• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.18-18
• /
• 2020

금강하구와 같이 막힌 대형 하구는 근본적으로 복잡한 물리화학적 프로세스와 다양한 이해당사자간의 갈등 때문에 단편적인 접근으로는 관리의 한계가 있을 수밖에 없는 환경이다. 더욱이 하굿둑의 갑문을 열어 하구순환을 복원하는 해수유통 사업은 그 자체가 가지는 환경적 효용성의 확인과 기존 용수이용 체계의 전면적 변화와 관련된 상당한 비용이 요구된다는 면에서 특별한 논란이 되어왔다. 본 연구는 해수유통으로 인한 금강 하구해역의 수리, 수질, 퇴적 및 생태 등 다양한 환경적 변화를 집중적인 현장 조사 및 통합 모델링을 통해 정량적으로 예측하고 이를 지역 이해당사자 논의 체계인 금강하구해역정책협의회에 제공함으로써 해수유통과 연관된 이해당사자 간 갈등을 완화하고 과학적 자료에 근거한 정책결정을 지원하기 위해 수행되었다(과학-정책의 통합). 조사연구는 하굿둑 갑문 개방에 따른 다양한 시나리오별로 해수유통으로 인한 영향을 하구해역(하굿둑의 바다 쪽 해역)과 하구호(하굿둑의 하천 쪽 담수역)에 미치는 영향을 검토하였다(하천-하구호-연안해역의 공간적 통합). 시나리오는 하구해역정책협의회의 요구사항을 반영하여 개발되었고, 시나리오별 영향파악은 수리(조석 및 파랑 포함), 퇴적물 이동 및 수질은 Delft3D모델을, 유역으로부터의 유량 및 오염물질 부하량은 분포형 비점모델인 STREAM을, 김양식과 이매패류 생산량을 추정하는 생태모델은 통계기반의 포인트 모델을 통해 이루어졌다(수리-퇴적-수질-생태계 모델의 통합). 시나리오 분석결과, 상시 해수유통을 제외한 대부분의 하굿둑 부분 개방 시나리오에서는 하구해역에 미치는 영향이 제한적으로 나타나는 것으로 예측되었다. 이는 하굿둑 부분 개방에 따른 담수방류량 및 이에 대응하는 해수의 유동패턴이 현재와 크게 달라지지 않음을 반영한다. 반면 하구호에 대한 영향은 하구해역에 비해 하굿둑 갑문 운영시나리오에 따라 상대적으로 민감하게 변화되는 것으로 예측되었다. 갑문의 부분 개방을 통해 하구호의 수위를 현재 대비 5cm~50cm 변화시켰을 때 1psu 염분의 저층에서의 침투거리는 하굿둑 상류 6km~18km 정도로 예측되었고 갑문 개방에 의해 염분 침투 거리의 조절이 가능할 것으로 나타났다. 단, 사용된 통합모델은 수년간의 검보정 과정을 반복적으로 수행하여 예측의 정확도를 지속적으로 개선하였지만, 모델운영 자체의 불확실성을 고려할 때 실제 해수유통을 위해서는 시범개방을 통해 모델 예측의 결과를 확인할 필요가 있다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.246-246
• /
• 2021

본 연구는 강우 발생시 유량을 추정하는 것에 목적이 있다. 이를 위해 본 연구는 선행연구의 모형 개발방법론에서 벗어나 딥러닝 알고리즘 중 하나인 합성곱 신경망 (convolution neural network)과 수문학적 이미지 (hydrological image)를 이용하여 강우 발생시 유량을 추정하였다. 합성곱 신경망은 일반적으로 분류 문제 (classification)을 해결하기 위한 목적으로 개발되었기 때문에 불특정 연속변수인 유량을 모의하기에는 적합하지 않다. 이를 위해 본 연구에서는 합성곱 신경망의 완전 연결층 (Fully connected layer)를 개선하여 연속변수를 모의할 수 있도록 개선하였다. 대부분 합성곱 신경망은 RGB (red, green, blue) 사진 (photograph)을 이용하여 해당 사진이 나타내는 것을 예측하는 목적으로 사용하지만, 본 연구의 경우 일반 RGB 사진을 이용하여 유출량을 예측하는 것은 경험적 모형의 전제(독립변수와 종속변수의 관계)를 무너뜨리는 결과를 초래할 수 있다. 이를 위해 본 연구에서는 임의의 유역에 대해 2차원 공간에서 무차원의 수문학적 속성을 갖는 grid의 집합으로 정의되는 수문학적 이미지는 입력자료로 활용했다. 합성곱 신경망의 구조는 Convolution Layer와 Pulling Layer가 5회 반복하는 구조로 설정하고, 이후 Flatten Layer, 2개의 Dense Layer, 1개의 Batch Normalization Layer를 배열하고, 다시 1개의 Dense Layer가 이어지는 구조로 설계하였다. 마지막 Dense Layer의 활성화 함수는 분류모형에 이용되는 softmax 또는 sigmoid 함수를 대신하여 회귀모형에서 자주 사용되는 Linear 함수로 설정하였다. 이와 함께 각 층의 활성화 함수는 정규화 선형함수 (ReLu)를 이용하였으며, 모형의 학습 평가 및 검정을 판단하기 위해 MSE 및 MAE를 사용했다. 또한, 모형평가는 NSE와 RMSE를 이용하였다. 그 결과, 모형의 학습 평가에 대한 MSE는 11.629.8 m3/s에서 118.6 m3/s로, MAE는 25.4 m3/s에서 4.7 m3/s로 감소하였으며, 모형의 검정에 대한 MSE는 1,997.9 m3/s에서 527.9 m3/s로, MAE는 21.5 m3/s에서 9.4 m3/s로 감소한 것으로 나타났다. 또한, 모형평가를 위한 NSE는 0.7, RMSE는 27.0 m3/s로 나타나, 본 연구의 모형은 양호(moderate)한 것으로 판단하였다. 이에, 본 연구를 통해 제시된 방법론에 기반을 두어 CNN 모형 구조의 확장과 수문학적 이미지의 개선 또는 새로운 이미지 개발 등을 추진할 경우 모형의 예측 성능이 향상될 수 있는 여지가 있으며, 원격탐사 분야나, 위성 영상을 이용한 전 지구적 또는 광역 단위의 실시간 유량 모의 분야 등으로의 응용이 가능할 것으로 기대된다.