Identification of water quality fluctuation factors based on XAI using improved deep learning

Jong Gu Jeong; Yong Min Ryu; Eui Hoon Lee

doi:10.3741/JKWRA.2026.59.7.665

Preview

Journal of Korea Water Resources Association. 31 July 2026. 665-677
https://doi.org/10.3741/JKWRA.2026.59.7.665

Identification of water quality fluctuation factors based on XAI using improved deep learning

개량형 딥러닝을 활용한 XAI 기반 수질변동 인자 규명

Jong Gu Jeong^a

Yong Min Ryu^b

Eui Hoon Lee^c^*

정 종구^a

류 용민^b

이 의훈^c^*

^aMaster Student, Department of Civil Engineering, Chungbuk National University, Cheongju, Korea

^bPostdoctoral Researcher, School of Civil Engineering, Chungbuk National University, Cheongju, Korea

^cAssociate Professor, School of Civil Engineering, Chungbuk National University, Cheongju, Korea

^a충북대학교 토목공학과 석사과정

^b충북대학교 토목공학부 박사후연구원

^c충북대학교 토목공학부 부교수

^{*Corresponding Author}

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

To reduce the damage caused by water pollution, accurate water quality forecasting and analysis of factors affecting water quality variation are required. Recently, Multi–Layer Perceptron (MLP) models have been applied to produce highly accurate forecasting. However, the Adaptive Moments (Adam) optimizer used in deep learning has limitations, such as the possibility of local convergence and lack of solution storage due to its gradient descent–based approach. Moreover, MLP is a black–box model, making it difficult to interpret the influence of individual input factors. This study proposes a Combined Adaptive Moments and Particle Swarm Optimization (CAPSO) algorithm to improve the training and forecasting performance of MLP. SHapley Additive exPlanations (SHAP), an explainable artificial intelligence technique, was also used to identify key influencing factors. Chlorophyll–a data from the Dasan water quality station in the Nakdong River basin were used for model training (2014–2020) and forecasting (2021). Mean Square Error (MSE) was used to evaluate performance. CAPSO achieved maximum MSE 13.5697 lower than Adam in training and 11.4902 lower in forecasting. SHAP identified previous Chlorophyll–a, sunshine hours in Daegu, and pH as major factors. CAPSO–based deep learning combined with SHAP is expected to support short– and long–term water quality forecasting and proactive, factor–specific responses.

Keywords

Water pollution

Multi layer perceptron

Combined adaptive moments and particle swarm optimization

Shapley additive explanations

수질 오염에 따른 피해를 저감하기 위해서는 수질 예측과 수질변동 인자에 대한 규명이 선행되어야 한다. 최근 높은 정확도의 수질 예측결과를 산출하기 위해 다층퍼셉트론(Multi Layer Perceptron, MLP)을 활용한 연구들이 진행되었다. 그러나 딥러닝 옵티마이저인 Adaptive moments (Adam)는 경사하강법 기반으로 지역 해 수렴 가능성 및 해 저장공간 부재의 단점이 있다. 또한, MLP는 블랙박스 모델로 입력 인자별 출력자료에 대한 개별 영향력에 대한 해석에 한계가 있다. 본 연구에서는 기존 Adam의 한계를 보완하고 높은 학습 및 예측 정확도를 확보하기 위해 Adam과 Particle Swarm Optimization (PSO)을 결합한 Combined Adaptive Moments and Particle Swarm Optimization (CAPSO)을 개발하였다. 또한, 높은 정확도의 학습결과를 바탕으로 수질변동 인자를 규명하기 위해 설명 가능한 인공지능 기법인 SHapley Additive exPlanations (SHAP)을 적용하였다. CAPSO를 적용한 MLP의 성능을 평가하기 위해 낙동강 유역 다산수질관측소의 엽록소–a를 학습 및 예측하였다. MLP 학습을 위한 자료는 2014년부터 2020년까지의 기상, 수문 및 수질 자료를 사용하였으며, 2021년 자료는 MLP의 예측을 위한 자료로 사용하였다. Adam 및 CAPSO가 적용된 MLP의 성능을 비교하기 위해 Mean Square Error (MSE)를 사용하였다. 학습결과에 따르면, CAPSO 기반 MLP는 Adam 기반 MLP 대비 MSE 최대값은 13.5697 낮게 나타났으며, 예측결과에서는 MSE가 11.4902 낮게 나타났다. SHAP 분석 결과, 과거의 엽록소–a, 대구의 일조시간 그리고 pH가 엽록소–a 변동에 주요 원인 인자로 도출되었다. 향후 CAPSO가 적용된 딥러닝 및 SHAP를 적용한다면 장･단기 수질 예측을 통한 인자별 선제대응 방안을 구축할 수 있을 것으로 기대된다.

키워드

수질 오염

다층퍼셉트론

Combined adaptive moments and particle swarm optimization

Shapley additive explanations

MAIN

1. 서 론
2. 연구방법
2.1 Multi Layer Perceptron (MLP)
2.2 Adaptive moments (Adam)
2.3 Particle Swarm Optimization (PSO)
2.4 Combined Adaptive moments and Particle Swarm Optimization (CAPSO)
2.5 SHapley Additive exPlanations (SHAP)
3. 대상유역 및 자료구축
3.1 데이터 전처리
4. 연구결과
4.1 최적 Lagged Time 및 Lead Time 탐색 결과
4.2 학습결과
4.3 예측결과
4.4 SHAP 결과 기반 수질변동 인자 규명
5. 결 론

1. 서 론

최근 기후 변화와 도시화로 인해 수질 오염 문제가 심화되고 있다(Miller and Hutchins, 2017). 특히 하천 및 호소 등에서 수질 악화는 식수의 안정성 확보에 위협이 된다(Bwire et al., 2020). 수문기상학적 및 수리지질학적 비선형적 요소들로 인해 하천의 수질변동을 예측하는 것은 어려움이 있다(Bai et al,. 2024).

수질 예측을 위한 방법으로는 통계적 기법과 기계학습 기법이 있다. 통계적 기법은 자료의 경향성과 주기성을 기반으로 수학적 관계를 도출하는 방법이다(Cleveland et al., 1990). 대표적인 통계적 기법으로는 AutoRegressive Integrated Moving Average (ARIMA) 및 Multiple Linear Regression 등이 있다(Box et al., 2015; Draper and Smith, 1998). 통계적 기법은 구조가 단순하며 예측 결과에 대한 해석이 가능하다. 하지만, 통계적 기법은 비선형적이고 복잡한 인자 간 상호작용을 반영하지 못하는 한계가 있다(Kim et al., 2025a).

기계학습 기법은 대량의 데이터를 기반으로 변수 간의 복잡한 비선형 관계를 스스로 학습하여 예측 모델을 구축하는 방법이다. 기계학습 기법은 통계적 기법에 비해 비선형성과 복잡한 패턴을 반영할 수 있는 장점이 있다(Hastie, 2009). 대표적인 기계학습 모델로는 Support Vector Machine (SVM), Random Forest (RF), 그리고 인공신경망(Artificial Neural Network, ANN) 등이 있다(Cortes and Vapnik, 1995; Breiman, 2001; Rumelhart et al., 1986). 엽록소-a는 강한 시계열적 자기상관성을 가지나, 단순 자기회귀 기반 모델은 다변량 입력 변수 간의 복잡한 비선형 상호작용을 반영하는 데 한계가 있다. 따라서, 다변량 입력변수를 기반으로 높은 정확도의 엽록소-a 예측을 위해서는 ANN의 적용이 필요하다.

