Preview

Journal of Korea Water Resources Association. 30 September 2026. 1049-1059
https://doi.org/10.3741/JKWRA.2026.59.9.1049

A study on prediction of seawater intrusion in coastal aquifers in Korea using the LSTM model

LSTM 모델을 이용한 국내 해안 지역 대수층 내 해수 침투 예측에 관한 연구
Mincheol Kima
,
Jaehyun Baeb
,
Woochang Jeongc*
김 민철a
,
배 재현b
,
정 우창c*
aStudent in Master Course, Department of Infrastructure System Civil Engineering, Kyungnam University, Changwon, Korea
bEngineer, Water Resources Department, Dongbu Engineering, Seoul, Korea
cProfessor, Department of Civil Engineering, Kyungnam University, Changwon,, Korea
a경남대학교 사회기반시스템공학과 토목공학 석사과정
b동부엔지니어링 수자원환경부 사원
c경남대학교 재난안전건설학과 교수
*Corresponding Author

© 2026 Korea Water Resources Association

License (open-access, https://creativecommons.org/licenses/by/4.0):

©It is identical to the Creative Commons Attribution Non-commercial License (https://creativecommons.org/licenses/by/4.0)

ABSTRACT

Seawater intrusion is a phenomenon that causes salinization of freshwater resources in coastal aquifers, and it is a key management concern in terms of the long-term stability of groundwater use and water resource management. However, since seawater intrusion is influenced by a combination of factors—including tides, precipitation, fluctuations in groundwater levels, and anthropogenic pumping—there are limitations to long-term predictions based solely on existing physics-based numerical models. In particular, the variability and uncertainty of field observation data are major factors that compromise the accuracy of seawater intrusion predictions. To address these limitations, this study aimed to predict the extent of seawater intrusion by utilizing long-term time-series data on electrical conductivity (EC) collected from groundwater monitoring stations in coastal areas of South Korea. By applying the LSTM (Long Short-Term Memory) model, which excels at learning long-term time-series dependencies, to the Haeun 1 and Mokdo 1 stations in the Gyeongnam region, the Gogum 1 and Sora 2 stations in the Jeonnam region, Daepo 1 and Joyang 1 in Gangwon Province; and Sungnoe 2 and Geunhong 2 in Incheon and South Chungcheong Province. After training the model on 70.0% of the total 3,437 time-series data points collected from January 1, 2014, to May 31, 2023, the model’s performance in predicting seawater intrusion was analyzed using the remaining 30.0%. Predictions made using an LSTM model based on long-term time-series EC data generally effectively captured the trends in seawater intrusion variability; however, differences in prediction performance were observed depending on the characteristics of variability by region and dataset. While the model demonstrated stable predictive performance in regions with relatively low volatility, it was found that prediction errors tended to increase at observation stations where sharp rises and falls occurred frequently.

Keywords
Seawater intrusion
Electrical conductivity
Time series forecasting
LSTM

해수 침투는 연안 대수층에서 담수 자원의 염분화를 유발하는 현상으로, 장기적인 지하수 이용 안정성과 수자원 관리 측면에서 중요한 관리 대상이다. 그러나 해수 침투 현상은 조석, 강수, 지하 수위 변동과 인위적 양수 등의 복합적인 요인에 의해 기존의 물리적 기반 수치모델만으로 장기 예측에 한계가 있다. 특히 현장 관측 자료의 변동성과 불확실성은 해수 침투 예측의 정확도를 저해하는 주요 요인으로 작용한다. 본 연구에서는 이러한 한계를 보완하기 위해 국내 해안 지역 지하수 관측소에서 장기간 측정된 전기전도도(Electrical Conductivity, EC) 시계열 자료를 활용하여 해수 침투 정도를 예측하고자 하였다. 장기 시계열 의존성 학습에 강점을 가지는 LSTM (Long Short-Term Memory) 모델을 적용하여 경남지역 해운 1과 목도 1, 전남지역 고금 1, 소라 2, 강원지역 대포 1, 조양 1 그리고 인천 및 충남지역 숭뇌 2, 근홍 2 관측소의 2014년 1월 1일부터 2023년 5월 31일까지 총 3,437개의 시계열 데이터 중 70.0 %를 학습시킨 후 30.0 %를 해수 침투 예측 특성을 분석하였다. 장기 시계열 EC 자료를 활용한 LSTM 모델을 통한 예측은 전반적으로 해수 침투 변동 경향을 효과적으로 모사하였으나, 지역별·자료별 변동성 특성에 따라 예측 성능 차이가 확인되었다. 변동성이 상대적으로 작은 지역에서는 안정적인 예측 성능을 보인 반면, 급격한 상승·하강이 빈번한 관측소에서는 예측 오차가 증가하는 경향이 확인되었다.

키워드
해수 침투
전기전도도
시계열예측
LSTM

MAIN

  • 1. 서 론

  • 2. LSTM 알고리듬

  • 3. 연구 대상 지역 선정

  • 4. 대상 지역의 전기전도도(EC) 자료 구성

  • 5. 자료 변환

  •   5.1 자료의 전처리 및 시계열 입력 구성

  •   5.2 예측 성능 평가 지표

  • 6. 결과 및 분석

  •   6.1 강원지역의 조양 1과 대포 1 관측소의 경우

  •   6.2 경남지역의 해운 1와 목도 1 관측소의 경우

  •   6.3 전남지역의 소라 2와 고금 1 관측소의 경우

  •   6.4 충청지역의 숭뇌 2 그리고 인천지역의 근홍 2 관측소의 경우

  • 7. 결 론

1. 서 론

해수 침투(Seawater intrusion, SWI)는 해안 대수층으로부터 바닷물이 침투하여 담수의 농도를 증가시키는 현상이다(UNDRR, 2026). 해수 침투는 담수 지하수의 흐름 방향에 따라 수동적 해수 침투(Passive SWI)와 능동적 해수 침투(Active SWI)로 구분되며(Werner, 2017), 해안 지역의 지하수 수질 악화와 농업·생활용수 오염의 주요 원인으로 알려져 있다.

