선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 즉, 미래 잣나무 조림 가능지역은 모형의 예측 결과보다 더 적은 면적에서 가능 할 것이라 예측된다. 따라서, 향후 의사결정을 지원하기 위하여 두 앙상블 모형의 결과와 법적 보호지역결과를 중첩하여 보았다.
- 종 분포 모형은 생물다양성 평가, 보호지역 지정, 기후변화 예측 등 환경계획에 활용되어 왔으나 입력자료 및 종 분포 모형 자체의 불확실성 때문에 정책 활용에 제한적이었다. 특히, 조림수종의 적지분석은 경제적으로 영향을 수반하기 때문에 불확실성을 고려한 연구가 필요 했으며 이에 본 연구를 수행하였다. 본 연구에서는 기후변화에 따른 잣나무의 적지를 예측함에 있어 기후변화와 종 분포 모형의 불확실성을 고려했다는 것에 의의가 있다.
- 특히, 조림수종의 적지분석은 경제적으로 영향을 수반하기 때문에 불확실성을 고려한 연구가 필요 했으며 이에 본 연구를 수행하였다. 본 연구에서는 기후변화에 따른 잣나무의 적지를 예측함에 있어 기후변화와 종 분포 모형의 불확실성을 고려했다는 것에 의의가 있다.
제안 방법
- , 2006). 기후 변화 시나리오의 불확실성을 고려하기 위해 4가지 RCP(Representative Concentration Pathway) 시나리오(2.6, 4.5, 6.0, 8.5)를 모형에 적용하고 자한다. 본 연구의 결과는 향후 기후변화를 고려한 조림계획 시 의사결정 지원에 기여할 수 있을 것이다.
- 본 연구는 크게 3단계로 구성된다. 먼저 선행 연구 검토를 통하여 대상 종에 영향을 미치는 환경 및 기후변수에 대해 조사하였다. 조사한 내용을 기반으로 현재 분포 예측을 위한 변수를 구축하였다.
- 먼저 선행 연구 검토를 통하여 대상 종에 영향을 미치는 환경 및 기후변수에 대해 조사하였다. 조사한 내용을 기반으로 현재 분포 예측을 위한 변수를 구축하였다. 구축된 변수간의 상관관계를 분석하고 공선성이 존재하는 변수를 제외한 나머지 변수 선정하였고 전문가 자문을 거쳐 확정지었다.
- BIOMOD2에 확정된 변수를 입력하였고 모형의 적합성을 판단하기 위하여 데이터 분류와 ROC(Receiver operating characteristic)검증을 통하여 검증을 수행하였다. 위의 과정으로 도출된 현재 분포예측 결과를 바탕으로 기후변화 시나리오 RCP 시나리오 2.6, 4.5, 6.0, 8.5를 적용하여 미래 종 분포 예측 결과를 도출하였다.
- Pearson and Dawson (2003)에 의하면 지형 변수를 반영하기 위해서는 Local 규모(1-10km)를 포함하는 범위를 포함해야 한다. 따라서 본 연구에서는 위의 범위를 만족하는 1km를 분석단위로 설정하였다.
- 계층구분법이란, 연구자가 계층을 설정하고 계층 안에 존재하는 포인트 비율에 따라 샘플을 추출하는 것이다(Hirzel and Guisan, 2002; Green, 1979). 본 연구에서는 계층을 구분함에 있어 지위지수를 활용하였으며 기준 임령을 30년으로 했을 때 평균값이 14인 것을 감안하여 14, 16, 18의 기준으로 포인트를 추출하였다. 각 지위지수에 해당 하는 잣나무 면적 비율이 7:2:1(14, 16, 18)임을 감안하여 각 포인트 사이의 반경을 3km로 두어 210개, 20개, 10개 총 300개의 출현 포인트를 추출하였다.
- BIOMOD2에 포함되어 있는 10가지 모형 중 MARS와 SRE모형은 입력 자료로서 범주형 자료를 활용하였기 때문에 분석에서 제외되었다. 또한, 각 개별모형의 불확실성을 줄이고자 모든 모형의 결과가 종합된 앙상블 모형의 결과와 불확실성 지도를 최종 결과로 도출하였다.
