Semi-Variogram을 이용한 소규모 자연휴양림 내기상조건의 정밀 시공간 분포 추정 Estimating Precise Spatio-Temporal Distribution of Weather Condition Using Semi-Variogram in Small Scale Recreation Forest원문보기
최근 각광받고 있는 산림치유를 위해서는 산림 내 기상조건의 시공간분포를 기초로 활동시간 및 공간을 계획할 필요가 있다. 본 연구에서는 국립용현자연휴양림에 기상관측 장비를 설치하여 장기 기상모니터링을 실시하고, 해당 자료를 통해 기상자료의 정밀 시공간 분포를 파악하여 산림휴양 치유 활동을 지원하고자 하였다. 먼저, Semi-Variogram을 추정하는 네 가지 모형을 통계적으로 비교한 결과, 모두 유사한 결과를 보이나, Circular 모형을 활용하는 것이 보다 정확할 수 있을 것으로 판단되어 본 연구에서는 Circular 모형의 결과를 제시하였다. Circular 모형으로 추정된 총 128개의 Semi-Variogram을 통해 계절 및 시간대에 따른 온 습도의 공간분포를 확인할 수 있었다. Partial Sill 값으로 표출한 Boxplot을 통해 보다 확연한 계절 및 시간대별 분포 차이를 확인할 수 있었는데, 그 결과 봄철과 이른 오전 시간대에는 온 습도가 모두 균일한 미기상 공간분포를 보였고, 여름과 이른 오후에는 온 습도 모두 불균일한 결과를 보였다. 봄철과 이른 오전 시간대에는 산림활동 시 공간의 이동에 따른 기상조건 변화가 적으므로, 휴양과 치유에 보다 긍정적일 수 있는 반면 상대적으로 불균일한 여름철과 이른 오후 시간에는 기상조건에 따른 위험이 따를 수 있으므로 별도의 준비가 필요할 것이다. 본 연구는 한 곳의 자연휴양림을 대상으로 사계절 기상조건의 정밀 시공간분포를 추정하여 계절별, 시간대별 세부적인 결과를 제시한 것에 큰 의미가 있다.
최근 각광받고 있는 산림치유를 위해서는 산림 내 기상조건의 시공간분포를 기초로 활동시간 및 공간을 계획할 필요가 있다. 본 연구에서는 국립용현자연휴양림에 기상관측 장비를 설치하여 장기 기상모니터링을 실시하고, 해당 자료를 통해 기상자료의 정밀 시공간 분포를 파악하여 산림휴양 치유 활동을 지원하고자 하였다. 먼저, Semi-Variogram을 추정하는 네 가지 모형을 통계적으로 비교한 결과, 모두 유사한 결과를 보이나, Circular 모형을 활용하는 것이 보다 정확할 수 있을 것으로 판단되어 본 연구에서는 Circular 모형의 결과를 제시하였다. Circular 모형으로 추정된 총 128개의 Semi-Variogram을 통해 계절 및 시간대에 따른 온 습도의 공간분포를 확인할 수 있었다. Partial Sill 값으로 표출한 Boxplot을 통해 보다 확연한 계절 및 시간대별 분포 차이를 확인할 수 있었는데, 그 결과 봄철과 이른 오전 시간대에는 온 습도가 모두 균일한 미기상 공간분포를 보였고, 여름과 이른 오후에는 온 습도 모두 불균일한 결과를 보였다. 봄철과 이른 오전 시간대에는 산림활동 시 공간의 이동에 따른 기상조건 변화가 적으므로, 휴양과 치유에 보다 긍정적일 수 있는 반면 상대적으로 불균일한 여름철과 이른 오후 시간에는 기상조건에 따른 위험이 따를 수 있으므로 별도의 준비가 필요할 것이다. 본 연구는 한 곳의 자연휴양림을 대상으로 사계절 기상조건의 정밀 시공간분포를 추정하여 계절별, 시간대별 세부적인 결과를 제시한 것에 큰 의미가 있다.
As forest therapy is getting more attention than ever, it is important to organize time for activity and location based on spatio-temporal distribution of weather condition in forest. This study aimed to analyze precise spatio-temporal distribution of weather condition by installing long-term weathe...