ANN을 비롯한 딥러닝 기반 모델은 수질 예측 분야에서 활발히 적용되고 있다. Gao et al. (2023)은 Long Short-Term Memory (LSTM) 모델을 활용하여 하천의 총질소 및 용존산소를 예측하였다. 해당 연구에 따르면, 총질소 및 용존산소의 평균 결정계수(R²)는 각각 0.82 및 0.86로 RF 모델 대비 우수한 성능을 나타냈다. Lin et al. (2025)은 Transformer와 LSTM을 결합한 모델을 암모니아성질소 예측에 적용하였다. 해당 연구에 따르면, 암모니아성 질소 예측에서 LSTM 대비 Mean Absolute Error (MAE) 약 31%, Mean Square Error (MSE) 약 50% 감소한 것으로 나타났다. 그러나, 기존 선행연구는 경사하강법 기반 옵티마이저에 의존하고 있다. 경사하강법 기반 옵티마이저는 지역 최적해 수렴에 빠질 수 있는 한계가 있다. 따라서, 지역 최적해 수렴 문제를 개선하기 위한 메타휴리스틱 최적화 알고리즘의 적용이 필요하다.

ANN의 옵티마이저는 기존에 경사하강법(Gradient Descent, GD) 기반 옵티마이저를 사용하였다. GD는 손실 함수의 기울기를 계산하여 가장 가파르게 감소하는 방향으로 가중치를 갱신하는 방식이다. 하지만 GD는 비선형 함수 공간에서 지역 최적값에 수렴한다는 단점이 있다(Lee et al., 2016). 또한, 경사가 매우 작은 평탄 영역이나 안장점(Saddle points)에서 학습이 지연되는 문제가 발생하는 단점이 있다(Dauphin et al., 2014). GD 기반 옵티마이저의 구조적 단점을 개선하기 위해 학습률 자동 조절과 모멘텀 개념을 도입한 Adaptive moments (Adam)가 제안되었다. Adam은 복잡한 ANN 구조의 학습 안정성과 수렴 속도를 개선한다. 그러나, Adam은 복잡한 손실함수에서 지역 최적 해에 머무르거나 일반화 성능이 낮아지는 한계점이 있다(Wilson et al., 2017).

GD 기반 옵티마이저의 단점을 개선하기 위해 전역탐색과 지역탐색을 동시에 고려할 수 있는 메타휴리스틱 알고리즘 적용이 필요하다. 메타휴리스틱 최적화 알고리즘은 무작위성으로 탐색하는 전역탐색과 현재 시산의 최적해 인근에서 탐색하는 지역탐색을 기반으로 최적해를 탐색하는 기법이다. 대표적인 알고리즘으로는 입자 군집 최적화(Particle Swarm Optimization, PSO), 유전 알고리즘(Genetic Algorithm, GA), 그리고 개미 군집 최적화(Ant Colony Optimization, ACO) 등이 있다(Kennedy and Eberhart, 1995; Goldberg, 1989; Dorigo et al., 1996). PSO는 계산 구조가 단순하며 수렴 속도가 빠르다는 장점이 있다. 또한, PSO는 적은 수의 파라미터로도 효과적인 전역 최적화를 수행할 수 있는 장점이 있다(Poli et al., 2007).

ANN 모델은 내부 연산 과정의 해석이 어려운 블랙박스 구조이다. 블랙박스 특성으로 인해 수질변동에 영향을 미치는 주요 인자를 정량적으로 규명하는 데 한계가 있다. 이러한 블랙박스의 한계를 보완하기 위해 설명가능한 인공지능(eXplainable Artificial Intelligence, XAI) 기법이 제안되었다. 대표적인 XAI 기법으로는 SHapley Additive exPlanations (SHAP), Local Interpretable Model-agnostic Explanation (LIME) 및 Layer-wise Relevance Propagation(LRP) 등이 있다(Lundberg and Lee, 2017; Ribeiro et al., 2016; Bach et al., 2015). XAI 기법 중 SHAP는 게임이론에 기반한 기법으로 각 입력 변수가 예측 결과에 기여하는 정도를 정량적으로 산정한다. SHAP는 전역적 특성 중요도와 개별 예측에 대한 지역적 해석을 동시에 제공한다. Kim et al. (2025b)은 지하수위 예측 모델에 SHAP를 적용하여 기상·수문 입력변수의 영향도를 정량적으로 분석하였다.

본 연구는 높은 정확도의 학습 및 예측 결과를 바탕으로 수질변동 인자를 규명하기 위해 옵티마이저를 개발 및 인자분석을 진행하였다. 본 연구에서 제안한 옵티마이저는 Adam과 PSO를 결합한 새로운 옵티마이저인 Combined Adaptive moments and Particle Swarm Optimization (CAPSO)이다. CAPSO를 적용한 MLP의 성능을 평가하기 위해 낙동강 유역에 위치한 다산 수질관측소의 엽록소-a를 학습 및 예측하였다. 또한, 수질 변동 인자를 규명하기 위해 설명가능한 인공지능 기법인 SHAP를 적용하였다. CAPSO를 적용한 MLP의 학습 및 예측 성능을 검토하기 위해 Adam을 적용한 MLP의 학습 및 예측결과와 비교하였다.

2. 연구방법

2.1 Multi Layer Perceptron (MLP)

MLP는 ANN의 대표적인 구조 중 하나로, 입력층과 출력층 사이에 하나 이상의 은닉층을 포함하는 신경망이다. 본 연구에서는 입력 변수 간의 복잡한 비선형 관계를 학습하고 예측 정확도를 높이기 위해 MLP를 적용하였다. Fig. 1은 본 연구에서 적용된 MLP의 구조이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F1.jpg

Fig. 1.

Structure of MLP

Fig. 1에 따르면, 입력층은 신경망의 입력자료를 입력받고 출력층은 신경망의 출력값을 내보낸다. 은닉층은 입력층에서 받은 자료를 가공하여 출력층으로 전달한다. MLP의 연산 과정은 Eqs. (1) and (2)와 같다.

(1)

h_{j} = f_{act} (\sum_{i = 1}^{n} x_{i} w_{i j} + b_{j})

(2)

y_{k} = f_{act} (\sum_{j = 1}^{m} h_{j} v_{j k} + c_{k})

여기서, $x_{i}$ 는 입력층의 i번째 입력 변수이고 $h_{j}$ 는 은닉층의 j번째 출력이며, $y_{k}$ 는 출력층의 k번째 출력이다. 또한, $w_{i j}$ 와 $v_{j k}$ 는 가중치이고 $b_{j}$ 와 $c_{k}$ 는 편향이며 $f_{a c t}$ 는 활성화 함수이다.

