본 연구는 로드킬 다발구간을 선정하기 위한 공간 군집지역 탐색방법을 비교하기 위하여 영주시, 문경시, 안동시, 청송군 로드킬 핫스팟 분석을 수행하였다. 국지적 공간 자기상관 지수인 Getis-Ord Gi* 통계량은 분석 단위를 달리하여 산출하였으며, 전체 도로면적 기준으로 300m에서 9%, 1km에서 14%의 핫스팟 지역을 도출하였다. 1km 단위 핫스팟 지역의 Z-score를 5개로 등급화한 결과, 예천군과 영주시 경계에 있는 28번 국도 구간의 Z-score가 가장 높게 나타났다. 커널 밀도 방법은 일반 커널 밀도 추정과 네트워크 커널 밀도 추정 분석을 수행하였다. 두 방법 모두 구역 단위의 분석보다 로드킬 다발구간의 시각적 확인이 용이했으나, 통계적으로 유의한 우선순위를 산정하기 어려운 한계가 있었다. 결과적으로 군집 분석방법에 따라 국지적인 핫스팟 지역이 다르게 나타나고 있음이 확인되었으며, 공통적으로 저감 대책이 시급한 지역은 영주시와 예천군을 통과하는 28번 국도의 다발구간으로 나타났다. 본 연구의 결과는 향후 로드킬 다발구간 도출 및 저감 대책 수립시 기초자료로 활용될 수 있을 것으로 판단된다.
본 연구는 로드킬 다발구간을 선정하기 위한 공간 군집지역 탐색방법을 비교하기 위하여 영주시, 문경시, 안동시, 청송군 로드킬 핫스팟 분석을 수행하였다. 국지적 공간 자기상관 지수인 Getis-Ord Gi* 통계량은 분석 단위를 달리하여 산출하였으며, 전체 도로면적 기준으로 300m에서 9%, 1km에서 14%의 핫스팟 지역을 도출하였다. 1km 단위 핫스팟 지역의 Z-score를 5개로 등급화한 결과, 예천군과 영주시 경계에 있는 28번 국도 구간의 Z-score가 가장 높게 나타났다. 커널 밀도 방법은 일반 커널 밀도 추정과 네트워크 커널 밀도 추정 분석을 수행하였다. 두 방법 모두 구역 단위의 분석보다 로드킬 다발구간의 시각적 확인이 용이했으나, 통계적으로 유의한 우선순위를 산정하기 어려운 한계가 있었다. 결과적으로 군집 분석방법에 따라 국지적인 핫스팟 지역이 다르게 나타나고 있음이 확인되었으며, 공통적으로 저감 대책이 시급한 지역은 영주시와 예천군을 통과하는 28번 국도의 다발구간으로 나타났다. 본 연구의 결과는 향후 로드킬 다발구간 도출 및 저감 대책 수립시 기초자료로 활용될 수 있을 것으로 판단된다.
This study analyzed roadkill hotspots in Yeongju, Mungyeong-si Andong-si and Cheongsong-gun to compare the method of searching the area of the spatial cluster for selecting the roadkill hotspots. The local spatial autocorrelation index Getis-Ord Gi* statistics were calculated by different units of a...
This study analyzed roadkill hotspots in Yeongju, Mungyeong-si Andong-si and Cheongsong-gun to compare the method of searching the area of the spatial cluster for selecting the roadkill hotspots. The local spatial autocorrelation index Getis-Ord Gi* statistics were calculated by different units of analysis, drawing hotspot areas of 9% from 300 m and 14% from 1 km on the basis of the total road area. The rating of Z-score in the 1km hotspot area showed the highest Z-score in the 28th National Road section on the border between Yecheon-gun and Yeongj-si. The kernel density method performed general kernel density estimation and network kernel density estimation analysis, both of which made it easier to visualize roadkill hotspots than district unit analysis, but there were limitations that it was difficult to determine statistically significant priority. As a result, local hotspot areas were found to be different according to the cluster analysis method, and areas that are in common need of reduction measures were found to be the hotspot of 28th National Road through Yeongju-si and Yecheon-gun. It is deemed that the results of this study can be used as basic data when identifying roadkill hotspots and establishing measures to reduce roadkill.