As forest therapy is getting more attention than ever, it is important to organize time for activity and location based on spatio-temporal distribution of weather condition in forest. This study aimed to analyze precise spatio-temporal distribution of weather condition by installing long-term weather monitoring device in Yonghyun national natural recreation forest and using acquired weather data in order to support forest recreation and therapy activity. First, we statistically compared 4 models of semi-variogram and the results were all similar. We selected and analyzed the circular model for this study because it was presumed to be the best model for this case. We derived 128 results from the circular model and through semi-variogram, we identified seasonal and temporal distributions of temperature and humidity. Then, we used boxplot, made of partial sill level, to identify significant differences in seasonal and temporal distributions. As a result, in spring and early morning, both temperature and humidity showed equalized result. On the other hand, in summer and early afternoon, both temperature and humidity showed uneven result. In spring and early morning, changes in weather condition are shown little from spatial shifting, it is ideal to perform recreational activities and forest therapy but in summer and early afternoon, it is unadvisable to do so as the changes in weather condition could be harmful unless any other means of preparations are made. This study proposes its significance by analyzing seasonal micro-weather of single recreation forest and presenting seasonal and temporal outcomes.
As forest therapy is getting more attention than ever, it is important to organize time for activity and location based on spatio-temporal distribution of weather condition in forest. This study aimed to analyze precise spatio-temporal distribution of weather condition by installing long-term weather monitoring device in Yonghyun national natural recreation forest and using acquired weather data in order to support forest recreation and therapy activity. First, we statistically compared 4 models of semi-variogram and the results were all similar. We selected and analyzed the circular model for this study because it was presumed to be the best model for this case. We derived 128 results from the circular model and through semi-variogram, we identified seasonal and temporal distributions of temperature and humidity. Then, we used boxplot, made of partial sill level, to identify significant differences in seasonal and temporal distributions. As a result, in spring and early morning, both temperature and humidity showed equalized result. On the other hand, in summer and early afternoon, both temperature and humidity showed uneven result. In spring and early morning, changes in weather condition are shown little from spatial shifting, it is ideal to perform recreational activities and forest therapy but in summer and early afternoon, it is unadvisable to do so as the changes in weather condition could be harmful unless any other means of preparations are made. This study proposes its significance by analyzing seasonal micro-weather of single recreation forest and presenting seasonal and temporal outcomes.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
국민 휴양의 대표적 공간으로 자리매김한 자연휴양림의 기상조건을 대상으로, 과학적 분석을 시도한 본 연구에서는 국립용현자연휴양림을 선정하여 장기 기상모니터링을 실시하고, 해당 자료를 통해 시공간분포를 확인하여 산림휴양·치유 활동을 지원하고자 하였다.
본 연구에 활용된 네 가지 모형(Circular, Spherical, Exponential, Gaussian)은 Semi- Variogram을 추정하는데 가장 일반적으로 활용하는 기법이다. 그럼에도 네 가지 모형 모두를 본 연구 결과로 제시하는 데는 양적인 한계가 있으므로, 각 모형 간의 결과를 비교하여 가장 우수한 모형의 결과를 제시하고자 한다. 여기서 모형 결과는 추정된 Semi-Variogram의 곡선을 의미하는 Partial Sill 값을 활용하였고, 모형 간 비교에서는 온도 자료만을 활용하였다.
이에 본 연구에서는 자연 휴양림 한 곳을 선정하여 장기 기상모니터링을 실시하고, 해당 자료를 통해 시공간분포를 확인하여 산림휴양 · 치유 활동을 지원하고자 한다. 또한 공간분포를 추정하기 위해 활용한 Semi-Variogram의 추정 모형들을 통계적으로 비교하여 향후 미기상 공간분포 연구에 기초자료가 되고자 한다.
본 연구는 한 곳의 자연휴양림을 대상으로 사계절 기상조건의 정밀 시공간분포를 추정하여 계절별, 시간대별 세부적인 결과를 제시한 것에 큰 의미가 있다. 앞으로는 이러한 기상조건을 산림휴양기능에 영향을 미치는 요인으로 간주할 필요가 있다.
