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

[

Research Paper

]

The Journal of the Korean Society on Water Environment

JKSWE Vol. 41, No. 3, p.163-177

ISSN (print) :

2289-0971

ISSN (online) :

2289-098X

Received : 4 March 2025Revised : 7 May 2025Accepted : 14 May 2025

DOI :

https://doi.org/10.15681/KSWE.2025.41.3.163

유전자 알고리즘을 적용한 3차원 수리⋅수질 모델의 낙동강 중류 유해남조류 모의

Simulating of Harmful Cyanobacteria in the Middle of Nakdong River of a 3-D Hydrodynamic and Water Quality Model With Genetic Algorithm

전유경 (Yu Kyeong Jeon) ^aiD 이혜원 (Hye Won Lee) ^biD 최정현 (Jung Hyun Choi) ^c,^†iD

이화여자대학교 환경공학과 (Department of Environmental Science and Engineering, Ewha Womas University)

^a석사과정(Master Student), rud1502@ewhain.net, https://orcid.org/0009-0005-1309-5154

^b연구교수(Research Professor), hwon@ewha.ac.kr, https://orcid.org/0000-0003-3319-5644

^c,†Corresponding author, 교수(Professor), jchoi@ewha.ac.kr, https://orcid.org/0000-0003-0884-696X

License :

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

Harmful cyanobacteria are the main cause of harmful algal blooms (HABs) and have a negative impact on water quality and public health by inducing bad taste and toxic substances. Thus, it is necessary to develop an algae prediction model, especially for harmful cyanobacteria, with reliable accuracy to establish an effective water quality management strategy for HABs. Since the accuracy of algae prediction models is greatly affected by the parameter settings, it is crucial to estimate appropriate parameters counting on the algal communities of target area. In this study, an environmental fluid dynamics code model was applied to the middle of the Nakdong River. Parameter optimization based on a genetic algorithm was utilized to estimate the optimal parameters reflecting the characteristics of variable algal groups in the target areas. The optimal parameter values for different algal groups differed depending on the algal occurrence pattern and dominant algal species. Model calibration was conducted using the 2022 observed data. It properly reproduced the time-series patterns of water elevation, water temperature, DO, TOC, TN, NH₄-N, NO₃-N, TP, PO₄-P, Chl-a, and harmful cyanobacteria in the study area. The reliability of the model was verified by simulating the number of harmful cyanobacteria at the algae alert system station, Gangjeong-Goryeong. The observed and simulated values showed similar levels. The study results are expected to improve the reliability of model prediction by applying parameter optimization, reflecting the characteristics of variable algal groups of the target areas and providing scientific evidence for establishing preemptive algae management.

Key words

Environmental Fluid Dynamics Code (EFDC), Genetic Algorithm (GA), Harmful Algal Blooms (HABs), Nakdong River, Parameter optimization

1. Introduction

유해 조류 번성(Harmful Algal Blooms, HABs)은 한국의 4대강 수계를 중심으로 여름철에 지속적으로 발생하고 있으며^{(NIER, 2022)}, 기후 변화로 인한 수온 상승과 강수 패턴 변화가 조류 발생을 더욱 촉진하면서 문제가 심화되고 있다^{(Noh et al., 2014;} ^{Ranjbar et al., 2021)}. 이로 인해 탁도 증가, 심미적 가치 훼손, 용존산소 감소로 인한 어류 폐사, 생물다양성 변화 등을 초래하며, 수질 악화의 주요 원인이 되고 있다^{(Fadel et al., 2019)}. 특히, 유해남조류는 Geosmin과 2-MIB 등의 냄새물질을 생성하여 이취미를 유발하고, Microcystin과 같은 독성 물질을 배출하여 정수 공급 체계 및 공중보건에 심각한 영향을 미친다^{(Jung et al., 2021)}. 이에 따라 환경부는 유해남조류 세포수를 기준으로 조류경보제를 운영하며 조류 발생 상황을 모니터링하고 있다^{(ME, 2023a)}.

조류를 효과적으로 예측하는 것은 수질 관리 및 조류 발생 대응 체계 수립에 필수적이며, 보다 정밀한 예측 모델을 통해 효과적인 수질 관리 전략이 요구된다^{(Bae and Seo, 2018;} ^{Kim et al., 2024)}. 조류의 발생 및 거동을 정확히 예측하기 위해서는 기온, 수온, 체류 시간, 일사량, 영양염류 등 다양한 환경 요인을 종합적으로 고려해야 하며^{(ME, 2023a)}, 개별 조류 군집의 천이 현상을 반영할 수 있는 모델이 필요하다^{(Choi et al., 2015)}. 3차원 수리⋅수질 모델인 Environmental Fluid Dynamics Code (EFDC)는 남조류, 규조류 및 녹조류를 구분하여 모델을 구축할 수 있으며, 다양한 수질 변수 간의 상호작용을 분석할 수 있어 여러 수계를 대상으로 조류 예측 모델링이 수행되었다^{(Bae and Seo, 2018;} ^{Kim et al., 2017;} ^{Seo et al., 2020;} ^{Wu and Xu, 2011;} ^{Yu et al., 2024)}. 국립환경과학원에서는 EFDC를 변형한 EFDC-NIER 모델을 국내 조류 예보 및 경보에 사용하고 있다^{(Ahn et al., 2023;} ^{Shin et al., 2019)}.

조류 예측의 정확성은 입력 자료, 모델 구조 및 매개변수 설정에 크게 영향을 받는다^{(Kim et al., 2024)}. 특히, 물리⋅화학적⋅생물학적 수질 상호작용을 반영하는 수학적 모델에서는 매개변수 설정이 모델의 신뢰도에 큰 영향을 미치므로, 적용 대상에 적합한 매개변수를 추정하는 것이 필수적이다^{(Kim and Han, 2003)}. 기존의 매개변수 추정 방식인 시행착오법(trial and error method)을 통한 수동 보정은 계산 시간이 많이 소요되며, 주관적인 요소가 개입되므로 모델의 객관성에 영향을 미칠 수 있다^{(Cho, 2011;} ^{Pelletier et al., 2006)}. 따라서 실측값과 계산값의 오차를 최소화하는 최적화 기법을 적용한 자동 보정이 필요하다^{(Cho and Lee, 2006)}.

매개변수 최적화에는 유전자 알고리즘(Genetic Algorithm, GA), 입자 군집 최적화 알고리즘(Particle Swarm Optimization algorithm), 경사 하강 알고리즘(gradient descent algorithm) 등 다양한 기법이 활용된다^{(Ch and Mathur, 2012;} ^{Cho et al., 2004;} ^{Liang et al., 2015)}. 이 중 GA는 생물학적 진화 과정에서 자연 선택과 돌연변이를 기반으로 최적해를 탐색하는 전역 최적화 기법으로^{(Holland, 1973)}, 다중 매개변수 문제에서 효과적인 탐색 능력을 보인다^{(Katoch et al., 2021)}. 이에 따라 GA를 활용한 매개변수 최적화 연구가 활발히 수행되고 있다. ^{Kim and Han (2003)}은 대청호를 대상으로 Water Quality Analysis Simulation Program Version 5 (WASP5) 모델의 매개변수를 GA를 통해 최적화하여 저수지 수질 예측 모델의 신뢰도를 향상시켰으며, ^{Cho (2011)}는 강릉 남대천을 대상으로 QUAL2Kw 모델에서 GA를 적용하여 최적 매개변수를 자동보정하고, 연구 대상 구간의 수질 매개변수를 선정하였다. ^{Bozorg-Haddad et al. (2017)}은 이란 Sefidrood 강을 대상으로 GA를 결합한 데이터 기반 모델을 통해 수질 매개변수를 최적화함으로써 모델의 정확도를 개선하였다.

본 연구는 낙동강 중류 구간을 대상으로 EFDC 모델을 구축하고, GA 기반 매개변수 최적화를 적용하여 유해남조류 발생을 모의하였다. 특히, 기존 조류 모델의 한계를 보완하기 위해 대상 지역들의 환경에 따른 조류 군집별 특성을 반영하는 최적화 기법을 적용하여 다양한 환경 요인의 변화를 보다 정밀하게 반영할 수 있도록 하였다. 본 연구의 결과는 유해남조류 예측 모델의 신뢰도를 제고하고, 선제적 조류 관리 및 대응 전략 수립을 위한 과학적 근거를 제공할 것으로 기대된다.

2. Materials and Methods

2.1 연구대상지역

낙동강은 길이 525 km, 유역면적 23,384 km²인 하천이며, 대구광역시, 울산광역시, 부산광역시, 경상남도, 경상북도를 포함한 주변 지역의 상수원, 농업용수 및 공업용수로 이용되고 있다. 2008년 4대강 사업을 시작으로 낙동강에는 총 8개의 다기능보가 건설되었으며, 이로 인해 하천 생태계에 인위적인 환경 변화가 발생하였고, 하천 흐름의 정체 및 체류시간 증가로 상류에서 유입된 오염물질이 축적되어 폐쇄성 수역의 특징이 나타났다. 이러한 환경 변화는 하천의 자정 능력을 잃게 하여 생태계에도 영향을 미친다^{(Seo et al., 2013;} ^{Shin and Lee, 2014;} ^{Woo et al., 2020)}.

