Correlation and Prediction Analysis of Cyanobacteria with Water Environment Data

Yun, Sang-Leen

The Korean text of this paper can be translated into multiple languages on the website of http://jksee.or.kr through Google Translator.

J Korean Soc Environ Eng > Volume 46(12); 2024 > Article

남조류와 수환경데이터의 상관관계 및 예측 분석

Research Paper

Journal of Korean Society of Environmental Engineers 2024; 46(12): 792-805.

Published online: December 31, 2024

DOI: https://doi.org/10.4491/KSEE.2024.46.12.792

남조류와 수환경데이터의 상관관계 및 예측 분석

윤상린^†

한국건설기술연구원 환경연구본부

Correlation and Prediction Analysis of Cyanobacteria with Water Environment Data

Sang-Leen Yun^†

Department of Environment Research, Korea Institute of Civil Engineering and Building Technology (KICT), Republic of Korea

^†Corresponding author E-mail: leen70@kict.re.kr Tel: 031-910-0316 Fax: 031-910-0291

Received November 18, 2024 Revised November 30, 2024 Accepted December 1, 2024

Abstract

Objectives

A study was conducted to implement a predictive for cyanobacteria occurrence, a direct indicator of algae presence. Water quality, river environment, and meteorological data were collected and analyzed at six locations along the Nakdong River in Gyeongsangbuk-do and Daegu City. The primary objective was to establish correlations between various environmental factors and validate the utility of predicting algae(cyanobacteria) occurrences.

Methods

Cyanobacteria was designated as the dependent variable for correlation analysis. Water quality parameters associated with algal growth, including chlorophyll-a, water temperature, pH, dissolved oxygen(DO), total nitrogen(TN), and total phosphorus(TP), were utilized as key indicators. Additionally, meteorological data such as air temperature, humidity, cloud cover, precipitation, and solar radiation, as well as flow rate and flow quantity, which are indicators of water body stability, were utilized. The collected data were verified and corrected for accuracy before analyzing correlations between cyanobacteria occurrence and the independent variables. Furthermore, cyanobacteria occurrence was predicted using a random forest algorithm, with a linear regression model serving as a baseline for comparison.

Results and Discussion

The data presented a normal distribution. Correlation analysis indicated that previous cyanobacteria occurrences had a significant influence on current occurrences. Water temperature showed a positive correlation with cyanobacteria, while DO exhibited a negative correlation. Flow quantity and flow rate were inversely correlated with cyanobacteria cell density. In terms of meteorological data, air pressure negatively correlated with cyanobacteria occurrence, while air temperature showed a positive relationship. Substantial precipitation significantly reduced cyanobacteria concentrations; however, this effect was less pronounced during periods of low rainfall. The linear regression model, with an R² value of 0.734, demonstrated considerable explanatory power, indicating its effectiveness in accounting for the variability of the dependent variable.

Conclusion

The random forest, built on the linear regression model, successfully captured the overall trend of cyanobacteria occurrence when compared with field measurements. The model consistently maintained predictive performance by effectively recognizing complex data patterns, suggesting its potential for reliable prediction of cyanobacteria occurrence trends in aquatic ecosystems.

Key words: Algae, Cyanobacteria, Scatter plots, Linear regression analysis, Random forest

요약

목적

조류(algae)의 직접 지표인 남조류의 발생 예측을 위해 낙동강의 경상북도 및 대구광역시 지역의 6개 지점을 대상으로 수질 데이터, 하천환경 데이터, 기상 데이터를 수집 분석하여 각 요인들의 상관관계를 확인하고 이를 통한 녹조 발생 예측 모델의 활용성에 대해 검증하였다.

방법

종속 변수는 남조류세포수로 설정하였으며 조류(algae)의 성장의 직접적인 수질 지표인 클로로필-a(Chl-a)와 수온, pH, 용존산소(DO), 총질소(TN), 총인(TP) 등의 수질 자료를 활용하였다. 또한 기온, 습도, 운량, 강수량, 일사량 등의 기상 데이터와 수체 안정도 지표 산출을 위한 기초자료로 유속, 유량 데이터 활용하였다. 수집된 데이터의 검증과 보정을 진행하였으며 종속변수인 남조류세포수와 독립변수와의 상관관계를 분석하였으며 또한 선형 회귀 모델 기반의 랜덤 포레스트(Random Forest) 모형을 통해 녹조 발생에 대한 예측 모형을 평가하였다.

결과 및 토의

데이터간의 상관성 분석 결과, 전차의 남조류세포수가 현재의 남조류세포수에 큰 영향을 미치고 있는 것으로 나타났다. 수온은 양의 상관성을 보였으며 DO는 음의 상관관계를 보였다. 남조류세포수와 독립변수인 유량, 유속과의 상관성은 음의 상관성이 있는 것으로 나타났다. 기상데이터의 경우 기압과는 음의 상관관계, 기온과는 양의 상관관계를 보였다. 또한 강수량이 많은 경우에는 세포수가 크게 감소되었으나, 적은 강수량에서는 그러한 추세가 뚜렷하게 관찰되지 않았다. 선형회귀모델을 적용한 결과, R² 값은 0.734로 모델이 변수의 변동성에 비교적 높은 설명력으로, 남조류세포수를 예측하는데 유의미한 정보를 제공하는 것으로 나타났다.

