Effects of Data Bias on Habitat Change Estimation Using Species Distribution Models

자료 편향이 종분포모델 기반 서식지 변화 추정에 미치는 영향

The purpose of this study was to apply occurrence data from different time periods to the species distribution model, MaxEnt, and to analyze the potential issues that may arise, thereby examining the applicability and limitations of the model. In particular, the study aimed to understand the impact of data bias during this process. The study focuses on environmentally sensitive species (squirrel and hare) and environmentally tolerant species (wild boar and roe deer), setting two distinct analysis periods and constructing environmental variables to compare and evaluate habitat suitability. The results showed that the model's AUC values exceeded 0.7, indicating that MaxEnt performed adequately in predicting habitat suitability. However, it was also found that the spatial bias in occurrence data could significantly influence model outcomes. This suggests that spatial and temporal biases may distort habitat change interpretations and that differences in survey methodologies and data collection periods across institutions can substantially impact modeling results. This study demonstrates the importance of carefully assessing and correcting biases in occurrence data when applying machine learning models to temporal habitat change research. This is expected to improve the reliability of habitat change detection.

본 연구의 목적은 시계열적으로 다른 시기의 출현자료를 종분포모델인 MaxEnt에 적용하고, 이때 발생할 수 있는 문제점을 분석함으로써 모델의 적용 가능성과 한계를 검토하는 것이었다. 특히, 이 과정에서 자료의 편향성이 미치는 영향을 이해하고자 하였다. 연구에서는 환경 변화에 민감한 종(다람쥐, 멧토끼)과 둔감한 종(멧돼지, 노루)을 대상으로 두 개의 분석 시기를 설정하고, 환경 변수를 구축하여 서식지 적합성을 비교·분석하였다. 분석 결과, 모델의 AUC 값이 0.7 이상으로 나타나 MaxEnt가 서식지 적합성을 예측하는 데 적절한 성능을 보였지만, 출현자료의 공간적 편향성이 모델 결과에 영향을 미칠 가능성을 확인하였다. 이는 시·공간적 편향이 서식지 변화 해석을 왜곡할 수 있으며, 기관별 조사 방식 및 시기 차이에 따른 자료 편향성이 모델링 결과에 큰 영향을 미칠 수 있음을 시사하였다. 본 연구는 기계학습 기반 모델을 시계열적 서식지 변화 연구에 적용할 때, 출현자료의 편향성을 면밀히 검토하고 보정해야 할 필요성을 보여주었으며, 서식지 변화 탐지의 신뢰도를 높이는데 기여할 것으로 기대된다.