1. 서 론
2. 재료 및 방법
2.1 SWAT 모델
2.2 Random Forest 알고리즘
2.3 대상유역 및 입력자료
2.4 수생태계 건강성 평가
2.5 연구 방법
3. 결과 및 고찰
3.1 수생태계 건강성 평가
3.2 하천유지유량 추가 방류에 따른 수질 변화 분석
3.3 하천유지유량 추가 방류에 따른 수생태계 건강성 변화 분석
4. 요약 및 결론
1. 서 론
수생태계란 공공수역과 수변지역의 식물, 동물, 미생물, 무생물환경 등이 상호작용하는 유기적인 복합체로서, 건강한 수생태계란 구성요소들이 훼손되지 않고 그 안에 존재하는 생물과 무생물들이 균형을 이루며 온전한 기능을 발휘하는 상태를 의미한다(Water Environment Information System, 2018). 이러한 하천생태계는 도시화, 산업화, 농업, 축산업 등의 인간 활동의 영향으로 교란될 뿐만 아니라, 기후변화로 인한 가뭄, 홍수와 같은 수자원의 시공간적 분포 특성 변화에 영향을 받아 생태계 서식환경과 생물군집의 변화뿐만 아니라 고유종의 멸종을 초래하기도 한다(Kang and Son, 2011; Kim et al., 2013). 기존 우리나라에서는 유기물오염 지표 혹은 부영양화 지표와 같은 일반 수질항목들을 사용하여 수환경을 평가해왔으나, 최근 물관리 일원화가 추진되면서 기후변화 적응 및 지속가능한 유역관리를 위해 수문·수질·수생태에 대한 통합적인 연구를 통한 유역평가의 필요성이 증가하고 있다.
국립환경과학원에서 2008년부터 전국을 대상으로 1년에 2차례 하천의 생물학적 특성을 조사하여 수생태계 건강성을 평가하고 있으며, 이화학적 수질과 생물지수의 관계에 관한 다양한 연구가 수행되고 있다. An et al. (2005)은 유등천의 어류 분포와 총질소(T-N), 총인(T-P) 등의 이화학적 특성을 조사하였으며, Kim et al. (2009)은 부착규조류와 유기물량, BOD, 총인, 총질소와의 상관관계를 분석하여 남한강지류의 생물학적 수질을 평가하였다. 수문, 수질, 그리고 수생태계를 구성하는 수생생물들은 상호작용을 하며, 수질이 악화되는 경우 수생태계 건강성도 더불어 악화되는 경향성을 나타내고 있으나, 정확한 상관성을 도출하기 어려워 블랙박스와 같은 기계학습을 활용한 연구가 수행되고 있다(Recknagel, 2001; Prasad et al., 2006; Cordier et al., 2017).
국내 많은 연구자들은 이러한 수생태계 건강성 평가와 더불어 하천의 생태학적 필요 유량을 산정하여 수생태 복원 및 관리 방향을 제시하고 있다. Sung et al. (2005)은 낙동강 유역의 주요하천에서 어류를 대표 생물종으로 선정하여 어류 서식에 적합한 유량 중 가장 큰 유량 값을 생태학적 추천 유량으로 산정하였고, Hahm and Kim (2010)은 금강의 지형정보를 이용하여 하천의 생태복원을 위한 하천생태유량 산정하였다. Jung et al. (2016)은 충주댐 유역을 대상으로 부착돌말지수와 수질오염의 상관성 분석의 결과를 이용하여 수생태 환경유지를 위한 최소한의 유량으로 하천생태유량을 산정하였다. 수생태 복원 및 개선을 위한 생태학적 필요 유량은 아직 법적으로 고시되지 않아 하천생태유량, 환경생태유량, 환경유량 등 다양한 용어가 혼용되고 있다. 이와 더불어 산정된 유량을 적용하여 수생태 복원 및 개선 효과에 대한 검증 및 평가를 한 연구는 미비한 실정이나, 현실적인 하천 생태계를 위한 유량 산정을 위해서는 하천 유량 증가에 따른 수생태의 개선 효과에 대한 검증 및 평가가 수행되어야 한다.