This study analyzed roadkill hotspots in Yeongju, Mungyeong-si Andong-si and Cheongsong-gun to compare the method of searching the area of the spatial cluster for selecting the roadkill hotspots. The local spatial autocorrelation index Getis-Ord Gi* statistics were calculated by different units of analysis, drawing hotspot areas of 9% from 300 m and 14% from 1 km on the basis of the total road area. The rating of Z-score in the 1km hotspot area showed the highest Z-score in the 28th National Road section on the border between Yecheon-gun and Yeongj-si. The kernel density method performed general kernel density estimation and network kernel density estimation analysis, both of which made it easier to visualize roadkill hotspots than district unit analysis, but there were limitations that it was difficult to determine statistically significant priority. As a result, local hotspot areas were found to be different according to the cluster analysis method, and areas that are in common need of reduction measures were found to be the hotspot of 28th National Road through Yeongju-si and Yecheon-gun. It is deemed that the results of this study can be used as basic data when identifying roadkill hotspots and establishing measures to reduce roadkill.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 로드킬 다발구간을 선정하기 위한 공간 군집지역 탐색방법을 검토하기 위하여 시범 적으로 영주시, 문경시, 안동시, 청송군 내 로드킬 접수건을 바탕으로 로드킬 핫스팟 분석을 수행하여 국내 상황에 적합한 로드킬 다발구간 분석방법을 제시 하고자 한다. 이를 위해 먼저 로드킬 발생의 분포현황과 종별 특성을 파악하였다.
본 연구는 국내 환경에 적합한 로드킬 다발구간 분석방법을 비교하기 위하여 영주시, 문경시, 안동시, 청송군 로드킬 핫스팟 분석을 수행하였다. 분석 결과, 전반적인 특성은 유사하였으나, 분석 방법에 따라 일부 구간에서 차이가 존재하는 것을 알 수 있었다.
Getis-Ord Gi* 분석 단위는 선행연구와 탐색적 분석을 바탕으로 300m 및 1km를 선정하였으며, 커널 분석은 커널 밀도 추정과 네트워크 커널 밀도 추정 모두 수행하였다. 최종적으로 이러한 분석방법에 따른 핫스팟 지역의 차이를 비교해 보고자 하였다.
제안 방법
따라서 본 연구는 통계적 및 시각적 로드킬 핫스팟 분석방법으로 Getis-Ord Gi*와 커널 밀도 추정을 사용하였다. Getis-Ord Gi* 분석 단위는 선행연구와 탐색적 분석을 바탕으로 300m 및 1km를 선정하였으며, 커널 분석은 커널 밀도 추정과 네트워크 커널 밀도 추정 모두 수행하였다. 최종적으로 이러한 분석방법에 따른 핫스팟 지역의 차이를 비교해 보고자 하였다.
Getis-Ord Gi*는 공간 인접규칙을 설정하여 공간 가중치 행렬을 정의해야 한다. 격자형 자료에 대한 여러 형태의 인접규칙 중 본 연구에서는 중심 격자의 주변 이웃 격자를 최대한 고려하기 위해 8방향 이웃을 적용하였다. 또한, 커널 함수는 다양한 유형이 있으며, 본 연구에서는 일반적으로 많이 사용되는 가우시안(Gaussian) 함수를 적용하였다.
구역 단위 분석에서 로드킬의 수에 따른 공간적 분포를 확인하고, 로드킬 핫스팟 결과 분석 비교를 위한 지역을 미시적으로 파악하기 위해 도로를 따라 1km×1km 정사각형 격자 내 로드킬 빈도를 확인하였다(Figure 2).
이를 위해 먼저 로드킬 발생의 분포현황과 종별 특성을 파악하였다. 다음으로 일부 부정확한 로드킬 위치를 보정하고 도로 자료를 검토하여 분석에 적합한 자료를 선정하였다. 마지막으로 격자 단위로 로드킬 발생수를 지도화하여 공간적 자기상관성을 측정하고, 로드킬 분포에 대한 커널밀도를 추정하여 분석방법에 따른 핫스팟을 비교하였다.
커널 밀도 추정은 연구지역 전체를 대상으로 한 커널 밀도 분석과 도로를 따라 커널 밀도를 추정하는 네트워크 커널 밀도 분석을 실시하였다. 로드킬 밀도 추정 결과는 편의상 도로 경계 버퍼 50m 내 결과를 추출하여 시각화하였다.
