MaxEnt 모형을 이용한 소나무 잠재분포 예측 및 환경변수와 관계 분석 Predicting the Potential Distribution of Pinus densiflora and Analyzing the Relationship with Environmental Variable Using MaxEnt Model원문보기
본 연구는 기후변화에 따른 소나무 잠재분포변화 예측 및 환경요인과의 관계를 파악하기 위한 목적으로 수행되었다. 입력자료인 종속변수는 1:5,000 임상도에서 추출한 소나무 출현자료를 사용하였으며, 독립변수는 RCP 시나리오 기후자료 및 임상도, 입지도에서 추출한 기후, 입지, 생육환경자료 등 총 14개의 환경요인 변수를 사용하였다. 이러한 입력자료를 바탕으로 생태적 지위 개념을 기반으로 한 종 분포 모형 중 하나인 MaxEnt (Maximum EntropyModeling) 모형을 구동하여 미래의 소나무 잠재분포를 예측하였다. 분석결과 training AUC (Area Under Curve)가 0.79로 우수한 수준의 정확도를 보였으며 현존 소나무 분포 자료와 유사한 현재 잠재분포 결과를 보였다. RCP 시나리오를 적용한 결과 소나무 잠재분포지는 시간이 지남에 따라 지속적으로 감소할 것으로 나타났으며 RCP8.5 기준으로 2050년과 2070년에 각각 11.1%, 18.7%의 잠재분포지가 줄어들 것으로 예측되었다. 입력자료의 소나무 잠재분포 판단에 대한 기여도는 계절기온, 고도, 겨울철 기온 등이 높게 나타났다. 본 연구의 결과는 기후변화로 인한 소나무림 보전 및 대책 수립을 위한 기초자료로 활용될 것으로 판단된다.
본 연구는 기후변화에 따른 소나무 잠재분포변화 예측 및 환경요인과의 관계를 파악하기 위한 목적으로 수행되었다. 입력자료인 종속변수는 1:5,000 임상도에서 추출한 소나무 출현자료를 사용하였으며, 독립변수는 RCP 시나리오 기후자료 및 임상도, 입지도에서 추출한 기후, 입지, 생육환경자료 등 총 14개의 환경요인 변수를 사용하였다. 이러한 입력자료를 바탕으로 생태적 지위 개념을 기반으로 한 종 분포 모형 중 하나인 MaxEnt (Maximum Entropy Modeling) 모형을 구동하여 미래의 소나무 잠재분포를 예측하였다. 분석결과 training AUC (Area Under Curve)가 0.79로 우수한 수준의 정확도를 보였으며 현존 소나무 분포 자료와 유사한 현재 잠재분포 결과를 보였다. RCP 시나리오를 적용한 결과 소나무 잠재분포지는 시간이 지남에 따라 지속적으로 감소할 것으로 나타났으며 RCP8.5 기준으로 2050년과 2070년에 각각 11.1%, 18.7%의 잠재분포지가 줄어들 것으로 예측되었다. 입력자료의 소나무 잠재분포 판단에 대한 기여도는 계절기온, 고도, 겨울철 기온 등이 높게 나타났다. 본 연구의 결과는 기후변화로 인한 소나무림 보전 및 대책 수립을 위한 기초자료로 활용될 것으로 판단된다.
Decline of pine forests happens in Korea due to various disturbances such as insect pests, forest fires and extreme climate, which may further continue with ongoing climate change. For conserving and reestablishing pine forests, understanding climate-induced future shifts of pine tree distribution i...
Decline of pine forests happens in Korea due to various disturbances such as insect pests, forest fires and extreme climate, which may further continue with ongoing climate change. For conserving and reestablishing pine forests, understanding climate-induced future shifts of pine tree distribution is a critical concern. This study predicts future geographical distribution of Pinus densiflora, using Maximum Entropy Model (MaxEnt). Input data of the model are locations of pine tree stands and their environmental variables such as climate were prepared for the model inputs. Alternative future projections for P. densiflora distribution were conducted with RCP 4.5 and RCP 8.5 climate change scenarios. As results, the future distribution of P. densiflora steadily decreased under both scenarios. In the case of RCP 8.5, the areal reductions amounted to 11.1% and 18.7% in 2050s and 2070s, respectively. In 2070s, P. densiflora mainly remained in Kangwon and Gyeongsang Provinces. Changes in temperature seasonality and warming winter temperature contributed primarily for the decline of P. densiflora., in which altitude also exerted a critical role in determining its future distribution geographic vulnerability. The results of this study highlighted the temporal and spatial contexts of P. densiflora decline in Korea that provides useful ecological information for developing sound management practices of pine forests.
