Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.56 No.2 pp.49-59
DOI : https://doi.org/10.14397/jals.2022.56.2.49

Time-Series Characteristics of Forest Fire Occurrence in Korea

Jeong-Hwan Kim1, Se-Myung Kwon2, Won-Seok Kang3*
1Division of Forest Welfare Statistics, Korea Forest Welfare Institute, 35236, Republic of Korea
2Institute of Ecological Restoration, Kongju National University, Yesan 32439, Republic of Korea
3Division of Forest Ecology, National Institute of Forest Science, 02255, Republic of Korea
* Corresponding author: Won-Seok Kang (Tel) +82-2-961-2623 (E-mail) wons4457@korea.kr
April 21, 2020 June 4, 2020 April 26, 2022

Abstract


This study was performed for confirming the time-series characteristics of the forest fire occurrence. As a result of spectrum analysis about annual time-series from 1960 to 2018, it was found that it had a cycle of about 16.6 years. And as a result of monthly analysis, it was a cycle of about 11.3 months during 2003-2019. These had not tendency to increase or decrease, because of the yearly and monthly time-series showed a stable trend (P<0.05). The frequency of forest fire occurrence by each day of the week showed a different trend (P<0.001). On the other hand, the forest fire frequency is highest in Kyeongsangbuk-do, however the damaged area is highest in Kangwon-do. As a result of monthly spectrum analysis among regions, fast Fourier-transform power tended to be high with order of high frequency, it had a cycle between 11 and 12 months in common. Therefore, the frequency of forest fire occurrence is considered to be highly related to both humanities and social factors as well as natural science factors.



우리나라 산불의 시계열 특성

김 정환1, 권 세명2, 강 원석3*
1한국산림복지진흥원 산림복지통계조사팀 과장
2공주대학교 생태복원연구소 연구교수
3국립산림과학원 산림생태연구과 임업연구사

초록


우리나라 산불 발생에 관한 시계열적 특성은 다음과 같다. 1960년부터 2019년까지 연도별 산불 발생빈도는 약 16.6년을 주기를, 2003년부터 2019년까지 산불 발생빈도는 약 11.3개월의 주기를 갖는 것으로 확인되었고, 연도별, 월별 시계열은 안정된 경향을 보여 증가 혹은 감소하는 추세를 확인할 수는 없었다(P<0.05). 지역별 산불 발생 현황을 확인한 결과 경상북도에서 산불이 가장 많이 발생한 것으로 나타났고, 산불피해 면적은 강원도가 가장 넓은 특징을 보였다. 또한, 지역별 시계열적 주기성은 산불 발생빈도가 높은 순으로 FFT-Power가 높은 경향을 보였으나 공통적으로 약 11~12개월 사이의 주기를 갖는 것을 확인할 수 있었다. 또한, 요일별로 산불 발생빈도를 확인한 결과 요일별로 산불 발생빈도가 뚜렷하게 다르다는 결과를 얻을 수 있었다(P<0.001). 따라서 산불 발생빈도는 기상 현상 등 자연과학적인 요소와 함께 인문사회적인 요소 모두와 높은 관계에 있었다.



    서론

    산불은 동식물의 서식지 파괴와 자연 환경파괴의 주요 원인으 로, 전 세계적으로 지구온난화와 인위적 활동 범위와 빈도가 증가 함에 따라 더욱 빈번히 발생하고 있다(Dennison et al., 2014). 최근 들어 화재관리 기술의 발달과 연료의 변화 등으로 인해 전 세계적으로 연평균 산불 발생 건수는 점차 줄어드는 추세이나 시간 경과에 따라 산불피해액이 급증하는 추세이다(Steel et al., 2015;Abatzoglou and Williams, 2016;Flannigan, et al., 2016).

