연구 논문

객가 문화 보호 구역 내 이중 레이어 생태-유산 네트워크의 회복력 임계값에 대한 원격 탐사 평가

0 조회수

⸱

DOI:

10.3791/73497

⸱

2026년 9월 25일

 , 
1School of History-Culture and Tourism, Gannan Normal University, 2School of Economics, Management and Law, Gannan Normal University

이 논문에서

요약

본 연구는 중국 남부의 세 가지 객가 문화 생태 보호 구역을 위한 이층 생태-유산 네트워크를 구축합니다. 퍼콜레이션 분석을 통해 생태 층과 매핑된 유산 인벤토리 층의 뚜렷한 구조적 강건성 임계값을 식별하며, 복원 우선순위 지수를 통해 영향력 있는 패치를 찾아냅니다. 이 프레임워크는 구역 간 복원 및 모니터링 옵션에 대한 증거 기반 비교를 지원합니다.

초록

본 연구는 생태적 연결성과 무형문화유산을 결합된 이층 그래프로 모델링하는 이중 레이어 생태-유산 네트워크(DEHN) 프레임워크를 제안하며, 이를 중국 남부의 3개 객가 문화 생태 보호구역(74,547 km2)에 적용하였습니다. 구체적으로, 저자들은 토지 피복 데이터(2000–2023)에 MSPA-lite를 사용하여 233개 노드와 799개 엣지로 구성된 생태 네트워크를 구축하고, 이를 10 km 거리-감쇠 체계를 통해 23개 노드와 73개 엣지로 구성된 유산 네트워크와 결합하였습니다. 또한, 퍼콜레이션 공격(percolation attacks)을 통해 생태 레이어는 0.690, 유산 레이어는 0.925의 임계값을 확인하였으며, 이는 생태 네트워크가 무형문화유산 목록 네트워크보다 더 빠르게 연결성을 상실함을 나타냅니다. 복원 우선순위 지수를 통해 47개의 1등급(최상위) 패치와 46개의 고우선순위 패치를 식별하였으며, 메이저우(Meizhou) 지역에 상위 등급의 75%가 집중되어 있었습니다. 반사실적 시뮬레이션 결과, 엣지 비용 감소는 붕괴 임계값을 변화시키는 반면, 패치 소실은 임계값을 98.4% 감소시켜 새로운 징검다리 패치를 통한 위상적 확장이 필요함을 보여주었습니다. 종합적으로 DEHN 프레임워크는 밀도 정규화 비교(23.3 vs. 3.21)를 통해 생태 레이어가 단위 연결성당 더 높은 회복력을 가짐을 보여주며, 보호 문화-생태 구역의 결합 복원 계획을 위한 전이 가능한 템플릿을 제공합니다. DEHN 프레임워크는 지속가능발전목표(SDG) 11.4(“세계의 문화 및 자연유산을 보호하고 수호하기 위한 노력 강화”) 및 아이치 생물다양성 목표 11(육상 지역의 최소 17% 보존)과 연계됩니다. 식별된 퍼콜레이션 임계값(생태 f_C = 0.690, 유산 f_C = 0.925)은 문화 생태 보호구역(CEPZ) 관리가 네트워크 회복력을 붕괴 임계값 이상으로 유지했는지 평가하는 정량적 벤치마크를 제공합니다. 47개 패치(생태 네트워크의 20%)가 1등급(최상위)을 구성하며, 이들의 소실이 연쇄적 실패를 유발한다는 발견은 이러한 위상적 핵심 패치를 우선시하지 않는 현재의 CEPZ 경계 지정이 SDG 11.4 목표 달성에 불충분할 수 있음을 시사합니다. 저자들은 CEPZ 관리 계획에 네트워크 회복력 임계값을 모니터링 지표로 통합하고, 합의된 f_C가 0.50(네트워크 붕괴의 운용적 정의) 이상으로 유지되는지를 매년 보고할 것을 권장합니다.

서론

전 세계적으로 생태적 및 문화적 경관이 결합된 지역들이 도시화, 농촌 인구 감소, 기후 변동성으로 인해 동시에 재편되고 있으며, 이는 생물물리학적 온전성과 유산의 연속성 모두를 위협하고 있습니다1,2. 산악 문화 경관은 특히 취약한데, 이곳은 많은 인구 밀집 지역의 마지막 연속림 핵심부를 보유하고 있는 동시에 무형 문화유산이 불균형하게 집중되어 있기 때문입니다3. 지속가능발전목표(SDG) 11.4와 아이치 목표 11은 세계의 문화 및 자연유산 보호와 생태적으로 대표성 있는 서식지의 보호를 공동으로 촉구하고 있으나, 10년간의 모니터링 결과 많은 관할 구역에서 이 두 목표가 비동기적으로 전개되고 있음이 나타났습니다4. 중국에서는 국가 문화생태보호구(CEPZ) 프로그램을 통해 생태적 온전성과 무형 유산을 하나의 시스템으로 보존해야 하는 일관된 지역 단위를 지정하고 있습니다5. 그러나 프로그램 도입 후 15년이 넘었음에도 불구하고, CEPZ 정책은 두 계층을 연결하는 공간적 메커니즘보다는 거의 전적으로 목록 기반 지표를 통해 평가되어 왔습니다. 하지만 CEPZ 내의 생태 및 유산 하위 시스템이 서로 다른 스트레스 요인에 대응하여 동기적으로 쇠퇴하는지 아니면 서로 다른 궤적으로 쇠퇴하는지는 어떤 규모에서도 실증적으로 해결되지 않은 상태로 남아 있습니다.

서식지 매트릭스의 분포와 투과성을 재편함으로써, 경관 파편화는 생태계 서비스 제공의 근간이 되는 연결성 자체를 변화시킵니다6. 파편화는 일반적으로 패치 밀도, 모양 불규칙성, 토지 피복의 섀넌 다양성(Shannon-diversity)과 같은 경관 패턴 지수를 통해 정량화되며, 이는 종종 이동창 분석(moving-window analyses)과 결합됩니다7. 보다 최근에는 중국 지역 생태학에서 핵심-가장자리-교량(core–edge–bridge) 서식지 구조를 분리하기 위한 주요 도구로 형태학적 공간 패턴 분석(MSPA)과 여기서 채택된 경량화 변형 모델(MSPA-lite)이 등장했습니다8,9. 이러한 형태학적 도구들은 유용한 정보를 제공하지만, 생물체나 생태계 서비스(ES)의 흐름 관점에서는 근본적으로 비공간적입니다. 즉, 이들은 서식지 조각들의 분포를 설명하지만, 생태적 서비스가 서식지 핵심 지역 사이에서 어떻게, 그리고 어떤 경로를 통해 전파되는지에 대해서는 설명하지 못합니다10. 이러한 제약은 생태 및 문화유산 개체들이 경관 전체에 걸쳐 기능적으로 연결되어 있다는 정책적 전제가 핵심인 중국의 생태문화 보존지구(CEPZ)에서 특히 두드러집니다. 그러나 메커니즘이 명시된 공간 모델 없이는, 경관 지표만으로는 CEPZ 관리가 보호해야 할 연결 경로를 밝혀낼 수 없습니다.

그래프 및 회로 이론 기반의 연결성 모델은 생태계 서비스 분야의 이러한 공백을 부분적으로 메워왔습니다. 토지 이용 지도에서 도출된 저항 표면을 이용한 최소 비용 경로(Least-cost-path, LCP) 분석은 현재 서식지 핵심 지역 간의 생태 통로를 설정하는 표준 도구로 사용되고 있습니다11,12. 회로 이론(Circuitscape)은 경관을 저항 네트워크로 취급하여 다중 경로 흐름 확률을 계산합니다13. 최근의 다중 네트워크 합성 연구들은 이러한 단일 레이어 도구들이 공급-수요 생태계 서비스 흐름을 표현하도록 확장될 수 있음을 보여주었습니다14,15. 문화유산 측면에서는 공간적 정량화가 다른 방향으로 발전해 왔습니다. 커널 밀도 추정(Kernel density estimation, KDE)은 무형문화유산 클러스터링의 기본 표현 방식이 되었으며16, 일반적으로 지정된 유산 위치를 기반으로 한 델로네 삼각분할(Delaunay triangulations) 또는 k-최근접 이웃(k-nearest-neighbor) 네트워크와 같은 조합 그래프는 유산 자산의 이산적 관계 구조를 포착합니다17. 하지만 생태 네트워크와 유산 네트워크는 거의 항상 병렬적인 단일 레이어 객체로 취급되어 왔으며18,19, 두 레이어에 의해 공동으로 제어되는 전파 역학을 가진 상위 네트워크(supra-network)로 결합될 가능성은 CEPZ 규모에서 아직 실행되지 않았습니다20,21. 결과적으로, 점진적인 스트레스 요인 제거 하에서 결합된 이중 레이어 네트워크가 거대 연결 성분(large connected component)을 상실하게 되는 회복탄력성 임계값은 여전히 알려지지 않은 상태입니다.

노드가 참여자를 나타내고 엣지가 상호작용을 부호화하는 네트워크 모델은 이러한 간극을 해결하기 위한 수학적 장치를 제공합니다22. 다층(Multilayer) 및 멀티플렉스(multiplex) 네트워크는 동일한 행위자가 구조적으로 구별되는 상호작용 체계에 참여하는 시스템으로 그래프 표현을 일반화하며23, 층간 결합, 층간 참여 및 층별 복원력을 측정하기 위한 간결한 메커니즘을 제공합니다. 생태 네트워크 연구에서는 가장 큰 연결 성분이 붕괴되는 임계 분율 f*를 식별하기 위해 퍼콜레이션 기반의 노드 제거 시뮬레이션이 사용되어 왔으며, 이는 구조적 복원력의 널리 인정되는 대리 지표입니다24. 이러한 도구들을 결합된 생태-유산 구조로 확장하려면 (i) 서식지 핵심 구역과 유산 지점 간의 공간적 근접성을 반영하는 명시적인 층간 결합 체계, (ii) 층별 취약성을 분리하기 위해 각 층을 독립적으로 겨냥하는 공격 프로토콜, 그리고 (iii) 결합 네트워크 진단 결과를 실행 가능한 복원 목표로 변환하는 복합 우선순위 지수가 필요합니다. 본 분석에서 개발된 이중층 생태-유산 네트워크(Dual-layer Ecological–Heritage Network, DEHN) 프레임워크는 이 세 가지 요구 사항을 구체화하며, 이를 바탕으로 다중 CEPZ 규모에서 두 층의 복원력 임계값과 층간 진단 결과를 정량화합니다.

객가 문화 생태 보호 구역(Hakka Cultural Ecological Protection Zones)은 분석적 가치가 매우 높은 비교 구배를 형성하고 있습니다. 강서성 남부의 간저우, 복건성 서부의 민시, 광둥성 동부의 메이저우라는 세 곳의 국가급 구역에 걸쳐 있는 객가 CEPZ는 무이-남령-련화산 산맥의 74,547 km2 면적을 공동으로 포함하며, 공연 예술, 전통 공예, 민속 관습 전반에 걸쳐 등록된 23개의 국가급 무형 문화유산 항목을 보유하고 있습니다25,26. 수문학적 단방향성이 생태계 서비스 흐름을 주도하는 건조한 내륙 분지와 달리, 객가 산악 지역은 수많은 소규모 서식지 핵심 지역 사이에 조밀한 회랑 조직이 형성되어 있으며, 수 세기 된 폐쇄형 주거 건축에 뿌리를 둔 문화유산 자산과 수십 년간의 인구 감소 궤적으로 인해 많은 산간 현의 순 유출 인구가 등록 거주자의 30%를 초과하는 특징을 보입니다2728. 이러한 높은 유산 밀도, 농촌 인구 감소, 그리고 유지되는 산림의 결합은 이론적 다층 모델이 예측했으나 국가 하위 수준의 규모에서 실증적으로 관찰된 적이 드문 쌍방향 스트레스 체제(도시화로 인한 생태적 손실 대 인구 감소로 인한 유산 소실)를 제공합니다29. 기존의 객가 유산에 대한 단일 구역 사례 연구들은 풍부한 민속지학적 및 유형학적 통찰을 제공했으나, 생태 및 유산 계층의 결합된 공간 역학을 해결하지는 못했습니다30. 세 구역은 동일한 기후 및 지형대에 위치하면서도 간저우의 도시 주변부 확장, 민시의 툴로우(tulou) 관광 심화, 메이저우의 디아스포라 기반 인구 감소와 같이 서로 다른 스트레스 요인 조합에 직면해 있으므로, 비교 분석을 위한 3개 처리군 비교 구배로서 집합적으로 기능합니다. 따라서 여기서 개발된 프레임워크는 객가 사례를 넘어 일반화되어, 나머지 15개의 국가 CEPZ 및 유사한 스트레스 결합에 직면한 전 세계의 문화 경관에 적용 가능한 진단 템플릿을 제공할 것으로 기대됩니다31.

