Animal Welfare
Artificial Intelligence's Potential in Zoo Animal Welfare
Artificial Intelligence’s Potential in Zoo Animal Welfare
- 저자: M. Liptovszky; Emily Polla
- 출처: Zoo biology (2025)
- DOI/링크: https://doi.org/10.1002/zoo.70008
- 연구 계열: Topics/Animal Welfare
- 투고일: 2024-06-20
TL;DR
AI는 동물원·수족관에서 개체 식별, 공간 이용 및 행동의 자동 모니터링에 활용되고 있다. 미어캣 사례에서는 연중무휴 행동 평가와 공간 이용 시각화를 구현했으며, 적용 확대에는 종·환경별 검증과 전문가 협력이 필요하다고 제안했다.
1. 연구 배경 및 동기
- 다루는 문제: 동물원·수족관의 복지 평가에는 동물의 행동·생리 상태를 정기적으로 측정하는 일이 중요하다. 수작업 관찰은 시간과 인력이 많이 들어 다양한 종과 개체로 확대하기 어렵다는 문제를 제기했다.
- 기존의 공백 / 왜 필요한가: 동물원·수족관의 AI 활용 연구는 가축·반려동물·실험동물 분야보다 뒤처져 있다. 비포유류 연구와 행동·생리·환경 정보를 통합한 복지 평가가 부족하다.
2. 관련 연구
- 기존 연구 흐름: 가축에서는 행동 인식, 번식 시점 예측, 질병 징후 탐지에 AI를 활용했다. 반려동물과 실험동물에서는 개체 식별, 발성 분류, 통증 평가 및 자동 행동 추적 연구가 진행됐다.
- 이 논문의 위치: 여러 동물 분야의 AI 활용 문헌을 동물원·수족관 복지 평가의 관점에서 정리했다. 저자들이 구축한 미어캣 CCTV 분석 사례를 함께 제시했다.
3. 핵심 기여
- 개체 식별·행동 분석·건강 모니터링 기술의 동물원 적용 가능성을 정리했다.
- 포유류 편중, 환경 정보 통합 부족, 학습 데이터 편향을 주요 과제로 제시했다.
- 미어캣 영상 분석부터 공간 이용 시각화까지 이어지는 실제 구축 사례를 제시했다.
- 기관 간 기술 공유와 동물 관리·IT·개발 전문가의 협력을 제안했다.
4. 제안 방법론
- 전체 접근 논리: AI 관련 문헌을 가축, 반려동물, 실험동물, 동물원·수족관·야생동물로 나누어 활용 사례와 한계를 정리했다. 미어캣 사육장 영상 분석 시스템의 구축·운영 사례를 추가했다.
- 단계:
- 동물 분야별로 개체 식별, 행동 분석, 건강·복지 모니터링 사례를 정리했다.
- 동물원·수족관 적용의 제약과 데이터 통합, 비포유류 연구, 기술 공유 방향을 논의했다.
- 미어캣 사례에서는 카메라 5대의 일일 120시간 영상에서 프레임 수를 줄이고 정지 영상을 분석해 탐지 위치와 신뢰도를 기록했다.
- 개체 간 거리와 지정 물체에 대한 근접 정보를 처리하고 Microsoft PowerBI 대시보드와 열지도로 시각화했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 가축·반려동물·실험동물·동물원·수족관·야생동물의 AI 활용 문헌. 별도 사례 대상은 미어캣 사육장이다. |
| 처리 조건 | - |
| 대조군 | 해당 없음(리뷰) |
| 측정 방법 | 개체·종 식별 성능, 행동 분류, 위치 추적, 공간 이용, 건강 징후 탐지 및 적용 한계를 종합했다. 미어캣 사례에서는 탐지 위치·신뢰도, 개체 간 근접, 지정 물체 이용 및 시간대별 행동을 분석했다. |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| 고릴라 개체 식별 정확도 | 97% | Brookes et al., 2022 |
| 북극곰 개체 식별 신뢰도 | 86.4% | Zuerl et al., 2022 |
| 북극곰 위치 추정 정확도 | 약 20 cm | Zuerl et al., 2022 |
| 수마트라오랑우탄 종 탐지 정확도 | 95% | Congdon et al., 2022 |
| 수마트라오랑우탄 개체 식별 정확도 | 단일 이미지 80%, 50장 92% | Congdon et al., 2022 |
| 바다거북 행동 분류 정확도 | 최대 87% | 종·방법별 상이, Jeantet et al., 2018 |
| 미어캣 탐지의 자세 의존성 | 기존 분류기 실패, MegaDetector 탐지 | 전형적인 직립 경계 자세 이외 |
| 미어캣 행동·공간 이용 모니터링 | 24시간·주 7일 평가, 공간 이용 열지도 | 저자들의 구축 사례 |
제안 기전(인과 사슬):
자동 수집한 행동·생리·환경 데이터의 AI 통합 분석 → 부정적 상태의 조기 탐지 → 관리자의 조기 개입 → 추가적인 복지·건강 악화 예방 가능성
7. 비판적 평가
강점
- 여러 동물 분야의 기술 사례를 동물원·수족관의 적용 과제와 연결했다.
- 실제 미어캣 시스템 구축 사례로 학습 데이터 편향과 전문가 협력의 중요성을 설명했다.
한계 · 의문
- 문헌 검색 DB·기간·검색어, 포함·제외 기준 및 전체 검토 문헌 수를 제시하지 않았다.
- 기존 연구는 포유류에 편중됐으며, 단순한 실험실 환경의 성능을 복잡한 동물원 환경에 그대로 적용하기 어렵다.
- 미어캣 사례의 탐지 성능은 정량 수치 없이 기술했으며, 실제 복지 개선 효과를 수치로 제시하지 않았다.
8. 향후 연구 방향
- 행동·생리·환경 데이터를 통합해 실시간 복지 평가와 조기 개입을 지원한다.
- 비포유류와 복잡한 사육 환경에서 기술을 개발·검증하고 학습 데이터 편향을 점검한다.
- 지역 동물원 단체를 통해 기술·경험을 공유하고 동물 관리·IT·개발 전문가 간 협력을 확대한다.
9. 결론
AI는 개체 식별과 행동·공간 이용 분석을 자동화해 동물원·수족관의 복지 모니터링을 확대할 가능성이 있다. 실제 적용에는 종과 환경에 맞춘 개발, 사람의 전문적 검토, 조직적 지원과 기관 간 경험 공유가 중요하다고 결론지었다.
Keywords
artificial intelligence, animal welfare, zoo, aquarium, behavior monitoring, animal identification, welfare assessment, automation