인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정성관
- 발행연도
- 2015
- 저작권
- 경북대학교 논문은 저작권에 의해 보호받습니다.
이용수20
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
본 논문은 기후변화로 인한 산림식생의 영향을 파악해보기 위해 연구를 수행하였으며, 이를 위해 위성영상을 기반으로 도출된 산림식생 평가지표를 통해 국내 산림 전역을 대상으로 분석을 실시하였다. 국내 산림의 식생과 서식환경은 다양하며, 지역에 따라 기후요인에 대한 반응이 다를 수 있다. 이에 공간자료에 대한 픽셀별 분석을 실시하여 식생 및 지역별로 기후요인에 대한 반응의 차이를 고려하였다. 또한 기상자료나 총일차생산성 자료와 같이 계절에 따라 주기를 나타내는 자료에 대해 추세성분을 추출하여 상관성을 분석하고 모형을 구축하였다. 이러한 방법의 장점은 자료의 시계열적 특성을 고려하지 못하여 발생할 수 있는 오류를 최소화시켜 분석의 신뢰도를 높일 수 있다는 점이며, 이에 산림식생과 기후 및 환경요인과의 상호관계에 대해 더 명확한 결과를 도출할 수 있었다.
연구의 결과를 요약하면 다음과 같다.
위성영상 기반의 식물계절시기의 도출은 시계열 식생지수의 노이즈에 의한 오차를 보정할 수 있는 HANTS 알고리즘을 사용하여 평활화하였으며, SMN 방법을 적용하여 생육개시일과 생육종료일을 분석하였다. 이를 국내에서 실측된 식물계절 조사자료를 통해 검증해본 결과, 상관계수는 생육개시일의 경우 국립수목원 전시원에서는 0.81, 소리봉 지역은 0.68, 국립수목원 도심지와 금원산 지역은 0.67, 지리산은 0.65, 경남수목원은 0.74로 나타났다. 생육종료일은 국립수목원과 소리봉에서 각각 0.71, 0.84로 분석되었다.
식물계절시기의 공간적 분포특성을 분석해본 결과, 생육개시일은 고도에 따른 차이가 크게 나타났으며, 생육종료일은 남사면에 입지하거나 해안과 가까운 지역에서 더 지연되는 것으로 나타났다. 이를 자세히 파악해보기 위하여 고도, 위도, 사면방향을 독립변수로 하는 회귀모형을 구축하여 지리환경 변수의 영향력을 분석해본 결과, 생육개시일은 고도가 100m, 위도가 100km 증가함에 따라 약 1일이 지연되고 생육종료일은 1일이 빨라지는 것으로 나타났다. 또한 생육개시일은 북사면이 남사면보다 2일이 빨랐으며, 생육종료일은 약 8일정도 빠른 것으로 나타났다. 예측모형을 구축하기 위한 선행단계로서 식물계절시기와 기온요인과의 상관분석 결과, 생육개시일은 4월 평균기온과 가장 상관성이 높게 나타났으며, 생육종료일은 기온과의 상관성이 낮은 것으로 나타났다.
MODIS 총일차생산성 자료를 통해 산림의 생산성에 대한 분석을 실시하였으며, 신뢰도를 확인해보기 위해 플럭스 타워의 실측자료를 통해 검증을 실시하였다. 국내 플럭스 타워 실측조사지인 GDK, GCK 사이트의 자료와 비교해본 결과, 상관계수는 각각 0.90, 0.92로 분석되어 MODIS 총일차생산성 자료의 정확도가 상당히 높은 것을 확인하였다. 2000~2013년간 국내 산림의 총일차생산성을 평가해본 결과, 단위면적당 1,674.3gCm-2year-1, 산림 전체 지역의 총일차생산성은 106.8±16.9 TgCyear-1로 분석되었다. 기상요인을 이용하여 예측모형을 구축하기 위한 선행단계로서 총일차생산성과 기상요인간 상관성을 분석하였다. 분석에 있어 원성분이 가지고 있는 속성 중 계절적인 주기를 나타내는 시계열 자료의 특성으로 인해 오차를 포함할 수 있기 때문에 계절분해를 적용하였다. 이를 통해 추출된 추세성분으로 픽셀별 부분상관분석을 실시하였으며, 이를 원성분의 분석결과와 비교하였다. 원성분의 경우 총일차생산성과 평균기온간의 상관계수는 0.89, 강수량과는 ?0.21로 분석되었다. 추세성분간 상관분석을 실시한 결과 평균기온과의 상관계수는 0.44, 강수량은 0.04로 분석되어 원성분간 상관계수보다 낮은 것으로 나타났다. 강수량의 경우 평균은 0에 가까웠으나 지역적으로 상관계수가 음수인 지역과 양수로 분석된 지역이 일정 지역에 밀집되어 나타났다.
