인공지능 딥러닝을 활용한 조류현상 예측기술 개발 및 활용방안

(1)

인공지능 딥러닝을 활용한 조류현상 예측기술 개발 및 활용방안

Development and Application of Algal Bloom Using Artificial Intelligence Deep Learning

홍 한 움 · 조 을 생 · 강 선 아 · 한 국 진

(2)

연구책임자 홍한움 (한국환경정책·평가연구원 부연구위원) 참여연구원 조을생 (한국환경정책·평가연구원 연구위원)

강선아 (한국환경정책·평가연구원 연구원) 한국진 (한국환경정책·평가연구원 선임전문원)

❚

연구자문위원 (가나다순)

김익재 (한국환경정책·평가연구원 선임연구위원) 민중혁 (환경부 개발모니터링팀 환경연구관) 서동일 (충남대학교 환경공학과 교수) 석흥일 (고려대학교 인공지능학과 교수) 신동원 (한국환경정책·평가연구원 부연구위원) 유동현 (인하대학교 통계학과 교수)

이병국 (한국환경정책·평가연구원 선임연구위원) 전동진 (한국환경정책·평가연구원 부연구위원) 진대용 (한국환경정책·평가연구원 부연구위원) 최상현 (충북대학교 경영정보학과 교수)

최지용 (서울대학교 그린바이오과학기술연구원 교수)

발행처 한국환경정책·평가연구원

(30147) 세종특별자치시 시청대로 370 세종국책연구단지 과학·인프라동

전화 044-415-7777 팩스 044-415-7799 http://www.kei.re.kr

인 쇄 2020년 12월 26일 발 행 2020년 12월 31일

등 록 제 2015-000009호 (1998년 1월 30일) ISBN 979-11-5980-448-9 93530 인쇄처 주식회사 다원기획 044-865-8115

이 보고서를 인용 및 활용 시 아래와 같이 출처를 표시해 주십시오.

홍한움 외(2020), ｢인공지능 딥러닝을 활용한 조류현상 예측기술 개발 및 활용방안｣, 한국환경정책·평가연구원.

값 7,000원

(3)

서 언

인공지능 딥러닝 기술은 최근 10여 년간 빠르게 발전하여 미래 산업 발전을 위한 핵심 기술로 자리 잡고 있습니다. 2016년 알파고와 이세돌 9단의 바둑 대결 이후 대중적으로도 높은 관심을 유지하고 있습니다.

최근 환경 분야에서도 딥러닝 기술을 도입하기 위한 시도가 적극적으로 이루어지고 있습 니다. 전통적으로 환경 분야에서는 물리 모형에 기반하여 기상, 대기오염, 수질오염 등을 예측하였습니다. 조류 현상은 생명 활동이기 때문에 질량 보존의 법칙에 기반하는 물리 모 형을 통한 예측은 한계가 있습니다. 특히 하류지역인 한강 친수활동구간은 자료가 크게 불 안정하여 물리 방정식으로 예측하기에 어려움이 많습니다. 본 연구에서는 딥러닝 알고리듬 을 활용하여 조류 현상에 대한 예측을 시도하였고 의미 있는 결과를 얻었습니다. 또한 딥러 닝 기술로 기존 예측 방식을 대체하려 하지 않고 서로의 장단점을 파악하였으며, 상호 보완 할 수 있는 방안을 제시하였습니다. 본 연구 및 후속 연구를 통해 실질적으로 조류 관리 시스템에 기여할 수 있기를 기대합니다.

본 연구를 수행한 한국환경정책·평가연구원 홍한움 박사와 조을생 박사 및 연구원들께 감사를 표합니다. 연구의 질을 높이기 위해 바쁘신 와중에도 기꺼이 도움주신 민중혁 환경 부 환경연구관, 충남대학교 서동일 교수, 고려대학교 석흥일 교수, 인하대학교 유동현 교수, 충북대학교 최상현 교수, 서울대학교 최지용 교수에게도 깊이 감사 드립니다.

2020년 12월 한국환경정책·평가연구원 원 장

윤 제 용

(4)

(5)

요 약

Ⅰ. 연구의 배경 및 목적

1. 연구 개요

❏ 연구명: 인공지능 딥러닝을 이용한 조류현상 예측기술 개발 및 활용방안

❏ 연구기간: 2020.1.1~2020.12.31.

2. 연구의 필요성 및 목적

❏ 조류현상의 원인

ㅇ 조류현상은 녹조현상과 적조현상을 포함 - 녹조현상: 강 및 호수에 남조류 과다 생성

- 적조현상: 바다에 갈색을 띠는 규조류 및 와편모조류 번성

❏ 현행 조류경보제의 한계

ㅇ 환경부 및 국립환경과학원에서는 유해남조류 실측치 및 EFDC 모형에 기반하여 조류 경보제 시행

ㅇ 물리 모형의 한계

- 탄탄한 이론적 배경을 기반으로 하나, 모형이 요구하는 세밀한 데이터를 확보하는 데 한계가 있음

- 질량보존의 법칙에 기반한 물리 모형 활용 생명활동인 조류현상 예측에 한계가 있음

ㅇ 딥러닝 예측을 대안 및 보완방안으로 고려

(6)

Ⅱ. 현행 녹조대응정책

1. 조류경보제

❏ 도입 시기: 1998년

❏ 법적 근거: ｢물환경보전법｣ 제21조

❏ 대상

ㅇ 상수원 및 친수활동구간 28개소 지점 ㅇ 발령권자: 국립환경과학원

❏ 분석 항목

ㅇ 유해남조류세포수 실측치 ㅇ 상수원 구간 기준

- 관심: 1,000(cells/mL) 이상 - 경계: 10,000(cells/mL) 이상 - 대발생: 1,000,000(cells/mL) 이상

2. (구) 수질예보제

❏ 도입 시기: 2012년

❏ 법적 근거: ｢물환경보전법｣ 제21조

❏ 대상

ㅇ 4대강 16개 보 및 북한강 삼봉리 등 17개 지점 ㅇ 발령권자: 국립환경과학원

❏ 분석 항목

ㅇ 수온 및 클로로필a 농도 예측치

ㅇ 현재는 조류경보제와 수질예보제를 통합 운영함에 따라 예측은 수행하지만 예보 발령 은 하지 않음

(7)

❏ 현재 유해남조류 예측정보 제공

ㅇ 현재 국립환경과학원에서 유해남조류 예측정보 제공 중 ㅇ 주 2회 월·목요일 조류경보제 6개 지점 대상

ㅇ 유해남조류세포수 및 수온예측 결과 발표

자료: 물환경정보시스템, “조류예측정보”, 검색일: 2020.10.15.

<그림 1> 국립환경과학원 조류예측정보 대상 지점 유해남조류 예측 예시

3. 수질측정망 현황

❏ 법적 근거

ㅇ ｢환경정책 기본법｣ 제22조 및 ｢물환경보전법｣ 제9조

❏ 구성 ㅇ 수질측정망

- 대상: 하천, 호소, 농엽용수, 도시관류, 산단하천에서의 수질측정데이터

- 제공 정보: 수심, 수소이온농도, 용존산소량, BOD, COD, 부유물질, 총질소, 총인,

(8)

총유기탄소(TOC), 수온, 페놀류, 전기전도도, 총대장균군수, 용존총질소, 암모니아 성 질소, 질산성 질소, 용존총인, 용존총인, 인산염인, 클로로필a, 투명도 - 주기: 월 1회, 주요지점에 대해서는 주 1회

ㅇ 총량측정망

- 대상: 수질오염총량제 대상 지역에 대해 총량 관리에 필요한 기초데이터 - 제공 정보: 수온, 수소이온농도, 전기전도도, 용존산소, BOD, COD, 부유물질,

총질소, 총인, TOC, 유량 - 주기: 월 1회

ㅇ 자동측정망

- 수동적으로 측정되는 일반측정망의 보완을 위해 운영 - 제공 정보:

