나무가 있는 곳에서 숲의 종류까지: 10m 단위로 구분하는 ForTy 지도

배경과 문제

논문이 인용하는 배경 자료에 따르면 숲은 전 세계 육지의 약 31%를 덮고 약 662기가톤의 탄소를 저장한다. 그러나 같은 면적이라도 숲의 유형과 관리 이력에 따라 생태적·경제적 가치가 크게 달라진다. 오래 유지된 원시림과 짧은 주기로 수확하는 단일 수종 조림지는 탄소와 생물다양성 측면에서 같지 않다. 위성사진에서는 열대 원시림, 유칼립투스 조림지, 기름야자 농장이 비슷하게 초록색으로 보일 수 있다. 자연림이 농장으로 바뀌는지 살피려면 나무의 유무뿐 아니라 토지 이용 방식도 구분해야 한다.

저자들은 이런 지도가 필요한 사례로 유럽연합의 산림전용 방지 규정(EUDR)을 든다. 글이 설명하는 기준은 2020년 말의 숲 상태와 이후의 농업 전환·산림 황폐화를 구분하는 것이다. 예를 들어 목재 관련 변화에서는 원시림이 식재림이나 집약 조림지로 바뀌는 경우와, 자연 재성장 숲이 집약 조림지로 바뀌는 경우를 구별한다. 따라서 나무가 다시 자랐는지만으로 같은 숲이 유지됐다고 보기 어렵다. 이는 지도 활용의 배경 설명이며 개별 상품의 법률 준수 여부를 판정한 결과는 아니다.

기존 접근의 한계

지금까지 나온 세계 지도들은 대부분 나무의 유무만 표시한다. 예를 들어 Hansen 등의 Global Forest Change는 2000년 이후 나무 덮개 손실을 추적하지만, 손실 후 그 자리에 조림지가 생겼는지 농장이 생겼는지는 알려주지 않는다. 원시림 지도는 열대 지역만 다루거나 해상도가 낮고, Spatial Database of Planted Trees는 정부·학계·NGO 자료를 모은 조림지 경계를 제공하지만 지역적으로 불완전하고 시점이 일관되지 않다. Global Forest Management 2015 지도는 100m 해상도로 원시림·관리림·식재림을 구분하지만 10m 수준의 세밀한 경계와 최신 기준선을 제공하지 못한다.

더 근본적인 한계는 숲 유형이 '토지 이용' 분류인데 위성은 '토지 피복'만 관측한다는 점이다. FAO 정의에서 원시림·자연 재성장 숲·식재림·조림지는 관리 의도와 역사에 따라 나뉘지만, 단일 연도 위성 영상에서는 그 의도가 보이지 않는다. 성숙한 자생 수종 식재림은 같은 나이·구성의 자연 재성장 숲과 분광 특성이 거의 같을 수 있다. 반대로 벌채 후 재조림을 기다리는 임시 무입목지나 화재 직후 숲은 정의상 여전히 숲이지만 위성에서는 나무가 없는 땅으로 보인다. 식재림·조림지·수목 작물은 특히 열대에서 수관이 빨리 닫혀 서로 비슷하게 보인다. 이런 이유로 단일 제품의 라벨을 그대로 쓰지 않고 여러 자료를 FAO/EUDR 정의에 맞게 조정·교차 검증하는 파이프라인이 필요했다.

연구방법을 단계별로

ForTy는 세 단계로 학습한다. 1단계는 전문가 라벨과 선별 자료 450,275개로 기본 분류기를 훈련한다. 기존 지도, 지역별 수목 작물·조림지 자료, 내부 주석에 더해 모델이 틀리기 쉬운 곳을 다시 살핀 세 차례 활동에서 약 4만 3천 개 샘플을 추가했다. 입력은 여러 위성 관측을 압축한 AlphaEarth Foundations(AEF) 임베딩과 고도·경사 같은 지형 특징이다. 부분 라벨 손실을 사용해 어떤 자료가 넓은 범주만 알려 주더라도 활용한다. 논문의 전체 약 170만 학습 샘플은 이 선별 라벨과 다음 단계의 의사 라벨을 합친 것이며, 모두 현장에서 사람이 직접 확인한 자료라는 뜻은 아니다.