결론

선형 회귀 모델 기반의 랜덤 포레스트 모형을 통해 남조류 발생을 예측한 결과, 실측값과 비교 시 예측값이 전반적인 추세를 잘 추종하는 것을 확인할 수 있었다. 복잡한 데이터 패턴을 잘 포착하여 예측 성능이 일관되게 유지되지 되는 것을 확인하였으며 수생 생태계에서 남조류의 발생 경향에 대한 신뢰성 있는 예측에 활용할 수 있을 것으로 판단된다.

주제어: 조류, 남조류, 산점도, 선형회귀분석, 랜덤 포레스트

1. 서 론

인구증가 및 산업발전으로 인한 다양한 오염물질의 수계 유입 증가, 기온 상승, 수온 상승 및 이산화탄소 증가에 따른 조류(algae)의 광합성의 증대 등 여러 요인들에 의해 녹조 현상은 더욱 빈번하게 발생되고 있다[1]. 특히, 부영양화 된 하천 및 호소에서 녹조 현상은 남조류 중 Microcystis속이 많이 발생하는 것으로 알려져 있으며 Microcystis에서 생성되는 독소 유발 물질인 microcystin의 생성이 문제점으로 부각되고 있다[2]. 녹조 발생의 요인은 물리·화학·생물학적 요인 및 기후·기상학적 요인으로 구분된다. 물리적 요인은 수온, 체류시간(유량, 유속), 수체의 성층 현상 등이 원인으로 알려져 있다[3-5]. 생물학적 요인은 과도한 유기물의 유입에 의한 남조류의 생리적 기능과의 반응이 중요한 것으로 알려져 있다[6]. 화학적 요인은 수체의 pH와 질소(Nitrogen)와 인(Phosphorus) 같은 영양염류로 알려져 있다[7-10]. 특히 유역으로부터 유입되는 인의 경우 남조류 성장에 가장 중요한 요인이며, 인의 유입을 조절하는 것이 가장 중요한 것으로 여겨진다[11,12]. 최근에는 기온상승과 일사량에 의해 녹조 발생의 강도 및 기간이 길어지고 있다[13]. 이런 다양한 요인에 의한 녹조 발생의 원인 규명에 대한 여러 연구가 진행되고 있다. Webb 등은 기후변화에 따른 수질 변화에 가장 큰 영향을 미칠 수는 수온 변화의 영향에 대한 연구를 진행하여 수온과 수질의 관계를 규명하였다[14,15]. Kedra와 Wiejaczka는 댐 유도 변화와 기후변화가 강 수온에 미치는 영향을 분석하여, 높은 수온이 수중 생태계의 세포수 증가에 미치는 영향을 규명하였다[16]. Hao Wu는 수질 인자(TN, TP, COD, pH 등)를 이용한 랜덤 포레스트 모형을 수립하였고, 녹조 현상에 대한 예측의 유용성을 제시하였다[17].

본 연구에서는 조류(algae)의 직접 지표인 남조류의 발생 예측을 중점 목표로 설정하여 진행하였다. 낙동강의 경상북도 및 대구광역시 지역의 6개 지점을 대상으로 조류(algae)의 성장에 영향을 주는 수질 데이터, 하천환경 데이터, 기상 데이터의 상관관계를 확인하였다. 또한 녹조 성장 요인 변수를 고려하여 선형회귀모델을 기본으로 분류 정확도를 향상시킬 수 있는 랜덤 포레스트(Random Forest) 앙상블 모형을 활용하여 남조류 발생에 대한 예측 모형을 평가하였다.

2. 실험방법

2.1 연구 대상지 및 관측 지점

Fig. 1은 연구대상지를 나타낸 것으로 공간적 범위는 낙동강의 경상북도 및 대구 구간에서 연구를 진행하였다. 연구대상 지내에는 구미보(Gumi-Weir, GM-W), 해평(Haepyeong, HP), 칠곡보(Chilgok-Weir, CG-W), 강정고령(Gangjeong Goryeong, GG), 강정고령보Gangjeong Goryeong-Weir, GG-W), 달성보(Dalseong-Weir, DS-W)의 조류 측정망과 2개의 종관기상관측소(구미/대구)가 위치하고 있으며 각 지점에서 측정되는 데이터를 활용하였다.

2.2. 데이터 수집 및 분석 방법

데이터는 각 정부부처에서 제공하는 오픈데이터로 2012년부터 2022년까지의 측정자료를 활용하였다. 남조류 및 수질 데이터는 환경부의 물환경정보시스템의 지점별 관측 데이터로 조류(algae)의 성장의 직접적인 수질 지표인 남조류세포수(Cyanobacteria), 클로로필-a(Chl-a)와 수온, pH, 용존 산소(DO), 총질소(TN), 총인(TP) 등의 하천 수질 자료를 활용하였다[18]. 기온, 습도, 운량, 강수량, 일사량 등의 기상 데이터는 기상청의 기상자료개방포털에서 수집하였다[19]. 수체 안정도 지표 산출을 위한 기초자료로 활용한 유속, 유량은 국가수자원관리 종합관리시스템에서 제공하는 데이터 활용하였으며 유속데이터가 없는 지점의 경우 유량과 유속의 상관성 분석 및 지점별 유량 데이터의 추정을 통해 유속 데이터를 구축하였다[20]. 상관성 분석은 수집 전처리한 남조류세포수의 2,415개 데이터를 기반으로 남조류세포수, 수질, 기상, 유량/유속 데이터를 한 셋으로 구성하여 활용하였다. 남조류 발생의 예측 평가는 기초 데이터 확보 가능여부를 고려하였으며 종속 변수는 현재 환경부의 조류경보제의 경보 지표로 활용되고 있는 남조류세포수로 설정하였다.

