KR102119276B1 - 유해 조류 예측 장치 및 방법 - Google Patents

유해 조류 예측 장치 및 방법 Download PDF

Info

Publication number
KR102119276B1
KR102119276B1 KR1020190101498A KR20190101498A KR102119276B1 KR 102119276 B1 KR102119276 B1 KR 102119276B1 KR 1020190101498 A KR1020190101498 A KR 1020190101498A KR 20190101498 A KR20190101498 A KR 20190101498A KR 102119276 B1 KR102119276 B1 KR 102119276B1
Authority
KR
South Korea
Prior art keywords
codon
unit
information
water quality
algae
Prior art date
Application number
KR1020190101498A
Other languages
English (en)
Inventor
민중혁
안정민
신창민
김병익
박란주
최환규
전지혜
강미리
김다래
나은혜
강태구
이재관
Original Assignee
대한민국
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국 filed Critical 대한민국
Priority to KR1020190101498A priority Critical patent/KR102119276B1/ko
Application granted granted Critical
Publication of KR102119276B1 publication Critical patent/KR102119276B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1826—Organic contamination in water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Food Science & Technology (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 기술은 조류 예측 장치에 관한 것이다. 본 기술의 조류 예측 장치는 소정의 지역에 대해 기간에 따른 코돈별 점유율을 데이터베이스화하여 저장하는 저장부; 상기 소정의 지역 중 하나 이상의 지점에서 관측된 수질자료를 입력받는 입력부; 상기 수질자료 중 클로로필-a 값을 상기 기간에 따른 코돈별 점유율에 매칭하여 상기 관측 시점에서의 코돈별 탄소량으로 변환하는 변환부; 및 상기 코돈별 탄소량에 기초하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 모델링부를 포함한다.

Description

유해 조류 예측 장치 및 방법{Device and method for predicting harmful algal bloom}
본 발명은 조류 예측 장치 및 방법에 관한 것으로, 보다 구체적으로는 식물플랑크톤 기능별 그룹(코돈) 분류 방식의 조류 예측 장치 및 방법에 관한 것이다.
녹조가 환경 문제로 크게 부각되고 있다.
녹조는 부영양화된 호수 또는 유속이 느린 하천의 물빛이 녹색이 되는 현상으로서, 녹조의 원인이 되는 식물플랑크톤(조류)의 종류는 다양하다. 이러한 조류는 전통적인 분류학 관점에서 녹조류, 규조류, 남조류 등으로 구분된다.
그 중 남조류에는 부산물로 독성물질을 생산하는 유해남조류가 있는데, 녹조가 가장 문제가 되는 부분도 이러한 유해남조류가 생산하는 독소에 기인한다.
따라서 수질관리 측면에서 조류 중 특히 유해남조류를 예측할 필요성이 있는데, 기존에는 유해남조류를 다른 조류들과 구분하여 예측하는 것이 어려웠다.
구체적으로 설명하면, 기존 조류 예측은 광합성 색소를 나타내는 지표인 클로로필-a 농도를 모의 대상으로 수행한다. 모든 조류 종(種)이 광합성을 하므로 측정된 클로로필-a 농도를 활용하여 조류의 변화를 정량적으로 모의하는 것이다.
그러나, 이러한 모의 방식은 특징적인 조류 그룹들을 개별적으로 구분하지 못하고, 하나의 값이 총 조류 농도를 의미하기 때문에 유해남조류 모의에 한계가 있다. 특히, 규조류와 남조류가 서로 같은 개체수가 있다고 가정할 경우, 규조류는 단위 세포당 부피가 크기 때문에 규조류의 클로로필-a 값이 더 크게 나타나고, 남조류의 경우 단위 세포당 부피가 상대적으로 작아서 클로로필-a 농도가 더 작게 나타나므로, 이들이 혼합되어 있는 경우, 클로로필-a 농도만을 이용하여 유해남조류의 성장과 소멸 과정을 효과적으로 모의할 수 없다. 따라서 실측된 개체수 자료로부터 단위 세포의 부피를 고려하여 탄소량으로 전환한 뒤, 적절한 그룹(코돈)으로 나누어 개별적으로 모의하는 과정이 추가되어야 한다.
본 발명의 발명자는 전체 조류 농도뿐만 아니라 유해남조류를 동시에 예측할 수 있는 시스템을 개발하기 위해 오랫동안 연구하고 시행착오를 거친 끝에 본 발명을 완성하기에 이르렀다.
본 발명의 실시예는 형태학적 및 생리생태학적으로 유사한 특성을 가진 식물플랑크톤을 기능별로 그룹화하고 이를 기반으로 조류를 예측할 수 있는 장치 및 방법을 제공한다. 특히 Microcystis spp.와 Aphanizomenon spp.와 같은 유해남조류들을 개별 그룹으로 세분화하여 각각 예측할 수 있다.
한편, 앞서 명시되지 않은 본 발명의 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.
