The Journal of
the Korean Society on Water Environment

Bimonthly

ISSN : 2289-0971 (Print)
ISSN : 2289-098X (Online)
KCI Accredited Journal

Editorial Office

Tel. +82-2-389-0650
Fax. +82-2-385-3702
E-mail. kswe@kswe.org

[

ARTICLE

]

Journal of Korean Society on Water Environment

J. Korean Soc. Water Environ Vol. 35, No. 4, p.316-331

ISSN (print) :

2289-0971

ISSN (online) :

2289-098X

Received : 25 February 2019Revised : 11 July 2019Accepted : 15 July 2019

Publisher ID :

JKSWE-35-316

DOI :

10.15681/KSWE.2019.35.4.316

Estimation of CO₂ Net Atmospheric Flux in the Middle and Lower Nakdong River, and Influence Factors Analysis

낙동강 중하류에서 이산화탄소 순배출 플럭스 산정 및 영향인자 분석

이은주 (Eunju Lee) ^aiD 정세웅 (Sewoong Chung) ^b^†iD 박형석 (Hyungseok Park) ^ciD 김성진 (Sungjin Kim) ^diD 박대연 (Daeyeon Park) ^eiD

충북대학교 환경공학과 (Department of Environmental Engineering, Chungbuk University)

^a 석사과정(Master Student), dmswn534@gmail.com, https://orcid.org/0000-0002-5331-0040

^{b, †}Corresponding author : 교수(Professor), schung@chungbuk.ac.kr, https://orcid.org/0000-0002-8596-4970

^c 박사수료(Ph.D. Student), qwrs07@gmail.com, https://orcid.org/0000-0002-6218-1826

^d 박사과정(Ph.D. Student), znssungjin2@naver.com, https://orcid.org/0000-0002-4722-7240

^e 석사과정(Master Student), qkrtjdwls15@hanmail.net, https://orcid.org/0000-0003-4874-9435

License (open-access, http://creativecommons.org/licenses/by-nc/3.0/) :

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

Carbon dioxide(CO₂) emission from rivers to the atmosphere is a key component in the global carbon cycle. Most of the rivers are supersaturated with CO₂. At a global scale, the amount of CO₂ emission from rivers is reported to be five-fold greater than that from lakes and reservoirs, but relevant data are rare in Korea. The objectives of this study is to estimate the CO₂ net atmospheric flux(NAF) from the upstream of Gangjeong-Goryeong Weir(GGW), Dalseong Weir(DSW), Hapcheon-Changnyeong Weir(HCW), and Changnyeong-Haman Weir(CHW) located in Nakdong RiverSouth Korea) using field and laboratory experimentsand to apply data mining techniques to develop parsimonious prediction models that can be used to estimate CO₂ NAF with physical and water quality variables that can becollected easily. As a result, the study sites were all heterotrophic systems that often released CO₂ to the atmosphere, except when the algal photosynthesis was active.The median CO₂ NAF was minimum 391.5 mg-CO₂/m²day at GGW and maximum 1472.7 mg-CO₂/m²day at DSW. The CO₂ NAF showed a negative correlation with pH and Chl-a since the overgrowth of the algae consumed CO₂ in the water and increased the pH. As the parsimonious multiple regression model and random forest model developed, this study showed an excellent performance with the Adj.R² value higher than 0.77 in all weirs. Thus, these methods can be used to estimate CO₂ NAF in the river even if there is no pCO₂ measurement data.

Key words

CO₂ emission, Data mining, Nakdong river, Net atmospheric flux, River pCO₂

1. Introduction

산업화 이후 이산화탄소(CO₂), 메탄(CH₄), 아산화질소(N₂O) 와 같은 온실가스(Greenhouse Gases)의 농도는 지속적으로 증가해왔다. 이 중 CO₂는 온실가스 발생량 중 가장 높은 비 율을 차지하며 가장 큰 복사강제력을 가진다. 대기 중 CO₂ 농도는 2002-2011년 동안 평균 2.0±0.1 ppm/year의 속도로 증가했으며, 최근에는 과거보다 빠르게 증가하는 추세를 보 인다(^{IPCC, 2013}). 이에 따라, 전 지구적인 탄소순환 파악과 저감대책 수립을 위해 육상과 해양에서의 탄소수지 연구가 활발히 진행되고 있다(^{Abril et al., 2015}; ^{Cole et al., 2007}; ^{IPCC, 2013}; ^{Tranvik et al., 2009}).

육상 담수는 대기 중 CO₂ 증가의 주요한 발생원으로 주목 되고 있다(^{Cole et al., 1994}; ^{Raymond et al., 2013}; ^{Stallard, 1998}; ^{St. Louis et al., 2000}; ^{Weyhenmeyer et al., 2015}). 그 이유는 유역 내 무기탄소가 지하수를 통해 담수로 유입하거 나 다양한 유기물이 하천과 호수로 수송, 저류, 퇴적된 후 분 해된 최종산출물인 CO₂와 CH₄이 대기 중으로 배출되기 때 문이다(^{Battin et al., 2009}; ^{Chung et al., 2016}; ^{Guerin et al., 2006}; ^{Wetzel, 2001}). 육상 담수의 CO₂ 농도는 대기와의 기 체교환에 의해 평형상태를 유지하는 특성이 있지만, 수체 내 과도한 유기물의 분해가 발생하면 과포화 상태가 되며, 식물 플랑크톤이 과잉성장하는 시기에는 포화농도 이하로 떨어지 기도 한다(^{Einsele et al., 2001}; ^{Kortelainen et al., 2006}). 따 라서 육상 담수의 CO₂ 순배출플럭스(Net Atmospheric Flux, NAF)의 정확한 산정을 위해서는 다양한 수체에 대한 NAF 의 동적변화를 파악할 필요가 있다.

대기 중 탄소 배출원으로서 육상담수의 역할이 중요하게 되어 전 세계적으로 활발한 연구가 진행되고 있는 것과 대조 적으로 그 동안 국내에서는 이에 대한 연구가 매우 부족하 다. 국내 하천과 저수지 내 물질순환 연구는 대부분 부영양 화와 식물플랑크톤 등 수질관리 측면의 이화학적 지표(유기 탄소, 질소, 인)에 중점을 두어왔다(^{Choi et al., 2000}; ^{Chung et al., 2008}; ^{Seo, 1998}; ^{Yu et al., 1999}). 한편, ^{Chung et al. (2016)}은 대청호를 대상으로 일별 CO₂ 배출량 및 흡수량을 산정한 바 있으며, ^{Chung et al. (2018)}은 금강과 새만금호를 대상으로 수체 내 이산화탄소 분압(pCO₂)의 공간적인 변동 특성을 분석하고 pCO₂의 변화에 영향을 미치는 영향인자를 평가하였다. 그리고 ^{Park and Chung (2018)}은 대청호를 대상 으로 수심별 pCO₂의 동적 변화를 실험을 통해 규명하였으 며, 수온 성층이 파괴되고 전도현상이 일어나는 기간부터 저 수지표면에서 대기 중으로 CO₂가 대규모로 배출되는 현상 (pulse emissions)을 발견하였다. 연구결과는 저수지 표면을 통한 CO₂ NAF의 큰 계절적 변동성을 보여 주었다.

지금까지 국내 담수에서 CO₂ 배출량 산정연구는 성층화된 저수지를 대상으로 수행되었으며, 하천에서의 조사연구는 미 흡하였다. 그러나, 전 지구적인 담수의 CO₂ 배출량 산정 연구 에 의하면, 하천으로부터 배출량은 1.8 PgC/year (Pg=10¹⁵g)으 로써, 호수와 저수지의 0.32 PgC/year의 약 5배에 달한다 (^{Raymond et al., 2013}). 전세계 대부분의 하천은 CO₂ 농도가 과포화 상태(360 μatm 이상)이며 대기 중으로 CO₂를 배출하는 시스템으로 알려져 있다(Table 1). 티벳 고원에 위치한 하천에 서 pCO₂는 864 μatm였으며, CO₂ NAF는 3,452 mg-C/m²day로 산정되었고, 중국의 황하강의 경우 pCO₂는 560-1,771 μatm의 범위를 보였다(^{Qu et al., 2017}). 중국의 Yangtz 강 상류에 위치 한 Longchuan 강에서 pCO₂는 230-8,300 μatm(평균 1,230 μ atm)였다(^{Li et al., 2012}). 북미 지역인 캐나다와 미국 등의 하 천에서 pCO₂는 570-3,100 μatm, 1,575-3,550 μatm의 범위이 며, 남미지역의 Amazon 강의 하류에서는 2,950-44,000 μatm 의 범위를 보였다(^{Butman and Raymond, 2011}, ^{Richey et al., 2002}, ^{Teodoru et al., 2009}). 동남아시아 지역의 Mekong 강 하류에서는 pCO₂는 224-5,970 μatm(평균 1,090 μatm)였으며, 하류로 갈수록 증가하는 경향을 보였다(^{Li et al., 2013}). 국내 하천에서는 한강유역의 서울 도심에서 상류와 중류에서 pCO₂ 는 100-730 μatm을 보였으며, 하류에서는 1,500 μatm이 넘는 값을 보였다. 또한 댐 부근에서는 288 μatm로 조류의 CO₂ 흡 수로 인하여 다른 위치보다 적은 값을 보였다(^{Yoon et al., 2017}). ^{Jin et al. (2018)}이 연구한 북한강 하류 지역의 pCO₂는 78-11,298μatm의 범위를 보였으며, Table 1에 나타내었다.

