연대측정은 고기후 연구에서 근간이 되는 과정이지만, 연대측정 자료는 필연적으로 불연속적인 자료에 해당한다. 따라서 다수의 선행 연구들에서는 불연속적인 자료로 시료 전체 구간에 대한 객관적이고 연속적인 연대를 얻기 위해 통계적 기법을 사용하여 연대모델을 작성하고 있다. 특히, 최근 많은 연구가 수행되고 있는 동굴생성물 연대모델 작성의 경우 통계 알고리즘이 흔히 적용되고 있다. 그러나 동굴생성물 연구에서 통계기법에만 의존하여 작성된 연대모델은 연대측정 구간 내 존재하는 실제 주요 성장률 변화를 반영하지 못할 수 있다. 따라서 이번 연구에서는 통계 알고리즘에 의해 작성된 연대모델 별 차이점을 분석하고, 효율적인 동굴생성물 연대모델 작성을 위한 기법을 정립하고자 한다.
동굴생성물 개별 시료의 성장률 특성에 따른 통계 알고리즘 결과의 차이를 파악하기 이전, 우선적으로 기존 문헌에 제시된 118개의 동굴생성물 시료 중 연대자료 개수가 5개 미만이거나 역전된 연대를 다수 포함하는 자료를 제외한 106개의 시료의 연대자료를 활용하여 성장률 변화 유형을 분류하였다. 그 결과, 동굴생성물의 성장률 특성은 성장률 변화가 없는 선형 유형(L type), 급격한 성장률 변화 유형(A type), 점진적 성장률 변화 유형(G type), 휴지기를 포함하는 불연속적 성장률 변화 유형(D type)으로 분류할 수 있고, 각각 L type 25%, A type 19%, G type 20%, D type 36%를 차지하는 결과를 보였다.
앞서 분류한 성장률 변화 유형에 대하여 세 가지 통계 알고리즘인 StalAge, COPRA, MOD-AGE를 구동하였을 때 같은 연대측정 값에도 불구하고 성장률 변화패턴을 다르게 재현하는 문제점을 확인하였다. 이는 각 알고리즘 내에서는 객관적 자료를 제시한다고 가정할 수 있으나, 알고리즘 개발자의 주관적 견해가 개입된 결과로 해석된다. 따라서 각 알고리즘 구동 특성을 파악하여 개별 시료의 성장률 특성 표현에 적합한 통계 알고리즘을 적용하는 것이 중요한 선택 기준이 되어야 할 것으로 판단하였다. 이러한 해석을 검증하기 위해 각 성장률 유형 별로 나누어 통계 알고리즘을 적용하여 그 결과에 대해 실제 연대측정값과 알고리즘 결과 사이의 차이를 확인하는 부합성 평가(conformity test)를 수행하였다. 또한, 상대적으로 적은 수의 연대측정값을 활용한 결과와 다수의 연대측정값에 의해 작성된 결과 사이의 연대모델 차이와 성장률 변화 특성 예측 정도를 분석하는 예측성 평가(predictability test)도 실시하였다. 그 결과, 여러 성장률 변화 유형 중 1회 이상의 급격한 성장률 변화를 포함하는 A type의 경우 부합성 측면에서는 COPRA과 MOD-AGE, 예측성 측면에서는 StalAge를 사용한 연대모델이 가장 적합한 결과를 보였다. G type은 부합성, 예측성 측면에서 모두 COPRA가 우세한 결과를 보였으며, D type은 부합성 측면에서는 COPRA가 우세한 결과를 보이지만 예측성 측면에서 연대측정 위치와 개수에 따라 StalAge의 연대모델 작성이 우세한 결과를 보이는 것을 확인하였다.
통계 알고리즘 결과의 최종 해석을 위해 각 연대측정 입력 값 사이의 조직적 자료를 획득함으로써 통계 알고리즘 결과의 추가 보완 및 검증을 시도하였다. 기존 참고문헌과 함께 국내 석순시료 10점을 대상으로 조직적 특성 별 시간적 정보의 의미를 확인하였다. 이 연구에서는 성장축(growth axis) 변화, 연간 성장띠 분석(annual band counting), 이질층(impurity layer) 등의 특성을 대상으로 조직 분석을 수행하였고, 그 결과를 토대로 강원도 영월군 소재 삼각산수직굴의 석순에 적용시켜 재검증하였다. 결론적으로 동굴생성물 조직적 특성 중 일부는 통계 알고리즘 선택 및 결과 해석에 중요하게 활용될 수 있기 때문에 세부 조직적 특성 별 시간적 의미를 지속적으로 연구할 필요가 있다.
