이상기상과 지형 조건이 신갈나무 고사에 미치는 영향

1. 서 론

최근 기후변화로 인한 강수 형태의 비정형화가 산림생태계에 영향을 미치고 있으며, 특히 결빙성 강수 조건이 수목 피해를 유발한 사례가 다수 보고되고 있다(Wu et al., 2011). 눈과 비가 번갈아 내리는 혼합기상은 수간 내 수분 상태의 급격한 변화를 유도하여 조직 파열이나 생리적 스트레스를 통해 수목 고사를 초래할 수 있으며(Feiccabrino et al., 2012; Marks et al., 2017), 기온 경계 구간에서 반복적으로 발생하는 결빙과 해빙은 수목 생리와 구조적 안정성에 부정적인 영향을 미칠 수 있다.

기존 연구들은 대설(Takahashi, 1970), 이상저온, 강풍 등 단일 이상기상 요인에 의한 피해 사례를 중심으로 수행되었으며, 혼합기상과 같이 복합적인 기상 조건의 정량적 분석은 매우 제한적이다. 그러나 국내에서도 기후 스트레스에 따른 낙엽활엽수림 고사 사례가 보고되고 있으며(Lim et al., 2023), 이상기온과 풍속에 따른 고사 민감도를 정량적으로 분석한 연구도 있다. 특히 결빙–해빙 반복 조건에서의 생리적 피해 가능성에 주목한 사례 연구도 확인되고 있다.

그러나 2023–2024년 겨울철, 우리나라에서도 혼합기상 조건과 이에 따른 급격한 기상 전환, 습설, 결빙 등 복합 피해가 전국적으로 보고되었으며(KMA, 2025), 이는 혼합기상이 우리 산림생태계에 실질적인 영향을 미칠 수 있음을 시사한다. 또한 산림 피해는 동일한 기상 조건 하에서도 고도, 경사, 사면향 등 지형 요인에 따라 그 공간적 분포가 다르게 나타나며, 이러한 지형 특성은 수목의 기상 스트레스 민감도와 고사 취약성을 조절하는 주요 요인으로 작용할 수 있다(Eliades et al., 2024).

이에 따라 본 연구는 다음의 세 가지 가설을 설정하였다. 첫째, 혼합기상이나 이상저온, 이상풍속과 같은 이상기상 현상은 신갈나무 고사 발생에 영향을 미친다. 둘째, 고도, 경사, 사면향, 습윤도 등 지형 요인은 수목의 기상 스트레스 민감도를 달리하여 고사 피해의 공간 분포에 차이를 유발할 수 있다. 셋째, 이상기상과 지형 조건이 복합적으로 작용할 경우, 특정 기상 연도 또는 특정 지형에서 고사 발생이 집중될 가능성이 있다.

본 연구는 전북 무주군 민주지산 일대의 신갈나무림을 대상으로 2023–2024년 겨울철 고사 피해 사례를 분석하였으며, 2020년 11월부터 2024년 2월까지의 산악기상망 일별 자료를 기반으로 혼합기상 및 이상기상 조건을 정의하였다. 또한 고해상도 DEM을 활용한 지형자료와 현장조사를 통해 확보한 고사목 분포를 결합하여, 기상 및 지형 조건이 수목 고사에 미치는 영향을 GLM, GAM, Random Forest, MaxEnt 모델을 활용하여 비교 분석하였다.

이러한 분석을 통해 이상기상이라는 외부 스트레스가 특정 지형 조건과 결합할 때 산림 고사 위험이 어떻게 증폭되는지를 실증적으로 규명하고, 기후변화 대응 산림재해 예측 및 취약지 관리를 위한 기초자료를 제공하고자 한다.