Li et al. (2025)는 해수 침투가 전 세계적으로 수자원 공급을 위협하는 주요 환경 문제라고 보고하였다. 기후변화에 따른 해수면 상승, 강수 패턴 변화 및 가뭄의 증가는 연안 대수층의 담수-염수 균형을 변화시켜 해수 침투를 심화시키는 주요 원인으로 알려져 있다. 국내에서는 제주도 연안(Kim et al., 2009)과 한국농어촌공사의 해수 침투 관측망에서 전기전도도(EC) 및 염분 농도의 증가가 지속적으로 관찰되고 있으며, 해외에서는 미국 플로리다의 Biscayne 대수층(Prinos et al., 2014)과 네덜란드 Rhine-Meuse Delta (Wullems et al., 2023)에서 해수면 상승과 하천 유량 감소에 따른 해수 침투 사례가 보고되고 있다. 이러한 사례를 통해 기후 변화로 인한 해수 침투 위험이 국내외 현실화되고있음을 보여주며 장기 관측 자료를 활용한 예측 기술의 중요성을 시사한다. 국내의 경우 지하수를 주요 수자원으로 활용하고 있어 해수 침투로 인한 지하수 오염을 방지하기 위한 지속적인 관리와 신뢰성 있는 예측 기술이 필요하다.

기존 물리 기반 수자원 모델은 하천-지하수 상호작용과 같은 복잡한 비선형 과정을 설명하기 위해 매개변수 설정과 계산이 필요하며, 급격히 변화하는 기후 및 인위적 영향 조건을 반영하는 데 한계가 있다. 반면, 머신러닝 및 딥러닝 기반 접근법, 특히 LSTM (Long Short-Term Memory) 모델과 같은 순환신경망은 관측 데이터로부터 시간적 패턴과 비선형성을 직접 학습할 수 있으며, 수문 및 기후 데이터를 이용할 수 있는 환경에서 높은 예측 성능을 보인다(Karim et al., 2023; Maity et al., 2024; Yan et al., 2026). 따라서 본 연구에서는 LSTM 모델을 이용하여 전기전도도(Electric Conductivity, EC)를 기준으로 해수 침투 정도를 예측하는 방법을 제시하고, 국내 주요 해안 지역(경상남도 동·남해안, 전라남도 서·남해안, 강원도 동해안, 인천 및 충청남도 서해안)을 대상으로 시간에 따른 해수 침투 변동에 대한 예측을 수행하였다.

초기 해수 침투 연구는 담수와 해수의 밀도 차이에 따른 정수압 평형 관계를 통해 기본 개념과 메커니즘을 이해하는 데 중점을 두었다. Ghyben (1888)과 Herzberg (1901)는 연안 대수층에서 담수 지하수와 염수 지하수가 평행을 이룰 때 담수-염수 경계면의 깊이 관계를 정량적으로 제시하였으며, 해당 이론은 해수 침투 연구의 기초 개념으로 활용되었다. Bear et al. (1999)은 밀도 의존 유동(variable-density flow) 개념을 도입하여 해수 침투를 분석할 수 있는 FDM (Finite Difference M4ethod)이나 FEM (Finite Element Method)과 같이 이론적·치적 틀을 제시하여 Ghyben-Herzberg 원리를 확장하였다.

이후 해수 침투 연구는 MODFLOW, SEAWAT, FEFLOW와 같은 물리 기반 수치모델을 활용하여 연안 대수층 내 담수-염수 상호작용과 밀도 의존 흐름을 정량적으로 해석하는 방향으로 발전하였다. Lee et al. (2012)는 정상 염수쐐기 경계층 거동에 대한 실험적 연구 결과와 FLOW-3D를 이용한 수치 모의 결과를 비교하여 3차원 수치 모형의 적용성에 대해 연구하였으며, Jo et al. (2014)는 제주도 연안 지역을 T_TIDE 서브루틴을 활용하여 진폭 감쇠 계수와 위상차에 따른 수리 확산 계수를 추정하였다. 그리고 Werner et al. (2013)은 해수 침투를 passive SWI와 active SWI로 분류하여 유형별 발생 조건과 물리적 특성에 관해 연구하였으며, Barlow and Reichard (2010)은 북미 연안 지역을 중심으로 해안 지역의 사례들을 종합하여 지하수 과다 양수로 인해 담수 대수층으로 해수가 침투되는 현상이 가속화된다는 것을 보고하였다.

물리 기반 모델의 한계를 보완하기 위해 머신러닝(Machine leaning) 및 딥러닝(Deep leaning) 기법을 활용한 해수 침투 예측 연구가 활발히 수행되고 있다. 머신러닝 모델은 복잡한 물리적 메커니즘을 명시하지 않아도 관측 데이터로부터 비선형 관계와 시간적 패턴을 학습할 수 있다(Mosaffa et al., 2022). 최근 연구에서는 LSTM 모델이 기존 통계적 방법이나 수치모형 대비 높은 예측성과 정확도를 보이며, 해수 침투 조기 경보 및 실시간 관리 도구로 활용될 수 있는 연구들이 제시되고 있다. Wullems et al. (2023)은 네덜란드 연안 지역의 해수 침투를 예측하기 위해 9개 지점에서 농도, 수위, 유량과 풍속의 데이터로 LSTM 모델을 구축하여 7일간의 염화물 농도를 예측하였으며, Zheng et al. (2024)는 ISSA-LSTM 모델을 구축하여 MAE, MAPE, RMSE, NSE 지표를 통해 평가하여 2011~2012년에 관측된 염도 자료를 검증하였으며, Kassem et al. (2026)은 TDS 자료를 기반으로 Feed-Forward, LSTM, Trawnformer, LSTM-FFNN 등 딥러닝 모델로 비교 예측하여 LSTM과 LSTM-FFNN 모델이 높은 예측 성능을 나타낸 연구를 하였다. 그리고 Park (2019)은 모의실험을 통해 모수적 방법과 LSTM의 성능을 RMSE에 기반하여 비교하여 성능을 확인하였으며, Song (2024)은 다변량 시계열 데이터를 기반으로 국내 지역 연안 지역의 수온을 예측하기 위해 LSTM, Bi-LSTM, GRU 신경망 모델을 구축하여 최적 모델을 선정하였다.

