수문학적 모델링 (Hydrological Modeling)
1. 개요
수문학적 모델링이란 소규모 유역부터 국가 단위, 나아가 지구 전체 규모에 이르기까지 지구 표면과 대기, 지하수 사이에서 일어나는 물의 순환 과정(수문 순환)을 수학적, 물리적, 또는 통계적 방법으로 단순화하여 재현함으로써 수자원의 거동을 예측하고 분석하는 기법이다.
수문학적 모델링의 핵심 목적은 강수량과 같은 입력 변수가 주어졌을 때, 유출량(Runoff)이나 지하수위 변화와 같은 출력 변수를 정확히 산출하는 것이다. 이를 통해 자연 상태의 수문 시스템을 모사하며, 인간의 간섭(댐 건설, 도시화 등)이나 기후 변화가 수자원에 미치는 영향을 정량적으로 평가한다.
[수문 순환 과정 다이어그램]
graph TD
A[강수 Precipitation] --> B{지표면}
B --> C[증발산 Evapotranspiration]
B --> D[침투 Infiltration]
B --> E[지표 유출 Surface Runoff]
D --> F[토양수 Soil Moisture]
F --> G[심층 침투 Percolation]
G --> H[지하수 Groundwater]
H --> E
E --> I[하천 및 바다]
C --> A
2. 모델의 분류 및 유형
수문 모델은 분석 목적, 가용 데이터의 양, 요구되는 정밀도에 따라 다양한 방식으로 분류된다.
2.1 접근 방식 및 복잡도에 따른 분류
수문 모델은 주로 다음과 같은 대립 쌍의 특성에 따라 분류된다.
1) 결과 도출 방식: 결정론적 vs 확률론적
* 결정론적 모델 (Deterministic Model): 입력값이 동일하면 항상 동일한 결과가 나오는 모델로, 물리 법칙에 기반하여 인과관계를 명확히 규명한다.
* 확률론적 모델 (Stochastic Model): 입력값의 무작위성과 확률 분포를 고려하여 결과의 불확실성을 함께 제시하는 모델이다.
2) 공간적 표현 방식: 집중형 vs 분산형
* 집중형 모델 (Lumped Model): 유역 전체를 하나의 단위로 간주하여 평균값을 사용하는 모델로, 계산 속도가 빠르나 공간적 변동성을 무시한다.
* 분산형 모델 (Distributed Model): 유역을 격자(Grid)나 소유역으로 나누어 위치별 특성을 반영하는 모델로, 정밀도가 높으나 방대한 데이터와 계산 능력이 필요하다.
3) 모델링 기반: 물리 기반 vs 개념적
* 물리 기반 모델 (Physically-based Model): 질량 및 에너지 보존 법칙, Darcy의 법칙 등 물리적 원리를 직접 수식화한 모델이다.
* 개념적 모델 (Conceptual Model): 실제 물리적 과정과 유사한 저장소(Reservoir) 개념을 도입하여 단순화한 모델이다.
2.2 모델 유형별 비교표
| 구분 |
집중형 모델 |
분산형 모델 |
개념적 모델 |
물리 기반 모델 |
| 복잡도 |
낮음 |
높음 |
낮음~중간 |
매우 높음 |
| 데이터 요구량 |
적음 |
매우 많음 |
적음 |
많음 |
| 계산 속도 |
매우 빠름 |
느림 |
빠름 |
매우 느림 |
| 공간 해상도 |
없음 (유역 평균) |
높음 (격자 단위) |
낮음 |
높음 |
| 주요 장점 |
효율적인 빠른 예측 |
정밀한 공간 분석 |
매개변수 최적화 용이 |
물리적 근거 명확 |
| 적용 사례 |
대규모 유역 유출량 예측 |
도시 침수 분석, 토양 보전 |
장기 수자원 계획 |
지하수 유동 해석 |
3. 모델링의 기본 원리와 구성 요소
수문 모델의 가장 기본이 되는 원리는 질량 보존의 법칙(Law of Conservation of Mass)이며, 이를 수문학에서는 물수지 방정식(Water Balance Equation)으로 표현한다.
