1. 서 론

물, 에너지, 식량은 인류의 지속가능한 발전을 위해 가장 중요한 자원으로 꼽힌다. 이러한 자원들은 각각 독립적으로 관리됐으나, 실제로는 서로 긴밀하게 연결되어 있어 한 부문의 변화가 다른 부문에 직접적인 영향을 미친다(Al-Saidi and Elagib, 2017). 특히, 기후변화, 자원 고갈, 인구 증가 등 복합적인 글로벌 이슈로 인해 물, 에너지, 식량 부문 간의 경쟁과 상호작용이 더욱 심화되고 있다. 실제로 최근 몇 년간 국내외에서 발생한 재해를 살펴보면 복합적인 상호작용의 피해를 확인할 수 있다. 예를 들어, 2015년~2016년 엘니뇨로 인한 남부 아프리카 가뭄은 농업 생산성 저하로 이어져 식량 수입 의존도를 증가시키고, 에너지 수급 불안과 사회적 갈등을 유발하였다(Matlou et al., 2021). 중동 지역에서는 인구 증가와 물 부족이 식량 자급률 하락으로 이어졌고, 이는 다시 에너지 사용량 증가 및 비용 부담 상승으로 나타났다(Borgomeo et al., 2018). 우리나라도 장기적인 가뭄과 여름철 집중호우가 반복되면서 농업용수와 생활용수의 공급 불균형, 농작물 피해, 수력 발전량 저하 등이 발생하였다(OECD, 2017). 그러나 현재의 자원관리는 개별 부문 중심으로 운영되고 있어 상호 연계된 복합 위기 상황에서 효과적인 대응이 어렵고, 중복투자나 정책 충돌 등 효율성과 지속가능성을 저해할 수 있다(Yoon, 2022). 이와 같은 상호의존성을 이해하고 관리하기 위해 부문 간 통합적 접근이 요구되며, 넥서스(nexus) 개념은 이러한 문제에 대응하는 혁신적인 방법론으로 자리 잡고 있다.

물-에너지-식량(Water-Energy-Food, WEF) 넥서스란 자원 간 상호작용, 시너지, 상충 관계 등을 고려하여 통합적인 자원관리를 지향하는 접근법으로, 유엔 지속가능한 개발 목표(Sustainable Development Goals)(UN-SDGs) 달성과 기후위기 대응을 위한 전략이다. 넥서스 개념은 2011년 세계경제포럼(World Economic Forum)에서 제안된 이후 전 세계적으로 확산되었다. 초기에는 넥서스 개념을 물관리 및 천연자원 보전, 자원안보 관점에서 논의하는 연구가 주로 이루어졌다. De Grenade et al. (2016)은 물-에너지-식량-환경 안보 간의 시너지와 상충 관계에 초점을 맞추어 자원 안보를 통합적으로 이해하는 방법으로 넥서스를 다루었다. Rasul and Sharma (2016)는 개발도상국이 기후변화에 따른 식량, 물, 에너지 수요 증가와 같은 복합적인 문제에 직면하고 있으며, WEF 넥서스 접근 방식이 기후변화 적응을 위한 통합적이고 효율적인 자원 관리 전략임을 밝혔다. 이후 UN-SDGs, 녹색경제 등과의 연계, 정책적·거버넌스적 통합에 대한 논의를 시작하면서, 실제 정책과의 연계 및 적용에 관한 연구로 발전하였다. Bleischwitz el al. (2018)은 넥서스 개념이 UN-SDGs와 어떻게 연관되는지 논의하며, 생물물리학적 목표와 인간적 목표를 연결하기 위해 넥서스 접근법을 도입하여 복잡한 상호작용을 파악하고 지속가능한 자원 사용 경로를 모색하였다. Benson et al. (2015)는 통합수자원관리에서 넥서스 접근 방식으로의 물 거버넌스 패러다임 전환 가능성을 영국과 방글라데시를 대상으로 비교 분석했으며, 넥서스 접근 방식이 녹색경제와 수자원의 지속가능성을 지원한다는 것을 확인하였다.

최근에는 기후·생태·사회 등 타 부문과의 연계 연구가 증가했으며, 데이터 기반 정량분석, 시스템 모형화, 인공지능 등 다양한 방법론이 도입되고 있다. Yang et al. (2024)는 지리적 빅데이터와 데이터 마이닝을 활용하여 WEF 넥서스 프레임워크를 제안했으며, 데이터 수집 및 전처리, 연계성 분석, 공동 최적화 및 예측 분석 등이 포함된 5단계의 프레임워크를 구성하여 데이터 기반 정량적인 분석방법을 체계화하였다. Zahedi et al. (2024)는 인구, 물, 농업, 에너지 모듈을 구성하여 시스템 역학 접근법 기반 WEF 연계 모형을 개발했으며, 도시, 산업, 농업 부문별 물 및 에너지 소비 관리 및 환경 보호 정책이 생태계 공급 서비스 개선에 미치는 효과를 모의 분석하였다.

우리나라에서도 WEF 넥서스 시스템에 대한 실증적 모형 개발이 시도되고 있다. Yoon (2022)은 농업 재배 시스템에 따른 넥서스 자원의 이용과 탄소 배출량 중심으로 시설 재배와 논에서의 WEF 넥서스 모형을 구축했으며, Na et al. (2023)은 생물-물리학적 모형과 경제학적 모형을 연계하여 기후-토양-물-에너지-식량 넥서스 기반 농업가뭄 평가 플랫폼 설계를 제안하였다.

