2.1. 대상 자료 선정

본 연구는 한강 유역을 대상으로 하였으며 한강은 총 면적 은 약 31,648 km², 하천 연장은 약 917 km의 국가하천, 약 7,662 km의 지방하천으로 이루어져있다(^{MOLIT, 2014}). 또 한 국가 하천 19개소와 지방하천 895개소로 분류할 수 있으 며 한강 수계 하천의 개소수는 총 914개이다.

한강수계의 2016년 ~ 2018년 3년간 축적된 데이터의 생물 측정망 조사지점은 총 907개이며, 본 연구에서 활용된 자료 는 전체 데이터 중 ‘지류’로 구분되어있는 157개 지점이다. 10개 지점(섬강A, 섬강B, 경안A, 경안B, 북한D, 한강F, 양화 A, 청미A, 복하A, 홍천A)은 2009년 ~ 2017년, 10년간 축적 된 자료를 활용하였고, 나머지 지점은 2016년~ 2018년 3년 간 축적된 자료를 바탕으로 이루어져 있다. 축적된 데이터는 총 1312개이다(Fig. 1).

Fig. 1. Status of the ecological monitoring network in Han River.

각 지점의 수리·수질적 하천환경요소는 향후 머신러닝 학습 결과와 연계하여 미래의 BMI를 예측할 수 있어야 한 다. 즉, 모형을 통해 분석의 대상이 되는 속성항목은 모형으 로부터 도출된 결과와 상관성이 있어야하고 예측 가능한 항 목이어야 하며 BMI와 상관분석이 이루어져야 한다. 따라서 본 연구에서는 생물측정망 조사자료로부터 연관성이 있는 항목들과 BMI를 추출하여 자료를 구축하였으며 정확도 향 상을 위해 하천환경요소의 조사결과가 누락되거나 측정 불 가능한 항목은 모두 제거하였다.

2.2. 하천환경요소 데이터 선정 기준

각 인자와 BMI간 연관성을 파악하기 위한 피어슨 상관계 수 산정에 앞서 생물측정망 지점 데이터의 각 속성마다 우선 순위를 부여하였다.

1순위 대상으로 수계 내 모든 생물에 영향을 줄 수 있고 모형을 통한 예측결과를 직접적으로 활용할 수 있는 인자를 고려하였다. 이 중 하천의 물리적인 측면인 규모와 하안 부 지 등을 결정할 수 있는 인자로서 수폭과 평균수심을 선정하 였다. 또한 하천 유량과 하상의 고도지형에 큰 영향을 줄 수 있는 요소로 판단되는 평균 유속을 1순위 항목으로 선정하 였다.

이화학적 수질요소로서 수온과 용존산소(DO)는 모든 생물 군이 직접적 영향을 받으며 BOD는 분해 가능한 유기물의 지표로서 DO를 고갈시킨다는 부분에서 주요 인자로 판단하 였다. NH₃-N 및 PO₄-P는 하천 내 수생식물 및 조류가 다른 형태의 영양물질에 비해 우선적으로 흡수할 수 있는 물질로 독립영양생물의 생장과 상위영양단계의 생물에 영향을 미칠 수 있다는 점에서 1순위 항목으로 선정하였다.

2순위 대상으로는 수질관리항목인 T-N, T-P 항목과 pH를 선정하였다. 이는 태별 영양물질에 비해 더욱 취득이 용이하 며, 향후 예측결과와 직간접적으로 연계할 수 있는 항목이라 는 점에서 2순위 항목으로 선정하였다.

3순위 대상으로 예측결과와 직접적으로 연계할 수는 없으나 환산식 혹은 수질항목간 회귀분석을 통해 간접적으로 활용할 수 있고 하천 환경을 추정하는데 활용할 수 있거나 생물에게 직간접적 영향을 미칠 수 있는 항목으로 선정하였다(Table 1).

2.3. 저서성 대형 무척추 동물 지수(Benthic Macroinvertebrate Index)

저서동물은 수서곤충, 조개류, 갑각류, 거머리 등의 하천바 닥에 서식하는 무척추동물을 말하며 생태적 중요성과 환경 지표성이 크다. 저서동물지수는 수생태 환경 평가에 가장 폭 넓게 활용되며 저서동물지수(BMI지수)는 A-E등급, 5개 등급 으로 나눌 수 있고 해당 과정을 다음과 같이 산정할 수 있다 (Table 2).

s_i 는 단위오탁지수, h_i 는 출현도, g_i 는 지표가중치로서 해 당 계산식에 따라 지수를 산정하여 점수에 따라 5개의 등급 으로 분류 된다.

2.4. 환경인자와 생물지표 간 피어슨 상관관계 분석

수생태 건강성 지표 중 상관성이 높은 항목을 도출하기 위 해 통계분석인 피어슨 상관관계 분석을 활용하였다. 수생태 측정망 자료와 수리·수문·수질 자료를 입력 자료로서 총 14개의 항목(수온, 용존산소, pH, 전기전도도, BOD, NH₃-N, T-N, PO₄-P, T-P, 수폭, 수심, 유속, BMI값)을 입력하였고, 각각의 상관계수를 도출하였다. 피어슨 상관계수는 종속변수 와 독립변수간 상관성을 파악하기 위해 널리 사용되는 방법 이다. 그 값은 ±1 사이로 나타나며 ±0.5 수준 혹은 그 이상 의 값이 나타나는 경우 높은 상관성을 나타낸다고 판단할 수 있다. ±0.2 ~ 0.5 수준일 경우 상관성이 없다고 할 수는 없지 만 모호한 수준으로 판단할 수 있다. 한편, 이러한 피어슨 상 관계수는 두 변수의 상관관계가 서로 선형(1차 함수)으로 표 현 가능할 때는 유용하다. 이를 통해 단일 인자와 수생태 지 수간 상관관계를 분석을 실시하였다.