3.1 물수지 방정식
$$\Delta S = P - (ET + Q_s + Q_g)$$
* $\Delta S$: 저장량의 변화 (Change in Storage)
* $P$: 강수량 (Precipitation)
* $ET$: 증발산량 (Evapotranspiration) - 증발과 식물의 증산 작용을 합친 개념
* $Q_s$: 지표 유출량 (Surface Runoff) - 지표면을 통해 하천으로 흘러나가는 물의 양
* $Q_g$: 지하수 유출량 (Groundwater Outflow/Baseflow) - 토양 및 암반층을 통해 유출되는 물의 양
3.2 주요 수문 성분의 수식화
- 침투 (Infiltration): 강수가 토양 속으로 스며드는 과정으로, 주로 Horton 식이나 Green-Ampt 식을 사용하여 시간에 따른 침투능의 감소를 계산한다.
- 증발산 (Evapotranspiration): 잠재 증발산량(PET)을 계산하기 위해 Penman-Monteith 식과 같은 에너지 수지 기반 식을 사용한다.
- 유출 (Runoff): SCS-CN(Soil Conservation Service Curve Number) 방법과 같이 토양형과 토지이용 상태를 수치화하여 유출량을 산정한다.
4. 모델 구축 및 검증 과정
수문 모델은 단순히 수식을 세우는 것에 그치지 않고, 실제 관측 데이터와의 일치성을 확보하는 반복적인 최적화 과정이 필수적이다.
4.1 표준 워크플로우
- 데이터 수집: 강수량, 기온, 증발량, 하천 수위/유량 관측 데이터 및 DEM(수치표고모델), 토양도 수집.
- 모델 구축: 대상 유역의 특성에 맞는 모델 선정 및 매개변수(Parameter) 초기값 설정.
- 매개변수(Parameter): 수문 모델의 매개변수란 유역의 물리적 특성을 대표하는 수치(예: Manning의 조도계수, 토양의 투수계수, 저류계수 등)를 의미한다.
- 매개변수 보정 (Calibration): 관측된 유출량과 모델 계산값이 최대한 일치하도록 매개변수를 조정하는 과정.
- 검증 (Validation): 보정에 사용되지 않은 독립적인 기간의 데이터를 입력하여 모델의 예측 성능을 최종 확인하는 과정.
4.2 보정 및 검증 주요 통계 지표
| 지표 |
명칭 |
설명 |
이상적인 값 |
| NSE |
Nash-Sutcliffe Efficiency |
관측값의 분산 대비 모델 오차의 비율을 측정하여 모델의 예측 효율성을 평가 |
1에 가까울수록 우수 (1=완벽 일치) |
| $R^2$ |
결정계수 |
관측값과 예측값 사이의 선형 상관관계 정도를 나타냄 |
1에 가까울수록 우수 |
| PBIAS |
Percent Bias |
관측값 대비 모델값이 전체적으로 과대 또는 과소 평가된 정도를 백분율로 표시 |
0에 가까울수록 우수 |
| RMSE |
Root Mean Square Error |
예측값과 관측값 차이의 제곱 평균의 제곱근으로, 절대적인 오차 크기를 측정 |
0에 가까울수록 우수 |
5. 주요 활용 분야 및 사례
- 홍수 예측 및 경보: 실시간 강수 데이터를 입력하여 하천 수위를 예측하고, 범람 위험 시 조기 경보 시스템을 가동한다.
- 가뭄 분석: 장기적인 강수 부족과 증발산량 증가를 분석하여 농업 및 공업용수 부족 가능성을 진단한다.
- 수자원 관리: 댐의 방류량 조절, 저수지 용량 설계 및 효율적인 용수 배분 계획을 수립한다.
- 기후 변화 영향 평가: RCP/SSP 시나리오를 모델에 적용하여 미래의 강수 패턴 변화가 유역 유출량에 미치는 영향을 예측한다.
6. 한계점 및 최신 동향
6.1 한계점 및 불확실성 분석
전통적인 수문 모델링은 다음과 같은 불확실성 문제를 내포하고 있다.
* 입력 데이터의 불확실성: 관측소 부족으로 인한 공간적 대표성 결여 및 측정 오차.
* 매개변수의 불확실성 (Equifinality): 서로 다른 매개변수 조합이 동일한 결과(출력값)를 내는 현상으로, 모델의 물리적 타당성을 확보하기 어렵게 만든다.
