2.1 연구 대상 지역 및 데이터 수집

소스 모델의 사전 학습을 위한 소스 지점으로 갑천 하천 구간을 선정하였다. 장기 계절 주기, 수문학적 극한 사상, 급성 조류 대발생 사례를 안정적으로 학습하기 위해 국립환경과학원이 운영하는 물환경정보시스템으로부터 11년간의 장기 데이터셋(2015년 1월 1일∼2025년 12월 31일)을 활용하였다^{(National Institute of Environmental Research, 2026)}. 신규 설치 또는 재정 지원이 부족한 모니터링 지점의 실제 운영 여건의 제약을 반영하기 위해 대청(상류) 및 부여(하류) 지점을 타깃 지점으로 선정하였다. 소스 지점인 갑천(금강 본류 합류점으로부터 상류 방향 4.0 km 지점)은 금강으로 유입되는 주요 지류이며, 타깃 지점인 대청(상류 호소, 갑천 합류점 기준 상류로 약 14.6 km) 및 부여(하류 하천, 합류점 기준 하류로 약 39.2 km)와 함께 모두 동일한 금강 수계 내 상하류 네트워크로 유기적으로 연결되어 있다. 이처럼 세 지점은 근접한 지리적 거리를 바탕으로 거시적 기후 특성과 계절적 변동성을 긴밀히 공유하므로 공간 전이학습의 물리적 타당성을 충족한다. 해당 타깃 지점의 데이터셋은 3년간(2022년 11월 1일∼2025년 10월 31일)으로 제한하였으며, 이는 Local 학습 예측 모델의 성능 저하를 유발하는 전형적인 시계열 데이터 부족 상황을 반영한 것이다^{(Hakami, 2024)}.

전체 공간 지점의 수문⋅화학 자료는 수질 자동측정망을 통해 취득하였다. 모델 개발을 위한 독립 변수는 수온(Temp), pH, 전기전도도(EC), 용존산소(DO), 총유기탄소(TOC), 유량 등 6개의 물리화학적⋅수문학적 특성 변수로 구성되며, 모델이 예측하고자 하는 종속 변수는 조류 생체량 농도를 대표하는 Chl-a로 설정하였다(Fig. 1). 조류 증식과 밀접한 영양염류(TN, TP)는 잦은 센서 결측이 시계열 학습의 연속성을 저해할 우려가 있어 제외하였으며, 총유기탄소와 전기전도도로 수계 내 유기물 및 이온 부하의 변동성을 간접 대변하도록 하였다.

Fig. 1. Overview of the four-stage analytical framework.

2.2 데이터 전처리 및 결측 인식 텐서 구성

신경망 입력 전에 데이터셋에 대한 전처리 절차를 수행하였다. 물리 기반 필터를 적용해 음수 농도값 또는 물리화학적 허용 범위를 벗어난 센서 이상값을 제거하였다^{(Lin et al., 2023)}. 이후 Local Outlier Factor (LOF) 알고리즘을 전체 데이터셋에 적용함으로써 밀도 기반 국소 이상치를 식별하였다^{(Weber and Bieroza, 2026)}. 유효한 고농도 조류 발생 사례의 무결성을 엄격히 보존하면서, 무작위 센서 노이즈 및 비대표적 오류를 선택적으로 제거하였다^{(Talagala et al., 2019)}.

네트워크 수렴 안정화를 위해 7개의 입력 변수를 MinMaxScaler를 이용해 0∼1 범위로 정규화하였다^{(An et al., 2026)}. 타깃 지점 데이터의 유출을 방지하고 엄격한 도메인 적응 프로토콜을 준수하기 위해, 스케일러는 데이터가 풍부한 갑천 소스 데이터셋에만 적합시켰다^{(Hridoy et al., 2025)}. 산출된 기준 스케일링 파라미터를 대청 및 부여 타깃 데이터셋 변환에 동일하게 적용하여, 전체 공간 도메인에 걸쳐 균일한 특징 공간 매핑을 확보하였다.

