Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

우리가 마시는 공기는 좀처럼 멈춰 있는 법이 없습니다. 세계의 가장 외딴 구석에서도 눈에 보이지 않는 연기, 먼지, 가스의 구름이 바람과 날씨에 실려 국경을 넘어 이동합니다. 우리는 흔-히 대기 오염을 번잡한 도시나 산업 지대에 국한된 문제로 생각하지만, 이러한 오염 물질들은 멀리까지 이동하여 식물, 동물, 그리고 자연의 섬세한 균형을 해칠 수 있는 야생의 장소들에 내려앉습니다. 광활한 보호 구역의 관리자들에게 있어, 이 보이지 않는 위협이 어디에서 가장 강력한지 파악하는 것은 어려운 일입니다. 모든 언덕이나 강에 센서를 설치할 수도 없으며, 날씨는 너무 빠르게 변하기 때문에 구식의 추측 게임으로는 대응할 수 없습니다. 이를 해결하기 위해 과학자들은 지구 전체를 보는 위성 눈, 그 시야를 정리하는 디지털 지도, 그리고 패턴을 학습하여 미래를 예측하는 스마트 컴퓨터 프로그램이라는 강력한 도구의 조합에 주목하고 있습니다.

최근 남아프리카 공화국의 크루거 국립공원에 초점을 맞춘 한 연구에서, 연구진은 이 현대적인 도구 상구를 사용하여 대기 오염 취약성에 대한 상세한 지도를 제작했습니다. 크루거는 아프리카에서 가장 큰 게임 리저브 중 하나로, 코끼리, 사자, 코뿔소가 자유롭게 노니는 약 20,000 평방킬로미터에 달하는 광활한 황야입니다. 이 공원은 세상으로부터 고립되어 있지 않습니다. 인근의 인간 거주지와 산업 지역 근처에 위치해 있어, 외부에서 유입되는 오염 물질의 영향을 받기 쉽습니다. 연구진은 이 거대한 공원의 어느 부분이 대기 오염에 가장 취약한지, 그리고 어떤 요인들이 그 취약성을 만드는지를 이해하고자 했습니다. 그들은 단일 방법에 의존하는 대신, 식생, 강수량, 기온에 대한 위성 데이터와 이산화질소 및 이산산화황 같은 특정 가스 측정치를 결합한 시스템을 구축했습니다. 그런 다음 이 정보를 세 가지 유형의 컴퓨터 학습 모델에 입력하여, 어떤 모델이 오염이 문제가 될 곳을 가장 잘 예측할 수 있는지 확인했습니다.

연구팀은 우주로부터 데이터를 수집하였으며, 위성을 사용하여 녹색 식생의 밀도부터 대기 중 유해 가스의 농도까지 모든 것을 추적했습니다. 그들은 비가 얼마나 내렸는지, 얼마나 더웠는지, 그리고 메탄과 일산화탄소가 얼마나 존재하는지를 살펴보았습니다. 이 모든 정보를 층층이 쌓아 올림으로써, 그들은 공원의 환경에 대한 디지털 그림을 만들어냈습니다. 그런 다음 컴퓨터 모델이 오염의 징후를 인식하도록 훈련시켰습니다. '랜덤 포레스트(Random Forest)'라고 불리는 한 모델은 많은 작은 결정 트리들을 구축하고 그들에게 답에 대해 투표하도록 요청하는 방식으로 작동합니다. 또 다른 모델인 '그래디언트 부스팅 머신(Gradient Boosting Machine)'은 한 번에 한 단계씩 자신의 실수를 수정하며 학습합니다. 세 번째인 '서포트 벡터 머신(Support Vector Machine)'은 깨끗한 지역과 오염된 지역을 구분하는 최적의 선을 찾으려고 노력합니다. 목표는 이러한 접근 방식 중 어떤 것이 대기 질 저하로 인해 생태계가 가장 고통받을 가능성이 높은 지역을 가장 정확하게 식별할 수 있는지 확인하는 것이었습니다.