본 발명의 실시예에 따른 조류 예측 장치는 소정의 지역에 대해 기간에 따른 코돈별 점유율을 데이터베이스화하여 저장하는 저장부; 상기 소정의 지역 중 하나 이상의 지점에서 관측된 수질자료를 입력받는 입력부; 상기 수질자료 중 클로로필-a 값을 상기 기간에 따른 코돈별 점유율에 매칭하여 상기 관측 시점에서의 코돈별 탄소량으로 변환하는 변환부; 및 상기 코돈별 탄소량에 기초하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 모델링부를 포함할 수 있다.
상기 저장부는 일정 기간동안 상기 소정의 지역에서 관측된 조류 종에 관한 제1 정보, 상기 관측된 조류 종을 상기 코돈별로 그룹화한 제2 정보 및 상기 제1 및 제2 정보를 이용해 기간에 따른 상기 코돈별 점유율로 산출한 제3 정보에 기초하여 상기 DB를 구축할 수 있다.
상기 입력부는 상기 소정의 지역에서 관측 기간동안 측정된 수질 항목별(수온, DO, BOD, COD, TOC, TN, DTN, NO3-N, NH3-N, TP, DTP, PO4-P, 클로로필-a 등) 농도를 1차적으로 입력하게 한다. 이를 기반으로 다양한 매개변수를 활용하여 3차원 수치모델의 상태변수(RPOC, LPOC, DOC, RPOP, LPOP, DOP, RPON, LPON, DON 등)로 전환되어 조류 예측에 필요한 환경 요인에 대한 입력자료 구성이 완료된다.
상기 변환부는 조류 상태변수 값을 구성하는 단계이다. 상기 수질측정자료 중 클로로필-a 농도에 대하여 동 기간의 코돈별 점유율을 활용하여 코돈별 탄소량으로 변환한다. 이 과정에서 코돈별 조류 개체수(탄소량)와 클로로필-a 농도의 상관식이 활용된다.
상기 모델링부는 저장부, 입력부 및 변환부를 거쳐 구성된 수질 및 조류 경계조건 자료들을 이용하여 상기 소정의 지역 전체에 대한 코돈별 3차원 조류예측모델링을 수행하게 한다.
또한 본 발명의 실시예에 따른 조류 예측 방법은 소정의 지역에 대해 기간에 따른 코돈별 점유율을 데이터베이스화하여 저장하는 단계; 상기 소정의 지역 중 하나 이상의 지점에서 관측된 수질자료를 입력받는 단계; 상기 수질자료 중 클로로필-a 값을 상기 기간에 따른 코돈별 점유율에 매칭하여 상기 관측 시점에서의 코돈별 탄소량으로 변환하는 단계; 및 상기 코돈별 탄소량에 기초하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 단계를 포함할 수 있다.
본 기술은 조류를 코돈별로 그룹화 하여 세부 군집별로 조류를 예측할 수 있고, 특히 유해남조류를 별도로 예측할 수 있는 조류 예측 장치 및 방법을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 조류 예측 장치의 상세한 구성을 도시하는 도면이다.
도 2는 본 발명의 실시예에 따른 조류 예측 방법을 시간의 흐름에 따라 도시한 순서도이다.
도 3은 본 발명의 실시예에 따른 조류 예측 장치에서 사용하는 조류 종별 코돈 그룹과 특징들을 도시하는 도면이다.
도 4는 본 발명의 실시예에 따라, 3차원 수치모델링을 위해 3개의 지점에서 측정된 점 데이터가 활용되고, 소정의 지역을 모식화한 전체 격자에 대해서 공간 데이터가 도출됨을 개략적으로 도시하는 도면이다.
도 5a 내지 도 5i는 본 발명의 실시예에 따른 모델링부에 의해 생성된 9개의 코돈 각각에 대한 3차원 수치모델링의 결과물을 도시하는 도면이다.
도 6은 본 발명의 다른 실시예에 따른 조류 예측 장치의 상세한 구성을 도시하는 도면이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
이하에서는, 본 발명의 가장 바람직한 실시예가 설명된다. 도면에 있어서, 두께와 간격은 설명의 편의를 위하여 표현된 것이며, 실제 물리적 두께에 비해 과장되어 도시될 수 있다. 본 발명을 설명함에 있어서, 본 발명의 요지와 무관한 공지의 구성은 생략될 수 있다. 각 도면의 구성요소들에 참조 번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다.
도 1은 본 발명의 실시예에 따른 조류 예측 장치의 상세한 구성을 도시하는 도면이다.
도 2는 본 발명의 실시예에 따른 조류 예측 방법을 시간의 흐름에 따라 도시한 순서도이다.
그리고, 도 3은 본 발명의 실시예에 따른 조류 예측 장치에서 사용하는 조류 종별 코돈 그룹과 특징들을 도시하는 도면이다.
먼저, 도 1 및 도 2에 도시된 바와 같이, 조류 예측 장치(100)는 저장부(110), 입력부(120), 변환부(130) 및 모델링부(140)를 포함하고, 조류 예측 방법은 저장하는 단계(S110), 입력받는 단계(S120), 변환하는 단계(S130) 및 모델링하는 단계(S140)를 포함한다.
저장부(110)는 소정의 지역에 대해 기간에 따른 코돈별 점유율을 데이터베이스화하여 저장한다(S110).
입력부(120)는 소정의 지역 중 어느 한 지점에서 관측된 수질자료를 입력받는다(S120).