Decline of pine forests happens in Korea due to various disturbances such as insect pests, forest fires and extreme climate, which may further continue with ongoing climate change. For conserving and reestablishing pine forests, understanding climate-induced future shifts of pine tree distribution is a critical concern. This study predicts future geographical distribution of Pinus densiflora, using Maximum Entropy Model (MaxEnt). Input data of the model are locations of pine tree stands and their environmental variables such as climate were prepared for the model inputs. Alternative future projections for P. densiflora distribution were conducted with RCP 4.5 and RCP 8.5 climate change scenarios. As results, the future distribution of P. densiflora steadily decreased under both scenarios. In the case of RCP 8.5, the areal reductions amounted to 11.1% and 18.7% in 2050s and 2070s, respectively. In 2070s, P. densiflora mainly remained in Kangwon and Gyeongsang Provinces. Changes in temperature seasonality and warming winter temperature contributed primarily for the decline of P. densiflora., in which altitude also exerted a critical role in determining its future distribution geographic vulnerability. The results of this study highlighted the temporal and spatial contexts of P. densiflora decline in Korea that provides useful ecological information for developing sound management practices of pine forests.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 모형결과는 입력자료를 바탕으로 한 시뮬레이션 결과일 뿐 확정적인 것은 아니다. 그러므로 여러 방법과 자료를 활용한 모형연구와 이를 뒷 받침해줄 다양한 기초자료구축의 필요성을 다시 한번 밝히는 바이다. 본 연구결과는 기후변화 시나리오에 따른 소나무 잠재분포를 모델링을 통해 예측함으로써 향후 소나무 보전 및 대책 마련의 의사결정의 참고자료로 활용될 수 있는 점에서 의미가 있다.
높은 기여도와 중요도를 보인 변수들에 대해 잠재 분포지 판단에 있어 어떻게 작용하였는지 파악하기 위해 각 변수의 반응곡선을 살펴보았다. BIO4는 월 평균 기온의 표준편차(Standard Deviation, SD) * 100 값으 로 계절에 따른 기온차이의 정도를 나타낸다.
본 연구는 생육, 입지, 기후환경요소를 바탕으로 MaxEnt 모형을 이용하여 소나무 잠재분포예측 및 환경요인변수와의 관계에 대해 분석하였다. 연구결과 현존 소나무 잠재분포는 서울, 경기를 제외하고 고도 1,100 m 이하에서 경북을 중심으로 넓은 분포를 보이는 기존 소나무 분포와 유사하게 나타났다.
환경요인변수와의 관계를 보기 위해 모형의 잠재분포예측에 높은 기여도(Percent Contribution)와 중요도(Permutation Importance)를 보인 변수에 대해 살펴보 았다. 기여도의 경우 DEM(33.
제안 방법
이러한 메커니즘과 관련하여 영급이 높은 큰 나무들은 고온으로 인한 호흡량 증가에 민감할 것이며 수관밀도 가 높은 곳에 사는 나무들은 가뭄으로 인한 생산량 저하에 상대적으로 취약 할 수 있기 때문에 영급과 수관밀도 변수를 추가하였다. 결과적으로 본 연구에 사용된 입력자료는 기후, 입지, 생육환경요소를 모두 포함하여 총 14개의 독립변수를 사용하였다.
본 연구에서는 다양한 기후변화 예측모델(Global Climate Model, GCM) 중 기상청 기후변화정보센터(Climate Change Information Center, CCIC)에서 선정한 HadGEM2- AO 모형을 적용한 RCP 시나리오의 Bioclimatic자료를 수집하였다. 기후변화에 따른 소나무 분포변화를 비교하기 위해 가까운 미래(average for 2041-2060, 2050년)와 먼 미래(average for 2061- 2080, 2070년) 자료 또한 각각 구축하였다. 19개의 변수들에 대해 다 중공선성(Multicolloneartiy)을 제거하기 위해 상관분석을 실시하여 상관계수 값(Pearson correlation coefficient; r≥0.