2. 연구방법

2.1. 연구 대상지

연구 대상지는 전라북도 무주군 설천면 미천리 산 1번지 일대에 위치하며, 해발 약 800–1,200 m의 중산간 산지에 해당한다. 다양한 사면향과 경사 조건이 혼재한 지형으로, 이상기상에 따른 피해 반응 차이를 분석하기에 적절한 환경적 특성을 지닌다. 본 지역은 원래 신갈나무(Quercus mongolica)가 우점하던 임분으로, 2020년 일부 구역(약 6 ha)에서 대상벌채가 이루어졌고, 2021년에는 신갈나무를 포함한 5개 수종으로 혼합 조림이 조성되었다. 나머지 약 15 ha의 잔존림은 신갈나무와 낙엽송(Larix kaempferi)이 혼효된 형태로 유지되고 있다(Fig. 1).

Fig. 1.

Location of the study area in Muju, and field photo of observed tree damage (Quercus mongolica stand).

잔존림 지역은 현장 조사를 통해 피해 정도에 따라 ▲고사목 비율이 75% 이상인 상급 피해지(2 ha), ▲고사목 비율이 60% 이하인 하급 피해지(4 ha), ▲피해가 거의 없는 미피해림(9 ha)으로 구분하였다. 특히 2023–2024년 겨울철 이상기상이 발생한 시기에 고사 피해가 집중적으로 나타났으며, 이는 지형 조건과 이상기상 발생이 복합적으로 작용한 결과로 판단된다(Fig. 2).

Fig. 2.

Classification of damage severity and stand boundaries in the study area.

3. 결과 및 고찰

3.1. 혼합기상 및 이상기상 발생 특성

2020-2024년까지의 기상연도별 겨울철(11월–2월) 관측 결과에 따르면, 2023–2024년의 평균기온이 0.86℃로 4개년 중 가장 높았으며, 이는 가장 낮았던 2021년(–0.91℃)보다 약 1.8℃ 높은 수치였다. 최대기온 역시 23.0℃로, 2023년(20.4℃) 및 2021년(18.2℃)보다 각각 2.6℃, 4.8℃ 높았다(Table 1).

Table 1.

Annual climate conditions during 2021-2024 (November to February)

강수량에서도 유의한 증가가 확인되었는데, 2024년 평균 강수량은 1.06 mm로 4개년 중 유일하게 1 mm를 초과하였으며, 최대 강수량은 43.5 mm로 2021년(44.0 mm)에 이어 두 번째로 높았다. 풍속 조건 또한 증가 양상을 보였으며, 2024년의 평균 풍속은 2.9 m/s, 최대 풍속은 12.4 m/s로, 각각 2023년(2.0 m/s, 8.7 m/s)보다 크게 증가하였다. 이는 2024년의 기상이 변동성이 크고, 극한 기상 조건이 빈번했음을 시사한다(Trenberth et al., 2007; Marks et al., 2017).

이러한 기상 조건의 변화는 혼합기상 및 적설 관련 지표에도 뚜렷하게 반영되었다(Table 2). 2024년의 혼합기상일수는 총 27일로, 2021년(14일), 2023년(11일)보다 2배 이상 많은 수치를 보였으며, 폭설일수는 29일로 4개년 중 가장 많았다. 눈–비 전환 일수도 9일로 가장 높은 값을 기록하였다. 이는 기온이 강수 형태의 상전이 경계에 머무르는 시간이 길어져, 동일한 날 또는 연속된 기간 동안 액체와 고체 강수가 반복 발생했음을 의미하며, 수목의 구조적·생리적 스트레스를 가중시킬 수 있는 조건이다.

Table 2.

Annual frequency of mixed precipitation and snow-related weather events (2021–2024)

복합 위험 조건의 발생 빈도를 분석한 결과에서도 2024년의 특이성이 뚜렷하게 확인되었다(Table 3). 2024년의 복합위험일(혼합기상 + 이상풍속)은 총 9일로, 2023년(3일), 2022년(2일), 2021년(1일)에 비해 3~9배 높은 수준이었으며, 결빙위험일(혼합기상 + 이상저온)은 2일로 2022년과 함께 가장 높은 값을 기록하였다.

Table 3.

