[논문]SWAT 및 random forest를 이용한 기후변화에 따른 한강유역의 수생태계 건강성 지수 영향 평가

우소영; 정충길; 김진욱; 김성준

doi:10.3741/jkwra.2018.51.10.863

SWAT 및 random forest를 이용한 기후변화에 따른 한강유역의 수생태계 건강성 지수 영향 평가
Assessment of climate change impact on aquatic ecology health indices in Han river basin using SWAT and random forest 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.10, 2018년, pp.863 - 874

우소영 (건국대학교 공과대학 사회환경플랜트공학과) , 정충길 (건국대학교 공과대학 사회환경플랜트공학과) , 김진욱 (건국대학교 공과대학 사회환경플랜트공학과) , 김성준 (건국대학교 공과대학 사회환경플랜트공학과)

초록
AI-Helper

본 연구에서는 SWAT 모형과 random forest를 이용하여 미래 기후변화에 따른 한강유역($34,148km^2$)의 수생태계 건강성을 평가하였다. 국립환경과학원에서 8년간(2008~2015년) 봄철(4~6월)에 모니터링한 부착돌말류 지수(TDI), 저서형 대형무척추동물지수(BMI), 어류평가지수(FAI)는 0~100점, A~E등급으로 평가되며, 이를 본 연구에서 사용하였다. 수생태 건강성에 영향을 미치는 변수로는 수질(T-N, $NH_4$, $NO_3$, T-P, $PO_4$)과 수온을 선정하였으며, 수질 오염도가 낮은 경우에는 수생태계 건강성 점수가 광범위하게 분포되지만 수질 오염도가 높은 경우 수생태계 건강성 점수가 낮아지는 역상관관계를 확인하였다. 기계학습의 분류 분석 기법 중 하나인 random forest 모델을 이용한 세 개의 수생태 건강성 지수 등급분류 결과 정밀도, 재현율, f1-score 모두 0.81 이상의 예측 정확도를 나타내었다. 기상청의 HadGEM3-RA RCP 4.5와 8.5 시나리오를 적용한 미래 SWAT 수문, 수질 결과 기저유출의 증가로 인해 질소 계열 수질 농도는 기준년도 대비 최대 43.2% 증가하였고, 지표유출 감소로 인해 인 계열수질 오염도는 최대 18.9% 감소하는 것으로 분석되었다. 미래 FAI, BMI의 등급은 개선되는 경향을 보이지만 TDI는 등급이 악화되는 것으로 나타났다. 이를 통해 TDI는 질소 계열 수질에 민감하고 FAI, BMI는 인 계열 수질에 더 민감하다고 판단하였다.

Abstract ▼ AI-Helper

The purpose of this study is to evaluate the future climate change impact on stream aquatic ecology health of Han River watershed ($34,148km^2$) using SWAT (Soil and Water Assessment Tool) and random forest. The 8 years (2008~2015) spring (April to June) Aquatic ecology Health Indices (AHI) such as Trophic Diatom Index (TDI), Benthic Macroinvertebrate Index (BMI) and Fish Assessment Index (FAI) scored (0~100) and graded (A~E) by NIER (National Institute of Environmental Research) were used. The 8 years NIER indices with the water quality (T-N, $NH_4$, $NO_3$, T-P, $PO_4$) showed that the deviation of AHI score is large when the concentration of water quality is low, and AHI score had negative correlation when the concentration is high. By using random forest, one of the Machine Learning techniques for classification analysis, the classification results for the 3 indices grade showed that all of precision, recall, and f1-score were above 0.81. The future SWAT hydrology and water quality results under HadGEM3-RA RCP 4.5 and 8.5 scenarios of Korea Meteorological Administration (KMA) showed that the future nitrogen-related water quality in watershed average increased up to 43.2% by the baseflow increase effect and the phosphorus-related water quality decreased up to 18.9% by the surface runoff decrease effect. The future FAI and BMI showed a little better Index grade while the future TDI showed a little worse index grade. We can infer that the future TDI is more sensitive to nitrogen-related water quality and the future FAI and BMI are responded to phosphorus-related water quality.