MaxEnt 모형은 출현자료를 점(point) 좌표형태로 각 출현지점에 대한 위도와 경도 값을 요구하므로, 입지 구획(polygon)형태로 구성되어 있는 임상도 자료를 점 형태로 변환하는 전처리 과정을 수행하였다. 먼저, 입지구획 형태의 임상도에 격자화(Rasterization)를 수행 하여 1 km x 1 km 격자자료로 변환하였다. 변환과정에서 한 격자 내 가장 많은 비율을 차지하는 속성정보를 선정하여 격자속성을 결정하는 방식을 취하였다.
생물기후변수는 식생의 생 리와 관계가 깊은 기후환경변수로 연평균 기온, 강수량 외에도 계절 또는 극한시기의 기온 및 강수량도 포함되어 총 19개로 구성되어 있다. 미래 기후자료는 앞으로 다가올 기후변화에 대비하여 IPCC 5차 평가보고서(AR5)에서 온실가스 저감 정책이 상당히 실행되는 RCP 4.5 경우와 현재 추세로 저감 없이 온실가스가 배출되는 경우인 RCP 8.5자료를 각각 사용하여 미래의 소나무 잠재분포를 평가하였다. 본 연구에서는 다양한 기후변화 예측모델(Global Climate Model, GCM) 중 기상청 기후변화정보센터(Climate Change Information Center, CCIC)에서 선정한 HadGEM2- AO 모형을 적용한 RCP 시나리오의 Bioclimatic자료를 수집하였다.
먼저, 입지구획 형태의 임상도에 격자화(Rasterization)를 수행 하여 1 km x 1 km 격자자료로 변환하였다. 변환과정에서 한 격자 내 가장 많은 비율을 차지하는 속성정보를 선정하여 격자속성을 결정하는 방식을 취하였다. 그 후 생성된 격자형 자료에 속성정보가 소나무로 판단된 격자의 중심좌표를 추출하여 표 형태로 정리하여 MaxEnt 모형에 사용하였다.
본 연구에서는 Maximum Entropy Model (MaxEnt) 모형을 이용해 기후변화에 따른 국내의 소나무 분포의 변화를 예측하고, 변화의 주요 결정요인을 판별하였다. MaxEnt 모형은 생태계 지위 모형(Ecological niche model) 중의 하나로 Berger et al.
, 2008). 이러한 메커니즘과 관련하여 영급이 높은 큰 나무들은 고온으로 인한 호흡량 증가에 민감할 것이며 수관밀도 가 높은 곳에 사는 나무들은 가뭄으로 인한 생산량 저하에 상대적으로 취약 할 수 있기 때문에 영급과 수관밀도 변수를 추가하였다. 결과적으로 본 연구에 사용된 입력자료는 기후, 입지, 생육환경요소를 모두 포함하여 총 14개의 독립변수를 사용하였다.
MaxEnt 모형결과는 소나무 잠재 분포를 예측하고 환경변수와의 관계를 파악하는 데에 유의미한 단서를 제공하고, 향후 타 모형을 이용한 연구결과들과의 비교 또는 앙상블(Ensemble) 분석에 활용될 수 있다. 이를 위해 MaxEnt 모형에 기후, 입지, 생육환경자료 등을 입력하여 현존 소나무의 잠재분포 지를 모의하고 환경변수와의 관계를 파악하였으며, 미래 기후변화에 시나리오(Representative Concentration Pathway, RCP)를 바탕으로 기후변화에 따른 소나무 잠재분포지의 변화를 예측하였다.
그 결과, 총 8개의 변수가 선정되었다. 입지변수는 고도, 경사, 방위, 토심 등 4개의 변수를 사용하였으며 고도, 경사, 방위는 한반도 수치표고모델(Digital Elevation Model, DEM)에서 토심은 산림청에서 제공하는 산림입지토양도(1:5000)에서 각각 추출하였다. 생육변수의 경우, 임상도에서 추출한 영급, 수관밀도 자료를 사용하였다.