2.5. CFS 기법을 통한 주요 속성집합 탐색

선형관계에서 적용되는 피어슨 상관계수를 통해 단일 인자 와 BMI 사이의 상관분석을 통한 예측 결과를 통해 BMI와 단일인자 사이의 상관성을 판단하는데 한계가 있다고 판단 하였으며 비선형 다중 회귀식을 통한 분석의 필요성을 파악 하였다. 다중 인자의 분석에 앞서 수식의 특정 형태를 예측 할 수 없다는 점에서 통계적 범주를 벗어나 머신러닝을 도입 할 필요가 있을 것으로 판단하였다.

예측에 활용될 주요 인자집합을 찾기 위해 CFS 기법을 적 용하였다. CFS 기법은 여러 가지 후보 인자 중 상관성을 기 반으로 예측모델에 사용될 대표적인 속성들을 추출하기 위 한 머신러닝 기법의 하나다. CFS기법은 Best-first 방법 즉, 추정해야 할 결과와 상관성이 크면서, 동시에 다른 속성들과 의 상관성은 낮은 속성을 탐색하는 방법이다(^{Lee, 2012}). 불 필요한 변수 집합을 축소하여 속도를 향상시키며 연관성 있 는 속성만을 선택적으로 추출한다는 점에서 큰 이점을 갖는 다(^{Hall, 1999}). 앞서 시도한 피어슨 상관계수 분석과 비교하 여 추후 연구에서 활용하기 위해 동일 프로그램(Weka)을 통 해 변수로 작용하는 인자를 탐색하였으며 CFS기법이 사용되 었다. 이를 통해 10개의 인자를 도출하였다(Fig. 2).

Fig. 2. The machine learning software ‘weka’ start screen.

2.6. 랜덤포레스트 모델 적용

^{Breiman (2001)}이 고안한 랜덤포레스트 모델은 데이터를 분류하는 기법으로서 의사 결정 나무(decision tree)에 기반한 다. 학습 과정에서 구성한 여러 개의 의사 결정 트리들로부 터 분류 또는 평균 예측값(회귀분석)을 출력함으로써 동작하 는 알고리즘으로, 학습 단계에서 여러 개의 의사결정트리를 구성하고, 결과를 분류하거나 평균을 예측하는 과정을 거치 게 된다(^{Choi and Seo, 1999}). 의사결정트리는 구축된 데이 터의 특성과 얻고자하는 결과를 반영하여 분리 기준(split criterion)과 정지 규칙(stopping rule)으로 규칙을 정하여 최 종적인 의사결정 트리를 얻게 된다. 해당 모델이 결과값을 도출하는 과정은 다음과 같다(^{Lee and Chung, 2019})(Fig. 3).

Fig. 3. The random forest structure.

이 기법은 가지치기(pruning)를 통해 오류 야기할 수 있는 데이터의 가지를 제거하고, 교차 타당성 오류(cross validation error)를 확인하여 최종적으로 교차 타당성 오류를 최소화하고 반응변수와 설명변수를 가장 잘 연결하는 트리를 구축하게 된 다(^{Kim and Park, 2019}).

본 연구에서 생물측정망에서 축적된 조사자료는 머신러닝 학습에 활용되었기 때문에 개발된 BMI 예측 모델의 재현성 검토를 위한 별도의 검증용 데이터 확보가 어려운 상황이므 로 머신러닝 학습에 활용된 동일한 데이터를 이용하였다. 축 적된 데이터를 활용하여 회귀분석을 실시하였으며 이를 통 해 도출한 예측 모델을 기반으로 2017년 1개년의 하천환경 요소를 통한 BMI를 예측하였고 실측값과 비교하였다.

2.7. 예측모델 검증

예측 모델 검증을 위해 결정계수(R²), Root Mean Square Error(RMSE)와 %Difference(%diff.), Nash-Sutcliffe 계수 (NSE)를 활용하였다.

R²는 0 ~ 1사이의 값을 가지며, 종속변인과 독립변인의 상관 관계가 높을수록 1에 가까워진다. 결정계수가 1에 가까운 값을 가지는 회귀모형은 유용성이 높고, 결정계수의 값이 0에 가까 울수록 낮다고 할 수 있으며 R²의 산정식은 다음과 같으며, 값에 따른 등급은 다음(^{Donigian, 2000})과 같다(Table 3).

%diff.와 RMSE를 활용하여 예측모델을 통한 BMI와 실제 측정된 BMI간의 분포를 비교하였다.%diff.는 실측값과 모델 예측값의 적합도를 평가하는 지표이며 해당 식은 다음(2)식 과 같다. 이를 통해 도출된 결과값은(^{Donigian, 2000})에서 제 시한 분류 등급을 통해 산출 하였다(Table 3).

RMSE값은 모의결과를 통해 산출된 BMI와 실제 BMI의 평균 오차로 모델의 정밀도를 나타내며 산정하는 식은 다음 식(3)과 같다.

NSE는 수문학 모델의 정확성을 검증하는데 주로 사용되는 값으로서 다음 식(4)과 같다(^{Nash and Sutcliffe, 1970}).

NSE는 O_i 는 측정값, O_i 는 측정값의 평균, P_i 가 모델값 이다. NSE는 선형 회귀분석의 결정계수(R²)와 같은 개념이 며, -∞ ~ 1 범위의 값을 가진다. 해당 값이 1이면 측정값 과 모델 값의 완전한 일치를, 작을수록 측정값과 모델값이 덜 일치함을 의미한다(^{Kim et al., 2014}). NSE의 값에 따른 등급은(^{Moriasi et al., 2007})에서 다음과 같이 제시하였다 (Table 4).