2. LSTM 알고리듬

LSTM 모델은 기존 순환신경망(RNN)의 장기 의존성 학습 한계를 개선하기 위해 제안된 시계열 예측 모델이다. 기존 RNN은 시계열 길이가 길어질수록 기울기 소실(Vanishing Gradient) 문제가 발생하여 과거 정보를 충분히 반영하지 못하는 한계가 있다. 이를 해결하기 위해 LSTM 알고리듬은 기억 셀(Cell state)과 게이트(Gate) 구조를 도입하여 장기적인 시간 의존성을 안정적으로 학습할 수 있도록 설계되었다(Gers et al., 2000).

Fig. 1과 같이 LSTM 모델의 구조는 Forget Gate, Input Gate 및 Output Gate로 구성된다. Forget Gate는 이전 시점의 정보 중 현재 예측에 불필요한 정보를 제거하는 역할을 수행한다. 이후 Input Gate에서 현재 입력값과 이전 상태를 기반으로 중요한 정보를 선택적으로 기억 셀에 보관한다. 저장된 정보는 Cell state를 통해 장기적으로 유지되며, Output Gate는 이 중 현재 시점의 예측에 필요한 정보를 선택적으로 출력한다. 이러한 구조를 통해 LSTM 모델은 시간 흐름에 따른 누적성과 지연 특성을 효과적으로 반영할 수 있다(Lee et al., 2023).

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F1.jpg
Fig. 1.

LSTM architecture for time-series prediction

3. 연구 대상 지역 선정

본 연구는 LSTM 알고리듬을 이용하여 EC를 기반으로 해수 침투를 예측한다. 연구 대상 지역은 해수 침투의 발생 가능성이 높고, 장기간으로 시계열 관측 자료가 확보된 국내 주요 연안 지역을 중심으로 선정하였다.

2022년까지 한국농어촌공사 기준 전국에 설치된 관측소는 225개소이며 이 중 농업용수로 사용할 수 없는 ‘심각’ 단계를 나타낸 관측소는 107개소 (61.0 %)이다(KRC, 2002). 이에 따라 연구 대상 지역은 다음의 기준과 같이 선정하였다: 첫째, 해안선과 인접하여 해수 침투의 영향을 직접적으로 받는 지역일 것. 둘째, 관측망을 통해 지하 수위, 전기전도도, 수온 등 해수 침투 판단에 핵심적인 변수가 장기간 연속적으로 관측된 지역일 것. 셋째, 과거 해수 침투 이력이 존재하거나 ‘심각’ 지역으로 분류된 지역일 것. 넷째, 서로 다른 해양·지질·지형 조건을 가져 해수 침투 양상을 비교·분석할 수 있을 것이다.

선정된 연구 대상 지역은 Fig. 2와 같이 평균 전기전도도가 높은 강원도 동해안 지역의 조양 1, 대포 1 관측소와 경상남도 동·남해안 지역의 해운 1, 목도 1 관측소, 전라남도 서·남해안 지역의 소라 2, 고금 1 관측소 그리고 충청남도와 인천광역시 서해안 지역의 근홍 2, 숭뇌 2 관측소를 대상으로 총 8개소의 관측소를 선정하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F2.jpg
Fig. 2.

Locations of 8 seawater intrusion observation stations considered in this study

4. 대상 지역의 전기전도도(EC) 자료 구성

EC는 물속의 용존이온 농도를 반영하는 대표적인 수질 지표로 해수 침투 발생 시 증가하는 특성을 가진다. 해수에는 Na+, Cl- 등 이온 성분이 다양하게 포함되어 있어 담수에 비해 높은 EC 값을 나타내므로, 해수 침투 발생 여부와 강도를 판단하기 위한 간접적인 지표로 활용된다(Barlow and Reichard, 2010).

Zhang et al. (2018)는 LSTM 모델이 수문 시계열 자료의 장기 의존성과 비선형 특성을 효과적으로 학습할 수 있음을 제시하였다. EC 역시 시간에 따른 누적성과 지연 특성을 가지는 시계열 자료이므로 과거 정보를 선택적으로 학습할 수 있는 LSTM 모델 구조에 적합한 것으로 판단되어 본 연구에서 적용하였다.

본 연구에서는 한국농어촌공사 지하수 관측망 시스템에서 제공하는 EC_up을 해수 침투의 대리지표(proxy)로 활용하였으며, 이를 입력자료로 하여 LSTM 기반 시계열 예측을 수행하였다. 자료는 2014~2023년 기간의 일 단위 자료로, 해수면·지표면 기준 지하 수위, 상·하부 EC, 상·하부 수온 및 강우량을 포함한 총 7개의 가변량 시계열 변수로 구성하였다. 본 연구에서 선정된 각각의 관측소에서 관측된 EC 자료에서 장비의 점검 및 센서 오류 등의 데이터 결측치와 이상치가 존재하였다. 예로서, 경남 지역 해운 1과 목도 1, 강원 지역의 대포 1 관측소의 경우 지하 수위 센서 오류로 인해 결측 구간이 확인되었으며, 전남지역의 고금 1과 인천 지역의 숭뇌 2의 경우 하부 EC와 수온 센서 미설치로 일부 변수 자료가 제공되지 않았다. Fig. 3(a)와 같이 고금 1 관측소의 경우 전기전도도 관측 자료에서 2017년 7월과 2021년 2월 그리고 2022년 5월의 구간에서 급격히 0으로 수렴하거나 결측 구간이 발생하였다. 본 연구에서는 이러한 결측 데이터를 보간하기 위해 Eq. 1과 Eq. 2와 같이 선형보간법을 적용하여 관측소별 연속적인 시계열 자료를 구축하였다. 선형보간법은 시게열의 연속성을 확보할 수 있다는 장점이 있다. 하지만 장기간 결측 구간에서는 실제 해수 침투 의 비선형적인 변동 특성을 충분히 반영하지 못할 가능성이 있으나, 본 모델에서의 보간된 자료는 실제 관측값을 근사하는 값으로 가정하여 LSTM 모델의 학습에 활용하였다.