다음으로 일부 부정확한 로드킬 위치를 보정하고 도로 자료를 검토하여 분석에 적합한 자료를 선정하였다. 마지막으로 격자 단위로 로드킬 발생수를 지도화하여 공간적 자기상관성을 측정하고, 로드킬 분포에 대한 커널밀도를 추정하여 분석방법에 따른 핫스팟을 비교하였다.
따라서 본 연구는 로드킬 다발구간을 선정하기 위한 공간 군집지역 탐색방법을 검토하기 위하여 시범 적으로 영주시, 문경시, 안동시, 청송군 내 로드킬 접수건을 바탕으로 로드킬 핫스팟 분석을 수행하여 국내 상황에 적합한 로드킬 다발구간 분석방법을 제시 하고자 한다. 이를 위해 먼저 로드킬 발생의 분포현황과 종별 특성을 파악하였다. 다음으로 일부 부정확한 로드킬 위치를 보정하고 도로 자료를 검토하여 분석에 적합한 자료를 선정하였다.
특히, 봉화군-영주시-예천군으로 연결되는 28번 국도 일부, 영주시-안동시를 통과하는 5번 국도 일부, 문경시-예천군-안동시로 연결되는 34번 국도 일부 지역의 경우 격자별 로드킬 빈도수가 상당히 높은 것으로 확인되었다. 이에 Getis-Ord Gi* 도출 및 커널 밀도 추정을 실시한 후 이 지역을 중심으로 로드킬 핫스팟 여부를 파악하였다.
이에 본 연구에서는 분석 단위 비교를 위해 도로교 통공단 교통사고분석시스템에서 사용하는 교통사고 다발구간 분석 단위와 탐색적 분석결과를 참고하여 300m 및 1km 정사각형 격자를 분석 단위로 적용하였다(NIE 2018).
33으로 1km에서 로드킬 군집경향이 보다 큰 것으로 나타났다(Table 1). 전역적 분석에서는 핫스팟의 국지적 위치를 확인할 수 없으므로 Getis-Ord Gi*를 측정하였다.
커널 밀도 추정은 연구지역 전체를 대상으로 한 커널 밀도 분석과 도로를 따라 커널 밀도를 추정하는 네트워크 커널 밀도 분석을 실시하였다. 로드킬 밀도 추정 결과는 편의상 도로 경계 버퍼 50m 내 결과를 추출하여 시각화하였다.
대상 데이터
5의 near 툴을 활용 하였다. 도로자료는 행정안전부에서 제공하는 새주 소도로구간 자료에서 로드킬이 조사된 도로구간을 추출하여 사용하였다.
따라서 본 연구에서는 ’18년 시스템 초기부터 정보시스템을 활발하게 사용하고 있는 영주 국토관리사무소에서 관리하는 도로를 기준으로 영주시, 문경시, 안동시, 청송군내 로드킬 발생 자료를 사용하였다.
따라서 본 연구에서는 ’18년 시스템 초기부터 정보시스템을 활발하게 사용하고 있는 영주 국토관리사무소에서 관리하는 도로를 기준으로 영주시, 문경시, 안동시, 청송군내 로드킬 발생 자료를 사용하였다. 이 중 개와 고양이 등 야생동물이 아닌 종을 제외한 총 549건을 분석에 활용하였다(Figure 1).
데이터처리
또한, 커널 함수는 다양한 유형이 있으며, 본 연구에서는 일반적으로 많이 사용되는 가우시안(Gaussian) 함수를 적용하였다. 분석 프로그램은 Arc GIS (Ver10.5) 및 SANET (Ver4.1)을 활용하였다(Okabe et al. 2006).
이론/모형
커널 밀도 추정도 탐색반경 내 로드킬의 전체 밀도만 고려하기 때문에 각 지점 간의 거리 파악이 어렵다. 따라서 본 연구는 통계적 및 시각적 로드킬 핫스팟 분석방법으로 Getis-Ord Gi*와 커널 밀도 추정을 사용하였다. Getis-Ord Gi* 분석 단위는 선행연구와 탐색적 분석을 바탕으로 300m 및 1km를 선정하였으며, 커널 분석은 커널 밀도 추정과 네트워크 커널 밀도 추정 모두 수행하였다.
