다른 질문에 대한 답을 얻습니다.
이런 슈퍼 산호는 어디에서 발견될까요? 제 웹사이트에 올려두면 사람들이 계획을 세우는 데 도움이 될 겁니다. 제가 소속된 Cord App 연구소에서는 현재 팔라우의 사람들과 프로젝트를 진행하고 있는데, 그들은 슈퍼 산호를 찾아 산호 양식장에서 번식시키고 싶어 합니다. JMP Pro 기반 모델에서 나오는 예측 프로파일러는 그들이 이러한 산호초가 어디에 있을지 정확히 파악하는 데 매우 유용할 것입니다.
이 주제에 관심이 있으시다면 프레젠테이션을 살펴보시길 권합니다. 몇몇 슬라이드는 생략했지만, JMP 데이터 테이블에 모든 스크립트를 넣어두었으니 직접 분석해 보실 수 있습니다. 산호초에서 수집되는 다양한 유형의 데이터를 활용하여 해양 보존 계획을 최적화하는 등 매우 강력한 작업을 수행할 수 있다고 생각합니다.
저는 JMP를 사용하고 소프트웨어에 익숙해지면서 정말 많은 도움을 받았다고 생각합니다. 기후 변화나 지구의 미래와 같은 중요한 질문들에 대한 답을 찾는 데 큰 도움이 되었죠. 특히 예측 모델 구축 작업을 많이 한다면, JMP, 특히 JMP Pro를 더 잘 활용할수록 무궁무진한 가능성을 발견하게 될 겁니다. 저는 모든 분들이 직접 JMP를 사용해보고 이러한 중요한 질문들에 도전해 보기를 강력히 추천합니다. 생각보다 훨씬 많은 것을 해낼 수 있을 거예요.
이것으로 오늘 발표를 마무리하겠습니다. 경청해 주셔서 감사합니다. 궁금한 점이 있으시면 언제든지 이메일로 문의해 주세요. 감사합니다.