이러한 공백을 바탕으로, 서로 연결된 두 가지 질문을 다룹니다. 첫째, CEPZ 규모 영토 내의 생태 통로 네트워크와 무형 유산 네트워크가 점진적인 무작위 및 표적 공격 하에서 공통의 임계 퍼콜레이션 임계값(critical percolation threshold)을 공유하는가, 아니면 두 층이 구조적으로 서로 다른 노드 손실 분율에서 붕괴하는가? 둘째, 두 층이 서로 다른 회복탄력성을 보인다면, 어떤 층이 결합된 시스템 무결성의 구속 제약 조건을 설정하며, 복구 투자가 어디에서 이 제약 조건을 가장 효율적으로 재분배하는가? 이러한 질문에 답하기 위해, 본 연구는 (i) 6개의 30 m China Land Cover Dataset 스냅샷에 대한 형태학적 공간 패턴 분석과 23개의 국가 수준 무형 문화유산 항목에 대한 커널 밀도 추정을 통합한 이중층 생태-유산 네트워크(Dual-layer Ecological–Heritage Network, DEHN)를 구축하고, (ii) 네 가지 점진적 노드 제거 규칙 하에서 층별 합의 퍼콜레이션 임계값을 정량화하며, 멀티플렉스 참여도(multiplex participation) 및 수프라-고유벡터 중심성(supra-eigenvector centrality)을 통해 층 간 결합 구조를 특성화하며, (iii) 복합 복구 우선순위 지수(Restoration Priority Index, RPI)를 도출하고 시나리오 시뮬레이션 및 다변수 민감도 분석을 통해 그 실행 가능성을 평가합니다. 결과적으로 도출된 프레임워크는 중국 남부의 CEPZ 생태 복구 계획 및 이와 유사한 다층 유산 영토를 위해 메커니즘이 명시되고 원격 탐사 기반의 의사결정 기초를 제공합니다.

프로토콜

Study area
The Hakka Cultural Ecological Protection Zones (CEPZs) system comprises three nationally designated protection zones spanning the mountainous borderland of Jiangxi, Fujian, and Guangdong provinces in South China (23°23′–27°08′ N, 113°50′–116°44′ E) (Figure 1A–D). The three zones — Ganzhou CEPZ in southern Jiangxi, Minxi CEPZ in western Fujian, and Meizhou CEPZ in eastern Guangdong — jointly cover 74,547 km2 and encompass 34 county-level administrative units (33 counties plus one municipal-district seat), forming the geographic core of the Hakka cultural sphere. Ganzhou CEPZ is the largest of the three (39,341 km2), containing 18 counties across the Ganjiang River headwaters and the Wuyi Mountain foothills; it hosts the highest concentration of Hakka enclosed dwellings (weilongwu) and the densest inland tulou distribution. Minxi CEPZ (19,353 km2) covers 6 counties centred on Longyan and Sanming, where the UNESCO-inscribed Fujian tulou clusters constitute the flagship built heritage. Meizhou CEPZ (15,853 km2) encompasses 9 counties on the middle reaches of the Meijiang River and is internationally recognized as the "Hakka Cultural Capital" with the highest per-capita overseas Hakka diaspora ratio.

The topography is dominated by mid-elevation mountains (400–1,600 m) belonging to the Wuyi, Nanling, and Lianhuashan ranges, with a northeast–southwest tectonic grain. The three zones share a subtropical humid monsoon climate: annual precipitation ranges from 1,500 to 2,100 mm, and the mean annual temperature is 18–21 °C. Broadleaf and mixed evergreen forests dominate the natural vegetation, interspersed with terraced cropland along the fluvial valleys. The three zones jointly house over 12 million people (2020 census) — a paradoxical combination of high heritage density and severe rural depopulation, with net out-migration exceeding 30% of registered residents in many hill counties. Hakka intangible cultural heritage (ICH) items registered at the national level number 23 across the three zones (Figure 1B–D), spanning performing arts (mountain songs, Hakka opera), traditional crafts (tulou construction, woodblock printing), and folk practices (San Yuan festivals, ancestor worship). The coexistence of dense heritage patrimony, contracting rural population, and comparatively intact mountain forests renders the Hakka CEPZs a distinctive comparative gradient for coupled ecological–structural robustness of the mapped ICH inventory network analysis at a subnational scale32. Basic administrative, morphological, and heritage attributes of the three zones are summarized in Table 1.

The CEPZ program was inaugurated by the Ministry of Culture and Tourism (MCT) in 2007 with the objective of safeguarding coherent territorial units in which ecological integrity and intangible heritage are conserved as a coupled system33. All three Hakka zones were listed at the national-priority level between 2013 and 2019, and administrative coordination is exercised by the provincial cultural affairs bureaus of Jiangxi, Fujian, and Guangdong, respectively. Since 2020, restoration and rehabilitation planning within CEPZ boundaries has been subject to the National Territory Space Planning (NTSP) framework, which requires spatially explicit prioritization of ecological corridors and heritage buffer zones34. The Hakka case, therefore, combines an unambiguous administrative jurisdiction with a spatially heterogeneous stressor regime, and its analytical outputs are directly actionable within existing planning instruments. Recent CEPZ-scale evaluations have called for network-based diagnostics to replace the inventory-based indicators previously in use35, setting the direct policy backdrop against which the DEHN framework is developed. The Hakka landscape is finally distinguished by its extensive diaspora legacy: Meizhou alone accounts for over one third of the global Hakka diaspora, and remittance-driven land management has produced land-use trajectories markedly distinct from those of demographically stable Chinese mountain regions36. This social layer is not directly parameterized in the present multilayer model but is documented here as the mechanistic backdrop against which the ecological and heritage layers evolve.

Data
Descriptive statistics on county areas within the study area: mean = 2,193 km2 (range: 721–3,946 km2; median: 2,089 km2; SD: 687 km2; n = 34 counties). The mean county diameter (assuming circular shape) is approximately 53 km, which exceeds the 10 km inter-layer coupling radius by a factor of 5.3. This systematic geocoding error means that the true ICH-ecological patch coupling could differ substantially from the centroid-based estimate. A sensitivity analysis increasing the coupling radius to 20 km showed that the top-20 RPI patch identity was preserved in 15 of 20 cases, suggesting moderate robustness to geocoding uncertainty. Village-level field surveys are identified as essential future work to resolve this limitation.

Table 2 summarizes the primary datasets used in this study. Land cover was derived from the China Land Cover Dataset (CLCD) developed by Wuhan University at 30 m spatial resolution, spanning 1985–2023 with annual increments37. Six representative years (2000, 2005, 2010, 2015, 2020, 2023) were retained to characterize multi-decadal change trajectories at consistent five-year intervals plus the terminal year. The CLCD schema distinguishes cropland, forest, shrub, grassland, water, ice/snow, and impervious surfaces, and its accuracy has been independently validated at an overall accuracy exceeding 79% over the study region38. Administrative boundaries and CEPZ perimeters were obtained from the Ministry of Culture and Tourism (MCT) national CEPZ registry and Gaode POI services; national-level ICH items were geocoded to the county centroid of their originating cultural custodian, following the convention used in prior Chinese ICH-network studies39. The composite dataset is released under CC-BY license and can be reproduced entirely through open remote-sensing archives, in keeping with recent calls for reproducible ecological-network research40.

Data pre-processing followed a five-step chain implemented in Python 3.11 with rasterio 1.3, GeoPandas 0.14, and NetworkX 3.2. First, the CLCD 30 m annual GeoTIFFs were subset to the three-zone union bounding box (23°23′–27°08′ N, 113°50′–116°44′ E) and reprojected to the Albers Conic Equal Area projection (lon₀ = 105°E, φ₁ = 25°N, φ₂ = 47°N) to preserve area for subsequent morphological analysis. Second, the union of the three CEPZ perimeters was rasterized as a study mask, and all off-mask cells were set to NoData throughout the pipeline. Third, cell counts by land-cover class were tabulated for each of the six benchmark years to support direct cross-year fragmentation-trajectory comparison. Fourth, the ICH point set was compiled from the State Council national-list registry (batches 1–5), geocoded to the county centroid of the declared cultural custodian, verified against publicly available point-of-interest services, and stored as a WGS-84 GeoJSON layer with attributes for item identifier, category (performing arts, traditional craft, folk practice), listing batch, and CEPZ affiliation. Fifth, all downstream vector–raster operations were carried out in Albers Conic Equal Area using windowed raster reads and vectorized in-memory array processing to preserve computational efficiency at the 30 m grid. All boundary and ICH source files, together with the reproducible pre-processing scripts, are available upon reasonable request.

Methods
The analytical chain (Figure 2) is organized as five horizontal swim-lanes — DATA, LAYER, COUPLING, DIAGNOSTICS, OUTPUT — and comprises six methodological modules: (i) morphological quantification of the ecological layer via a lightweight morphological spatial pattern analysis (MSPA-lite) on 30 m CLCD; (ii) spatial quantification of the heritage layer via kernel density estimation (KDE) and combinatorial adjacency graphs on the 23 national-level ICH items; (iii) coupling of the two layers into a bi-layer supra-network under a distance-decay inter-layer scheme; (iv) percolation-based resilience threshold identification under random and targeted node-removal rules applied to each layer independently; (v) a composite Restoration Priority Index (RPI) mapped over the ecological node set to identify Tier 1 (top-ranked) patches and top-priority corridors; and (vi) scenario simulation and multi-parameter sensitivity analysis on the priority typology and the coupling parameters.

The supra-adjacency matrix A (256 × 256) was constructed as a block matrix , where AE,norm and AH,norm are the intra-layer adjacency matrices normalised by their respective mean edge weights, and Ainter is the inter-layer coupling matrix. The matrix is symmetric (verified computationally: ||A - AT || < 1e-10) and contains no self-loops (trace(A) = 0).

figure-protocol-1

Edge weight statistics before normalisation: ecological layer — min = 0.008730, mean = 0.098589, max = 1.618909; heritage layer — min = 0.006862, mean = 0.019848, max = 0.085832. After mean-normalisation: ecological — min = 0.0885, mean = 1.000, max = 16.4207; heritage — min = 0.3457, mean = 1.000, max = 4.3244.

Spectral radii were computed from the mean-normalized symmetric adjacency matrices: ecological block lambda_max = 19.6481, heritage block lambda_max = 10.5404, and full supra-network lambda_max = 19.6481. The ecological block, therefore, dominates the leading mode. An earlier node-level centrality value had been mislabelled as an eigenvalue and has been removed from all spectral-radius reporting. For comparison, a row-stochastic normalization has a leading eigenvalue of 1.000 by construction.

The baseline 10 km coupling rule produced 42 inter-layer edges: 35 satisfied the strict distance threshold, and seven were nearest-patch fallback links for ICH nodes without a patch inside the radius. Thus, all 23 ICH nodes retained at least one ecological connection. The supra-eigenvector centrality used in the RPI was computed from the mean-normalized symmetric adjacency matrix.

