Climate-based Pre-screening of Self-sustaining Regreening Opportunities in Drylands: A Case Study for Saudi Arabia

본 논문은 기계 학습과 원격 감지를 활용하여 사우디아라비아의 건조한 건조지에서 관개 없이 토착 식생이 번성할 수 있는 비용 효율적이고 자급 자족적인 녹화 기회를 식별하기 위한 확장 가능한 기후 기반 선별 프레임워크를 제시하며, 이를 통해 전국 규모의 후보지를 성공적으로 13 개의 우선 순위 지역으로 축소했습니다.

핵심

황무지를 울창한 정원으로 바꾸려 상상해 보세요. 세계 많은 지역에서 사람들은 나무를 심고 물을 많이 주어 이를 시도합니다. 하지만 물이 금처럼 귀한 사우디아라비아와 같은 곳에서는 이 접근법이 종종 실패합니다. 식물을 너무 많이 물주면 게을러져 호스가 꺼지면 살아남지 못합니다. 결국 정원은 죽고 물은 낭비됩니다.

이 논문은 끊임없는 호스가 필요 없이 자연이 스스로 회복되기를 원하는 사우디 사막의 특정 지점을 찾아내도록 설계된 스마트 "사전 점검" 시스템과 같습니다.

연구자들이 이를 수행한 방법을 간단한 단계로 나누어 설명합니다:

1. 문제: 추측은 비용이 많이 듭니다

보통 나무를 심기 좋은 장소를 찾기 위해서는 그곳으로 차를 타고 가서 토양을 파고, 물을 확인하고, 식물을 살펴봐야 합니다. 이는 느리고 비용이 많이 듭니다. 게다가 위성 사진 (녹색 정도를 보여줌) 을 보는 것은 까다로울 수 있습니다. 사막에서는 작은 녹색 패치가 자연림이 아니라 농부의 관개 농장일 수 있습니다. 혹은 패치가 갈색으로 보이지만 실제로는 비를 기다리는 깊은 뿌리가 있을 수도 있습니다.

2. 해결책: "기후 적합성 점수"

연구자들은 머신 러닝(컴퓨터 두뇌의 한 유형) 을 사용하여 디지털 탐정을 구축했습니다. 그들은 이 컴퓨터에게 사우디아라비아의 기후 역사를 분석하게 하여 하나의 질문에 답하도록 가르쳤습니다: "여기에 토착 나무를 심는다면, 스스로 생존할 수 있을까?"

• 학습: 그들은 컴퓨터에게 230 개의 서로 다른 "샘플 지점"을 보여주었습니다. 어떤 곳은 자연적으로 울창하고 푸르고, 어떤 곳은 건조한 사막이며, 어떤 곳은 인간이 땅을 황폐화시킨 곳 (예: 과방목 지역) 이었습니다.
• 데이터: 단순히 "뜨거운지 추운지?"만 보는 대신, 컴퓨터는 5 년 동안 토양 수분, 바람, 증발, 강수량 등 23 가지 기후 요인을 분석했습니다.
• 결과: 컴퓨터는 사우디아라비아의 1 평방 인치마다 **기후 적합성 점수 (CSS)**를 부여했습니다. 점수가 높다는 것은 기후가 식물이 도움 없이 생존하기에 완벽하다는 뜻이며, 점수가 낮다는 것은 너무 가혹하다는 뜻입니다.

3. "골든 존" 찾기

높은 점수만으로는 부족합니다. 만약 한 곳이 이미 울창한 숲이라면, 그것을 "복원"할 필요가 없습니다. 연구자들은 다음과 같은 특정 조합을 찾았습니다:

• 높은 기후 점수: 기후가 숲을 지탱할 수 있음.
• 낮은 녹화도: 땅이 현재 갈색이거나 벌거벗어 있음.

이들을 **"기회 구역"**이라고 불렀습니다. 기후가 "여기서 자랄 수 있다"고 말하지만, 과거의 피해나 과방목으로 인해 현재는 비어 있는 곳들입니다.

4. 목록 축소

전국 지도에서 그들은 25 개의 유망한 지점을 찾았습니다. 하지만 거기서 멈추지 않았습니다. 그들은 "현실 필터"를 적용했습니다:

• 도시와 너무 가까운가? (아니오, 도시 확장과 충돌하고 싶지 않습니다.)
• 단단한 바위가 있는 화산 지대에 있는가? (아마도 아닐 것입니다. 뿌리가 자라기 어렵습니다.)
• 실제로 트럭을 туда 보낼 수 있는가? (네, 접근이 필요합니다.)