Table 1. The ranges of pCO2in streams and rivers reported in previous studies

Authors	pCO₂ (μatm)	Period	Location	Number	Method
^{Qu et al. (2017)}	864	2014-2015	Tibetan plateau	1	Headspace-TOC-VCPH
^{Qu et al. (2017)}	560-1,771	2014-2015	Yellow river	1	Headspace-TOC-VCPH
^{Li et al. (2012)}	230-8,300(1,230)	2008-2009	Longchuan river	295	Calculation
^{Teodoru et al. (2009)}	550-800	2005-2006	Eastmain river	70	Calculation
^{Butman and Raymond (2011)}	1,575-3,550	1954-2006	Streams and rivers in united states		Calculation
^{Richey et al. (2002)}	2,950-44,000(3,200)	1995-1996	Amazon rivers	1800	Calculation
^{Li et al. (2013)}	224-5,970(1,090)	1972-1998	Mekong river		Calculation
^{Yoon et al. (2017)}	100-1,500	2015-2016	Han river		Measurement
^{Jin et al. (2018)}	51-2,465	2014-2015	Han river		Measurement

국내의 경우 4대강사업으로 하천에는 보가 다수 건설되었으 며, 보 구간의 수심과 수면적이 증가하고 유수환경이 정수환경 으로 변화되었다. 이러한 변화는 수체 내 물의 체류시간 증가와 유기물 축적 및 분해의 증가를 가져올 수 있으며, 따라서 수체 내 CO₂ 농도의 과포화 상태를 초래할 수 있다. 한편, 4대강사업 으로 문제가 되고 있는 여름철 남조류의 과잉성장은 수체 내 유기물의 내부 부하 증가의 원인이 되기도 하지만 수체 내 pH 상승과 CO₂ 감소의 요인으로 작용할 수 있다. 이러한 요인들은 하천 수생태계의 탄소 순환에 지속적으로 영향을 미치며, 대기- 수면 경계면에서의 CO₂ NAF의 동적 변화를 초래한다.

따라서 본 연구에서는 보 건설로 하천환경이 변화된 낙동 강 중하류를 대상으로 CO₂ NAF의 시간적 변동성을 조사하 고자 하였다. 연구의 목적은 낙동강에 설치된 4개 보(강정고 령보(GGW), 달성보(DSW), 합천창녕보(HCW), 창녕함안보 (CHW))를 대상으로 2017-2018년 현장실험을 통해 수집된 자료를 이용하여 보 구간에서의 CO₂ NAF의 동적 변동 특성 을 분석하고, 데이터마이닝 기법을 활용하여 CO₂ NAF에 영 향을 미치는 중요 환경변수를 추출하고 예측모델을 개발하 며, 수체 내 조류(Chl-a)의 과잉증식이 CO₂ NAF에 미치는 영향을 평가하는데 있다.

2. Materials and Methods

2.1. 연구대상지역

낙동강 4개 보 구간에서 CO으로 문제가 되고 있는 여름철 남조류의 NAF를 산정하기 위해 2017 년 8월 ~ 10월, 2018년 7월 ~ 11월 동안 현장 실험과 실험실 분석을 실시하였다. 강정고령보는 낙동강 4개 보 중 가장 상 류이며, 경상북도 고령군 다산면과 대구광역시 달성군 다사 읍에 위치한다(Fig. 1). 유역면적은 11,667 km²이고 총 저수 용량은 92백만 m³이다. 달성보는 경상북도 고령군 개진면과 대구광역시 달성군 논공읍에 위치하며, 유역면적은 14,248 km²이고 총 저수용량은 59백만 m³이다. 합천창녕보는 경상 남도 합천군 청덕면과 창녕군 이방면에 위치한다. 유역면적 은 15,074 km²이고 총 저수용량은 70백만 m³이다. 창녕함안 보는 낙동강 보 중 가장 말단에 위치하며, 경상남도 창녕군 길곡면과 함안군 칠북면에 걸쳐있다. 유역면적은 20,697 km² 이고 총 저수용량은 101백만 m³이다.

Fig. 1. The map of study areas and locations of sampling site.

각 조사 지점별(Table 2) 수질현황을 파악하기 위해 국립환 경과학원 물환경정보시스템(^{ME, 2017-2018})에서 본 연구의 조사기간과 동일한 2017년 8월 ~ 2018년 11월까지의 수질자 료를 수집하여 Table 3에 제시하였다. 일별 수질측정망 자료를 사용하였으며, 강정고령보는 다사, 달성보는 논공, 합천창녕보 는 덕곡, 창녕함안보는 함안지점의 자료를 사용하였다. pH는 함안보(8.2)에서 가장 높은 값을 보였고, TP의 경우 달성보 (0.050 mg/L)에서 가장 높은 값을 보였다. Chl-a는 강정고령보 17.6 mg/m³, 달성보 22.3 mg/m³, 합천보 26.2 mg/m³, 함안보 30.9 mg/m³으로 하류로 갈수록 증가하는 경향을 보였다. 각 보의 유역면적, 저수용량 및 유량자료는 K-water 물정보포털 (^{K-water, 2018b})에서 수집하여 사용하였다.

Table 2. The location of sampling sites

Code	Location	Latitude	Longitude
GGW	Upstream of Gangjeong-Goryeong weir	35°50'34.19"N	128°27'24.59"E
DSW	Upstream of Dalseong weir	35°44'10.14"N	128°24'49.87"E
HCW	Upstream of Hapcheon-Changnyeong weir	35°35'36.01"N	128°21'19.64"E
CHW	Upstream of Changnyeong-Haman weir	35°22'50.77"N	128°32'54.38"E

Table 3. Water quality conditions of the study sites during the study period

Variable	Unit	GGW	DSW	HCW	CHW
pH	-	8.1* (7-9.3)**	7.9 (6.6-9.1)	7.80 (6.8-9.4)	8.2 (6.9-9.7)
DO	mg/L	9.9 (4.5-16.6)	10.5 (4.6-15.9)	11.1 (6.5-16.3)	11.4 (6.4-15.9)
BOD	mg/L	1.8 (0.5-3.9)	2.0 (0.9-3.6)	2.1 (0.9-4.5)	2.3 (1-4.1)
COD	mg/L	6.4 (4.7-9.7)	7.0 (5.5-10.5)	7.2 (5.3-12.1)	6.9 (5.6-12.8)
SS	mg/L	9.5 (0.8-32.0)	10.0 (2-41.2)	10.8 (1.6-45.6)	10.4 (2.8-31.2)
TN	mg/L	2.6 (1.7-3.9)	3.6 (2.5-6.7)	3.4 (1.8-5.7)	2.8 (1.2-5.0)
TP	mg/L	0.045 (0.01-0.128)	0.050 (0.017-0.164)	0.048 (0.018-0.135)	0.042 (0.013-0.098)
TOC	mg/L	4.6 (3.0-7.0)	5.1 (3.6-7.3)	5.2 (3.6-8.2)	4.9 (3.6-11.1)
EC	μmhos/cm	264.6 (127.0-415.0)	383.3 (167.0-712.0)	370.3 (165.0-694.0)	305.9 (152.0-524.0)
Chl-a	mg/m³	17.6 (4.1-47.2)	22.3 (4.3-53.2)	26.2 (4.7-70)	30.9 (63-97.9)

* Average

** ( - ) is Min-Max, respectively.

2.2. 자료수집 및 분석방법

2017년 8월 ~ 10월과 2018년 7월부터 2018년 11월까지 강 정고령보 18회, 달성보 18회, 합천창녕보 16회, 창녕함안보 14 회의 현장조사를 실시하였다. 각 보 기준 상류 500 m 지점에 서 시료는 표층 10 cm 범위의 물을 grab sampling 방법으로 채수하여 사용하였으며, 채수 시 YSI 6600 (YSI, Inc.)으로 수 온과 pH를 현장 측정하였다. ^{UNESCO/IHA (2010)}의 현장 샘 플링 매뉴얼에 따라 총 부피 1L인 무균 플라스틱 병에 기포가 생기지 않게 가득 채워 채수하고, 실험실까지 냉장 보관하여 이동하였다. 채수한 시료는 YSI pH1200 (YSI, Inc.)으로 pH를 재측정하였으며, 측정 오차는 pH 7에서 ±0.02, pH 4, 10에서 ±0.01이다. Alk(mg/L as CaCO₃)는 Standard Method (^{APHA, AWWA, WEF, 2005})에 준하여 4.5 end point 적정법을 이용하 여 측정하였다. 탁도(NTU)는 2100P Turbidimeter로 측정하였 으며, Chl-a(mg/m³)는 Standard Method에 준하여 분석하였다.