(공통항목) 수온, 수소이온농도, 용존산소량, 전기전도도, TOC

(선택항목) 탁도, 클로로필a, TN, TP, NH3-N, NO3-N, PO4-P, VOCs(9종 10 개), 페놀, 중금속, 생물감시항목

- 주기: 일 1회 ㅇ 퇴적물측정망

- 목적: 국 하천 및 호소 등 수질보전대상 공공수역에 대한 퇴적물의 이화학적 특성 조사

- 제공 정보:

(공통항목) 수온, 수소이온농도, 용존산소량, 전기전도도, TOC

(선택항목) 채취시간 최고수심, 표층측정수심, 표층 및 저층 수심, 수온, 용존산소 량, pH, 전기전도도, 퇴적물 입도, 함수율, 완전연소가능량 비율 및 등급, COD, TOC, TN, TN등급, TP, SRP, 중금속, 보존성 원소 농도

- 주기: (하천) 상·하반기 연 2회, (호소) 연 1회 ㅇ 이 외에 방사성 측정망 및 생물측정망 추가 측정

(9)

Ⅲ. 수질 예측 모형

1. 물리모형

❏ 모형 예시

ㅇ EFDC, QUAL2K, WASP 등

ㅇ 국립환경과학원에서는 EFDC 기반 모형 운용 중

❏ 구성

ㅇ 수계를 소구역으로 분할한 모델 격자망 구성 및 경계조건 설정 ㅇ 격자망 안의 소구역 단위에서 수질 추정

❏ 사례

ㅇ 신창민 외(2017)의 EFDC 활용 영산강 수계 예측

자료: 신창민 외(2017), p.226.

<그림 2> EFDC 모형을 활용한 영산강 수계 수질 예측 결과

(10)

2. 딥러닝 모형

❏ 모형 구조

ㅇ 다층 퍼셉트론(DMLP)

- 신경망의 뉴런과 시냅스를 모방한 모형. 입력층, 은닉층, 출력층으로 구성. 은닉층을 여러 개 두는 다층 구조로 구성

자료: 저자 작성.

<그림 3> 다층 퍼셉트론 구조

ㅇ 순환신경망(RNN)

- 다층 퍼셉트론 모형에서 전 시점 은닉 노드의 피드백을 추가 반영한 모형 - 현대에는 단순 순환신경망 모형을 기반으로 하여 장기 기억을 활용할 수 있는 GRU,

LSTM 모형을 활용

(11)

<그림 4> 순환신경망 구조

❏ 수질 예측 모형 적용 예시

구분 저자 및 연도 연구방법론 변수 연구내용

1

국립환경 과학원 (2011)

MLP

- 추소수역의 수심, 수온, pH, DO, 전기전도도, 투명도, 클로로필a, TN, TP

- 대청호의 단기간 조류발생시기 예측기 법을 개발

2

한국정보화 진흥원 (2017)

SVM RF RNN Linear regression

- 기상 데이터(기온, 일조량, 풍속, 습도, 기압, 강우량 등) - 수질(수온, pH,

BOD/COD, SS, TP, 클로로필a, 남조류 세포수 등) - 수문(지점별 수위,

유량 등)

- Boruta 알고리듬을 기반으로 feature selection 분석 수행하여 설명변수 중 일주일 전 클로로필a 농도 및 수위, 해면 기압 데이터가 중요한 변수임을 확인

- 7일 후의 클로로필a 예측 결과 엘만 RNN 모형에서 가장 우수한 예측 성능 을 보임

<표 1> 딥러닝을 이용한 수질 예측에 대한 선행연구

(12)

구분 저자 및 연도 연구방법론 변수 연구내용

3 강성원 외 (2018)

- RNN - DMLP - GRU - LSTM - Linear

regression

- 기상 데이터 (기온, 강수량, 풍속, 습도, 기압, 일사량) - 수위, 유량 - 수질(수소이온농도,

용존산소량, 총인, 수온 등)

- GRU 및 LSTM 방법이 가장 좋은 예측 력을 가짐

4 Cho et al.

(2018)

- Dense layer - LSTM

- 수온, pH, DO, EC, TOC, TN, TP

- 1일, 4일 후의 클로로필a 농도 예측 - LSTM 예측 결과 1-days 예측 RMSE

는 0.049이고, 4-days의 예측 RMSE 는 0.08로 나타남

- dense layer를 이용하여 1-days 클로 로필a 농도를 예측한 모델의 RMSE는 0.10으로 LSTM으로 예측하였을 때 모 델 성능이 개선됨

5 Hu et al.

(2019) - LSTM - pH, 수온

- pH, 수온을 이용하여 LSTM 분석 수행 - pH 및 수온을 이용하여 예측한 예측정 확도는 각각 95.76% 및 96.88%로 나 타남

6

Marndi and Patra (2020)

- Moving Window LSTM

- sea surface temperature, Sea surface salinity, Sea surface height

- 클로로필a를 예측하기 위해 Moving Window LSTM 모델 개발

- LSTM의 correlation coefficient는 연도별(2013~2016)로 각각 0.67, 0.29, 0.51, 0.23으로 나타났으나, Moving window LSTM의 correlation coefficient는 연도별로 각각 0.75, 0.80, 0.72, 0.72로 나타남

7 Li et al.

(2019)

- BPNN - SVR - LSTM - GRU - SRN - RNNs-DS

- pH, TP, DO, permanganate index

- 중국에 있는 첸탕강의 pH, TP, DO, permanganate index를 BPNN, SVR, LSTM, GRU, SRN, RNNs-DS를 이용 하여 예측

- 네 가지 파라미터 모두 BPNN의 예측 성능이 가장 낮았으며, 분석에서 개발 한 RNNs-DS가 TP 및 permanganate index를 예측하는 데 있어 가장 성능 이 좋음

<표 1>의 계속

자료: 표에 기재된 선행연구를 기반으로 저자 작성.

(13)

3. 물리모형 vs 딥러닝 알고리듬

❏ 물리모형

ㅇ 잘 확립된 수학/물리법칙에 기반 ㅇ 실제 관측값은 모형 평가에 활용

ㅇ 물리적 방정식을 통해 관측값보다 세밀한 해상도에서 예측수행 가능 ㅇ 단점

- 불확실한 초기/경계조건으로 인한 오차 - 이상현상을 예측하기 어려움

- 부실한 입력데이터, 모델 관계식의 불안정성, 모델링 방법 등의 문제로 작동하지 않을 수 있음

❏ 딥러닝 알고리듬

ㅇ 기계학습을 통해 입력변수와 출력변수의 관계 구축 ㅇ 실제 관측값 모형 구축에 활용

ㅇ 측정값의 오차를 정량화하여 모형 안에 오류 조건 내장 ㅇ 물리 모형 대비 불확실성이 큰 단기 예측에 강점 ㅇ 단점

- 많은 데이터 요구

- 관측 해상도보다 세밀화 불가능

- 입력변수와 출력변수의 관계를 설명할 수 없기 때문에 실제 활용에 한계가 있음

(14)

Ⅳ. 딥러닝 기반 조류예측 알고리듬 개발

1. 데이터 수집 및 전처리

❏ 모형 구축 대상

ㅇ 대상 지점: 한강 친수활동구간 조류 관찰지점

자료: 물환경정보시스템, “조류정보방”, 검색일: 2020.6.22.

<그림 5> 한강 친수활동구간 조류 관찰지점

ㅇ 대상 변수

- 조류현상의 직접 원인인 유해남조류세포수 직접 예측

- 클로로필a 예측 등을 통해 우회적으로 녹조현상을 예측한 선행연구와 차별성이 있음

❏ 모형 구축 기간

ㅇ 대상기간: 2007.4~2020.8.