대상 데이터
MaxEnt 모형은 https://biodiversityinformatics. amnh.org/open_source/maxent/에서 무료로 다운받을 수 있으며 본 연구에서는 3.4.1 버전의 MaxEnt 모형을 다운받아 사용하였다. MaxEnt 모형의 구동을 위한 종속변수자료는 위도, 경도가 포함된 CSV 형식의 출현 자료가 필요하며 독립변수자료는 지리적 범위 및 공간 해상도를 동일하게 맞춘 ascii 형식의 격자형 자료가 필요하다.
, 2015). 그 결과, 총 8개의 변수가 선정되었다. 입지변수는 고도, 경사, 방위, 토심 등 4개의 변수를 사용하였으며 고도, 경사, 방위는 한반도 수치표고모델(Digital Elevation Model, DEM)에서 토심은 산림청에서 제공하는 산림입지토양도(1:5000)에서 각각 추출하였다.
본 연구에서 사용한 소나무 출현자료는 산림청에서 제공하는 1:5000 대축척 임상도(2009∼2013년)에서 소나무 천연림 지역만 추출하여 분석에 사용하였다.
5자료를 각각 사용하여 미래의 소나무 잠재분포를 평가하였다. 본 연구에서는 다양한 기후변화 예측모델(Global Climate Model, GCM) 중 기상청 기후변화정보센터(Climate Change Information Center, CCIC)에서 선정한 HadGEM2- AO 모형을 적용한 RCP 시나리오의 Bioclimatic자료를 수집하였다. 기후변화에 따른 소나무 분포변화를 비교하기 위해 가까운 미래(average for 2041-2060, 2050년)와 먼 미래(average for 2061- 2080, 2070년) 자료 또한 각각 구축하였다.
입지변수는 고도, 경사, 방위, 토심 등 4개의 변수를 사용하였으며 고도, 경사, 방위는 한반도 수치표고모델(Digital Elevation Model, DEM)에서 토심은 산림청에서 제공하는 산림입지토양도(1:5000)에서 각각 추출하였다. 생육변수의 경우, 임상도에서 추출한 영급, 수관밀도 자료를 사용하였다. 영급과 수관밀도를 분석에 추가한 이유는 수목의 고사 메커니즘과 관련이 있다.
현재기후자료(1970∼2000년)는 WorldClim version 2.0(http://www.worldclim.org/)의 30 seconds(∼1 km2 ) 공간해상도의 생물기후변수(Bioclimatic variables)자료를 다운받아 사용하였다.
환경변수자료는 크게 세 가지로 기후(현재, 미래), 입지, 생육특성을 고려한 자료를 사용하였다(Table 1). 현재기후자료(1970∼2000년)는 WorldClim version 2.
데이터처리
0의 값으로 나타낸다. 또한, 소나무 잠재분포에 영향을 주는 변수들의 중요도는 Jackknife 검증을 통해 평가하였다(Phillips et al., 2006). 모형의 결과에서는 기여도(Percent Contribution)와 중요도 (Permutation Importance)를 각각 제공해주며, 기여도는 모형의 훈련과정에서 각 변수의 기여도를 바꿔가며 최적의 결과에 도출할 수 있도록 하는 방법이며, 중요 도는 무작위 자료에 대한 모형 훈련 시 AUC 값을 감소시키는 변수의 중요성을 나타낸다(Choi et al.
Maxent 모형은 잠재분포 가능성을 0∼1의 범위를 갖는 확률로서 제공하며, 1에 가까울수록 분포 또는 출현 가능성이 높다는 것을 의미한다. 모형의 검증은 수신자 조작 특성(Receiver Operating Characteristic, ROC)의 곡선 하위 면적(Area Under Curve, AUC)를 이용하여 평가하였다. AUC는 참 값을 참 값으로 예측하는지 혹은 거짓 값을 참 값으로 예측하는지를 나타내는 척도로 판별이 불가능한 우연한 경우에 대해서는 최소 값인 0.
이론/모형
MaxEnt 모형은 생태계 지위 모형(Ecological niche model) 중의 하나로 Berger et al.(1996)에 의해 소개된 최대 엔트로피 접근법(Maximum entropy approach)을 바탕으로 하는 기계학습(Machine learning) 모형이다. 이 모형은 종(혹은 개체)의 출현자료를 이용해 종(혹은 개체)의 지리적 분포를 예측하는 데에 높은 정확도를 보이는 것으로 알려져 있다(Phillips et al.