격자형 자료에 대한 여러 형태의 인접규칙 중 본 연구에서는 중심 격자의 주변 이웃 격자를 최대한 고려하기 위해 8방향 이웃을 적용하였다. 또한, 커널 함수는 다양한 유형이 있으며, 본 연구에서는 일반적으로 많이 사용되는 가우시안(Gaussian) 함수를 적용하였다. 분석 프로그램은 Arc GIS (Ver10.
로드킬의 공간적 자기상관성은 국지적 공간 연관성 지수(LISA: Local Indicator of Spatial Association) 인 Getis-Ord Gi*(Getis & Ord 1992) 통계값을 활용 하여 측정하였다.
로드킬의 국지적(Local) 공간 자기상관성을 측정하기 이전에 전역적(Global)으로 공간 자기상관성이 나타나는지 확인하기 위하여 Moran’s I를 측정하였다.
로드킬 정보시스템에 접수된 일부 자료는 GPS 오차 등으로 인해 좌표가 부정확한 문제가 있는 것으로 확인되었다. 이를 보정하기 위하여 로드킬 발생 포인트가 도로에서 벗어난 경우, 가장 인접한 도로로 위치를 보정하기 위해 ArcGIS 10.5의 near 툴을 활용 하였다. 도로자료는 행정안전부에서 제공하는 새주 소도로구간 자료에서 로드킬이 조사된 도로구간을 추출하여 사용하였다.
성능/효과
Gi* 분석 결과를 종합하면, 로드킬 빈도가 높은 격자가 집중되어 있는 핫스팟 지역을 직관적으로 확인할 수 있다는 장점이 있었다. 그러나 Gi*에서 핫스팟은 해당 공간 단위 주변에 유사한 값의 공간 단위들이 인접해 있다는 것을 의미하기 때문에 그 공간 단위 자체의 속성 값 자체가 높거나 낮은지 판단하기 어렵다.
2016). 네트워크 커널 밀도 추정은 일반 커널 밀도 추정과는 달리 거리 계산 시 도로를 따라 분석을 수행하기 때문에 보다 현실에 가까운 로드킬 핫스팟 구간을 도출할 수 있다는 장점이 있었다. 분석 단위별로 보면, 300m가 1km 보다 핫스팟 구간이 더 많은 것으로 나타났다(Figure 6).
로드킬 유형 및 빈도를 보면 포유류 10종으로 513건, 조류가 8종으로 36건이 확인되었다. 여기에는 멸종 위기종 I급이자 천연기념물인 수달 로드킬이 9건, 멸종위기종 II인 삵의 로드킬이 28건, 수리부엉이 6건, 올빼미 2건이 포함되었다.
로드킬 핫스팟 분석 결과를 비교한 결과, GetisOrd Gi*는 로드킬 빈도가 높은 지역이 군집되어 있는 지역을 통계적 유의성에 기반하여 효과적으로 도 출할 수 있었으며, 또한 Z-score에 따라 우선순위를 결정할 수 있다는 장점이 있었다. 그러나 로드킬 빈도가 낮더라도 주변에 빈도가 높은 격자가 집중되어 있을 경우 같은 핫스팟 지역으로 묶이게 되기 때문에 각각의 격자별로 로드킬 빈도를 재확인이 필요하다는 한계가 있었다.
분석 결과, 300m 및 1km 모두 유의한 수준에서 강한 공간적 군집이 확인되었으며, 300m의 Z-score가 11.74이고, 1km의 Z-score가 13.33으로 1km에서 로드킬 군집경향이 보다 큰 것으로 나타났다(Table 1). 전역적 분석에서는 핫스팟의 국지적 위치를 확인할 수 없으므로 Getis-Ord Gi*를 측정하였다.
구역 단위 분석에서 로드킬의 수에 따른 공간적 분포를 확인하고, 로드킬 핫스팟 결과 분석 비교를 위한 지역을 미시적으로 파악하기 위해 도로를 따라 1km×1km 정사각형 격자 내 로드킬 빈도를 확인하였다(Figure 2). 분석 결과, 497개의 격자가 생성되었고, 로드킬 빈도수에 따른 격자 수는 1~2건이 24%(120개), 3~4건이 12%(58개), 5~6건이 4%(22개), 7~9건이 2%(9개), 그 외의 58%(288개) 격자에서는 로드킬이 나타나지 않는 것으로 집계되었다.