전처리 과정에서 고빈도 시계열 데이터의 노이즈를 정제하고 신경망 학습을 위한 입력 텐서를 구조화하였다. 순환 신경망 처리를 위해 2D 시계열 데이터를(samples, 7 time steps, 7 features) 형태의 3D 텐서로 재구성하였다. 소스 모델과 타깃 모델 개발에 사용된 입력 변수의 종류와 차원은 모든 지점에서 완전히 동일하게 통일하여 공간 도메인 간 특징 공간의 일치성을 보장하였다. 자동 모니터링 시스템에 내재된 결측 구간을 인위적 보간 없이 처리하기 위해 gap-aware sliding window 알고리즘을 적용하였다^{(Cinar et al., 2018)}. 해당 알고리즘은 7일 연속 참조 구간을 유지하면서, 1일 이상의 결측이 포함된 시퀀스를 자동으로 건너뛰어 시계열 연속성을 유지하였다^{(Gupta and Gupta, 2025)}. 결측으로 인해 자동 제외된 시퀀스 비율은 지점별로 11.3%∼16.1% 수준으로 전반적인 시계열 연속성을 훼손하지 않는 범위 내에서 안정적으로 통제되었다. 최종적으로 각 지점의 텐서를 시계열 순서를 엄격히 준수하는 80/20 분할 방식으로 학습 및 독립 검증셋으로 구분하였으며, 특정 계절성 편향 및 데이터 유출을 방지하고 모델의 미래 미관측 조류 동태 예측 능력만을 객관적으로 평가할 수 있도록 조치하였다^{(Fournier et al., 2024)}.

2.3 소스 모델 사전 학습

환경 데이터로 학습된 표준 딥러닝 회귀 모델은 다수 클래스에 편향되는 통계적 경향을 보이며, 드물게 발생하는 고강도 사상을 체계적으로 과소 예측하는 한계를 보인다^{(Lin et al., 2023)}. 불균형 현상을 인공 데이터 합성 없이 해소하기 위해 비용 민감형 가중치(Cost-sensitive weighting) 메커니즘을 소스 모델의 학습 단계에 통합하였다^{(Xiao et al., 2025)}. 소스 데이터셋의 상위 사분위수를 기준점으로 하는 동적 시그모이드 가중 함수를 손실 계산에 도입하여, 고농도 피크 구간의 예측 오차에 대한 패널티를 높였다^{(Frischmon et al., 2025)}. 이 프레임워크는 신경망이 저농도 배경 구간을 보수적으로 예측하는 대신, 심각한 조류 대발생의 복잡한 수문⋅화학적 선행 조건들을 모델이 우선적으로 학습하도록 유도하는 역할을 한다^{(Lin et al., 2023)}.

기반 딥러닝 아키텍처는 입력 시계열 내의 복잡한 시간적 의존성을 효과적으로 포착하도록 설계되었다(Table 1). 순차 입력 텐서는 과거-미래 및 미래-과거 방향의 시간적 맥락을 동시에 추출하는 stacked Bidirectional GRU 레이어로 처리된다^{(Chen et al., 2021)}. 과적합 완화를 위한 드롭아웃 정규화가 각 레이어 사이에 삽입되며, 최종적으로 dense 레이어를 통해 연속형 Chl-a 농도 예측값이 산출된다^{(Zhang et al., 2023)}. 갑천 데이터셋을 이용한 사전 학습 단계에서는 적응적 학습률 감소 전략(5 epoch)과 조기 종료 메커니즘(15 epoch)을 활용하여 과적합을 방지하고 최적화를 수행하였다^{(Kim and Ahn, 2022)}.

데이터 불균형 현상을 합성 데이터 생성 없이 해소하기 위해, 소스 학습 단계의 손실 함수에 시그모이드 기반의 가중치 $w_i$는 관측된 Chl-a 농도의 표준편차 $\sigma_y$와 Q75 임계값 기반으로 다음 식과 같이 할당된다(Fig. 2).

해당 함수를 통해 산출된 가중치는 최소 1.0에서 최대 5.0 사이의 범위를 갖도록 정규화된다. 결과적으로 정상 샘플에는 평균 약 1.06의 가중치가, Q75 이상의 고농도 샘플에는 평균 4.85의 높은 가중치가 부여되어, 모델이 극단적인 조류 대발생 이벤트 학습에 집중하도록 유도한다.

Fig. 2. Distribution of the sigmoid-based cost-sensitive weighting function applied during the source model pre-training.

