유역 내 산림은 생태계 유지에 있어 중요한 역할을 맡고 있으며 생태네트워크 체계를 구성하는 주요 기반 환경이다. 그러나 지난 수십여 년간 행해진 무분별한 개발사업으로 인해 산림 파편화 및 토지이용 변화가 가속화되었으며 본래의 기능을 상실하게 되었다. 산림 생태계를 파악하는 데 있어 산림의 구조적 패턴은 생태적 과정과 기능에 직접적인 영향을 미치기 때문에 변화패턴을 파악하고 분석하는 것은 중요한 인자라 할 수 있다. 이에 본 연구는 금강 상류 댐 유역을 대상으로 FRAGSTATS 모델을 통해 시계열적인 토지피복변화에 따른 산림 경관의 구조적 변화를 분석하였다. 토지피복 변화탐지를 통한 금강 상류 댐 유역 내 토지피복변화는 1980년대부터 2010년대까지 산림 33.12㎢(0.62%), 시가화건조지역 67.26㎢ (1.26%) 증가하였고 농업지역 148.25㎢(2.79%) 감소하였다. 유역 내 산림 경관분석결과 No sampling 분석에서는 경관백분 율(PLAND), 면적가중근접지수(CONTIG_AM), 평균 중심지 면적(CORE_MN), 인접지수(PLADJ)가 증가하였고 패치 수(NP), 경관형태지수(LSI), 응집지수(COHESION)가 감소하였다. Moving window 분석을 통해 구조적 변화패턴을 파악한 결과, 경상북도 상주시, 충청북도 보은군, 전라북도 진안군 내 산림 경관은 상대적으로 잘 보전되어 있었으나 충청북도 옥천군, 영동군 그리고 충청남도 금산군 사이의 경계부와 전라북도 무주군과 장수군 인접 지역의 산림 경관에서는 파편화가 진행되고 있었다. 결과를 토대로 추후 해당 지역의 산림 관리전략 수립 시 파편화 지역을 대상으로 조림사업을 수립할 필요가 있을 것으로 사료된다. 본 연구를 통해 산림 경관의 파편화가 예상되는 지역을 도출할 수 있었으며, 유역 산림의 건전성 평가 및 관리계획 수립을 위한 기초자료로써 활용될 가능성을 기대할 수 있다.

딥러닝을 이용하여 항공 및 위성 영상 속의 다양한 공간객체를 탐지하는 연구들이 증가하고 있다. 매년 급속하게 증가하는 위성 및 항공사진과 같은 원격탐사의 자료 속에서 특정 공간객체들을 수작업으로 탐지하는 것은 한계를 갖는다. 본 연구에서는 딥러닝의 객체 탐지기법을 이용하여 토지피복도 내 공간객체들에 대한 탐지를 시도하였다. 데이터는 국토지리정보원의 항공사진을 활용하였고 농경지에 해당하는 논, 밭, 하우스 재배지 등의 객체들을 탐지하였다. 토지피복을 구성하는 다양한 공간객체들에 대한 탐지를 통해 YOLOv5 모델의 활용 가능성을 탐색하였다.

