우리나라에서 산불 발생 공간분포는 인간 활동과 큰 관련성이 있기 때문에, 지역별 군집형태의 강한 공간의존성을 갖는다. 본 연구에서는 공간의존성의 개념에 입각하여 점자료 분석법을 통한 산불발생의 공간분포패턴을 분석하였다. Ripley의 K 함수를 이용하여 산불 발생 원인별 공간분포 형태를 파악하였으며, Kernel 함수를 통해 산불발생의 공간적 집중도를 분석하였다. 그 결과 정도는 상이하지만 모든 원인의 산불이 임의(random) 분포가 아닌 군집화(clustered)되어 발생하는 특징이 있는 것으로 나타났다. 또한, 산불 발생의 군집성을 원인별로 크게 두 집단으로 나눌 수 있었다. 첫째는 전국적 발생 패턴을 가지는 원인으로 입산자 실화, 논밭두렁 소각과 같은 활동과 관련된 것이고 또 다른 하나는 국지적 군집성을 가지는 원인으로 담뱃불이나 어린이 불장난, 방화이다. 그 군집성의 범위는 30 km내외로 나타났으며, 그 범위 밖에서는 임의 분포하고 있었다. Kernel 함수에 의한 원인별 집중도 분석에서는 강한 군집도를 나타냈던 3가지 원인(담뱃불, 어린이 불장난, 방화)의 경우 대부분 인구밀도가 높은 수도권을 중심으로 발생하는 것을 확인할 수 있었다.
우리나라에서 산불 발생 공간분포는 인간 활동과 큰 관련성이 있기 때문에, 지역별 군집형태의 강한 공간의존성을 갖는다. 본 연구에서는 공간의존성의 개념에 입각하여 점자료 분석법을 통한 산불발생의 공간분포패턴을 분석하였다. Ripley의 K 함수를 이용하여 산불 발생 원인별 공간분포 형태를 파악하였으며, Kernel 함수를 통해 산불발생의 공간적 집중도를 분석하였다. 그 결과 정도는 상이하지만 모든 원인의 산불이 임의(random) 분포가 아닌 군집화(clustered)되어 발생하는 특징이 있는 것으로 나타났다. 또한, 산불 발생의 군집성을 원인별로 크게 두 집단으로 나눌 수 있었다. 첫째는 전국적 발생 패턴을 가지는 원인으로 입산자 실화, 논밭두렁 소각과 같은 활동과 관련된 것이고 또 다른 하나는 국지적 군집성을 가지는 원인으로 담뱃불이나 어린이 불장난, 방화이다. 그 군집성의 범위는 30 km내외로 나타났으며, 그 범위 밖에서는 임의 분포하고 있었다. Kernel 함수에 의한 원인별 집중도 분석에서는 강한 군집도를 나타냈던 3가지 원인(담뱃불, 어린이 불장난, 방화)의 경우 대부분 인구밀도가 높은 수도권을 중심으로 발생하는 것을 확인할 수 있었다.
Forest fire occurrence in Korea is highly related to human activities and its spatial distribution shows a strong spatial dependency with cluster pattern. In this study, we analyzed spatial distribution pattern of forest fire with point pattern analysis considering spatial dependency. Distributional...
Forest fire occurrence in Korea is highly related to human activities and its spatial distribution shows a strong spatial dependency with cluster pattern. In this study, we analyzed spatial distribution pattern of forest fire with point pattern analysis considering spatial dependency. Distributional pattern was derived from Ripley's K-function according to causes and distances. Spatially clustered intensity was found out using Kernel intensity estimation. As a result, forest fires in Korea show clustered pattern, although the degrees of clustering for each cause are different. Furthermore, spatial clustering pattern can be classified into two groups in terms of degrees of clustering and distance. The first group shows the national-wide cluster pattern related to the human activity near forests, such as human-induced accidental fire in mountain and field incineration. Another group shows localized cluster pattern which is clustered within a short distance. It is associated with the smoker fire, arson, accidental by children. The range of localized clustering was 30 km. Beyond of this range, the patterns of forest fire became random distribution gradually. Kernel intensity analysis showed that the latter group, which have localized cluster pattern, was occurred in near Seoul with high densed population.
