최근 지구 온난화 현상으로 이상기후가 세계 곳곳 에서 발생하고 있으며, 이는 빈번한 산불 발생 및 산불의 대형화에 많은 기여를 하고 있다는 것이 보고되고 있다. 산불은 재산피해, 인명피해 뿐만 아니라 특히, 생태계 파괴를 촉진시키는 매우 심각한 요인 중의 하나이다. 산불로 인한 생태계 파괴 문제를 해결하기 위한 방안으로, 다양한 산불확산 및 패턴 수리모델이 개발되어져 왔다. 본 연구에서는, 바람 요인이 고려된 산불패턴을 시뮬레이션 할 수 있는 수리 모델을 제안하였다. 모델은 격자기반위에서 구성되었으며 셀룰라오토마타 방법을 사용하였다. 모델에서, 숲은 불이 쉽게 옮겨 붙는 나무와 그렇지 않은 나무 두 종류로 구성되었다. 산불이 확산되는 과정에서 연소된 나무의 개수가 전체 시뮬레이션 격자개수의 25% (= 10,000) 되는 시점(T)을 세 개의 독립변수인, 전체 나무밀도, 불 전이 확률이 큰 나무 밀도, 그리고 바람의 세기에 대해 어떤 영향을 받는지를 조사하였다. 나무 밀도가 커질수록, T의 값은 줄어들었고, 바람의 세기가 커질수록 T의 값이 줄어들었다. 나무밀도가 너무 크거나 작은 경우, 바람의 효과가 감소하였다. 본 연구에서, 제안한 산불확산모델은 실제 산불 문제에 적용되어 효과적 대응방안 마련에 많은 도움이 될 것으로 예상된다.
최근 지구 온난화 현상으로 이상기후가 세계 곳곳 에서 발생하고 있으며, 이는 빈번한 산불 발생 및 산불의 대형화에 많은 기여를 하고 있다는 것이 보고되고 있다. 산불은 재산피해, 인명피해 뿐만 아니라 특히, 생태계 파괴를 촉진시키는 매우 심각한 요인 중의 하나이다. 산불로 인한 생태계 파괴 문제를 해결하기 위한 방안으로, 다양한 산불확산 및 패턴 수리모델이 개발되어져 왔다. 본 연구에서는, 바람 요인이 고려된 산불패턴을 시뮬레이션 할 수 있는 수리 모델을 제안하였다. 모델은 격자기반위에서 구성되었으며 셀룰라오토마타 방법을 사용하였다. 모델에서, 숲은 불이 쉽게 옮겨 붙는 나무와 그렇지 않은 나무 두 종류로 구성되었다. 산불이 확산되는 과정에서 연소된 나무의 개수가 전체 시뮬레이션 격자개수의 25% (= 10,000) 되는 시점(T)을 세 개의 독립변수인, 전체 나무밀도, 불 전이 확률이 큰 나무 밀도, 그리고 바람의 세기에 대해 어떤 영향을 받는지를 조사하였다. 나무 밀도가 커질수록, T의 값은 줄어들었고, 바람의 세기가 커질수록 T의 값이 줄어들었다. 나무밀도가 너무 크거나 작은 경우, 바람의 효과가 감소하였다. 본 연구에서, 제안한 산불확산모델은 실제 산불 문제에 적용되어 효과적 대응방안 마련에 많은 도움이 될 것으로 예상된다.
Because forest fires are predicted to increase in severity and frequency under global climate change with important environmental implications, an understanding of fire dynamics is critical for mitigation of these negative effects. For the reason, researchers with different background, such as ecolo...
Because forest fires are predicted to increase in severity and frequency under global climate change with important environmental implications, an understanding of fire dynamics is critical for mitigation of these negative effects. For the reason, researchers with different background, such as ecologists, physicists, and mathematical biologists, have developed the simulation models to mimic the forest fire spread patterns. In this study, we suggested a novel model considering the wind effect. Our theoretical forest was comprised of two different tree species with varying probabilities of transferring fire that were randomly distributed in space at densities ranging from 0.0 (low) to 1.0 (high). We then studied the distributional patterns of burnt trees using a two-dimensional stochastic cellular automata model with minimized local rules. We investigated the time, T, that the number of burnt trees reaches 25% of the whole trees for different values of the initial tree density, fire transition probability, and the degree of wind strength. Simulation results showed that the values of T decreased with the increase of tree density, and the wind effect decreased in the case of too high or low tree density. We believe that our model can be a useful tool to explore forest fire spreading patterns.
