1. 서 론
2. 연구방법
2.1 수치모의 자료의 재구성
2.2 물리정보 기반 입력변수의 구성
3. AI 예측모형 및 분석방법
3.1 비교 AI 모형
3.2 그룹 교차검증과 성능평가
3.3 설명가능성 및 강우조건 쌍대비교
3.4 모형 설정과 재현성 원칙
4. 결과 및 분석
4.1 AI 모형의 예측성능
4.2 교차검증 예측의 재현성과 오차구조
4.3 물리정보 기반 영향인자 해석
4.4 강우조건 변화에 따른 첨두응답의 체계적 변화
4.5 유역형상별 강우조건 민감도와 수문학적 의미
4.6 강우분포형 및 이동방향에 따른 조건민감도
5. 결 론
1. 서 론
이동강우는 강우 중심 또는 강우대가 시간에 따라 유역을 통과하는 현상으로, 동일한 강우량이라도 이동방향과 이동속도에 따라 유역 내 유출파의 중첩시점이 달라질 수 있다. 따라서 첨두유량과 첨두시간은 단순한 점강우 강도뿐 아니라 강우의 시·공간적 운동학적 특성과 유역형상의 결합에 의해 결정된다. 이동강우가 홍수수문곡선의 크기와 형상을 변화시키는 기 선형된 연구에서 이론·실험적으로 제시하였으며, 국내에서도 분포형 모형 및 유역 방향성에 관한 연구가 지속되어 왔다(Cortes and Vapnik, 1995; De Lima and Singh, 2003; Fisher et al., 2019; Geurts et al., 2006).
기존의 대칭 모형유역 수치연구(Breiman, 2001)는 면적 1 km2의 정방형, 장방형, 신장형 유역을 대상으로 강우이동속도 1.25~10.0 m/s, 횡방향·하류방향·상류방향·대각선방향, 그리고 균등·전진·지연·중앙집중 강우분포형을 조합하여 운동파 방정식으로 유출수문곡선을 계산하였다. 또한 동일 강우강도에서 강우길이를 고정하는 조건과, 총강우량을 일정하게 유지하도록 강우길이를 이동속도에 비례시킨 조건을 구분하였다. 이러한 수치실험은 이동강우의 기본적 물리응답을 체계적으로 제시하였다는 장점이 있으나 각 조건별 표와 수문곡선을 개별적으로 비교하는 방식만으로는 복수 인자의 비선형 상호작용을 일관된 예측식으로 표현하기 어렵다.
최근 수문학에서는 복잡한 강우-유출 관계와 다양한 수문인자 간 비선형 상호작용을 분석하기 위하여 기계학습 및 딥러닝 기법의 활용이 확대되고 있다(Karpatne et al., 2017; Kratzert et al., 2018; Ogden et al., 1995). 그러나 이동강우 문제에서 이동속도 자체만을 입력변수로 사용할 경우, 동일한 이동속도라도 강우장의 공간길이와 유역의 지표면 및 하도 이송시간에 따라 서로 다른 수문학적 의미를 가질 수 있다. 또한 순수 데이터 기반 모형은 높은 예측성능을 나타내더라도 입력변수와 수문응답 간의 물리적 관계를 직접적으로 설명하기 어렵고, 제한된 학습조건에서 도출된 통계적 관계를 물리적 인과관계로 해석할 위험이 있다. 이에 본 연구에서는 지배방정식을 AI 모형의 손실함수에 직접 결합하는 PINN(Physics-Informed Neural Network) 방식이 아니라, 강우이동과 유역 내 유출이송을 나타내는 물리적 시간척도 및 무차원비를 입력특성으로 구성하는 물리정보 기반 머신러닝 접근법을 적용하였다. 이를 통해 이동속도, 강우 공간길이 및 유역 이송시간의 상대적인 관계를 AI 입력자료에 명시적으로 반영하고, 설명가능성 분석을 통해 첨두유량과 첨두시간을 지배하는 수문학적 요인을 정량적으로 해석하고자 하였다.
