Detection of Vegetation Dieback Areas in the Subalpine Zone of Mt. Baekdu Using MODIS Time Series Data

MODIS 시계열 자료를 이용한 백두산 아고산대 식생 고사지역 탐지

김남신*

Detection of Vegetation Dieback Areas in the Subalpine Zone of Mt. Baekdu Using MODIS Time Series Data

Nam-Sin Kim*

요약 :본 연구의 목적은 백두산 아고산대에 분포하는 식생고사지역 탐지기법 개발과 지도화이다. 탐지기법

은 모디스 영상을 이용한 규칙기반 모델을 개발하였다. 식생고사지역은 잎의 낙지(pruning) 단계에 따라 초기 고사(initial dieback), 중간고사(middle dieback), 완전고사(end dieback)로 분류하였다. 2001~2006년 고사지 역 면적은 28km²로 확대되었으며, 초기고사는 16km², 중간고사는 10km², 완전고사는 2km²로 분석되었다.

2006~20011년에는 고사지역 면적은 35km²로 확대되었다. 2001~2011년 고사지역 총면적은 35km²로, 중간 고사지역과 완전고사지역이 확대된 것으로 분석되었다. 본 연구에 적용된 규칙기반 모델은 지구온난화에 따른 산간지대 식생고사지역 예비 탐색에 활용될 수 있을 것으로 기대된다.

주요어 :탐지, 아고산지역, 식생고사지역, 규칙기반 모델, 모디스 영상

Abstract : The aim of this research is to develope technique and mapping for detecting distribution of

Key Words : detection, subalpine zone, vegetation dieback area, rule-based model, MODIS image

1. 서론

해발 1,000m 일대 아고산지역은 인간의 간섭이 적 어 식생이 잘 보존되는 지역 중에 하나이다. 아고산지 역 식생은 산간지역의 생물적 다양성 유지와 산지 수

문수지 균형을 조절하는 역할을 한다. 아고산지역에 서 일어나는 식생의 자연고사( natural dieback)는 질 병, 해충, 산불 등에 의한 경우와 영양결핍에 따른 낙 엽( deterioration-related defoliation), 계절 변화나 지 역환경 변화에 따른 생리적 적응을 위해 스스로 잎을 떨어뜨리는 자연낙지(自然落枝: self-pruning)가 있다

* 전남대학교, 지리교육과 강사(Lecturer, Department of Geography Education, Chonnam National University)

( Sakamoto et al., 2003; Liana et al., 2008).

최근 아고산지역 식생 변화 중에 하나가 과거와 달 리 침입수의 고사가 빠르게 진행되고 있다는 점이다 ( Faiz, 2008). 아고산지역에서 식생고사는 기온상승 에 따른 해충의 번식횟수 증가와 전염성 질병의 확대 가 주요 원인으로 해석되고 있다(Kharuk et al., 2003;

2004; Kovacs et al., 2005; Logan and Powell, 2009;

Sonam, 2009). 고산지역에서 질병과 해충에 의한 피 해지역은 대규모로 확대되며 고도가 점점 높아지고 있다. 백두산 동사면 해발 1,000m 지역 주요 수종 인 잎갈나무( korean larch; Larix olgensis var. koreana Nakai) 분포지역에서도 고사가 진행되고 있다.

지구온난화가 지속적으로 진행되면 아고산지역에 분포하던 북방계 식물은 밀려나고 남방계가 점유함 으로써 온대 산지지역 산림에 큰 변화가 올 수 있다.

온대 산지지역 북방계 식물은 신생대 제 4기에 주빙하 기후하에 적응되었던 식생들이 고산지역이나 아고산 지역에 남게 된 것이다( Kong, 2000). 지리산이나 한 라산에 분포하는 구상나무도 같은 맥락에서 해석되 고 있다.