Ecological-layer quantification (MSPA-lite)
Morphological spatial pattern analysis (MSPA) partitions binary land-cover masks into topologically informative categories (core, edge, bridge, loop, islet, perforation, branch), thereby exposing habitat continuity independently of composition41. Because full MSPA on 30 m raster covering 74,547 km2 imposed prohibitive computational cost in preliminary trials, this study adopted a two-class MSPA-lite formulation that retains the core–edge distinction while collapsing bridge/loop/islet into an aggregated "edge" class. Vegetation was defined as the union of CLCD codes {forest, shrub, grassland}. The 30 m raster was resampled to 90 m using majority-rule aggregation, and a 3-cell circular structuring element (equivalent to 270 m) was applied via binary erosion to isolate the core interior; the residual vegetated cells were labeled as edge. Small patches (<5 km2) were excluded to focus on ecologically meaningful cores, following the size threshold widely adopted in Chinese regional MSPA studies42. MSPA-lite yields, for each of the six representative years, the total vegetated area, core area, edge area, and the count of individual core patches — sufficient descriptors to track the fragmentation trajectory hypothesized as the leading ecological stressor (Section 4.1).

The choice of CLCD-derived morphological indicators rather than seasonal NDVI or LST time series is deliberate. Cloud-cover contamination over the Hakka mountains routinely exceeds 70% in the wet season, and the terminal-lake-basin geometry compounds cloud persistence such that consistent multi-year seasonal NDVI composites would demand a bespoke gap-filling pipeline . Morphological indicators derived from annually validated categorical maps sidestep this atmospheric noise while preserving the connectivity information most relevant to network-based resilience analysis43.

MSPA-lite parameter sensitivity was probed in preliminary analysis. The core-erosion radius was varied across 2, 3, and 4 cells (equivalent to 180 m, 270 m, and 360 m in interior area at 90 m aggregation), and the minimum core area threshold was tested at 3 km2, 5 km2, and 10 km2. The final parameterization (3-cell erosion, 5 km2 threshold) was retained because it preserved a stable rank order of patch abundance across the six years while eliminating spurious small cores generated by CLCD classification noise. Cross-year MSPA-lite results were validated by manual inspection of ten randomly selected patches in each year against high-resolution Google Earth imagery, yielding a categorical concordance above 95% for core-versus-edge assignments in the 2020 snapshot. Patch identifiers were harmonized across years using a spatial-overlap rule: a patch in year t was matched to its dominant-overlap counterpart in year t + 5 whenever the Jaccard index of their footprints exceeded 0.60. Patches without a stable predecessor were logged as emergent, and patches without a stable successor were logged as dissolved. This lineage table underpins the fragmentation-trajectory analysis reported in Section 3.1.

Heritage-layer quantification (ICH-KDE + adjacency network)
For each of the 23 national-level ICH items, the county centroid of the item's declared custodian was used as the point locator. A kernel density estimation (KDE) surface was computed on a 500 m grid across the three-zone union with a 5 km bandwidth, which is comparable to Silverman's rule-of-thumb value estimated from the 23-point sample and its bivariate extent. The resulting density surface ich_kde_5km captures the spatial concentration of heritage patrimony and forms the spatial anchor for the discrete heritage graph. Bandwidth choice was informed by prior Chinese-tulou clustering analyses that reported the modal inter-cluster spacing at 6–8 km; a 5 km bandwidth resolves both intra-cluster consolidation and inter-cluster gaps.

The heritage graph G_H was assembled by combining a Delaunay triangulation on the 23 ICH nodes with the k-nearest-neighbor (KNN, k = 4) graph, yielding the union edge set. This combinatorial approach eliminates the elongated Delaunay edges spanning topographic barriers while retaining nearest-neighbor connectivity, following the graph construction protocol adopted in recent multiplex ecosystem-service studies44. Edge weights were assigned as the reciprocal of great-circle distance (in meters), so that closer heritage items exert stronger inferred linkage. On the 23-node graph, node-level centrality metrics — degree, weighted degree, betweenness, eigenvector, PageRank, and clustering coefficient — were computed under weight = 1 / distance following standard practice.

To address the methodological choice of k = 4 in the KNN component of the heritage graph, a k-value sensitivity analysis was conducted by varying k from 3 to 8 while retaining the Delaunay triangulation base. The consensus percolation threshold ranged from 0.754 (k = 4) to 0.923 (k = 7), with intermediate values of 0.779 (k = 3), 0.773 (k = 5), 0.852 (k = 6), and 0.885 (k = 8). The choice of k = 4 was retained because it produces the sparsest graph that still guarantees full node connectivity without redundant long-range edges, and because the Spearman rank correlation of node degree centrality between k = 4 and adjacent k values remained high (ρ = 0.691 for k = 3, ρ = 0.793 for k = 5). The Delaunay triangulation was retained as the base layer because it guarantees a connected planar graph that respects the spatial topology of ICH point distribution, while the KNN overlay eliminates the elongated Delaunay edges that span topographic barriers (e.g., Wuyi mountain ridge). This combinatorial Delaunay + KNN construction follows the graph protocol adopted in recent multiplex ecosystem-service studies and ensures that the heritage network topology is not an artifact of a single arbitrary parameter choice.

Ecological corridors and least-cost paths
Resistance surface construction followed the class-based look-up-table (LUT) convention45. Each CLCD class was assigned a numeric resistance value that reflects its impedance to biotic dispersal and ecosystem service flow (Table 3). Forest received the base resistance (1), followed in ascending order by shrub (5), grassland (10), water (30), cropland (50), ice/snow (200), and impervious surfaces (500); no-data cells received a neutral (100) placeholder. The LUT was applied to the 90 m CLCD 2020 raster to yield a resistance surface at 4,688 × 3,953 grid extent in Albers Conic Equal Area projection.

Least-cost paths (LCPs) were computed between core-patch pairs using skimage's `graph.route_through_array` implementation of Dijkstra's algorithm on the resistance surface. Candidate node pairs were restricted to the union of the K-nearest-neighbor (k = 4) and Delaunay-triangulation graphs of the 233 patch centroids in projected space, following the LCP-graph protocol widely used in Chinese regional connectivity studies46. This yielded 799 candidate corridors, each characterized by the cumulative cost (unitless integer sum of resistance along the path), path length in meters, and effective resistance (cost/length). All 799 corridors were retained in the final ecological graph G_E, since none exceeded a maximum-cost cut-off recommended for regional connectivity studies47.

Slope-adjusted resistance was considered but not adopted; the digital elevation model coverage available in the study workflow spanned only latitudes 26.00–27.14° N and therefore missed the southern two-thirds of the study region, so complete SRTM re-processing at three-zone extent was not attempted within the study timeline. A pure LULC resistance parameterization is a standard fallback in Chinese regional corridor studies where DEM completeness is not achievable, and it isolates the LULC signal without confounding topographic gradients48.

Implementation of the LCP computation employed skimage.graph.route_through_array in `geometric` mode, with the resistance surface cast to float32 and a small (1e−6) additive constant applied to zero-cost cells to prevent degenerate path collapse. To reduce memory footprint on the full 4,688 × 3,953 grid, the cost surface was tiled into four overlapping 2,344 × 1,977 windows with a 200-cell buffer, and LCPs whose endpoints spanned adjacent tiles were computed on the merged buffer union to avoid seam artifacts. All 799 candidate LCPs were validated by inspecting a random 5% sample against the input resistance surface for continuous connectivity; no discontinuous paths were detected. Corridor path geometries were vectorized via marching-squares extraction and stored as WGS-84 LineString features in GeoJSON, retaining path length, cumulative cost, effective resistance (cost/length), and source/destination patch identifiers as attributes. The centroid representative points used for LCP endpoint selection were computed with GeoPandas' representative_point method rather than geometric centroids to ensure that each endpoint falls within the corresponding patch polygon in cases of concave patch geometries.

Bi-layer supra-network construction
The heritage graph G_H (n = 23, m = 73) and ecological graph G_E (n = 233, m = 799) were combined into a bi-layer supra-network. An inter-layer edge (h, e) was inserted when the geodesic distance from ICH node h to ecological-patch centroid e did not exceed 10 km, a radius evaluated in the sensitivity analysis over 5, 10, 15, and 20 km (Section 3.5). If no patch fell within 10 km, the nearest patch was linked as a minimum-connectivity fallback. The baseline network, therefore, contains 42 inter-layer edges: 35 strict-radius links and seven fallback links.

figure-protocol-2

Edge weights in the supra-adjacency matrix A (256 × 256) were assigned as follows: intra-heritage edges retained their reciprocal-distance weights; intra-ecological edges received the reciprocal of the least-cost path cost (1 / cost); and inter-layer edges received as defined below, where d is the coupling distance in kilometers, and figure-protocol-3w_intrafigure-protocol-4 is the mean intra-layer edge weight, yielding a smoothly decaying inter-layer coupling calibrated to the intra-layer magnitude. The supra-network supports two families of derived metrics: (i) the supra-eigenvector centrality, computed as the leading eigenvector of A and giving each node a comparable importance score across layers; and (ii) the multiplex participation coefficient as defined below, following the multiplex participation formalism used in bi-layer network diagnostics, which captures the balance between a node's intra-layer connections and its coupling to the other layer.

figure-protocol-5

figure-protocol-6

The supra-adjacency matrix A was stored as a sparse CSR matrix using SciPy's sparse module. The leading eigenpair of the mean-normalized symmetric matrix was computed with ARPACK's eigsh implementation and cross-checked by power iteration; the full-matrix spectral radius was lambda_max = 19.6481. This same symmetric-matrix eigenvector supplied the supra-eigenvector-centrality component of the RPI. Row normalization was used only for transition-matrix diagnostics; its leading eigenvalue is 1.000 by construction. Alternative inter-layer coupling functions produced RPI rank correlations above 0.94 with the exponential-decay baseline.

Percolation-based resilience thresholds
Each layer was independently subjected to four progressive node-removal attacks: (i) uniformly random removal averaged across 500 replicates (300 for scenarios in Section 2.3.8); (ii) targeted removal by descending degree; (iii) targeted removal by descending betweenness; and (iv) targeted removal by descending eigenvector centrality. After k nodes had been removed from an initial n-node graph, structural integrity was measured as S(k) = LCC(k)/(n - k), where LCC(k) is the number of nodes in the largest connected component among the remaining nodes. The critical threshold f* was the smallest removed-node fraction k/n at which S(k) < 0.5. The reported thresholds and percolation curves use this remaining-node normalization. The consensus threshold f_C is the arithmetic mean of the four attack-specific thresholds.

For the random-removal attack, 500 replicates were adopted after preliminary convergence testing showed that the mean LCC-versus-removed-fraction curve stabilized to within a coefficient of variation of 0.02 by replicate 350; 500 replicates provide a comfortable margin above this convergence point at negligible additional computational cost. Ties in the degree, betweenness, and eigenvector rankings — which occur non-trivially for the heritage graph given its 23-node scale — were broken alphabetically by node identifier to ensure exact reproducibility across independent runs. Attack progressions were computed independently on each layer to isolate layer-specific vulnerabilities; a joint-attack protocol, in which nodes are removed from both layers simultaneously along the supra-eigenvector ranking, was considered but not adopted because it convolves the two-layer signals in a way that obscures the intended layer-specific diagnostic. The 0.5 LCC-fraction threshold was chosen following the standard practice in ecological-corridor percolation research ; auxiliary sensitivity tests at 0.4 and 0.6 LCC thresholds preserved the ecological-versus-heritage rank order and moved the absolute consensus thresholds by less than 0.05 in either direction. The consensus threshold was computed as the arithmetic mean of the four attack-specific thresholds. While the four attack rules have different structural interpretations, the consensus serves as a summary statistic capturing average vulnerability across diverse threat profiles. The attack-mode invariance of the directional finding (ecological < heritage across three of four attacks) provides internal validation.