넥서스 개념을 효과적으로 적용하기 위해서는 각 분야에서 효율성을 극대화하는 핵심 기술적 요소를 파악하는 것이 중요하다(Bu et al., 2025). 넥서스 시스템은 다중 인자와 복잡한 상호작용으로 구성되기 때문에 기존의 선형 회귀모형이나 통계적 방법만으로는 실제 상황을 충분히 반영하기 어렵다. 이에 따라 다양한 인자들의 복합적인 상호작용을 고려할 수 있는 새로운 분석 도구로 인공신경망(Artificial Neural Network, ANN) 기반의 모형이 활용되고 있다. 특히 시간에 따라 영향을 주고받는 자원의 흐름을 분석하기 위하여 시계열 데이터의 장기 종속성을 효과적으로 학습할 수 있는 장단기 메모리(Long Short-Term Memory, LSTM) 모형은 수자원, 에너지, 기후, 농업 등 다양한 분야에서 적용되고 있다. Kong et al. (2017)는 전력 소비량뿐만 아니라 다양한 생활 패턴 변수를 입력인자로 사용하여 단기 전력 수요량을 예측했으며, Qiu et al. (2022)는 LSTM 알고리즘을 적용하여 복잡한 에너지 시스템의 동적 거동을 예측하고 최적화하였다. Salem and Abokifa (2024)는 기상자료, 물수요 및 사회경제 변수 등을 다변량 LSTM 모형을 적용하여 단기 상수도 수요를 예측하였다.

다중 출력 회귀 모형(Multi Output Regression, MOR)은 입력인자와 출력인자의 기본 관계뿐만 아니라 출력인자들 간의 관계까지 고려하여 다중 출력 시스템을 효과적으로 모의할 수 있다(Borchani et al., 2015). He et al. (2016)은 멀티태스킹 학습 알고리즘과 MOR을 적용하여 다중 유전자형 형질을 예측했으며, 각 형질을 독립적으로 예측하는 것보다 모든 형질을 함께 모의하는 것이 상관관계가 있는 유전 형질 예측 성능을 향상시키는 것으로 나타났다. Raza and Jothiprakash (2014)는 기온, 상대 습도, 풍속, 일조 시간, 이슬점 온도 및 증발량 등 서로 상관성이 있는 기상 변수를 동시에 예측하는데 MOR 모형을 적용했으며, 민감도 분석을 통해 각 입력 변수가 출력 변수에 미치는 영향을 분석하였다. 이와 같이 복잡한 시스템의 시계열 분석 및 영향관계 분석에 ANN 기반의 LSTM 및 MOR이 자주 활용되고 있으며, 입력변수가 많은 넥서스 시스템 구축에 LSTM 및 MOR 적용이 적합하다.

그러나 현재 넥서스 연구에서는 전과정평가나 데이터마이닝 등 기초통계기법에 의존하고 있다. 이러한 기존 방법론들은 복잡한 비선형성 특성이 있는 넥서스 시스템의 불확실성을 충분히 반영하지 못한다. 따라서, 본 연구에서는 물-에너지-식량 자원의 시간에 따라 변동하는 동적 특성과 자원 간의 영향을 미치는 상호의존성을 동시에 평가하기 위하여 LSTM과 MOR을 결합한 복합 넥서스 시스템을 구축하였다. 본 연구에서는 물-에너지-식량의 상호작용을 반영한 넥서스 시스템을 구축하기 위하여 LSTM과 MOR이 결합된 복합 넥서스 시스템을 구축하였다. 먼저, 활용할 수 있는 물, 에너지 및 식량 자료를 기반으로 넥서스 시스템을 구성하였다. 과거 자료를 통해 자원의 흐름, 수요·공급 또는 부족량 등과 같이 넥서스 시스템 내의 자원을 평가하기 위하여 스트레스 지수를 활용했으며, 각 부문별 자원 변화 및 흐름을 평가하였다. 넥서스 시스템을 분석하기 위해 LSTM 및 MOR 기반의 복합 WEF 넥서스 시스템을 구축하고, 과거 자원 및 스트레스 지수와 비교하여 모형의 정확도를 평가하였다.

2. 연구 지역 및 자료

본 연구에서는 충청남도 지역을 대상으로 WEF 넥서스 시스템을 구축하였다. 충청남도의 서해안 지역은 국내 최대 규모의 화력발전소와 석유화학 단지가 밀집한 중화학 공업 지대이지만, 내륙의 넓은 평야 지대는 전통적인 농업 생산의 중심지로서 식량 자급에 중요한 역할을 담당하고 있다. 또한, 금강 유역의 다목적댐인 보령댐이 충청남도 지역에 용수를 공급하고 있다. 기상학적 특징으로는 냉온대 계절풍 기후에 속해 있으며, 연평균 약 1,200 mm의 강수량을 가진다.

충청남도는 기상 및 지형학적 특성으로 인해 다양하고 복합적인 특성과 피해들이 발생하고 있어 통합 넥서스 분석이 시급한 지역이다. 예를 들어, 2015년~2017년 극심한 가뭄이 발생함에 따라 보령댐의 저수율이 역대 최저치까지 떨어지면서 일부 지역에 수개월간 제한급수가 시행되었다. 이에 따라 지역 주민들은 생활에 큰 불편을 겪었으며, 인근 산업단지의 공장들은 공업용수 부족으로 조업 단축을 하였다. 이러한 수문·기상학적 가뭄으로 인해 하천이나 댐 용수가 부족해지자 발전소의 냉각수가 부족하여 발전을 일시 중단했으며, 예당저수지의 저수율이 낮아져 많은 농가에서 모내기를 포기하면서 쌀 생산량이 감소하였다.