이 필터를 거친 후, 그들은 현장 테스트를 준비한 13 개의 우선순위 위치만 남겼습니다.

5. 성공을 위한 "청사진"

복원된 땅이 어떻게 보여야 하는지 어떻게 알 수 있을까요? 그들은 기후 유사체라는 교묘한 트릭을 사용했습니다.

새로운 도시에 집을 짓고 싶다면, 날씨와 토양이 정확히 같은 인근 도시에 있는 집을 살펴봅니다. 그 기존 집이 당신의 "청사진"입니다.

• 연구자들은 13 개의 목표 지점과 정확히 같은 날씨를 가진 기존 건강한 생태계를 찾았습니다.
• 그들은 그 건강한 지점들이 얼마나 푸른지 측정했습니다.
• 발견: 평균적으로 목표 지점은 현재보다 2.5 배 더 많은 식생을 지탱할 수 있었습니다. 이는 현실적인 목표를 제시합니다: "우리는 이것을 열대우림으로 바꿀 필요가 없습니다. 단지 그 건강한 이웃처럼 보이게 하면 됩니다."

결론

이 논문은 아직 나무를 심지 않습니다. 대신 정책 입안자와 과학자들에게 어디를 먼저 찾아봐야 하는지 알려주는 비용 효율적인 지도를 제공합니다. 기후 데이터와 컴퓨터 모델을 사용하여 값비싼 추측을 건너뛰고, 제한된 자원을 자연이 스스로 "네, 여기서 자랄 수 있다"고 말할 가능성이 가장 높은 13 개 지점에 집중할 수 있습니다.

씨앗이 시들어버리지 않고 심을 정확한 날을 알려주는 일기예보와 같습니다.

기술 요약

기술적 요약: 건조지대에서의 자생적 녹화 기회에 대한 기후 기반 사전 선별

문제 제기
사우디 그린 이니셔티브와 같은 건조지대의 대규모 토지 복원은 종종 식생 정착을 위해 집약적인 관개에 의존합니다. 지하수 보충이 농업 및 인구 수요를 충족할 수 없는 물 부족 지역에서는 이러한 접근 방식이 지속 가능하지 않습니다. 지속적인 외부 투입 없이 자생 식생을 지탱할 수 있는 위치와 그렇지 않은 위치를 구분하는 것이 핵심적인 과제입니다. 정규화 식생 지수 (NDVI) 에 의존하는 전통적인 선정 방법은 건조 기후에서 종종 오해를 불러일으킵니다. 낮은 NDVI 값은 복원에 적합한 황폐화된 토지를 나타낼 수도 있고 단순히 황량한 사막을 나타낼 수도 있으며, 높은 NDVI 값은 자연적 지속성이 아닌 관개 농업의 반영일 수 있습니다. furthermore, 토양 및 수질에 대한 포괄적인 현장 평가는 비용이 많이 들고 확장하기 어렵습니다. 현장 캠페인을 우선순위화하기 위해 기후 데이터만을 기반으로 복원 기회를 식별하는 확장 가능하고 비용 효율적인 사전 선별 프레임워크가 필요합니다.

방법론
저자들은 식생 생존을 위한 기후 적합도 점수 (CSS) 를 생성하기 위한 머신 러닝 기반 프레임워크를 제안합니다. 방법론은 다음과 같은 단계를 포함합니다:

1. 데이터 통합: 본 연구는 사우디아라비아의 ERA5-Land 데이터셋 (2020~2024 년, 23 개 기후 변수, 3 시간 간격 해상도) 과 다년 NDVI 데이터 (eVIIRS 및 Sentinel-2) 를 활용합니다.
2. 훈련 데이터 구축: 현재 식생과 기후 적합성 간의 단순 상관관계를 깨기 위해 230 개의 전문가가 선정한 샘플 위치 데이터셋을 생성하여 네 가지 범주로 분류했습니다:
   • 높은 적합성/높은 식생 (지속적인 자연 식생).
   • 낮은 적합성/낮은 식생 (황량한 토지).
   • 낮은 적합성/높은 식생 (관개 농업).
   • 높은 적합성/낮은 식생 (회복 잠재력이 있는 황폐화된 토지).
3. 모델 아키텍처: 압축된 기후 벡터에 대해 두 가지 보완적인 머신 러닝 모델을 훈련시켰습니다:
   • 최적 선형 불편 추정량 (BLUP): 정량 유전학의 방법을 차용하여 입력 압축을 위해 푸리에 계수 선택을 사용합니다.
   • 신경망 (NN): 잠재 벡터 압축을 위한 오토인코더를 사용한 후 분류기를 사용합니다.
   • 앙상블 접근법: 두 모델 모두 다양한 입력 크기에 걸쳐 평가되었습니다. 어느 한 모델이 일관되게 다른 모델을 능가하지 않았기 때문에, 견고성을 높이고 과적합을 피하기 위해 앙상블 접근법 (결과 평균화) 을 채택했습니다.
4. 기회 매핑: CSS 를 여름철 NDVI 데이터와 결합하여 "기회 구역"을 식별했습니다: 기후적 적합도는 높지만 현재 식생 피복은 낮은 지역입니다. 이 대비 지도는 관개 농업 시스템 (높은 NDVI, 낮은 CSS) 과 건조 사막 (낮은 NDVI, 낮은 CSS) 을 필터링합니다.
5. 다중 기준 필터링: 상위 25 개 후보는 고해상도 이미지를 사용하여 고도, 지형, 정착지와의 근접성, 접근성, 가시적 식생 구조를 기준으로 추가 선별되어 13 개의 우선순위 위치로 축소되었습니다.
6. 벤치마킹: 각 후보에 대해 더 높은 NDVI 를 가진 기후적으로 유사한 intact 생태계를 식별하여 현실적인 복원 목표 및 종 선정 템플릿으로 활용했습니다.

주요 결과

• 모델 성능: BLUP 및 신경망 모델은 적합성 패턴을 예측하는 데 있어 강한 일치 (교집합 대비 합집합 71%) 를 보여, 결과가 알고리즘적 인공물이 아닌 견고한 기후 신호에 기반함을 검증했습니다.
• 공간적 분포: 모델은 남서부 고지대 (아시르, 자잔) 와 홍해 해안 평야에서 높은 적합성 지역을 성공적으로 식별했으며, 초건조 내륙 (루브알할리) 에는 낮은 적합성을 올바르게 할당했습니다.
• 후보 식별: 프레임워크는 국가 규모에서 13 개의 실행 가능한 복원 부지로 검색 공간을 축소했으며, 이 부지들은 다양한 기후대 (홍해 해안, 내륙, 북부, 아시르 고지대) 와 지형 (와디, 화산 기저, 평야) 을 아우릅니다.
• 복원 목표: 후보 위치를 기후적으로 유사한 자생 생태계와 비교함으로써, 연구는 집약적인 관개 없이도 이러한 지역에서 식생 피복이 평균적으로 2.5 배 증가할 수 있다고 추정합니다.
• 구분: 이 접근법은 자연적으로 지속되는 식생, 회복 잠재력이 있는 황폐화된 토지, 그리고 관개에 의존하는 농업적으로 유지되는 녹지를 성공적으로 구분했습니다.

의의 및 주장
본 논문은 물 제한 지역에서 장기적인 생태적 잠재력이 더 높은 경관으로 복원 노력을 유도하는 확장 가능하고 비용 효율적인 사전 선별 도구를 제공한다고 주장합니다. 기후 단독으로 식생을 지원할 수 있는 부지를 우선순위로 함으로써, 프레임워크는 프로젝트 실패 위험과 지속 불가능한 관개 의존 프로젝트에 대한 자원 낭비를 줄이는 것을 목표로 합니다.

저자들은 그들의 접근 방식이 다음과 같음을 강조합니다:

• 비용 절감: 전 세계 기후 데이터만을 사용하여 후보를 필터링함으로써 광범위한 현장 캠페인의 필요성을 최소화합니다.
• 현실적인 기대치 설정: intact 자생 생태계를 벤치마크로 사용하여 달성 가능한 식생 밀도 목표를 정의함으로써, 물 부족 환경에서의 과도한 심기를 방지합니다.
• 이전 가능성: 사우디아라비아에서 시연되었지만, 지역 미세 기후를 고려한 새로운 훈련 데이터를 수집한다면 북아프리카, 중앙아시아, 호주, 미국 남서부 등 전 세계 다른 건조지대에도 적용 가능합니다.

본 연구는 ERA5 데이터셋의 조잡한 해상도 (9km) 로 인해 좁은 와디를 놓칠 수 있다는 점, 훈련 데이터셋의 제한된 크기, 그리고 현장 검증 토양 데이터의 부재를 포함한 한계를 인정합니다. 그러나 저자들은 모델 출력의 일관성과 알려진 생태적 패턴과의 정합성이 초기 복원 계획 수립을 위한 CSS 접근법의 타당성을 입증한다고 주장합니다.