본 연구에서 제시하는 자연휴양림 내 미기상의 공간분포 특성은 휴양과 치유를 동반한 산림활동에 보다 적합한 시간과 계절을 확인할 수 있게 한다. 특히, 산림 내에서 온도와 습도가 매우 균일한 분포를 보이는 봄철과 이른 오전 시간대에는 산림활동 시 공간의 이동에 따른 기상조건 변화가 적으므로, 휴양과 치유에 보다 긍정적일 수 있다.
이에 본 연구에서는 자연 휴양림 한 곳을 선정하여 장기 기상모니터링을 실시하고, 해당 자료를 통해 시공간분포를 확인하여 산림휴양 · 치유 활동을 지원하고자 한다.
제안 방법
시계열적으로 수집한 기상자료 전체를 분석에 활용할 수는 없으므로, 각 계절과 각 시간의 대표성을 띄는 시점을 선정하여 분석에 활용하였다. 2013년 10월을 가을, 2014년 1월을 겨울, 2014년 4월을 봄, 2014년 7월을 여름의 대표 달로 삼았고, 각 선정된 달에서도 해당 기간을 대표할 수 있게 일주일 간격으로 4일을 선정하여 분석하였다(표 1). 일부 계절은 강수 등으로 인하여 정상적인 데이터가 수집되지 않은 날을 피해 날짜를 변경하여 선택하였다.
Circular 모형을 통해 얻은 Semi-Variogram을 계절 및 시간대별로 종합하였고, 온도와 습도를 합하여 총 128개의 그래프를 한눈에 보고 경향을 확인할 수 있도록 (그림 3, 4)와 같이 구성하였다.
HOBO Pro(Onset)를 통해 얻은 약 14개월 동안의 온 · 습도 기상자료를 시계열적으로 분석하기 위해 계절별로 분류하였다.
본 연구에서는 Semi-Variogram을 추정하기 위해 Circular, Spherical, Exponential, Gaussian 이렇게 총 네 가지 모형을 활용하였다. 각 모형을 통해 Semi-Variogram을 추정할 뿐 아니라, 모형별 Partial Sill 값을 분석하여 모형 간 비교를 시도하였다. 추정 결과의 정확성을 판단할 때 주로 활용되는, 선형회귀분석과 Pearson 상관관계 분석으로 모형 간 유사도를 확인하였다.
계절에 따른 온도와 습도의 공간 분포를 더욱 면밀히 확인하기 위해 Semi-Variogram의 곡선을 수치화한 Partial Sill 값을 Boxplot으로 표현하였다. Partial Sill 값이 클수록 공간분포의 변이가 크다고 해석할 수 있는데, 이를 통해 기상조건 공간분포의 계절별 차이를 확연히 볼 수 있다.
기상조건의 분석은 계절별, 시간대별로 진행될 것이므로, 모형 결과 또한 계절 및 시간대별로 묶어 분석하였다. 먼저 계절별 평균값과 표준편차에서는 봄철의 경우 상당히 유사한 수준을 보였으나, 다른 계절에는 어느 정도 차이를 보였다.
추정 결과의 정확성을 판단할 때 주로 활용되는, 선형회귀분석과 Pearson 상관관계 분석으로 모형 간 유사도를 확인하였다. 또한, 기상분포의 시계열적 비교를 위해 각 시기의 Partial Sill 값을 따로 추출하여 계절별, 시간대별 비교를 수행하였다. 여기서 Partial Sill 값은 Semi-Variogram의 곡선을 나타내는 수치이다(Kwak et al.
먼저, Semi-Variogram을 추정하는 네 가지 모형을 대상으로 통계적 비교를 수행하였으며, 그 결과 어느 모형을 사용하더라도 큰 차이는 없을 것으로 사료되나, Circular 모형을 활용하는 것이 미미한 수준에서 보다 정확할 수 있을 것으로 판단되어 본 연구에서는 Circular 모형의 결과를 Semi-Variogram과 Partial Sill 값으로 제시하였다.