3. 결과 및 고찰

3.1 데이터 전처리

3.1.1. 남조류세포수 데이터의 전처리

Table 1은 6개의 관측소에서 수집된 종속 변수인 남조류세포수의 통계량을 나타낸 것이다. 평균, 산포도, 최대값 등 전반적인 분포는 하류 및 보 설치 구간이 상류 및 보 미 설치 구간보다 남조류세포수가 높아 녹조발생현상이 심한 것을 확인할 수 있었다.

수집된 남조류세포수의 분포에 대한 히스토그램으로 나타낸 결과, 0 값의 비중이 매우 높고, 우측으로 꼬리가 매우 긴 분포를 보이는 것으로 나타났다(Fig. 2(A)). 시계열 그래프로 분석된 데이터의 분포는 온도가 높은 계절에 증가하는 계절적 특성을 빈도분포에서 그대로 보여주고 있으며 그 증감 폭이 매우 큰 것을 확인할 수 있었다(Fig. 2(B)).

Fig. 3은 구미보(GM-W)를 대상으로 데이터의 로그 변환 후의 히스토그램 그래프와 시계열 그래프를 나타낸 것으로 데이터 간 상대적인 비율 비교와 안정적인 예측모델 구축을 위해 남조류세포수를 정규분포화 하였다. 각 지점별로 같은 방식으로 로그 변환 전처리를 통하여 정규분포성을 확보하였다(논문에 표시하지 않음).

3.1.2. 수질 데이터의 전처리

수질데이터의 경우, 낙동강 유역의 6개 조류 관측 지점과 매핑할 인근 수질 측정 지점에서 수집하였다. Fig. 4는 주요 수질 지표인 수온, pH, DO, Chl-a, TN, TP에 대해 빈도 분포를 나타낸 것이다. 히스토그램 검토 결과, Chl-a, TN, TP의 경우 편향적인 분포를 확인하였으며, 이에 Chl-a는 로그 변환, TN는 루트 변환, TP는 1,000배 후 로그 변환을 통해 정규분포화 했다. Fig. 5는 Chl-a, TN, TP에 대한 편향성을 조정한 히스토그램을 나타낸 것이다.

3.2. 일사량 산출

조류(algae) 성장에 주요 요인 판단되는 변수는 일사량이다. 일사량은 태양으로부터 오는 태양복사에너지가 지표에 닿은 양을 말하며 태양 위치(고도)와 구름의 량(운량)에 따라 변화할 것으로 예상된다. 이에 본 연구에서는 “태양 위치 값 생성"과 “구름이 없는 맑은 날(운량 3미만)”의 지표를 통해 일사량과 태양 고도 관계에 대한 일사량 산정 식을 도출하였다. 맑은 날(운량 3미만)의 일사량은 태양 고도 관계 분석을 통해 분석한 결과, 일사량은 태양에너지 수직 성분인 sin(태양 고도)과 뚜렷한 비례관계가 확인되었다(Fig. 6). 태양 고도와 일사량 간의 선형회귀식은 식(1)과 같다.

(1)

Insolation = sin(solar altitude)*3.8703−0.2146

맑은 날(운량 3 미만)을 제외한 흐린 날(운량 3~10)의 경우, 운량의 일사량을 고려하여 일사량과 태양 고도/운량의 관계를 분석하였다. 식 (1)의 회귀식으로 산출한 “맑은 날의 일사량”과 “운량을 고려한 실제 일사량"의 차이를 확인하였으며 운량이 증가함에 따라 일사량은 감소하는 추세를 보였다(Fig. 7). Table 2는 운량에 따른 일사량의 선형회귀계수이다.

3.3. 유량/유속 데이터 분석

3.3.1. 유속/유량의 상관성 분석

남조류 성장 및 분포에 영향을 주는 수체안정도의 지표인 유속 및 유량 데이터를 활용하여 일선교(IS-B), 구미대교(GM-B), 호국의다리(HG-B), 성주대교(SG-B), 성하리(SH)의 5개의 관측 지점에서 유속과 유량의 상관성을 검토하였다. Fig. 8과 Table 3은 관측 지점별 유속과 유량 데이터의 상관성 및 회귀계수를 나타낸 것이다.

3.3.2. 유량 데이터 기반의 지점별 유속 추정치 산출

유속 데이터가 없는 지점의 경우, 유량 데이터를 활용하여 유속 데이터를 산출하였다. 유량 데이터는 녹조 관측 지점을 고려하여 일선교(IS-B), 구미대교(GM-B), 호국의다리(HG-B), 성주대교(SG-B), 고령교(GY-B), 성하리(SH)에서 2012년부터 2022년까지 총 3,896일의 일별 데이터를 수집하였으며 Table 4는 수집된 유량의 기초 통계량을 나타낸 것이다. 관측 지점별 수집된 유량 데이터 분석 결과, 상류에서 하류로 이동하면서 평균적으로 유량이 증가하는 것으로 나타났다.