상관분석 결과를 토대로 미래 기후변화에 의한 산림식생의 영향을 평가하기 위한 예측모형을 구축하였으며, 생육개시일은 4월 기온 모형을 사용하였고 총일차생산성 예측모형은 원성분 모형과 추세성분 모형을 비교하였다. 모형의 검증을 위해 2000~2010의 자료를 사용하여 2011~2013의 생육개시일 및 총일차생산성을 예측한 뒤, 실제값과의 차이를 검토하였다. 생육개시일의 경우 약 7~15일 정도의 오차가 있는 것으로 분석되었으며, 상관성은 0.71~0.80으로 분석되었다. 추세성분 모형은 원성분 모형보다 더 정확도가 높은 것으로 분석되었으며, 추세성분 모형을 통해 예측된 총일차생산성의 오차는 55.1~96.5gCm-2year-1, 상관성은 0.96~0.97로 높게 나타났다
예측모형을 사용하여 미래 기후 시나리오 자료를 토대로 생육개시일과 총일차생산성의 연간 변화량을 분석하였다. 그 결과, 생육개시일은 RCP 4.5, RCP 8.5에서 각각 -0.10day/year, -0.18day/year로 분석되어 점차 빨라질 것으로 예측되었다. 총일차생산성은 RCP 4.5에서 연간 2.86gCm-2year-1, RCP 8.5에서 5.95gCm-2year-1의 증가추세를 보이는 것으로 분석되었다. 연간 변화량의 공간적인 분포를 살펴본 결과, 감소추세인 지역이 RCP 4.5, RCP 8.5 시나리오에서 각각 3.0%, 3.1%로 분석되었다. 해당 지역은 기온과 총일차생산성간 상관분석 결과 음의 상관성을 갖는 지역이었으며, 주로 고산·아고산 지대인 것으로 분석되었다. 총일차생산성 연간 변화량의 지역별 차이를 분석해본 결과, 대구광역시가 가장 높은 것으로 나타났으며, 경기도가 가장 낮은 것으로 분석되었다. 전반적인 기온의 증가추세는 지역별로 거의 유사했으나 지역별 총일차생산성의 변화량이 다른 것은 예측모형의 지역별 기온 계수값의 차이에 의한 영향인 것으로 판단된다. 고도별 총일차생산성의 변화량은 고도가 높아짐에 따라 낮아지는 것으로 나타났다.
산림의 주요 보호지역인 국립공원, 백두대간보호지역, 산림유전자원보호림을 대상으로 기후변화로 인한 영향을 평가해보기 위해 미래의 기후변화 시나리오를 적용하여 생육개시일과 총일차생산성의 변화를 살펴보았다. 생육개시일의 변화를 살펴본 결과 국립공원 중에서는 북한산국립공원의 변화량이 가장 컸으며, 내장산국립공원이 가장 적은 것으로 분석되었다. 백두대간보호지역과 산림유전자원보호림은 RCP 8.5 시나리오 상에서 생육개시일이 약 16일, 18일 정도 빨라질 것으로 예측되었다.
미래 기후변화로 인한 총일차생산성의 변화에 대해 분석해본 결과, 국립공원의 경우 연간 변화량은 월출산국립공원이 가장 높고 한라산국립공원이 가장 낮게 나타났다. 백두대간보호지역과 산림유전자원보호림의 경우 RCP 8.5 시나리오 상에서 감소될 것으로 예상되는 지역의 비율은 각각 3.9%, 6.7%인 것으로 분석되었다.