변환과정에서 한 격자 내 가장 많은 비율을 차지하는 속성정보를 선정하여 격자속성을 결정하는 방식을 취하였다. 그 후 생성된 격자형 자료에 속성정보가 소나무로 판단된 격자의 중심좌표를 추출하여 표 형태로 정리하여 MaxEnt 모형에 사용하였다. 본 연구에서는 임상도 자료 내 소나무 자료만 활용하였으며 해송은 제외하였다.
성능/효과
, 2015). BIO4 반응곡선에서 계절에 따른 기온의 변이가 크거나 작은 경우 잠재분포확률이 감소하는 경향을 보였으며 BIO6의 경우에 겨울철 기온의 상승은 급격한 잠재분포확률 감소를 보였다. 이는 강원 고산지역과 같이 기온이 매우 낮은 지역을 제외하고 여름과 겨울의 기온차이가 작거나 겨울철 기온이 높은 지역은 소나무 분포가 적합하지 않은 곳으로 판단한 것을 의미한다.
MaxEnt 모형의 정확도는 전체 소나무 출현자료를 무작위로 7:3으로 나눠 각각 Training과 Test에 사용하는 과정을 10회 반복하였을 때 Training ROC의 AUC 값은 0.79로 나타났으며 Test AUC 값은 0.77(SD = 0.014)로 산출되었다. 일반적으로 AUC 값이 0.
RCP 4.5시나리오상 소나무 잠재분포지는 2050년에 전체면적의 5.3%가 2070년에는 12.3%가 감소할 것으로 나타났으며 RCP 8.5의 경우 2050년에 11.1%가 2070년에는 18.7%의 면적이 감소하는 결과가 산출되었다.
RCP 4.5와 RCP 8.5 기후변화 시나리오의 결과 우리나라 평균기온은 지속적으로 상승할 것으로 보이며 (NIFOS, 2014), RCP8.5기준 2070년 평균기온은 4.3°C 강수량은 약 160 mm가량 상승할 것으로 보인다(Table 2).
RCP 4.5와 RCP 8.5시나리오를 적용한 결과 소나무 잠재분포지는 감소하는 양상을 보였으며, RCP 4.5에 비해 RCP 8.5에서 더 빠르게 감소하였다(Fig. 2).
환경요인변수와의 관계를 보기 위해 모형의 잠재분포예측에 높은 기여도(Percent Contribution)와 중요도(Permutation Importance)를 보인 변수에 대해 살펴보 았다. 기여도의 경우 DEM(33.8%), BIO4(32.7%), BIO6(11.0%) 순으로 높은 값을 보였으며, 중요도의 경우 BIO4(45.8%), DEM(15.9%), BIO6(15.7%)이 중요한 변수로 나타났다. 이외에 다른 변수들은 10% 이하의 낮은 값을 보였다.
, 2015). 모형에서 예측된 잠재분포확률을 기준 값을 이용해 서식 적합/부적합지로 구분하였을 때 현재 기후환경조건에서 우리나라의 소나무 잠재분포 가능성이 있는 면적은 1,421,760 ha로 산림청에서 제공하는 전국 소나무림 면적 1,337,680ha (KFS, 2016) 보다 약 6%(84,080 ha) 큰 면적이 산출되었다. 지역별로 비교하였을 때 경기, 강원 등 북부지역은 잠재분포면적이 과소모의 되었으며, 중부 및 남부지역은 과대모의 되었다.
그 다음으로는 영양, 청 송, 영천, 청도, 영덕순으로 높은 값을 보였다. 반대로 잠재분포 값이 낮은 지역은 대부분 서울 및 경기에 속하는 의정부, 강남, 하남 등으로 0.04 수준의 값이 나타났다. 본 연구에서는 소나무 서식 적합/부적합 지역을 구분하기 위해 “Equal training sensitivity and specificity”을 통해 산출된 기준 값(0.
BIO4는 월 평균 기온의 표준편차(Standard Deviation, SD) * 100 값으 로 계절에 따른 기온차이의 정도를 나타낸다. 반응곡선에서 계절기온 값이 일정수준이상 증가하거나 감소 하면 잠재분포 가능성이 낮아지는 형태의 곡선을 보였 다(Fig. 4). DEM 변수 곡선에서는 고도가 높은 고산지 대를 제외하고 대부분 높은 잠재분포확률 값을 보였 다.