주제어

표/그림 (11)

그림 Fig. 1. Monitoring stations of study watershed and GIS data
그림 Fig. 2. Precipitation and temperature changes with RCP 4.5 and 8.5 scenarios (Lee et al., 2018)
표 Table 1. Aquatic ecology health indices assessment criteria
그림 Fig. 3. Scatter plot for water quality and score of aquatic ecology index
그림 Fig. 4. Box plot for water quality and grade of aquatic ecology index
표 Table 2. Result of classification using random forest
표 Table 3. Summary of future predicted annual streamflow, water quality and water temperature for RCP 4.5 and 8.5 scenarios
표 Table 4. Number of points according to each grade of aquatic ecology health indices
그림 Fig. 5. Assessment of climate change impact on FAI
그림 Fig. 6. Assessment of climate change impact on TDI
그림 Fig. 7. Assessment of climate change impact on BMI

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

대부분의 연구에서 생물학적 지표들만을 이용하여 유역의 건강성을 평가하였으며, 기후변화의 영향을 반영하여 유역의 수생태계 건강성을 평가한 연구는 아직 미비한 실정이다. 따라서 본 연구에서는 기후변화로 인한 수문 및 수질의 변화를 고려하여 한강 유역의 미래 수생태계 영향을 평가하였다. 이를 위해 SWAT 모델을 이용하여 모의한 화학적 수질 인자 및 수온과 국립환경과학원에서 관측한 수생태계 건강성 지수 두 변수를 사이의 상관성을 확인하고, 머신러닝 기법 중 하나인 random forest 모델을 이용하여 수질 및 수온에 따른 수생태 건강성 등급 분류의 적용성을 확인하였다.