낙동강 수계는 높은 수온 및 영양염류 농도로 인해 조류 발생 우심 지역이 타 수계에 비해 많이 존재하여, 본류 내 조류경보제 지점 4개소(해평, 강정고령, 칠서, 물금⋅매리)에서는 매년 조류경보가 발령되고 있다^{(Ahn et al., 2023;} ^{Lee et al., 2024;} ^{ME, 2024a)}. 2022년 기준 낙동강 본류 구간의 조류경보 발령일수는 해평 105일, 강정고령 126일, 칠서 189일, 물금매리 189일로, 마른장마와 가뭄으로 인한 강우량 감소 및 체류시간 증가로 인해 전년 대비 각각 84일, 42일, 89일, 59일 증가하였다^{(ME, 2023a)}.

본 연구는 조류경보제가 운영되는 강정고령 지점의 유해남조류를 분석하기 위해 왜관교부터 고령교까지 약 42 km 구간을 대상으로 하였다(Fig. 1). 연구 대상 지역 내에는 문산취수장과 매곡취수장이 위치하며, 대구의 주요 상수원으로서 해당 지역의 3.54 km²가 상수원보호구역으로 지정되어 있다^{(ME, 2024b)}. 2022년 기준 문산⋅매곡취수장의 일평균 취수량은 각각 1.69 × 10⁵ m³/day, 3.89 × 10⁵ m³/day이다^{(ME, 2023b)}. 주요 지천으로는 백천, 하빈천, 금호강, 진천천이 있으며, 이 중 금호강은 대구광역시를 관류하는 가장 큰 지류로, 도심 및 산업단지에서 배출된 하⋅폐수 처리시설 방류수가 낙동강으로 유입되어 중⋅하류 구간의 수질에 영향을 미친다^{(Kwak et al., 2020)}.

Fig. 1. Study area.

2.2 모델 구축

2.2.1 모델 개요

본 연구에서 사용하는 EFDC는 Virginia Institute of Marine Science (VIMS)와 School of Marine Science of The College of William and Mary의 John M. Hamrick 박사에 의해 개발되었다. 이후 DSI LLC (DSI)에서 개선 및 개발하였으며, 이를 Environmental Fluid Dynamics Code Plus (EFDC+)로 명명하였다^{(Oh et al., 2023)}.

EFDC+는 수체 내 오염물질 및 영양물질 등의 이동을 3차원으로 모의할 수 있는 모델링 시스템이다. 또한, 유체역학, 수질, 부영영화, 퇴적물 이동을 포함한 다양한 모듈이 있어 하천, 호소, 저수지, 습지 및 연안과 같은 수체의 환경 평가, 관리 및 규제를 목적으로 활용된다^{(Xu et al., 2022)}. 국내에서는 영산강^{(Oh et al., 2023)}, 한강 본류^{(Kim et al., 2018)}, 금강^{(Yun et al., 2018)}, 낙동강 중⋅하류^{(Choi et al., 2012)} 등에서 EFDC 모델을 활용하여 수체의 유체역학 및 수질 특성을 모의한 선행 연구가 수행된 바 있다. 본 연구에서는 EFDC+ Explorer version 12.2를 사용하였으며, EFDC+의 유체역학 및 수질 모듈을 적용하였다^{(DSI LLC, 2024)}.

EFDC+의 수질 모듈은 탄소, 인, 질소, 규소, 활성 금속, 용존 산소, 화학적 산소 요구량, 조류 등 총 22개의 수질 상태 변수로 구성된다^{(Yu et al., 2024)}. 조류의 경우 cyanobacteria, diatom algae, green algae, macroalgae 등 4개의 조류 군집을 탄소 단위로 모의할 수 있다^{(Jeon et al., 2011)}. 각 조류 군집의 동역학은 조류의 성장, 기초대사, 폐사, 동물플랑크톤에 의한 섭식, 침강, 외부 유입에 의해 결정되며, 일반적인 조류 그룹 $x$에 대한 동역학 방정식은 다음과 같다(Eq. 1).

Eq. (1)

$\dfrac{\partial B_{x}}{\partial t}=(P_{x}-BM_{x}-D_{x})B_{x}-PR_{x}+\dfrac{\partial}{\partial Z}(WS_{x}B_{x})+\dfrac{WB_{x}}{V}$

여기서, $B_{x}$는 조류 군집 $x$의 바이오매스(g C/m³), $t$는 시간(days), $P_{x}$는 조류 군집 $x$의 성장률(1/day), $BM_{x}$는 조류 군집 $x$의 기초대사율(1/day), $D_{x}$는 조류 군집 $x$의 사망률(1/day), $PR_{x}$는 동물플랑크톤에 의한 조류 군집 $x$의 섭식률, $WS_{x}$는 조류 군집 $x$의 침강속도(1/day), $WB_{x}$는 조류 군집 $x$의 외부 유입량(g C/day), $V$는 모델 셀 부피(m³)이다^{(DSI LLC, 2024)}.

2.2.2 모델 구성

본 연구에서는 DSI에서 개발한 격자망 구축 도구인 Grid+를 활용하여 연구 대상 지역의 3차원 격자를 구축하였다. 하상 자료는 국토해양부에서 발간한 낙동강수계 하천기본계획 보고서를 바탕으로 하상고(bottom elevation)를 입력하여 3차원 격자를 구축하였다^{(MLTMA, 2009a;} ^2009b). 본 연구의 격자망 구축 결과를 Fig. 2에 제시하였다. 연구 대상 지역의 하상고 범위는 4.00∼18.81 m(평균 10.92 m)이며, 총 750개의 수평 격자와 6개의 수층으로 구성하였다.

Fig. 2. Grid development for the study area: (a) horizontal grid and bottom elevation, and (b) 3-D model grid.

2022년을 대상으로 모델을 보정하기 위해 모의 기간은 같은 해 1월 1일부터 12월 31일로 설정하고, 이에 맞춰 시계열 입력 자료를 구축하였다. 기상 자료는 기상청 기상자료개방포털에서 제공하는 자료를 활용하였다. 연구 대상 지역 인근에 있는 대구 지상기상관측소 자료에서 시간별 평균기온(°C), 강수량(mm), 평균풍속(m/s), 최다풍향(16방위), 평균 상대습도(%), 평균 현지기압(Mbar), 합계 일사량(MJ/m²), 평균 전운량(10분위), 증발량(mm) 등의 자료를 모델의 입력 조건에 맞게 환산하여 적용하였다.

연구 대상 지역의 최상류 유입경계조건은 환경부 물환경정보시스템에서 제공하는 칠곡군(호국의다리) 일별 유량 자료를 사용하였다. 백천, 하빈천, 금호강의 유입경계조건은 백천2, 낙본G1, 금호C의 일별 유량을 입력하였으며, 진천천은 유역면적비를 고려하여 유량을 산정하였다. 하류 개방경계조건은 고령군(고령교) 일별 수위 자료를 사용하였고, 연구 대상 지역 내에 위치한 취수장(문산, 매곡)의 취수량은 환경부의 2022년 상수도 통계를 참고하였다^{(ME, 2023b)}.

연구 대상 구간의 중심에 위치한 강정고령보는 EFDC+의 hydraulic structure boundary condition 모듈과 withdrawal/return boundary condition 모듈을 사용하여 보 설정을 적용하였다. 가동보는 withdrawal/return boundary condition 모듈을 사용하여 설정하였고, K-water와 환경부 낙동강 홍수통제소에서 제공하는 연도별 보 운영 상황과 강정고령보 일평균 방류량 데이터를 참고하여 유량이 가동보를 통과하도록 시계열 자료를 입력하였다. 고정보는 hydraulic structure boundary condition 모듈의 sharp crested weir로 설정하여 일정 수위를 넘지 않도록 하였다. 본 연구에서 설정한 강정고령보의 수력 구조물 설정은 Table 1에 정리하였다.

