Current Issue

지하수 수질의 변동성은 오염원의 증감, 오염배출량의 증감, 오염 경로의 변경 등 다양한 요인에 의하여 발현되게 된다. 특히, 염소(Cl)와 질산성질소(NO₃-N)는 흔히 발생되는 대표적인 지하수 수질 오염 항목으로서 농도 값 뿐 아니라 추세성도 중요한 관리 인자이므로 국가 지하수 측정망에서 지속적으로 관측되어 왔다.

국내에서 지하수 수질 분포와 추세성에 대한 연구는 다양하게 수행된 바 있다. 다수의 수질 분석 자료를 보유하고 있는 제주도를 대상으로 지하수내 염소(Cl)와 질산성질소(NO₃-N)의 광역적 추세를 Sen의 추세 분석 기법과 GIS를 융합하여 분석하였으며, 중산간 지역의 수질 악화 추세를 진단한 바 있다(Kim et al., 2007). 한편, 내륙에서의 수질 추세성에 대한 연구는, 국내의 지하수 오염우려가 높은 781개 지점에 설치된 수질측정망의 연 2회 수질 분석 자료를 이용하여 이들 지점의 수질 농도가 비오염지역보다 높음을 분석한 바 있다(Kim et al., 2010). 또한, 지하수 수질 관리를 보다 효율적으로 수행하기 위한 수단으로서 전국의 지하수 수질 측정망의 분석 자료의 수질 문턱값(Threshold value)과 Sen의 추세분석 결과를 활용하는 방안을 제시하기도 하였다(An et al., 2015). 최근에는, 제주도에서 1993년부터 2015년까지 측정된 21,568건의 지하수 수질 자료 중 질산성질소를 대상으로 통계 특성과 Mann-Kendall 및 Sen의 분석 방법을 적용하여 공간상의 추세 분포를 평가한 바 있으며(Kim et al., 2018), 경기도에서 운영하는 지역지하수측정망의 수질 분석 자료를 토대로 평균농도, 추세성, 초과횟수 등의 통계량을 이용하여 도내 수질의 분포 특성을 분석하고 수질 등급을 분류한 바 있다(Seo et al., 2020). 이와 같이, 지하수 수질에 대한 연구는 농도의 통계적 특성을 토대로 공간적 분포를 파악하거나, 항목별 추세성을 토대로 오염원 관리의 필요성 등을 제시하는 등에 치중되어 왔다. 그러나, 기존의 통계적인 접근법이나 추세성 분석 방법은 정기적인 수질 분석이 이루어지는 계측 지점에 대하여 가능한 해석법으로서, 미계측 지역에 대한 수질 농도의 예측이나 추세성의 진단이 이루어진다면 보다 체계적인 수질관리가 가능할 것이다.

최근 해외에서는 Big data 기반의 인공신경망 기법과 수질 예측을 접목하는 다양한 연구들이 수행되고 있다. 하천수의 수질을 예측하기 위하여 지역의 강우량, 하천 유량, 탁도 등을 입력 인자로 사용하는 단층(Single hidden-layer) 인공신경망을 개발한 바 있으며(Bowers and Shedrow, 2000), 싱가포르 해안지역 해수의 온도, 용존산소, Chlorophyll-a 등을 입력 인자로 사용하는 인공신경망 모델을 개발하여 해수의 수질을 예측하는 연구를 수행한 바 있다(Palani et al., 2008). 체계적인 수질 관리를 위하여 다양한 머신러닝 기법(ANFIS, RBF-ANN, MLP-ANN, WDT-ANFIS 등)을 이용하여 예측의 정확도를 비교, 평가함으로써 하천수 수질 예측의 실효성을 높일 수 있는 모델들이 개발되기도 하였다(Ahmed et al., 2019). 모로코에서는 농업용 지하수의 수질(TDS, Salinity, Sodium adsorption ratio 등)을 예측하기 위하여 전기전도도, 온도, pH 등을 입력 인자로 활용한 인공신경망 및 SVR (Support vector regression) 모델을 개발하여 적용성을 검토한 바 있다(Bilali et al., 2021). 이와 같이, 최근에는 수질의 예측 분야 뿐 아니라 수위, 유량, 퇴적, 홍수 등의 여러 분야에서 인공신경망이 활용되고 있어 Big data 시대의 예측 기술이 다양화하고 있다(Minns and Hall, 2009; Mustafa et al., 2012; Shiri et al., 2013; Gholami et al., 2016; Sakizadeh, 2016).

