본 연구에서는 2015~2017년 최근 3년 동안 서울시내 17개 국가 물환경측정망에서(Fig. 1) 매월 생산되는 수질자료(19개 항목) 중 수질지수 산정을 위해 DO, 분원성대장균군, pH, BOD, 수온변화, TP, NO₃^-, 탁도, TS 등 9개 수질항목을 선정하였다. 또한 각 수질항목은 수질오염공정시험기준(Notice of National Institute of Environmental Research No. 2017-57) (National Institute of Environmental Research (Korea), 2017) [7], 먹는물수질공정시험기준(Notice of National Institute of Environmental Research No. 2017-19)(National Institute of Environmental Research (Korea), 2017) [8]에 따라 분석하였다.

본 연구에서 사용한 수질지수는 미국보건재단(NSF, National Sanitation Foundation)에서 개발한 NSFWQI (National Sanitation Foundation Water Quality Index)이며, 이를 통해 도출된 수질지수는 Table 2와 같이 등급화하였다. NSFWQI 수질지수는 약 142명 전문가들 집단에서의 의견을 델파이기법(Delphi)을 이용하는 등 미국 전역의 수질전문가 상당수의 의견을 조합해 항목별 가중치를 산출하고 적용함으로써 수질항목에 대한 선택과 하부지수 및 중요도에 대한 주관성을 줄일 수 있었다. 그 결과 전체 35개 수질항목 중에서 NSFWQI에 적용된 수질평가항목은 수온변화, pH, DO (% sat), BOD₅, NO₃-N, PO₄-P, 분원성대장균, TS (Total Solid), 탁도 등 총 9개 항목으로 결정되었다. 또한 각 항목별 가중치는 Table 1과 같으며, 특히 하천수질관리 측면에서 필수 점검항목인 DO, BOD, 대장균군 등 상대적 중요도가 높은 항목들에 대해서 더 높은 가중치가 부여되었다[9]. NSFWQI는 비교적 계산이 간단하고, 재현성이 있으며, 비전문가도 쉽게 수질변화를 파악하고 활용할 수 있는 특징을 갖고 있어, 미국뿐만 아니라 유럽, 아시아 등지에서 널리 활용되고 있다. 수질지수를 구하는 공식은 Eq. (2.1)과 같으며[10,11], 특히 계산에 필요한 측정항목 중 직접적으로 구할 수 없는 DO (% sat), TS의 경우 Eq. (2.2)~Eq. (2.5)와 같이 문헌(사이트), 실험 등에 제시된 관계식 등을 활용하여 수질지수를 도출하였다[12-14].

Q_i : sub-index for ith water quality parameter rating scale, sub index

W_i : weight associated with ith water quality parameter

n : number of water quality parameters

DO (100% sat) (mg/L) : saturated DO concentration at the local temperature

DO (mg/L) : observed DO concentration

TSS (mg/L) : total suspended solids

TDS (mg/L) : total dissolved solids

EC (µS/cm) : electrical conductivity

k : the ratio of TDS/EC (natural water k=0.65, fresh water k=0.55)

또한 산정된 NSFWQI와 실제 환경정책기본법 시행령 제2호 환경기준에[15] 의거 각 항목의 수질등급을 산정하여 NSFWQI와의 비교･분석을 통해 연계 가능성을 살펴보았다. 이를 위해 환경기준에 따른 수질등급을 산정하기 위한 항목으로는 NSFWQI 수질항목에 포함된 항목이면서, 동시에 명확하게 등급을 구분할 수 있는 항목으로, 9개 수질항목 중 BOD, TP, 분원성대장균군 3항목을 이용하여 환경기준에 따른 수질등급을 산정하였다.