Because forest fires are predicted to increase in severity and frequency under global climate change with important environmental implications, an understanding of fire dynamics is critical for mitigation of these negative effects. For the reason, researchers with different background, such as ecologists, physicists, and mathematical biologists, have developed the simulation models to mimic the forest fire spread patterns. In this study, we suggested a novel model considering the wind effect. Our theoretical forest was comprised of two different tree species with varying probabilities of transferring fire that were randomly distributed in space at densities ranging from 0.0 (low) to 1.0 (high). We then studied the distributional patterns of burnt trees using a two-dimensional stochastic cellular automata model with minimized local rules. We investigated the time, T, that the number of burnt trees reaches 25% of the whole trees for different values of the initial tree density, fire transition probability, and the degree of wind strength. Simulation results showed that the values of T decreased with the increase of tree density, and the wind effect decreased in the case of too high or low tree density. We believe that our model can be a useful tool to explore forest fire spreading patterns.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존에 제안된 대부분의 기존 산불모델에서는 하나의 나무 종을 고려하고 바람의 효과를 고려하지 않거나 혹은 단순한 바람을 묘사하는 행렬만을 고려하였다[22]. 본 모델에서는 바람의 효과와 두 종의 나무를 고려하여 보다 현실적인 산불확산의 동역학을 확인하고자 하였다. 본 모델을 통하여 바람이 산불확산에 어떠한 영향을 가져오는지 확인하였고 서로 다른 연소 확률을 가지는 두 종의 나무 밀도 변화를 통해 산불 확산 패턴이 어떻게 변하는지를 조사하였다.
본 연구에서는, 셀룰라오토마타 방식으로 구현된 산불 모델을 제시하였다. 기존의 방정식 기반 모델에 비해 훨씬 단순한 규칙을 가지고 비선형성이 강한 복잡한 산불확산 과정을 잘 보여 주었다.
가설 설정
를 도입하였다. Fig. 3에서 보여지는 바와 같이, 연소중인 나무주위로 저항성이 큰 나무와 적은 나무가 분포해있을 때, 바람이 아래에서 위쪽으로 분다고 가정하면 연소중인 나무의 위쪽에 위치하고 있는 3개의 나무에만 바람의 영향이 미친다고 가정하였다[22].
하지만 실험으로부터 얻어진 산불의 파라메타간 상호작용에 관한 방대한 데이터를 요구 하는 단점을 가지고 있다. 반면에 결정론적 시뮬레이션 모델은 전 역적 에너지 밸런스 방정식을 사용하며, 비 연소 연료로 전이되는 에너지가 연료 연소에 의해 방출되는 에너지에 비례한다는 가정에 기초한다. 이러한 모델들은 연소 지역으로부터 비 연소 연료로의 하나 혹은 몇 가지의 에너지 전이 과정을 고려한 것들로서, 그러한 에너지 전이 과정의 고려는 산불 확산 동역학을 이해하는 데에 도움이 된다.
이것은 산불 확산 제어 전략기술 개발 이라는 측면에서 잘 통제되어져야 하는 변수가 될 수 있음을 간접적으로 보여 주는 것이다. 본 모델은 평지의 공간을 가정하고 있다. 그러나 실제 지형 변수는 산불의 확산에 매우 큰 영향을 준다는 것이 많은 실험결과와 야외 관측 자료들이 보여 주고 있다.
두 서로 다른 나무 종은 불이 옮겨 붙을 확률은 Pt로 기술되었다. 불이 전이될 가능성이 큰 나무의 확률과 작은 나무의 확률은 각각 1.0 과 0.5 으로 가정하였다. 예를 들어, 불전이 확률이 큰 나무가 이웃격자에 불타는 나무를 가지고 있다면 무조건 불이 옮겨 붙게 되며, 반대로 불 전이 확률이 작은 나무의 이웃격자에 불타는 나무가 있다면, 불이 옮겨 붙을 수도 있고 붙지 않을 수도 있다 (Fig.