(1)
y-y0x-x0=y1-y0x1-x0
(2)
y=y0+(y1-y0)x-x0x1-x0

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F3.jpg
Fig. 3.

Temporal variation of electrical conductivity (EC) at the Gogum 1 monitoring station before and after missing value interpolation: (a) beofore interploation and (b) after interpolation

5. 자료 변환

본 연구에서는 2014년 1월 1일부터 2023년 5월 31일까지 총 3,437일 동안 관측된 일변량 EC 시계열 자료를 분석에 활용했다. 시계열 자료의 시간적 순서를 유지하기 위해 학습(training)과 시험(test)으로 자료를 구분하였다. Fig. 4의 고금 1 같이 학습 자료는 전체 자료의 70.0 %에 해당하는 2,406일로 구성하였으며, 시험 자료는 나머지 70.0 %에서 100.0 %에 해당하는 1,031일을 설정하여 자료 분할을 통해 예측 기간 길이에 따른 LSTM 모델의 성능 변화와 함께 평가하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F4.jpg
Fig. 4.

Classification of input data (training, test) for Gogum 1 station

5.1 자료의 전처리 및 시계열 입력 구성

EC 시계열 자료는 관측소별로 값의 변동 폭이 상이하여 LSTM 모델 학습 전 자료 스케일을 일정하게 맞춰 정규화 과정을 수행을 하였다. 정규화는 입력 변수의 스케일 차이에 따른 학습 편향을 방지하고 모델의 안정성과 예측 성능을 향상시키기 위해 학습 자료를 기준으로 정규화 파라미터를 산정한 후에 동일한 기준을 시험 자료에 적용하였다. 단일 변수로 구성된 일변량 전기전도도 시계열 자료는 LSTM 모델의 입력 형식에 맞춰 자료의 길이와 종류로 구성된 2차원 구조를 데이터 길이, 종류 그리고 차원 계수를 포함하는 3차원 데이터 구조로 변환하였다.

5.2 예측 성능 평가 지표

LSTM 알고리듬의 예측 성능 평가는 평균 제곱 오차 (Mean Squsred Error, MSE), 평균 제곱근 오차(Root Mean Squared Error, RMSE) 그리고 결정계수(Coefficient of Determination, R2)를 중심으로 수행하였으며, 각 지표별 산정식과 범위는 Table 1에 제시하였다.

Table 1.

Fitting indicators and their equations for verification of prediction accuracy

Fitting indicator Equations Ranges of value
MSE
(Mean Squsred Error) 		1n∑i=1nym-yo2 0~∞
RMSE
(Root Mean Squared Error) 		1n∑i=1nym-yo2 0~∞
R2
(Coefficient of determination) 		∑i=1nyo-yo¯ym-ym¯∑i=1nyo-yo¯2∑i=1nym-ym¯2 0~1.0

ym: Model value, yo: Observed value, yo¯: Mean of observed vale, ym¯: Mean of model vale

MSE는 예측값과 관측값 간 오차를 제곱하여 평균한 지표로 오차가 클수록 제곱근이 급격히 증가하는 특성을 가지기 때문에 큰 오차에 민감하게 반응한다. 따라서 MSE는 전반적인 오차 수준뿐만 아니라 이상치(outlier)에 대한 영향까지 반영하는 지표로 활용된다(Chen et al., 2017).

RMSE는 MSE에 제곱근을 취한 값으로 예측 오차의 크기를 원래 자료와 동일한 단위로 나타낸다는 장점이 있다. RMSE 값이 0에 가까울수록 예측값과 관측값이 잘 일치함을 의미하며, 값이 증가할수록 예측 오차가 커짐을 나타낸다. 특히 RMSE는 오차의 분산 정도를 직관적으로 해석할 수 있어 시계열 자료의 예측 정확도를 평가하는 데 널리 사용된다(Park et al., 2025). 본 연구에서는 관측소 간 상대적인 예측 성능 비교를 위해 정규화된 RMSE를 사용했으며 실제 예측 오차의 크기를 제시하기 위해 최종 선정된 모델에 대해서는 예측값과 관측값을 역정규화하여 원단위(µS/cm) 기준의 RMSE를 함께 산정하였다.

R2는 모델의 예측값이 관측값의 변동성을 얼마나 잘 설명하는지를 나타내는 지표로 0에서 1 사이의 값을 가지며 1에 가까울수록 높은 정확도를 의미한다. 다만 R2는 예측값과 관측값 간의 선형적 관계에 기반한 지표로 실제 값의 크기 차이가 존재하더라도 경향성이 유사할 경우 높은 값을 나타낼 수 있는 한계가 있다(Lee et al., 2023).

본 연구에서는 단일 지표에 의존하지 않고 MSE, RMSE, R2를 함께 활용하여 모델의 오차 크기와 변동성 재현 능력을 종합적으로 평가하여 예측 적합성을 판단하였다.

6. 결과 및 분석

전체 EC 시계열 자료 중 70.0 %를 학습 자료, 30.0 %를 테스트 자료로 구성하여 LSTM 모델을 구축하였다. 모델은 Python 기반의 Keras 및 TensorFlow 환경에서 구현하였으며, 입력 데이터는 Min-Max 정규화를 통해 전처리하였다.

하이퍼파라미터는 모델 성능에 미치는 영향을 분석하기 위해 Layer는 8에서 256, Batch size는 10에서 50, Epoch는 10에서 150 범위를 설정하였으며, Layer 조건에서 예측 성능이 우수한 상위 3개 조합을 선정하여 결과의 표로 제시하였다.

활성화 함수로는 Hyperbolic tangent 또는 Hard sigmoid 함수를 적용하였고, 최적화 알고리즘으로는 Adam 옵티마이저를 사용하였다. Fig. 5에서 12까지의 예측 결과 그래프에서 붉은색 선은 관찰값을, 파란색 선은 예측값을 나타낸다.