본 논문에서는 하천의 유량이 증가하였을 때 수생태계의 건강성 변화를 평가하여, 수생태계 개선 효과를 확인하고자 한다. 이를 위해 하천의 유량, 수질농도, 수생태계 건강성 지수의 등급 자료들을 이용하여 기존의 상태를 평가하였다. 하천 생태계를 위한 유량으로는 수질, 수량, 염해, 주운 그리고 수생태 보전 등의 8가지의 항목에 대하여 각각의 필요 유량을 산정하여 가장 큰 유량으로 고시되고 있는 하천유지유량을 사용하였다. 기존 댐에서 방류되고 있는 하천유지유량을 제외하고, 추가로 댐에서 하천유지유량을 수생태 보전을 위한 용도로 일정 기간 방류하여, 하천의 유량이 증가에 따른 수질 농도의 저감을 효율을 평가하였다. 마지막으로 하천 유량과 수질 농도 변화에 따른 수생태계 건강성 지수 등급의 변화를 평가하여, 하천 유량 증가가 수생태계 복원 및 개선에 미치는 영향을 확인하였다. SWAT을 이용하여 댐에서 수생태계 보전을 위한 하천유지유량 추가 방류 모의와 그에 따른 하천의 유량 변화 및 수질 모의하였으며, 그 결과를 기계학습의 Random Forest 알고리즘의 입력자료로 활용하여 수생태계 건강성 지수의 등급의 변화를 평가하였다.
2. 재료 및 방법
2.1 SWAT 모델
SWAT은 물리적 기반의 준분포형 연속 수문모델로서 대규모의 복잡한 유역에서 장기간에 걸친 다양한 종류의 토양속성, 토지이용, 토지관리 상태에 따른 하천수, 유사 및 영양물질 등의 이동을 모의하기 위해 미국 농무성(United States Department of Agriculture, USDA) 농업연구소(Agricultural Research Service, ARS)에서 개발한 유역모델이다. SWAT은 토지이용, 토양의 종류 및 관리 등의 조합을 고려한 수문반응단위(Hydrologic Response Unit, HRU)로 전체 유역을 세분화하여 물수지 방정식을 기반으로 수문순환을 모의한다. 침식과 유사량은 각 HRU에 대해서 수정범용토양침식공식(Modified Universal Soil Loss Equation, MUSLE)를 이용하여 추정하며, 유사의 이송은 퇴적과 침식의 동시작용에 의해 조절된다. 또한, 하천 내 동역학 QUAL2E 모형으로부터 하천에 용해되거나 유사에 부착된 질소, 인 등의 영양물질을 추적한다(Arnold et al., 1996; Neitsch et al., 2001).
2.2 Random Forest 알고리즘
Random Forest는 여러 개의 의사결정나무(decision tree)의 결과를 종합하는 앙상블 방법이다(Breiman, 2001). 의사결정나무는 예측 및 분류에 많이 활용되는 알고리즘으로, 상위노드에서 하위노드로 분할될 때 노드 내 동질성과 노드 간 이질성이 커지도록 입력변수가 선택된다. 의사결정나무는 구조가 단순하고 최종 결과가 그래프로 도출되어 모델의 설명력이 높은 장점이 있으나, 각 노드에서 하나의 입력변수만 선택하기 때문에 학습데이터에 과적합(over-fitting)되어 학습되지 않은 새로운 데이터에 대한 예측력이 낮은 단점이 있다(Park et al., 2011). 이러한 단점을 보완하기 위해 Random Forest는 학습데이터를 여러 개의 데이터 셋트로 분할 후, 무작위로 선택한 입력변수를 이용하여 생성한 다수의 의사결정나무를 결합하여 과적합 문제를 해결하였다(Dudoit et al., 2002; Na et al., 2010; Duro et al., 2012).