ㅇ 조류현상으로부터 비교적 안전한 겨울철인 12 ~ 3월의 겨울철 데이터는 관측값이 없으므로 제외

ㅇ 수집 데이터

(15)

구분 변수 공간해상도 시간해상도 출처

조류 데이터

수소이온농도(pH)

측정소 주(weekly) 물환경정보시스템 - 조류정보방 용존산소량(DO)

투명도 탁도 유해남조류세포수

클로로필a 클로로필a(t시차 전)

상류지점 수질 데이터

수소이온농도(pH)

측정소 주(weekly)

물환경정보시스템 -일반측정망

데이터 용존산소량(DO)

총질소(TN) 총인(TP) 클로로필a

수위 데이터 수위

측정소 일(daily)

한강홍수통제소 낙동강홍수통제소 영간강 홍수통제소 유량

기상 데이터

평균기온

측정소 기상청

최저기온 최고기온 강수 계속시간 10분 최다 강수량 1시간 최다 강수량

일강수량 최대 순간 풍속 최대 순간 풍속 풍향

최대 풍속 최대 풍속 풍향

평균 풍속 풍정합 최다풍향 평균 이슬점온도

최소 상대습도 평균 상대습도 평균 증기압

<표 2> 수집 데이터

(16)

구분 변수 공간해상도 시간해상도 출처

기상 데이터

평균 현지기압

측정소 일(daily) 기상청

최고 해면기압 최저 해면기압 평균 해면기압 1시간 최다일사량

합계 일사량 일 최심신적설

일 최심적설 합계 3시간 신적설

평균 전운량 평균 중하층운량

평균 지면온도 최저 초상온도 평균 5cm 지중온도 평균 10cm 지중온도 평균 20cm 지중온도 평균 30cm 지중온도

0.5m 지중온도 1.0m 지중온도 1.5m 지중온도 3.0m 지중온도 5.0m 지중온도 합계 대형증발량 합계 소형증발량

9-9강수

<표 2>의 계속

(17)

2. 조류 데이터 특성

❏ 기술통계

관측지점 최솟값 제1

사분위수 중간값 평균 제3

사분위수 최댓값 결측값

성수대교 0 0 0 459.94 52.25 22,500 4

한남대교 0 0 0 413.4 60.0 14,883 4

한강대교 0 0 0 511.25 88.75 24,347 4

마포대교 0 0 0 600.5 98.0 37,911 4

성산대교 0 0 0 1,341.5 112.2 150,500 4

<표 3> 한강 친수활동구간 유해남조류세포수 기술통계량 – 원자료

관측지점 최솟값 제1

사분위수 중간값 평균 제3

사분위수 최댓값 결측값

성수대교 0 0 0 0.7653 1.7262 4.3522 4

한남대교 0 0 0 0.7697 1.7853 4.1727 4

한강대교 0 0 0 0.8401 1.9529 4.3862 4

마포대교 0 0 0 0.8823 1.9956 4.5788 4

성산대교 0 0 0 0.9368 2.0540 5.1775 4

<표 4> 한강 친수활동구간 유해남조류세포수 기술통계량 – 로그스케일

❏ 특징

ㅇ 극단적으로 오른쪽으로 치우친 비대칭 분포

ㅇ 온도가 높은 여름철에 집중적으로 발생하여 이와 같은 극단적인 비대칭 특성이 나타남

ㅇ 극단적 비대칭 특성으로 인해 물리 모형이나 전통적인 통계 모형 등으로 유해남조류 를 직접 예측하기 어려움

(18)

3. 예측 알고리듬 개발

❏ RNN 모형 구축

<그림 6> 유해남조류세포수 예측 RNN 알고리듬

(19)

ㅇ 로그스케일에서의 유해남조류세포수를 예측대상으로 함 ㅇ 장기기억 정보 활용을 위해 LSTM 예측 알고리듬을 구축함 ㅇ 최적화를 위한 손실함수: 최소제곱함수

최적화 알고리듬: ADAM

ㅇ 학습 데이터(training data): 2007.4~2016.11.

검정 데이터(test data): 2017.4~2020.6.

❏ 결과

<그림 7> 한강 친수활동구간(성수대교) 유해남조류세포수 딥러닝 예측 결과

(20)

<그림 8> 한강 친수활동구간(한남대교) 유해남조류세포수 딥러닝 예측 결과

<그림 9> 한강 친수활동구간(한강대교) 유해남조류세포수 딥러닝 예측 결과

(21)

<그림 10> 한강 친수활동구간(마포대교) 유해남조류세포수 딥러닝 예측 결과

<그림 11> 한강 친수활동구간(성산대교) 유해남조류세포수 딥러닝 예측 결과

(22)

ㅇ 전 관측소에서 유해남조류의 증감 패턴을 잘 예측함. 친수활동구간은 하천 하류에 위치하여 데이터 불안정성이 커 전통적인 예측 방법으로는 예측하기 어려우나, 본 연구에서는 증감 패턴을 잘 예측함

ㅇ 가장 큰 극단값의 발생을 동 시점에서 예측함 ㅇ 예측오차

연도 예측오차(RMSE)

2017 0.819 (Cf. 데이터 표준편차 1.262) 2018 0.729 (Cf. 데이터 표준편차 1.234) 2019 0.750 (Cf. 데이터 표준편차 1.323) 2020 0.574 (Cf. 데이터 표준편차 0.868)

<표 5> 한강 친수활동구간 딥러닝 예측 모형 적용 연도별 유해남조류세포수 예측오차

관측지점 예측오차(RMSE)

성수대교 0.725 (Cf. 데이터 표준편차 1.191) 한남대교 0.771 (Cf. 데이터 표준편차 1.236) 한강대교 0.732 (Cf. 데이터 표준편차 1.244) 마포대교 0.584 (Cf. 데이터 표준편차 1.268) 성산대교 0.718 (Cf. 데이터 표준편차 1.285)

<표 6> 한강 친수활동구간 딥러닝 예측 모형 적용 예측지점별 유해남조류세포수 예측오차

(23)

관측지점 상관계수

성수대교 0.794

한남대교 0.773

한강대교 0.800

마포대교 0.886

성산대교 0.832

<표 7> 한강 친수활동구간 딥러닝 예측 모형 적용 예측지점별 유해남조류세포수 예측값-관측값 간 상관계수(경계월 4월, 11월 제외)

Ⅴ. 결론 및 학술적 성과

❏ 학술적 성과

ㅇ 물리모형을 활용한 예측은 명확한 이론을 바탕으로 정립되어 있기 때문에 수온, 용존 산소량, 총인, 총질소 등의 수질 예측에 널리 쓰임. 하지만 질량보존법칙을 기저로 하는 물리 방정식을 활용한 예측은 보존성 물질에는 잘 맞으나 살아 있는 생명체의 활동인 조류현상 예측에는 한계가 있음

ㅇ 기존 조류현상 예측 연구는 조류현상의 직접적인 원인인 유해남조류세포수(cells/mL) 를 직접 예측하지 않고 클로로필a 농도(mg/m³) 예측 결과를 활용하는 것으로 대체함 ㅇ 본 연구에서는 물리 모형으로는 예측하기 힘든 유해남조류세포수 예측에 대한 대안으

로 순환신경망 기반의 딥러닝 알고리듬을 활용함. 조류 증감 및 이상현상 발생을 동 시점에서 잘 예측함

❏ 한계

ㅇ 입력변수로 수질, 상류 수질, 수위, 기상 정보만을 활용하였는데, 이는 물리 모형에서 이미 쓰고 있는 변수 위주임. 인구 변화와 같은 인간 사회 활동에 관한 변수를 고려하 면 딥러닝 분석의 이점을 더 크게 활용할 수 있음. 위성 이미지 등의 비정형 데이터 또한 추가로 고려할 수 있음

(24)

ㅇ 데이터 수의 한계. 본 연구에서는 2007년부터 2016년까지의 총 365개 주별 데이터 를 활용하여 모형을 학습하였는데, 이 데이터 수 자체가 충분하다고 할 수 없음.

