Risk-service mismatches reveal conservation and restoration priorities in China’s major urban agglomerations

기술 요약: 중국 주요 도시 집적지의 리스크-서비스 불일치(Risk-Service Mismatches)

문제 제기
급격한 도시화는 생태적 공간을 파편화하고 토지 이용 구성을 변화시켜, 주요 도시 집적지 내부 및 주변 생태계에 복잡한 압력을 가한다. 경관 생태 리스크(LERI)가 교란에 취약한 지역을 식별하고 생태계 서비스 가치(ESV)가 기능적 이득을 정량화함에도 불구하고, 기존의 평가 방식은 종종 이러한 지표들을 독립적으로 다루거나 단순한 중첩(overlay) 방식으로 처리한다. 이러한 접근법은 두 가지 핵심적인 관리 시나리오를 구분하지 못한다는 한계가 있다. 즉, 높은 리스크에 노로출되어 보호와 리스크 제어가 필요한 '고가치 생태계'와, 저하되고 취약하여 기능적 복원이 필요한 '저가치 경관'을 구분하지 못하는 것이다. 또한, 기존 연구들은 다양한 수문학적 및 개발 맥락을 가진 지역 간의 비교 가능성이 부족하며, ESV 변동의 동인을 해석할 때 적절한 성능 스크리닝 없이 머신러닝 모델에 의존함으로써 인과 관계를 과장할 가능성이 있다.

연구 방법론
본 연구는 2000년부터 2020년까지 5개의 시점을 대상으로 중국의 세 가지 대조적인 도시 집적지인 징진지(BTH), 장강 삼각주(YRD), 광둥-홍콩-마카오 대만구(GBA)에 적용되는 "리스크-서비스 불일치" 프레임워크를 개발하였다.

1. 데이터 및 전처리: 분석에는 6개 범주(농경지, 산림지, 초지, 수역, 시가지, 미이용지)로 재분류된 30m 해상도의 GlobeLand30 토지 피복 데이터를 활용하였으며, NDVI, 기상, GDP, 인구, NPP 데이터를 함께 사용하였다. 모든 데이터셋은 일관된 격자 체계로 조화되었다.
2. 리스크 및 서비스 평가:
   • LERI: 면적 가중 합계($R_i = D_i \times F_i$)로 계산된다. 여기서 $D_i$는 경관 교란(파편화, 분리, 우점도)을, $F_i$는 생태적 취약성을 나타낸다.
   • ESV: 지역 곡물 생산 가치와 인플레이션을 조정하여 시간적·공간적 비교 가능성을 확보한 가치 등가 계수법을 사용하여 추정되었다.
3. 머신러닝 진단: ESV의 공간적 동인을 식별하기 위해 일련의 알고리즘(Random Forest, XGBoost, 신경망 포함)을 학습시켰다. 결정적으로, 본 연구는 성능 스크리닝 프로토콜을 구현하였다. 변수 중요도는 테스트 세트의 $R^2 \geq 0.50$을 달랄성한 모델에 대해서만 해석되었다. $0.30 \leq R^2 < 0.50$ 범위의 모델은 약한 보조 증거로 취급되었으며, 0.30 미만의 모델은 허위 인과 관계 추론을 방지하기 위해 생태적 해석에서 제외되었다.
4. 이변량 생태 구역 설정(Bivariate Ecological Zoning): LERI와 ESV의 통합 중앙값을 기준으로 격자 셀을 네 가지 구역으로 분류하였다:
   • 생태적 이점(Ecological Advantage): 고(高) ESV, 저(低) LERI.
   • 생태적 민감성(Ecological Sensitivity): 고(高) ESV, 고(高) LERI.
   • 생태적 잠재력(Ecological Potential): 저(低) ESV, 저(低) LERI.
   • 생태적 취약성(Ecological Vulnerability): 저(低) ESV, 고(高) LERI.