- 서식 분포 예측도에서 0(비출현)과 1(출현)을 갖는 이항형 지도로 변환하기 위하여 민감도(출현지역의 예측률)과 특이도(비출현 지역의 예측률)값이 최댓값을 갖는 지점을 기준으로 하였다(김지연, 2012). 모형 검증을 위하여 훈련자료(Training data)와 시험자료(Test data)를 80대 20으로 나누어 5회 반복 실시하였다(Thuiller, 2003; 권혁수, 2014). 또한, 모형에 대한 검증을 위해 종속 변수인 종의 0(비출현)과 1(출현)을 얼마나 잘 식별해 낼 수 있는가를 측정해주는 척도인 ROC(Receiver operating characteristic)를 활용하였다.
- 각 모형에서 도출된 5회 교차검증결과를 종합 하여 8개의 이항분포 지도를 구축하였다. 모형 간의 결과를 비교해 보면 GLM에서 9,770km2로 가장 적은 서식 면적이 예측되었으며, ANN에서 19,423km2로 가장 넓은 서식 면적을 예측하였다.
- 926으로 가장 높은 예측력을 보였다. 따라서 2가지 앙상블 모형 신뢰확률 2%이하인 값(Prob.ci.alpha)과 예측력이 좋은 모형에 가중치를 둔 값(Prob.mean.weight.decay)를 통해 미래 예측 분포를 예측하였다.
- 중기미래도 현재 분포 예측과 마찬가지로 앙상블 모형 2가지(신뢰확률 2%이상인 값을 포함한 값을 기준으로 한 모형과 예측력이 좋은 모형에 가중치를 둔 값)를 임계치에 따라 이항분포 지도로 나타냈으며, 불확실성 지도를 도출하였다(Figure 6). 중기미래 예측 결과 현재 분포 예측결과와 마찬가지로 경기도 일부지역과 강원도 일부지역이 서식 적합지역으로 예측되었다.
- 장기미래도 앙상블 모형 2가지를 임계치에 따라 이항분포 지도로 나타냈으며, 불확실성 지도를 도출하였다(Figure 8). 장기미래 예측 결과 중기미래와 마찬가지로 경기도와 강원도 일부 지역에 분포하는 것으로 예측되었으나 분포 면적은 RCP2.
- 연구의 내용을 간략히 요약하자면, 먼저 기후 변화 시나리오를 적용한 개별 모형의 불확실성의 범위를 확인하였다. 다음으로 각각의 모형을 종합한 앙상블 모형의 결과를 활용하여 불확실성을 고려한 잣나무의 적지 분포를 제시했다.
- 연구의 내용을 간략히 요약하자면, 먼저 기후 변화 시나리오를 적용한 개별 모형의 불확실성의 범위를 확인하였다. 다음으로 각각의 모형을 종합한 앙상블 모형의 결과를 활용하여 불확실성을 고려한 잣나무의 적지 분포를 제시했다. 연구 결과 8가지 모형 중 RF가 가장 높은 예측력을 보였으며 ANN과 Maxent는 다른 모형에 비해 과 추정 되는 결과를 보였다.
대상 데이터
- 본 연구에서는 우리나라를 대상으로 기후변화에 따른 잣나무의 분포를 예측하기 위해 분포 예측에 대한 범위는 한반도의 남한으로 설정하였다. 연구의 시간적 범위는 현재(2001-2010년의 평균 값)부터 중기 미래 2040년대(2041-2050 년의 평균 값), 장기 미래 2090대(2091-2100년의 평균 값)으로 선정하였다.
- 본 연구에서는 우리나라를 대상으로 기후변화에 따른 잣나무의 분포를 예측하기 위해 분포 예측에 대한 범위는 한반도의 남한으로 설정하였다. 연구의 시간적 범위는 현재(2001-2010년의 평균 값)부터 중기 미래 2040년대(2041-2050 년의 평균 값), 장기 미래 2090대(2091-2100년의 평균 값)으로 선정하였다. 대상 종은 잣나무(Pinus koraiensis)로 선정하였다.
- 연구의 시간적 범위는 현재(2001-2010년의 평균 값)부터 중기 미래 2040년대(2041-2050 년의 평균 값), 장기 미래 2090대(2091-2100년의 평균 값)으로 선정하였다. 대상 종은 잣나무(Pinus koraiensis)로 선정하였다. 잣나무는 기상 변동에 민감하게 반응하기 때문에 우량한 잣나 무림 조성을 위해서는 기후조건을 파악하고 이에 맞는 지역에 식재하는 것이 중요하다(한상섭과 박완근, 1988).
