개미 군체의 포식‑피식 및 우호‑적대 관계 예측 모델

초록

본 연구는 목수개미 두 군집에서 관찰된 포식‑피식 및 친구‑적대 상호작용 데이터를 기반으로, 행동 유형을 구분하고 향후 상황을 예측할 수 있는 초기 모델을 제시한다. 실험 설계, 영상 추적, 행동 라벨링, 통계·머신러닝 분석 과정을 상세히 기술하고, 모델의 정확도와 한계, 향후 적용 가능성을 논의한다.

상세 분석

이 논문은 개미 군체 내 복합적인 상호작용을 ‘포식‑피식’, ‘우호‑적대’, ‘기타’ 세 가지 범주로 구분하고, 각각을 정량화하기 위한 데이터 파이프라인을 구축한 점이 가장 큰 특징이다. 먼저 연구팀은 두 개의 목수개미( Camponotus ) 군집을 실험실 환경에 격리시킨 뒤, 고해상도 카메라와 적외선 조명을 이용해 72시간 동안 연속 영상을 촬영하였다. 영상은 프레임당 30 fps로 기록되었으며, 개미 개체별 위치와 궤적을 자동 추적하기 위해 OpenCV 기반의 배경 차감 및 Kalman 필터를 적용하였다.

행동 라벨링 단계에서는 인간 관찰자가 ‘공격’, ‘회피’, ‘접촉’, ‘무시’ 등 12개의 세부 행동을 사전 정의하고, 각 프레임에 대해 다중 라벨링을 수행하였다. 라벨링된 데이터는 5‑fold 교차 검증을 통해 신뢰도를 평가했으며, 평균 인터‑관찰자 일치도(Kappa) = 0.82로 높은 일관성을 보였다.

통계적 분석에서는 각 행동이 발생한 시점과 주변 개미 밀도, 온도·습도 같은 환경 변수, 그리고 개미의 연령·역할(여왕, 일개미, 병정) 등을 독립 변수로 설정하고, 로지스틱 회귀와 다항 로지스틱 모델을 적용해 행동 유형별 발생 확률을 추정하였다. 특히, ‘공격’ 행동은 병정 개미의 비율이 15 % 이상일 때, 그리고 주변 개미 밀도가 30 개/cm²를 초과할 때 유의하게 증가한다는 결과가 도출되었다.

머신러닝 모델로는 랜덤 포레스트와 Gradient Boosting Machine(GBM)을 사용했으며, 입력 피처는 1초 윈도우 내 위치 변화량, 근접 개미 수, 과거 5초간 행동 히스토리 등 25개였다. 최종 모델의 평균 정확도는 87 %였으며, 특히 ‘우호‑적대’ 구분에서 91 %의 F1‑score를 기록했다. 모델 해석을 위해 SHAP 값을 분석한 결과, ‘접촉 지속 시간’과 ‘상대 개미의 역할’이 가장 큰 기여도를 보였으며, 이는 기존 생태학적 가설과 일치한다.

제한점으로는 실험실 환경이 자연 서식지와 차이가 크고, 두 군집만을 대상으로 했기 때문에 일반화 가능성이 제한적이다. 또한, 영상 기반 추적에서 겹침(overlap) 현상이 발생해 일부 행동이 누락될 가능성이 있다. 향후 연구에서는 야외 필드 데이터를 추가하고, 딥러닝 기반의 멀티오브젝트 트래킹(MOT) 모델을 도입해 추적 정확도를 높이는 방안을 제시한다.

전반적으로 이 논문은 개미 군체 행동을 정량화하고 예측 모델을 구축하는 데 필요한 전처리, 라벨링, 통계·머신러닝 통합 워크플로우를 제시함으로써, 사회성 곤충 연구와 로보틱스·스웜 인공지능 분야에 실용적인 도구를 제공한다는 점에서 의의가 크다.