본 연구결과에 있어 특기할 만한 점은 소나무 잠재분 포지 판단에 있어 계절기온(Temperature Seasonality) 또는 최저기온(Min Temperature of Coldest Month) 이 중요한 요인으로 나타났다는 것이다. 선행연구에서도 1월 평균기온, 최고 한기 기온, 최저온도지수 (Minimum Temperature of the Coldest Month Index, MTCI) 등이 소나무 잠재분포판단에 주요변수로 나타난 바 있다(Lee et al.
본 연구는 생육, 입지, 기후환경요소를 바탕으로 MaxEnt 모형을 이용하여 소나무 잠재분포예측 및 환경요인변수와의 관계에 대해 분석하였다. 연구결과 현존 소나무 잠재분포는 서울, 경기를 제외하고 고도 1,100 m 이하에서 경북을 중심으로 넓은 분포를 보이는 기존 소나무 분포와 유사하게 나타났다. 선행연구 중 MaxEnt 모형과 함께 널리 사용되는 종 분포 모형인 GARF를 이용한 현존 소나무 잠재분포결과와 비교하 였을 때 경기, 강원 영서를 제외하고 중부와 남부지방에 넓게 분포하는 형태는 비슷하였지만 전라, 충청의 MaxEnt 잠재분포확률은 0.
MaxEnt 모형을 통해 전국 소나무 잠재분포지를 모의하였으며 잠재분포지도의 각 격자는 입력된 기후, 입지, 생육조건을 바탕으로 모형이 판단한 소나무 서식확률인 잠재분포확률 값을 가지고 있다. 잠재분포확률은 경상, 전라, 강원 영동지역에서 높은 값을 보였으며, 서울, 경기는 평균 0.21정도의 낮은 잠재분포 값을 보였다. 시⋅군 별로 비교하였을 때 전국에서 가장 높은 잠재분포 값을 보인 곳은 경북 울진으로 0.
7%의 면적이 감소하는 결과가 산출되었다. 지역적으로 비교하였을 때 충남, 전북, 강원 순으로 각각 47.6%, 27.5%, 26.7% 의 높은 감소율을 보였으며, 면적으로 환산하였을 때 잠재분포지가 가장 많이 감소한 지역은 강원, 전북, 경북으로 각각 47,400 ha 44,300 ha, 33,000 ha의 면적 이 감소하였다.
후속연구
, 2013; Song, 2015). MaxEnt 모형결과는 소나무 잠재 분포를 예측하고 환경변수와의 관계를 파악하는 데에 유의미한 단서를 제공하고, 향후 타 모형을 이용한 연구결과들과의 비교 또는 앙상블(Ensemble) 분석에 활용될 수 있다. 이를 위해 MaxEnt 모형에 기후, 입지, 생육환경자료 등을 입력하여 현존 소나무의 잠재분포 지를 모의하고 환경변수와의 관계를 파악하였으며, 미래 기후변화에 시나리오(Representative Concentration Pathway, RCP)를 바탕으로 기후변화에 따른 소나무 잠재분포지의 변화를 예측하였다.
이는 미래 소나무 분포지와 결정요인에 대한 우리의 이해가 아직 부족하다는 것을 의미한다. 보다 다양한 방법과 상이한 자료들을 이용해 대안적 기초자료를 생산함으로써 보다 종합적인 예측과 해석 정보를 개발할 필요가 있다.
그럼에도 불구하고 본 연구의 현존 소나무 잠재분포 결과는 일부 도시 및 해안을 제외하고 실제 소나무 분포자료와 비 슷한 수준의 값을 보였다. 이는 기후변화 시나리오에 의한 잠재분포변화 예측에 있어 유의미한 결과를 제공 할 수 있을 것이라고 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
급격한 기온상승이 끼칠 영향으로 예상되는 것은?
, 2006; IPCC, 2014; Lim, 2016). 이러한 급격한 기온상승은 산림생 태계의 구조와 기능에 영향을 주는 교란으로 작용할 것이며, 산림의 점유비율이 큰 우리나라에서는 산림생태계 변화로 인한 국토 자연자원 관리의 상당한 불확실성에 직면할 것으로 예상된다(Kim et al., 2017a).
소나무(Pinus densiflora)의 특징은?