일부 계절은 강수 등으로 인하여 정상적인 데이터가 수집되지 않은 날을 피해 날짜를 변경하여 선택하였다. 선정된 일별 기상 자료를 오전 시간대를 대표할 수 있는 오전 6시, 10시와 오후 시간대를 대표 할 수 있는 오후 2시, 6시로 나누어 다시 분류하였다. 본 연구에서 사용한 기상정보는 인간의 산림활동이 일어나고 태양이 뜨고 지는 등 산림휴양 및 기상활동이 활발하게 일어나는 낮 시간대를 중심으로 선정하였다.
HOBO Pro(Onset)를 통해 얻은 약 14개월 동안의 온 · 습도 기상자료를 시계열적으로 분석하기 위해 계절별로 분류하였다. 시계열적으로 수집한 기상자료 전체를 분석에 활용할 수는 없으므로, 각 계절과 각 시간의 대표성을 띄는 시점을 선정하여 분석에 활용하였다. 2013년 10월을 가을, 2014년 1월을 겨울, 2014년 4월을 봄, 2014년 7월을 여름의 대표 달로 삼았고, 각 선정된 달에서도 해당 기간을 대표할 수 있게 일주일 간격으로 4일을 선정하여 분석하였다(표 1).
이러한 결과를 종합하였을 때, 네 가지 모형 중 어느 모형을 사용하더라도 큰 차이가 없을 것으로 사료되나, Circular 모형에서 가장 균일하고 평균적인 결과를 보였고(표 2, 3), 통계적 차이도 적었으므로(표 4, 5), Circular 모형을 활용하는 것이 미미한 수준에서 보다 정확할 수 있을 것으로 판단된다. 이에 본 연구에서는 Circular 모형의 결과를 Semi-Variogram과 Partial Sill 값으로 제시한다.
대상 데이터
분석을 위한 기상자료는 산림에서 특징적 변화가 나타날 수 있는 온도와 습도를 선정하였다. 국립용현자연휴양림의 미세한 기상조건을 파악하고 공간분포를 추정하기 위해 휴양림 내 기상정보를 직접 취득하였다. 이를 위해 총 8개의 HOBO Pro(Onset)를 휴양림 전체를 포괄할 수 있는 지점에 설치하였다(그림 1).
선정된 일별 기상 자료를 오전 시간대를 대표할 수 있는 오전 6시, 10시와 오후 시간대를 대표 할 수 있는 오후 2시, 6시로 나누어 다시 분류하였다. 본 연구에서 사용한 기상정보는 인간의 산림활동이 일어나고 태양이 뜨고 지는 등 산림휴양 및 기상활동이 활발하게 일어나는 낮 시간대를 중심으로 선정하였다.
본 연구에서는 연구대상지로 충청남도 서산에 위치한 국립용현자연휴양림을 선정하였다. 국립용현자연휴양림은 Kang et al.
분석을 위한 기상자료는 산림에서 특징적 변화가 나타날 수 있는 온도와 습도를 선정하였다. 국립용현자연휴양림의 미세한 기상조건을 파악하고 공간분포를 추정하기 위해 휴양림 내 기상정보를 직접 취득하였다.
그럼에도 네 가지 모형 모두를 본 연구 결과로 제시하는 데는 양적인 한계가 있으므로, 각 모형 간의 결과를 비교하여 가장 우수한 모형의 결과를 제시하고자 한다. 여기서 모형 결과는 추정된 Semi-Variogram의 곡선을 의미하는 Partial Sill 값을 활용하였고, 모형 간 비교에서는 온도 자료만을 활용하였다.
온 · 습도 자료는 2013년 6월 5일부터 2014년 8월 7일까지 약 14개월의 장시간 동안 정기적인 모니터링을 거쳐 취득되었다.
국립용현자연휴양림의 미세한 기상조건을 파악하고 공간분포를 추정하기 위해 휴양림 내 기상정보를 직접 취득하였다. 이를 위해 총 8개의 HOBO Pro(Onset)를 휴양림 전체를 포괄할 수 있는 지점에 설치하였다(그림 1). HOBO Pro(Onset)는 자연휴양림 시설 인근 능선과 계곡부에 고루 설치하여 산림활동이 이루어지는 등산로와 임도의 기상조건을 가장 정확히 모니터링 하고자 하였다.