    우리나라는 산불로 인한 피해를 예방하기 위해 지형인자 또는 기상인자를 활용한 산불 발생 특성 확인 및 예측 연구를 비롯하여 (Lee & Jung, 2010;Lee, et al., 2011;Kim, 2014), 산불 확산 경로와 이동속도 예측 알고리즘 연구(Koo & Lee, 2016) 등 산불 피해의 실질적인 예측을 위한 연구가 다양하게 진행되었다(Lee & Jung, 2010;Lee, et al., 2011). 그러나 산불 발생에 관련한 시계열적 특성에 관련한 연구는 일부 산불 현황에 관련된 연구 결과에서 요일별 산불 발생 현황 혹은 발생 시간에 관련한 내용이 시대별로 어떻게 변화하는지에 관련하여 연구되었으나, 구체적인 시계열 자료의 분석은 거의 이루어지지 않았다(Lee et al., 2012).

    캐나다, 러시아, 미국 등 세계 각국에서도 산불 발생 특성과 관련 한 다양한 연구가 진행되었는데(Herman & Paul, 2004;Williams et al., 2014), 특히 Black-carbon을 분석하여 구축한 수백 년에 달하는 산불 발생빈도에 관한 시계열적 데이터는 기상인자와 지형 인자와 연결하여 산불모형에 관한 고도화 등에 관련한 연구가 진행 된 바 있으며(Larsen, 1997;Bergeron et al., 2001;Wallenius et al., 2004), 나아가서 이를 활용하여 산불피해지를 다양한 관리지 역으로 구분하는 모델을 정립하는 등 토지이용형태 혹은 산림관리 를 제안하는 단계에 이르러 있다(Bergeron, et al., 2004).

    한편, 푸리에변환(Fourier Transform, FT)은 일반적으로 파장 을 나누는데 주로 활용되는 방법으로 시계열 자료에 적용하는 경우 해당 시계열 자료가 갖는 주기성을 확인하는데 사용할 수 있다. 이 중 빠른 푸리에변환(Fast Fourier Transform, FFT)은 이산 푸 리에변환(Discrete Fourier Transform, DFT)과 역변환을 빠르게 수행하기 위한 방법으로 Cooley-Tukey 알고리즘이 주로 활용된 다. Cooley-Tukey 알고리즘의 경우 전체 표본 수를 재귀적으로 이등분하여 분할하기 때문에 빠르게 푸리에변환과 역변환이 가능 하며 일반적으로 총 표본이 2n개가 사용되어야 하나, DFT한 결과 를 더 작은 DFT로 나눌 수 있기에 사실상 표본의 수에 상관없이 사용 가능하다는 장점이 있다.

    따라서 이 연구는 산불 발생 통계자료에 관한 시계열적 특성을 분석하여, 산림의 지속 가능한 관리와 추후 산불 예측에 필요한 기초 자료를 확보하기 위해 수행되었다.

    재료 및 방법

    1. 자료의 수집

    산불피해 현황은 산림청과 통계청의 자료를 활용하였다. 연도별 산불피해현황은 1960년부터 2018년까지는 통계청의 국가통계포 털에서, 2019년은 산림청의 산불발생현황에서 자료를 수집하였다. 한편, 통계청 국가통계포털은 월일별, 지역별 산불발생 현황자료를 제공하지 않았고, 산림청에서 2003년부터 2019년까지의 구체적인 산불발생 현황자료를 제공하고 있어, 이를 활용하여 2003년부터 2019년까지의 월별 및 지역별 자료를 수집하여 분석에 활용하였다 (Korea Forest Service, 2016;2018;2020;Statistics Korea, 2020). 한편 제주도와 울릉도 등 섬의 경우에는 발생빈도가 적어 분석에서 제외하였다.

    2. 통계분석

    2003년부터 2019년까지 17년간의 일별 산불발생자료를 활용 하여 공휴일을 제외한 요일별 예측빈도를 설정하였고, 공휴일은 17년간 공휴일에 산불이 발생할 확률이 평일과 동일하다고 가정하 여 예측빈도를 설정하고 분석에 활용하였다. 요일 및 휴일별 예측 빈도와 발생빈도를 카이제곱검정(Chi-square test)을 활용하여 검 정하였고, 이때, 귀무가설은 총 발생빈도가 공휴일과 요일별로 동 일한 것으로, 대립가설은 발생빈도가 공휴일과 요일별로 차이가 있는 것으로 설정하였다. 그리고 일별 발생빈도가 Poisson 분포를 따르는지를 확인하였다. 카이제곱분석에 관한 가설설정을 나타내 면 다음과 같다.

