Suitable environmental conditions in Saemangeum frequently favor phytoplankton growth. There have been occurrences of sudden phytoplankton blooms, surpassing the algae management standards. A model was designed to prevent such blooms using scientific predictive techniques to forecast and regulate the possibility of phytoplankton blooms. We propose effective and efficient algae control measures concerning every phytoplankton species optimized through the policy control of nutrients (DIN, PO4-P) from rivers and controlling lake salinity using gate operations. The probability of phytoplankton blooms was initially forecast using an artificial neural network algorithm based on observations. The model's Kappa number fluctuated from 0.7889 to 1.0000, indicating good to excellent predictive power. The Garson algorithm was then utilized to assess the significance of explanatory variables for every species. Meanwhile, the probability of phytoplankton blooms was anticipated depending on the DIN and salinity value changes. Therefore, the model predicted the precise DIN and salinity concentrations to inhibit phytoplankton blooms for each species. Hence, the green algae model can create effective proactive measures to avoid future phytoplankton blooms in enormous artificial lakes.

새만금 내에서는 종종 식물플랑크톤이 증식하기에 알맞은 환경조건이 생성되며 일시에 식물플랑크톤 대증식이 발생하면서 조 류 관리기준을 초과하는 사례가 발생하고 있다. 이를 대비하기 위하여 과학적 예측기법을 토대로, 식물플랑크톤의 종별로 가장 효과적이 고 효율적인 녹조발생 억제 방안을 제안하기 위하여 식물플랑크톤 대증식 가능성을 예측하고, 제어할 수 있는 모델을 개발하였다. 즉, 하 천에서 유입하는 영양염(DIN, PO4-P)을 정책적으로 조절하고, 갑문운영을 통해 호 내 염분을 제어하는 것이다. 먼저 관측치로부터 인공신 경망 알고리즘을 이용해 식물플랑크톤 대증식 가능성을 예측 결과, 모델의 Kappa 수는 0.7889 ~ 1.0000의 범위로, good ~ excellent 수준이었 다. 다음으로 Garson 알고리즘을 이용하여 종별로 설명변수의 중요도를 평가하였고, 또한 DIN 및 염분 값의 변화에 따른 식물플랑크톤 대 량 증식 확률을 예측하였다. 그 결과, 각 종별로 식물플랑크톤의 대증식을 억제할 수 있는 DIN과 염분 농도를 정량적으로 예측할 수 있었 다. 따라서, 향후 새만금과 같은 거대한 인공 호수에서 식물플랑크톤의 대증식을 억제하기 위한 효율적이고 효과적인 대응방안을 마련할 수 있도록 녹조제어모델을 활용할 수 있을 것으로 판단된다.

1. Introdution
2. Material and Method
    2.1 Algal bloom control model design
    2.2 Data and preprocessing
    2.3 Prediction of phytoplankton overgrowth potential
    2.4 Variable importance
    2.5 Initial conditions for species-specific prediction
3. Results and Analysis
    3.1 Artificial Neural Network Algorithm Fit Result
    3.2 Importance of explanatory variables
    3.3 Algal bloom control model prediction result
4. Conclusion

• Seonghwa Park(PhD Candidate, Dept. of Civil & Environmental Engineering, Kunsan National University, Kunsan 54150, Korea) | 박성화 (군산대학교 토목환경공학부 박사과정)
• Jonggu Kim(Professor, Dept. of Environmental Engineering, Kunsan National University, Kunsan 54150, Korea) | 김종구 (군산대학교 환경공학과 교수)
• Minsun Kwon(PhD, Ocean Physics Dept., Land & Ocean Environmental Eng., Suwon 16690, Korea) | 권민선 (국토해양환경기술단 연구원) Corresponding author