Development of optimization method for water quality prediction accuracy

수질예측 정확도를 위한 최적화 기법 개발

하천과 저수지의 수질을 예측하고 관리하는데 수리 수질예측모형이 널리 활용되고 있다. 수질예측모형은 유역이나 수체 내의 오염물질 이동경로나 농도를 수치해석 방법으로 계산하여 사용자가 필요로 하는 지점과 시점에서의 수질자료 생산하는데 활용되고 있다. 수질예측모형은 검 보정을 통해 정확도를 확보하며, 정확도의 확보를 위해서는 높은 수준의 전문성을 필요로 한다. 특히 시행착오법으로 모형을 보정하는 경우 많은 시간과 노력을 필요로 하게 되며, 보정계수를 과대 혹은 과소로 모형에 적용하는 오류를 범하기 쉽고 모델러의 주관이 관여되기 쉽다. 그래서 본 연구에서는 CE-QUAL-W2모형의 조류항목에 대한 모형 보정을 위하여 Chl-a와 남조류세포수에서 주로 활용되고 있는 보정계수에 대한 민감도 분석 결과를 토대로 매개변수별 모의결과 변화율을 산정하였으며, 시기적 경향성을 재현하기 위해 Ensemble-Bagging 기법과 머신 러닝 기법을 적용하여 모형 구동횟수를 최소화 할 수 있는 방법으로 구성하였다. Chl-a를 보정하기 위한 매개변수는 9개를 선정하였으며, 규조류, 남조류, 녹조류에 총 27개 매개 변수를 민감도 분석으로 도출 한 후 예상 변화율 대비 이벤트별 모의치와 실측치 간 %difference가 유사하도록 매개변수를 조정하였다. 또한 각 이벤트 조합의 매개변수 빈도수와 매개변수별 예상변화율, 시기적 조류특성을 고려하여 가중치를 도출하였으며, 1회 보정에 맞춰 Chl-a 모델 실행결과를 %difference로 평가한 후 "good"등급을 만족할 때까지 반복 적용하였다. 남조류세포수의 경우 Chl-a에 맞춰 매개변수 최적화 이후 남조류세포수 농도를 세포수로 환산하기 위한 CACEL에 대해 머신러닝 기법을 적용하였으며, CACEL 추정변화율 회귀식에 따라 평가 한 후 %difference "good"등급 이상을 만족할 때까지 반복 수행하는 방법을 적용하였다. 본 연구에서는 수질예측모형의 정확도를 확보하기 위하여 최적화 기법을 적용하였으며, 이를 통해 모형을 보정하는 과정에서 요구되는 시간과 노력을 줄일 수 있도록 하였으며, Ensemble기법과 머신러닝 기법을 적용하여 모형보정계수 적용에 객관성을 확보할 수 있도록 하였다.