Pitta nympha¶

팔색조 Pitta nympha 가 세 번째 실전 예제입니다. Bradypus가 기능 입문을, Ariolimax가 래스터 조화화를 보여줬다면, 이 사례 연구의 목적은 다릅니다 — 발표된 Java MaxEnt 분석을 QMaxent로 재현하고 두 파이프라인을 나란히 비교하는 것입니다.

기준 연구는 Lee et al. (2025), Breeding habitat prediction and nest-site characteristics of the fairy pitta (Pitta nympha) in Geoje-si, South Korea — Insights from a species distribution model, Global Ecology and Conservation 64 e03939 입니다. 이 연구는 ENMeval 기반 하이퍼파라미터 선택과 함께 고전 Java MaxEnt를 사용했으며, 우리는 동일한 데이터를 QMaxent의 elapid 백엔드를 통해 동일한 최종 하이퍼파라미터로 돌리고 두 결론이 어떻게 다른지 묻습니다.

배경과 원 논문¶

Lee et al. (2025) 는 2019–2023년 동안 거제시 전역에서 팔색조 둥지를 조사하여 47개 둥지를 확인했습니다. 그들은 10개 환경 변수로 번식 서식 적합도를 모델링했으며, 변수는 지형 (TWI, TIN, ASPECT, SLOPE), 토양 (SMI), 식생 (DBH, HEIGHT, AGE, PERCENT CANOPY COVER, SPECIES) 으로 분류 — 전체 인용은 참고문헌 참고. 60개 후보 모델 중 선택된 최적 모델은 LQH 피처 클래스와 정규화 배수 (RM) = 4 를 사용했고, 75/25 학습/검증 분할의 10 bootstrap replicate 평균 AUC = 0.881 ± 0.026 을 보고했습니다.

QMaxent로 같은 설정을 재현합니다.

데이터셋¶

거제시를 커버하는 30 m 해상도 환경 변수 10개와 47개 둥지 출현 지점. Lee et al. (2025) 보충자료가 래스터를 배포합니다 — 우리 로컬 사본에서는 각 래스터를 Table 1 코드 (TWI.tif, TIN.tif, …) 로 이름 변경했고, 두 범주형 래스터 (AGE.tif, SPECIES.tif) 는 LAYER_TYPE=thematic PAM 태그를 가져 QMaxent가 사용자가 토글하지 않아도 자동으로 categorical로 인식합니다.

QGIS에 모든 래스터와 출현 레이어를 로드한 모습:

거제시 환경 래스터 위에 표시된 Pitta nympha 출현 지점

Analysis 도크에 데이터 불러오기¶

① Data 에서 자동 인식이 잘 동작합니다 — AGE 와 SPECIES 가 [categorical], 나머지 8개가 [continuous] 로 표시되며, Check Raster Consistency 가 ✓ All 9 rasters share grid (CRS: EPSG:5186, resolution: 10 × 10) 을 보고:

Pitta nympha Data 탭 — 47 출현 지점, 9개 환경 래스터 (AGE와 SPECIES 자동 categorical), 모든 래스터가 공통 격자 공유

도크 하단 상태바: presence=47 background=6,980 train AUC=0.8735 CV AUC=0.7878 — 마지막 두 수치는 학습 후 채워집니다.

원 연구와 일치시킨 QMaxent 설정¶

② Parameters 에서 도구가 허용하는 한도 내에서 Lee et al. (2025) 의 최종 모델을 그대로 매핑:

Parameters 탭 — Manual selection LQH, Regularization multiplier 4.00, Random K-Fold k=4 (seed 0), Jackknife 활성화

설정	QMaxent	논문
피처 클래스	LQH	LQH ✓
정규화 배수	4.0	4.0 ✓
공간 CV	Random K-Fold, k=4	75/25 split ≡ k=4 ✓
배경 지점	10,000	10,000 ✓
Add presences to background	✓	(Java 기본값) ✓
편향 보정	Down-weight spatially clustered points	KDE bias raster (가장 가까운 등가)
Replicate	1 (단일 K-Fold)	10 bootstrap replicate ★

★ 두 도구가 갈라지는 지점 — Lee et al. 은 최종 75/25 분할을 bootstrap 재표본 추출로 10번 반복해 평균 AUC를 보고했습니다. QMaxent v0.1.x는 단일 K-Fold 패스를 실행 — 논문의 bootstrap 평균 평탄화는 보고된 AUC를 약 0.02–0.05 끌어올립니다.