일별 풍속(m/s) 자료는 기상청 기상자료개방포털(^{KMA, 2017-2018})에서 제공하는 자료를 사용하였으며, 강정고령보 와 달성보는 달성, 합천창녕보는 합천, 창녕함안보는 도천지 점의 자료를 사용하였다(Fig. 1).

2.3. NAF 산정방법

CO₂ NAF는 대기-수면 경계면에서의 CO₂ 부분압(pCO₂)의 차에 기체전달속도를 곱하여 산정한다(^{Cole and Prairie, 2009}; ^{Wanninkhof, 1992}). 본 연구에서 기체전달속도는 풍속의 함수 를 사용하는 ^{Cole and Caraco (1998)}가 제안한 식 (1)과 ^{Raymond et al. (2012)}이 제시한 식 (2), 식 (3)을 사용하여 k₆₀₀ 을 산정한 후, R package인 LakeMetabolizer(^{Winslow et al., 2018})를 사용하여 CO₂ 기체와 온도에 대해 보정된 k_g를 산정하 였고, k_g 산정방법에 따른 NAF의 민감도 분석을 실시하였다. 대기-수면 경계면을 통해 교환되는 CO₂의 NAF는 Henry의 법 칙과 Fick의 1차 확산법칙을 이용한 식 (4)로 계산하였다.

(1)

k 600 = 2.07 + 0.215 + U 10 1.7

(2)

k 600 = 5937 ± 606 × 1 - 2.54 ± 0.223 × Fr 2 × VS 0.89 ± 0.017 × D 0.58 ± 0.027

(3)

k 600 = 4725 ± 445 × VS 0.86 ± 0.016 × Q - 0.14 ± 0.012 × D 0.66 ± 0.029

(4)

NAF = k g × K H pCO 2 water - pCO 2 atm = k g CO 2 water - CO 2 atm

여기서 k₆₀₀은 Schmidt number 600으로 표준화된 기체교환 속도 상수(m/d), U₁₀은 수면 위 10 m 위치에서의 풍속(m/s), Fr은 Froude number, V는 유속(m/s), S는 하천 경사, D는 수 심(m), Q는 유량(m³/s)이며, K_H는 온도에 따른 Henry 상수이 다. 수중의 CO₂ 분압(pCO₂^water)이 대기 중 CO₂ 분압(pCO₂^atm) 보다 큰 경우 CO₂는 수체에서 대기 중으로 배출이 일어나고, 반대인 경우에 흡수가 일어난다.

본 연구에서는 담수와 해수의 탄산염 시스템에서 열역학적 화학평형을 모두 고려한 CO₂SYS 프로그램을 사용하여 수중의 pCO₂를 산정하였으며(^{Lewis and Wallace, 1998}), 대기 중 CO₂ 분압은 360 μatm으로 입력하였다. CO₂SYS는 입력변수로 pH, Alk, DIC 중 2개 항목과 수온, 염분도 자료를 사용하여 Alk 또는 DIC와 pCO₂를 계산할 수 있다. 본 연구에서는 현장에서 측정한 수온과 실험실에서 측정한 pH, Alk 값을 사용하여 pCO₂를 산정하였다(^{Butman and Raymond, 2011}; ^{Cole and Prairie, 2009}; ^{Li et al., 2013}). 탄산염 분석은 염분=0(담수)인 시료로 수행되었으며, 하천의 담수 특성을 반영하였다.

2.4. 영향인자 분석

하천에서 CO₂ NAF의 시간적 변동성에 영향을 미치는 환 경요인을 평가하기 위해 PCA(Principal component analysis), 단계적다중회귀모델(Step-wise Multiple Linear Regression; SMLR), 랜덤포레스트(Random Forest; RF)를 사용하였다.

PCA 분석은 실험 변수들의 군집화를 통해 NAF와 상관성이 높은 환경변수들을 추출하기 위해 적용되었으며, 비지도학습 으로 수행되었다. PCA 분석에서 주성분 수의 결정은 주성분 축에 정사된 자료의 분산 크기를 나타내는 고유치(Eigen value)가 1.0 이상인 값을 갖는 주성분 축만을 고려하였다(^{Box and Cox, 1964}; ^{Jung et al., 2012}; ^{Soltani et al., 2012}). PCA분 석에 앞서 원자료가 주성분분석에 적합한지 판단하기 위해 KMO(Kaiser-Meyer-Olkin) test(KMO 값 > 0.5) 및 Bartlett 구 형도 검정(p < 0.05)을 실시하였다. KMO test 결과는 분석에 사용된 변수와 자료에 내재된 요인들 간의 공분산 정도를 나 타낸 척도로써 1에 가까울수록 분석의 타당성이 높고 최소 0.5 이상 되어야 분석이 가능하다(^{Rajarentnam, 2016}). 검정 수행 시 각 보별 KMO값이 0.5이하인 변수는 제거하고 분석을 시행 하였다. KMO값을 만족하지 않는 변수는 강정고령보 풍속 (Uw), 용존산소(DO), k_g, 달성보 Alk, TP, TOC, 합천보 Alk, Uw, DO, 전기전도도(EC), TN, k_g, 함안보 Alk, Uw, 수온 (Wtr), EC, TN, TP로 나타났다. Bartlett 구형도 검정은 분석에 사용한 자료의 상관 행렬(correlation matrix)이 단위행렬 (identity matrix)이라는 가설로 수행되며, 가설이 채택되면 (p > 0.05), PCA 분석이 적합하지 않음을 나타낸다. 각 보의 p값 은 모든 보에서 0.05보다 작아 귀무가설이 기각되어 PCA 분 석이 적합한 것으로 평가되었다.

SMLR과 RF 모델은 정기 수질측정망 항목으로 하천의 CO₂ NAF를 산정할 수 있는 통계모델의 개발과 각 환경 변 수들의 중요도를 평가하기 위해 적용되었다. SMLR과 RF 모 델은 산정된 NAF를 종속변수로 지도학습을 하였으며, 개발 된 모델을 통해 환경변수의 중요도를 평가하였다. 독립변수 는 현장측정과 실험으로 수집한 pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC를 포함하였다. SMLR 모 델은 하나의 종속변수와 여러 개의 독립변수들 간에 선형관 계(Linear Relationship)가 있음을 가정하여 주어진 학습데이 터를 바탕으로 각 독립변수의 회귀계수를 추정하는 모형이 다(^{Bae and Kim, 2016}). 본 연구에서 SMLR 모델은 R package인 olsrr(^{Hebbali, 2018})을 사용하였다. SMLR의 평가 는 설명변수의 추가에 따른 페널티가 고려되는 조정 결정계 수(Adj. R²)와 독립변수의 개수에 따른 정보 손실분을 반영 하는 AIC(Akaike Information Criterion)를 사용하였다. R package인 car(^{Fox et al., 2019})로 VIF 지수를 산정하여 10 이상인 값을 기준으로 다중공선성을 판단하였다.

RF 모델은 의사결정나무의 앙상블(Ensemble) 학습기법에 해당하며, 주어진 자료로부터 여러 개의 모델을 학습한 다음 자료에 대한 예측 시 여러 모델의 예측 결과들을 종합하여 정확도를 높이는 기법이다. RF 모델의 개발은 예측 모델의 과적합을 방지하기 위해 10-fold 교차검정(cross validation) 방법을 적용하였으며, R package인 caret(^{Kuhn, 2011})과 randomForest(^{Liaw and Wiener, 2002})를 사용하였다. RF 모 델의 변수 중요도 평가 방법은 모델에 해당 변수를 포함하지 않았을 때 오차의 증가(또는 Gini 불순도 감소 정도)에 미치 는 영향을 비교하여 순위를 정하며, 독립변수가 종속변수에 미치는 영향을 파악하는 방법중 하나로, 개별 독립변수가 종 속변수에 미치는 영향을 시각화하는 partial dependence plot 을 사용하였다(^{Breiman and Cutler, 2015}).

3. Results and Discussion

3.1. 실험자료의 기술통계 및 변수간 상관분석

각 보별 CO₂ NAF를 산정하기에 앞서 실험에서 수집한 자 료와 CO₂SYS로 산정한 변수들의 기초 통계량을 분석하였 다. 조사기간 동안 수집한 주요 환경변수의 기초 통계값(최 소, 최대, 평균, 중위값, 표준편차)을 Table 4에 제시하였다. 환경변수의 항목은 pH, 알칼리도(Alk), 탁도(Turb), 수온 (Wtr), 풍속(Uw), Chlorophyll-a(Chl-a) 등이다. 현장 조사와 실내 분석을 통해 샘플을 분석한 결과 pH는 보별로 큰 차이 를 나타내지 않았고, Alk 또한 뚜렷한 차이를 보이지 않았다. Chl-a의 경우 상류에 위치한 강정고령보(17.1±10.8 μg/L)와 달성보(22.4±13.4 μg/L)에 비해 하류에 위치한 합천창녕보 (31.2±26.4 μg/L)와 창녕함안보(34.9±22.1 μg/L)에서 높은 값 을 보였다.