제안 방법

3.3장에서 언급한 바와 같이 SWAT 모델을 통해 도출한 미래 수질 결과를 랜덤 포레스트 모델에 적용하여 기후변화가 한강유역의 미래 수생태계에 미치는 영향을 평가하였다. 86개의 수생태계 평가 지점에 대하여 해당 기간 동안 가장 많이 도출되는 등급을 대표 등급으로 산정하였다.
RCP 4.5, RCP 8.5 시나리오를 SWAT 모델에 적용하여 2020s (2010~2039), 2050s (2040~2069), 2080s (2070~2099) 기간의 수질 및 수온을 추정하고, 봄철 수생태 건강성 관측 시기인 4, 5, 6월 수질 및 수온을 랜덤 포레스트 입력변수로 사용하여 한강유역의 수생태계를 평가하였다. FAI의 경우 기후변화에 따른 큰 변화는 나타나지 않고 기준년도와 유사하게 수생태계가 유지될 것으로 보이지만, TDI는 건강성이 점차 악화되는 경향이 있었고, 그 반대로 BMI는 건강성을 점차 회복하는 경향을 나타냈다.
각 수생태 건강성 지수의 등급(A~E)에 관한 상자도표 (Fig. 4)를 그려 관측 데이터의 이상치(outlier)를 제거하였으며, 두 변수간의 경향성과 각 지수의 등급 별 수질 농도 및 수온의 범위를 확인하였다. Fig.
기상청에서 제공하는 HadGEM3-RA RCP 4.5, RCP 8.5 시나리오를 Historical (1980~2005), 2020s (2010~2039), 2050s (2040~2069), 2080s (2070~2099) 기간으로 구분하여 미래 지표 유출과 수질을 모의하였다. Table 3은 각 시나리오 기간에 대한 SWAT 모델의 결과(지표유출, T-N, T-P, NH₄, NO₃, PO₄, 수온)를 유역평균으로 정리한 것이다.
대상유역에서 사용된 기상관측소 별로 강수량, 최저·최고기온, 풍속, 상대습도 5개의 미래 기상요소에 대한 일 자료 값을 2020s (2010~2039년), 2050s (2040~2069년) 그리고 2080s (2070~2099년)로 구분하여 분석을 수행하였다.
또한 GIS 공간자료로 DEM (Digital Elevation Model)은 국가수 자원관리종합정보시스템(WAter management Information System, WAMIS)의 30 m × 30 m DEM, 토지이용도는 환경부의 2008년 중분류 자료를 이용하였으며, 토지이용은 활엽수림, 침엽수림, 혼효림, 주거지, 논, 밭, 초지, 나지, 수역 9개 항목으로 분류하였다(Fig. 1).
이를 위해 SWAT 모델을 이용하여 모의한 화학적 수질 인자 및 수온과 국립환경과학원에서 관측한 수생태계 건강성 지수 두 변수를 사이의 상관성을 확인하고, 머신러닝 기법 중 하나인 random forest 모델을 이용하여 수질 및 수온에 따른 수생태 건강성 등급 분류의 적용성을 확인하였다. 또한 이 결과를 바탕으로 미래 기후변화 시나리오를 SWAT 모델에 적용하여 변화한 미래 수질, 수온 결과로부터 기후변화에 따른 한강유역의 미래 수생태계 건강성 지수 등급 을 예측하여 유역의 건강성을 평가하였다.
본 연구에서는 입력변수로는 4, 5, 6월의 수질 농도 및 수온을, 목적변수로는 수생태계 건강성 지수 등급을 사용하였으며 트리개수를 5~100개까지 설정하여 가장 정확도가 높도록 최적화한 트리개수를 사용하였다.
본 연구에서는 한강유역에 대하여 수생태 건강성에 영향을 미치는 변수를 선택하기 위해 다양한 수생태계 건강성 지수(FAI, TDI, BMI)와 화학적 수질 인자(T-N, T-P, NH₄, NO₃, PO₄) 및 수온간의 상관성을 확인하고, RCP 4.5 및 RCP 8.5 기후변화 시나리오와 랜덤 포레스트 기법을 이용하여 기후변화에 따른 한강유역의 미래 수생태 영향을 평가하였으며 본 연구의 결과를 정리하면 다음과 같다.
랜덤 포레스트는 학습 데이터에서 중복을 허용하여 임의로 데이터를 추출하여 기존 데이터와 같은 크기의 데이터셋을 만드는 과정인 부트스트랩을 이용한다. 부트스트랩 방법을 통해 다수의 데이터셋을 구성하고 이를 기반으로 각각의 데이터셋에 대한 의사결정나무를 구축한 후 각각의 의사결정나무 모형을 통해 예측 값을 다수결 방식으로 결합하여 최종적인 예측 값을 도출한다. 앙상블 기법이 적용된 랜덤 포레스트는 데이터의 변수를 제거하지 않고, 수십 개의 독립 변수를 모두 활용할 수 있어, 대형자료에서 주요 변수를 찾고 추산 모델을 구성하는데 용이하며(Kim, 2014), 의사결정나무의 단점인 학습 데이터에 과적합되는 현상을 최소화시키는 장점이 있다.
본 연구에서는 한강유역에 위치한 3개의 다목적댐으로 충주댐(CJD), 횡성댐(HSD), 소양댐(SYD)과 1개의 발전용댐인 팔당댐(PDD) 그리고 3개의 다기능보인 이포보(IPW), 강천보(KCW), 여주보(YJW) 지점에 대하여 SWAT 모델 검정 (2005~2009), 보정(2010~2014)을 수행한 선행 연구 결과를 활용하였다. 선행 연구에서 Nash and Sutcliffe (1970) model efficiency (NSE), determination coefficient (R²), root-mean square rror (RMSE), 그리고 percent bias (PBIAS)를 사용하여 검보정 결과에 따른 모형의 적용성 평가를 수행하였다. 유출량 검보정 결과는 R²는 0.
수생태계 건강성에 영향을 미치는 변수를 선정하기 위해 수질 관측소에서 측정한 각 수질 농도(T-N, T-P, NH₄, NO₃, PO₄) 및 수온과 수생태계 건강성 지수(FAI, TDI, BMI)의 점수에 대한 산포도를 그려 두 변수 사이의 관계를 확인하였다. Fig.
그리고 NO₃의 경우 각 등급에 대한 범위가 다른 수질 인자와 상이하게 나타났으며, 수온은 일반적인 경향성이 없는 것으로 나타났다. 이러한 단점을 보완하기 위해 구축된 수질 및 수생태계 건강성 지수 데이터를 학습 데이터로 활용하여 모델을 훈련시키는 머신러닝의 랜덤 포레스트 기법을 이용하여 수질 및 수온에 따른 수생태계 건강성 지수의 등급 분류를 수행하였다. 그 결과 각 지수의 정밀도, 재현율, 그리고 두 값의 조화평균인 f1-score 모두 0.
따라서 본 연구에서는 기후변화로 인한 수문 및 수질의 변화를 고려하여 한강 유역의 미래 수생태계 영향을 평가하였다. 이를 위해 SWAT 모델을 이용하여 모의한 화학적 수질 인자 및 수온과 국립환경과학원에서 관측한 수생태계 건강성 지수 두 변수를 사이의 상관성을 확인하고, 머신러닝 기법 중 하나인 random forest 모델을 이용하여 수질 및 수온에 따른 수생태 건강성 등급 분류의 적용성을 확인하였다. 또한 이 결과를 바탕으로 미래 기후변화 시나리오를 SWAT 모델에 적용하여 변화한 미래 수질, 수온 결과로부터 기후변화에 따른 한강유역의 미래 수생태계 건강성 지수 등급 을 예측하여 유역의 건강성을 평가하였다.