본 연구를 통해 얻을 수 있는 결론은 기후변화에 의한 생태계의 반응이 공간적으로 다르게 나타날 수 있기 때문에 기후변화 영향평가에 있어 기후대 또는 지리적 환경, 식생 등 다양한 환경조건을 고려하여야 한다는 것이다. 각 공간자료에 대한 픽셀별 분석은 이러한 차이를 도출할 수 있었다. 또한 연속적으로 획득된 시계열 자료에 대해 추세성분을 추출하여 분석하는 방식은 시계열 자료에 포함된 계절주기로 인한 문제를 해결할 수 있었으며, 이에 장기간의 기상자료 또는 식생지수 자료에 대한 분석에 있어 시계열 자료의 특성을 반드시 고려해야 할 것으로 판단된다.
The present study was conducted to investigate the impact of climate change on forest vegetation. For this purpose, all the Korean forests were analyzed on the basis of the forest vegetation index based on satellite images. Korean forests have various types of vegetation and habitats and may have different responses to climatic factors depending on regions. Thereby, spatial data were analyzed by pixels to consider the differences in response to climatic factors depending on vegetation types and regions. In addition, trend components such as meteorological data or gross primary productivity data were extracted from data showing a different cycle depending on season. These trend components were used for correlation analysis and model construction. The advantage of this method was that the errors could be minimized when the characteristics of time-series data were not considered. Thus, the reliability of the analysis was improved, and more accurate correlations of forest vegetation with climate and environmental factors could be obtained in this study.
The results of this study can be summarized as follows:
The HANTS algorithm that could correct errors caused by noise in the time-series of vegetation index was used to extract plant phenological phases from satellite images for smoothing, and the days of initiation and completion of growth were analyzed using the SMN method. When these results were validated with actual plant phenology data measured in Korea, it was found that the correlation coefficients of the growth beginning day were 0.81 for the exhibition garden at the Korea National Arboretum, 0.68 for Soribong area, 0.67 for the urban area of the Korea National Arboretum and Geumwonsan area, 0.65 for Jirisan, and 0.74 for Gyeongnam Arboretum. The correlation coefficients of the day of completion of growth were 0.71 for the Korea National Arboretum and 0.84 for Soribong area.
Analysis of the spatial distribution characteristics of the plant phenological phases showed that the days of growth initiation differed greatly depending on altitude, and the days of completion of growth were delayed in south-facing slopes or in areas close to the coast. In order to investigate these characteristics in greater detail, a regression model was constructed with altitude, latitude, and inclination direction as independent variables; the model was used to analyze the effect of geographic environmental variables. It was found that for every 100 m elevation in altitude and for every 100 km increase in latitude, the growth initiation day was delayed by about 1 day, and the growth completion day was advanced by 1 day. In addition, for the north-facing slopes, the growth initiation days were early by 2 days and the growth completion days were 8 days early than for the south-facing slopes. The correlation between plant phenological phases and temperature was analyzed as the step prior to constructing a predictive model. The analysis showed that the growth initiation day had the highest correlation with the mean temperature of April, whereas the growth completion day had a low correlation with temperature.
The productivity of forests was analyzed through the gross primary productivity data of MODIS, and its reliability was tested by using in-situ flux tower measurement data. When compared with data from GDK and GCK sites that are in-situ flux tower sites in Korea, the correlation coefficients were 0.90 and 0.92, respectively, showing a high accuracy of the gross primary productivity data of MODIS. The evaluated gross primary productivity of Korean forests between 2000 and 2013 was 1,674.3 gCm-2year-1 per unit area, and the gross primary productivity of the entire forest area was 106.8 ± 16.9 TgCyear-1. Prior to constructing a predictive model using meteorological factors, the correlation between the gross primary productivity and meteorological factors was analyzed; seasonal adjustment was applied because errors could be introduced owing to the characteristics of time-series data with the seasonal cycle as one of the properties of the original components. A partial correlation analysis was performed by pixels with the trend components extracted from this analysis, and the results were compared with the analysis results obtained for the original components. The correlation coefficient of the original components with the gross primary productivity and mean temperature were 0.89, and that with precipitation was -0.21. In the correlation analysis between trend components, the correlation coefficients with mean temperature and precipitation were 0.44 and 0.04, respectively; i.e., the correlation coefficients were lower than those of the original components. Although the mean precipitation was close to 0, regions with negative correlation coefficients and regions with positive values were densely populated in certain areas.
