I. 서론

산림 토양은 육상 생태계에서 목본과 초본이 자라는 기반이자 복잡하게 연결된 생태계의 핵심 구성 요소로 물과 영양소의 생지화학적 순환에 필수적인 요소이자, 인간의 삶과 생태적 기능을 뒷받침해주는 중요한 천연 자원이다(Binkley and Fisher, 2019). 또한 삶의 질에 직접적인 영향을 미치는 물 정화 기능, 식량 생산, 재해 위험 감소 등의 생태계 서비스를 제공한다(Adhikari and Hartemink, 2016). 산림 토양은 생태계의 방대한 생물다양성을 수용하는 다양한 역할을 하면서 숲 생태계의 기반이 된다(Turner, 2008). 이에 더하여 최근 주요 탄소 흡수원으로서의 기후변화 완화 능력이 알려지면서 주목을 받고 있다(Weil and Brady, 2017; 정관용, 2018).

산림 토양 특성 중에서 토양의 산성 혹은 염기성 정도를 나타내는 산도(pH)는 양분의 용해도와 식물 생리화학 반응, 미생물의 활동과 관련된 기본적인 토양 화학성이다. 보통 유기물의 광물화, 식물에 의한 영양소 흡수, 식물 뿌리 및 균류에 의한 유기산 배출, 산성비, 황과 암모늄 및 요소를 포함하는 비료의 사용 등 자연적이고 인위적인 과정을 통해 토양의 산도가 증가하는 것으로 알려져 있다(Gadd, 1999; Goulding, 2016). 우리나라는 화강암과 화강편마암 등 산성 모재가 높은 비율을 차지함에 따라 규산 함량이 높고 양이온 함량이 적어 토질 자체가 척박하고 증발량보다 강우량이 많은 기후 특성과 집중 호우로 인한 교환성 염기의 용탈이 심해 자연적으로 산성 토양 비율이 높다(김준호, 2007; 국립산림과학원, 2023). 여기에 최근 대기오염물질에 의한 산성비의 유입과 같은 인위적인 요인에 의해 산림 토양의 산성화는 더욱 빠르게 진행되고 있다.

대기 중에 배출된 황산화물과 질산화물이 토양에 축적되면서 진행되는 산성화는 토양의 완충 능력을 감소시키고, 토양 형성 과정을 방해함으로써 결국 생태계에 부정적인 영향을 초래한다(Kreutzer et al., 1998; Lundström et al., 2003). 구체적으로 산성화된 토양은 토양 내 알루미늄(Al), 칼슘(Ca), 망간(Mn), 인(P)의 함량뿐만 아니라 탄질율(C/N율)에도 영향을 미쳐 식물 생장에 변화를 가져올 뿐만 아니라, 지렁이와 선충류 활동과 유의미한 상관관계를 보임으로써 식생과 토양 유기체의 풍부함과 다양성에 직접적인 영향을 미친다고 볼 수 있다(Duddigan et al., 2021). 또한 산성화는 미생물과 미세 뿌리 바이오매스 및 토양 호흡 감소를 유발해 토양 내 탄소 균형에 영향을 미쳐 대기 중 탄소 순환에 직접적인 영향을 미치는 잠재적 위협으로 평가받기도 한다(Meesenburg et al., 2019; Meng et al., 2019). 그러므로 산림 생태계의 건강과 생산성을 결정하는 데 중요한 역할을 하는 산림 토양 pH를 장기적으로 관찰하고 공간적 분포를 파악하는 것은 산림 생태계의 효율적 관리와 기후변화 완화에 필수적이다.

