1. 서 론
낙동강 하굿둑은 1987년 준공되어 조수차에 의한 해수와 담수의 순환을 인위적으로 차단하여 낙동강 하구 지역과 부산시민의 식수를 비롯한 생활용수, 농업용수, 인근 지역 공단의 공업용수 공급을 가능하게 하였다(Kim, 2020). 그러나 하굿둑 건설 이후 철새 개체 감소 및 출현 어종의 단순화와 같은 하구 생태계와 수질 악화 문제들이 꾸준히 제기되고 있다. 이에 정부는 2017년 국정운영 5개년 계획·국정과제(환경부)로 ‘낙동강 하구 환경관리를 위한 실무협의회’를 구성하여 2017~2021년 낙동강 하굿둑 시범운영을 통한 실증실험 수행하였다. 특히 2021년 4차례 시범운영을 통해 계절별 수문운영 방식과 수문 개도율 및 개도방식에 따른 해수유입량을 실측하였다. 이러한 결과를 바탕으로 다양한 상황에 따른 의사 결정 및 모니터링 방식을 체계화하였다. 이후 2022년 2월 기수역 조성이 공식화됨에 따라 해수 유입 기간을 매월 대조기로 확대하였으며, 이로 인한 염수 피해 방지 및 기수역 조성 의사결정을 하기 위하여 실시간 계측장비와 수치해석을 통한 정보를 활용하고 있다(Jeong et al., 2022). 현재 기수역 조성 목표 구간은 대저수문 이전의 하굿둑 상류 15 km이며, 염분이 하굿둑 상류 10~12 km 도달 시 해수유입을 중단하여 염수피해를 방지하고 있다. 이에 염수피해 방지를 위한 신속한 의사결정을 위해서는 염수의 도달거리 및 도달시간에 대한 빠른 예측이 필요하다.
Blumberg and Mellor(1987)은 유체역학 방정식과 수송 방정식의 결합을 통해 하구에서의 밀도류 2차원 해수유동 모델을 개발하였고, Parsa et al.(2007)은 다양한 수치해석 모델 들을 Bahmanshir Estuary에 적용하여 염분 예측 정도를 비교하였다. 이후 EFDC(Environmental Fluid Dynamics Code) 등 다양한 수치해석 프로그램을 활용한 하구역에서의 염수거동에 대한 연구가 활발히 이루어지고 있다. Kim(2020)은 EFDC를 이용한 낙동강 하굿둑 개도율에 따른 염수 소상거리 및 창녕·함안보 방류량에 따른 도달시간 및 염분 플러싱에 관한 연구를 진행하였으며, Han et al.(2011)은 ECOMSEM을 활용하여 낙동강 하구둑 수문 완전 개방시 유입 유량과 조위에 따른 염분 침투 현상에 대한 민감도 분석을 실시하였다. Ahn et al.(2020)은 섬진강 하구역(약 78 km)의 광범위한 영역의 대한 수치해석을 실시하였으며, 하천 유량과 조석에 따른 염수 침투 거리 분석을 실시하였다.
물리 모델에 기반한 수질예측의 경우 정밀하고 광범위한 예측은 가능하지만, 2차원 및 3차원 흐름을 고려해야 하기 때문에 계산이 복잡하고 계산시간이 긴 단점이 있다. 최근 국내·외에서 AI(Artificial Intelligence)를 통한 수질예측 연구가 활발히 진행되고 있는데, 이는 물리모델에 비해 AI모델의 계산구조가 간단하고 방대한 데이터를 효과적으로 처리할 수 있기 때문이다(Melesse et al., 2020; Yang et al., 2020; Kim and Lee, 2022).
Chen et al.(2017)은 인공신경망(Artificial Neural Network, ANN) 모델과 3차원 수치해석 모델 비교 연구를 수행하였는데, 단기간 염분 예측 비교 결과 인공신경망 모델이 3차원 수치해석 모델보다 좋은 정도를 보이고 있다. Barzegar et al.(2020)은 DO와 클로로필a(Chl-a)의 두 가지 수질 변수 예측을 위해 CNN-LSTM 결합모델과 벡터자기회귀 모델(Vector Auto Regressive Model, VAR) 등 다양한 딥러닝 알고리즘 모델을 구축하고 모델 예측정도를 비교하는 연구를 수행하였다. 시계열 데이터 분석에 있어서 LSTM(Long Short-term Memory)의 예측 정도가 가장 우수한 것으로 나타났다. 국내의 경우 ANN 모델을 이용한 청평댐 하류의 수질인자 예측을 통해 8개 수질인자 중 7개 인자에 대한 유의미한 예측 성과를 보았으며(Seo and Yun, 2016), 머신러닝(Machine Learning)기법을 활용하여 낙동강 중류 지역의 수질인자 및 유량을 입력데이터로 사용한 클로로필a(Chl-a) 예측 모델개발에 대한 연구를 수행하였다(Lee et al., 2020). 해양수질자동측정망 데이터를 사용하여 hidden node, epch, 예측시간에 따른 재현 정확도 비교를 통한 최적화 모델 개발을 수행하였다(Park and Kim, 2021). 하지만 머신러닝 및 딥러닝을 통한 하구에서의 염분예측 연구는 부족한 실정이다.