Forest fire occurrence in Korea is highly related to human activities and its spatial distribution shows a strong spatial dependency with cluster pattern. In this study, we analyzed spatial distribution pattern of forest fire with point pattern analysis considering spatial dependency. Distributional pattern was derived from Ripley's K-function according to causes and distances. Spatially clustered intensity was found out using Kernel intensity estimation. As a result, forest fires in Korea show clustered pattern, although the degrees of clustering for each cause are different. Furthermore, spatial clustering pattern can be classified into two groups in terms of degrees of clustering and distance. The first group shows the national-wide cluster pattern related to the human activity near forests, such as human-induced accidental fire in mountain and field incineration. Another group shows localized cluster pattern which is clustered within a short distance. It is associated with the smoker fire, arson, accidental by children. The range of localized clustering was 30 km. Beyond of this range, the patterns of forest fire became random distribution gradually. Kernel intensity analysis showed that the latter group, which have localized cluster pattern, was occurred in near Seoul with high densed population.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
공간 자료의 공간적 집중도를 알아보기 위해서 유용한 방법 중의 하나가 밀도 분석이다. 밀도 분석은 점패턴의 1차 특성을 파악하는 것을 목적으로 한다. 실질적으로 공간에서 특정 위치에 대한 밀도는 격자(Quadrat)분석이나비모수적 밀도추정법을 이용하여 산출한다(Schabenberger와 Gotway, 2005).
본 연구는 산불 발생의 점 패턴 자료에 대한 원인별 공간 분석을 시도하였다. 산불 발생 원인과 그 발생 패턴 간에 의미 있는 상관관계가 있는 것으로 밝혀졌다.
국내에서는 생태계나 범죄, 보건 자료에 대한 연구는 존재하지만 산불발생 패턴에 대한 공간적 분석은 아직까지 시도된 바가 없다. 이에, 본 연구에서는 산불 발생지점에 대한 자료를 구축하고 그 원인별 발생 패턴을 공간통계학적 방법으로 탐색하고자 하였다.
가설 설정
공간통계적 분석에서 점 자료는 점 분석(Point Process)이라는 틀로 분석을 한다. 가장 기본적인 전제는 모든 사건은 D라는 임의(random)의 공간 안에서 일어난다는 가정 하에 이루어진다. 이 분석법에서 중요하게 생각하는 데이터의 특징은 점 데이터 자체의 구체적인 값이 아니라, 각 지점 자체의 위치이다.
제안 방법
본 연구에서는 산불 발생 원인들 중 가장 많은 부분을 차지하는 원인에 대해 크게 입산자 실화, 논밭두렁 소각, 담뱃불 실화, 성묘객 실화, 농산부산물 소각, 어린이 불장난, 방화, 기타로 8개로 나누어 분석하였다. 각 산불 발생의 지역별 공간 통계 분석을 위한 데이터를 마련하고 매핑을 통해 분포 패턴을 육안으로 파악하였다.
산불 발생 원인은 다양하게 보고되고 있다. 본 연구에서는 산불 발생 원인들 중 가장 많은 부분을 차지하는 원인에 대해 크게 입산자 실화, 논밭두렁 소각, 담뱃불 실화, 성묘객 실화, 농산부산물 소각, 어린이 불장난, 방화, 기타로 8개로 나누어 분석하였다. 각 산불 발생의 지역별 공간 통계 분석을 위한 데이터를 마련하고 매핑을 통해 분포 패턴을 육안으로 파악하였다.
대상 데이터
본 연구에서 사용된 자료는 산림과학원의 협조를 받아 1991년부터 2006년까지 집계된 산림청 산불발생 대장을 근거로 작성되었으며 그 내용은 Table 1과 같다. 이에 포함된 속성정보는 발생일, 진화일, 주소정보, 국유지 여부, 발생 원인, 피해 면적, 수종 등이다.
이론/모형
각 원인별로 점 패턴 분석 방법인 Ripley’s K 함수 (Ripley, 1976) 및 Kernel 집중도 분석 방법(Diggle, 1985) 을 사용하여 특성을 분석하였다.
Kernel 밀도함수에서는 h에 해당하는 평활계수의 설정이 중요하며, h를 증가시키면 추정된 확률밀도함수의 분산은 줄어 드나 편의가 커지고, h를 감소시키면 편의는 줄어드나 분산이 증가하는 성질이 있다. 본 분석에서는 최소제곱교차 타당성(least squares cross validation)방법을 통하여 h를 선택하였다(정형철과 전명식, 1991; Stone, 1984).
이러한 약점을 극복하기 위해 도입된 방법은 비모수적 Kernel 추정법(Diggle, 1985; Silverman, 1981)이다. 본 연구에서는 Kernel 추정법에 의한 밀도 추정을 실시하였고(식 2), Quadratic Kernel을 사용하였다(식 3). Kernel 밀도함수에서는 h에 해당하는 평활계수의 설정이 중요하며, h를 증가시키면 추정된 확률밀도함수의 분산은 줄어 드나 편의가 커지고, h를 감소시키면 편의는 줄어드나 분산이 증가하는 성질이 있다.