변환부(130)는 단계(S120)에서 얻은 수질자료 중 클로로필-a 값을 저장부(110)에 저장되어 있는 코돈별 점유율에 매칭하여 코돈별 탄소량으로 변환한다(S130).
그리고, 모델링부(140)는 단계(S130)에서 얻은 코돈별 탄소량을 이용하여 소정의 지역 전체에 대한 3차원 수치모델링을 수행한다(S140).
본 발명의 실시예에 따른 조류 예측 장치는 상기한 저장부, 입력부, 변환부 및 모델링부를 통해 조류를 예측하되, 특히 관심이 있는 특정 조류, 예를 들어, 유해남조류 농도를 예측할 수 있도록 한다.
이를 위해 조류 예측 장치(100)는 도 3에 도시된 바와 같은 코돈(Codon)이라는 개념을 도입한다. 코돈은 군집을 의미한다.
코돈은 형태학적, 생리·생태학적으로 유사한 특성(수온, 일사량, 영양염류 농도, 물 흐름 특성 등)을 가진 조류 종들을 모아놓은 군집을 의미한다. 동일한 코돈으로 분류된 조류 종들은 주요 서식처(Habitat) 또는 출현 환경이 유사하고, 외부 환경 변화에 대한 저항성(Tolerance)과 민감성(Sensitivity)이 비슷한 특징을 갖는다.
하나의 코돈을 대표하는 특정 유해남조류의 경우, 해당 코돈별 예측값은 바로 특정 유해남조류의 개체수 또는 탄소량을 의미하므로 다른 조류들과 함께 유해남조류도 모의할 수 있다.
도 3은 국내 4대강 본류에서 가장 많이 출현하는 9가지 코돈별 서식처, 저항성, 민감성 및 대표 종에 대한 요약이다. 이는 식물플랑크톤 기능별 그룹에 대한 이론적 기반을 제공한 Reynolds et al. (2002)에 제시된 내용으로, 맨 좌측 컬럼에 코돈 그룹이 표기되고, 맨 우측 컬럼에 대표적인 조류 종이 표기된다. 가운데에 순서대로 서식처와 저항성 및 민감성이 표기된다. 또한 규조류가 (규)로 표기되고, 편모조류가 (편)으로, 녹조류가 (녹)으로, 그리고, 남조류가 (남)으로 표기되고 있다.
도 3에 도시된 바와 같이, 독성물질을 생성하는 남조류인 Microcystis spp.가 코돈 M으로 분류된다. 규조류인 Stephanodiscus spp.와 Synedra spp.가 코돈 D로 분류된다. 편모조류인 Cryptomonas spp.와 Rhodomonas spp.가 코돈 X2로 분류된다. 다른 조류 종들에 대해서도 도시된 바와 같은 코돈별 분류가 가능하다.
코돈은 식물플랑크톤 기능별 그룹(PFG, phytoplankton functional group)에 관한 선행연구(Reynolds et al. (2002); Padisak et al. (2009) 등)에서 미리 보고된 개념에 해당 하지만, 본 발명의 실시예에 따른 조류 예측 장치는 그 중 국내 대하천 본류 구간에서 가장 많이 출현한 9개의 코돈을 활용한다.
본 발명의 실시예에서 활용하는 9개의 코돈은, 선행연구에서 보고된 39개의 코돈 그룹별 탄소량을 계산하고 상대 점유도 순으로 정렬하여 전체 출현 종의 누적 탄소량이 95% 이상을 차지하는 코돈 그룹들을 4대강 17개 지점별로 각각 선택하고, 이렇게 선택된 코돈들의 평균값을 다시 정렬하여 4대강 평균 누적 탄소량이 전체의 95% 이상이 되도록 하는 코돈들이다. 이들 계산을 위해, 국내 대하천 본류 구간 주요 지점들에서 4대강 보 대표지점 표층과 지류 유입말단부 지점에서 조류 종별 세포수 자료가 분석될 수 있다. 단위세포 당 생부피(biovolume) 값을 이용하여 조류 종별 세포수 전체 체적을 구하고 이를 다시 전체 탄소량으로 변환할 수 있다. 단위세포 당 생부피 값은 연간 하절기 본류 및 지류에서 관측된 160여 조류 종별 세포들의 길이, 폭, 두께 등을 측정하여 평균적으로 산정된 값이 활용될 수 있다. 단위세포 당 생부피 값이 없는 조류 종(種)들에 대해서는 조류 속(屬)별 중앙값을 사용하고 일부 조류 속(屬) 전체가 없는 경우에는 해당 조류가 속한 강(綱)의 중앙값을 부여할 수 있다. 생부피와 탄소량 간의 변환은 선행연구에서 제시된 방법이 이용될 수 있다.
따라서, 측정된 수질자료 중 클로로필-a의 농도로부터 코돈 M이 차지하는 점유율을 적용하여 변환된 코돈 M의 탄소량을 입력하여 모델링을 수행하면, 독성물질을 생성하는 유해남조류인 Microcystis spp.의 개체수를 예측할 수 있다.
이하 저장부, 입력부, 변환부 및 모델링부의 동작을 보다 상세히 살펴본다.