주요 결과

• 분산된 궤적: 2000년부터 2020년까지 세 지역 모두에서 평균 LERI는 감소하고 총 ESV는 증가했으나, 공간적 패턴과 규모는 크게 달랐다. YRD는 가장 큰 LERI 감소율(8.32%)을 보였으나 여전히 가장 높은 평균 리스크 기저치를 유지했다. GBA는 가장 낮은 평균 리스크를 보였으나 만(bay) 중심부에 집중된 고위험 패치들을 포함하고 있었다. BTH는 가장 완만한 감소(2.25%)를 보였으며, 산악 장벽은 안정적이었으나 평야 지대의 압력은 지속되었다.
• ESV 동인: 조절 서비스가 ESV 성장을 주도했으며, 수역과 산림지가 지속적인 기여자로 나타났다. 머신러닝 분석 결과, 동인의 중요도는 지역 및 시기별로 매우 특이적이었다. 수역은 가장 안정적인 해석 가능 동인이었으나, 그 생태적 역할은 지역마다 달랐다(수자원 제약이 있는 BTH에서는 희소성 기반, YRD와 GBA에서는 네트워크 기반). 그러나 모델 성능은 연도와 지역별로 크게 변동하였는데, 이는 ESV 동인이 비정상성(non-stationary)을 가짐을 시사한다.
• 구역 변화: 모든 지역에서 생태적 이점 구역이 확장되었다. 그러나 다음과 같은 잔류 과제들이 나타났다:
  • BTH: 이점 구역의 확장이 가장 컸으나, 평야 지대에 상당한 취약 구역을 유지했다.
  • YRD: 취약 구역은 감소했으나, 민감 구역(고가치/고리스크)은 동시에 증가했다.
  • GBA: 가장 극적인 변화를 겪었다. 이점 구역이 대폭 확장되고 취약 구역은 축소되었으나, 민감 구역이 유의미하게 증가하여 고가치 생태계가 개발 압력에 점점 더 노출되고 있음을 보여주었다.
• 결합 관계: 상관관계 분석은 지역적 이질성을 드러냈다. BTH는 ESV와 LERI 사이의 음의 상관관계(높은 가치가 낮은 리스크와 결합)를 보인 반면, GBA는 양의 상관관계(높은 가치가 높은 리스크와 중첩)를 보여, GBA의 가치 있는 생태계가 종종 리스크가 높은 지역에 위치함을 입증했다.

의의 및 주장
본 논문은 생태 계획 및 평가 분야에 세 가지 주요 기여를 한다고 주장한다:

1. 교차 지역 프로토콜: 공통된 구역 설정 로직이 수자원 제약형, 하천 네트워크형, 그리고 하구 메트로폴리스 시스템 전반에서 유효한 정보를 제공하는지 테스트하는 일관된 분석 프로토콜을 구축하였으며, 이를 통해 단일 지표로는 지역별 생태 우선순위를 포착할 수 없음을 밝혀냈다.
2. 불일치 프레임워크: 단순한 지표 중첩을 넘어, "보호"(고가치/고리스크 지역)와 "복원"(저가치/고리스크 지역)을 구분하는 진단적 프레임워크를 제시한다. 이는 획일적인 접근 방식이 아닌 지역 맞춤형 우선순위 설정을 가능하게 한다.
3. 엄격한 동인 귀속: 명시적인 표본 외(out-of-sample) 모델 성능 임계치를 조건으로 동인 해석을 수행함으로써, 약한 예측이 견고한 생태적 메커니즘으로 오해되는 것을 방지하였다. 이는 머신러닝을 인과 추론의 대체물이 아닌, 비선형적 연관성을 식별하기 위한 진단 도구로 위치시킨다.

저자들은 생태적 개선(이점 구역의 확장)이 진행되고 있음에도 불구하고 잔류 리스크가 공존한다고 결론짓는다. 효과적인 관리를 위해서는 이점 구역의 보호, 민감 구역의 완충, 취약 구역의 복원이라는 차별화된 개입이 필요하며, 각 도시 집적지의 독특한 수문학적 및 개발 맥락에 맞춘 구체적인 전략이 요구된다.