Table 1 Hydraulic structure settings at Gangjeong-Goryeong weir

Classification		Specification
Fixed Weir	Boundary Type	Sharp Crested Weir (Cross Section: Rectangle)
	Width	310.09 m
	Crest Elev.	18.25 m
Movable Weir	Boundary Type	Withdrawal/Return Structure
	Width	61.52 m
	Time Control	Controlled using Time-Series

수온 및 수질 자료는 환경부 물환경정보시스템에서 제공하는 자료를 사용하였다. 각 경계조건에 인접한 측정망 지점에서 수온(Water Temperature)(°C), 용존산소(Dissolved Oxygen, DO)(mg/L), 클로로필 a(Chlorophyll-a, Chl-a)(mg/m³), 총질소(Total Nitrogen, TN)(mg/L), 총인(Total Phosphorus, TP)(mg/L), 총유기탄소(Total Organic Oxygen, TOC)(mg/L), 용존총질소(Dissolved Total Nitrogen, DTN)(mg/L), 암모니아성 질소(Ammonia Nitrogen, NH₄-N)(mg/L), 질산성 질소(Nitrate Nitrogen, NO₃-N)(mg/L), 용존총인(Dissolved Total Phosphorus, DTP)(mg/L), 인산염인(Phosphate, PO₄-P)(mg/L) 등의 자료를 수집하였고, 이를 활용하여 입자성 유기탄소(Refractory Particulate Organic Carbon, RPOC)(mg/L), 휘발성 입자성 유기탄소(Labile Particulate Organic Carbon, LPOC)(mg/L), 용존 유기탄소(Dissolved Organic Carbon, DOC)(mg/L), 입자성 유기인(Refractory Particulate Organic Phosphorus, RPOP)(mg/L), 휘발성 입자성 유기인(Labile Particulate Organic Phosphorus, LPOP)(mg/L), 용존 유기인(Dissolved Organic Phosphorus, DOP)(mg/L), 입자성 유기질소(Refractory Particulate Organic Nitrogen, RPON)(mg/L), 휘발성 입자성 유기질소(Labile Particulate Organic Nitrogen, LPON)(mg/L), 용존 유기질소(Dissolved Organic Nitrogen, DON)(mg/L)로 환산하여 모델 입력자료로 활용하였다.

2.3 조류 매개변수 설정

2.3.1 유전자 알고리즘(Genetic Algorithm)을 활용한 조류 군집별 세포당 Chl-a 함량 산정

유전자 알고리즘(Genetic Algorithm, GA)은 John Holland가 1970년대에 개발한 진화 알고리즘으로, 자연의 진화 과정을 모방하여 최적해를 탐색하는 방법이다^{(Holland, 1973)}. GA에서는 문자열로 표현되는 염색체(chromosome)에 대해 선택(selection), 교차(crossover), 돌연변이(mutation) 등의 유전 연산을 수행하며, 여러 세대(generation)를 거치면서 점진적으로 성능이 향상된 해를 도출한다. 후보 해의 성능은 적합도 함수(fitness function)를 활용하여 평가하며, 평균 제곱근 오차(Root Mean Squared Error, RMSE)는 성능 평가에 널리 사용되는 지표이다^{(Lim et al., 2021)}.

선택 연산에서는 적합도 함수의 값을 기준으로 염색체가 선택되며, 교차 연산에서는 임의의 위치에서 염색체 간 일부 서열이 교환되어 새로운 자손이 생성된다. 돌연변이 연산을 통해 염색체 일부가 확률적으로 무작위 변경되어 최적해 탐색 공간을 확장하고 지역 최적해에 수렴하는 것을 방지한다^{(Katoch et al., 2021)}. 또한, 엘리티즘(elitism)은 부모 세대에서 적합도가 가장 높은 일부로 자손의 일부를 대체하는 방식으로, 적합도가 높은 개체가 교차나 돌연변이 없이 다음 세대로 전달될 수 있도록 한다. 이를 통해 우수한 개체의 손실을 방지하고, 세대가 반복됨에 따라 평균 적합도를 지속적으로 높일 수 있다^{(Lee, 2008)}.

조류 모델링의 정확도는 매개변수 설정이 큰 영향을 미친다. EFDC 모델에서는 조류 군집별 Chl-a 농도를 탄소 단위 농도로 변환하여 입력자료를 구성해야 하며^{(Park et al., 2019b)}, 연구 대상 지역에 따라 해마다 조류 발생 패턴과 우점하는 조류 종이 달라지므로, 최대성장률 및 세포당 Chl-a 함량 등의 매개변수 조정이 필수적이다^{(Park et al., 2019a)}. 특히, 시기별 우점 조류에 따른 세포당 Chl-a 함량의 변동을 반영하여 조류 군집별 농도를 산정하는 것이 중요하다. ^{Choi et al. (2015)}은 의암호를 대상으로 군집별 Chl-a 농도 계산값과 실측값의 차이가 최소화되도록 세포당 Chl-a 함량을 추정하였으며, ^{Park et al. (2019a)}은 낙동강 강정고령보를 대상으로 선행연구에서 보정한 세포당 Chl-a 함량을 모의 기간에 따라 조정하여 사용하였다. ^{Yu et al. (2024)}은 수어댐을 대상으로 세포당 Chl-a 함량을 조정하여 조류 군집별 Chl-a 농도를 산정하였다.

본 연구에서는 조류 모델링의 정확도를 향상시키기 위해 GA를 적용하여 지점별 조류 군집별 세포당 Chl-a 함량을 최적화하였다. 이 접근법은 실제 자연 환경에서 조류 군집 내 다양한 종의 변화를 반영할 수 있으며, 연구 대상 구간 내 각 지점별로 최적화된 세포당 Chl-a 함량을 도출하여 보다 정확한 조류 군집별 농도를 산정할 수 있다는 장점이 있다.

2.3.2 군집별 조류 농도 산정

본 연구에서는 조류를 유해남조류, 유해남조류를 제외한 남조류, 규조류, 녹조류, 기타조류의 5개 군집으로 구분하고, 군집별 세포수 밀도를 탄소 단위 농도로 변환하여 입력자료를 구축하였다. 이를 통해 본 연구에서는 기존 연구보다 더욱 세밀하게 지점별 조류 군집별 농도를 산정할 수 있도록 하였다.

지점별 조류 군집별 비율을 산정하기 위해 2022년 국립환경과학원의 ‘보 구간 광역 조류 정밀 모니터링(Ⅴ)’ 측정자료를 활용하였으며, 연구 대상 구간 내 조류 관측 지점은 성주(SJ), 백천(B), 다사(DS), 금호강(GH), 화원나루(SMJ), 고령(GR)이다(Fig. 1). 조류 군집별 세포당 Chl-a 함량(μg/cell) 산정을 위해 조류 군집별 세포수(cells/mL)와 Chl-a(mg/m³) 실측값을 GA의 입력 자료로 사용하였다. GA의 적합도 함수는 RMSE로 설정하였으며, 이를 최소화하는 방식으로 최적의 매개변수를 도출하였다^{(Manriquez-Padilla et al., 2023)}(Fig. 3).

산정된 지점별 세포당 Chl-a 함량을 이용해 조류 군집별 Chl-a를 계산한 후, 총 Chl-a 농도 대비 각 조류 군집이 차지하는 비율을 산출하였다. 이를 Chl-a 실측값에 적용하여 유해남조류, 유해남조류를 제외한 남조류, 규조류, 녹조류, 기타조류 5개 군집에 대한 Chl-a 값을 계산하였다. 최종적으로, 산정된 Chl-a 값은 carbon to Chl-a ratio (mg C/μg Chl-a)를 통해 탄소 단위 농도로 변환하였다^{(Choi et al., 2015;} ^{Park et al., 2019b)}.

EFDC 모델의 주요 조류 매개변수는 선행 연구를 참고하여 설정하였으며^{(Park et al., 2019a;} ^2019b; ^{Tetra Tech, 2006)}, 본 연구의 모델 특성에 맞춰 일부 조정하였다. 본 연구에서 적용한 주요 조류 매개변수는 Table 2에 제시하였다. 조류 그룹($x$)의 경우, EFDC 모델에서 남조류, 규조류, 녹조류 중에서만 설정할 수 있으므로, 기타 조류 군집은 주요 발생 시기 및 거동을 고려하여 녹조류와 유사한 특성을 갖는다고 가정하고 녹조류 그룹으로 설정하였다^{(Choi et al., 2015)}. 질소 및 인 반포화 상수, 탄소:Chl-a 비 등은 실제로 조류의 특성 및 광, 온도, 영양염류 농도 등의 환경 조건 등에 따라 달라질 수 있으나, 각 조류 군집별 매개변수에 대한 실험 데이터가 제한적이며, 본 연구 대상 지역에 적용하는 것에 한계가 있어 유사하게 수행된 선행연구를 기반으로 모든 군집에 대해 동일한 값을 설정하여 모델의 안정성 및 효율성을 높이고자 하였다^{(Choi et al., 2015;} ^{Park et al., 2019a;} ^2019b). 본 연구 대상 지역에 맞춰 조정이 이루어진 주요 항목은 조류 성장에 큰 영향을 미치는 조류 성장률 및 최적 성장 온도 범위에 대한 매개변수로, ^{Park et al. (2019a)}에서도 같은 연구대상지역에 대해 모의 기간의 특성에 따라 온도 관련 매개변수를 조정하여 모의 정확도를 개선한 바 있다.

Fig. 3. Flowchart of the optimization process of Chl-a content per cell in algal groups using the Genetic Algorithm.