인간 활동으로 광범위한 자연 생태계 변화로 지난 몇 세기 동안 전 세계적으로 생물다양성이 심각하게 위협받고 있다. 생태계의 변화 양상을 파악하는 것은 생물다양성 위협을 파악하고 관리하는 데 필수적이다. 이러한 필요성에 따라 IUCN 의회는 2019년에 생태계의 기능과 유형을 고려한 IUCN Global Ecosystem Typology(GET)를 구성했다. IUCN은 10개의 생태계 군계, 108개의 생태기능별 토지 유형(EFG; Ecological Functional Group)을 전 지구적 범위에서 지도로 제공하고 있다. IUCN GET 생태계의 유형 분류에 따르면 국내 생태계는 Realm (1수준)이 8개, Biome (2수준)이 18개, Group (3수준)은 41개 유형으로 분류된다. IUCN이 제공하는 GET의 경우 전 세계 규모로 제작되었기 때문에 해상도가 낮고 실질적인 토지 현황과 일치하지 않는 경우가 많다. 본 연구는 토지피복지도를 활용하여 국내 IUCN GET 유형 분류의 정확도를 높이고 실질적인 현황 을 반영한 지도를 제작하고자 했다. 이를 위해 ① IUCN GET에서 제공하는 국내 GET 데이터 체계를 검토하고, ② 이를 국내 현황과 비교 분석하였다. 이 과정을 통해 GET의 한계와 활용 가능성을 평가하고 ③ 이후 국가자료를 최대 한 활용하여 국내 현황을 반영한 국내 GET 유형 분류를 수행하였다. 본 연구는 토지피복지도와 기존 국가자료를 최대한 활용하여 국내 GET를 총 25개 유형으로 분류했다(Terrestrial Realm :9, Freshwater: 9 Marine-Terrestrial:5, Terrestrial-Freshwater :1, Marine-Freshwater-Terrestrial:1). 기존 지도와 비교했을 때 수정된 국내 GET의 경우 ‘F3.2 Constructed lacustrine wetlands’, ‘F3.3 Rice paddies’, ‘F3.4 Freshwater aquafarms’, ‘T7.3 Plantations’가 면 적이 가장 많이 축소되었다. 온대 산림(T2.2)의 면적이 가장 많이 늘어났고, ‘MFT1.3 Coastal saltmarshes and reedbeds’, ‘F2.2 Small permanent freshwater lakes’등 3개 유형 또한 수정 후 GET 면적이 증가했다. 해당 과정을 통해 기존 GET에서 모든 EFG의 합이 국토 면적의 8.33배를 차지하던 기존의 지도를, 토지피복지도를 활용하여 총합 이 국토 면적의 1.22 배가 되도록 수정하였다. 이를 통해 유형별 차이가 작고 정확성이 떨어진 기존의 EFG가 본 연구를 통해 개선 및 수정되었음을 확인하였다. 본 연구는 현장 요건을 반영한 데이터를 최대한 활용하여 GET 기준 에 상응하는 한국의 GET 지도를 제작한 것에 그 의의가 있다.

Among migratory insect pests, Mythimna seperata and Cnaphalocrocis medinalis are invasive pests introduced into South Korea through westerlies from southern China. M. seperata and C. medinalis are insect pests that use rice as a host. They injure rice leaves and inhibit rice growth. To understand the distribution of M. seperata and C. medinalis, it is important to understand environmental factors such as temperature and humidity of their habitat. This study predicted current and future habitat suitability models for understanding the distribution of M. seperata and C. medinalis. Occurrence data, SSPs (Shared Socio-economic Pathways) scenario, and RCP (Representative Concentration Pathway) were applied to MaxEnt (Maximum Entropy), a machine learning model among SDM (Species Distribution Model). As a result, M. seperata and C. medinalis are aggregated on the west and south coasts where they have a host after migration from China. As a result of MaxEnt analysis, the contribution was high in the order of Land-cover data and DEM (Digital Elevation Model). In bioclimatic variables, BIO_4 (Temperature seasonality) was high in M. seperata and BIO_2 (Mean Diurnal Range) was found in C. medinalis. The habitat suitability model predicted that M. seperata and C. medinalis could inhabit most rice paddies.

본 연구에서는 토지피복유형에 따른 바이오에어로졸 중 배양성 세균분포를 파악하기 위하여 충청북도 충주시에 위치한 3가지 유형을 대상으로 실시하였다. 토지피복에 따른 기상요소와 바이오에어로졸을 조사하여 측정지점별 미기상변화에 따른 세균 분포를 비교·분석할 수 있었다. 측정지점별 미기상 중 기온의 차이는 도시 숲 8.7℃, 수변 녹지 10.8℃, 도심지 10.2℃로 측정지점 중 도시 숲이 가장 낮은 기온 값을 보였으며, 상대습도는 도시 숲 61.8%, 수변 녹지 59.3%, 도심지 55.7%로 도시 숲이 가장 높은 것으로 분석되었다. 동정된 세균은 43속 99종으로 나타났다. 배양된 세균의 종 다양성 측면에서는 수변녹지 22속, 도시 숲 21속, 도심지 17속으로 조사되었으며, 종수의 경우 수변녹지 37종, 도심지 31종, 도시 숲 31종으로 나타났다. 3가지 유형의 측정지에 모두 존재하는 종은 Bacillus toyonensis와 Pseudarthrobacter oxydan으로 나타났으며, 또한 도시 숲과 수변녹지와 같은 녹지지역에서 존재하는 Herbiconiux flava종을 확인하였다. 측정지점별 미기상환경에 따른 세균농도의 변화를 분석한 결과 도시 숲 333CFU/㎥, 수변 녹지 287CFU/㎥, 도심지 173CFU/㎥ 순으로 나타났으며, 미기상 중 기온변화에 따른 측정지점별 농도변화는 미비하였다. 그러나 상대습도와 풍속은 농도변화와 유사한 경향을 보인 것으로 분석되었다. 따라서 본 연구에서는 토지피복유형에 따른 바이오에어로졸 중 배양성 세균의 분포 정도를 파악하여 측정지점별 바이오에어로졸의 특성을 비교·분석하여 추후 건강한 도시 관리 및 녹지조성의 기초자료를 제공하고자 하였다.

