5.1 모델 불확실성(Uncertainty)의 정량화

모든 수질모델링 과정은 물환경시스템의 내재적인 확률성 이외에도 실제의 간략화 과정에서 포함되는 모델의 구조적 불확실성(uncertainty)과 매개변수 및 입력자료의 불확실성을 갖고 있다(^{Knutti, 2008}). 모델의 구조적 불확실성은 모델의 이론, 지배방정식, 수치해석 기법 등에서 기원하며, 매개변수의 불확실성은 경험적 매개변수의 선정과정에서 발생하고, 입력자료의 불확실성은 측정 오차, 부족한 초기 및 경계조건 자료 (기상, 수문, 수리, 오염부하량 등)에서 발생한다. 모델의 복잡도는 모의결과의 불확실성 크기에 영향을 준다 (Fig. 3). 모델은 너무 단순하거나 너무 복잡할 경우 불확실성을 더 크게 내포하는 특성이 있다 (^{U. S. EPA, 2009}). 특히 국내에서 최근 활용도가 높아지고 있는 3차원 수리-수질-생태 모델의 경우, 모델의 구조적 복잡도가 증가함에 따라 입력자료에 대한 투자 없이 모델을 적용할 경우 모의결과의 불확실성은 더욱 커졌다고 볼 수 있다. 따라서 수질모델이 물환경 관리 정책에 활용될 경우에는, 의사결정자가 모델 결과를 올바르게 해석하고 합리적 결론을 도출 할 수 있도록 모델 결과의 예상 값과 함께 모델 불확실성 추정치를 제공하는 것이 필요하다. 특히 새만금 사업, 4대강 사업 등과 같은 대형 국책사업의 수질평가에 수질모델이 활용될 경우, 모델 불확실성의 정량화는 정보에 입각한 결정을 내리는데 매우 유용하다. 모델의 불확실성 정보는 의사결정자가 다양한 관리 대안의 예상 효과에 대한 현실적인 기대치를 설정하고 리스크를 고려하는데 도움을 준다. 그리고 예측의 불확실성에 대해 보다 투명해지면, 수질모델에 대한 신뢰도가 높아질 수 있다.

Fig. 3. Relationship between the complexity of water quality model and model structural uncertainty, input data uncertainty, and total uncertainty (U. S. EPA, 2009).

수질모델 불확실성에 대한 정보는 의사결정에 매우 중요하지만, 다차원 수체모델의 불확실성을 정량화하는 것은 매우 어려운 문제에 해당한다. 모델의 불확실성은 일반적으로 모델의 오차항을 포함하거나 모델 입력변수와 매개변수가 모의결과에 미치는 영향에 대한 불확실성 추정치를 산정하여 확률분포로 제시할 수 있다. 비선형 모델의 경우, Monte Carlo 모의가 표준화된 방법에 해당한다. 그러나, 이 방법은 3차원 모델과 같이 모의 수행 시간이 긴 경우 계산량이 많아진다는 어려움이 있다. 수질모델의 매개변수 불확실성을 분석하는 방법에는 Regionalized (General) Sensitivity Analysis, Generalized Likelihood Uncertainty Estimation, Bayesian Monte Carlo, Importance Sampling, Markov Chain Monte Carlo (MCMC) 등이 있으며 구체적인 내용은 ^{Stow et al. (2007)}을 참고할 수 있다. 국내에서는 ^{Cho et al. (2016)}이 3차원 EFDC 모델에 MCMC 기법을 적용하여 중금속과 유사의 모의에서의 매개변수 민감도와 모델의 불확실도를 정량화한 연구 사례가 있다.