Annual frequency of mixed precipitation, extreme cold, and compound weather risk events

이러한 혼합기상, 강풍, 이상저온 등 복합 이상기상 조건이 집중적으로 발생한 2024년은 실제로 고사 피해가 집단적으로 발생한 시기와 일치하였다. 이는 혼합기상 조건의 빈도 증가뿐 아니라, 다양한 이상기상 요소가 중첩되어 발생한 환경이 수목에 구조적 손상과 생리적 교란을 유발했을 가능성을 강하게 시사한다(Allen et al., 2010).

3.2. 지형 조건에 따른 고사율 분포

연구 대상지의 지형 조건은 고도, 경사도, 사면향, 토심, 수종 구성, 영급, 일사량, TWI 등으로 구성되며, 수치표고모델(DEM)과 주제도를 기반으로 공간 시각화를 수행하였다.

고사목은 주로 고도가 높고 경사도가 급하며, TWI와 일사량이 낮은 지역에 분포하여, 고지대·급경사·건조·음지 지형이 고사 발생에 취약함을 시사한다. 반면, 미피해림은 저지대이면서 TWI와 일사량이 높은 지역에 분포하여, 수분과 광 조건이 양호한 환경에서 생존 가능성이 높은 것으로 나타났다.

이러한 지형 변수 간 평균 차이는 독립표본 t-검정을 통해 통계적으로 유의한 차이를 보였으며(Fig. 3), 고사 위험이 특정 지형 조합에서 증가할 수 있음을 뒷받침한다. 고도, 경사, 일사량 등은 기계적 하중 증가, 증발산 촉진, 수분 손실 등 생리적 부담을 가중시키며, 수종의 생장 안정성에도 영향을 미치는 것으로 알려져 있다(Lee et al., 2020).

Fig. 3.

Comparison of mean values of topographic variables between damaged and undamaged stands.

예측모형의 반응 곡선 분석 결과, 고도, 경사도, TOPEX 등 주요 지형 변수는 고사 발생 확률에 유의한 영향을 미치는 것으로 나타났다(Fig. 4).

Fig. 4.

Response curves of tree mortality probability by major topographic variables.

고도는 약 1,000 m 이상부터 고사 확률이 급격히 증가하였으며, 미피해림의 분포 확률은 반대로 감소하였다. 고지대는 온도 변화폭이 크고 동결–해빙 주기가 잦아 수목 생리에 부정적인 영향을 미칠 수 있다(Bertamini and Nedunchezhian, 2001; Körner, 2007).

경사도는 증가할수록 고사 확률이 높아지는 경향을 보였으며, 이는 급경사지에서 기계적 하중 증가, 수분 유실, 풍해 위험 등 복합 스트레스가 작용했을 가능성을 시사한다(Topham and Mitchell, 1993; Suvanto et al., 2021).

TOPEX는 고사 예측 확률과 정비례 관계를 나타내어, 바람 노출이 심한 지형일수록 고사 발생 가능성이 높았다. 이는 바람에 의한 수간 손상 및 증발산 증가가 생존 안정성을 저해함을 의미하며, TOPEX가 풍해 피해의 예측 변수로 작용함은 기존 연구에서도 확인된 바 있다(Quine and White, 1993; Everham and Brokaw, 1996; Kane, 2008).

반면, TWI는 값이 높을수록 미피해림의 분포 확률이 증가하여, 습윤한 지형이 수분 보유 및 생존 안정성을 제공했을 가능성을 제시한다(Grayson et al., 1992; Paterson and Fernandez, 1996). 특히 습윤 지형은 겨울철 수분 공급을 유지하여 수분 스트레스를 완화하는 데 기여할 수 있다(Allen et al., 2010).