새로운 데이터가 추가될 때마다 예측 모형을 업데이트하여 효율성을 높여야 함 ㅇ 딥러닝 모형의 근본적 한계. 실제 모형의 자세한 동작 과정을 명확히 알 수 없다는

블랙박스(black-box) 특성으로 인한 한계가 있음. 정책을 시행할 때는 근거가 필요한 데, 딥러닝 예측 모형의 블랙박스 특성은 명확한 근거를 수립하기 어려움

❏ 결론 및 제언

ㅇ 이미 구축된 모형에 대한 예측 수행은 매우 간단하므로 현재의 조류 예보에 참고 정보로 바로 활용할 수 있음

ㅇ 딥러닝 모형을 활용한 예측과 물리 모형을 활용한 예측 모두 장단점이 있으므로 두 예측 방식을 통합하는 것이 가장 바람직함. 딥러닝 모형에 기반을 두고 목적함수의 제약 조건에 물리 방정식을 포함하는 방식으로 물리 모형을 통합할 수도 있고, 물리 모형 예측의 부분 모듈에 딥러닝 학습을 부분적으로 수행하는 방식으로 물리 모형을 기반으로 딥러닝 모형을 통합할 수도 있음

주제어 : 수질, 조류, 딥러닝, 인공지능, 예측 시스템

(25)

요 약 ···ⅰ

제1장 서 론 ···1 1. 연구 개요 ···1 2. 연구의 필요성 및 목적 ···2

제2장 현행 녹조 대응 정책 ···6 1. 조류경보제 ···6 2. (구)수질예보제 ···10 3. 수질측정망 현황 ···14

제3장 수질 예측 모형 ···19 1. 물리모형 ···19 2. 딥러닝 알고리듬 ···22 3. 물리모형 vs 딥러닝 알고리듬 ···35

제4장 딥러닝 기반 조류예측 알고리듬 개발 ···39 1. 데이터 수집 및 전처리 ···40 2. 조류 데이터의 특성 ···46 3. 딥러닝 예측 알고리듬 개발 ···52

제5장 결론 및 제언 ···64

(26)

부 록 ···71

Ⅰ. 수위 지점 정보 ···73

Ⅱ. 데이터 수집 파이썬 코드 ···85

Executive Summary ···89

(27)

<표 1-1> 연구 책임 및 참여진 ···1

<표 1-2> 자문위원 ···1

<표 2-1> 조류경보제 운영지점 ···8

<표 2-2> 수질예보제 운영지점 ···10

<표 2-3> 물환경측정망 운영목적 및 구성 ···14

<표 3-1> 방법론 간 RMSE 비교 ···32

<표 3-2> 딥러닝을 이용한 수질 예측에 대한 선행연구 ···33

<표 4-1> 한강 친수활동구간 조류예측 알고리듬 수집 데이터 ···41

<표 4-2> 한강 친수활동구간 유해남조류세포수 기술통계량 – 원자료 ···51

<표 4-3> 한강 친수활동구간 유해남조류세포수 기술통계량 – 로그스케일 ···52

<표 4-4> 한강 친수활동구간 딥러닝 예측 알고리듬 변수 목록 ···53

<표 4-5> 한강 친수활동구간 딥러닝 예측 모형 적용 연도별 유해남조류세포수 예측오차 ····62

<표 4-6> 한강 친수활동구간 딥러닝 예측 모형 적용 예측지점별 유해남조류세포수 예측오차 · 63

<표 4-7> 한강 친수활동구간 딥러닝 예측 모형 적용 예측지점별 유해남조류세포수

예측값-관측값 간 상관계수(경계월 4월, 11월 제외) ···63

(28)

<그림 2-1> 조류경보제 상수원 구간 수행체계도 ···9

<그림 2-2> 조류경보제 친수활동구간 수행체계도 ···9

<그림 2-3> (구)수질예보 발령 기준 ···11

<그림 2-4> 국립환경과학원 조류예측정보 제공 대상 지점 ···12

<그림 2-5> 국립환경과학원 조류예측정보 대상 지점 유해남조류 예측 결과 ···13

<그림 2-6> 국립환경과학원 조류예측정보 대상 지점 수온 예측 결과 ···13

<그림 2-7> 수질 일반측정망 주요지점 ···16

<그림 2-8> 수질 자동측정망 설치지점 ···17

<그림 3-1> EFDC 모델의 수질 모듈 모식도 ···20

<그림 3-2> EFDC 모형을 활용한 영산강 수계 수질 예측 결과 ···21

<그림 3-3> 다층 퍼셉트론 구조 ···24

<그림 3-4> 순환신경망 구조 ···26

<그림 3-5> GRU 구조 ···28

<그림 3-6> LSTM 구조 ···29

<그림 3-7> 물리모형과 데이터 기반 모형의 차이 ···36

<그림 3-8> 물리 모형과 딥러닝 결합 모형 사례 ···37

<그림 3-9> 물리 모형과 딥러닝 결합 모형 사례의 예측 결과 ···38

<그림 4-1> 한강 친수활동구간 조류 관찰지점 ···40

<그림 4-2> 한강 친수활동구간 조류예측을 위한 상류 수질정보 활용지점

(노량진, 팔당댐, 경안천5, 강상, 강천, 삼봉리) ···44

<그림 4-3> 한강 친수활동구간 수위 관측지점 ···45

<그림 4-4> 성수대교 조류관측지점 유해남조류세포수 시계열그림 ···46

<그림 4-5> 한남대교 조류관측지점 유해남조류세포수 시계열그림 ···46

<그림 4-6> 한강대교 조류관측지점 유해남조류세포수 시계열그림 ···47

(29)

<그림 4-9> 성수대교 조류관측지점 겨울철 제외 로그스케일 유해남조류세포수

시계열그림 ···49

<그림 4-10> 한남대교 조류관측지점 겨울철 제외 로그스케일 유해남조류세포수

<그림 4-11> 한강대교 조류관측지점 겨울철 제외 로그스케일 유해남조류세포수

<그림 4-12> 마포대교 조류관측지점 겨울철 제외 로그스케일 유해남조류세포수

<그림 4-13> 성산대교 조류관측지점 겨울철 제외 로그스케일 유해남조류세포수

<그림 4-14> 유해남조류세포수 예측 RNN 알고리듬 ···57

<그림 4-15> 성산대교 로그스케일 유해남조류세포수 데이터의 학습 데이터(training data)와 검정 데이터(test data) 구분 ···58

<그림 4-16> 한강 친수활동구간(성수대교) 유해남조류세포수 딥러닝 예측 결과 ···59

<그림 4-17> 한강 친수활동구간(한남대교) 유해남조류세포수 딥러닝 예측 결과 ···60

<그림 4-18> 한강 친수활동구간(한강대교) 유해남조류세포수 딥러닝 예측 결과 ···60

<그림 4-19> 한강 친수활동구간(마포대교) 유해남조류세포수 딥러닝 예측 결과 ···61

<그림 4-20> 한강 친수활동구간(성산대교) 유해남조류세포수 딥러닝 예측 결과 ···61

(30)

ADAM Adaptive Momentum (적응형 모멘텀)

EFDC Environmental Fluid Dynamic Code (환경유체역학코드) RNN Recurrent Neural Network (순환신경망)

LSTM Long Short Term Memory (장·단기기억)

(31)

제1장

서 론

1. 연구 개요

∘ 연구명: 인공지능 딥러닝을 활용한 조류현상 예측기술 개발 및 활용방안

∘ 연구 기간: 2020.1.1 ~ 2020.12.31.