▶ Run Maxent 클릭¶

학습 탭이 ~30초 후 완료되며 하단 상태바가 채워집니다 — train AUC = 0.8735, CV AUC = 0.7878.

ROC와 Jackknife — 논문과 비교¶

ROC 곡선은 학습과 CV 사이의 친숙한 건강한 격차를 보여줍니다:

Pitta nympha ROC 곡선 — 학습 AUC 0.873, 평균 CV ROC AUC 0.788 (4 fold)

Jackknife 변수 중요도가 예측 변수의 순위를 정렬합니다:

Jackknife 변수 중요도 — ASPECT, TWI, SPECIES가 가장 강한 고유 신호; CANOPY_COVER, SMI, DBH가 가장 약함

논문 Table 4와 나란히 비교:

순위	Lee et al. 2025 (% contribution)	QMaxent (Jackknife AUC drop)
1	TWI (48.6%)	TWI — 강한 "with-only" 0.775, 제거 시 AUC 하락
2	SPECIES (22.2%)	SPECIES — 두 번째로 큰 "without" 하락
3	ASPECT (13.8%)	ASPECT — 가장 높은 "with-only" 0.677
4	DBH (5.6%)	DBH ≈
5	SLOPE (3.2%)	SLOPE ≈
6	TIN (2.9%)	TIN ≈
7	SMI (1.4%)	SMI ≈
8	HEIGHT (1.1%)	HEIGHT ≈
9	AGE (0.6%)	AGE ≈
10	CANOPY COVER (0.4%)	CANOPY_COVER ≈

상위 3개 예측 변수와 그 순서가 두 파이프라인 사이에 동일합니다 (TWI, SPECIES, ASPECT). 하위 변수들은 약간 자리바꿈 — 그들의 기여가 단일 백분율 잡음 안에 있으니 예상되는 일 — 하지만 큰 그림은 일관됩니다.

한계 반응 곡선¶

9개 패널 반응 곡선 요약은 각 변수의 부분 의존성 모양을 보여줍니다. 지형적 선호는 남서향 사면 (ASPECT 200–300°), 완만한 경사 (SLOPE < 30°), 습한 골 (TWI 낮은 값에서 정점, 떨어졌다 다시 올라오는 패턴) 에 집중됩니다 — Lee et al. 의 3.2절이 논의하는 것과 동일한 정성적 패턴:

Pitta nympha 9개 예측 변수의 한계 반응 곡선

공간 투영¶

Results 탭의 ▶ Run Spatial Projection 클릭. 새 통합 사전 점검 다이얼로그가 NoData로 자동 마스킹될 범주형 코드와 SLOPE 외삽 둘 다 보고합니다:

범주형 마스크 정보와 SLOPE 외삽 경고가 결합된 단일 사전 점검 다이얼로그

Yes 클릭 후, 학습된 모델이 거제시 전역에 적용되며 결과 래스터가 QGIS에 자동 로드됩니다:

거제시 전역의 Pitta nympha 번식 서식 적합도 — 노자산, 가라산, 북병산 계곡림에 고적합도 집중

고적합도 핵심부가 Lee et al. 이 보고한 위치 (동부면, 남부면, 연초면) 와 일치합니다 — 발표된 공간 패턴의 독립적 QMaxent 재현.