과거에는 토양 속성을 파악하기 위해 현행 토양도를 주로 사용해왔지만, 현행 토양도는 토지별 혹은 필지별 세부적인 토양 특성에 대한 양적인 공간 정보를 제공하기 힘든 한계가 있다. 반면 최근 연구가 활발한 디지털 토양도 작성(Digital Soil Mapping) 기법은 이를 보완할 수 있는 접근법으로 제시되어 왔다(McBratney et al., 2003; Hateffard et al., 2024). 디지털 토양도 작성은 해당 지역의 토양 속성과 환경 변수 사이의 선형적 혹은 비선형적 관계에 대한 모형 개발을 통해 토양의 지리적 분포를 효과적으로 추론하는 방법으로, 산림, 농경지, 습지 등 다양한 환경과 국가 단위를 포함한 다양한 공간적 범위에 성공적인 결과를 보였다(Grunwald et al., 2015). 디지털 토양도 작성의 핵심 이점은 측정된 토양 속성과 환경 변수 사이의 관계를 바탕으로 유사한 환경조건을 가진 미측정된 토양 속성을 정량적으로 추정할 수 있으며 동시에 불확실성에 대한 정보를 제공할 수 있다는 점이다. 이를 통해 토양의 공간적 분포와 그 변화를 보다 더 큰 스케일에서 넓은 시각으로 이해할 수 있게 도와준다. 특히 다양한 머신러닝 기법에 대한 접근성이 높아지면서 디지털 토양도 작성 기법도 보다 나은 설명력과 정확도를 보여주고 있다(Hengl and MacMillan, 2019). 머신러닝은 토양 형성인자와 토양특성 사이에서 나타나는 비선형적 관계를 효과적으로 고려할 수 있고, 토양과 경관의 계층적인 관계를 모형으로 표현할 수 있다. 더불어 전통 통계기법에서 다루기 어려웠던 다중공선성 문제와 데이터의 비정규분포 등에 대해 비교적 자유롭다는 것도 장점으로 볼 수 있다.

Chen et al.(2022)은 2003년부터 2021년까지 출판된 244개의 디지털 토양도 작성 기법을 적용한 연구를 대상으로 메타 분석을 실시한 결과, 토양의 pH가 다른 토양 속성에 비해 가장 잘 예측되는 속성(표토 기준 평균 R² = 0.6)이라 밝힌 바 있다. 이처럼 토양 pH는 디지털 토양도 작성 기법을 이용한 예측에 가장 적합한 속성 중 하나로 다양한 연구가 진행되어 왔다. Reuter et al.(2008)은 총 12,333개의 조사 자료를 활용해 유럽 전역을 대상으로 1km 해상도의 토양 pH 분포도를 작성했으며, 모재의 영향이 분포와 관련 깊다고 밝혔다. Wang et al.(2019)의 연구에서도 모재의 강한 관련성을 재확인했으며 이에 더해 사면이 넓게 분포하고 있는 지역에서 연평균 기온과 pH의 높은 상관관계도 언급했다. 또한 Nussbaum et al.(2023)은 토양 pH의 바이모달 분포 특성을 반영한 계층적 모델(hierarchical predictions)의 필요성을 주장하기도 했다.

디지털 토양도에 대한 연구가 다수 진행되어 왔지만, 해당 방법론을 활용한 국내 산림 토양 연구는 많지 않으며 특히 국가 단위 규모에서 수행한 연구는 거의 없었다(정관용, 2019). 이 뿐만 아니라 산림 토양 pH와 그 공간적 분포를 결정하는 환경요인을 함께 살펴보는 연구 또한 거의 없었다. 따라서 본 연구는 국가 단위 규모에서 산림 토양 pH의 공간적 분포를 머신러닝 알고리즘을 이용하여 예측하고 이를 결정하는 환경요인에 대해 살펴보고자 한다. 경관 전반에 걸친 토양 pH의 공간적 변동성에 대한 정보는 많은 환경 모델과 프로세스 기반 모델에서 필요하다(Sulaeman et al., 2012). 그러므로 이 연구에서는 기존의 디지털 토양도 연구에서 많이 활용했던 지형변수뿐만 아니라 모재와 식생을 포함한 다양한 환경변수를 함께 고려하여 국가 단위 규모에서 나타나는 토양 환경 상관성을 살펴볼 것이다. 구체적으로는 머신러닝 기법 중 랜덤 포레스트, XGBoost, 심층 신경망을 이용하여 토양 환경 상관성을 기반으로 한 예측 모형을 구축하고 이를 토대로 산림 토양 pH에 대한 디지털 토양도를 작성한다. 더불어 다양한 환경변수의 중요도를 바탕으로 산림 토양 pH의 공간적 분포를 살펴보고자 한다. 본 연구를 통해 산림 생태계 관리를 위한 기초 토양 공간 정보를 제공할 수 있을 것으로 기대한다.