    • H0: 요일별 산불 발생빈도가 동일하다.

    • H1: 요일별 산불 발생빈도가 동일하지 않다.

    • H0: 평일과 공휴일의 산불 발생빈도가 동일하다.

    • H1: 평일과 공휴일의 산불 발생빈도가 동일하지 않다.

    • H0: 산불 발생빈도의 분포는 Poisson 분포를 따른다.

    • H1: 산불 발생빈도의 분포는 Poisson 분포를 따르지 않는다.

    한편, 자료의 시계열 주기성과 안정성은 FFT와 시계열차분, 단 위근 검정(unit root test)을 활용하여 확인하였다. 푸리에변환은 가법형 시계열차분(additive time-series decomposition)과 비슷 한 원리로 시간에 관한 함수를 구성하고 있는 주파수의 성분으로 분해하는 작업을 의미한다. 즉, 시간-변수로 구성된 함수평면에서 주파수의 형태로 변환하는 것을 의미한다. 따라서 시계열함수에 푸리에변환을 수행하면 복소수의 절댓값은 원시계열함수를 구성 하고 있는 주파수의 양을, 편각을 해당 시계열함수의 기본 사인곡 선과의 위상차를 의미하게 된다. 한편, 이 연구에서 활용한 FFT는 푸리에변환을 빠르게 수행하기 위해 고안된 방법으로 식 1과 같은 방법으로 Microsoft Excel 365 (Microsoft, USA)에서 n/2 길이에 해당하는 복소수의 형태로 분해하였으며, 각 복소수의 계수를 제곱 하여 합한 값을 제곱근을 강도(Power, Magnitude)로 설정하여, 해당 시계열에 관한 주기성을 확인하였다(Frigo & Johnson, 1998;IBM, 2013).

    Y k = 1 n t = 1 n X t exp { i 2 π f k ( t 1 ) } = 1 n t = 1 n X t cos ( 2 π f k ( t 1 ) ) + i [ 1 n t = 1 n X t sin ( 2 π f k ( t 1 ) ) ]
    식 (1)

    where

    α k = 1 n t = 1 n X t cos ( 2 π f k ( t 1 ) ) , k = 1 , , k β k = 1 n t = 1 n X t sin ( 2 π f k ( t 1 ) ) , k = 1 , , k and α 0 = X ¯ β 0 = 1 n t = 1 n X t cos ( π ( t 1 ) )

    시계열 차분은 Minitab 18 (Minitab Inc. USA)을 활용하였으 며, 월별로 구분된 자료는 12개월을 계절변동 주기로 설정하였고, 연도별 자료의 경우 FFT 결과를 활용하여 전체 주기를 제외하고 가장 높게 나타난 주기를 기준으로 변동 기간으로 설정하였고, 단 위근검정은 Dickey-Fuller test를 이용하였다(Fuller, 1976;Ogunc & Hill, 2008).

    결과 및 고찰

    1. 연도별 산불발생 현황 및 월별 산불발생 현황

    1960년부터 2019년까지 연평균 약 432.6건의 산불이 발생하 여, 약 3,196.6 ha의 산림이 소실되었다(Table 1). 연도별로 가장 많은 산불이 발생한 해는 1967년으로 1,031건으로 나타났고, 가장 많은 면적의 산림이 소실된 해는 2000년으로 25,953 ha의 산림이 소실되었다. 해마다 차이는 있으나 산불 건당 피해면적은 약 7.39 ha 로 나타났으며, 2002년(산불 발생 건당 7.46 ha)을 제외하고는 모든 기간에서 산불 발생 건당 5 ha 미만의 산불피해가 발생한 것으로 나타나 피해면적이 점차 감소하는 추세에 있는 것으로 나타 났다. 이러한 결과는 1996년 고성산불과 2000년 동해안 산불 이후 로 산불 예방 및 진화에 관련하여 많은 사회적 자본이 투입되었고 (Kangwon National University, 2010), 교통과 통신의 발달로 인 해 산불 발생 후 빠른 대처가 이루어졌기 때문으로 생각된다.