우선조사 후보지¶

탐지 한계에 있는 종 — 팔색조 — 에 대해서는 Priority Sites for Survey 워크플로가 직접적인 현장 활용성을 가집니다. Discovery 모드, Top-N (highest first), 20 사이트, 1 km 출현 지점 최소 거리 설정:

Priority Sites 폼 — Discovery 모드, Top-N, 20개 사이트, 1000 m / 500 m 간격

▶ Extract Priority Sites 클릭 후, 후보가 가장 높은 적합도 셀에서 추출되며 한국 행정구역 명 (옥산리 / 이목리 / 수양동 …) 으로 역지오코딩됩니다:

Priority Sites 속성 테이블 — 한국어 역지오코딩된 행정 주소 (시도/시군/읍면동)

후보가 지도에 표시되며 현장으로 바로 가져갈 준비가 됩니다:

Pitta nympha 적합도 지도 위에 표시된 20개 우선조사 후보지

이 출력 GeoPackage는 후속 음향 모니터링 시즌이 표적할 대상이 됩니다 — Lee et al. (2025) 의 방법론을 능동적 조사 설계로 직접 확장.

학습된 모델 재사용¶

학습 시 작성된 model.pkl 은 나중에 다시 로드할 수 있습니다 — 갱신된 래스터에 재투영하거나 협력자와 공유할 때 유용. Data 탭의 Load existing model (.pkl)… 가 silent ordering 오류를 막는 변수 매핑 다이얼로그를 엽니다:

Map model variables to rasters 다이얼로그 — 9개 변수 모두 QGIS 레이어 명에 자동 매칭, SPECIES는 categorical로 정확히 태그됨

저장된 모델과 현재 QGIS 프로젝트 사이의 변수 명이 일치하면 매핑이 자동입니다. 다를 경우, 다이얼로그가 명시적 매핑을 강제 — 현재 명명 규약과 일치하지 않는 .pkl 을 로드할 유일한 방법은 의식적으로 매핑을 다시 명시하는 것입니다. Python pickle 보안 안내는 모델 저장 및 재사용 참고.

논의 — 일치와 차이¶

항목	일치도
상위 3개 변수 (TWI, SPECIES, ASPECT)	✓ 동일
고적합도 영역의 공간 패턴	✓ 같은 산맥, 같은 계곡
AUC 크기	논문 0.881 ± 0.026 vs QMaxent CV 0.788 — 단일 replicate vs bootstrap 평균 차이로 설명
범주형 처리	등가 (Java MaxEnt는 raster attribute table로 인코딩, QMaxent는 elapid의 OneHot으로)
편향 보정	다른 메커니즘 (외부 KDE raster vs 거리 가중 점), 비슷한 효과

QMaxent는 발표된 결론을 어느 정성적 결론도 바뀌지 않을 정도로 재현합니다. 이는 SDM에서의 도구 간 재현성에 대한 실용적 시험입니다 — "AUC가 소수점 세 자리까지 일치하는가" 가 아니라 (알고리즘 차이를 고려하면 그럴 수 없습니다), "두 보고서를 모두 읽은 reviewer가 동일한 생물학적 결론에 도달하는가" — 답은 yes 입니다.

본 예제가 보여주는 것¶

발표된 Java-MaxEnt 연구의 종단간 재현 — QMaxent의 elapid 백엔드 사용
PAM LAYER_TYPE=thematic 메타데이터를 통한 범주형 변수 자동 인식 — 사용자 토글 불필요
단일 사전 점검 다이얼로그 — 학습 안 된 범주형 코드 (NoData 자동 마스킹) 와 연속 외삽을 한 화면에서 처리
역지오코딩된 우선조사 후보지 — 모델을 실행 가능한 현장 조사 설계로 직접 연결

팔색조는 동아시아의 문화적·생태적 상징종이며, QMaxent는 Lee et al. 이 이 종에 적용한 엄밀성을 QGIS를 떠나지 않고 그대로 재현할 수 있게 합니다.