소나무(Pinus densiflora)는 다른 수종에 비해 건조한 토양에 잘 적응하여 척박하고 비옥한 곳까지 넓은 생존분포를 보이며 단일 수종으로는 국내에서 가장 넓 은 면적을 차지하고 있다(NIFOS, 2012). 이에 소나무는 오랜 세월 동안 우린 민족의 곁에서 다방면으로 활용되어 왔지만 최근 병해충, 산불피해, 기후변화, 자 연천이, 인위적 요인 등 다양한 이유로 인해 소나무가 빠르게 감소하고 있다(Kim et al.
기후변화에 따라 산림생태계가 어떻게 변할 수 있는가?
기후변화에 따라 산림생태계가 어떻게 변화할지에 관심이 갈수록 커지고 있다. 기후변화가 진행됨에 따라 숲을 이루는 종들의 구성이 변화하여 궁극적으로 특정 식생대의 지리적 이동이 발생할 수 있다(Mather and Yoshioka, 1968; Stephenson, 1990; Zhang et al., 2004; Allen et al.
참고문헌 (34)
Allen, C. D., A. K. Macalady, H. Chenchouni, D. Bachelet, N. McDowell, M. Vennetier, T. Kitzberger, A. Rigling, D. D. Breshears, and E. T. Hogg, 2010: A global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests. Forest Ecology and Management 259(4), 660-684.
Berger, A. L., S. A. D. Pietra, and V. J. D. Pietra, 1996: A maximum entropy approach to natural language processing. Computational Linguistics 22(1), 39-71.
Bertrand, R., J. Lenoir, C. Piedallu, G. Riofrio-Dillon, P. Ruffray, C. Vidal, J.-C. Pierrat, and J.-C. Gegout, 2011: Change in plant community composition lag behind climate warming in lowland forests. Nature 479, 517-520.
Choi, J., P. S. Lee, and S. H. Lee, 2015: Anticipation of the future suitable cultivation areas for Korean pines in Korean peninsula with climate change. Journal of Korean Society of Environmental Restoration Technology 18(1), 103-113. (in Korea with English abstract)
Chun, J. H., and C.-B. Lee, 2013: Assessing the effects of climate change on the geographic distribution of Pinus densiflora in Korea using ecological niche model. Agricultural and Forest Meteorology 15(4), 219-233. (in Korea with English abstract)
Franklin, J., 2009: Mapping species distributions: spatial inference and prediction. Cambridge University Press.
IPCC, 2014: Synthesis Report. Conrtibution of Working Group I, II and III to the Firth Assessment Report of the Intergovernmental Panel on Climate Change (Core Writign Team, R. K. Rachauri, and L. A. Meyer, eds). IPCC, Geneva, Switzerland, 151pp.
Kang, S. K., J.-H. Lim., E. S. Kim, and N. H. Cho, 2016: Modelling analysis of climate and soil depth effects on pine tree dieback in Korea using BIOME-BGC. Korean Journal of Agricultural and Forest Meteorology 18(4), 242-252. (in Korea with English abstract)
Kim, D. W., J. C. Park, and D.-H. Jang, 2017a: Analysis of the possibility for drought detection of spring season using SPI and NDVI. Journal of the association of Korean geographers 6(2), 165-174. (in Korea with English abstract)
Kim, H. G., D.-K. Lee, Y. W. Mo, S. H. Kil, P. Chan, and S. J. Lee, 2013: Prediction of landslides occurrence probability under climate change using MaxEnt model. Journal of Environmental Impact Assessment 22(10), 30-50. (in Korea with English abstract)
Kim, J. B., E. S. Kim, and J.-H. Lim, 2017b: Topographic and meteorological characteristics of pinus densiflora dieback areas in Sogwang-Ri, Uljin. Korean Journal of Agricultural and Forest Meteorology 19(1), 10-18. (in Korea with English abstract)
Kim, K. T., and J. S. Park, 2006: Correlation analysis of vegetation index and drought index. Wetlands research 8(1), 49-58. (in Korea with English abstract)
Kim, T.-G., Y. G. Cho, and J.-G. Oh, 2015: Prediction model of pine forests' distribution change according to climate change. Korean Society of Limnology 48(4), 229-237. (in Korea with English abstract)
KEI(Korea Environment Institute), 2001: Climate change impacts assessment and adaptation measures on ecosystem. II - Forest eco-climate model development. 107pp.