Random Forest 모델의 생성과정은 크게 3단계로 구분이 되고, 그 구조는 Fig. 1과 같다. 첫 번째 단계는 전체 데이터에서 중복 추출을 허용하여 기존 학습데이터와 동일한 크기를 가지는 N개의 새로운 데이터 셋트를 생성하는 부트스트래핑(Bootstrapping) 단계이다. 두 번째는 학습 단계로 각각의 데이터 셋트에서 입력변수를 임의로 선택하여 독립적인 N개의 의사결정나무를 생성한다. 마지막은 앙상블 단계로, 각각의 의사결정나무를 통해 예측된 값을 다수결 방식으로 결합하여 최종적인 예측 값을 선택한다. Random Forest 모델 생성 시, 트리의 개수, 트리 분할에서 선택할 변수의 개수, 트리의 최대 깊이 등과 관련된 매개변수를 조정하여 모델의 성능을 향상 시킬 수 있지만, 다른 알고리즘보다 매개변수의 영향이 민감하지 않으며(Fernández et al., 2014; Probst et al., 2019) 많은 매개변수의 활용은 모델을 복잡하게 만들 수 있다(Müller and Guido, 2016).
2.3 대상유역 및 입력자료
본 연구의 대상유역은 5대 권역 중 하나인 한강 유역으로 유역면적 34,148 km2, 유역평균폭 69.8 km, 유역평균표고 406.9 m (-55.0 - 1,650.0 m), 그리고 유역평균경사는 39.1%이다. 고도가 높은 동쪽에 넓게 분포한 산림은 유역의 73%를 구성하고 있으며, 논, 밭 그리고 도시는 각각 6%, 12%, 4%를 차지하고 있다. 하천은 크게 북한강과 남한강으로 나뉘고 두 하천은 팔당댐(PDD)에서 합쳐져 한강 서해로 흐르고, 유역에는 3개의 다목적댐인 소양댐(SYD), 횡성댐(HSD), 충주댐(CJD)과 다기능보인 강천보(KCW), 여주보(YJW), 이포보(IPW)가 운영되고 있다. 유역에 영향을 미치는 14개의 기상관측소의 30년(1985-2014) 관측자료에 따른 유역 평균 강우량은 1,395 mm이며, 평균 기온은 11.5°C 이다. 유역에는 47개의 하수종말처리장과 230개의 수질 통합관측망이 운영되고 있으며 313개의 지점에서 수생태계 건강성이 평가되고 있다(Fig. 2(a)).
SWAT 모형의 입력자료로는 크게 기상, 수문, 수질, 그리고 GIS 공간자료가 필요하다. 기상자료로는 14개의 관측소(충주, 제천, 영월, 이천, 원주, 양평, 서울, 홍천, 대관령, 문산, 동두천, 춘천, 인제, 철원)의 강수량(mm), 최고 및 최저기온(°C), 풍속(m/sec), 태양복사량(MJ/m2), 그리고 상대습도(%)의 일자료를 사용하였고, 수문 및 수질 자료로는 대규모 시설물 운영 모의를 위해 댐, 보의 일별 유입량, 저수량, 방류량 자료와 47개 지점의 점오염원 자료를 사용하였다. GIS 공간자료는 국가수자원관리종합정보시스템(WAter Management Information System, WAMIS)에서 제공하는 30 m DEM (Digital Elevation Model)과 1:25,000 비율의 정밀토양도 그리고 환경부의 2008년 중분류 자료를 기반으로 한 토지이용도를 사용하였다(Figs. 2(b) and 2(c)).
2.4 수생태계 건강성 평가
국립환경과학원에서는 2008년부터 매년 봄(4월-6월), 가을(8월-10월)에 전국 800여개 지점에서 생물측정망 조사 및 평가지침을 기반으로 생물분야(어류, 부착돌말류, 저서성 대형 무척추동물) 및 하천환경분야(서식지, 수변환경)에 대한 평가를 수행하며 상태에 따라 매우좋음, 좋음, 보통, 나쁨, 매우나쁨 5개의 등급으로 평가한다(Ministry of Environment, 2015). 본 연구에서는 생물분야와 관련된 어류지수(Fish Assessment Index, FAI), 부착돌말지수 (Trophic Diatom Index, TDI), 저서동물지수 (Benthic Macroinvertebrate Index, BMI)를 활용하여 유역의 건강성을 평가하고자 하며, 각 지수의 점수는 Eqs. (1)~(3)을 이용하여 산정된다.