Table 4. The description statistics of the observed weirs variables

Variable	Unit	GGW	DSW	HCW	CHW
nods	-	18	18	16	14
in situ pH	-	7.1-9.7 (8.3±0.7)	7.5-12.3 (8.6±1.2)	7.5-10.0 (8.5±0.7)	7.6-9.9 (8.7±0.7)
pH	-	7.0-9.8 (8.0±0.8)	7.2-9.5 (8.0±0.7)	7.2-10.1 (8.2±0.9)	7.3-10.0 (8.2±0.9)
Alkalinity	mg/L as CaCO₃	36.0-112.0 (67.8±23.2)	44.0-124.0 (74.2±25.4)	41.0-121.0 (65.5±17.3)	41.0-109.0 (63.1±21.7)
Turbidity	NTU	0.9-25.6 (6.6±6.3)	1.3-21.6 (6.4±5.4)	2.3-44.1 (8.7±10.1)	2.7-20.3 (6.8±4.4)
Water temperature	°C	12.5-4.6 (23.8±6.6)	12.9-33.6 (23.4±6.0)	12.9-35.3 (24.0±6.8)	17.7-36.5 (25.8±5.6)
Wind speed	m/s	0.9-3.1 (1.9±0.6)	0.9-3.1 (1.9±0.6)	0.4-1.8 (1.0±0.4)	0.8-2.9 (1.5±0.7)
Chl-a	μg/L	6.1-45.1 (17.1±10.8)	4.8-55.3 (22.4±13.4)	5.1-104.3 (31.2±26.4)	15.4-99.1 (34.9±22.1)
DO	mg/L	7.9-12.1 (9.9±1.3)	7.1-12.6 (10.5±1.5)	7.6-14.2 (10.7±2.1)	7.9-14.5 (9.9±1.8)
EC	μmhos/cm	121.7-281.9 (215.7±41.1)	184.2-436.9 (291.2±63.1)	168.0-382.8 (282.4±66.6)	154.6-296.5 (22201±46.6)
SS	mg/L	2.2-18.3 (7.7±4.8)	1.8-16.0 (7.9±3.4)	4.2-33.5 (8.9±7.1)	5.7-13.7 (8.3±2.4)
TN	mg/L	1.7-3.6 (2.5±0.6)	2.2-3.9 (2.9±0.5)	2.0-3.9 (2.9±0.6)	1.4-3.0 (2.3±0.5)
TP	mg/L	0.020-0.148 (0.148±0.030)	0.035-0.138 (0.072±0.026)	0.036-0.135 (0.073±0.030)	0.027-0.110 (0.071±0.027)
TOC	mg/L	2.6-6.7 (4.6±1.0)	2.9-6.1 (4.6±1.0)	2.8-8.7 (5.0±1.3)	2.9-6.1 (4.4±0.9)
pCO₂*	μatm	2.8-2,340.8 (761.3±636.0)	10.8-1,883.5 (820.6±557.9)	0.9-2,216.9 (664.6±642.5)	1.4-2,148.4 (757.9±743.6)

* pCO₂ : Calculated by CO₂SYS program.

조사기간 동안 낙동강 4개 보 상류의 수중 평균 pCO₂는 합 천창녕보에서 최소 664.6 μatm, 달성보에서 최대 820.6 μatm 였다. 조사자료 중 최댓값은 강정고령보에서 2,340.8 μatm로 산정되었다. 조사 날짜는 2018년 10월 29일이었으며, pH 7.05, Alk 45 mg/L as CaCO₃, 수온 15.8°C, Chl-a는 6.54 μg/L 의 값을 보였다. 모든 보의 pCO₂ 평균값은 대기와의 평형상 태(360 μatm) 보다 과포화된 상태에 해당한다. 낙동강에서 산 정된 pCO₂는 중국의 황하강(560-1,771 μatm)과 비슷한 수준 에 해당하며, 티벳 고원 하천(864 μatm), 중국의 Longchuan 강(1,230 μatm), 북미 지역(570-3,100 μatm), 동남아 Mekong 강 하류(1,090 μatm)에 비해 다소 낮은 수준에 해당한다.

환경 변수들의 상관관계를 확인하기 위해 스피어만 상관분 석을 실시하여 Fig. 2에 제시하였다. pCO₂는 Alk, Uw, Turb 와 뚜렷한 상관성이 나타나지 않았고, pH와는 모든 보에서 강한 음의 상관관계를 보였다. Wtr의 경우 강정고령보 (-0.77), 달성보(-0.70), 합천창녕보(-0.78)는 강한 음의 상관관 계를 보였으나, 창녕함안보(-0.44)의 경우 다른 보들에 비해 약한 상관관계를 나타냈다. 이는 수온이 낮은 경우 기체의 용해율이 높아지는 것과 관계가 있다. 조사지점별로 항목간 의 상관성이 조금씩 다르게 나타나는 원인은 하천에서 물리, 화학, 생물학적 지표 항목의 변동성이 유역의 오염부하 특성 (물질의 종류, 부하시기, 반응특성 등), 기상 및 수문, 수리학 적 특성 등 매우 다양한 요인들의 비선형적 관계에 의해 결 정되기 때문으로 판단된다.

Fig. 2. The correlation matrices of observed variables.

pCO₂와 Chl-a는 모든 보에서 음의 상관관계를 보였으며, 달성보(-0.67)와 합천창녕보(-0.49), 창녕함안보(-0.47)에는 통 계적 유의성이 있었지만 강정고령보(-0.27)에서는 통계적 유 의성이 없는 것으로 나타났다. 이러한 결과는 식물플랑크톤 의 광합성이 활발한 경우 수중에 있는 CO₂ 농도가 감소하고 pH가 높아지기 때문으로 보인다. 또한 창녕함안보를 제외한 3개 보 모두에서 pCO₂는 EC와 통계적으로 유의할 만한 음 의 상관관계(p < 0.01)를 보였다. 낙동강에서 EC의 경우 강 우-유출량이 적은 기간에 높아지는 경향이 있으며, 이는 하 천의 체류시간 증가와 함께 조류가 과잉성장하는 환경에 해 당한다. 따라서 EC가 높은 경우 Chl-a 농도와 pH가 증가하 며, 이는 수중의 CO₂ 분압을 감소시키는 결과로 나타날 수 있다. 한편 TOC는 pCO₂와 통계적인 유의성은 없지만 모두 음의 상관관계를 보이고 있다. 선행 연구(^{Dos Santos et al., 2006}; ^{Hanson et al., 2015}; ^{Pacheco et al., 2013}; ^{Tadonléké et al., 2012})에서는 외부에서 기원하는 유기물이 담수의 CO₂ 과포화에 중요한 요인으로 보고하고 있는 것과는 대조적이 다. 그러나, 국내의 금강 하류와 하구에서 실험한 결과 (^{Chung et al., 2018})에서도 DOC와 TOC는 pCO₂와 음의 상 관관계(p < 0.1)를 보인 바 있다. 이러한 결과는 시료채취 지 점이 강의 중하류에 위치하고 있어 용존 유기물들이 대부분 난분해성으로 존재하며, 외국의 연구 대상보다 DOC 농도가 현저히 낮기 때문으로 유추된다. 일반적으로 DOC는 한대지 역 호수(boreal lakes)의 pCO₂에 강한 영향을 미치는 것으로 보고되고 있다(^{Hope et al., 1996}; ^{Sobek et al., 2003}).

3.2. CO₂ NAF 산정 결과

2017년과 2018년의 강정고령보, 달성보, 합천창녕보, 창녕 함안보의 CO₂ NAF 산정결과를 Fig. 3에 제시하였고, 각 보의 기초통계를 Table 5에 제시하였다. CO₂ NAF가 양의 값을 보 이면 수생태계는 대기 중으로 CO₂가 배출되는 종속영양시스 템(Heterotrophic system), 음의 값을 보이면 흡수하는 독립영 양시스템(Autotrophic system)으로 해석될 수 있다. 낙동강 중 하류의 4개 보 상류 수체는 모두 대기중으로 CO₂를 배출하는 종속영양시스템으로 나타났다. 조사기간 동안 낙동강 4개 보 상류의 평균 CO₂ NAF는 합천창녕보에서 최소 416.5 mg-CO₂/m² day, 달성보에서 최대 1,916.1 mg-CO₂/m² day였다. 조 사자료 중 최대값은 달성보에서 11,220.3 mg-CO₂/m² day로 산정되었다. 낙동강에서 산정된 CO₂ NAF는 티벳 고원에 위 치한 하천에서 산정된 3,452 mg-CO₂/m² day 보다는 낮은 수 준이었으나, ^{St. Louis et al. (2000)}이 중위도 지방에 위치한 온대 저수지들에서 측정한 평균 CO₂ NAF 값인 1,400 mg-CO₂/m² day와 유사한 수준에 해당한다. 국내 대청호에서 는 2012년 2,590 mg-CO₂/m² day(^{Chung et al., 2016}), 2017년 평균 CO₂ 1,400 mg-CO₂/m² day(^{Park and Chung, 2018})로 본 연구결과와 유사한 수준을 보였다(Table 6).