이번 연구에서는 통계 알고리즘의 효율적 활용을 위해 연대측정 및 조직적 자료를 모두 종합하는 다음과 같은 최종 연대모델 작성 기법 표준안을 제안하고자 한다. 연대측정의 위치는 통계적 연대모델 결과에 영향을 미치므로 조직적 특성에 근거한 연대측정 자료 획득이 필요하며, 통계 알고리즘 적용 이전 성장률 변화 유형에 적합한 알고리즘 선택이 필요하다. 따라서 동굴생성물 연대모델 작성은 ① 시료 준비, ② 암석조직 분석, ③ 우라늄 계열 연대측정, ④ 성장률 변화 유형 파악, ⑤ 통계 알고리즘 선택 및 구동, ⑥ 최종 연대모델 작성의 순서로 수행하는 것이 가장 합리적이다.

In the paleoclimate study, age dating is the most fundamental procedure, but it has inherently involved discontinuous properties. Several paleoclimate researches constructed age-depth model using statistical methods. However, it may not be able to recognize the major changes in the depositional pattern that would be included between individual dating points depending on simple using statistical methods. In this study, we purposed that analyzed the differences between the statistical algorithms and established protocol for the efficient construction of age-depth models for speleothems.
Prior to identifying the differences in statistical algorithm results according to the growth characteristics of individual speleothems, 106 samples of types of growth rate changes were classified by utilizing data from 106 samples, excluding those containing a number of age data less than 5 or reversed dates, among 118 samples presented in the references. As a result, the growth characteristics of speleothems could be classified into type of linear growth (L type), type of abrupt changes in growth rate (A type), type of gradual changes in growth rate (G type), and type of discontinuous changes in growth rate (D type) including hiatus, accounting for 25% of L types, 19% of A types, 20% of G types, and 36% of D types, respectively.
For the classified types of growth rate changes, the different results of reproducing the type of growth rate changes, despite using the same input data, was identified when 3 statistical algorithms (StalAge, COPRA and MOD-AGE) were operated. This can be assumed to present objective results within each algorithm, but is interpreted as a result of the subjectivity of the algorithm developer. Therefore, it was determined that each algorithm driving characteristic should be identified and that suitable statistical algorithm should be applied to the presentation of growth characteristics of individual speleothems. To verify this interpretation, a statistical algorithm was applied by each type of growth rate changes, to determine the difference between the age data and the statistical results. In addition, a predictability test was conducted to estimate the differences in the age-depth model between results using a relatively small number of age data and those produced by a large number of age data and the degree of prediction of type of growth rate changes. As a result, for Type A, which includes more than one abrupt change in growth rate among different types of growth changes, the age-depth model with COPRA and MOD-AGE in terms of conformity and predictability showed the most appropriate results. Type G showed high results in both conformity and predictability models, and D type confirmed that the COPRA age-depth models was high conformity but StalAge results was high predictability depending on the number of the dating and dating points.
Further supplementation and verification of statistical model results were attempted by obtaining textural information between each age data for the final interpretation of statistical algorithm results. Along with the existing references, the meaning of temporal information by organizational characteristics was identified among 10 stalagmites from the South Korea. In this study, organizational analysis was performed on the characteristics of growth axis change, annual band counting, and clay layers etc., and based on the results, it was applied to the stalagmites of Samgaksan cave in Yeongwol-gun, Gangwon-do. Conclusion It is necessary to continuously study the temporal meaning of each detailed organizational characteristic because some of the textural characteristics of speleothems could be used significantly in statistical algorithm selection and interpretation for results.
In this study, we would like to propose the protocol for final age-depth model that combined both chronological and textural data for the efficient use of statistical algorithms. Since the location of the chronology measurement affects the results of the statistical model, it is necessary to obtain chronological data based on textural characteristics, and to select an algorithm suitable for the type of growth change before applying the statistical algorithm. Therefore, it is most reasonable to prepare a age-depth model for speleothems in the order of preparation of ① preparation for stalagmite samples ② macro or micro-scale textural analysis ③ 230Th age dating ④ determining the changes in growth rate types ⑤ construction of statistical age-depth model ⑥ final age-depth models.