| $$FAI=M1+M2+M3+M4+M5+M6+M7+M8$$ | (1) |
| $$TDI=100-\left[25\frac{\Sigma(a_i\times s_i\times v_i)}{\Sigma(a_i\times v_i)}-25\right]$$ | (2) |
| $$BMI=\left[4-\frac{\mathrm\Sigma(s_i\times h_i\times g_i)}{\mathrm\Sigma(h_i\times g_i)}\right]\times25$$ | (3) |
여기서, Eq. (1)의 M1는 국내종의 총 종수, M2는 여울성 저서종수, M3는 민감종수, M4는 내성종의 개체수 비율, M5는 잡식종(Omnivores)의 개체수 비율, M6는 국내종의 충식종(Insectivores)의 개체수 비율, M7는 체집된 국내종의 총 개체수, 그리고 M8는 비정상종(Anormalities)의 개체수 비율을 나타내며, 각 매트릭에 대한 점수는 계급구간에 따라 0, 6.25, 12.5점으로 구분하여 산정된다. Eq. (2)의 는 표본 내 종의 상대 풍부도(%), si는 종의 오염 민감도(1-5), 그리고 는 종의 지표 값(1-3)을 나타내며, Eq. (3)의 i는 지정된 지표생물종의 일련번호, si는 i지표생물종의 단위오탁지수, hi는 i지표생물종의 출현도, 그리고 는 i지표생물종의 지표가중치를 나타낸다. 각 생물분야 지수는 점수에 따라 5개의 등급으로 평가되며, 등급 평가기준을 Table 1에 정리하였다.
Table 1. Aquatic ecology health indices assessment criteria for FAI, TDI, and BMI (Water Environment Information System, 2018)
| Index | A (very good) | B (good) | C (fair) | D (poor) | E (very poor) |
| FAI | ≥ 80 | ≥ 60 | ≥ 40 | ≥ 20 | < 20 |
| TDI | ≥ 90 | ≥ 70 | ≥ 50 | ≥ 30 | < 30 |
| BMI | ≥ 80 | ≥ 65 | ≥ 50 | ≥ 35 | < 35 |
2.5 연구 방법
GIS 데이터, 다목적 댐, 다기능 보의 운영자료 및 검·보정 지점의 수문, 수질 관측자료를 바탕으로 SWAT 모형을 구축하고 상류에서 하류로 순차적으로 다지점 검·보정을 수행하였다. 수생태계 건강성 평가 지점의 공간적 분포를 고려하여 86개 표준유역의 하천 수질(T-N, NH4, NO3-N, T-P, and PO4-P)에 대한 SWAT 결과와 물환경정보시스템에서 제공하는 수생태계 건강성 지수(FAI, TDI, BMI) 등급 자료를 이용하여 Random Forest 알고리즘 구축의 학습(Train) 및 검증(Test)을 수행하였다.
하천유지유량 방류를 통한 하천의 유량 증가 모의를 위해 SWAT의 Dam operation을 이용하였으며, 추가로 방류되는 하천유지유량은 수생태계 건강성 회복을 위해 사용됨을 가정하였다. 추가 방류량은 기존 댐 운영을 고려하기 위해 일별 댐 방류량에 비례하도록 산정하였으며, 증가 비율 10%, 20%, 50%를 각각 시나리오 1-3으로 정하였다.
구축한 SWAT모형에 하천유지유량 시나리오를 적용하여 표준유역별 수질농도 변화를 분석하였으며, 이 결과를 기존 데이터로 학습시킨 Random Forest 알고리즘에 입력자료로 적용하였다. 이를 통해 각 수생태계 건강성 지수의 등급을 예측하여 하천유지유량의 방류가 수생태계 건강성에 미치는 영향을 분석하였다. Fig. 3과 Table 2는 본 연구의 방법의 흐름도 및 수생태계 건강성 평가를 위해 사용한 Random Forest의 알고리즘의 입력 및 결과자료이다.
