국립공원에 서식하는 생물종의 분포모델 평가: 남색이마잠자리(곤충강: 잠자리목)를 중심으로

권순직; 김태근

추천

검색

질문

자료유형: 학술저널

저자정보: 권순직 (애일) 김태근 (국립공원공단)

저널정보: 국립공원연구원 국립공원연구지 국립공원연구지 제14권 제1호

발행연도: 2023.6

수록면: 89 - 99 (11page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 기후변화 지표종 중 하나이고, 남방계열 생물종인 남색이마잠자리(Brachydiplax chalybea flavovittata Ris, 1911 (Insecta: Odonata), 이하 B. chalybea flavovittata)를 대상으로 생물종의 보전과 관리를 위한 유용한 정보를 제공하고, 보다 정확하고 연구목적에 최적인 분포모델을 개발하기 위해서 가장 기본적인 입력데이터와 환경변수가 분포모델에 영향을 미치는 2가지 요인을 평가하고자 한다. 특정 지역으로 편중된 위치데이터와 환경변수인 생물기후변수의 다중공선성에 따른 모델의 예측정확도를 비교하였다. 이를 위해서 사용된 남색이 마잠자리의 서식 확인된 위치데이터는 GBIF 데이터베이스에서 수집하고 19개 생물기후변수는 Worldclim 데이터베이스에서 수집하였다. 위치데이터의 편중성은 위치데이터 상호간 일정한 거리를 두고 선택한 4가지 종류의 데이터를 이용하고, 환경변수의 다중공선성은 분산팽창계수(Variation Inflation Factor, VIF)를 이용하여 다중공선성 여부를 처리하였다. 7개 분포모델에 전처리된 데이터를 적용하고 3가지 평가지표(Kappa, TSS, AUC)로 모델의 예측정확도를 비교하여 분석하였다. 7개 분포모델은 비교를 위해서 기계학습과 회귀모델 기법 중에서 선택하였다. 기계학습 모델은 부트스 회귀 트리(Boosted Regression Trees, BRT), 랜덤 포레스트(Random Forest, RF) 및 서포트 벡터 머신(Support Vector Machine, SVM), 분류 및 회귀 트리(Classification And Regression Trees, CART), MaxEnt이고, 회귀모델은 일반화 선형모델(Generalized Linear Model, GLM), 다변량 적응형 회귀 스플라인(Multivariate Adaptive Regression Splines, MARS)이다. 전반적으로 모델의 예측정확도는 비선형관계 등 생물종과 환경변수의 복잡한 상호관계를 더 잘 설명하는 기계학습 방법의 랜덤포레스트(RF) 모델이 다른 모델에 비해 상대적으로 우수하였다. 일반적으로 접근하기 쉬운 지역으로 조사되는 생물종 위치데이터의 편중성은 모든 모델에서 예측정확도에 영향을 주고 다중공선성은 모델에 따라 다양하였다. 본 연구는 생물종의 보전을 위한 연구목적에 부합하는 최적의 생물종 분포모델을 개발하는데 고려해야 할 기본지침을 국립공원 야생동물의 서식지를 효과적으로 관리하는데 필요한 기초자료로 활용하리라 기대된다.

This study aims to provide useful information for the conservation and management of Brachydiplax chalybea flavovittata (Ris, 1911) (Insecta: Odonata), which is a climate-sensitive biological indicator species, and to develop a more accurate and optimal distribution model that aligns with the research objectives. To achieve this, we intend to evaluate two factors that influence the prediction accuracy of the distribution model. In order to compare the prediction accuracy of the models based on biased location data in a specific region and based on the multicollinearity of environmental variables known as bioclimatic variables, the confirmed habitat locations of B. chalybea flavovittata were collected from the GBIF database, and 19 biological climate variables used as environmental variables were collected from the Worldclim database. The bias of the location data was examined using four types of data selected with a certain distance between the location data. The multicollinearity of the environmental variables was assessed using the Variation Inflation Factor (VIF). Preprocessed data were applied to seven species distribution models, and the prediction accuracy of the models was compared and analyzed using three evaluation metrics (Kappa, TSS, AUC). Among machine learning and regression models, seven distribution models were used for comparison. The machine learning models included Boosted Regression Trees (BRT), Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Trees (CART), and MaxEnt, while the regression models included Generalized Linear Models (GLM) and Multivariate Adaptive Regression Splines (MARS). Overall, the prediction accuracy of the models was better explained by the Random Forest (RF) model, which is a machine learning method that better captures the complex relationship between species and environmental variables, compared to other models. The bias of location data, which is more commonly surveyed in easily accessible areas, affected the prediction accuracy in all models, while multicollinearity varied depending on the model. This study is expected to serve as fundamental guidance for developing an optimal species distribution model that aligns with the research objectives of species conservation and it can be utilized as foundational data for effective management of wildlife habitat in national parks.

#국립공원 #생물종 분포모델 #남색이마잠자리 #1911 (Insecta: Odonata) #위치데이터의 편중성 #환경변수의 다중공선성 #species distribution model #national parks #Brachydiplax chalybea flavovittata Ris #bias of location data #multicollinearity of environmental variables

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)