데이터처리
모형 별 결과를 통계적으로 비교하기 위해 본 연구에서 활용한 선형회귀분석과 Pearson 상관관계분석에서는, 모형 결과 수치에서 가장 균일하고 평균적인 수준을 보였던 Circular 모형을 기준으로 나머지 세 모형과의 관계를 분석하였다.
먼저, 점 단위로 취득된 기상자료는 대표적 공간내삽기법인 Kriging을 통해 1㎡ 공간해상도의 면 단위 자료로 변환하였다(Olivier and Webster, 1990). 산림 내 기상조건의 공간분포를 추정하기 위해서 공간적 상관성을 통해 자료 간 유사성을 예측하는 Semi-Variogram 분석을 활용하였다(Kim et al., 2011; Lim et al., 2014). Semi-Variogram은 일정한 거리에 있는 자료들의 유사성을 나타내는 척도로, 일정거리만큼 떨어져 있는 자료들이 평균적으로 얼마나 다른지를 나타내는 정량적 지표라 할 수 있다(Jung et al.
각 모형을 통해 Semi-Variogram을 추정할 뿐 아니라, 모형별 Partial Sill 값을 분석하여 모형 간 비교를 시도하였다. 추정 결과의 정확성을 판단할 때 주로 활용되는, 선형회귀분석과 Pearson 상관관계 분석으로 모형 간 유사도를 확인하였다. 또한, 기상분포의 시계열적 비교를 위해 각 시기의 Partial Sill 값을 따로 추출하여 계절별, 시간대별 비교를 수행하였다.
이론/모형
본 연구에서는 Semi-Variogram을 추정하기 위해 Circular, Spherical, Exponential, Gaussian 이렇게 총 네 가지 모형을 활용하였다. 각 모형을 통해 Semi-Variogram을 추정할 뿐 아니라, 모형별 Partial Sill 값을 분석하여 모형 간 비교를 시도하였다.
성능/효과
Circular 모형으로 추정된 총 128개의 Semi -Variogram을 통해 계절 및 시간대에 따른 기상조건의 공간분포를 개략적으로 확인할 수 있었다. Partial Sill 값으로 표출한 Boxplot을 통해 보다 확연한 계절 및 시간대별 분포 차이를 확인할 수 있었는데, 그 결과 봄철과 이른 오전 시간대에는 온 · 습도가 모두 균일한 미기상 공간분포를 보였고, 여름과 이른 오후에는 온·습도 모두 불균일한 결과를 보였다.
Partial Sill 값으로 표출한 Boxplot을 통해 보다 확연한 계절 및 시간대별 분포 차이를 확인할 수 있었는데, 그 결과 봄철과 이른 오전 시간대에는 온 · 습도가 모두 균일한 미기상 공간분포를 보였고, 여름과 이른 오후에는 온·습도 모두 불균일한 결과를 보였다.
9 이상의 높은 관계를 나타내며, 모형 간 차이가 매우 적음을 나타냈다. 계절별 비교에서와 같이 시간에 따른 차이는 매우 미미하였으며, 모형별로는 Circular -Spherical에서 상대적으로 높은 관계를, Circular-Exponential에서 상대적으로 낮은 관계를 보였다(표 5).
9이상의 높은 관계를 나타내며, 모형 간 차이가 매우 적음을 나타냈다. 계절에 따른 차이는 매우 미미하였으며, 모형별로는 Circular-Spherical에서 상대적으로 높은 관계를, Circular-Exponential에서 상대적으로 낮은 관계를 보였다(표 4).
먼저 계절별 평균값과 표준편차에서는 봄철의 경우 상당히 유사한 수준을 보였으나, 다른 계절에는 어느 정도 차이를 보였다. 또한 타 모형들 보다 Circular와 Spherical 간의 유사성이 더 높음을 확인할 수 있었다(표 2).