2.4 전이학습 프레임워크

전이학습 과정은 소스 모델의 범용적 수질 특징 추출 능력을 보존하면서 제한된 타깃 데이터 환경에서의 과적합을 원천 차단하는 차별화된 레이어 동결 프로토콜을 구현한다^{(Chen et al., 2024)}. 제안된 프레임워크를 두 가지 독립 기준 접근법과 비교하여, 하천 데이터 부족 극복에 있어 도메인 적응의 유효성을 체계적으로 평가하였다. 첫째, 사전 학습된 갑천 소스 모델을 local fine-tuning 없이 대청 및 부여 타깃 데이터셋에 직접 적용하는 Zero-shot 추론 기준 모델을 구성하였다^{(Liao et al., 2025)}. 이 시나리오는 수문 조건의 공간적 변화와 이질성으로 인해 상류 예측 모델이 하류에 원활히 전이될 수 없음을 보여주는 공간 성능 격차를 정량화하기 위한 것이다^{(Tian et al., 2019)}. 둘째, 신규 구축 지점에서의 기존의 일반적인 모델링 방식을 재현하기 위해 Local 학습 기준 모델을 평가하였다^{(Wang et al., 2026)}. 타깃 지점의 3년치 제한 데이터만을 이용하여 구조적으로 동일한 Bi-GRU 모델을 무작위 초기화 방식으로 학습시킴으로써, 데이터 부족 환경에서 복잡한 아키텍처를 학습할 때 나타나는 피크 사상 일반화 성능의 한계를 검토하였다^{(Dong et al., 2025)}.

제안된 도메인 적응 프레임워크는 소스 모델의 일반화된 물리적 특징 추출 능력과 타깃 지점의 국소적 통계 분포를 통합하는 방식으로 구성되었다^{(Devika et al., 2023)}. 갑천 데이터셋으로부터 습득된 범용 수문⋅화학적 물리 특성을 보존하기 위해, 사전 학습된 Bi-GRU 레이어의 가중치는 미세 조정 과정에서 고정하였다^{(Ma et al., 2021)}. 구조적으로는 사전 학습된 Bi-GRU 내의 모든 가중치와 편향 파라미터를 고정하여 전역적 특징 추출 기능을 유지하고, 타깃 지점 훈련 시에는 오직 최종 dense 레이어의 파라미터만을 역전파를 통해 업데이트하도록 제어하였다. 이를 통해 Transfer 모델은 제한된 타깃 데이터에 과적합되지 않으면서도 새로운 환경의 기저 농도 및 농도 스케일에 맞추어 예측값을 재보정할 수 있다^{(Vikram et al., 2019)}.

2.5 평가 방법

개발된 모델의 예측 성능 및 공간 전이 가능성을 평가하기 위해 결정계수(R²), 평균제곱근오차(RMSE), 평균절대오차(MAE)의 세 가지 표준 통계 지표를 활용하였다^{(Khoshvaght et al., 2025)}. R²는 환경 특징 변수들이 Chl-a 변동을 예측 가능하게 설명하는 비율을 정량화하는 지표로, 전반적인 적합도에 대한 종합적 측도를 제공한다^{(Makumbura et al., 2024)}. RMSE는 큰 예측 오차에 더 강한 패널티를 부여하여 조류 대발생 사상에서의 극단적 편차에 민감하게 반응한다^{(Kim and Chung, 2025)}. MAE는 연속 시계열 전반의 평균 예측 오차 크기를 직관적으로 나타내는 강건한 지표이다^{(Reich et al., 2016)}. 모델의 정량적 평가는 다음 수식으로 산출된다.

위 수식에서 $n$은 평가 셋의 총 시간 관측 수를 의미하며, $y_i$와 $\hat{y}_i$는 각각 실측 및 모델 예측 Chl-a 농도를, $\bar{y}$는 실측값의 산술 평균을 나타낸다.

이러한 전체 지표는 테스트 셋 전반의 평균 성능을 평가하나, 드물게 발생하는 고강도 조류 대발생 예측의 결함을 가릴 우려가 있다^{(Lin et al., 2023)}. 이를 보완하기 위해 고농도 집중 평가 프레임워크를 적용하였다. 타깃 지점 테스트 데이터셋에서 상위 25%에 해당하는 Chl-a 사상만을 명시적으로 추출하여, Zero-shot, Local, Transfer 모델을 해당 피크 구간에 대해서만 평가함으로써, 제안된 도메인 적응 프레임워크가 데이터 부족 하류 학습 데이터의 한계를 극복하여 고농도 조류 대발생 사례을 성공적으로 예측하는지 검증하였다^{(Busari et al., 2025)}.