Heatwaves are one of the most common phenomena originating from changes in the urban thermal environment. They are caused mainly by the evapotranspiration decrease of surface impermeable areas from increases in temperature and reflected heat, leading to a dry urban environment that can deteriorate aspects of everyday life. This study aimed to calculate daily maximum ground surface temperature affecting heatwaves, to quantify the effects of urban thermal environment control through water cycle restoration while validating its feasibility. The maximum surface temperature regression equation according to the impermeable area ratios of urban land cover types was derived. The estimated values from daily maximum ground surface temperature regression equation were compared with actual measured values to validate the calculation method’s feasibility. The land cover classification and derivation of specific parameters were conducted by classifying land cover into buildings, roads, rivers, and lands. Detailed parameters were classified by the river area ratio, land impermeable area ratio, and green area ratio of each land-cover type, with the exception of the rivers, to derive the maximum surface temperature regression equation of each land cover type. The regression equation feasibility assessment showed that the estimated maximum surface temperature values were within the level of significance. The maximum surface temperature decreased by 0.0450˚C when the green area ratio increased by 1% and increased by 0.0321˚C when the impermeable area ratio increased by 1%. It was determined that the surface reduction effect through increases in the green area ratio was 29% higher than the increasing effect of surface temperature due to the impermeable land ratio.

본 연구에서는 통계적인 방법을 통해 DSM 제작에 있어, 토지피복과 식생의 영향을 정량적으로 살펴보았다. 산림지역이 DSM과 DEM 사이의 고도 차이를 증가시키는데 가장 큰 역할을 하였으며, 수종에 따라 약간의 차이는 있지만 침엽수림과 혼효림보다 는 활엽수림의 영향이 더 큰 것으로 나타났다. 항공사진의 촬영 문제, 왜곡, 촬영 당시 형태나 위치가 변하는 문제와 그늘 지역이 통계적인 관련을 낮춘 주요 원인으로 생각된다. 통계적인 관련을 낮춘 여러 원인에도 불구하고, 본 연구의 결과는 식생에 따른 임관의 형태적 특성을 직접적으로 반영한 것으로 보인다. 본 연구와 같은 자료가 보다 쌓인다면, DSM과 DEM의 특성을 통해 산림 속성과 수종 분포와 같은 정보를 확인할 수 있을 것으로 기대된다.

본 연구는 SNPP VIIRS DNB 영상자료와 토지피복도를 활용하여 시가지에서 방출된 야간 인공조명 강도가 인구예측에 미치는 영향을 고찰한다. 이를 위해 시가지 피복 또는 모든 피복유형에 해당하는 화소의 인공조명 강도를 각각 도출한 후 이들을 설명변수로 구성한 단순회귀모형에 기반한 남한 광역시도의 인구추정 결과를 비교했다. 시가화 건조지역만을 고려한 모형의 정적 상관성, 모형의 적합도 및 회귀계수의 통계적 유의성뿐만 아니라 인구예측 결과는 모든 피복유형을 포함한 모형보다 우수했다. 그러나 진단 결과에 따르면 이 모형은 선형성 기본 가정을 충족하기 어려운 것으로 나타났다. 따라서 향후 연구에서는 다항식의 적용 또는 변수의 변환에 기초한 모형 정교화를 통해 인구를 예측할 필요성이 제기된다.