- 조사한 내용을 기반으로 현재 분포 예측을 위한 변수를 구축하였다. 구축된 변수간의 상관관계를 분석하고 공선성이 존재하는 변수를 제외한 나머지 변수 선정하였고 전문가 자문을 거쳐 확정지었다. BIOMOD2에 확정된 변수를 입력하였고 모형의 적합성을 판단하기 위하여 데이터 분류와 ROC(Receiver operating characteristic)검증을 통하여 검증을 수행하였다.
- 현재의 기후자료 구축을 위해 기상청에서 제공되는 2001-2010년까지 기상자료를 활용하였으며 미래의 기후자료 구축하기 위해 기상청에서 제공하는 남한상세(1km) 기후변화 시나리오 (RCP 시나리오 2.6. 4.5, 6.0, 8.5)를 활용하였다. 잣나무 분포에 영향을 미치는 환경요인인 경사, 고도, 지형에 대한 자료는 환경부에서 제공하는 수치지형도를 활용하였으며 토양 깊이, 습도, pH는 농촌진흥청에서 제공하는 토양정밀도를 활용하였다(Table 1).
- 본 연구에서는 계층을 구분함에 있어 지위지수를 활용하였으며 기준 임령을 30년으로 했을 때 평균값이 14인 것을 감안하여 14, 16, 18의 기준으로 포인트를 추출하였다. 각 지위지수에 해당 하는 잣나무 면적 비율이 7:2:1(14, 16, 18)임을 감안하여 각 포인트 사이의 반경을 3km로 두어 210개, 20개, 10개 총 300개의 출현 포인트를 추출하였다.
데이터처리
- 구축된 변수간의 상관관계를 분석하고 공선성이 존재하는 변수를 제외한 나머지 변수 선정하였고 전문가 자문을 거쳐 확정지었다. BIOMOD2에 확정된 변수를 입력하였고 모형의 적합성을 판단하기 위하여 데이터 분류와 ROC(Receiver operating characteristic)검증을 통하여 검증을 수행하였다. 위의 과정으로 도출된 현재 분포예측 결과를 바탕으로 기후변화 시나리오 RCP 시나리오 2.
- 단일 모형은 5번의 교차검증을 통하여 도출된 결과를 임계값을 적용하여 5번의 지도를 통합하여 최종 결과로 도출하였다. 서식 분포 예측도에서 0(비출현)과 1(출현)을 갖는 이항형 지도로 변환하기 위하여 민감도(출현지역의 예측률)과 특이도(비출현 지역의 예측률)값이 최댓값을 갖는 지점을 기준으로 하였다(김지연, 2012).
- 신뢰확률 2%이상인 값을 포함한 값을 기준 으로 한 모형과 예측력이 좋은 모형에 가중치를 둔 모형을 임계치(Cut off)에 따라 이항분포 지도로 나타냈으며, 불확실성 지도(coefficient of variation of probabilities)를 도출하였다(Figure 5). 신뢰확률 2%이상인 값을 포함한 값을 기준 으로 한 모형에서는 잣나무 분포 예측 면적은 약 17,724km2이었으며, 예측력이 좋은 모형에 가중치를 둔 모형에서는 17,859km2로 실제 분포 면적과 비교하였을 때 다소 과대 추정된 경향이 있다.
이론/모형
- 따라서, 본 연구에서는 우리나라의 주요한 조림수종 중 하나인 잣나무를 대상으로 기후변화 불확실성을 고려한 분포예측을 하기 위하여 BIOMOD2를 활용하였다. BIOMOD2는 R을 기반으로 한 모형으로서 10가지 모형(Generalized Linear Models (GLM), Generalized Additive Models (GAM), Classification Tree Analysis (CTA), Mixture Discriminant Analysis (MDA), Artificial Neural Networks (ANN), Generalized Boosted Models (GBM), Random forest (RF), Maxent(Maximum entropy algorithm))을 한 번에 구동함으로서 개별모형의 불확실성의 범위를 확인할 수 있다.
- 잣나무 생장에 영향을 미치는 기후변수와 환경변수는 선행연구를 참고하였다. 모형을 구축하기 전에 모형의 다중공선성 문제를 확인 해보아야 한다(Fortin and Dale, 2014).
- 5)를 활용하였다. 잣나무 분포에 영향을 미치는 환경요인인 경사, 고도, 지형에 대한 자료는 환경부에서 제공하는 수치지형도를 활용하였으며 토양 깊이, 습도, pH는 농촌진흥청에서 제공하는 토양정밀도를 활용하였다(Table 1). Pearson and Dawson (2003)에 의하면 지형 변수를 반영하기 위해서는 Local 규모(1-10km)를 포함하는 범위를 포함해야 한다.