∘ 연구진 구성

구분 이름 및 직급

연구책임 홍한움 부연구위원

참여 KEI

조을생 연구위원 강선아 연구원 한국진 선임전문원

<표 1-1> 연구 책임 및 참여진

(32)

∘ 자문위원

구분 이름, 소속 및 직급

외부

민중혁 환경부 개발모니터링팀 환경연구관 서동일 충남대학교 환경공학과 교수 석흥일 고려대학교 인공지능학과 교수

유동현 인하대학교 통계학과 교수 최상현 충북대학교 경영정보학과 교수 최지용 서울대학교 그린바이오과학기술연구원 교수

내부

김익재 통합물관리연구실 선임연구위원 신동원 기후에너지연구실 부연구위원 이병국 통합물관리연구실 선임연구위원

전동진 통합물관리연구실 부연구위원 진대용 환경데이터전략센터 부연구위원

<표 1-2> 자문위원

2. 연구의 필요성 및 목적

조류 현상에는 녹조현상과 적조현상이 포함되는데, 녹조현상은 강이나 호수에 남조류의 과다 성장으로 물의 색이 짙은 녹색으로 변하는 현상을 말하고, 적조현상은 갈색을 띠는 규조류나 와편모조류가 번성하여 바다가 붉게 되는 현상을 말한다.¹⁾ 녹조현상은 질소나 인 같은 영양물질이 많이 존재하는 부영양수역에서 수온이 높을 때 특정 종류의 남조류가 대량 증식하면 발생한다. 환경부에서는 녹조 관리를 위해 조류경보제를 시행하여 마이크로 시스티스(Microcystis), 아나베나(Anabaena), 오실라토리아(Oscillatoria), 아파니조메논 (Aphanizomenon)등 남조류 4종을 유해남조류로 지정하여 관리하고 있다. 현 조류 예보 시스템인 조류경보제에서는 주요 하천 및 호소의 상수원 및 친수활동구간 28개소 지점의

1) 물환경정보시스템, “녹조현상” 검색일: 2020.6.22.

(33)

호소 및 관리기관에서 유해남조류세포수의 실측치를 기반으로 발령한다. 한편 국립환경과 학원에서는 EFDC(Environmental Fluid Dynamic Code) 모형을 활용해 4대강 16개 보 및 북한강 삼봉리 등 17개 지점을 대상으로 수온과 클로로필a 농도를 분석하는 수질예보제 를 시행하고 있다. 조류경보제는 현장 실측데이터를 기반으로 실측치가 2회 연속 발령기준 을 초과하면 경보를 발령하는 단순예측제도이고, 수질예보제는 물환경 실측 데이터 및 수온 등의 기상 데이터를 바탕으로 수질전망을 예측하는 예보 제도이다. 두 제도의 추진 배경과 목적은 상이하나 제도의 대상이 녹조라는 점과 단계 발령이 유사하기 때문에 언론·국민·관 계기관에서 혼동하는 경우가 많아 환경부에서는 ’17년 낙동강유역환경청에서 조류경보제 와 수질예보제를 통합하기 위한 공청회를 개최하였다.²⁾ 수질예보제와 조류경보제를 통합, 개선하려는 정책추진의 일환으로 ’20년 현재 물환경정보시스템의 조류정보방³⁾에서는 두 제도를 구분하지 않고 최근 및 과거 수질데이터를 제공하고 있다.

모형 예측 시스템이 구축되어 있는 수질예보제의 정보를 설명변수로 활용하여 조류경보 제 대상 지점의 남조류세포수를 예측하는 데 활용할 수 있다면 수질예보제와 조류경보제의 통합을 꾀할 수 있다. 그러나 조류경보제의 측정데이터는 해당 지점에서의 표층·중층·저층 의 혼합 시료에 대한 값인 반면에, 수질예보제의 측정데이터는 보 대표지점의 좌·중·우 표 층의 혼합시료로서 물리 모형에서는 두 측정데이터의 직접적인 비교 및 활용이 불가능하다.

두 제도의 추진 배경 및 목적이 상이하기 때문에 이런 문제가 발생한다.

전통적인 예측 방법인 물리 모형을 활용하는 예측은 데이터의 이론적인 물리 식을 바탕으 로 예측을 수행한다. 수질 예측의 대표적인 모형으로는 EFDC 모형, QUAL2K, WASP 모형 등이 있다. 물리 모형에서는 수계를 물리적 특성이 일치하는 소구역으로 나누어 소구역 단 위로 수질을 추정한다. 세밀한 시간, 공간 해상도 데이터를 확보할 수 있다면 이론적 배경이 탄탄한 물리 모형을 활용한 예측은 정확할 것이다. 하지만 완벽한 물리 모형 예측을 위해 필요한 세밀한 공간해상도 데이터를 구축하는 것은 비용면에서 한계가 있다. 또한 초기/경 계조건의 설정에 따라 예측값이 달라지는 불확실성이 있고, 기상 예측과 세밀한 공간해상도 데이터를 구축하기 위한 추가 불확실성이 있다. 이런 불확실성이 물리 모형의 복잡성과 결

2) 환경부 보도자료(2017.11.23), pp.1-11.

3) 물환경정보시스템, “조류정보방”, 검색일: 2020.6.22.

(34)

합하면 예측 불확실성은 매우 커질 수 있다. 이런 물리 모형이 구조적으로 지니는 한계점과 더불어 조류예측에 물리 모형의 활용이 어려운 점이 추가로 존재하는데, 조류는 수소이온농 도, 용존산소량, 총인, 총질소 등과 같은 다른 수질정보와 달리 ‘생명체’의 활동을 예측해야 한다는 점이다. 질량보존의 법칙을 기본 베이스로 하는 물리 모형 활용 예측으로 생명 활동 인 조류현상을 예측하는 것에는 한계가 있다.

불확실성을 제어하기 위한 전통적인 예측기법으로는 회귀분석, 시계열 분석 등과 같은 통계적 모형이 있다. 통계적 방법 또한 탄탄한 이론을 바탕으로 예측을 수행한다. 예측을 위한 설명변수가 유의성 검정이 가능하며, 점 예측이 아닌 불확실성을 고려한 신뢰구간 예 측도 가능하다. 하지만 현실의 데이터가 통계 모형의 가정과 크게 다를 경우 예측 효율성이 크게 떨어진다. 특히 물환경 데이터의 경우 선형회귀분석의 선형성 가정이나 과거 데이터로 부터 항상 일정한 영향을 받는 시계열 분석의 가정, 오차의 등분산성, 정규성 등의 가정이 성립하지 않기 때문에 통계 분포를 활용한 예측 효율성이 크게 떨어지게 된다. 단순회귀분 석이나 시계열 분석 외에 단순한 통계적 모형이 아닌 GAM(Generalized Additive Model) 같은 복잡한 모형도 고려해볼 수 있으나 이런 모형들 또한 물환경 데이터에 적합하지 않은 것은 마찬가지이다.

본 연구에서는 대안으로 딥러닝 예측기법을 활용하였다. 최근 20년간 빠른 속도로 발전 하고 있는 기계학습 예측 모형들은 다양한 분야에서 예측 우수성을 증명하고 있다. 특히 딥러닝 분석은 최근 10여 년간 크게 발전하여 산업 전반에서 활용되고 있다. 머신러닝 학습 은 크게 지도학습(supervised learning)과 비지도학습(unsupervised learning)으로 구분 된다. 지도학습은 정답이 주어져 있는 데이터를 기반으로 예측을 수행하는 기법이고, 비지 도학습은 빅데이터 데이터를 기반으로 새로운 정보를 찾아내는 기법이다. 컨볼루션 신경망 (CNN: Convolution Neural Network) 및 RNN(Recurrent Neural Network)의 등장으 로 인해 지도학습 분야는 크게 발전하여 현재 응용 단계에 있다. 머신러닝 연구자들은 ’20년 기준으로 지도학습 분야는 완전히 정착되었다 판단하고 지금은 비지도학습, 강화학습, 메타 학습 등의 분야를 발전시키기 위해 노력하고 있다. 또한 설명과 같은 생성 모형, 지도학습 (supervised learning) 분야는 완전히 정착하여 응용 단계에 있다.