계층적 군집분석은 개체간의 유사성 즉, 개체간의 거리에 따라 다양한 정의가 가능하며, 군집간의 연결법(Single linkage method, Complete linkage method, Average linkage method, Centroid method, Ward linkage method)에 따라 군집의 결과가 달라질 수 있다[6]. 본 연구에서는 오픈소스 언어인 R 3.5.2를 가지고 Fig. 2~3과 같이 대표적 계층분석방법 중의 하나인 Ward 연결법(Ward linkage method)과 차원 축소(Dimensionality reduction) 및 군집화를 동시에 수행하는 SOM을 이용하여 군집화를 실시하였다. 여기서 Ward 연결법은 Fig. 2에서 보듯이, 군집간의 거리에 따라 개체들을 연결하는 것이 아니라 군집 내의 오차제곱합(Error sum of sequare)에 기초하여 군집을 수행하는 것으로서 개체들을 하나의 군집으로 그룹화하여 발생하는 정보 손실(Loss of information)을 최소화하는 하는 방향으로 군집이 이루어진다. 일반적으로 Ward 연결법은 비슷한 크기의 군집끼리 그룹화되는 경향이 있으며, 다른 분석방법과 달리 노이즈(noise)나 이상치(outlier)에 덜 민감한 장점이 있다. 그리고 비지도학습(Unsupervised learning) 신경회로망의 일종인 SOM 은 인공신경망(Artificial neural network, ANN)의 한 종류로서, Fig. 3과 같이 코호넨 네트워크(Kohonen network)에 근간을 두고 있으며, 입력벡터(Input vector)를 훈련 집합에서 매칭(matching)이 되도록 가중치(weight)를 조정하는 인공신경세포(Neuron) 격자에 기초한 자율학습의 한 방법이다. Fig. 3에서 입력층(Input layer)은 입력벡터를 입력받는 층이며, 가중치는 인공신경망에서 각 입력값들의 중요도를 나타낸다. SOM은 원하는 출력값이 주어지지 않고 데이터 상호간의 처리과정을 통해 자동적으로 군집을 구별짓는 등[16], 입력변수의 위치 관계를 그대로 보존하면서 동시에 고차원의 데이터를 저차원(보통 2차원)의 지도 형태로 형상화하기 때문에 많은 양의 자료를 동일 시간대로 해석이 가능하며, 시각적으로 이해하기 쉬운 특징이 있다.

또한 계층적 군집분석 후, 군집화가 얼마나 잘 되었는지 알아보기 위해 군집 내부의 유효성 측정을 하였으며, 유효성 측도로 dunn index, silhouette을 고려하였다[17]. dunn index는 같은 군집에 속해있는 두 개체간의 최대거리에 대한 서로 다른 군집에 속해있는 두 개체간의 최소거리의 비율(ratio)로 정의되며, 값이 클수록 군집화가 잘 된 것으로 평가된다. dunn index (D_i)는 다음 Eq. (2.6)과 같이 계산할 수 있다.

d(i,j) : the intercluster distance, the distance between cluster i, j

d(k) : the intracluster distance of cluster k, the distance within cluster k

silhouette은 개체 i가 속해있는 군집 내의 모든 개체들과 i사이의 평균거리(a(i))와 개체 i가 속해있지 않은 다른 군집 내의 모든 개체들과 i사이의 평균거리 중 가장 작은 값(b(i))을 이용하여 도출하며, -1에서 1 사이의 값을 갖는다. silhouette (S_i)는 dunn index와 마찬가지로 값이 클수록 군집화가 잘 되었다고 판단하며, Eq. (2.7)과 같이 계산할 수 있다.

서울시내 17개 국가 물환경측정망에 대한 산정된 평균 수질농도 및 NSFWQI 수질지수는 Table 3과 같다. Table 3에 보듯이, 대부분의 수질측정망 평균 수질은 BOD 0.5~6.6 mg/L, TP 0.011~0.532 mg/L로 환경정책기본법 시행령 내 수질 및 수생태계 하천생활환경기준에 따라 BOD Ⅱ등급(약간 좋음) 이상, TP Ⅲ등급(보통) 이상으로 유기물 및 영양염류에 의한 오염은 양호한 것으로 나타났다. 수질지수 또한 64 (Medium)~89 (Good)으로 나타났으며, 중랑천4, 고덕천을 제외하고는 수생생물 서식처, 레저활동이 가능한 친수공간으로서 가능성을 보이는 등 전반적으로 17개 국가 물환경 측정망은 모두 양호한 수질을 보였다.