II. 연구방법

1. 연구자료

1) 산림 토양 pH 데이터

본 연구에서 활용한 산림 토양 데이터는 산림입지토양도(1:5,000) 데이터와 국가산림자원조사 및 산림의 건강･활력도 현지조사 데이터(이하 NFI 데이터)로 구분할 수 있다. 산림입지토양도는 산림경영, 산지관리, 환경영향평가 등에 필요한 입지환경과 토양환경에 대해 조사･분석하고 그 결과로 토양형을 기본 단위로 하여 지도로 나타낸 산림주제도이다. 1:25,000 축적이 1995년에서 2003년까지 제작되었고, 1:5,000 축적은 비교적 최근(2009~2020년) 제작되었다(권민영 등, 2021). 1:5,000 산림입지토양도 제작 과정에서 구축된 토양 데이터는 각 토양 시료 조사 지점의 위치 정보와 화학성 속성 정보를 포함하며, pH의 경우 A층 13,766개소, B층 26,279개소에 대한 공간 데이터가 구축되어 있다.

NFI 자료는 산림의 건강･활력도 표준지조사에서 구축되었으며, 이는 국가산림자원조사의 일환으로 진행된 조사로, 토양 조사 및 시료 분석을 통해 다양한 토양 물리･화학적 속성 정보가 구축되어 있다. 전국에 고르게 배치한 표본점을 대상으로 실측 조사를 통해 구축하며 산림 토양에 대한 물리･화학적 성질을 파악할 수 있다. 국가산림자원조사는 전국에 고르게 배치한 표본점을 대상으로 5년마다 주기적으로 진행되고 있으며, 가장 최근은 2016년부터 2020년까지 제7차 조사가 수행되었다. NFI 자료는 토양을 층위로 구분하지 않으므로 본 연구에서는 NFI 자료의 0~10cm 깊이 토양 시료 968건에 대한 조사 결과를 A층 토양 분석 자료로 치환하여 활용하였다. 이렇게 하여 총 A층 14,734건, B층 26,279건의 분석 데이터를 구축하였다.

2) 토양 환경변수 데이터

토양은 기후, 모재, 지형, 생물, 시간 등 형성인자에 따라 시공간적으로 다양하게 나타나므로 디지털 토양도 작성에서 환경 상관성 획득은 가장 중요한 과정이라고 할 수 있다. 이를 위해 우리나라 산림 토양의 이화학적 성질에 영향을 줄 수 있는 적절한 환경변수를 선택하여 크게 지형과 모재, 식생, 지리변수를 구축하여 활용하였다. 특히 본 연구에서 사용한 중분류 모재 데이터와 1:5,000 정밀 임상 데이터를 이용한 토양 예측 연구는 그 사례가 거의 없다. 이와 같이 고해상도의 보다 자세한 데이터를 활용하면 토양 pH와 모재, 그리고 임상과의 관계를 심층적으로 살펴볼 뿐만 아니라 디지털 토양도의 정확도 향상에 도움이 될 수 있을 것으로 기대한다.

지형과 식생은 토양의 공간적 분포를 파악하기 위한 중요한 환경인자이다(Trudgill, 1988; Gerrard, 1992; Schaetzl and Thompson, 2015). 이 연구에서는 지형자료로 국토지리정보원에서 제작한 수치표고모형(Digital Elevation Model: DEM)을 활용해 고도(ELEV), 경사도(SLOPE), 단면･평면곡면률(PLAN･PROFCURV), 곡면률(TPI05), 습윤지수(SWI), 계곡깊이(VD), 지형개방도(POPEN), 사면유형(CATENA.1~5)을 구축하였다(표 1). 국토지리정보원의 DEM은 10m단위의 격자크기로 제공되나, 최적 격자와 분석 효율성을 고려해 30m로 리샘플링하였고, 각 지형변수는 SAGA GIS와 R 프로그램을 이용해 구축하였다. 지형변수 중 유일한 명목형 변수인 사면유형은 더미변수로 변환하여 사용하였다.

모재변수는 한국지질자원연구원의 수치지질도(1:50,000) 데이터에서 암석을 16개로 구분한 중분류 단위를 사용하였다. 중분류는 화성암으로 화강암류(GTYPE1), 반암류(GTYPE2), 규장암류(GTYPE3), 안산암류(GTYPE4), 현무암류(GTYPE5), 섬록암류(GTYPE6)로 구성되며, 퇴적암으로 석회암류(GTYPE7), 사암류(GTYPE8), 이암류(GTYPE9), 혈암류(GTYPE10), 응회암류(GTYPE11), 역암류(GTYPE12), 마지막으로 변성암의 경우 편마암류(GTYPE13), 편암류(GTYPE14), 천매암류(GTYPE15), 점판암류(GTYPE16) 등으로 구성된다. 모재변수의 경우도 명목형 변수이므로 더미변수로 변환하여 사용하였다.

