여름철마다 발생하는 조류 발생 시기와 양을 정확히 예측해 조류로 인한 피해를 예방할 수 있는 예측모형이 선보여 이목을 집중시키고 있다. 

이 기술은 수리특성을 고려한 자료 기반의 AI 녹조?수질 예측모형으로, 녹조 발생 가능성을 최소 1주일 이전에 사전 예측함으로써, 방류 조정은 물론 취수 관리, 수질 대응 조치를 보다 조기에 준비하고 선제적으로 시행할 수 있는 기반을 제공한다.

특히, 수질, 수리·수문, 기상 등의 조건과 녹조 발생 간의 정량적 관계를 이용해 상류로부터의 오염부하량과 댐 운영 등 다양한 정책적 조절 수단의 효과를 모의?평가하는 정책 지원 도구로 확장할 수 있다는 평가도 받고 있다. 

최근 인공신경망 및 머신러닝 기술의 접근성이 개선되면서 일부 물리적 과정을 대체하는 데이터 기반의 단기 예측기법이 활발히 도입되고 있지만, 이 같은 자료 기반의 모델은 입력 데이터의 수집·전처리 품질에 따라 예측 성능 변화가 큰 것으로 알려져 있다.

특히, 자료 품질 확보와 모델 구축을 위한 표준화된 기준이 마련돼 있지 않아 예측 지점별로 다양한 기법이 임의 적용되고 있고, 방법론 간 성능을 객관적으로 비교할 수 있는 체계도 미흡한 실정이다. 

따라서 자료의 신뢰성을 높이고 현장 적용성 확보를 위한 표준적인 AI 예측모델 개발 필요성이 대두되고 있다.

또한, 시계열자료 기반의 AI 예측 모델만으로는 녹조 발생의 물리적 과정을 체계적으로 설명하고 예측하는 데 한계가 있어 수리·수문, 수질, 기상 등 현장 특성 자료를 통합해 실무 적용성을 검증할 필요가 있다는 의견도 제안되고 있다. 

이에 K-water에서는 그동안 산발적으로 이뤄지던 자료 기반 녹조·수질 예측기법들을 현장 데이터 가용성과 활용 목적 등 현장 특성에 따라 분류하는 한편, 현업화에 적합한 일반화 된 AI 녹조예측 모델 개발의 표준 절차 확립을 목표로 지난 2024년부터 2년 간 ‘수리특성을 고려한 자료기반 AI 녹조?수질 예측모형’ 연구를 진행했다. 

연구진은 이번 연구를 통해 기존 수치모델에 필적하거나 그 이상의 예측 성능을 갖는 데이터 기반 녹조 예측모델을 선보였다. 

연구내용

이 연구는 수리특성을 고려한 자료 기반의 AI 녹조 예측모델 개발과 개발 모델의 실무 적용성 검증을 목표로 진행됐다.

연구진은 K-water에서 관리하는 저수지의 조류경보 대응을 위해 AI 녹조 예측 모델의 분석·개발에 대한 표준안(SOP) 마련과 함께 다양한 현장 조건에서도 일관되게 적용할 수 있는 일반화된 예측 프레임워크를 제시하기 위한 연구를 진행했다.

세부적으로 살펴보면, ‘데이터 전처리 SOP 개발’ 분야에서는 데이터 정합성을 높이기 위해 이상값 탐지 및 결측값 대체 기법들을 검토하고 성능을 평가, 최적의 전처리 방법을 표준운영절차(SOP)로 정립했다.

연구진은 다양한 통계 및 평활화 기반의 이상값 탐지기법 및 처리, 머신러닝 기반 결측값 대체기법 등을 시험하고, 자료 손실을 최소화하면서 모델 예측력을 저해하지 않는 방안을 제시했다. 

이 같은 연구를 통해 구축된 전처리 SOP는 향후 새로운 자료에 대해서도 일관된 품질관리를 수행할 수 있도록 하는 기준을 제공할 전망이다.