3.3. 예측모형 비교 및 복합요인 해석과 시사점

고사 발생 예측을 위해 GLM, GAM, Random Forest, MaxEnt 모델을 비교한 결과, Random Forest가 AUC 0.855로 가장 우수한 예측 성능을 보였으며, GAM(0.758), MaxEnt(0.755), GLM(0.650) 순으로 평가되었다(Fig. 5). 비선형성과 변수 간 상호작용을 유연하게 반영할 수 있는 Random Forest와 GAM의 성능이 높았으며, 이 중 GAM은 설명변수 간 효과 해석이 용이하다는 점에서 본 연구의 주요 해석 도구로 채택되었다.

Fig. 5.

Comparison of ROC curves by prediction models.

이러한 경향은 기존 연구와도 일치한다. Cutler et al.(2007)은 Random Forest가 변수 간 상호작용과 비선형 구조를 효과적으로 반영하여 생태 분류 문제에서 높은 예측력을 보인다고 하였고, Wood(2017)는 GAM이 변수의 영향을 유연한 곡선 형태로 파악할 수 있어 해석에 적합한 분석 도구임을 제시하였다. 본 연구 역시 Random Forest의 예측력과 GAM의 해석력을 모두 확인할 수 있었으며, 복합 기상·지형 조건의 영향을 정량적으로 해석하기 위해 GAM의 활용 가능성을 입증하였다.

한편, Random Forest 모델의 변수 중요도 분석 결과, 고사 예측에 가장 큰 영향을 미친 변수는 고도, 혼합기상일수, TOPEX, TWI 순으로 나타났다. 고도는 산지 내 미기후 변화를 반영하는 광역적 지형 변수이며, 혼합기상일수는 수목 생리적 스트레스 누적을 설명하는 핵심 기상 요인이다. TOPEX와 TWI는 각각 바람 노출도 및 지형 습윤도를 나타내며, 국지적 물리·생리적 스트레스에 민감하게 작용하는 변수로 해석된다.

이러한 결과는 고사 발생이 단일 기상 조건보다 지형적 취약성과 미기상 요소의 상호작용에 의해 복합적으로 결정된다는 점을 시사한다. 따라서 향후 예측 기반의 산림 관리 전략 수립 시, 이러한 복합 인자의 통합적 고려가 필수적임을 보여준다.

GAM 기반 상호작용 분석 결과, 기상 및 지형 요인의 복합 작용이 고사 발생에 유의미한 영향을 미치는 것으로 나타났다(Fig. 6).

Fig. 6.

Interaction effects of major variables: (a) Slope × Wind speed, (b) TWI × Solar radiation.

경사도와 풍속 간 상호작용에서는 풍속이 증가할수록 고사 확률이 상승하였으며, 특히 완경사지(경사도 10° 이하)에서 그 영향이 더욱 두드러졌다. 이는 완경사지에서 수분 정체, 기계적 흔들림, 동결 위험 등이 중첩되어 풍설에 의한 복합 스트레스가 작용했을 가능성을 시사한다.

이와 같은 경향은 기존 연구에서도 유사하게 보고된 바 있다. 완경사지나 저지대 지형에서는 냉기와 습기가 체류되며 ‘Cold air pooling’ 현상이 발생하고, 이로 인해 결빙 지속 시간이 길어지며 생리적 손상 위험이 증가한다( Gu et al., 2008; Charrier et al., 2017). 이러한 결과는 단순한 경사도 크기보다는, 지형적 미세환경 특성이 고사 반응에 더 큰 영향을 미칠 수 있음을 시사한다.

복합적 스트레스 메커니즘은 수목 생존률 저하와도 밀접하게 연관되어 있으며, 기존 연구에서도 유사한 기전이 보고된 바 있다(Allen et al., 2010; Suvanto et al., 2021).

한편, TWI와 일사량 간 상호작용에서는 저조도·고습도 환경(음지 및 습지 조건)에서 고사 확률이 가장 높게 나타났다. 이는 수피 동결, 광합성 저하, 조직 파열 등 다양한 생리적 피해 메커니즘이 동시에 작용했을 가능성을 보여준다. 실제로 유사한 조건에서는 수분 과포화와 급속한 결빙으로 인해 세포 손상이 발생하며, 이는 낙엽활엽수림에서 특히 취약하게 나타나는 현상으로 보고되고 있다(Mayr and Charra-Vaskou, 2007; Bozonnet et al., 2023).