모기는 감염병을 매개하는 생물종으로서 인간생활에 불편을 야기하며, 교통 및 운송수단 등의 발달로 인해 새로운 질병 도입 및 질병 매개체의 확산에 대한 우려가 증가하고 있는 실정이다. 환경부 토지피복지도 분류체계와 연계하여 모기가 발생 가능한 서식지 유형을 파악하고, 각각의 서식지 유형 특성에 따라 출현 가능한 모기 종류를 함께 구분하였다. 또한 모기의 생태적 특성을 고려하여, 서식지 유형별로 최적의 방제 방법을 제시하였다. 도심지역은 위생 해충의 발생원이 다양한 서식지가 분포하는 지역으로, 최소 환경 조건만 갖춰진다면 모기가 대량 발생하기 적합한 환경일 것으로 보인다. 발생원이 광범위하기 때문에 유충과 성충 방제를 같이 수행하며, 시민들을 대상으로 방제 교육이나 홍보물을 배부하여 적극적인 방제의식을 함양시키는 것이 효과적일 것으로 판단된다. 농업지역의 경우, 저수지나 늪지, 논 등의 정수역에서 모기 유충의 서식밀도가 높을 것으로 예상되어 천적생물을 이용한 생물학적 방제를 이용하면 개체수를 조절하는 데 유용할 것으로 보인다. 산림지역은 흰줄숲모기 (Aedes albopictus)의 주요 서식지로서 무분별한 산림벌채를 최소화하고 인근 거주민을 대상으로 물리적 방제를 실시해야 할 것으로 판단되며, 기타지역은 수생태계를 중심으로 발생 가능한 모기유충을 방제하기 위해 생물학적 방제와 Bti를 이용한 화학적 방제가 병행되어야 할 것으로 보인다. 본 연구는 서식지를 크게 4가지 (도심지역, 농업지역, 산림지역, 기타지역)로 분류하여 모기에게 적합한 서식지를 고찰하였으며, 모기 서식지별로 적합한 방제법을 제시하였다. 모기의 개체수를 보다 효율적으로 조절하고, 하절기 시민들의 불편과 피해를 감소시킬 수 있는 기초자료로 제공할 수 있을 것으로 전망한다.

오늘날 원격탐지기술의 발달로 인해, 산림지역과 같이 피복 분류작업이 난해한 지역을 비롯한 광범위한 지역에서의 세밀한 변화탐지를 위한 고해상도 위성영상 취득이 가능해졌다. 하지만, 고해상도 영상에 대한 시계열분석의 과정에서 많은 양의 지상 관측 데이터가 요구된다. 본 연구에서는 토지피복도를 지상 관측데이터로 활용한 위성영상 분류 방법의 가능성을 시험하였다. 연구대상지는 강원도 원주시이며, 산림지역과 시가화지역이 공존하는 공간이다. 연구 자료는 2015년 3월에 촬영된 KOMPSAT-3A 영상과 2017년도 토지피복도를 이용하여 분류를 시도하였다. 서포트벡터머신 (SVM)과 랜덤포레스트(RF)의 두 가지 상이한 화소기반 분류기법을 적용하여 대상지에 대한 피복분류의 분류정확도를 비교･분석하였으며, SVM 분석의 경우 다수 분석(Majority analysis)을 후속 진행하였다. 분석대상은 산림식생만 포함 한 지역과 연구대상지 전지역으로 구분하였고, 대상 면적이 협소한 습지는 분석과정에서 제외하였다. 분류 결과는 오차 행렬의 전체 정확도가 두 가지 분류대상에 대해 RF 기법이 SVM 기법보다 더 나은 것으로 나타났다. 산림지역만을 대상으로 한 경우, RF 기법이 SVM 기법에 비해 18.3% 높은 값을 나타낸 반면, 전체지역을 대상으로 한 경우는 둘 사이의 간격이 5.5%로 줄어들었다. SVM 기법에 다수 분석 (Majority analysis)을 추가로 실시한 경우, 1% 정도의 정확도 향상이 나타났다. RF 기법은 산림지역의 활엽수를 분석해 내는데 상당히 효과적이었지만, 다른 대상에 대해서는 SVM 기법이 더 나은 결과를 나타내었다. 본 연구는 고해상도 단일시기 영상에 대한 화소 기반의 분류기법을 시험한 것으로, 추후 시계열분석 및 객체기반 분류기법의 추가적인 적용으로 향상된 정확도와 신뢰도를 얻을 수 있을 것으로 판단된다. 이 연구의 방법론은 시공간적으로 고해상도 분석결과를 제공함으로써, 대면적의 토지계획에 유용할 것으로 기대된다.

