Prediction of Soil Organic Carbon Using Machine Learning Algorithm in Long-Term Ecological Monitoring Plots of Southern Dry Mixed Deciduous Forests, Telangana, India

우리 발밑의 토양은 단순한 흙 그 이상입니다. 그것은 전 세계의 모든 숲과 대기를 합친 것보다 더 많은 탄소를 보유하고 있는, 살아 숨 쉬는 저수지입니다. 낙엽이나 뿌리와 같은 유기물 속에 저장된 이 숨겨진 탄소는 지구의 기후를 조절하는 데 결정적인 역할을 합니다. 이러한 유기물이 분해될 때 탄소는 다시 공기 중으로 방출되지만, 유기물이 보존될 때 탄소는 기후 변화에 맞서는 강력한 도구로 작용합니다. 땅속에 얼마나 많은 탄소가 저장되어 있는지, 그리고 무엇이 탄소를 그곳에 머물게 하는지를 이해하는 것은 숲을 지속 가능하게 관리하는 데 필수적입니다. 그러나 토양 조건은 강우량부터 식물이 이용 가능한 특정 영양분에 이르기까지 모든 요소의 영향을 받아 지점마다 매우 다양하기 때문에, 이 탄소를 측정하는 것은 어렵습니다. 과학자들은 모든 숲의 매 제곱미터를 파헤쳐 테스트하지 않고도 이러한 숨겨진 매장량을 예측할 수 있는 더 나은 방법을 오랫동안 모색해 왔습니다.

인도 텔랑가나 주의 남부 건조 혼합 낙엽수림에서 연구팀은 현대적인 컴퓨터 프로그램이 전통적인 방식보다 토양 탄소 수치를 더 정확하게 예측하도록 학습할 수 있는지 테스트함으로써 이 퍼즐을 풀기 위해 나섰습니다. 그들은 이미 상세한 관찰 그리드를 구축해 놓은 특정 10헥타르 규모의 산림 구역에 집중했습니다. 모델을 구축하기 위해 연구팀은 이 구역의 다양한 깊이에서 수백 개의 토양 샘플을 채취했습니다. 그들은 각 샘샘플을 토양의 산성 또는 중성 정도, 수분 함량, 그리고 질소, 인, 칼륨과 같은 필수 식물 영양소 수준 등 주요 특성에 따라 분석했습니다. 이 풍부한 데이터셋을 확보한 후, 연구팀은 이 정보를 다섯 가지 서로 다른 유형의 머신러닝 알고로리즘에 입력했습니다. 이 알고리즘들은 단순한 통계 도구부터 인간의 뇌가 정보를 처리하는 방식을 모방한 복잡한 시스템에 이르기까지, 데이터에서 패턴을 찾도록 설계된 컴퓨터 프로그램들입니다. 목표는 오직 다른 토양 특성만을 바탕으로 토양 유기 탄소량을 가장 잘 추측할 수 있는 프로그램이 무엇인지 확인하는 것이었습니다.

결과는 이러한 디지털 도구들이 얼마나 잘 수행되는지에 대한 명확한 위계를 보여주었습니다. 가장 성공적인 접근 방식은 '랜덤 포레스트(Random Forest)'라고 불리는 방법으로, 이는 많은 작은 결정 트리들을 구축하고 그 답변들을 결합하여 결론에 도달하는 기술입니다. 이 모델은 다른 모든 모델보다 뛰어난 성능을 보였으며, 높은 신뢰도로 탄소 함량을 정확하게 예측했습니다. 그 뒤를 이어 '엑스트림 그래디언트 부스팅(Extreme Gradient Boosting)'이라 알려진 또 다른 고급 방법과 신경망을 모델로 한 시스템이 근소한 차이로 뒤를 이었습니다. 반면, 변수 간의 직선적 관계를 가정하는 '다중 선형 회귀(Multiple Linear Regression)'라는 더 단순한 전통적 방식은 중간 정도의 성과를 냈으나, 토양의 전체적인 복잡성을 포착하지는 못했습니다. 가장 효과가 낮았던 도구는 '서포트 벡터 머신(Support Vector Machine)'으로, 이 정교한 알고리즘은 이 특정 데이터셋과 잘 맞지 않아 다른 모델들에 비해 훨씬 덜 정확하고 불확 certainty(불확실성)가 높은 예측을 내놓았습니다.

왜 이러한 모델들이 작동하거나 실패했는지에 대한 심층적인 분석은 핵심적인 요인을 밝혀냈는데, 그것은 바로 토양 수분이었습니다. 가장 성공적인 모델들을 가로질러, 토양 내 수분 함량이 탄소가 어떻게 저장되는지를 예측하는 데 있어 단 하나의 가장 중요한 단서로 나타났습니다. 질소와 인 같은 영양소의 가용성 또한 강력한 역할을 했지만, 수분 함량이 지배적인 동력이었습니다. 연구진은 이 건조 낙엽수림의 토양이 일반적으로 중성에 가까운 산도를 띠며, 질소와 칼륨은 중간 수준이지만 인의 수준은 상대적으로 낮다는 것을 발견했습니다. 탄소 함량 자체도 구역 전체에 걸쳐 매우 낮은 수준부터 중간 정도로 높은 수준까지 다양하게 나타났는데, 이는 숲 바닥의 복잡하고 불균일한 특성을 반영합니다. 이 연구는 영양소가 중요하지만, 토양의 물리적 상태, 특히 물을 보유하는 능력이 이러한 건조한 환경에서 탄소 저장을 이해하는 일차적인 열쇠임을 확인해 주었습니다.

이 연구는 유사한 건조 지역의 산림 관리자와 과학자들에게, 토양 탄소를 추정하는 최선의 방법은 단순한 평균값이나 오래된 통계적 기교가 아니라, 복잡한 비선형 관계를 다룰 수 있는 고급 컴퓨터 모델임을 보여줍니다. 이 연구는 토양 수분과 영양소 수준에 집중하고 랜덤 포레스트와 같은 강력한 머신러닝 도구를 사용함으로써, 더 높은 정밀도로 토양 건강을 지도화할 수 있다고 시사합니다. 이러한 정밀함은 이 숲들이 탄소 흡수원으로서 어떻게 기능하는지 이해하고, 이를 보호하기 위한 전략을 개발하는 데 매우 중요합니다. 일부 복잡한 알고리즘들은 어려움을 겪었지만, 트리 기반 모델들의 성공은 실질적인 진전의 길을 제시하며, 적절한 디지털 도구가 우리 발밑의 땅속에 숨겨진 비밀을 풀 수 있음을 증명했습니다.