한편, TOPEX의 단변수 반응곡선에서는 지수가 15 이상부터 고사 확률이 급격히 상승하는 경향이 나타났으며(Fig. 7), 바람에 노출된 능선부나 사면에서 고사 발생 가능성이 높아짐을 확인할 수 있었다. 이는 바람에 의한 기계적 하중, 냉해, 수분 증발 증가 등이 복합적으로 작용했을 가능성을 시사한다.

Fig. 7.

Response curve of tree mortality probability by TOPEX.

이러한 경향은 기존 연구에서도 유사하게 보고된 바 있으며, TOPEX가 높은 지형에서 수목 생존률이 유의하게 낮다는 결과가 제시된 바 있다(Peterson, 2007; Kane et al., 2008). 특히 Kopecký and Čížková(2010)는 TOPEX가 수목 생존율 예측에 유의한 변수로 작용할 수 있음을 제안하였으며, 본 연구 결과에서도 이와 유사한 패턴이 관측되었다.

본 연구는 고산지대 단일 기상관측소 자료를 기반으로 수행되었기 때문에, 지형적 미기후 차이를 완전히 반영하지 못했을 가능성이 존재한다. 이러한 한계는 일부 조사구에서 관측된 고사 피해와 기상 조건 간 불일치로 이어질 수 있으며, 향후 연구에서는 소형 기상 관측 장비 다지점 설치 또는 고해상도 기후모형 기반의 공간 보간을 통해 보완될 수 있을 것이다.

그럼에도 불구하고, 본 연구는 이상기상 조건과 지형적 취약성이 복합적으로 작용할 경우 신갈나무 고사 확률이 유의하게 증가한다는 점을 실증적으로 제시하였다. 특히, 경사도와 풍속, TWI와 일사량 간의 상호작용 효과, 그리고 TOPEX와 같은 노출 지수가 고사 예측에 중요한 변수로 작용함을 확인하였다. 이러한 결과는 산림재해 예측 및 기후변화 대응을 위한 공간 기반의 산림 관리 전략 수립에 기초자료로 활용될 수 있다.

4. 결 론

본 연구는 이상기상과 지형 조건이 신갈나무 고사에 미치는 영향을 실증적으로 규명하고자, 2023–2024년 겨울철 고사 피해가 발생한 민주지산 신갈나무림을 대상으로 정량적 분석을 수행하였다. 혼합기상, 이상풍속, 이상저온 등 다양한 이상기상 조건은 고사 피해 발생 시기와 밀접하게 일치하였으며, 특히 2024년 기상연도에는 복합위험 조건이 집중적으로 관측되었다.

지형 분석 결과, 고사목은 고도와 경사도가 높고, 풍향에 노출되며 TWI 및 일사량이 낮은 지역에 주로 분포하였다. 이는 급경사지 및 음습한 지형이 혼합기상 조건 하에서 수목 생존에 취약한 미세환경을 형성함을 보여준다. 다만, 일부 완경사지에서도 고사율이 상대적으로 높게 나타난 구간이 확인되었으며, 이는 풍속 차단, 냉기 및 수분 체류에 따른 Cold air pooling 현상, 생리적 취약성의 누적 등 복합적 요인이 작용했을 가능성을 시사한다.

예측모형 비교 결과, Random Forest 모델이 가장 높은 예측 성능(AUC = 0.855)을 보였으며, GAM 기반의 상호작용 분석을 통해 경사도×풍속, TWI×일사량 등의 복합 조건이 고사 발생 확률에 유의미한 영향을 미침을 확인하였다.

REFERENCES

• Allen, C. D., Macalady, A. K., Chenchouni, H., Bachelet, D., McDowell, N., Vennetier, M., Gonzalez, P., Hogg, E. H., Rigling, A., Breshears, D. D., Fensham, R., Zhang, Z., Cobb, N., 2010, A Global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests, For. Ecol. Manage., 259(4), 660–684. [https://doi.org/10.1016/j.foreco.2009.09.001]
• Anderegg, W. R. L., Kane, J. M., Anderegg, L. D. L., 2013, Consequences of widespread tree mortality triggered by drought and temperature stress, Nature Climate Change, 3(1), 30–36. [https://doi.org/10.1038/nclimate1635]
• Bertamini, M., Nedunchezhian, N., 2001, Photoinhibition of photosynthesis in mature and young leaves of grapevine (Vitis vinifera L.), Photosynthetica, 39(1), 95–97.
• Beven, K. J., Kirkby, M. J., 1979, A Physically based, variable contributing area model of basin hydrology, Hydrol. Sci. Bull., 24(1), 43–69. [https://doi.org/10.1080/02626667909491834]
• Bozonnet, M., Pellerin, S., Gosselin, A., 2023, Effects of rain-on-snow events on forest tree physiology, For. Ecol. Manage., 526, 120600.
• Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., Lawler, J. J., 2007, Random forests for classification in ecology, Ecol., 88(11), 2783–2792. [https://doi.org/10.1890/07-0539.1]
• Eliades, N. G., Papadopoulos, A., Lymperopoulos, E., Georgiadis, C., 2024, Topographic controls on climate-related tree mortality, For. Ecol. Manage., 537, 121054.
• Everham, E. M., Brokaw, N. V. L., 1996, Forest damage and recovery from catastrophic wind, Botanical Rev., 62(2), 113–185. [https://doi.org/10.1007/BF02857920]
• Feiccabrino, J., Lundberg, A., Gustafsson, D., 2012, Improving surface temperature measurements from unshielded sensors on snow in mixed precipitation, Cold Regions Sci. Techn., 74–75, 33–43.
• Fu, P., Rich, P. M., 1999, Design and implementation of the solar analyst: An Arcview extension for modeling solar radiation at landscape scales, Proc. 19th ESRI User Conf., 1–31.
• Grayson, R. B., Moore, I. D., McMahon, T. A., 1992, Physically based hydrologic modeling: 1. A Terrain-based model for investigative purposes, Water Res. Res., 28(10), 2639–2658. [https://doi.org/10.1029/92WR01258]
• Gu, L., Hanson, P. J., Post, W. M., Kaiser, D. P., Yang, B., Nemani, R., Pallardy, S. G., Norby, R. J., 2008, The 2007 eastern US spring freeze: Increased cold damage in a warming world, BioScience, 58(3), 253–262. [https://doi.org/10.1641/B580311]
• Hong, S., Kim, J., 2022, Species-specific vulnerability to extreme weather using forest climate indices in Korea, J. For. Meteor., 24(2), 120–132.
• Kane, B., 2008, Tree failure following a windstorm in Brewster, Massachusetts, USA, Urban For. Urban Green., 7(1), 15–23. [https://doi.org/10.1016/j.ufug.2007.11.001]
• Kane, B., Smiley, E. T., Scharenbroch, B. C., 2008, Risk factors associated with tree failure in Brewster, Massachusetts, USA, Urban For. Urban Green., 7(1), 15–23. [https://doi.org/10.1016/j.ufug.2007.11.001]
• Kane, B., Smiley, E. T., Scharenbroch, B. C., 2011, Tree failure following a windstorm in a mixed urban forest, Urban For. Urban Green., 10(2), 105–111.
• Kopecký, M., Čížková, Š., 2010, Predictive modelling of tree species distribution using TOPEX index: A Case study, Ecol. Model., 221(3), 606–616.
• Kopecký, M., Čížková, Š., 2019, Using topographic wetness index in vegetation ecology: Does the algorithm matter?, Appl. Veg. Sci., 22(4), 577–587.
