중층저서동물(메조조오플랑크톤, Mesozooplankton)은 해양 생태계의 핵심 구성요소로서, 식물플랑크톤을 섭식하고 어류 개체군에 영향을 줌으로써 1차 생산자와 상위 영양 단계 사이의 주요 매개자 역할을 한다. 이들은 펠라직 먹이그물과 수출 생산(export production)에서 중추적인 역할을 수행하며, 탄소 및 영양염의 생지화학적 순환에 영향을 미친다. 따라서 메조조오플랑크톤 군집 역학을 정확하게 모델링하고 시각화하는 것은 해양 생태계의 양상에 대한 이해와 효과적인 관리 전략 수립에 필수적이다. 그러나 이러한 역학을 모델링하는 일은 물리적, 화학적, 생물학적 요인들 사이의 복합적 상호작용과, 이론 기반 모델에서 상세한 매개변수화 및 피드백 메커니즘이 충분히 이해되지 않았다는 점 때문에 여전히 어렵다. 그래프 신경망(graph neural network, GNN) 모델은 다변량 특성을 예측하고 입력 변수들 간의 상관관계를 정의하는 데 유망한 접근법을 제공한다. GNN의 높은 해석력은 변수들 사이의 구조적 관계에 대한 심층적 통찰을 제공하며, 이를 통해 딥러닝 알고리즘에서 연결 행렬(connection matrix)로 활용할 수 있다. 다만, 입력 변수들 간의 상호작용이 학습 과정에서 모델 출력에 어떻게 영향을 미치는지에 대한 이해는 부족하다. 본 연구에서는 메조조오플랑크톤 종에 대한 예측 정확도를 예측하기 위해 GNN 모델을 학습하는 데 사용된 생태계 역학의 그래프 구조가 어떠한 영향을 미치는지 조사한다. 그 결과, 예측 정확도는 생태계 역학 내의 상호작용과 밀접하게 관련됨을 확인하였다. 특히 노드의 수를 늘린다고 해서 항상 모델 성능이 향상되는 것은 아니며, 서로 밀접하게 연결된 종들은 경향 및 정점 도달 시점(timing) 측면에서 유사한 예측 출력을 보이는 경향이 있다. 따라서 우리는 관심 있는 종에 대한 영향력 있는 정보를 제공함으로써 생태계 역학의 그래프 구조를 통합하면 메조조오플랑크톤 모델링의 정확도를 향상시킬 수 있음을 입증한다. 이러한 결과는 메조조오플랑크톤 종에 영향을 미치는 주요 요인들에 대한 통찰을 제공하고, 이들 종을 예측하기 위한 적절한 그래프의 구축이 중요함을 강조할 것이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.