[논문 리뷰] Flexible discrete space models of animal movement

Ephraim M. Hanks, David A. Hughes|arXiv (Cornell University)|2016. 06. 26.

Morphological variations and asymmetry참고 문헌 19인용 수 6

한 줄 요약

이 논문은 이산 래스터 격자 위에서 연속시간 마르코프 체인(CTMC)을 사용하여 동물 이동을 모델링하기 위한 유연하고 계산적으로 효율적인 프레임워크를 소개한다. 환경 공변량을 통합하고, 누락된 텔레메트리 데이터는 스택드 웨이트드 리크레던스(SWL) 방법을 통해 처리한다. 이 방법은 표준 일반화선형모형(GLM) 소프트웨어를 사용하여 LASSO와 스퍼인 커브 스무딩을 활용한 페널라이즈드 리크레던스 추론을 가능하게 하여, 방향성 편향과 공간적으로 변화하는 이동 속도와 같은 복잡한 이동 행동을 정확하고 해석 가능한 방식으로 모델링한다.

ABSTRACT

Movement drives the spread of infectious disease, gene flow, and other critical ecological processes. To study these processes we need models for movement that capture complex behavior that changes over time and space in response to biotic and abiotic factors. Penalized likelihood approaches, such as penalized semiparametric spline expansions and LASSO regression, allow inference on complex models without overfitting. Continuous-time Markov chains (CTMCs) have been recently introduced as a flexible discrete-space model for animal movement. Modeling with CTMCs involves discretizing an animal's path to the resolution of a raster grid. The resulting stochastic process model can easily incorporate environmental and other covariates, represented as raster layers, that affect directional bias and overall movement rate. We introduce a weighted likelihood approach that allows for modeling movement using CTMCs, with path uncertainty due to missing data modeled by imputing continuous-time paths between telemetry locations. The framework we introduce allows for inference on CTMC movement models using existing software for fitting Poisson regression models, including penalized versions of Poisson regression. The result is a flexible, powerful, and accessible framework for modeling a wide range of animal movement behavior.

연구 동기 및 목표

• 시간과 공간에 따라 변화하는 환경적 요인에 반응하는 복잡한 동물 이동 행동을 모델링하기 위한 유연하고 접근 가능한 프레임워크를 개발하는 것.
• 이동 모델링에서 텔레메트리 데이터의 누락 문제를 다루기 위해 다중 착수(imputation)와 리크레던스 기반 추론을 통합하는 것.
• 기존 GLM 소프트웨어를 활용해 이동 속도와 방향성 편향의 반파rametric 모델링을 위한 페널라이즈드 리크레던스 추정(예: LASSO, 스퍼인 스무딩)을 가능하게 하는 것.
• 실제 텔레메트리 데이터에서 시간에 따라 변화하는 행동과 공간적으로 변화하는 이동 패턴을 포함한 현실적인 이동 역학을 포착하는 데에 이 방법의 유용성을 입증하는 것.

제안 방법

• 이동을 이산 래스터 격자 위에서 연속시간 마르코프 체인(CTMC)으로 모델링하며, 인접한 셀 간 이동은 환경 공변량에 의존하는 전이율에 의해 결정된다.
• 방향성 편향과 이동 속도는 로그선형 모형으로 표현한다: α_ij = exp{m(x_i,y_i) + e'_ij(p(x_j,y_j) - p(x_i,y_i))}, 여기서 m(x,y)는 이동성 표면이고 p(x,y)는 퍼텐셜 표면이다.
• B-스플라인 전개를 통해 공간적으로 변화하는 표면 m(x,y)와 p(x,y)를 계수 δ_k와 γ_k를 사용해 추정함으로써, 민감하고 반파arametric 모델링이 가능해진다.
• LASSO 회귀를 통한 페널라이즈드 리크레던스를 적용하여 공간적으로 변화하는 이동 매개변수를 동시에 선택하고 추정함으로써 과적합을 줄이고 모델 선택을 가능하게 한다.
• 누락된 데이터를 처리하기 위해 연속시간 경로를 텔레메트리 포인트 사이에 착수하고, 해당 리크레던스 기여도에 따라 가중치를 적용하는 스택드 웨이트드 리크레던스(SWL) 방법을 구현한다.
• 특히 페널라이즈드 GLM 패키지를 포함한 기존 일반화선형모형(GLM) 소프트웨어를 사용하여 효율적인 추론을 수행함으로써, 계산적으로 비용이 큰 MCMC 방법을 피한다.

실험 결과

연구 질문

• RQ1 이산 래스터 격자 위에서 연속시간 마르코프 체인(CTMC)을 사용해 방향성 지속성과 이동 속도의 변화와 같은 복잡한 동물 이동 행동을 어떻게 모델링할 수 있는가?
• RQ2 계산적으로 비용이 큰 베이지안 MCMC 방법에 의존하지 않고, 이동 분석에서 누락된 텔레메트리 데이터를 효과적으로 모델링하는 방법은 무엇인가?
• RQ3 LASSO와 같은 페널라이즈드 리크레던스 방법은 고차원 공간적으로 변화하는 매개변수 공간에서 과적합을 방지하고 모델 선택을 가능하게 하기 위해 CTMC 이동 모델에 어떻게 적응시킬 수 있는가?
• RQ4 스택드 웨이트드 리크레던스(SWL) 추론을 갖춘 CTMC 프레임워크는 실세계 텔레메트리 데이터에서, 예를 들어 북극 터키새와 나방개미의 데이터에서처럼 시간에 따라 변화하는 행동과 공간적으로 변화하는 이동 패턴을 어느 정도 정확하게 재현할 수 있는가?

주요 결과

• CTMC 모델은 북극 터키새의 시간에 따라 변화하는 이동 행동을 성공적으로 포착하였으며, 환경 조건과 연관된 이동 패턴의 변화를 드러냈다.
• 나방개미의 경우, 모델은 명확한 공간 패턴을 드러냈다: 수색자 개미들은 퍼텐셜 힐(queen의 위치)을 피했고, 둥지 개미들은 통로 근처에서 더 높은 이동 속도를 보였다.
• B-스플라인 전개와 LASSO 페널라이제이션을 사용한 반파arametric 모델은 이전의 파라메트릭 모델보다 더 세밀한 통찰을 제공하였으며, 공간적으로 비균일한 이동 속도와 방향성 편향을 식별하였다.
• 스택드 웨이트드 리크레던스(SWL) 접근법은 표준 GLM 소프트웨어를 사용해 효율적인 추론을 가능하게 하였으며, MCMC와 유사한 정확도를 달성하면서도 훨씬 더 빠르고 접근성이 높았다.
• AIC와 페널라이즈드 리크레던스를 통한 모델 선택은 복잡한 공간적으로 변화하는 매개변수를 가진 상황에서도 과적합을 피하면서도 핵심 환경적 이동 자극 요인을 견고하게 식별할 수 있었다.
• 적합된 CTMC 모델에서 시뮬레이션된 이동 경로는 터키새와 개미 데이터 양쪽 모두에서 관측된 공간 사용 패턴을 정확하게 재현하였으며, 이는 모델의 현실성과 예측 능력을 검증하는 데 기여하였다.