본 연구는 소나무재선충병 방제대상지 선정의 효율성을 높이기 위해 진주시를 대상으로 소나무재선충병 잠재분포를 예측하였다. 예측에 사용된 MaxEnt 모델은 회귀분석을 기반으로 종 발생 확률 평가 및 다양한 잠재분포 예측에 이용되고 있다. 종속변수로는 소나무재선충병 감염목 자료를 사용하였으며, 독립변수로는 지리 ‧ 지형 ‧ 기후적 요인으로 총 15개 인자를 사용하였다. 잠재분포 예측 결과, 모델의 성능은 AUC가 0.801로 우수한 수준의 정확도를 나타냈다. 독립변수 중에는 전년도 감염목과의 거리, 6월 하순 강우량, 5월 강우량, 화목보일러와의 거리 순으로 잠재분포에 영향을 미치는 것으로 나타났다. 이러한 결과는 지속적인 소나무재선충병 감염목 DB 구축과 지리적 요인들에 대한 모니터링의 중요성이 크다는 것을 의미한다.

이미지 인식에 특화된 CNN (Convolutional Neural Network) 기반의 딥러닝 기법은 영상의 항목별 분류가 필요한 다양한 연구에 적용되고 있다. 본 연구는 건물, 도로, 논, 밭, 산림, 나지의 6가지 항목을 산림복원 대상 후보지로 정의하고 CNN 기반의 산림복원 대상 후보지 추출 및 분류의 최적 방법론을 탐색하였다. 6,640개의 데이터셋을 75:25의 비율로 훈련(4,980개) 및 검증(1,660개)로 구분하여 구축하고 학습에 활용하였다. 모델별 정확도는 픽셀정확도(PA), 평균 교차 겹침 결합(Mean IoU)을 이용하여 평가하였다. 픽셀정확도는 90.6%, 평균 교차 겹침 결합은 80.8%로 산정되어 Inception-Resnet-v2 모델이 세 모델 중 가장 산림복원 대상 후보지 추출에 뛰어난 정확도를 보였다. 이 결과는 기존의 산림복원 대상 후보지 현장조사 혹은 항공사진을 활용한 조사에 비해 시공간적 이점을 가지며, 향후 산림복원 대상지 선정 자료로 적용 가능성이 있다고 판단된다.