    한편, 최근 17년 동안(2003-2019)의 산불 발생현황을 월별, 지 역별로 구분하여 확인한 결과 3월에 발생한 산불이 총 1,772건으 로 가장 높게 나타났고 이어서 4월 1,618건, 2월 902건 순으로 나타났으며, 산불피해 면적은 4월이 7,372.8 ha로 가장 높게 나타 났고, 이어서 3월(3,171 ha), 5월(1,349 ha) 순으로 나타나 산불 발생빈도와 피해면적이 일치하지는 않은 것으로 나타났다. 산불 발생 건당 피해면적을 확인한 결과 4월이 4.56 ha/건로 가장 높게 나타났으며, 이어서 5월(2.40 ha/건), 3월(1.79 ha/건), 1월(0.97 ha/건) 순이었고 7월은 산불발생 건당 피해면적이 0.15 ha로 가장 낮은 결과를 보였다(Table 1). 다소 건조한 가을철인 9월과 10월, 11월은 각각 0.18 ha/건, 0.25 ha/건, 0.45 ha/건으로 비교적 낮았 다. Lim(2000)Lee et al.(2004)은 봄철에는 실효습도가 낮아 산불이 발생하기 쉬울 뿐만 아니라 기상적인 특징으로 인하여 산불 의 불씨가 바람 등으로 인해 멀리 번지고, 또한 강한 바람으로 인해 산불 진화에 어렵다고 보고한 바 있다. 따라서 3월에서 5월 사이에 발생한 산불은 기상적 특징으로 인해 다른 시기에 발생하는 산불에 비해 비교적 규모가 큰 것으로 판단된다.

    2. 요일별 산불발생 특성

    2003년부터 2019년까지 17년 동안의 요일 및 공휴일에 따른 산불발생현황을 확인한 결과 일요일에 발생한 경우가 1,317건으로 가장 높게 나타났고 이어서 토요일(1,194건), 수요일(978건), 금요 일(977건) 순으로 발생하였다(Table 3). 한편, 공휴일은 244건으로 확인되었다. 산불 발생빈도가 요일 및 공휴일에 따라 변화하는지 확인하기 위해 카이제곱검정을 수행한 결과 요일 및 공휴일에 따라 발생빈도가 다른 것으로 나타났다(Fig. 1, X2=145.8, P<0.001). 이처럼 요일에 따라 발생빈도가 차이를 보이는 것은 우리나라에서 발생하는 산불의 대부분은 인간의 활동에 의해 발생한다는 기존 결과를 뒷받침하는 결과로 해석된다(Lee & Lee, 2006;Lee et al., 2012;Statistics Korea, 2020). 한편, 2000년 이후 주 5일제 시행으로 금요일의 산불 발생빈도가 증가추세에 있다는 연구 결과와 는 다소 차이가 있었다(Lee et al., 2012).

    3. 일별 산불 발생빈도의 분포특성

    지난 17년 동안(2003-2019) 우리나라에서 총 7,509회 산불이 발생하였으며, 이를 일평균으로 환산하면 일평균 약 1.21회 산불이 발생한 것으로 확인된다. 이를 활용하여 산불 발생빈도가 시간적으 로 일정한 확률로 발생하는지 확인하기 위해 일별 산불 발생빈도와 Poisson 분포와의 일치 여부를 카이제곱검정을 통해 확인하였다. Poisson 분포는 단위시간당 발생빈도(λ)에 관련한 분포로 일별 산 불 발생빈도가 Poisson 분포와 일치하는 경우 일별 일정한 확률로 산불이 발생하는 것으로 판단할 수 있다. 그러나 2003년부터 2019 년까지 발생한 산불 발생빈도를 이에 해당하는 Poisson 분포의 확률밀도함수(Probabiltiy density function)와 카이제곱검정을 통 해 비교한 결과 Poisson 분포를 따르지 않는 것으로 나타났다(Fig. 2, P<0.001). 따라서 일정한 일별 산불발생 현황은 특정한 확률에 따르지 않는 것으로 나타났고, 산불이 발생하지 않은 빈도가 Poisson 분포의 예측빈도보다 크게 높은 것으로 확인되어, 분산이 Poisson 분포보다 더 큰 것으로 판단된다. 이는 산불이 특정 시기 에 집중하여 발생한다는 기존 연구와 일치하였으나(Lee et al., 2011), 산불발생의 빈도가 Poisson분포를 따를 것으로 예측한 National Institute of Forest Science (2015)의 결과와는 다소 차 이를 보였다.