국립환경과학원의 물환경정보시스템⁴⁾에는 과거의 수질 및 조류 정보가 기록되어 있으므

(35)

로 현재 완전히 정착되어 있는 딥러닝 지도학습 알고리듬을 활용할 수 있다. BOD, COD와 같은 수질 예측은 물리 모형으로 비교적 정확하게 할 수 있으나 여름철 집중 발생하는 클로 로필a 및 유해남조류세포수와 같은 녹조 관련 예측은 이상점의 예측이 중요한데, 물리 모형 으로는 어려움이 있다. 전통적 통계 모형은 불확실성을 정량적으로 계산하여 제어할 수 있 을 뿐 미래의 이상점을 예측하지는 못한다. 이에 본 연구에서는 과거의 조류, 수질 정보를 활용하여 딥러닝 알고리듬으로 예측하는 기술을 개발하였다. 물환경정보시스템뿐만 아니 라 또한 한강, 금강, 영산강, 낙동강의 4대강별 홍수통제 시스템에서는 조류예측에 있어 중요한 요소인 수위 및 유량 정보를 제공한다. 기온, 강수량, 일사량 등의 기상 정보 또한 조류에 큰 영향을 미친다. 본 연구의 목적은 현재 활용 가능한 조류에 영향을 미치는 과거 수질정보, 기상정보, 수위 및 유량 정보를 수집하여 딥러닝 알고리듬을 활용, 조류경보제의 상수원 및 친수활동구간의 유해남조류세포수의 예측 모형을 개발하고 활용방안을 제시하 는 것이다.

본 연구의 딥러닝 예측 알고리듬에서 활용할 데이터 범위는 아래와 같다.

예측변수: 주요 상수원 지점(팔당호, 대청호, 충주호, 주암호) 유해남조류세포수 및 한강 친수활동구간(성수대교, 한남대교, 성산대교, 마포대교) 유해남조류세포수 설명변수: 기상데이터, 수질측정데이터(수온, pH, 전기전도도, 용존산소, 탁도, 총유기탄

소, 총질소, 총인 등), 4대강 수위 및 유량 데이터 분석대상 기간: 2007.4~2020.8.

4) 물환경정보시스템, “물환경데이터”, 검색일: 2020.6.22.

(36)

제2장

현행 녹조 대응 정책

’20년 현재 조류경보제와 수질예보제를 통합하려는 정책이 추진 중에 있고 물환경정보시 스템에서도 두 제도를 구분하지 않고 있으나 두 제도의 추진 배경 및 목적이 상이하므로 본 장에서는 구분하여 서술한다. 또한 수질측정망 운영 현황에 대해서도 서술한다.

1. 조류경보제

경보를 발령하여 필요한 조치를 통해 수돗물을 안정적으로 공급하기 위한 목적으로 1998 년 조류경보제를 도입하였다.⁵⁾ 도입 당시의 법적 근거는 ｢수질 및 수생태계 보전에 관한 법률｣ 제21조의 ‘수질오염 경보제’이며, 현재는 ｢물환경보전법｣ 제21조에 근거하여 관리하 고 있다. 첫 도입 시에는 주요 상수원 구간인 팔당호, 대청호, 충주호, 주암호 4개 지역을 대상으로 하였으며, 현재는 상수원 및 친수활동구간 28개소 지점을 대상으로 한다. 발령권 자는 유역 환경청 및 지자체이며 주 1회(단, 경계·대발생 시 주 2회 이상) 발령한다.

분석 항목은 유해남조류세포수의 실측치이다. 2016년부터 한강 잠실대교-행주대교 5개 지점은 친수활동구간으로 분류되어 관리 중이다. 상수원 구간의 ‘관심’단계 기준은 유해남 조류세포수 1,000(cells/mL) 이상, ‘경계’단계 기준은 10,000(cells/mL) 이상, ‘대발생’단 계 기준은 1,000,000(cells/mL) 이상이다. 친수활동구간에서의 ‘관심’단계 기준은 10,000(cells/mL) 이상, ‘경계’단계 기준은 100,000(cells/mL) 이상이다. 국립환경과학원 (2017)의 ｢조류경보제 운영 매뉴얼｣에 따르면, 발령권자는 연속 2회 이상 ‘관심’단계 기준

5) 환경부 보도자료(2017.11.23), pp.1-11.

(37)

에 해당하면 조류 ‘관심’단계를 발령하고, ‘관심’발령 중 연속 2회 이상 ‘경계’기준에 해당되 면 조류 ‘경계’단계를 발령하며, 마찬가지로 ‘관심’ 혹은 ‘경계’ 발령 중 연속 2회 이상 ‘조류 대발생’ 기준에 해당하면 ‘조류대발생’단계를 발령한다. 친수활동구간에서도 마찬가지 방식 으로 ‘관심’ 및 ‘경계’를 발령한다.

상수원 구간 하천의 시료는 수심이 가장 깊은 수면에서 상층 및 수심 1/3, 2/3 지점에서 채수한 후 혼합한다. 상수원 구간 호소는 대표지점을 선정하여 최저수심 5m 이하 지점에서 는 수심 50cm 이내만 채수한다. 최저수심 5~10m 이하 지점에 대해서는 상층수는 수표면 포함 수심 50cm 이내에서 채취하고, 중층수는 전체 수심의 1/2 수심에서 채취하며, 저층수 는 호소 바닥으로부터 전체 수심 1/2에 해당되는 수심 사이에서 각각 채수하여 시료를 혼합 한다. 최저수심이 10m를 넘는 지점에 대해 상층수는 수표면 포함 수심 50cm 이내에서 채수하고, 중층수는 전체 수심 1/2에서, 저층수는 호소 바닥으로부터 위로 5m 사이에서 각각 채수한 후 시료를 혼합한다.⁶⁾ 친수활동구간의 경우 수심 50cm 이내에서 채수한다.

2회 연속 측정하여 남조류세포수가 관심단계 기준 미만일 경우 발령을 해제한다. 국립환경 과학원(2017)이 ｢조류경보제 운영 매뉴얼｣을 통해 제공하는 상수원 구간 및 친수활동구간 에서의 발령 단계에 따른 수행체계도는 <그림 2-1>, <그림 2-2>와 같다.

6) 국립환경과학원(2017).

(38)

순번 시행연도 하천·호소명

(지점수) 대표조사지점 관리기관

1

1998

팔당호(3) 댐 앞, 부용사 앞, 삼봉 한강청

2 대청호(3) 추동, 문의, 회남 금강청

3 충주호(2) 댐 앞, 청풍교 원주청

4 주암호(2) 댐 앞, 신평교 연산강청

5 1999 운문호(2) 댐 앞, 취수탑2 대구청

6 2003 용담호(2) 댐 앞, 취수탑 새만금청

7 2004 동복호(2) 취수탑, 중류 영산강청

8 영천호(1) 취수탑 대구청

9 2005 남강호(진양호)(2) 판문, 내동 낙동강청

10 안계호(1) 취수탑 대구청

11

2006

공산지(2) 중앙부, 취수탑 대구광역시

12 광교지(1) 취수탑 경기도청

13 춘천호(2) 춘천댐 상류, 용상취수장 강원도청

14 옥정호(1) 칠보취수구 새만금청

15 진전지(2) 상류, 하류 경상북도청

16 한강(4)

(강동대교~잠실대교)

미사대교, 강동대교, 광진교,

잠실철교 서울시청

17 한강(5)

(잠실대교~행주대교)

성수대교, 한남대교, 한강대교, 마포대교, 성산대교

18 2007 사연호(2) 취수탑, 반연리 낙동강청

19

2008

회야호(2) 취수탑, 방류구 낙동강청

20 덕동호(1) 댐 앞 대구청

21 탐진호(2) 댐 앞, 유치천 합류 영산강청

22 2009 보령호(1) 취수탑 금강청

23 횡성호(1) 취수탑 원주청

24

2016

낙동강(3)

시범(2013~2015) 칠곡 대구청

25 - 강정·고령 대구청

26 - 창녕·함안 낙동강청

27 한강(1) 강천 한강청

28 의암호(1) 신연교 원주청

<표 2-1> 조류경보제 운영지점

자료: 국립환경과학원(2017), p.22.