습도의 Semi-Variogram에서는 전반적으로 온도와 유사하나 일부 다른 경향이 나타난다. 먼저 계절별 비교에서, 봄에는 습도조건이 상대적으로 균일한 분포를 보이는 반면, 나머지 계절에서는 시간의 흐름에 따라 많은 변이를 보이며, 여름과 겨울의 변이가 봄과 가을보다 더 큰 것으로 나타났다. 시간대별로 보면 모든 계절에서 이른 오전에는 균일한 기상분포를 보이고, 시간이 지날수록 큰 변이를 나타냈다.
먼저, 계절별 결정계수와 상관계수는 모든 계절, 각 모형 간 관계에서 모두 0.9이상의 높은 관계를 나타내며, 모형 간 차이가 매우 적음을 나타냈다. 계절에 따른 차이는 매우 미미하였으며, 모형별로는 Circular-Spherical에서 상대적으로 높은 관계를, Circular-Exponential에서 상대적으로 낮은 관계를 보였다(표 4).
먼저 온도의 계절별 그래프에서는 기존 Semi-Variogram 결과 그림 3과 같이 봄에서 가장 낮은 변화를 나타내는 것을 확인할 수 있다. 반면 기존 Semi-Variogram에서는 여름, 가을, 겨울 모두 변화 폭이 클 것으로 예상되었는데, Boxplot에서는 여름에 집중적으로 높은 변화를 나타냈고, 가을이 겨울보다 높은 변화를 보였다. 이러한 계절별 확연한 차이는 SemiVariogram만을 통해 확인하기는 어려운 부분이었다(그림 5).
습도의 시간에 따른 분포는 온도와 유사하게, 이른 오전에 매우 균일하였다가, 낮으로 갈수록 불균일해지고, 해가 지는 늦은 오후에 어느 정도 균일함을 회복하는 것으로 나타났다. 산림에서 습도는 비 산림 지역보다 편차는 적지만, 일조시간에 습도가 낮아지는 현상은 기 밝혀진 바 있는데(Thornton et al.
시간대별 결정계수와 상관계수에서도 모든 시간, 세 가지 관계에서 모두 0.9 이상의 높은 관계를 나타내며, 모형 간 차이가 매우 적음을 나타냈다. 계절별 비교에서와 같이 시간에 따른 차이는 매우 미미하였으며, 모형별로는 Circular -Spherical에서 상대적으로 높은 관계를, Circular-Exponential에서 상대적으로 낮은 관계를 보였다(표 5).
시간대별 평균값과 표준편차에서는 오전 시간대, 특히 이른 오전에 거의 같은 값을 보이며 유사한 것을 확인 할 수 있었다. 그러나 오후로 갈수록 유사도가 감소하는 것이 확인되었는데, 이는 온도를 대상으로 하였기에 지형적 차이에 의한 일조시간 혹은 일조량의 차이에 따른 것으로 예상된다.
먼저 계절별 비교에서, 봄에는 습도조건이 상대적으로 균일한 분포를 보이는 반면, 나머지 계절에서는 시간의 흐름에 따라 많은 변이를 보이며, 여름과 겨울의 변이가 봄과 가을보다 더 큰 것으로 나타났다. 시간대별로 보면 모든 계절에서 이른 오전에는 균일한 기상분포를 보이고, 시간이 지날수록 큰 변이를 나타냈다. 여름, 가을 및 겨울의 늦은 오후에서 다소 균일한 분포를 보인 것은 온도와 다른 특징으로 확인 할 수 있다(그림 4).
계절에 따른 분포 변화에서와 같이 시간에 따른 온도와 습도의 공간 분포를 더욱 면밀히 확인하기 위해 그림 6과 같이 Partial Sill 값을 표출하였다. 시간에 따른 온도의 분포는 기존 Semi-Variogram에서와 같이 이른 오전에 매우 균일한데, Boxplot을 통해 이후 시간대에서 이른 오후가 가장 변화가 큼이 설명되었다. 온도의 공간 분포는 온도가 높아질 때 불균일해지며, 온도가 낮은 시간에 균일한 것으로 확인되었다(그림 6).
시간에 따른 온도의 분포는 기존 Semi-Variogram에서와 같이 이른 오전에 매우 균일한데, Boxplot을 통해 이후 시간대에서 이른 오후가 가장 변화가 큼이 설명되었다. 온도의 공간 분포는 온도가 높아질 때 불균일해지며, 온도가 낮은 시간에 균일한 것으로 확인되었다(그림 6).