본 연구는 국내 환경에 적합한 로드킬 다발구간 분석방법을 비교하기 위하여 영주시, 문경시, 안동시, 청송군 로드킬 핫스팟 분석을 수행하였다. 분석 결과, 전반적인 특성은 유사하였으나, 분석 방법에 따라 일부 구간에서 차이가 존재하는 것을 알 수 있었다. 먼저 도로 1km2 격자 내 로드킬 빈도수를 확인한 결과, 7~9건의 로드킬 격자가 핫스팟으로 분석되었다.
분석 단위에 따른 결과를 보면, 300m에서는 총 1,740개의 격자가 생성되었고, 그 중 9% 해당하는 163곳의 격자가 통계적으로 유의한 핫스팟으로 나타났다(Figure 3
로드킬 유형 및 빈도를 보면 포유류 10종으로 513건, 조류가 8종으로 36건이 확인되었다. 여기에는 멸종 위기종 I급이자 천연기념물인 수달 로드킬이 9건, 멸종위기종 II인 삵의 로드킬이 28건, 수리부엉이 6건, 올빼미 2건이 포함되었다.
전역적 공간 자기상관성 지수인 Moran’s I 는 300m 보다 1km에서 군집의 경향이 더 크게 나타났고, 국지적 공간 자기상관 지수인 Getis-Ord Gi* 는 300m에서 핫스팟이 9%, 1km에서 핫스팟이 14%로 분석 되었다.
커널 밀도 추정 결과, 탐색반경에 따라 밀도표면 생성 결과가 달라지는 것을 확인할 수 있었다. 즉, 커널의 탐색반경이 넓은 1km가 300m 보다 평활한 (smooth) 밀도표면이 생성된 것을 시각적으로 확인할 수 있다(Figure 5).
특히, 봉화군-영주시-예천군으로 연결되는 28번 국도 일부, 영주시-안동시를 통과하는 5번 국도 일부, 문경시-예천군-안동시로 연결되는 34번 국도 일부 지역의 경우 격자별 로드킬 빈도수가 상당히 높은 것으로 확인되었다. 이에 Getis-Ord Gi* 도출 및 커널 밀도 추정을 실시한 후 이 지역을 중심으로 로드킬 핫스팟 여부를 파악하였다.
이에 1km 단위에서 핫스팟의 Z-score 값을 5개의 순위로 등급화한 결과, 예천군과 영주시 경계에 있는 28번 국도 구간이 Z-score 값이 가장 높게 나타나서 향후 로드킬 저감대책 수립시 우선적으로 고려해야할 지역으로 나타났다. 한편, 커널 밀도 추정은 로드킬이 빈번하게 발생하는 지역을 시각적으로 확인하는데 있어서 구역 단위 분석보다 효과적으로 활용할 수 있었다. 특히 네트워크 커널 밀도 추정은 도로를 따라 네트워크 거리 기반으로 공간적 군집지역을 분석하기 때문에 일반 커널 밀도 추정보다 현실에 더 가까운 로드킬 핫스팟 지역을 도출할 수 있을 것으로 판단된다.
후속연구
즉, 연구자가 선택한 범위 내에서 로드킬 간 거리를 파악하기 어렵다. 따라서 향후 연구에서는 로드킬 간 다중거리 분석이 가능한 K-function 함수의 적용이 필요하다(Teixeira et al. 2013; Girardet et al. 2015). 또한, 로드킬이라는 공간 데이터에 내제된 공간적 자기상관성을 효과적으로 고려할 수 있는 공간회귀분석및 포아송 등의 비모수적 통계방법(Malo et al.
05 미만인 격자를 추출하여 Z-score에 따라 5개의 범위로 등급화 한 결과이다. 예천군과 영주시 경계에 있는 28번 국도 구간에서 Z-score 값이 가장 높게 나타나 향후 로드킬 저감대책 수립시 우선적으로 고려해야할 것으로 사료된다.
이러한 내용을 종합하면, Getis-Ord Gi*는 통계 적으로 유의한 로드킬 핫스팟 지역을 확인하는 것이 가능하지만, 격자나 행정단위 등 연구목적에 따라 설정한 구역의 단위에 따라 핫스팟 상이할 수 있다는 한계가 있다. 커널 밀도 추정도 탐색반경 내 로드킬의 전체 밀도만 고려하기 때문에 각 지점 간의 거리 파악이 어렵다.