WEF 넥서스 시스템을 구축하기 위한 자료는 세 가지 부문으로 구분되며, 부문별 인자에 대한 정보는 Table 1과 같다. 물(water) 부문은 강수량, 저수량, 용수 이용량 등과 같이 기상 및 수문학적 자료를 포함하며, 에너지(energy) 부문은 발전량, 소비량, 절약실적 등을 포함하고, 식량(food) 부문은 경지면적, 생산량, 농가수, 축산물 소비량 등을 포함한다. Table 1의 자료들은 기상자료개방포털, 국가수자원관리종합정보시스템, 국가통계포털 , 농촌용수종합정보시스템 등을 통해 수집되었다. 자료의 공통기간을 고려하여 시간적 해상도는 2014년부터 2022년까지 9개년에 대해 연단위로 설정했으며, 공간적 해상도는 충청남도 단위로 설정하였다.

3. 연구방법

WEF 넥서스는 개별 자원을 독립적으로 관리하는 기존 방식과 달리, 하나의 부문에서의 변화(예: 수자원 부족)가 다른 부문(예: 에너지 생산, 식량 생산)에 미치는 영향을 고려함으로써 복합 시스템의 거동을 거시적인 관점에서 파악할 수 있다. 본 연구에서는 WEF 넥서스 시스템을 개발하기 위하여 Fig. 1과 같이 넥서스 식별(Nexus Identification), 자원 평가(Resources Assessment) 및 모델 구축(Model Construction)의 3단계를 수행하였다. 우선, 넥서스 시스템 식별 단계에서는 물, 에너지, 식량 각 부문의 세부흐름도를 작성하여 자원 간의 관계를 명확히 하고, 이를 통합하여 전체적인 넥서스 모델의 구조를 정립하였다. 자원 평가 단계에서는 넥서스를 구성하는 자료를 수집하여 과거 부문별 자원의 수요와 공급 그리고 부족량의 변화를 확인하였다. 마지막으로 모델 구축 단계에서는 LSTM을 활용하여 부문별 수용량 및 공급량을 예측하여 스트레스 지수(중간산출물)를 산정하였다. 이 스트레스 지수를 다시 입력노드로 하여 MOR에 적용하여 부문 간 영향이 고려된 최종 스트레스 지수를 산정하였다.

Fig. 1.

Procedure of research

3.1 WEF 넥서스 시스템

넥서스는 연결된 여러 자원 간의 복잡한 상호작용과 상호의존성을 이해하고 자원을 통합적으로 관리하기 위한 개념이다(Walker and Coles, 2022). 특히, WEF 넥서스는 인류의 지속가능한 발전에 필수적인 핵심 자원인 물, 에너지, 식량 사이의 상호작용을 하나의 통합된 시스템으로 간주하여 자원 간의 상충과 시너지 관계를 정량적으로 평가하는 데 목적이 있다. 넥서스를 모형화하려는 방법들은 매우 다양하며, 본 연구에서는 시스템 내 요소 간의 상호관계를 효과적으로 나타낼 수 있는 인과관계 다이어그램(Fig. 2)을 활용하였다. 변수들은 박스로 표현되며, 음영된 박스는 출력변수를, 이외의 박스는 입력변수를 의미한다. 이들 간의 영향관계(화살표로 표현)는 선형 또는 비선형 함수로 연결된다. 본 연구에서는 LSTM 및 MOR을 활용하여 각 노드 간의 가중치를 학습함으로써 영향관계를 수치적으로 유도하였다.

넥서스 시스템은 자원 관리의 유연성과 확장성을 확보하기 위해 자원들을 유기적으로 연계하는 모듈화 설계 방식을 기반으로 한다(Martinez-Hernandez et al., 2017). 모듈화 설계는 복잡한 시스템 문제를 해결하기 위해 시스템을 분해하고 재결합하는 것을 가능하게 하여, 유연성과 효율성을 향상시킨다(Baldwin and Clark, 1999). WEF 넥서스에서는 물, 에너지, 식량의 세 부문이 독립적인 모듈로 구성되며, 한 모듈의 출력이 다른 모듈의 입력이 되어 넥서스 시스템의 연계성을 반영한다. 예를 들어, 물 모듈의 하천 유출량 및 저수지 저류량은 에너지 모듈의 에너지 발전량 또는 식량 모듈의 농업용수 공급에 영향을 미친다. 반대로 에너지 모듈의 전력 생산량은 용수 공급 처리 또는 식량 생산과 연계된다. 이러한 모듈 간의 물질 및 에너지 흐름은 물질 흐름 분석을 통해 세부 흐름 모형으로 표현된다. 이 모형을 통해 자원의 흐름과 상호의존 경로를 식별하고 시간의 흐름에 따른 영향을 반영할 수 있도록 설계된다(Brunner and Rechberger, 2016).

Fig. 2.

Water-energy-food nexus casual loop diagram

넥서스 시스템에서는 한정된 자원을 두고 다양한 목표 또는 대안들이 서로 상충하는 상황이 발생한다. 이러한 상황에서 시스템의 안정성을 객관적이고 정량적으로 평가하고 최적의 대안을 도출하기 위해 목적함수를 도입한다(Mishra, 2015). 본 연구에서는 단순한 자원 부족량을 넘어, 자원의 수요와 공급 안정성을 반영한 스트레스 지수를 목적함수로 설정하였다. 스트레스 지수는 Eq. (1)과 같이 특정 자원 부문에서의 수요량을 자원 가용량으로 나눈 비율로 산정되며(Li et al., 2017), 값이 클수록 시스템이 극한의 스트레스 상태에 있음을 의미한다.