일반적으로 위성영상이나 식생지수를 토양 예측을 위한 식생변수로 활용한다(Mulder et al., 2011). 하지만 이 연구에서는 보다 자세한 식생자료 활용을 위해 한국입엄진흥원에서 구축･제공하는 산림임상도(1:5,000)의 임상(FTYPE.1~3), 경급(FKYUNG.1~4), 영급(FYEONG.1~9), 수관밀도(FCDEN.1~3)를 더미변수로 변환하여 사용하였다. 마지막으로 산림 토양 정보의 공간적 자기상관성을 고려할 수 있도록 지리변수를 사용하였으며, 이를 위해 산림입지토양정보의 좌표(X, Y)(coords.x1과 x2), 참조점(중앙, 왼쪽상단, 왼쪽하단, 오른쪽상단, 오른쪽하단)(DISTCC, DISTC1~4)에서 유클리드 거리를 계산하여 구축하였다(Behren et al., 2018). 연구에 활용한 토양 환경변수에 대한 보다 자세한 설명은 An et al.(2023)에서 확인할 수 있다.

2. 토양 예측 모형

1) 랜덤 포레스트(Random Forest, RF)

랜덤 포레스트는 Breiman(2001)에 의해 제안된 의사결정나무 기반의 알고리즘으로 다른 구조와 성능을 갖는 여러 개의 의사결정나무(학습기)를 결합하여 만들어낸 앙상블(ensemble) 모형이다. 이 알고리즘은 여러 의사 결정 트리를 활용하여 무작위성을 도입하는 배깅(bagging) 기법을 통해 다양성을 높이고 예측 정확도를 향상시킨다. 이러한 접근 방식으로 랜덤 포레스트는 정규성 가정 없이 비선형 관계와 다양한 유형의 예측 변수를 처리할 수 있다. 또한 모수가 적고 해석이 용이하다는 장점으로 디지털 토양도 작성 분야에서 가장 많이 활용하는 모형 중 하나이다(Jeong et al., 2017). 랜덤 포레스트 모형 분석과 훈련을 위해 이 연구에서는 R 패키지 중 ‘caret’과 ‘ranger’를 사용하였다.

2) XGBoost(eXtreme Gradinet Boosting)

XGBoost는 GBM(Gradinet Boosting Machine) 기반의 방법으로 복수의 학습기(의사결정나무) 중 예측력이 상대적으로 약한 학습기들을 결합하여 예측력이 높은 학습기로 전환시키는 과정을 반복함으로써 전체 모형 내 분산을 줄이고 예측력을 높이는 방법이다. 랜덤 포레스트가 병렬로 산출된 결과를 이용하는데 비해, XGBoost는 순차적으로 얕은 학습기를 훈련하는 부스팅(boosting) 기법을 이용한다는 차이가 있다. 범주형 자료와 연속형 자료 모두 효율적으로 처리할 수 있고 여러 머신러닝 기법 중에서도 상대적으로 처리 속도가 빠르며 새로운 데이터에 대해 이전의 학습 모델 결과를 반영함으로써 성능을 더 향상시키는 과정이 내포되어 있어 많이 활용되고 있는 기법이다. XGBoost 모형 분석과 훈련을 위해 R 패키지 중 ‘caret’을 사용하였다.

3) 심층 신경망(Deep Neural Network, DNN)

심층 신경망은 인공신경망에서 시작되어 발달한 고도화된 딥러닝 기법 중 하나이다. 인공신경망은 인간 뇌의 신경세포와 그 연결망을 모방한 구조로, 입력층, 은닉층, 출력층의 세 부분으로 이루어져 있다. 각 층에는 뇌의 뉴런에 해당하는 여러 유닛(unit)으로 이루어지는데 심층 신경망은 이 중 입력층과 출력층 사이에 여러 개의 은닉층들을 쌓아 올린 고도화된 모형이다(Goodfellow et al., 2016). 은닉층이 많아질수록 신경망은 더 깊어지며, 이로 인해 더 추상적인 정보를 다룰 수 있게 된다. 그리고 이 깊이는 심층 신경망이 입력과 출력 사이의 복잡한 패턴을 더 효과적으로 파악하는 데 기여한다. 딥러닝은 일부 디지털 토양도 연구에서 대표적인 머신러닝 모형인 RF와 비교했을 때 보다 정확한 예측 결과를 보여주었고 토양 예측을 위한 높은 가능성을 보여주기도 했다(Behrens et al., 2018; Wadoux et al., 2019; Wadoux, 2019). 심층 신경망 모형 분석과 훈련을 위해 R 패키지 중 ‘keras’와 ‘tfruns’를 사용하였다.