6.1 강원지역의 조양 1과 대포 1 관측소의 경우

강원지역의 조양 1 관측소의 예측 결과는 Table 2와 Fig. 5에 제시하였으며, 하이퍼파라미터 조합에 따른 비교 결과, Layer는 128, Batch size는 30 그리고 Epoch 140 조건에서 MSE는 0.0044, RMSE는 0.066(212.8166 µS/cm) 그리고 R2는 0.9927로 가장 높은 예측 성능을 보였다.

Table 2.

EC prediction result for Choyang 1

Layer Batch Size Epoch MSE RMSE R2
8 10 100 0.0083 0.0912 0.9670
20 100 0.0064 0.0799 0.9747
40 100 0.0083 0.0909 0.9672
16 10 80 0.0072 0.0851 0.9712
20 90 0.0066 0.0814 0.9737
40 90 0.0079 0.0889 0.9686
32 10 90 0.0061 0.0780 0.9758
20 100 0.0059 0.0768 0.9766
50 100 0.0077 0.0876 0.9695
64 10 90 0.0078 0.0626 0.9688
20 90 0.0061 0.0777 0.9760
30 100 0.0057 0.0754 0.9774
128 20 120 0.0055 0.0743 0.9781
301400.00440.06600.9827
50 150 0.0054 0.0736 0.9785
256 20 150 0.0045 0.0674 0.9820
30 100 0.0046 0.0680 0.9816
50 100 0.0052 0.0724 0.9791

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F5.jpg
Fig. 5.

Comparison between observed and predicted EC for Choyang 1

대포 1 관측소의 예측 결과는 Table 3과 Fig. 6에 제시하였으며, 하이퍼파라미터 조합에 따른 비교 결과, Layer는 256, Batch size는 50 그리고 Epoch 100 조건에서 MSE는 0.0027, RMSE는 0.052(565.6676 µS/cm) 그리고 R2는 0.9855로 가장 높은 예측 성능을 보였다.

Table 3.

EC prediction result for Daepo 1

Layer Batch Size Epoch MSE RMSE R2
8 5 80 0.0049 0.0701 0.9737
10 90 0.0048 0.0691 0.9745
40 100 0.0039 0.0629 0.9789
16 5 100 0.0077 0.0879 0.9587
10 100 0.0051 0.0712 0.9729
30 80 0.0032 0.0515 0.9830
32 5 80 0.0051 0.0716 0.9726
30 80 0.0031 0.0558 0.9833
40 100 0.0031 0.0557 0.9834
64 5 80 0.0065 0.0807 0.9652
20 100 0.0046 0.0678 0.9754
40 80 0.0033 0.0577 0.9822
128 5 40 0.0099 0.0610 0.9468
20 100 0.0045 0.0517 0.9760
30 100 0.0033 0.0575 0.9823
256 30 150 0.0036 0.0598 0.9809
10 100 0.0043 0.0653 0.9772
501000.00270.05200.9855

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F6.jpg
Fig. 6.

Comparison between observed and predicted EC for Daepo 1

6.2 경남지역의 해운 1와 목도 1 관측소의 경우

해운 1 관측소의 예측 결과는 Table 4와 Fig. 7과 같이 나타내었다. 하이퍼파라미터 조합에 따른 성능을 비교한 결과, Layer는 32, Batch size는 20 그리고 Epoch 60 조건에서 MSE는 0.0014, RMSE는 0.038(191.2733 µS/cm) 그리고 R2는 0.9535로 가장 높은 예측 성능을 보였다.

Table 4.

EC prediction result for Haeun 1

Layer Batch Size Epoch MSE RMSE R2
8 10 30 0.0017 0.0409 0.9461
10 50 0.0017 0.0414 0.9447
50 80 0.0018 0.042 0.9432
16 50 100 0.0018 0.0424 0.9420
20 50 0.0017 0.0407 0.9466
30 60 0.0017 0.0410 0.9458
32 30 70 0.0015 0.0392 0.9505
20600.00140.0380.9535
50 90 0.0016 0.0401 0.948
64 10 100 0.0017 0.0414 0.9446
40 50 0.0016 0.0398 0.9488
20 90 0.0018 0.0485 0.9424
128 20 70 0.0016 0.0398 0.9489
30 60 0.0015 0.0389 0.9511
40 70 0.0015 0.0392 0.9503
256 20 100 0.0025 0.0495 0.9208
40 100 0.0016 0.0423 0.9487
50 150 0.0017 0.0417 0.9438

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F7.jpg
Fig. 7.

Comparison between observed and predicted EC for Haeun 1

목도 1 관측소의 예측 결과는 Table 5와 Fig. 8에 제시하였다. Layer는 64, Batch size는 10 그리고 Epoch는 90 조건에서 MSE는 0.0018, RMSE는 0.0425(523.9348 µS/cm) 그리고 R2는 0.9913로 가장 높은 예측 성능을 보였다.

Table 5.

EC prediction result for Mokdo 1

Layer Batch Size Epoch MSE RMSE R2
8 10 80 0.0029 0.0537 0.9861
20 100 0.0025 0.0502 0.9878
40 70 0.0050 0.0708 0.9759
16 10 90 0.0026 0.0508 0.9876
20 100 0.0027 0.0519 0.9870
50 100 0.0039 0.0622 0.9813
32 10 90 0.0023 0.0480 0.9889
30 70 0.0036 0.0601 0.9826
50 80 0.0023 0.0475 0.9891
6410900.00180.04250.9913
20 60 0.0031 0.0555 0.9852
50 80 0.0020 0.0446 0.9904
128 40 70 0.0026 0.0513 0.9873
30 140 0.0027 0.0520 0.9870
50 120 0.0025 0.0499 0.9880
256 20 150 0.0020 0.0452 0.9902
40 150 0.0031 0.0556 0.9851
50 150 0.0020 0.0447 0.9904

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F8.jpg
Fig. 8.