본 연구에서 스트레스 지수 산정을 위해 선정된 부문별 공급 및 수요 변수는 Table 2와 같다. 이때, 식량 부문 중 육류 생산량의 단위가 육류 소비량과 달라 농림축산식품부 및 한국육계협회에서 제시하고 있는 출하체중을 기준으로 마리수를 kg으로 환산하여 스트레스 지수를 산정하였다.

3.2 장단기 메모리(LSTM)

LSTM은 순환신경망(Recurrent Neural Network, RNN)의 한 종류이다. 시계열 데이터나 순차 데이터를 처리하기 위해 고안된 RNN은 시퀀스가 길어질수록 입력된 데이터의 정보가 다음 단계로 전달이 잘 되지 않아 학습 가중치가 줄어들면서 사라지는 기울기 소실 문제가 발생한다(Lee and Lee, 2018). LSTM은 이러한 소실 문제를 해결하기 위하여 시계열 데이터 내의 시간 의존성을 반영하여 장기적인 정보 흐름을 학습할 수 있도록 고안되었다(Zhao et al., 2020). LSTM은 Fig. 3(a)와 같이 시간에 따라 상태를 유지할 수 있는 메모리 이동 셀과 셀 안팎으로 데이터의 흐름을 조절하는 세 개의 비선형 게이트 구조로 구성된다. 셀은 시퀀스 전체에 걸쳐 정보를 장기적으로 저장하고 전달하는 역할을 하며, 정보가 손실되지 않고 흐를 수 있도록 설계된다. 셀의 정보 흐름을 제어하기 위하여 게이트 구조를 구성하며, 게이트는 입력, 망각, 출력 게이트로 이루어져 있다. 게이트들은 활성화 함수를 통해 정보의 흐름을 선택적으로 조절한다. 주요 활성화 함수로는 시그모이드(sigmoid), 쌍곡탄젠트(tanh), ReLU (Rectified Linear Unit) 등이 있다. 본 연구에서 LSTM은 각 부문별 생산량 및 소비량을 의미하는 중간산출물을 예측하는데 적용하였다(Fig. 3(c)). 이때, 변수간 영향관계는 0과 1 사이의 값을 출력하는 시그모이드 게이트 활성화 함수를 통해 정량화된다. 즉, 학습 과정에서 갱신되는 게이트의 가중치는 과거 정보가 현재 결과에 기여하는 정도를 조절하며, 값이 1에 가까울수록 과거 데이터의 시간적 종속성과 영향력이 높음을 의미한다.

Fig. 3.

Schematic diagram of model structure

3.3 다중 출력 회귀(MOR) 모형

MOR은 하나의 입력변수 집합으로부터 여러 개의 상관관계가 있는 출력변수를 동시에 예측하는 회귀모형이다. 이 모형은 출력변수 간의 상호 의존성을 고려하여 예측 정확도를 향상시키며, 복합적인 시스템이나 다변량 시계열 데이터 분석에 적합하다. 다중 출력 회귀 모형은 여러 출력변수를 동시에 학습함으로써 변수 간의 관계를 모형화할 수 있어 출력변수 간 잠재적 상호 의존성을 반영한다(Borchani et al., 2015). 즉, 상호 연결된 여러 결과를 동시에 예측할 수 있어 넥서스와 같은 복합 시스템 모형화에 적합하다. MOR은 ANN과 같이 입력층, 은닉층 및 출력층으로 구성되며, 여러 개의 입력변수 및 출력변수를 갖는다(Fig. 3(b)). 본 연구에서 MOR은 부문 간 스트레스 지수들의 영향관계를 고려하기 위하여 적용되었다. 즉, 과거자료를 통해 계산된 스트레스 지수와 LSTM을 통해 예측된 생산량 및 소비량으로부터 계산된 스트레스 지수를 MOR에 적용하여 최종 스트레스 지수를 산정하였다. 이 과정에서 부문 간 상호 영향관계는 신경망의 연결 가중치 크기로 정량화된다.

3.4 모형 검증 및 평가

모형 구축 과정에서 과적합이나 과소적합을 방지하고 모형의 신뢰성을 확보하기 위하여 예측 모형이 새로운 데이터에 대한 일반화 성능이 좋은지 평가하는 검증 과정이 중요하다. 모형 검증 방법에는 훈련-검증 분할, 교차 검증, 그리고 Leave-One-Out Cross-Validation (LOOCV) 등이 있다. 이 중, LOOCV는 전체 데이터에서 하나의 샘플을 검증용으로 남겨두고 나머지 데이터로 모형을 학습시키는 과정을 모든 샘플에 대해 반복하여 모형의 예측 성능을 평가한다. LOOCV는 모든 데이터를 검증에 활용하므로 모형의 일반화 성능을 편향 없이 평가할 수 있으며, 각 반복에서 가능한 최대한의 데이터를 학습에 사용하여 모형 학습의 효율성을 높인다(James et al., 2013). 또한, 각 데이터 포인트가 검증에 사용되므로 모형의 예측 성능을 세밀하게 분석할 수 있다.

모형 성능을 평가하기 위한 지표가 여러 가지 있으나, 본 연구에서는 수문분야에서 많이 사용되고 있는 일반화된 결정계수(Generalized coefficient of determination, Ra2)와 Kling-Gupta Efficiency (KGE) 지표를 사용하였다. 는 Ra2다변량 모형의 예측값이 관측값과 얼마나 일치하는지를 측정하는데 사용된다(Eq. (2)). KGE 지표는 상관계수, 변동성 비율 및 편향의 세 가지 핵심 측면을 고려하여(Eq. (3)) 모형 정확도에 대한 포괄적인 평가를 제공한다(Gupta et al., 2009).