Table 2 Model parameter values used for each algal group simulation in this study

Parameter	Description	Unit	Value
			HAB		Cyano		Diatoms		Greens		Others
$x$	Algal Group	-	Cyano- bacteria		Cyano- bacteria		Diatoms		Green algae		Green algae
$CChl_{x}$	Carbon to Chlorophyll ratio	mg C per μg Chl-a	0.025
$ANC_{x}$	Nitrogen to Carbon Ratio	g N/g C	0.167
$PM_{x}$	Maximum growth Rate	1/day	3	2		1.05		1.5		1
$D_{opt}$	Optimal Depth for Growth	m	0.1	0.1		1		1		1
$KHP_{x}$	Phosphorus Half-Saturation	mg/L	0.002
$KHN_{x}$	Nitrogen Half-Saturation	mg/L	0.04
$TM1_{x}$	Optimal Temperature Lower Bound	°C	25	26		17		20		17
$TM2_{x}$	Optimal Temperature Upper Bound	°C	29	31		20		27		22
$KTG1_{x}$	Temperature Effect Coefficient Below Optimal Range	1/°C²	0.02	0.008		0.02		0.01		0.05
$KTG2_{x}$	Temperature Effect Coefficient Above Optimal Range	1/°C²	0.015	0.008		0.01		0.02		0.004
$BM_{x}$	Maximum Basal Metabolism Rate	1/day	0.05
$PR_{x}$	Maximum Predation Rate	1/day	0.07	0.07		0.04		0.1		0.1
$WS_{x}$	Settling Velocity	m/day	0	0		0.1		0.1		0.1
$Ke_{b}$	Background Light Extinction coefficient	1/m	0.305
$Ke_{chl}$	Light Extinction for Chl-a	1/m per mg/m³	0.01

2.4 모델의 재현성 평가

모델의 수리 및 수질 재현성을 확인하기 위해 강정고령보 상류 7 km에 위치한 성주대교(SJ) 및 하류 4.47 km에 위치한 사문진교(SMJ)를 대상으로 2022년 1월 1일부터 12월 31일까지의 수위, 수온, DO, TOC, TN, NH₄-N, NH₃-N, TP, PO₄-P, Chl-a, 유해남조류 세포수의 실측값과 모의값을 비교하였다. 보정 지점의 위치는 Fig. 1에 제시하였다.

모델의 재현성 평가에는 4가지의 통계 지표를 활용하였으며, 시계열 자료의 증감 패턴을 적절히 재현하는지 분석하였다. Nash-Sutcliffe Efficiency index (NSE) ^{(Nash and Sutcliffe, 1970)}는 실측값의 변동 폭 대비 모의값의 평균 오차로 예측의 숙련도를 평가하는 모델의 효율지수를 나타내며, 1에 가까울수록 모의값이 관측값에 일치하는 것을 의미한다. R-squared (R²)는 모의값과 실측값의 선형회귀분석을 통한 상관관계를 나타내며, 1에 가까울수록 비교하는 값 간의 상관성이 높다고 판단한다. RMSE는 0에 가까울수록 모델의 신뢰도가 높다. Mean Absolute Error (MAE)는 관측값과 예측값의 평균 절대 오차로써, 0에 가까울수록 모델의 정확도가 높다^{(Hwang et al., 2018;} ^{Kim and Cho, 2021;} ^{Oh et al., 2023;} ^{Shin et al., 2019;} ^{Shin et al., 2017)}.

2.5 조류경보 지점의 유해남조류 세포수 예측

본 연구에서는 보정된 모델을 활용하여 조류경보 지점인 강정고령에서의 유해남조류 세포수를 예측하고, 이를 통해 모델의 신뢰도를 검증하였다. 2013년부터 2022년까지 10년간 강정고령 지점의 조류경보 발령 시기를 분석한 결과를 바탕으로, 예측 기간은 조류 발생이 집중되는 6월부터 10월 초로 설정하였다^{(ME, 2023a)}. 예측된 유해남조류 세포수는 환경부 물환경정보시스템에서 제공하는 강정고령 지점의 실측값과 비교하였으며, NSE, R², RMSE, MAE 등의 지표를 활용하여 평가하였다.

또한, 상자그림(box plot)을 통해 실측값과 모의값의 분포를 비교 및 분석하였다. 상자그림은 사분위수, 중앙값, 최솟값, 최댓값 등의 정보를 시각적으로 표현할 수 있어, 수질 자료의 분포를 한눈에 파악하는 데 유용한 통계 기법이다^{(Kim et al., 2019)}. 분석 결과를 더욱 체계적으로 평가하고자 환경부의 조류경보 발령 기준을 적용하였으며, 강정고령 지점과 같은 상수원 구간의 조류경보 발령 기준은 유해남조류 세포수에 따라 4단계로 분류된다. 유해남조류 세포수가 1,000 cells/mL 미만이면 ‘해제’, 1,000 cells/mL 이상 10,000 cells/mL 미만인 경우 ‘관심’, 10,000 cells/mL 이상 1,000,000 cells/mL 미만인 경우 ‘경계’, 1,000,000 cells/mL 이상인 경우 ‘조류 대발생’으로 구분된다^{(Ahn et al., 2023)}.

3. Results and Discussion

3.1 조류 매개변수 최적화

본 연구에서는 지점별 세포당 Chl-a의 최적 함량을 산정하기 위해 Python 3.11.11 환경에서 PyGAD 라이브러리^{(Gad, 2024)}를 활용하여 GA를 적용하였다. GA에 사용한 매개변수는 Table 3에 제시하였다.

지점별 Chl-a 함량 산정 시 RMSE 값의 변화는 Fig. 4에 제시하였다. SJ, B, DS, GH, SMJ, GR 지점에서 RMSE는 각각 900, 930, 986, 777, 874, 607세대에서 수렴하였다. GH 지점의 경우, RMSE 값이 가장 컸으며, 다른 지점에 비해 빠르게 수렴하는 경향을 보였다. 이는 GH 지점에서 실측 Chl-a 값의 변동 폭이 상대적으로 커, 알고리즘이 최적해를 충분히 학습하는 데 어려움이 있는 것으로 판단된다.

GA를 통해 산정된 지점별 세포당 Chl-a의 최적 함량은 Table 4에 제시하였다. 조류 발생 패턴과 우점하는 조류 종의 차이에 따라 지점별 조류 군집별 Chl-a 함량이 상이하였다^{(Park et al., 2019a)}.

Fig. 4. Evolution of RMSE values during generations of optimization for each station: (a) SJ, (b) GH, (c) SMJ.

Table 3 Input parameters used for the Genetic Algorithm

Input parameter	Value
num_generations	1000
num_parents_mating	8
sol_per_pop	500
gene_space	0-0.01
mutation_percent_genes	40
keep_elitism	2

매개변수 최적화 결과에 따르면, SJ 지점에서 유해남조류 군집의 세포당 Chl-a 함량은 6.66E-09 μg/cell로 가장 낮게 산정되었으며, GH 및 SMJ 지점은 각각 5.71E-06 μg/cell, 1.09E-06 μg/cell로 다른 지점에 비해 높게 산정되었다. 이는 해당 지점에서 유해남조류의 우점도가 높았음을 시사하며, 특히 SMJ 지점은 금호강이 낙동강 본류와 합류한 이후의 지점으로, GH 지점에서 유입된 유해남조류의 영향을 받은 것으로 해석된다. 반면, GR 지점에서는 유해남조류를 제외한 남조류 군집의 세포당 Chl-a 함량이 6.90E-09 μg/cell로 가장 낮았고, 다른 조류 군집의 세포당 Chl-a 함량이 상대적으로 높은 값을 보였다. 또한, B 지점을 제외한 모든 지점에서 기타 조류 군집의 세포당 Chl-a 함량이 상대적으로 높게 산정되었으며, 이는 Chl-a 총량이 주요 조류 군집 외의 종들에 의해 영향을 받을 가능성을 나타낸다.

본 연구의 결과는 동일한 분류의 군집이라도 실제 각 지점의 조류 종 조성, 우점 시기, 수온, 수리학적 조건, 영양염류 농도 등의 차이에 따라 세포당 Chl-a 함량의 최적화 결과가 달라질 수 있음을 보여준다. 그러나, 국내 수계에서 출현한 조류의 세포 내 Chl-a 함량을 조사한 사례가 제한적이며, 조류는 종, 속 등에 따라 세포 크기 및 특성이 매우 다양하므로, 세포 수 기반 자료를 직접 활용할 경우 오차가 발생할 수 있는 한계가 있다^{(Park, 2014)}. 따라서 GA를 통해 산정한 최적 매개변수 값에 대한 해석에는 불확실성이 다소 존재하며, 향후 다양한 수환경 조건에서의 조류 종 조성을 고려한 실측 기반 연구가 필요하다.