Fig. 9는 유량 관측 지점 간의 유량의 상관관계를 나타낸 것으로 지역 간 유량에는 강한 양의 상관성이 보였다. 각 그래프는 두 지점 간 유량을 비교한 산점도로, 빨간색 회귀선이 주어진 데이터에 잘 맞으면 두 지점 간 유량이 높은 상관관계를 가지는 것으로 볼 수 있으며, 데이터가 회귀선과 멀리 퍼져 있을수록 상관관계가 낮은 것을 의미한다. 일선교(IS-B)와 구미대교(GM-B) 지점의 경우 산점도가 회귀선 주변에 고르게 분포하여 높은 상관성을 가지는 것으로 나타났다. 반면, 하류 지역인 성주대교(SG-B)와 고령대교(GY-B) 구간의 경우 데이터가 회귀선에서 조금 더 퍼져 있어 상관성에 있어 다른 지점보다 낮은 것으로 나타났다. Table 5는 각 지점 간 회귀 계수와 상수를 나타낸 것이다.

유량데이터를 활용한 유속값 산정은 유속/유량 회귀식을 활용하여 계산하였으며 각 지점별 유속데이터를 구축하였다. Fig. 10(A)는 구미보(GM-W)의 유량데이터를 통해 산출된 유속데이터의 히스토그램을 나타낸 것이다. 히스토그램 검토 결과 우측 꼬리가 긴 편향적인 분포를 확인하였으며, 로그 변환하여 정규성을 확보하였다(Fig. 10(B)).

3.4. 남조류와 수환경데이터의 상관성 분석

전처리한 종속변수인 남조류세포수와 독립(설명)변수를 결합하여 하나의 데이터셋으로 구성하여 상관성 분석을 실시하였다. 데이터셋의 구성 기준은 남조류세포수 관측 데이터의 결합 기준이 7일 간격에서 벗어난 경우, 일자 조정을 통해 균일하게 7일이 되도록 조정하였으며 수질 데이터는 남조류세포수의 관측 일과 차이가 있는 경우, 최 인근 일자 기준으로 조정하여 매핑 하였으며 기상 데이터는 기온, 기압, 풍속 등 수준 척도는 녹조 관측일 직전 1주 평균값으로 산출, 강수량, 일사량 등은 녹조 관측일 직전 1주 누계 값으로 산출하였다. 유량/유속 데이터는 녹조 관측일 직전 1주 평균값으로 산출하여 데이터셋으로 구성하였다.

3.4.1. 남조류와 조류 지표간의 산점도 분석

Fig. 11은 산점도 행렬을 통해 변수들 간의 상관관계에 대한 결과이다. 남조류세포수와 전차의 남조류세포수 변수 간에 강한 양의 상관관계가 보였다. 전차의 남조류세포수가 현재의 남조류세포수에 큰 영향을 미치고 있는 것으로 나타났다. 수온과 남조류세포수 간에는 양의 상관성을 보여 수온이 증가할 수록 남조류세포수가 증가하는 경향을 보였다. DO와 남조류세포수는 음의 상관관계를 보였다. 독립 변수간의 상관성에 있어 pH와 DO는 양의 상관성을 보였으며, 수온과 DO는 음의 관계를 보였다. 수온과 DO의 관계는 수온과 기체 용해도 관계로 규명할 수 있다. 이는 수온은 수층에서 산소의 용해도에 영향을 미치고 수온이 높을수록 산소의 용해도가 낮아지는 것으로 알려져 있다[21].

3.4.2. 남조류와 총질소, 총인, 유량, 유속과의 산점도 분석

Fig. 12는 종속변수인 남조류세포수와 독립변수인 TN, TP, 유량, 유속과의 산점도를 나타낸 것으로 남조류세포수와 TN는 약한 음의 상관성이 있는 것으로 나타났다. 남조류세포수와 TP 두 변수 사이에 약한 양의 상관관계가 나타났다. 일반적으로 TN의 농도 증가는 남조류의 중식에 영향이 있는 것으로 보고되고 있으나 음의 상관관계의 경우 질소 고정 능력을 갖춘 남조류의 특성에 결과로 추측할 수 있다. 캐나다의 자연 호수에서 인과 질소의 첨가에 의한 연구는 담수에서 남조류 증식은 주로 인 농도에 의하여 결정된다고 보고하였다[22]. Schindler는 대부분의 담수호에서 인 농도가 조류의 대량 증식(녹조 발생)에 더욱 중요하게 작용하는 것으로 보고하였다[23]. 그러나 Paer의 연구에서는 부영양호에서 겨울과 봄에 걸쳐 녹조 발생 초기에는 호수의 인 농도가 중요하지만, 여름부터 가을의 녹조 확산 시기에는 질소 농도가 크게 작용하는 것을 확인하였다[24,25]. 남조류 발생 및 증식에 있어 TN과 TP의 농도 변화는 매우 중요한 인자로 알려져 있다. 그러나 각각의 TN과 TP농도가 아닌 TN과 TP 농도에 대한 비율에 따른 화학적 생물학적 반응의 규명 및 계절적인 영향에 대한 상관성 검토가 필요할 것으로 판단된다.

남조류세포수와 유량은 음의 상관관계가 있으며, 유량이 낮을 때 남조류세포수가 높아지는 경향이 확인하였다. 독립 변수간의 상관성에 있어 유속과 유량은 매우 큰 양의 상관성으로 있는 것으로 나타났다. 그러나 상대적으로 남조류세포수와 유속 간에는 뚜렷한 상관관계는 보이지 않았다. 이는 남조류의 발생에 있어 증식의 효과보다는 남조류의 발생 분포 지역의 변화를 일으키는 것으로 판단된다.