Based on the correlation analysis results, predictive models were constructed to evaluate the impact of climate change on forest vegetation; among these models, the April temperature model was used for the growth initiation day, and the gross primary productivity predictive models for the original component models and trend component models were compared. In order to verify the models, the growth initiation day and the gross primary productivity between 2011 and 2013 were predicted using the data for the period from 2000 to 2010, and then the differences from the actual values were compared. Errors of 7 to 15 days were observed in the case of the growth initiation day, and its correlation was 0.71?0.80. The trend component models had higher accuracy than the original component models; the error in the gross primary productivity predicted by trend component models was 55.1?96.5 gCm-2year-1, and its correlation was as high as 0.96?0.97.
Annual changes in the growth initiation day and the gross primary productivity based on the data for future climate scenarios were predicted using predictive models. The results indicated that the growth initiation day will be advanced by -0.10 day/year and by -0.18 day/year for RCP 4.5 and RCP 8.5, respectively, showing that the initiation will gradually occur earlier. The gross primary productivity was found to increase to 2.86 gCm-2year-1 for RCP 4.5 and to 5.95 gCm-2year-1 for RCP 8.5 annually. The spatial distribution of annual changes in regions with a reduction trend was found to be 3.0% and 3.1% for RCP 4.5 and RCP 8.5 scenarios, respectively. For the corresponding regions were mainly alpine/sub alpine areas, and there was a negative correlation between temperature and gross primary productivity. When the annual change in gross primary productivity was analyzed by region, Daegu metropolitan area was found to have the highest difference, whereas Gyeonggi-do had the lowest. Despite the overall trend of increase in temperature being similar throughout all the regions, the change in the gross primary productivity varied by region; this is thought to be because of the effect of differences in the values of temperature coefficient by region in the predictive model. In addition, the change in the gross primary productivity by altitude decreased as altitude increased.
In order to evaluate the impact of climate change on major forest reserves, including national parks, the Baekdudaegan preservation zone, and the forest genetic resource reserves, changes in the growth initiation day and gross primary productivity were analyzed by applying the future climate change scenario. Investigation of the changes in the growth initiation day of national parks showed that the change in the initiation day was the highest in the case of the Bukhansan National Park and lowest in the case of the Naejangsan National Park. In the case of the Baekdudaegan preservation zone and forest genetic resource reserves, the initiation days were predicted to be advanced by about 16 and 18 days, respectively, for RCP 8.5 scenario.
When the changes in the gross primary productivity according to future climate change were analyzed, the annual change was found to be the highest in the case of the Wolchulsan National Park and the lowest in the case of the Hallasan National Park. The ratios of the areas for which predictions indicated a reduction for the RCP 8.5 scenario in the Baekdudaegan preservation zone and forest genetic resource reserves were 3.9% and 6.7%, respectively.
In conclusion, the present study demonstrated that since the responses of an ecosystem to climate change differs depending on the region, various environmental conditions including climate zone, geographic environment, and vegetation need to be considered in the evaluation of climate change impacts. The analysis of the spatial data by pixels helped determine the differences. In addition, problems caused by the inclusion of seasonal cycles in the time-series data were resolved by extracting the trend components from continuously collected time-series data for analyses. Therefore, considering the characteristics of time-series data is believed to be necessary for analyses of long-term meteorological data or vegetation index data.
연구의 결과를 요약하면 다음과 같다.
위성영상 기반의 식물계절시기의 도출은 시계열 식생지수의 노이즈에 의한 오차를 보정할 수 있는 HANTS 알고리즘을 사용하여 평활화하였으며, SMN 방법을 적용하여 생육개시일과 생육종료일을 분석하였다. 이를 국내에서 실측된 식물계절 조사자료를 통해 검증해본 결과, 상관계수는 생육개시일의 경우 국립수목원 전시원에서는 0.81, 소리봉 지역은 0.68, 국립수목원 도심지와 금원산 지역은 0.67, 지리산은 0.65, 경남수목원은 0.74로 나타났다. 생육종료일은 국립수목원과 소리봉에서 각각 0.71, 0.84로 분석되었다.