KFS(Korea Forest Service), 2016: Survey Report of National pine forest Resources. 9pp.
KFS(Korea Forest Service), 2017: National pine forest monitoring. 1pp.
Kumar, S., J. Graham, A. M. West, and P. H. Evangelista, 2014: Using district-level occurrences in maxent for predicting the invasion potential of an exotic insect pest in India. Computers and Electronics in Agriculture 103, 55-62.
Lee, H. W., 2012: Prediction of Spatial Distribution and Forest Carbon Storage on Pinus densiflora and Quercus spp. Stands in Korea using 4th Forest Cover Map and HyTAG Model (Master Dissertation, Korea University, South Korea) (in Korea with English abstract)
Lee, S.-H., P. S.-H. Lee, S. A. Lee, S.-Y. Ji, and J. Choi., 2015: Predicting the changes in cultivation areas of walnut trees (Juglans sinensis) in Korea due to climate change impacts. Korean Journal of Agricultural and Forest Meteorology 17(4), 399-410. (in Korea with English abstract)
Lim, J.-H., 2016: Climate change-induced dieback of evergreen conifers in Korea and options for adaptation. Proceedings of 2016 International Climate Change Adaptation Symposium on Forest Management for Enhancing Resilience to Climate Change, Seoul, Korea. 53-76.
Lee, Y.-H., Y.-J. Oh, S.-H. Hong, C.-S. Na, Y.-E. Na, C.-S. Kim, and S.-I. Sohn, 2015: Predicting the suitable habitat of invasive alien plant Conyza bonariensis based on climate change scenarios. Climate Change Research 6(3), 243-248. (in Korea with English abstract)
Mather, J. R., and G. A. Yoshioka, 1968: The role of climate in the distribution of vegetation. Journal of the Association of American Geographers 58, 29-41.
McDowell, N., W. T. Pockman, C. D. Allen, D. D. Breshears, N. Cobb, T. Kolb, J. Plaut, J. Sperry, A. West, D. G. Williams, and E. A. Yepez, 2008: Mechanisms of plant survival and mortality during drought: why do some plants survive while others succumb to drought? New Phytologist 178, 719-739.
NIFOS(National Institute of Forest Science), 2012: Economic Species (1) Pine tree. 250.
NIFOS(National Institute of Forest Science), 2014: Predicting Changes of Productive Areas for Major Species under Climate Change in Korea.
Phillips, S. J., R. P. Anderson, and R. E. Schapire, 2006: Maximum entropy modeling of species geographic distributions. Ecological Modelling 190, 231-259.
Phillips, S. J., and M. Dudik, 2008: Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation. Ecography 1, 161-175.
Rosas, T., L. Galiano, R. Ogaya, J. Penuelas, and J. M. Vilalta, 2013: Dynamics of non-structural carbohydrates in three Mediterranean woody species following long-term experimental drought. Frontiers in Plant Science 4, 400pp.
Seo, D. J., C.Y. Oh, K. S. Woo, and J. C. Lee., 2013: A study on ecological niche of Pinus densiflora forests according to the environment factors. Korean Journal of Agricultural and Forest Meteorology 15(3), 153-160. (in Korea with English abstract)
Song, W. K., 2015: Habitat analysis of Hyla suweonensis in the breeding season using species distribution modeling. Journal of Korean Society of Environmental Restoration Technology 18(1), 71-82. (in Korea with English abstract)
Stephenson, N., 1990: Climatic control of vegetation distribution: The role of the water balance. The American Naturalist 135(5), 649-670.
Thuiller, W., 2003: BIOMOD-optimizing predictions of species distributions and projecting potential future shifts under global change. Global Change Biology 9(10), 1353-1362.
Walther, G. R., E. P. Convery, A. Menzel, C. Parmesan, R. J. C. Beebee, J. M. Fromentin, O. Hoegh-Guldberg, and F. Bairlein, 2002: Ecological responses to recent climate change. Nature 416, 389-395.
Zhang, X., M. A. Friedl, C. B. Schaaf, and A. H. Strahler, 2004: Climate controls on vegetation phonological patterns in northern mid- and high latitudes inferred from MODIS data. Journal of Global change biology 10, 1133-1145.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.