2.6 공간적 변수 중요도 해석

딥러닝 아키텍처는 우수한 예측 정확도를 제공하나, 모델 특성으로 인해 예측에 영향을 미치는 환경 물리 메커니즘이 불명확한 경우가 많다^{(Lee et al., 2025)}. 실질적인 물리적 통찰을 추출하기 위해, 순열 변수 중요도(Permutation feature importance) 분석을 통해 각 하천 구간의 예측 모델에 대한 환경 변수별 기여도를 정량화하였다^{(Chang et al., 2026)}. 분석 절차는 개별 특징 열을 10회 반복적으로 무작위 셔플하고 R²의 저하 정도를 측정하는 방식으로 진행하였다^{(Ali and Ahmed, 2026)}. 이때 지연 타깃 변수(Chl-a)는 정규화에서 의도적으로 제외되어, 수온, pH, EC, DO, TOC, 유량 등 6개 순수 환경 인자의 상대적 영향력을 엄격히 분리하였다.

국소적 해석을 바탕으로 물이 상류 지점에서 하류 타깃 지점으로 이동함에 따라 조류 대발생의 주요 환경 유발 인자가 어떻게 동적으로 변화하는지를 매핑하는 공간 드리프트 분석(Spatial drift analysis)을 수행하였다^{(Wang et al., 2024)}. 이 공간 드리프트는 지류 유입과 수문 형태 변화의 누적 영향을 반영하며, 궁극적으로 도메인 적응 프레임워크에 대한 물리적 근거 기반의 수문학적 검증 자료를 제공한다.

3.1 데이터 특성 및 LOF 이상치 탐지 결과

모델 학습 전에 소스 및 타깃 지점의 원시 수문 데이터셋에 대해 물리 기반 전처리 및 밀도 기반 이상치 탐지를 수행하여 오류 자료를 제거하였다. 갑천 소스 지점의 데이터셋은 11년간(2015년 1월∼2025년 12월)의 일별 자료 4,018건으로 구성되었으며, 각 타깃 지점인 대청(상류) 및 부여(하류)는 3년간의 모니터링 기간(2022년 11월∼2025년 10월) 동안 수집된 1,096건의 자료를 포함하였다.

이상치 탐지 절차는 전체 모니터링 지점에서 높은 자료 보존율을 보이며 센서 오류 및 시계열 불연속 구간을 효과적으로 제거하였다. 갑천의 경우 물리적으로 유효한 자료 3,487건이 보존되어 86.78%의 보존율을 나타냈다(Table 2). 타깃 지점의 보존율은 상대적으로 높았는데, 이는 모니터링 기간이 짧고 최근 자료임을 반영한다. 대청은 1,063건(96.99%), 부여는 1,013건(92.43%)이 보존되었다. 고농도 사상이 이상치로 오인되어 제거될 우려를 검증한 결과, LOF 필터링 이후에도 갑천 97.6%(879/901건), 부여 96.9%(254/262건), 대청 96.4%(268/278건)의 고농도 샘플이 유지되었다. 이는 LOF 알고리즘이 예측에 필수적인 극단적 피크 사상은 온전히 보존하면서 기계적 노이즈만 선택적으로 정제하였음을 입증한다.

제거된 자료에 대한 통계적 검토는 LOF 알고리즘이 실제 생태적 조류 대발생 사상과 기계적 측정 오류를 효과적으로 구분할 수 있음을 보여준다. 갑천에서 이상치로 판별된 108건의 자료는 평균 Chl-a 27.49 µg/L, 최대값 119.40 µg/L를 보였으며, 보존된 데이터셋의 평균은 14.76 µg/L, 최대값은 86.20 µg/L로 나타났다. 이상치 탐지 산점도 및 시계열 도표는 LOF 알고리즘이 고정된 수평 임계값을 통해 고농도 값을 일괄적으로 제거하지 않았음을 보여준다. 국소 다차원 이웃에서 이탈한 고립 센서 오류 및 물리적 이상치를 필터링함으로써, 실제 심각한 조류 대발생 사상이 모델 학습을 위해 온전히 보존되었다.