식물계절시기의 공간적 분포특성을 분석해본 결과, 생육개시일은 고도에 따른 차이가 크게 나타났으며, 생육종료일은 남사면에 입지하거나 해안과 가까운 지역에서 더 지연되는 것으로 나타났다. 이를 자세히 파악해보기 위하여 고도, 위도, 사면방향을 독립변수로 하는 회귀모형을 구축하여 지리환경 변수의 영향력을 분석해본 결과, 생육개시일은 고도가 100m, 위도가 100km 증가함에 따라 약 1일이 지연되고 생육종료일은 1일이 빨라지는 것으로 나타났다. 또한 생육개시일은 북사면이 남사면보다 2일이 빨랐으며, 생육종료일은 약 8일정도 빠른 것으로 나타났다. 예측모형을 구축하기 위한 선행단계로서 식물계절시기와 기온요인과의 상관분석 결과, 생육개시일은 4월 평균기온과 가장 상관성이 높게 나타났으며, 생육종료일은 기온과의 상관성이 낮은 것으로 나타났다.
MODIS 총일차생산성 자료를 통해 산림의 생산성에 대한 분석을 실시하였으며, 신뢰도를 확인해보기 위해 플럭스 타워의 실측자료를 통해 검증을 실시하였다. 국내 플럭스 타워 실측조사지인 GDK, GCK 사이트의 자료와 비교해본 결과, 상관계수는 각각 0.90, 0.92로 분석되어 MODIS 총일차생산성 자료의 정확도가 상당히 높은 것을 확인하였다. 2000~2013년간 국내 산림의 총일차생산성을 평가해본 결과, 단위면적당 1,674.3gCm-2year-1, 산림 전체 지역의 총일차생산성은 106.8±16.9 TgCyear-1로 분석되었다. 기상요인을 이용하여 예측모형을 구축하기 위한 선행단계로서 총일차생산성과 기상요인간 상관성을 분석하였다. 분석에 있어 원성분이 가지고 있는 속성 중 계절적인 주기를 나타내는 시계열 자료의 특성으로 인해 오차를 포함할 수 있기 때문에 계절분해를 적용하였다. 이를 통해 추출된 추세성분으로 픽셀별 부분상관분석을 실시하였으며, 이를 원성분의 분석결과와 비교하였다. 원성분의 경우 총일차생산성과 평균기온간의 상관계수는 0.89, 강수량과는 ?0.21로 분석되었다. 추세성분간 상관분석을 실시한 결과 평균기온과의 상관계수는 0.44, 강수량은 0.04로 분석되어 원성분간 상관계수보다 낮은 것으로 나타났다. 강수량의 경우 평균은 0에 가까웠으나 지역적으로 상관계수가 음수인 지역과 양수로 분석된 지역이 일정 지역에 밀집되어 나타났다.
상관분석 결과를 토대로 미래 기후변화에 의한 산림식생의 영향을 평가하기 위한 예측모형을 구축하였으며, 생육개시일은 4월 기온 모형을 사용하였고 총일차생산성 예측모형은 원성분 모형과 추세성분 모형을 비교하였다. 모형의 검증을 위해 2000~2010의 자료를 사용하여 2011~2013의 생육개시일 및 총일차생산성을 예측한 뒤, 실제값과의 차이를 검토하였다. 생육개시일의 경우 약 7~15일 정도의 오차가 있는 것으로 분석되었으며, 상관성은 0.71~0.80으로 분석되었다. 추세성분 모형은 원성분 모형보다 더 정확도가 높은 것으로 분석되었으며, 추세성분 모형을 통해 예측된 총일차생산성의 오차는 55.1~96.5gCm-2year-1, 상관성은 0.96~0.97로 높게 나타났다
예측모형을 사용하여 미래 기후 시나리오 자료를 토대로 생육개시일과 총일차생산성의 연간 변화량을 분석하였다. 그 결과, 생육개시일은 RCP 4.5, RCP 8.5에서 각각 -0.10day/year, -0.18day/year로 분석되어 점차 빨라질 것으로 예측되었다. 총일차생산성은 RCP 4.5에서 연간 2.86gCm-2year-1, RCP 8.5에서 5.95gCm-2year-1의 증가추세를 보이는 것으로 분석되었다. 연간 변화량의 공간적인 분포를 살펴본 결과, 감소추세인 지역이 RCP 4.5, RCP 8.5 시나리오에서 각각 3.0%, 3.1%로 분석되었다. 해당 지역은 기온과 총일차생산성간 상관분석 결과 음의 상관성을 갖는 지역이었으며, 주로 고산·아고산 지대인 것으로 분석되었다. 총일차생산성 연간 변화량의 지역별 차이를 분석해본 결과, 대구광역시가 가장 높은 것으로 나타났으며, 경기도가 가장 낮은 것으로 분석되었다. 전반적인 기온의 증가추세는 지역별로 거의 유사했으나 지역별 총일차생산성의 변화량이 다른 것은 예측모형의 지역별 기온 계수값의 차이에 의한 영향인 것으로 판단된다. 고도별 총일차생산성의 변화량은 고도가 높아짐에 따라 낮아지는 것으로 나타났다.