2단계는 1단계 모델의 예측을 의사 라벨로 삼아 전 세계 120만 개 패치로 학습을 확장한다. 이때 Natural Forests of the World 2020, Meta Canopy Height, 건물·도로 데이터, MapBiomas, USDA 작물 데이터 등 보조 자료로 의사 라벨을 정제한다. 예를 들어 브라질에서는 MapBiomas의 1985–2020년 토지 이용 궤적을 이용해 원시림으로 예측된 픽셀 중 실제로는 이차림인 곳을 자연 재성장 숲으로 바꾼다. 3단계는 2019–2024년 여섯 해의 임베딩을 동시에 입력해 시간적 일관성을 높인다. 최종 지도는 다섯 개 독립 모델의 앙상블 평균으로 만들어지며, 겹치는 추론 창을 거리 가중 평균해 이음새를 줄인다.

결과와 숫자의 의미

검증은 7개 층에서 1,300개씩 총 9,100개 지점을 뽑아 시작했고, 전문가 합의가 끝난 8,190개를 정확도 계산에 사용했다. 두 전문가는 고해상도 영상·시계열·지역 지식을 주로 판독했으며 모든 지점을 현장 방문한 것은 아니다. 여섯 범주의 면적 가중 전체 정확도는 90.2%였다. 표7의 더 세밀한 값은 90.22%, 표준오차 0.34%포인트다. 면적이 넓은 기타 토지의 F1 96.4%가 전체 결과에 큰 영향을 준다. 원시림 F1은 82.9%, 자연 재성장 숲 72.6%, 식재림 58.2%, 집약 조림지 66.7%, 수목 작물 62.1%였다. 식재림의 사용자 정확도 65.1%와 생산자 정확도 52.6%는 각각 표시한 식재림의 정밀도와 실제 식재림을 찾는 재현율을 뜻한다.

범주를 합치면 다른 문제가 된다. 원시림과 자연 재성장 숲을 합친 자연림 대 나머지의 정확도는 94.8%, 네 숲 범주를 합친 숲 대 비숲은 95.5%였다. 같은 GVFT 검증 자료에서 숲/비숲을 비교한 값은 JRC GFC2020 v3 93.6%, ESA WorldCover 2020 91.6%, ALOS PALSAR FNF4 86.9%였다. JRC GFT와 맞춘 네 범주 비교에서는 ForTy 90.9%, JRC 87.8%로 3.1%포인트 차이가 났다. 이는 이 자료와 범주 체계에서의 비교이며 모든 지역·용도에서 같은 우위를 보장하지 않는다. 전체 면적 추정이나 특정 지역 정책에 쓰려면 지도의 단순 픽셀 집계와 검증 표본을 이용한 추정도 구별해야 한다.

구체적인 예시

스웨덴은 논문이 제시하는 실제 지도 해석 사례다. 저자들은 숲 면적의 약 3분의 2가 식재림·집약 조림지이고 자연림은 국토의 약 5분의 1이라고 설명한다. 전체 숲 면적이 넓다는 사실만으로 자연림도 충분하다고 결론 내리기 어렵다는 뜻이다. 다만 이 값은 표본과 지도로 추정한 결과이며 현장의 모든 구획을 확정한 통계가 아니다. 논문은 표본 수가 적은 국가·유형의 불확실성이 특히 크다고 경고하므로 국가 간 보전 우열의 단순 순위로 사용해서는 안 된다.

시간 변화에서도 구체적 사례가 드러난다. 자연림이 벌채된 뒤 조림지로 다시 심어지면 땅은 곧 다시 녹색으로 보이기 때문에 기존 나무 덮개 지도는 변화를 놓친다. ForTy의 2017–2025년 탐색적 시계열은 이런 '숨은 변화'를 보여주려 한다. 예를 들어 자연림이 목재 조림지로 바뀌었는지, 버려진 땅이 서서히 숲으로 회복되는지를 연도별로 추적한다. 다만 이 시계열은 초기 공개 버전이며 논문에서 보고된 2020년 정확도를 그대로 적용할 수 없다는 점을 유의해야 한다.

