[논문]울진 소광리 금강소나무 고사발생 특성 분석 및 위험지역 평가

김은숙; 이보라; 김재범; 조낭현; 임종환

doi:10.14578/jkfs.2020.109.3.259

울진 소광리 금강소나무 고사발생 특성 분석 및 위험지역 평가
Risk Assessment of Pine Tree Dieback in Sogwang-Ri, Uljin 원문보기

한국산림과학회지 = Journal of korean society of forest science, v.109 no.3, 2020년, pp.259 - 270

김은숙 (국립산림과학원 기후변화생태연구과) , 이보라 (국립산림과학원 기후변화생태연구과) , 김재범 (강원연구원) , 조낭현 (강원대학교 환경학과) , 임종환 (국립산림과학원 기후변화생태연구과)

초록
AI-Helper

최근 20년 동안 고온, 건조 등 이상기상 현상이 빈발해지면서 병해충으로 인한 피해가 아닌 생리적 스트레스로 인한 소나무 피해 사례가 지속적으로 보고되고 있다. 2014년도에는 울진 소광리 산림유전자원보호구역 내에 금강소나무(Pinus densiflora for. erecta Uyeki)의 집단고사가 발견되어 이에 대한 원인 구명과 산림관리방안 마련이 요구되었다. 이에 본 연구는 2008~2015년 항공사진에서 발견된 울진 소광리 금강소나무 고사 피해 발생 지역의 지형 및 임분 특성을 파악하여 고사 발생의 영향 요인을 도출하고 이를 기반으로 전체 지역의 고사피해 발생 위험지역을 예측하는 것을 목표로 하였다. 소나무 고사발생 지점 정보와 해발고도, 경사 등의 지형정보, 영급, 경급 등의 임분 정보 등 총 14개의 설명변수를 이용하여 고사발생 예측모델을 구축하였다. 모형 개발에는 Decision Tree, Random Forest (RF), Support Vector Machine (SVM) 등 기계학습 기법을 적용하였으며, RF와 SVM가 정확도 93% 이상으로 좋은 성능을 보였다. 소나무 고사와 관련된 주요 변수 분석 결과, 소나무 고사의 지형적인 취약지역은 해발고도가 높은 동시에 일사량이 높으며 수분 조건이 불리한 지역이었으며, 임분 특성 중에서는 특히 5~15m 높이의 수직적 임분밀도가 높은 소나무림, 그리고 영급이 높은 소나무림에서 고사 위험성이 높다고 평가되었다. RF와 SVM 모형 예측에 따라, 소나무 고사위험도가 높은 지역의 면적은 연구대상지 전체 소나무림 면적의 약 9.5%, 115ha로 평가되었다. 본 연구의 고사위험도 평가 결과는 금강소나무 취약지역의 현황을 조사하고 아직 피해가 발생하지 않은 취약지역에 대한 적극적인 기후변화 적응 산림관리를 수행하기 위한 기반자료로 활용될 수 있다.

Abstract ▼ AI-Helper

Extreme weather events, such as heat and drought, have occurred frequently over the past two decades. This has led to continuous reports of cases of forest damage due to physiological stress, not pest damage. In 2014, pine trees were collectively damaged in the forest genetic resources reserve of Sogwang-ri, Uljin, South Korea. An investigation was launched to determine the causes of the dieback, so that a forest management plan could be prepared to deal with the current dieback, and to prevent future damage. This study aimedto 1) understand the topographic and structural characteristics of the area which experienced pine tree dieback, 2) identify the main causes of the dieback, and 3) predict future risk areas through the use of machine-learning techniques. A model for identifying risk areas was developed using 14 explanatory variables, including location, elevation, slope, and age class. When three machine-learning techniques-Decision Tree, Random Forest (RF), and Support Vector Machine (SVM) were applied to the model, RF and SVM showed higher predictability scores, with accuracies over 93%. Our analysis of the variable set showed that the topographical areas most vulnerable to pine dieback were those with high altitudes, high daily solar radiation, and limited water availability. We also found that, when it came to forest stand characteristics, pine trees with high vertical stand densities (5-15 m high) and higher age classes experienced a higher risk of dieback. The RF and SVM models predicted that 9.5% or 115 ha of the Geumgang Pine Forest are at high risk for pine dieback. Our study suggests the need for further investigation into the vulnerable areas of the Geumgang Pine Forest, and also for climate change adaptive forest management steps to protect those areas which remain undamaged.