본 발명의 실시예에 따른 저장부(110)는 소정의 지역에 대해 기간에 따른 코돈별 점유율을 DB화하여 저장한다.
소정의 지역은 조류 예측의 대상이 되는 하천, 호수 등일 수 있다. 담수인지 염수인지에 한정되지 않는다. 본 발명에서는 국내 4대강 본류 중 한 곳의 예를 중심으로 살펴본다.
이를 위해, 저장부(110)는 일정 기간동안 해당 지역에서 관측된 조류종에 관한 제1 정보를 입력받는다. 제1 정보는 조류종 정보 및 조류종별 생부피 정보 중 하나 이상을 포함할 수 있다.
또한 저장부(110)는 관측된 조류종을 코돈별로 그룹화한 제2 정보를 입력받는다. 제2 정보는 조류종별 코돈 정보를 포함할 수 있다.
또한 저장부(110)는 제1 정보와 제2 정보를 이용해 기간에 따른 코돈별 점유율을 산출한 제3 정보를 입력받을 수 있다. 제3 정보는 코돈별 비율 정보를 포함할 수 있다.
본 발명에서는 제2 내지 제3 정보를 저장부가 외부로부터 입력받아 처리하는 것으로 설명하나, 본 발명이 이에 한정되지 않으며, 다른 실시예에 따르면 입력부는 제1 정보만 입력받고 나머지 제2 및 제3 정보는 저장부 자체적으로 생성할 수도 있다. 저장부에 그룹화를 위한 그룹화부(미도시), 점유율 산출을 위한 산출부(미도시)가 포함된 경우를 생각하면 된다.
본 발명의 실시예에 따르면, 저장부는 조류 예측의 대상이 되는 수계의 본류 및 지류별로 관측한 조류종별로 프로파일링(profiling)을 통해 개체수와 생부피를 측정하고 코돈별로 그룹화하여 월별 코돈별 점유율을 DB화하여 저장할 수 있다.
아래의 표들은 본 발명의 실시예에 따른 저장부에 의해 데이터베이스화되어 저장된 월별 코돈별 점유율의 일례를 각각 나타낸다.
A지점 1월 2월 3월 4월 5월 6월 7월 8월 9월 10월 11월 12월
Codon M 0.0% 0.0% 0.0% 0.0% 0.0% 0.3% 6.5% 4.1% 0.9% 0.2% 0.2% 0.0%
Codon H1 0.0% 0.0% 0.0% 0.1% 9.7% 2.1% 3.4% 5.5% 2.3% 0.4% 0.0% 0.0%
Codon P 1.8% 0.3% 1.1% 1.6% 13.6% 22.8% 15.1% 1.7% 3.2% 7.2% 8.9% 9.4%
Codon D 61.5% 96.1% 84.7% 36.9% 4.4% 22.7% 4.2% 0.4% 0.5% 4.8% 52.5% 52.9%
Codon G 0.0% 0.0% 0.0% 0.1% 0.2% 2.1% 7.3% 2.7% 3.3% 3.6% 0.0% 0.0%
Codon X2 12.8% 1.9% 5.9% 7.8% 5.4% 6.5% 19.9% 10.2% 3.6% 5.9% 2.4% 3.6%
Codon J 0.2% 0.0% 0.2% 0.6% 10.3% 7.1% 1.0% 5.9% 1.3% 4.0% 0.1% 0.0%
Codon LO 4.0% 0.4% 0.1% 8.1% 1.7% 5.1% 5.7% 25.1% 12.5% 13.0% 2.3% 0.0%
Codon C 19.7% 1.4% 8.0% 45.0% 54.7% 31.3% 36.9% 44.5% 72.3% 60.9% 33.7% 34.1%
상기 표 1에서는 A지점에 대해 월별 코돈별 점유율이 DB화되어 저장된 실시예가 보여진다. 각 수치는 반올림된 자료로서 기간별 100%를 만족한다. 9개의 코돈들에 대한 점유율의 합이기 때문이다. 본 발명이 상기 표에 한정되지 않고 다른 수계의 지점들에 대해서도 월별 코돈별 점유율을 DB화하여 저장할 수 있음은 물론이다.
저장부에 DB화되어 저장되는 자료들의 형태는 상기 표 1처럼 해당 지역에 대해 월별 코돈별 점유율을 나타내는 테이블 형태인 것이 후술하는 변환부의 매칭 동작을 위해 바람직하다.
본 발명의 실시예에 따른 입력부(120)는 소정의 지역 중 하나 이상의 지점에서 관측된 수질자료를 입력받는다.
예를 들어, 낙동강 수계 중에서 상주보 상류 구간내 어느 한 지점에서 관측된 수질자료를 입력 받을 수 있다. 한 지점뿐만 아니라 2개 이상의 지점들에서 관측이 이루어질 수 있고, 각각에서 관측된 수질자료도 입력받을 수도 있다. 후술하는 바와 같이, 3차원 수치모델의 예측 정확도를 향상하기 위해서는 가능한 많은 수질관측 자료들이 입력되는 것이 바람직하다.
