📄 지구과학

Validating Statistical Zonation for Groundwater Natural Background Levels Using an Integrated SOM-KNN Machine Learning Approach in a Heterogeneous Mountainous Terrain, North China

본 연구는 자기조직화지도(Self-Organizing Maps)와 최근접 이웃(K-Nearest Neighbors) 알고리즘을 통합하여 통계적 구역화를 정교화하고 자연 배경 수준의 결정을 개선함으로써, 북중국 불균질 산악 지형에서 사전 정의된 수리지질 단위가 수문학적으로 유의미한 지하수 구조와 일치함을 검증한다.

원저자: Zhiqiang Gong, Xun Zhang, Zonglong Zheng, Zhiwen Dang, Zhisen Ma

게시일 2026-09-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zhiqiang Gong, Xun Zhang, Zonglong Zheng, Zhiwen Dang, Zhisen Ma

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지하수는 우리 발밑을 흐르는 보이지 않는 강이자, 식수를 공급하고 생태계를 유지하는 거대한 저수지입니다. 많은 곳에서 이 물은 깨끗하지만, 다른 곳에서는 산업 폐기물부터 농업 유출수에 이르기까지 인간 활동의 화학적 지문을 품고 있습니다. 자연의 기저치와 인간에 의한 오염을 구분하기 위해, 과학자들은 먼저 특정 지역의 '자연스러운' 상태가 어떠한지를 알아야 합니다. 이 기저치를 '자연 배경 수준(natural background level)'이라고 부릅니다. 그러나 단단한 암석, 갈라진 돌, 다공성 모래가 혼합되어 지형이 복잡한 험준한 산악 지형에서는 이 기저치를 정의하는 것이 매우 어렵습니다. 물은 다양한 종류의 암석을 통과하며 끊임없이 화학 성분이 변하기 때문에, 한 지역 전체를 하나의 숫자로 정의하는 것은 종종 오해를 불러일으킬 수 있는 복잡한 퍼즐이 됩니다. 만약 과학자들이 이 기저치를 잘못 설정한다면, 천연 미네랄의 높은 수치를 위험한 오염으로 오해하거나, 반대로 그것이 단순히 자연적인 배경의 일부라고 생각하여 실제 오염을 놓칠 수도 있습니다.

중국 북부 탕산의 산악 지역에서 연구팀은 바로 이러한 문제에 직착했습니다. 이 지역은 고대 탄산염암, 균열된 변성암, 그리고 느슨한 퇴적층이 뒤섞인 지질학적으로 복잡한 구조를 가지고 있습니다. 물은 이러한 다양한 물질을 통해 서로 다른 속도로 흐르며 그 과정에서 다양한 화학 물질을 흡수합니다. 전통적으로 과학자들은 지질도에 근거하여 이러한 지역을 넓은 구역으로 나누고, 해당 구역 내의 모든 물이 화학적으로 유사할 것이라고 가정합니다. 이번 연구의 연구진은 이러한 사전 정의된 구역들이 실제 수질 화학과 일치하는지 테스트하고자 했습니다. 그들은 6개의 사전 정의된 구역에 걸쳐 있는 우물과 샘에서 480개의 수질 샘플을 수집했습니다. 연구진은 단순한 평균값에 의존하는 대신, 두 가지 데이터 학습 방식을 결합한 강력한 컴퓨터 접근법을 사용했습니다. '자기 조직화 지도(self-organizing map)'로 알려진 첫 번째 방법은 데이터로부터 스스로 그룹을 찾아내는 스마트한 분류기 역할을 하여, 정해진 정답 없이 화학적 유사성에 따라 수질 샘플을 그룹화합니다. 두 번째 방법인 'K-최근접 이웃(K-nearest neighbors)'은 각 샘플을 검사하여 해당 샘서가 정말로 할당된 그룹에 속하는지, 아니면 예외적인 값(outlier)인지를 따져보는 엄격한 검사기 역할을 합니다.

연구진은 탕산 산악 지역의 물이 명확하고 자연스러운 진화 과정을 따른다는 것을 발견했습니다. 산 높은 곳에서 비로 내린 물이 아래 분지를 향해 흘러 내려가면서, 암석으로부터 미네랄을 서서히 용해시킵니다. 컴퓨터 분석 결과는 매끄러운 경사도를 보여주었습니다. 산 정상의 함양 구역(recharge zones)에 있는 물은 신선하고 미네랄이 적은 반면, 골짜기 하단의 배출 구역(discharge zones)에 있는 물은 미네랄 농도가 훨씬 높았습니다. 이 패턴은 칼슘, 마그네슘, 중탄산염과 같은 주요 성분에서 일관되게 나타났습니다. 그러나 불소나 망간과 같은 미량 원소의 이야기는 달랐습니다. 이들은 물의 일반적인 흐름을 따르지 않고, 일반적인 흐름보다는 특정 유형의 암석이나 미세한 화학적 조건의 영향을 받아 흩어져 있는 국지적인 핫스팟 형태로 나타났습니다.