여기서, yi는 관측값, yi^는 예측값, y¯는 관측값의 평균, n은 자료의 개수이며, ∥∙∥은 유클리드 놈(Euclidean norm)을 의미한다.

여기서, r은 관측값과 예측값 간의 Pearson 상관계수, 𝛼 는 관측값과 예측값 간의 표준편차 비, 𝛽는 관측값과 예측값 간의 평균비를 의미한다.

4. 연구결과

4.1 WEF 넥서스 시스템 식별

넥서스 시스템 식별 단계(Step 1)에서는 물, 에너지, 식량 부문의 상호 연관성과 넥서스를 분석하기 위하여, 부문별 모듈을 설계하고 부문 간의 직접 및 간접적 영향 관계를 고려하여 WEF 넥서스 시스템을 구성하였다(Fig. 2). 또한 인구 및 산업활동과 같은 간접효과를 고려하여 부문별 생산 및 소비량을 나타내는 중간산출물과 부문별 스트레스 지수를 나타내는 최종산출물을 정의하였다.

물, 에너지, 식량의 세 가지 핵심 모듈은 독립적인 시스템인 동시에 다른 모듈과 유기적으로 연결되어 서로 영향을 주고받는다. 물 부문 모듈은 지역의 수자원 가용성과 수요를 중심으로 구성된다. 입력변수는 크게 세 그룹으로 나뉜다(Table 1). 첫 번째 그룹(Wi1)은 수자원 공급량과 관련된 수문학적 변수로, 강수량, 유량, 댐 저수량, 저수지 저수량을 포함하고 있다. 두 번째 그룹(Wi2)은 물순환 시스템 내에서의 효율성을 반영하는 것으로, 하수 재이용량과 방류량 등 2개 변수로 구성된다. 마지막으로, 인구 변수(Wi3)는 생활용수 수요를 추정하는 데 직접적인 영향을 미치는 사회적 요인들이 포함된다. 이러한 입력 변수들을 통해 모형은 중간 산출물로 생활용수 공급량(Wo1) 및 수요량(Wo2), 공업 및 농업용수 등을 포함하는 기타 용수 수요량(Wo3)을 산정한다.

에너지 부문 모듈은 에너지의 생산, 공급, 소비 구조를 중심으로 구성된다. 입력변수는 에너지원별 공급 및 수요와 관련된 18개의 변수(Ei1)와 산업활동의 규모를 대변하는 산업단지면적 변수(Ei2)로 구성된다(Table 1). Ei1에는 총발전량, 신재생에너지 보급량, 산업별 에너지 소비량, 온실가스 배출량 등 에너지 시스템의 전반적인 상태를 나타내는 지표들이 포함된다. 이는 에너지 생산의 효율성, 친환경 에너지로의 전환 수준, 그리고 경제 활동에 따른 에너지 수요 패턴을 종합적으로 고려하기 위하여 선정되었다. 이러한 입력 변수들을 통해 모형은 중간산출물로써 지역의 에너지 발전량(Eo1) 및 에너지 소비량(Eo2)을 산정한다.

식량 부문 모듈은 농축산물의 생산과 소비 패턴을 중심으로 구성된다. 입력변수는 네 그룹으로 구분된다(Table 1). 첫 번째 그룹(Fi1)은 쌀 및 채소 등 주요 작물 생산 및 소비와 관련된 5개 변수, 두 번째 그룹(Fi2)은 경지면적, 농가 인구 등 농업 기반 시설과 관련된 7개 변수를 포함한다. 세 번째 그룹(Fi3)은 가축 수, 육류 소비량 등 축산업 관련 4개 변수, 네 번째 그룹(Fi4)은 가축별 도축실적 관련 4개 변수를 포함하여 식량 생산의 다양한 측면을 반영한다. 이러한 입력 변수들을 활용하여 모형은 농축산물 생산량(Fo1,3) 및 소비량(Fo2,4)을 중간산출물로 산정한다.

4.2 WEF 넥서스 시스템 내 자원 평가

자원 평가 단계(Step 2)에서는 수집된 데이터를 바탕으로 식별된 시스템 내에서 자원의 흐름 및 시간에 따른 자원 변동성을 평가하였다. 먼저, 부문별 자원의 흐름과 상호작용을 시각적으로 표현하기 위하여 코드 다이어그램(Chord Diagram)을 활용했으며, 자원 간 상호작용과 흐름의 강도를 원형 형태로 나타내었다. 코드 다이어그램은 특히 복잡한 네트워크 내에서 자원 간 상호작용의 방향성과 규모를 명확히 보여주어, 자원 이용의 효율성, 낭비 지점, 그리고 부문 간 상호작용을 직관적으로 이해하는 데 유용하다. Fig. 4는 충청남도 지역의 WEF 넥서스 자원의 흐름을 나타낸 코드 다이어그램이다. 전체 시스템 내에서 부문간 가장 지배적인 상호작용은 물과 식량 관계이다. 이는 식량 부문이 수자원에 크게 의존한다는 사실을 직관적으로 보여준다. 특히, 강수량(W1)과 곡물 작물 생산량(F5) 및 식량작물 총생산량(F21)이 두꺼운 연결선을 형성하고 있어, 식량 생산 시스템 유지에 강수량이 핵심 공급원임을 시사한다. 또한, 물은 에너지와도 주요한 연결을 형성하는데, 강수량(W1) 및 유량(W2)과 에너지 생산량(E17)의 상호 의존성이 높다는 것을 의미한다. 이는 발전이나 냉각수 등 에너지 생산과정에서 강수량이 일차적으로 크게 관여하기 때문이다. 에너지와 식량은 얇은 선으로 연결되어 있어, 서로 간의 영향력이 낮은 것으로 나타났다.