국내 미세먼지 농도는 과거에 비해 감소하는 추세이지만 건강에 대한 미세먼지의 위해성이 부각되면서 그에 대한 관심과 우려는 점점 높아지고 있다. 미세먼지에 대응하기 위해서는 미세먼지 농도의 영향 요인과 그 영향의 정도를 파악하는 것이 중요하다. 도시에서 미세먼지는 다양한 요인에 의해 복합적인 영향을 받는다. 기상조건에 큰 영향을 받아 강수와 풍속에 음의상관을 나타낸다. 계절에 따른 기상 조건의 차이로 계절별 뚜렷한 미세먼지 농도 차이가 나타하며, 주로 봄과 겨울에 고농도가 발생한다. 도시 외부적 영향으론 봄철 황사의 영향이 크며, 타 지역에서 발생한 미세먼지가 도시로 유입되어 미세먼지 농도를 악화시킨다. 도시 내부에서는 미세먼지가 발생되는 배출원이 넓게 분포하고, 도시에서 배출된 기체상 오염물질은 대기 중에서 물리화학 적으로 반응하여 2차 미세먼지로 변환된다. 도시환경에서 미세먼지는 도시열섬이나 기온 역전층에 의한 대기정체로 악화되거나, 도시 내 복잡한 공간구조로 인해 발생한 미기상 조건의 영향으로 변화한다. 미세먼지는 강우 시 씻겨 나가고, 바람길이 확보되어 정체된 미세먼지가 확산되면서 감소하며, 녹지에 의해서도 저감되는데, 도시 내 나무는 기공에서 미세먼지를 흡수하고, 식물체 표면에 먼지가 흡착되어 미세먼지 저감에 기여한다. 본 연구는 다양한 미세먼지 영향 요인 중 도시 내부적 요인인 토지피복 특성에 따른 미세먼지 농도 차이를 분석하고자 하였다. 토지피복 유형 중 미세먼지 배출에 관련된 시가화지역과 미세먼지 저감에 관련된 산림지역 유형의 비율에 따라 미세먼지 농도는 어떠한 차이를 보이는지 살펴보았다 연구는 서울시에 위치한 환경부 대기오염 측정망 주변의 시가화지역과 산림지역 토지피복의 비율에 따라 대기오염 측정소를 3개 그룹으로 구분한 뒤, 그룹별 미세먼지 농도 차이를 계절별로 비교하였다. 미세먼지 농도는 환경부 대기 오염 측정망의 2016년 PM10과 PM2.5의 일평균 농도 자료를 활용하였다. 토지피복은 환경부 대분류 토지피복 자료를 활용하였고, 대기오염 측정망 주변 반경 3㎞내의 토지피복 비율을 산출하였다. 토지피복 비율을 기준으로 K-mean 군집화를 통해 대기오염 측정소를 3개 그룹으로 분류하였고, 3개 그룹간 농도 차이는 비모수 검정방법인 Kruskal-Wallis 검정을 실시하였다. 개별 그룹간 차이는 Mann-Whitney U 검정을 실시하여 Bonferroni Correction Method에 따른 유의수준 보정을 통해 두 그룹간의 통계적 차이를 제시하였다. 시가화지역과 산림지역 비율에 따른 K-mean 군집화 결과 산림 우세 그룹(A)의 토지피복 비율 평균은 산림 34.6%, 시가지 53.4%이었고, 6개의 측정소가 분류되었다. 시가지 우세 그룹(B)은 산림 6.7%, 시가지 76.3%이었고, 10개 측정소가 분류되었다. 중간값 그룹(C)은 산림 16.5%, 시가지 61.8%로 7개 측정소가 분류되었다. PM10의 계절별 농도에 대하여 그룹별 정규성 검정 결과 모든 계절에서 정규분포를 충족하지 않았다. 따라서 비모수 검정인 Kruskal-Wallis test를 실시한 결과 모든 계절에서 그룹간 차이가 통계적으로 유의하였다(p<0.001). 개별 그룹 간 차이에 대해 Bonferroni Correction Method를 적용한 Mann-Whitney U 검정결과 겨울철 B-C 그룹간 차이를 제외한 모든 계절의 그룹간 차이가 통계적으로 유의하였다 (p<0.001). 종합하면 A그룹은 모든 계절의 PM10 농도가 B, C그룹보다 낮았다. B그룹은 겨울철만 C그룹보다 낮았으나 차이는 유의하지 않았고, 나머지 계절에서 A, C그룹보다 유의하게 높았다. PM2.5의 계절별 농도도 모든 계절에서 정규분포를 충족 하지 않아 Kruskal-Wallis test를 실시한 결과 모든 계절에서 그룹간 차이가 유의하였다(p<0.001). 개별 그룹간 분석도 겨울철 B-C 그룹을 제외한 모든 계절에서 통계적으로 유의한 차이가 인정되어(p<0.001) PM10 결과와 동일한 경향을 확인하였다. 계절별로 그룹간 차이를 자세히 살펴보면 PM10은 A그룹의 농도가 B, C그룹과 큰 차이로 낮았고, B-C의 차이가 작았다. 이러한 경향은 계절별로도 유사하였지만, 고농도 시기인 겨울과 봄에 그룹간 차이가 다소 작고, 저농도 시기인 여름과 가을에 다소 큰 차이가 있었다. PM2.5 농도는 봄~가을에 A<C<B순서를 보이며 그룹간 균등한 차이를 보였고, 겨울은 B와 C그룹의 농도가 유사하면서, A그룹과의 차이가 컸다. 저농도 시기인 여름에 그룹간 차이가 가장 컸고, 고농도 시기인 겨울에는 차이가 가장 작았다. 고농도 시기인 봄의 그룹간 편차와 저농도 시기인 가을의 편차는 유사하였다. 이상의 분석 결과 측정소 주변 산림지역 비율이 높은 지역은 미세먼지 농도가 낮고, 시가화지역 비율이 높은 지역은 미세먼지 농도가 높아 미세먼지의 배출과 저감에 기여하는 토지피복 유형의 비율에 따른 미세먼지 농도 차이를 확인하였다. PM10과 PM2.5 모두 산림 우세 그룹(산림비율 평균 34.6%)의 미세먼지 농도가 가장 낮았다. 중간값 그룹(산림비율 평균 16.5%)은 시가지 우세 그룹 보다 미세먼지 농도가 낮지만 PM10은 차이가 작았고, PM2.5는 차이가 커서, PM2.5는 중간값의 산림비율에서도 농도 저감 효과가 큰 것으로 판단되었다. 계절별로는 여름철에 그룹간 농도 차이가 가장 커서 저농도 시기에 토지피복에 의한 영향이 증가하는 것으로 추정되었다. 또한 고농도 시기인 겨울철은 그룹간 농도 차이가 가장 작아 고농도 시기에 토지피복의 영향은 감소하고, 기상조건 등 다른 요인의 작용이 큰 것으로 판단되었다. 다만 1년 중 가장 농도가 높은 계절은 봄철 이었는데 겨울철 보다 그룹간 농도 편차가 컸다. 이에 대한 추후 연구가 필요하였다.