Table 2. Input and output data of Random forest algorithm
3. 결과 및 고찰
3.1 수생태계 건강성 평가
본 연구에서는 다목점 댐 및 다기능 보 운영을 고려하여 한강유역에 대한 SWAT을 구축한 Ahn et al. (2016) 연구와 SWAT과 Random Forest 기법을 이용하여 미계측 유역을 포함한 한강유역의 표준유역에 대한 수생태계 건강성을 평가한 Woo et al. (2019)의 연구결과를 사용하였다. SWAT의 보정기간은 5년(2005-2009), 검증기간은 5년(2010-2014)이며, coefficient of determination (R2), Nash and Sutcliffe (1970) model efficiency (NSE), percent bias (PBIAS)를 사용하여 모형의 적용성을 평가하였다. R2은 1에 가까울수록 관측값에 가깝게 모형이 모의되는 것을 의미하고, NSE는 -∞에서 1까지의 범위를 가지며 0보다 클수록 모형의 적용성이 높음을 나타낸다(Mkhwanazi et al., 2012). PBIAS는 관측값과 모의값의 오차를 퍼센트로 나타난 것으로 오차값이 작을수록 모형의 효율이 높음을 나타낸다(Lee et al., 2018). Fig. 4는 3개의 다목적댐(SYD, HSD, CJD) 및 팔당댐(PDD)의 유입량과 팔당댐 인근 하천수 수질 관측망 지점에 대한 수질(T-N, T-P) 검·보정 결과이다. 댐 유입량 결과의 R2는 0.78-0.90, NSE는 0.59-0.80, PBIAS는 5-14%로 분석되었으며, 수질 T-N, T-P의 R2는 0.64, 0.71로 분석되어 SWAT calibration guidelines (NSE≥0.5, PBIAS≤28%, R2≥0.6; Moriasi et al., 2007; Santhi et al., 2001)을 만족하는 것으로 나타났다. 검·보정에 사용된 매개변수 및 결과는 Ahn and Kim (2017)에 자세하게 제시되어 있다.
Fig. 4.
The calibration and validation SWAT results (a) Dam inflow and (b) Water quality (T-N, T-P), (Ahn and Kim, 2017)
Table 3은 실측값과 유의한 결과를 나타내는 SWAT 모의자료를 기반으로 수생태계 건강성 평가가 수행된 봄(4-6월)과 가을(8-10월)에 대한 유역 평균 수질(T-N, NH4, NO3-N, T-P, PO4-P)의 농도이며, 2012년 다기능보 건설 및 운영 시점을 기준으로 구분하여 제시하였다. 수질농도는 T-N이 1.596-2.163 mg/L로 가장 높았으며 PO4-P가 0.009-0.012 mg/L로 가장 낮았다. 그리고 봄의 수질농도가 가을보다 높게 나타났으며, 특히 NO3–N 농도는 봄에 0.576 mg/L에서 가을 0.083 mg/L로 가장 크게 변하는 것으로 나타났다. 이는 농경기에 비료를 사용함에 따라 하천으로 유입되는 질소의 양이 증가하여 봄철 농도가 높아지고, 여름철 장마와 집중호우로 인해 하천의 유출량이 증가하여 가을철 농도가 낮아지기 때문으로 판단된다.
Table 3. The Basin average water quality (T-N, NH4, NO3-N, T-P, and PO4-P) concentration (mg/L)
Fig. 5는 SWAT 수질 농도 결과와 수생태계 건강성 관측자료를 Random Forest 알고리즘의 입력자료로 활용하여 표준유역별 수생태계 건강성을 평가한 결과이다. 2008년부터 2015년까지 매년 수생태계 건강성 등급을 평가하였으며, 가장 많이 표출된 등급을 표준유역의 대표 등급으로 산정하였다. 수생태계 건강성 평가는 매년 2차례 봄과 가을에 수행되며, 여름철 장마의 영향으로 봄과 가을의 건강성 양상이 다르기 때문에 두 기간을 구분하여 분석하였다. FAI로 유역의 수생태계 건강성을 평가한 경우 유역의 충주댐 유역에서부터 하류까지 건강성이 C등급 이하로 나타났으며, 일부 유역에서 봄에 비해 가을철에 건강성을 회복하는 것으로 분석되었다. TDI의 경우 일부 표준유역을 제외하고 거의 모든 유역에서 건강성이 C등급 이하로 평가되었고, BMI는 하류를 제외한 유역에서 건강성이 A-B등급으로 평가되었다. BMI는 상대적으로 봄과 가을철의 변화가 크지 않으며, 여름철 강수량 증가에 따른 하천 유량 증가의 영향을 덜 받는 것으로 판단된다. 연도별 봄, 가을 수생태계 건강성 평가에 관한 자세한 결과는 Woo et al. (2019)에 제시되어 있다.