* 구조적 불확실성: 실제 자연 현상을 단순화된 수식으로 모사하는 과정에서 발생하는 근본적인 모델링 오차.
6.2 최신 동향: 데이터 기반 모델링 (Data-driven Modeling)
최근에는 물리적 메커니즘을 직접 수식화하는 대신, 방대한 양의 데이터를 학습하여 입력과 출력의 관계를 찾아내는 머신러닝(ML) 및 딥러닝(DL) 기법이 도입되고 있다. 특히 LSTM(Long Short-Term Memory) 네트워크는 시계열 데이터인 수문 데이터의 특성을 잘 반영하여 높은 예측 성능을 보인다.
6.3 Python 기반 수문 데이터 분석 예시 (시차 및 이동평균)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 1. 가상의 수문 시계열 데이터 생성 (일별 강수량 및 유출량)
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=100)
precip = np.random.exponential(scale=5, size=100)
# 유출량은 강수량에 시차(Lag)와 감쇠가 적용된 형태로 생성
runoff = pd.Series(precip).shift(1).fillna(0) * 0.6 + np.random.normal(0, 1, 100)
runoff = runoff.clip(lower=0)
df = pd.DataFrame({'precipitation': precip, 'runoff': runoff}, index=dates)
# 2. 수문학적 특성 분석: 이동 평균(Rolling Average) 및 시차(Lag) 분석
# 7일 이동 평균을 통해 단기 변동성을 제거한 추세 확인
df['precip_7d_avg'] = df['precipitation'].rolling(window=7).mean()
df['runoff_7d_avg'] = df['runoff'].rolling(window=7).mean()
# 강수-유출 간의 상관관계 분석을 위한 시차(Lag) 적용 (1일 시차)
correlation = df['precipitation'].corr(df['runoff'].shift(-1))
print(f"Correlation between Precipitation and Runoff (1-day lag): {correlation:.2f}")
print(df[['precipitation', 'runoff', 'runoff_7d_avg']].head(10))
[부록] 실무 적용 가이드
대표적인 수문 모델 소프트웨어
| 소프트웨어 |
개발 기관 |
주요 특징 |
적용 규모 |
| HEC-HMS |
US Army Corps of Engineers |
가장 널리 쓰이는 유출 모델, 사용자 친화적 UI, 이벤트 기반 모의 |
소유역 ~ 대유역 |
| SWAT |
Texas A&M University |
토지 이용, 토양, 기후 영향을 고려한 장기 수자원 및 수질 모의 |
대규모 유역 |
| SWMM |
US EPA |
도시 유출 및 하수관거 모의 특화, 우수-오수 통합 관리 |
도시 유역 |
| MIKE SHE |
DHI (Denmark) |
지표수-지하수 통합 모의 가능, 고정밀 분산형 모델 |
전 유역 통합 |
| MODFLOW |
USGS |
세계 표준 지하수 유동 해석 모델, 3차원 격자 기반 |
지하수 유역 |
| TOPMODEL |
Various |
지형 지수(Topographic Index) 기반의 개념적 모델 |
중소규모 유역 |
모델 선택 기준 플로우차트
graph TD
Start([모델 선택 시작]) --> Q1{분석 목적이 무엇인가?}
Q1 -- 도시 침수/하수도 --> SWMM[SWMM 선택]
Q1 -- 하천 유출/홍수 예측 --> Q2{가용 데이터가 충분한가?}
Q1 -- 지하수 유동 해석 --> MODFLOW[MODFLOW 선택]
Q1 -- 장기 수자원/수질 분석 --> SWAT[SWAT 선택]
Q2 -- 아니오 / 단순 예측 필요 --> Q3{물리적 근거가 중요한가?}
Q2 -- 예 / 정밀 분석 필요 --> MIKE_SHE[MIKE SHE / 분산형 모델 선택]
Q3 -- 아니오 / 빠른 결과 필요 --> HEC_HMS[HEC-HMS / 집중형 모델 선택]
Q3 -- 예 / 이론적 검증 필요 --> PhysModel[물리 기반 개념 모델 선택]
# 수문학적 모델링 (Hydrological Modeling)
## 1. 개요
**수문학적 모델링**이란 소규모 유역부터 국가 단위, 나아가 지구 전체 규모에 이르기까지 지구 표면과 대기, 지하수 사이에서 일어나는 물의 순환 과정(수문 순환)을 수학적, 물리적, 또는 통계적 방법으로 단순화하여 재현함으로써 수자원의 거동을 예측하고 분석하는 기법이다.
