특집 | 03
• 장마와 홍수
강우예측과 홍수예보 :
관측에서 경보까지의 연속(seamless) 예보
2026/07/01
윤성심
한국건설기술연구원 수자원
하천연구본부 수석연구원
ssyoon@kict.re.kr
윤광석
한국건설기술연구원 수자원
하천연구본부 선임연구위원
ksyoon@kict.re.kr
01 서론
하천홍수는 유역에 내린 비가 지표와 하천을 따라 모여 하천 수위를 끌어올리면서 발생한다. 따라서 하천홍수를 예측한다는 것은 곧 ‘유역에 얼마나 많은 비가, 어디에, 언제 내렸고 또 내릴 것인가’를 예측해 그 비가 만들어 낼 유량과 수위를 미리 예상하는 것이다. 그러므로 강우 입력자료가 부정확하면 잘 구축된 수문-수리 모델이라도 정확한 하천수위 상승을 예상하기 어려우므로, 강우 정보의 질이 하천홍수 예측의 출발점이자 한계를 규정한다.
최근 기상이변으로 강우강도가 강해지고 있을 뿐만 아니라, 발생 범위도 매우 좁아지고 있다. 이런 형태의 강우는 중소하천을 짧은 시간에 위험수위까지 끌어올린다. 특히 우리나라 중소하천은 유역 면적이 작고 경사가 급해, 강한 비가 내린 뒤 첨두유량까지 도달하는 시간(유역 도달·집중시간)이 수십 분에서 길어야 몇 시간에 불과하다. 따라서 “비가 얼마나 올 것인가”를 예측하는 업무(기상)과 “하천이 언제, 얼마나 상승할 것인가”를 예측하는 업무(수문)가 사실상 한 호흡으로 이어져야 한다.
이에 관측(레이더·위성·지상우량계)에서 초단기 강수예측 (nowcasting), 수치예보(NWP), 유역 단위 유출·수위 예측, 그리고 경보 발령과 전파에 이르는 전 과정을 끊김 없이 잇는 연속(seamless) 예보개념이 확장되고 있다.
이 글에서는 레이더와 기상수치예보 모델 예측강우를 수문수리 예측 선행시간을 늘리는 연속(seamless) 예보의 개념과 대표적인 국외 사례를 소개하고, 이어 국내 AI 홍수예보에서 레이더가 하천홍수 예측에 쓰이는 현황 및 개선 방안을 제언하고자 한다.
02 레이더 및 수치예측모델 기반 예측강우
2.1 강우의 공간분포 측정
강우-유출 모델은 유역에 입력되는 강우의 총량과 공간 분포에 민감하게 반응한다. 같은 강우량이라도 그 발생 위치가 하천 상류에 집중되었는지 하류에 집중되었는지에 따라 첨두유량의 크기와 도달 시각이 달라진다. 지상우량계는 한 지점의 강우를 정확히 측정하지만, 100㎢ 유역에 우량계가 두세 개뿐이라면 그 사이를 지나간 강한 호우대는 기록에 남지 않아 유역 평균 강우가 과소 추정된다. 반면 기상레이더는 반경 수백 ㎞의 강우 분포를 5~10분 간격, 1㎞ 안팎의 해상도로 측정한다. 유역 전체의 강우 총량과 공간 분포를 함께 파악할 수 있어, 강우-유출 모델의 입력으로서 우량계 관측의 빈틈을 메울 수 있다는 장점이 있다.