이러한 결과를 종합하였을 때, 네 가지 모형 중 어느 모형을 사용하더라도 큰 차이가 없을 것으로 사료되나, Circular 모형에서 가장 균일하고 평균적인 결과를 보였고(표 2, 3), 통계적 차이도 적었으므로(표 4, 5), Circular 모형을 활용하는 것이 미미한 수준에서 보다 정확할 수 있을 것으로 판단된다. 이에 본 연구에서는 Circular 모형의 결과를 Semi-Variogram과 Partial Sill 값으로 제시한다.
후속연구
, 2014), 현재까지는 기상 요인과 산림휴양 수요에 관한 연구가 대부분이었다(Kim, 2014; Sim and Kwon, 2011). 산림휴양이나 치유의 효과를 제고하는 측면에서 기상조건을 중점적으로 고려하는 연구가 이루어진다면 산림활동지원에 보다 효과적일 것이다.
이러한 결과에 따르면, 봄철과 이른 오전 시간대에는 산림활동 시 공간의 이동에 따른 기상조건 변화가 적으므로, 휴양과 치유에 보다 긍정적일 수 있는 반면 상대적으로 불균일한 여름철과 이른 오후 시간에는 기상조건에 따른 위험이 따를 수 있으므로 별도의 준비가 필요할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
자연휴양림이란 무엇인가?
자연휴양림은 국민의 정서함양·보건휴양 및 산림교육 등을 위하여 조성한 산림으로, 국민의 산림휴양 요구에 부응하고 국가의 산림환경 보전에 유용한 공간이다(Lyu, 2013; Sung, 2015). 산림에 대한 휴양 수요가 급증함과 동시에, 자연휴양림의 조성 또한 국유·공유·사 유림을 막론하고 적극적으로 이루어졌다.
자연휴양림은 어떤 이름으로 중증질환자에게 보완대체의학의 장소가 되는가?
자연휴양림에서의 활동 또한 단순 휴식에 그치지 않고 치유·체험 등으로 확대되어 가고 있다. 특히‘산림치유’라는 이름으로 중증질환자에게 보완대체의학(Complementary and Alternative Medicine: CAM)의 장소가 되어 주며, 많은 환자가‘치유의 숲’으로 지정된 많은 휴양림에 방문하고 있다(Korea Forest Research Institute, 2008). 자연휴양림에서의 활동이 휴식에서 치유로 변화함에 따라 휴양림의 자연조건이 가진 상태와 기능을 면밀히 확인할 필요성이 높아졌다.
Semi-Variogram는 무엇인가?
, 2014). Semi-Variogram은 일정한 거리에 있는 자료들의 유사성을 나타내는 척도로, 일정거리만큼 떨어져 있는 자료들이 평균적으로 얼마나 다른지를 나타내는 정량적 지표라할 수 있다(Jung et al., 2008).
참고문헌 (20)
Barreca, A.I. and J.P. Shimshack. 2012. Absolute humidity, temperature, and influenza mortality: 30 years of county-level evidence from the United States. American Journal of Epidemiology 176(7):114-122.
Corobov, R., S. Sheridan, K. Ebi and N. Opopol. 2013. Warm Season Temperature-Mortality Relationships in Chisinau (Moldova). International Journal of Atmospheric Sciences 2013(Article ID 346024):1-9.
Han, S.J., W.K. Lee and D.A. Kwak. 2006. GIS application for evaluating forest recreation functions. Journal of the Korean Association of Geographical Information Studies 9(1):13-19 (한수진,이우균, 곽두안. 2006. GIS를 이용한 산림휴양기능평가. 한국지리정보학회지 9(1):13-19).
Jung, J., S. Jin and M.S. Park. 2008. Precipitation analysis based on spatial linear regression model. The Korean Journal of Applied Statistics 21(6): 1093-1107 (정지용, 진서훈, 박만식.2008. 공간적 상관구조를 포함하는 선형회귀모형을 이용한 강수량 자료 분석. 응용통계연구 21(6):1093-1107).