관측된 수질자료는 해당 지점에서의 T-N (mg/L), NO3-N (mg/L), NH3-N (mg/L), T-P (mg/L), 수온 (℃), DTN (mg/L), DTP (mg/L), PO4-P, (mg/L) 클로로필-a (mg/m3), BOD (mg/L), COD (mg/L), DO (mg/L), TOC (mg/L) 중 적어도 하나를 포함할 수 있다.
이러한 수질자료는 외부 측정 시스템(미도시)에 의해 측정되어 입력부로 제공되는 방식으로 입력될 수 있다. 외부 측정 시스템에서 측정된 값을 입력부가 제공받는 방식일 수 있다.
이를 위해 외부 측정 시스템과 조류 예측 장치가 네트워크를 통해 연결되어 있을 수 있다. 네트워크는 유·무선 네트워크를 포함할 수 있다. 외부 측정 시스템은 물환경정보시스템(Water Environment Information System)일 수 있다.
본 발명의 실시예에 따른 변환부(130)는 입력부에 의해 입력받은 수질자료 중 클로로필-a 값을 저장부에 저장된 기간에 따른 코돈별 점유율에 매칭하여 관측 시점에서의 코돈별 탄소량으로 변환한다.
변환부는 변환을 위해 다음과 같은 코돈별 계수를 활용할 수 있다.
Codon M 0.0591
Codon H1 0.0406
Codon P 0.1932
Codon D 0.2000
Codon G 0.0595
Codon X2 0.0969
Codon J 0.0737
Codon LO 0.0923
Codon C 0.0773
상기 표 2는 클로로필-a 값에 대한 탄소량 변환비율(Carbon to CHL-a ratio)에 대한 예시를 나타낸다. 예를 들어, 7월 어느 한 지점에서 관측된 수질자료 중 클로로필-a 값이 43.5 mg/L이라고 할 때, 변환부는 상기 표 1의 7월 코돈별 점유율에 매칭하고, 상기 표 2의 코돈별 변환비율을 적용하여 관측 시점에서의 코돈별 탄소량으로 변환할 수 있다.
코돈M을 예로 들면, 7월 관측 클로로필-a 값 * 코돈M 계수 * 7월 코돈M 비율을 연산하여 7월 관측 시점에서의 코돈M의 탄소량으로 변환할 수 있다. 즉, 43.5 mg/L * 0.0591 * 6.5% = 0.1659 mg/L을 얻을 수 있다. 다른 코돈 그룹들에 대해서도 동일한 방식으로 값을 얻을 수 있다.
아래의 표 3은 변환부가 관측 시점별 입력받은 클로로필-a 값을 갖고서 각 코돈별 탄소량으로 변환한 일례를 보여준다.
채수년월일 Chl-a
(㎎/㎥)		 Codon M Codon H1 Codon P Codon D Codon G Codon X2 Codon J Codon LO Codon C
2017-06-19 4.6 0.0008 0.0040 0.2024 0.2092 0.0057 0.0290 0.0239 0.0219 0.1112
2017-06-26 2.8 0.0005 0.0024 0.1232 0.1274 0.0035 0.0176 0.0146 0.0133 0.0677
2017-07-03 1.5 0.0057 0.0021 0.0438 0.0126 0.0065 0.0289 0.0011 0.0079 0.0428
2017-07-10 43.5 0.1659 0.0606 1.2716 0.3643 0.1896 0.8375 0.0320 0.2298 1.2398
2017-07-17 12.5 0.0477 0.0174 0.3654 0.1047 0.0545 0.2407 0.0092 0.0660 0.3563
2017-07-24 1.8 0.0069 0.0025 0.0526 0.0151 0.0078 0.0347 0.0013 0.0095 0.0513
2017-08-01 33.5 0.0804 0.0749 0.1087 0.0263 0.0540 0.3310 0.1465 0.7754 1.1508
2017-08-07 1.9 0.0046 0.0043 0.0062 0.0015 0.0031 0.0188 0.0083 0.0440 0.0653
2017-08-14 4.1 0.0098 0.0092 0.0133 0.0032 0.0066 0.0405 0.0179 0.0949 0.1408
2017-08-21 46.5 0.1116 0.1040 0.1509 0.0366 0.0750 0.4595 0.2033 1.0762 1.5974
2017-09-04 1.5 0.0008 0.0014 0.0092 0.0016 0.0029 0.0053 0.0015 0.0173 0.0838
2017-09-11 6.2 0.0034 0.0058 0.0381 0.0067 0.0121 0.0217 0.0061 0.0717 0.3465
2017-09-18 1.9 0.0010 0.0018 0.0117 0.0021 0.0037 0.0067 0.0019 0.0220 0.1062
2017-09-25 1.5 0.0008 0.0014 0.0092 0.0016 0.0029 0.0053 0.0015 0.0173 0.0838
본 발명의 실시예에 따른 모델링부(140)는 변환부에 의해 변환된 코돈별 탄소량에 기초하여 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행한다. 9개의 코돈에 대해 탄소량이 얻어졌으므로, 9개의 코돈 각각에 대한 3차원 수치모델링을 수행할 수 있다.
모델링부는 3차원 수치모델링을 위해 상기 입력부에 의해 입력받은 수질자료를 활용한다. 즉, 소정의 지역 중 하나 이상의 지점에서 관측된 T-N, NO3-N, NH3-N, T-P, 수온, DTN, DTP, PO4-P, BOD, COD, DO, TOC 중 하나 이상을 활용하여 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행할 수 있다.