주제어

표/그림 (12)

그림 Figure 1. Study site.
그림 Figure 2. Collective dead trees.
표 Table 1. Model variables for topographical and forest stand characteristics.
그림 Figure 3. Spatial input data for predicting tree dieback risk.
그림 Figure 4. Topographic and forest stand (continuous) variables.
그림 Figure 5. Topographic and forest stand (categorical) variables.
그림 Figure 6. Proposed DT models.
그림 Figure 7. Variable importance in RF models.
표 Table 2. Comparison of the accuracy among between 6 models.
그림 Figure 8. Variable importance in SVM models.
그림 Figure 9. Simulated map for tree dieback risk based on RF and SVM modeling.
표 Table 3. Simulated results of tree dieback risk.

AI 본문요약
AI-Helper

문제 정의

본 연구는 2008~2015년 사이 울진 소광리에서 발생한 금강소나무 고사피해 발생 지역의 지형 및 임분 특성을 파악하고 이를 기반으로 고사피해 발생 취약지역을 예측하는 것을 목표로 하였다. 이를 위해 소나무 고사발생 지점 자료와 다양한 지형 및 임분특성 공간자료를 이용하여 소나무 고사 지점과 생육지점을 분류할 수 있는 모델을 개발하였다.

제안 방법

실양성률은 A 집단인 샘플을 모형에 적용하였을 때 A 집단으로 바르게 분류되어있는 비율을 의미하며, 위양성률은 B 집단인 샘플이 A 집단으로 틀리게 분류되어있는 비율을 의미한다. 모형의 특성과 입력 설명변수의 종류에 따른 예측 정확도를 평가하기 위해, 세 가지 모형에 대해 지형 변수만을 이용한 경우와 지형 및 임분 변수를 함께 이용한 경우를 적용하여 6가지 경우의 모형을 구축하고 성능을 평가 하였다.
이를 위해 소나무 고사발생 지점 자료와 다양한 지형 및 임분특성 공간자료를 이용하여 소나무 고사 지점과 생육지점을 분류할 수 있는 모델을 개발하였다. 변수들간의 비선형적 특성을 반영하고 예측정확도를 향상시키기 위해 자료의 분류에 적합한 기계학습법을 적용하고 성능을 비교ㆍ평가하였다. 그 결과, 지형변수만 이용한 모델보다 지형변수에 임분 변수를 함께 이용한 모델의 성능이 월등히 높았다.
소나무 고사지역과 생육지역을 구분하기 위한 모형을 구축하기 위해 Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) 등 3가지 기계학습 모형을 이용하였다. DT(의사결정트리)는 특정 항목에 대한 의사결정 규칙을 나무 형태로 분류해 나가는 분석기법을 말한다.

대상 데이터

본 연구는 경상북도 울진군 금강송면 소광리 산림유전자원보호구역이자 금강소나무 고사 발생지점을 포함하는 지역(가로 4.6 km, 세로 5.7 km)을 대상으로 수행되었다 (Figure 1). 울진 금강송면 지역의 최근 20년 연평균 기온은 약 12.
연구대상지 내 토양형은 주로 갈색산림토양이며 토성은 사질양토(Sandy Loam)와 미사질양토(Silt Loam)가 주종을 이루고 있다. 소나무 고사지점은 2008~2015년 항공사진에서 발견된 Kim et al.(2017)의 연구를 통해 추출된 고사목 발생지점(1,956본) 정보를 활용하였다. 개체목 단위 고사목과 집단적인 고사는 고사 발생 요인이 다를 수 있기 때문에, 이 연구에서는 소광리 지역에서 최근 새롭게 발견된 집단적인 고사 현상만을 조사대상으로 하였다(Figure 2).

이론/모형

준비된 전체 자료에서 고사 또는 생육지역 샘플별로 70%를 모형의 구축에 이용하고 30%를 이용하여 모형의 성능을 평가하였다. 모형의 성능 평가를 위해 정확도, Kappa 계수, AUC를 이용하였다. 정확도(Overall Accuracy)는 전체 테스트 자료 중에서 A는 A로, B는 B로 정확하게 분류된 자료의 항목 비율(0~100%)을 의미한다.