본 연구의 목적은 기존 수치모의 결과를 재서술하는 것이 아니라, 공개된 첨두유량과 첨두시간 결과를 하나의 학습자료로 재구성하고 물리적 시간척도를 입력한 AI 대리모형을 구축하여 새로운 분석축을 제시하는 데 있다. 구체적으로 두 강우조건을 포함한 384개 시나리오 데이터베이스를 구성하고, 유역형상 및 강우이동에 대한 대표 시간척도와 무차원비를 생성하며, Random Forest(RF), Extra Trees(ET), Support Vector Regression(SVR)의 일반화 성능을 그룹 교차검증으로 비교하고, 순열 중요도와 강우조건의 쌍대비교를 이용하여 Qp와 Tp를 지배하는 요인을 해석한다. 본 연구는 새로운 기계학습 알고리즘의 발명을 주장하기보다, 이동강우 수치실험에 적합한 물리정보 기반 설명가능 AI 분석틀을 제안한다는 점에 차별성이 있다.
2. 연구방법
2.1 수치모의 자료의 재구성
원 연구의 유역면적은 모두 1,000,000 m2이며, 정방형은 W × Z = 1,000 × 1,000 m, 장방형은 2,500 × 400 m, 신장형은 400 × 2,500 m로 구성된다. 유역 중앙에 수로가 위치하며, 지표면 대표유속은 1.0 m/s, 수로 대표유속은 1.5 m/s로 설정되어 있다. 강우이동속도는 1.25, 2.5, 5.0, 10.0 m/s, 이동방향은 횡·하류·상류·대각선, 강우분포형은 균등·전진·지연·중앙집중형이다. 원문에서 강우강도와 강우길이가 동일한 조건과, 강우강도와 총강우량이 동일한 조건을 각각 모의하였으므로 본 연구에서는 이를 각각 Fixed-Length(FL)와 Fixed-Total(FT) 강우조건으로 정의하였다. AI 데이터는 Table 1과 같이 구성하였으며, 분석 절차는 Fig. 1에 나타내었다.
Table 1.
Numerical experiment conditions for generating AI training data
2.2 물리정보 기반 입력변수의 구성
범주형 입력만을 사용하는 AI는 동일한 속도값이 강우의 공간길이와 유역 이송시간에 따라 전혀 다른 의미를 가질 수 있다는 점을 직접 표현하기 어렵다. 이에 본 연구에서는 원 연구의 모형기하 및 대표유속을 이용하여 물리적 시간척도를 Table 2와 같이 구성하였다. 유역형상계수 F와 종횡비 AR은 식 (1)과 같이 정의하였다.
여기서 A는 유역면적, W는 유역 폭, Z는 수로방향 유역길이이다. FL 조건의 강우길이 Lr은 1,000 m로 고정하였다.
Table 2.
Definitions and physical meanings of input variables for the AI model
FT 조건은 원문에서 총강우량을 일정하게 유지하기 위해 강우길이가 이동속도에 비례한다고 명시하였으므로, 1.25 m/s에서 1,000 m를 기준으로 2.5, 5.0, 10.0 m/s에서 각각 2,000, 4,000, 8,000 m로 환산하였다. 이 환산은 AI 입력특성 생성을 위한 파생값이며, 새로운 운동파 수치모의를 의미하지 않는다.
Tr은 이동강우가 자신의 공간길이만큼 통과하는 시간, To는 유역 중심수로까지의 대표 지표면 이송시간, Tc는 수로방향 대표 이송시간이다. Vo = 1.0 m/s, Vc = 1.5 m/s는 원 연구의 가정값을 사용하였다. ηo와 ηc는 강우통과시간에 대한 유역 이송시간의 상대적 크기를 로그변환한 무차원 특성이다. 방향성은 범주형 변수와 함께 흐름방향 성분(dir_long)과 횡방향 성분(dir_cross)을 부가하여 하류(+), 상류(-), 횡방향(0), 대각선의 혼합방향을 연속적으로 표현하였다.
3. AI 예측모형 및 분석방법
3.1 비교 AI 모형
AI 모형은 소규모·구조화 자료에서 상호작용을 안정적으로 학습할 수 있는 RF, ET, SVR을 선택하였다. RF는 부트스트랩 표본과 무작위 변수선택을 결합한 트리 앙상블이며, ET는 분할변수와 분할점의 무작위성을 더 크게 부여하여 분산을 감소시키는 방법이다. SVR은 커널 함수를 이용하여 비선형 관계를 고차원 특징공간에서 회귀하는 모형으로, 본 연구에서는 RBF 커널을 사용하였다. 각 알고리즘은 원자료 입력(raw)과 물리정보 입력(phys)의 두 형태로 구성하여 물리정보의 기여를 분리하였다.
