본 연구는 재해방지형, 생활환경보전형, 경관보전형, 수원함양형, 산림유전자원보호림 등 다섯 가지 산림보호구역 유형 간 생태계서비스 구조의 차이를 정량적으로 분석하였다. 이를 위해 InVEST 모형을 활용하여 수원함양(WY), 탄소저장(CS), 서식지질(HQ), 토양유실(SDR) 및 통합 생태계 서비스 지수(CES)를 산정하고, 유형 간 차이를 통계적으로 검증하였다. 분석 결과, 모든 지표에서 산림보호구역 유형 간 평균값은 통계적으로 유의한 차이를 보였으며(p < 0.001), 특히 산림유전자원보호구역이 전반적으로 가장 높은 생태기능을 나타냈다. 사후검정(Games–Howell) 결과 또한 산림보호구역 유형별 생태계서비스 수준이 뚜렷하게 구분됨을 확인하였다. 본 연구는 산림보호구역 유형에 따라 생태계서비스 수준이 구조적으 로 달라짐을 실증적으로 제시하였으며, 유형별 맞춤형 관리 전략 수립을 위한 근거자료를 제공한다.

이 연구는 사유림을 포함한 시·군 단위 계획의 부재를 배경으로 한다. 이에 산림청이 2019년부터 시범 도입한 국·공·사유림 통합 시·군 산림계획의 추진실태와 성과를 분석하고 개선 방향을 도출하는 것을 목적으로 하였다. 기 수립된 25개 지역의 시·군 산림계획을 분석하고, 향후 계획 수립의 실효성 및 완성도 제고를 위한 가이드라인을 제시하였다. 분석 결과, 현행 계획은 산림자원 현황 반영, 주민 참여 기반 마련, 지역 맞춤형 정책 기반 마련 등의 성과를 보였다. 반면, 비법정계획으로서의 법적 근거 부재, 계획 수립 및 이행의 지역 간 편차, 제도적 기반 부족, 거버넌스 구축의 미비 등의 한계도 확인되었다. 분석 결과를 바탕으로 시·군 산림계획 수립의 목표와 8가지 기본원칙을 제안하고, 단계별 가이드라인을 제시하였다. 이 연구는 시·군 산림계획이 상·하위계획 간 연계성을 강화하고, 국·공·사유림을 포괄하는 지역 기반 통합 산림관리체계 정착을 위한 제도 개선 방향을 제시한다는 점에서 의의가 있다.

본 연구는 산림 분야 이해관계자를 대상으로 한 설문조사를 기반으로, 산림기능구분도의 현실적이고 효과적인 개선 방향을 제시하는 것을 목적으로 한다. 연구 대상은 산주, 공무원, 임업 분야 종사자, 연구원으로, 이들의 산림기능구분에 대한 인식, 활용 현황 및 개편 필요성을 조사하였다. 설문조사 결과, 산림기능구분도의 활용성과 만족도를 제고하기 위해 기존 제도나 지침에 따른 형식적 경영계획 수립을 지양하고, 현장 중심의 맞춤형 산림 관리 방안을 도입해야 한다는 결론을 도출하였다. 특히, 통합 및 단순화의 필요성과 관련하여 생활환경보전기능이 가장 높은 응답 비율을 보였으며, 그 다음으로 자연환경보전기능과 수원함양기능이 동일한 비중으로 나타났다. 또한, 산림경관 제공, 온실가스 흡수 및 저장, 산림휴양, 생물다양성 보전과 같은 기능은 추가적 고려 및 강조가 필요한 요소로 평가되었다. 이러한 연구 결과는 산림기능구분도의 개편 및 중장기 산림 관리 방향 설정에 실질적인 기여를 할 것으로 기대된다.

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.