수문학적 모델링의 핵심 목적은 강수량과 같은 입력 변수가 주어졌을 때, 유출량(Runoff)이나 지하수위 변화와 같은 출력 변수를 정확히 산출하는 것이다. 이를 통해 자연 상태의 수문 시스템을 모사하며, 인간의 간섭(댐 건설, 도시화 등)이나 기후 변화가 수자원에 미치는 영향을 정량적으로 평가한다.
### [수문 순환 과정 다이어그램]
```mermaid
graph TD
A[강수 Precipitation] --> B{지표면}
B --> C[증발산 Evapotranspiration]
B --> D[침투 Infiltration]
B --> E[지표 유출 Surface Runoff]
D --> F[토양수 Soil Moisture]
F --> G[심층 침투 Percolation]
G --> H[지하수 Groundwater]
H --> E
E --> I[하천 및 바다]
C --> A
```
---
## 2. 모델의 분류 및 유형
수문 모델은 분석 목적, 가용 데이터의 양, 요구되는 정밀도에 따라 다양한 방식으로 분류된다.
### 2.1 접근 방식 및 복잡도에 따른 분류
수문 모델은 주로 다음과 같은 대립 쌍의 특성에 따라 분류된다.
**1) 결과 도출 방식: 결정론적 vs 확률론적**
* **결정론적 모델 (Deterministic Model):** 입력값이 동일하면 항상 동일한 결과가 나오는 모델로, 물리 법칙에 기반하여 인과관계를 명확히 규명한다.
* **확률론적 모델 (Stochastic Model):** 입력값의 무작위성과 확률 분포를 고려하여 결과의 불확실성을 함께 제시하는 모델이다.
**2) 공간적 표현 방식: 집중형 vs 분산형**
* **집중형 모델 (Lumped Model):** 유역 전체를 하나의 단위로 간주하여 평균값을 사용하는 모델로, 계산 속도가 빠르나 공간적 변동성을 무시한다.
* **분산형 모델 (Distributed Model):** 유역을 격자(Grid)나 소유역으로 나누어 위치별 특성을 반영하는 모델로, 정밀도가 높으나 방대한 데이터와 계산 능력이 필요하다.
**3) 모델링 기반: 물리 기반 vs 개념적**
* **물리 기반 모델 (Physically-based Model):** 질량 및 에너지 보존 법칙, Darcy의 법칙 등 물리적 원리를 직접 수식화한 모델이다.
* **개념적 모델 (Conceptual Model):** 실제 물리적 과정과 유사한 저장소(Reservoir) 개념을 도입하여 단순화한 모델이다.
### 2.2 모델 유형별 비교표
| 구분 | 집중형 모델 | 분산형 모델 | 개념적 모델 | 물리 기반 모델 |
| :--- | :--- | :--- | :--- | :--- |
| **복잡도** | 낮음 | 높음 | 낮음~중간 | 매우 높음 |
| **데이터 요구량** | 적음 | 매우 많음 | 적음 | 많음 |
| **계산 속도** | 매우 빠름 | 느림 | 빠름 | 매우 느림 |
| **공간 해상도** | 없음 (유역 평균) | 높음 (격자 단위) | 낮음 | 높음 |
| **주요 장점** | 효율적인 빠른 예측 | 정밀한 공간 분석 | 매개변수 최적화 용이 | 물리적 근거 명확 |
| **적용 사례** | 대규모 유역 유출량 예측 | 도시 침수 분석, 토양 보전 | 장기 수자원 계획 | 지하수 유동 해석 |
---
## 3. 모델링의 기본 원리와 구성 요소
수문 모델의 가장 기본이 되는 원리는 **질량 보존의 법칙(Law of Conservation of Mass)**이며, 이를 수문학에서는 **물수지 방정식(Water Balance Equation)**으로 표현한다.