Fig. 4.

Chord diagram of WEF nexus system

충청남도 지역의 부문별 공급 및 수요량의 시간에 따른 변화를 분석한 결과는 Fig. 5와 같다. 물 부문의 경우 용도별로 뚜렷하게 구분되는 패턴이 관측되었다. 전체 물 이용량 중 가장 큰 비중을 차지하는 농업용수 이용량(W12)은 연도별 수문기상학적 영향으로 인해 큰 변동성을 나타냈다. 특히, 가뭄으로 인해 최저 저수율을 기록했던 2017년과 2020년에 농업용수 이용량이 급격히 감소하였다. 반면, 생활용수 생산량(W9) 및 이용량(W10)은 분석기간 동안 완만하고 안정적인 증가 추세가 나타났다. 공업용수(W11), 축산용수(W13) 및 지하수(W14) 이용량도 2016년~2017년 가뭄으로 인해 약간 감소했으나 그 이후 점차 회복되었다.

Fig. 5.

Resource production and consumption by sector

에너지 부문에서는 에너지 생산량(E17)과 소비량(E18)이 서로 다른 패턴을 가지고 있다. 에너지 생산량은 2019년 정점에 도달한 뒤 일시적으로 감소했으나, 최근 다시 상승패턴을 나타내고 있다. 에너지 소비량은 2019년 이후 팬데믹 상황으로 인한 산업활동 감소 및 에너지 소비 효율 개선 등의 복합적인 이유로 감소하는 추세가 나타났다.

식량 부문에서는 식생활 변화에 따른 생산량 및 소비량의 변화가 뚜렷하게 나타난다. 식량작물 생산량(F21)은 2021년을 제외하고 계속해서 감소하는 추세이며, 식량작물 소비량(F22)과 비슷한 패턴을 보인다. 이는 농경지 감소, 식생활 변화로 인한 수요 감소 등이 복합적으로 반영된 결과로 판단된다. 이와 반대로 육류 생산량(F23) 및 육류 소비량(F24)는 증가하는 추세를 보인다.

수집된 중간 산출물을 기반으로 각 부문의 최종 산출물인 스트레스 지수를 계산하였다. 각 부문별 스트레스 지수는 생산량을 이용량으로 나눈 값으로, Fig. 6은 연도별 스트레스 지수의 비중을 나타낸다. 충청남도의 물 및 에너지 스트레스는 분석기간 동안 계속해서 감소했지만, 식량 스트레스는 2017년 증가했다가 다시 감소하였다. 부문별 세부 기여도를 살펴보면, 물 스트레스 지수가 전체 시스템의 취약성을 결정짓는 지배적 인자임을 확인할 수 있다. 비록 수치는 감소하는 추세이나, 여전히 전체 스트레스의 45% 이상의 비중을 차지하였다. 에너지 스트레스 지수는 물 부문 다음으로 큰 비중을 차지하나, 시기별 변동성이 크게 나타났다. 에너지 스트레스 지수 또한 전체적으로 감소하는 경향이지만, 2019년 및 2020년에 증가하였다. 반면 식량 스트레스 지수의 경우 10% 이하의 비중을 보이고 있으며, 2017년 이후 꾸준한 감소를 유지하면서 다른 부문에 비해 비교적 안정적인 식량 공급 및 수요 구조가 형성된 것으로 판단된다.

Fig. 6.

Ratio of stress index by sector

4.3 LSTM과 MOR을 적용한 복합 WEF 넥서스 시스템 구축

모델 구축 단계(Step 3)에서는 WEF 넥서스 시스템을 구축하기 위하여 LSTM과 MOR이 결합된 복합 모형을 구축하였다. 먼저, LSTM을 통해 중간산출물인 부문별 공급량 및 수요량을 산정했으며, 각 모듈에서의 최종산출물인 스트레스 지수를 서로 연결하기 위하여 MOR을 적용하였다. 우선, Min-Max 정규화를 통해 모든 입력변수를 0~1사이의 값으로 변환하였다. LSTM 학습을 위한 매개변수는 민감도 분석을 통해 최종적으로 학습속도는 0.001, 반복시행횟수는 100회, 은닉층 개수는 4개로 설정하였다. 본 연구에서 활용되는 자료는 2014년부터 2022년의 9개 연도 연 단위 자료로 매우 짧기 때문에 다양한 문제가 발생한다. 특히, 한 연도를 독립적인 샘플로 간주하여 LSTM을 적용할 경우, LSTM의 핵심 장점인 장·단기 기억 구조를 제대로 활용하지 못한다. 이에 따라 연속된 과거 정보를 포함하는 슬라이딩 윈도우 방식을 적용하여 변수 간 시계열적 변화 패턴을 효율적으로 학습하였다. LSTM이 실제로 시간 패턴을 적절히 학습할 수 있도록 시퀀스 길이를 3으로 설정하였다. 또한, 시뮬레이션 기간과 검·보정기간을 나누는 데에도 짧은 시계열 자료는 한계를 가진다. 따라서, LOOCV 방법을 통해 시점별로 1개 샘플을 검증용으로 분리하고 나머지 데이터로 학습하는 과정을 반복하였다. LSTM을 통해 예측된 중간산출물의 정확도를 평가하기 위하여, LSTM을 적용하지 않은 실제 관측값과 비교하여 Ra2 및 KGE를 산정하였다. 또한, 블랙박스 모델의 해석력을 보완하기 위해 LSTM 입력가중치의 강도를 분석하여 각 중간산출물 예측에 기여도가 높은 핵심 변수를 파악하였다. 중간산출물 예측은 각 부문 내 변수 간의 논리적 선후관계를 고려하여 순차적으로 진행되었다.