Comparison between observed and predicted EC for Mokdo 1

6.3 전남지역의 소라 2와 고금 1 관측소의 경우

소라 2 관측소의 예측 결과는 Table 6과 Fig. 9에 제시하였으며, 하이퍼파라미터 조합에따른 비교 결과, Layer는 8, Batch size는 50 그리고 Epoch 80 조건에서 MSE는 0.0001, RMSE는 0.0103(318.3366 µS/cm) 그리고 R2 0.1018로 가장 높은 예측 성능을 보였다.

Table 6.

EC prediction result for Sora 2

Layer Batch Size Epoch MSE RMSE R2
850800.00010.01030.1018
20 20 0.0001 0.0108 -0.001
40 50 0.0001 0.0104 0.0830
16 40 100 0.0002 0.0128 -0.398
20 100 0.0001 0.0110 -0.042
30 70 0.0001 0.0112 -0.071
32 40 90 0.0001 0.0107 0.0311
20 100 0.0002 0.0139 -0.652
30 100 0.0001 0.0106 0.0431
64 40 100 0.0001 0.0133 -0.516
20 70 0.0001 0.0155 -0.124
30 70 0.0001 0.0108 0.0097
128 40 150 0.0004 0.0209 -2.732
30 140 0.0001 0.0103 0.1011
40 60 0.0001 0.0106 0.0501
256 50 80 0.0001 0.0110 -0.032
30 80 0.0001 0.0107 0.0270
20 100 0.0001 0.0110 -0.034

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F9.jpg
Fig. 9.

Comparison between observed and predicted EC for Sora 2

고금 1 관측소의 예측 결과는 Table 7과 Fig. 10에 제시하였다. 하이퍼파라미터 조합에 따른 비교 결과, Layer는 64, Batch size는 50 그리고 Epoch는 100 조건에서 MSE는 0.0178, RMSE는 0.1334(1,268.8988 µS/cm) 그리고 R2는 0.9348로 가장 높은 예측 성능을 보였다.

Table 7.

EC prediction result for Gogum 1

Layer Batch Size Epoch MSE RMSE R2
8 20 80 0.0290 0.1704 0.8937
50 100 0.0314 0.1773 0.8850
30 100 0.0281 0.1676 0.8972
16 30 40 0.0200 0.1414 0.9268
50 80 0.0185 0.1362 0.9321
20 20 0.0210 0.1449 0.9231
32 50 80 0.0180 0.1343 0.9340
40 100 0.0179 0.1340 0.9343
20 80 0.0205 0.1432 0.9249
64501000.01780.13340.9348
50 80 0.0179 0.1377 0.9345
30 80 0.0201 0.1419 0.9263
128 50 150 0.0210 0.1451 0.9229
40 150 0.0238 0.0823 0.9129
30 150 0.0245 0.1566 0.9102
256 50 80 0.0194 0.1392 0.9291
40 100 0.0204 0.1429 0.9252
30 100 0.0260 0.1614 0.9047

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F10.jpg
Fig. 10.

Comparison between observed and predicted EC for Gogum 1

6.4 충청지역의 숭뇌 2 그리고 인천지역의 근홍 2 관측소의 경우

숭뇌 2 관측소의 예측 결과는 Table 8과 Fig. 11에 제시하였다. 하이퍼파라미터 조합에 따른 비교 결과, Layer는 128, Batch size는 50 그리고 Epoch는 100 조건에서 MSE는 0.0002, RMSE는 0.0147(37.4018 µS/cm) 그리고 R2는 0.9643로 가장 높은 예측 성능을 보였으며 관측값의 전반적인 경향을 안정적으로 재현하였다.

Table 8.

EC prediction result for Sungnoe 2

Layer Batch Size Epoch MSE RMSE R2
8 30 80 0.0002 0.0152 0.9592
10 80 0.0002 0.0146 0.9621
40 100 0.0002 0.0144 0.9636
16 10 100 0.0002 0.0147 0.9618
20 100 0.0002 0.0155 0.9573
30 80 0.0002 0.0148 0.9615
32 10 80 0.0002 0.0144 0.9634
30 100 0.0003 0.0164 0.9525
40 100 0.0002 0.0145 0.9627
64 10 80 0.0002 0.0142 0.9643
20 80 0.0003 0.0171 0.9482
50 100 0.0002 0.0142 0.9645
128 40 70 0.0002 0.0149 0.9609
20 80 0.0004 0.0184 0.9400
501000.00020.01420.9643
256 50 150 0.0002 0.0153 0.9586
40 100 0.0002 0.0147 0.9620
30 100 0.0003 0.0168 0.9501

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F11.jpg
Fig. 11.

Comparison between observed and predicted EC for Sungnoe 2

근홍 2 관측소의 예측 결과는 Table 9과 Fig. 12에 나타내었다. Layer는 128, Batch size 50는 그리고 Epoch는 130 조건에서 MSE는 0.0001, RMSE는 0.031(25.782 µS/cm) 그리고 R2는 0.9551로 가장 높은 예측 성능을 보였다.

Table 9.

EC prediction result for Geunhong 2

Layer Batch Size Epoch MSE RMSE R2
8 10 80 0.0001 0.0031 0.957
30 70 0.0001 0.0037 0.9367
50 90 0.0001 0.0056 0.8577
16 30 100 0.0001 0.0036 0.9403
20 80 0.0001 0.0060 0.8348
50 100 0.0001 0.0058 0.8454
32 10 60 0.0001 0.0046 0.9061
20 100 0.0001 0.0060 0.8391
30 80 0.0001 0.0034 0.9465
64 10 80 0.0001 0.0055 0.8636
50 100 0.0001 0.0057 0.8505
40 80 0.0001 0.0035 0.9433
128501300.00010.00310.9551
40 140 0.0001 0.0050 0.8846
30 100 0.0001 0.0040 0.9282
256 50 100 0.0001 0.0033 0.9505
30 80 0.0001 0.0085 0.6743
20 100 0.0001 0.0049 0.8925

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-09/N0200590907/images/kwra_59_09_07_F12.jpg
Fig. 12.