하천 수계 전반에 걸쳐 부영양화 동태의 뚜렷한 공간적 이질성이 관찰되었다(Fig. 2). Chl-a 분포의 75%(Q75)는 심각한 조류 발생 예측에 대한 모델 성능 평가를 위한 고농도(HC) 사상의 기준 임계값으로 설정하였다. 갑천의 Q75는 20.75 µg/L로 나타났다. 타깃 지점에서의 수질 공간 드리프트는 뚜렷하게 확인되었는데, 대청은 Q75 14.45 µg/L를 유지한 반면, 부여는 현저히 높은 40.45 µg/L를 기록하였다. 이러한 차이는 하류로의 조류 생체량 누적을 반영하는 것으로, 이질적인 하천 환경에서 예측 모델을 전이할 때 공간 도메인 적응이 필수적임을 시사한다^{(Kim et al., 2021)}.

3.2 소스 모델 사전 학습 성능

공간 도메인 적응 전에 비용 민감형 GRU 모델을 갑천의 장기 데이터셋으로 사전 학습하고 기반 프레임워크를 구축하였다(Table 3). 본 아키텍처는 59,201개의 학습 가능한 파라미터와 7개의 물리화학적 입력 변수로 구성되었으며, 소스 하천 시스템의 비선형 생지화학적 변동을 포착하도록 설계되었다. 전체 검증 데이터셋에서 모델 수렴은 안정적이었으며, 전체 R² 0.87, RMSE 3.86 µg/L, MAE 2.43 µg/L를 달성하였다. 이는 해당 아키텍처가 기저 Chl-a 농도를 지배하는 계절적 패턴 및 수문 이송 특성을 효과적으로 포착하였음을 보여준다.

Q75 임계값(≥16.05 µg/L) 기준의 고농도 부분집합에 대해서도 별도로 평가하였다. 검증 기간의 150건 HC 사상에 대해 소스 모델은 급성 부영양화의 선행 인자를 재현하였으며, HC R² 0.56, HC RMSE 6.06 µg/L, HC MAE 4.58 µg/L를 나타냈다.

실측값 대 예측값 산점도 및 시계열 추적 결과는 소스 모델이 표준 회귀 알고리즘의 조건부 편향을 완화하였음을 보여준다. 심각한 조류 대발생 구간에서도 예측값이 1:1 기준선에 근접하게 분포하였으며, 이는 전이 전에 소스 모델의 구조적 신뢰성과 학습된 물리적 표현의 품질을 확인시켜 준다^{(Chang et al., 2021)}.

Fig. 3. Cross-site chlorophyll-a (Chl-a) time series and distribution characteristics at the three monitoring stations after LOF-based quality control. (a) Temporal Chl-a dynamics at Gapcheon (source), (b) temporal Chl-a dynamics at Buyeo (downstream), (c) temporal Chl-a dynamics at Daecheong (upstream).

3.3 타깃 지점에서의 도메인 적응 및 모델 비교

소스 지점과 타깃 지점 간의 환경 인자 분포 차이를 정량화하기 위해 통계적 비유사성 검정을 수행하였다(Table 4). 검정 결과, 대청 지점은 전기전도도에서 SMD 4.52를, 부여 지점은 pH에서 SMD 2.22를 기록하여 대상 유역 간 상당한 도메인 이동이 존재함이 확인되었다. 이러한 데이터 분포의 뚜렷한 차이는 기존 모델의 Zero-shot 성능을 크게 제한할 수밖에 없으므로, 타깃 지점의 특성을 학습시키기 위한 전이학습이 반드시 선행되어야 함을 뒷받침한다.

공간 도메인 적응 프레임워크를 평가하기 위해, 대청 및 부여 타깃 지점에서 전이 모델의 예측 성능을 두 가지 기준 전략인 Zero-shot 모델 및 Local 모델과 비교하였다. Zero-shot 모델은 국소 미세 조정 없이 사전 학습된 갑천 아키텍처를 타깃 지점에 직접 적용한 것으로, 공간 이질성이 모델 정확도에 미치는 영향을 보여주었다^{(Yan et al., 2025)}. 전체 적합도는 보통 수준이었으나, 고농도 조류 대발생 사상에 대한 성능은 현저히 저하되는 것으로 나타났다(Fig. 4). 대청에서 Zero-shot 모델은 HC R² -0.59, HC RMSE 24.32 µg/L를 기록하였다. 부여에서도 극단적 피크가 유사하게 포착되지 않았으며, HC R² 0.43, HC RMSE 21.21 µg/L에 그쳤다. 이러한 과소 예측은 하천 지점별로 고유한 생지화학적 특성이 존재하여 단순 공간 전이가 조류 관리에 효과적이지 않음을 보여준다.