밀도 분석은 점패턴의 1차 특성을 파악하는 것을 목적으로 한다. 실질적으로 공간에서 특정 위치에 대한 밀도는 격자(Quadrat)분석이나비모수적 밀도추정법을 이용하여 산출한다(Schabenberger와 Gotway, 2005). 격자분석은 단위 면적의 크기를 어떻게 정하느냐에 따라서 밀도가 다르게 나타날 수 있고 각 격자끼리의 상대적 위치에 대한 고려가 없는 것이 약점이다.
성능/효과
이를 극복할 수 있는 분석법이 바로 Ripley의 K함수이다(Dixon, 2002). Ripley K 함수를 통해 도출된 결과를 살펴보면, 그 정도는 상이하지만 모든 원인으로 발생한 산불이 임의분포보다는 군집화 되어 있는 특성이 있는 것으로 나타났다. 산불 발화 자체가 어떠한 다른 원인에 영향을 받고 있다는 것을 의미한다.
그 거리를 공간통계적인 방법으로 분석해 보면 30 km 내외라는 것을 파악할 수 있다. 가장 큰 군집도를 나타낸 것은 어린이 불장난이었으며, 그 정도에 차이는 있지만 군집도가 전국적으로 나타나는 원인에 비해서 상당히 높게 나타났다.
밀도 분석을 통한 전국의 산불 발생 원인별 집중도 분석에서는 Ripley K함수에서 도출된 거리별 군집도가 의미하는 사실을 공간적으로 파악할 수 있었다. 강한 군집도를 나타냈던 3가지 원인(담뱃불 실화, 어린이 불장난, 방화)의 경우 대부분 수도권을 중심으로 발생하였다는 것을 확인할 수 있었다. 전국적인 분포로 군집되어 있다고 판단된 나머지 원인들도 조금씩 차이를 파악할 수 있었다.
입산자 실화, 논밭두렁 소각, 성묘객 실화, 농산물 부산물 소각 등과 같이 전국적인 분포를 보이는 발화패턴 중에서도 입산자 실화의 군집성이 가장 높게 나타났다(Figure 3). 그 거리적 특성을 살펴보면 점 사이의 거리가 증가함에 따라 군집성이 서서히 높아지고 그 이후로는 공간 군집성이 점차적으로 낮아지는 것으로 나타났다. 중요한 것은 전체적인 군집성에서 거리에 의한 차이가 거의 없이 일정한 군집성의 정도를 유지한다는 점이다.
방화의 경우도 접근성이 좋은 대도시 주변에서 많이 발생하는 것으로 나타났다. 논밭두렁 소각과 농산물 부산물 소각 및 성묘객의 실화에 의한 산불은 전국적으로 특정 지역에 군집하지 않고 고르게 분포되는 것으로 나타났다.
어린이 불장난의 경우 산림 내에서는 대부분 보호자의 동반 하에 이동하기 때문에 산불 발화가 거의 잃어나지 않지만, 대도시 주변 주거지역의 경우 그렇지 않기 때문에 오히려 어린이 불장난의 위험에 크게 노출되어 있는 것으로 판단 된다. 방화의 경우도 접근성이 좋은 대도시 주변에서 많이 발생하는 것으로 나타났다. 논밭두렁 소각과 농산물 부산물 소각 및 성묘객의 실화에 의한 산불은 전국적으로 특정 지역에 군집하지 않고 고르게 분포되는 것으로 나타났다.
입산자 실화, 논밭두렁 소각, 성묘객 실화, 농산물 부산물 소각 등과 같이 전국적인 분포를 보이는 발화패턴 중에서도 입산자 실화의 군집성이 가장 높게 나타났다(Figure 3). 그 거리적 특성을 살펴보면 점 사이의 거리가 증가함에 따라 군집성이 서서히 높아지고 그 이후로는 공간 군집성이 점차적으로 낮아지는 것으로 나타났다.
후속연구
산불 발화 자체가 어떠한 다른 원인에 영향을 받고 있다는 것을 의미한다. 그 인자들이 무엇인지는 차후 연구에서 분석해 보아야 할 것이지만 인간의 접근성과 관련이 있는 것으로 판단된다. 또한, 산불 발생 패턴의 군집성을 원인별로 크게 두 그룹으로 나눌 수 있었다.