Comparison between observed and predicted EC for Geunhong 2

7. 결 론

본 연구에서는 국내 지하수 관측망의 시계열 자료를 활용하여 해안 지역의 해수 침투 정도를 간접적으로 평가하기 위한 전기전도도 예측을 수행하고 LSTM 기반 모델의 적용성을 분석하여 다음과 같은 결론을 도출하였다.

(1)강원지역의 예측 결과, 변동성이 상대적으로 작은 시계열 자료에서는 파라미터 설정에 따른 성능 차이가 크지 않았으며 전반적으로 높은 예측도를 보였다.

(2)경남지역의 예측 결과, 관측소별 데이터 특성에 따라 하이퍼파라미터를 조정하여 예측 오차를 효과적으로 감소시킬 수 있음을 확인하였다. 특히, 목도 1 관측소의 Layer 64, Batch size 10 그리고 Epoch 90 조건에서 MSE는 0.0018, RMSE는 0.0425 그리고 R2는 0.9913로 가장 우수한 예측 성능을 보였으며, 데이터 특성에 맞춰 최적의 학습 조건 탐색의 중요성을 나타내었다.

(3)전남지역의 예측 결과, 고금 1 관측소의 Layer 64, Batch size 50 그리고 Epoch 100 조건에서 MSE는 0.0178, RMSE는 0.1334 그리고 R2 0.9348로 비교적 안정적인 예측 성능을 보였다. 다만, 소라 2의 경우와 같이 급격하게 변화하는 구간이 빈번한 시계열 자료에서는 학습 데이터의 증가에도 불구하고 예측 성능이 크게 향상되지 않은 결과를 나타내었다.

(4)충남 및 인천지역의 예측 결과, 관측소별 데이터 특성에 따라 하이퍼파라미터 조정을 통해 오차를 최소화하는 것이 필요함을 확인하였다. 특히, 근홍 2 관측소의 Layer 128, Batch size 50 그리고 Epoch 130 조건에서 MSE는 0.0001, RMSE는 0.0031 그리고 R2 0.9551로 우수한 예측 성능을 보였다.

본 연구에서는 국내 8개 관측소의 EC 시계열 자료를 이용하여 LSTM 기반 예측 모델의 적용성을 평가하였다. 분석 결과, LSTM 모델은 EC 시계열의 경향을 안정적으로 재현하며 전반적으로 우수한 예측 성능을 나타낸 것으로 확인되었다. 그러나 관측소별 데이터 특성에 따라 최적의 하이퍼파라미터가 상이하게 도출되어 단일 모델 설정만으로 모든 지역에 대해 안정적인 예측 성능을 확보하기에는 한계가 있었다. 또한 시계열의 변동성이 작고 연속성이 유지된 관측소에서는 높은 예측 성능을 보인 반면, 급격한 EC 변화가 반복되는 관측소에서는 시간적 의존성 학습이 어려워 상대적으로 예측 성능이 저하되는 경향을 확인하였다. 이는 LSTM 모델이 시계열의 연속성과 규칙성이 높은 자료에서 효과적으로 작용하지만 급격한 환경 변화가 발생하는 경우에는 예측 정확도가 감소할 수 있음을 의미한다. 이러한 결과는 장기 EC 시계열 자료를 이용한 해수 침투의 시간적 변동 예측 가능성을 확인하였다는 점에서 의의가 있다.

다만 본 연구는 EC 시계열 자료만을 입력변수로 활용한 일변량 LSTM 모델을 적용하였기 때문에 강우량, 조위, 지하 수위 및 지하수 이용과 같은 다양한 수문 요인을 직접 반영하지 못하는 한계가 있다. 따라서 본 연구의 결과는 해수 침투의 물리적 메커니즘을 재현하기보다는 EC 시계열의 시간적 패턴을 기반으로 한 예측 결과로 해석하는 것이 적절하다. 향후 다양한 입력변수를 포함한 다변량 예측 모델을 구축하여 예측 성능과 물리적 해석 가능성을 향상할 필요가 있으며 관측소별 데이터 특성에 따른 하이퍼파라미터의 차이를 고려한 일반화된 모델 구조와 하이퍼파라미터 최적화 기법에 관한 연구도 추가로 수행할 필요가 있다.

Acknowledgements

이 논문은 2023년도 정부(교육과학기술부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. RS-2023-NR076513)

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Barlow, P.M., and Reichard, E.G. (2010). “Saltwater intrusion in coastal regions of North America.” Hydrogeology Journal, Vol. 18, pp. 247-260.

10.1007/s10040-009-0514-3
2

Bear, J., Cheng, A.H.-D., Sorek, S., Ouazar, D., and Herrera, I. (1999). Seawater intrusion in coastal aquifers: Concepts, methods and practices. Springer, Dordrecht, Netherlands.

10.1007/978-94-017-2969-7
3

Chen, C., Twycross, J., and Garibaldi, J.M. (2017). “A new accuracy measure based on bounded relative error for time series forecasting.” Plos One, Vol. 12, No. 3, pp. 1-23.

10.1371/journal.pone.017420228339480PMC5365136
4

Gers, F.A., Schmidhuber, J., and Cummins, F. (2000). “Learning to forget: Continual prediction with LSTM.” Neural Computation, Vol. 12, No. 10, pp. 2451-2471.

10.1162/089976600300015015
5

Ghyben, B.W. (1888). “Nota in verband met de voorgenomen putboring nabij Amsterdam (Notes on the probable results of well drilling near Amsterdam).” Tijdschrift van het Koninklijk Instituut van Ingenieurs, The Hague, Vol. 9, pp. 8-22.

6

Herzberg, A. (1901). “Die Wasserversorgung einiger Nordseebäder.” Journal of Gasbeleuchtung und Wasserversorgung, Vol. 44, pp. 815-819.

7

Jo, S.B., Jeon, B.C., Park, E.G., Choi, K.J., Song, S.H., and Kim, G.P. (2014). “Estimation of hydraulic characteristics and prediction of groundwater level in the eastern coastal aquifer of Jeju Island.” Journal of Environmental Science International, Vol. 23, No. 4, pp. 661-672.