바람직하게는 소정의 지역 중 적어도 세 지점에서 관측된 수질자료들을 활용할 수 있다. 예를 들어, 상류경계에서 관측된 수질자료, 지류경계에서 관측된 수질자료, 및 하류경계에서 관측된 수질자료를 활용할 수 있다.
도 4에 본 발명의 실시예에 따른 3차원 수치모델링을 위해 3개의 지점에서 측정된 점 데이터가 활용되고, 예측 대상이 되는 소정의 지역을 모식화한 전체 격자에 대해서 공간 데이터가 도출됨이 보여진다.
즉, 소정의 지역 중 3개의 지점에서 측정된 점 데이터들을 갖고서 소정의 지역 전체에 대한 3차원 수치모델링이 수행된다.
도면에서는 소정의 지역이 가로 세로의 2차원 격자들로만 모식화된 것으로 도시되나 연직 방향으로도 격자(3차원, z축 방향)가 존재한다. 가로 세로의 격자들은 해당 지역의 가로 세로 위치를 모식화하고, 깊이 방향으로의 격자들은 해당 지역의 수심 위치를 모식화한다.
한편, 3차원 수치모델링을 위해서는 조류 영양분(질소, 인, 수온, 일사량) 등 수질항목 입력이 필요할 수 있고, 이 경우 아래와 같이 상기 입력부에 의해 입력받은 수질자료들에 선행연구에서 제시하는 분율을 이용해 RPOC, LPOC, DOC, RPOP, LPOP, DOP, RPON, LPON, DON 중 하나 이상의 입력값을 생성할 수도 있다.
계열 수질 측정 항목 모의항목 구성 방법
탄소 TOC RPOC =(TOC-Algae Carbon)/4
LPOC =(TOC-Algae Carbon)/4
DOC =(TOC-Algae Carbon)/2
질소 TN
HN4-N
NO3-N
DTN		 RPON =(TN-Algae Nitrogen-DTN)/2
LPON =(TN-Algae Nitrogen-DTN)/2
DON =DTN-NH4-NO3
NH4 =NH4
NO3 =NO3
인 TP
PO4-P
DTP		 RPOP =(TP-Algae Phosphorus-DTP)/2
LPOP =(TP-Algae Phosphorus-DTP)/2
DOP =DTP-PO4
PO4 =PO4
본 발명의 실시예에 따르면, 모델링부는 3차원 수리·수질 모델인 EFDC(Environmental Fluid Dynamics Code) 모델을 기반으로 하천의 수리 구조물 운영 기작 반영, 모의 가능한 조류 종의 확장, 남조류의 수직 이동 기작 및 수체와 퇴적층 사이의 내부 순환 등을 모의 가능하도록 개선한 EFDC-NIER 모델을 포함할 수 있다. 도 5a 내지 도 5i는 본 발명의 실시예에 따른 모델링부에 의해 생성된 9개의 코돈 각각에 대한 3차원 수치모델링의 결과물을 도시한다.
도 5a가 코돈M에 대한 3차원 수치모델링 결과물을, 도 5b가 코돈H1, 도 5c가 코돈P, 도 5d가 코돈D, 도 5e가 코돈G, 도 5f가 코돈X2, 도 5g가 코돈J, 도 5h코돈LO, 도 5i가 코돈C에 대한 3차원 수치모델링 결과물을 각각 도시한다.
도면에 도시된 바와 같이, 코돈별 탄소량에 기초하여 조류 예측 대상이 되는 소정의 지역 전체에 대한 코돈별 3차원 수치모델링 결과물을 얻을 수 있다.
예를 들어, 도 5a에 도시된 바와 같이, 조류 예측의 대상이 되는 하천에 대해 가로 세로 수심 방향의 3차원 격자들마다 세포수(NXP)를 확인할 수 있다. 3개의 점 데이터만을 갖고서 하천 전체에 대한 공간 데이터를 얻을 수 있는 것이다.
도면에서는 결과값이 세포수로 도시되었지만, 탄소량과 세포수 그리고 클로로필-a 값은 상호간에 환산될 수 있는 수치들이므로, 필요에 따라 원하는 결과값으로 도출할 수 있다.
도 6은 본 발명의 다른 실시예에 따른 조류 예측 장치의 상세한 구성을 도시하는 도면이다.
도 6에 도시된 바와 같이, 조류 예측 장치(600)는 수질입력모듈(610), 코돈모듈(620), 수치모델링 입력값 생성모듈(630) 및 3차원 수치모델링모듈(640)을 포함할 수 있다.
수질입력모듈(610)은 조류 예측의 대상이 되는 소정의 지역 중 하나 이상의 지점에서 관측된 수질자료를 입력받는다. 상술한 입력부에 대응할 수 있다.
코돈모듈(620)은 소정의 지역에 대해 기간에 따른 코돈별 점유율을 데이터베이스화하여 저장하고, 수질입력모듈에 의해 입력받은 수질자료 중 클로로필-a 값을 기간에 따른 코돈별 점유율에 매칭하여 관측 시점에서의 코돈별 탄소량으로 변환한다. 상술한 저장부와 변환부에 대응할 수 있다.