    4. 푸리에변환과 시계열차분을 활용한 산불발생현황의 시간적 분포 특성

    17년 동안(2003-2019) 산불의 발생빈도를 FFT한 데이터를 활 용하여 스펙트럼을 분석한 결과 주기당 n/2 시간축(FFT로 분해한 최대 시간단위)에서, 단위 시간(Months)당 최소 주기에서 높은 강 도를 보였다(Fig. 3). 이러한 결과는 전체 산불발생에 있어서 매달 일정 횟수 이상의 산불이 계속해서 발생하기 때문으로 판단된다. 이를 제외하고는 9.8개월에서 10.7개월의 주기적인 특성을 보였 다. 산불은 강수량이나 증발산량 등 기상과 밀접한 관계에 있어 자연적으로 발생하는 산불발생 주기가 12개월을 기준으로 한다고 보고된 바 있다(Westerling et al., 2003;Russo et al., 2017). 이 연구에서 나타난 결과는 FFT의 전체 주기(204개월)에서 가장 높은 강도를 보였기 때문에 일부 주기적인 특성이 이에 포함되었을 가능성이 있다. 또한, 우리나라의 경우 해마다 건조기의 기상 특성 과 건조일수가 조금씩 다르고, 토요일과 일요일의 개수가 2월과 5월 사이에서 차지하는 비율도 조금씩 달라 발생한 결과로 보인다 (Won et al., 2006;Sung et al., 2010;Lee et al., 2012). 이러한 점을 고려해 볼 때, 산불 발생의 원인의 대부분이 인간의 활동에 의한 경우가 많으나, 그 빈도가 기상환경에도 영향울 받는 것으로 판단된다.

    한편, 시간경과에 따른 추세를 확인하기 위해 시계열차분을 수 행한 결과를 Fig. 4에 제시하였다. 시계열차분은 일반적으로 가법 모델(additive model)과 승강 모델(multiplicative model)을 사용 하는데, 가법 모델은 추세와의 차이를 활용하고, 승강 모델은 비율 을 활용하여 모델을 구현한다. 따라서 승강 모델이 비교적 계절변 동에 민감하고 가법모델은 상대적으로 민감하지 않은 특징을 보인 다. 앞서 FFT를 활용하여 스펙트럼을 분석한 결과 크게 17년 전체 (2003-2019)에 해당하는 주기성을 갖는 것으로 나타났고, 여름철 의 경우 산불발생빈도가 낮아지기 때문에 승강모델은 적합하지 않 은 것으로 사료되어 가법모델을 선택하여 차분에 활용하였다 (Iwueze, et al., 2016). 따라서 해당 시계열에서 가법모델을 적용 하고, 단위근 검정(Dicky-Fuller test)을 실시한 결과, 단위근을 확 인할 수는 없었다(P<0.05). 따라서 2003년부터 2019년까지의 월 별 산불빈도는 시계열적으로 안정된 상태인 것으로 판단된다. 그리 고 발생빈도에 관한 발생주기를 FFT를 활용하여 분석한 결과, 9.8 개월과 10.7개월의 주기성을 갖는 것으로 나타났다.