반면 Fig. 4에서 보듯이, 중랑천4, 고덕천 등 일부 수질측정망의 경우 수질이 최악일 때에는 BOD의 경우 22.7 mg/L (Ⅵ등급, 매우 나쁨), 7.1 mg/L (Ⅳ등급, 약간 나쁨)까지, TP의 경우 1.6 mg/L (Ⅵ등급, 매우 나쁨), 0.825 mg/L (Ⅵ등급, 매우 나쁨)까지 악화되어 수질지수는 51 (Medium), 53 (Medium)까지 떨어지는 경우도 발생하였다. 즉, 일부 수질측정망에서 수질지수가 낮게 나오는 이유는 다른 수질측정망에 비해 상대적으로 BOD, 탁도, 분원성대장균군 등의 유기성 오염물질과 미생물 항목이 고농도로 나타나는 등 오염 정도가 다른 수질측정망에 비해 상대적으로 높았기 때문이라고 판단된다. 특히 중랑천4의 경우에는 대표적 영양염류 인자인 TP도 고농도로 검출되었고, 동시에 수질지수 산정 시, 가중치가 가장 높은 DO (0.17) 항목의 농도는 Fig. 7과 같이 가장 낮아서 전체적으로 수질지수 또한 가장 작게 나타났다.

계절별로 수질지수 변화를 살펴보아도(Fig. 5), 중랑천4, 고덕천의 경우, 수질지수가 70 이하(Medium)로 나오는 등 다른 지점에 비해 좋지 않은 수질이 지속적으로 나타났다. 따라서 이러한 지점에 대하여 우선적으로 현장조사 및 수질을 악화시키는 원인(하상구조, 하천정비공사, 인근 시설 등)을 찾고, 궁극적으로는 해당되는 하천을 중심으로 오염부하량 저감을 위한 고도처리시설 개선, 하수관거정비사업과 함께 소권역별 유역중심의 물환경체계를 구축하는 등 체계적이고 효과적인 하천수질관리가 필요하다고 판단된다. 한편 강우, 전도현상 등 특히 겨울철의 경우 하천유지 유량이 적어 수질오염도가 상대적으로 높고, 소량의 오염물질 유입으로도 하천수질이 악화될 수 있어, 계절 특성에 따라 수질지수가 영향을 받을 것으로 예상했지만 이와 달리 지점별로 살펴본 계절별 수질지수는 일부 지점(성북천 74 (Good)~83 (Good), 성내천 71~77)을 제외하고는 지점별로 모두 5 이내의 차이를 보였다. 또한 계절별 평균 수질지수는 봄 74 (62~90), 여름 74 (65~90), 가을 75 (65~91), 겨울 75 (63~87) 등 수질등급이 모두 ‘Good’으로 나타나 계절별로 큰 차이를 보이지 않는 특징을 확인하였다. 따라서 NSFWQI 수질지수는 계절적인 영향보다는 인위적인 오염원 등에 영향을 크게 받는 것으로 판단된다.

하지만 Fig. 6을 살펴보면, 상대적으로 수질이 취약한 중랑천4, 고덕천의 경우, 2015년 1월~2016년 6월까지 평균 수질지수가 각각 60 (Medium), 66 (Medium)에서 2016년 7월~2017년 12월까지의 평균 수질지수는 각각 68 (Medium), 73(Good)으로 높아지는 등 2016년 하반기부터는 점차 수질개선이 이루어졌음을 알 수 있었는데, 이는 수질지수 가중치가 상대적으로 높은 오염물질 대표항목 BOD (0.11), TP (0.10), 분원성대장균군(0.16)에 있어서 BOD와 달리 TP, 분원성대장균군 항목의 농도가 전반적으로 감소하였기 때문이라고 판단된다(Fig. 7).

또한 본 연구에서 도출한 NSFWQI 수질지수와 환경기준에 따른 수질등급과의 상관성 및 연계 가능성을 살펴보았다. 비교결과, Fig. 8과 같이 R² (결정계수, Coefficient of determination)이 0.78로 비교적 높은 상관관계를 가지는 것으로 확인되었으며, 비정규분포에 따른 Wilcoxon Mann Whitney test 검정결과에서도 유의확률 p값이 0.2695로 유의수준 5%보다 크게 나타나 두 그룹(NSFWQI 수질지수, 환경기준에 따른 수질등급체계)간의 뚜렷한 차이를 볼 수 없었다. 따라서 현재 시행되는 수질등급체계와 NSFWQI 수질지수는 매칭이 잘 되는 것으로 판단된다.