### 3.1 물수지 방정식
$$\Delta S = P - (ET + Q_s + Q_g)$$
* $\Delta S$: 저장량의 변화 (Change in Storage)
* $P$: 강수량 (Precipitation)
* $ET$: 증발산량 (Evapotranspiration) - 증발과 식물의 증산 작용을 합친 개념
* $Q_s$: 지표 유출량 (Surface Runoff) - 지표면을 통해 하천으로 흘러나가는 물의 양
* $Q_g$: 지하수 유출량 (Groundwater Outflow/Baseflow) - 토양 및 암반층을 통해 유출되는 물의 양
### 3.2 주요 수문 성분의 수식화
1. **침투 (Infiltration):** 강수가 토양 속으로 스며드는 과정으로, 주로 Horton 식이나 Green-Ampt 식을 사용하여 시간에 따른 침투능의 감소를 계산한다.
2. **증발산 (Evapotranspiration):** 잠재 증발산량(PET)을 계산하기 위해 Penman-Monteith 식과 같은 에너지 수지 기반 식을 사용한다.
3. **유출 (Runoff):** SCS-CN(Soil Conservation Service Curve Number) 방법과 같이 토양형과 토지이용 상태를 수치화하여 유출량을 산정한다.
---
## 4. 모델 구축 및 검증 과정
수문 모델은 단순히 수식을 세우는 것에 그치지 않고, 실제 관측 데이터와의 일치성을 확보하는 반복적인 최적화 과정이 필수적이다.
### 4.1 표준 워크플로우
1. **데이터 수집:** 강수량, 기온, 증발량, 하천 수위/유량 관측 데이터 및 DEM(수치표고모델), 토양도 수집.
2. **모델 구축:** 대상 유역의 특성에 맞는 모델 선정 및 매개변수(Parameter) 초기값 설정.
* **매개변수(Parameter):** 수문 모델의 매개변수란 유역의 물리적 특성을 대표하는 수치(예: Manning의 조도계수, 토양의 투수계수, 저류계수 등)를 의미한다.
3. **매개변수 보정 (Calibration):** 관측된 유출량과 모델 계산값이 최대한 일치하도록 매개변수를 조정하는 과정.
4. **검증 (Validation):** 보정에 사용되지 않은 독립적인 기간의 데이터를 입력하여 모델의 예측 성능을 최종 확인하는 과정.
### 4.2 보정 및 검증 주요 통계 지표
| 지표 | 명칭 | 설명 | 이상적인 값 |
| :--- | :--- | :--- | :--- |
| **NSE** | Nash-Sutcliffe Efficiency | 관측값의 분산 대비 모델 오차의 비율을 측정하여 모델의 예측 효율성을 평가 | 1에 가까울수록 우수 (1=완벽 일치) |
| **$R^2$** | 결정계수 | 관측값과 예측값 사이의 선형 상관관계 정도를 나타냄 | 1에 가까울수록 우수 |
| **PBIAS** | Percent Bias | 관측값 대비 모델값이 전체적으로 과대 또는 과소 평가된 정도를 백분율로 표시 | 0에 가까울수록 우수 |
| **RMSE** | Root Mean Square Error | 예측값과 관측값 차이의 제곱 평균의 제곱근으로, 절대적인 오차 크기를 측정 | 0에 가까울수록 우수 |
---
## 5. 주요 활용 분야 및 사례
* **홍수 예측 및 경보:** 실시간 강수 데이터를 입력하여 하천 수위를 예측하고, 범람 위험 시 조기 경보 시스템을 가동한다.
* **가뭄 분석:** 장기적인 강수 부족과 증발산량 증가를 분석하여 농업 및 공업용수 부족 가능성을 진단한다.
* **수자원 관리:** 댐의 방류량 조절, 저수지 용량 설계 및 효율적인 용수 배분 계획을 수립한다.
* **기후 변화 영향 평가:** RCP/SSP 시나리오를 모델에 적용하여 미래의 강수 패턴 변화가 유역 유출량에 미치는 영향을 예측한다.
---
## 6. 한계점 및 최신 동향
### 6.1 한계점 및 불확실성 분석
전통적인 수문 모델링은 다음과 같은 불확실성 문제를 내포하고 있다.
* **입력 데이터의 불확실성:** 관측소 부족으로 인한 공간적 대표성 결여 및 측정 오차.
* **매개변수의 불확실성 (Equifinality):** 서로 다른 매개변수 조합이 동일한 결과(출력값)를 내는 현상으로, 모델의 물리적 타당성을 확보하기 어렵게 만든다.