Fig. 3. The variations of CO2net atmospheric flux (NAF) during the monitoring period.

Table 5. The summary statistics of estimated CO2NAF for each weir

Weir	nods	Min	Max	Mean	Median	Stdev
Weir	nods	mg-CO₂/m² day
GGW	18	-1,695.8	6,443.7	1,277.9	934.7	2,099.6
DSW	18	-1,615.5	11,220.3	1,916.1	1,472.7	3,125.4
HCW	16	-1,299.6	3,504.0	416.5	391.5	1,256.3
CHW	14	-1,381.1	9,566.3	1,533.4	1,130.5	2,932.7

Table 6. The comparison of the CO2NAF estimated in this study with previous studies (unit: mg-CO2/m2day)

Water Type (Location)	Estimated flux	Water Type (Location)	Estimated flux
Stream (Yellow River, Tibetan Plateau, China)	6,333	Stream (Yangtze River, Tibetan Plateau, China)	3,276
Stream (Yarlung Tsangpo, Tibetan Plateau, China)	2,442	Stream (Indus, Tibetan Plateau, China)	2,085
Stream (interior Alaska)	5,400	Stream (Northern, Sweden)	7,679
Stream (Finland)	975	Small stream (Ontario, Canada)	1,079
Small stream (Quebec, Canada)	3,121	Small stream (Sweden)	8,279
Headwater Stream (conterminous U.S.)	2,844	Stream (Amazon basin)	2,268
Stream (Mississippi)	3,241	Stream (Mid-downstream of Yangtze River, China)	3,551
Stream (Xinjiang river, China)	3,277	Stream (Temperate zone)	6,493
*Large river (Nakdong river, Korea)**	417-1,916

* Upstream of weir

CO₂ NAF가 음의 값을 보이는 흡수 시스템은 2017년 9월, 10월의 일부 측정일과 2018년의 여름철에 주로 나타났는데, 이 때 pH의 평균값은 9.1(±0.5)로써 CO₂ NAF가 양의 값을 보이는 기간의 평균 pH 7.6(±0.3)보다 현저히 높은 경향을 보였 다. 이는 앞에서 언급한 바와 같이 조류의 광합성 과정에 CO₂를 다량 소모하여 수중의 CO₂ 부분압이 대기중 부분압보다 낮아진 결과이다. 2017년과 2018년의 NAF의 크기와 변동 특성이 다른 이유는 두 해의 강우패턴이 달라 시기에 따라 출현하는 조류 종과 생체량이 다르기 때문으로 판단된다. 2017년에는 7월과 8월에 강우가 잦아 조류 성장이 제한적이었으나, 9월–10월에 는 무강우 일수가 지속되어 남조류가 우점하였다. 반면, 2018년 은 6월 말-7월 초 짧은 장마 이후 7월 중순-8월 말까지 비가 거의 오지 않았고 폭염이 지속되어 남조류가 과잉성장하는 녹 조현상이 발생하였으며, 8월 말에 대규모 강우가 발생하면서 녹조현상이 해소되었다(^{K-Water, 2018a}). 그 결과로 2018년 7 월과 8월의 CO₂ NAF는 대부분 흡수시스템을 보인다. 본 연구의 NAF 산정결과는 낮 동안의 실험결과에 기초한 값이므로, 밤 시간 동안에 조류가 호흡을 하는 경우에는 수중의 pCO₂ 분압과 NAF에 변화가 있을 수 있으므로 해석에 주의가 필요하다.

3.3. k_g 및 CO₂ NAF 민감도 분석

^{Cole and Caraco (1998)}가 제시한 식 (1)과 ^{Raymond et al. (2012)}이 제시한 식 (2), (3)의 방법으로 k_g와 NAF를 산정한 후, 기초통계를 Table 7에 제시하고, 값의 분포를 Box plot로 비교하여 Fig. 4에 나타내었다. 평균 k_g는 Cole and Caraco 5.12 m/d, Raymond 1 방법 2.38 m/d, Raymond 2 방법이 1.08 m/d의 순서로 나타났으며, CO₂ NAF도 평균 1,297.3, 1,017.4, 446.9 mg-CO₂/m²day로 Cole and Caraco, Raymond 1, 2의 순서로 나타났다. 최대값은 Raymond 1의 방법에서 k_g 16.3 m/d, NAF 15,461.8 mg-CO₂/m²day로 나타났으며, 최소 값은 k_g는 Raymond 2의 방법에서 0.11 m/d, NAF는 Cole and Caraco의 방법에서 –1,695.8 mg-CO₂/m²day로 나타났다.

Table 7. The description statistics of summary statistics of kgand CO2NAF for different gas transfer velocityEquations

	kg (m/d)			CO₂ NAF (mg-CO₂/m²day)
	Cole and Caraco	Raymond 1	Raymond 2	Cole and Caraco	Raymond 1	Raymond 2
nods	66	66	66	66	66	66
Min	2.33	0.26	0.11	-1,695.8	-1,585.2	-868.4
Max	10.67	16.30	7.38	11,220.3	15,461.8	6,592.5
Mean	5.12	2.38	1.08	1,297.3	1,017.4	446.9
Median	4.51	1.67	0.73	977.1	517.6	218.4
Stdev	1.99	2.54	1.17	2,470.0	2,339.9	1,028.9

Fig. 4. The boxplots of comparison for (a) kgand (b) CO2NAF for each equations

Fig. 4에서 보는 바와 같이, k_g 값은 산정방법에 따라 중위 값의 편차가 매우 크고 민감하게 반응하였으나, NAF 산정값 은 상대적으로 편차가 작았다. NAF의 분산은 유속, 하천 경 사, 유량 또는 Fr을 입력변수로 사용하는 ^{Raymond et al. (2012)} 식보다 풍속의 함수로 산정하는 ^{Cole and Caraco (1998)} 방법이 크게 나타났는데, 이는 강우-유출이 있는 특정 기간을 제외한 대부분의 기간에 보 구간의 유속이 매우 느리 기 때문으로 해석된다. 본 연구에서는 ^{Raymond et al. (2012)} 의 연구 대상 하천의 평균 유속(약 0.14 m/s)에 비해 본 연구 지역의 평균 유속(약 0.05 m/s)이 매우 느리고, 정체수역을 형성하여 ^{Cole and Caraco (1998)}의 방법으로 산정한 NAF 로 주성분분석 및 변수중요도 평가를 진행하였다. CO₂ NAF 에 미치는 유속의 영향을 판단하기 위하여 상관분석을 실시 하였으며, NAF와 유속은 낮은 상관관계(0.33, 0.32, 0.32)를 보였다(Fig. 5).

Fig. 5. Correlation matrices of water velocity and CO2NAF.

3.4. NAF 영향인자 주성분 분석 및 변수 중요도 평가

3.4.1. 주성분 분석

PCA 결과는 고유치(Eigen value)가 1.0 이상인 값을 기준 으로 주성분 축을 추출하였다. 각 보의 고유치가 1.0 이상인 주성분은 강정고령보 3개, 달성보 3개, 합천창녕보 2개, 창녕 함안보 2개였다. 분석결과 강정고령보는 전체 수질 변동에 대하여 제1주성분이 49.0 %, 제2주성분이 18.6 %, 제3주성분 이 13.7 % 기여하였다. 달성보는 전체 수질 변동에 대하여 제1주성분이 41.2 %, 제2주성분이 26.6 %, 제3주성분이 11.1 % 기여하였다. 합천창녕보는 전체 수질 변동에 대하여 제1 주성분이 59.8 %, 제2주성분이 22.8 % 기여하였다. 창녕함안 보는 전체 수질 변동에 대하여 제1주성분이 48.5 %, 제2주성 분이 31.7 % 기여하였다. 모든 보에서 NAF는 pCO₂와 높은 공분산을 보이며 군집하는 특성을 보였다. NAF는 대부분 pH와는 반대 방향의 군집특성을 보여 pH가 낮은 환경에서 NAF가 높은 것을 보여준다. 모든 보에서 Chl-a는 NAF와 반 대편으로 군집되는 경향을 보이고 있어 조류가 과잉 성장하 는 기간에 NAF가 감소하는 경향을 보여준다. 탁도와 SS, TP 가 강한 군집 특성을 보이는 것은 강우-유출의 영향으로 해 석된다. 강정고령보와 달성보에서는 EC가 제1주성분에서 탁 도와 SS와 반대 방향으로 군집하였고 pH와 Chl-a와는 동일 한 방향으로 군집하는 경향을 보였다. 이러한 결과는 상관분 석 결과와 유사하며, 강우-유출량이 적은 환경에서 EC가 상 승하고 체류시간 증가에 따른 조류 성장과 pH 증가와 관련 이 있다. 그러나, 합천창녕보와 창녕함안보에서는 EC가 KMO 검정 기준을 만족하지 않아 분석 변수에서 제외되어 이러한 경향은 나타나지 않았다.(Fig. 6).