수질특성에 따라 17개 국가 물환경측정망을 그룹화하기 위해서 Ward 연결법과 SOM을 이용한 군집분석 결과는 Fig. 9~11과 같다. 우선 Ward 연결법 군집분석 후, 군집화 적절성 척도로서 사용되는 dunn index와 silhouette을 이용하여 군집화를 평가하였다. 그 결과 17개 국가 물환경측정망을 6개의 그룹으로 나누었을 때 dunn index는 0.48, average silhouette width는 0.19로 계산되었다. 여기서 average silhouette width가 0.19로 작게 나타난 이유는 중랑천4, 성내천에서 silhouette이 0 (군집 간 경계면에 위치)을 갖는 등 일부 지점에서 아주 작은 값을 나타냈기 때문이며, 비록 average silhouette width는 작지만 음수가 발생하지 않았고, 특히 가능한 범위에서 다른 개수의 그룹으로 분류할 때보다 값이 높게 나타났기 때문에 군집화가 적정하게 이루어졌다고 판단하다였다. 또한 SOM을 이용한 군집분석 결과 역시 수질특성에 따라 6개의 그룹으로 나타내는 등 많은 자료를 빠르고 쉽게 분류할 수 있었다.

1번째 그룹은 청계천1, 청계천2, 청계천3, 도림천으로 묶였다. 청계천 1~3의 경우, 같은 줄기의 하천(청계천)이면서 거리상으로 크게 떨어져 있지 않기 때문에 유사한 수질특성을 보였으며, 특히 평균 수질지수가 모두 80 이상(Good)으로 높게 나타나는 등 주요 수질항목인 BOD, TP, 분원성대장균군 등의 오염정도가 낮은 깨끗한 수질특성을 보였다. 2번째 그룹은 중랑천 하류 지점인 중랑천4로, 이는 중랑천 최말단 지점으로서 J물재생센터 방류수도 유입되는 등 한강 본류에 합류하기 이전 지점이라는 특징상 다른 수질측정망에 비해 전반적으로 유기물, 분원성대장균군 등의 수질오염 정도가 높았다. 3번째 그룹은 고덕천, 안양천5로, 각각의 평균 수질지수는 고덕천 69 (Medium), 안양천5 70 (Good)으로, 유기물 지표항목인 BOD 평균농도는 각각 3.0 mg/L, 3.7 mg/L로 나타나는 등 이 역시 각각의 줄기 하천인 고덕천, 안양천의 하류 지점이라는 특징 때문에 수질특성이 좋지 않은 것으로 판단된다. 반면에 4번째 그룹은 양재천, 중랑천3, 목감천, 탄천5로 구성되어 있는데, 탄천5를 제외하고는 줄기 하천인 탄천, 중랑천, 안양천의 최말단 지점(중랑천4, 안양천5)보다 상류에 위치한다는 공통된 특징을 가지고 있다. 5번째 그룹은 고립된 군집으로서 성내천으로 나타났으며, 6번째 그룹은 우이천, 정릉천, 성북천, 중랑천2, 홍제천으로 그룹화 되었다. 특히 중랑천2와 우이천의 경우, 평균 수질지수는 각각 72 (Good), 76 (Good)으로, 주요 수질항목인 DO 평균농도는 12.1 mg/L, 12.0 mg/L로, 유기물 오염지표인 BOD 평균농도는 1.9 mg/L, 1.5 mg/L로, 영양염류 인자인 TP 평균농도는 0.080 mg/L, 0.030 mg/L로 수질특성이 유사하게 나타났는데, 이는 두 지점이 7 km 이상으로 떨어져 있지만, 줄기 하천이 중랑천으로 같고, 중랑천2와 우이천 사이에 오염원으로서 크게 작용하는 것이 없기 때문이라고 판단된다.

따라서 본 연구에서와 같이 Ward 연결법과 SOM을 이용한 군집분석 결과 등을 적극 활용함으로써 많은 자료를 빠르고 쉽게 분류하여 내재되어 있는 정보를 추출할 수 있었으며, 이를 통해 적은 수질항목으로도 전체적인 대상지점의 수질특성을 파악할 수 있었다.