물 부문의 경우, 수문 및 공급 관련 변수(Wi1, Wi2)를 입력으로 하여 생활용수 공급량(Wo1)을 예측하였다. 그 후, 예측된 Wo1 값과 기존 입력변수(Wi1), 그리고 인구 변수(Wi3)를 함께 입력으로 사용하여 생활용수 수요량(Wo2)과 기타 용수 수요량(Wo3)을 순차적으로 예측하였다. 이는 공급량이 결정된 후 수요량이 예측되는 물리적 과정을 모사한 것이다. 가중치 분석 결과, Wo1 예측에는 강수량이 가장 높은 기여도를 보였으며, Wo2 예측에는 사회적 요인인 취수량의 가중치가 지배적으로 나타났다. 여기서 실제 물 스트레스 지수 산정에 반영되는 인자는 Wo1과 Wo2이므로, LSTM 모형을 통해 예측한 결과 각각 Ra2는 0.61 및 0.60으로, KGE는 0.80 및 0.61로 나타났다.

에너지 부문의 경우, 공급 및 수요 관련 변수(Ei1)와 산업단지면적(Ei2)을 입력으로 하여 총에너지 발전량(Eo1)을 먼저 예측하였다. 이후, 예측된 Eo1 값과 기존 입력 변수들을 모두 활용하여 총에너지 소비량(Eo2)을 예측하였다. 입력변수 기여도를 분석한 결과, Eo1에는 산업부문 절약실적이, Eo2에는 에너지 발전량이 가장 큰 영향력을 미치는 것으로 확인되었다. 그 결과 각각 Ra2는 0.54 및 0.53으로, KGE는 0.72 및 0.76으로 나타났다.

식량 부문의 경우, 식량 생산 및 소비 관련 변수(Fi1, Fi2)를 입력으로 하여 식량작물 생산량(Fo1)을 예측하고, 동일한 입력을 사용하여 식량작물 소비량(Fo2)을 예측하였다. 마찬가지로 축산 관련 변수(Fi3, Fi4)를 이용하여 육류 생산량(Fo3)과 소비량(Fo4)을 각각 예측하였다. 변수 중요도 분석에서 Fo1은 농작물 재해보험료에 높은 민감도를 보였으며, Fo2는 식량작물 생산량, Fo3는 돼지 마리수, Fo4는 한우 마리수의 가중치가 상대적으로 높게 산정되었다. 예측 정확도는 각각 Ra2는 0.49, 0.78, 0.62 및 0.66으로, KGE는 0.75, 0.89, 0.47 및 0.67로 나타났다.

LSTM을 통해 예측된 중간 산출물들을 Eq. (1)에 대입하여 일차적으로 계산된 WSI, ESI, FSI를 계산하였다. 그러나 이 값들은 각 부문이 독립적이라는 가정 하에 계산된 것으로, 부문 간의 복잡한 상호작용을 반영하지 못할 수 있다. 이러한 관계를 보정하고 부문간의 넥서스 효과를 반영하기 위하여 다중 출력 회귀 모형을 적용하였다. 이 모형은 LSTM과 Eq. (1)로부터 계산된 스트레스 지수를 입력인자로 사용했으며, 실제 관측된 값에 기반하여 계산된 스트레스 지수를 출력인자로 하여 학습되었다. 즉, 1차 계산된 스트레스 지수들 간의 비선형적 상호 관계를 학습하여 실제 스트레스 지수에 더 가깝게 보정하는 역할을 한 것이다. 모형 구조는 3개의 은닉층을 가진 완전 연결 신경망이며, 학습 방식은 LSTM과 마찬가지로 LOOCV 방식을 적용하였다. 본 연구에서 제안한 LSTM 및 MOR을 결합한 복합 모형을 통해 최종 스트레스 지수를 산정한 결과는 Fig. 7과 같으며, Ra2는 WSI, ESI 및 FSI 각각 0.25, 0.59, 0.76으로, KGE는 0.74, 0.50, 0.78로 산정됐다.

Fig. 7.

Actual and predicted stress index by sector

본 연구는 9년이라는 제한된 데이터 기간에 따른 모델의 예측 불확실성을 정량적으로 평가하기 위하여, LOOCV 검증 과정에서 도출된 연도별 예측 잔차를 분석하였다. 잔차의 표준편차를 기반으로 95% 신뢰구간을 산정한 결과, 정규화된 지수 기준으로 WSI, ESI 및 FSI 각각 평균 ±9.24 × 10^-3, ±2.19 × 10^-2 및 ± 4.13 × 10^-2의 오차 범위를 나타냈다. 데이터 기간의 제약으로 인해 초기 연도의 예측 오차가 일부 존재하나, 전반적으로 실제 관측값의 증감 추세를 통계적으로 유의미한 신뢰구간 내에서 안정적으로 모의하는 것으로 확인되었다.