질산성질소(NO₃-N)는 축사, 비료, 오수 등 다양한 오염원에 의하여 국내에서 광범위하게 나타나는 항목이므로, 지하수 측정망의 관측자료에만 의존하여 관리하는 것은 제한적이다. 임의의 미계측 지점에서의 지하수내 NO₃-N의 악화 추세성을 예측하는 모델이 개발되어 적용된다면, 이들 지역에 대하여 선제적인 오염원 관리를 수행함으로써 지하수 수질 악화의 가능성을 사전에 예방하는데 도움이 될 것이다. 본 연구에서는 국가 지하수 측정망 운영 과정에서 분석된 NO₃-N의 시계열 자료를 활용하여 추세성을 평가한 후, 각 측정망의 지점 특성과의 상관성에 대한 인공신경망 기법을 적용하여 추세 예측 모델을 개발하고 미계측 지역에 적용성을 평가하고자 하였다.

본 연구는 NO₃-N 농도의 추세성을 판단하기 위한 모델을 개발하는 것이므로, 국가지하수측정망의 5년 이상 기간 동안 연 2회(일부는 4회) 측정된 NO₃-N 농도의 추세성(상승 또는 비상승(여기에서 비상승이란 하강 및 유지를 포함함))을 MLP 모델의 주요 예측 변수로 설정하였다. 한편, 각 성분 농도의 추세성을 예측하는 MLP 모델의 입력 변수는 지하수 측정망의 지점 특성 자료를 활용하였는데, GIS 기법을 활용하여 디지털 지도로부터 추출하였다. 입력 변수의 선정은 자료 취득의 용이성, 균질성, 정확성 및 정부 또는 공공기관에서 제공된 공인된 데이터 등의 조건을 고려하였다.

모델의 입력 변수는 연속형 변수와 범주형 변수를 모두 포함하고 있는데, 연속형 변수로는 지형도(1:50,000 축척) 및 DEM (90 m) 자료로부터 추출 가능한 지하수 흐름에 영향을 미칠 수 있는 지형 인자를 검토하였으며, 범주형 변수는 국내 발간된 다양한 특성 도면(토양도, 수문지질도, 지표피복도 등)에서 추출하였다. 최종적으로 모델에 사용된 연속형 변수는 지형 표고 등 8개의 변수와 전국 약 160만 공의 지번 위치를 사용하여 작성한 관정밀도도로부터 추출된 관정밀도 등 총 9개로 결정되었다. 범주형 변수로는 각 주제도로부터 수문지질단위, 심토토성, 표토토성, 배수등급, 지표피복 등 5개의 속성을 사용하였다(표 1). 연속형 변수에서 각 속성의 추출은 관측 지점 주변 반경 250 m의 범위를 기준으로 이루어졌는데, 이 규모는 지형 변화 특성, 지하수의 유동성, 지하수 영향 반경 등을 고려하여 결정하였다.

총 521개 지하수 측정망 지점의 입력 변수에 대한 통계 특성은 아래와 같다(표 2). 연속형 변수를 보면, 지형 표고를 제외한 대부분의 지형 특성 인자는 국내 일반적인 지점에서 나타날 수 있는 지형 특성의 범위를 대부분 포함하고 있다. 다만, 지하수측정망의 설치 표고가 최대 981.7 EL.m로서 고지대의 특성을 반영하기에는 부족해 보이므로 고지대 예측시 유의할 필요가 있다.

각 범주형 변수의 속성을 지하수 유동 측면에서 1부터 7까지(수문지질단위는 1~3, 배수특성은 1~6) 재분류한 후 각 지하수측정망 지점의 해당 특성을 도출하였으며, 일부 속성을 제외하면 지하수측정망의 분포가 해당 속성의 실제 분포 비율과 비교할 때 큰 차이가 없이 비교적 골고루 분포하고 있는 것으로 나타났다(표 3).