산지지역 식생은 인공림이나 저지대 식생보다는 기후환경 변화에 취약하다( Luther et al., 1997). 그간 고산지역에 환경변화에 대한 연구는 접근제약, 자료 부족, 연구우선 순위 때문에 제한적인 수준에서 진 행되어 왔다. 고산지역 식생은 기후변화에 민감하게

반응하기 때문에 지표 대상으로서 연구가치가 높다 ( Kong, 1999; Radeloff et al., 1999).

기후변화에 따른 식생고사 문제는 진행지역 파악 과 원인규명이 중요하다. 산지식생 고사 원인규명을 위해서 분포지역 파악이 선행되어야 한다. 산지식생 의 해충이나 질병으로 인한 고사는 1~5년 이내의 짧 은 기간 동안 진행된다( U.S. Department of Agricul- ture, 2000). 그렇지만 산지지역은 접근성 제약으로 인해 식생고사지역 파악에 한계가 있다. 대안으로 위 성영상 분석을 통해 예비조사를 한 후, 현지조사를 거 쳐 보완하는 것이 합리적이다.

식생고사지역은 위성영상 파장이 건강한 식생에 비해 근적외선 및 녹색 반사도가 약하고, 중적외선은 강하게 반응한다. 따라서 이러한 파장 특성을 감지한 영상을 분석하면 효과적으로 탐지가 가능하다.

본 연구는 MODIS 영상을 이용한 백두산 동사면 아고산지역에서 진행되는 식생고사지역 탐지기법 개 발과 지도화를 목적으로 수행하였다.

2. 연구지역

연구지역인 백두산의 동사면은 해발 1,000m에 위 치하며 현무암과 화산재로 구성된 용암대지 지형이

Figure 1. Study area and DEM. 연구지역과 고도분포

다( Figure 1). 연구지역은 두만강의 상류로 용암대지 개석곡이 발달했고, 하폭은 2~3m로 협소하다.

이 지역은 산림 밀도가 높지만 용암대지를 이루 고 있어 산림 사이에 패치형태의 산지초지( montane meadow)가 산재한다. 연구사례 지역에는 도로와 하 천 주변의 평탄지나 낮은 구릉을 따라 산림고사지역 이 분포한다(Figure 2).

연구지역 기온은 FaoCLIM-net(station 고도 1,018m, 위치(128.17E, 41.35N))에서 취득한 1988

~2008년까지 자료를 분석하였다(Figure 3). 21년간 연상승률은 0.127˚C로 2.66˚C 상승했으며, 영상분 석 기간인 2000~2008년까지 연상승률은 0.19˚C로 1.52˚C 상승하였다. 기온 자료 분석 결과 백두산 지 역은 도시지역이나 인구밀집지역 못지 않게 온난화

속도가 빠르며 이에 따라 산지 주빙하성 지형환경 및 생태계 변화가 곳곳에서 진행될 것으로 예상된다.

3. 연구내용 및 연구방법

식생고사지역 추출은 규칙기반 모델을 개발하여 적용하였다. 규칙기반 모델은 식생의 건강 상태에 따 른 반사파 정보, 고사지역의 고도, 경사도, 식생정보 등에 대한 기준(임계치)을 정하여 규칙에 따라 지표 정보를 추출하는 방법이다( Kim, 2004).

규칙기반 모델 구성을 위해 수치고도모델, Landsat 영상, DEM, MODIS 영상, 그리고 문헌과 현지조사 를 통해 자료를 수집하였다( Figure 4).

Landsat과 DEM은 식생고사 지역에 대한 기초 정 보를 확인하기 위해 사용하였다. Landsat은 Land- sat ETM 116-31-2000_0902와 Landsat ETM 116- 31-2006_0905)을 사용하였고(Figure 5, 6), 수치 고도모델은 aster gDEM(http://www.gdem.aster.

ersdac.or.jp/)을 사용하였다. Landsat 영상에서 확 인된 정보를 기반으로 현지조사를 2011.8.23.~26, 2012.4.17.~20에 걸쳐 2회 실시하였다. 현지에서는 수종별 특징, 식생고사 지역의 지형, 고사지역 분포 를 조사하였다. 현지조사 결과 고사지역은 두만강 하 천지류를 따라 지형이 평탄하거나 경사도나 낮은 사

기온변화(1988~2008) Source: FAO FaoCLIM-net

Figure 2. left: Dieback area of North korea , right: Google image. 좌: 북한의 고사지역, 우: 구글영상

면을 따라 군집단위로 분포하였다.