Table 4 Chl-a content in individual algal groups estimated for each station in this study

Station	Chl-a content per cell (μg/cell)
Station	HAB*	Cyano**	Diatoms	Greens	Others
SJ	6.66E-09	9.49E-08	5.39E-07	4.65E-08	2.03E-06
B	3.16E-08	3.16E-05	3.35E-08	1.39E-07	3.91E-06
DS	2.36E-08	4.36E-07	3.92E-08	9.70E-07	4.84E-06
GH	5.71E-06	2.97E-05	8.88E-07	2.39E-06	3.75E-05
SMJ	1.09E-06	4.85E-06	2.17E-06	6.02E-06	8.39E-06
GR	3.15E-07	6.90E-09	1.44E-06	1.58E-08	2.02E-06

*Algal group of harmful cyanobacteria

**Algal group of cyanobacteria excluding harmful cyanobacteria

3.2 모델의 재현성 검토

3.2.1 수위 및 수온 보정

모델의 수위 보정을 위해 환경부 물환경정보시스템에서 제공하는 성주군(성주대교) 및 대구시(사문진교) 지점의 일별 수위 관측 자료를 이용하였다. 수온 보정에는 환경부 물환경정보시스템에서 수집한 성주 및 화원나루 지점의 일별 수온 측정 자료를 활용하였다. 지점별 수위 및 수온 보정 결과는 통계 지표를 통해 평가하였으며(Table 5), 실측값과 함께 Fig. 5에 제시하였다.

Table 5 Statistical analysis of the modeling performance

Station	SJ				SMJ
Statistical index	NSE	R²	RMSE	MAE	NSE	R²	RMSE	MAE
Water elevation	0.92	0.929	0.03 m	0.01 m	0.81	0.977	0.07 m	0.06 m
Water temperature	0.99	0.996	0.66°C	0.38°C	0.98	0.991	1.05°C	0.74°C
DO	0.90	0.940	0.68 mg/L	0.45 mg/L	0.87	0.892	0.61 mg/L	0.40 mg/L
TOC	0.96	0.97	0.16 mg/L	0.06 mg/L	0.43	0.485	1.03 mg/L	0.68 mg/L
TN	0.83	0.842	0.23 mg/L	0.12 mg/L	0.81	0.873	0.58 mg/L	0.37 mg/L
NH₄-N	0.76	0.787	0.02 mg/L	0.01 mg/L	0.82	0.827	0.13 mg/L	0.08 mg/L
NO₃-N	0.89	0.932	0.22 mg/L	0.17 mg/L	0.76	0.833	0.53 mg/L	0.31 mg/L
TP	0.94	0.942	0.01 mg/L	0.00 mg/L	-0.03	0.507	0.02 mg/L	0.01 mg/L
PO₄-P	0.55	0.776	0.01 mg/L	0.01 mg/L	0.73	0.878	0.01 mg/L	0.01 mg/L
Chl-a	0.53	0.683	2.65 mg/m³	1.72 mg/m³	0.48	0.723	6.72 mg/m³	3.76 mg/m³
HAB	0.97	0.978	8,763 cells/mL	5,544 cells/mL	0.63	0.696	2,094 cells/mL	1,046 cells/mL

수위 보정 결과, SJ 지점의 NSE는 0.92, R²는 0.929, RMSE는 0.03 m, MAE는 0.01 m로 분석되었다. 일부 오차가 있으나, 수위 변동이 큰 2022년 2월 및 9월의 양상을 잘 반영하여 수위 변화를 적절히 재현하는 것으로 판단된다. SMJ 지점의 NSE는 0.81, R²는 0.977, RMSE는 0.07 m, MAE는 0.06 m로 분석되었다. 전반적으로 수위가 다소 높게 모의되었으나, 2022년 2월 및 7월∼9월의 변동 양상을 잘 모의하는 것으로 보아 보 하류의 수위 변화를 잘 재현하는 것으로 판단된다.

수온 보정 결과, SJ 지점의 NSE는 0.99, R²는 0.996, RMSE는 0.66°C, MAE는 0.38°C로 분석되었다. 2022년 1월∼2월 및 10월에 수온이 다소 높게 모의되었으나, 전반적인 수온 증감 패턴을 적절히 재현하는 것으로 나타났다. SMJ 지점의 NSE는 0.98, R²는 0.991, RMSE는 1.05°C, MAE는 0.74°C로 분석되었으며, 수온이 전반적으로 다소 높게 모의되었으나, 계절에 따른 수온 변화를 잘 반영하는 것으로 판단된다.

Fig. 5. Comparison of observed and simulated water elevations and water temperatures: (a) SJ and (b) SMJ.

3.2.2 수질 보정

수질 보정을 위한 실측값은 환경부 물환경정보시스템에서 수집한 성주, 화원나루 지점의 일별 DO, TOC, TN, NH₄-N, NH₃-N, TP, PO₄-P 측정 자료를 사용하였다. 지점별 수질 항목의 보정 결과는 통계 지표를 통해 평가하였으며(Table 5), 실측값과 함께 Fig. 6에 제시하였다.

DO 보정 결과, SJ 지점의 NSE는 0.90, R²는 0.940, RMSE는 0.68 mg/L, MAE는 0.45 mg/L로 분석되었다. 2022년 2월 및 10월에 DO 농도가 다소 낮게 모의되었으며, 이는 동일 지점에서 수온 보정 시 나타난 오차 양상과 일치하였다. SMJ 지점의 NSE는 0.87, R²는 0.892, RMSE는 0.61 mg/L, MAE는 0.40 mg/L로 분석되었다. 2022년 6∼7월에 DO 농도가 낮게 모의된 것 또한 해당 지점의 수온 보정에서 나타난 오차와 유사한 경향을 보였다. 전반적으로, 수온 증가에 따른 산소 용해도 감소에 따라 DO 농도 변화가 적절히 재현된 것으로 나타났다.

TOC 보정 결과, SJ 지점은 NSE 0.96, R² 0.97, RMSE 0.16 mg/L, MAE 0.06 mg/L로 나타났으며, 전반적으로 TOC 농도 변화를 적절히 재현하였다. SMJ 지점은 NSE 0.43, R² 0.485, RMSE 1.03 mg/L, MAE 0.68 mg/L로 나타났으며, 2022년 4월 및 7월에 TOC 농도가 실측값보다 낮게 모의되었다.

TN 보정 결과, SJ 지점의 NSE는 0.83, R²는 0.842, RMSE는 0.23 mg/L, MAE는 0.12 mg/L로 분석되었으며, 2022년 7월 및 9월에 일부 낮게 모의되는 날이 있으나, 전반적으로 농도 변동을 잘 반영하여 모의하는 것으로 나타났다. SMJ 지점은 NSE 0.81, R² 0.873, RMSE 0.58 mg/L, MAE 0.37 mg/L로 분석되었다. 특히, SMJ 지점은 인접한 유입원인 금호강의 TN 농도 변화에 큰 영향을 받아 농도 변동이 크게 나타났으며, 금호강의 실측 TN 값과 비교한 결과, 유입원의 TN 농도 변동에 따른 변화를 적절히 반영하는 것으로 나타났다.

NH₄-N 보정 결과, SJ 지점은 NSE 0.76, R² 0.787, RMSE 0.02 mg/L, MAE 0.01 mg/L로 나타났으며, SMJ 지점은 NSE 0.82, R² 0.827, RMSE 0.13 mg/L, MAE 0.08 mg/L로 나타났다. SJ 지점에 비해 SMJ 지점의 NH₄-N 농도 변동성이 크게 나타났으나, 각 지점에 따라 농도 변화가 적절히 재현되었다.

NO₃-N 보정 결과, SJ 지점은 NSE 0.89, R² 0.932, RMSE 0.22 mg/L, MAE 0.17 mg/L으로 나타났으며, 2022년 6∼7월 사이에 다소 높게 모의되는 경향을 보였다. SMJ 지점은 NSE 0.76, R² 0.833, RMSE 0.53 mg/L, MAE 0.31 mg/L로, 전반적으로 급격한 농도 변동을 적절히 재현하였으나 2022년 3∼5월 사이에 다소 낮게 모의되는 경향이 나타났다.

TP 보정 결과, SJ 지점은 NSE 0.94, R² 0.942, RMSE 0.01 mg/L, MAE 0.00 mg/L로 나타났으며, 2022년 7∼9월 사이 TP 농도의 급격한 증감 패턴을 적절히 재현하였다. SMJ 지점은 NSE -0.03, R² 0.507, RMSE 0.02 mg/L, MAE 0.01 mg/L로 나타났으며, 2022년 5월 및 8월에 TP 농도를 다소 높게 모의하는 경향을 보였다.

PO₄-P는 SJ 지점에서 NSE 0.55, R² 0.776, RMSE 0.01 mg/L, MAE 0.01 mg/L로 나타났으며, SMJ 지점은 NSE 0.73, R² 0.878, RMSE 0.01 mg/L, MAE 0.01 mg/L로 나타났다. 두 지점 모두 2022년 8∼9월 사이에 증가하는 PO₄-P 농도의 변동성을 적절히 재현하였다.