3.2 하천유지유량 추가 방류에 따른 수질 변화 분석
유역의 수생태계 건강성 회복 방안으로 다목적 댐에서 하천유지유량을 추가 방류하였을 때, 수질농도 변화를 확인하기 위해 Eq. (4)를 이용하여 시나리오 적용에 따른 표준유역별 농도저감 효율(Removal Efficiency)을 산정하였다.
| $$Removal\;Efficiency(\%)=\frac{(pre\;Scenario-post\;scenario}{pre\;Scenario}\times100$$ | (4) |
Figs. 6 and 7은 각각 봄과 가을 하천유지유량 추가 방류에 따른 유역의 수질농도 저감 효율을 공간적으로 도시화한 분포도이다. 하천유지유량 시나리오 적용하기 전 기존 상태의 수질농도 대비 농도가 증가한 경우 저감 효율은 음수 값을 가지고, 수질농도가 감소한 경우 저감 효율은 양수 값으로 분포도 상에서 붉은색을 나타낸다. SWAT을 이용하여 하천유지유량 추가 방류를 모의한 경우, 추가 방류량은 본류를 통해 유역의 출구로 유출되어 지류 하천에 미치는 영향은 모의 되지 않는 것으로 나타났다.
봄에 시나리오 1을 적용하였을 때, 소양강댐(SYD)에서는 모든 수질농도가 저감되었으며 T-P가 최대 14% 감소하였다. 반면 횡성댐(HSD)과 충주댐(CJD)에서는 질소 계열 수질(T-N, NH4, and NO3-N)이 증가하는 것으로 나타났고, NO3-N 농도가 5% 증가하였다. 팔당댐(PDD)에서 합류된 이후에는 수질농도가 기존보다 최대 3% 감소하는 것으로 분석되었다. 시나리오 3을 적용하였을 때는 모든 지점에서의 수질농도가 감소하였으며, 가장 큰 변화는 소양강댐의 영향을 받는 유역의 T-P 저감 효율이 47.7%로 분석되었다. 팔당댐에서 유역의 하류 출구 지점까지는 하천유지유량 방류량에 비례하여 저감 효율이 증가하여, 시나리오 3에서는 수질농도가 13.5 - 23.7% 감소하는 것으로 나타났다(Fig. 6 and Table 4).
가을에는 봄과 다르게 모든 시나리오에서 NO3-N 수질의 농도가 감소하는 것으로 나타났으며, 시나리오 3의 경우 소양강댐에서 11.7%, 횡성 및 충주댐에서는 16.3% 감소하여 팔당댐 이후 10.9% 감소하는 것으로 분석되었다. 반면, 인계열 수질(T-P, PO4-P)의 경우 모든 시나리오에서 농도가 증가하는 것으로 나타났고 방류량 증가에 비례하여 시나리오 3에서 2.3~12.4% 증가하는 것으로 분석되었다(Fig. 7 and Table 4). 이는 여름철 집중호우 및 장마의 영향으로 이미 수질의 농도가 봄철에 비해 감소하였기 때문에 하천유지유량 추가 방류에 따른 수질농도 저감 효과가 미비한 것으로 판단된다. 또한 SWAT을 이용한 댐 방류량 증가 모의는 수심에 따른 수질 변화가 고려되지 않아 모든 수심에 대하여 완전 혼합된 수질이 댐 하류로 전달되는 형태로 모의되기 때문에, 댐 하류의 수질 보다 농도가 높은 수질이 방류되어 방류량 증가에도 불구하고 댐 하류의 수질이 악화되는 것으로 판단된다. 따라서 댐 방류량 증가에 의한 하류 하천수질의 영향을 제대로 평가하기 위해서는 수심에 따른 수질을 고려하여 수문 방류에 대한 모의가 필요한 것으로 보인다.