특히 원인별로 발생 군집도가 거리별로 도출되었고 지역별로 발생 집중도가 파악되었기 때문에 각 거리 및 위치에 따른 산불 예찰 및 감시활동의 차별화가 가능하다. 이러한 결과를 바탕으로 산불 발생에 대한 원인별 패턴 차이를 고려한 산불 예방 계획 수립에 도움을 줄 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
산불 발생의 군집성의 원인은 무엇인가?
또한, 산불 발생의 군집성을 원인별로 크게 두 집단으로 나눌 수 있었다. 첫째는 전국적 발생 패턴을 가지는 원인으로 입산자 실화, 논밭두렁 소각과 같은 활동과 관련된 것이고 또 다른 하나는 국지적 군집성을 가지는 원인으로 담뱃불이나 어린이 불장난, 방화이다. 그 군집성의 범위는 30 km내외로 나타났으며, 그 범위 밖에서는 임의 분포하고 있었다.
우리나라 산불의 원인 중 강한 군집도를 나타내는 요인으로는 무엇이 있는가?
그 군집성의 범위는 30 km내외로 나타났으며, 그 범위 밖에서는 임의 분포하고 있었다. Kernel 함수에 의한 원인별 집중도 분석에서는 강한 군집도를 나타냈던 3가지 원인(담뱃불, 어린이 불장난, 방화)의 경우 대부분 인구밀도가 높은 수도권을 중심으로 발생하는 것을 확인할 수 있었다.
우리나라의 산불은 임의 분포를 따르는가 아니면 군집화되어 발생하는가?
Ripley의 K 함수를 이용하여 산불 발생 원인별 공간분포 형태를 파악하였으며, Kernel 함수를 통해 산불발생의 공간적 집중도를 분석하였다. 그 결과 정도는 상이하지만 모든 원인의 산불이 임의(random) 분포가 아닌 군집화(clustered)되어 발생하는 특징이 있는 것으로 나타났다. 또한, 산불 발생의 군집성을 원인별로 크게 두 집단으로 나눌 수 있었다.
참고문헌 (26)
곽한빈, 이우균, 이시영, 원명수, 이명보, 구교상. 2008. 산불 발생 분포와 지형, 지리, 기상 인자간의 관계 분 석. 한국GIS학회 춘.추계학술대회, pp. 465-470.
Baddeley, A. and Silverman, B. 1984. A cautionary example on the use of second-order methods for analyzing point patterns. Biometrics 40(4): 1089-1093.
Chuvieco, E. and Salas, J. 1996. Mapping the spatial distribution of forest fire danger using GIS. International Journal of Geographical Information Science 10(3): 333-345.
Diggle, P. 1983. Statistical analysis of spatial point patterns, Academic Press, London.
Diggle, P. 1985. A kernel method for smoothing point process data. Journal of the Royal Statistical Society. Series C (Applied Statistics) 34(2): 138-147.
Dixon, P. 2002. Ripley's K-function. In: El-Shaarawi, A. H. & Piergorsch, W.W. (eds.) The encyclopedia of environ- metrics, pp. 1976-1803. John Wiley & Sons Ltd, New York, NY, US.
Garcia, V., Woodard, P., Titus, S., Adamowicz, W. and Lee, B. 1995. A logit model for predicting the daily occurrence of human caused forest fires. International Journal of Wildland Fire 5(2): 101-111.
Getis, A. and Franklin, J. 1987. Second-order neighborhood analysis of mapped point patterns. Ecology: 473-477.
Kasischke, E., Williams, D. and Barry, D. 2002. Analysis of the patterns of large fires in the boreal forest region of Alaska. International Journal of Wildland Fire 11(2): 131-144.
Martell, D., Otukol, S., and Stocks, B. 1987. A logistic model for predicting daily people-caused forest fire occurrence in Ontario. Canadian Journal of Forest Research 17(5): 394-401.
Pew, K. and Larsen, C. 2001. GIS analysis of spatial and temporal patterns of human-caused wildfires in the temperate rain forest of Vancouver Island, Canada. Forest Ecology and Management 140(1): 1-18.
Ripley, B. 1976. The second-order analysis of stationary point processes. Journal of Applied Probability: 255-266.
Schabenberger, O. and Gotway, C. 2005. Statistical methods for spatial data analysis. CRC Press.
Silverman, B. 1981. Using kernel density estimates to investigate multimodality. Journal of the Royal Statistical Society. Series B (Methodological) 43(1): 97-99.
Stone, C. 1984. An asymptotically optimal window selection rule for kernel density estimates. The Annals of Statistics: 1285-1297.
Yang, J., He, H., Shifley, S. and Gustafson, E. 2007. Spatial patterns of modern period human-caused fire occurrence in the Missouri Ozark Highlands. Forest Science 53(1): 1-15.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.