본 연구에서는 LSTM 모델을 사용하여 낙동강 하구역의 시·공간적 특성을 고려한 염분농도를 예측하였다. 창녕·함안보 방류량의 도달시간과 염분 농도의 상관관계를 예측모형의 Sequence length에 따라 재현 정도를 비교하였고, 예측 선행 시간에 따른 재현 정확도 비교를 통한 LSTM모델의 장단기 예측성능을 평가하였다.
2. 연구 방법
2.1 Long Short-Term Memory (LSTM)
RNN(Recurrent Neural network)은 입력과 출력을 연관된 연속의 데이터 단위로 처리하는 모델이다. LSTM 모델은 순환신경망 모델에서 발생하는 기울기 소실(gradient vanishing)문제를 특수한 게이트 순환 구조로 해결하고 장기적인 시간의 종속성(long-term dependencies)을 다루는데 효과적이다. 이에 시계열예측, 번역, 음성인식뿐만 아니라 위에 설명한 CNN-LSTM과 같이 다른 신경망과의 결합을 통해 다양한 분야에 활용되고 있다(Hochreiter and Schmidhuber, 1997; Barzegar et al., 2020).
Fig. 1에서 보듯이, LSTM에서는 가중치 반영 및 활성화 함수 변환을 통하여 입력값에서 출력값으로 변환하는 단계를 하나의 셀(cell)로 보고, 셀 내부의 상태량인 셀 스테이트(cell state)를 입력게이트(input gate), 망각게이트(forget gate), 출력게이트(output gate)를 이용하여 총 4단계의 계산과정을 통해 가중치 소실문제가 발생하지 않도록 조절한다. LSTM 첫 번째 단계에서는 특정 정보의 제거 여부를 망각게이트(ft)를 통하여 식(1)과 같이 결정한다.
여기서 ft는 0, 1의 값을 가지는 망각게이트 값, Wf는 망각 게이트 가중치, bf는 망각게이트 편향값, σ는 시그모이드 함수이다.
두 번째 단계에서는 입력게이트(it)를 통하여 새로운 정보의 저장 여부를 식(2)과 같이 결정하며, it는 0 또는 1의 값을 가지는 입력게이트 값, Wi는 입력게이트 가중치, bi는 입력게이트 편향값이다.
세 번째 단계에서는 입력게이트와 출력게이트의 값을 이용하여 셀 스테이트를 식(3), 식(4)와 같이 업데이트 한다. 여기서, C ~ t
마지막 단계는 출력게이트와 셀 스테이트를 이용하여 출력값을 다음 식(5), 식(6)와 같이 계산한다.
여기서, ot는 0 또는 1의 값을 가지는 출력게이트 값, Wo는 출력게이트 가중치, bo는 출력게이트 편향값이다. 출력게이트 ot는 식(5)와 같이 시그모이드 함수를 이용해서 셀 상태의 어느 부분을 출력하고자 하는지 결정하고, 마지막으로 식(6)과 같이 tanh 함수를 이용하여 활성화된 셀 상태(Ct)와의 곱을 통해 특정 시점의 상태(ht)를 업데이트하게 된다(Hochreiter and Schmidhuber. 1997).
2.2 실험모형 구축 및 성능평가 방법
본 연구에서는 LSTM 모형을 구축하여 낙동강 하구역에서 수위 및 창녕·함안보 방류량에 따른 염분 예측을 수행하고 Sequence length과 선행시간(time lead)에 따른 예측 정도를 분석하는 것을 목적으로 한다. 각 case 조건은 Table 1과 같다. 예측 1시간에 대한 학습 Sequence length는 1시간, 3시간, 6시간, 9시간, 12시간, 24시간으로 하고, 그 중 가장 높은 정도를 가지는 Sequence lengh 12시간을 사용하여 선행 시간 3시간(t + 3), 6시간(t + 6), 9시간(t + 9), 12시간(t + 12), 24시간(t + 24)에 대한 재현 정도를 비교하였다. epoch 횟수는 100, optimizer는 Adam, learning rate는 0.001, Dropout 비율은 20%로 설정하였다. RMSE(Root mean square error)와 R-Squared로 모델의 예측 정도를 평가하였으며 해당 식은 다음과 같다. RMSE는 0에 수렴할수록 R-Squared는 1에 수렴할수록 좋은 예측력을 가진다고 판단할 수 있다.