For random attacks, 500 independent replicates were conducted. With LCC normalized by the remaining node count (n - k), the ecological layer yielded a mean random threshold of 0.623 ± 0.058 (SD), and the heritage-inventory layer yielded 0.960 ± 0.082. Confidence intervals (95%) were computed from the replicate distributions.

figure-protocol-7

Targeted attacks (degree, betweenness, eigenvector) used a static ranking based on the initial network topology rather than dynamic recalculation after each removal. This static approach was chosen because (i) it provides a reproducible, deterministic attack sequence; (ii) dynamic recalculation on sparse spatial networks can produce unstable centrality rankings; and (iii) the static approach represents a worst-case scenario. Dynamic recalculation typically yields slightly lower thresholds; the reported estimates are conservative. The removal increment was implemented as a sequential single-node removal. For the 23-node heritage network, each removal corresponds to ~4.3% of nodes; for the 233-node ecological layer, each removal corresponds to ~0.43%. This finer-than-0.025 resolution ensures accurate threshold detection.

Restoration priority index (RPI)
The composite restoration priority index (RPI) integrates four lines of evidence over the 233 core patches:

figure-protocol-8

where z(·) denotes standardization to zero mean and unit variance across all patches, w1 = 0.35 emphasizes bi-layer structural centrality, w2 = 0.20 assigns higher priority to small patches (fragmentation hot spots), w3 = 0.30 promotes patches with strong ICH coupling, and w4 = 0.15 up-weights isolated patches with high mean edge cost. The weight vector was chosen to emphasize structural centrality and heritage coupling (the two novel channels in the DEHN framework) while retaining a non-trivial fragmentation and isolation contribution; weight sensitivity was quantified in Section 3.5. Patches were assigned to three priority tiers by the 80th and 60th RPI percentiles: Tier 1 (top-ranked) (top 20%), high (60th–80th percentile), and moderate (bottom 60%). Corridor-level priority ranked the 799 corridors by a summed z-score of cost, effective resistance, and mean endpoint RPI; the top 15% (n = 119) were labeled top-priority restoration corridors.

Scenario simulation
Four scenarios were constructed to assess the practical applicability of the DEHN framework. S1, the baseline scenario, retained the unmodified ecological network G_E under the four percolation attacks. S2, the moderate-tier loss scenario, simultaneously removed all 140 patches classified as moderate-tier patches, simulating a landscape trajectory in which unprotected small patches are lost while critical- and high-priority patches are safeguarded. S3, the Tier-1 node restoration scenario, halved the cost of edges connecting two Tier-1 patches when their original cost exceeded the median cost, representing ecological restoration along corridors between structurally central patches. S4, the corridor-restoration scenario, reduced the cost of the 119 top-priority corridors by 40%, representing broad-scale corridor rehabilitation guided by the RPI ranking.

For every scenario, the full 4-attack percolation stack was re-executed with 300 random replicates, and the four attack-specific thresholds plus the consensus threshold were recorded for cross-scenario comparison. Because scenarios S3 and S4 modify only edge weights rather than the topology, this design isolates the specific contribution of resistance reduction to network robustness — a subtle mechanism-diagnostic that pure node-removal simulation cannot address. The scenario parameter values were chosen to match plausible restoration-budget magnitudes. The 50% cost reduction on Tier 1 (top-ranked)–Tier 1 (top-ranked) edges in S3 approximates the maximum achievable resistance reduction from riparian buffer expansion and small-scale reforestation on existing corridor land within a typical five-year restoration planning cycle in Chinese CEPZs . The 40% cost reduction on the top-119 corridors in S4 reflects a broader-scale corridor-matrix rehabilitation program extended over ten years. The loss-of-moderate scenario S2 represents the counterfactual in which the current restoration prioritization is honored but no active protection is extended to the moderate-tier patches; this reflects the actual budget envelope of the current CEPZ program, in which explicit protection is typically concentrated on the top 40% of prioritized areas.

Sensitivity analysis
Two sensitivity analyses probed the robustness of the RPI ranking to modeling choices. First, each RPI weight (w1 – w4) was perturbed by ±0.05 and ±0.10, re-normalized to sum to unity, and the Spearman rank correlation ρ between the perturbed RPI ranking and the baseline ranking was recorded. Second, the inter-layer coupling radius was varied over {5, 10, 15, 20} km, and both the number of inter-layer edges and the Spearman correlation of the resulting participation coefficient with the 10 km baseline were reported. These two analyses jointly quantify the transferability of the RPI conclusions to alternative modeling conventions.

In addition to one-at-a-time weight perturbations, a joint uncertainty analysis was conducted across 1,000 admissible weight combinations sampled from a Dirichlet distribution centered on the original weights (alpha = [3.5, 2.0, 2.5, 2.0]). For each combination, the RPI was recomputed and the top-20% patch set identified. Results show that 15 patches maintained top-20% membership with >90% probability, 26 with >75% probability, and 43 with >50% probability. The 15 most stable patches (probability > 90%) are concentrated in the Meizhou eigenvector-hub cluster, confirming that the top-tier priority identification is robust to weight specification. The negative area term is retained because small, geometrically clustered patches in Meizhou act as structural bottlenecks; large intact cores in Minxi contribute less marginal connectivity improvement despite their greater area.

Weight perturbations of ±0.05 and ±0.10 were chosen to bracket the range of variation that a domain analyst might plausibly assign, given expert disagreement over the relative importance of the four RPI components. The lower bound ensures that no single component is pushed to zero even at the largest tested perturbation (minimum resulting weight = 0.05), preserving all four evidence lines in every perturbation. The coupling-radius sweep from 5 to 20 km spans the range documented in comparable multiplex ecological–social system studies. Both sensitivity analyses were performed on the full 233-patch, 799-edge network with all 500 replicate seeds fixed, so that the reported rank correlations isolate the effect of the perturbation without introducing Monte-Carlo variance across sensitivity levels. A third sensitivity dimension — the choice of the LCC-fraction collapse threshold — was reported qualitatively in Section 2.3.5 and further discussed in Section 4.4 alongside the framework's other bounded limitations.

결과

수십 년간의 생태적 단편화 궤적
6개의 CLCD 스냅샷에 대한 MSPA-lite 정량 분석 결과, 2000년부터 2023년 사이 3개 성에 걸친 하카(Hakka) 경관 전체에서 비선형적인 단편화 궤적이 나타났다. 5 km2 이상의 연결된 식생 구성 요소의 면적으로 정의되는 총 핵심 패치(core-patch) 면적은 2000년 44,485 km2에서 2023년 37,888 km2로 감소했으며, 이는 총 6,597 km2, 즉 14.8%의 순손실을 나타낸다. 핵심 패치 면적은 2000년 44,485 km2에서 2010년 45,772 km2로 2.9% 소폭 증가했다가, 이후 2015년 41,919 km2, 2020년 37,806 km2로 감소했다. 해당 면적은 2020년에서 2023년 사이 82.3 km2(약 0.2%) 정도 소폭 반등했다. 2020년 합계인 37,806 km2는 표 1에 보고된 세 가지 CEPZ 값의 합과 일치한다. 패치 수는 2000년 116개에서 2020년 233개, 2023년 229개로 증가했다. 평균 패치 면적은 2000년 383.5 km2에서 2020년 162.3 km2로 약 57.7% 감소했으며, 반올림 시 58% 감소한 수치이다(그림 3).

구역별 분해를 통해 패턴이 더욱 명확해졌다. 가장 넓은 구역인 Ganzhou CEPZ는 절대적인 식생 면적(2020년 기준 16,578 km2)과 패치 수(144개 패치, 평균 면적 115 km2)가 가장 많았다. 영토 범위가 가장 좁은 Meizhou CEPZ(15,853 km2)는 평균 면적 107 km2의 패치 56개를 유지하고 있었으며, 이는 매우 세분화된 도시 주변부-농촌 모자이크 구조임을 나타낸다. Minxi CEPZ는 이와 정반대의 양상을 보였는데, 평균 면적 461 km2의 패치 33개가 확인되었으며, 이는 상대적으로 연속적인 고지대 산림 피복과 일치한다. 따라서 이 구역들은 연구 지역 내에서 뚜렷한 단편화 구성을 보이며, 이는 섹션 3.2와 3.4의 비교 네트워크 분석에 영향을 미친다.

이층 네트워크 토폴로지와 결합
이층 상위 네트워크(bi-layer supra-network)를 구성하기 전, 유산 층 G_H를 단독으로 조사하였다. 23개의 국가급 무형문화유산(ICH) 항목에 대한 5 km 대역폭 커널 밀도 표면은 세 개의 주요 밀도 집중 지역을 생성한다: 확산된 Ganzhou 능선, Yongding-Nanjing tulou 벨트 상의 조밀한 Minxi 정점, 그리고 Meixian 구역 상의 Meizhou 정점(그림 4A). Delaunay figure-results-1 KNN (k = 4) 합집합 결과, 73개의 에지, 평균 차수 6.35, 밀도 0.289, 하나의 연결 성분 및 직경 4를 가진 G_H가 도출되었다(그림 4B). 평균 노드 차수는 Meizhou (7.0) > Minxi (6.5) > Ganzhou (5.9) 순으로 나타났으며, 유산 단독 고유벡터 순위는 Minxi (0.237)가 가장 높았고 Ganzhou (2.4 × 10⁻4)와 Meizhou (2.1 × 10⁻5)가 그 뒤를 이었다(그림 4C 및 4D). 이러한 유산 단독 패턴은 그림 5 및 6의 생태학적 및 상위 네트워크 결과와 비교된다.

2020년 생태 그래프 G_E는 233개의 노드와 799개의 최소 비용 경로(least-cost-path) 회랑 엣지로 구성됩니다. 이 네트워크는 밀도 0.030, 평균 차수 figure-results-2kfigure-results-3 = 6.86, 평균 클러스터링 계수 0.083인 단일 연결 성분입니다. 엣지 수로 측정된 직경은 12이며, 패치 쌍 간의 평균 최단 경로 길이는 2,212(누적 저항 단위)입니다. 유산 그래프 G_H는 23개의 노드와 73개의 엣지(Delaunay 삼각분할과 KNN-4의 합집합)로 구성되며, 평균 차수는 6.35이고 단일 연결 성분으로 이루어져 있습니다. 23개 유산 노드의 공간적 분포와 결합된 층간 엣지를 통해 세 개의 주요 ICH 클러스터, 즉 Longnan-Anyuan을 중심으로 하는 Ganzhou 클러스터, Yongding-Nanjing tulou 지역을 중심으로 하는 Minxi 클러스터, 그리고 Meixian 구를 중심으로 하는 Meizhou 클러스터가 나타납니다(그림 5A).

G_E에 대한 중심성 분석 결과, eigenvector-hub 상위 15개 세트 전체가 Meizhou CEPZ(패치 ID 194–219) 내에 위치하는 것으로 나타났으며, 특히 패치 211(9.3 km2 크기의 Meizhou 중심 핵심 구역)이 eigenvector 0.37 및 PageRank 0.006으로 가장 높았습니다. 이러한 강한 eigenvector 집중도는 저비용 매트릭스를 통해 Meizhou의 작고 기하학적으로 밀집된 산림 패치들을 연결하는 조밀한 회랑 조직을 반영합니다(그림 5C). 이와 대조적으로, Ganzhou의 평균 eigenvector 중심성은 1.6 × 10⁻4, Minxi는 1.9 × 10⁻5에 불과하며, 이는 Meizhou의 7.3 × 10⁻2보다 3자리수 더 낮은 수치입니다. 그러나 매개 중심성(Betweenness centrality)은 더 균등하게 분포되어 있는데, Ganzhou는 더 많은 패치 인벤토리를 보유하여 구조적 중간 노드를 통한 최단 경로 트래픽이 더 많이 발생하므로 가장 높은 평균 매개 중심성(0.034)을 나타냅니다. 이러한 eigenvector 중심성(Meizhou 우세)과 매개 중심성(Ganzhou 우세) 사이의 불일치는 3개 구역 위상 구조의 독특한 특징입니다.