Fig. 6. Comparison of observed and simulated DO, TOC, TN, NH₄-N, NH₃-N, TP, and PO₄-P concentrations: (a) SJ and (b) SMJ.

Fig. 7. Comparison of observed and simulated Chl-a and HABs: (a) SJ and (b) SMJ.

Chl-a 및 유해남조류 세포수의 실측값은 국립환경과학원에서 2022년 5월 2일부터 10월 12일까지 측정한 자료를 사용하였다. 보정 결과는 통계 지표를 통해 평가하였으며(Table 5), 실측값과 함께 Fig. 7에 제시하였다.

Chl-a 보정 결과, SJ 지점의 NSE는 0.53, R²는 0.683, RMSE는 2.65 mg/m³, MAE는 1.72 mg/m³로 분석되었다. 2022년 8월 및 10월에 Chl-a 농도가 낮게 모의되는 경향이 있으나, 전반적인 증감 패턴은 적절히 재현된 것으로 나타났다. SMJ 지점의 NSE는 0.48, R²는 0.723, RMSE는 6.72 mg/m³, MAE는 3.76 mg/m³로 분석되었으며, 전반적으로 실측값보다 낮게 모의되는 경향이 있으나 Chl-a 농도의 변동 양상은 적절히 재현된 것으로 판단된다.

유해남조류 세포수 보정 결과, SJ 지점의 NSE는 0.97, R²는 0.978, RMSE는 8,763 cells/mL, MAE는 5,544 cells/mL로 분석되었다. 여름철 유해남조류의 고밀도 증식으로 인해 세포수가 급격히 증가하여 RMSE 및 MAE 값 또한 큰 경향이 보였으나, 여름철 수온 상승에 따른 유해남조류 성장 패턴을 잘 반영하여 모의된 것으로 판단된다. SMJ 지점의 NSE는 0.63, R²는 0.696, RMSE는 2,094 cells/mL, MAE는 1,046 cells/mL로 분석되었다. SMJ 지점은 SJ 지점에 비해 유해남조류 세포수 실측값이 상대적으로 작아 RMSE 및 MAE 값이 작게 나타난 것으로 보이며, 유해남조류의 성장 패턴이 적절히 반영된 것으로 나타났다.

3.3 조류경보 지점의 유해남조류 세포수 예측

보정된 모델을 활용하여 강정고령 지점의 2022년 6월부터 10월 초 유해남조류 세포수를 모의한 결과, NSE는 0.77, R²는 0.774, RMSE는 9,210 cells/mL, MAE는 4,794 cells/mL로 분석되었다. 또한, Fig. 8의 상자그림을 통해 실측값과 모의값의 분포를 분석한 결과, 실측값과 모의값의 범위는 각각 75∼79,285 cells/mL, 10∼79,731 cells/mL로 유사하게 나타났으며, 3사분위수 또한 각각 28,263 cells/mL, 27,400 cells/mL로 실측값과 모의값이 비슷한 경향을 보였다. 그러나 중앙값은 각각 11,302 cells/mL, 16,753 cells/mL로, 모의값이 실측값보다 높게 나타났으며, 모의값의 1사분위수도 각각 1,633 cells/mL, 5,373 cells/mL로 모의값이 실측값보다 높게 나타났다. 이는 유해남조류 세포수가 수십에서 수만 cells/mL까지 넓은 범위로 분포하는 수질 항목으로, 일반적인 수질 항목에 비해 변동이 커 차이가 크게 나타난 것으로 판단된다. 조류경보 기준을 적용하여 분석한 결과, 실측값과 모의값의 1사분위수는 모두 ‘관심’ 단계에 해당하였으며, 중앙값 기준으로는 ‘경계’ 단계에 속하여 모의값과 실측값이 유사한 수준을 보였다.

Fig. 8. Box plot of HABs at Gangjeong-Goryeong station.

모델이 강정고령 지점에서 세포수 밀도가 낮은 구간을 다소 높게 예측하는 경향이 있으며, 이는 중⋅고농도 구간에서의 모델 예측 정확도 향상에 집중된 것으로 보인다. 그러나, 실제 조류경보제 운영 측면에서 ‘경계’, ‘주의’ 단계 이상에 해당하는 중⋅고농도 구간의 예측 정확도가 정책적 의사결정에 더 중요하게 작용하는 점을 고려할 때, 본 모델은 유해남조류 발생 위험이 높은 시기의 조기경보 판단을 지원하는 데 효과적으로 활용될 수 있다.

4. Conclusion

본 연구에서는 낙동강 중류 구간을 대상으로 EFDC 모델을 구축하고, GA를 활용하여 지점별 조류 군집별 세포당 Chl-a 함량을 최적화함으로써 유해남조류 발생을 모의하였다. 조류 군집을 유해남조류, 유해남조류 제외 남조류, 규조류, 녹조류, 기타조류로 세분화하였으며, GA의 적합도 함수로 RMSE를 설정하여 세포당 Chl-a의 최적 함량을 산정하였다. 최적화 결과, 조류 군집별 Chl-a 함량은 조류 발생 패턴과 우점 조류 종의 차이에 따라 지점별로 상이하게 나타났다.

모델의 재현성 평가를 위해 연구 대상 지역의 중심에 위치한 강정고령보를 기준으로 보 상류(성주대교) 및 보 하류(사문진교) 지점에서 모의값과 실측값을 비교하였다. 2022년의 수위, 수온, DO, TOC, TN, NH₄-N, NH₃-N, TP, PO₄-P, Chl-a, 유해남조류 세포수 실측값과 모의값을 NSE, R², RMSE, MAE 통계 지표와 시계열 증감 패턴을 분석한 결과, 모든 항목에서 적절히 재현하는 것으로 나타났다. 보 방류량 조절에 따른 수위 변동 및 계절에 따른 수온 변화가 적절히 재현되었으며, 수온 변화에 따른 DO 농도 변동, 유입원의 영향에 따른 TN, NH₄-N, NH₃-N 농도 변동, 시기에 따른 TP와 PO₄-P 농도의 증가 양상이 적절하게 모의되었다. 조류 발생 시기에 따른 Chl-a 변동 및 유해남조류의 성장 패턴을 반영한 유해남조류 세포수도 실측값과 유사한 경향을 나타냈다.

조류경보제 운영 지점인 강정고령 지점에서의 유해남조류 세포수를 예측하여 모델의 신뢰도를 검증한 결과, 실측값을 적절히 모의하였다. 상자그림을 통해 실측값과 모의값의 분포를 분석한 결과, 모의값이 다소 높게 예측되는 경향이 있으나 전반적인 예측 범위는 실측값과 유사하였다. 환경부의 조류경보 기준을 적용하여 분석한 결과, 실측값과 모의값이 ‘관심’ 및 ‘경계’ 단계를 중심으로 변동하는 경향을 보이며 모델이 조류 발생 수준을 적절히 반영하는 것으로 나타났다.

본 연구는 대상 지역의 환경에 따른 조류 군집별 특성을 반영한 유전자 알고리즘 기반의 매개변수 최적화를 통해 지점별 조류 군집에 따른 Chl-a 함량의 차이를 반영함으로써 모델의 신뢰도가 향상될 수 있음을 보였다. 이는 유해남조류 중심의 조류경보제 운영에 있어 환경 조건을 고려한 수치모델 기반 예측 기법의 적용 가능성을 제시할 수 있다.

그러나 본 연구에서는 질소 및 인의 반포화 상수, Chl-a:탄소 비 등의 일부 매개변수가 모든 조류 군집에 대해 일정한 값으로 설정되어 조류 군집 간의 영양염류 특성이나 탄소 전환 효율의 차이가 충분히 반영되지 못하였다는 한계가 존재한다. 이로 인해 특정 시기 또는 지점에서 모의 오차가 발생할 수 있으며, 조류 군집별 매개변수 설정의 불확실성이 모델 예측에 영향을 미칠 가능성이 있다. 또한, 부유물질(Suspended Solids, SS)은 광 감쇠 및 조류 성장 제한에 영향을 미치는 수질 항목이므로, 향후 SS의 시⋅공간적 분포와 SS와 조류 성장 간의 상관성을 고려한 분석이 필요하다.

본 연구는 단기간의 관측 자료를 기반으로 수행되었으므로, 장기적인 관측 자료를 활용하여 조류 군집별 변동 특성에 대한 분석을 더욱 정밀하게 수행할 필요가 있다. 이와 더불어, 조류 군집별 세포당 Chl-a 함량뿐 아니라 조류 성장 속도에 영향을 미치는 최적 성장 온도, 최대 성장률 등의 조류 매개변수에 대한 최적화 방안도 향후 연구에서 고려되어야 한다.