성능/효과

여기에서 가장 중요한 사항은 고사가 아직 발생하지는 않았으나 고사 발생 위험도가 높은 지역에 대해 피해 발생 방지를 위해 산림에 어떤 조치를 해주느냐 하는 부분이다. 본 연구 결과에 따르면, 소나무 고사의 지형적인 취약지역은 고도가 높고 일사량이 높은 수분이 부족한 지역이었으며, 임분 특성 중에서는 5~15 m 높이의 수직적 밀도와 영급이 높은 큰 소나무들이 고사 위험이 높았다고 평가되었다. 능선부의 소나무는 수고가 낮을 것을 고려하였을 때 결과적으로 상대적으로 수분이 부족한 지형적 특징을 보이는 지역에 위치한 큰 나무들이 가뭄에 더 취약할 수 있다.
적용한 모형들 중에서는 Random Forest와 Support Vector Machine 모형이 Decision Tree 모형보다 성능이 좋았으며, 두 모형 모두 정확도는 90% 이상이었으며 AUC는 거의 1에 가까웠다. 이에 따라, 두 가지 모형을 통해 산출된 고사위험도 평가 결과를 혼용하여 최종결과를 산출하였으며, 두 모형에서 모두 고사 위험이 있다고 판단한 고사위험도가 높은 지역은 전체 소나무림 지역의 약 9.5%, 115 ha로 평가되었다. 본 연구에서 도출된 모형을 이용하여 주변지역의 타 금강소나무림 지역에 대한 소나무 고사 위험도 평가도 가능하다.
, 2015). 적용한 모형들 중에서는 Random Forest와 Support Vector Machine 모형이 Decision Tree 모형보다 성능이 좋았으며, 두 모형 모두 정확도는 90% 이상이었으며 AUC는 거의 1에 가까웠다. 이에 따라, 두 가지 모형을 통해 산출된 고사위험도 평가 결과를 혼용하여 최종결과를 산출하였으며, 두 모형에서 모두 고사 위험이 있다고 판단한 고사위험도가 높은 지역은 전체 소나무림 지역의 약 9.

후속연구

본 연구는 울진 소광리 금강소나무의 고사 사례를 바탕으로 기상ㆍ기후 요인에 따른 수목 고사의 특성을 파악한 기초 단계의 연구이다. 향후 기후변화 피해에 대한 보다 적극적인 대비를 위해서는 산림 수종별 기후변화 취약 생리적 특성을 비교 평가하고, 수종별 그리고 산림관리방법별 기후변화 적응성 및 회복탄력성에 대한 다양한 실험과 조사가 수행되어야 할 것이다.
향후 본 소나무 고사 위험도 정보를 기반으로 취약 지역의 산림 임분의 현장 상황을 조사하고, 고사가 발생하지 않은 지역에 대해서는 임분의 건강성 유지를 위한 사전 조치를 시행하며, 고사가 이미 발생한 지역에 대해서는 금강소나무 유전자원의 유지를 위한 복원 활동을 수행하는 것이 필요하다. 여기에서 가장 중요한 사항은 고사가 아직 발생하지는 않았으나 고사 발생 위험도가 높은 지역에 대해 피해 발생 방지를 위해 산림에 어떤 조치를 해주느냐 하는 부분이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소나무 고사지역과 생육지역을 구분하기 위한 모형을 구축하기 위해 사용한 기계학습 모형은 무엇인가?	소나무 고사지역과 생육지역을 구분하기 위한 모형을 구축하기 위해 Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM) 등 3가지 기계학습 모형을 이용하였다. DT(의사결정트리)는 특정 항목에 대한 의사결정 규칙을 나무 형태로 분류해 나가는 분석기법을 말한다.
	기상ㆍ기후적인 요인에 따른 전 세계 수목 고사 피해의 예에는 무엇이 있는가?	, 2010; Klein and Hartmann, 2018). 1980년대부터 발생한 스위스 알프스 지역의 Scots pine(Pinus sylvestris) 고사(Mobbertin et al., 2005), 1990년대 말부터 지속되고 있는 브리티쉬 콜로비아 lodgepole pine(Pinus contorta)의 Mountain pine beetle 피해(Kurz et al., 2008). 2002~2004년 미국 남서부 Pinyon Pine 집단 고사(Allen-Reid, 2008), 2018년 미국 애리조나 전역에서 ponderosa pine(Pinus ponderosa)의 집단 고사 (USDA, 2018) 이외에도 수많은 피해 사례들이 발생했다. 대부분의 경우, 지구온난화로 인한 기온상승과 가뭄의 심화로 산림수목이 건조 스트레스 피해를 받았으며 건강성이 저하된 수목에 병해충이 가세하여 큰 피해가 발생하였다.
	소나무 고사와 관련된 주요 변수 분석 결과는 어떠한가?	모형 개발에는 Decision Tree, Random Forest (RF), Support Vector Machine (SVM) 등 기계학습 기법을 적용하였으며, RF와 SVM가 정확도 93% 이상으로 좋은 성능을 보였다. 소나무 고사와 관련된 주요 변수 분석 결과, 소나무 고사의 지형적인 취약지역은 해발고도가 높은 동시에 일사량이 높으며 수분 조건이 불리한 지역이었으며, 임분 특성 중에서는 특히 5~15m 높이의 수직적 임분밀도가 높은 소나무림, 그리고 영급이 높은 소나무림에서 고사 위험성이 높다고 평가되었다. RF와 SVM 모형 예측에 따라, 소나무 고사위험도가 높은 지역의 면적은 연구대상지 전체 소나무림 면적의 약 9.

