산악 지역 토지피복 예측을 위한 통계모델·GIS 비교 연구

본 논문은 산악 지역의 토지피복 변화를 예측하기 위해 전통적인 GIS 기반 방법과 두 가지 통계학적 모델을 비교·평가한다. 연구자는 프랑스 남서부의 Garrotxes와 스페인 남부 Sierra Nevada에 해당하는 Alta Alpujarra 두 지역을 선택하였다. 각 지역은 20 m 정사각형 픽셀 단위로 구분되며, 1980·1990·2000(프랑스)과 1957·1974·1987·2001(스페인) 시점의 토지피복 지도와 고도·경사·방위·도로·마을 거리 등 다양한 환경 변수를 보유하고 있다. 토지피복은 8~9개의 카테고리(예: 활엽수림, 침엽수림, 관목, 초지 등)로 구분되고, 각 픽셀의 현재 토지피복 cᵢⱼ(t)는 이전 시점의 토지피복 cᵢⱼ(t‑1), 인접 픽셀들의 토지피복 분포 Vᵢⱼ(t‑1), 그리고 환경 변수 Y₁…Yₚ에 의해 결정된다고 가정한다. 이를 바탕으로 조건부 확률 P(cᵢⱼ(t)=Cₖ|Xᵢⱼ(t)) 를 추정하는 두 모델을 제시한다. 첫 번째 모델은 다항 로지스틱 회귀(Polychotomous Regression, PR)이다. 로그오즈 θ(Cₖ|X)=αₖ+∑ₗβₖₗ·1{cᵢⱼ(t‑1)=Cₗ}+∑ᵣγₖᵣ·Yᵣᵢⱼ 로 선형 결합하고, 최대우도법에 L2 패널티(ε·∑uₙₖ²)를 추가해 파라미터 추정을 안정화한다. 뉴턴–라프슨 알고리즘을 이용해 최적화를 수행하며, 파라미터 수는 K²+(K‑1)·p‑1 로 비교적 많지만 수렴이 빠르고 해석이 용이하다. 두 번째 모델은 다층 퍼셉트론(Multi‑Layer Perceptron, MLP)이다. 입력 벡터 X를 은닉층 q₂개의 뉴런에 시그모이드 활성화 함수를 적용해 비선형 변환 ψ₍w₎(X)를 만든 뒤, 소프트맥스 출력층으로 각 클래스 확률을 직접 추정한다. 손실 함수는 다중 클래스 평균제곱오차이며, 경사하강법·공액기울기 등으로 최적화한다. 은닉층 뉴런 수와 학습률을 검증 세트로 튜닝해 과적합을 방지한다. 전통 GIS 절차는 (1) 각 토지피복 유형별 시계열 전이 확률을 계산하고, (2) 전문가가 정의한 공간 제약(스무딩)으로 결과를 보정한다. 이는 두 단계로 분리돼 오류 전파와 전문가 의존도가 존재한다. 반면 PR과 MLP는 시공간 정보를 하나의 확률 모델에 통합해 한 번에 예측한다. 실험에서는 ‘프론티어 픽셀’(인접 픽셀 중 최소 하나가 다른 클래스를 갖는 픽셀)만을 대상으로 학습·검증·테스트를 수행했다. 프랑스 지역에서는 전체 정확도가 GIS와 비슷하거나 약간 높았으며, PR이 빠른 학습 속도와 안정적인 파라미터 추정으로 우수했다. 스페인 지역은 토지피복 변화가 느리지만 클래스가 많아 복잡한 전이 패턴을 보였으며, MLP가 높은 Kappa 계수와 비선형 전이 포착 능력으로 가장 좋은 성능을 보였다. 다만 MLP는 학습 시간이 GIS·PR보다 5~10배 길었고, 은닉노드 수에 따라 성능 변동이 크게 나타났다. 결과적으로 두 통계 모델 모두 GIS가 의존하는 전문가 기반 스무딩을 대체하거나 보완할 수 있음을 확인했다. 특히 PR은 GIS 전이 확률에 회귀계수를 직접 삽입해 ‘통계‑GIS 하이브리드’ 방식을 제안할 수 있다. MLP는 비선형 관계를 학습해 복잡한 지형·기후 조건에서 유리하지만, 자동화된 파이프라인과 과적합 방지 전략이 필요하다. 연구는 다음과 같은 시사점을 제공한다. 첫째, 시공간 의존성을 하나의 확률 모델에 포함시키면 관측 시점이 충분히 많을 때 강력한 예측력을 얻을 수 있다. 둘째, 데이터가 부족하거나 클래스가 희소한 경우(스페인 지역의 일부 클래스) 파라미터 불안정성이 발생할 수 있어 정규화와 검증이 필수적이다. 셋째, GIS는 물리적·사회적 제약을 직접 반영할 수 있는 장점이 있어, 통계 모델과 결합한 혼합 프레임워크가 정책 입안에 가장 실용적이다. 마지막으로, 연구에 사용된 데이터와 코드는 공개되지 않았지만, 동일한 접근법을 다른 산악 지역이나 토지피복 유형에 적용하려면 데이터 전처리(픽셀 정렬, 변수 스케일링)와 모델 파라미터 튜닝이 핵심 단계가 될 것이다.