Acknowledgement

본 연구는 2022년 국립환경과학원의 보 구간 광역 조류 정밀 모니터링(Ⅴ) 사업(11-1480523-005031-01: NIER-SP2022-283)의 자료를 제공받았으며, 한국연구재단의 4단계 두뇌한국21사업 이화여자대학교 환경공학과 「신종 유해물질 대응 다매체 통합접근론 교육연구팀」의 지원을 받아 수행된 연구입니다.

References

Ahn, J. M., Kim, J., Kwak, S., and Kang, T. (2023). Optimized microcystis prediction model using EFDC-NIER and LH-OAT method, KSCE Journal of Civil Engineering, 27(3), 1066-1076. https://doi.org/10.1007/s12205-023-1886-y

Bae, S. and Seo, D. (2018). Analysis and modeling of algal blooms in the Nakdong River, Korea, Ecological Modelling, 372, 53-63. https://doi.org/10.1016/j.ecolmodel.2018.01.019

Bozorg-Haddad, O., Soleimani, S., and Loáiciga, H. A. (2017). Modeling water-quality parameters using genetic algorithm–least squares support vector regression and genetic programming, Journal of Environmental Engineering, 143(7), 04017021. https://doi.org/10.1061/(ASCE)EE.1943-7870.001217

Ch, S. and Mathur, S. (2012). Particle swarm optimization trained neural network for aquifer parameter estimation, KSCE Journal of Civil Engineering, 16, 298-307. https://doi.org/10.1007/s12205-012-1452-5

Cho, J. H. (2011). Application of the QUAL2Kw model to a polluted river for automatic calibration and sensitivity analysis of genetic algorithm parameters, Journal of Environmental Impact Assessment, 20(3), 357-365. [Korean Literature] https://doi.org/10.14249/eia.2011.20.3.357

Cho, J. H. and Lee, J. H. (2006). Parameter optimization for runoff calibration of SWMM, Journal of Environmental Impact Assessment, 15(6), 435-441. [Korean Literature]

Cho, J. H., Sung, K. S., and Ha, S. R. (2004). A river water quality management model for optimising regional wastewater treatment using a genetic algorithm, Journal of Environmental Management, 73(3), 229-242. https://doi.org/10.1016/j.jenvman.2004.07.004

Choi, H. G., Kim, D. I., Na, C. H., and Han, K. Y. (2012). Assessment of EFDC model for water quality analysis in Nakdong River, Journal of Korea Water Resources Association, 45(7), 685-696. [Korean Literature] https://doi.org/10.3741/JKWRA.2012.45.7.685

Choi, J., Min, J. H., and Kim, D. W. (2015). Three-dimensional algal dynamics modeling study in lake euiam based on limited monitoring data, Journal of Korean Society on Water Environment, 31(2), 181-195. [Korean Literature] http://dx.doi.org/10.15681/KSWE.2015.31.2.181

DSI LLC. (2024). EFDC+ Theory, Version 12., Published by DSI LLC, Edmonds WA, Available at https://www.eemodelingsystem.com/wp-content/Download/Documentation/EFDC Theory_Document_Ver_12.pdf

Fadel, A., Sharaf, N., Siblini, M., Slim, K., and Kobaissi, A. (2019). A simple modelling approach to simulate the effect of different climate scenarios on toxic cyanobacterial bloom in a eutrophic reservoir, Ecohydrology & Hydrobiology, 19(3), 359-369. https://doi.org/10.1016/j.ecohyd.2019.02.005

Gad, A. F. (2024). Pygad: An intuitive genetic algorithm python library, Multimedia Tools and Applications, 83(20), 58029-58042. https://doi.org/10.1007/s11042-023-17167-y

Holland, J. H. (1973). Genetic algorithms and the optimal allocation of trials, SIAM Journal on Computing, 2(2), 88-2019105. https://doi.org/10.1137/0202009

Hwang, S., Shin, S. B., Song, J. H., Yoon, K. S., and Kang, M. S. (2018). Simulating arsenic concentration changes in small agricultrual reservoir using EFDC-WASP linkage model, Journal of the Korean Society of Agricultural Engineers, 60(5), 29-40. [Korean Literature] https://doi.org/10.5389/KSAE.2018.60.5.29

Jeon, J. H., Chung, S. W., Park, H. S., and Jang, J. R. (2011). Evaluation of EFDC for the simulations of water quality in Saemangeum Reservoir, Journal of Korean Society on Water Environment, 27(4), 445-460. [Korean Literature]

Jung, W. S., Kim, S. E., and Kim, Y. D. (2021). Analysis of influential factors of cyanobacteria in the mainstream of Nakdong River using random forest, Journal of Wetlands Research, 23(1), 27-34. [Korean Literature] https://doi.org/10.17663/JWR.2021.23.1.27

Katoch, S., Chauhan, S. S., and Kumar, V. (2021). A review on genetic algorithm: Past, present, and future, Multimedia Tools and Applications, 80, 8091-8126. https://doi.org/10.1007/s11042-020-10139-6

Kim, E., Park, C., Na, M., Park, H., and Kim, B. (2018). Impact analysis of tributaries and simulation of water pollution accident scenarios in the water source section of Han River using 3-D hydrodynamic model, Journal of Korean Society on Water Environment, 34(4), 363-374. [Korean Literature] https://doi.org/10.15681/KSWE.2018.34.4.363

Kim, H. J., Kwak, S., Yoon, M., Kim, I. K., Kim, Y. S., and Kim, D. S. (2019). Effect of a floating photovoltaic system (FPV) at Chungju Dam (Cheongpung Lake) on water quality, Korean Journal of Ecology and Environment, 52(4), 293-305. [Korean Literature] https://doi.org/10.11614/KSL.2019.52.4.293

Kim, J. W. and Cho, Y. G. (2021). A study on the short-term water quality change in the lower Yeongsan River, Journal of the Korean Society for Marine Environment & Energy, 24 (2), 72-79. [Korean Literature] https://doi.org/10.7846/JKOSMEE.2021.24.2.72

Kim, J., Kim, H., Kim, K., and Ahn, J. M. (2024). Assessing the applicability of deep-learning method for predicting Cyanobacteria in a regulated river, Journal of Environmental Engineering, 150(5), 04024012. https://doi.org/10.1061/JOEEDU.EEENG-7427

Kim, J., Lee, T., and Seo, D. (2017). Algal bloom prediction of the lower Han River, Korea using the EFDC hydrodynamic and water quality model, Ecological Modelling, 366, 27-36. https://doi.org/10.1016/j.ecolmodel.2017.10.015

Kim, M. S. and Han, J. S. (2003). Study estimation of optimal parameter on water quality model using artificial intelligence technical methods, Journal of Korean Society of Environmental Administration, 9(1), 1-9. [Korean Literature]

Kwak, I., Choi, B., Jeon, H., Kim, S., Bae, J., Kim, S., and Kim, J. (2020). Analysis of water quality improvement effect by securing water quality characteristics and flow rate in the Geumho River, Journal of Environmental Impact Assessment, 29(6), 414-429. [Korean Literature] https://doi.org/10.14249/eia.2020.29.6.414

Lee, H. K. (2008). Improvement of convergence properties for genetic algorithms, Journal of Advanced Navigation Technology, 12(5), 412-419. [Korean Literature]

Lee, T., Kim, S., Lee, J., Kim, K., Lee, H., and Kim, D. (2024). A study on algal bloom forecast system based on hydro-meteorological factors in the mainstream of Nakdong River using machine learning, Journal of Wetlands Research, 26(3), 245-253. [Korean Literature] https://doi.org/10.17663/JWR.2024.26.3.245

Liang, S., Han, S., and Sun, Z. (2015). Parameter optimization method for the water quality dynamic model based on data-driven theory, Marine Pollution Bulletin, 98(1-2), 137-147. https://doi.org/10.1016/j.marpolbul.2015.07.004

Lim, S., Gim, H. J., Lee, E., Lee, S. Y., Lee, W. Y., Lee, Y. H., Cassardo, C., and Park, S. K. (2021). Optimization of Snow-Related Parameters in Noah Land Surface Model (v3. 4.1) Using Micro-Genetic Algorithm (v1. 7a), Geoscientific Model Development Discussions, 2021, 1-20. https://doi.org/10.5194/gmd-15-8541-2022

Manriquez-Padilla, C. G., Cueva-Perez, I., Dominguez-Gonzalez, A., Elvira-Ortiz, D. A., Perez-Cruz, A., and Saucedo-Dorantes, J. J. (2023). State of charge estimation model based on genetic algorithms and multivariate linear regression with applications in electric vehicles, Sensors, 23(6), 2924. https://doi.org/10.3390/s23062924

Ministry of Environment (ME). (2023a). 2022 report on the occurrence and response to algae (Green Tide) in Korea, Ministry of Environment, Ministry of Environment. [Korean Literature]

Ministry of Environment (ME). (2023b). 2022 statistics of water works, Ministry of Environment. [Korean Literature]

Ministry of Environment (ME). (2024a). 2023 report on the occurrence and response to algae (green tide) in Korea, Ministry of Environment, Ministry of Environment. [Korean Literature]