Table 4. The removal efficiency of stream water quality (T-N, NH4, NO3-N, T-P, PO4-P) concentration by additional dam release with scenario 1 (10%), scenario 2 (20%), and scenario 3 (50%)
3.3 하천유지유량 추가 방류에 따른 수생태계 건강성 변화 분석
하천유지유량 시나리오를 적용하여 모의한 변화된 수질농도를 기존에 구축한 Random Forest 알고리즘의 새로운 입력변수로 사용하여 표준유역별 수생태계 건강성 지수의 등급을 산정하였다. 다목적댐에서 추가로 방류한 하천유지유량은 댐의 하류에 직접적으로 영향을 미치기 때문에 상류 및 지류 하천을 포함한 유역에서는 수생태계 건강성 변화가 나타나지 않았다. 따라서 수질농도가 변화한 33개의 표준유역에 대한 수생태계 건강성 지수 등급의 변화만 분포도로 도시하였다(Figs. 8 and 9).
Fig. 8에서 FAIs는 소양강댐 하류에서 기존에 C등급으로 산정되었으나 하천유지유량을 방류의 영향으로 일부 A-B등급으로 개선되었다. 시나리오 1의 경우 댐에서 떨어진 하류 유역에서는 건강성이 E등급으로 악화되었지만, 팔당댐 이전 유역에서는 건강성이 개선되는 것으로 나타났다. 시나리오 2는 상대적으로 건강성의 변화가 크게 나타나지 않았으며, 시나리오 3은 소양강댐 하류에서 크게 개선되었으며, 횡성댐과 충주댐 하류에서의 변화는 다른 시나리오보다는 적게 나타났다. TDIs는 기존에 E등급으로 산정되었던 횡성댐과 충주댐 하류 유역의 건강성이 개선되어 시나리오 3에서는 C등급으로 회복하는 것으로 분석되었다. BMIs는 하천유지유량을 10%, 20% 증가시킨 시나리오 1, 2에서 건강성이 A등급에서 B, C등급으로 나빠지는 표준유역이 일부 발생하였으나, 하천유지유량을 50% 증가시킨 시나리오 3에서는 유역 하류의 건강성이 확연히 개선되는 것으로 나타났다. 이는 Fig. 6에서 보는 바와 같이, 하천유량을 20%로 증가시킨 시나리오 2를 기준으로 NO3-N를 제외한 T-N, NH4, T-P, PO4-P가 개선되기 시작하였으며, 하천유량을 50%로 증가시킨 시나리오 3에서는 NO3-N도 하류 하천구간에서 개선된 것을 반영하는 것으로 판단된다.
Fig. 9에서 FAIa는 기존에 D등급으로 표현되었던 하류 유역들이 C등급으로 개선되었으며, 시나리오 1의 경우 소양강댐 하류에서 건강성이 B등급까지 회복되는 것으로 나타났다. TDIa는 봄과 유사하게 유역 중간 부분에서 건강성이 회복되는 것으로 나타났으나 봄보다는 건강성 회복 효과가 미비한 것으로 나타났다. 또한, BMIa도 유역 출구에서 기존 E등급으로 나타났던 건강성이 B-C 등급으로 개선되는 것으로 분석되었다. 이러한 결과는 여름철 장마로 인한 강우량 증가에 따른 하천유량 증가의 영향으로 가을철 하천유지유량 추가 방류는 봄철보다 효과가 미비하며 따라서 가을철 수생태계 건강성을 회복하기 위해서는 점오염원, 비점오염원을 직접적으로 통제할 필요가 있는 것으로 판단된다.