그 동안 데이터로부터 매개변수와 그 불확실성을 추론하는 다양한 방법들이 개발되었다. 역모델링 (inverse modeling)은 모델의 매개변수와 그 불확실성에 대한 사전 지식이 없지만 모델 보정을 위한 데이터가 충분한 경우 적용되며, 매개변수들은 최우도 추정과 같은 빈도주의 통계를 사용하여 추론 가능하다. 그러나 이 방법은 모든 매개변수가 데이터로부터 식별 가능한 경우에만 유효하다. 일부 매개변수는 모델에 대한 민감도가 부족하거나 매개변수 간의 상관관계로 인해(즉, 매개변수 값의 여러 조합이 동일한 모델 출력으로 이어지는 경우) 식별하기 어려울 수 있다. 반면, 매개변수 값에 대한 사전지식이 있는 경우 (예로써 이전 모델 응용사례, 실험 또는 이론)와 보정 데이터가 존재하는 경우에는 베이지안 추론(Bayesian Inference)을 적용할 수 있다. 이 방법은 새로운 데이터를 사용할 수 있을 때 지속적으로 매개변수의 확률분포 정보를 업데이트 할 수 있다. 그러나 베이지안 추론은 훨씬 더 많은 수의 모델 실행이 필요하기 때문에 불확실성의 단순한 정량화보다 더 많은 계산량이 요구된다. 컴퓨터 성능의 개선과 Approximate Bayesian Computation과 같은 보다 효율적인 알고리즘의 개발은 과거에 계산적으로 비용이 큰 추론문제를 해결하는 방안이 될 수 있다. 복잡한 수질모델의 모의 속도를 개선하기 위한 기술로써 emulators의 개발은 계산시간 소요가 큰 모델에 대한 불확실성의 정량화를 촉진할 수 있는 대안이 된다. ^{Del Giudice et al. (2019)}은 멕시코의 북부 Gulf만에서 빈산소(hypoxia) 영역의 모의를 위해 간단한 역학적 수질모델에 Bayesian 추론 기법을 적용하여 영양염류 부하량과 기후변화에 따른 영향을 모의하고 모델의 불확도를 정량적으로 제시한 바 있다.

종종 모델의 구조적 불확실성은 수질모델의 총 불확실성에 크게 기여하지만, 이 측면은 수질모델링 관행에서 여전히 과소평가되고 있다. 최근 연구에서는 시나리오 분석에서 모델의 구조적 불확실성을 고려하기 위해 다중 모델 앙상블 기법을 적용하기도 한다. 다중 모델 앙상블 기법은 모델의 구조적 불확실성을 고려하는 유망한 방법이지만 여러 가지 제약이 있다. 가장 현실적 문제는 여러 모델을 동시에 구축하고 실행하는 것이다. 그리고 모든 모델이 적절히 보정되었는지에 대한 확인도 중요하다. 모델의 구조적 불확실성을 근본적으로 해결하기 위해서는 모델에 사용되는 물리, 화학, 생물학적 이론에 대한 지속적인 기초연구가 뒷받침 되어야 가능하다.

5.2 IoT 센서 기술 기반 고빈도 및 고해상도 자료 취득 및 활용

앞 절에서 언급한 바와 같이 모델에 사용한 입력자료의 정확도(accuracy)와 정밀도(precision)는 모델 결과의 불확실성을 유발하는 주요한 원인이 된다 (^{U. S. EPA, 2009}). 모델러는 항상 샘플링과 분석과정의 품질이 검증된 가장 적합한 자료를 모델 입력자료로 사용하여야 한다. 수질모델링에서 자료의 중요성은 아무리 강조해도 지나치지 않으며, 충분하지 않은 경계조건의 유량과 수질자료는 모델의 오차를 일으키는 중요한 요인이 된다. 또한 모델의 보정과 검정 과정에서도 시공간적으로 충분한 실측자료가 필요하다. 수질모델 결과의 오차와 불확실성을 줄이기 위해서는 시공간적으로 고해상도의 정도 높은 모니터링 시스템이 필요하다.