생태학적 단일 계층 중심성은 고유벡터-매개 중심성 간의 대조를 보여줍니다(그림 6). 2020년 G_E 네트워크는 조밀한 Meizhou 허브 복합체와 더 분산된 Ganzhou 구조를 포함하고 있습니다(그림 6A). 차수 분포는 오른쪽으로 치우쳐 있으며, 평균 차수는 6.86, 최대 차수는 패치 P193-P219에서 12로 나타납니다(그림 6B). 패치 면적과 단일 계층 고유벡터 중심성은 음의 상관관계(Spearman ρ = −0.21)를 보이며, 따라서 중심성이 가장 높은 패치는 일반적으로 큰 Minxi 패치가 아니라 더 작은 Meizhou 핵심 지역들입니다(그림 6C). 구역별 평균치 결과, Meizhou는 고유벡터 중심성과 PageRank가 가장 높았으며, Ganzhou는 매개 중심성이 가장 높았습니다(그림 6D). 이 패널들은 G_E만 사용했기 때문에, Meizhou 패턴은 계층 간 결합 이전에 이미 존재하며, 상위 네트워크(supra-network)와 비교했을 때 결합만이 유일한 원인은 아님을 알 수 있습니다.

기준 규칙 하에 G_H와 G_E를 결합한 결과 42개의 층간 엣지가 생성되었으며, 이는 35개의 엄격한 10 km 링크와 7개의 대체(fallback) 링크로 구성됩니다. 233개의 생태 패치 중 29개(12.4%)와 23개의 모든 ICH 노드가 적어도 하나의 층간 연결을 가지고 있습니다(평균 ICH-생태 차수 = 1.83, 최대값 = 5). 평균 정규화된 대칭 초인접 행렬(supra-adjacency matrix)의 스펙트럼 반지름은 19.6481입니다. 이전에 잘못 표기된 노드 수준 중심성 값은 고윳값 보고에서 제거되었습니다. 결합에 대한 구역 분해 결과, 평균 생태 연결 값은 Meizhou가 2.33, Ganzhou가 1.91, Minxi가 1.17로 나타났습니다. 이러한 기술적 결과는 지정된 거리 및 대체 규칙 하에서 Meizhou가 가장 강력하게 결합된 구역임을 보여줍니다.

퍼콜레이션 회복력 임계값
먼저 매핑된 유산 인벤토리 그래프 G_H에서 층별 퍼콜레이션 곡선을 계산하였다(그림 7). 네 가지 점진적 공격 하에서, 잔존 노드 정규화 LCC 비율은 무작위, 매개 중심성 및 고유벡터 중심성 기반 제거 시 가장 느리게 감소하였으며, 임계값은 각각 0.96, 1.00, 1.00으로 나타났다. 이는 연결 정도 기반 제거 시의 0.74와 대조적이다(그림 7A). 전역 효율성 임계값은 무작위 제거 시 0.86, 고유벡터 제거 시 0.83, 연결 정도 기반 제거 시 0.57이었다(그림 7B). 이러한 결과는 표현된 인벤토리 그래프가 무작위 노드 제거에 대해 높은 구조적 강건성을 가지며, 연결 정도가 높은 노드의 제거에 더 민감함을 나타낸다. 합의 임계값은 f_C(H) = 0.925이며(그림 7C), 이는 매핑된 그래프 외부의 유산 관행의 연속성을 측정하는 것은 아니다.

네 가지 점진적 노드 제거 방식(섹션 2.3.5)에 따른 두 계층의 퍼콜레이션 공격 결과, 뚜렷한 비대칭성이 나타났다(그림 8). 생태 계층의 임계값은 0.62(무작위), 0.70(연결 중심성), 0.44(매개 중심성), 1.00(고유벡터 중심성)이었으며, f_C = 0.690으로 산출되었다(표 4). 유산 목록 계층의 임계값은 각각 0.96, 0.74, 1.00, 1.00이었으며, f_C = 0.925로 산출되었다. 이 차이인 Δf_C = 0.235는 네 가지 공격 규칙 중 세 가지 규칙 하에서 생태 네트워크의 무결성 손실이 더 빠르게 모델링되었음을 나타낸다. 연결 중심성 기반 제거 방식에서 생태 계층과 유산 목록 계층은 제거된 노드 분율이 각각 0.70과 0.74일 때 S(k) = 0.5를 교차한다. Meizhou는 고유벡터 기반 공격에 의해 가장 먼저 선택된 생태 노드들을 포함하고 있는데, 이는 모델링된 토폴로지 내의 연관성일 뿐 실제 세상의 인과적 연쇄 반응에 대한 증거는 아니다.

원시 임계값 비교는 레이어 밀도의 영향을 받습니다. 보고된 노드 및 엣지 수에 따르면, 생태 밀도는 2 × 799/(233 × 232) = 0.0296인 반면, 유산 목록 밀도는 2 × 73/(23 × 22) = 0.2885입니다. 합의 임계값을 밀도로 나누면 생태 레이어는 23.3, 유산 목록 레이어는 3.21이 되며, 그 비율은 약 7.3:1입니다. 이러한 기술적 정규화는 더 높은 원시 유산 목록 임계값이 부분적으로 해당 그래프의 더 높은 밀도를 반영한다는 것을 나타냅니다. 밀도 대비 임계값은 중재 효과가 아닌 비교 진단 지표이므로, 이것만으로 엣지를 추가하거나 노드를 보호하는 것이 특정 정책 결과를 생성한다는 증거로 해석되어서는 안 됩니다.

고유벡터 공격(eigenvector-attack) 규칙 하에서만 두 층이 유사한 강건성(둘 다 ≥ 0.98)을 나타냅니다. 무작위(Random), 연결 중심성(degree), 매개 중심성(betweenness) 공격의 경우, 모델링된 붕괴 지점이 유산 목록 층(heritage-inventory layer)보다 생태 층(ecological layer)에서 더 일찍 나타납니다. 세 가지 공격 모드 전반에 걸친 이러한 일치성은 분석된 네트워크 및 공격 정의 내에서 이 방향성 결과의 안정성을 뒷받침하며, 해당 조건 범위를 벗어난 일반적인 인과적 타당성을 의미하지는 않습니다.

복원 우선순위 매핑
RPI 매핑에 사용된 2020년 생태 통로 네트워크는 233개의 핵심 패치 사이에 799개의 최소 비용 경로(least-cost-path) 엣지를 포함하고 있습니다(그림 9A). 통로 길이의 평균은 28.75 km, 중앙값은 21.08 km, 90 백분위수는 52.20 km, 최대값은 266.1 km입니다(그림 9B). 누적 비용 또한 유사하게 오른쪽으로 치우친 분포를 보이며, 평균 563.3, 중앙값 259.6, 90 백분위수는 651.0 resistance-meter equivalents입니다(그림 9C). 그림 9D의 길이-비용 간 양의 상관관계는 횡단 거리가 모델링된 비용의 중요한 구성 요소임을 나타냅니다. 다만, 복원 통로를 평가하기 위해서는 국지적 저항성, 실현 가능성 및 현장 상태에 대한 고려가 여전히 필요합니다. 233개 핵심 패치에 대한 종합 RPI 점수는 헤비 테일 분포(평균 = 0, σ = 0.52, 최소값 = −2.71, 최대값 = 1.83)를 나타냈습니다. 47개 패치(20.2%)가 분석적 Tier 1(RPI ≥ 0.290)에 해당하였고, 46개(19.7%)가 상위 티어(−0.184 ≤ RPI < 0.290), 140개(60.1%)가 중간 티어에 해당하였습니다. Meizhou는 Tier 1 패치 56개 중 22개를 포함하고 있었으며, Ganzhou는 144개 중 20개, Minxi는 33개 중 5개를 포함하고 있었습니다. 상위 두 분석 티어를 합치면 Meizhou는 56개 패치 중 42개, Ganzhou는 144개 중 35개, Minxi는 33개 중 16개가 해당됩니다. 이러한 티어는 지정된 RPI 가중치에 따른 상대적 순위이며, 규정된 보전 가치 범주가 아닙니다(그림 10). 통로 RPI 점수의 상위 15%는 119개의 통로로 구성됩니다. 순위가 가장 높은 20개 패치 중 15개는 Meizhou, 3개는 Ganzhou, 2개는 Minxi에 있으며, 이들은 총 277 km2의 면적을 차지합니다. 이들의 순위는 supra-eigenvector centrality, 음의 패치 면적 항, ICH 결합 및 고립 비용의 조합을 반영합니다. 그림 10A는 이 모델 기반의 서브셋을 매핑한 것입니다. 이 순위는 결정적인 복원 계획이 아니며, 생태적 상태, 실현 가능성, 토지 소유권, 비용 및 이해관계자의 우선순위와 결합하여 고려되어야 합니다.

표 5는 3개 CEPZ 전체의 분석 우선순위 등급 할당을 요약하여 보여줍니다. Meizhou는 22개 패치에 걸쳐 Tier 1에 504.1 km2를 포함하고 있으며, Ganzhou는 20개 패치에 걸쳐 439.9 km2, Minxi는 5개 패치에 걸쳐 53.2 km2를 포함하고 있습니다. 또한 Meizhou는 가장 높은 평균 RPI(+0.339)를 나타냅니다. Tier 1 대비 Meizhou의 높은 등급의 더 큰 총 면적(4,095.7 km2)은 소규모 허브 패치의 상대적 점수를 높이는 RPI의 음수 면적 항을 반영합니다. 이러한 결과는 해당 모델 하에서의 구조적 레버리지를 설명하는 것이며, 내재적인 보존 가치나 복원 자원의 의무적 할당을 확립하는 것은 아닙니다.

시나리오 시뮬레이션 및 민감도
4가지 시나리오는 상반된 모델 결과를 나타냈다(표 6). S1은 기준 합의 임계값인 0.690을 재현했다. 모든 중간 단계 패치를 제거한 S2는 임계값을 0.011로 낮추었으며, 이는 모델링 결과 98.4% 감소한 수치이다. 이러한 결과는 중간 단계로 분류된 패치들이 위상학적으로 상당한 기여를 하고 있음을 시사하지만, 그러한 손실이 실제로 발생할 것이라는 실증적 증거가 되거나 특정 복원 단계를 규정하는 것은 아니다. S3와 S4는 위상학적 구조를 변경하지 않고 엣지 가중치만 변경했기 때문에 0.690의 합의 값을 반환했다. 이러한 퍼콜레이션(percolation) 정의 하에서, 저항 감소는 가중 효율성을 개선할 수는 있지만 위상학적 임계값을 변경하지는 않는다. 따라서 징검다리 패치를 추가하거나 재연결하는 것은 필수적인 개입이라기보다 위상과 효율성을 모두 변경하기 위해 모델로부터 도출된 하나의 옵션이다(그림 11).

경사 패치 손실 시나리오는 비선형적인 모델링 반응을 생성했습니다. 중간 단계 패치의 25%를 제거했을 때 합의 임계값이 0.690에서 0.593으로 감소하였고(-14.0%), 50%를 제거했을 때는 0.483(-30.0%), 75% 제거 시에는 0.312(-54.8%), 100% 제거 시에는 0.011(-98.4%)이 나타났습니다. 한계 모델링 감소 폭은 25–50%, 50–75%, 75–100% 구간에 걸쳐 증가했습니다. 이러한 시뮬레이션 내에서 중간 단계 패치의 최소 절반을 유지하는 것은 기준 임계값의 70% 이상을 보존하는 것과 관련이 있었으며, 이는 시나리오 결과일 뿐 실제 붕괴에 대한 예측은 아닙니다. LCC 기반 임계값은 엣지 가중치 변화에 둔감하기 때문에 가중 글로벌 효율성(E_glob)을 계산했습니다. 기준 E_glob은 0.017230이었습니다. S3는 이를 0.018628(+8.1%)로 증가시켰고, S4는 0.017754(+3.0%)로 증가시켰습니다. 이러한 모델링 결과는 위상적 퍼콜레이션 임계값이 변하지 않았음에도 불구하고 가중 연결성이 개선되었음을 나타냅니다. 따라서 저항 감소와 위상적 확장은 서로 다른 네트워크 특성에 영향을 미치며, 본 분석은 보편적으로 우월한 개입 방안을 확립하지는 않습니다.