4. 요약 및 결론
본 연구에서는 한강유역을 대상으로 유역모형인 SWAT을 이용하여 하천유지유량 추가 방류에 따른 하천 수질 변화를 분석하고, 그 결과를 기계학습 기법인 Random Forest 알고리즘에 적용하여 수생태계 건강성 변화 양상을 평가하였다. 한강유역 내에 있는 다목적 댐인 소양강댐, 횡성댐, 충주댐에서 하천유지유량을 추가 방류를 모의하였다. 방류모의 기간은 수생태계 건강성 관측이 수행된 2008년부터 2015년 봄(4-6월), 가을(8-10월)로 선정하였고, 추가 방류량은 강수량의 영향을 반영하기 위해 기존 방류량의 10%, 20%, 그리고 50%로 선정하였다. 본 연구의 결과를 요약하면 다음과 같다.
1) 한강유역의 다목적 댐 유입량에 대한 SWAT의 검·보정 결과 R2는 0.78-0.90, NSE는 0.59-0.80, PBIAS는 5-14%로 분석되었으며, 수질의 R2는 T-N 0.64, T-P 0.71의 상관성을 나타내었다. 검·보정 결과를 기반으로 봄과 가을의 유역 평균 수질농도를 산정하였을 때 봄의 수질농도가 가을보다 높으며, 특히 NO3-N의 농도 변화가 가장 크게 변하는 것으로 나타났다.
2) SWAT으로 도출한 237개의 표준유역에 대한 수질농도를 Random Forest 알고리즘의 입력변수로 적용하여 유역의 수생태계 건강성을 평가하였을 때, FAI는 상류의 건강성은 우수하지만 충주댐 유역 하류부터 건강성이 C등급 이하로 평가되었다. TDI는 일부 표준유역을 제외하고 거의 모든 유역에서의 건강성이 C등급 이하였으며, BMI는 하류를 제외한 유역에서의 건강성이 A-B등급으로 분석되었다.
3) SWAT을 이용하여 다목적댐에서의 하천유지유량 추가 방류 모의는 지류하천을 제외한 댐 하류 본류에 영향을 미치는 것으로 나타났다. 방류량이 가장 큰 시나리오 3에서 수질 농도 변화가 가장 크게 나타났으며 봄에는 T-P가 최대 47.7% 감소하였고 가을에는 NO3-N가 최대 16.3% 감소하는 것으로 분석되었다. 그리고 가을에는 방류량 증가와 함께 인 계열 수질(T-P, PO4-P)의 농도가 오히려 증가하는 것으로 분석되었다.
4) 위의 SWAT 결과를 기존에 구축한 Random Forest 알고리즘의 새로운 입력변수로 사용하여 표준유역별 수생태계 건강성의 변화를 모의한 결과, 유역 하류에서 건강성이 회복되는 것으로 분석되었으며 하천유지유량 추가 방류는 가을철에 비해 봄철에 더 큰 영향을 미치는 것으로 나타났다.
본 연구의 결과를 통해 하천유지유량을 이용하여 하천의 유량이 증가하였을 때, 유역의 수질 및 수생태계 건강성이 일부 회복 가능함을 확인하였으며, 이는 수생태계 관리 및 보호를 위한 방안 수립에 활용될 수 있을 것으로 판단된다. SWAT을 이용한 댐 방류량 증가모의의 경우 댐 내의 완전 혼합된 호소수질을 댐 하류로 전달하기 때문에, 하천유지유량 방류에 의한 하류 하천수질 및 수생태계 영향을 자세하게 평가하기 위해서는 수심을 고려한 수문 방류수의 수질을 고려할 필요가 있을 것으로 판단된다. 그리고 여름철 장마로 인한 강우량 증가에 따른 하천 유량 증가의 영향으로 가을철 하천유지유량 추가 방류는 봄철 보다 효과가 미비하므로 가을철 수질 및 수생태계 건강성을 회복하기 위해서는 점·비점 오염원을 직접적으로 관리 및 통제할 필요할 것으로 사료된다. 본 연구에서는 수질과 수생태계 건강성 지수(FAI, TDI, BMI)의 등급 자료를 이용하여 Random Forest를 구축하였으나, 추후 등급을 결정하는 구체적인 데이터와 유역별 어류의 우점종, 저서성 대형무척추동물의 분포에 영향을 미치는 물리적 서식처와 같은 데이터를 활용하여 분석한다면 더 좋은 결과를 도출할 것으로 판단된다.