Fig. 6. Bi-plots of PCA results

3.4.2. 단계별다중회귀분석

SMLR 기법으로 CO₂ NAF 예측 다중회귀모델을 개발하고 NAF 산정과 관계된 중요 변수를 추출하기 위해 종속변수로 NAF를 사용하고, 독립변수는 pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC를 입력하였다. 단계적 전진 방법을 적용하였으며, 모델에 사용하는 첫 번째 변수는 종속변수와 상 관성이 가장 큰 독립변수를 선택한다. 순차적으로 편상관성이 큰 독립변수가 적용되며, 진입 기준에 만족하는 변수가 없으면 프로시저는 중단된다(^{Chung et al., 2016}). SMLR 모델은 Adj.R²와 AIC로 평가하였으며, Table 8에 나타내었다.

Table 8. Subset regression variables that best matched the performance criterion of weirs

GGW
Variables	Adj.R²	AIC
pH	0.5958	314.04
pH, EC	0.6711	311.17
pH, EC, TN	0.7270	308.57
pH, Uw, EC, TN	0.7650	306.54
pH, Uw, DO, EC, TP	0.7735	306.43
PH, Uw, DO, EC, SS, TP	0.7725	306.94
PH, Turb, Uw, DO, EC, SS, TP	0.7734	307.16
pH, Turb, Uw, EC, SS, TN, TP, TOC	0.7599	308.31
pH, Turb, Uw, DO, EC, SS, TN, TP, TOC	0.7360	309.89
pH, Alk, Turb, Wtr, Uw, EC, SS, TN, TP, TOC	0.7012	311.72
pH, Alk, Turb, Wtr, Uw, DO, EC, SS, TN, TP, TOC	0.6545	313.56
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC	0.5872	315.48
DSW
Variables	Adj.R²	AIC
pH	0.4636	333.45
pH, Uw	0.6900	324.42
pH, Uw, DO	0.7956	317.68
pH, Wtr, Uw, DO	0.8745	309.57
pH, Turb, Wtr, Uw, DO	0.8922	307.40
pH, Turb, Wtr, Uw, DO, SS	0.8987	306.71
pH, Turb, Wtr, Uw, DO, EC, SS	0.9040	306.03
pH, Turb, Wtr, Uw, DO, EC, SS, TN	0.9002	306.82
pH, Alk, Turb, Wtr, Uw, DO, EC, SS, TN	0.8942	307.76
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN	0.8853	308.80
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TOC	0.8705	310.21
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC	0.8447	312.21
HCW
Variables	Adj.R²	AIC
pH	0.7350	256.37
pH, Turb	0.7717	254.80
pH, Turb, Uw	0.8005	253.36
pH, Alk, Turb, Uw	0.8605	248.25
pH, Alk, Uw, EC, TN	0.8803	246.28
pH, Alk, Turb, Uw, EC, TN	0.8825	246.29
pH, Alk, Turb, Uw, EC, TN, TP	0.8795	246.81
pH, Alk, Uw, DO, EC, SS, TN, TP	0.8690	248.00
pH, Alk, Uw, Chl-a, DO, EC, SS, TN, TP	0.8511	249.59
pH, Alk, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP	0.8258	251.19
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP	0.7835	253.09
pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC	0.7116	255.08
CHW
Variables	Adj.R²	AIC
Alk	0.5954	211.63
Alk, DO	0.8168	204.27
Alk, DO, TOC	0.8831	203.32
Alk, DO, TN, TOC	0.8808	206.54
Alk, Turb, DO, TN, TOC	0.8809	210.44
Alk, Turb, Uw, DO, TN, TOC	0.8789	215.30
Alk, Turb, Wtr, Uw, DO, TN, TOC	0.8594	220.00

[i] Adj.R² : Adjusted coefficient of determination.

AIC : Akaike information Criteria, smaller value means the model is relatively more precise.

The bold mark indicates the subset regression model that shows best performance.

강정고령보는 12개의 모델 중 pH, Uw, DO, EC, TP를 독 립변수로 사용한 모델에서 가장 좋은 예측 성능을 보였으며, 종속변수인 NAF의 변동성을 약 77.4 % 재현하였다. 달성보 는 12개의 모델 중 pH, Turb, Wtr, Uw, DO, EC, SS를 독립 변수로 사용한 모델에서 가장 좋은 성능을 보였으며, NAF의 변동성을 90.4 %까지 재현하였다. 합천창녕보는 12개의 모 델 중 pH, Alk, Uw, EC, TN를 독립변수로 사용한 모델에서 가장 좋은 성능을 보였고, 88.0 %의 변동성을 재현하였다.

독립변수들의 다중공선성 평가결과, VIF 기준 10을 초과한 변수는 창녕함안보를 제외한 모든 보에서는 나타나지 않았다. 창녕함안보의 경우 다중공선성을 나타낸 변수는 pH, Chl-a, EC, TP이었으며, 이들 변수를 제외한 후 다중회귀모델을 개발 하였다. 선정된 최적 SMLR 모델의 독립변수는 Alk, DO, TOC 를 포함하였으며, NAF의 변동성을 88.3 % 재현하였다.

3.4.3. RF 모델을 이용한 변수 중요도 평가

RF 모델의 변수 중요도 평가 기능을 이용하여 NAF 예측 에 중요한 변수의 순위를 평가하였다. NAF 예측에 사용한 독립변수는 pH, Alk, Turb, Wtr, Uw, Chl-a, DO, EC, SS, TN, TP, TOC이다. 분석결과, 중요 변수는 강정고령보 pH, SS, Wtr, DO, Turb, Uw, EC, Alk, 달성보 pH, Uw, EC, TN, Turb, TP, 합천창녕보 pH, 창녕함안보 pH, Alk, Uw, Wtr, DO, Turb, TN으로 나타났다. 보 별로 pH는 CO₂ NAF에 가 장 중요한 영향인자로 확인된 반면, 나머지 인자들의 중요도 는 상이하게 나타났다. 이는 각 지점의 수중 CO₂ 부분압이 유역으로부터의 탄소 부하 특성뿐만 아니라 수체 내에서의 물리적(수온 등), 화학적(pH, 유기물 분해 등), 생물학적 (Chl-a 농도 등)인 복잡한 관계에 의해 결정되며, 지점별로 이러한 관계가 상이하기 때문으로 해석된다.

RF 모델을 통해 각 보별로 선정된 중요 변수에 대하여 어 떤 조건에서 NAF값이 변하는지 partial dependence plot을 이용하여 해석하였다(Fig. 7). 모든 보에서 pH는 중요변수로 선정되었으며, 낮을수록 NAF가 증가하였다. 강정고령보의 NAF는 pH, Wtr, DO, EC가 낮을수록, SS와 Uw가 높을수록 증가하였고, 달성보의 NAF는 pH, EC가 낮을수록, Uw, TN, Turb, TP가 높을수록 증가하였다. 합천창녕보는 pH, Wtr, EC가 낮을수록 NAF가 증가했고, 창녕함안보는 pH, DO, Turb가 낮을수록, Alk, Uw가 높을수록 NAF가 증가하는 경 향을 보였다.

Fig. 7. The partial dependence plots showing the marginal effects of a single variable on NAF

개발된 SMLR 모델과 RF 모델의 예측 성능을 비교하여 Fig. 8과 Table 9에 나타내었다. 강정고령보와 합천창녕보의 경우 RF 모델이, 달성보와 창녕함안보의 경우 SMLR 모델이 더 좋은 예측성능을 보였다. SMLR 모델과 RF 모델은 모두 Adj.R² 0.77(p < 0.05) 이상의 높은 CO₂ NAF 예측 성능을 보이고 있어, pCO₂ 측정자료가 없는 지점에서 물리적인 변 수와 수질측정망 자료만을 사용하여 CO₂ 배출량을 산정하는 모델로 적용 가능할 것으로 판단된다. 특히, 달성보와 창녕 함안보에서는 종속변수와 독립변수의 선형성을 가정하는 SMLR 모델이 RF 모델보다 더 좋은 성능을 보이고 있어 해 당 보 구간에서는 CO₂ NAF와 선정된 최적 독립변수들과의 선형관계 모델이 유효한 것으로 해석된다.

Fig. 8. The comparison of performances of the best SMLR and RF models

Table 9. The best SMLR models and parsimonious RF models for estimating CO2NAF for each weir

Weir	The best SMLR			RF
Weir	Model Equation	RMSE	Adj.R²	Parsimonious Variables	RMSE	Adj.R²
GGW	NAF=18280.3-1474.8pH - 18.3EC - 258.7DO + 665.8Uw + 1557.2TP	822.76	0.77	pH, SS, Wtr, DO, EC, Uw	654.44	0.87
DSW	NAF=12114.264 - 3732.501pH + 233.322Turb + 166.164Wtr + 3053.489Uw + 1178.410DO - 5.042EC - 271.783SS	729.52	0.90	pH, Uw, EC, TN, Turb, TP	848.62	0.90
HCW	NAF=6022.128 - 1271.722pH + 27.970Alk + 1971.706Uw - 5.708EC + 878.043TN	346.80	0.88	pH, Wtr, EC	319.44	0.91
CHW	NAF=274.1 + 99.82Alk - 896.74DO + 868.55TOC	847.39	0.88	pH, Wtr, Uw, Wtr, DO, Turb, TN	864.07	0.87

4. Conclusions

본 연구는 낙동강 중하류에 위치한 강정고령보, 달성보, 합 천창녕보, 창녕함안보의 상류 구간을 대상으로 CO₂ NAF를 산정하고, 수질자료 및 기상자료들을 이용하여 다양한 데이 터마이닝 기법으로 하천에서 CO₂ NAF 예측에 중요한 변수 를 평가하고 각 보별 NAF 예측 모델을 개발하였다. 연구결 과를 통해 도출된 주요 결론은 다음과 같다.

낙동강 4개 보에서 CO₂ NAF를 산정한 결과, 모든 보의 상류 하천은 대부분의 기간에 CO₂를 대기 중으로 배출 하는 종속영양시스템으로 나타났고, 조류의 광합성이 활발한 일부 시기에는 CO₂를 흡수하는 경향을 보였다. CO₂ NAF 중위값은 합천창녕보에서 최소 391.5, 달성보 에서 최대 1,472.7 mg-CO₂/m² day였다. 이는 ^{Louis et al. (2000)}이 중위도 지방에 위치한 온대 저수지들에서 측정한 평균 CO₂ NAF 값인 1,400 mg-CO₂/m² day와 유 사한 수준에 해당한다.
모든 보에서 NAF는 pH와 강한 음의 상관관계를 보였 으며, pCO₂와 Chl-a도 음의 상관관계를 보였다. 이는 조류의 과잉성장이 수중의 CO₂를 소모하여 pH가 증가 한 것이 원인이다. 하천에 보와 댐을 설치할 경우, 흐름 이 정체되고 체류시간이 증가하여 조류의 1차생산량이 증가하는 현상은 대기 중으로 CO₂ 배출량을 억제하는 효과가 있는 것으로 해석될 수 있어 매우 흥미로운 결 과이다. 그러나, 밤 시간 동안에는 조류가 호흡을 하므 로 수중의 pCO₂ 분압과 NAF에 변화가 있을 수 있으므 로 년 단위의 CO₂ NAF를 판단하기 위해서는 추가적인 실험이 필요하다.
PCA 분석 결과, 모든 보에서 NAF는 pCO₂와 높은 공분 산을 보였고, pH와는 반대 방향으로 군집하는 특성을 보여 pH가 낮은 환경에서 NAF가 높은 것을 설명하였 다. 또한 모든 보에서 Chl-a는 NAF와 반대 방향으로 군 집되는 경향을 보여 조류가 과잉성장할 때 NAF가 감소 하는 동일한 결과를 보였다.
본 연구를 통해 개발된 Parsimonious SMLR과 RF 모델 의 예측 성능은 모든 보에서 Adj.R² 값이 0.77 이상의 높은 값을 보여, pCO₂ 측정자료가 없는 경우에도 손쉽 게 수집할 수 있는 물리적 변수와 수질측정망 자료를 이용하여 CO₂ NAF를 예측할 수 있는 방법으로 활용가 능하다.
Parsimonious RF 모델을 기준으로 CO₂ NAF 예측에 가 장 중요한 변수는 강정고령보는 pH, SS, Wtr, DO, EC, Uw, 달성보는 pH, Uw, EC, TN, Turb, TP, 합천창녕보 는 pH, Wtr, EC, 창녕함안보는 pH, Wtr, Uw, Wtr, DO, Turb, TN이 포함되었다. 모든 보에서 가장 중요한 변수 는 pH로 선정되었다.

Acknowledgement

본 연구는 대한민국 교육부와 한국연구재단의 개인기초연구지 원사업의 지원(한국연구재단-2016-R1D1A3B03-2016131042) 과 환경부/한국환경산업기술원의 지원(과제번호 83085)으로 수 행되었습니다.

References

Abril G., Bouillon S., Darchambeau F., Teodoru C. R., Marwick T. R., Tamooh F., Ochieng O. F., Geeraert N., Deirmendjian L., Polsenaere P., Borges A. V., 2015, Technical Note : Large overstimation of pCO2 calculated from pH and alkalinity in acidic, organic-rich freshwaters, Biogeosciences, Vol. 12, pp. 67-78

American Public Health Association, American Water Works Association and Water Environment Federation (APHA, AWWA, WEF), 2005, Standard methods for the examination of water and wastewater, American Public Health Association, American Water Works Association and Water Environment Federation

Bae K. T, Kim C. J, 2016, An agricultural estimat price model of artificial neural network by optimizing hidden layer, Journal of Korea Institute of Information Tecjnology, Vol. 14, No. 12, pp. 161-169

Battin T. J, Luyssaert S, Kaplan L. A, Aufdenkampe A. K, Richter A, Tranvik L. J, 2009, The boundless carbon cycle, Nature geoscience, Vol. 2, pp. 598-600

Box G. E. P, Cox D. R, 1964, An analysis of transformaions, Journal of the Oyal statistical Society, Series B (Methodological), Vol. 26, No. 2, pp. 211-252

Breiman L, Cutler A, 2015, http://www.stat.berkeley.edu/~breiman/RandomForests (accessed Dec. 2018), Breiman and Cutler's random forests for classification and regression

Butman D, Raymond P. A, 2011, Supplementary information for : Significant efflux of carbon dioxide from streams and rivers in the United States, Nature Geoscience, Vol. 4, No. 12, pp. 839-842

Choi K. S, Kim B. C, Kim H. B, Sa S. H, 2000, Realationships between organic carbon and CODMn in a deep reservoir, lake Soyang, Korea, Korean Journal of Limnology, Vol. 33, No. 4, pp. 328-335

Chung S. W, Lee H. S, Jung Y. R, 2008, The effect of hydrodynamic flow regimes on the algal bloomin a monomictic reservoir, Water Science & Technology, Vol. 58, No. 6, pp. 1291-1298

Chung S. W, Park H. S, Yoo J. S, 2018, Variability of pCO2 in surface waters and development of predition model, Science of The Total Environment, pp. 622-623

Chung S. W, Park H. S, Yoo J. S, Schladow S. G, 2016, Estimation of CO2 emission from a eutrophic reservoir in temperate region, [Korean Literature], Journal of Korean Society on Water Environment, Vol. 32, No. 5, pp. 433-441

Cole J. J, Caraco N. F, 1998, Atmospheric exchange of carbon dioxide in a low-wind oligotrophic lake measured by the addition of SF6, Limnology and Oceanography, pp. 647-656

Cole J. J, Caraco N. F, Kling G. W, Kratz T. K, 1994, Carbon dioxide supersaturation in the surface waters of lakes, Science, Vol. 265, No. 5178, pp. 1568-1570

Cole J. J, Prairie Y. T, 2009, Dissolved CO2, Encyclopedia of Inland Water, Vol. 2, pp. 30-34

Cole J. J, Prairie Y. T, Caraco N. F, McDowell W. H, Tranvik L. J, Striegl R. G, Duarte C. M, Kortelainen P, Downing J. A, Middelburg J. J, Melack J, 2007, Plumbing the global carbon cycle: Intergrating inland waters into the terrestrial carbon budget, Ecosystem, Vol. 10, pp. 171-184

Dos Santos M. A, Rosa L. P, Sikar B, Sikar E, dos Santos E. O, 2006, Gross greenhouse gas fluxes from hydro-power reservoir compared to thermos-power plants, Energy Policy, Vol. 34, pp. 481-488

Einsele G, Yan J, Hinderer M, 2001, Atmospheric carbon burial in modern lake basins and its significance for the global carbon budget, Global and Planetary Change, Vol. 30, pp. 167-195

Fox J, Weisberg S, Price B, Adler D, Bates D, Baud-Bovy G, Bolker B, Ellison S, Firth D, Friendly M, Gorjanc G, Graves S, Heiberger R, Laboissiere R, Maechler M, Monette G, Murdoch D, Nilson H, Ogle D, Ripley B, Venables W, Walker S, Winsemius D. and R-Core, 2019, https://socialsciences.mcmaster.ca/jfox/Books/Companion/index.html (accessed May. 2019), Companion to Applied Regression

Guerin F, Abril G, Richard S, Burban B, Reynouard C, Seyler P, Delmas R, 2006, Methane and carbon dioxide emissions from tropical reservoir: significance of downstream rivers, Geophysical Research Letters, Vol. 33, pp. L21407

Hanson P. C, Pace M. L, Carpenter S. R, Cole J. J, Stanley E. H, 2015, Integrating landscape carbon cycling: research needs for resolving organic carbon budgets of lakes, Ecosystems, Vol. 18, pp. 363-375

Hebbali A, 2018, https://olsrr.rsquaredacademy.com (accessed Nov. 2018), Tools for building OLS regression models

Hope D, Kratz T. K, Riera J. L, 1996, Relationship between P-CO2 and dissolved organic carbon in northern Wisconsin lakes, Journal of Environmental Quality, Vol. 25, pp. 1442-1445

Intergovernmental Panel on Climate Change (IPCC), 2013, Climate change 2013: The physical science basis, Working group 1 contribution to the fifth assessment report of the intergovernmental panel on climate change

Jin H. J, Yoon T. K, Begum M. S, Lee E. J, Oh N. H, Kang N. G, Park J. H, 2018, Longitudinal discontinuities in riverine greenhouse gas dynamics generated by dams and urban wastewater, Biogeoscience, Vol. 15, pp. 6349-6369

Jung S. J, Lee D. J, Hwang K. S, Lee K. H, Choi K. C, Im S. S, Lee Y. H, Lee J. Y, Lim B. J, 2012, Evaluation of pollutant characteristics in yeongsan river using multivariate analysis, [Korean Literature], The Korean Society of Limnology, Vol. 45, No. 4, pp. 368-377

Korea Meteorological Administration (KMA), 2017-2018, https://data.kma.go.kr/ (accessed Dec. 2018), Korea Meteorological Administration (KMA)

Kortelainen P, Rantakari M, Huttunen J, Mattson T, ALM J, Juutinen S, Larmola T, Silvola J, Martikainene P, 2006, Sediment respiration and lake trophic state are important predictors of large CO2 evasion from small boreal lakes, Global Change Biology, Vol. 12, pp. 1554-1567

Kuhn M, 2011, https://cran.r-project.org/package=caret (accessed Apr. 2019), The caret package

K-water, 2018a, [Korean Literature], Analysis on the mechanism of algal bloom and seasonal succession, K-water

K-water, 2018b, http://water.or.kr/index.do/ (accessed Dec. 2018), Water information portal (My water)

Lewis E, Wallace D, 1998, Program developed for CO2 system calculations, Department of applied science brookhaven national laboratory upton

Li S, Lu X. X, Bush R. T, 2013, CO2 partial pressure and CO2 emission in the Lower Mekong River, Journal of Hydrology, Vol. 504, No. 11, pp. 40-56

Li S, Lu X. X, He M, Zhou Y, Li L, Ziegler A. D, 2012, Daily CO2 partial pressure and CO2 outgassing in the upper Yangtze River basin: A case study of the Longchuan River, China, Journal of Hydrology, pp. 466-467

Liaw A, Wiener M, 2002, Classification and regression by random Forest, R News, Vol. 2, pp. 18-22

Ministry of Environment (ME), 2017-2018, http://water.nier.go.kr/ (accessed Dec. 2018), Water Environment Information System (WEIS)

Pacheco F. S, Roland F, Downing J. A, 2013, Eutrophication reverses whole-lake carbon budgets, Inland Waters, Vol. 4, pp. 41-48

Park H. S, Chung S. W, 2018, pCO2 dynamics of stratified reservoir in temperate zone and CO2 pluse emissions during turnover events, Water, Vol. 10, pp. 1347

Qu B, Aho K. S, Li C, Kang S, Sillanpaa M, Yan F, Raymond P. A, 2017, Greenhouse gases emissions in rivers of the Tibetan plateau, Scientific Reports, Vol. 7, No. 1, pp. 16573

Rajaretnam T, 2016, Statistics for social sciences, Sage publications

Raymond P. A, Hartmann J, Lauerwald R, Sobek S, McDonald C, Hoover M, Butman D, Striegl R, Mayorga E, Humborg C, Kortelainen P, Durr H, Meybeck M, Ciais P, Guth P, 2013, Global carbon dioxide emissions from inland waters, Nature, Vol. 503, pp. 355-359

Raymond P. A, Zappa C. J, Butman D, Bott T. L, Potter J, Mlholland P, Laursen A. E, McDowell W. H, Newbold D, 2012, Scaling the gas transfer velocity and hydraulic geometry in streams and samll rivers, Limnology and Oceanography, Vol. 2, pp. 41-53

Richey J. E, Melack J. M, Aufdenkampe A. K, Ballester V. M, Hess L. L, 2002, Outgassing from Amazonian rivers and wetlands as a large tropical source of atmospheric CO2, Nature, Vol. 416, pp. 617-620

Seo D. I, 1998, Stratification Characteristics and Water Quality Management Strategies of Daechung Lake, [Korean Literature], Journal of Korean Society of Environmental Engineers, Vol. 20, No. 9, pp. 1219-1234

Stallard R. F, 1998, Terrestrial sedimentation and the carbon cycle: Coupling weathering and erosion to carbon burial, Global biogeochemical cycle, Vol. 12, No. 2, pp. 231-257

Sobek S, Algesten G, Bergstrom A, Jansson M, 2003, The catchment and climate regulation of pCO2 in boreal lakes, Global Change Biology, Vol. 9, pp. 630-641

Soltani N, Khodaei K, Alnajar N, Shahsavari A, Ashja A. A, 2012, Cyanobacterial community patterns as water quality bioindicators, Iranian Journal of Fisheries Science, Vol. 11, No. 4, pp. 876-891

St Louis V. L, Kelly C. A, Duchemin E, Rudd J. W. M, Rosenberg D. M, 2000, Reservoir surfaces as sources of greenhouse gases to the atmosphere: A global estimate, Bioscience, Vol. 50, No. 9, pp. 766-775

Tadonléké R. D, Marty J, Planas D, 2012, Assessing factors underlying variation of CO2 emissions in boreal lakes vs. reservoirs, FEMS Microbiology Ecology, Vol. 79, pp. 282-297

Teodoru C. R, Del Giorgio P. A, Prairie Y. T, Camire M, 2009, Patterns in pCO2 in boreal streams and rivers of northern Quebec, Canada, Global Biogeochem Cycles, Vol. 23

Tranvik L. J, Downing J. A, Cotner J. B, Loiselle S. A, Striegl R. G, Ballatore T. J, Dillon P, Finlay K, Fortino K, Knoll L. B, Kortelainene P. L, Kustser T, Larsen S, Laurion I, Leech D. M, McCallister S. L, McKnight D. M, Melack J. M, Overholt E, Porter J. A, Prairie Y, Renwick W. H, Roland F, Sherman B. S, Schindler D. W, Sobek S, Tremblay A, Vanni M. J, Verschoor A. M, Wachenfeldt E, Weyhenmeyer G. A, 2009, Lakes and reservoirs as regulators of carbon cycling and climate, Limnology and Oceanography, Vol. 54, No. 6, pp. 2298-2314

UN Educational, Scientific and Cultural Organization /International Hydropower Association (UNESCO/IHA), 2010, GHG measurement guidelines for freshwater reservoirs, The nternational hydropower association

Wanninkhof R, 1992, Relationship between wind speed and gas exchange over the ocean revisited, Limnology and Oceanography: Methods, Vol. 12, pp. 351-362

Wetzel R. G, 2001, Lake and River Ecosystems, Limnology, Academic Press

Weyhenmeyer G. A, Kosten S, Wallin M. B, Tranvik L. J, Jeppesen E, Roland F, 2015, Significant fraction of CO2 emissions from boreal lakes derived from hydrologic inorganic carbon inputs, Nature Geoscience, Vol. 8, pp. 933-936

Winslow L, Read J, Woolway R, Brentrup J, Leach T, Zwart J, Albers S, Collinge D, 2018, https://github.com/GLEON/rLakeAnalyzer/issues (accessed Mar. 2018), Lake Physics Tools

Yu S. J, Hwang J. Y, Yoon Y. S, Han E. J, 1999, Index of Organic Matter in Stream and Lake, [Korean Literature], Journal of Enviornmental Impact Assessment, Vol. 8, No. 1, pp. 81-92

Yoon T. K, Jin H. J, Begum M. S, Kang N. G, Park J. H, 2017, CO2 Outgassing from an Urbanized River System Fueled by Wastewater Treatment Plant Effluents, Environmental Science & Technology, Vol. 51, pp. 10459-10467

뒤로가기

No part of this publication may be reproduced or distributed in any form or any means, or stored in a data base or retrieval system, without the prior permission of the publisher ( www.kswe.org ).

JKSWE The Journal ofthe Korean Society on Water Environment