연구진이 사전 정의된 6개 구역을 컴퓨터의 화학적 지도 위에 투영했을 때, 그 결과는 시사하는 바가 컸습니다. 대부분의 구역은 컴퓨터가 찾아낸 자연적인 화학 그룹과 잘 일치하였으며, 이는 지질도가 대체로 정확했음을 확인해 주었습니다. 하지만 컴퓨터는 또한 이 구역들 사이의 경계가 뚜렷한 선이 아니라 모호한 전이 영역임을 보여주었습니다. 인접한 구역의 수질 샘플들이 화학적 공간 내에서 서로 섞여 나타나는 현상은, 수질 화학이 갑작스럽게 도약하는 것이 아니라 점진적으로 변화한다는 것을 시사했습니다. 컴퓨터 검사기는 약 3분의 1의 샘플이 화학적 혼합 상태에 있어 하나의 구역으로 명확히 할당될 수 없음을 보여줌으로써 이를 확인해주었습니다. 이러한 중첩은 데이터의 오류가 아니라, 지하수가 경계를 가로질러 연속적으로 흐르는 실제 세계의 모습을 반영한 것입니다.

본 연구는 토지를 구역으로 나누는 전통적인 방식이 좋은 출발점이 될 수는 있지만, 개선이 필요하다고 결론짓습니다. 연구진은 이러한 고급 컴퓨터 도구를 사용함으로써 구역이 화학적으로 타당한지를 검증할 수 있고, 경계가 지나치게 경직된 지점을 정확히 짚어낼 수 있음을 입증했습니다. 지하수 화학이 점진적으로 진화하며 특정 원소들은 다르게 행동한다는 점을 인정함으로써, 과학자들은 더 정확한 자연 배경 수준을 설정할 수 있습니다. 이는 수자원 보호를 더욱 효과적으로 만들어, 오염을 정확하게 감지하고 자연적인 변동을 오염으로 오해하지 않도록 보장합니다. 이 연구는 다른 복잡한 산악 지역에서도 이 숨겨진 수계 시스템을 더 정밀하게 이해할 수 있는 신뢰할 수 있고 전이 가능한 방법을 제공합니다.

기술 요약: 통합 SOM-KNN 머신러닝 접근법을 이용한 지하수 자연 배경 농도(NBL)의 통계적 구역화 검증

문제 제기
이질적인 산악 지형에서 신뢰할 수 있는 지하수 자연 배경 농도(NBL)를 결정하는 것은 복잡한 수문화학적 패턴을 생성하는 다중 유동 영역(공극, 균열, 카르스트)의 공존으로 인해 매우 어렵다. 기존의 통계적 방법(예: 단변량 방법, Grubbs 검정, 누적 확률 분포)은 이러한 환경에서 흔히 발생하는 특정 데이터 분포 및 사전 정의된 공간적 균질성 가정을 전제로 하므로, 복잡한 지질 환경에서는 한계를 드러내는 경우가 많다. 또한, 기존의 머신러닝 적용 사례는 주로 이상치 탐지나 패턴 인식에 국한되어 있으며, 사전에 정의된 수문지질학적 단위가 실제 수문화학적 조직을 제대로 반영하고 있는지 검증하거나 단위 간의 전이를 정량화하는 통합된 프레임워크가 부족하다. 본 연구는 다음 세 가지 구체적인 공백을 해결하고자 한다: (1) 사전 정의된 통계적 단위에 대한 데이터 기반 검증의 부재, (2) 인접한 단위 간의 화학적 중첩에 대한 체계적인 정량화 부재, (3) 공극, 균열, 카르스트 매체가 공존하는 지형에서의 기존 방법론의 부적절함.

연구 방법론
본 연구는 비지도 학습인 자기조직화지도(SOM)와 지도 학습인 K-최근접 이웃(KNN) 알고리즘을 결합한 하이브리드 프로세스 기반 프레임워크를 제안한다.