대상 데이터

RCP는 인위적 온실가스(GHG) 배출을 발생시키는 대기 오염물질, 토지 이용변화 등과 같은 요인들을 바탕으로 2100년까지의 대기 중 온실가스 농도 전개 양상을 나타내는 경로이다. RCP 시나리오는 4가지 대표 온실가스 농도를 이용하여 2.6, 4.5, 6.0, 그리고 8.5의 시나리오를 제시하고 있으나, 본 연구에서는 기상청에서 제공하는 HadGEM3-RA RCP 4.5와 RCP 8.5 시나리오 한반도 전망자료인 12.5 km 공간해상도 자료를 이용하였다. 대상유역에서 사용된 기상관측소 별로 강수량, 최저·최고기온, 풍속, 상대습도 5개의 미래 기상요소에 대한 일 자료 값을 2020s (2010~2039년), 2050s (2040~2069년) 그리고 2080s (2070~2099년)로 구분하여 분석을 수행하였다.
5°C 이다. SWAT 모델의 기상입력 자료(강우량, 기온, 상대습도, 풍속 그리고 일사량)는 한강유역 내 총 19개 기상 관측소의 31년간(1984~2014년)의 일 자료를 이용하였다. 또한 GIS 공간자료로 DEM (Digital Elevation Model)은 국가수 자원관리종합정보시스템(WAter management Information System, WAMIS)의 30 m × 30 m DEM, 토지이용도는 환경부의 2008년 중분류 자료를 이용하였으며, 토지이용은 활엽수림, 침엽수림, 혼효림, 주거지, 논, 밭, 초지, 나지, 수역 9개 항목으로 분류하였다(Fig.
본 연구에서는 수생생물 지수인 FAI, TDI, BMI 3가지를 사용하였으며 여름철 강수의 영향을 많이 받지 않는 봄철 관측 자료만을 고려하였다. 또한 관측 값과 모의 값의 비교를 위해 Fig. 1(a)에서 표시한바와 같이 각 소유역(subbasin) 출구 지점에서 가까우며, 수생태 관측 지점과 수질 관측지점을 일대일로 대응시킬 수 있는 86개의 관측지점만 고려하였다.
본 연구에서는 5대 권역 중 하나인 한강유역을 대상유역으로 선정하였다. 한강 유역의 면적은 34,148 km²이며, 북위 36.
국립환경과학원에서는 2008년부터 매년 봄철(4~6월), 가을철(8~10월)에 전국 800여개 지점에서 생물측정망 조사 및 평가지침을 기반으로 어류 지수(FAI), 부착돌말류 지수 (TDI), 저서성 대형무척추동물 지수(BMI)와 같은 수생생물 지수와 수변식생 지수, 서식 및 수변환경 지수와 같은 하천환경지수를 산정을 위한 하천환경 및 영양물질, 생물종의 종류 등을 직접 관측하여 하천의 수생태계 건강성을 평가하고 있다 (Ministry of Environment, 2015). 본 연구에서는 수생생물 지수인 FAI, TDI, BMI 3가지를 사용하였으며 여름철 강수의 영향을 많이 받지 않는 봄철 관측 자료만을 고려하였다. 또한 관측 값과 모의 값의 비교를 위해 Fig.
본 연구에서는 한강유역에 위치한 3개의 다목적댐으로 충주댐(CJD), 횡성댐(HSD), 소양댐(SYD)과 1개의 발전용댐인 팔당댐(PDD) 그리고 3개의 다기능보인 이포보(IPW), 강천보(KCW), 여주보(YJW) 지점에 대하여 SWAT 모델 검정 (2005~2009), 보정(2010~2014)을 수행한 선행 연구 결과를 활용하였다. 선행 연구에서 Nash and Sutcliffe (1970) model efficiency (NSE), determination coefficient (R²), root-mean square rror (RMSE), 그리고 percent bias (PBIAS)를 사용하여 검보정 결과에 따른 모형의 적용성 평가를 수행하였다.