3.4.3. 남조류와 기상 데이터의 산점도 분석

남조류세포수는 기압과 음의 상관관계, 기온과 양의 상관관계를 보였다. 강수량이 많은 경우에는 세포수가 크게 감소되었으나, 적은 강수량에서는 그러한 추세가 관찰되지 않았다. 또한 의외로 일사량과 남조류세포수간 뚜렷한 양의 상관성이 나타나지 않았다(Fig. 13).

3.5. 남조류 발생 예측 평가

Table 6은 남조류세포수의 발생에 대한 독립변수와의 선형 회귀모델의 적용 결과를 나타낸 것이다. R²는 0.734로 모델이 변수의 변동성에 약 73.4%의 설명력을 나타내는 것으로 회귀모델이 종속변수인 남조류세포수를 예측하는 데 유의미한 정보를 제공하는 것으로 판단할 수 있다. F-통계량은 386.2로 높고, F-통계량에 대한 유의 확률은 0 수준으로 모델은 유의한 것으로 나타나 전체 모델이 통계적으로 유의함이 나타났다.

각 독립변수의 회귀 계수에 있어 전차의 남조류세포수(log_cells_bf), 수온(water_tp), 풍속(wth_WS) 등의 변수는 양의 상관성을, 강수량(wth-RF)은 음의 상관성을 나타났으며 p값이 0으로 매우 유의적인 변수로 분석되었다. Chl-a(Chl-a_t)와 습도(wth_HM)는 양의 상관성을 보였으나 유의성에 있어 경계에 있는 것으로 나타났다. 대기 온도(wth-AT)는 남조류세포수(log_cells_bf)와 양의 상관성을 나타냈으나 p값이 0.592로 유의하지 않는 변수로 나타났다. 유속(fs-t)과 기압(wth-AP)은 음의 상관성이 있는 것으로 확인 되었다. pH와 TN(wq_TN_t)는 음의 영향을 미치며, p값이 0과 0.022로 유의한 것으로 나타났다. 일반적으로 남조류는 높은 pH 환경에서 더 잘 성장하는 양의 상관성이 있는 것으로 알려져 있다[26]. 그러나 일부 남조류 종의 경우 질소고정 능력을 보유하여 낮은 pH 환경에서도 생존 및 성장이 가능하다. 이러한 종은 높은 pH에서 오히려 성장의 제한이 될 수 있다. pH의 음의 상관성의 결과는 특정 남조류의 내재적 대사 특성의 결과로 예측할 수 있다. 또한 독립변수간의 다중공선성이 존재로 선형 회귀모델의 단순한 선형적 설명이 아닌 pH의 범위의 높고 낮은 레벨에서의 비선형적 관계를 반영하지 못한 결과일 가능성도 고려할 수 있다. 따라서 pH, TN가 남조류 성장에 미치는 영향에 대해 남조류 종의 특성에 대한 해석과 독립변수간의 상관관계를 종합적으로 검토가 필요한 것으로 판단된다.

Durbin-Watson 테스트 결과값이 2.073로 잔차간 자기상관성은 없는(독립성 가정을 만족) 것으로 나타났다. 잔차 분석은 회귀 모델에 의한 오차항과 실제값의 차이인 잔차가 이러한 가정을 만족하는지 검증하는 분석으로 2에 가까울 수록 잔차 간 상관관계가 없음을 의미한다. 일반적인 통계적 분석의 경우 잔차 분석을 통해 모델이 가정하는 독립성, 정규성, 등분산성 등의 이론적 가정에 위배되는지 확인하는 것이 중요하다. 그러나 본 연구는 수치 또는 판별 예측을 통한 예측 정확도를 더 중점을 두었다. 또한 예측 모형으로 사용된 랜덤 포레스트의 경우 비모수(non-parametric) 기법으로, 잔차의 정규성이나 독립성에 대한 가정을 필수적으로 요구하지 않는 특징이 있다. 따라서 잔차 간 자기상관성에 대한 고려는 본 연구에서 상대적으로 중요하게 다루지 않았다.

Fig. 14는 실측값과 예측값의 관계를 산점도로 나타낸 것으로 산점도의 퍼짐 정도는 있으나 전반적으로 추세는 맞게 예측되는 것을 확인하였다.

예측 모델은 선형회귀모델을 기본으로 하고, 랜덤 포레스트의 앙상블 모형을 적용하였다. 랜덤 포레스트는 의사 결정 트리를 사용하는 조합 분류기로 분류 정확도를 향상시키고 과적합 문제에 대해 접근이 가능하다. 남조류 발생 예측 평가는 변수 간 상관관계와 일반적으로 알려진 녹조 성장 요인 변수를 고려하여 직접적인 조류지표 데이터(전차수 남조류 세포수, 수온, pH, Chl-a)와 TN, 유속 데이터 그리고 기상 데이터(기온, 기압, 습도, 풍속, 일사량, 강수량)를 주요 변수로 채택하였다.