전역적 공간 자기상관성 지수인 Moran’s I 는 300m 보다 1km에서 군집의 경향이 더 크게 나타났고, 국지적 공간 자기상관 지수인 Getis-Ord Gi* 는 300m에서 핫스팟이 9%, 1km에서 핫스팟이 14%로 분석 되었다. 이에 1km 단위에서 핫스팟의 Z-score 값을 5개의 순위로 등급화한 결과, 예천군과 영주시 경계에 있는 28번 국도 구간이 Z-score 값이 가장 높게 나타나서 향후 로드킬 저감대책 수립시 우선적으로 고려해야할 지역으로 나타났다. 한편, 커널 밀도 추정은 로드킬이 빈번하게 발생하는 지역을 시각적으로 확인하는데 있어서 구역 단위 분석보다 효과적으로 활용할 수 있었다.
한편, 커널 밀도 추정은 로드킬이 빈번하게 발생하는 지역을 시각적으로 확인하는데 있어서 구역 단위 분석보다 효과적으로 활용할 수 있었다. 특히 네트워크 커널 밀도 추정은 도로를 따라 네트워크 거리 기반으로 공간적 군집지역을 분석하기 때문에 일반 커널 밀도 추정보다 현실에 더 가까운 로드킬 핫스팟 지역을 도출할 수 있을 것으로 판단된다. 그러나 커널 밀도분석의 특성상 공간적 군집지역의 통계적 유의성 도출이 어렵기 때문에 로드킬 저감대책 수립시 우선순위 결정에 있어 판단이 어렵다는 한계가 있었다.
질의응답
핵심어
질문
논문에서 추출한 답변
로드킬이란 무엇인가?
로드킬은 야생동물들이 파편화된 서식지를 이동하기 위해 도로를 횡단하는 과정에서 발생하는 ‘동물 찻길 사고’로 정의된다(NIE 2018). 우리나라 도로의 연장과 교통량은 점차 증가하고 있고, 이에 따라 로드 킬이 해마다 증가하는 상황에서 환경부, 국립공원관리공단, 국토교통부, 한국도로공사, 일부 지자체 등에서는 로드킬 예방 및 관리를 위해 로드킬 현황을 조사해왔다.
로드킬 분석 시, 커널 밀도분석을 사용하는 것의 한계는?
특히 네트워크 커널 밀도 추정은 도로를 따라 네트워크 거리 기반으로 공간적 군집지역을 분석하기 때문에 일반 커널 밀도 추정보다 현실에 더 가까운 로드킬 핫스팟 지역을 도출할 수 있을 것으로 판단된다. 그러나 커널 밀도분석의 특성상 공간적 군집지역의 통계적 유의성 도출이 어렵기 때문에 로드킬 저감대책 수립시 우선순위 결정에 있어 판단이 어렵다는 한계가 있었다.
로드킬 간 다중거리 분석이 가능한 K-function 함수의 적용을 필요로 하는, 커널 밀도 추정의 문제점은 무엇인가?
그러나 로드킬 빈도가 낮더라도 주변에 빈도가 높은 격자가 집중되어 있을 경우 같은 핫스팟 지역으로 묶이게 되기 때문에 각각의 격자별로 로드킬 빈도를 재확인이 필요하다는 한계가 있었다. 커널 밀도 추정의 경우 시각적인 로드킬 핫스팟 확인을 위해 유용하게 활용될 수 있지만, 탐색반경 내에서 로드킬 분포의 분산이 달라도 밀도 값이 같으면 동일한 값을 가진다는 한계가 있었다. 즉, 연구자가 선택한 범위 내에서 로드킬 간 거리를 파악하기 어렵다. 따라서 향후 연구에서는 로드킬 간 다중거리 분석이 가능한 K-function 함수의 적용이 필요하다(Teixeira et al.
참고문헌 (31)
Cho DH. 2013. Trends and methodological issues in spatial cluster analysis for count data. Journal of the Korean Geographical Society 48(5): 768-785. [Korean Literature]
Choi TY, Park JH. 2006. The effect of land use on frequency of mammal roadkill in Korea. Journal of the Korean Institute of Landscape Architecture 34(5): 52-58. [Korean Literature]
Clevenger AP, Chruszcz B, Gunson KE. 2003. Spatial patterns and influencing small vertebrate fauna road-kill aggregations. Biological Conservation 109: 15-26.