    1960년부터 2019년까지 연간 발생한 산불빈도에 관한 시계열자 료를 FFT를 활용하여 주기를 확인한 결과 약 16.7년을 주기성을 갖는 것을 확인할 수 있었다(Fig. 5). 이를 기준으로 차분을 수행하 여 그 결과를 Fig. 6에 제시하였다. 시계열차분은 월별 시계열차분 에서 활용한 방법과 동일한 가법형 모델을 활용하였고 절대백분오 차(Mean absolute percent error)가 62.6%으로, 평균절대편차 (Mean absolute deviation)가 163.2회로 확인되어 비교적 안정된 예측력을 보였다. 시계열차분 결과 추세가 단위 시간당 –0.09로 나타났으며, 단위근을 갖지는 않았다(P<0.05). 따라서 1960년부터 2019년까지 연도별 산불 발생 비율은 약 16.7년을 주기를 갖는 것으로 나타났으며, 시간 경과에 비교적 일괄되게 산불이 발생하고 있는 것으로 판단된다. 이러한 결과는 앞서 2003년부터 2019년까 지 약 17년간의 월별 산불발생에 관련한 시계열자료를 분석하였을 때, 전체 분석시간에서 하나의 주기성를 보이는 결과와 일치하였다.

    5. 지역별 산불발생현황과 시계열적 특성

    2003년부터 2019년까지 발생한 산불을 지역별로 구분하여 조 사한 결과를 Table 4에 제시하였다. 지역별 산불발생빈도는 경상 북도가 1,218건으로 가장 높게 나타났고, 이어서 경기도(877건), 전라남도(774건), 경상남도(727건), 강원도(689건) 순이었다. 산 불에 의한 피해면적은 강원도가 7,267 ha로 가장 높은 것으로 나타 났으며, 이어서 경상북도(3,067 ha), 경상남도(773.4 ha), 전라남 도(591.1 ha) 순으로 나타났다. 강원도의 경우 다른 지역보다 산불 발생건수에 대비 산불피해 면적이 높아 산불발생 건당 피해면적이 3.91 ha로 나타나, 전국 평균 대비 약 7.5배, 가장 낮은 서울 대비 약 131.3배 높은 결과를 보였다. 이러한 결과는 강원도 지역이 다 른 지역에 비해 산림이 잘 발달하였고, 도로 밀도가 1 ha 당 5.9 m 정도로 교통망은 비교적 잘 발달하지 않은 점 등을 추가로 확인 해야 할 것으로 사료된다(Statistics Korea, 2020).

    2003년부터 2019년까지 지역별로 구분하여 FFT를 활용하여 월별 산불 발생빈도의 시계열적 분포 특성을 확인한 결과 경상북도 와 경기도, 전라남도, 경상남도, 강원도의 경우 비교적 뚜렷하게 11.3개월의 주기적인 특성을 보이는 것을 확인할 수 있었다(Fig. 7). 이는 우리나라에서 발생한 전체 산불의 주기성과 유사한 경향 을 보였으며, 산불 발생빈도가 높은 순서와 동일한 순서로 강한 주기성을 보이는 것으로 보아 산불 발생은 해마다 일관된 형태로 발생한 결과로 판단된다.

    수집된 산불 발생 현황 자료를 활용하여 발생의 분포특성을 확 인한 결과, 기상적 요인과 사회과학적 요인에 의해 주기적인 특성 을 보였다. 특히 요일별로는 토요일과 일요일에 특히 발생빈도가 높아지는 경향을 보였으며, 월별로는 약 10개월 정도의 주기성을, 연별로는 16.7년의 주기성을 지니는 특성을 보였다.

    이 연구는 산불 통계자료를 활용하여 산불 발생빈도와 관련한 기본적인 시계열적 특성을 확인하는 것을 중점으로 수행하였기에 더 상세한 부분에서의 시계열적 특성 도출과 주된 산불 발생 원인 인 인간의 행동과의 연결이 제한적이다. 따라서, 시간 단위 이하에 서의 상세하게 수집된 통계자료를 활용하여 산불 발생의 시계열적 특성을 확인하고, 발생한 산불의 공간적 특성과 인문사회학적인 요인을 고려한 연구가 수행되어야 실질적인 산불 발생 예측에 활용 될 수 있을 것으로 보인다.