환경과 개발이 조화된 한반도 국토 종합개발 계획 수립을 위해서는 환경계획에 활용할 수 있는 환경공간정보가 필요하다. 하지만 기 구축되어 있는 북한지역의 환경공간정보는 매우 한정적이다. 기존 환경부의 대분류 토지피복지도가 있으나, 대분류 토지피복지도는 국토의 토지피복분류를 7개 항목으로만 분류체계가 구분되어 있고, 공간 해상도 또한 떨어져 정책적으로 활용할 수 있는 분야가 제한적이다. 따라서 본 연구에서는 접근불능지역을 대상으로 원격탐사 기술을 적용하여 신규 구축이 가능한 토지피복지도가 북한 지역의 환경공간정보로 타당하 다고 판단하였다. 그리고 기존 대분류 토지피복지도보다 공간 및 속성 해상도가 높아 다양한 분야에서 활용할 수 있는 중분류 토지피복지도를 구축하고자 하였다. 이를 위해 환경, 도시, 산림, 농업 분야의 토지피복지도 관련 구축 현황을 살펴보았으며, 각각의 분야에서 이용하고 있는 분류체계를 기반으로 중분류 토지피복지도의 구축 가능성과 활용성을 고려하여, 기존 환경부 중분류 토지피복지도의 22개 분류체계에서 신규 16개 분류체계로 변경하여 각각의 분류체계의 구축방안을 제시하였다. 그리고 개성지역을 시범지역으로 선정하고, 각각의 분류체계별 구축방안을 시범 구축하였다. 이러한 북한지역의 토지피복지도의 시범구축 결과 분류체계의 항목별 전체 분류정확도는 95.35%로 산정되어, 북한지역의 중분류 토지피복지도 구축에 적용가능하다 판단하였다.