Fig. 15는 2019년 이전 데이터로 학습 후, 2020년 이후 데이터에 대하여 선형 회귀 모델과 랜덤 포레스트 앙상블 모형을 통해 관측 지점별 남조류 발생 예측에 대한 시계열 그래프를 나타낸 것으로 예측값이 실측값의 추세에 전반적으로 잘 추종하는 것을 확인할 수 있었다(R², 0.7~0.9). 예측 결과가 실측값과 유사한 지점과 오차 지점이 혼재되어 있지만 랜덤 포레스트 앙상블 모델이 복잡한 데이터 패턴을 잘 포착하는 경향을 보여주고 있다. 예측값이 실측값과 상이성이 나타낸 지점의 경우 남조류 발생이 급격히 증가하거나 감소하는 구간에 대해서는 예측도 떨어지는 경향이 나타났으나 전반적으로 그래프의 예측 성능이 일관되게 유지되므로, 남조류 발생 경향에 대한 신뢰성 있는 예측에 활용할 수 있을 것으로 판단된다.

4. 결 론

본 연구는 조류(algae)의 직접 지표인 남조류의 발생 예측을 위해 낙동강의 경상북도 및 대구광역시 지역의 6개 지점을 대상으로 수질 데이터, 하천환경데이터, 기상 데이터 수집 분석하여 각 요인들의 상관관계를 확인하고 이를 통한 녹조 발생 예측 모델의 활용성에 대해 검증하였다. 본 연구의 결론은 다음과 같다.

1) 상관성 분석에 앞서 데이터의 보정을 실시하여 수집된 데이터의 정규성 확보하였다.

2) 데이터간의 상관성 분석 결과, 전차의 남조류세포수가 현재의 남조류세포수에 큰 영향을 미치고 있는 것으로 나타났다. 수온은 양의 상관성을 보였으며 DO는 음의 상관관계를 보였다. 남조류세포수와 독립변수인 pH, TN, 유량, 유속과의 상관성은 음의 상관성이 있는 것으로 나타났다. 기상데이터의 경우 기압과는 음의 상관관계, 기온과는 양의 상관관계를 보였다. 또한 강수량이 많은 경우에는 세포수가 크게 감소되었으나, 적은 강수량에서는 그러한 추세가 뚜렷하게 관찰되지 않았다.

3) 남조류와 음의 상관성을 보인 pH와 TN은 특정 남조류 종의 발생 특성과 독립 변수간의 화학적 생물학적 상호작용 등 다양한 요인에 의해 설명될 수 있다. 이러한 결과를 검증하기 위해 독립 변수들 간의 다중공선성으로 인한 비선형적 관계를 고려한 추가적인 연구와 분석이 필요할 것으로 판단된다.

4) 선형회귀모델의 적용 결과, R² 값이 0.734로 모델이 변수의 변동성에 대해 비교적 높은 설명력으로 종속 변수 남조류세포수를 예측하는 데 유의미성을 확인하였다. 또한 선형 회귀 모델과 랜덤 포레스트 모형을 통해 남조류 발생에 대해 전반적인 추세를 잘 추종하는 것을 확인할 수 있어 남조류 발생 경향에 대한 신뢰성 있는 예측에 활용할 수 있을 것으로 판단된다.

5) 본 연구는 남조류와 수질, 수문학적 데이터 및 기상 데이터와의 상관성 분석 및 예측 평가를 통해 하천 생태계에서 녹조 발생의 동적인 상호작용을 제시하였다. 이를 통해 하천 수질 관리의 효과성을 높이고 의사결정을 사전에 지원하는 데 중요한 역할을 할 것으로 기대된다.

Acknowledgments

본 연구는 한국건설기술연구원 연구개발적립금사업(학연협력사업)의 연구비지원에 의해 수행되었습니다. (24적립금-자체-학연) 인공습지의 이산화탄소 흡수기능 규명 및 강화, 20240398-001).

Notes

Declaration of Competing Interest

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

Fig. 1.

Location of the study watershed in the Nakdong River.

Fig. 2.

Frequency distribution of cyanobacteria by observation point.

Fig. 3.

Normal distribution of cyanobacteria at Gumi-Weir [GM-W].

Fig. 4.

Frequency distribution chart of water quality parameters.

Fig. 5.

Adjustment of frequency distribution skewness (Chl-a, TN, TP).

Fig. 6.

Relationship between solar altitude and insolation (with fewer than 3 clouds).

Fig. 7.

Relationship between insolation on sunny days and overcast days.

Fig. 8.

Correlation analysis between flow rate and flow quantity by observation point.

Fig. 9.

Regression analysis of flow quantity by observation point.

Fig. 10.

Histogram of flow quantity and flow rate of Gumi-Weir (GM-W).

Fig. 11.

Scatterplot analysis between cyanobacteria and algae indicator data.

Fig. 12.

Scatterplot analysis of cyanobacteria with TN, TP, flow quality, and flow rate.

Fig. 13.

Scatterplot analysis between cyanobacteria and meteorological data.

Fig. 14.

Actual vs. Predicted scatter plot.

Fig. 15.

Prediction results of cyanobacteria occurrence at each observation point using linear regression and random forest.

Table 1.

Overview of cyanobacteria observed in the study area. (Unit: ea.)

Item	GM-W	HP	CG-W	GG	GG-W	DS-B
Number	472	202	492	240	437	572
Average	2,475	692	2,951	2,562	5,274	10,668
Standard deviation	6,706	2,353	8,961	7,019	16,938	33,089
Minimum	0	0	0	0	0	0
Q1	0	0	0	0	0	0
median	182	110	186	199	267	330
Q3	1,031	382	1,588	1,769	2,622	5,106
Maximum	59,680	24,742	112,735	51,555	187,935	495,360

GM-W: Gumi-Weir, HP: Haepyeong, CG-W: Chilgok-Weir, GG: Gangjeong Goryeong, GG-W: Gangjeong Goryeong-Weir, DS-W: Dalseong-Weir

Table 2.