- 출현 포인트 추출에 있어 계층 구분법(Equalproportional stratified sampling)을 활용하였다(Elith and Graham, 2009). 계층구분법이란, 연구자가 계층을 설정하고 계층 안에 존재하는 포인트 비율에 따라 샘플을 추출하는 것이다(Hirzel and Guisan, 2002; Green, 1979).
- 본 연구에서는 잣나무의 잠재적 서식 예측을 위해 R패키지 중 하나인 앙상블모형 BIOMOD2를 활용하였다(Thuiller et al., 2009). 본 연구에서는 각각의 모형의 결과를 확인하고 불확실성을 정량화하기 위하여 BIOMOD2에서 제공하는 모형 중 8가지 모형(GLM, GAM, CTA, MDA, ANN, GBM, RF, Maxent)을 활용하였다.
- , 2009). 본 연구에서는 각각의 모형의 결과를 확인하고 불확실성을 정량화하기 위하여 BIOMOD2에서 제공하는 모형 중 8가지 모형(GLM, GAM, CTA, MDA, ANN, GBM, RF, Maxent)을 활용하였다. BIOMOD2에 포함되어 있는 10가지 모형 중 MARS와 SRE모형은 입력 자료로서 범주형 자료를 활용하였기 때문에 분석에서 제외되었다.
- 모형 검증을 위하여 훈련자료(Training data)와 시험자료(Test data)를 80대 20으로 나누어 5회 반복 실시하였다(Thuiller, 2003; 권혁수, 2014). 또한, 모형에 대한 검증을 위해 종속 변수인 종의 0(비출현)과 1(출현)을 얼마나 잘 식별해 낼 수 있는가를 측정해주는 척도인 ROC(Receiver operating characteristic)를 활용하였다.
성능/효과
- 토양자료와 일부 기후변수가 높은 상관관계를 보였으나, 전문가 자문 및 선행연구 검토결과 잣나무의 분포에 있어 토양조건이 중요하다고 판단되어 토양 변수를 포함시켰다. 결과적으로 고도, 경사, 토양 유형, 토양 배수 그리고 토양 유효 토심을 기후 변수로는 연 중 강수량, 1월 평균기온, 한랭지수가 선정되었다(Table 1).
- 데이터를 훈련자료(Training data)와 시험자료(Test data)를 80대 20으로 나누어 5번의 교차검증을 한 결과 8개의 모형의 ROC가 0.7이상으로 분석되었다(Table 2). 따라서 검증방법 기준에서 보았을 때 모형이 적절하게 구축되었음을 확인 하였다.
- 우선, 각 모형에 대한 결과를 보면 ANN은 다른 모형의 결과의 약 3∼5배가 되는 약30,000∼50,000km2의 서식면적이 예측되었다.
- 7이상으로 분석되었다(Table 2). 따라서 검증방법 기준에서 보았을 때 모형이 적절하게 구축되었음을 확인 하였다. 또한, 모형 구축에 있어 8개의 모형을 5번 교차 검증한 ROC값은 모든 모형에서 0.
- 따라서 검증방법 기준에서 보았을 때 모형이 적절하게 구축되었음을 확인 하였다. 또한, 모형 구축에 있어 8개의 모형을 5번 교차 검증한 ROC값은 모든 모형에서 0.8이상의 값을 갖는 것으로 분석되었고 검증방법의 기준에서 보았을 때 대체적으로 모형이 잘 구현되었음을 확인 할 수 있다(Table 2) (Franklin, 2006).
- 각 모형에서 도출된 5회 교차검증결과를 종합 하여 8개의 이항분포 지도를 구축하였다. 모형 간의 결과를 비교해 보면 GLM에서 9,770km2로 가장 적은 서식 면적이 예측되었으며, ANN에서 19,423km2로 가장 넓은 서식 면적을 예측하였다. 그 외의 나머지 모형에서는 약 13,000∼16,000km2으로 예측되었다.
- 각 모형에 영향력을 미친 변수를 확인 해 보았을 때, GAM, GBM, FDA의 통계기반 모형의 경우 토양배수, 종류, 깊이와 같은 범주형 변수가 큰 영향을 미치지 않았다. 이에 따라 다른 모형에 비해 상대적으로 기후변수의 영향을 크게 받았으며, 분포 면적이 0km2으로 도출 된 것으로 판단된다.