ANN에서 활성화 함수는 각 뉴런의 출력값을 비선형적으로 변환하여 다음 층으로 전달한다. 활성화 함수는 복잡한 비선형 패턴을 학습할 수 있도록 한다. 일반적으로 활용되는 활성화 함수에는 Sigmoid, Hyperbolic tangent (tanh) 및 Rectified linear unit (Relu) 등이 있다(Nair and Hinton, 2010; Glorot and Bengio, 2010; Glorot et al., 2011). ReLU는 Sigmoid나 Tanh와 달리 지수 함수 계산이 필요 없어 연산량이 적고, 대규모 데이터 학습 시 학습 속도가 빠르다(Jang et al., 2022). 본 연구에서는 학습 속도와 성능 효율을 고려하여 은닉층의 활성화 함수를 ReLU로 적용하였다. Eq. (3)은 ReLU의 함수이다.

(3)

f (x) = \max (0, x)

여기서, x는 활성화 함수에 입력되는 값이다. ReLU는 입력값이 0 이하일 경우 0을 출력하고, 0보다 큰 경우 선형적으로 값을 전달한다.

2.2 Adaptive moments (Adam)

기존 옵티마이저인 GD는 지역 최적해 수렴 및 학습 지연의 단점이 있다. GD의 단점을 보완하기 위해 Adam이 제안되었다(Kingma and Ba, 2014). Adam은 각 매개변수에 대해 1차 및 2차 모멘트를 이용하여 학습률을 자동 조절한다. 1차 모멘트는 현재 및 과거 기울기의 평균값으로 경사의 방향성을 추정하여 가중치를 갱신한다. Eq. (4)는 1차 모멘트의 연산 과정이다.

(4)

m_{t} = β_{1} m_{t - 1} + (1 - β_{1}) \frac{\partial E}{\partial W_{t}}

여기서, $m_{t}$ 는 시점 t에서의 1차 모멘트로, 현재 기울기와 과거 기울기의 지수 가중 평균을 의미한다. 𝛽₁은 1차 모멘트의 지수 감쇠 계수로, 과거 정보의 반영 정도를 조절한다.

2차 모멘트는 기울기의 제곱 값에 대한 평균으로 경사의 크기를 고려하여 학습률을 조정한다. Eq. (5)는 2차 모멘트의 연산 과정이다.

(5)

v_{t} = β_{2} v_{t - 1} + (1 - β_{2}) {(\frac{\partial E}{\partial W_{t}})}^{2}

여기서, $v_{t}$ 는 시점 t에서의 2차 모멘트로, 기울기 제곱의 지수 가중 평균을 나타내며 경사의 크기 정보를 반영한다. 𝛽₂는 2차 모멘트의 지수 감쇠 계수이다. 1차 및 2차 모멘트가 계산된 이후 Adam은 이를 활용하여 최종적으로 매개변수를 갱신한다. Eq. (6)은 Adam의 가중치 갱신 과정을 나타낸 식이다.

(6)

W_{t} = W_{t - 1} - \frac{η}{\sqrt{v_{t} + ε}} m_{t}

여기서, $W_{t}$ 는 시점 t에서의 가중치이다. 𝜂는 학습률이며 𝜀은 분모가 0이 되는 것을 방지하기 위한 작은 상수이다. Adam은 1차 및 2차 모멘트를 통해 변화가 큰 기울기에는 작은 학습률을, 변화가 작은 기울기에는 상대적으로 큰 학습률을 적용한다. Adam은 학습률 자동 조절을 통해 복잡한 손실함수 구조에서도 빠르고 안정적으로 수렴하는 장점이 있다(Ruder, 2016).

2.3 Particle Swarm Optimization (PSO)

메타휴리스틱 알고리즘은 전역 탐색과 지역 탐색을 동시에 고려하는 최적화 기법이다. 메타휴리스틱 알고리즘 중 PSO는 자연에서 새 떼나 물고기 떼의 집단적 행동을 모방하여 개발된 최적화 기법이다(Kennedy and Eberhart, 1995). PSO는 다수의 입자로 구성된 군집이 해 공간을 탐색한다. 각 입자는 현재 위치에서 개별적으로 최적이라고 판단되는 위치와 군집 전체에서 가장 우수한 해를 동시에 참조하여 다음 위치를 결정한다. 각 입자는 속도와 위치를 갱신하면서 점진적으로 전역 최적해에 수렴한다. Eq. (7)는 PSO의 속도 갱신 과정을 나타낸 식이다.

(7)

v_{t + 1}^{i} = ω v_{t}^{i} + c_{1} r_{1} (p_{t}^{i} - x_{t}^{i}) + c_{2} r_{2} (p_{t}^{global} - x_{t}^{i})

여기서, $v_{t + 1}^{i}$ 은 다음 시점의 속도이며 $x_{t}^{i}$ 은 현재 시점의 개별 입자의 위치이다. 𝜔는 관성 가중치로, 이전 속도의 영향을 조절하여 탐색 범위를 결정한다. $p_{t}^{i}$ 은 개별 입자가 시간 t까지 얻은 지역 최적 해이고, $p_{t}^{global}$ 은 무리 전체가 시간 t까지 얻은 전역 최적 해이다. $c_{1}$ 과 $c_{2}$ 는 상수로 인지 계수와 소셜 계수이다. $r_{1}$ 과 $r_{2}$ 는 0과 1 사이의 임의의 값이다. Eq. (8)은 PSO의 위치 갱신 과정을 나타낸 식이다.

(8)

x_{t + 1}^{i} = x_{t}^{i} + v_{t + 1}^{i}

여기서, $x_{t + 1}^{i}$ 은 다음 시점의 개별 입자의 위치이며, 현재 시점의 위치와 다음 시점의 속도를 더해 갱신된다. PSO는 전역 탐색과 지역 탐색을 균형 있게 수행함으로써 복잡한 비선형 최적화 문제에서 안정적인 해 탐색이 가능하다.

2.4 Combined Adaptive moments and Particle Swarm Optimization (CAPSO)

본 연구에서 제안한 CAPSO는 기존 경사하강법 기반 옵티마이저의 한계를 개선한 최적화 기법이다. CAPSO는 Adam과 PSO의 결합을 통해 기존의 Adam의 단점인 지역 최적 해로의 수렴 가능성을 개선하였다. Fig. 2는 CAPSO의 순서도를 나타낸 그림이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F2.jpg

Fig. 2.

Flowchart of CAPSO

Fig. 2에 따르면, CAPSO는 Adam과 PSO를 병렬적으로 결합한 최적화 기법이다. Adam과 PSO를 병렬적으로 결합하기 위해 PSO Considering Rate (PCR)를 적용하였다. PCR은 기존에 제안된 gradient descent considering rate를 기반으로 제안된 자가적응형 매개변수이다(Ryu and Lee, 2025). PCR은 학습 횟수에 따라 점진적으로 증가하며, Eq. (9)와 같다.

(9)

P C R = P C R_{\max} \times \frac{C E}{T E}

여기서, $P C R_{\max}$ 는 $P C R$ 의 최대값 의미하며, CE는 현재 epoch, TE는 전체 epoch를 나타낸다. Eq. (9)에 따르면, PCR은 학습이 진행될수록 점진적으로 증가하는 것을 알 수 있다. 본 연구에서는 $P C R_{\max}$ 을 0.1로 설정하였으며, 이에 따라 PSO 적용 확률은 학습 초기 0%에서 시작하여 학습 완료 시점에는 최대 10%까지 점진적으로 증가한다(Ryu and Lee, 2025). Adam 또는 PSO를 통해 산출된 가중치와 편향은 손실함수 값을 기준으로 기존 결과와 비교 및 평가된다. 이러한 과정을 반복적으로 수행하여 최적의 가중치 및 편향에 수렴한다.