복합 모형의 구조적 타당성을 검증하기 위하여 단순 MOR과 LSTM 단일 모형과의 성능을 비교 분석하였다. 먼저, LSTM을 생략하고 초기 입력변수를 바로 MOR에 적용한 단순 MOR 모형의 경우 Ra2와 KGE 모두 음 값을 나타내면서 모델의 예측 능력이 없는 것으로 확인되었다. 이는 제한된 샘플 수에 비해 입력변수의 차원이 과도하게 높고, 변수 간의 복잡한 시계열적 지연 특성을 단순 회귀 구조가 학습하지 못한 데 기인한다. 즉, LSTM을 통한 차원 축소 및 특징 추출 과정 없이는 넥서스 시스템의 복잡성을 해석하는 데 한계가 있음을 시사한다. 다음으로 MOR을 통한 보정 과정 없이 LSTM만을 적용한 경우는 Ra2는 0.41, 0.12, 0.76으로, KGE는 0.20, 0.38, 0.64로 나타났다. LSTM만을 사용하여 스트레스 지수를 예측한 결과는 LSTM-MOR 복합 모형을 사용한 경우보다 다소 낮은 성능을 보였으며, 복합 모형은 각 스트레스 지수 간의 영향관계를 고려했기 때문에 넥서스 평가시 단일 모형에 비해 좀더 적합하다.

5. 결 론

본 연구에서는 충청남도를 대상으로 물-에너지-식량 자원의 연계성을 고려한 넥서스 시스템을 구축하였다. 기존의 개별적인 자원 관리의 한계를 극복하고 부문 간 상호작용을 정량적으로 평가하기 위하여 LSTM 및 MOR을 결합한 복합 넥서스 시스템을 구축하였다. 본 연구의 주요 결론은 다음과 같다.

(1)충청남도의 물, 에너지, 식량 자원의 공급 및 수요 구조와 상호작용을 체계적으로 반영하기 위하여 모듈화 기반의 WEF 넥서스 시스템을 구축하였다. 부분별 세부흐름도 및 코드 다이어그램을 통해 부문 간 물질 흐름과 구조적 연결성을 분석한 결과, 물과 식량 부문이 가장 지배적으로 연계되는 것으로 나타났다. 특히, 강수량은 식량 자원 생산뿐만 아니라 에너지 생산과도 큰 의존성을 갖는 것으로 나타났다. 이에 반해 에너지와 식량 부문 간의 직접적인 연결성은 상대적으로 낮게 나타났다.

(2)2014년부터 2022년까지의 부문별 생산량 및 소비량을 분석한 결과, 각 자원은 기후 및 사회적 요인에 따라 뚜렷한 변동성을 나타냈다. 물 부문은 가뭄에 따라 농업용수 이용량의 변동폭이 크게 나타났으며, 식량 부문은 식량작물에서 육류 중심으로 생산 및 소비 구조가 변화하였다. 생산량과 소비량을 통해 스트레스 지수를 산정하여 평가한 결과, 물 스트레스 지수가 전체 넥서스 스트레스의 45% 이상을 차지하면서 시스템의 취약성을 결정짓는 핵심 인자로 나타났다. 즉, 물 공급의 안정성 확보가 충청남도 넥서스 관리의 최우선 과제임을 알 수 있다. 또한, 전체적인 스트레스 수치는 감소하는 추세이나, 물 부문의 높은 스트레스와 에너지 부문의 큰 변동성은 넥서스 시스템 전반의 불확실성을 가중시키는 요인이므로, 이를 해소하기 위한 통합 자원 관리가 필요하다.

(3)복잡한 넥서스 시스템의 특성을 반영하기 위하여 LSTM 및 MOR 모형을 결합하여 복합 넥서스 시스템을 구축하였다. LSTM 및 MOR을 결합한 복합 모형의 정확도는 LSTM만을 적용한 모형의 정확도 보다 향상되었다.

본 연구에서 제안된 LSTM-MOR 모형을 결합한 복합 넥서스 시스템은 데이터 기반의 분석을 통해 자원 간의 상호작용을 정량적으로 평가하고, 부문별 스트레스 지수의 변화 및 기여도를 파악하였다. 다만, 본 연구에서 활용된 57개의 변수는 연 단위로 집계되고 공통된 자료 기간을 설정하는 과정에서 학습 데이터가 9년으로 제한되었다. 이에 따라 모형 정확성에 큰 변동성이 발생하였다(Ra2는 0.49~0.78, KGE는 0.47~0.89). 이는 다변수 문제에서 차원 한계가 반영된 결과로 판단된다. 그럼에도 불구하고, 본 연구는 새로운 LSTM-MOR 복합 모형을 개발하여, 제한된 자료 환경에서도 중간 이상의 Ra2를 달성함으로써 복잡한 넥서스 시스템의 시계열 패턴을 성공적으로 모의할 수 있음을 입증하였다.

특히, LSTM 모형만을 사용한 경우보다 LSTM-MOR 복합 모형을 사용하였을 때, 정확도가 높아졌으며, 스트레스 지수 간의 영향관계를 고려했기 때문에 넥서스 평가에 더욱 적합하다. 향후 모형의 안정성과 신뢰도를 높이기 위해서는 월별 또는 계절별 자료로의 해상도 확장과 장기 시계열 자료의 확보가 필수적이다. 이를 바탕으로 기후변화 및 정책 시나리오를 반영한 민감도 분석을 수행한다면, 본 연구에서 개발된 LSTM-MOR 모형이 결합된 복합 WEF 넥서스 시스템은 통합 자원 관리 정책 수립 및 의사결정 지원 도구로써 활용될 수 있을 것이다.