민감도 분석 결과, 테스트된 파라미터 범위 내에서 순위의 안정성이 입증되었습니다. 4가지 RPI 가중치를 ±0.05 및 ±0.10으로 섭동시켰을 때 Spearman ρ ≥ 0.97이 유지되었습니다. 결합 반경을 5, 10, 15, 20 km로 변화시켰을 때 엄격 반경 엣지 수는 각각 8, 35, 63, 101로 변했습니다. 10 km에서의 기준선인 42개 엣지는 35개의 엄격 반경 링크와 7개의 폴백 링크로 구성됩니다. 10 km 기준선과 참여 계수 간의 상관관계는 15 km에서 ρ = 0.73, 20 km에서 0.54, 5 km에서 0.27이었습니다. 상위 20개 RPI 패치 중 17개는 15 km에서, 15개는 20 km에서 유지되었습니다. 이러한 결과는 파라미터 민감도와 부분적인 순위 안정성을 나타내며, 테스트된 네트워크 이외의 무제한적인 전이 가능성을 입증하는 것은 아닙니다(그림 12).

데이터 가용성:
중국 토지 피복 데이터셋(China Land Cover Dataset)은 Zenodo(https://doi.org/10.5281/zenodo.4417810)에서 이용 가능합니다. 국가 무형문화재 목록은 중국 국무원에서 발행하였으며, 행정 경계 데이터는 중국 국가 지리 정보 센터(National Geomatics Center of China)에서 이용 가능합니다. 파생된 네트워크 행렬, 퍼콜레이션(percolation) 출력값 및 분석 코드는 Zenodo(https://doi.org/10.5281/zenodo.21732093)에 저장되어 있습니다.

figure-results-4
그림 1연구 지역 및 CEPZ 배치도. (A) 강시성 남부, 푸젠성 서부 및 광둥성 동부에 걸쳐 있는 3개 국가 생태보호실험구(CEPZ)의 위치. (B) CLCD 2020 지표 피복에 따른 23개 국가 무형문화유산(ICH) 항목의 분포. (C) 비문 배치별 ICH 수치. (D) ICH 카테고리 구성. 지도 Open Street Map을 사용하여 그려졌습니다. 기여자 ~로서/함에 따라 그 기초 지도; 행정적인 경계 그리고 입력된 텍스트가 없습니다. 번역할 내용을 제공해 주시기 바랍니다. 라벨, 기호, 및 주제별 층 있었습니다 추가됨 또는 컴파일된 ~에 의해 그 저자 패널 (C) 및 (D) 있었다 준비된 ~에 의해 그 저자 기반한 켜짐 그 연구 데이터 세트 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-5
그림 2: DEHN 프레임워크의 분석 워크플로우. 5개의 스윔레인은 네트워크 구축 및 평가에 사용되는 데이터 조립, 이중 레이어 유도, 커플링, 진단 및 출력물을 나타냅니다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

figure-results-6
그림 3: 2000~2023년 tri-CEPZ 경관 전반의 MSPA-lite 단편화 궤적. (A) 연도 및 구역별 핵심 패치의 공간적 분포. (B) 총 핵심 패치 면적, 가장자리 면적 및 총 식생 면적의 시간적 추세. (C) 핵심 패치 수 및 총 핵심 패치 면적. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-7
그림 423개 국가무형문화유산 항목의 전승층 분석. (A) 커널 밀도 표면. (B) Delaunay-KNN 인접 그래프 G_H. (C) 매개 중심성이 가장 높은 10개의 노드. (D) CEPZ에 따른 중심성 지표. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-8
그림 5: 2020년의 이층 상위 네트워크(Bi-layer supra-network). (A) 층 간 결합의 공간적 배치. (B) ICH 층 간 차수 분포. (C) 상위 고유벡터 중심성(supra-eigenvector centrality)이 가장 높은 20개 노드. (D) 256개 모든 노드에 대한 상위 고유벡터 중심성 대비 참여 계수(Participation coefficient). 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-9
그림 6: G_E에 대한 생태 계층 중심성 분석. (A) 2020년 경관의 공간적 배치. (B) 차수 분포. (C) 패치 면적 대비 고유벡터 중심성. (D) 구역별 중심성 지표. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

figure-results-10
그림 7: 표적 공격 하에서의 유산 인벤토리 층의 퍼콜레이션(percolation). (A) 네 가지 공격 규칙에 따른 제거된 노드 분율 대비 LCC 비율. (B) 전역 효율(Global-efficiency)의 감소. (C) 공격별 및 합의 임계값. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-11
그림 8: 네 가지 공격 시나리오에 따른 생태계 층위 퍼콜레이션(Percolation). (A) 무작위 공격. (B) 표적 공격. (C) 층간 임계값 비교. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-12
그림 9: 2020년의 생태 통로 네트워크. (A) 저항 표면. (B) 799개의 최소 비용 경로 통로. (C) 누적 비용 분포. (D) 통로 길이와 비용의 관계. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

figure-results-13
그림 10: 복원 우선순위 지수 매핑. (A) RPI 값의 공간적 분포 및 상위 15% 회랑. (B) CEPZ별 분석 계층 구성. (C) 구역별 RPI 분포. (D) 상위 20개 패치에 대한 구성 요소 분해. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-14
그림 11: 생태층 강건성의 시나리오 시뮬레이션. (A) 네 가지 시나리오에 따른 퍼콜레이션 곡선. (B) 합의 임계값의 비교. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-15
그림 12: 민감도 분석. (A) RPI 가중치 섭동 하에서의 Spearman 순위 상관관계. (B) 결합 반경에 따른 참여 계수 안정성. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

속성간저우 경제기술개발구Minxi CEPZ메이저우 종합시험구합계
주(Province)강서성푸젠광둥—
면적(km²)²)39,34119,35315,85374,547
군 단위 행정 구역18개 카운티6개 군9개 군 + 1개 구34
국가 수준의 ICH 항목 (n)116623
객가족 관련 무형문화유산(ICH) 항목(n)75517
주요 ICH 범주민속 관습, 전통 공예공연 예술, 민속 관습공연 예술, 전통 공예—
핵심 생태 패치 ≥ 5 km² (2020)1443356233
핵심 패치 총 면적 (km2)², 2020)16,577.6015,214.106,014.0037,805.70

표 1: 3개 객가 CEPZ 및 해당 ICH 목록 개요. 이 표는 간저우, 민시, 메이저우의 지리적 범위, 행정 구역 범위 및 국가 수준의 ICH 수를 비교합니다.

데이터 유형출처해상도 / 단위시간참고 문헌
토지 피복 (LULC)China Land Cover Dataset (CLCD), Wuhan University30 m 래스터2000/05/10/15/20/23Yang and Huang (2021)
CEPZ 경계문화관광부(MCT) 국가 등록부벡터 폴리곤2013–2020 (선언일)MCT (2020)
국가 수준 ICH 인벤토리중국 국무원 ICH 국가 목록 (1~5차)포인트 (군 중심점)2006–2021State Council (2021)
행정 경계National Geomatics Center of China벡터 폴리곤2020NGCC (2020)
좌표계Albers Conic Equal Area (lon₀ = 105°, φ₁ = 25°, φ₂ = 47°)———

표 2: 주요 데이터 소스. 이 표는 각 데이터셋의 제공자, 공간 또는 시간 해상도, 그리고 분석 워크플로우에서의 역할을 나열합니다.

CLCD 클래스저항값정당성 입증
삼림 (2)1기저 서식지; 최고 투과성
관목 (3)5높은 투과성; 2차 천이
초지 (4)10중등도 투과성
물 (5)30수생 분류군에는 국소적으로 투과 가능하나, 육상 분류군에는 차단벽으로 작용함
경작지 (1)50반인위적 매질
얼음/눈 (7)200고고도 장벽
불침투성 (8)500생물학적 흐름의 완전한 차단
데이터 없음 (0)100중립 자리표시자

표 3: 토지 피복 저항 값. 이 표는 최소 비용 통로 모델링을 위해 각 CLCD 클래스에 할당된 저항 값을 나타냅니다.

공격 규칙생태학적 f*유산 f*Δ (H − E)
무작위(평균 500)0.620.960.34
내림차순 도수0.70.740.04
하강 매개 중심성0.4410.56
내림차순 고유벡터110
합의(평균)0.690.9250.235
밀도 정규화(f_C/밀도)23.33.21−20.09
무작위 공격 SD0.0580.0820.024

표 4: 2020년 생태 및 유산 목록 레이어의 퍼콜레이션 임계값. 공격별 값과 그 합의점은 잔존 노드 LCC 정규화 하에서의 구조적 강건성을 요약합니다.

CEPZ총 패치 수1단계 (최상위) (n / km²)고층 (n / km²)중급 단계 (n / km²²)평균 RPI
간저우14420 / 439.915 / 475.3109 / 15,662.5−0.103
민시335 / 53.211 / 123.017 / 15,037.9−0.124
메이저우5622 / 504.120 / 4,095.714 / 1,414.20.339
세 가지 CEPZ 모두23347 / 997.246 / 4,694.0140 / 32,114.60

표 5: 3개 CEPZ에 걸친 RPI 등급 할당. 패치 수, 면적 및 평균 RPI 값은 구역별 분석 등급의 비교 분포를 보여줍니다.

시나리오설명합의 서열(Consensus sequence)Δ 대 S1
S1기초선 (수정되지 않은 G_E)0.690
S2중급 단계 손실(패치 140개 제거)0.011−0.679
S3Tier 1(최상위) – Tier 1(최상위) 엣지의 비용을 절반으로 줄임0.690
S4상위 119개 회랑의 비용 40% 절감0.690
S2a (25% 중등도 제거됨)140개의 중간 정도 크기 패치 중 35개 제거됨0.593-0.097
S2b (50% 중간 제거)140개의 중간 크기 패치 중 70개 제거됨0.483-0.207
S2c (75% 중간 정도 제거됨)140개의 중간 크기 패치 중 105개를 제거함0.312-0.378
가중 전역 효율성S1=0.0172, S3=0.0186(+8.1%), S4=0.0178(+3.0%)텍스트를 확인하십시오.-

표 6: 시나리오 시뮬레이션 합의 퍼콜레이션 임계값. 이 표는 베이스라인, 패치 손실, 노드 복원 및 통로 복원 모델의 결과를 비교합니다.

예약노드모서리밀도무작위 공격 (평균 ± SD; n = 500)학위매개 중심성고유벡터합의
간저우1443590.0350.420±0.0790.3260.1180.6320.374
민시33890.1690.686±0.1620.3640.2421.0000.573
메이저우561430.0930.464±0.1200.2500.1790.2500.286

표 7: 예비지별 퍼콜레이션 임계값. 이 표는 Ganzhou, Minxi 및 Meizhou에 대한 공격 특정 임계값과 합의 임계값을 각각 보고합니다.

토론

형태적 및 네트워크 진단에 대한 3개 구역 분해 분석 결과, 생태적 구성에서 뚜렷한 공간적 이질성이 나타났다49. 간저우(Ganzhou)는 식생 면적과 패치 수가 가장 많았으나 평균 패치 크기는 가장 작았으며, 반면 민시(Minxi)는 비교적 연속적인 무이산맥 주변부 산림과 일치하게 가장 큰 평균 패치 크기(461 km2)를 유지했다. 메이저우(Meizhou)는 더 좁은 영역 내에 56개의 패치를 포함하고 있었으며, 생태적 고유벡터 허브(ecological eigenvector hubs)의 농도가 가장 높게 나타났다. CLCD 변화 분석 결과, 핵심 패치 면적에서 전반적인 비선형적 변화가 확인되었다. 핵심 패치 면적은 2000년 44,485 km2에서 2010년 45,772 km2로 증가했다가, 2015년 41,919 km2, 2020년 37,806 km2로 감소했다. 2010~2020년 사이의 감소량은 7,966km2였으며, 이는 2010년 핵심 패치 면적의 17.4%에 해당한다. 2023년 핵심 패치 면적은 37,888 km2로, 2020년 대비 82.3 km2의 소폭 증가를 보였다. 그럼에도 불구하고 2000~2023년 전체 감소량은 6,597 km2 또는 14.8%였다. 식생 핵심 지역에서 경작지로의 전환이 순 핵심 손실의 38%를 차지했고, 운송, 저수지 및 산업 시설의 영향으로 인한 전환이 31%, 불투수층으로의 전환이 22%, 그리고 기타 매핑된 전환이 9%를 차지했다. 간저우, 메이저우, 민시는 각각 순 손실의 52%, 35%, 13%를 기여했다. 이는 토지 피복 회계 결과 및 기술적 연관성에 기초한 것이며, 도시화, 인프라 개발, 과수원 투자, 인구 감소 및 정책 과정이 타당한 맥락적 설명이 될 수 있으나 인과적 동인으로서 직접적으로 검증되지는 않았다50.

