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

국문 초록 (Abstract)

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.

다국어 초록 (Multilingual Abstract)

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.

참고문헌 (Reference)

1 오현주, "항공사진을 이용한 산사태 탐지 및 인공신경망을 이용한 산사태 취약성 분석" 대한원격탐사학회 26 (26): 47-57, 2010

2 김재범, "울진 소광리 산림유전자원보호구역 내 금강소나무 고사지역의 지형 환경 특성 분석" 한국농림기상학회 19 (19): 10-18, 2017

3 Greenwood, S., "Tree mortality across biomes is promoted by drought intensity, lower wood density and higher specific leaf area" 2 : 539-553, 2017

4 Mobbertin, M., "The decline of Pinus sylvestris L. Forests in the Swiss Rhone Valley – a Result of Drought Stress?" 45 (45): 153-156, 2005

5 Cortes, C., "Support-vector networks" 20 (20): 273-, 1995

6 Ryo, M., "Statistically reinforced machine learning for nonlinear patterns and variable interactions" 8 (8): e01976-, 2017

7 United States Department of Agriculture, "Southwestern region arizona forest health 2018"

8 Ho, T.K., "Random Decision Forests" 278-282, 1995

9 Allen-Reid, D., "Pinon pine mortality event in the Southwest: An update for 2005"

10 Kurz, W.A., "Mountain pine beetle and forest carbon feedback to climate change" 452 : 987-990, 2008

11 Li, M., "Machine learning approaches for forest classification and change analysis using multi-temporal Landsat TM images over Huntington Wildlife Forest" 50 (50): 361-384, 2013

12 Zhang, J., "Lowering stand density enhances resiliency of ponderosa pine forests to disturbances and climate change" 65 (65): 496-507, 2019

13 Bennett, A.C., "Larger trees suffer most during drought in forests worldwide" 1 : 15139-, 2015

14 Jung, H.S., "Improved the Stand Structure Map for Pinus densiflora Areas in Sogwang-ri, Ul-Jin based on Airborne LiDAR" NIFoS 102-, 2018

15 Jeong, J.H., "Forest Site in Korea -Forest Soil-"

16 Ye, H., "Equation-free mechanistic ecosystem forecasting using empirical dynamic modeling" 112 (112): E1569-E1576, 2015

17 Stockwell, D.R.B., "Effects of sample size on accuracy of species distribution models" 148 (148): 1-13, 2002

18 Bottero, A., "Densitydependent vulnerability of forest ecosystems to drought" 54 : 1605-1614, 2017

19 Rowland, L., "Death from drought in tropical forests is triggered by hydraulics not carbon starvation" 528 : 119-121, 2015

20 Seo, M.G., "Data processing and analysis using R" Publisher Gilbut 580-, 2014

21 Kim, E.S., "Conservation and management of Korean pine forest"

22 Bae, S. W., "Commercial tree species ① Pinus densiflora"

23 Klein, T., "Climate change drives tree mortality" 362 (362): 758-, 2019

24 Halofsky, J.E., "Climate Change Vulnerabilities and Adaptation Options for Forest Vegetation Management in the Northwestern USA" 7 (7): 1-14, 2016

25 Breiman, L., "Classification and regression trees" Wadsworth & Brooks/Cole Advanced Books & Software 1984

26 National Institute of Forest Science, "Causes and future outlook of Korean red pine dieback" NIFoS 21-, 2009

27 Fawcett, T., "An Introduction to ROC Analysis" 27 (27): 861-874, 2006

28 Thessen, A., "Adoption of machine learning techniques in ecology and earth science" 1 (1): e8621-, 2016

29 Nagel, L. M., "Adaptive silviculture for climate change: A national experiment in managerscientist partnerships to apply an adaptation framework" 115 (115): 167-178, 2017

30 Beven, K.J., "A physically based, variable contributing area model of basin hydrology" 24 (24): 43-69, 1979

31 Allen, C. D., "A global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests" 259 (259): 660-684, 2010

32 Cohen, J., "A coefficient of agreement for nominal scales" 20 (20): 37-46, 1960

33 임종환, "2017년 우박에 의한 산림피해의 기상, 수종 및 지형 특성 분석" 한국농림기상학회 19 (19): 280-292, 2017