한국의 환경부에서 제작하여 배포한 국가 토지피복도(2000, 2009년)는 수문, 생태, 자연재해 취약성 평가 등 다양한 연구의 기초정보로 활용되고 있다. 하지만 2000년 국가 토지피복도의 정확도가 부족하기 때문에 국가토지피복도를 활용하여 토지피복 변화를 분석하는데 어려움이 있다. 이에 본 연구는 통계연보의 지목 자료와 환경부의 2009년 토지피복도를 활용하여 2000년 토지피복별 면적 추정 방법을 연구하였다. 이 연구는 본 연구에서 설계한 방법의 타당성을 평가하기 위해 그 방법을 덕유산 인근에 위치한 6개 읍·면의 2000년 토지피복별 면적을 추정하는데 적용하였다. 연구 결과 본 연구에서 추정한 2000년 토지피복별 면적은 통계연보와 전반적으로 6.12km2의 차이를 보였다. 이에 비해 토지피복도를 활용하여 산정한 토지피복별 면적은 통계연보와 전반적으로 13.10km2의 차이를 보였다. 토지피복도만을 이용하여 분석한 2000～2009년 토지피복별 면적 변화 경향은 통계연보와 54.2% 일치하였다. 반면에 본 연구에서 추정한 변화 경향은 통계연보와 95.8% 일치하였다. 이와 같은 결과는 본 연구에서 제안하는 방법이 토지피복도만을 활용했을 때에 비해 2000년 토지피복별 면적을 추정하는데 유용할 수 있다는 것을 보여주었다.

본 연구의 목적은 지리정보시스템과 원격탐사 기법을 이용하여 묘향산의 산림과 훼손 지역의 토지피복을 파악하기 위함이다. Arc/Info와 ArcView, 그리고 ENVI 프로그램을 이용하여 묘향산의 산림과 토지피복과 경관 변화를 분석하였다. 2009년에 쵤영된 4장의 IKONOS 영상과 ENVI 영상처리 프로그램을 이용하여 토지와 산림피복 분석을 실시하였다. 산림식생분석이외에 훼손된 산림을 관리하고 모니터링 할 수 있는 데이터 베이스의 구축과 더불어 사용자 메뉴가 개발되었다. 식생과 토지피복 데이타베이스는 Arc/Info를 이용하여 구축되었고 주제도는 ArtcView를 통해 만들어졌다. 무감독 분류기법 을 통해 산림 훼손 지역, 개발지역, 양호 식생 지역, 그리고 기타등 4개 지역으로 구분하여 토지피목 분석을 진행하였다. 묘향산의 전체 면적은 약 4,210ha로 산출되었으며, 양호 식생지역은 2,273ha로 계산 되었다. 장기적으로 북한의 산림과 토지이용 변화특성과 경관분석을 이해하기에는 지리정보시스템과 위성영상을 이용한 원격탐사 기법을 적용한 토지 피복분석이 유용함을 나타내었다 .

지구 표면의 물리적 형태를 표현한 토지피복도는 다양한 연구에 기초자료로 활용되어져 왔다. 따라서 토지피복도의 정확도는 중요한 이슈 중 하나이다. 본 연구는 환경부에서 배포한 2000년과 2009년의 다중시기 국가 토지피복도를 활용하여 전라북도에 위치한 구량천 유역의 토지피복 변화를 탐지하고, 그 결과의 정확도를 평가하였다. 그 결과 토지피복 변화 지역의 전반적인 정확도는 33.2%로 매우 낮게 나타났으며, 시기별 토지피복도의 전반적인 정확도는 44.2%(2000년)와 84.4%(2009년)이었다. 2000년 토지피 복도의 낮은 정확도는 토지피복 변화의 정확도를 떨어뜨리는 원인이었다. 2000년 토지피복도의 정확도가 낮은 원인은 기하보정과 정사보정 같은 원시자료의 전처리 과정에서 발생한 정확도 결여에 있었다. 정확도에 영향을 미친 또 다른 원인으로는 초지와 사력퇴 지역의 오분류가 있었다. 국가토지피복도의 토지피복 변화 정확도를 향상시키기 위해서는 원시자료의 전처리 정확도를 향상시킬 필요가 있으며, 오분류 가능성이 높은 지역에 대한 검증을 강화할 필요가 있을 것이다.