- 중기미래 예측 결과와 마찬가지로 ANN은 다른 모형 보다 넓은 면적인 11,094∼25,984km2의 면적을 예측하였으며 FDA, GAM, GLM은 가장 적은 면적인 0km2으로 예측되었다.
- 따라서 미래에 강수량이 증가함에 따라 Maxent는 다른 모형보다 넓은 면적을 예측한 것으로 생각된다(Table 3). 각 시나리오 별로 결과를 확인해보면 4가지 시나리오를 적용하였을 때 대체적으로 비슷한 분포 서식면적이 예측되었다.
- 시나리오에 따른 차이를 비교 해 보았을 때, 중기미래에는 4개의 시나리오에서 모두 비슷한 결과를 보이나 장기미래에는 RCP2.6에서 RCP8.5 로 갈수록 잣나무의 서식면적이 줄어드는 경향을 확인 할 수 있다. 중기 및 장기 미래의 결과를 요약하자면, 잣나무의 분포 면적은 현재 대비 감소할 것으로 예측되며 중기미래에는 모형이 결과의 주요한 차이의 원인인 반면, 장기미래에는 모형과 시나리오 모두가 결과의 차이를 야기한 것으로 판단된다(Jose et al.
- 7이상이기 때문에 앙상블 모형 구축에 포함되었다. 앙상블 모형의 검증 결과 모든 모형에서 ROC 0.9 이상으로 잘 예측된 것으로 평가되었다. 그 중에서도 잘 예측된 모형에 가중치를 부여한 앙상블 모형과 평균 신뢰확률 2%이하인 값을 포함한 앙상블 모형에서 0.
- 9 이상으로 잘 예측된 것으로 평가되었다. 그 중에서도 잘 예측된 모형에 가중치를 부여한 앙상블 모형과 평균 신뢰확률 2%이하인 값을 포함한 앙상블 모형에서 0.926으로 가장 높은 예측력을 보였다. 따라서 2가지 앙상블 모형 신뢰확률 2%이하인 값(Prob.
- 신뢰확률 2%이상인 값을 포함한 값을 기준 으로 한 모형과 예측력이 좋은 모형에 가중치를 둔 모형을 임계치(Cut off)에 따라 이항분포 지도로 나타냈으며, 불확실성 지도(coefficient of variation of probabilities)를 도출하였다(Figure 5). 신뢰확률 2%이상인 값을 포함한 값을 기준 으로 한 모형에서는 잣나무 분포 예측 면적은 약 17,724km2이었으며, 예측력이 좋은 모형에 가중치를 둔 모형에서는 17,859km2로 실제 분포 면적과 비교하였을 때 다소 과대 추정된 경향이 있다. 하지만 실제 분포 면적과 중첩하여 보았을 때 약 60%의 일치도를 보였다.
- 중기미래도 현재 분포 예측과 마찬가지로 앙상블 모형 2가지(신뢰확률 2%이상인 값을 포함한 값을 기준으로 한 모형과 예측력이 좋은 모형에 가중치를 둔 값)를 임계치에 따라 이항분포 지도로 나타냈으며, 불확실성 지도를 도출하였다(Figure 6). 중기미래 예측 결과 현재 분포 예측결과와 마찬가지로 경기도 일부지역과 강원도 일부지역이 서식 적합지역으로 예측되었다. 또한, RCP시나리오 4가지 모두에서 중기미래에 대체적으로 비슷한 양상의 감소추세를 보이는 것으로 예측되었다(Figure 7).
- 장기미래도 앙상블 모형 2가지를 임계치에 따라 이항분포 지도로 나타냈으며, 불확실성 지도를 도출하였다(Figure 8). 장기미래 예측 결과 중기미래와 마찬가지로 경기도와 강원도 일부 지역에 분포하는 것으로 예측되었으나 분포 면적은 RCP2.6을 제외하고 중기미래에 비해 큰 폭으로 감소한 것을 확인 할 수 있다(Figure 9).
- 두 앙상블 모형에서 모두 개별모형의 장기미래 예측에서와 마찬가지로 RCP2.6에서 RCP8.5 로 갈수록 분포면적이 줄어드는 경향을 보였다. 이는 개별모형의 중기미래 예측결과에서 언급한 바와 같이 기후변화 시나리오의 영향이라고 판단된다.