Ministry of Environment (ME). (2024b). Water resources Management Information System (WAMIS), http://www.wamis.go.kr/ (accessed Dec. 2024)

Ministry of Land, Transport and Maritime Affairs (MLTMA). (2009a). Basic Plan(rivised) for river maintenance of Nakdong River: Nakdong River(from the confluence with the Geumho River to the estuary), Miryanggang, and Yangsancheon, Ministry of Land, Transport and Maritime Affairs. [Korean Literature]

Ministry of Land, Transport and Maritime Affairs (MLTMA). (2009b). Basic Plan(rivised) for river maintenance of Nakdong River: Nakdong River(from the national river starting point to the confluence with the Geumho River), Ministry of Land, Transport and Maritime Affairs. [Korean Literature]

Nash, J. E. and Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I — A discussion of principles, Journal of Hydrology, 10(3), 282-290. https://doi.org/10.1016/0022-1694(70)90255-6

National Institute of Environment Research (NIER). (2022). Intensive monitoring on the regional distribution of Phytoplankton in the Weir Areas(V), National Institute of Environment Research. [Korean Literature]

Noh, S., Park, H., Choi, H., and Lee, J. (2014). Effect of climate change for cyanobacteria growth pattern in Chudong station of Lake Daechung, Journal of Korean Society on Water Environment, 30(4), 377-385. [Korean Literature] https://doi.org/10.15681/KSWE.2014.30.4.377

Oh, H. Y., Kim, E. J., and Choi, J. H. (2023). Analysis of behavior characteristics of water pollutants in Yeongsan River using 3D hydraulic model, Journal of Korean Society on Water Environment, 39(6), 439-450. [Korean Literature] https://doi.org/10.15681/KSWE.2023.39.6.439

Park, D. Y., Kim, S. J., Park, H. S., and Chung, S. W. (2019a). Simulations of the effect of flow control and phosphate loading on the reduction of algae biomass in Gangjeong-Goryong Weir, Journal of Environmental Impact Assessment, 28(6), 507-524. [Korean Literature] https://doi.org/10.14249/eia.2019.28.6.507

Park, D. Y., Park, H. S., Kim, S. J., and Chung, S. W. (2019b). Analysis of water quality variation by lowering of water level in Gangjeong-Goryong Weirin Nakdong River, Journal of Environmental Impact Assessment, 28(3), 245-262. [Korean Literature] https://doi.org/10.14249/eia.2019.28.3.245

Park, H. K. (2014). Elemental stoichiometry of natural phytoplankton communities in reservoirs of the Han River systems, Journal of Korean Society on Water Environment, 30(6), 665-672. [Korean Literature] https://doi.org/10.15681/KSWE.2014.30.6.665

Pelletier, G. J., Chapra, S. C., and Tao, H. (2006). QUAL2Kw–A framework for modeling water quality in streams and rivers using a genetic algorithm for calibration, Environmental Modelling and Software, 21(3), 419-425. https://doi.org/10.1016/j.envsoft.2005.07.002

Ranjbar, M. H., Hamilton, D. P., Etemad-Shahidi, A., and Helfer, F. (2021). Individual-based modelling of cyanobacteria blooms: Physical and physiological processes, Science of the Total Environment, 792, 148418. https://doi.org/10.1016/j.scitotenv.2021.148418

Seo, D. I., Nam, G. S., Lee, S. H., Lee, E. H., Kim, M., Choi, J. Y., and Chang, K. H. (2013). Plankton community in weir section of the Nakdong River and its relation with selected environmental factors, Korean Journal of Environmental Biology, 31(4), 362-369. [Korean Literature] http://dx.doi.org/10.11626/KJEB.2013.31.4.362

Seo, D., Kim, J., and Kim, J. (2020). Analysis of influence on water quality and harmful algal blooms due to weir gate control in the Nakdong River, Geum River, and Yeongsan River, Journal of Korea Water Resources Association, 53(10), 877-887. [Korean Literature] https://doi.org/10.3741/JKWRA.2020.53.10.877

Shin, C. M., Kim, D., and Song, Y. (2019). Analysis of hydraulic characteristics of Yeongsan river and estuary using EFDC model, Journal of Korean Society on Water Environment, 35(6), 580-588. [Korean Literature] https://doi.org/10.15681/KSWE.2019.35.6.580

Shin, C. M., Min, J. H., Park, S. Y., Choi, J., Park, J. H., Song, Y. S., and Kim, K. (2017). Operational water quality forecast for the Yeongsan river using EFDC model, Journal of Korean Society on Water Environment, 33(2), 219-229. [Korean Literature] https://doi.org/10.15681/KSWE.2017.33.2.219

Shin, H. J. and Lee, O. M. (2014). The dynamic of phytoplankton communities and the biological water quality assessment at three artificial weirs in downstream of Namhan-river, Journal of Korean Society on Water Environment, 30(6), 612-621. [Korean Literature] https://doi.org/10.15681/KSWE.2014.30. 6.612

Tetra Tech. (2006). A hydrodynamic and water quality model for the Lower Charles River Basin, Massachusetts, Tetra Tech.

Woo, C. Y., Yun, S. L., Kim, S. G., and Lee, W. T. (2020). Occurrence of harmful Blue-green algae at algae alert system and water quality forecast system sites in Daegu and Gyeongsangbuk-do between 2012 and 2019, Journal of Korean Society of Environmental Engineers, 42, 664-673. [Korean Literature] https://doi.org/10.4491/KSEE.2020.42.12.664

Wu, G. and Xu, Z. (2011). Prediction of algal blooming using EFDC model: Case study in the Daoxiang Lake, Ecological Modelling, 222(6), 1245-1252. https://doi.org/10.1016/j.ecolmodel.2010.12.021

Xu, S., He, G., Fang, H., Bai, S., and Wu, X. (2022). Parameter uncertainty and sensitivity analysis of the three Gorges Reservoir and Xiangxi River EFDC model, Journal of Hydrology, 610, 127881. https://doi.org/10.1016/j.jhydrol.2022.127881

Yu, N., Kim, S., Yun, J., Seo, D., and Hwang, H. (2024). A study on the causal analysis and reduction measures of blue-green algae using the EFDC model, Journal of Korea Water Resources Association, 57(10), 797-808. [Korean Literature] https://doi.org/10.3741/JKWRA.2024.57.10.797

Yun, Y., Jang, E., Park, H. S., and Chung, S. W. (2018). Evaluation of eutrophication and control alternatives in Sejong weir using EFDC model, Journal of Environmental Impact Assessment, 27(6), 548-561. [Korean Literature] https://doi.org/10.14249/eia.2018.27.6.548

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

JKSWE The Journal of
the Korean Society on Water Environment

Editorial Office

Journal XML

Journal Information

Simulating of Harmful Cyanobacteria in the Middle of Nakdong River of a 3-D Hydrodynamic and Water Quality Model With Genetic Algorithm

Abstract

Key words

1. Introduction

2. Materials and Methods

2.1 연구대상지역

2.2 모델 구축

2.2.1 모델 개요

Eq. (1)

2.2.2 모델 구성

2.3 조류 매개변수 설정

2.3.1 유전자 알고리즘(Genetic Algorithm)을 활용한 조류 군집별 세포당 Chl-a 함량 산정

2.3.2 군집별 조류 농도 산정

2.4 모델의 재현성 평가

2.5 조류경보 지점의 유해남조류 세포수 예측

3. Results and Discussion

3.1 조류 매개변수 최적화

3.2 모델의 재현성 검토

3.2.1 수위 및 수온 보정

3.2.2 수질 보정

3.3 조류경보 지점의 유해남조류 세포수 예측

4. Conclusion

Acknowledgement

References

Article Information (continued)

Key words

JKSWE The Journal ofthe Korean Society on Water Environment

Editorial Office

Journal XML

Journal Information

Simulating of Harmful Cyanobacteria in the Middle of Nakdong River of a 3-D Hydrodynamic and Water Quality Model With Genetic Algorithm

Abstract

Key words

1. Introduction

2. Materials and Methods

2.1 연구대상지역

2.2 모델 구축

2.2.1 모델 개요

Eq. (1)

2.2.2 모델 구성

2.3 조류 매개변수 설정

2.3.1 유전자 알고리즘(Genetic Algorithm)을 활용한 조류 군집별 세포당 Chl-a 함량 산정

2.3.2 군집별 조류 농도 산정

2.4 모델의 재현성 평가

2.5 조류경보 지점의 유해남조류 세포수 예측

3. Results and Discussion

3.1 조류 매개변수 최적화

3.2 모델의 재현성 검토

3.2.1 수위 및 수온 보정

3.2.2 수질 보정

3.3 조류경보 지점의 유해남조류 세포수 예측

4. Conclusion

Acknowledgement

References

Article Information (continued)

Key words

JKSWE The Journal of
the Korean Society on Water Environment