제안 방법
0 사이의 값을 가지고 있다. Cr=1-Cs의 관계가 있기 때문에 본 연구에서는 나무 밀도의 독립변수로서, Cs와 Ctot만을 고려하였다.
바람이 산불패턴에 미치는 영향을 정량화 하기 위해서, 산불이 확산되는 과정에서 연소된 나무의 개수가 숲 전체를 이루는 격자 총 개수의 25%(= 10,000) 되는 시점(T) 의 값을 측정하였다. Ctot과 Cs, 그리고 Pw의 값들이 0.0과 1.0 사이에서 변할 때 T의 값이 어떻게 바뀌는지를 조사하였다. Pw는 0.
0까지 증가시켰다. Pw 변화에 의한 11회 반복과 Cs의 변화에 의한 22회 반복, Ctot의 변화에 의한 12회 반복을 계산을 하였다. 결과의 신뢰성을 위하여 위와 같은 과정을 20회 반복 수행하여 얻어진 결과를 통계처리 하여 최종 결과를 만들었다.
바람이 산불패턴에 미치는 영향을 정량화 하기 위해서, 산불이 확산되는 과정에서 연소된 나무의 개수가 숲 전체를 이루는 격자 총 개수의 25%(= 10,000) 되는 시점(T) 의 값을 측정하였다. Ctot과 Cs, 그리고 Pw의 값들이 0.
본 모델에서는, L × L 크기의 L(=200) 격자 공간에 두 종의 나무를 랜덤하게 분포시켰다.
본 모델에서는, 바람의 효과를 고려하기 위해서, 바람의 세기를 나타내는 확률변수 Pw를 도입하였다. Fig.
본 모델은 바람 세기의 변화와 나무 밀도의 변화에 따라 산불패턴이 확률적으로 변화하게 한다. 기본적으로, 셀룰라오토마타 방식에 의해 이웃하는 8개의 셀들의 상태에 따라 전이 여부를 Fig.
본 모델에서는 바람의 효과와 두 종의 나무를 고려하여 보다 현실적인 산불확산의 동역학을 확인하고자 하였다. 본 모델을 통하여 바람이 산불확산에 어떠한 영향을 가져오는지 확인하였고 서로 다른 연소 확률을 가지는 두 종의 나무 밀도 변화를 통해 산불 확산 패턴이 어떻게 변하는지를 조사하였다.
연소되지 않고 남아 있는 나무들도 공간에 거의 랜덤한 구조로 분포하였다. 위에서 언급된 세가지 독립 변수의 값들이 바뀔 때 산불 확산의 동역학을 정량화 하기 위해서 연소된 나무의 개수가 총 40,000개중 10,000개에 이를 때의 시간(T)를 측정하였다(Fig. 6). Fig.
데이터처리
Pw 변화에 의한 11회 반복과 Cs의 변화에 의한 22회 반복, Ctot의 변화에 의한 12회 반복을 계산을 하였다. 결과의 신뢰성을 위하여 위와 같은 과정을 20회 반복 수행하여 얻어진 결과를 통계처리 하여 최종 결과를 만들었다.
이론/모형
그러나 이러한 모델은 복잡하고 시간이 많이 소요되는 수치 계산과 고성능 계산 환경을 필요로 하는 미분방정식 시스템으로 귀결 되는 경우가 많고[14] 더 정확한 산불 확산 예측을 위해서는 많은 환경적 요인들을 고려되어야 하는 경우에 구현 알고리즘이 매우 복잡해 질수 있다. 본 연구에서 제안하는 모델은 확률적 시뮬레이션 모델로서 셀룰라오토마타 방식을 사용하여 모델링 되었다. 셀룰라오토마타는 Von Neumann에 의해 처음 도입된 레스터 방식의 확산 기법으로 단순성과 응용가능성이 높아 현재까지 널리 이용되고 있다[15,16,17].