참고문헌 (33)

Allen, C.D., Macalady, A.K., Chenchouni, H., Bachelet, D., McDowell, N., Vennetier, M., Kitzberger, T., Rigling, A., Breshears, D.D., Hogg, E.H., Gonzalez, P., Fensham, R., Zhang, Z., Castro, J., Demidova, N., Lim, J.-H., Allard, G., Running, S.W., Semerci, A. and Cobb, N. 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.

상세보기
Allen-Reid, D., Anhold, J., Cluck, D., Eager, T., Mask, R., McMillin, J., Munson, S., Negron, J., Rogers, T., Ryerson, D., Smith, E., Smith, S., Steed, B. and Thier, R. 2008. Pinon pine mortality event in the Southwest: An update for 2005. U.S. Forest Service.
Bae, S.W., Lee, C.Y., Park, B.W., Hong, S.C., Kim, I.S., Han, S.U., Hong, K,N., Lee, S.W., Cho, K.H., Hwang, J.H., Lee, S.T., Kim, K.H., Moon, I.S., Son, Y.M., Cheon, C.H., Park, J.H., Ka, K.H., Lee, H.J., Park, M.J., Kim, C.Y., Kim, K.W., Lim, J.H. and Kim, S.J. 2012. Commercial tree species (1) Pinus densiflora. NIFoS. pp. 250.
Bennett, A.C., McDowell, N.G., Allen, C.D. and Anderson Teixeira, K.J. 2015. Larger trees suffer most during drought in forests worldwide. Nature Plants 1: 15139.

상세보기
Beven, K.J. and Kirkby, M.J. 1979. A physically based, variable contributing area model of basin hydrology. Hydrological Science Bulletin 24(1): 43-69.

상세보기
Bottero, A., D'Amato, A.W., Palik, B.J., Bradford, J.B., Fraver, S., Battaglia, M.A. and Asherin, L.A. 2017. Densitydependent vulnerability of forest ecosystems to drought. Journal of Applied Ecology 54: 1605-1614.

상세보기
Breiman, L., Friedman, J.H., Olshen, R.A. and Stone, C.J. 1984. Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software.
Cohen, J. 1960. A coefficient of agreement for nominal scales. Educational and Psychological Measurement 20(1): 37-46.

상세보기
Cortes, C. and Vapnik, V. 1995. Support-vector networks. Machine Learning 20(3): 273.

상세보기
Fawcett, T. 2006. An Introduction to ROC Analysis. Pattern Recognition Letters 27(8): 861-874.

상세보기
Greenwood, S., RuizBenito, P., MartinezVilalta, J., Lloret, F., Kitzberger, T., Allen, C.D. and Kraft, N.J. 2017. Tree mortality across biomes is promoted by drought intensity, lower wood density and higher specific leaf area. Ecology Letter 2: 539-553.
Halofsky, J.E. and Peterson, D.L. 2016. Climate Change Vulnerabilities and Adaptation Options for Forest Vegetation Management in the Northwestern USA. Atmosphere 7(46): 1-14.
Ho, T.K. 1995. Random Decision Forests. Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14-16 August 1995. pp. 278-282.
Jeong, J.H., Won, H.K. and Kim, I.H. 2004. Forest Site in Korea -Forest Soil-. NIFoS. pp. 621.
Jung, H.S. 2018. Improved the Stand Structure Map for Pinus densiflora Areas in Sogwang-ri, Ul-Jin based on Airborne LiDAR. NIFoS. pp. 102.
Kim, E.S., Lee, J.S., Kim, J., Lim, J.H. and Lee, J.S. 2016. Conservation and management of Korean pine forest. NIFoS. pp. 22.
Kim, J., Kim, E.S. and Lim, J.H. 2017. Topographic and Meteorological Characteristics of Pinus densiflora Tree Dieback in Sogwang-Ri, Uljin. Korean Journal of Agricultural and Forest Meteorology 19(1): 10-18.