4) 예측 모형 훈련 및 검증 방법

각 모형의 평가와 훈련을 위해 토양 데이터를 7:3 비율로 나누어 70%는 훈련 데이터로, 30%는 검증 데이터로 활용하였다. 70%의 훈련 데이터로는 2겹 교차검증(2-fold cross validation)을 수행하고 이를 3번 반복하였다. 30%의 검증 데이터로는 독립 검증을 실시하였다. 검증 기준으로 RMSE와 R²를 사용하였으며, 이를 기준으로 3가지 머신러닝 기반 토양 예측 모형의 예측가능성을 비교･평가하였다.

III. 결과

1. 산림 토양 조사 자료 분석 결과

산림 토양 pH 분석 결과, 우리나라의 산림 토양은 전반적으로 약산성의 분포를 보이며 변동성이 낮은 것으로 나타났다. 토양 층위별로 나누어 살펴보면 A층의 평균 pH는 4.94이며 3분위수의 값까지 5.27로 한반도의 산림 토양의 대부분이 4.0~5.5의 약산성의 토양에 해당되는 것을 알 수 있다. B층도 비슷한 양상을 보이지만, 평균 pH가 5.0으로 다소 높으며 4.5~5.0 사이에 보다 집중하여 분포하는 형태를 보였다(그림 1). A층과 B층의 평균 pH 모두 산림에서 서식하는 생물과 수목의 적정 토양 산도 범위인 pH 5.5~6.5와 적정 미생물 서식 조건 범위인 pH 6.0~7.0과 비교했을 때 매우 낮은 것을 알 수 있다. 변동계수를 기준으로 토양의 변동성을 구분하면 15% 이하는 정적인 토양특성, 15~35%는 일반적인 토양특성, 35% 이상은 동적인 토양특성으로 구분할 수 있는데(Wilding and Drees, 1983), 이에 따르면 A층의 토양 pH(15.6%)는 일반적인 토양특성, B층 pH(13.1%)는 정적인 토양특성에 해당하며 전체적으로 공간적 변동성이 크지 않다고 볼 수 있다(표 2).

그림 1.

산림 토양 조사 자료의 층위별 pH 히스토그램

토양 시료 분석 결과를 국내 산림 토양 pH를 연구한 기존 연구들과 비교해 결과의 타당성을 살펴볼 수 있다. 먼저 국립산림과학원(2023)의 연구는 전국 산림지역 65개소에 설치한 산림 토양 산성화 모니터링 고정조사지에서 분석한 결과로 전국 연평균 토양 산도 범위가 pH 4.1~5.7이며, 평균 pH가 4.7로 나타났다. 본 토양 분석 결과보다 pH가 약 0.3 낮아 산성도가 약간 더 높은 결과이다. 이는 산림 토양 산성화 모니터링 고정조사지 총 65개 조사지역 중 55개소가 토양 산성화가 비교적 빠르게 진행되고 있는 침엽수림에 주로 위치하고 있는 것과 관련이 있는 것으로 보인다.

또한 전국의 산림 토양의 이화학적 특성을 살펴본 정진현 등(2002)의 과거 연구에서는 A층 평균 pH 5.48, B층 평균 pH 5.52로 본 연구의 결과보다 pH가 약 0.5 가량 높으며, 이는 일반적인 강우의 pH인 5.6과 비슷한 결과임을 알 수 있다. 이는 정진현 등(2002)의 연구에서 선정한 조사지점들이 타지역에 비해 여러 이유로 pH가 높은 강원도에 집중된 것과 관련 있을 것이다. 그러나 강원도를 제외한 다른 행정구역에서도 본 연구 결과보다 전반적으로 높은 pH를 보인 것을 고려해보면 2000년대 초반 이후 평균적으로 산림 토양의 산성도가 높아졌다고 해석할 수 있다.

이는 국가 단위는 아니지만, 지역 단위의 비교적 최근 연구 결과를 통해 뒷받침할 수 있다. Lee(2018)는 2015년 경상북도의 경주 국립공원 내 산림에서 토양 깊이 0~10cm와 10~20cm에 대한 시료를 분석한 결과로 평균 pH가 4.6과 4.77로 보고한 바 있고 Li et al.(2021)은 2019년 강원도 강릉의 옥계지역 산림 토양의 pH는 평균 4.96±0.29로 밝혀 정진현 등(2002)의 연구 결과보다 높아진 산림 토양의 산성도를 확인할 수 있다.