보호구역별 침투 분석(Per-reserve percolation analysis)을 통해서도 모델링된 생태적 강건성(ecological robustness)의 상당한 차이가 확인되었습니다. 합의 임계값(Consensus thresholds)은 Ganzhou의 경우 0.374, Minxi의 경우 0.573, Meizhou의 경우 0.286이었으며, 500회 시뮬레이션 반복 실험에 걸친 무작위 공격 임계값(random-attack thresholds)의 중앙값은 각각 0.410, 0.667, 0.446이었습니다. 이와 대조적으로, Table 7에는 이에 상응하는 평균 ± 표준편차(SD) 값이 각각 0.420 ± 0.079, 0.686 ± 0.162, 0.464 ± 0.120으로 보고되어 있습니다. 따라서 지정된 네트워크 구축 및 공격 규칙 하에서 Minxi가 가장 높은 모델링 강건성을 보였고, Meizhou가 가장 낮은 강건성을 보였습니다. Ganzhou는 상대적으로 온전한 내부 핵심 지역과 더불어 더 넓은 불투과성 매트릭스 및 더 높은 평균 매개 중심성(mean betweenness, 0.034)을 결합하여 나타냈으며, 이는 최단 경로 트래픽의 집중도가 더 높음을 시사합니다. 반면, Meizhou는 국지적으로 조밀한 서브그래프 내에 많은 작은 패치들을 포함하고 있었으며, 더 강한 고유벡터 중심성(eigenvector centrality)과 국지적 허브 집중도를 보였습니다. 이러한 차이는 모델링된 통로 네트워크의 위상적 특성을 설명하는 것이며, 개발 압력이나 인구 감소가 관찰된 패턴을 유발했다는 것을 입증하는 것은 아닙니다51,52.

세 구역 전체에서 생태적 층과 매핑된 유산 인벤토리 층은 서로 다른 구조적 임계값을 나타냈습니다. 생태적 층은 합의된 제거 노드 분율 0.690에서 모델링된 붕괴점에 도달한 반면, 유산 인벤토리 층은 0.925에서 도달하여 0.235의 차이를 보였습니다. 생태적 임계값은 무작위, 연결 중심성 및 매개 중심성 공격 하에서 더 낮았으나, 두 층의 강건함이 비슷하게 나타난 것은 고유벡터 기반 공격 하에서뿐이었습니다. 이러한 비대칭성은 표현된 그래프 내에서 생태 통로의 무결성이 결합 시스템의 더 제한적인 구조적 구성 요소임을 시사합니다53. 그러나 유산 층은 매핑된 23개의 국가 수준 무형문화유산(ICH) 항목으로만 구성되어 있으므로, 이를 문화적 관습의 연속성, 활력 또는 지리적 범위에 대한 직접적인 측정치로 해석해서는 안 됩니다. 더 높은 유산 임계값은 해당 층의 그래프 밀도가 훨씬 더 높다는 점(생태적 층의 0.030 대비 0.289)과도 부분적으로 관련이 있습니다. 밀도 정규화된 임계값은 연구 내에서의 기술적 비교를 제공하지만, 이를 엣지 밀도를 높이거나 특정 수의 노드를 보호하는 것이 예측 가능한 정책적 결과로 이어질 것이라는 증거로 해석해서는 안 됩니다54.

기초 결합은 제한적이었으나 공간적으로 불균등하게 나타났다. 42개의 층간 링크가 23개의 ICH 노드 전체를 29개의 생태적 패치에 연결했으며, 여기에는 35개의 엄격 반경 링크와 7개의 최근접 패치 대체 링크가 포함되었다. Meizhou는 ICH-생태계 간 평균 연결성(2.33)이 가장 높았고 생태적 허브가 가장 밀집되어 있어, 모델링된 네트워크 내에서 강력하게 결합됨과 동시에 구조적으로 민감한 특성을 보였다55. 층 간의 대조는 중심성 순위에서도 분명하게 나타났다. Minxi는 유산 단독 고유벡터 순위에서 1위를 차지한 반면, Meizhou는 생태계 및 초네트워크 순위에서 1위를 기록했다. 이러한 역전 현상은 단일 층 순위가 층 간 결합 도입 후 변경될 수 있음을 보여준다. 그럼에도 불구하고, 이러한 결과가 특정 지역이 자동으로 우선순위를 가져야 함을 입증하는 것은 아니다. Meizhou의 경우, 계획 수립자는 중심성이 높은 작은 패치들의 보호 또는 재연결 가능성을 평가할 수 있으며, Ganzhou에서는 매개 중심성이 높은 중간 규모 패치들을 도시 주변부 토지 이용 제약 조건과 함께 검토할 수 있고, Minxi에서는 수많은 작은 패치를 추가하는 것보다 대규모 연속 핵심 구역의 완충 및 통합이 더 적절할 수 있다56. 이러한 모든 옵션은 현장 검증, 타당성 및 비용 평가, 토지 소유권 분석, 그리고 이해관계자의 참여를 필요로 한다.

시나리오 분석을 통해 가중 효율성과 위상적 강건성 사이의 구분이 명확해졌습니다57. 모든 중간 단계 패치를 제거했을 때 합의 임계값은 0.690에서 0.011로 감소했으며, 점진적 손실 시나리오에서는 중간 단계 패치의 25%, 50%, 75%, 100%를 각각 제거했을 때 임계값이 0.593, 0.483, 0.312, 0.011로 나타났습니다. 이러한 결과는 최상위 분석 단계 이외의 패치들도 여전히 중요한 위상적 기여를 할 수 있음을 나타냅니다. 이와 대조적으로, Tier-1 및 최우선 복원 회랑 시나리오에서 엣지 비용을 줄였을 때 가중 전역 효율성은 각각 8.1%와 3.0% 증가했으나, 비가중 퍼콜레이션 임계값은 변하지 않았습니다. 따라서 저항 감소와 위상적 확장은 서로 다른 네트워크 특성에 영향을 미칩니다. 전자는 모델링된 흐름 효율성을 개선할 수 있는 반면, 후자는 현재의 정의하에 임계값을 변화시키기 위해 필요합니다58. RPI 순위는 테스트된 가중치 섭동 하에서도 매우 안정적으로 유지되었으나(Spearman’s ρ ≥ 0.97), 결합 반경 변화에서는 부분적인 안정성만 나타났으며, 이는 해당 우선순위가 결정적인 복원 처방이라기보다 유용한 스크리닝 결과물임을 시사합니다.

해석을 제한하고 향후 연구 방향을 제시하는 몇 가지 한계점이 있습니다. 첫째, 연구 범위에 대한 완전한 DEM 커버리지를 사용할 수 없었기 때문에 저항 표면을 전적으로 토지 피복에만 기반하여 설정하였습니다. 향후 분석에서는 경사도와 지형적 습윤도 수정 요소를 포함하여 메이저우(Meizhou) 허브 패턴이 지속되는지 테스트해야 합니다59. 둘째, ICH 항목이 군 단위 중심점으로 지오코딩되어 군 내부의 변동성이 가려졌으며 이는 층간 결합에 편향을 줄 수 있습니다. 특히 메이저우 지역에서 공간적 표현력을 높이기 위해 마을 단위의 조사가 필요합니다60. 셋째, 생태적 단편화는 2000년부터 2023년까지 기록되었음에도 불구하고, 다층 분석은 2020년의 단면 연구로 수행되었습니다. 모든 기준 연도에 대해 생태 및 결합 네트워크를 재구성한다면 더 강력한 시계열 추론이 가능할 것입니다61. 넷째, 시나리오는 결정론적이었으며 PLUS나 FLUS와 같은 토지 이용 예측 모델을 포함하지 않았습니다. 향후 연구에서는 확률적 토지 이용 시뮬레이션, 복원 비용, 생태 상태, 생태계 서비스 공급 및 ICH 실천 지속성 지표를 통합할 수 있을 것입니다. 또한 유산 층을 성(provincial) 단위 항목까지 확장하면 더 세밀한 규모의 문화-생태 연결성을 밝힐 수 있을 것입니다62. 따라서 DEHN 프레임워크는 재현 가능한 비교 진단 도구로 간주되어야 합니다. 이 프레임워크는 구조적 취약성과 잠재적 개입 지점을 식별하지만, 다른 CEPZ나 문화 경관에 적용하기 위해서는 지역적으로 재구성된 네트워크, 일관된 공격 프로토콜, 현장 검증, 그리고 거버넌스 및 지역사회 우선순위에 대한 명시적인 고려가 필요합니다63.

공개 사항

저자들은 본 논문에 보고된 연구에 영향을 미칠 수 있는 알려진 경쟁적 재정적 이해관계나 개인적 관계가 없음을 밝힙니다. 저자들에 의해 보고된 잠재적인 이해 상충은 없었습니다.

감사의 글

저자들은 원고 번역, 학술적 표현 다듬기 및 문법 수정을 위해 ChatGPT 5.2를 활용하였습니다. 모든 분석적 해석, 데이터 분석 및 핵심 학술 논거는 저자들이 독립적으로 최종 확정하고 검증하였습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Administrative boundary dataNational Geomatics Center of ChinaChina administrative boundary dataset; https://www.ngcc.cn/
ARPACK eigensolverARPACK-NG through SciPyscipy.sparse.linalg.eigsh; https://github.com/opencollab/arpack-ng
China Land Cover Dataset (CLCD)Wuhan University / Zenodo30 m annual dataset; record 4417810; https://zenodo.org/records/4417810
Cultural Ecological Protection Zone registryMinistry of Culture and Tourism of ChinaNational CEPZ registry; https://www.mct.gov.cn/
Delaunay triangulation and k-nearest-neighbour analysisSciPy / NetworkXHeritage adjacency-network construction; k = 4
Gaode POI servicesAmap / GaodeOnline POI service; https://lbs.amap.com/
GeoPandasGeoPandas developers / PyPIVersion 0.14; https://geopandas.org/
Google Earth imageryGoogleGoogle Earth imagery; https://earth.google.com/
Kernel density estimationPython scientific computing environment500 m grid; 5 km bandwidth
Least-cost path algorithmscikit-image projectDijkstra algorithm through route_through_array
National Intangible Cultural Heritage InventoryState Council of the People's Republic of ChinaNational-level inventory, batches 1-5
NetworkXNetworkX developers / PyPIVersion 3.2; https://networkx.org/
PythonPython Software FoundationVersion 3.11; https://www.python.org/
rasterioRasterio developers / PyPIVersion 1.3; https://rasterio.readthedocs.io/
scikit-imagescikit-image developers / PyPIskimage.graph.route_through_array; https://scikit-image.org/
SciPy sparseSciPy communityscipy.sparse; https://scipy.org/
Shuttle Radar Topography Mission DEMNASA / USGSSRTM DEM; preliminary assessment only; incomplete study-area coverage
Zenodo analysis repositoryZenodoCode, derived matrices, and outputs; https://doi.org/10.5281/zenodo.21732093