수질관리 측면에서 모니터링 기술은 오염원별 배출부하 특성과 부하량 평가, 점오염원 배출수의 법적 수질기준 준수 여부에 대한 확인, 유해물질 누출 등 수질오염 사고에 대한 조기 감지, 하천과 저수지 등 수체의 수질 오염도 평가, 수질관리 정책의 성과 평가, 수질 예측 모델의 입력자료 제공 등 매우 중요한 기술 영역에 해당한다. 환경부는 환경정책기본법 제15조(환경오염의 조사⋅평가 등)와 수질 및 수생태계 보전에 관한 법률 제9조(상시측정 및 수질⋅수생태계조사), 제21조(수질오염경보제)에 근거하여 수질측정망을 운영하고 있다. 수질 측정망의 운영 목적은 하천 및 호소 등 공공수역 수질현황 파악, 물환경정책수립의 기초자료로 활용, 오염총량관리 지역 이행평가, 공공수역 수질오염도 실시간 감시 및 오염사고 신속대응에 있다. 전국 1,919개소 하천지점을 대상으로 이화학적 수질항목 중심으로 월 1회 주기로 현장 측정을 수행하고 있으며, 2004년 이후에는 오염총량관리를 위해 단위유역 말단(141개소)에서 8일 주기로 유량과 수질도 병행 측정 중이다. 그러나 오프라인 측정망 자료는 실험분석과 자료제공에 많은 시간이 소요되고 수질모델링에 필요한 충분한 해상도의 유량과 수질정보를 제공하는데 한계가 있다.

그 동안 물관리의 이원화로 인해 수량과 수질 측정망이 분리되어 수질과 유량자료를 동시에 확보하는데도 어려움이 많았다. 수질모델의 불확도를 줄이기 위해서는 본류와 지류의 주요지점에 IoT 기반 수량과 수질 측정 센서 고도화, 탁수 모니터링 기술 고도화, 수질과 녹조 모니터링 기술 고도화가 필요하다. IoT 기술은 실시간 수질 모니터링뿐만 아니라, 고빈도(high-frequency or high-density) 수량, 수질 자료 수집, 실시간 부하량 평가, 수질오염사고 조기 경보와 신속한 대응 등에 활용 될 수 있다. 스마트 수질 모니터링 기술에 요구되는 요소기술은 무선 통신 장치를 장착한 다항목 수질 계측 센서, 계측자료를 안전하게 데이터 저장 클라우드로 전달하기 위한 무선 통신 기술, 데이터 관리 서브시스템 등이다.

탁도는 그 자체로 수처리와 수환경, 수생태 관리를 위한 중요한 수질관리 항목이지만, SS, T-P, 병원균 등과 매우 높은 상관성을 보이므로 다른 수질항목의 모니터링 대위항목(surrogate)으로도 가장 많이 활용된다. 탁도가 높은 물이 하천에 지속하여 흐를 경우, 정수처리 장해, 어류 등 수생태계 피해, 심미적 불쾌감 등을 유발하므로 탁도 관리는 매우 중요하다. K-water에서는 댐 저수지의 탁수발생 모니터링과 예측을 통해 탁수를 관리하고 있으며, 선택취수설비 등을 이용하여 댐 하류 탁수피해를 저감하고 있다. 현재는 실시간 탁도 계측 자료와 실험을 통해 구축한 탁도-SS관계를 이용하여 모델의 입력자료를 구성하고 있으나, 부유입자의 크기별 침강특성과 응집침강의 기작에 대한 규명도 미흡한 실정이다. 이러한 문제점을 해결하기 위해서는 현장에서 직접 부유입자의 농도와 입경분포를 계측할 수 있는 LISST (http:// www.sequoiasci.com/)와 같은 장비를 활용할 필요가 있으며, 실험을 통해 부유입자의 침강속도와 탁도 예측 알고리즘을 개선할 필요가 있다. 탁도를 유발하는 물질의 구성, 입경분포, 침강특성은 탁수 예측의 정확도에 중요한 영향을 미친다.