2.5 SHapley Additive exPlanations (SHAP)

ANN의 학습결과에 대한 해석 가능성을 확보하기 위해, 본 연구에서는 설명 가능한 인공지능(eXplainable Artificial Intelligence, XAI) 기법 중 SHAP를 적용하였다. SHAP는 게임이론에서 사용되는 Shapley value를 기반으로 각 입력 변수의 예측 결과에 대한 기여도를 계산하는 방식이다(Shapley, 1953). SHAP는 구축된 입력자료 내 입력 인자를 기반으로 다양한 Case 수립을 통해 Shapley value를 산출한다. SHAP는 하나의 입력 인자를 고정으로 설정한 뒤 개별 입력 인자들을 추가하며, 개별 입력 인자들이 출력값에 대한 양(+) 또는 음(-)의 영향을 분석한다. 이러한 특성을 통해 블랙박스 구조를 가진 ANN 모델의 학습결과에 대한 해석이 가능하다. 또한, SHAP는 변수별 영향력을 공정하고 일관된 기준으로 평가할 수 있는 장점이 있다(Lundberg and Lee, 2017). Eq. (10)는 Shapley value의 계산 과정이다.

(10)

Φ_{i} (v) = \sum_{S \in N} \frac{| S |! (n - | S | - 1)!}{N!} (v (S \cup i) - v (S))

여기서, $Φ_{i}$ 는 i의 Shapley value이고 N은 전체 입력 인자들의 집합이며 S는 특정 인자를 제외한 부분집합이다. $v (S)$ 는 특정 집합 S만을 사용하여 예측모델을 만들었을 때 예측값이고 $v (S \cup i)$ 는 입력 인자 i를 추가했을 때 예측값이다.

3. 대상유역 및 자료구축

본 연구에서 제안한 CAPSO가 적용된 MLP의 성능을 검토하기 위해 낙동강 유역에 위치한 다산 수질관측소의 엽록소-a를 학습 및 예측하였다. 다산 수질관측소는 대한민국 경상북도 고령군에 위치하고 있다. Fig. 3은 다산 수질관측소, 수문 및 강우관측소의 위치를 나타낸 그림이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F3.jpg

Fig. 3.

Information about study area and each station’s location

Fig. 3에 따르면, 본 연구는 낙동강 유역 중상류 지역을 대상으로 수행되었다. 다산 수질관측소 상류에는 상주, 의성, 구미의 기상관측소가, 우측에는 대구 및 영천의 기상관측소가 위치하여 있다. 다산 관측소 인근에는 성주대교, 도성교 및 매곡리의 수문관측소가 분포되어 있다. Table 1은 학습 및 예측을 위해 사용된 입력 인자이다.

Table 1에 따르면, 입력자료는 기상, 수문 및 수질 자료로 구성되어 있다. Table 1의 기상, 수문 및 수질 자료는 출력 시점 대비 과거 시점의 자료를 활용하였다. 기상자료로는 대구, 구미, 상주, 영천 및 의성 지역의 평균풍속, 평균기온, 강수량, 일조시간 및 일사량을 활용하였다. 수문 자료로는 도성교, 성주대교 및 매곡리 지점의 수위와 성주대교 및 매곡리 지점의 유량 자료를 활용하였다. 수질 자료는 국내 주요하천을 대상으로 수질 예측을 수행한 선행연구에서 활용된 변수 구성을 참고하였다. Kim et al. (2023) 및 Cha et al. (2017)에서 활용된 변수 구성을 기반으로, 다산수질관측소에서 측정 가능한 항목을 선정하여 입력자료를 구축하였다. 본 연구에서 사용된 기상자료는 기상청의 기상자료개방포털(https://data.kma.go.kr)에서 취득하였으며, 수문자료는 국가수자원관리종합정보시스템(https://www.wamis.go.kr)에서 취득하였다. 또한, 수질자료는 물환경정보시스템(https://water.nier.go.kr)에서 취득하였다. MLP의 학습을 위한 자료는 2014년부터 2020년까지 일 단위 자료를 활용하였으며, 예측을 위한 자료는 2021년 일 단위 자료를 활용하였다.

Table 1.

Alphabetic code for each input feature in the input data

Alphabetic code	Input data	Alphabetic code	Input data
A	Average temperature of Daegu	T	Sunshine hours of Sangju
B	Average temperature of Yeongcheon	U	Sunshine hours of Uiseong
C	Average temperature of Gumi	V	Water level of Seongju–large bridge
D	Average temperature of Sangju	W	Water level of Doseong–bridge
E	Average temperature of Uiseong	X	Water level of Meagok–li
F	Insolation for Daegu	Y	Discharge of Seongju–large bridge
G	Daily precipitation of Daegu	Z	Discharge of Meagok–li
H	Daily precipitation of Yeongcheon	AA	Water temperature of Dasan
I	Daily precipitation of Gumi	AB	Dissolved oxygen of Dasan
J	Daily precipitation of Sangju	AC	Potential of hydrogen of Dasan
K	Daily precipitation of Uiseong	AD	Electric conductivity of Dasan
L	Average wind speed of Daegu	AE	Turbidity of Dasan
M	Average wind speed of Yeongcheon	AF	Total oxygen content of Dasan
N	Average wind speed of Gumi	AG	Total nitrogen of Dasan
O	Average wind speed of Sangju	AH	Total phosphorus of Dasan
P	Average wind speed of Uiseong	AI	Ammonia nitrogen of Dasan
Q	Sunshine hours of Daegu	AJ	Nitrate nitrogen of Dasan
R	Sunshine hours of Yeongcheon	AK	Orthophosphate phosphorus of Dasan
S	Sunshine hours of Gumi	AL	Chlorophyll–a of Dasan

Note) Input features within the input data including Chlorophyll-a, data from a past point in time was utilized relative to the output data.

3.1 데이터 전처리

본 연구에서 취득한 학습 및 출력자료는 측정 단위와 값의 범위가 다양하다. 원자료를 그대로 사용할 경우 특정 변수의 범위가 모델의 학습 과정에서 과도한 영향을 미친다. 따라서 본 연구에서는 모든 입력 변수를 동일한 범위로 변환하기 위해 Min-Max Normalization (MMN)을 적용하였다. MMN은 다양한 데이터 전처리 기법 중 가장 좋은 성능을 나타낸다(Nawi et al., 2013). MMN을 수행하기 위한 수식은 Eq. (11)과 같다.

(11)

x_{n o r m} = \frac{x - x_{\min}}{x_{\max} - x_{\min}}

여기서, x는 원자료 값, x_min과 x_max는 각 변수의 최소값과 최대값이다. 본 연구에서는 학습 데이터를 기준으로 산정된 최소값과 최대값을 사용하여 정규화를 수행하였다. 또한, MMN이 적용된 입력 및 출력자료를 기반으로 학습 및 예측을 진행하였다.

4. 연구결과

CAPSO를 적용한 MLP의 학습 및 예측 성능을 비교하기 위해 Adam을 적용한 MLP와 비교하였다. MLP의 손실함수는 MSE로 설정하였다. 또한, CAPSO와 Adam이 적용된 MLP의 학습 및 예측결과 비교를 위해 MSE를 사용하였다. Eq. (12)은 MSE를 나타낸 식이다.

