AI와 머신러닝을 사용하여 새들의 서식지를 찾는다.

 

풀이 무성한 박스검 숲은 한때 호주 남동부의 수백만 평방 킬로미터를 덮었지만 현재는 5% 미만만 남아 있다. 크고 오래된 나무의 손실은 서식지를 위해 나무에 의존하는 많은 종의 새와 기타 동물에게 위기가 되었다.

 

이 서식지를 교체하는 것은 쉽지 않다. 수백 년 된 나무를 만드는 빠른 방법은 없다.

우리가 할 수 있는 한 가지는 나무가 살 수 없거나 너무 어리고 작은 열악한 환경에서 크고 오래된 나무의 특징을 모방한 인공 구조물을 만드는 것이다. 우리는 캔버라의 몰롱글로(Molonglo) 지역에서 이를 수행하기 위해 호주 수도 특별구 공원 및 보존 서비스(Australian Capital Territory Parks and Conservation Service)와 협력해 왔다.

 

이러한 인공 구조물을 만들기 위해서는 동물의 관점에서 무엇이 좋은 서식지인지 알아야 한다. 그리고 이를 알아내기 위해 우리는 AI와 머신러닝을 사용하여 인간이 아닌 이해관계자(이 경우에는 새와 나무)를 디자인 프로세스에 포함시키는 방법을 개발했다. 실제로 우리는 크고 오래된 나무를 수석 디자이너로 등록하고 새를 작업에 대한 안목 있는 평가자로 등록했다.

 캔버라 근처에 복잡한 캐노피가 있는 커다란 오래된 나무. 우리는 AI를 사용하여 4,122개의 가지를 추출하고 분류했다. 스타니슬라프 루다브스키 / 알렉스 홀랜드

 

나무, 새, 전봇대

몰롱글로(Molonglo)는 한때 번성했던 생태계를 호스팅하지만 지금은 파편화되고 손상되었다. 큰 오래된 나무는 점점 더 드물어지고 있다.

수령이 500년이 넘은 이 나무들은 새 둥지, 채집 및 휴식에 필수적인 복잡한 캐노피 구조를 제공한다. 도시 개발이 확장되고 오래된 나무가 죽으면서 이러한 거대 기업이 남긴 공백을 메우는 것이 과제이다.

 

전신주(왼쪽)와 걸림돌(오른쪽)을 포함한 기존 인공 서식지 구조는 큰 오래된 나무가 제공하는 캐노피 구조를 복제할 수 없다. 스타니슬라프 루다브스키 / 알렉스 홀랜드

 

수정된 전신주와 재배치된 죽은 나무(또는 걸림돌)가 이전에 대체 서식지로 이 지역에 도입되었다. 이러한 구조는 심어진 나무 묘목에서는 발생하지 않는 높은 농어, 둥지 상자 및 나무 껍질과 같은 중요한 서식지 기능을 제공할 수 있다. 그러나 크고 오래된 나무의 어떤 특징이 새에게 중요한지 정확히 이해하는 것은 매우 어렵다. 이는 인공 구조물의 가치를 제한한다.

 

이미지와 기타 데이터를 주의 깊게 분석하면 이러한 특징을 식별하는 데 도움이 된다. 예를 들어, 우리와 공동 연구자들은 새들이 앉거나 둥지를 틀기 위해 작은 수평 가지를 선호한다는 것을 발견했다.

새를 연구함으로써 우리는 나무가 이미 설계한 특정 특성에 대한 새의 선호도를 알 수 있다. 우리의 다음 과제는 이 정보를 사용하여 더 나은 서식지 구조를 설계하는 것이었다.

 

나무로부터 배우기

 

우리의 프로세스는 레이저 스캐닝과 AI를 사용하여 나뭇가지를 인식하고 새가 나뭇가지를 어떻게 사용하는지 평가한 다음 잠재적인 인공 구조물을 생성하고 새가 나뭇가지를 어떻게 사용할 수 있는지 평가한다. 스타니슬라프 루다브스키 / 알렉스 홀랜드

 

우리는 데이터 캡처, 예측 모델링 및 반복 설계가 포함된 프로세스를 사용했다. 복잡한 공간 데이터를 해석하는 데에는 AI와 머신러닝이 반드시 필요했다.

먼저, 우리는 나무 캐노피를 점 구름으로 포착하기 위해 표면의 각 제곱센티미터에서 수백만 개의 레이저 빔을 반사하여 각 나무를 매핑했다. 그런 다음 알고리즘을 사용하여 가지의 방향, 크기 및 연결과 같은 중요한 속성을 식별하고 측정했다. 이러한 속성에 대한 새 선호도를 더 잘 이해하면 인공 대체를 위한 설계에 대한 정보를 얻을 수 있다.