2. 머신러닝 모형의 예측가능성 평가 결과와 변수 중요도

표 3은 산림 토양 pH 분포 예측에 사용한 3가지 머신러닝 모델의 정확도 평가 결과이다. A층에 대한 RMSE 값은 0.47에서 0.57 사이였으며 R²는 0.45에서 0.62 사이의 값을 보였다. 구체적으로 살펴보면 랜덤 포레스트 알고리즘이 가장 우수한 성능을 보였고, XGBoost가 그 뒤를 이었으며, 심층 신경망은 상대적으로 좋지 않은 결과를 산출했다. B층의 경우에도 랜덤 포레스트가 RMSE가 0.44와 R²가 0.56으로 가장 뛰어난 성능을 보였고 심층 신경망이 RMSE가 0.52, R²가 0.39로 가장 낮은 정확도를 보였다.

랜덤 포레스트가 각 층위에서 모두 우수한 예측 성능을 보임에 따라, 이 모델의 예측 결과에 영향을 미친 주요 환경 변수를 파악하기 위해 변수 중요도 분석을 실시하였다(그림 2). A층의 경우, coords.x1, DISTC2, DISTC1 등과 같은 지리적 변수가 가장 중요한 변수군으로 파악됐다. 또한 고도(ELEV), 계곡깊이(VD), 지형 개방도(POPEN)가 지형변수군 중에서도 중요한 역할을 했으며, 석회암(GTYPE7)과 현무암(GTYPE5), 편마암(GTYPE13) 또한 중요 환경변수로 나타났다. B층에서도 마찬가지로 지리변수군이 가장 중요한 변수로 나타났고, 석회암, 편마암, 현무암 등 모재와 관련된 환경변수가 핵심적인 역할을 했으며 지형변수 중에서 고도, 지형 개방도와 더불어 곡면률(TPI05)이 pH 분포의 공간적 차이를 설명하는 중요 변수로 나타났다.

그림 2.

랜덤 포레스트 모형의 층위별 예측 변수 중요도

3. 산림 토양 pH의 공간적 분포와 중요 환경변수와의 관계

그림 3과 4는 각각 산림 토양 A층과 B층 pH의 공간적 분포를 보여준다. 전체적으로 pH의 공간적 분포는 A층과 B층이 비슷한 경향을 보였다. 행정구역으로 나누어 살펴보면 충청북도 단양군과 강원도 영월군, 정선군, 태백시, 삼척시 그리고 경상북도 청송군과 포항시, 경주시, 영천시, 경산시, 대구광역시 동부, 제주도 서부를 중심으로 산림 토양 pH가 높게 나타났다. 앞서 살펴본 변수 중요도에서 지형과 모재변수가 pH의 공간적 분포에 핵심적인 역할을 한 것으로 알 수 있듯이 이들 지역은 지형적으로 고도가 높고 험준하며 기복이 상대적으로 큰 지역에 속한다. 또한 모재 중에서 석회암과 현무암이 분포하는 지역의 pH가 높게 나타난 반면, 편마암 모재가 자리 잡은 지역은 낮은 pH 분포가 나타났다.

이러한 결과는 퇴적암을 모재로 한 A층의 pH가 5.94로 다른 모재를 갖는 토양의 pH보다 더 높았다고 밝히며 모재에 따른 토양 산도의 차이를 언급한 정진현 등(2002)의 연구에서도 확인할 수 있다. 퇴적암, 특히 석회암을 모재로 한 산림 토양의 pH가 높게 나타나는 이유는 양이온 함량이 상대적으로 높기 때문이다. 반면 편마암 모재가 나타나는 지역에서 토양 산도가 높게 나타나는 이유는 화강편마암이 가지고 있는 염기 함량이 낮기 때문이며, 여기에 더해 우리나라에서 편마암 지역을 중심으로 나타나는 높은 산지의 영향과 여름철 몬순에 의한 높은 강우 집중도가 만나 염기 용탈이 발생하면서 토양 산도를 높이는 것으로 판단할 수 있다. 또한 편마암 모재가 분포하는 곳을 중심으로 토양 깊이가 깊게 나타나고 유기물 함량 역시 높아 유기물이 분해하는 과정에서 배출되는 유기산(organic acid)에 의해 이 지역의 토양 pH가 낮게 나타날 가능성도 있다(Osman, 2013).