이론/모형

수생태계는 다양한 수질 인자에 영향을 받기 때문에, 하나의 수질인자와의 이변량 상관분석을 통한 선형 회귀식 도출 후 미래 수생태계 건강성 평가를 하게 되면 불확실성이 커질 것으로 사료되었다. 따라서 이러한 점을 보완하기 위해 데이터에서 직접 정보를 학습하는 머신러닝의 지도 학습 중 하나인 랜덤 포레스트 기법을 활용하여 수생태계 건강성 지수 별 등급 분류를 수행하였다.
머신러닝은 컴퓨터가 여러 데이터로부터 지식을 획득하는 과정을 자동화하는 방법에 관한 연구이며(Langley and Simon, 1995), 학습 방식에 따라 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)으로 분류된다. 본 연구에서는 미리 구축된 수질 및 수생태계 건강성 지수 데이터를 학습용 데이터로 활용하여 모델을 훈련시키는 지도 학습 방법 중 하나인 랜덤 포레스트 (random forest)기법을 활용하여 분석을 수행하였다. 랜덤 포레스트는 Breiman (2001)이 제안한 방법으로 부트스트랩 표본을 다수 생성하고 의사결정나무 모형을 적용하여 그 결과를 종합하는 앙상블 방법이다.
의사결정나무의 목적변수의 종류에 따라 노드의 분리기준이 다르게 적용되며 연속형 목적변수의 경우 회귀나무(regression tree)로 의 사결정나무를 구성하고, 이산형 목적변수의 경우 분류나무 (classification tree)로 구성된다. 본 연구에서는 수생태 건강성 지수의 등급을 목적변수로 하는 분류나무를 생성하였으며, 노드 분리기준으로는 Gini index를 이용하였다. Gini index 는 데이터의 불순도에 대한 계산량으로 Eq.