식생고사지역 추출에 사용된 MODIS(Moderate resolution Imaging Spectroradiometer)는 미국의 TERRA(1999.12.16. 발사)와 AQUA(2002.5.4. 발사) 위성센서로 각각 2000년과 2002년부터 지구 지표, 환경, 해양, 대기, 기온 등 영상정보를 촬영하여 1~2 일 간격으로 영상을 송신하고 있다. MODIS 영상은 36개 밴드, 250m, 500m, 1km 해상도로 구성되어 있

다. 다해상도, 다파장밴드, 짧은 촬영 주기 특징을 갖 기 때문에 지구의 식생뿐만 아니라 자연 및 환경 변화 에 대한 정보를 수집할 수 있어 광범위한 분야에서 이 용되고 있다. 이러한 MODIS 영상 시계열 자료는 식 생 고사지역 탐지에 효과적이기 때문에 산간지역 식 생연구에 활용 가치가 높다.

MODIS 영상은 2001, 2006, 2011년 3개년도 5년 단위별 계절 별 자료를 다운받아 분석하였다( Table

study procedure

DEM, vegetation,

landsat, MODIS ➜ analysis of Landsat

images

➜

collect literature references

and field survey analysis of EVI and MIR

construction of rule-based model extraction of change area

discussion and conclusion

Figure 5. Landsat(2000.9.02) ETM. Figure 6. Landsat(2006.9.05) ETM.

1).

MODIS MOD13Q1은 16일 간격의 영상을 재합성 한 12밴드, 해상도 250m 영상이다. 영상의 전처리는 HDF 포맷을 TM으로 재투영하여 밴드를 추출하는 일련의 반복과정을 거쳐야 하기 때문에 프로그램을 개발하여 자동화시켰다.

MOD13Q1 촬영일은 Julian Day 129(5월9일), 193(7월21일), 273(9월30일)일 촬영된 봄, 여름, 가을 영상에서 개량식생지수( EVI: enhanced veg- etation index), 중적외선(MIR: middle infrared, 2.105~2.155µm, band7)을 추출하여 사용하였다.

EVI는 다음 식으로 계산하였다.

EVI=2.5× ( band2-band1) ( band1+6band1-7.5band3+1)

여기서 band1은 red(0.62~0.67µm), band 2 는 near infrared(0.841~0.876µm), band3은 blue ( 0.459~0.479 µm)이다.

여름철 식생고사 지역은 지표 반사파 때문에 영상 에서 중적외선이 높게 반응한다. 따라서 산림지역 내 에서 중적외선 밴드의 MIR 값이 높은 지역이 고사지 역일 가능성이 높다. 하지만 중적외선 값이 높은 지역

일지라도 추출시 오류가 발생할 수 있다. 산지에서 식 물계절이 여름에 끝났거나 자연적인 나대지일 경우 도 높은 값을 보이기 때문이다. 또한 여름영상은 식생 지수를 적용할 경우 초본류 반사도 때문에 추출에 방 해요인이 된다.

이 문제는 식생지수가 비교적 낮은 봄과 가을 영상 을 이용하면 보완이 가능해진다. 이러한 계절별 식물 반사도 변화의 특징을 이용하여 기준년도 대비 기대 년도 편차( difference value)를 적용하면 식생고사지역 추출이 가능해진다.