산림의 주요 보호지역인 국립공원, 백두대간보호지역, 산림유전자원보호림을 대상으로 기후변화로 인한 영향을 평가해보기 위해 미래의 기후변화 시나리오를 적용하여 생육개시일과 총일차생산성의 변화를 살펴보았다. 생육개시일의 변화를 살펴본 결과 국립공원 중에서는 북한산국립공원의 변화량이 가장 컸으며, 내장산국립공원이 가장 적은 것으로 분석되었다. 백두대간보호지역과 산림유전자원보호림은 RCP 8.5 시나리오 상에서 생육개시일이 약 16일, 18일 정도 빨라질 것으로 예측되었다.
미래 기후변화로 인한 총일차생산성의 변화에 대해 분석해본 결과, 국립공원의 경우 연간 변화량은 월출산국립공원이 가장 높고 한라산국립공원이 가장 낮게 나타났다. 백두대간보호지역과 산림유전자원보호림의 경우 RCP 8.5 시나리오 상에서 감소될 것으로 예상되는 지역의 비율은 각각 3.9%, 6.7%인 것으로 분석되었다.
본 연구를 통해 얻을 수 있는 결론은 기후변화에 의한 생태계의 반응이 공간적으로 다르게 나타날 수 있기 때문에 기후변화 영향평가에 있어 기후대 또는 지리적 환경, 식생 등 다양한 환경조건을 고려하여야 한다는 것이다. 각 공간자료에 대한 픽셀별 분석은 이러한 차이를 도출할 수 있었다. 또한 연속적으로 획득된 시계열 자료에 대해 추세성분을 추출하여 분석하는 방식은 시계열 자료에 포함된 계절주기로 인한 문제를 해결할 수 있었으며, 이에 장기간의 기상자료 또는 식생지수 자료에 대한 분석에 있어 시계열 자료의 특성을 반드시 고려해야 할 것으로 판단된다.
The present study was conducted to investigate the impact of climate change on forest vegetation. For this purpose, all the Korean forests were analyzed on the basis of the forest vegetation index based on satellite images. Korean forests have various types of vegetation and habitats and may have different responses to climatic factors depending on regions. Thereby, spatial data were analyzed by pixels to consider the differences in response to climatic factors depending on vegetation types and regions. In addition, trend components such as meteorological data or gross primary productivity data were extracted from data showing a different cycle depending on season. These trend components were used for correlation analysis and model construction. The advantage of this method was that the errors could be minimized when the characteristics of time-series data were not considered. Thus, the reliability of the analysis was improved, and more accurate correlations of forest vegetation with climate and environmental factors could be obtained in this study.
The results of this study can be summarized as follows:
The HANTS algorithm that could correct errors caused by noise in the time-series of vegetation index was used to extract plant phenological phases from satellite images for smoothing, and the days of initiation and completion of growth were analyzed using the SMN method. When these results were validated with actual plant phenology data measured in Korea, it was found that the correlation coefficients of the growth beginning day were 0.81 for the exhibition garden at the Korea National Arboretum, 0.68 for Soribong area, 0.67 for the urban area of the Korea National Arboretum and Geumwonsan area, 0.65 for Jirisan, and 0.74 for Gyeongnam Arboretum. The correlation coefficients of the day of completion of growth were 0.71 for the Korea National Arboretum and 0.84 for Soribong area.
