Beyond the Breast Height: Leveraging Stump Diameter as a Robust Predictor of Biomass and Carbon Stocks in Tropical Acacia Plantations

기술 요약: 가슴 높이를 넘어 – 열대 아카시아 플랜테이션의 바이오매스 및 탄소 저량의 강력한 예측 인자로서 그루터기 직경 활용

문제 제기
수목 바이오매스의 정확한 추정은 열대림 관리, 기후 변화 완화, 그리고 REDD+ 모니터링에 있어 필수적이다. 전통적인 조사는 흉고직경(DBH)에 크게 의존한다. 그러나 밀집된 식생으로 인해 하층 식생이 가로막힌 경우, 부근(buttressed stem)이 있는 나무의 경우, 또는 가장 결정적으로 벌채 후 시나리오와 같이 나무가 쓰러진 상황에서는 DBH 측정이 실질적으로 불가능하거나 매우 어렵다. 이러한 상황에서는 그루터기 직경(지면 위 30cm 지점에서 측정)이 유일하게 사용 가능한 지표가 되는 경우가 많다. 그 잠재적 유용성에도 불구하고, 그루터기 직경은 특히 아카시아(Acacia) 종을 중심으로 열대 플랜테이션 임업에서 체계적인 예측 인자로서 연구가 미비했으며, 이로 인해 벌채 후 모니터링에는 적용할 수 없는 DBH 기반 모델에 의존하는 한계가 있다.

연구 방법론
본 연구는 방글라데시 실렛(Sylhet) 지역의 10개 플랜테이션 사이트를 대상으로 하며, 세 가지 분류군인 Acacia auriculiformis, Acacia mangium, 그리고 그 잡종(A. auriculiformis × A. mangium)에 초점을 맞추었다.

• 샘플링: 층화 무작위 추출 설계를 채택하여 다양한 크기 계층을 포괄하도록 1,050그루의 나무(종당 350그루)를 선정하였다.
• 파괴적 샘플링: 바이오매스 방정식을 보정하기 위해 75그루의 나무(종당 25그루)를 파괴적 샘플링하였다. 이 나무들은 벌채된 후, 105°C에서 일정 질량에 도달할 때까지 건조하기 위해 절단되었으며, 정밀한 줄기 바이오매스를 결정하기 위해 무게를 측정하였다.
• 측정 항목: 샘플링된 모든 나무에 대해 그루터기 직경($d_{st}$, 30cm 지점), DBH (1.3m 지점), 총 높이, 그리고 줄기 높이를 기록하였다.
• 모델링 접근 방식: 연구진은 다음을 포함한 14개의 모델을 평가하였다:
  • 회귀 모델: 그루터기 직경과 DBH 및 줄기 바이오매스 간의 관계를 나타내는 선형, 로그-로그(ln–ln), 다항 회귀.
  • 혼합 효과 모델(Mixed-Effects Models): 종 및 사이트 간의 무작위 변동을 설명하기 위해 사용됨.
  • 머신러닝: 비선형 관계와 상호작용을 포착하기 위해 랜덤 포레스트(Random Forest)와 그래디언트 부스팅(Gradient Boosting) 알고리즘을 구현함.
• 검증: 두 단계의 엄격한 검증 전략을 사용하였다: (1) 보정에 사용되지 않은 975그루의 독립된 데이터셋을 이용한 독립 검증, (2) 종별로 층화된 5-겹 교차 검증(five-fold cross-validation). 성능은 조정된 $R^2$, RMSE, AIC, Durbin-Watson 통계량 및 대응 표본 t-검정을 통해 평가되었다.
• 탄소 추정: 줄기 바이오매스는 종별 전환 계수(A. auriculiformis 0.475, A. mangium 0.480, 잡종 아카시아 0.485)를 사용하여 탄소 저량으로 변환되었다.

주요 결과

• 대리 지표로서의 그루터기 직경: 그루터기 직경은 세 가지 분류군 모두에서 DBH와 매우 안정적이고 강력한 상관관관계를 보였다. 로그-로그(ln–ln) 회귀 모델은 0.98 이상의 높은 조정된 $R^2$ 값과 낮은 RMSE(0.048–0.074), 그리고 편향되지 않은 잔차를 나타냈다.
• 바이오매스 예측: 그루터기 직경에 기반한 바이오매스 모델은 기존의 DBH 기반 모델과 대등하거나, 어떤 경우에는 더 나은 성능을 보였다. 간결한 ln–ln 그루터기 기반 모델은 0.945에서 0.968 사이의 조정된 $R^2$ 값을 달성하였다.
• 모델 성능:
  • 혼합 효과 모델: 이러한 모델은 특히 잡종 아카시아의 경우 편향을 유의미하게 감소시켜 사이트 간 일반화 능력을 향상시켰다.
  • 머신러닝: 랜덤 포레스트는 일관되게 그루터기 직경을 줄기 바이오매스의 가장 중요한 예측 인자로 식별하였다. 반면, 그래디언트 부스팅은 높은 겉보기 정확도에도 불구하고 과적합(overfitting) 징후를 보였으며, 이는 임업 분야에서 복잡한 알고리즘을 적용할 때 주의가 필요함을 시사한다.
• 검증: 독립 검증 및 교차 검증을 통해 그루터기 기반 예측이 편향되지 않았음(p > 0.05)을 확인하였으며, 좁은 신뢰 구간과 낮은 추정 표준 오차를 나타냈다.
• 탄소 저량: 종별 추정 결과, 잡종 아카시아가 탄소 저량 측면에서 가장 생산성이 높았으며, 그 뒤를 A. mangang과 A. auriculiformis가 이었다.

의의 및 주장
저자들은 본 연구가 특히 DBH를 사용할 수 없는 벌채 후 모니터링 문제를 해결함으로써, 신속한 바이오매스 평가 및 탄소 회계를 위한 실용적이고 확장 가능한 도구를 제공한다고 주장한다. 그루터기 직경을 DBH의 강력한 대리물로 검증함으로써, 본 연구는 벌채 후 스탠드(stand)의 바이오매스와 탄소 저량을 재구성하는 방법을 제시하며, 이는 REDD+ 및 IPCC Tier 2/3 프레임워크 하에서의 모니터링, 보고 및 검증(MRV)에 매우 중요하다.

본 연구는 효율적인 탄소 저량 모니터링을 가능하게 함으로써 기후 및 생물 다양성 목표, 특히 SDG 13(기후 행동)과 SDG 15(육상 생태계 보전)를 지원한다는 점을 강조한다. 파괴적 샘플링과 고급 통계 및 머신러닝 접근법의 통합은 밀집된 식생 및 벌채 지역을 포함한 다양한 현장 조건에서 정밀하고 효율적이며 종 특이적인 탄소 회계를 가능하게 하는 방법론적 틀을 구축한다. 저자들은 그루터기 기반 모델이 견고하지만, 편향과 과적합을 최소화하기 위해서는 혼합 효과 프레임워크의 사용과 (그래디언트 부스팅보다 랜덤 포레스트를 선호하는 것과 같은) 신중한 머신러닝 알고리즘 선택이 필수적이라고 강조한다.