원문보기 상세보기
Klein, T. and Hartmann, H. 2019. Climate change drives tree mortality. Science 362(6416): 758.
Kurz, W.A., Dymond, C.C., Stinson, G., Rampley, G.J., Neilson, E.T., Carroll, A.L., Ebata, T. and Safranyik, L. 2008. Mountain pine beetle and forest carbon feedback to climate change. Nature 452: 987-990.

상세보기
Li, M., Im, J. and Beier, C. 2013. Machine learning approaches for forest classification and change analysis using multi-temporal Landsat TM images over Huntington Wildlife Forest. GIScience & Remote Sensing 50(4): 361-384.

상세보기
Lim, J.H., Kim, E.S., Lee, B., Kim, S.H. and Chang, G.C. 2017. An analysis of the hail damages to Korean forests in 2017 by meteorology, species and topography. Korean Journal of Agricultural and Forest Meteorology 19(4): 280-292.
Mobbertin, M., Mayer, P., Wohlgemuth, T., Feldmeyer-Christe, E., Graf, U., Zimmermann, N.E. and Rigling, A. 2005. The decline of Pinus sylvestris L. Forests in the Swiss Rhone Valley - a Result of Drought Stress?. Phyton 45(4): 153-156.

상세보기
Nagel, L.M., Palik, B.J., Battaglia, M.A., D'Amato, A.W., Guldin, J.M., Swanston, C.W., Janowiak, M.K., Powers, M.P., Joyce, L.A., Millar, C.I., Peterson, D.L., Ganio, L.M., Kirschbaum, C. and Roske, M.R. 2017. Adaptive silviculture for climate change: A national experiment in managerscientist partnerships to apply an adaptation framework. Journal of Forestry 115(3): 167-178.

상세보기
NIFoS (National Institute of Forest Science). 2009. Causes and future outlook of Korean red pine dieback. NIFoS. pp. 21.
Oh, H.J. 2010. Landslide detection and landslide susceptibility mapping using aerialphotos and artificial neural networks. Korean Journal of Remote Sensing 26(1): 47-57.
Rowland, L., da Costa, A.C.L., Galbraith, D.R., Oliveira, R.S., Binks, O.J., Oliveira, A.A.R., Pullen, A.M., Doughty, C.E., Metcalfe, D.B., Vasconcelos, S.S., Ferreira, L.V., Malhi, Y., Grace, J., Mencuccini, M. and Meir, P. 2015. Death from drought in tropical forests is triggered by hydraulics not carbon starvation. Nature 528: 119-121.

상세보기
Ryo, M., and Rillig, M.C. 2017. Statistically reinforced machine learning for nonlinear patterns and variable interactions. Ecosphere 8(11)d: e01976.

상세보기
Seo, M.G. 2014. Data processing and analysis using R. Publisher Gilbut. pp. 580.
Stockwell, D.R.B. and Peterson, A.T. 2002. Effects of sample size on accuracy of species distribution models. Ecological Modelling 148(1): 1-13.

상세보기
Thessen, A. 2016. Adoption of machine learning techniques in ecology and earth science. One Ecosystem 1(2): e8621.

상세보기
USDA (United States Department of Agriculture). 2018. Southwestern region arizona forest health 2018. ArgGIS MapJournal.
Ye, H., Beamish, R.J., Glaser, S.M., Grant, S.C., Hsieh, C.H., Richards, L.J., Schnute, J.T. and Sugihara, G. 2015. Equation-free mechanistic ecosystem forecasting using empirical dynamic modeling. Proceedings ofthe National Academy of Sciences 112(13): E1569-E1576.

상세보기
Zhang, J., Finley, K.A., Johnson, N.G. and Ritchie, M.W. 2019. Lowering stand density enhances resiliency of ponderosa pine forests to disturbances and climate change. Forest Science 65(4): 496-507.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증