4대강 보 구간 및 정체 호소에서의 남조류에 의한 수화 발생은 수온 및 강수량과 같은 기상요인, 유속, 체류시간, 난류강도, 수온성층과 같은 물리적 요인, 인과 질소 등 성장 필수 영양염류 농도와 같은 화학적 요인, 그리고 부력조절과 같은 남조류의 생리적 특성 등의 다양한 요인에 의해 결정된다. 따라서 개별 인자의 기여도와 원인해석, 그리고 효과적 제어대책 수립을 위해서는 입체적인 모니터링과 수리-수질-생태 연동 모델링 기술이 필요하다. 유해조류 모니터링기술은 ^{Chang and Dickey (2007)}을 참조할 수 있다. 최근 인공위성, 드론, 무인비행시스템(Unmanned Aerial Vehicles, UAVs)을 활용한 고해상도 다분광 및 초분광영상(Hyper Spectral Imagery, HSI)과 다항목 수질계측 센서를 부착한 자동수중탐사선 (Automated Underwater Vehicles, AUV) 등을 이용하여 하천과 호소 등의 수질과 녹조를 모니터링하는 기술개발이 활발하다. 전자통신연구원(ESRI)에서는 “직독식 수질복합센서 및 초분광영상 기반 시공간 복합 인공지능 녹조예측 기술” 연구(2018-2022)를 수행하고 있다. 이러한 기술은 하천, 호소, 하구에서 발생하는 녹조의 입체적 모니터링을 통해 신속한 현황 파악을 지원할 수 있으며, 수질모델링의 초기조건 및 보정 자료로 활용 가능할 것으로 기대된다 (^{Li et al., 2020}; ^{Vodacek et al., 2008}; ^{Wynne et al., 2011}).

현재 환경부에서 사용하고 있는 현미경을 이용한 남조류 계수 방법은 시간과 비용, 그리고 개인 오차 측면에서 많은 문제점이 대두되고 있다. 남조류가 생산하는 독소를 조기 검출하기 위해 실시간 PCR (Polymerase Chain Reaction), ELISA (Enzyme-Linked ImmunoSorbent Assay), HLPC (High-Pressure Liquid Chromatography) 등이 사용되며, 남조류의 피코시아닌의 형광 특성을 실시간으로 측정하는 기술이 개발되고 있다. 이러한 모니터링 기술을 수질모델의 입력자료 생산에 적극 활용한다면 모델의 성능향상과 불확도를 개선하는데 도움이 될 수 있다.

5.3 모델의 구조적 불확도 개선을 위한 오차의 과학적 원인 해석

수질모델은 보정과 검정 과정에 입력자료의 부족, 매개변수와 모델의 구조적 불확실성으로 인해 실측자료와 오차를 발생하게 된다 (Fig. 4). 일반적으로 수질모델의 예측 성능은 물리적 변수, 화학적 변수, 생물학적 변수로 갈수록 떨어지게 된다 (^{Arhonditsis et al., 2019}). 미국의 Lake Erie에서 수질항목별 수질모델의 상대오차를 평가한 결과, 수온, DO는 0~19%, 총인(TP), 질산성질소(NO₃-N)은 20~39%, 암모니아성질소(NH₄-N), 식물플랑크톤 (Chl-a), 동물플랑크톤은 40~59% 범위였으며, 용존인(DTP)과 남조류에 대해서는 80% 이상의 오차를 보였다. 국내에서도 국립환경과학원과 K-water를 비롯한 많은 연구자들이 하천과 저수지 녹조예측에 역학적 녹조예측 모델 (EFDC, AEM3D, CE-QUAL-W2 등)을 광범위하게 적용하고 있으며, 생물학적 항목에 대한 모델의 오차는 매우 크게 발생되고 있다. 그러나, 이러한 문제점에도 불구하고 수질모델의 오차원인에 대한 정밀한 해석과 모델의 이론적 개선을 위한 연구개발은 매우 미흡한 실정이다.

Fig. 4. Various origins of errors in the water quality model.

Lake Erie에서 수질모델의 예측 오차와 불확실성을 줄이기 위한 방안으로는 퇴적층 내 유기물 분해와 산화와 환원 환경 변화에 따른 퇴적층과 수체의 물질교환 과정 (sediment diagenesis), 생물학적 매개를 통한 영양염류의 내부 생성 (예로써, alkaline phosphatase에 의한 유기인의 무기화), 퇴적물로부터의 인 부하, 성장제한 인자로써 질소의 역할, 동물플랑크톤의 섭식, 용승류(upwelling)에 의한 원근역의 물질 교환에 대한 역학적 이해를 개선하는 것이 중요하다고 분석하였다 (^{Arhonditsis et al., 2019}). 이와 같이 수질모델의 오차에 대한 정밀한 원인분석은 국내 수질모델링 관행에 많은 시사점을 제시한다. 녹조예측과 같은 과학적 난제에 해당하는 영역에 대한 수질모델의 구조적 불확도를 개선하기 위해서는 오차의 원인에 대한 정밀한 분석과 함께 이를 극복하기 위한 기초연구가 지속적으로 병행되어야 한다.