Gilsta D, DeVault TL, DeWoody JA. 2009. A review of mitigation measure for reducing wildlife mortality on roadways. Landscape and Urban Planning 91: 1-7.
Girardet X, Contruyt-Rogeon G, Foltete JC. 2015. Does regional landscape connectivity influence the location of roe deer roadkill hotspot?. European Journal of Wildlife Research 61(5): 731-742.
Jeong KS, Moon TH, Jeong JH. 2010. Hotspot analysis of urban crime using space-time scan statistics. Journal of Korean Association of Geographic Information Studies 13(3): 14-28.
Jo NH, Jun CM, Kang YO. 2018. A visualization of traffic accidents hotspot along the road network. Journal of Cadastre & Land InformatiX 48(1): 201-213. [Korean Literature]
Kim KM, Serret H, Clauzel C, Andersen D, Jang IK. 2019. Spatio-temporal characteristics and predictions of the endangered leopard cat Prionailirus bengalensis euptilura roadkills in the Republic of Korea. Global Ecology and Conservation 19: e00673.
Knox EG. 1989. Detection of clusters, in Elliott P ed. Methodology of Enquiries into Disease Clustering, London: Small Area Health Statistics Unit, 17-20.
Lee KJ, Tak JH, Park SI. 2014. Spatial and temporal patterns on wildlife road-kill on highway in Korea. Journal of Veterinary Clinics 31(4): 282-287. [Korean Literature]
Mohaymany AS, Shahri M, Mirbagheri B. 2013. GIS-based method for detecting high-crash-risk road segments using network kernel density estimation. Geo-spatial Information Science 16(2): 113-119.
NIE (National Institute of Ecology). 2018. Fundamental research on the conservation of national ecological network. [Korean Literature]
Oh YJ, Lee KJ. 2018. A study on the spatial correlation between roadkill and traffic accidents on roads in Chungcheongnam-do. Environmental Policy 26(2): 147-166. [Korean Literature]
Okabe A, Okunuki K, Shiode S. 2006. SANET: A Toolbox for Spatial Analysis on a Network. Geographical Analysis 38(1): 57-66.
Park SI, Lee KJ. 2015. A study on building methodology for identifying road-kill hotspots on highways and its empirical application. Journal of Korea Planners Association 50(3): 319-333. [Korean Literature]
Ramp D, Caldwell J, Edwards KA, Warton D, Croft DB. 2005. Modelling of wildlife fatality hotspots along the snowy mountain highway in new south wales, Australia. Biological Conservation 126: 472-490.
Seo CW, Thorne JH, Choi TY, Kwon HS, Park CH. 2015. Disentangling roadkill: the influence of landscape and season on cumulative vertebrate mortality in South Korea. Landscape Ecology Engineering 11: 87-99.
Seo HJ. 2017. Spatial change analysis and future prediction of urban green spaces in Dadgu - a case study of forests and grasslands -. Dissertation of Ph,D, Kyungpook National University. [Korean Literature]
Seok SM, Lee JY. 2015. A study on the correlation between road-kill hotspot and habitat patches. Journal of Environment Impact Assessment 24(3): 233-243. [Korean Literature]
Silverman BW. 1986. Probability density estimation for statistics and data analysis, Chapman and Hall, NY.
Son HG, Park KH. 2008. A spatial statistical method for exploring hotspots of house price volatility. Journal of the Korean Geographical Society 43(3): 392-411. [Korean Literature]
Teixeira FZ, Coelho IP, Esperandio IB, Oliveira NR, Peter FP, Dornelles SS, Delazeri NR, Tavares M, Martins MB, Kindel A. 2013. Are road-kill hotspots coincident among different vertebrate groups?. Oecologia Australis 17(1): 36-47.
Xie Z, Yan J. 2008. Kernel density estimation of traffic accidents in a network space. Computers, Environment, and Urban System 35(5): 396-406.
Xie Z, Yan J. 2013. Detecting traffic accident clusters with network kernel density estimation and local spatial statistics : an integrated approach. Journal of Transport Geography 31: 64-71.
Yang JH, Kim JO, Yu KY. 2016. A selection of high pedestrian accident zones using traffic accident data and GIS : a case study of Seoul. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Catography 34(3): 221-230. [Korean Literature]
※ AI-Helper는 부적절한 답변을 할 수 있습니다.