그림 3.

A층 산림 토양 pH의 디지털 토양도

그림 4.

B층 산림 토양 pH의 디지털 토양도

4. 산성 산림 토양의 분포와 생태계에 미치는 영향

예측된 산림 토양 pH의 디지털 지도 결과를 바탕으로 pH 4.5 미만의 강산성과 4.5~5.6 미만의 약산성으로 구분하여 공간적 분포를 살펴보면 그림 5와 같다. B층에 비해 A층에서 강산성에 해당하는 구간이 넓게 분포하는 것을 확인할 수 있다. 이는 주로 경기도와 충북 보은군, 세종특별자치시, 충남 부여군, 서천군, 청양군, 보령시 그리고 남해안 지역으로 강산성의 산림 토양이 주로 분포하고 있다. A층 기준으로 약 1.3만㎢, B층 기준으로 약 0.2만㎢의 산림 토양이 강산성을 띄는 것으로 나타났다.

보통 목본은 토양 pH 4.5~8.0까지 생육이 가능한데 산림에서 서식하는 생물과 식생의 적정 토양 산도 범위는 pH 5.5~6.5, 적정 미생물 서식 조건 범위는 pH 6.0~7.0으로 알려져 있다. 이 중 중성에 가까운 산성토양(5.5~7.0)에서 가장 생육이 좋고, 토양 pH가 4.5 미만 그리고 8.0 이상의 강산성과 강알칼리성 토양 환경에서는 생육이 어렵다. 이는 토양 pH에 따라 식물 영양분의 가용성 차이가 발생하기 때문이다. 그러므로 산림 토양의 산성화가 장기적으로 이어질 경우 산림 쇠퇴로 이어질 가능성이 높다고 할 수 있다(이아림･구남인, 2020).

그림 5.

강산성, 약산성 산림 토양의 공간적 분포와 면적

토양의 산도는 탄소 중립 시대에 잠재력이 큰 탄소 흡수원인 토양의 탄소 격리 능력과도 관련성이 높다. 토양 탄소의 변동은 토양의 이화학적 성질뿐만 아니라 온도, 구조, 미생물 활동 등 다양한 요소에 의해 영향을 받는 것으로 알려져 있다(Bekku et al., 2004; Côté et al., 2000). 이에 따라 각종 독립변수가 통제된 상황에서 토양 pH와 토양 유기탄소와의 관계를 정립한 연구는 거의 없지만, 많은 연구에서 토양 pH에 따른 지렁이와 미생물의 활동 변화가 결국 토양 유기탄소의 변화를 초래한다는 것을 밝히고 있다(Augusto et al., 2015). 예를 들어, Walker et al.(1998)은 강한 산성 토양의 경우, 열 유속(heat flux)이 작고, 메탄 발생량이 더 많았고, Hénault et al.(2019)은 토양의 산도가 강해질수록 토양 내에서 온실가스인 아산화질소(N₂O) 배출이 증가한다는 연구 결과를 언급하였다. 하지만 Liao et al.(2016)은 산림 토양 A층과 B층 모두 pH와 토양 유기탄소사이의 관계가 아주 약한 양의 관계(각각 R²=0.048, 0.037)가 나타남을 밝히기도 했다.

토양의 pH는 식생의 생육 환경에 직접적으로 영향을 미칠 뿐만 아니라 탄소 격리 능력과도 관련되어 있다. 그러므로 산성 토양이 분포하는 지역에 더 많은 관심과 생태적 관리가 필요하며 특히 정기적으로 다양한 지역의 토양 산도 변화를 모니터링 하는 것은 최우선 과제가 될 수 있다. 현재 전국 산림 토양 산성화 모니터링 고정 조사지 65곳에 더해 더 많은 추가 조사지를 확보할 필요가 있으며 조사지뿐만 아니라 미측정 지점에 대한 보다 설명력 높은 산림 토양 pH 추정치를 파악하기 위한 디지털 토양도 작성 기법의 도입에 대한 적극적인 논의가 필요하다.

