우리나라 산불 발생의 지역별 공간자기상관성에 관한 연구 Study on Regional Spatial Autocorrelation
of Forest Fire Occurrence in Korea
1)
김문일*ㆍ곽한빈**ㆍ이우균***ㆍ원명수****ㆍ구교상*****
Kim, Moon IlㆍKwak, Han BinㆍLee, Woo KyunㆍWon, Myoung SooㆍKoo, Kyo Sang
要 旨
우리나라 산불관리의 주체는 관할시도 행정자치 단체이므로, 산불을 효율적으로 관리하기 위해서는 지역별 산불 발생 특성에 대한 이해가 필요하다. 본 연구에서는 지역별 산불 발생패턴을 분석하기 위해서, 행정구역도를 기반 으로 전국을 9개로 분할하고, 각 권역에서 1991년부터 2008년까지 발생한 산불의 위치 data를 사용해서 공간통계 적 분석을 실시하였다. 산불 발생 자료의 공간 분포는 베리오그램을 통해 분석하였고, 도출된 공간자기상관성을 가지고 Kriging 기법을 통해 산불발생위험을 예측하였다. 분석결과, 대도시를 포함하는 권역에서는 산불이 강한 공 간상관성을 가지고 있었지만, 강원도, 제주도, 충청북도 등의 대도시를 포함하지 않는 지역에서는 산불의 공간상관 성이 낮은 것으로 나타났다.
핵심용어 : 산불, 공간분석, 공간자기상관성, 베리오그램
Abstract
Forest fire in Korea has been controlled by local government, so that it is required to understand the characteristics of regional forest fire occurrences for the effective management. In this study, to analyze the patterns of regional forest fire occurrences, we divided South Korea into nine zones based on administrative boundaries and performed spatial statistical analysis using the location data of forest fire occurrences for 1991-2008. The spatial distributions of forest fire were analyzed by the variogram, and the risk of forest fire was predicted by kriging analysis. As a result, forest fires in metropolitan areas showed strong spatial correlations, while it was hard to find spatial correlations of forest fires in local areas without big city as Gangwon-do, Chungcheongbuk-do and Jeju island.
Keywords : forest fire, spatial, spatial analysis, autocorrelation, variogram
1. 서 론
최근 전 세계적으로 기후변화 대응을 위한 탄소흡수 원 확충, 생물다양성 보전, 녹색성장 등이 중요한 의제 로 부각됨에 따라 산림 자원의 관리와 보존에 대한 관 심이 점점 더 높아지고 있고, 이에 따라 UN에서는 2011년을 ‘세계 산림의 해’로 지정하였다(산림청, 2010).
산불은 산림과 산림생태계를 위협하는 대표적인 산 림 재해중 하나로, 일반적으로 광범위한 지역에 신속하
게 피해를 입히는 특성을 가지고 있으며(최승필 등, 2006), 생물다양성 감소, 목재 등 임산물의 손실, 관광 객 감소 등 생태학적, 경제적, 사회적인 측면에 다양한 영향을 미치고 있다. 또한, 최근의 연구결과에 따르면 지구 온난화와 동반된 평균 기온증가에 따른 습도감소, 강수일수 감소 등에 의해 산불 발생과, 대형산불 발생 위험성이 증가하고 있다고 보고되고 있으므로(McCoy and Burn, 2005; 성미경 등, 2010), 산불 방지와 대책 에 대한 연구의 필요성이 높아지고 있다.
우리나라 산불은 대부분 산악형 산림에서 발생함으
2011년 3월 17일 접수, 2011년 4월 21일 채택
* 학생회원ㆍ고려대학교 환경생태공학과 석사과정([email protected])
** 학생회원ㆍ고려대학교 환경생태공학과 박사과정([email protected])
*** 교신저자ㆍ고려대학교 환경생태공학부 교수([email protected])
**** 국립산림과학원 산림방재연구과([email protected])
***** 국립산림과학원 산림방재연구과([email protected]) 연구논문
로 즉각적인 지상접근이 곤란하고, 산지의 경우 경사가 급하고 기복이 많은 지역이기 때문에 연소진행 속도가 평지보다 8배나 빠르게 확산되는 특징이 있다(이시영 과 이해평, 2006; 산림청, 2009). 또한, 단순림이 많고 산림의 밀도가 높기 때문에 산불이 발생하면 대형 산불 로 확산될 위험이 높다(곽한빈 등, 2008). 그러므로 우 리나라의 경우 산불 발생을 미리 예측하여 대응하는 것 이 중요하다.
산불 발생을 사전에 방지하기 위해서는 산불 발생에 어떤 요인이 영향을 미치는지 파악하는 것이 선행되어 야 한다. Kasischke 등(2002)은 산불 발생빈도와 관련 인자간의 특성을 연구하여 관련인자별로 위험성을 분 석하였고, 국내에서도 산불 발생 인자들에 대한 연구가 다양한 측면에서 이루어지고 있다(양인태 등, 1999; 이 시영 등, 2004; 안상현 등, 2004; 곽한빈 등, 2008).
그러나 산불발생은 공간적 분포패턴을 지니고 있기 때문에 기존의 일반적 통계분석으로는 그 영향관계를 명확히 밝힐 수 없는 어려움이 있다. Zhang과 Selinus (1997)은 환경이라는 범주에서 공간 변수를 처리할 때 전통적인 통계기법을 사용하는 것은 몇 가지 한계가 있 다고 지적하였다. 이러한 문제점들의 해결을 위해, 자 료의 속성과 공간을 함께 고려하는 통계분석 방법인 공 간통계(Geostatistics)가 적용되고 있다. 국내에서는 생 태계(이종수 등, 2006), 해양(최현우 등, 2007), 수목생 장 및 형태(Lee 등, 2006; Choi 등, 2010), 기상인자 공 간분포(Choi 등, 2006; Kim 등, 2010) 등의 다양한 분 야의 연구에서 공간통계적인 방법이 적용되고 있고, 최 근에는 산불발생에 관한 연구에도 공간통계학적인 방 법이 적용되고 있다(Yang et al., 2007; 변영기 등, 2007; 곽한빈 등, 2010).
공간통계적 분석은 공간정보를 가진 한 자료는 공간 적으로 멀리 떨어져 있는 자료 보다는 공간적으로 가까 운 값들과 더 높은 상관을 갖는다는 개념을 기초로 하 고 있다(Schabenberger와 Gotway, 2005). 어떤 현상이 어떠한 공간적인 패턴을 가지고 있는지 규명하는 것은 그 현상의 형성과정과 요인을 밝히는 일 중 하나이므로 (국토연구원, 2004), 산불발생에 대한 공간적인 패턴의 파악과 공간관계의 해석이 가능하다면 공간 관련 의사 결정에 도움이 될 수 있을 것이다.
본 연구에서는 우리나라 전국을 행정구역도를 기반 으로 9개 지역으로 분할하여, 지역별로 산불발생 패턴 의 공간적인 특징을 분석하였다. 공간통계기법 중의 하 나인 베리오그램(Variogram)을 통해 산불발생의 공간 자기상관성(Spatial Autocorrelation)을 분석하였으며, 내삽(Interpolation)기법 중 하나인 kriging 방법을 통해
지역별 산불발생 위험성을 예측하였다.
2. 재료 및 방법 2.1 연구대상지
본 연구에서 사용된 자료는 산림청 산불정보시스템 에서 제공하는 전국 산불 발생 자료(Point Data, 그림 1)를 활용하였다. 공간 점 자료의 특성은 크게 1차 특 성과 2차 특성으로 나눌 수 있는데, 1차 특성은 일정 면적에 해당하는 점의 밀도에 대한 개념이며, 2차 특성 은 이웃하는 점들 간의 관계를 나타내는 특성이다 (Schabenberger와 Gotway, 2005). 산불 발생의 공간분 포의 분석을 위해서는 산불이 어느 지역에서 얼마나 발 생하였는지, 즉 밀도에 대한 개념이 중요하므로, 1차 특성을 반영하기 위하여 단위 면적당 산불 발생의 건 수 자료로 변환하여 사용하였다. 이를 위해서 단위격자 당 산불발생 건수 자료로 변환하여 공간 DB로 구축하
그림 1. 우리나라에서 18년간(1991-2008) 발생한 산불의 위치 자료.
그림 2. 산불 발생의 공간자기상관성 분석을 위한 연구 흐름도
였고, 1991년부터 2008년까지, 총 18년간의 산불발생 자료를 사용하였다.
본 산불 자료는 지번 정보를 기반으로 만들어진 자료 이므로, 산림 지역의 지적도의 평균 넓이를 고려하여 공간격자(Grid)의 크기를 5㎞×5㎞로 정하였다. 각 Grid(25㎢) 내에서 18년 동안 발생한 산불의 횟수를 속성자료로 입력하여 주었다. 이 경우 한 격자당 0-31 건의 산불이 발생하는 것으로 나타났다.
시군구별 산불 발생의 특징을 비교하고자 하였으나, 특별· 광역시를 분리할 경우 공간적으로 분리가 되어 명확한 분석이 될 수 없기 때문에, 인접한 시 · 도 권역 별로 묶어서(서울 · 경기 · 인천지역, 대전 · 충남지역, 전 북지역, 충북지역, 강원지역, 대구 · 경북지역, 부산 · 울 산· 경남지역, 광주 · 전남지역, 제주지역), 전국을 9개 지역으로 나누어 분석하였다. 이때 울릉도를 포함한 군 소 도서지역은 제외하였는데, 이는 우리나라 섬들의 면 적이 작아서 본 연구에서 설정한 Grid로는 공간적인 분 석을 하기 어렵기 때문이다. 또한, 각 권역 주변의 영향 을 고려하고, 권역 경계지역의 분석을 용이하기 위해, 권역 경계에서 10㎞ 완충지역(Buffer Zone)을 설정하 여 분석하였다. 이상과 같은 연구흐름도는 그림 2와 같 다.
2.2 공간자기상관성
산불 발생의 공간적인 특징을 파악할 수 있도록, 구 축한 자료를 가지고 각 시도별 공간자기상관(Spatial Autocorrelation)분석을 시행하였다. 공간자기상관이란 한 지점의 값이 다른 지점의 값과 얼마나 관련이 있는지
를 의미한다. 이 공간자기상관성은 반베리오그램(Semi- variogram), 상관그램(Correlogram), 공분산(Covariance), 매도그램(Madogram) 등을 통해 수치적으로 나타낼 수 있다(최종근, 2007). 본 연구에서는 반베리오그램을 이 용하여 공간자기상관을 분석하였다. 반베리오그램은 관례상 베리오그램(Variogram)이라고 말하기도 함으 로, 본 연구에서는 베리오그램으로 표현하고자 한다.
베리오그램은 일정한 거리에 있는 자료들의 유사성을 나타내는 척도로 다음의 식으로 표현될 수 있다(식 1).
자료들의 유사성이 높을 경우 베리오그램의 값 (Semivariance)이 감소하고, 자료들의 유사성이 낮아서 각 값들 간의 차이가 클 때 그 값은 증가하게 된다.
(1)
여기서 는 임의의 지점 에 있는 자료를 말하 고 는 에서 거리만큼 떨어진 지점의 자료를 말한다.
정의된 수식에서 알 수 있듯이 베리오그램은 일정거 리 만큼 떨어진 두 자료들 간의 차이를 제곱한 것의 기댓값이다. 그러므로 거리가 가까우면 그 값들이 비슷 함으로 베리오그램은 낮게, 거리가 멀면 그 값이 높게 나타난다. 베리오그램 분석결과에서 값이 점점 커지다 가 일정해지는 값을 Sill이라고 하며, 그 거리를 Range 라고 한다. Sill은 이론적으로 전체자료의 분산값에 수 렴하게 되며, Range가 클수록 그 지역의 자료들이 공 간적으로 넓게 관련이 있다는 것을 의미한다. 구축된 자료의 한계로 거리가 0이 될 때도, 베리오그램은 0이 되지 않는데, 이 값을 Nugget이라고 하고, 짧은 분리거 리(Lag Distance)에서 자료의 불확실성을 나타낸다. 공 간자기상관이 미치는 거리가 Range로 나타나고, 그 값 이 Sill로 나타난다. Nugget과 Sill사이를 Partial Sill이 라고 한다(류희영 등, 2008).
본 연구에서는 5㎞격자를 기반으로 자료를 구축하였 으므로, 5㎞ 이내에서 발생한 산불자료의 상관관계는 분석하기 어렵기 때문에 Nugget 값이 존재하게 된다.
베리오그램의 모델은 Sill 값의 존재유무, Nugget 값 의 존재유무에 따라 여러 가지 모델로 구분된다. 본 연 구에서는 사용한 자료의 특성상 Sill 값과 Nugget 값이 존재함으로, 두 개의 값이 모두 존재할 때 사용할 수 있 는 모델 중, 구형모델(Spherical Model)을 사용하였다 (식 2). 그 이유는 산불 발생의 공간 상관성을 실험적 베리오그램(Empirical Variogram)을 통해 분석해 본
결과 공간 상관성이 변하는 형태가 구형모델에 근접하 였고, Gaussian, Exponential 모델과 비교하였을 때, 오 차가 가장 작게 나타났기 때문이다.
≤
(2)
: Sill
: Range
: Lag distance
구형모델은 3차 다항식의 형태로 표현되며, 선형모델 과 마찬가지로 상관거리에서의 베리오그램 값이 정확 히 Sill과 일치한다.
2.3 위험도 예측
각 지역별로 분석된 산불발생 패턴을 통하여 산불 발 생 위험도를 예측하였다. 위험도 예측은 내삽 (Interpolation)기법 중의 하나인 kriging 기법을 사용하 였다. Kriging은 주위에 알려진 값들의 가중 선형조합 으로 미지값을 예측하는 기법이다. 본 연구에서는 추정 식이 편향되지 않으면서 오차 분산을 최소로 하는 Ordinary Kriging(정규크리깅, OK) 기법을 사용하였다 (박노욱과 장동호, 2008; 우광성 등, 2008).
미지의 위치 에서의 Ordinary Kriging 추정치
는 주변의 관측된 값 들의 선형 결합으로 식 (3)과 같이 표현된다(Goovaerts, 1997).
(3)
(4)
(5)
식 (3)에서 Ordinary Kriging 가중치 는 추 정 분산 을 최소화 하면서, 추정 의 불편향 조건인 을 만족하도록 결정되어야 하는데, 식 (4)의 Ordinary Kriging 시스템 을 통해 결정된다(김동휘 등, 2010). 여기서 와
∙ 라그랑지안(Lagrangian) 파라미터와 두 지점간 거리에 따른 베리오그램 값을 나타낸다. Ordinary Kriging을 수행할 경우, Kriging 예측치 와 더 불어 식 (5)에 주어진 오차 분산도 함께 얻어진다.
3. 결과 및 고찰 3.1 지역별 공간자기상관성
분석된 결과를 보면 대도시가 존재하는 지역(서울, 부산, 대전, 대구, 광주)에서는 공간상관성이 뚜렷하게 나타났다(그림 3). 부산 · 울산의 경우는 대도시가 인접 하게 위치하기 때문에 공간상관거리가 다소 넓게 나타 났다. 또한 이 지역은 상관거리 이후의 Semi-Variance 값이 산포되는 정도도 매우 큰 것으로 나타난 것이 특 징이다.
하지만 강원도, 제주도, 충청북도 지역에서는 뚜렷한 공간상관관계가 나타나지 않는다. 특히 제주도의 경우 Nugget 값과 Sill 값이 거의 차이가 없는 것이 특징이다.
산불이 많이 발생하는 경우 Sill 값도 상대적으로 크 게 나타났다. 특히 서울 · 경기 · 인천 지역의 경우, Nugget 값의 수치가 다른 지역에 비해 매우 높게 나타 났다. 이것은 이 지역 내에서 가까운 거리 안에서도 값 의 변이가 크다는 것을 의미한다. 부산 지역의 경우 서 울만큼 높지는 않지만 역시 Nugget 값이 다른 지역보 다 크게 나타난 것도 같은 이유인 것으로 파악된다.
Nugget 값과 Sill 값의 차이가 큰 지역은 공간적 변 이가 크다는 것을 의미하며, 이는 산불 발생이 한 지역 에 강하게 집중된다는 것을 의미한다. 이러한 지역은 대전· 충남, 대구 · 경북, 광주 · 전남 지역으로 나타났다.
본 연구 결과를 통해 알 수 있는 점은 산불 발생에 대한 공간 상관성은 대도시가 존재하는 지역과, 대도시 가 존재하지 않는 지역 간에 큰 차이가 있다는 사실이 다. 그 영향의 정도를 정량적으로 해석한 본 연구 결과 는 향후 산불 발생 방지에 유용하게 활용될 수 있다.
3.2 위험도 예측
최종적으로 kriging 기법을 통해 예측된 위험도는 그 림 4와 같다. 그림 5의 실제 산불 발생 자료와 비교하 였을 때, 비교적 정확하게 예측되는 것을 확인할 수 있 다. 점 자료인 원 자료에 비해 예측된 지도는 산불이 발 생하지 않은 지점까지 위험도를 예측할 수 있는 면 자 료이기 때문에 산불 발생에 대한 관리 차원에서 장점을 갖는다.
(a) (b) (c)
(d) (e) (e)
(g) (h) (i)
그림 3. 지역별 공간자기상관성 (a) 서울ㆍ인천ㆍ경기도, (b) 충청북도, (c) 강원도, (d) 대전ㆍ충청남도, (e) 전라북도, (f) 대구ㆍ경상북도, (g) 광주ㆍ전라남도, (h) 부산ㆍ울산, 경상남도, (i) 제주도 3.3 오차 검정
각 지역별로 예측된 결과는 교차 검증(Cross- Validation) 방법으로 모형의 정확성을 살펴보았다(표 1). 표본 수는 대구 ․ 경북 지역이 가장 많고, 제주 지역 이 가장 적었다. RMSE(Root Mean Square Error)는 제주 지역에서 0.632로 가장 낮게 나타났고 서울 ․ 경기
․ 인천 지역에서 3.135로 비교적 높게 나타났다. 서울 지역에서 오차가 크게 나타난 것은 자료의 변이가 심하 여 각 지점별로 산불 발생 건수가 차이가 크기 때문인 것으로 보인다. 이는 인구의 분포 양상이 다양하고, 산 림에 대한 접근 가능성도 차이가 크기 때문에 산불 발 생도 역시 큰 변이로 나타난다고 사료된다. 이와 같은 오차의 특성을 통해서 수도권 지역의 산불이 통제하기 가 더 까다로움을 알 수 있었다. 반면에 제주지역의 경 우, 예측된 값과 실측된 값의 차이가 가장 적어 공간통 계 모형의 적합도가 가장 높은 것으로 판단되었다. 전 지역의 RMSE에 대한 평균은 1.886정도로 나타났다.
분산에 따른 오차의 영향을 제거하고자, 표준화된 RMSE의 결과도 분석해 보았다. 표준화된 RMSE는 1
에 가깝게 나와야 하며, 1보다 클 경우 과소추정된 것 이며, 1보다 작을 경우 과대추정된 것이다. 서울 ․ 경기
․ 인천 지역의 표준화된 RMSE 값이 0.919정도로 다소 낮게 나타났고, 다른 지역은 1에 가까운 값을 갖는 것 으로 나타났다. 오차검정을 통한 산불 발생분포 예측의 정확성과 변이 양상을 보면, 대도시가 포함된 지역의 경우 산불 발생 빈도가 높으므로 이에 따른 변이도 동 시에 증가하여 산불 발생에 대한 정확한 예측이 어려운 것으로 파악되었다.
본 연구는 산불 발생에 영향을 미치는 인자들을 고려 하지 않고 산불 발생 그 자체만을 이용하여 공간적인 특성을 분석한 다음 산불 발생에 대한 위험을 예측한 것이다. 따라서 산불 발생에 영향을 미치는 다양한 영 향을 고려하지 못했다는 점에서 한계를 갖는다. 또한 예측된 산불 위험 지도가 토지 피복을 고려하지 않고, 전국을 동일한 조건으로 보고 예측하였다는데 한계가 있다. 특히, 산림 외의 지역에도 적용되었다는 점에서 향후 연구를 통한 보완이 필요하다.
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
그림 4. 지역별 산불발생 위험지도 (a) 서울ㆍ인천ㆍ경기도, (b) 충청북도, (c) 강원도, (d) 대전ㆍ충청남도, (e) 전라 북도, (f) 대구ㆍ경상북도, (g) 광주ㆍ전라남도, (h) 부산ㆍ울산, 경상남도, (i) 제주도
4. 결 론
산불 발생과 같은 공간적 분포를 갖는 자료들은 일반 통계적인 기법으로는 도출할 수 없는 공간적인 연관관 계를 갖고 있다. 특히 산불과 같이 몇 지점에 지속적으 로 집중되는 특징을 갖고 있는 자료는 강한 공간적 상 관관계를 갖고 있다. 본 연구에서는 베리오그램 분석을
이용하여 산불 발생이 각 지역별로 얼마만큼의 공간적 인 상관을 갖고 있는지 수치적으로 분석을 해 보았으며 그 의미를 해석하였다. 또한, 그 결과를 통해 kriging 기법을 이용하여 지역별로 산불이 발생한 지역뿐만 아 니라 산불이 발생하지 않은 지점의 위험정도를 예측하 였고 그 결과를 검증하였다.
연속된 시도를 하나로 묶어 서울· 경기 · 인천, 부산 ·
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
그림 5. 지역별 실제 산불발생 지도 (a) 서울ㆍ인천ㆍ경기도, (b) 충청북도, (c) 강원도, (d) 대전ㆍ충청남도, (e) 전라북도, (f) 대구ㆍ경상북도, (g) 광주ㆍ전라남도, (h) 부산ㆍ울산, 경상남도, (i) 제주도
울산· 경남, 대전 · 충남, 대구 · 경북, 광주 · 전남, 전북, 충북, 강원, 제주의 9개로 나누어서 분석을 시도하였다.
이를 통해 각 행정구역별로 공간적인 상관관계의 차이 가 명확하게 나타났다. 특히 대도시를 포함하는 행정 단위에서는 강한 공간적 군집이 나타났다. 그러나 제주 나 강원 등 대도시를 포함하지 않는 행정 단위에서는
공간상관성을 발견하기 힘들거나, 아예 나타나지 않았 다. 또한, 서울 · 경기 · 인천 지역과 부산 · 울산 · 경남 지역은 Nugget 값이 다른 지역에 비해 매우 높은 값이 도출되었다. 이는 가까운 거리에서 산불발생 값의 변이 가 크다는 것을 의미하며, 따라서 산불발생 예측과 관 리적인 측면에서 부정적인 영향을 끼친다고 생각된다.
지역 표본수 RMSE 표준화된 RMSE
(a) 626 3.135 0.919
(b) 552 1.992 0.961
(c) 834 1.492 0.989
(d) 524 1.772 0.980
(e) 503 1.615 0.948
(f) 1022 1.816 0.988
(g) 727 1.973 0.940
(h) 730 2.549 1.010
(i) 93 0.632 1.049
표 1. 산불발생 위험지도에 대한 오차검증 (a) 서울ㆍ인천ㆍ경기도, (b) 충청북도, (c) 강원도, (d) 대전ㆍ충청남도, (e) 전라북도, (f) 대구ㆍ경상북도, (g) 광주ㆍ전라남도, (h) 부산ㆍ울산, 경상남도, (i) 제주도
이를 통해 향후 산불 예방과 관리에서는 지역별로 이러 한 공간 상관성을 고려하여 산불 방지 대책을 구분하여 계획한다면 산불발생 예방 및 관리 측면에서 효과적일 것이라 사료된다.
참고문헌
1. 곽한빈, 이우균, 이시영, 원명수, 이명보, 구교상, 2008, 산불 발생 분포와 지형, 지리, 기상 인자간의 관계 분석, 한국GIS학회 춘ㆍ추계학술대회, pp.465-470.
2. 곽한빈, 이우균, 이시영, 원명수, 구교상, 이병두, 이명 보,. 2010, 우리나라 산불 발생의 원인별 공간적 특성 분석, 한국임학회지, 99권, 3호, pp.259-266.
3. 국토연구원, 2004, 공간분석 기법, 한울아카데미. 4. 김동휘, 류동우, 김민태, 이우진, 2010, 압축지수의 추정
방법이 압밀침하량의 공간적 분포특성에 미치는 영향, 한국지반공학회논문집, 26권, 10호, pp.39-47.
5. 박노욱, 장동호, 2008, 수치표고모델과 다변량 크리깅을 이용한 기온 및 강수 분포도 작성, 대한지리학회지, 43권, 6호, pp.1002-1015.
6. 변영기, 허용, 김용민, 유기윤. 2007. 국지적 공간산관분 석을 이용한 MODIS영상에서의 산불탐지에 관한 연구, 한국지형공간정보학회, 15권, 1호, pp.23-29.
7. 류희영, 이기원, 권병두, 2008, 도시원격탐사에서 베리 오그램을 이용한 최적의 분석범위 구역화, 대한원격탐 사학회지, 24권, 2호, pp.107-115.
8. 산림청, 2009, 2009년 산불통계연보.
9. 산림청, 2010, 2011년 업무계획.
10. 성미경, 임규호, 최은호, 이윤영, 원명수, 구교상, 2010, 기후 변화에 따른 한반도 산불 발생의 시공간적 변화 경향, 한국기상학회, 대기, 20권, 1호, pp.27-35.
11. 안상현, 이시영, 원명수, 이명보, 신영철, 2004, 공간분 석에 의한 산불발생확률모형 개발 및 위험지도 작성, 한국지리정보학회지, 7권, 4호, pp.57-64.
12. 양인태, 유영걸, 최승필, 김응남. 1999. GSIS에 의한 산 불 피해 지점의 공간 분포 분석, 한국지형공간정보학 회, 7권, 2호, pp.93-100.
13. 우광성, 박진환, 이희정, 2008, 베리오그램 모델 변화에 따른 정규 크리깅 보간법의 민감도 분석, 한국전산구 조공학회, 21권, 3호, pp.295-304.
14. 이시영, 이해평, 2006, 한국의 산불발생 실태분석, 한국 화재소방학회 논문지, 20권, 2호, pp.54-63.
15. 이시영, 안상현, 원명수, 이명보, 임태규, 신영철, 2004, GIS를 이용한 산불발생위험지역 구분, 한국지리정보 학회지, 7권, 2호, pp.37-46.
16. 이종수, 이우균, 윤정호, 송철철, 2006, 공간통계와 GIS 를 이용한 소나무림과 참나무류림의 분포패턴, 한국임 학회지, 95권, 6호, pp.663-671.
17. 최승필, 김동희, 이석균, 2006, 위성영상 자료에서 요인 분석에 의한 산불 피해 지역 추출, 지형공간정보, 14 권, 1호, pp.13-19.
18. 최정순, 박만식, 원유복, 김학열, 허태영, 2010, 공간적 연관구조를 고려한 총범죄 자료 분석, 응용통계연구, 23권, 2호, pp.335-344.
19. 최종근, 2007, 지구통계학, 시그마프레스, 서울. pp.
386.
20. 최현우, 김계현, 이철용, 2007, 해양환경 공간분포 패턴 분석을 위한 공간자기상관 적용 연구-광양만을 사례지 역으로- 한국지리정보학회지, 10권, 4호, pp.60-74.
21. Choi, H.A., Lee, W.K., Kim, S.A., Kwak, H.B., 2008.
Spatio-Temporal Variability of Temperature and Precipitation in Seoul, The Journal of GIS Association of Korea. vol.16, no. 4, pp.467-478.
22. Choi, H.A., Lee, W.K., Byun, J.G., Kwak, H.B., Kim, S.R., Byun, W.H., 2010. Spatial Distribution of Tree Radial Growth to Environmental and Climate Change in Seoul Central Urban Forest, Journal of Forest Planning Japan.
23. Goovaerts, P., 1997, Geostatistics for Natural Resources Evaluation, Oxford University Press, Oxford.
24. Kasischke, E., Williams, D. and Barry, D., 2002, Analysis of the patterns of large fires in the boreal forest region of Alaska, International Journal of Wildland Fire, vol.11, pp.131-144.
25. Kim, S.N., Lee, W.K., Shin, K.I., Kafatos, M., Seo, D.J., Kwak, H. 2010. Comparison of Spatial Interpolation Techniques for Predicting Climate Factors in Korea, Forest Science and Technology. vol.6, no. 2, pp.97-109.
26. Lee, W.K., Biging, G.S., Son, Y., Lee, K.H., Son, Y.M., 2006. Geostatistical analysis of regional differences in stem taper form of Pinus densiflora in central Korea, Ecological Research. vol.21,
pp.513-525.
27. McCoy, V.M., and Burn, C.R., 2005, Pontential Alteration by Climate Change of the Forest-Fire Regime in the Boreal Forest of Central Yukon Territory, Arctic vol.58, no.3, pp.276-285.
28. Schabenberger, O. and Gotway, C.A., 2005, Statistical Methods for Spatial Data Analysis, Chapman and Hall/CRC, Boca Raton.
29. Yang, J., He, H., Shifley, S. and Gustafson, E., 2007, Spatial patterns of modern period human-caused fire occurrence in the Missouri Ozark Highlands, Forest Science, vol.53, no.1, pp.1-15.
30. Zhang, C. and Selinus. O., 1997, Spatial analysis for copper, lead, zinc contents in sediments of the Yangtze River basin, The Science of the Total Environment, vol.204, pp.251-262.