Raw 입력은 유역형상, 강우조건, 이동방향, 강우분포형 및 이동속도로 구성하였다. Phys 입력은 강우조건, 이동방향, 강우분포형에 F, AR, Vr, Lr, Tr, To, Tc, ηo, ηc 및 방향성 연속성분을 추가하였다. 범주형 변수는 one-hot encoding을 적용하였고, SVR의 연속형 입력은 표준화하였다. Qp와 Tp는 서로 다른 목표변수로 개별 학습하였다.
3.2 그룹 교차검증과 성능평가
일반적인 무작위 행 분할은 같은 유역형상·강우조건·속도에서 생성된 방향 또는 강우분포 사례가 학습과 검증에 동시에 포함되어 성능이 과대평가될 수 있다. 따라서 본 연구에서는 ‘유역형상 × 강우조건 × 이동속도’를 하나의 그룹으로 묶고 총 24개 그룹을 6개 fold로 나누는 GroupKFold 검증을 적용하였다. 모든 행은 자신이 속한 그룹 전체가 학습에서 제외된 상태에서 한 번씩 외부예측(out-of-fold prediction)되었다. 구조적 자료에서 그룹단위 검증이 중요하다는 Roberts et al.(2017)의 논의를 반영한 것이다.
성능지표는 MAE, RMSE, R2를 사용하였다. 모든 오차는 원단위에서 산정하였으며 Qp는 m3/s, Tp는 min이다. 본 연구의 ‘참값’은 현장관측값이 아니라 원 논문의 운동파 수치모의값이므로, 성능지표는 AI가 기존 수치모의 응답면을 얼마나 잘 근사하는지를 의미한다.
3.3 설명가능성 및 강우조건 쌍대비교
최종모형의 영향인자는 순열 중요도(permutation importance)로 해석하였다. 특정 입력변수의 값을 무작위로 섞은 후 RMSE가 얼마나 증가하는지를 계산하므로, 증가폭이 클수록 해당 변수가 예측에 중요하다고 해석할 수 있다. 변수들 사이에 상관성이 존재할 경우 중요도가 분산될 수 있으므로 순열 중요도는 절대적 인과효과가 아니라 학습모형의 예측 의존도를 나타내는 지표로 사용하였다.
또한 동일한 유역형상·속도·방향·강우분포형을 가진 FL과 FT 사례를 1:1로 대응시켜 ΔQp = Qp_FT-Qp_FL, ΔTp = Tp_FT-Tp_FL 및 상대변화율을 계산하였다. 이 쌍대비교는 강우이동속도가 증가할 때 ‘공간강우길이를 고정하는 경우’와 ‘총강우량을 유지하도록 강우길이를 늘리는 경우’의 응답 차이를 직접 정량화하기 위한 것으로, 원 연구의 개별 수문곡선 비교와 다른 분석축을 제공한다.
3.4 모형 설정과 재현성 원칙
모형 비교의 목적은 특정 알고리즘을 과도하게 튜닝하여 최소오차를 얻는 것이 아니라, 동일한 데이터 분할에서 물리정보 입력의 효과와 알고리즘별 일반화 차이를 비교하는 데 있다. 따라서 RF는 180개 트리와 최대깊이 12, ET는 220개 트리와 최대깊이 14를 사용하였고, 두 앙상블 모두 최대 변수비율 0.9와 난수시드 2026을 적용하였다. SVR은 RBF 커널, C = 30, ε = 0.05를 사용하였다. 검증자료를 이용한 사후 하이퍼파라미터 선택은 수행하지 않았다.
또한 최종 순열 중요도는 전체 자료로 다시 적합한 목표별 최종모형에 대해 산정하였으므로, 변수중요도 값 자체는 교차검증 성능지표가 아니다. 예측성능 평가는 오직 그룹 외부예측값으로 계산하고, 전체자료 적합은 해석단계에서만 사용하여 성능평가와 설명단계를 구분하였다. 이 구분은 소규모 수치실험 자료에서 과적합된 설명을 성능개선으로 오인하는 것을 방지하기 위한 절차이다.
4. 결과 및 분석
4.1 AI 모형의 예측성능
AI 모형을 활용하여 예측 성능 결과는 아래의 Table 3과 Fig. 2와 같다.
Table 3.
AI model performance by group 6-fold cross-validation
Qp 예측에서는 SVR-phys가 RMSE 4.351 m3/s, R2 0.909로 가장 우수하였다. SVR-raw의 RMSE 4.384 m3/s와 비교하면 물리정보의 개선폭은 0.75%로 크지 않았으나, 그룹 단위로 조건을 제외한 상태에서도 R2 0.90 이상을 유지하였다. 이는 Qp가 강우분포형과 방향성 등 범주적 조건에 의해 크게 구분되는 동시에 시간척도 정보가 추가적인 보정역할을 수행함을 의미한다.
Tp 예측에서는 ET-phys가 RMSE 4.689 min, R2 0.955로 가장 높은 성능을 보였다. 동일 ET-raw의 RMSE 5.279 min과 비교하면 11.17% 감소하였다. RF에서도 물리정보 입력이 Tp RMSE를 14.57% 감소시켰고, SVR에서는 24.41% 감소하였다. 따라서 첨두시간은 단순한 속도 숫자보다 강우 통과시간과 유역 이송시간의 상대관계를 입력했을 때 일관되게 예측력이 향상되었다.
4.2 교차검증 예측의 재현성과 오차구조
Fig. 3은 최종 Qp 및 Tp 모형의 외부예측값과 원 수치모의값을 비교한 것이다. Qp는 약 30~70 m3/s 구간에서 전반적으로 1:1선 주변에 분포하였으나, 일부 조건에서는 60 m3/s 전후의 수치모의값을 과소 또는 과대평가하는 산포가 확인되었다. 이는 특정 형상·속도 그룹을 통째로 제외하는 검증을 적용했기 때문에 동일 조건의 인접 사례를 직접 참조할 수 없었던 영향으로 해석된다. 반면 Tp는 넓은 5~105 min 범위에서도 전반적으로 높은 선형성을 유지하였다. 다만 80 min 이상의 극단 지체조건은 표본수가 적어 오차가 상대적으로 증가하였다.
4.3 물리정보 기반 영향인자 해석
Table 4 및 Fig. 4와 같이, 순열 중요도 분석은 첨두유량(Qp)과 첨두시점(Tp)을 예측하기 위한 최종 모형에서 각 입력변수가 기여하는 상대적인 중요도를 나타고 있다.
Table 4.
Main permutation importances of the final models
4.4 강우조건 변화에 따른 첨두응답의 체계적 변화
동일한 형상·방향·강우분포를 쌍으로 비교하면 Vr = 1.25 m/s에서는 FL과 FT의 조건차가 거의 없었다. 이는 두 조건 모두 기준 강우길이 1,000 m를 사용하기 때문이다. 그러나 속도가 증가할수록 두 조건의 차이는 급격히 확대되었다. 2.5 m/s에서 FT의 평균 Qp는 FL보다 12.18%, Tp는 55.36% 증가하였고, 5.0 m/s에서는 각각 27.59%, 158.12% 증가하였다. 10.0 m/s에서는 Qp 57.18%, Tp 346.61%의 차이가 발생하였으며, 결과는 아래의 Table 5 및 Fig. 5와 같다.
Table 5.
Difference in Mean Peak Response between FT and FL Conditions by Rainfall Movement Speed
| Vr (m/s) | ΔQp (m3/s) | ΔQp (%) | ΔTp (min) |
| 1.25 | -0.557 | -0.96 | 0.390 |
| 2.5 | 6.513 | 12.18 | 15.846 |
| 5 | 12.867 | 27.59 | 24.660 |
| 10 | 20.694 | 57.18 | 30.081 |
이 결과는 ‘이동속도가 빠르면 첨두시간이 짧아진다’는 단순 명제가 강우 공간길이의 정의에 따라 달라질 수 있음을 보여준다. FL 조건에서는 속도 증가와 함께 Tr이 직접 감소하므로 수문곡선이 압축된다. 반면 FT 조건에서는 동일 총강우량을 유지하기 위해 Lr이 Vr에 비례하여 증가하여 Tr이 일정하게 유지된다. 따라서 빠른 이동속도에서도 강우의 공간적 영향범위가 늘어나 유역 이송과의 중첩이 유지되고, 특히 Tp가 FL 조건에 비해 크게 지체될 수 있다. 이러한 차이는 강우량의 ‘크기’뿐 아니라 강우장의 운동학적 길이와 지속시간을 함께 규정해야 함을 시사한다.
4.5 유역형상별 강우조건 민감도와 수문학적 의미
유역 형상에 따른 강우조건 민감도와 수문학적인 분석을 수행하기 위하여 유역 형상별 FT-FL 평균 첨두응답차이를 분석한 결과를 Table 6과 같이 작성하였다.
Table 6.
Difference in mean peak response between FT and FL conditions by basin shape
| Basin shape | ΔQp (m3/s) | ΔQp (%) | ΔTp (min) | ΔTp (%) |
| Elongated | 10.422 | 27.62 | 17.197 | 128.78 |
| Oblong | 11.723 | 29.47 | 19.695 | 154.66 |
| Square | 7.493 | 14.90 | 16.208 | 136.92 |
형상별 평균으로는 장방형이 Qp 29.47%, Tp 154.66%로 가장 큰 강우조건 민감도를 보였고, 신장형은 각각 27.62%, 128.78%, 정방형은 14.90%, 136.92%였다. 다만 이는 모든 속도·방향·분포형을 평균한 값이ㅋ며 개별 조건에서의 최대·최소 응답을 의미하지 않는다. 장방형은 폭이 길고 수로방향 길이가 짧아 To가 크고 Tc가 작은 반면, 신장형은 반대의 시간구조를 가진다. AI가 ηo, ηc, Tc 등을 중요변수로 활용한 결과는 같은 면적이라도 형상에 따라 강우운동과 유역 이송의 동기화가 달라진다는 점을 정량적으로 뒷받침한다.
본 연구의 AI는 운동파 계산을 대체하는 지배방정식 해석기가 아니라, 이미 계산된 시나리오들의 응답면을 근사하는 대리모형이다. 따라서 데이터가 존재하지 않는 새로운 면적, 경사, 조도계수, 침투조건 또는 자연유역에 직접 외삽해서는 안 된다. 특히 원 수치연구는 불투수면, 일정 대표유속, 이상화된 유역형상을 가정하므로 실제 유역의 침투, 저류, 하도비선형성, 지형분산 효과가 포함되어 있지 않다. 향후에는 동일 수치코드로 경사·조도·면적·침투율을 변화시킨 확장 실험을 생성하고, 독립 관측유역에 대한 외부검증을 수행할 필요가 있다.
4.6 강우분포형 및 이동방향에 따른 조건민감도
강우 분포형 및 이동방향별 FT-FL 평균 상대변화율 분석 결과는 아래의 Table 7과 같다.
강우분포형별 FT-FL 차이는 균등분포에서 Qp 2.33%로 가장 작았고 전진형에서 37.59%로 가장 컸다. 반면 Tp의 조건민감도는 지연형에서 228.48%로 가장 크게 나타났으며 중앙집중형 173.24%, 균등형 93.02%, 전진형 67.65% 순이었다. 즉 Qp와 Tp는 같은 강우조건 변화에 대해 동일한 방향으로 민감하지 않으며, 첨두의 크기와 발생시점을 분리하여 해석해야 한다.
이동방향별로는 상류방향의 Qp 상대차가 30.98%로 가장 크고 하류방향은 16.63%로 가장 작았다. Tp는 대각선방향이 154.16%로 가장 컸으나 횡방향과 상류방향도 약 145% 수준으로 유사하였다. 하류방향은 절대 첨두유량이 큰 조건이 빈번하지만, FT와 FL의 상대차 자체는 다른 방향보다 작게 나타났다. 따라서 ‘가장 큰 홍수응답을 만드는 방향’과 ‘강우조건 정의에 가장 민감한 방향’은 서로 다른 개념이며, 설명가능 AI 분석에서는 두 특성을 구분할 필요가 있다.
Table 7.
Mean relative change rates between FT and FL conditions by rainfall distribution type and movement direction
이와 같은 결과는 AI를 단순 예측기로 사용하는 것보다 조건민감도와 상호작용을 탐색하는 분석도구로 활용할 수 있음을 보여준다. 향후 추가 수치실험에서는 강우분포형을 연속적인 공간강도 함수로 매개변수화하고, 방향각 역시 범주가 아닌 0~360° 연속변수로 확장한다면 현재의 범주형 결과를 일반화된 응답표면으로 발전시킬 수 있다.
5. 결 론
본 연구에서는 대칭 모형유역을 대상으로 수행된 이동강우 운동파 수치모의 결과를 384개의 AI 학습사례로 재구성하고, 강우이동과 유역 이송과정의 물리적 시간척도를 입력특성으로 반영한 설명가능 AI 대리모형을 구축하였다. 기존 연구가 유역형상, 이동방향, 이동속도 및 강우분포형별 수문곡선과 첨두특성을 개별적으로 비교하였다면, 본 연구에서는 전체 수치모의 조건을 하나의 학습자료로 통합하고 그룹 교차검증과 순열 중요도 분석을 통해 첨두유량(Qp)과 첨두시간(Tp)의 예측성능 및 주요 영향인자를 정량적으로 평가하였다. 주요 연구결과는 다음과 같다.
(1) Qp 예측에서는 물리정보 기반 SVR이 RMSE 4.351 m3/s, R2 0.909로 가장 높은 일반화 성능을 나타냈으며, Tp 예측에서는 물리정보 기반 Extra Trees가 RMSE 4.689 min, R2 0.955로 가장 우수하였다. 특히 Tp의 경우 물리정보 입력에 따라 RMSE가 ET, RF 및 SVR에서 각각 11.17%, 14.57% 및 24.41% 감소하여, 첨두발생시간 예측에서 강우 통과시간과 유역 이송시간의 상대적 관계를 고려하는 것이 효과적임을 확인하였다.
(2) 순열 중요도 분석 결과, 강우분포형은 Qp와 Tp 예측 모두에서 주요 영향인자로 나타났으며, Tp에서는 강우 통과시간(Tr)이 높은 중요도를 나타냈다. 또한 Qp 예측에서는 강우 통과시간과 지표면·수로 이송시간의 상대적 관계를 나타내는 물리정보 특성이 주요 변수로 나타났다. 이는 이동강우에 대한 첨두응답이 이동속도 자체뿐만 아니라 강우장의 통과시간과 유역의 유출 이송시간 간의 시간적 관계에 의해 영향을 받을 수 있음을 보여준다.
(3) 동일한 유역형상, 이동방향 및 강우분포형을 대상으로 FL과 FT 조건을 쌍대비교한 결과, 이동속도가 증가할수록 두 강우조건의 첨두응답 차이가 확대되었다. 특히 10.0 m/s에서 FT 조건의 평균 Qp와 Tp는 FL 조건보다 각각 57.18%와 346.61% 크게 나타났다. 따라서 이동강우에 따른 홍수응답을 평가할 때에는 이동속도뿐만 아니라 강우의 공간길이와 총강우량 유지조건을 함께 고려할 필요가 있다.
(4) 본 연구에서 제안한 물리정보 기반 AI는 지배방정식을 손실함수에 직접 포함하는 PINN 방식이 아니라, 강우 통과시간(Tr), 지표면 이송시간(To), 수로 이송시간(Tc) 및 이들의 상대적 시간비를 머신러닝 입력특성으로 반영하는 대리모형 접근법이다. 이를 통해 기존 수치모의 결과의 비선형 응답관계를 효율적으로 근사하는 동시에 순열 중요도를 이용하여 첨두응답에 영향을 미치는 주요 수문학적 인자를 해석할 수 있음을 확인하였다.
(5) 다만 본 연구는 일정한 대표유속과 이상화된 대칭 모형유역을 이용한 기존 운동파 수치모의 결과에 기반하므로 실제 유역의 침투, 지표저류, 하도저류, 지형 및 토지피복의 공간적 불균질성 등을 직접 반영하지 못한다. 따라서 현재 모형을 실제 설계홍수량 또는 홍수위 산정에 직접 적용하기보다는 이동강우 조건에 따른 수문응답 특성을 신속하게 탐색하기 위한 대리모형으로 활용하는 것이 적절하다. 향후에는 유역면적, 경사, 조도, 침투 및 토지피복 조건을 포함한 수치실험을 확대하고, 레이더 강우 및 실측 유출자료를 이용한 독립적인 외부검증을 수행함으로써 실제 자연유역 및 도시유역으로의 적용성을 검토할 필요가 있다.