수치모델링 입력값 생성모듈(630)은 상기 수질입력모듈과 코돈모듈에 의해 얻어진 자료들을 기초로 수치모델링 입력값을 생성한다.
3차원 수치모델링모듈(640)은 위와 같이 생성된 수치모델링 입력값을 이용해 3차원 수치모델링을 수행한다. 상술한 모델링부의 동작에 대응할 수 있다.
이와 같이 본 발명의 실시예에 따르면, 코돈별 조류 예측이 가능하므로, 유해 남조류만을 따로 예측할 수 있다.
본 발명의 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 일 실시예들의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 조류 예측 장치
110 : 저장부
120 : 입력부
130 : 변환부
140 : 모델링부
600 : 조류 예측 장치
610 : 수질입력모듈
620 : 코돈모듈
630 : 수치모델링 입력값 생성모듈
640 : 3차원 수치모델링모듈

Claims (5)

  1. 외부 측정 시스템과 네트워크를 통해 연결된 조류 예측 장치로서,
    소정의 지역에 대해 월별 코돈별 점유율을 데이터베이스화하여 저장하는 저장부;
    상기 소정의 지역 중 3개 이상의 지점에서 관측된 수질자료를 상기 외부 측정 시스템으로부터 입력받는 입력부;
    상기 수질자료 중 클로로필-a 값을 상기 월별 코돈별 점유율에 매칭하여 관측 시점에서의 코돈별 탄소량으로 변환하는 변환부; 및
    상기 코돈별 탄소량에 기초하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 모델링부를 포함하되,
    상기 저장부는 일정 기간동안 상기 소정의 지역에서 관측된 조류종에 관한 제1 정보-제1 정보는 조류종 정보 및 조류종별 생부피 정보를 포함함-, 상기 관측된 조류종을 N개(N은 2 이상의 자연수임)의 코돈별로 그룹화한 제2 정보 및 상기 제1 및 제2 정보를 이용해 상기 월별 코돈별 점유율로 산출한 제3 정보에 기초하여 DB를 구축하고, 상기 제1 정보는 외부로부터 받아오고, 상기 제2 정보 및 상기 제3 정보는 상기 제1 정보를 코돈별로 그룹화하는 그룹화부 및 상기 점유율을 산출하는 산출부를 통해 자체적으로 생성하며,
    상기 변환부는 N개의 코돈별 클로로필-a값에 대한 탄소량 변환비율 테이블을 이용하여 상기 변환 과정을 수행하며, 상기 코돈별 클로로필-a값에 대한 탄소량 변환비율 테이블은 N개의 코돈별로 서로 모두 다른 값의 변환비율을 갖도록 구성되고, 상기 변환비율은 0.0406 내지 0.2000 중 어느 하나의 값을 가지며,
    상기 저장부에 DB화되어 저장되는 자료들의 형태는 해당 지역에 대해 월별 코돈별 점유율을 나타내는 테이블 형태이고,
    상기 변환부는 상기 입력부에 의해 입력받은 상기 수질자료가 관측된 지역 및 관측된 시점을 상기 월별 코돈별 점유율에 매칭하여 상기 변환 과정을 수행함으로써, 상기 수질자료가 관측된 지역에 대해 상기 수질자료가 관측된 시점에서의 코돈별 탄소량으로 변환하며,
    상기 모델링부는 상기 3개 이상의 지점에서 측정된 수질자료들에 대해서 상기 변환 과정이 수행됨으로써 생성된 3개 이상의 점 데이터를 기초로 상기 소정의 지역을 모식화한 전체 격자에 대해서 공간 데이터를 도출하는 것을 특징으로 하는 조류 예측 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 모델링부는
    상기 수질자료 중 T-N, NO3-N, NH3-N, T-P, 수온, DTN, DTP, PO4-P, BOD, COD, DO, TOC 중 하나 이상을 활용하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 것을 특징으로 하는 조류 예측 장치.
  4. 제3항에 있어서,
    상기 모델링부는
    상기 수질자료 중 하나 이상을 활용하여 RPOC, LPOC, DOC, RPOP, LPOP, DOP, RPON, LPON, DON 중 하나 이상을 생성하여 상기 소정의 지역 전체에 대한 코돈별 3차원 수치모델링을 수행하는 것을 특징으로 하는 조류 예측 장치.