5.4 녹조 예측 기술의 고도화

국내 하천과 저수지 대부분은 중영양 또는 부영양 상태에 있으며, 일부 저수지와 하천 구간에서는 주기적인 녹조현상이 발생되고 있다. 국내외에서 활용되고 있는 부영양화 및 녹조예측 모델은 대부분 유사한 이론적 배경을 갖고 있으며, 모델의 특성은 <Table 1>과 같다. 국내 녹조예측 모델링 기술은 대부분 역학적 모델을 기반으로 하고 있으며, 국립환경과학원은 ㈜지오시스템리서치와 함께 미국의 EFDC 모델을 개량(보 모의 모듈 추가, 조류 다중 종 모의, 남조류 수직이동 기작, 바람 응력 계산 알고리즘 개선 등)하여 새만금 수질개선 대책 평가, 한강, 낙동강 보 개방 효과 평가 등에 광범위하게 활용하고 있다.

그러나, 앞에서 언급한 미국 Lake Erie 호와 같이 수질모델은 물리적, 화학적 항목에 대해서는 높은 예측 성능을 보이고 있으나, 남조류 예측에 있어서는 모델의 구조적 한계와 입력자료의 한계로 오차가 매우 크게 나타나고 있다. K-water도 ELCOM-CAEDYM의 성능을 개선하기 위해 조류 세포수 모의와 병렬처리 기능을 추가하였고, CE-QUAL-W2 모델에 맛, 냄새 물질 모의 기능을 추가하여 활용하고 있으나, 역시 녹조 예측 성능에는 한계가 있다.

수질모델의 녹조 예측 신뢰도를 향상시키기 위한 전략은 입력자료의 불확도 개선과 모델의 이론적 한계를 극복하는 연구로 구분할 수 있다. 모델 입력자료의 불확도는 IoT (Internet of Things)와 BigData 기술을 이용한 고빈도, 고해상도 모니터링 자료의 수집과 활용으로 개선이 가능하다. 녹조 예측 모델의 구조적 불확도를 개선하기 위해서는 퇴적물-수체간 물질교환에 대한 연구, 영양염류의 내부 순환 (예를들면 microbially meidated regeneration), 호기성 및 혐기성 환경 변화에 따른 퇴적층으로부터 인의 용출 플럭스, 질소의 조류 성장 제한 역할, 동물플랑크톤 섭식 관계, 수리-수질-생태 상호작용의 정밀한 해석과 함께 난류 혼합과정에 의한 물질의 전달 과정 등 녹조가 발생할 수 있는 국부적 환경 형성과정에 대한 심층 연구가 중요하다. 특히, 수질모델링에 있어서 선행되는 수리해석 결과는 수체의 수온 성층, 밀도류, 물질의 난류혼합에 영향을 미치며, 국부적 체류시간과 같은 물리적 환경뿐 아니라 영양염류와 광량의 시공간 분포를 결정함로써 조류의 성장과 시공간 분포, 환경변화에 따른 우점종 변화에 결정적 영향을 미치게 된다 (^{Ryu et al., 2020}). 따라서 수리해석의 정확도를 향상시키기 위해서는 수치해석 방법, 수치격자 구조, 난류 모델링의 고도화 등에 대한 연구가 필요하다.