성능/효과

BMI는 두 시나리오 모든 평가기간에서 A등급으로 추정되는 지점이 63개 이상이었고 RCP 8.5 시나리오 2080s 기간에는 모든 지점이 A, B등급으로 나타나며, 전반적으로 한강유역의 수생태계 건강성이 좋아지는 것으로 분석되었다. 다른 건강성 지표와 유사하게 여러 하천이 합류하는 한강의 하류유역에서 상대적으로 수생태계 건강성이 안 좋으나, 그 외의 유역에서는 계속 양호한 수생태계를 유지하는 것으로 나타났다.
특히 A등급의 예측의 정확도가 1로 매우 높게 나타났는데, 이는 실측 자료가 1개 밖에 존재하지 않기 때문인 것으로 사료된다. BMI도 관측 데이터가 가장 많은 A등급에서 정밀도 0.92, 재현율 0.98, f1-score 0.95로 예측의 정확도가 가장 높게 나타났다. 세 개의 수생태 건강성 지수의 정밀도, 재현율, f1-score 모두 0.
5 시나리오를 SWAT 모델에 적용하여 2020s (2010~2039), 2050s (2040~2069), 2080s (2070~2099) 기간의 수질 및 수온을 추정하고, 봄철 수생태 건강성 관측 시기인 4, 5, 6월 수질 및 수온을 랜덤 포레스트 입력변수로 사용하여 한강유역의 수생태계를 평가하였다. FAI의 경우 기후변화에 따른 큰 변화는 나타나지 않고 기준년도와 유사하게 수생태계가 유지될 것으로 보이지만, TDI는 건강성이 점차 악화되는 경향이 있었고, 그 반대로 BMI는 건강성을 점차 회복하는 경향을 나타냈다. 이는 TDI가 질소 계열 수질에 민감하고 FAI, BMI는 인 계열 수질에 더 민감하기 때문인 것으로 사료된다.
TDI 경우 A등급으로 추정되는 지점이 없었으며, 두 시나리오 모두에서 B등급을 나타내는 지점 역시 줄어들며 수생태계가 악화될 것으로 나타났다. 이는 실제로 한강유역에서 부착 돌말류에 관한 수생태 건강성이 안좋기도 하지만, 관측년도에 A등급 자료가 부족하였기 때문에 기존 데이터를 통해 학습하는 랜덤 포레스트 기법으로 A등급을 추정하는 것이 불확실할 것으로 사료된다.
이는 실제로 한강유역에서 부착 돌말류에 관한 수생태 건강성이 안좋기도 하지만, 관측년도에 A등급 자료가 부족하였기 때문에 기존 데이터를 통해 학습하는 랜덤 포레스트 기법으로 A등급을 추정하는 것이 불확실할 것으로 사료된다. TDI는 달천, 충주댐하류, 남한강하류, 경안천을 포함하여 한강 하류 유역에서는 모든 평가기간동안 E등급을 나타내는 지점이 많았으며, 건강성이 안 좋을 것으로 분석되었다.
이러한 단점을 보완하기 위해 구축된 수질 및 수생태계 건강성 지수 데이터를 학습 데이터로 활용하여 모델을 훈련시키는 머신러닝의 랜덤 포레스트 기법을 이용하여 수질 및 수온에 따른 수생태계 건강성 지수의 등급 분류를 수행하였다. 그 결과 각 지수의 정밀도, 재현율, 그리고 두 값의 조화평균인 f1-score 모두 0.81이상으로 우수한 예측 정확도를 나타냈으며, 미래 기후변화 시나리오를 적용하여 수생태계 건강성 평가 모델로서 사용 가능성을 확인하였다.
5 시나리오 2080s 기간에는 모든 지점이 A, B등급으로 나타나며, 전반적으로 한강유역의 수생태계 건강성이 좋아지는 것으로 분석되었다. 다른 건강성 지표와 유사하게 여러 하천이 합류하는 한강의 하류유역에서 상대적으로 수생태계 건강성이 안 좋으나, 그 외의 유역에서는 계속 양호한 수생태계를 유지하는 것으로 나타났다.
53 mm 유출되는 것으로 분석되었다. 두 시나리오에서 모두 2050s에 가장 많은 유출이 발생하며, RCP 8.5 시나리오에서만 0.03% 증가하는 것으로 분석되었다.
또한 모든 검보정 지점에서 SS, T-N, T-P의 R2는 0.54, 0.42, 0.47 이상으로 SWAT calibration guidelines (NSE≥0.5, PBIAS≤28%, R2 ≥0.6; Moriasi et al., 2007; Santhi et al., 2001)을 만족하는 것으로 분석되었다.
또한 수온의 경우 RCP 4.5의 2020s 이외의 기간에서는 모두 증가하였으며, RCP 8.5 시나리오에서 수온이 더 많이 증가하여 최대 1.98°C 증가하는 것으로 나타났다.
5 시나리오에서는 C등급은 15개 지점으로 감소하고, A, B등급이 33개, 32개 지점으로 증가하며 수생태계 건강성이 회복되는 것으로 분석되었다. 또한 전반적으로 인북천, 소양강, 충주댐, 남한강 상류와 같은 한강 상류 유역에서는 FAI가 A~B등급으로 건강성이 계속 좋을 것으로 분석되지만, 한강 하류 유역에서는 C~E등급으로 건강성이 악화된 상태가 계속 유지될 것으로 분석되었다.
14% 범위 내에서 증가하였다. 반면인 계열의 수질(T-P, PO₄)은 기준년도보다 감소하는 경향을 나타냈으며, RCP 4.5 보다 RCP 8.5 시나리오를 적용하였을 때 더 많이 감소하는 것으로 나타났고, T-P가 RCP 8.5의 2050s에서 최대 18.99% 감소하는 것으로 분석되었다. 이러한 영양물질은 유출의 증감과 관련이 있으며 질소는 기저유출의 증가, 인은 지표 유출의 감소의 영향을 받은 것으로 판단된다.
95로 예측의 정확도가 가장 높게 나타났다. 세 개의 수생태 건강성 지수의 정밀도, 재현율, f1-score 모두 0.81 이상으로, 랜덤 포레스트 기법을 이용한 예측의 정확도가 높은 것을 검증하였다.
선행 연구에서 Nash and Sutcliffe (1970) model efficiency (NSE), determination coefficient (R²), root-mean square rror (RMSE), 그리고 percent bias (PBIAS)를 사용하여 검보정 결과에 따른 모형의 적용성 평가를 수행하였다. 유출량 검보정 결과는 R²는 0.59~0.93, NSE 0.57~0.95, PBIAS는 4.5~21.4%으로 나타났다. 또한 모든 검보정 지점에서 SS, T-N, T-P의 R²는 0.
이는 TDI가 질소 계열 수질에 민감하고 FAI, BMI는 인 계열 수질에 더 민감하기 때문인 것으로 사료된다. 전반적으로 상류유역에서는 수생태계 건강성이 우수하지만 한강 하류유역에서는 상대적으로 건강성이 악화될 것으로 나타났다.
전반적으로 수질 농도가 높아질수록 수생태계 건강성은 악화되는 경향성을 확인하였으나, 수질 농도가 낮은 경우에도 수생태계 건강성이 악화되었다. 이를 통해 하나의 수질인자만 고려하여 수생태계 건강성에 대한 회귀식을 산출하는 것이 적절하지 않다고 판단하였다.
전반적으로 수질 오염도가 낮은 경우에는 수생태계 건강성 지수 점수가 광범위하게 분포되어 명확한 상관관계를 나타내고 있지 않고 반면에 수질 오염도가 커질수록 수생태계 건강성 점수가 낮아지는 역상관 관계가 나타나는 것을 확인할 수 있다. 따라서 수질 오염도에 따른 수생태 건강성 지수에 관한 명확한 선형 회귀식을 도출하는 것이 적절하지 않다고 판단하였다.
지표 유출(SURQ)은 기준년도 218.25 mm에 비해 감소하는 것으로 나타났으며 최대 49.36% 감소하여 110.53 mm 유출되는 것으로 분석되었다. 두 시나리오에서 모두 2050s에 가장 많은 유출이 발생하며, RCP 8.
질소 계열의 수질(T-N, NH₄, NO₃₎의 경우 모든 시나리오 및 평가기간에서 기준년도보다 증가하였고, 그 중 NO₃ 인자의 증가 폭이 가장 크게 나타났으며 RCP 4.5시나리오의 2080s 에서 43.28%로 가장 크게 증가한 것으로 분석되었다. T-N은 1.