IV. 결론

토양의 산성 혹은 염기성 정도를 나타내는 토양 산도(pH)는 양분의 용해도와 식물 생리화학 반응, 미생물의 활동과 관련한 기초적인 속성이자, 탄소 중립을 위한 방안에서 중요하게 다루어지고 있는 토양의 탄소 격리 능력과도 직결되므로 그 공간적 분포와 변화를 과학적으로 추론하는 방법에 대한 연구는 중요하다고 할 수 있다. 특히 우리나라는 주로 화강암과 화강편마암 등 산성 모재가 높은 비율을 차지하는 것에 더해 몬순의 영향으로 발생하는 집중 호우가 교환성 염기의 용탈을 가속함으로써 자연적으로 염기포화도가 낮은 산성 토양의 비율이 높게 나타난다. 그러므로 토양 산도의 공간적 분포에 대한 연구의 중요성은 더욱 강조된다. 머신러닝 기반의 고해상도 디지털 토양도 작성 기법은 다양한 환경 변수 사이의 환경 상관성을 기반으로 토양의 속성을 과학적으로 추론하여 높은 정확도를 가진 고해상도의 지리적 분포에 대한 정보를 얻을 수 있다는 장점을 지닌다.

본 연구는 국가 단위 규모에서 산림 토양 pH의 공간적 분포를 예측하고 이를 결정하는 환경요인에 대해 살펴보고자 한다. 세부적으로 3가지 머신러닝 기법(랜덤 포레스트, XGBoost, 심층 신경망)을 이용하여 산림 토양 pH에 대한 정보를 담고 있는 디지털 토양도를 구축하였다. 또한 다양한 환경변수와의 관계를 바탕으로 산림 토양 pH의 지리적 분포를 살펴보고자 하였으며, 마지막으로 구축된 디지털 토양 지도를 바탕으로 산림 식생 생육에 적합한 지역과 그렇지 않은 지역을 구분하여 지도화하고자 하였다.

본 연구를 위해 산림입지토양도 데이터와 NFI 데이터를 사용하였으며, A층의 경우 14,734건, B층의 경우 26,279건의 토양 분석 데이터를 구축하였다. 토양 환경변수로 지질, 지형, 식생과 관련된 변수를 구축하였으며, 또한 산림 토양 pH의 공간적 자기상관성을 고려할 수 있도록 지리변수를 사용하였다.

구축한 모형의 비교 결과, 랜덤 포레스트의 결정계수(R²)가 0.62(A층)와 0.56(B층)로 가장 높았으며, XGBoost는 0.57(A층)과 0.49(B층)로 조금 낮은 결과를 보였다. 심층 신경망은 0.45(A층)와 0.39(B층)로 비교적 낮은 예측력을 보였다. 변수의 중요도 분석에서는 지리변수군의 중요도가 가장 높게 나타나 산림 토양 pH의 공간적 자기상관성이 강하게 나타나고 있음을 확인할 수 있었다. 또한 고도를 포함한 지형요인이 토양 산도의 공간적 이질성에 중요한 역할을 했고, 석회암과 편마암, 현무암 등 모재가 토양 산도와 밀접한 관련이 있음을 알 수 있었다. 산림 토양 pH의 디지털 지도 결과를 살펴보면 주로 경기도와 충북 보은군, 세종특별자치시, 충남 부여군, 서천군, 청양군, 보령시 그리고 남해안 지역을 중심으로 강산성의 산림 토양 분포가 나타났다.

산림 토양 산성화는 산성 모재, 낙엽층의 유기물 분해에 따른 유기산 증가, 산림 식생의 토양 양이온 흡수 등 자연적인 요인으로 인해 발생한다. 하지만 최근 산성강하물질의 유입에 따른 인위적인 요인에 의해서 산림 토양 산성화가 빠르게 진행되고 있는 것으로 알려져 있다. 향후 기후변화에 따라 강우 강도가 증가하면서 양이온의 세탈로 이어져 산림 토양 산성화 문제가 더 심각해질 수 있다. 따라서 산림 토양 pH의 공간적 이질성뿐만 아니라 시계열적 변화를 주의 깊게 관찰하는 것이 산림 생태계 관리에서 중요해질 것으로 판단된다. 이를 위해 산림 토양에 대한 주기적인 모니터링 토양 분석 데이터가 구축되어야 할 것이다. 국내에서는 국가산림자원조사 및 산림의 건강･활력도 현지조사에서 이러한 산림 토양 공간 정보가 5년 주기로 구축되고 있다. 이러한 데이터가 지속적으로 축적되어 향후 산림 토양의 시공간 데이터를 분석한다면 토양 pH의 시공간 변동성에 대한 이해가 높아질 수 있을 것으로 기대한다.