머신러닝으로 풀어보는 암석학: 지구화학·동위원소 데이터 기반 판구조 구분

초록

**
본 연구는 PetDB와 GEOROC에서 수집한 화산암의 주요 원소, 미량 원소, 동위원소 데이터를 활용해 서포트 벡터 머신(SVM)으로 판구조 환경을 분류한다. 주요·미량·동위원소를 모두 결합했을 때 평균 93%의 높은 정확도를 보였으며, 후방-아크 화산암은 65%로 가장 낮았다. 해양섬 화산암은 99%에 달하는 우수한 구분 성능을 나타냈다. 결과는 지구화학·암석학 연구에 새로운 분석 도구로 활용될 가능성을 제시한다.

**

상세 분석

**
이 논문은 기존의 판구조 구분 방법이 주로 선형 또는 다변량 통계에 의존하는 한계를 극복하고자, 기계학습 특히 서포트 벡터 머신(SVM)을 적용하였다. 데이터는 전 세계 화산암 표본을 포괄하는 PetDB와 GEOROC에서 추출했으며, 총 5개의 주요 원소(실리카, 티타늄, 알루미늄, 철, 칼슘·마그네슘·나트륨·칼륨), 17개의 선택된 미량 원소, 그리고 5개의 동위원소 비율을 포함한다. 이러한 다차원 특성은 서로 다른 판구조 환경에서 형성된 마그마의 원천과 진화 과정을 반영한다는 가정 하에 선택되었다.

전처리 단계에서는 결측값을 평균 대체법으로 보완하고, 각 변수는 Z-스코어 정규화를 통해 스케일을 통일하였다. 변수 간 상관관계를 파악하기 위해 피어슨 상관계수와 변수 중요도(특히 SVM의 가중치 기반) 분석을 수행했으며, 일부 고상관 변수는 차원 축소를 위해 주성분 분석(PCA)과 함께 검토되었다.

SVM 모델은 선형, 다항, RBF(방사형 기저 함수) 커널을 각각 시험했으며, 교차 검증(5‑fold)과 그리드 서치를 통해 최적의 정규화 파라미터(C)와 감마(γ)를 선정하였다. 최종 모델은 RBF 커널이 가장 높은 평균 정확도(93%)를 기록했으며, 이는 비선형 경계가 판구조 구분에 유리함을 시사한다.

분류 성능을 세부적으로 살펴보면, 해양섬(오버스톰) 화산암은 99%에 달하는 거의 완벽한 구분을 보였고, 대륙 경계와 섭입대에서도 90% 이상을 유지했다. 반면, 후방-아크(Back‑Arc) 화산암은 65%로 가장 낮은 점수를 받았는데, 이는 후방-아크 지역이 다른 판구조와 화학적 특성이 겹치는 경우가 많아 경계가 모호해지는 점을 반영한다. 혼동 행렬 분석을 통해 오분류된 표본이 주로 후방-아크와 섭입대 사이, 혹은 대륙 경계와 해양 섬 사이에서 발생함을 확인하였다.

연구진은 또한 변수 중요도 분석 결과, Sr, Ba, Rb와 같은 알칼리 토양 원소와 87Sr/86Sr, 143Nd/144Nd 같은 동위원소 비율이 판구조 구분에 핵심적인 역할을 한다고 결론지었다. 이는 기존의 판구조 구분 지표(예: Ti/Zr, Rb/Sr 등)와 일맥상통하면서도, 머신러닝이 다변량 상호작용을 자동으로 학습함으로써 보다 정교한 구분이 가능함을 보여준다.

한계점으로는 데이터 불균형(특정 판구조 표본이 과다)과 결측값 처리 방식이 모델 성능에 미치는 영향, 그리고 SVM이 블랙박스 특성을 가지고 있어 해석 가능성이 제한된다는 점을 언급한다. 향후 연구에서는 딥러닝 기반의 신경망, 앙상블 기법(랜덤 포레스트, XGBoost) 등을 도입해 비교 분석하고, 데이터 증강 및 불균형 보정 기법을 적용해 후방-아크 구분 정확도를 향상시키는 방안을 제시한다.

결론적으로, 본 연구는 지구화학·동위원소 데이터를 통합한 머신러닝 접근이 판구조 환경을 높은 정확도로 자동 분류할 수 있음을 입증했으며, 이는 지구과학 전반에 걸쳐 지구화학적 타당성 검증, 지열·압력 추정, 화산재 출처 추적 등 다양한 응용 가능성을 열어준다.

**