후속연구

이러한 연구 결과는 수생태 건강성에 대한 지속적인 관리가 필요한 유역 선정 및 화학적 수질관리를 통한 건강성 개선 방향, 개선 범위 설정과 같은 기후변화에 따른 수자원 유역 통합 관리의 기초 자료로 활용할 수 있을 것으로 판단된다. 또한 수생태계는 수질, 수온 뿐만 아니라 다양한 인자들에 영향을 받으므로 수심, 수폭 등과 같은 수변환경과 유속, 유출량 등의 다양한 요인들에 대한 추가적인 고려가 필요할 것으로 생각된다.
이러한 연구 결과는 수생태 건강성에 대한 지속적인 관리가 필요한 유역 선정 및 화학적 수질관리를 통한 건강성 개선 방향, 개선 범위 설정과 같은 기후변화에 따른 수자원 유역 통합 관리의 기초 자료로 활용할 수 있을 것으로 판단된다. 또한 수생태계는 수질, 수온 뿐만 아니라 다양한 인자들에 영향을 받으므로 수심, 수폭 등과 같은 수변환경과 유속, 유출량 등의 다양한 요인들에 대한 추가적인 고려가 필요할 것으로 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존에 국내에서 하천 수환경을 평가하기 위해 사용했던 수질항목은 무엇이 있는가?	기존 우리나라에서는 유기물오염지표인 용존산소량(DO), 생물화학적 산소요구량(BOD5), 화학적 산소요구량(CODmn) 및 부영양화 지표인 총인(Total Phosphorus, T-P), 총질소 (Total Nitrogen, T-N)과 같은 일반 수질항목들을 사용하여 하천 수환경을 평가해왔으나(An et al., 2005), 최근 환경부에서는 기존의 이화학적 평가뿐만 아니라 생물학적인 평가기준을 확립하여 수생태계의 총체적인 평가기준을 마련하였다.
	수생태계란 무엇인가?	안정적인 용수 공급은 물론 쾌적한 생활환경으로서 수질에 대한 인식이 높아지며 자연과 상생하는 건강한 물순환과 더불어 수생태계 연구에 대한 필요성이 부각되고 있다. 수생태계란 공공수역과 이에 영향을 주는 수변지역의 식물, 동물 및 미생물 등의 생물군집과 무생물 환경이 서로 에너지와 영양물질을 교환하며 상호작용하는 유기적인 복합체를 의미하며, 건강한 수생태계란 구성요소들이 훼손되지 않고 온전한 기능을 발휘하여 그 안에 살고 있는 생물들이 균형을 이루며 서식하고 있는 상태를 나타낸다(Water Environment Information System, 2018).
	최근에 국립환경과학원에서 개발된 수질항목 평가기준은 무엇인가?	, 2005), 최근 환경부에서는 기존의 이화학적 평가뿐만 아니라 생물학적인 평가기준을 확립하여 수생태계의 총체적인 평가기준을 마련하였다. 이에 따라 국립환경과학원(National Institute of Environmental Research)에서는 2008년부터 1년에 2차례 봄과 가을에 걸쳐 생물측정망 조사 및 평가지침을 기반으로 부착돌말류 지수, 저서성 대형무척추동물 지수, 어류 지수와 같은 수생생물 지수와 수변식생 지수, 서식 및 수변환경 지수와 같은 하천환경 지수를 산정하여 하천의 수생태계 건강성을 평가하고 있다.

