수체에 유해 남조 (HAB)가 발생하면 수질이 저하되고 수자원 활용에 여러 가지 문제를 야기한다. 이러한 문제를 완화하기 위해 여러 국가에서는 HAB에 대한 모니터링 및 발생 예측 연구를 수행하고 있다. 현재 수행되는 조류 경보제는 현 부영양화 상태를 평가하여 유해 남조 발생 여부와 정도를 측정하는 데 활용되고 있다. 본 연구 목적은 사전 관리를 위해 HAB 발생을 사전 예측하여 조기 경보 시스템 구축에 지침을 제공하는 것이다. 본 연구에서는 데이터 기반의 심층학습 모델인 1 차원 합성곱 신경망 (1D-CNN), 기계학습 모델인 인공 신경망 (ANN), 랜덤 포레스트와 부스팅 모델을 포함한 앙상블 모델들을 사용하여 수질을 남조 농도에 따른 3 개의 남조 경보 레벨로 분류하여 조기 경보 레벨 예측을 수행했다. 모델에 사용된 데이터는 남조가 자주 발생하는 저수지에서 9 년 동안 수집된 수질, 수문, 기상 데이터로 12 개의 입력변수와 309 개의 샘플로 구성되었다. 모델 예측 결과, 하이퍼파라미터를 최적화한 1D-CNN, ANN, 앙상블 모델의 예측 정확도는 훈련 단계에서 각각 75.0%, 79.0%, 84.7%로 나타났으며, 테스트 단계에서는 72.1%, 73.8%, 78.7%로 나타났다. 테스트 단계에서 배깅을 적용한 앙상블 모델인 랜덤 포레스트가 최고의 정확도를 나타냈으며, 1D-CNN 모델은 가장 낮은 정확도를 나타냈다.
1D-CNN 은 대용량 데이터의 복잡성을 고려하여 효율적으로 처리하는 심층학습 모델로서, 본 연구에서는 309 개의 데이터를 사용한 결과 다른 단순한 기계학습 모델들보다 낮은 성능을 보였다. 따라서 소량의 데이터를 사용하여 모델의 예측을 수행하는 경우, 기계학습 모델인 랜덤 포레스트로도 좋은 예측 성능을 기대할 수 있으며, 심층학습 모델을 활용하는 경우에는 대용량의 데이터를 사용하는 것이 더 좋은 정확도를 얻을 수 있을 것으로 기대된다.