(12)

M S E = \frac{\sum_{i = 1}^{N} {(y_{i} - \bar{y_{i}})}^{2}}{N}

여기서, y는 관측값, $\bar{y}$ 는 MLP의 예측값이며, N은 데이터의 개수이다.

수질 예측 모델 선정을 위해 ARIMA, 과거 엽록소-a만 활용한 MLP 및 모든 과거 입력변수를 활용한 MLP를 비교하였다. Wei et al. (2026)은 지표수 수질 예측을 위해 ARIMA 및 MLP 등 딥러닝 모델을 활용하여 예측결과를 비교하였다. 본 연구에서는 해당 선행연구를 기반으로 ARIMA 모델의 차수는 (3,1,2)로 설정하였으며 MLP는 은닉층 2개, 각 은닉층의 노드 128개 및 64개로 설정하였다. 모델 간 공정한 성능 비교를 위해 하이퍼파라미터를 제외한 모든 구성을 동일하게 설정하였다. MLP의 경우 무작위 초기 가중치 및 확률적 학습 과정의 특성상 실험 결과의 변동성이 존재하므로, 총 10회의 반복 실험의 평균 예측 결과를 활용하였다. Table 2는 3가지 모델을 활용한 엽록소-a 예측 결과를 나타낸 것이다.

Table 2.

Comparison of forecasting results of each method

Method	MSE (mg²/m⁶)
ARIMA	80.2626
MLP using only Chl–a	62.6319
MLP using all features	59.4197

Table 2에 따르면, 모든 과거 입력변수를 활용한 MLP 모델이 평균 MSE 약 59.4197 mg²/m⁶으로 가장 낮은 오차를 나타냈다. 또한, 모든 과거 변수를 활용한 MLP는 ARIMA 대비 약 25.9684 %, 과거 엽록소-a만 활용한 MLP 대비 약 5.1287 % 오차가 감소하였다. 예측 성능 결과, 모든 과거 입력변수를 활용한 MLP가 ARIMA 및 과거 엽록소-a만 활용한 MLP 대비 예측 결과에서 높은 정확도를 나타냈다. 따라서, 본 연구에서는 모든 과거 변수를 활용한 MLP를 적용하여 Lagged Time과 Lead Time 조합별 예측 성능을 비교하였다.

4.1 최적 Lagged Time 및 Lead Time 탐색 결과

Lagged Time은 모델이 현재 시점의 출력값을 예측하기 위해 참조하는 과거 입력자료의 시간 범위이다. Lead Time은 현재 시점으로부터 예측하고자 하는 미래 시점의 시간 범위이다. Meng et al. (2025)은 기상, 수문 및 수질 자료를 활용한 엽록소-a 예측 연구에서 Lagged Time을 7, 14, 21, 30일로 설정하고, Lead Time을 1일부터 7일까지의 Case로 구성하여 예측성능을 검토하였다. 본 연구에서는 해당 선행 연구를 기반으로 Lagged Time 및 Lead Time에 따른 Case 별 예측성능을 비교하였다. Adam을 적용한 MLP의 10회 반복 실행의 평균 MSE를 산정하여 최적 Case를 탐색하였다. Table 3은 각 Case별 예측 MSE을 비교한 결과이다.

Table 3.

Comparison of forecasting results of each lagged time and lead time

Lagged Time	Lead Time	MSE (mg²/m⁶)					Lagged Time	Lead Time	MSE (mg²/m⁶)
		Max		Min		Average			Max	Min	Average
7	1	63.3395	48.8127		53.9100		14	1	79.9223	49.6171	58.5476
	2	103.2134	90.6805		96.2499			2	113.7782	94.1997	102.8705
	3	141.8934	126.8673		134.5472			3	137.1923	124.9308	131.1086
	4	179.6099	152.4293		164.8438			4	192.2570	146.7180	160.4978
	5	195.7012	169.3817		180.7545			5	219.5651	157.6112	186.8640
	6	231.9858	177.5681		196.7733			6	351.6265	186.6578	217.1317
	7	252.5957	192.3073		212.7941			7	236.9368	210.5311	221.2895
21	1	84.2772	54.1849		64.7444		30	1	89.3632	56.4050	67.9876
	2	140.4882	100.0159		113.3596			2	129.3881	101.9295	115.2200
	3	159.4649	131.0189		145.9170			3	179.7741	135.8541	151.2991
	4	220.5461	153.5253		181.6390			4	216.8141	164.2911	185.0468
	5	234.5186	182.384		204.5054			5	461.3099	179.6614	239.3098
	6	231.3672	191.3004		202.982			6	268.1510	187.9103	227.7523
	7	236.5209	211.0308		225.7245			7	344.5332	212.3071	255.9540

Table 3에 따르면, Lagged Time이 증가할수록 MSE 평균값이 증가하는 경향을 나타냈다. Lagged Time 기간별 결과에 따르면, 참조 기간이 길어질수록 과거의 불규칙한 수질 변동 패턴이 학습에 포함되어 모델의 예측 정확도에 부정적인 영향을 미친 것으로 분석된다. 또한, 동일한 Lagged Time 조건에서는 Lead Time이 증가할수록 MSE 평균값이 증가하는 경향이 나타났다. Lead Time 기간별 결과에 따르면, 예측 대상 시점이 멀어질수록 불확실성이 증가하여 예측 정확도가 저하되는 것으로 분석된다. 전체 Case 중 Lagged Time 7일, Lead Time 1일 조합에서 MSE 평균값이 약 53.9100 mg²/m⁶으로 가장 작게 나타났다. 따라서, 본 연구에서는 Lagged Time 7일, Lead Time 1일을 최적 Case로 선정하였다. 최적 Case를 기반으로 CAPSO 및 Adam을 적용한 MLP의 학습 및 예측 성능을 비교하였다.

4.2 학습결과

최적 Case인 Lagged Time 7일, Lead Time 1일을 기반으로 CAPSO 및 Adam을 적용한 MLP의 학습 성능을 비교하였다. 각 모델의 학습 안정성을 비교 및 분석하기 위해 동일한 조건에서 10회 반복 실행하였다. 반복 실행의 MSE 최대값, 최소값 및 평균값을 비교하였다. Table 4는 CAPSO 및 Adam을 적용한 MLP의 학습 결과이다.

Table 4.

Comparison of training results of each optimizer

Optimizer	MSE (mg²/m⁶)
Optimizer	Max	Min	Average
CAPSO	94.7346	90.6231	91.5335
Adam	108.3043	91.3734	97.2749

Table 4에 따르면, CAPSO는 Adam 대비 MSE 최대값 약 13.5697 mg²/m⁶, MSE 최소값이 약 0.7503 mg²/m⁶ 정도 작게 나타났다. 또한, MSE 평균값은 약 5.7414 mg²/m⁶ 작게 나타났다. 이는 CAPSO가 전역 탐색과 지역 탐색을 병렬적으로 수행함으로써 우수한 최적해에 도달하는 빈도가 높은 것으로 분석된다. 평균 성능 측면의 경우, CAPSO를 적용한 MLP의 학습성능이 Adam을 적용한 MLP보다 우수한 것을 알 수 있다. Fig. 4는 10회 반복 실행 중 학습성능이 평균값에 근접한 경우를 나타낸 그림이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F4.jpg

Fig. 4.

