Modelling the Water Quality of River Mara Using an Adaptive Neuro-Fuzzy Inference System (ANFIS)

강은 풍경의 생명줄이며, 가장 작은 물고기부터 가장 큰 초식 동물 무리에 이르기까지 모든 것을 지탱하는 물을 운반합니다. 하지만 강의 건강함은 단순히 얼마나 많은 물이 흐르는가에 달려 있는 것이 아니라, 그 물 안에 무엇이 녹아 있거나 부유하고 있는지에 달려 있습니다. 과학자들은 수중 생물에게 이용 가능한 산소량이 얼마인지, 유기 폐기물이 얼마나 분해되고 있는지, 그리고 진흙이나 침전물이 흐름을 얼마나 탁하게 만드는지와 같은 특정 성분들을 살펴봄으로써 이 건강함을 측정합니다. 이러한 성분들은 일정하게 유지되지 않으며 계절에 따라 변화합니다. 폭우가 내리면 토양과 영양분이 강으로 씻겨 내려와 강의 화학적 성질을 변화시킵니다. 건기가 찾아오면 물의 흐름은 느려지고, 다른 과정들이 주도권을 잡습니다. 이러한 변화하는 패턴을 이해하는 것은 특히 강이 국경을 넘나들며 전체 생태계를 부양하는 지역에서 수자원을 관리하는 데 매우 중요합니다. 그러나 이러한 변화하는 성분들 사이의 관계는 종종 복잡하고 예측 불가능하여, 단순한 평균값만 보고는 강의 거동을 예측하기 어렵게 만듭니다.

케냐와 공유하는 중요한 수로인 마라 강(Mara River)의 탄자니아 구간에서, 연구진은 이러한 복잡한 계절적 변화를 이해하기 위해 연구를 시작했습니다. 그들은 2010년부터 2026년까지 16년에 걸쳐 12개의 서로 다른 지점에서 수집한 방대한 양의 수질 데이터를 모았습니다. 그들은 부유하는 진흙과 침전물의 양, 용존 산소량, 유기 오염물질의 양, 그리고 암모니아 질소 농도라는 네 가지 핵심 지표에 집중했습니다. 이 데이터를 우기와 건기로 분류함으로써, 그들은 강이 시기에 따라 다르게 행동한다는 것을 발견했습니다. 우기 동안에는 유기 오염물질이 크게 증가한 반면, 산소 수치 또한 완만하게 상승했습니다. 부유하는 진흙의 양은 계절 간에 대략 비슷하게 유지되었으나, 비가 많이 올 때는 더 격렬하게 변했습니다. 암모니아 수치는 우기 동안 아주 미미한 증가만을 보였습니다. 결정적으로, 연구진은 이 수치들이 깔끔하고 예측 가능한 종 모양의 곡선(bell curve)을 따르지 않고, 대신 일반적인 분포의 패턴을 깨뜨리는 간헐적인 급증(spikes)이 있는 왜곡된 형태를 띤다는 것을 발견했습니다. 이러한 불규칙성은 표준 수학적 도구들이 데이터를 파악하는 데 어려움을 겪게 만듭니다.

이러한 복잡성을 해결하기 위해 연구진은 적응형 신경 퍼지 추론 시스템(ANFIS)이라 불리는 정교한 컴퓨터 모델을 활용했습니다. 이 시스템을 마치 한 권의 교과서에 정의된 단 하나의 사례를 암기하는 것이 아니라, 수많은 다양한 종을 봄으로써 새를 식별하는 법을 배우는 사람처럼, 예시를 통해 패턴을 학습하는 고도로 훈련된 관찰자라고 생각해보십시오. 이 모델은 수질 성분들과 강의 오염 수준을 나타내는 종합 점수 사이의 복잡하고 비선형적인 관계를 처리하도록 설계되었습니다. 연구팀은 16년 치의 데이터를 학습용 그룹과 예측 테스트용 그룹 두 가지로 나누었습니다. 그들은 모델이 서로 다른 조건에 적응할 수 있는지 확인하기 위해 건기와 우기에 대해 모델을 각각 별도로 실행했습니다.

결과는 고무적이었습니다. 이 모델은 강의 건강을 이해하는 강력한 도구임이 입증되었으며, 다양한 수질 요인들 사이의 복잡한 상호작용을 성공적으로 포착해 냈습니다. 건기 동안 모델의 예측은 실제 관측치와 높은 일치도를 보였으며, 실제 데이터에서 나타나는 변동의 약 80%를 설명했습니다. 우기 동안에는 성능이 약간 떨어졌지만 여전히 매우 강력하여, 변동의 거의 80%를 설명했습니다. 모델이 완벽한 예측을 하는 것은 아니었으며, 특히 강이 가장 혼란스러운 시기인 우기 동안에는 설명되지 않는 차이가 여전히 존재했습니다. 하지만 데이터가 단순한 직선 패턴을 따른다고 가정하지 않고도 모델이 이토록 잘 작동했다는 사실은, 이 접근 방식이 빠르게 변화하는 강에 매우 적합하다는 것을 시사합니다.

이 연구는 마라 강의 수질이 계절적 강우와 인간 활동의 영향을 받지만, 고급 모델링 기법을 통해 이러한 변화를 추적하고 이해할 수 있음을 강조합니다. 연구진은 자신들의 작업이 네 가지 특정 측정치에 의존하고 있으며, 강수량이나 수온과 같은 더 많은 데이터 포인트를 추가한다면 향후 모델을 더욱 정교하게 만들 수 있다고 언급했습니다. 또한, 오랜 기간 동안 서로 다른 출처에서 온 데이터를 사용했기에 작은 불일치가 발생할 수 있다는 점도 인정했습니다. 이러한 한계에도 불구하고, 이 연구는 인공지능이 수자원 관리를 위한 신뢰할 수 있는 가이드 역할을 할 수 있음을 보여줍니다. 과거로부터 학습함으로써, 이러한 모델들은 미래의 수질 문제를 예측하여 야생 동물, 농업, 그리고 이에 의존하는 공동체를 위해 이 중요한 접경 지역의 자원을 보호하는 데 명확한 그림을 제공합니다.