참고문헌

  1. Dadashpoor H, Azizi P, Moghadasi M. Land use change, urbanization, and change in landscape pattern in a metropolitan area. Sci Total Environ. 2019;655:707-19.
  2. Dong X, et al. Spatio-temporal assessment of landscape ecological risk and its influencing factors in Jiangxi Province, China. Environ Monit Assess. 2025;197(4):480.
  3. Nowicka K. The Heritage Given: cultural landscape and heritage of the Vistula Delta Mennonites as perceived by the contemporary residents of the region. Sustainability. 2022;14(2):915.
  4. Feng B, Li D, Zhang Y, Xue Y. Progress and analysis on the management effectiveness evaluation of protected area based on Aichi Biodiversity Target 11th in China. Biodivers Sci. 2021;29(2):150-9.
  5. Chen Y, Hung Y, Chen X. Ecological asset accounting methods and applications of agricultural cultural heritage sites—taking the Ancient Tea Forest Cultural Landscape of Jingmai Mountain in Pu'er as an example. J Resour Ecol. 2025;16(2):472-86.
  6. Zeng X, et al. Impacts of land use and land cover change on the landscape pattern and ecosystem services in the Poyang Lake Basin, China. Landsc Ecol. 2024;39:183.
  7. Wang H, et al. Spatial-temporal pattern analysis of landscape ecological risk assessment based on land use/land cover change in Baishuijiang National Nature Reserve in Gansu Province, China. Ecol Indic. 2021;124:107454.
  8. Zhang Q, Zhu L, Fu H. Spatiotemporal correlation analysis of landscape pattern and habitat quality in and around China’s Tropical Rainforest National Park. Forests. 2024;15(12):2070.
  9. Gu L, Yan J, Li Y, Gong Z. Spatial-temporal evolution and correlation analysis between habitat quality and landscape patterns based on land use change in Shaanxi Province, China. Ecol Evol. 2023;13(11):e10657.
  10. Wen C, Qiu Y, Wang L. Identifying key locations of the ecological-barrier system to support conservation planning: a study of the Sanjiangyuan National Park. Forests. 2024;15(7):1202.
  11. Saura S, Pascual-Hortal L. A new habitat availability index to integrate connectivity in landscape conservation planning: comparison with existing indices and application to a case study. Landsc Urban Plan. 2007;83(2-3):91-103.
  12. Pascual-Hortal L, Saura S. Comparison and development of new graph-based landscape connectivity indices: towards the priorization of habitat patches and corridors for conservation. Landsc Ecol. 2006;21(7):959-67.
  13. Dai L, Wang Z. Construction and optimization strategy of ecological security pattern based on ecosystem services and landscape connectivity: a case study of Guizhou Province, China. Environ Sci Pollut Res Int. 2023.
  14. Li S, et al. Integrating ecosystem services modeling into the effectiveness assessment of national protected areas in a typical arid region in China. J Environ Manage. 2021;297:113408.
  15. Zhang T, Zhang B. Spatiotemporal characteristics of ecosystem service value and its correlation with landscape patterns: a case of Bohai coastal wetland in Shandong Province. In: 2022 29th International Conference on Geoinformatics. 2022.
  16. Hong Z, et al. Identifying rural landscape heritage character types and areas: a case study of the Li River Basin in Guilin, China. Sustainability. 2024;16(4):1626.
  17. Zhao S, Yang D, Gao C. Identifying landscape character for large linear heritage: a case study of the Ming Great Wall in Ji-Town, China. Sustainability. 2023;15(3):2615.
  18. Wang N, et al. Research on the conservation and utilization of landscape heritage in modern urban parks in Shenyang, China. Sustainability. 2023;15(23):16202.
  19. Xu W. Ecological integrity evaluation of organically evolved cultural landscape. Mob Inf Syst. 2022;2022:9554359.
  20. Hamonic F, Vaxès Y, Couëtoux B, Albert CH. GECOT: graph-based ecological connectivity optimization tool. Methods Ecol Evol. 2025.
  21. Zhang L, He L, Yan F, Chen Y. Amphibian habitat network planning based on the graph theory: a case study of Pelophylax nigromaculata. Ying Yong Sheng Tai Xue Bao. 2021;32(3):1027-36.
  22. Qiu C, et al. Structural vulnerability analysis and systematic restoration framework of the wintering ecological network for Grus japonensis in Yancheng coastal wetlands (1987-2021). Landsc Ecol. 2025;40:187.
  23. Han Q, Zhang P, Keeffe G, Zhang S. Evaluating and improving the connectivity of China's protected area networks for facilitating species range shifts under climate change. J Environ Manage. 2025;373:123535.
  24. Qi K, Fan Z, Xie Y. The influences of habitat proportion and patch-level structural factors in the spatial habitat importance ranking for connectivity and implications for habitat conservation. Urban For Urban Green. 2021;64:127239.
  25. Mazur A, Kurowska K. The impact of natural and cultural resources on the development of rural tourism: a case study of Dobre Miasto Municipality in Poland. Sustainability. 2025;17(13):5847.
  26. Krajnik D, Krajnik LP, Bilušić BD. An analysis and evaluation methodology as a basis for the sustainable development strategy of small historic towns: the cultural landscape of the settlement of Lubenice on the Island of Cres in Croatia. Sustainability. 2022;14(3):1564.
  27. Cantasano N, et al. Can ICZM contribute to the mitigation of erosion and of human activities threatening the natural and cultural heritage of the coastal landscape of Calabria? Sustainability. 2021;13(3):1122.
  28. Jia L, Liu Z, Li Y. Spatiotemporal dynamics of rural settlement evolution in Guangdong Province, China. Sci Rep. 2025;15:21177.
  29. Li K, Zhang G. Species diversity and distribution pattern of heritage trees in the rapidly-urbanizing province of Jiangsu, China. Forests. 2021;12(11):1543.
  30. Xin L, Wang Y, Tong J. Strategies for improving the tourism landscape of agricultural cultural heritage in grain field system. Landsc Archit. 2024;31(12):12-9.
  31. Pickerill T. Investment leverage for adaptive reuse of cultural heritage. Sustainability. 2021;13(9):5052.
  32. Yang L, et al. Theory and case of land use transition promoting ecological restoration in karst mountain areas of Southwest China. Ecol Indic. 2024;158:111393.
  33. Feng C, et al. Improving protected area effectiveness through consideration of different human-pressure baselines. Conserv Biol. 2022;36(4):e13887.
  34. Liu F, et al. Effectiveness of functional zones in National Nature Reserves for the protection of forest ecosystems in China. J Environ Manage. 2022;308:114593.
  35. Chen J, et al. Effectiveness of China’s protected areas in mitigating human activity pressure. Int J Environ Res Public Health. 2022;19(15):9335.
  36. Li B, Zhou Z, Wu T, Luo J. Fine-grained land use remote sensing mapping in karst mountain areas using deep learning with geographical zoning and stratified object extraction. Remote Sens. 2025;17(14):2368.
  37. Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth Syst Sci Data. 2021;13:3907-25.
  38. Liu J, et al. Prediction of land use for the next 30 years using the PLUS model's multi-scenario simulation in Guizhou Province, China. Sci Rep. 2024;14:13143.
  39. Zhu Y, Jin H, Zhong L. Temporal and spatial changes of biodiversity in Caverns of Heaven and Places of Blessing, Zhejiang Province, China from 1990 to 2020. Nat Conserv. 2022;48:1-29.
  40. Huo J, et al. A multi-scenario simulation and optimization of land use with a Markov-FLUS coupling model: a case study in Xiong’an New Area, China. Sustainability. 2022;14(4):2425.
  41. Ye Y, et al. Coupling the PLUS-InVEST model for multi-scenario land use simulation and carbon storage assessment in Northern Anhui, China. Sustainability. 2025;17(9):4185.
  42. Zheng Z, et al. Lacustrine wetlands landscape simulation and multi-scenario prediction based on the patch-generating land-use simulation model: a case study on Shengjin Lake Reserve, China. Remote Sens. 2024;16(22):4169.
  43. Wang G, et al. Assessment of changes in river flow and ecohydrological indicators from the viewpoint of changing landscape patterns in the Jialing River Basin, China. Ecohydrology. 2025, 18(1).
  44. Gu M, et al. Multi-scenario simulation of land use change based on MCR-SD-FLUS model: a case study of Nanchang, China. Trans GIS. 2022;26:2772-91.
  45. Zhao W, Li P, Yang B. New insight into the spatiotemporal distribution and ecological risk assessment of endocrine-disrupting chemicals in the Minjiang and Tuojiang rivers: perspective of watershed landscape patterns. Environ Sci Process Impacts. 2024;26(8):1360-72.
  46. Ding M, Yin X, Pan S, Liu P. Multi-objective spatial optimization of protective forests based on the non-dominated sorting genetic algorithm-II algorithm and future land use simulation model: a case study of Alaer City, China. Forests. 2025;16(3):452.
  47. Ma S, Huang J, Wang X, Fu Y. Multi-scenario simulation of low-carbon land use based on the SD-FLUS model in Changsha, China. Land Use Policy. 2025;148:107418.
  48. Li H, et al. Spatiotemporal evolution of land use and carbon storage in China: multi-scenario simulation and driving factor analysis based on the PLUS-InVEST model and SHAP. Environ Res. 2025;279(Pt 2):121860.
  49. Jetz W, McGowan J, Pennino MG, et al. Essential biodiversity variables for mapping and monitoring species populations. Nat Ecol Evol. 2019.
  50. Winkler K, Fuchs R, Rounsevell M, Herold M. Global land use changes are four times greater than previously estimated. Nat Commun. 2021;12:2501.
  51. Gao J, Barzel B, Barabási AL. Universal resilience patterns in complex networks. Nature. 2016;530(7590):307-12.
  52. Boccaletti S, Bianconi G, Criado R, Del Genio CI, Gómez-Gardeñes J, Romance M, et al. The structure and dynamics of multilayer networks. Phys Rep. 2014;544(1):1-122.
  53. Wang Y, Zhang F, Chen WY, Meraj G, Kumar P, Chan NW, et al. Critical phase transitions and early-warning frameworks for ecological networks in typical arid regions. J Clean Prod. 2025, 531(c):146888.
  54. Guo T, Yao Y, Chen Y, Wang H, Zhang H. Establishing linear cultural heritage corridors by integrating cultural and ecological values: a case study of the Jinzhong section of the Great Tea Road. Land. 2024;13(9):1427.
  55. Dang X, et al. Resilience prediction and tipping point control of multilayer ecological networks based on dimensionality reduction method. Chaos Solitons Fractals. 2024;189:115914.
  56. Ma B, Zeng C, Lv T, Liu W, Yang W. Prioritization of ecological conservation and restoration areas through ecological networks: a case study of Nanchang City, China. Land. 2024;13(6):878.
  57. Zhang K, Pan J. Evaluation of ecological network resilience using OWA and attack scenario simulation in the Gansu section of the Yellow River Basin, NW China. Environ Res Commun. 2024, 6(8):085016.
  58. Bian F, Yeh AGO, Zhang J. Percolating spatial scale effects on the landscape connectivity of urban greenspace network in Beijing, China. Landsc Ecol Eng. 2024;20(1):33-51.
  59. Xu XM. Construction of ecological security patterns in hilly cities based on morphological spatial pattern analysis and minimum cumulative resistance models: a case study of Ganzhou, China. Appl Ecol Environ Res. 2025;23(1).
  60. Fatorić S, Seekamp E. Are cultural heritage and resources threatened by climate change? A systematic literature review. Clim Change. 2017;142(1-2):227-254. 
  61. Ward M, Saura S, Williams B, Ramírez-Delgado JP, Arafeh-Dalmau N, Allan JR, et al. Just ten percent of the global terrestrial protected area network is structurally connected via intact land. Nat Commun. 2020;11:4563.
  62. Maxwell SL, Cazalis V, Dudley N, Hoffmann M, Rodrigues ASL, Stolton S, et al. Area-based conservation in the twenty-first century. Nature. 2020.
  63. Xu H, Cao Y, Yu D, Cao M, He Y, Gill M, et al. Ensuring effective implementation of the post-2020 global biodiversity targets. Nat Ecol Evol. 2021.

재인쇄 및 허가

태그

생태 네트워크유산 네트워크객가 문화 지역퍼콜레이션 임계값복원 우선순위토지 피복 데이터네트워크 연결성문화유산 보호
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.