Comparison of the training results

Fig. 4에 따르면, CAPSO 및 Adam 모두 관측값의 전반적인 변동 경향을 재현하였으나, 첨두 구간에서 학습성능의 차이가 나타났다. 2014년 1월부터 4월까지의 첨두 발생 구간에서는 CAPSO 기반 MLP 및 Adam 기반 MLP 모두 첨두값을 과소 추정하였다. 또한, 관측값의 변동 경향을 충분히 재현하지 못하는 한계를 보였다. 2014년 10월부터 12월까지의 첨두 발생 구간에서는 CAPSO 및 Adam 모두 변동 경향을 예측하였으나, 첨두값에 대한 과소 추정 경향이 나타났다. CAPSO 기반 MLP가 Adam 기반 MLP 대비 엽록소-a의 첨두 농도를 높은 정확도로 예측한 것을 알 수 있다. 그러나, CAPSO 및 Adam 모두 첨두 발생 직후 하강 구간에서 시간 지연 현상이 나타났다. 이는 MLP가 이전 시점의 엽록소-a에 높은 의존성을 가지는 특성으로 인해, 급격한 농도 변화가 발생하는 첨두 구간 이후의 변화를 즉각적으로 반영하지 못하기 때문으로 분석된다(Li et al., 2023).

4.3 예측결과

학습결과를 바탕으로 CAPSO를 적용한 MLP의 예측성능을 평가하기 위해 Adam을 적용한 MLP와 비교하였다. 각 모델의 예측 안정성을 비교 및 분석하기 위해 동일한 조건에서 10회 반복 실행을 수행하였다. 10회 반복 실행의 최대값, 최소값 및 평균값을 비교하였다. Table 5는 CAPSO 및 Adam을 적용한 MLP의 예측 결과이다.

Table 5.

Comparison of forecasting results of each optimizer

Optimizer	MSE (mg²/m⁶)
Optimizer	Max	Min	Average
CAPSO	51.8493	48.5722	49.7279
Adam	63.3395	48.8127	53.9100

Table 5에 따르면, CAPSO는 Adam 대비 MSE 최대값이 약 11.4902 mg²/m⁶, MSE 최소값이 약 0.2405 mg²/m⁶, MSE 평균값이 약 4.1821 mg²/m⁶ 작게 나타났다. CAPSO가 전역 탐색과 지역 탐색을 병렬적으로 수행함으로써, 학습 과정에서 Adam보다 최적의 가중치 및 편향을 탐색한 것으로 분석된다. Fig. 5는 10회의 반복 실행 중 예측 성능이 평균값에 근접한 경우를 나타낸 그림이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F5.jpg

Fig. 5.

Comparison of the forecasting results

Fig. 5에 따르면, CAPSO 및 Adam 모두 관측값의 전반적인 시계열 변동 경향을 재현하였으나, 예측 정확도에서 차이를 보였다. 엽록소-a 첨두 농도가 발생하는 구간에서 CAPSO 기반 MLP는 관측값에 더 근접한 예측결과를 나타냈다. 그러나, Adam 기반 MLP는 일부 고농도 구간에서 관측값을 과소 추정하는 경향을 보였다. 또한, 저농도 구간에서도 CAPSO 기반 MLP가 단기 변동성을 보다 안정적으로 반영하는 것을 알 수 있다. 학습결과와 동일하게 CAPSO 및 Adam 모두 첨두 발생 직후 하강 구간에서 시간 지연 현상이 나타났다. 이는 MLP가 이전 시점의 엽록소-a에 높은 의존성을 가지는 특성으로 인한 것으로 분석된다.

4.4 SHAP 결과 기반 수질변동 인자 규명

본 연구에서는 CAPSO를 통해 높은 정확도로 학습한 MLP 모델을 구축하였다. 이를 바탕으로 MLP의 해석 가능성과 수질 변동에 영향을 미치는 주요 인자를 규명하기 위해 XAI 기법인 SHAP를 적용하였다. SHAP는 모델 예측결과에대한 입력 변수의 기여도를 산정하는 기법이다. Shapley value 분포를 통해 변수의 중요도와 입력값 크기에 따른 영향을 해석할 수 있다. Fig. 6은 CAPSO 기반 엽록소-a 학습 MLP에 대해 SHAP 분석을 수행한 결과를 나타낸 그림이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F6.jpg

Fig. 6.

SHAP summary plot for Chl–a forecasting

Fig. 6은 각 변수의 Shapley value가 예측값에 미친 영향을 시각화한 summary plot이다. 수평축은 모델 출력에 대한 변수의 기여도를 나타내며, 수직축은 각 변수의 중요도 순서를 나타낸다. 또한, 점의 색상은 각 변수의 실제 값의 크기를 의미하며, 붉은색일수록 높은 값, 파란색일수록 낮은 값을 의미한다.

Fig. 6에 따르면, 과거 시점의 AL (엽록소-a) 값이 예측 시점의 엽록소-a 농도에 가장 큰 영향을 미치는 변수로 나타났다. SHAP 값은 최대 약 0.6까지 분포하여 높은 영향력을 나타냈다. 엽록소-a의 시계열적 지속성이 현재 시점의 농도에 중요한 영향을 미치는 것으로 분석된다. AL 다음으로는 Q (대구의 일조시간), AC (pH) 및 E (의성의 평균기온) 순으로 높은 중요도를 보였다. 일조시간과 기온은 조류의 광합성 및 성장에 직접적인 영향을 미치는 주요 환경 요인으로 작용하는 것으로 분석된다(Foy et al., 1976). pH는 조류의 광합성 활동과 직접적으로 연동되는 생물학적 지시 변수로서 엽록소-a 농도 변동과 밀접한 관련성을 가진다. Zerveas et al. (2021)에 따르면, 미세조류는 광합성 과정에서 수체로부터 H⁺를 능동적으로 흡수하여 pH를 상승시키며, 조류 밀도가 높을수록 이러한 pH 상승이 가속화되는 것으로 나타났다. 따라서, pH는 현재의 조류 생체량을 반영하는 변수로서 SHAP 분석에서 높은 기여도를 나타낸 것으로 분석된다. 그러나, G, H, I, J, K (대구, 영천, 구미, 상주 그리고 의성의 강수량)는 SHAP 값의 분포가 0 부근에 집중되어 상대적으로 예측 기여도가 낮게 나타났다. Fig. 7은 두 개의 입력 인자 조합에 대한 상관관계 결과를 나타낸 히트맵이다.

https://cdn.apub.kr/journalsite/sites/kwra/2026-059-07/N0200590703/images/kwra_59_07_03_F7.jpg

Fig. 7.

SHAP correlation heatmap of input features

Fig. 7은 SHAP 값을 기반으로 각 변수 간 예측 기여도의 상관관계를 시각화한 히트맵이다. 색상이 붉을수록 두 변수의 SHAP 값이 유사하게 변화하며, 푸를수록 반대 방향으로 변화함을 나타낸다. 상관관계 분석을 통해 모델 내 변수들이 예측에 어떻게 공동으로 작용하거나 독립적으로 영향을 미치는지를 알 수 있다.