Analysis of the spatial distribution characteristics of the plant phenological phases showed that the days of growth initiation differed greatly depending on altitude, and the days of completion of growth were delayed in south-facing slopes or in areas close to the coast. In order to investigate these characteristics in greater detail, a regression model was constructed with altitude, latitude, and inclination direction as independent variables; the model was used to analyze the effect of geographic environmental variables. It was found that for every 100 m elevation in altitude and for every 100 km increase in latitude, the growth initiation day was delayed by about 1 day, and the growth completion day was advanced by 1 day. In addition, for the north-facing slopes, the growth initiation days were early by 2 days and the growth completion days were 8 days early than for the south-facing slopes. The correlation between plant phenological phases and temperature was analyzed as the step prior to constructing a predictive model. The analysis showed that the growth initiation day had the highest correlation with the mean temperature of April, whereas the growth completion day had a low correlation with temperature.
The productivity of forests was analyzed through the gross primary productivity data of MODIS, and its reliability was tested by using in-situ flux tower measurement data. When compared with data from GDK and GCK sites that are in-situ flux tower sites in Korea, the correlation coefficients were 0.90 and 0.92, respectively, showing a high accuracy of the gross primary productivity data of MODIS. The evaluated gross primary productivity of Korean forests between 2000 and 2013 was 1,674.3 gCm-2year-1 per unit area, and the gross primary productivity of the entire forest area was 106.8 ± 16.9 TgCyear-1. Prior to constructing a predictive model using meteorological factors, the correlation between the gross primary productivity and meteorological factors was analyzed; seasonal adjustment was applied because errors could be introduced owing to the characteristics of time-series data with the seasonal cycle as one of the properties of the original components. A partial correlation analysis was performed by pixels with the trend components extracted from this analysis, and the results were compared with the analysis results obtained for the original components. The correlation coefficient of the original components with the gross primary productivity and mean temperature were 0.89, and that with precipitation was -0.21. In the correlation analysis between trend components, the correlation coefficients with mean temperature and precipitation were 0.44 and 0.04, respectively; i.e., the correlation coefficients were lower than those of the original components. Although the mean precipitation was close to 0, regions with negative correlation coefficients and regions with positive values were densely populated in certain areas.
Based on the correlation analysis results, predictive models were constructed to evaluate the impact of climate change on forest vegetation; among these models, the April temperature model was used for the growth initiation day, and the gross primary productivity predictive models for the original component models and trend component models were compared. In order to verify the models, the growth initiation day and the gross primary productivity between 2011 and 2013 were predicted using the data for the period from 2000 to 2010, and then the differences from the actual values were compared. Errors of 7 to 15 days were observed in the case of the growth initiation day, and its correlation was 0.71?0.80. The trend component models had higher accuracy than the original component models; the error in the gross primary productivity predicted by trend component models was 55.1?96.5 gCm-2year-1, and its correlation was as high as 0.96?0.97.
Annual changes in the growth initiation day and the gross primary productivity based on the data for future climate scenarios were predicted using predictive models. The results indicated that the growth initiation day will be advanced by -0.10 day/year and by -0.18 day/year for RCP 4.5 and RCP 8.5, respectively, showing that the initiation will gradually occur earlier. The gross primary productivity was found to increase to 2.86 gCm-2year-1 for RCP 4.5 and to 5.95 gCm-2year-1 for RCP 8.5 annually. The spatial distribution of annual changes in regions with a reduction trend was found to be 3.0% and 3.1% for RCP 4.5 and RCP 8.5 scenarios, respectively. For the corresponding regions were mainly alpine/sub alpine areas, and there was a negative correlation between temperature and gross primary productivity. When the annual change in gross primary productivity was analyzed by region, Daegu metropolitan area was found to have the highest difference, whereas Gyeonggi-do had the lowest. Despite the overall trend of increase in temperature being similar throughout all the regions, the change in the gross primary productivity varied by region; this is thought to be because of the effect of differences in the values of temperature coefficient by region in the predictive model. In addition, the change in the gross primary productivity by altitude decreased as altitude increased.