‘탐색적 데이터 분석(EDA) SOP 개발’ 분야에서는 기술통계를 중심으로 변수별 고유 특성을 파악하는 일변량 분석을 통해 각 예측 변수들의 분포와 경향성을 분석하고, 다양한 통계 및 시계열 기법들을 통한 다변량 분석을 통해 변수들 간 상관관계와 패턴을 탐색하는 EDA 표준절차를 마련했다.

EDA 결과는 이후 변수 선택과 모델 설계 시 근거자료로 활용돼 모델 개발의 효율성과 설명력을 높이는 역할을 담당했다. 

‘변수 선택 SOP 개발’ 분야에서는 필터, 래퍼, 임베디드, 차원 축소 등 다양한 변수 선택 기법을 검토하고, 특히, 상관분석 기반의 필터 기법을 중심으로 한 시계열 변수 선택 SOP를 개발했다. 

또한, 단계적 선택법(greedy algorithm)을 적용, 최적 변수 조합을 일차 선별하고, 이차적으로 종속변수인 남조류 농도와 유의한 상관성을 갖는 후보 변수를 도출했다. 

이 같은 필터 기반 변수 선정 절차를 표준화함으로써, 데이터 특성이 다른 여러 현장에도 적용 가능한 경량화된 예측 모델 구성이 가능하게 했다. 

‘수리특성을 고려한 적정 AI 알고리즘 개발’ 분야에서는 수질·녹조 자료의 낮은 시간해상도(주간 또는 월간 자료 간격)와 관측치 불균형 등을 고려해 적은 데이터에서도 안정적으로 학습이 가능한 의사결정나무 계열의 앙상블 알고리즘을 중심으로 모델을 검토·선정했다. 

또한, 밀도성층과 지형, 체류시간 등 수체의 수리학적 특성 인자들을 모델 입력에 반영, 현상 예측의 물리적 타당성과 성능 향상을 도모했다. 

이와 함께 관측자료의 극심한 불균형 문제를 완화하기 위해 데이터 증강 기법을 병행했다. 연구진은 고농도 녹조 발생 사례가 드문 특성 보완을 위해 SMOTE 기법을 개량한 SMOGN(SMOTE with Gaussian Noise) 및 생성적 적대신경망(GAN) 기반 오버샘플링을 활용해 희소 구간의 데이터를 인공적으로 증대시켰다. 

이렇게 증강된 데이터셋으로 모델을 재학습시킨 결과, 희소한 고농도 녹조 발생에 대한 예측 정확도 향상 등 모델 학습 능력 제고가 가능한 것으로 나타났다. 

이후 증강 기법별로 모델 예측 성능에 미치는 영향을 비교·분석함으로써, 향후 수질 예측 분야에서 불균형 데이터 문제의 완화 방안을 제시했다.

‘녹조·수질 예측모델 개발 및 적용’ 분야에서는 대청댐, 주암댐 등 대상 저수지의 수질·환경 자료를 종합적으로 조사·분석한 후 댐별 수체 특성과 데이터 가용 범위를 파악했다. 

이후 문헌조사와 현장자료 검토를 통해 대상 지역별 자료 분류 및 활용도 분석을 실시하고, 이를 토대로 예측모델 개발에 활용할 학습 데이터셋을 구성했다. 

특히, 조류경보제 데이터를 비롯한 국가 수질측정망 자료, K-water 댐 운영 자료, 기상청 기상 자료 등 여러 출처의 이종 데이터를 통합해 총 27개 변수 항목으로 구성된 데이터셋을 구축하고, 각 대상 지점별로 이 같은 데이터를 모델 학습에 투입했다. 

최종적으로 선정된 알고리즘과 변수 조합을 바탕으로 대청댐에 대해 AI 녹조 예측모델을 개발하고, 이를 주암댐에도 시험 적용해 모델의 예측 성능과 실용성을 검증했다. 

인 / 터 / 뷰

K-water연구원 이충성 수석위원은 “이번 연구는 저수지 녹조 예측에 수온, 영양염과 같은 수질 요인과 함께 강우량을 비롯한 댐 유입·방류량, 체류시간 등 수리·수문 특성까지 함께 고려한 AI 기반 예측 체계를 구축했다는 점에서 의미가 있다”고 소개했다.