수체에서 조류 성장의 제한 영양염은 대부분 인이며, 모델에서 인의 예측 성능은 조류의 예측결과에 중요한 영향을 미친다. 수질모델에서 인을 모의하는 방법은 매우 단순한 기작에서 복잡한 기작으로 다양하다. 그러나 국내⋅외에서 활용되고 있는 대부분의 수질모델은 인의 모의 기작에 한계가 있다. 일부 모델은 사용자 지침서와 소스코드의 내용이 달라 혼선을 야기하기도 한다. 따라서 부영양해석과 조류 해석의 예측 성능 향상을 위해서는 수체에서의 인의 반응기작에 대한 정밀한 조사와 모델 개발이 필요하다. 최근 중국의 Lake Taihu의 녹조 예측 모델링 연구에서는 용존유기인(DOP)을 광합성과정에 사용 가능한 무기인으로 변환시키는 알칼리성 인산분해 효소인 alkaline phosphatase (AP)의 기능을 수질모델에 추가한 사례도 있다 (^{Ma et al., 2019}). AP는 광합성에 사용되는 무기인(DIP)이 결핍된 환경에서 특정 조류종이 AP를 분비하여 다양한 DOP를 가수분해한다.

댐 저수지와 4대강 보 등에서 퇴적물에 의한 내생부하 영향에 대한 판단은 준설 등 수질관리 정책 수립에 매우 중요한 요소이다. 하천과 호소 바닥에 침강⋅퇴적한 오염물질은 흐름과 난류에 의해 재부상하거나 호기성 분해, 혐기성 상태에서 재용출, 분자확산 등을 통해 수체로 부하될 수 있다. 퇴적물 내에서 오염물질의 반응과 수체와의 교환 과정을 해석하는 것을 수질모델링에서는 Sediment Diagenesis라 표현한다. 국내에서 가장 많이 활용되고 있는 일부 수질모델들(CE-QUAL-W2, EFDC, WASP, ELCOM-CAEDYM 등)은 복잡도의 차이는 있으나 수체-퇴적물 간 물질교환 해석을 하는 기능이 포함되어 있다. 그러나 Sediment Diagenesis는 아직도 이론적, 실험적 연구가 많이 필요한 분야이며, 현재 사용하고 있는 모델에 대한 검증도 부족한 실정이다.

자연계에서 조류의 성장 제한요인에는 수온, 영양염류, 광량 등과 같은 Bottom-up 조절뿐만 아니라 동물플랑크톤, 어류 등에 의한 포식과 같은 생물학적 Top-down 조절 기능도 중요하다. 그러나 그동안 수질, 생태모델에서는 실험 자료의 부족으로 Top-down 조절 항에 대한 고려가 부족하였다. 실제 낙동강 하류에서는 봄철에 규조류의 대량 번식이 물벼룩에 의해 조절되는 현상이 주기적으로 나타나기도 하였으나, 수질모델링에서는 이를 제대로 반영하지 못하였다. 향후 수질, 생태 모델은 단순한 이화학적인 수질항목과 이들 매개변수의 보정에 의한 조류 농도 예측의 차원을 넘어 수생태계의 먹이사슬을 종합적으로 고려한 모델링 기술로 발전해 나갈 것으로 기대된다.

5.5 역학적 모델과 자료기반 모델의 특⋅장점 연계 활용

수질모델은 접근방법 측면에서 프로세스 기반 역학적 모델(process-based mechanistic models)과 자료 기반 통계적 모델(data-driven statistical models)로 구분할 수 있으며, 각각의 모델은 특장점을 가지고 있다 (Fig. 5). 역학적 모델은 수리, 수질, 생태 연동해석이 가능하고 3차원 동적 해석이 가능하여 수질의 시공간적 분포의 예측과 물리적, 화학적, 생물학적 과정의 상호관계 해석 (causality analysis)에 광범위하게 적용되고 있다. 그러나, 역학적 모델은 복잡도가 증가할수록 구조적 불확도와 입력자료의 불확도가 크며, 현재의 지식으로는 남조류 예측에 대한 오차도 매우 큰 한계가 있다. 세계 최고수준의 기술을 보유한 미국에서도 Lake Erie 호에서 적용되고 있는 수질모델은 남조류 예측의 상대오차가 80% 이상이며, 국내 4대강 보 평가에 이용되고 있는 국립환경과학원의 EFDC-NIER도 유사한 상황이다. 통계적 모델 중 가장 광범위하게 활용되고 있는 딥러닝 모델은 데이터로부터 훈련된 모델이 개발되면 많은 입력자료와 매개변수가 요구되는 역학적 모델과 달리 신속하고 정확하게 녹조예측에 활용할 수 있다는 장점이 있지만, 복잡한 물리적, 화학적, 생물학적 녹조 발생 메커니즘을 학습하기 위해 많은 훈련 데이터가 필요하며, Blackbox 모델의 특성상 역학적 모델과 달리 질량, 운동량, 에너지 보존법칙을 만족하지 않는 부정확한 예측이 발생할 수 있다 (^{Read et al., 2019}).

Fig. 5. Coupling of different characteristics of mechanic models and data-driven models.

최근 미국, 캐나다, 네덜란드 등 선진국 연구기관에서는 이러한 녹조 예측 기술의 한계점들(입력자료의 불확도, 이론적 한계)을 극복하기 위해 다양한 연구를 수행하고 있으나, 국내에서는 외국에서 개발된 수질모델을 일부 개량해서 적용하는 수준에 머물러 있어 새로운 연구개발 투자가 이루어지지 않는다면 불확도가 높은 모델의 오남용뿐만 아니라 선진국과의 기술 격차는 점점 커질 수밖에 없는 상황이다. 최근 역학적 수질모델의 연구동향은 모델의 복잡도 증가에 따른 불확도 고려와 IoT 기술을 활용한 고빈도 및 고해상도 모니터링 자료의 활용으로 압축할 수 있다. 또한 역학적 모델과 자료기반 모델의 장점을 융합한 수질 예측 기술 개발도 도입단계에 있다 (^{Hanson et al., 2020}; ^{Jia et al., 2020}; ^{Read et al., 2019}).

수질모델은 현재의 과학적 지식을 종합하여 수질문제를 해석하는데 매우 유용하며, 수질문제에 대하여 더 많은 지식이 있을수록 예측성능은 개선될 수 있다. 그러한 지식은 물환경시스템에 대한 역학적 이해(mechanistic understanding)와 경험적 데이터(empirical data)로 구성된다. 이 두 가지 요소는 모두 수질모델을 위해 중요하며 각각의 가용성에 따라 다양한 모델링 방법이 활용될 수 있다 (Fig. 6). 최근 발전하고 있는 빅데이터와 컴퓨터과학 기술은 기계학습과 인공지능과 같은 복잡한 알고리즘의 개발을 가능하게 하고 있다. 이러한 자료기반 모델은 보존법칙과 같은 기존 원리에 의존하지 않고 가용한 자료의 패턴과 관계를 찾을 수 있다. 그러나 쉽게 얻을 수 있는 자료를 입력변수 (또는 설명변수, 독립변수)로 사용하여 모델을 개발할 경우 종종 모델의 출력변수 (또는 반응변수, 종속변수)와 상관관계가 있을 수 있고 원인과 결과의 역학적 관계를 고려하지 않을 위험이 있다. 만약 입력변수들이 시스템의 특성과 역학적 관계가 없는 경우, 수질관리 측면에 유용하지 못할 뿐 아니라 잘못된 예측결과를 생산할 수도 있다.

Fig. 6. Conceptual diagram of mechanical model, data-based model, theory-based data science (Modified fromSchuwirth et al., 2019).

따라서 수질모델링은 어떤 접근법을 선택하더라도 물환경시스템의 이론적, 역학적 이해를 바탕으로 이루어져야 한다. 즉, 원인-효과 메커니즘에 대한 지식을 고려하는 것은 역학적모델을 개발하는 명시적 단계이지만, 자료기반 통계적 모델에도 중요하다. 예로써, 자료기반 모델링에서 수질문제에 대한 역학적 이해는 입력변수 선정에 도움을 줄 수 있다. 자료가 풍부한 경우 데이터의 패턴을 탐색하기 위해 제약조건이 적은 자료기반 모델을 사용할 수 있지만, 순수한 자료기반 모델은 보정의 범위를 벗어난 예측에는 취약할 수 있고 모델의 내부구조에 접근이 쉽지 않아 인과관계 해석에 어려움이 있을 수 있다. 이러한 문제점을 극복하기 위한 대안이 역학적 모델과 자료기반 모델의 결합을 추구하는 소위 “theory based data science” 기술이다. 이 기술은 순수한 자료기반 모델의 블랙박스를 열어 데이터로부터 역학적 이해를 추출하는데 도움을 줄 수 있다. 최근 발표된 “Process- Guided Deep Learning Predictions of Lake Water Temperature (^{Read et al., 2019})”와 “Predicting lake surface water phosphorus dynamics using process-guided machine learning (^{Hanson et al., 2020})”은 역학적 모델과 자료기반 모델의 융합 가능성을 보여주는 좋은 사례이다.

5.6 수질모델링 과정의 투명성 확보

국가적으로 중요한 물환경 정책결정에 수질모델이 적용될 경우 전체 모델링 과정의 객관성과 투명성 확보는 매우 중요한 요소이다. 그러나 대부분의 경우, 수질모델링은 전문적 지식이 요구되는 영역이라는 특성 때문에 몇몇 전문가 자문회의에서 기술적인 부분이 다루어지기는 하지만 다양한 이해당사자에게 모델링 과정을 공개하는 것은 용이하지가 않다. 대형 국책사업의 환경영향평가와 수질관리 정책 결정에 수질모델이 광범위하게 활용되고 있으나 사용된 모델과 입력자료, 모의결과 및 결과해석에 대한 검증 제도는 부실하다. 이로 인해 수질모델링에 대한 이해당사자의 인식은 과도한 불신 또는 비현실적인 기대를 야기하기도 한다.

이러한 문제를 해결하기 위해서는 모델링 전과정 (문제의 정의, 자료수집, 모델 선정 또는 개발, 모델 구축, 시나리오 설정 등)에 의사결정자와 이해당사자의 의견을 수렴하는 절차를 포함할 수 있으며, 세밀하고 이해하기 쉬운 문서화와 의사소통이 필요하다. 모델링과정에 대한 문서화는 필요한 경우, 전문가, 실무자, 의사결정자, 일반 이해당사자 등 다양한 독자들의 수준을 고려할 필요가 있다. 수질모델링 과정이 “black box”가 아니라 이해하고 논의될 수 있는 과학적 도구로 인식된다면 모델링 결과와 그것을 바탕으로 내린 정책에 대한 신뢰도를 한층 높일 수 있을 것이다. 수질모델의 최종 사용자들을 위해서는 모의 결과가 쉽게 이해될 수 있도록 제공될 필요가 있으며, 아직 기술적으로 어려운 문제들이 많지만 향후에는 이해당사자들에게 모델의 불확실성을 가시적으로 제공할 필요가 있다. 그리고 모델의 한계와 가정조건을 명확하게 설명함으로써 결과에 대한 올바른 해석과 이해를 도모할 수 있다.

또한 중요한 국책사업과 고비용 수질개선사업 등에 수질모델이 적용되는 경우에는 모델 선정과 모델링 과정에 대한 전문가 그룹(가칭 물환경모델 과학기술 자문 위원회)의 검증 절차를 제도화 할 필요가 있다. 모델의 보정과 검정에 대한 적절성을 평가하고 주요 매개변수 등에 의한 모의결과의 불확실성 해석을 의무화하여 의사결정 과정에 참고자료로 활용함으로써 정책 실패에 따른 환경적 피해와 사회적 비용을 최소화 하도록 해야 한다.

국가적으로 중요한 수질모델은 Open 플랫폼을 통해 공개 개발, 관리, 활용하는 방안도 중요하다 (Fig. 7). Open 플랫폼은 수질모델 설계자, 프로그래머, 전문가 그룹, 정부기관, 일반 이용자들이 쉽게 모델 소스코드와 관련 문서, 그리고 데이터에 접근할 수 있는 허브의 역할을 할 수 있다. 웹 기반 모델링 서비스를 제공하는 것과 GitHub, GitLab, Bitbicket과 같은 온라인 호스팅 저장소를 활용하여 소스코드 공유와 버전 관리를 하는 것도 매우 유용하다.

Fig. 7. Example of building a Korean water quality model open platform.