In order to evaluate the impact of climate change on major forest reserves, including national parks, the Baekdudaegan preservation zone, and the forest genetic resource reserves, changes in the growth initiation day and gross primary productivity were analyzed by applying the future climate change scenario. Investigation of the changes in the growth initiation day of national parks showed that the change in the initiation day was the highest in the case of the Bukhansan National Park and lowest in the case of the Naejangsan National Park. In the case of the Baekdudaegan preservation zone and forest genetic resource reserves, the initiation days were predicted to be advanced by about 16 and 18 days, respectively, for RCP 8.5 scenario.
When the changes in the gross primary productivity according to future climate change were analyzed, the annual change was found to be the highest in the case of the Wolchulsan National Park and the lowest in the case of the Hallasan National Park. The ratios of the areas for which predictions indicated a reduction for the RCP 8.5 scenario in the Baekdudaegan preservation zone and forest genetic resource reserves were 3.9% and 6.7%, respectively.
In conclusion, the present study demonstrated that since the responses of an ecosystem to climate change differs depending on the region, various environmental conditions including climate zone, geographic environment, and vegetation need to be considered in the evaluation of climate change impacts. The analysis of the spatial data by pixels helped determine the differences. In addition, problems caused by the inclusion of seasonal cycles in the time-series data were resolved by extracting the trend components from continuously collected time-series data for analyses. Therefore, considering the characteristics of time-series data is believed to be necessary for analyses of long-term meteorological data or vegetation index data.
목차
- 제 1 장 서 론1. 연구 배경 및 목적2. 연구 범위2.1. 내용적 범위2.2. 공간적 범위3. 연구의 수행과정제 2 장 이론적 고찰1. 기후변화 영향평가1.1. 취약성 평가1.2. 영향평가2. 산림생태 부문 기후변화 영향평가2.1. 산림생태의 기후변화 영향2.2. 영향평가를 위한 지표 선정2.3. 식물계절과 총일차생산성의 중요성3. 주요 보호지역의 기후변화 영향평가의 필요성4. 위성영상 기반 산림생태 평가기법4.1. 원격탐사를 이용한 식생활력도 평가4.2. MODIS 생태계 평가지표4.3. 위성영상 기반 식물계절 분석4.4. MODIS 총일차생산성제 3 장 연구 방법1. 산림생태 평가지표 자료 구축1.1. 식물계절1.2. 총일차생산성1.3. 기상자료1.4. 보조 공간자료2. 기상요인과 산림생태 평가지표의 상관분석2.1. 식물계절시기와 기온의 상관성2.2. 총일차생산성과 기상요인의 상관성3. 기상요인을 고려한 예측모형 구축3.1. 생육개시일 예측모형3.2. 총일차생산성 예측모형4. 주요 보호지역의 기후변화 영향평가제 4 장 산림의 식물계절적 특성1. 실측자료와의 검증2. 식물계절시기의 공간적 분포특성2.1. 연도별 변화2.2. 공간적 분포 특성3. 지리적 요인의 영향4. 기온요인과의 상관분석4.1. 산림 전체지역 분석 결과4.2. 픽셀별 상관분석 결과5. 소결제 5 장 총일차생산성의 시공간적 특성1. 실측자료와의 검증2. 연간 총일차생산성 분포 및 변화추세2.1. 연간 총일차생산성 분포2.2. 지역별 연간 총일차생산성 변화 추세2.3. 임상 및 고도별 평균 연간 총일차생산성3. 총일차생산성과 기상요인간 상관성3.1. 원성분간 상관성3.2. 추세성분간 상관성4. 소결제 6 장 생태계 평가 예측모형 구축1. 예측모형 구축1.1. 생육개시일 모형1.2. 총일차생산성 모형2. 예측모형 검증2.1. 생육개시일 모형 검증2.2. 총일차생산성 모형 검증3. 미래 변화 시나리오3.1. 미래 생육개시일의 변화3.2. 미래 총일차생산성의 변화4. 소결제 7 장 주요 보호지역의 기후변화 영향평가1. 국립공원의 기후변화 영향1.1. 생육개시일 변화1.2. 총일차생산성 변화2. 백두대간 및 산림유전자원보호림의 기후변화 영향2.1. 생육개시일 변화2.2. 총일차생산성 변화3. 소결제 8 장 결 론1. 연구의 요약 및 결론2. 연구의 의의 및 향후과제참 고 문 헌Abstract
최근 본 자료
