강은 일반적으로 상류에서 하류로 이어지는 공간적 연결성을 보이며, 유역 전반에 걸쳐 다양한 이질적 모니터링 시스템이 동시에 가동된다. 그래프 신경망(GNN)은 공간적 연결성을 모형화하는 데 유망함이 입증되었으나, 모든 노드에서 공통적으로 사용할 수 있는 특성에 의존한다는 한계가 있다. 모니터링 시스템의 다양성이 증가할수록 측정 변수의 중복이 감소하여 활용 가능한 입력 특성이 줄어들고, 그에 따라 모델의 적용 범위가 제한된다. 이러한 문제를 해결하기 위해, 본 연구는 공간적으로 연결된 모니터링 지점들로부터 다중 출처 데이터를 통합하여 일일 총유기탄소(TOC) 농도를 예측하는 가중치 기반 통합 장단기 메모리(LSTM) 기반 하천 네트워크 모형을 제안한다. 하천 네트워크는 상류, 중류, 하류 구간으로 나누며, 각 입력은 독립적으로 처리된 뒤 통합된 표현으로 병합된다. 구간 모형은 방향성 있는 유량을 나타내기 위해 연속적으로 연결된다. 각 지점의 상대적 기여도를 정량화하고 공간적 해석 가능성을 향상시키기 위해 학습 가능한 스칼라 가중치를 포함한다. 이 모형은 대한민국에서 서울 수도권을 관류하는 한강의 한 구간에 적용하였다. 모델은 0.055–0.518 범위의 평균절대오차, 0.075–0.784 범위의 제곱근평균제곱오차, 0.424–0.721 범위의 결정계수(R 2)로 나타나는 높은 예측 성능을 보였다. 지점별 기여도를 이용한 시나리오 분석을 수행하여 오염 저감 시나리오 하에서 TOC 농도의 변화를 평가하였다. 본 하천 네트워크 모형화 프레임워크는 다양한 응용 분야에 적응 가능하며, 유역 규모의 수질 예측 및 관리에 실용적인 유용성을 제공한다. • 연결된 하천 계에서 TOC 예측을 위한 하천 네트워크 모형을 제안하였다. • 이 모형은 다중 출처 데이터를 통합하기 위해 가중치 기반 통합 LSTM 구조를 채택하였다. • 이 모형은 TOC 예측에서 최대 R 2 값 0.721을 달성하였다. • 특성-유연한 설계가 지점 간 이질적 입력을 효과적으로 수용하였다. • 지점별 오염 기여도를 정량적으로 평가하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.