Fig. 7에 따르면, L, M, N, O, P (대구, 영천, 구미, 상주 그리고 의성의 평균풍속) 변수 간에는 높은 양(+)의 상관관계가 나타났다. 해당 결과를 기반으로 인접 지역의 풍속 변수들이 엽록소-a 예측에 대해 유사한 영향 패턴을 가지는 것을 알 수 있다. 또한, AI (암모니아성질소)와 AJ (질산성질소) 간에도 비교적 높은 양(+)의 상관관계가 나타났다. 해당 결과를 기반으로 동일한 영양염 계열 변수로서 유사한 기여 특성을 보이는 것으로 해석된다. 그러나, V, W, X, Y, Z (성주대교, 도성교 및 매곡리의 수위, 성주대교 및 매곡리의 유량) 변수 간에는 뚜렷한 상관구조가 나타나지 않거나 일부 약한 음의 상관관계가 나타났다. 이는 변수 간 영향 패턴이 일관되지 않은 것으로 판단된다. SHAP 상관관계 분석 결과, 풍속 및 수질 변수 군집이 엽록소-a 예측 과정에서 유사한 영향 패턴을 형성하는 것을 확인할 수 있다.

5. 결 론

본 연구는 높은 정확도의 학습 및 예측결과를 기반으로 수질변동 인자를 규명하기 위해 CAPSO 개발 및 SHAP 기반 인자분석을 수행하였다. CAPSO를 적용한 MLP의 학습 및 예측성능을 검토하기 위해 낙동강 유역 다산수질관측소의 엽록소-a를 예측하였다. 또한, XAI 기법 중 SHAP를 기반으로 수질 학습결과의 해석 가능성 확보 및 변동 인자를 규명하였다.

Lagged Time과 Lead Time 탐색 결과, Lagged Time 7일, Lead Time 1일 조합에서 MSE 평균값이 53.9100 mg²/m⁶으로 가장 작게 나타나 최적 Case로 선정하였다. 학습성능 비교 결과, CAPSO를 적용한 MLP는 Adam 대비 MSE 최대값 기준 약 12.5292% 개선된 성능을 나타냈다. 예측 성능 비교 결과, CAPSO는 Adam 대비 MSE 최대값 기준 약 18.1407% 개선된 성능을 보였다. 해당 결과를 기반으로 CAPSO는 옵티마이저 개선뿐만 아니라 기존 옵티마이저 대비 비선형 수질 변동 패턴을 효과적으로 학습할 수 있다는 것을 알 수 있다.

SHAP 기법을 활용한 단일 분석결과, 과거 시점의 엽록소-a가 예측 시점의 엽록소-a 농도 예측에서 가장 높은 중요도를 나타냈다. 다음으로 대구의 일조시간, pH, 의성의 평균기온 순으로 높은 중요도를 나타냈다. 상관관계 분석결과, 평균풍속 변수 조합 및 암모니아성질소와 질산성질소 조합 간 높은 양(+)의 상관관계가 나타났다. SHAP 분석결과, 기온 상승이 엽록소-a 농도 증가에 양(+)의 영향을 미치는 것으로 나타났다. 따라서, 기온 변화를 사전에 모니터링함으로써 조류 발생에 따른 수질 악화 가능성을 선제적으로 파악할 수 있을 것으로 판단된다.

본 연구에서 개발한 CAPSO는 학습 안정성 및 예측 정확도에서 기존 옵티마이저인 Adam 대비 우수한 성능을 보였다. 또한, 높은 학습 및 예측 정확도를 기반으로 SHAP 적용을 통해 수질변동에 있어 핵심 인자를 규명하였다. 다만, 학습 및 예측 과정에서 첨두 발생 직후 하강 구간에서 시간 지연 현상이 나타났다. 향후 LSTM 또는 Transformer 등 시계열 전용 예측(forecasting) 모델과의 결합을 통해 시간 지연 문제를 개선한다면, 장·단기 수질 예측을 통한 인자별 선제대응 방안을 구축할 수 있을 것으로 기대된다.

Acknowledgements

본 연구는 기후에너지환경부의 재원으로 한국환경산업기술원의 기후변화 적응 수재해 관리 기술개발사업(R&D)의 지원을 받아 수행되었음(RS-2024-00398012).

Conflicts of Interest

The authors declare no conflict of interest.

References

Bach, S., Binder, A., Montavon, G., Klauschen, F., Müller, K.R., and Samek, W. (2015). “On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation.” PLoS One, Vol. 10, No. 7, e0130140.

10.1371/journal.pone.013014026161953PMC4498753

Bai, Y., Peng, M., and Wang, M. (2024). “A river water quality prediction method based on dual signal decomposition and deep learning.” Water, Vol. 16, No. 21, 3099.

10.3390/w16213099

Box, G.E., Jenkins, G.M., Reinsel, G.C., and Ljung, G.M. (2015). Time series analysis: Forecasting and control. John Wiley & Sons, Hoboken, NJ, U.S.

Breiman, L. (2001). “Random forests.” Machine Learning, Vol. 45, No. 1, pp. 5-32.

10.1023/A:1010933404324

Bwire, G., Sack, D.A., Kagirita, A., Obala, T., Debes, A.K., Ram, M., Kamakech, H., George, D.A., and Orach, C.G. (2020). “The quality of drinking and domestic water from surface water sources in cholera-prone communities of Uganda.” BMC Public Health, Vol. 20, No. 1, 1128.

10.1186/s12889-020-09186-332680495PMC7368733

Cha, Y., Cho, K.H., Lee, H., Kang, T., and Kim, J.H. (2017). “The relative importance of water temperature and residence time in predicting cyanobacteria abundance in regulated rivers.” Water Research, Vol. 124, pp. 11-19.

10.1016/j.watres.2017.07.040

Cleveland, R.B., Cleveland, W.S., McRae, J.E., and Terpenning, I. (1990). “STL: A seasonal-trend decomposition.” Journal of Official Statistics, Vol. 6, No. 1, pp. 3-73.

Cortes, C., and Vapnik, V. (1995). “Support-vector networks.” Machine Learning, Vol. 20, No. 3, pp. 273-297.

10.1023/A:1022627411411

Dauphin, Y.N., Pascanu, R., Gulcehre, C., Cho, K., Ganguli, S., and Bengio, Y. (2014). “Identifying and attacking the saddle point problem in high-dimensional non-convex optimization.” Advances in Neural Information Processing Systems (NeurIPS 2014), MIT Press, Montreal, Canada, Vol. 2, pp. 2933-2941.

Dorigo, M., Maniezzo, V., and Colorni, A. (1996). “Ant system: Optimization by a colony of cooperating agents.” IEEE Transactions on Systems, Man, and Cybernetics, Part B, Vol. 26, No. 1, pp. 29-41.

10.1109/3477.484436

Draper, N.R., and Smith, H. (1998). Applied regression analysis(Vol. 326). John Wiley & Sons, New York, NY, U.S.

Foy, R.H., Gibson, C.E., and Smith, R.V. (1976). “The influence of daylength, light intensity and temperature on the growth rates of planktonic blue-green algae.” British Phycological Journal, Vol. 11, No. 2, pp. 151-163.

10.1080/00071617600650181

Gao, Z., Chen, J., Wang, G., Ren, S., Fang, L., Yinglan, A., and Wang, Q. (2023). “A novel multivariate time series prediction of crucial water quality parameters with Long Short-Term Memory (LSTM) networks.” Journal of Contaminant Hydrology, Vol. 259, 104262.