• KMA (Korea Meteorological Administration), 2025, 2024 annual report on extreme weather events, Daejeon, Korea.
• Körner, C., 2007, The use of ‘altitude’ in ecological research, Trends Ecol. Evol., 22(11), 569–574. [https://doi.org/10.1016/j.tree.2007.09.006]
• Lee, S., Choi, H., Kang, Y., 2020, Physiological responses of deciduous trees to repeated freeze–thaw events in mountainous regions of Gangwon Province, J. Kor. For. Ecol., 24(4), 311–322.
• Lim, J., Park, D., Yoon, H., 2023, Analysis of tree mortality patterns in Korean broadleaf forests under climate change, J. Kor. For. Soc., 112(1), 45–58.
• Marks, D., Winstral, A., Reba, M., 2017, An Overview of rain-on-snow hydrology in mountain regions, Water Res. Res., 53(1), 1–17.
• Mayr, S., Charra-Vaskou, K., 2007, Frost drought in trees: A Review, New Phytol., 173(3), 446–460.
• Moore, I. D., Gessler, P. E., Nielsen, G. A., Petersen, G. A., 1993, Soil attribute prediction using terrain analysis, Soil Sci. Soc. Am. J., 57(2), 443–452. [https://doi.org/10.2136/sssaj1993.03615995005700020026x]
• Paterson, S. J., Fernandez, I. J., 1996, Effects of topography on forest soil characteristics in Maine, USA, For. Ecol. Manage., 84(1–3), 145–156.
• Peterson, C. J., 2007, Conspecific negative density dependence and forest diversity, Science, 316(5827), 1394–1397.
• Phillips, S. J., Anderson, R. P., Schapire, R. E., 2006, Maximum entropy modeling of species geographic distributions, Ecol. Model., 190(3–4), 231–259. [https://doi.org/10.1016/j.ecolmodel.2005.03.026]
• Quine, C. P., White, I. M. S., 1993, Using the QUINE model to test forest management options for reducing wind damage, Forestry, 66(3), 250–259.
• Suvanto, S., Nikinmaa, E., Packalen, P., Lehtonen, A., 2021, High-resolution modelling of wind damage probability in forested landscapes, Agric. For. Meteor., 301–302, 108350.
• Takahashi, K., 1970, Snow damage to forests and its control in Japan, J. Jpn. For. Soc., 52(3), 89–96.
• Topham, D. R., Mitchell, S. J., 1993, Windthrow in partially cut Douglas-fir stands, Can. J. For. Res., 23(9), 1662–1665.
• Trenberth, K. E., Jones, P. D., Ambenje, P., Bojariu, R., Easterling, D., Klein Tank, A., Zhai, P., Parker, D., Rahimzadeh, F., Renwick, J., Rusticucci, M., Soden, B., Taylor, M., 2007, Observations: Surface and atmospheric climate change, In Solomon, S. et al. (Eds.), Climate change 2007: The physical science basis, Contribution of Working Group I to the Fourth Assessment Report of the IPCC, Cambridge University Press, 235–336.
• Trumbore, S., Brando, P., Hartmann, H., 2015, Forest health and global change, Science, 349(6250), 814–818. [https://doi.org/10.1126/science.aac6759]
• Turner, M. G., Baker, W. L., Peterson, C. J., Peet, R. K., 2018, Landscape disturbance dynamics in a changing climate, Ecol. Monogr., 88(3), 354–376.
• Wood, S. N., 2017, Generalized additive models: An Introduction with R, 2nd ed., CRC Press, Boca Raton, Florida.
• WMO (World Meteorological Organization), 2021, WMO guidelines on the calculation of climate normals, Geneva, Switzerland.
• Wu, Z., Dijkstra, P., Koch, G. W., Peñuelas, J., Hungate, B. A., 2011, Responses of terrestrial ecosystems to temperature and precipitation change: A Meta-analysis of experimental manipulation, Global Change Biol., 17(2), 927–942. [https://doi.org/10.1111/j.1365-2486.2010.02302.x]