Linear regression coefficients of insolation based on cloud cover.

Cloud	3	4	5	6	7	8	9	10
Weight	0.969	0.925	0.892	0.846	0.801	0.685	0.532	0.266
Constant term	-0.078	-0.067	-0.075	-0.092	-0.137	-0.124	-0.112	-0.049

Table 3.

Regression coefficients for flow rate and flow quantity by observation point.

	GM-B	IS-B	HG-B	SG-B	SH
Weight	0.000409	0.000356	0.000587	0.000296	0.000523
Constant term	0.002897	0.002638	0.004157	0.001679	0.014069

Table 4.

Summary of flow quantity data by observation point.

Item	IS-B	GM-B	HG-B	SG-B	GY-B^*	SH
Missing Value	953	497	319	436	242	817
Average	135.0	134.3	146.9	162.7	186.5	190.6
Standard Deviation	296.2	257.0	345.2	332.7	418.0	451.7
Minimum	0.0	-17.7	0.0	-294.8	-36.5	0.0
Q1	52.6	49.2	50.4	66.1	59.2	54.8
Median	71.4	72.2	70.9	83.8	89.5	85.2
Q3	114.3	118.9	116.7	131.8	156.0	149.6
Maximum	4,677.6	3,661.3	5,726.8	5,574.8	7,432.4	7,605.9

^* GY-B: Goryeong Bridge

Table 5.

Regression coefficients of flow quantity by observation point.

Target Variable	Item	Explanatory Variable
Target Variable	Item	IS-B	GM-B	HG-Be	SG-B	GY-B	SH
IS-B	Weight		0.808	0.681	0.785	0.579	0.581
IS-B	Constant Term		13.511	28.877	10.460	23.438	18.597
GM-B	Weight	1.202		0.846	0.968	0.728	0.702
GM-B	Constant Term	-11.883		17.616	-5.061	7.620	9.553
HG-Be	Weight	1.368	1.165		1.108	0.803	0.840
HG-Be	Constant Term	-28.215	-18.247		-22.103	-0.838	-11.056
SG-B	Weight	1.213	1.017	0.874		0.712	0.741
SG-B	Constant Term	-5.061	7.635	24.644		19.133	11.892
GY-B	Weight	1.584	1.327	1.170	1.344		1.013
GY-B	Constant Term	-20.229	-3.108	13.494	-17.092		-6.554
SH	Weight	1.590	1.364	1.132	1.290	0.980
SH	Constant Term	-14.006	-4.340	22.619	-5.820	7.856

GM-B: Gumi-Bridge, IS-B: Ilseon-Bridge, HG-B: Hogook-Bridge, SG-B: Seongju-Bridge, GY-B: Goryeong Bridge, SH: Seongha-ri

Table 6.

Results of linear regression model application.

Dep. Variable	Cyanobacteria (log_cells)		R-Squared :
Method	Least Squares		Adj. R-Squared :			0.733
			F-statistic			386.2
			Prob (F-statistic) :			0.00
No. observation :		1,689	Log-Likelihood :			-2007.3
Df Residuals :		1,676	AIC :			4,041.
Df Model:		12	BIC :			4,111.
	Coef	std err	t	P > l t l	[0.025	0.975]
const	13.8197	6.885	2.007	0.045	0.315	27.325
log_cells_bf	0.5941	0.019	31.588	0.000	0.557	0.631
water_tp	0.0487	0.009	5.678	0.000	0.032	0.065
pH	-0.1902	0.046	-4.164	0.000	-0.280	-0.101
Chl-a_t	0.1405	0.078	1.792	0.073	-0.013	0.294
wq_TN_t	-0.2366	0.103	-2.287	0.022	-0.440	-0.034
fs-t	-0.1160	0.089	-1.308	0.191	-0.290	0.058
wth-AT	0.0054	0.010	0.536	0.592	-0.014	0.025
wth-AP	-0.0123	0.007	-1.843	0.065	-0.025	0.001
wth-HM	0.0053	0.003	1.901	0.057	0.000	0.011
wth-WS	0.1288	0.039	3.286	0.001	0.052	0.206
wth-IS	4.773e-05	0.001	0.042	0.966	-0.002	0.002
wth-RF	-0.0058	0.001	-7.812	0.000	-0.007	-0.004
Omnibus :		490.10	Durbin-Watson :			2.073
Prob (Omnibus) :		0.000	Jarque-Bera (JB) :			87.213
Skew :		-0.224	Prob (JB)			1.15e-19
Kurtosis :		4.020	Cond. No.			3.61e+05

water_ tp: Water temperature, wth-AT: Atmospheric Temperature, wth-AP: Atmospheric Pressure wth-HM: Humidity, wth-WS: Wind Speed, wth-IS: Insolation, wth-RF: Rainfall

References

1. C. Y. Ahn, C. S. Lee, J. W. Choi1, S.h.. Lee1, H. M. Oh, Global Occurrence of Harmful Cyanobacterial Blooms and N, P-limitation Strategy for Bloom Control, Korean journal of environmental biology., 33(1), 1-6(2015).

2. Y. H. Jeon, D. H. Kim, K. H. Oh, Y. C. Cho, Status and Causes of Cyanobacterial Blooming in the Downstream of Jecheon Stream, KJEE., 55(2), 111-119(2022).