- 이는 개별모형의 중기미래 예측결과에서 언급한 바와 같이 기후변화 시나리오의 영향이라고 판단된다. 중기와 장기미래의 앙상블모형의 결과를 종합하였을 때 앙상블 모형의 결과는 개별 모형에서 차이를 보이던 분포지역이 제외되었다. 또한, 예측력이 좋은 모형에 가중치를 둔 값에서 신뢰확률 2%이상인 값을 포함한 값보다 더 넓은 면적을 예측하고 있다.
- 또한, 예측력이 좋은 모형에 가중치를 둔 값에서 신뢰확률 2%이상인 값을 포함한 값보다 더 넓은 면적을 예측하고 있다. 시나리오를 모형에 적용한 결과를 확인 했을 때 중기에서는 시나리오 별로 큰 격차를 보이지 않았으나, 장기 미래에서는 시나리오에 따라 큰 차이를 보이는 것으로 예측 되었다. 특히, RCP2.
- 중첩결과 중기미래의 앙상블 모형에 RCP2.6를 적용한 결과에서는 보호지역 면적은 약 18%, RCP4.5에서는 약 17%, RCP6.0에서는 약 86%, RCP8.5에서는 약 15%인 것으로 예측되었다. RCP2.
- 5에서는 약 15%인 것으로 예측되었다. RCP2.6, 4.5, 8.5에서는 잠재적 생육적지에서 보호지역의 비율이 비슷하나, RCP6.0에서 보호지역과 잣나무 잠재적 적지가 중첩되는 부분이 넓은 것으로 예측되었다. 장기미래에는 RCP2.
- 5에서는 약 17%인 것으로 예측되었다. 즉, 미래에는 보호지역을 감안하였을 때 실제로 잣나무의 식재 가능 면적은 더 적을 것으로 예측되었다. 즉, 향후 잣나무의 조림 가능 지역은 더욱 감소할 가능성이 있다.
- 다음으로 각각의 모형을 종합한 앙상블 모형의 결과를 활용하여 불확실성을 고려한 잣나무의 적지 분포를 제시했다. 연구 결과 8가지 모형 중 RF가 가장 높은 예측력을 보였으며 ANN과 Maxent는 다른 모형에 비해 과 추정 되는 결과를 보였다. 기후변화 시나리오에서는 중기미래에는 기후변화 시나리오 에서 큰 차이를 보이지 않았으나, 장기미래에는 시나리오 별로 큰 격차를 보였다.
- 기후변화 시나리오에서는 중기미래에는 기후변화 시나리오 에서 큰 차이를 보이지 않았으나, 장기미래에는 시나리오 별로 큰 격차를 보였다. 앙상블 모형의 결과를 확인하면 향후 기후변화에 따른 잣나무의 적지는 감소할 것으로 예측되었다. 따라서 향후 조림계획을 세울 시 다양한 모형과 시나리오를 적용해 불확실성을 고려해야 하며 기후변화 적응 계획을 마련할 필요가 있다.
후속연구
- 5)를 모형에 적용하고 자한다. 본 연구의 결과는 향후 기후변화를 고려한 조림계획 시 의사결정 지원에 기여할 수 있을 것이다.
- 앙상블 모형의 결과를 확인하면 향후 기후변화에 따른 잣나무의 적지는 감소할 것으로 예측되었다. 따라서 향후 조림계획을 세울 시 다양한 모형과 시나리오를 적용해 불확실성을 고려해야 하며 기후변화 적응 계획을 마련할 필요가 있다.
- 본 연구에서는 북방한계를 고려하지 못해 향후 잣나무의 분포를 모두 설명하기에는 한계가 있다. 또한, 천이에 대해 고려하지 못했다는 한계가 있다.
- 또한, 천이에 대해 고려하지 못했다는 한계가 있다. 잣나무는 침엽수이기 때문에 향후 천이에 의해서 예측한 결과보다 더 적은 면적에 분포하게 될 가능성이 있기 때문에 향후 천이를 고려한 모형의 도입이 필요하다. 마지막으로 잣나무는 조림수종이기 때문에 향후 연구에서는 미래에 있을 토지이용과 인간의 간섭에 의한 환경의 변화 또한 조림정책에 관련한 내용이 반영 되어야 할 것이다.
- 잣나무는 침엽수이기 때문에 향후 천이에 의해서 예측한 결과보다 더 적은 면적에 분포하게 될 가능성이 있기 때문에 향후 천이를 고려한 모형의 도입이 필요하다. 마지막으로 잣나무는 조림수종이기 때문에 향후 연구에서는 미래에 있을 토지이용과 인간의 간섭에 의한 환경의 변화 또한 조림정책에 관련한 내용이 반영 되어야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.