(39)

<그림 2-1> 조류경보제 상수원 구간 수행체계도

<그림 2-2> 조류경보제 친수활동구간 수행체계도

(40)

2. (구)수질예보제

4대강 보 구간의 선제적 수질관리 및 수생태계 건강성 보호를 목적으로 하는 수질예보제 가 2012년 처음 도입되었다. 도입 당시 수질예보제의 법적 근거는 ｢수질 및 수생태계 보전 에 관한 법률｣(현 ｢물환경보전법｣) 제21조로, 조류경보제와 같은 법에 근거하였다. 조류경 보제가 제반 사항을 시행령에서 정하는 반면, 수질예보제는 이를 환경부 훈령으로 정한다는 점에서 법적 위상이 조류경보제와 같은 선상에 있다고 보기는 어렵다(환경부, 2017).

수질예보제의 모니터링 구간은 4대강의 16개 보이나, 예보대상 지점은 조류경보제와 중 복되는 4개 지점(강천보, 칠곡보, 강정고령보, 창녕함안보)을 제외한 12개 지점에서 예보를 시행한다.

수계 보 지점 비고

한강

강천보 강천 모니터링

여주보 대신 모니터링, 예보

이포보 이포 모니터링, 예보

낙동강

상주보 도남 모니터링, 예보

낙단보 낙단 모니터링, 예보

구미보 선산 모니터링, 예보

칠곡보 칠곡 모니터링

강정보령고 다사 모니터링

달성보 논공 모니터링, 예보

합천창녕보 덕곡 모니터링, 예보

창녕함안보 함안 모니터링

금강

세종보 금남 모니터링, 예보

공주보 금강 모니터링, 예보

백제보 부여 모니터링, 예보

영산강 승촌보 광산 모니터링, 예보

죽산보 죽산 모니터링, 예보

<표 2-2> 수질예보제 운영지점

자료: 환경부(2017), p.17.

(41)

자료: 국립환경과학원, “물환경정보시스템”, 검색일: 2020.6.22.

<그림 2-3> (구)수질예보 발령 기준

예보 항목은 수온과 클로로필a 농도이고, 발령기준 항목은 클로로필a와 남조류세포수이 다. 클로로필a는 EFDC 모형을 활용하여 예측하고, 남조류세포수는 예보지점에서 가장 근 접한 시기의 실측치를 기준으로 한다. EFDC 모형에 대해서는 다음 장에서 서술한다. 조류 경보제와 수질예보제를 통합하기 전에는 <그림 2-3>의 기준에 의해 수질예보를 발령하였으 나, 현재는 혼란 해소를 위해 조류경보제와 수질예보제를 통합 운영함에 따라 예측은 수행 하지만 예보 발령은 하지 않고 있다.

한편, 환경부 국립환경과학원에서는 녹조 발생에 선제적으로 대응하기 위해 유해남조류 예측정보를 제공한다. 조류경보제 6개 지점을 대상으로 발표일 기준 향후 7일간의 유해남조 류세포수 발생 단계를 예측하여 주 2회(월·목요일) 발표한다. 단, 예측 결과 유해남조류세포

(42)

수가 10,000cells/mL를 초과할 경우에는 매 근무일마다 발표한다. 유해남조류세포수뿐 아니라 녹조 예측에 있어 중요한 요소인 수온 예측 결과도 함께 발표한다.⁷⁾

자료: 물환경정보시스템, “조류정보방”, 검색일: 2020.6.22.

<그림 2-4> 국립환경과학원 조류예측정보 제공 대상 지점

7) 물환경정보시스템, “조류예측정보”, 검색일: 2020.10.15.

(43)

<그림 2-5> 국립환경과학원 조류예측정보 대상 지점 유해남조류 예측 결과

<그림 2-6> 국립환경과학원 조류예측정보 대상 지점 수온 예측 결과

(44)

3. 수질측정망 현황

｢환경정책 기본법｣ 제22조에 근거하여 국가 및 지방자치단체는 환경상태를 조사·평가하 게 되어 있다. 수질·수생태계에 관한 현황 및 건강성 조사는 ｢물환경보전법｣ 제9조에 따른 다. 물환경 측정데이터는 크게 수질측정망(하천, 호소, 농업용수, 도시관류, 산단하천), 총량 측정망, 자동측정망, 퇴적물측정망(하천, 호소), 방사성물질측정망(하천, 호소), 생물측정망 (하천, 하구) 데이터이다. 이들 측정데이터는 ’20년 기준으로 물환경정보시스템⁸⁾에서 공개 하고 있다.

8) 물환경정보시스템, “물환경데이터”, 검색일: 2020.6.22.

운영목적

․ 하천·호소 등 공공수역의 수질 및 수생태계의 실태를 파악하기 위해 운영하는 물환경측정망의 설치, 운영, 관리에 필요한 전반적 사항을 정함

법적 근거

․ 가. ｢환경정책기본법｣ 제22조(환경상태의 조사·평가 등)

․ 나. ｢수질 및 수생태계 보전에 관한 법률｣(이하 “법”이라 한다) 제9조(상시측정과 수질·수생태계 현황 및 수생태계건강성 조사) 및 같은 법 시행규칙(이하 “시행규칙”이라 한다) 제22조(환경부장관이 설치·운 영하는 측정망의 종류 등), 제23조(시·도지사가 설치·운영하는 측정망의 종류 등)

․ 다. 법 제16조의2(방사성물질 등의 유입 여부 조사) 및 시행규칙 제26조의4(방사능 조사 방법 등) 물환경측정망의 종류 및 운영 목적

․ 가. 수질측정망

- 하천·호소 등 공공수역에 대한 수질현황 및 추세파악 - 주요 환경정책의 효과분석 및 정책수립을 위한 기초자료 확보

․ 나. 총량측정망

- 오염총량관리 시행지역의 수질현황 및 수질오염총량제 이행사항 평가 - 단위유역의 수질, 유량 등 수질오염물질의 총량관리에 필요한 기초자료 확보

․ 다. 자동측정망

- 수질오염사고 시 신속한 대응조치를 위한 수질감시경보 체계 운영 - 수질예보제 운영 지원 등 일반측정망의 보완적 기능

․ 라. 퇴적물측정망

- 수저 퇴적물의 환경질(Sediment Quality) 현황 조사 및 평가 - 퇴적물이 수질과 수생태계에 미치는 영향에 대한 기초자료 확보

<표 2-3> 물환경측정망 운영목적 및 구성

(45)

<표 2-3>의 계속

물환경측정망의 종류 및 운영 목적

․ 마. 방사성물질측정망

- 공공수역 방사성물질 현황 조사

- 방사성물질, 방사성폐기물의 하천, 호소 등의 공공수역 유입 여부 조사

․ 바. 생물측정망

- 하천, 하구, 호소 등에 대한 수생태계 현황 및 추세파악 - 주요 환경정책의 효과분석 및 정책수립을 위한 기초자료 확보

운영체계

자료: 물환경정보시스템, “물환경전문정보”, 검색일: 2020.6.22.