결과는 컴퓨터 모델들이 보이지 않는 위협을 지도화하는 데 상당히 성공적이었음을 보여주었습니다. 그래디언트 부스팅 머신 모델은 데이터를 정확하게 분류하는 데 있어 가장 뛰어난 성과를 보였으며, 약 76%의 확률로 정답을 맞혔습니다. 랜덤 포레스트 모델은 특정 측정치에서는 약간 덜 정확했지만, 미세한 의사결정에 필수적인 특성인 서로 다른 위험 수준을 구별해내는 데 매우 탁lı었습니다. 세 번째 모델인 서포트 벡터 머신은 성능이 좋았으나 앞선 두 모델만큼 강력하지는 않았습니다. 세 모델 모두 일반적인 패턴에 대해서는 의견이 일치했는데, 바로 남부 및 중남부 지역, 특히 크로코딜(Crocodile) 강과 사비(Sabie) 강 근처가 가장 취약하다는 점이었습니다. 이 지역들은 연료 연소 및 산업 활동과 관련된 가스인 이산화질소와 이산화황의 농도가 높게 나타났습니다. 또한 모델들은 이 두 가스가 강수량이나 나무의 밀도보다 오염 문제를 예측하는 데 있어 더 중요한 요인임을 밝혀냈습니다.

이 발견이 중요한 이유는 오염이 단지 도시만의 문제가 아님을 확인시켜 주기 때문입니다. 이 연구는 크루거와 같은 야생 지역에서도 대기 질이 멀리 떨어진 곳의 인간 활동에 의해 크게 영향을 받으며, 바람에 실려 온다는 점을 시사합니다. 연구진은 위험도가 가장 높은 지역이 무작위로 분포하는 것이 아니라, 바람이 인근 마을과 도로로부터 오염 물질을 실어 오는 경우가 많은 특정 강 계곡과 공원의 남쪽 가장자리를 중심으로 군집을 이루고 있다는 것을 발견했습니다. 컴퓨터 모델은 또한 식생이 복잡한 역할을 한다는 점을 강조했습니다. 울창한 숲이 때로는 오염을 흡수할 수도 있지만, 데이터에 따르면 녹지가 밀집된 지역이 특정 가스의 높은 농도와도 상관관계가 있는 것으로 나타났는데, 이는 아마도 이 지역들이 오염원과 더 가깝기 때문일 것입니다. 이것은 단순한 관찰로는 놓칠 수 있는 미묘한 차이지만, 컴퓨터 모델은 이를 명확하게 포착해 냈습니다.

이 작업의 최종 결과물은 공원을 매우 낮은 취약성부터 매우 높은 취약성까지 다섯 가지 범주로 나누는 고해 resolution 지도 세트입니다. 이 지도들은 공원의 약 5분의 1이 최고 위험 범주에 속하며, 또 다른 5분의 1은 매우 낮은 범주에 속함을 보여줍니다. 위험이 중간 단계인 영역은 가장 넓은 면적을 차지합니다. 이 지도들은 단순한 그림이 아닙니다. 이는 공원 관리자들을 위한 실질적인 도구입니다. 공기가 독성이 될 가능성이 높은 곳을 정확히 알게 됨으로써, 레인저와 보존 활동가들은 모니터링 노력을 집중하고, 화재를 더 신중하게 계획하며, 도움이 가장 필요한 지역의 민감한 야생 동물을 보호할 수 있습니다. 이 연구는 위성 데이터와 스마트 컴퓨터 학습을 결합하는 방식이 거대한 야생 구역을 보호하는 데 있어 게임 체인저가 될 수 있으며, 보이지 않는 것을 보고 피해가 발생하기 전에 행동할 수 있는 방법을 제공한다고 제안합니다.

이 연구는 지구를 위한 더 넓은 목표들과도 연결됩니다. 토지와 그 공기를 보호함으로써, 이 연구는 글로벌 지속 가능성 목표의 핵심인 건강한 생태계를 유지하려는 노력을 뒷받침합니다. 또한 오염을 이동시키는 것과 동일한 기상 패턴이 기후 변화를 주도한다는 점에서 기후 행동과도 맞닿아 있습니다. 비록 이 연구가 인근 주민들의 건강을 직접 측정하지는 않았지만, 오염이 어떻게 이동하고 정착하는지를 이해하기 위한 환경적 데이터를 제공하며, 이는 야생 동물과 인간 공동체를 모두 보호하기 위한 첫걸음이 됩니다. 이 작업은 크루거와 같이 광대하고 야생적인 곳에서도 과학이 자연이 직면한 과제에 대해 명확한 시각을 제공할 수 있으며, 복잡한 데이터를 단순하고 실행 가능한 가이드로 바꿀 수 있음을 입증합니다. 제작된 지도들은 적절한 도구가 있다면 우리가 자연 세계에 닥친 위협을 명확히 보고 그것을 막아낼 수 있다는 아이디어의 증거입니다.