입자의 궤적이 장(field)을 드러내듯, 하천에 띄운 드리프터의 표류 궤적이 회차마다 쌓이면 쓰레기가 어디로 흘러 어디에 모이는지 — 눈에 보이지 않던 이동장이 데이터로 떠오른다. 아래는 낙동강 하구 좌표에서 수집한 샘플 궤적으로 그 과정을 재현한 것이다.
슬라이더로 방류 회차(궤적 수)를 늘려 보라. 궤적 몇 개는 선일 뿐이지만, 쌓일수록 쓰레기의 이동 밀도장이 드러나고 병목·연안에 핫스팟이 맺힌다. 강우 조건을 바꾸면 장이 이동한다.
왜 “장(field)”인가 — 궤적 한 줄은 우연일 수 있지만, 수십·수백 회 쌓이면 개별 우연은 사라지고 물길이 만든 구조만 남는다. 이 구조가 이동장이고, 여기서 어디를 먼저 치울지가 나온다. 더 많은 회차 = 더 또렷한 장 = 더 정확한 우선순위. 이것이 시민이 반복해서 띄울수록 좋아지는 이유다.
하나의 궤적이 어떻게 수거 우선순위가 되는가.
한 대의 드리프터가 남긴 한 줄. 정보는 적다.
여러 회차가 겹치며 물길의 갈래가 보이기 시작한다.
궤적을 격자에 누적하면 이동 밀도장이 떠오른다.
퇴적 지점을 군집화해 수거 우선순위를 뽑는다.
도면·펌웨어·데이터 표준이 열려 있으므로, 각국 커뮤니티는 자국 하천에 같은 드리프터를 띄우고 같은 방식으로 궤적을 쌓는다. 1년이면 세계의 주요 배출 하천·하구마다 연안 기록의 이동장이 축적된다. 아래는 그 확산을 투영한 것이다(실측 아님 — 각국 데이터가 채운다).
하나의 하천에서 검증한 보정계수는 특정 강이 아니라 부유체의 물리 성질이라 다른 하천으로 옮겨간다. 그래서 새 지역은 훨씬 적은 회차로 장을 세울 수 있다 — 개방이 곧 가속이다.
어떻게 만드나 — ① 드리프터가 GPS 좌표를 이동통신망으로 전송 → ② 서버가 궤적으로 조립 → ③ OpenDrift 물리 표류 모델을 실측 궤적으로 보정 → ④ 궤적을 격자에 누적해 밀도장 추정 → ⑤ 퇴적 군집을 핫스팟으로 추출.
정직 경계 — 이 페이지의 낙동강 장은 샘플 궤적(3회차) 기반이고, 누적·전지구 패널은 투영이다. 학습된 신경망이 미래를 “예측”하는 것이 아니라, 물리 모델을 실측으로 보정한다. 정확도 수치나 완성된 전지구 데이터를 주장하지 않는다 — 실측 파이프라인이 회차로 채워간다.