Local 모델은 3년간의 타깃 지점 데이터만으로 처음부터 학습된 모델로서, 국소 수질 모델링의 관행적 접근 방식을 대표한다. 이 전략은 단기 환경 모니터링에 내재된 데이터 부족 문제를 명확히 드러냈다. 대청에서 Local 모델은 전체 R² 0.83을 달성하여 표면적으로 수용 가능한 결과를 보였다. 그러나 Chl-a 상위 사분위수에 대한 평가에서는 급성 부영양화 사상 예측 실패가 확인되었으며, HC R² -0.01, HC RMSE 19.37 µg/L에 그쳤다(Fig. 5). 이러한 Local 모델의 고농도 예측 붕괴 현상은 3년이라는 제한된 관측 기간에 기인한 표본 수 부족으로 설명된다. 실제 타깃 지점의 test set 내 고농도 사상의 표본 크기는 부여 지점이 42개, 대청 지점이 47개에 불과하였다. 모델 훈련 과정에서 노출된 극한 사상의 절대적인 빈도 자체가 200건 미만으로 극히 제한적이었기 때문에, 무작위 초기화된 Local 모델은 심각한 조류 대발생을 촉발하는 수문⋅화학적 선행 인자를 자력으로 학습하지 못하였다.

Transfer 프레임워크는 소스 모델의 Bi-GRU 레이어를 동결하여 수체의 물리화학적 특성을 보존하고, 최종 밀집 출력 레이어만을 타깃 데이터셋으로 미세 조정함으로써 공간 이질성과 데이터 부족 문제를 동시에 해결하였다^{(Allahyari et al., 2025)}. 이 접근 방식은 뚜렷한 예측 성능 향상을 나타냈다.

대청에서 Transfer 모델은 전체 R²를 0.89로 향상시키고 전체 RMSE를 8.95 µg/L로 감소시켰으며, 극단 사상 예측 성능은 HC R² 0.30, HC RMSE 16.17 µg/L로 회복되었다. 부여에서의 성능 향상은 더욱 두드러졌는데, Transfer 모델은 두 기준 모델을 모두 상회하여 전체 R² 0.91, HC R² 0.87, HC RMSE 10.25 µg/L를 달성하였다. 이는 데이터 부족의 제약이 효과적으로 극복되었음을 보여준다.

지점별 성능 향상의 차이는 수계 고유의 물리적 특성에서 기인한다. 기저 농도가 낮은 상류 대청(Q75=14.45 µg/L)은 Local 모델이 피크 사상에서 완전히 붕괴(HC R²=-0.01)했으나, 전이학습을 통해 예측력을 복원하며 오차를 16.5% 감소시켰다. 반면, 영양염류가 풍부해 기저 피크가 높은 하류 부여(Q75=40.45 µg/L)는 Transfer 모델 도입 시 Local 대비 40.4%의 오차 개선율과 함께 HC R²가 0.87로 크게 상향되었다. 이는 지점별 상대적 Q75 임계값 적용을 통해 전이학습이 이질적인 하천 환경에서도 극한 사상 예측을 효과적으로 안정화함을 정량적으로 입증한다(Fig. 6).

또한, 제안된 전이학습 프레임워크 내 ‘비용 민감형 가중치’와 ‘레이어 동결’ 기법의 개별 기여도를 확인하기 위해 요소별 제거 실험(Ablation study)을 수행하였다(Table 5). 소스 사전 학습 단계에서 가중치 함수를 제외한 경우, 대청 지점의 고농도 R²가 0.30에서 -1.31로 크게 감소하였다. 이는 비용 민감형 손실 함수가 데이터 부족 환경에서 고농도 구간의 예측 성능 저하를 완화하는 데 중요한 역할을 함을 시사한다. 한편, 모든 레이어를 미세 조정한 경우(Unfrozen) 부여 지점의 고농도 R²는 0.87에서 0.76으로 감소하였다. 이는 제한된 데이터 조건에서의 전면 미세 조정이 모델의 과적합(Overfitting)을 유발할 가능성이 있음을 보여주며, 결과적으로 최종 출력 레이어만 선택적으로 미세 조정하는 동결 프로토콜이 보다 안정적인 전략이 될 수 있음을 뒷받침한다.