연구 지역 및 데이터: 이 프레임워크는 프로테로조익(원생누대)에서 세노조익(신생대) 층에 이르는 복잡한 지질 구조를 가진 중국 북부 탕산의 산악 대수층 시스템에 적용되었다. 지하수 시료는 여섯 개의 사전 정의된 수문지질 통계 단위로부터 채취되었다. 엄격한 스크리닝(인위적 이상치, 음이온-양이온 불균형 및 신뢰할 수 없는 데이터 제외)을 거쳐 12개의 수문화학 파라미터(8개 주요 이온, TDS, 3개 미량 성분: F-, Mn, As)를 포함한 405개의 깨끗한 시료가 분석에 사용되었다.
비지도 SOM 분석: 12차원의 수문화학 데이터를 저차원의 위상 격자로 매핑하기 위해 5×6 육각형 SOM 격자(30개 뉴런)를 학습시켰다. 이 단계의 목적은 사전 단위 라벨 없이 내재적인 클러스터링 구조를 밝히는 것이다. SOM은 지배적인 수문화학적 구배를 시각화하고, 원래의 6개 통계 단위 라벨을 격자에 투영하여 데이터 기반 클러스터와 일치 여부를 평가하는 데 사용되었다.
지도 KNN 분석: KNN 알고리즘은 두 가지 목적으로 사용되었다:
1. 이상치 탐지: 각 단위에 대한 최적의 이웃 수( $K$ )를 결정하기 위해 거리 분산을 기반으로 한 자동화된 "엘보우 방법(elbow method)"을 사용하여 잠재적 이상치를 식별하였으며, 이는 기존의 모수적 이상치 제거(Grubbs/3σ)를 교차 검증하였다.
2. 분류 검증: 사전 정의된 6개 단위의 분리 가능성을 평가하기 위해 5-겹 교차 검증(5-fold cross-validation)을 적용한 지도 KNN 분류기를 사용하였다. 결과 도출된 혼동 행렬(confusion matrix)은 단위 간의 오분류(중첩) 정도를 정량화하였다.

주요 결과

수문화학적 진화: SOM 분석 결과, 함량 변화(TDS)가 점진적인 지하수 진화를 반영하는 지배적인 광화 작용 구배가 나타났다. 즉, 함양 우세 구역(낮은 TDS, HCO₃-Ca·Mg 유형)에서 배수/분지 가장자리 구역(높은 TDS, 혼합 Cl·SO₄-Ca·Mg 유형)으로의 진화를 보여주었다. 주요 이온은 이 구배와 강한 공간적 일치성을 보였으나, 미량 원소(F-, Mn, As)는 지역적 흐름 경로보다는 암석학적 불균질성과 산화환원 조건에 의해 제어되는 국지적 특징을 나타냈다.
통계적 구역화 검증: 여섯 개의 사전 정의된 수문지질 단위를 SOM 위상에 투영한 결과, 대부분의 단위가 내재적 수문화학 구조와 잘 일치함을 확인하였다. 그러나 단위 경계, 특히 TDS 구배 축을 따라 전이 구역이 나타났는데, 이는 화학적 진화가 불연속적인 것이 아니라 연속적인 과정임을 시사한다.
중첩의 정량화: KNN 분류는 65.2%의 전체 정확도를 달in했다. 이 중간 정도의 정확도와 34.8%의 오분류율은 방법론적 실패가 아니라, 인접한 단위 간의 자연스러운 수문화학적 중첩을 정량적으로 반영한 것으로 해석되었다. 단위 I(함양 구역)은 가장 높은 독자성(89.4% 정확도)을 보였으나, 단위 II와 III는 이웃 단위와 상당한 중첩을 보여 이들의 전이적 특성을 확인시켜 주었다.
이상치 일관성: KNN 기반 이상치 탐지는 기존의 모수적 이상치 제거 방법과 90% 이상의 일치도를 보여, 데이터 정제 과정의 견고함을 입증하였다.

의의 및 주장
본 논문은 제안된 SOM-KNN 프레임워크가 단순히 데이터 기반 분류를 넘어 수문화학적 패턴을 수문학적 과정과 명시적으로 연결함으로써 NBL 특성화를 발전시킨다고 주장한다. 주요 기여는 다음과 같다:

명시적 검증: 사전 정의된 통계적 단위가 화학적으로 의미가 있는지를 검증하는 데이터 기반 메커니즘을 제공하며, 연구 지역의 수문지질 구역화가 자연적인 화학적 클러스터링에 의해 상당 부분 뒷받침됨을 확인하였다.
전이의 정량화: 오분류율을 통해 중첩 영역과 전이 유동 체계를 식별하는 정량적 근거를 제공하며, 이는 점진적인 화학적 진화를 고려하기 위해 엄격한 경계 설정이 수정될 필요가 있음을 시사한다.
방법론적 견고성: 비지도 위상 보존과 지도 분류를 통합함으로써, 기존의 통계적 방법이 실패하기 쉬운 복잡하고 이질적인 지형에서 개념적 수문지질 모델을 검증할 수 있는 전이 가능한 접근 방식을 제공한다.

저자들은 이 접근법이 더 신뢰할 수 있는 NBL 추정과 지하수 수질 평가를 지원한다고 결론지었으나, 특정 단위(예: 단위 VI)의 제한된 시료 수가 국지적 해석에 주의를 요함을 언급하였다. 본 연구는 이질적인 산악 지형에서 정확한 배경 농도 획정을 위해 전이 또는 혼합 지하수 단위를 인식하는 것이 필수적임을 강조한다.

유사한 논문