3. R. Dai, P. Wang, P. Jia, Y. Zhang, X.. Chu, Y. Wang, A review on factors affecting microcystins production by algae in aquatic environments, World Journal of Microbiology and Biotechnology., 32(3), 1-7(2016).

4. S. J. Kim, S. W. Chung, H. S. Park, Y. C. Cho, H. S. Lee, Y. J. Park, Analysis of environmental factors associated with cyanobacteria dominance in Baekje Weir and Juksan Weir, Journal of Korean Society on Water Environment., 35, 257-270(2019).

5. M. J. Kim, Development of highly sensitive real-time PCR technology for fast and easy monitoring of microcystin K-water(2018).

6. C. Y. Ahn, Prospect and roles of molecular ecogenetic techniques in the ecophysiological study of cyanobacteria, Korean Journal of Environment and Ecology., 51, 16-28(2018).

7. B.G. Kotak, A. K. Y. Lam, E. E. Prepas, S.E. Hrudey, Role of chemical and physical variables in regulating microcystin-LR concentration in phytoplankton of eutrophic lakes, Canadian Journal of Fisheries and Aquatic Sciences., 57, 1584-1593(2000).

8. D. M. Orihel, D.F. Bird, M. Brylinsky, H. Chen, D. B. Donald, D. Y. Huang, A. Giani, D. Kinniburgh, H. Kling, B. G. Kotak, P. R. Leavitt, C. C. Nielsen, S. Reedyk, R. C. Rooney, S. B. Watson, R. W. Zurawell, R. D. Vinebrooke, High microcystin concentrations occur only at low nitrogen to phosphorus ratios in nutrient-rich Canadian lakes, Canadian Journal of Fisheries and Aquatic Sciences., 69(9), 1457-1462(2012).

9. S. E. Newell, T. W. Davis, T. H. Johengen, D. Gossiaux, A. Burtner, D. Palladino, M. J. McCarthy, Reduced forms of nitrogen are a driver of non-nitrogen-fixing harmful cyano bacterial blooms and toxicity in Lake Erie, Harmful Algae., 81, 86-93(2019).

10. M. Chang, S. Teurlincx, J. H. Janse, H. W. Paerl, W. M.. Mooij, A. B. Janssen, Exploring how cyanobacterial traits affect nutrient loading thresholds in Shallow Lakes: a modelling approach, Water., 12, 2467(2020).

11. D. W. Schindler, R. E. Hecky, D. L. Findlay, M. P. Stainton, B. R. Parker, M. J. Paterson, K. G. Beaty, M. Lyng, S. E. M. Kasian, Eutrophication of lakes cannot be controlled by reducing nitrogen input: results of a 37-year whole-eco system experiment, Proceedings of the National Academy of Sciences., 105, 11254-11258(2008).

12. K. H. Oh, Y. J. Kim, Y. C. Cho, Effects of Sediments on the Growth of Algae at Chusori Area in Daechung Reservoir, Journal of Korean Society on Water Environment., 31(5), 533-542(2015).

13. J. Ma, P. Wang, Effects of rising atmospheric CO₂ levels on physiological response of cyanobacteria and cyanobacterial bloom development(A review), Science of The Total Environment., 754, 141889(2021).

14. B. W. Webb, D. M. Hannah, R. D. Moore, L. E. Brown, F. Nobilis, Recent advances in stream and river temperature research, Hydrological Processes., 22, 902-918(2008).

15. J. H. Ahn, D. H. Han, Projected Climate Change Impact on Surface Water Temperature in Korea, Journal of Korean Society on Water Quality., 26(1), 133-139(2010).

16. M. KeRdra, L. Wiejaczka, Disturbance of water-air temperature synchronisation by dam reservoirs, Water and Environment Journal., 30(1-2), 34-39(2016).

17. Y. Liu, H. Wu, Water bloom warning model based on random forest, Journal of information and communication Engineering., 3(5), 178-182(2017).

18. Ministry of Environment, Water Environment Information system(https://water.nier.go.kr/),

19. Korea Meteorological Administration, KMA Weather Data Service (https://data.kma.go.kr/)

20. Ministry of Environment, Water Resourced Management Information System (http://www.wamis.go.kr/)

21. E. S. Song, K. A. Cho1, Y. S. Shin, Exploring the Dynamics of Dissolved Oxygen and Vertical Density Structure of Water Column in the Youngsan Lake, Journal of Environmental Science International., 24(2), 163-174(2015).

22. D. W. Schindler, Eutrophication and recovery in experimental lakes: Implications for lake management, Science., 184(4139), 897-899(1974).

23. D. W. Schindler, Evolution of phosphorus limitation in lakes, Science., 195(4275), 260-262(1977).

24. H. W. Paerl, N. S. Hall, S. Calandrino, Controlling harmful cyanobacterial blooms in a world experiencing anthropogenic and climatic induced change, Science of the Total Environment., 409(10), 1739-1745(2011).

25. H. Paerl, W. Gardner, M. J. McCarthy, B. L. Paerl, S. Wilhelm, Algal blooms: Noteworthy nitrogen, Science., 346(6206), 175(2014).

26. S. C. Agrawal, V. Singh, Vegetative Survival, Akinete Formation in Three Blue Green Algae and One Green Algae in Relation to Light Intensity, Temperature, Heat Shock and UV Expore, Folia Microbiolo., 45(5), 439-446(2000).