• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.62-62
• /
• 2021

산업 고도화로 인하여 복잡하고 다양한 유기물의 사용량이 증가하였으며, 공공수역 내 새로운 오염물질이 유입됨에 따라 생화학적 산소요구량(BOD) 중심의 수질평가에 한계를 나타내었다. 이후 난분해성 물질을 고려한 유기물관리 정책과 총량관리의 필요성이 제기되었고 국내 하천과 호소에서는 총 유기탄소(TOC)를 유기물 관리지표로 설정하였다. 그러나 부영양 하천과 호소에서 TOC는 외부 부하뿐만아니라 식물플랑크톤의 과잉성장에 의해 증가할 수 있는 항목이므로 TOC 관리정책 추진을 위해서는 유기물의 기원에 대한 파악이 필요하다. 특히, 국내 하천에서 나타나고 있는 난분해성 유기물 오염도의 증가 추세에 대응한 실효성 있는 유기물 오염관리 정책을 수립하기 위해서는 다양한 유기물의 근원을 정확하게 파악하는 것이 매우 중요하다. 본 연구의 목적은 금강 수계 최대 상수원인 대청호를 대상으로 3차원 수리-수질 모델을 적용하여 유기탄소 성분 별 유입과 유출, 내부생성 및 소멸량을 평가하고 저수지시스템에서의 유기탄소 물질수지를 해석하는 데 있다. 유기탄소 물질수지 해석을 위해 AEM3D 모델을 사용하였으며 2017년을 대상으로 입력자료를 구축한 후 보정을 수행하였고 2018년을 대상으로 모델을 검정하였다. 모델은 유기탄소를 입자성, 용존성, 그리고 난분해성과 생분해성으로 구분하여 모의하며 유기물질 성상별 실험결과를 이용하여 입력자료를 구축하였다. 유기탄소 물질수지 해석을 위해 4가지의 탄소성분과 조류 세포 내 탄소의 질량 변화율을 계산하였다. 이를 위해 외부 유입·유출부하율, 수체 내 생성(일차생산, 재부상, 퇴적물과 수체 간 확산) 및 소멸률(POC 및 조류 침강, DOC 무기화, 탈질)을 고려하였다. 모델은 2017년과 2018년의 물수지를 적절히 재현하였으며 저수지의 성층구조를 잘 재현해내면서 전반적인 수온, 수질을 적절하게 모의하였다. 연간 TOC 부하량 중 내부기원 부하량은 2017년 68.4 %, 2018년은 높은 강우량의 영향으로 55.0%로 산정되었다. 내부 소멸 기작 중 침전으로 인한 손실이 가장 높은 것으로 나타났으며, 2017년과 2018년 각각 31.3%, 29.0%로 나타났다. TOC의 공간분포는 Chl-a 농도 분포와 유사하게 나타났으며, 댐 설치로 형성된 정체수역은 유역의 유기물 순환에 많은 영향을 미치는 것으로 평가되었다. TOC 관리 정책 기초자료 확보를 위해서는 향후 유역-저수지 시스템을 연계한 유기물 물질순환 심층 연구가 필요하다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.88-88
• /
• 2021

최근 수자원과 수질관리 분야에 자료기반 머신러닝 모델과 딥러닝 모델의 활용이 급증하고 있다. 그러나 딥러닝 모델은 Blackbox 모델의 특성상 고전적인 질량, 운동량, 에너지 보존법칙을 고려하지 않고, 데이터에 내재된 패턴과 관계를 해석하기 때문에 물리적 법칙을 만족하지 않는 예측결과를 가져올 수 있다. 또한, 딥러닝 모델의 예측 성능은 학습데이터의 양과 변수 선정에 크게 영향을 받는 모델이기 때문에 양질의 데이터가 제공되지 않으면 모델의 bias와 variation이 클 수 있으며 정확도 높은 예측이 어렵다. 최근 이러한 자료기반 모델링 방법의 단점을 보완하기 위해 프로세스 기반 수치모델과 딥러닝 모델을 결합하여 두 모델링 방법의 장점을 활용하는 연구가 활발히 진행되고 있다(Read et al., 2019). Process-Guided Deep Learning (PGDL) 방법은 물리적 법칙을 반영하여 딥러닝 모델을 훈련시킴으로써 순수한 딥러닝 모델의 물리적 법칙 결여성 문제를 해결할 수 있는 대안으로 활용되고 있다. PGDL 모델은 딥러닝 모델에 물리적인 법칙을 해석할 수 있는 추가변수를 도입하며, 딥러닝 모델의 매개변수 최적화 과정에서 Cost 함수에 물리적 법칙을 위반하는 경우 Penalty를 추가하는 알고리즘을 도입하여 물리적 보존법칙을 만족하도록 모델을 훈련시킨다. 본 연구의 목적은 대청호의 수심별 수온을 예측하기 위해 역학적 모델과 딥러닝 모델을 융합한 PGDL 모델을 개발하고 적용성을 평가하는데 있다. 역학적 모델은 2차원 횡방향 평균 수리·수질 모델인 CE-QUAL-W2을 사용하였으며, 대청호를 대상으로 2017년부터 2018년까지 총 2년간 수온과 에너지 수지를 모의하였다. 기상(기온, 이슬점온도, 풍향, 풍속, 운량), 수문(저수위, 유입·유출 유량), 수온자료를 수집하여 CE-QUAL-W2 모델을 구축하고 보정하였으며, 모델은 저수위 변화, 수온의 수심별 시계열 변동 특성을 적절하게 재현하였다. 또한, 동일기간 대청호 수심별 수온 예측을 위한 순환 신경망 모델인 LSTM(Long Short-Term Memory)을 개발하였으며, 종속변수는 수온계 체인을 통해 수집한 수심별 고빈도 수온 자료를 사용하고 독립 변수는 기온, 풍속, 상대습도, 강수량, 단파복사에너지, 장파복사에너지를 사용하였다. LSTM 모델의 매개변수 최적화는 지도학습을 통해 예측값과 실측값의 RMSE가 최소화 되로록 훈련하였다. PGDL 모델은 동일 기간 LSTM 모델과 동일 입력 자료를 사용하여 구축하였으며, 역학적 모델에서 얻은 에너지 수지를 만족하지 않는 경우 Cost Function에 Penalty를 추가하여 물리적 보존법칙을 만족하도록 훈련하고 수심별 수온 예측결과를 비교·분석하였다.