한계와 오해하기 쉬운 점

가장 큰 한계는 숲 유형의 정의가 관리 의도와 역사에 의존하는데 위성은 그 의도를 직접 관측하지 못한다는 점이다. 모델은 분광 신호, 수관 구조, 공간 맥락 같은 대리 지표로 유형을 추론하므로 범주 경계에서 불가피한 불확실성이 생긴다. 원시림과 자연 재성장 숲의 구분이 특히 어려운데, 성숙한 이차림은 원시림과 분광·구조적으로 구분이 안 될 수 있다. 또한 원시림 범주는 도로·정착지·농경지 근처에서 보수적으로 배제되는 경향이 있는데, 이는 모델 설계가 아니라 GFM 훈련 라벨의 주석 관행에서 비롯된 공간적 완충 효과다.

확률 점수도 오해하기 쉽다. 지도는 다섯 숲·수목 범주의 상대적 신뢰도 점수를 0–250의 uint8 값으로 제공하고, '기타'는 250에서 다섯 값을 뺀 나머지로 계산한다. 이 점수는 앙상블 평균 softmax 출력이며 사후 보정되지 않았다. 따라서 실제 확률로 해석하면 안 되고 상대적 신뢰도로만 봐야 한다. 임계값을 올리면 사용자 정확도(정밀도)가 올라가지만 생산자 정확도(재현율)는 떨어진다. 이 지도는 법적 적합성 인증이나 토지별 정답을 보장하지 않는다. 또한 10m 격자라고 해서 10m 경계 정확도를 보장하는 것은 아니다. 혼농임업, 최근 벌채·수확 후 임시 무입목지, 성숙한 식재림, 40년 회전 주기 기준의 지역적 부적합 등이 주요 난점으로 남는다.

검증에서도 어려운 사례가 빠졌다. 전문가가 확실하지 않다고 한 172개와 합의가 아직 끝나지 않은 738개를 제외했는데, 식재림·조림지·수목 작물 같은 관리 유형에 제외 사례가 더 많았다. 따라서 쉬운 지점이 상대적으로 남아 정확도가 낙관적으로 보일 가능성이 있다. 또 2020년 지도는 연간 위성 합성 자료를 사용해 연말 변화나 화재 직후 상태를 늦게 반영할 수 있다. 새 2017–2025년 시계열을 쓰려면 그 제품의 별도 검증 상태를 확인해야 한다.

실제로 어떻게 활용할까

실무에서는 지도를 현장 조사와 공급망 위험 점검의 출발점으로 사용할 수 있다. 기업은 관심 지역의 2020년 유형과 점수를 확인해 추가 확인이 필요한 곳을 고를 수 있다. 높은 임계값은 해당 유형이라고 표시한 픽셀의 정밀도를 높이는 대신 실제 그 유형인 곳을 놓칠 수 있으므로, 규제 위험을 없애는 장치로 보아서는 안 된다. 점수가 실제 확률로 보정되지 않았다는 조건도 유지해야 한다. 데이터는 Google Earth Engine과 Figshare에서 CC-BY 4.0으로 공개되며 분류 레이어와 검증 데이터셋도 별도로 제공된다.

보전 계획에서는 원시림·자연 재성장 숲·식재림을 따로 집계해 어디를 더 조사하거나 보호할지 우선순위를 정하는 데 활용할 수 있다. 논문은 이를 생물다양성 목표 평가와 연결하지만, 지도만으로 실제 보호의 효과나 탄소·생물다양성 개선을 측정한 것은 아니다. 사용 지역의 독립 검증 자료로 점수와 오류를 살피고 필요하면 임계값이나 확률 보정을 조정하는 것이 적절하다. 농장 아래에 남아 있는 자연 수관처럼 특히 헷갈리는 사례는 다른 정보와 함께 판단해야 한다.