T-검정에 의한 분석 결과 도출되는 추세성 유무와 추세성의 기울기(+ 및 -)를 토대로 상승과 비상승으로 구분하였다. 최종적으로 지하수 측정망 452 개소(86.8%)가 비상승 추세, 69 개소(13.2%)가 상승 추세로 나타났다(그림 1).

Fig. 1. 
Distribution of NO₃-N trends at groundwater monitoring sites.

NO₃-N의 상승과 비상승 추세별로 특성 인자들의 통계적인 차이는 유의하지 않으나, 일부 인자에서는 개략적인 차이가 보이기도 한다(표 4). 평균 통계량을 보면, NO₃-N의 상승 추세로 나타난 지하수측정망은 비상승 추세인 측정망에 비하여 상류경사 및 평균경사가 급한 곳, 하천에서 먼 곳 등에서 주로 나타나는 것으로 보인다.

범주형 인자에 대하여 NO₃-N의 상승 추세와 비상승 추세의 통계적 차이를 비교해 보면, 4개의 특성(표토토성, 심토토성, 배수등급, 지표피복)에 대하여 상승 및 비상승 추세를 보이는 관측지점의 속성의 분포 차이가 크지 않은 것으로 나타났다(그림 2). 이와 같은 결과를 보면, 지하수내 NO₃-N의 상승 추세를 보이는 것은 지점의 특성별로 미세한 차이는 존재하나 통계적으로 유의한 수준의 뚜렷한 차별성을 보이진 않는 것으로 평가되므로 각 지점의 특성과 성분의 추세성을 선형 관계에 의하여 설명하는 것은 불가능하다.

Fig. 2. 
Percentage of groundwater monitoring wells according to the properties of the input variables for NO₃-N (red: upward trend, blue: non-upward trend, numbers in parentheses: number of monitoring wells).

상기 지하수측정망 지점의 특성인 입력 변수와 지하수내 NO₃-N의 추세성 여부(상승 및 비상승 추세)에 대한 출력 변수간의 비선형 관계를 도출하기 위하여 IBM SPSS modeler (v.18.1)을 활용하여 MLP 모델을 구성하였다. MLP 모델의 특징으로는 사용되는 은닉층의 활성화 함수가 출력값의 경우 -1과 1 사이 값만을 반환하기 때문에 모델에 사용되는 입출력인자들의 다양한 변환 가정이 필요하게 된다. 본 연구에서는 입출력 인자들이 동일 표준 편차와 평균을 갖도록 표준화 변환을 실시한 후 모델의 변수로 활용하였다.

여기에서, xijk는 표준화된 값, X_ij는 변수 값, Xij¯는 변수의 평균, σ는 변수의 표준편차를 의미한다.

NO₃-N에 대한 MLP 모델의 은닉층은 반복 학습을 통하여 2개, 뉴론은 5 및 4개로 결정하였다. 최종 개발된 MLP 모델을 보면, 훈련자료와 검증자료에 대한 추세성(비상승 및 상승) 예측의 정확도는 91.3% 및 91.8% 정도로 높게 나타났다(표 5).

도출된 모델의 적용성을 진단하기 위하여 k-분할 교차검증(k=5)을 통하여 모델의 정확도(Accuracy), 정밀도(Precision), 재현율(Recall) 및 F1 Score를 평가하였다. 여기에서,

로 표현된다. 표에서 보는 바와 같이, 대부분의 모델에서 정확도, 정밀도 및 재현율이 최적 모델과 유사하며, 적용 가능한 수준으로 도출되었음을 알 수 있다(표 6).

상기 NO₃-N의 추세성 예측 인공신경망 모델의 실제 적용성을 파악하기 위하여 목포-무안 지역을 대상으로 실제 추세와 모델 예측 추세를 비교해 보았다. 2009년부터 2018년까지 지하수 관정의 NO₃-N 수질 데이터를 수집하여 500 m 그리드내 관정의 수질 자료를 시계열로 배열한 후 선형회귀 및 T-검정에 의한 추세평가를 실시하였다. 관정 수질 자료 갯수는 제한적으로서 추세 분석이 가능한 그리드는 76개에 불과하였으며, 상승 기울기의 그리드는 38개, 하강 추세의 그리드는 38개로 나타났다(그림 3a, 3b).