  5. 삭제
KR1020190101498A 2019-08-20 2019-08-20 유해 조류 예측 장치 및 방법 KR102119276B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190101498A KR102119276B1 (ko) 2019-08-20 2019-08-20 유해 조류 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190101498A KR102119276B1 (ko) 2019-08-20 2019-08-20 유해 조류 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102119276B1 true KR102119276B1 (ko) 2020-06-05

Family

ID=71088915

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190101498A KR102119276B1 (ko) 2019-08-20 2019-08-20 유해 조류 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102119276B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884197A (zh) * 2021-01-05 2021-06-01 福建省厦门环境监测中心站(九龙江流域生态环境监测中心) 一种基于双模型的水华预测方法和装置
CN112950049A (zh) * 2021-03-19 2021-06-11 北京工商大学 一种基于信息自动识别的藻类水华应急治理群决策方法及装置
CN112989281A (zh) * 2021-02-20 2021-06-18 中国科学院南京地理与湖泊研究所 一种基于遥感藻总量的藻华预测方法
KR102313836B1 (ko) * 2021-03-16 2021-10-18 대한민국 수질 해석 데이터의 3차원 가시화 방법 및 장치
CN115526038B (zh) * 2022-09-19 2023-11-21 国家海洋环境预报中心 一种近海生态环境数值预报方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190027567A (ko) * 2017-09-07 2019-03-15 동국대학교 산학협력단 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190027567A (ko) * 2017-09-07 2019-03-15 동국대학교 산학협력단 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"ELCOM-CAEDYM을 이용한 대청호 Microcystis Bloom 해석", 한국물환경학회지 제27권 제1호(pp. 73-87), 2011년.* *
"식물성 플랑크톤 기능적 분류 기반 3차원 지표수 수질 예측 모델링 연구", 이화여자대학교 환경공학과 대학원 박사학위논문, 2018년. *
"제한된 측정 자료 기반 의암호 3차원 조류 예측 모델링 연구", 한국물환경학회지 제31권 제2호(pp. 181-195), 2015년.* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884197A (zh) * 2021-01-05 2021-06-01 福建省厦门环境监测中心站(九龙江流域生态环境监测中心) 一种基于双模型的水华预测方法和装置
CN112884197B (zh) * 2021-01-05 2022-08-16 福建省厦门环境监测中心站(九龙江流域生态环境监测中心) 一种基于双模型的水华预测方法和装置
CN112989281A (zh) * 2021-02-20 2021-06-18 中国科学院南京地理与湖泊研究所 一种基于遥感藻总量的藻华预测方法
CN112989281B (zh) * 2021-02-20 2023-09-12 中国科学院南京地理与湖泊研究所 一种基于遥感藻总量的藻华预测方法
KR102313836B1 (ko) * 2021-03-16 2021-10-18 대한민국 수질 해석 데이터의 3차원 가시화 방법 및 장치
CN112950049A (zh) * 2021-03-19 2021-06-11 北京工商大学 一种基于信息自动识别的藻类水华应急治理群决策方法及装置
CN112950049B (zh) * 2021-03-19 2024-03-15 北京工商大学 一种基于信息自动识别的藻类水华应急治理群决策方法及装置
CN115526038B (zh) * 2022-09-19 2023-11-21 国家海洋环境预报中心 一种近海生态环境数值预报方法及系统

Similar Documents

Publication Publication Date Title
KR102119276B1 (ko) 유해 조류 예측 장치 및 방법
Thomas et al. Numerical modelling and graph theory tools to study ecological connectivity in the Great Barrier Reef
Jähnig et al. Modelling of riverine ecosystems by integrating models: conceptual approach, a case study and research agenda
Kubota et al. Role of climate and geohistorical factors in driving plant richness patterns and endemicity on the east Asian continental islands
Pelorosso et al. Stability analysis for defining management strategies in abandoned mountain landscapes of the Mediterranean basin
Hernández-Guzmán et al. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico
Jin et al. Three-dimensional water quality and SAV modeling of a large shallow lake
Eme et al. Multi‐causality and spatial non‐stationarity in the determinants of groundwater crustacean diversity in Europe
Huber et al. Comparing simulations of three conceptually different forest models with National Forest Inventory data
Casas‐Mulet et al. Performance of a one‐dimensional hydraulic model for the calculation of stranding areas in hydropeaking rivers
Lois et al. Spatial extent of biotic interactions affects species distribution and abundance in river networks: the freshwater pearl mussel and its hosts
CN114881544B (zh) 一种水库流量调控方法、装置、电子设备及存储介质
Donati et al. A process‐based model supports an association between dispersal and the prevalence of species traits in tropical reef fish assemblages
Muñoz et al. Fusing multisource data to estimate the effects of urbanization, sea level rise, and hurricane impacts on long-term wetland change dynamics
Vaz et al. A habitat suitability model for aquaculture site selection: Ria de Aveiro and Rias Baixas
Xiaoli et al. Spatial patterns of forest ecosystem services and influencing factors in the Ganjiang River Basin
CN102880753B (zh) 基于分形维数的土地利用空间特征尺度转换方法
Carus et al. Which factors and processes drive the spatio-temporal dynamics of brackish marshes?—Insights from development and parameterisation of a mechanistic vegetation model
Guan et al. Rain fall predict and comparing research based on Arcgis and BP neural network
Yang et al. Coastal Wetlands Play an Important Role in the Ecological Security Pattern of the Coastal Zone
Vieira et al. A new method to quantify and compare the multiple components of fitness—a study case with kelp niche partition by divergent microstage adaptations to temperature
Podhoranyi et al. A Web-Based Modelling and Monitoring System Based on Coupling Environmental Models and Hydrological-Related Data.
Li et al. Spatial interpolation of soil nutrients based on BP neural network
Pak et al. A model-based study of phytoplankton condition using remote sensing data for the Western Kamchatka shelf
Xia et al. The impacts of fishing and nutrient influx from Yangtze River on the ecosystem in East China Sea

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant