This study was conducted to select target fish species as baseline research for accumulation analysis of major hazardous chemicals entering the aquatic ecosystem in Korea and to analyze the impact on fish community. The test bed was selected from a sewage treatment plant, which could directly confirm the impact of the inflow of harmful chemicals, and the Geum River estuary where harmful chemicals introduced into the water system were concentrated. A multivariable metric model was developed to select target candidate fish species for hazardous chemical analysis. Details consisted of seven metrics: (1) commercially useful metric, (2) top-carnivorous species metric, (3) pollution fish indicator metric, (4) tolerance fish metric, (5) common abundant metric, (6) sampling availability (collectability) metric, and (7) widely distributed fish metric. Based on seven metric models for candidate fish species, eight species were selected as target candidates. The co-occurring dominant fish with target candidates was tolerant (50%), indicating that the highest abundance of tolerant species could be used as a water pollution indicator. A multi-metric fish-based model analysis for aquatic ecosystem health evaluation showed that the ecosystem health was diagnosed as “bad conditions”. Physicochemical water quality variables also influenced fish feeding and tolerance guild in the testbed. Eight water quality parameters appeared high at the T1 site, indicating a large impact of discharging water from the sewage treatment plant. T2 site showed massive algal bloom, with chlorophyll concentration about 15 times higher compared to the reference site.

2018년 10월부터 2019년 10월까지 광주지역의 대형마트(50건), 재래시장(25건) 및 온라인(50건)에서 구입한 보리차, 옥수수차, 결명자차, 둥글레차, 옥수수수염차 등 침출차 총 125건을 대상으로 중금속, 벤조피렌, 곰팡이독소 함량 조사를 통해 오염실태를 평가하였다. 중금속 중 As, Cd, Pb 함량을 검사하였으며, benzopyrene은 발암물질로 분류된 benzo(a)pyrene의 함량을 조사하였다. 그리고 곰팡이독소는 aflatoxin (AFB1, AFB2, AFG1, AFG2), ochratoxin A (OTA), fumonisin (FUB1, FUB2), zearalenone (ZON)의 함량을 검사하였다. 「식품공전」에 제시된 침출차의 규격과 비교해 보았을 때 중금속 함량은 기준이 설정된 범위(Pb 5.0 mg/kg 이하) 내에서 검출되어 모두 적합하였고, benzo(a)pyrene은 125건 중 16건의 시료에서 12.8%의 검출률을 나타내었으며, 곰팡이독소는 125건 중 29건의 시료에서 23.2%의 검출률을 나타내었다. 하지만 현재 우리 나라 「식품공전」에서는 침출차의 벤조피렌, 곰팡이독소 기준규격이 정해져있지 않아 이에 대한 안전성 여부는 확인하기 어려웠다.

본 연구에서는 2017년 대형유통매장 및 온라인에서 유통 중인 식약공용농산물 중 다소비 13품목 117건을 대상으로 중금속 4종(납, 카드뮴, 비소, 수은)과 아플라톡신(B1, B2, G1, G2)의 함량을 조사하였다. 납 함량 분석 결과 117건 모두 기준(5 mg/kg이하) 이내로 검출되었고, 납의 검출량을 살펴보면 백출, 오가피, 갈근, 당귀에서 상대적으로 높게 검출되는 것을 확인할 수 있었다. 카드뮴 함량 분석 결과 2.6%가 기준을 초과하여 검출되었다. 카드뮴 기준 초과한 시료는 갈근 2건, 백출 1건이고, 검출량은 갈근 2건에서 각각 2.150 mg/kg, 1.822 mg/kg(기준 0.3 mg/kg 이하)이었고, 백출이 1.130 mg/kg(기준 0.7 mg/kg 이하)이었다. 조사한 13품목 중 백출, 갈근, 당귀, 길경 등 뿌리 및 뿌리줄기 부위를 사용하는 식약공용농산물의 카드뮴 오염도가 비교적 높게 조사되었다. 비소 함량 분석 결과 ND~0.610 mg/kg의 검출범위를 나타내어 조사한 시료 모두 비소 기준(3 mg/kg 이하)에 적합하였다. 품목별 비소 함량 비교 결과 당귀가 평균 0.162 mg/kg으로 상대적으로 높게 검출되었다. 수은 함량 분석 결과 ND~0.0139 mg/kg으로 검출되어 식약공용농산물의 수은 오염도가 낮음을 확인하였다. 식약공용농산물의 아플라톡신(B1, B2, G1, G2) 오염도 조사 결과 11.1%의 검출률을 나타내었다. 갈근에서는 아플라톡신 G1이 검출되었고 감초의 경우 2건 모두 아플라톡신 G2가 검출되었다. 당귀는 검사한 10건 모두 아플라톡신 G1, B2가 동시에 검출되었다. 식약공용농산물 13품목 중 갈근, 백출, 감초, 당귀와 같이 뿌리부위를 사용하는 품목의 중금속(납, 카드뮴, 비소, 수은) 및 아플라톡신(B1, B2, G1, G2) 검출률이 높게 조사되었다. 식약공용농산물의 안전한 유통 및 효율적인 품질관리를 위해서는 비의도적 유해물질에 대한 수거·검사 확대 실시를 통해 부정불량 제품의 유통을 차단하고, 곰팡이독소 오염도 조사 결과를 바탕으로 기준규격 설정 검토 등의 품질관리체계 마련이 필요할 것으로 판단된다.

최근의 HNS 해상물동량 증가와 더불어 해상 HNS 사고의 증가에 따라 HNS 관리에 대한 중요성이 부각되어, 본 연구에서는 HNS 사고를 체계적으로 표현하여 Database화 할 수 있는 체계를 마련하기 위해 해상 HNS 사고사례 표준코드를 개발하고자 하였다. 연구 수행을 위해 먼저 기존 통계자료의 분류 항목과 국내외 법령에 따른 사고보고 항목을 조사하여 필수적인 사고보고 관련 요소들을 도출하였고, 해외 선진국의 유사한 표준 코드를 조사·분석하여 본 연구에서 개발하고자 하는 코드 설계에 참조하였다. HNS 사고사례 코드 설계는 사고정보를 입력·조회하는 일반적인 해상 HNS 사고의 흐름에 따라 ‘사고발생 → 사고초기정보 → 사고대응 → 사고조사’ 순으로 설정하였는데, 사고초기에 바로 알 수 있는 정보들을 먼저 5가지 대분류 항목으로 분류하여 사고초기정보(Preliminary Information Code; P.I.C.)로 구성하였고, 사고 발생 후 일정 시간이 지난 뒤 파악이 가능한 사고대응 관련 2개 항목, 사고조사 관련 3개 항목을 대분류 항목으로 설정하여 사고 초기정보(P.I.C.)를 포함하여 사고전체정보(Full Information Code; F.I.C.)로 구성하였다. 각 대분류 항목 아래에는 중분류, 소분류로 세분화하여 각 항목에 대하여 3단계로 표현할 수 있도록 하였다. 대표적인 HNS 유출사고를 코드에 적용하여 코드화한 결과 HNS 사고를 충분히 표현할 수 있음을 확인하였다. 본 코드를 적용함으로써 과거 발생했던 사고데이터의 분석을 통해 향후 발생가능한 사고의 예측이 가능할 것으로 예상되고, 미래에 발생하는 사고에 대한 데이터를 체계적으로 관리함으로써 사고 대비와 대응, 복구 등에 유용할 것으로 판단된다.