Fig. 3. 
Actual and predicted trends of NO₃-N in groundwater in Mokpo-Muan region.

목포-무안 지역내 500 m 격자를 구성한 후 각 중심점에서 모델 입력 인자를 추출한 후 해당 지점의 NO₃-N의 추세를 예측하였다. GIS를 이용하여 전체 그리드 2016개에 대하여 14개의 입력변수 값을 추출하였으며 이들로부터 추정된 NO₃-N의 상승 예측 그리드는 345개로 나타났다. 북측의 신안군 및 함평군과 인접한 무안군의 북쪽 지역이 상승 추세 가능성이 높은 지역이며, 목포시 인근의 영산강 주변도 상승 추세 가능성이 높은 것으로 나타났다(그림 3c).

그림에서 보는 바와 같이, 관정내 NO₃-N의 실제 추세 분포와 예측 모델에 의한 추세의 분포가 유사한 경향을 보이고는 있다(그림 3b, 3c). 그러나, 이와 같이 실제 관정의 수질 자료가 추세를 보이는 그리드와 인공신경망 예측 모델에서 추세를 보이는 그리드의 수에 많은 차이가 존재하기 때문에 두 결과를 이용하여 모델의 예측 정확도를 평가하기에는 한계가 있어 보인다. 실제 관정의 수질 분석 자료의 개수(그리드 수)가 76개로 너무 적은 점, 관정의 수질 분석에서 불합격되는 경우는 재분석 등 추가 분석을 통하여 수질 기준 이내로 분석한다는 점(이 점은 MLP 모델에 사용된 지하수 측정망의 수질 분석 방법과 차이가 있음) 및 분석 주기가 짧은 수질 자료가 존재하는 등이 예측 모델의 추세와 실제 추세의 비교를 어렵게 하는 것으로 보인다.

따라서, MLP 모델 예측의 정확도를 평가하기 위하여, 올바르게 예측되는 경우와 틀리게 예측되는 경우의 MLP 모델의 예측 확률을 비교해 보았다(표 7). 지하수 NO₃-N의 실제 추세가 상승인 경우에 MLP 모델에 의하여 동일하게 상승 추세로 예측되는 38개 각각의 예측확률의 평균값은 0.933으로서 틀리게 예측되는 경우의 0.768과 비교하여 훨씬 높은 것으로 나타났다. 또한, 비상승 추세인 경우에도 올바르게 예측한 경우의 예측확률 평균값이 0.899로서 미세하게나마 정확한 것으로 평가되었다. 이 결과는 본 MLP 예측 모델을 이용한다면 실제 미계측 지역에서의 상승과 비상승을 구분하는 것이 의미가 있음을 보여준다. 또한, 향후 모델의 입력 변수가 추가적으로 반영되고, 장기간의 다수 지점에서의 수질 시계열 데이터에 의한 추세 결과와 비교하게 된다면 MLP 모델에 의한 지하수 NO₃-N의 상승 예측을 보다 정확하게 평가할 수 있을 것이다.

한편, 목포-무안지역 지하수 기초조사시 수행되었던 2018년 기준의 지하수 수질 분석자료로부터 NO₃-N 농도 분포도를 작성한 결과, 수질 기준(10 mg/L)을 초과하는 지역은 MLP 모델에 의한 상승 추세 예측 지역과 유사하게 북부 지역에 집중되는 것을 알 수 있다(그림 3d). 목포-무안 지역내 주요 오염원은 축산단지, 주유소, 세차장 등 다양하며, 도시지역의 인간활동에 의한 오염원은 목포 지역에 집중되어 있는 반면에 축산 오염원은 농촌지역의 구릉지 및 평지에 주로 위치하고 있다(그림 4). 북측 지역의 경우는, 전반적으로 축산 오염원 분포와 NO₃-N의 상승 추세 예측 및 고농도 지점이 유사한 특성을 보인다. 한편, 동남측의 오룡산 북동쪽 지역에 축산 오염원이 다수 분포하나 NO₃-N의 농도는 상대적으로 낮으며(그림 3d 참조), MLP 모델에 의한 상승 추세는 존재하는 것으로 예측되었다(그림 3c). 이와 같은 결과는, NO₃-N의 상승 추세 모델에서 오염원이 입력인자로 고려되지 않았음에도 불구하고, 장기간의 토지 이용 과정에서 NO₃-N 오염이 지속되어 왔으며 궁극적으로 수질 기준을 초과하는 결과를 가져오는 것으로 보인다. 반면에 동남부 지역에서 보듯이 NO₃-N의 상승 추세성이 존재하나 수질 기준을 초과하지 않은 경우는 수질 시료 채취 및 분석 과정의 한계점을 고려하더라도 축산 등 오염원이 비교적 최근에 위치하였거나 오염원에 대한 관리의 결과로 추정할 수도 있으며 추가적인 조사가 필요하다.

Fig. 4. 
Location of main pollution sources in Mokpo-Muan region (data from MOE and K-water, 2018).

본 연구의 MLP 모델에 의한 NO₃-N의 추세성 예측은 훈련 데이터의 정확성, 데이터의 양, 입력 인자의 적정 선정 등 다양한 요인에 의하여 달라질 수 있다. 본 연구가 수행되는 시점에서 취득 가능한 입력 데이터의 양과 수준을 고려하였을 때, 개발된 모델의 적용성은 어느 정도 유효한 것으로 평가된다. 추후 NO₃-N의 농도와 관련성이 있는 제반 자료의 취득이 추가로 이루어진다면 보다 개선된 모델로 발전할 수 있을 것이다.

본 연구에서 지하수 오염 농도에 직접 영향을 미치는 오염원의 종류 및 농도, 오염원과의 거리 등이 입력 변수로 사용되지 못하였는데, 이는 이들 데이터의 취득에 어려움이 존재하기 때문이다. 이와 같이 모델 개발시 데이터 취득의 용이성도 중요한 요소로 작용하게 되는데, 모델 개발 시점의 데이터의 취득 뿐 아니라 추후 모델 적용시에도 취득 가능한 자료가 입력 변수로 사용되어야 할 것이다.

현재 지하수 기초조사 등에서는 지하수 수질 관리를 위하여 오염취약성도를 작성하여 매질이 오염에 노출된 경우 취약한 정도를 제공하고 있다. 기존의 오염취약성도는 미국의 지형 및 지질 조건을 토대로 개발된 DRASTIC을 기반으로 하고 있으며, DRASTIC에서는 자연적인 매질 특성을 입력인자로 사용하기 때문에 매질 자체의 오염취약성을 평가하는 도구에 해당한다. 국내의 미고결층이 얕고 산악이 많은 지역에서는 DRASTIC의 적용성이 낮은 점을 고려하여 지질구조선 등을 추가한 변형된 DRASTIC이 사용되고 있다(Chung et al., 2018). 그러나, 하나의 오염 취약성도에 의하여 다수의 오염 항목의 확산을 설명하기에는 한계가 있으며, 정책 집행자가 도면을 활용하기에 어려움이 존재한다. 따라서, 특정 수질오염원 또는 수질 성분에 노출될 경우 오염의 정도 또는 오염의 악화 정도에 대한 정보를 제공할 수 있는 도면이 분리되어 제공된다면 그 활용도는 훨씬 높아질 것이며, 본 연구와 같이 인공신경망 기반의 예측 모델이 그 역할을 할 수 있을 것이다.

수질 예측 인공신경망 모델 개발은 수 십 년간의 지하수 수질 자료를 활용하고, 국내의 지형, 지질, 토양, 오염원 등의 다양한 인자를 활용할 수 있어, 국내 환경에 적합하고 보다 정확한 예측 모델이 개발될 수 있으며, 지속적인 데이터 누적을 통하여 모델의 개선도 가능해 질 것이다. 이를 통하여 새로운 지하수 수질 관리 기법의 도입이 가능할 것이다.