Soil Erosion Susceptibility Assessment Using Integrated RUSLE-GIS and Machine Learning Models in the Chittar River Basin, India

지구의 피부를 흙으로 만들어진 거대하고 살아있는 담요라고 상상해 보세요. 이 담요는 매우 중요한데, 우리 작물들이 마시는 물과 식물을 자라게 하는 영양분을 머금고 있기 때문입니다. 하지만 마치 폭풍 속에 방치된 담요처럼, 이 흙 담요는 찢어지거나 씻겨 내려갈 수 있습니다. 이 과정을 토양 침식이라고 부르는데, 이는 가장 비옥한 지표면의 부분을 훔쳐가고 그 자리에 아무 쓸모 없는 딱딱한 바위만을 남겨두는 느린 동작의 도둑질과 같습니다. 이런 일이 발생하면 땅은 식량을 기를 수 없고, 강은 진흙으로 막히며, 전체 생태계는 고통받기 시작합니다. 과학자들은 이 "도둑"이 정확히 어디에서 가장 활발하게 활동하는지 알아내기 위해 오랫동안 노력해 왔습니다. 그들은 '수정 보편적 토양 손실 공식(RUSLE)'이라는 도구를 사용하는데, 이것은 기본적으로 비가 얼마나 세게 내리는지, 언덕이 얼마나 가파른지, 그리고 풀이 지면을 얼마나 덮고 있는지를 더해서 토양이 얼마나 씻겨 내려갈지 추측하는 거대한 계산기와 같습니다. 또한 그들은 '머신러닝(기계 학습)'을 사용하는데, 이는 컴퓨터에게 인간이 놓칠 수 있는 거대한 데이터 더미 속에서 숨겨진 패턴을 찾아내는 초스마트 탐정이 되는 법을 가르치는 것과 같습니다. 토양이 사라질 가능성이 높은 곳을 이해하는 것은 매우 중요한데, 왜냐하면 위험 구역을 알게 된다면 땅을 보호하기 위해 울타리를 치거나, 나무를 심거나, 농사법을 바꾸는 등의 조치를 취할 수 있기 때문입니다.

이제 시선을 인도의 치타르 강 유역(Chittar River Basin)으로 돌려봅시다. 이곳은 가파르고 험준한 산악 지형부터 평평한 농경지에 이르기까지 다양한 지형을 가지고 있습니다. 두 명의 연구자, 제일라니 모하메드(Jeilani Mohammed)와 샤시 메사팜(Shashi Mesapam)은 이 특정 지역에서 토양이 얼마나 위험에 처해 있는지 알아보기 위해 탐정 놀이를 하기로 했습니다. 그들은 단 하나의 방법만을 사용하지 않았습니다. 대신 전통적인 토양 계산기(RUSLE)와 지리 정보 시스템(GIS)—서로 다른 유형의 정보를 겹쳐서 보여줄 수 있는 마법 같은 인터랙티브 지도라고 생각하면 됩니다—을 결합하여 고성능 '슈퍼 스코프(super-scope)'를 구축한 다음, 이 모든 데이터를 네 가지 서로 다른 머신러닝 모델에 입력하여 어떤 모델이 위험을 가장 잘 예측하는지 확인했습니다.

연구팀은 마치 탐정이 단서를 수집하듯 엄청난 양의 정보를 모았습니다. 그들은 2000년부터 2025년까지의 강우 데이터, 토양 유형 지도, 지형의 형태(디지털 고도 모델 사용), 그리고 토지가 실제로 어떻게 사용되고 있는지(숲, 농지, 도시 등)를 조사했습니다. 그들은 토양 침식 문제를 다섯 가지 주요 성분으로 나누었습니다: 비가 얼마나 세게 내리는지(R), 토양이 얼마나 쉽게 부서지는지(K), 경사의 길이와 가파른 정도(LS), 식생 피복량(C), 그리고 침식을 막기 위해 사용되는 농사 기술(P)입니다.

모든 단서를 확보한 후, 그들은 네 가지 서로 다른 컴퓨터 알고算法(알고리즘)이 작동하도록 했습니다. 이 알고리즘들은 서로 다른 스타일을 가진 네 명의 탐정과 같았습니다: 랜덤 포레스트(Random Forest, RF), 서포트 벡터 머신(Support Vector Machine, SVM), 분류 및 회귀 트리(Classification and Regression Tree, CRT), 그리고 부스팅 회귀 트리(Boosted Regression Tree, BRT)입니다. 각 탐정은 유역의 어느 부분이 토양을 잃을 가능성이 높은지 예측하려고 노력했습니다. 누가 최고의 탐정인지 확인하기 위해, 그들은 컴퓨터에 보여준 적 없는 실제 데이터와 대조하여 테스트했습니다.

결과는 명확했습니다. 랜덤 포레스트 모델이 주인공이었습니다. 이 모델은 안전한 땅과 위험한 땅을 구분하는 능력을 측정하는 '곡선 아래 면적(AUC)' 척도에서 0.967이라는 점수를 기록했습니다. 이렇게 높은 점수는 모델이 매우 신뢰할 수 있음을 시사합니다. SVM 모델은 0.925점을 기록하며 2위를 차지했고, CRT와 BRT 모델은 각각 0.870과 0.820으로 더 낮은 점수를 받았습니다. 연구는 랜덤 포레스트 모델이 '취약성' 구역(토양 침식이 일어날 가능성이 높은 지역)을 지도화하는 데 가장 정확하다는 것을 밝혀냈습니다.

최고의 모델이 만든 지도를 살펴보았을 때, 연구진은 유역의 가파른 상류 지역, 특히 북서쪽 지역의 토양이 가장 위험하다는 것을 발견했습니다. 이 지역들은 비가 세게 내리고 지형이 가파르며, 토양을 붙잡아줄 식생이 충분하지 않은, 마치 미끄럼틀 윗부분과 같은 곳입니다. 반면, 유역의 평탄한 중앙 및 동쪽 지역은 훨씬 안전하며 토양 침식 위험이 매우 낮았습니다. 또한 컴퓨터는 침식을 예측하는 데 있어 가장 중요한 '단서'가 경사도의 가파름, 토지 이용 방식(농경지 대 숲), 강우 강도, 그리고 지형의 고도라는 것을 알려주었습니다.

논문은 자신들의 모델이 매우 훌륭하지만 몇 가지 한계가 있다는 점을 명시적으로 언급했습니다. 그들은 특정 시점의 데이터를 사용했기 때문에 기후 변화나 새로운 농사법으로 인해 미래에 토지가 어떻게 변할지는 고려하지 않았습니다. 또한, 이 특정 '슈퍼 스코프'는 치타르 강 유역을 위해 구축된 것이므로, 이 모델이 더 많은 테스트를 거친다면 다른 지역에서도 똑같이 작동할 수 있을지는 100% 확신할 수 없습니다. 그러나 이 연구는 전통적인 토양 방정식과 현대의 스마트한 컴퓨터 학습을 결합하는 것이 우리가 토양을 가장 많이 보호해야 할 지점을 찾는 강력한 방법임을 강력히 시사하며, 이를 통해 농부와 계획가들이 지구의 담요를 온전하게 유지할 수 있도록 돕습니다.