    감사의 글

    이 연구는 국립산림과학원 ‘산불피해지 복원프로세스 및 내화숲 기능증진 연구(FE0100-2022-02)’의 지원에 의해 수행되었으며, 이 논문을 검토해 주신 심사위원분들께 감사드립니다.

    Figure

    JALS-56-2-49_F1.gif

    Forest fire occurrence ratio (Obs. – Exp. per Exp.) by the day. (Obs., observation value; Exp., expectation value.)

    JALS-56-2-49_F2.gif

    Frequency of Poisson-distribution (λ) and observation by day. Obs. observation value; Exp. expected value.

    JALS-56-2-49_F3.gif

    Fast Fourier transform of monthly forest fire occurrence times series during 2003-2019. A, cycles per month vs FFT2; B, months per cycle vs FFT2.

    JALS-56-2-49_F4.gif

    Decomposition plot for monthly fire occurrence during 2003-2019

    JALS-56-2-49_F5.gif

    Spatial analysis for annual forest fire occurrence using FFT during 1960-2019. A, cycles per year vs FFT2; B, years per cycle vs FFT2.

    JALS-56-2-49_F6.gif

    Decomposition plot for annual fire occurrence during 1960-2019.

    JALS-56-2-49_F7.gif

    FFT of forest fire occurrence by region.

    Table

    Annual forest fire occurrence and damaged area in 1960-2019

    Monthly frequency and damaged area of forest fire occurrence by region in 2003-2019

    Forest fire occurrence during 2003-2019 by the week

    Regional statistics of forest fire occurrence during 2003-2019.

    Reference

    1. Abatzoglou J and Williams A. 2016. Impact of anthropogenic climate change on wildfire across Western US forests. Proceedings of the National Academy of Sciences of the United States of America 113: 11770-11775.
    2. Bergeron Y , Flannigan M , Gauthier S and Ledue A. 2004. Past, current and future fire frequency in the Canadian boreal forest: Implication for sustainable forest management. AMBIOA J. the Human Environ. 33(6): 356-360.
    3. Bergeron Y , Gauthier S , Kafka V , Lefort P and Lesieur D. 2001. Natural fire frequency for the eastern Canadian boreal forest. Can. J. For. Res. 31: 384-391.
    4. Dennison PE , Brewer SC and Amold JD. 2014. Large wildfire trends in the Western United States 1984-2011. Geophysical Res. 41: 2928-2923.
    5. Flannigan MD , Wotton BM , Marshall GA , Groot de WJ , Johnston J , Jurko N and Cantin AS. 2016. Fuel moisture sensitivity to temperature and precipitation: Climate change implications. Climatic Change 134: 59-71.
    6. Frigo M and Johnson S. 1998. FFTW: An adaptive software architecture for the FFT. Proceeding of the International Conference on Acoustics Speech and Signal Proceeding 3: 1381-1384.
    7. Fuller WA. 1976. Introduction to statistical time series (1st ed.). New York: Wiley and Sons.
    8. Herman HS and Paul Jr. WS. 2004. AVHRR-derived fire frequency, distribution and area burned in Siberia. Int. J. Remote Sensing 25(10): 1939-1960.
    9. IBM.2013. IBM SPSS statistics 22 Algorithms. IBM. http://ibm.com/support/pages/node/616931#en. Accessed at 19 March 2020.
    10. Iwueze I , Nwogu E , Nlebedim V and Imoh J. 2016. Comparison of two time series decomposition method: Least squares and Buys-Ballot method. OJS. 6(6): 1123-1137.
    11. Kangwon National University.2010. Fire policy change and countermeasure through forest fire statistics analysis. Daejeon: Korea Forest Service. http://www.dbpia.co.kr/journal/articleDetail?nodeid=NODE03698945. Accessed at 12 March 2020.
    12. Kim D. 2014. Spatial analysis for forest fire using GIS. The Geographical J. Korea 48(3): 325-336.
    13. Koo N and Lee K. 2016. Prediction of wildfire spread and propagation algorithm for disaster area. J. Korea Inst. Inf. Commun. Eng. 20(8): 1581-1586.
    14. Korea Forest Research Institute.2015. Development and research of manufacture algorithms of forest fire map, Seoul. p.361.
    15. Korea Forest Service.2016. Annual statistics report of forest fire. Seoul: Semmunhwa.
    16. Korea Forest Service.2018. Forest fire statistical yearbook. Daejeon: Korea Forest Service.
    17. Korea Forest Service.2020. Forest fire statistics. http://forest.go.kr/kfsweb/kfi/kfs/cms/cmsView.do?mn=NKFS_04_05_118&cmsld=FC_000369. Accessed at 20 March 2020.
    18. Larsen C. 1997. Spatial and temporal variations in boreal forest fire frequency. J. Biogeography 24(5): 663-673.
    19. Lee B , Lee Y , Lee M and Albers G. 2011. Stochastic simulation model of fire occurrence in the Republic of Korea. Jour. Korean For. Soc. 100(1): 70-78.
    20. Lee M , Lee S and Lee J. 2012. Study of the characteristics of forest fire based on statistics of forest fire in Korea. J. Korean Soc. of Hazard Mitigat. 12(5): 185-192.
    21. Lee S and Jung K. 2010. The analysis of forest fire danger rating using Haines index. J. Agri. Life Sci. 44(6): 69-78.
    22. Lee S and Lee H. 2006. Analysis of forest fire occurrence in Korea. T. of Korean Institute of Fire Sci. and Eng. 20(2): 54-63.
    23. Lee S , Park H , Kim Y , Yun H and Kim J. 2011. The studies on relationship between forest fire characteristics and weather phase in Jeollanam-do Region. J. Agri. Life Sci. 45(4): 29-35.
    24. Lee SY , Han SY , Won MS , An S and Lee MB. 2004. Developing of forest fire occurrence probability model by using the meteorological characteristics in Korea. Korean J. Agri. For. Meteo. 6(4): 242-249.
    25. Lim J. 2000. Forest fire and meteorology of Eastern Korea. Korean J. Agri. For. Meteo. 2(2): 62-67.
    26. Ogunc A and Hill C. 2008. Using Excel: Companion to principles of econometrics (3rd ed.). Wiley Global Education.
    27. Russo A , Gouveia CM , Pascoa P , DaCamera CC and Sousa PM. 2017. Assessing the role of drought events on wildfires in the Iberian Peninsula. Agricultural and Forest Meteorology 237-238: 50-59.
    28. Statistics Korea.2020. Korean statistical Information service. http://kosis.kr/search/search.do. Accessed at 17 March 2020.
    29. Steel Z , Safford H and Viers J. 2015. The fire frequency-severity relationship and the legacy of fire suppression in California forests. Ecosphere 6(1): 1-23.
    30. Sung M , Lim G , Choi E , Lee Y , Won M and Koo K. 2010. Climate change over Korea and its relation to the forest fire occurrence. Atmosphere 20(1): 27-35.
    31. Wallenius T , Kuuiuvainen T and Vanha-Majamaa I. 2004. Fire history in relation to site type and vegetation in Vienansalo wilderness in eastern Fennoscandia, Russia. Can. J. For. Res. 34(7): 1400-1409.
    32. Westerling AL , Gershunov A , Brown TJ , Cayan DR and Dettinger MD. 2003. Climate and wildfire in the Western United States. American Meteo. Soc. 84(5): 595-604.
    33. Williams AP , Berkellhammer M , Macalady AK , Crimmins MA , Swetnam TW , Trugman AT , Buenning N , Hryniw N , McDowell NG , Noone D , Mora C and Rahn T. 2014. Causes and implications of extreme atmospheric moisture demand during the record-breaking 2011 wildfire season in the Southwestern United States. Amer. Meteo. Soc. 53: 2671-2684.
    34. Won M , Koo K and Lee M. 2006. An analysis of forest fire occurrence hazards by changing temperature and humidity of ten-day intervals for 30 years in spring. Korean J. Agri. For. Meteo. 8(4): 250-259.
    오늘하루 팝업창 안보기 닫기
    오늘하루 팝업창 안보기 닫기