Fig. 4. Comparative model evaluation across transfer learning strategies at the Buyeo (downstream) and Daecheong (upstream) stations. Scatter plots of observed versus predicted Chl-a concentrations are shown for: (a) Zero-shot model at Buyeo, (b) Local model at Buyeo, (c) Transfer model at Buyeo, (d) Zero-shot model at Daecheong, (e) Local model at Daecheong, and (f) Transfer model at Daecheong. The dashed line in each panel represents the 1:1 reference line.

Fig. 5. Comparison of prediction performance across three model strategies (Zero-shot, Local, and Transfer) at the Buyeo and Daecheong target stations. Overall test set performance is shown for (a) R², (b) RMSE (µg/L), and (c) MAE (µg/L). High-concentration subset performance (top 25% of Chl-a events) is shown for (d) R², (e) RMSE (µg/L), and (f) MAE (µg/L).

Fig. 6. Time series comparison of observed and predicted Chl-a concentrations across three model strategies during the test period at (a) Buyeo and (b) Daecheong.

3.4 물리적 해석: 환경 인자의 공간 드리프트

순열 기반 변수 중요도 분석을 통해 모델 예측의 기저 물리적 메커니즘을 규명하였다. 갑천 소스 지점에서 소스 모델은 주로 계절적 열역학 변수가 주요 인자로 작용하였으며, 수온이 중요도의 56.36%를, 용존산소가 15.74%를 차지하였다.

공간 도메인 적응 이후, 미세 조정된 Transfer 모델에서 뚜렷한 하류 방향의 생지화학적 변화가 확인되었다(Table 6). 대청에서는 수온 의존성이 73.60%로 증가하였으며, 총유기탄소가 16.61%로 2순위 중요 인자로 나타났다. 가장 하류에 위치한 부여 지점에서는 수온의 중요도가 0.00%로 감소하였다. 이 지점의 예측은 오히려 pH (47.63%), TOC (33.14%), 전기전도도(15.09%) 등 국소적 생지화학적 신호가 지배적 인자로 작용하는 것으로 나타났다.

이러한 인자 중요도의 공간적 변화는 도메인 적응 프레임워크가 하천 시스템의 실제 물리적 이질성을 효과적으로 포착하였음을 보여준다. 모델은 일반화된 패턴에 적합되는 대신, 상류의 계절적 제약으로부터 유기물 누적 및 지류 유입이 주도하는 하류의 부영양화 유발 인자로의 전이를 반영하는 방향으로 적응하였다^{(Yang et al., 2008)}.

전역적 기여도만을 산출하는 순열 변수 중요도의 한계를 보완하고, 각 인자의 작용 방향성과 시계열 지연 효과(Time-lag effect)를 파악하고자 SHAP 분석을 추가로 수행하였다(Fig. 7). 고농도 이벤트에 대한 SHAP 분석 결과, 하류 부여 지점에서는 과거 7일간의 높은 Chl-a 기저 상태와 더불어 국지적인 pH 및 DO의 상승이 예측값을 강하게 상향(+) 견인하는 인과적 방향성이 확인되었다. 반면 상류 대청 지점에서는 높은 수온이 고농도 예측을 주도하여, 앞서 관찰된 공간 드리프트 현상이 개별 대발생 이벤트의 촉발 기작에서도 일관되게 작용함을 보여준다. 최고 피크 샘플에 대한 분석 결과는 평균 기댓값에서 출발하여 과거 선행 수질 수치들이 순차적으로 기여도를 누적하며 최종 고농도 예측값에 도달하는 경로를 명확히 제시한다. 이는 전이학습 모델이 단순한 통계적 회귀를 넘어, 과거의 환경 상태가 누적되어 현재의 피크를 유발하는 수문학적 메커니즘을 안정적으로 포착하고 있음을 시사한다.

Fig. 7. SHAP analysis for the transfer model at the Buyeo site. (a) SHAP beeswarm plot for the high-concentration events, (b) SHAP waterfall plot for a single peak extreme event.