1 참조). 본 연구에서, 우리는 산불의 좀 더 세부적인 행동을 표현하기 위해서 Moore 방식을 선택하였다. 기존에 제안된 대부분의 기존 산불모델에서는 하나의 나무 종을 고려하고 바람의 효과를 고려하지 않거나 혹은 단순한 바람을 묘사하는 행렬만을 고려하였다[22].
성능/효과
본 연구에서는, 셀룰라오토마타 방식으로 구현된 산불 모델을 제시하였다. 기존의 방정식 기반 모델에 비해 훨씬 단순한 규칙을 가지고 비선형성이 강한 복잡한 산불확산 과정을 잘 보여 주었다. 본 연구를 통해서, 바람의 효과가 산불확산에 매우 중요한 요인이 된다는 것을 알 수 있었으며, 서로 다른 나무종이 섞여 있는 비율은 상대적으로 산불확산에 기여하는 정도가 작았다.
본 연구를 통해서, 바람의 효과가 산불확산에 매우 중요한 요인이 된다는 것을 알 수 있었으며, 서로 다른 나무종이 섞여 있는 비율은 상대적으로 산불확산에 기여하는 정도가 작았다. 대신에 나무전체의 밀도는 산불확산에 매우 큰 상관관계가 있음을 간접적으로 보여 주었다. 이것은 산불 확산 제어 전략기술 개발 이라는 측면에서 잘 통제되어져야 하는 변수가 될 수 있음을 간접적으로 보여 주는 것이다.
그러나 실제 지형 변수는 산불의 확산에 매우 큰 영향을 준다는 것이 많은 실험결과와 야외 관측 자료들이 보여 주고 있다. 본 모델에서는 확률 값을 적절히 조절하여 이러한 지형의 효과를 만들어 줄 수 있다. 이 연구에서 사용되어진 모델은 확장 가능성이 매우 크다 왜냐하면 모든 변수의 값들을 확률적으로 사용하기 때문이다.
기존의 방정식 기반 모델에 비해 훨씬 단순한 규칙을 가지고 비선형성이 강한 복잡한 산불확산 과정을 잘 보여 주었다. 본 연구를 통해서, 바람의 효과가 산불확산에 매우 중요한 요인이 된다는 것을 알 수 있었으며, 서로 다른 나무종이 섞여 있는 비율은 상대적으로 산불확산에 기여하는 정도가 작았다. 대신에 나무전체의 밀도는 산불확산에 매우 큰 상관관계가 있음을 간접적으로 보여 주었다.
우리는 이런 문제를 극복하기 위해 실제 실험 자료와 모델의 값들을 비교하는 연구를 진행할 계획을 가지고 있다. 이 연구결과와 사용한 산불모델이 비록 단순한 가정들 위에 이루어졌음에도 불구하고 복잡한 산불패턴을 잘 기술하였다. 우리는 본 연구에서 제안한 모델이 향후 수정 보완 되거나 발전 될 다양한 가능성을 가지고 있다고 믿는다.
후속연구
이 연구결과와 사용한 산불모델이 비록 단순한 가정들 위에 이루어졌음에도 불구하고 복잡한 산불패턴을 잘 기술하였다. 우리는 본 연구에서 제안한 모델이 향후 수정 보완 되거나 발전 될 다양한 가능성을 가지고 있다고 믿는다.
질의응답
핵심어
질문
논문에서 추출한 답변
확률적 시뮬레이션 모델의 접근법은 어떠한가?
이러한 시뮬레이션 모델들은 일반적으로 확률적 시뮬레이션과 결정론적 시뮬레이션으로 구분 될 수 있다[11-13]. 확률적 시뮬레이션 모델은 일반적으로 연소 파라메타인 연료의 종류와 연료의 습도정도 그리고 바람의 영향 등의 실제 야외에서 얻어지는 자료를 토대로 확률 통계적 방법론으로 표현하는 접근법을 가진다. 이러한 모델들은 모든 변수에 대해 실험 자료가 반영된 확률개념을 사용하기 때문에 실제 산림에서 산불이 발생지점으로부터 어떻게 진행 될 수 있는지에 대해 예측 할 수 있다.
