베이지안 정보 엔트로피 기반 공간 모델 평가 기법 개발

본 연구는 인간‑자연 상호작용을 포함하는 복합 시스템에서 토지 이용 변화를 예측하는 모델의 정확도를 기존 통계적 지표만으로는 충분히 평가하기 어렵다는 문제의식에서 출발한다. 이를 해결하고자 저자들은 정보 이론의 엔트로피 개념을 베이지안 확률론과 결합한 새로운 평가 프레임워크를 제시한다. 먼저, Shannon 엔트로피를 토대로 “추가 정보 엔트로피”(additional informational entropy)를 정의하고, 이는 모델 예측이 실제 관측과 비교했을 때 남는 불확실성의 양을 정량화한다. 기존의 Percent Correct Metric(PCM), Kappa, Area under ROC Curve(AUC)와 같은 지표는 전체적인 정확도는 제공하지만, 전이(변화)와 비전이(정체) 상황을 구분하지 못한다는 한계가 있다. 이를 보완하기 위해 베이지안 양성예측값(PPV)과 음성예측값(NPV)을 도입하여 각각 전이가 실제 발생했을 때와 발생하지 않았을 때 모델이 올바르게 예측할 확률을 제공한다. 또한, 변환계수(Cb)는 혼동 행렬의 네 요소(TP, FP, FN, TN)를 이용해 관측과 시뮬레이션 사이의 정보 흐름 효율성을 측정한다. 연구 대상 지역은 미국 위스콘신 주 남동부에 위치한 7개 카운티(총 면적 약 2,500 km²)이며, 1963년부터 1990년까지의 토지 이용 변화를 분석한다. 인공신경망 기반 Land Transformation Model(LTM)을 사용해 과거와 현재의 토지 이용 데이터를 학습·예측하였다. LTM은 도시, 역사적 중심지, 수계, 고속도로 등 8개의 공간적 전이 요인을 입력 변수로 사용한다. 모델은 전체 셀의 50%를 학습 패턴으로, 나머지를 테스트 패턴으로 활용했으며, 500,000 학습 사이클 동안 가중치를 100 사이클마다 재설정하고 평균 제곱 오차(MSE)를 기록하였다. 대규모 영역 전체에 대한 시뮬레이션은 계산량이 과다하므로, 저자들은 표본추출 전략을 설계하였다. 먼저 영역을 2.5 km²(30 m 해상도 기준 6,889 셀) 크기의 정사각형 박스로 나눈 뒤, 각 박스의 도시 변화 비율과 배제 구역(도시, 도로, 수역 등) 비율을 결합한 지표 Iₛ = Δ_urban / Δ_exclusion을 계산한다. 이 지표를 기반으로 30분위로 구분하고, 각 분위에서 무작위로 30개의 박스를 선택해 총 90개의 표본을 확보하였다. 표본은 세 그룹(A, B, C)으로 계층화했는데, A는 모든 박스를 포함하고, B는 배제 구역 비율이 도시 변화 비율의 두 배 이하인 박스만, C는 배제 구역 비율이 도시 변화 비율 이하인 박스만 포함한다. 이렇게 함으로써 배제 구역 비중이 모델 성능에 미치는 영향을 단계적으로 분석할 수 있었다. 시뮬레이션 결과는 기존 지표와 새롭게 제안한 베이지안 지표 모두에서 보고되었다. PCM, Kappa, AROC은 전반적으로 높은 값을 보였으나, 전이와 비전이 각각에 대한 세부적인 성능 차이를 드러내지 못했다. 반면, PPV는 전이 발생 지역에서 평균 0.71(±0.08)의 높은 예측 정확도를 보였으며, NPV는 비전이 지역에서 0.84(±0.05)로 비교적 높은 신뢰도를 나타냈다. Cb 값은 그룹 A에서 0.62, 그룹 B에서 0.48, 그룹 C에서 0.35로 감소했는데, 이는 배제 구역 비중이 높아질수록 정보 손실이 커짐을 의미한다. 또한, 엔트로피 분석을 30 m, 100 m, 250 m 해상도로 수행한 결과, 해상도가 증가할수록 엔트로피 값이 감소하고, 공간적 불확실성이 감소하는 경향을 보였다. 이는 모델이 더 큰 스케일에서는 전이 패턴을 보다 일반화하여 포착하지만, 미세한 지역 변동성은 놓칠 수 있음을 시사한다. 논의에서는 베이지안 정보 엔트로피 기반 지표가 기존 통계적 지표와 상호 보완적으로 작용한다는 점을 강조한다. 특히 정책 입안자나 토지 이용 계획 담당자는 PPV와 NPV를 통해 특정 지역에서의 변이 예측 신뢰도를 직접 확인할 수 있으며, Cb를 활용해 모델 개선이 필요한 영역을 식별할 수 있다. 또한, 스케일 의존성 분석은 데이터 수집 및 모델링 단계에서 적절한 해상도를 선택하는 데 실용적인 가이드를 제공한다. 결론적으로, 이 논문은 베이지안 정보 엔트로피와 전통적 정확도 지표를 결합한 평가 체계가 복합 인간‑자연 시스템 모델링에서 불확실성을 정량화하고, 모델 개선 방향을 제시하는 데 효과적임을 입증한다. 향후 연구에서는 다중 클래스(다중 토지 이용 유형) 상황에 대한 확장, 동적 베이지안 네트워크와의 연계, 그리고 실시간 데이터와의 통합을 통해 평가 프레임워크를 더욱 정교화할 여지가 있다.