2.3 연구 대상지 및 입력자료 구축
본 연구의 대상유역은 낙동강의 창녕·함안보에서부터 낙동강 하굿둑까지 약 80 km 구간으로 설정하였다. 자료는 약 3년간(2019.01.01.~2020.12.31.)의 정점별 1시간단위 데이터이며, 염분데이터는 부산환경연구원에서 제공하는 낙동대교지점의 저층데이터를 사용하였고 수리·수문데이터는 My Water(물정보포털)의 창녕·함안보, 구포대교, 낙동강 하굿둑지점 데이터를 사용하였다(Fig. 2). 데이터 항목으로는 낙동대교의 염분도, 전기전도도, 수온과 구포대교 수위, 하굿둑 내수위, 외수위, 강우량 데이터를 사용하였으며, 창녕함안보의 총방류량, 수위와 강우량 데이터로 총 10가지 항목으로 구성되어 있다. 각 데이터의 결측 및 이상치는 선형보간하여 전처리하였다. 학습데이터는 2년치를 사용하였으며, 1년치를 모델 검증에 사용하였다. 자료는 염분도(PSU)와 전기전도도의 Value Range에 큰 차이가 있어 Min-Max Scaling을 통한 정규화(Normalization)로 데이터 전처리 하였고, 정규화에 사용된 식은 다음과 같다. 전처리 전의 각 항목의 평균, 최대, 최소는 Table 2에 제시하였다.
3. 결과 및 고찰
3.1 Sequence length에 따른 염분 농도 예측평가
Sequence length에 따른 모델의 예측 정확도는 Table 3에 나타내었으며, 그에 따른 검증데이터 1년(2020년도)에 대한 염분농도를 Fig. 3에 나타내었다. Sequence length에 따른 모델 예측 정도의 차이는 거의 없는 것으로 나타났다. 실험케이스의 정도는 R-Squared 값이 0.995~0.997, RMSE값은 0.122~0.150(psu)로 상당히 높은 정도를 보이는 것으로 나타났다. Case1-SL-12시간일 때 R-Squared 값이 0.997, RMSE 값이 0.122 psu로 가장 예측정도가 좋았으며, Case1-SL-24일 때 예측 정도가 가장 낮았다. 이는 낙동대교에서의 염분농도가 창녕·함안보 방류에 의한 도달시간(약 12시간)과 하굿둑 수문운영에 따른 염분 침투시간(약 12시간)의 영향을 받는 것으로 보이며, 이는 낙동강 하구역에서의 수리학적 특성을 잘 나타내는 것으로 판단된다(Kim, 2020).
3.2 선행시간(time lead) 따른 염분 농도 예측평가
앞선 실험 모델 중 가장 높은 정도를 보이는 Case1-SL-12에 대하여 선행시간(time lead)에 따른 염분예측 정도를 Table 4에 정리하였으며, 검증기간에 따른 염분농도 비교를 Fig. 4에 나타내었다. 선행시간의 간격이 길어질수록 정도가 떨어지는 것으로 나타났다. 각 Case별 정도는 3~24시간 순으로 R-Squared 값이 [0.98, 0.96, 0.95, 0.93, 0.74]으로 나타났으며, RMSE 값은 [0.296, 0.481, 0.486, 0.592, 1.012]로 나타났다. 선행시간이 24시간일 때 R-Squared 값이 0.74, RMSE 값이 1.012 psu로 가장 정확도가 낮았으며, 선행시간 24시간 이후 급격하게 정도가 떨어지는 것으로 보인다. 이는 입력데이터로 사용되는 과거 Sequence에 대한 길이가 예측 선행시간보다 짧아 정도가 떨어진 것으로 판단되며, 이는 입력데이터의 Sequence length 및 입력데이터 다양하를 통한 연구가 필요할 것으로 보인다. 단기간 예측에 대한 정도는 R-Squared 0.9 이상으로 뛰어난 것으로 판단되며, 이는 낙동대교 염분농도 예측을 통해 낙동강 하굿둑의 수문운영 의사결정에 신속하게 적용 가능할 것으로 판단된다.
4. 결 론
본 연구에서는 LSTM 모델을 활용하여 낙동강 하구역의 낙동대교지점 염분도 예측을 수행하였다. 낙동강 하구역의 수리·수문학적 특성을 고려하기 위해 Sequence length에 따른 예측 정도를 비교하였으며, 모델 결과 Case1-SL-12시간일 때 가장 높은 정도를 보이는 것으로 나타났다. 이는 낙동대교에서의 염분농도와 창녕·함안보 유량 도달시간 및 하굿둑 염분 침투시간과의 상관관계를 모델이 잘 재현하는 것으로 판단된다(Kim, 2020). 또한, 선행시간(time lead)에 따른 예측정도는 12시간 간격까지는 R-Squared 값이 0.93으로 높은 정도를 보이고 있으며, 24시간에서의 예측 정도는 0.71로 급격하게 떨어지는 것으로 나타났다. 이는 LSTM 모형이 12시간 이하의 단기 예측에는 높은 정도를 보이나, 24시간 이상의 장기예측에는 정도가 떨어지는 것으로 보인다.
향후 낙동강 기수역 조성에 따른 염수피해 방지를 위한 신속한 수문운영 의사결정을 위해 낙동강 하구역의 여러 염분 관측지점 데이터를 학습하고 낙동강 하구만의 수리·수문학적 특성을 고려한 염분예측 모델 연구가 필요하다고 판단된다. 그리고 장기예측 정도 향상을 위해 학습데이터간의 상관관계 및 EDA(Exploratory Data Analysis)를 통한 데이터 전처리 연구가 꼭 필요할 것으로 보인다.