 

다음으로, 우리는 새의 행동을 예측하기 위한 통계 모델을 개발했다. 이 모델은 호주 국립 대학교의 필립 기븐스(Philip Gibbons)가 이끄는 새 상호 작용에 대한 장기간 관찰을 기반으로 했다. 새들이 인공 가지를 어떻게 사용하는지 시뮬레이션함으로써 우리는 그들의 요구 사항을 더 잘 충족할 수 있도록 디자인을 개선할 수 있었다.

 

인공 서식지를 재구상하다.

케이블과 막대의 경량 구조를 사용하여 기존 전신주에 부착하는 인공 나무의 한 버전(오른쪽). 적합성 시각화는 불편하게 기울어진 가지를 파란색으로, 거의 수평에 가까운 가지를 빨간색으로 표시한다. 두께는 노출을 나타내므로 접근 용이성을 나타낸다. 밝기는 지면으로부터의 거리를 나타낸다. 스타니슬라프 루다브스키 / 알렉스 홀랜드

 

다양한 인공 나무 크라운을 생성하기 위해 우리는 추가 알고리즘을 개발했다. 인간의 눈에 나무와 얼마나 유사한지 결과 디자인을 판단하는 대신, 우리는 새 행동 모델을 사용하여 이러한 구조가 조류 거주자에게 어떻게 도움이 될 수 있는지 알아냈다.

우리의 추가 목표는 설치, 재구성 및 제거가 쉬운 경량 구조를 만드는 것이었다. 우리의 시뮬레이션에 따르면 전신주 및 걸림돌과 비교하여 이러한 구조는 서식지 적합성을 크게 향상시킬 수 있다.

 

현장으로 복귀

우리는 현재 우리의 디자인을 바탕으로 프로토타입을 제작하고 있지만 이 프로세스의 마지막 단계는 새들이 어떻게 생각하는지 알아보기 위한 현장 테스트가 될 것이다. 새는 인공 구조물과의 상호 작용을 통해 인공 구조물의 특성에 대한 피드백을 제공할 수 있다. 이 테스트는 디자인을 더욱 향상시키는 데 도움이 된다.

 

새나 나무와 같은 인간이 아닌 이해관계자의 경우에도 디자인 프로세스는 현재 인간의 관점과 전문 지식에 의해 지배된다. 우리의 연구 결과는 창의적인 기여와 판단의 범위를 넓히는 것이 디자인 프로세스를 어떻게 향상시킬 수 있는지를 보여준다. 이 설계 프로세스의 결과는 피난처나 기타 자원을 지속적으로 제공하는 "지속적인 서비스"의 형태를 취할 수 있다.

 

우리는 더 나은 인공 구조물을 건설하기를 바라지만, 크고 오래된 나무를 대체할 수 있는 진정한 대체물은 없다는 점을 기억하는 것이 중요하다. 우리는 또한 우리가 가지고 있는 나무를 보존하고 미래를 위해 더 많은 나무를 심어야 한다.

 

디자인에 대한 더 넓은 의미

우리가 캔버라에서 사용한 인간 이상의 디자인 원칙은 더 광범위하게 적용된다. 전 세계의 많은 환경이 비슷한 문제에 직면해 있다. 설계 및 계획에 대한 현재 접근 방식을 재고함으로써 우리는 다양한 생명체를 위한 보다 포괄적이고 탄력적인 환경을 만들 수 있다.

본질적인 변화는 다른 종을 디자인의 혁신가이자 전문 참여자로 대하는 것이다. 고래, 박쥐, 꿀벌과 소통하려는 기존 노력을 확장하는 이 접근 방식은 AI를 사용하여 인간이 아닌 생명체의 입력을 통합하여 새롭고 더 나은 디자인을 생성한다.

우리의 사례 연구는 인간이 아닌 존재를 포함하는 참여적 접근 방식이 인간의 편견을 해결하는 방법을 보여준다. 결과적으로 우리는 훨씬 더 다양한 디자인의 가능성을 열어준다.

 

공정한 디자인

세계는 많은 긴급한 환경 위기에 직면해 있다. 이러한 과제를 해결하려면 혁신적이고 포괄적인 설계 접근 방식이 필요하다. 새가 자신의 작업을 훌륭하게 판단하는 것처럼 나무는 이미 훌륭한 디자이너이다. 새의 의견을 포함한다면 더 나은 "인간 이상의" 디자인을 만들 수 있다.

우리는 AI를 사용하여 인간이 아닌 이해관계자에게 목소리를 제공할 수 있으면 많은 종이 함께 살 수 있는 더 나은 솔루션으로 이어질 수 있다고 믿는다. 캔버라에서의 우리의 작업은 참여적 디자인이 어떻게 모든 존재를 위해 보다 공평하고 지속 가능한 미래를 창조할 수 있는지 보여주는 예이다.