10.1016/j.jconhyd.2023.104262

Glorot, X., and Bengio, Y. (2010). “Understanding the difficulty of training deep feedforward neural networks.” Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, PMLR, Sardinia, Italy, pp. 249-256.

Glorot, X., Bordes, A., and Bengio, Y. (2011). “Deep sparse rectifier neural networks.” Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics, PMLR, Fort Lauderdale, FL, U.S., pp. 315-323.

Goldberg, D.E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, Reading, MA, U.S.

Hastie, T. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer, New York, NY, U.S.

Jang, M.S., Kim, D.J., and Zhao, Y. (2022). “A study on estimating the main dimensions of a small fishing boat using deep learning.” Journal of the Korean Society of Fisheries and Ocean Technology, Vol. 58, No. 3, pp. 272-280.

10.3796/KSFOT.2022.58.3.272

Kennedy, J., and Eberhart, R. (1995). “Particle swarm optimization.” In Proceedings of ICNN'95-International Conference on Neural Networks, IEEE, Perth, Australia, Vol. 4, pp. 1942-1948.

10.1109/ICNN.1995.488968

Kim, H.G., Cho, K.H., and Recknagel, F. (2023). “Time-series modelling of harmful cyanobacteria blooms by convolutional neural networks and wavelet generated time-frequency images of environmental driving variables.” Water Research, Vol. 246, 120662.

10.1016/j.watres.2023.120662

Kim, J., Kim, H., Kim, H., Lee, D., and Yoon, S. (2025a). “A comprehensive survey of deep learning for time series forecasting.” Artificial Intelligence Review, Vol. 58, No. 7, pp. 1-95.

10.1007/s10462-025-11223-9

Kim, S., Alizamir, M., Heddam, S., Chang, S.W., Chung, I.M., Kisi, O., and Kulls, C. (2025b). “Development of machine learning and deep learning models with SHAP strategy for predicting groundwater levels in South Korea.” Scientific Reports, Vol. 15, 35523.

10.1038/s41598-025-19545-y41073762PMC12514227

Kingma, D.P., and Ba, J. (2014). “Adam: A method for stochastic optimization.” arXiv preprint arXiv:1412.6980.

Lee, J.D., Simchowitz, M., Jordan, M.I., and Recht, B. (2016). “Gradient descent only converges to minimizers.” Proceedings of the 29th Conference on Learning Theory (COLT 2016), PMLR, New York, NY, U.S., pp. 1246-1257.

Li, J., Song, L., Wu, D., Shui, J., and Wang, T. (2023). “Lagging problem in financial time series forecasting.” Neural Computing and Applications, Vol. 35, No. 28, pp. 20819-20839.

10.1007/s00521-023-08879-1

Lin, F., Li, X., Su, Y., and Yan, J. (2025). “Water quality prediction model based on improved long short-term memory neural network and empirical mode decomposition.” Discover Artificial Intelligence, Vol. 5, No. 1, 199.

10.1007/s44163-025-00454-y

Lundberg, S.M., and Lee, S.I. (2017). “A unified approach to interpreting model predictions.” Advances in Neural Information Processing Systems (NIPS 2017), Curran Associates, Long Beach, CA, U.S., Vol. 30, pp. 4765-4774.

Meng, H., Zhang, J., Chang, Y., and Zheng, Z. (2025). “A new method for predicting chlorophyll-a concentration in a reservoir: Coupling EFDC hydrodynamic and water quality model with ConvLSTM-MLP network.” Journal of Hydrology, Vol. 660, 133485.

10.1016/j.jhydrol.2025.133485

Miller, J.D., and Hutchins, M. (2017). “Impacts of urbanisation and climate change on urban flooding and water quality.” Journal of Hydrology: Regional Studies, Vol. 12, pp. 345-362.

10.1016/j.ejrh.2017.06.006

Nair, V., and Hinton, G.E. (2010). “Rectified linear units improve restricted Boltzmann machines.” Proceedings of the 27th International Conference on Machine Learning, Omnipress, Haifa, Israel, pp. 807-814.

Nawi, N.M., Atomi, W.H., and Rehman, M.Z. (2013). “The effect of data pre-processing on optimized training of artificial neural networks.” Procedia Technology, Vol. 11, pp. 32-39.

10.1016/j.protcy.2013.12.159

Poli, R., Kennedy, J., and Blackwell, T. (2007). “Particle swarm optimization: An overview.” Swarm Intelligence, Vol. 1, No. 1, pp. 33-57.

10.1007/s11721-007-0002-0

Ribeiro, M.T., Singh, S., and Guestrin, C. (2016). “Why should I trust you? Explaining the predictions of any classifier.” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, San Francisco, CA, U.S., pp. 1135-1144.

10.18653/v1/N16-3020

Ruder, S. (2016). “An overview of gradient descent optimization algorithms.” arXiv preprint arXiv:1609.04747.

Rumelhart, D.E., Hinton, G.E., and Williams, R.J. (1986). “Learning representations by back-propagating errors.” Nature, Vol. 323, No. 6088, pp. 533-536.

10.1038/323533a0

Ryu, Y.M., and Lee, E.H. (2025). “Development of dam inflow prediction technique based on explainable artificial intelligence (XAI) and combined optimizer for efficient use of water resources.” Environmental Modelling & Software, Vol. 187, 106380.

10.1016/j.envsoft.2025.106380

Shapley, L.S. (1953). “A value for n-person games.” Contributions to the Theory of Games, Vol. 2, pp. 307-317.

10.1515/9781400881970-018

Wei, R., Chen, H., and Wang, H. (2026). “Surface water quality prediction via an MLA-Mamba hybrid neural network with GRPO optimization.” Scientific Reports, Vol. 16, 5845.

10.1038/s41598-026-36229-341559334PMC12894955

Wilson, A.C., Roelofs, R., Stern, M., Srebro, N., and Recht, B. (2017). “The marginal value of adaptive gradient methods in machine learning.” Advances in Neural Information Processing Systems, Vol. 30, pp. 4148-4158.

Zerveas, S., Mente, M.S., Tsakiri, D., and Kotzabasis, K. (2021). “Microalgal photosynthesis induces alkalization of aquatic environment as a result of H+ uptake independently from CO2 concentration-New perspectives for environmental applications.” Journal of Environmental Management, Vol. 289, 112546.

10.1016/j.jenvman.2021.112546

Journal of Korea Water Resources Association ISSN:2799-8746(Print) 2799-8754(Online) 한국수자원학회 논문집

Preview

Identification of water quality fluctuation factors based on XAI using improved deep learning

ABSTRACT

MAIN

Fig. 1.

Structure of MLP

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

Fig. 2.

Flowchart of CAPSO

(9)

(10)

Fig. 3.

Information about study area and each station’s location

Table 1.

Alphabetic code for each input feature in the input data

(11)

(12)

Table 2.

Comparison of forecasting results of each method

Table 3.

Comparison of forecasting results of each lagged time and lead time

Table 4.

Comparison of training results of each optimizer

Fig. 4.

Comparison of the training results

Table 5.

Comparison of forecasting results of each optimizer

Fig. 5.

Comparison of the forecasting results

Fig. 6.

SHAP summary plot for Chl–a forecasting

Fig. 7.

SHAP correlation heatmap of input features

Acknowledgements

Conflicts of Interest

References