실제로 기존의 수치모형은 정해진 물리변수로 일관성 있는 예측에는 유리하지만, 녹조현상과 같이 물리적 인과관계가 불명확하고 지역 특성에 영향을 많이 받는 경우에는 변수 간 복잡한 상호작용 패턴을 학습할 수 있는 AI 모델이 유리한 것으로 알려져 있다.

이 박사는 “특히, 이번 연구는 단순히 녹조 예측 AI 모델을 개발했다는 의미를 넘어 지역별 환경 특성을 고려해 실무적으로 AI 모델을 개발할 수 있는 분석체계 표준화 및 도구를 개발했다는 점은 남다른 의미를 갖는다”고 강조했다.

연구진은 이 같은 성과 도출 과정에서 자료의 불균형과 불완전성 극복에 어려움을 겪었던 것으로 알려졌다. 

이 박사는 “장기간 관측자료라도 변수별 관측 주기가 다른 경우가 많아 일관된 학습데이터 구성에 많은 검토가 필요했고, 무엇보다 고농도 녹조 사상이 매우 희소하고, 해마다 발생 양상도 달라 모델 학습에 미치는 영향을 가늠하기 어려웠다”고 밝혔다. 

이어 “또한, 녹조 발생에 관련 있는 수많은 변수들의 기여도를 비교 평가해 모델의 복잡성을 감소시키고 예측력을 최대화하는 과정도 녹조와 통계적 전문지식이 종합적으로 필요한 부분으로 시행착오가 많았다”고 설명했다. 

이처럼 다양한 어려움 속에서도 연구진은 대청댐에 개발 모델을 실제로 적용해 높은 예측 성능을 확인하는 성과를 도출했다. 

이 박사는 “학습된 모델을 2024년 7~9월 발생했던 고농도 녹조 발생 사상에 시험모의한 결과, 수치모델에 비해 20~30% 높은 약 80% 내외의 예측 효율성(단순 평균 대비 오차 개선율)을 나타냈다”고 강조했다. 

이번 연구가 단순한 방법론 제시에 그치지 않고 실무적 활용 가능성을 갖췄음을 보여주는 성과 중 하나다.

이번 연구 결과는 현재 수자원공사에서 관리 중인 저수지와 취?정수시설의 수질?녹조 관리에 단계적으로 적용될 것으로 예상된다. 

이 박사는 “실 현장 적용 시 정수장 유입 원수의 수질 변화를 사전에 예측함으로써, 약품 투입량 조정이나 처리공정 운영을 보다 효율적으로 수행할 수 있어 정수처리 운영 안정성과 경제성을 동시에 제고할 수 있다”고 말했다. 

이어 “특히, 중장기 정책 시나리오 평가 등 보다 설명력 있는 의사결정 지원을 위해 향후에는 기존 수리·수질 수치모델과 결합한 하이브리드 예측 체계로 확장해 예측 정확도와 물리적 타당성을 동시에 확보하는 방향으로 활용할 계획”이라고 밝혔다. 

이 같은 하이브리드 예측체계는 향후 완성될 물환경 디지털트윈의 핵심 요소기술로 자리매김해 미래형 수질관리 및 녹조 대응 플랫폼 구축의 기반이 될 것으로 기대를 모으고 있다.

한편, 이 박사는 수자원 분야의 발전을 위해 “최근 기후변화로 인해 녹조, 고수온, 빈산소 수역과 같은 복합적인 수질 문제가 동시에 발생하고 있는 만큼 수량, 수질을 각기 단일목적으로 운영하는 개념에서 벗어나 수리·수문, 수질, 기상 정보를 통합적으로 활용하는 데이터 기반 의사결정 체계가 필요하다”고 제언했다. 

이어 “또한, 모델 개발에 그치지 않고, 현장 데이터의 품질 관리와 표준화, 이를 지속적으로 개선·운영할 수 있는 클라우드 컴퓨팅과 MLOps 시스템이 함께 구축될 때 수자원 분야에서 AI 기술이 실질적인 역할을 할 수 있을 것으로 생각한다”고 덧붙였다.