본 연구는 도시공원의 토지피복 및 식재구조에 따른 온도 영향요인을 규명하는데 목적이 있다. 성남시 분당구 중앙공원을 대상으로 전 지역에 대한 토지피복 및 식재현황을 파악하였으며 30개의 조사구를 설정하여 정밀 토지피복 및 식재구조를 파악하고 온도는 10회 반복 측정하였다. 온도 영향요인은 토지피복유형, 식재유형, 층위구조, 녹지량(녹피율, 녹지용적계수)을 선정하여 실측 온도와의 통계분석을 실시하였다. 토지피복유형, 식재유형, 층위구조와 실측 온도와의 분산분석 결과, 토지피복유형에서 목본 식재지는 저온역으로 초지와 포장지는 고온역으로 구분되었다. 식재유형은 침엽수 및 활엽수 식재지는 저온역으로, 초지와 포장지는 고온역으로 구분되었다. 층위구조는 교목층과 교목층+하부식재 유형은 저온역으로, 초지와 포장지는 고온역으로 구분되었다. 녹지량과 실측 온도와의 상관관계 분석 결과 녹피율과 녹지용적계수는 모두 실측 온도값과 고도의 음(-)의 상관관계가 인정되었다. 녹지량과 실측 온도와의 회귀모형에 의하면 녹피율은 1% 증가할 때마다 -0.002℃, 녹지용적계수는 1m3/m2 증가할 때마다 -0.122℃의 온도저감 효과가 있을 것으로 예측되었다.

본 연구는 초고층 건축물 외부공간의 식물 피복 상태가 온도변화에 미치는 영향을 파악하고자 서울시에 위치한 초고층 건축물 12개소를 대상으로 연구를 수행하였다. 초고층 건축물 외부공간의 토지 피복 유형별 온도 차이 분석을 위해 6개 유형(외곽도로, 포장지, 관목/초지, 단층교목식재지, 다층식재지, 수경시설)으로 건축물외부공간의 피복유형을 구분하였으며 토지이용유형별 대표지점에서 온도를 실측하였다. 건축물 12개소의 주변 환경차이를 고려하기 위해 외곽도로의 중앙부에 대조구를 선정하여 온도를 측정한 후 일원배치 분산분석을 토대로 유사한 온도경향을 보이는 대상지를 4개 그룹으로 분류하였다. 분류된 그룹의 토지 피복 유형과 외부 공간 온도와의 일원배치 분산분석결과, 주로 단층교목식재지, 수경시설, 다층식재지는 저온역에 속하였으며, 관목/초지, 포장지, 외곽도로는 고온역에 속하였다. 저온역과 고온역의 온도차이는 약 1.06~6.17℃의 차이를 보였다. 그러나 조성된 식재지와 수경시설 면적의 협소, 건축물로 인한 일사도달량의 저감과 반사량의 증가 등으로 초고층 건축물 외부공간 온도에 미치는 영향이 다양하게 나타났다. 이에 각 공간에 필요한 녹지량과 수공간의 면적을 조성 전 미리 산출하여, 효과를 발휘할 수 있는 최소한의 면적과 녹지량을 확보할 필요성이 있었다.

This study tried to reveal pattern of change in climatic normals during 1981-2010 and 1991-2020 from 28 weather stations in South Korea as well as its relationships with land cover change. Most of the weather stations showed temperature increase during 1991-2020 compared to 1981-2010, and positive correlations were found between temperature and urbanization in land cover, with the highest correlation coefficient in min. temperature. Temperature data also showed negative correlations with suburbanization in land cover, with lower correlation coefficients than urbanization in land cover. Overall decreases in relative humidity were revealed from the weather stations. However, clear relationships between relative humidity and land cover were not found in this study. The other climate data such as precipitation, sunshine and mean wind speed showed various ratios of change depending on the weather stations, without certain relationships with land cover.