본 연구는 충주댐 (청풍호)의 부유식 수상태양광 발전 시스템 (FPV)이 수질에 미치는 영향을 조사하고자 하였다. 충주댐 (청풍호) FPV는 수표면적 (97 km2)의 0.04% 를 차지 한다. FPV 설치 전후 호수 전체의 수질을 비교·분석하였다. 전체 호수의 DO, BOD, TOC 및 Chl-a는 설치 기간 후 유의한 수준 (p<0.05)에서 증가한 반면, 전기전도도는 감소하였다. 이는 동일한 비교 기간 동안 40% 증가한 강수량 으로 인해 영양염류 유입이 증가한 때문으로 판단된다. 또한 2017년 5월과 11월 FPV 중앙 직하부 (FPVC) 및 영향권 지점에서 수질 인자를 측정·비교하였다. 그 결과, FPVC와 영향권 지점의 수질 인자가 통계적으로 다르지 않았으며 (p>0.05), FPV 시설이 수질 저하를 유발하지 않음을 보여주었다. 2018년 9월부터 11월까지 5차례에 걸쳐 수온, 광도 및 식물 플랑크톤 군집도 수심별로 측정·분석하였다. 수온은 지점별로 다르지 않았으며, 광도는 FPVC에서 27~50%로 감소한 것으로 조사되었다. 대조구와 비교해보면 감소된 광도에도 불구하고 FPVC에서 조류의 출현종과 현존량이 유의미하게 다르지 않았다 (p>0.05). 그러나, 11월 초의 시료의 경우, FPVC에서 Aulacoseira 속에 속하는 부착 규조류가 우점하였으며 대조구보다 현존량이 상당히 높았다. 이는 FPV 시스템에 의한 일시적이고 국부적인 정체 수역 형성과 관계있을 것으로 판단된다. 본 연구 결과는 향후 수상태양광 설치에 관한 정책수립에 필요한 기초 자료를 제공할 수 있을 것으로 판단된다. 또한 수상태양광 시설에 대한 장기적인 수질 모니터링과 수상태양광 시설에 의한 수리동역학적 연구, 수상태양광의 설치 면적과 수질과의 상관관계 연구 등이 필요하며 이를 통해 수상태양광 활용성을 극대화 시킬 수 있을 것으로 보인다.

This study was conducted to collect the information on the behavioral characteristics and the habitat environment of mandarin fish (Siniperca schezeri) and catfish (Parasilurus asitus) with acoustic telemetry method in Chungju Lake, Korea. Mandarin fish tended to stay within 1km from the release points in downstream, and had a strong diurnal behavior. They approached to the lakefront at night. They also preferred to stay at deep water off the lakefront. The average swimming speed was faster at night (0.4BL/s) than during a day (0.2BL/s). They swam the shallow water area at night. Catfish frequently moved between upstream and downstream. Catfish tended to act during a day. The average swimming speed was faster during a day (0.3BL/s) than at night (0.2 BL/s). The average swimming depth was 14.3m, and they tended to float about 4m during a day.

본 연구에서는 충주댐을 대상으로 유역모델인 SWAT과 저수지모델인 CE-QUAL-W2를 연계 적용하여 기후변화에 따라 저수지로 유입되는 하천의 유량 및 탁수발생량을 모의하고, 저수지내의 탁수변화 및 부영양화 영향평가를 통한 저수지 수환경 변화를 전망하였다. 먼저 SWAT을 적용하여 강우시 저수지 유입하천의 유량 및 수질을 모의하여 모델의 재현성을 검토하였으며, 모형의 보정(2000～2005)과 검증(2006～2010) 결과 모델 예측값과 실측값이 적절하게 일치하는 것으로 나타났다. SWAT의 결과를 CE-QUAL-W2의 하천유량 및 유입수 수질 경계조건 입력 자료로 활용하고, 보정(2010년)과 검증(2008년)을 통하여 저수지 내 시간에 따른 물수지, 수온 변화, 부유물질(SS), T-N, T-P 및 부영양화(Chl-a) 양상 등을 분석하고 모델의 재현성을 검토하였다. 이후 기후변화 시나리오 적용에 따른 저수지 내 수환경 변화를 모의하기 위한 기후변화 자료로 IPCC AR4 GCM(ECHO-G)을 고해상도 지역기후시나리오로 개선시킨 RCM(MM5)의 A1B 시나리오를 다시 태풍사상을 고려한 인공신경망 기법에 의해 상세화하여 이용하였다. 기후변화 시나리오에 따른 기온증가의 영향으로 미래로 갈수록 상층수온은 증가하는 반면 심층수온은 감소하는 경향을 보였다. SS 최고유입농도는 평수년에 비해 풍수년에 17%, 갈수년에 0.2% 가량 증가하는 것으로 나타났다. 호소내 SS 10mg/L 이상 점유일수는 평수년에 비해 풍수년이 6일, 갈수년이 17일 증가하였고, 점유율 역시 풍수년에 24%, 갈수년에 26% 가량 증가하는 것으로 분석되었다. 미래로 갈수록 기후변화가 충주댐 탁수 장기화에 영향을 미치는 것으로 분석되었다. Chl-a의 최고농도는 평수년에 비해 풍수년에 19%, 갈수년에 3% 가량 조류의 농도가 증가되는 것으로 나타나 조류의 영향이 커지는 것을 알 수 있었다.

본 연구의 목적은 충주호 유역을 대상으로 2차원 횡방향 평균 수리 및 수질모형인 CE-QUAL-W2를 이용하여 호소내 수온분포, 부유물질및부영양화과정의변화특성을모의하고모형의적용성을평가하는것이다. 지형및단면자료구축을 위해 충주호를 남한강 본류(branch 1)와 유입 경계부(branch 2∼7)로 구분하여 격자를 구성하였다. 호소 수질모델링을 위한 주요 입력 자료로 기상자료, 호소의 수온과 탁도 초기조건, 하천의 유량과 수온, 수질 경계조건 자료를 구축하였다. 이후실측된수온, 부유물질(SS), 총질소(TN), 총인(TP), 조류(Chl-a)에대하여모형의보정(2010) 및검증(2008)을수행하여모형의적용가능성을평가하였다. 충주호의수온은4월부터표층수온이증가하여7월초에성층현상이발생되고12월에는연직수온분포가일정하게유지되었다. 집중호우발생후에는성층구조가교란되어수온약층이약10 m가량하강하였다. SS는수온과동일한패턴으로집중호우발생후에증가하다가12월에안정화되었으며, 2008년7월에발생된중층밀도류의 분포 현상을 잘 재현하였다. TN, TP의 경우 농도의 범위를 잘 재현하였지만, 모형 내에서 질소성분의 침강속도 및 인의 흡착-침전과정이 적절히 모의되지 않아 오차가 발생하였다. Chl-a의 경우 2010년과 2008년 여름의 조류의 성장패턴을 잘 반영하였지만, 모형이 횡방향 평균 유속과 농도를 사용함에 따른 모형의 한계점이 나타났다.

This study was carried out to evaluate the artificial neural network algorithm for water quality forecasting in Chungju lake, north Chungcheong province. Multi-layer perceptron(MLP) was used to train artificial neural networks. MLP was composed of one input layer, two hidden layers and one output layer. Transfer functions of the hidden layer were sigmoid and linear function. The number of node in the hidden layer was decided by trial and error method. It showed that appropriate node number in the hidden layer is 10 for pH training, 15 for DO and BOD, respectively. Reliability index was used to verify for the forecasting power. Considering some outlying data, artificial neural network fitted well between actual water quality data and computed data by artificial neural networks.