산불의 확산 패턴을 분석하고 이해하기 위한 대안으로 시뮬레이션 연구가 사용되는 이유는?
풍향과 풍속은 산불확산에 있어 중요한 인자 중 하나 이다[9]. 산불의 확산은 기후, 발화, 식생의 종류, 수분의 함량 및 지형 등 복잡한 상호작용을 가지고 있으므로[10] 산불의 패턴을 분석하여 어떤 환경요인이 패턴 형성에 어느 정도의 영향을 주었는지를 이해하기는 어렵다. 이러한 이유로, 시뮬레이션 연구는 산불의 확산 패턴을 분석하고 이해하는데 대안적인 접근법으로 사용되어 오고 있다.
산불 발생 조건에 필요한 3요소는 무엇인가?
산불 발생 조건은 연료(나무 등), 산소, 열 3가지 요소가 필요하며, 발생한 산불은 연료의 종류, 기상, 지형요인의 영향을 받아 연소형태와 강도가 달라진다[8]. 산불의 확산에 있어 중요한 인자들은 풍속, 지형, 경사, 산림연료의 수분함량, 산림연료의 무게, 연료의 종류, 상대습도 등 다양하다.
참고문헌 (22)
Malamud BD, Morein G, Turcotte DL., "Forest-fires: an example of self-organized critical behavior," Science. Vol. 281, pp. 1840-1842, 1998.
Ratz A., "Long-term spatial patterns created by fire: a model oriented towards boreal forests," International Journal of Wildland Fire. Vol. 5, pp. 25-34, 1995.
McCoy VM, and Burn CR., "Potential alteration by climate change of the forest fire regime in the boreal forest of central Yukon Territory," Arctic. Vol. 58, pp. 276-285, 2005.
Clark TL, Jenkins MA, Coen J and David P., "A Coupled Atmospheric Fire Model: Convective Feedback on Fire Line Dynamics," Journal of Applied Meteorology. Vol. 35, pp. 875-901, 1996.
Burgan RE, and Rothermel RC., "fire behavior prediction and fuel modeling system FUEL subsystem," General Technical Report INT-167. pp. 126, 1984.
Ioannis K, and Adonios T., "A model for predictiong forest fire spreading using cellular automata," Ecological Modelling Vol. 99, pp. 87-97, 1997.
Beer T., "Bushfire rate-of-spread forecasting: Deterministic and statistical approaches to fire modelling," Journal of Forecasting. Vol. 10, pp. 301, 1991.
Halada L, Weisenpacher P., "Principles of forest fire spread models and their simulation", Journal of the Applied Mathematics, Statistics and Informatics. Vol. 1, pp. 3-13, 2005.
Boychuk D, Braun WJ, Kulperger RJ, Krougly ZL, Stanford DA., "A stochastic forest fire growth model", Environmental and Ecological Statistics. Vol. 16, pp. 133-151, 2009.
Vasconcelos MJ, Geurtin GP., "Firemap simulation of fire growth with a geographic information system", International Journal of Wildland Fire. Vol. 2, pp. 87-96, 1992.
Feunekes U., "Error analysis in fire simulation models", MS. Thesis, University of New Brunswick, Fredericton, NB, 1991.
Eastman JR., "guide to GIS and image processing", Clark Lab, Clark University, Worcestar, MA, USA. Vol. 2, 1999.
Berjak SG, Hearne JW., "An improved cellular automaton model for simulating fire in a spatially heterogeneous Savanna system", Ecological Modelling. Vol. 148, pp. 133-151, 2002.
Matsinos YG, Troumbis AY., "Modelling spatiotemporal dynamics of a community of annual plant species: implications for management of biodiversity",Ecological Modelling. Vol. 149, pp 71. 2002.
Loibl W, Toetzer T, "Modeling growth and densification processes in suburban regions-simulation of landscape transition with spatial agents", Environmental Modelling and Software. Vol. 18, pp. 553-563, 2003.
Encinas AH, Encinas LH, White SH, del Rey AM, Sanchez GR., "Simulation of forest fire fronts using cellular automata", Advances in Engineering Software. Vol. 38, pp. 372-378, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.