10.5322/JESI.2014.4.661
8

Karim, F., Armin, M.A., Ahmedt-Aristizabal, D., Tychsen-Smith, L., and Petersson, L. (2023). “A review of hydrodynamic and machine learning approaches for flood inundation modeling.” Water, MDPI, Vol. 15, No. 3, 566.

10.3390/w15030566
9

Kassem, A., Sefelnasr, A., Kajla, N.I., Baig, F., and Sherif, M. (2026). “Dynamic prediction of seawater intrusion in hyper-arid coastal aquifer using advanced deep learning.” Earth Systems and Environment, Vol. 10, pp. 3769-3792.

10.1007/s41748-025-00792-y
10

Kim, K., Shin, J., Koh, E., Koh, G., and Lee, K. (2009). “Sea level rise around Jeju Island due to global warming and movement of groundwater/seawater interface in the eastern part of Jeju Island.” Journal of Soil and Groundwater Environment, Vol. 14, No. 3, pp. 68-79.

11

Korea Rural Community Corporation (KRC) (2002). Rural groundwater observation network system: Seawater intrusion warning, accessed 30 December 2022, <https://www.groundwater.or.kr/mw/seaWater/list.do>.

12

Lee, K.S., Kwak, S.H., and Lyu, S.W. (2012). “Analysis of saline wedge using 3D numerical model.” Proceedings of the Korea Water Resources Association Conference, pp. 571-575.

13

Lee, S., Kim, S., Jung, J., and Yoon, K.S. (2023). “Case study on flood water level prediction accuracy of LSTM model according to condition of reference hydrological station combination.” Journal of Korea Water Resources Association, Vol. 56, No. 12, pp. 981-992.

10.3741/JKWRA.2023.56.12.981
14

Li, M., Najjar, R.G., Kaushal, S., Mejia, A., Chant, R.J., Ralston, D.K., Burchard, H., Hadjimichael, A., Lassiter, A., and Wang, X. (2025). “The emerging global threat of salt contamination of water supplies in Tidal Rivers.” Environmental Science & Technology Letters, ACSPublications, Vol, 12, No. 8, pp. 881-892.

10.1021/acs.estlett.5c0050540822858PMC12351528
15

Maity, R., Srivastava, A., Sarkar, S., and Khan, M.I. (2024). “Revolutionizing the future of hydrological science: Impact of machine learning and deep learning amidst emerging explainable AI and transfer learning.” Applied Computing and Geosciences, Vol. 24, 100206.

10.1016/j.acags.2024.100206
16

Mosaffa, H., Sadeghi, M., Mallakpour, I., Jahromi, M.N., and Pourghasemi, H.R. (2022). “Application of machine learning algorithms in hydrology.” Computers in Earth and Environmental Sciences, Elsevier, Amsterdam, Netherlands, pp. 585-591.

10.1016/B978-0-323-89861-4.00027-0
17

Park, H.W. (2019). Research on LSTM performance in time series model prediction. Master Thesis, Keimyung University, pp. 13-23.

18

Park, J., Shin, J.-Y., Kim, S., and Kwon, J. (2025). “Assessing the applicability of the LTSF algorithm for streamflow time series prediction: Case studies of dam basins in South Korea.” Water, Vol. 17, No. 22, 3214.

10.3390/w17223214
19

Prinos, S.T., Wacker, M.A., Cunningham, K.J., and Fitterman, D.V. (2014). Origins and delineation of saltwater intrusion in the Biscayne aquifer and changes in the distribution of saltwater in Miami-Dade County. Florida. Scientific Investigations Report 2014-5025, U.S. Geological Survey, Reston, VA, U.S., p. 101.

10.3133/sir20145025
20

Song. G.D. (2024). A study on the prediction of water temperature using multivariate time-series data based on neural networks. Master Thesis, Busan University, pp. 29-44.

21

United Nations Office for Disaster Risk Reduction (UNDRR) (2026).Hazard Information profile: Saltwater intrusion (EN0302). accessed 16 May 2026, <https://www.undrr.org/understanding-disaster-risk/terminology/hips/en0302?utm_source=chatgpt.com>.

22

Werner, A.D. (2017). “On the classification of seawater intrusion.” Journal of Hydrology: Regional Studies, Vol. 551, pp 619-631.

10.1016/j.jhydrol.2016.12.012
23

Werner, A.D., Bakker, M., Post, V.E.A., Vandenbohede, A., Lu, C., Ataie-Ashtiani, B., Simmons, C.T., and Barry, D.A. (2013). “Seawater intrusion processes, investigation and management: Recent advances and future challenges.” Advances in Water Resources, Vol. 51, pp. 3-26.

10.1016/j.advwatres.2012.03.004
24

Wullems, B.J.M., Brauer, C.C., Baart, F., and Weerts, A.H. (2023). “Forecasting estuarine salt intrusion in the Rhine-Meuse delta using an LSTM model.” Hydrology and Earth System Sciences, EGU, No. 20, p. 3823-3850.

10.5194/hess-27-3823-2023
25

Yan, Y.-F., Liu, H.-X., Xu, S., Wang, Q.-L., Yang, Y.-H., Chen, Q.-Q., Wang, C.-Y., and Qin, T.-L. (2026). “Advances in coupling machine learning with hydrological simulation: A review.” Water Science and Engineering, Vol. 19, No. 1, pp. 1-10.

10.1016/j.wse.2026.01.002
26

Zhang, J., Zhu, Y., Zhang, X., Ye, M., and Yang, J. (2018). “Developing a long short-term memory (LSTM) based model for predicting water table depth in agricultural areas.” Journal of Hydrology, Vol. 561, pp. 918-929.

10.1016/j.jhydrol.2018.04.065
27

Zheng, R., Sun, Z., Jiao, J., Ma, Q., and Zhao, L. (2024). “Salinity prediction based on improved LSTM model in the qiantang estuary, China.” Journal of Marine Science and Engineering, Vol. 12, No. 8, 1339.

10.3390/jmse12081339
페이지 상단으로 이동하기