4. 규칙기반 모델의 구성

이론적으로 EVI와 MIR의 편차만 분석하면 고사지 역 추출이 가능하지만 실제분석에서는 노이즈가 너 무 많아 효율성이 떨어진다. 영상 노이즈 문제를 통 제하면서 지표정보를 추출할 수 있는 방법 중에 하나 가 규칙기반 모델링에 의한 정보의 추출이다. 규칙기 반 모델링은 영상정보의 현지상황과 지형, 하천, 식 생 관계를 분석하여 규칙을 만들어 필요한 지표정보

year date of acquisition(JD) H/V/F resolution(band number) adopted band Pixel Value projection 2001 129, 193, 273 27/4/hdf 250m(12band) EVI -2,000~10,000

Sinusoidal MIR(7) 0~10,000

2006 129, 193, 273 27/4/hdf 250m(12band) EVI -2,000~10,000

Sinusoidal MIR(7) 0~10,000

2011 129, 193, 273 27/4/hdf 250m(12band) EVI -2,000~10,000

Sinusoidal MIR(7) 0~10,000

Table 2. Calculation of the seasonal subtraction. 계절편차 계산

timespan spring(129) fall(273) summer(193)

2001~2006 DEVI129=2006EVI-2001EVI DEVI273=2006EVI-2001EVI DMIR193=2006MIR-2001MIR 2006~2011 DEVI129=2011EVI-2006EVI DEVI273=2011EVI-2006EVI DMIR193=2011MIR-2006MIR 2001~2011 DEVI129=2011EVI-2001EVI DEVI273=2011EVI-2001EVI DMIR193=2011MIR-2001MIR

를 추출하는 것이다( Donald et al., 2011)

규칙기반 모델링에 의한 영상정보 추출에는 기 준 임계치(tolerance) 설정이 필요하다(Ford et al., 1997). 본 연구에서는 2001~2011년까지 11년간, 2001~2006, 2006~2011 각각 6년 기간 내 발생한 식 생고사지역 추출을 위한 임계치를 계산하였다.

봄과 가을 편차는 DEVI, 여름 편차는 DMIR으로 계산하였다. 여기서 계절별 DEVI와 DMIR은 다음 과 같이 계산하였다( Table 2).

다음으로 2006년 Landsat 영상에 250m 간격의 방 형구를 만들어 현지 조사에서 확인된 정보를 바탕으 로 실재 고사된 4개 지역을 격자로 선정하였다(Figure 7). 선정된 격자에서 DEVI와 DMIR의 평균값을 계 산하였다( Table 3~5). 그 결과, DEVI와 DMIR의 평 균값은 지역별, 시기별, 계절별 차이를 보인다. 이와 같은 차이는 촬영시점의 대기상태, 지표수분, 기온 등에 따라 다르기 때문에 나타나는 차이다. 따라서 영 상분석 시 촬영시점의 지표환경 정보를 고려해 시기 별 적절한 임계치 설정이 중요하다.

이렇게 계산된 평균 DEVI와 DMIR이 식생고사지 역 선정을 위한 기준 임계치가 된다. 봄과 가을 영상

에서 DEVI 값은 평균 임계치보다 낮은 지역이 식생 의 고사 또는 고사 진행 지역으로 판독이 가능하다.

따라서 규칙기반 기준 적용시 계산된 DEVI 평균값보 다 작은 값을 선택하게 되면 식생고사지역이 된다.

반면에 한여름 중적외선 파장은 지표 열반사도가 높게 반응한다. 따라서 평균 DMIR 값보다 큰 지역 을 선택하면 고사지역이 선택될 수 될 수 있다( Figure 8~10).

노이즈 제거를 위한 보조 정보로 식생지수( NDVI), 고도, 경사도, 토지이용(농경지, 주거지,수체)을 임계 치로 적용하였다. 식생지수( NDVI)는 변화되기 전인 기준년도의 식생정보를 반영하기 때문에 적용하였 다. 현장조사에서 확인된 고사지역의 고도정보는 해 발고도 1,000m 이상 지역, 경사도는 5° 이하의 평지 나 낮은 구릉, 토지이용 정보 중에는 농경지, 주거지, 수체 등은 제외지역으로 선정하였다. 이상의 임계치 및 보조자료의 조건을 만족시키는 지역이 식생고사 지역이 될 수 있다. 식생 고사지역 추출을 위한 규칙 기반 모델의 전체적인 구조는 Figure 11과 같다.

규칙기반 모델에 따라 적용하는 구문의 예는 다음 과 같다.

Figure 7. Dieback area. 고사지역

IF

(DEVI129‹-646 and DEVI273‹910 and DMIR193›7.5)

then

{NDVI›0.5 and DEM≥1000 and Slope ≤5 and (landuse ne settlement and landuse ne farmland and landuse ne water body)}

output: dieback process area

Table 3. Subtraction value(2001~2006).

편차값(2001~2006)

region DEVI129 DEVI273 DMIR193

dieback area 1 -962 849 492

dieback area 2 -646 775 118

dieback area 3 -794 910 93

dieback area 4 -1170 727 7.5 Table 5. Subtraction value(2001~2011).

편차값(2001~2011)

region DEVI129 DEVI273 DMIR193

dieback area 1 -953 365 146

dieback area 2 -618 518 230

dieback area 3 -580 262 -74 dieback area 4 -1232 292 -23

Table 4. Subtraction value(2006~2011).

편차값(2006~2011)

region DEVI129 DEVI273 DMIR193 dieback area 1 -346 -484 -346

dieback area 2 112 -257 112

dieback area 3 -167 -648 -167 dieback area 4 -30 -435 -30

Figure 8. Tolerance(2001~2006). 임계치(2001~2006)

Figure 9. Tolerance(2006~2011). 임계치(2006~2011) Figure 10. Tolerance(2001~2011). 임계치(2001~2011)

D<band> = <Band>y+1.d - <Band>y.d y = year, d = date EVI(129:spring),

273: fall)

DEVI129 = EVI129(2006) - EVI129(2001) DEVI273 = EVI273(2006) - EVI273(2001) MIR(193:summer) DMIR193 = MIR193(2006) - MIR193(2001)

D_band subtraction dieback tolerance

masking tolerance: NDVI, height, slope, landuse

I F ( DEVI129 < tolerance and DEVI273 < tolerance and DMIR193 > tolerance )

then

( Each Masking condition

landuse ne (settlement or farmland or water body)

)

output: Dieback Process Area

rule application season subtraction and tolerance

Figure 11. Rule-based modelling for the extraction of dieback area. 고사지역 추출을 위한 규칙기반 모델링

5. 분석결과

모델의 적용으로 2001~2006년, 2006~2011년, 2001~2011년 3 시기의 변화를 분석하였다. 고사수종 은 침엽수인 잎갈나무를 중심으로 해충에 의한 고사 가 큰 것으로 현장조사에서 확인 되었다( Figure 12).

잎갈나무의 껍질은 해충의 활동으로 인해 흘러내린 유기산이 산화되어 불에 탄 것처럼 검게 변하며 고사

되고 있는 상황이다.

분석결과를 토대로 낙지( pruning) 단계에 따라 초 기고사(initial dieback), 중간고사(middle dieback), 완전고사( end dieback)로 구분하였다(Figure 13~16).

고사단계 분류 기준은, 초기고사는 침엽수 잎의 일 부가 해충에 의해 말라가는 단계로 수령이 어린 나무 를 중심으로 고사가 진행되는 상태를 초기단계로, 중 간고사는 침엽수 수관하부의 잎이 대부분 떨어지고, 수령이 어린 나무는 완전히 죽은 상태를 중간단계, 그

Figure 13. Survey sites. 조사 지점

Figure 14. Initial dieback(1). 초기고사(1) Figure 15. Middle dieback(2). 중간고사(2) Figure 12. Traces of bark beetles. 나무좀벌레 흔적

리고 완전고사는 낙엽이 완전히 지고 가지만 남아 있 는 상태를 구분하였다.

연도별 분석결과( Table 6, Figure 17~19), 2001~

2006년간 고사지역 총면적은 28km

이고, 초기고사 는 16km

, 중간고사는 10km

, 완전고사는 2km

로 분석되었다. 2006~2011년에는 35km

로 2006년까 지의 면적에 비해 7km

나 확대되었으며, 이는 초기 고사가 23km

로 전기간 대비 7km

나 확대되었기 때

문이다. 2001~2011년 전체변화는 중간고사가 10km

에서 17km

로 증가하고 초기단계는 14km

로 감소, 반면에 완전고사지역은 4km

로 증가하였다. 11년간 총면적 변화를 종합하면 전체 면적 확대는 둔화되고, 상대적으로 초기고사지역이 중간고사 지역으로 변하 고, 중간고사지역이 완전고사지역으로 변한 것으로 해석된다.

식생고사정도가 크게 진행되는 지역은 중국보다는

(units: km

)

Year Initial Dieback Middle Dieback End Dieback Total

2001~2006 16 10 2 28

2006~2011 23 10 2 35

2001~2011 14 17 4 35

Figure 16. End dieback(3, 4). 완전고사(3, 4)

Figure 17. Dieback area by stages(2001~2006).

단계별 고사지역(2001~2006)

Figure 18. Dieback area by stages(2006~2011).

단계별 고사지역(2006~2011)

북한이 넓은 분포를 보인다. 식생고사지역의 공통점 은 도로와 인접하거나 경작지 주변에서 진행되고 있 는 것을 알 수 있었다. 이는 해충의 유입 경로를 추정 케 하는 단서가 될 수 있는 사실이다.

6. 요약 및 결론

산지지역 식생은 기후변화와 인간의 간섭에 취약 하다. 고산지역의 식생은 산간지역의 생물적 다양성 유지와 인간에게 필요한 자원을 제공해 준다.

본 연구는 MODIS 영상을 이용하여 백두산 아고산 대 침엽수(잎갈나무) 고사지역 추출을 위한 기법개발 과 지도화를 목적으로 수행하였다.

분석결과 식생고사 지역은 낙지( pruning) 단계 에 따라 초기고사( initial dieback), 중간고사(middle dieback), 완전고사(end dieback)로 구분할 수 있었 다. 2001~2006년 고사지역 면적분석 결과 28km

로 나타났으며, 초기고사 단계는 16km

, 중간고사는 10km

, 완전고사는 2km

로 분석되었다. 2006~2011 년에는 고사지역 총면적은 35km

로, 초기고사단계 는 전기간 대비 7km

나 확대되었다. 2001에서 2011 년까지 11동안에는 총면적이 35km

로, 중간고사 지 역과 완전고사지역이 확대된 것으로 나타났다. 전체 적으로 면적은 크게 확대되지 않은 경향을 보이나 초 기고사 지역이 중간고사 및 완전고사 지역으로 확대

된 것으로 분석되었다.

현재 고산과 아고산지역에서 진행되고 있는 식생 고사에 대한 실태는 인지하고 있지만, 접근성의 제약 으로 연구에 한계가 있다. 이러한 제약을 극복하기 위 한 대안적 방법으로 규칙기반 모델링에 의한 영상분 석 기법을 제안한 것이다. 본 연구에 적용된 방법은 산간지역 식생경관 변화에 대한 사전정보 제공에 기 여할 것으로 본다. 다만, 변화가 구체적으로 어떤 원 인에 의한 것인지는 현지조사는 물론 학제간 공동연 구가 필요하다.

참고문헌

Donald, P., Jeffrey, R., Gerald, G., Rodney, M. and Wil- liam, H., 2011, Assessment of MODIS NDVI time series data products for detecting forest defo- liation by gypsy moth outbreaks, Remote Sensing of

Environment, 115, 427-437.

Faiz, R., Detecting spatiotemporal trends of mangrove deg-

radation in Kalimantan using consistently cloud- screened time series of MODIS imagery, Web. 1 Jul. 2012, http://www.forestsclimatechange.org/

fileadmin/tropical-workshop/Plenary-4/29P_

RahmanF_Detecting%20spatiotemporal%20 trends.pdf.

Food and Agriculture Organization, web. 10 Jun. 2012, http://geonetwork3.fao.org/climpag/agroclimdb_

en.php?act=:@&act2=0.3.

Ford, R., Barsness, M.S. and Redmond, R., 1997, Rule- based aggregation of classified imagery, ACSM/

ASPRS, 3, 115-123.

Kharuk, V.I., Ranson,K.J., Kuz’michev, V.V. and Im, S.T., 2003, Landsat based analysis of insect outbreaks in Siberia, Canadian Journal of Remote Sensing, 29, 286-297.

Kharuk, V.I., Ranson,K.J., Kozuhovskaya, A.G., Kon- dakov, Y.P. and Pestunov, I.A. , 2004, NOAA/

AVHRR satellite detection of siberian silkmoth outbreaks in eastern Siberia, International Journal Figure 19. Dieback area by stages(2001~2011).

단계별 고사지역(2001~2011)

of Remote Sensing, 25, 5543-5555.

Kim, N.-S., 2004, A Study on the cartographic generaliza- tion of stream networks by rule based modelling,

Journal of the Korean Geographical Society, 39(4),

Kong, W.-S., 1999, The vertical distribution of air tem- perature and thermal amplitude of alpine plants on Mt. Halla, Cheju Island, Korea, Journal of the

Korean Geographical Society, 34(4), 385-393 (in

Kong, W.-S.,, 2000, Geoecology on the subalpine vegeta- tion and landscape of Mt. Sorak, Journal of the

Korean Geographical Society, 35(2), 177-187 (in

Kovacs, K., Ranson, K.J., and Kharuk, V.I., 2005, Detect- ing siberian silk moth damage in central siberia using multi-temporal MODIS data, In proceeding

of Analysis of Multi-Temporal Remote Sensing, 25 -

Liana, O. A, Yadvinder, M, Luiz E. and Sassan, S., Spa- tial patterns of the canopy stress during 2005 drought in Amazonia, Web. 5 Jun. 2012. http://

w w w.geog.ox.ac.uk/~ymalhi/publications/

publications2007/2007-spatial-patterns-canopy- stress.pdf.

Logan, J. A. and Powell, J. A., 2009, Ecological consequences

of climate change altered forest insect disturbance regimes. In F. H. Wagner (ed.), climate change in western north america: evidence and environmental effects, University of Utah Press.

Luther, J.E., Franklin, S.E., Hudak, J. and Meades, J.P., 1997, Forecasting the susceptibility and vulner- ability of balsam fir stands to insect defoliation with landsat thematic mapper data, Remote Sens-

ing of Environment, 59, 77-91.

Phillips, B.R., Breck, J. A. and Nickel, T.J., 2007, Manag-

ing the economic impacts of mountain pine beetle

outbreaks in Alberta, in Information Bulletin,

Radeloff, V.C., Mladenoff, D.J. and Boyce, M.S., 1999, Detecting jack pine budworm defoliation using spectral mixture analysis: separating effects from determinants, Remote Sensing of Environment, 69, 156-169.

Sakamoto, K., Miki, N., Tsuzuki, T., Nishimoto, T. and Yoshikawa, K., 2003,Comparison of stand dy- namics after dieback caused by pine wilt disease among pine forests with different management re- gimes in western Japan, Journal of Forest Research, 8, 303-309.

Sonam, T., 2009, Status of forest regeneration in dieback

affected Abies ensa(Eastern Himalayan Fir) stands of Chamgang-Helela region(Thimphu), Western Bhutan, Ms Degree Thesis, University of Natural

U.S. Department of Agriculture, 2000, Assessment and re-

sponse to bark beetle outbreaks in the rocky mountain area, report to congress from forest health protec-

교신: 김남신, 광주광역시 북구 용봉로 77 전남대학교 지 리교육과(이메일: [email protected], 전화: 010- 2557-5148)

Correspondence: NamSin Kim, Department of Geograph- ic Education, Chonnam National University, Gwang-Ju 500-75, Korea (e-mail: [email protected], Phone:

+82-10-2557-5148)

최초투고일 2012. 8. 1 수정일 2012. 12. 13 최종접수일 2012. 12. 15