참고문헌 (20)

Ahn, S. R., and Kim, S. J. (2017). "Assessment of integrated watershed health based on the natural environment, hydrology, water quality, and aquatic ecology." Hydrology and Earth System Sciences, Vol. 21, No. 1, pp. 5583-5602.

상세보기
An, K., Lee, J., and Jang, H. (2005). "Ecological health assessments and water quality patterns in Youdeung stream." Korean Journal of Limnology, Vol. 38, No. 3, pp. 341.
Arnold, J. G., Williams, J. R., Srinivasan, R., and King, K. W. (1996). SWAT manual. USDA, Agricultural Research Service and Blackland Research Center, Texas.
Breiman, L. (2001). "Random forests." Machine Learning, Vol. 45, No. 1, pp. 5-32.
Goutte, C., and Gaussier, E. (2005). "A probabilistic interpretation of precision, recall and F-score, with implication for evaluation." Proceedings European Conference on Information Retrieval, Springer, Berlin, Heidelberg, pp. 345-359.
Jung, S. W., Park, S. H., and Lee, J. H. (2008). "Environmental studies in the lower part of the Han river IIX. Assessment for water quality using epilithic diatom assemblage index to organic water pollution (DAIpo) in dry season." Korean Journal of Environmental Biology, Vol. 26, No. 3, pp. 233-239.
Kim, S. (2015). "A corporate credit ratings model with random forests." Master thesis, Kookmin University, pp. 1-31.
Kim, T. J., and Lee, O. M. (2009). "Assessment of water quality in the Sum-river and the Dal-stream using epilithic diatom-based indices." Journal of Korean Society on Water Quality, Vol. 25, No. 4, pp. 606-614.
Langley, P., and Simon, H. A. (1995). "Applications of machine learning and rule induction." Communications of the ACM, Vol. 38, No. 11, pp. 54-64.

상세보기
Lee, J. W., Jung, C. G., Kim, D. R., and Kim, S. J. (2018). "Assessment of future climate change impact on groundwater level behavior in Geum river basin using SWAT." Journal of Korea Water Resources Association, Vol. 51, No. 3, pp. 247-261.
Meng, W., Zhang, N., Zhang, Y., and Zheng, B. (2009). "Integrated assessment of river health based on water quality, aquatic life and physical habitat." Journal of Environmental Sciences, Vol. 21, No. 8, pp. 1017-1027.

상세보기
Ministry of Environment (2015). Nationwide Aquatic Ecological Monitoring Program, National Institute of Environmental Research, Incheon, South Korea.
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., and Veith, T. L. (2007). "Model evaluation guidelines for systematic quantification of accuracy in watershed simulations." Transactions of the ASABE, Vol. 50, No. 3, pp. 885-900.

상세보기
Nash, J. E., and J. E. Sutcliffe (1970). "River flow forecasting though conceptual models: Part I, A discussion of principles." Journal of Hydrology, Vol. 10, No. 3, pp. 282-290.

상세보기
Neitsch, S. L., Arnold, J. G., Kiniry, J. R., and Williams, J. R. (2001). Soil and water assessment tool: theoretical documentation. U.S Agricultural Research Service, Temple, Texas, pp. 340-367.
Pal, M. (2005). "Random forest classifier for remote sensing classification." International Journal of Remote Sensing, Vol. 26, No. 1, pp. 217-222.

상세보기
Ponader, K. C., Charles, D. F., and Belton, T. J. (2007). "Diatombased TP and TN inference models and indices for monitoring nutrient enrichment of New Jersey streams." Ecological Indicators, Vol. 7, No. 1, pp. 79-93.

상세보기
Santhi, C., Arnold, J. G., Williams, J. R., Dugas, W. A., Srinivasan, R., and Hauck, L. M. (2001). "Validation of the swat model on a large RWER basin with point and nonpoint sources." Journal of the American Water Resources Association, Vol. 37, No. 5, pp. 1169-1188.

상세보기
Water Environment Information System (2018). http://water.nier.go.kr/waterData/easyDataBt.do?menuIdx3_1_2.
Won, D. H., Byun, M. S., Park, J. H., Lee, S. W., and Hwang, S. J. (2010). "Evaluation of the current status of aquatic ecosystem health in five major rivers in Korea." A Pulication of Korean Society of Civil Engineers, pp. 149-160.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증