일반수질측정망 데이터는 하천, 호소, 농업용수, 도시관류, 산단하천에서의 수질측정데이 터를 제공한다. 제공하는 주요 수질정보는 수심, 수소이온농도, 용존산소량, BOD, COD, 부유물질, 총질소, 총인, 총유기탄소(TOC), 수온, 페놀류, 전기전도도, 총대장균군수, 용존 총질소, 암모니아성 질소, 질산성 질소, 용존총인, 인산염인, 클로로필a, 투명도 등이다. <그 림 2-7>의 수질일반측정망 주요지점에 대해서는 측정한 데이터를 주 1회 제공하고, 나머지 지점에 대해서는 측정한 데이터를 월 1회 제공한다.

총량측정망 데이터는 수질오염총량제 대상 지역에 대해 총량 관리에 필요한 기초데이터 로 수온, 수소이온농도, 전기전도도, 용존산소, BOD, COD, 부유물질, 총질소, 총인, TOC, 유량 데이터를 제공한다. 데이터 생성 주기는 월 1회이다.

(46)

자료: 물환경정보시스템, “주요지점 수질 현황”, 검색일: 2020.6.22.

<그림 2-7> 수질 일반측정망 주요지점

수질 자동측정망 데이터는 수질오염 사고 시 신속하게 대응조치 하고자 수질감시체계로 운영하는 측정망인데, 수동으로 측정하는 일반측정망을 보완하는 기능을 지녔다. 자동측정 망에서는 수온, 수소이온농도, 용존산소량, 전기전도도, TOC를 전 측정소 공통 항목으로 측정하고, 이 외에 탁도, 클로로필a, TN, TP, NH3-N, NO3-N, PO4-P, VOCs(9종 10개), 페놀, 중금속, 생물감시항목 등을 선택 항목으로 측정하여 제공한다. 자동측정망의 총 측정 소 개수는 70개로, 한강 22개 하천 1개 호소, 낙동강 24개 하천, 금강 10개 하천 3개 호소, 영산강 6개 하천 4개 호소이다. 자동측정망 데이터는 일 단위로 제공된다.

(47)

자료: 물환경정보시스템, “물환경데이터”, 검색일: 2020.6.22.

<그림 2-8> 수질 자동측정망 설치지점

퇴적물측정망 데이터는 전국 하천 및 호소 등 수질보전대상 공공수역에 대한 퇴적물의 이화학적 특성을 조사하여 환경질을 평가하고, 이미 집행된 주요 정책사업의 효과를 분석하 여 장래 퇴적물 환경질 보전정책수립을 위한 기초자료 확보를 목적으로 운영되고 있다.⁹⁾ 2011년부터 정상 운영되어 측정소별 하천에서는 상·하반기 연 2회, 호소에서는 연 1회 측정한 정보를 제공한다. 제공 정보는 채취일, 채취시간의 최고수심, 표층측정수심과 같은 측정 정보와 함께 표층 및 저층의 수심, 수온, 용존산소량, pH, 전기전도도 정보, 퇴적물

9) 한국환경공단(2011).

(48)

입도, 함수율, 완전연소가능량 비율 및 등급, COD, TOC, TN, TN 등급, TP, SRP, 중금속, 보존성 원소 농도 등이다.

물환경정보시스템에서는 이 밖에도 방사성 측정망과 생물측정망 데이터를 추가 제공한다.

(49)

제3장

수질 예측 모형

1. 물리모형

물리모형 접근법은 수질을 분석·예측하기 위한 전통적인 방법론이다. 대표적인 모형으로 는 EFDC, QUAL2K 및 WASP 등이 있다. 국립환경과학원에서는 EFDC를 기반으로 하는 EFDC-NIER 모델을 개발하여 상시 운영하고 있다. EFDC 모형은 1992년 미국 버지니아해 양연구소에서 개발한 3차원 수리동역학 모형이다.¹⁰⁾

물리모형 접근법에서는 먼저 수체(water body)를 소구역으로 세밀하게 분할한 후 각 소구역 단위에서 수질을 추정한다. 분할된 소구역 단위에서 수질을 결정하는 주요 변수는 오염물질의 유량수지, 열수지, 물질수지이다. 분할한 소구역 안에서 수체의 물리적 특성이 일정해야 하므로, 기초 지자체 단위 이하의 세밀한 분할이 요구된다. 이를 위해서는 매우 세밀한 공간해상도에서의 데이터가 필요하다. 또한 좌표 수준의 정확한 투입지점에 대한 점 오염원 데이터가 있어야 분할된 소구역 내 오염물질 이동에 따른 변화를 적용할 수 있다.

EFDC 모형을 적용하기 위해서는 먼저 모델 격자망을 구성하고, 경계조건을 설정해야 한다. 나은혜 외(2014)는 낙동강 수계를 대상으로 EFDC-NIER 모형을 적용하였고, 신창민 외(2017)는 EFDC 모형을 활용하여 영산강 수계의 수질을 예측하였다.

나은혜 외(2014)는 EFDC-NIER 모형을 적용하여 낙동강 수계의 물 흐름을 예측하였다.

상세한 분석 지점은 칠곡보 및 강정고령보 구간, 남강합류부부터 밀양강합류부까지 약 42km에 해당하는 본포 취수장 구간이다. 칠곡보 및 강정고령보 구간의 분석시기는 2014

10) 국립환경과학원(2012).

(50)

년 5월부터 2014년 10월까지이며, 기온·강수량 등 기상데이터, 취수량·방류량 데이터를 이용하여 모델링하였다. 본수 취수장 구간의 분석시기는 2013년 7월부터 2013년 9월까지 이며, 유입량, 방류량과 기상데이터를 활용하여 모델링하였다. 분석결과 칠곡보 및 강정고 령보 구간의 수위변화에 대한 RMSE는 0.12~0.17m이고, 낙동강 본류 취수장 구간의 RMSE는 0.06~0.12m이다. 칠곡보 및 강정고령보 구간의 수온변화에 대한 RMSE는 1.1~1.8℃이고, 낙동강 상류 취수장 구간의 수온변화에 대한 RMSE는 0.9~1.4℃이다. 낙 동강 하류 취수장 구간의 수온변화에 대한 RMSE는 0.1~1.0℃이다.

신창민 외(2017)는 2015년 영산강 수계에서 승촌보와 죽산보의 클로로필a 농도 및 총질 소(TN), 총인(TP) 농도를 예측하기 위해 EFDC-NIER 모형을 적용하였다. 설명변수는 기상 데이터, 수질, 유량 데이터를 활용하였으며, <그림 3-1>과 같은 EFDC 모델의 수질 모듈을 이용하여 예측하였다. TN, TP의 물리 모형 시뮬레이션이 관측값을 잘 재현하였으며, 클로 로필a 농도 또한 편향성 없는 결과를 보였다.

자료: Tetra Tech(2017): 신창민 외(2017), p.221에서 재인용.

<그림 3-1> EFDC 모델의 수질 모듈 모식도

(51)

<그림 3-2>는 신창민 외(2017)의 연구 결과로, 그림 안의 붉은색 동그란 점이 실제 관측 값이고 검은색 선이 물리 모형 시뮬레이션 결과이다. TN 농도는 시뮬레이션이 실제 관측값 을 거의 비슷하게 재현하였고, TP 농도 또한 농도의 증감을 비교적 잘 재현하였다. 클로로 필a의 경우 9월 이후에는 시뮬레이션이 실제 관측값을 잘 재현하고 있으나, 승촌보에서 8월까지의 커다란 변동성을 재현하지는 못하였다. 승촌보와 죽산보의 클로로필a 예측 MAE 가 각각 22.41, 18.66mg/m³인 것으로 나타났다. 하지만 일부 시기에서는 예측 정확도가 낮게 나왔으며, 원인은 모델의 초깃값 설정, 보정계수의 불확실성 등으로 예상된다.

자료: 신창민 외(2017), p.226.

<그림 3-2> EFDC 모형을 활용한 영산강 수계 수질 예측 결과