* **구조적 불확실성:** 실제 자연 현상을 단순화된 수식으로 모사하는 과정에서 발생하는 근본적인 모델링 오차.
### 6.2 최신 동향: 데이터 기반 모델링 (Data-driven Modeling)
최근에는 물리적 메커니즘을 직접 수식화하는 대신, 방대한 양의 데이터를 학습하여 입력과 출력의 관계를 찾아내는 **머신러닝(ML) 및 딥러닝(DL)** 기법이 도입되고 있다. 특히 LSTM(Long Short-Term Memory) 네트워크는 시계열 데이터인 수문 데이터의 특성을 잘 반영하여 높은 예측 성능을 보인다.
### 6.3 Python 기반 수문 데이터 분석 예시 (시차 및 이동평균)
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 1. 가상의 수문 시계열 데이터 생성 (일별 강수량 및 유출량)
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=100)
precip = np.random.exponential(scale=5, size=100)
# 유출량은 강수량에 시차(Lag)와 감쇠가 적용된 형태로 생성
runoff = pd.Series(precip).shift(1).fillna(0) * 0.6 + np.random.normal(0, 1, 100)
runoff = runoff.clip(lower=0)
df = pd.DataFrame({'precipitation': precip, 'runoff': runoff}, index=dates)
# 2. 수문학적 특성 분석: 이동 평균(Rolling Average) 및 시차(Lag) 분석
# 7일 이동 평균을 통해 단기 변동성을 제거한 추세 확인
df['precip_7d_avg'] = df['precipitation'].rolling(window=7).mean()
df['runoff_7d_avg'] = df['runoff'].rolling(window=7).mean()
# 강수-유출 간의 상관관계 분석을 위한 시차(Lag) 적용 (1일 시차)
correlation = df['precipitation'].corr(df['runoff'].shift(-1))
print(f"Correlation between Precipitation and Runoff (1-day lag): {correlation:.2f}")
print(df[['precipitation', 'runoff', 'runoff_7d_avg']].head(10))
```
---
## [부록] 실무 적용 가이드
### 대표적인 수문 모델 소프트웨어
| 소프트웨어 | 개발 기관 | 주요 특징 | 적용 규모 |
| :--- | :--- | :--- | :--- |
| **HEC-HMS** | US Army Corps of Engineers | 가장 널리 쓰이는 유출 모델, 사용자 친화적 UI, 이벤트 기반 모의 | 소유역 ~ 대유역 |
| **SWAT** | Texas A&M University | 토지 이용, 토양, 기후 영향을 고려한 장기 수자원 및 수질 모의 | 대규모 유역 |
| **SWMM** | US EPA | 도시 유출 및 하수관거 모의 특화, 우수-오수 통합 관리 | 도시 유역 |
| **MIKE SHE** | DHI (Denmark) | 지표수-지하수 통합 모의 가능, 고정밀 분산형 모델 | 전 유역 통합 |
| **MODFLOW** | USGS | 세계 표준 지하수 유동 해석 모델, 3차원 격자 기반 | 지하수 유역 |
| **TOPMODEL** | Various | 지형 지수(Topographic Index) 기반의 개념적 모델 | 중소규모 유역 |
### 모델 선택 기준 플로우차트
```mermaid
graph TD
Start([모델 선택 시작]) --> Q1{분석 목적이 무엇인가?}
Q1 -- 도시 침수/하수도 --> SWMM[SWMM 선택]
Q1 -- 하천 유출/홍수 예측 --> Q2{가용 데이터가 충분한가?}
Q1 -- 지하수 유동 해석 --> MODFLOW[MODFLOW 선택]
Q1 -- 장기 수자원/수질 분석 --> SWAT[SWAT 선택]
Q2 -- 아니오 / 단순 예측 필요 --> Q3{물리적 근거가 중요한가?}
Q2 -- 예 / 정밀 분석 필요 --> MIKE_SHE[MIKE SHE / 분산형 모델 선택]
Q3 -- 아니오 / 빠른 결과 필요 --> HEC_HMS[HEC-HMS / 집중형 모델 선택]
Q3 -- 예 / 이론적 검증 필요 --> PhysModel[물리 기반 개념 모델 선택]
```