Kang, B., S.B. Park, T. Kim, M.J. Kim, K.H. Lee, B. Jun, S.Y. Park and S.J. Lee. 2013. Pain relief effect on chronic posterior neck pain depending on the types of forests. Proceeding of the 41st Annual Meeting of the Korean Academy of Rehabilitation Medicine.
Kang, B., S.B. Park, T. Kim, M.J. Kim, K.H. Lee and S.J. Lee. 2013. The therapeutic effect of forest therapy on chronic posterior neck pain. Proceeding of the 41st Annual Meeting of the Korean Academy of Rehabilitation Medicine.
Kim, D.J. 2014. Impacts of the precipitation on forest recreation demand. Korean Journal of Agricultural and Forest Meteorology 16(2):125-130 (김동준. 2014.강수 요인이 산림휴양 수요에 미치는 영향.한국농림기상학회지 16(2):125-130).
Kim, M.I., H. Kwak, W.K. Lee, M.S. Won and K.S. Koo. 2011. Study on regional spatial autocorrelation of forest fire occurrence in Korea. Journal of the Korean Society for Geospatial Information Science 19(2):29-37 (김문일, 곽한빈, 이우균, 원명수, 구교상. 2011. 우리나라 산불발생의 지역별 공간자기상관성에 관한 연구.한국지형공간정보학회지 19(2):29-37).
Korea Forest Research Institute. 2008. Master plan of construct Saneum 'Healing Forest'(국립산림과학원. 2008. 산음'치유의 숲'조성 기본계획. 국립산림과학원 연구보고서).
Korea Forest Service. 2011. Statistical Yearbook of Forestry. 41 (산림청. 2011. 임업통계연보. 41호).
Kwak, H., W.K. Lee, J. Saborowski, S.Y. Lee, M.S. Won, K.S. Koo, M.B. Lee and S.N. Kim. 2012. Estimating the spatial pattern of human caused forest fires using a generalized linear mixed model with spatial autocorrelation in South Korea. International Journal of Geographical Information Science 26(9): 1589-1602.
Lim, C.H., C. Song, B. Kang, W.K. Lee, S.B. Park and S.J. Lee. 2014. The analysis on relationship between weather condition and forest therapy effect. The Journal of Korean Institute of Forest Recreation 18(1):85-97 (임철희, 송철호, 강보람, 이우균, 박시복, 이성재.2014. 산림치유효과와 기상조건 간의 관련성 분석. 한국산림휴양학회지 18(1):85-97).
Lyu, K.H. 2013. A study on the development stage classification and characteristics of natural recreation forest in Korea. Ph.D. Thesis, Univ. of Korea University (류강현. 2013. 자연휴양림 발전단계의 구분과 특성 연구. 고려대학교 대학원 박사학위논문).
Olivier, M.A and R. Webster. 1990. Kriging: a method of interpolation for geographical information systems. International Journal of Geographical Information Systems 4(3):313-332.
Schwartz, J., J.M. Samet and J.A. Patz. 2004. Hospital admission for heart disease : the effects of temperature and humidity. Epidemiology 15(6):755-761.
Shaman, J., E. Goldstein and M. Lipsitch. 2010. Absolute humidity and pandemic versus epidemic influenza. American Journal of Epidemiology 173(2):127-135.
Sim, K.W. and H.K. Kwon. 2011. The impact of climate change on the forest recreation demand. The Journal of Korean Institute of Forest Recreation 15(2):35-40 (심규원, 권헌교. 2011. 기후변화가 산림휴양수요에 미치는 영향. 한국산림휴양학회지 15(2):35-40).
Sung, S.J. 2015. Study on the actual management and operation state by type of recreational forest and improvement measures. Ph.D. Thesis, Daegu Haany University (성상제. 2015. 자연휴양림의 유형별 관리운영 실태와 개선방안에 관한 연구. 대구한의대학교 대학원 박사학위논문).
Thornton, P.E., H. Hasenauer and M.A. White. 2000. Simultaneous estimation of daily solar radiation and humidity from observed temperature and precipitation: an application over complex terrain in Austria. Agricultural and Forest Meteorology 104:255-271.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.