2.2 홍수 예측 선행시간 확보를 위한 예측강우
하천홍수 예측의 선행시간은 ‘이미 내린 비’가 유역을 따라 흘러 첨두에 도달하기까지의 시간(유역 도달·집중시간)과‘앞으로 내릴 비’를 예측해 확보하는 시간을 구분할 수 있다. 대하천은 도달시간이 길어 이미 내린 비만으로도 상당한 선행시간을 얻지만, 도달시간이 짧은 중소하천은 강수예측이 선행시간을 좌우한다. 관측된 강우장을 외삽하는 초단기 강수예측은 관측 직후 1~2시간까지 매우 정확하지만 그 이후로는 강수의 생성·소멸을 담지 못해 한계를 보인다. 최근 레이더 강우예측 분야 대표적으로 ConvLSTM(Shi et al., 2015; Chen et al., 2020), TrajGRU(Shi et al., 2017; Franch et al., 2020), U-Net(Ayzel et al., 2020), DGMR(Ravuri et al., 2021) 모형과 같은 딥러닝 예측 기법이 개발되고 물리 법칙을 통합한 하이브리드 모델, 효율적인 운영시스템 운영, 극한 기상 예측 성능의 개선 연구가 지속되고 있다. 특히, GraphCast(Lam et al., 2023), NowcastNet(Zhang et al., 2023) 등의 모델들이 기존 수치예보 모델 대비 매우 높은 계산 효율성을 달성하면서도 더 높은 정확도를 보여주고 있다. 다만, 그림 1에서 보듯, 여러 가지 기술적 고도화에도 불구하고 선행시간에 따른 예측 정확도 저하와 공백을 메우려면 수치예보(Numerical Weather Prediction)와의 결합이 필요하다.
수치예보는 대기 물리방정식을 풀어 미래를 예측하고, 초기 선행시간대 (0~2시간)에서는 레이더 초단시간 강우예측 보다 약하지만, 몇 시간 이후로는 강수의 생성·소멸을 물리적으로 고려하므로 정확도가 유지된다. 두 방식의 예측력이 교차하는 지점은 대략 선행시간 1~1.5시간 부근이다(그림 1). Seamless 예보는 이 둘을 시간축을 따라 부드럽게 혼합(blending)해 관측→ nowcasting → NWP로 매끄럽게 이어지는 하나의 강수예측을 만든다. 나아가 앙상블 확률예측으로 구성하면 불확실성까지 정량화할 수 있다.
그림 1은 기상-홍수 연속 예보의 현업 진행이 활발한 독일 기상청(Deutsche Wetterdienst, DWD)의 SINFONY(Seamless INtegrated FOrecastiNg sYstem)의 연속 강수예측 구성 현황 예시이다. SINFONY는 5분 마다 갱신되는 레이더 앙상블(STEPS-DWD)과 NWP 앙상블(ICON-RUC)을 0~12시간 범위 내에서 결합한다. 연속 강수예측 정보는 이후 그림 2와 같이 홍수예보를 위해 활용되는데, 하천홍수 예측 관점에서 핵심은 이 seamless 강수예측을 유역 단위로 집계해, 도달시간이 짧아 위험한 소하천 유역을 신속히 식별한다는 점이다.
그림 1. 독일 기상청 SINFONY의 연속(seamless) 강수예측 구성(Blahak et al., 2025)
03 강우예측과 홍수예측의 연계
SINFONY가 레이더 예측강우와 수치예보를 0~12시간 seamless로 연계하고, 이 예측 강우정보는 독일 홍수예보센터로 전달되어 하천홍수 예측·경보 업무로연결된다. 여기서 기존 일반적인 단순 예측강우 활용 방식과의 차이가 있다. DWD에서는 SINFONY 자료를 하천홍수 예측에 맞춰 다듬는데, SINFONY seamless 앙상블 예측과 관측강우를 개별 유역(면적 10~500㎢) 단위로 후처리해 홍수의 기상학적 잠재성을 산출한다. 나아가 레이더와 관측소 기반 극값통계로 각 유역의 재현기간을 계산해, 유역에서 발생한 누적강우가 얼마나 극단적인지를 함께 제시한다. 여기서 DWD와 지역 홍수예보센터는 관측·NWP·nowcasting → 홍수예보모델 → 홍수예측 → 침수지도 → 의사결정자로 이어지는 수문기상가치사슬을 연계하고 있다.
그림 2. Flood-Forecast Warning Chain in Germany (Keller et al., 2023)
그림 3. SINFONY 활용 유역내 강우 정보 및 특성 분석 (Blahak et al., 2025)
다음 그림 4는 SINFONY 파일럿 프로젝트의 일환으로 개발된 10미터 해상도의 영향 기반 홍수 조기 경보 시스템의 연계도이다. 이 시스템의 예측 사슬은‘강우→ 하천 유량’에서‘침수·영향’까지 연장하고, 레이더 보정 격자강우(RADOLAN)로 수문 초기조건을 잡고, 대류허용 앙상블 수치예보(ICON-D2 EPS, 2.2㎞·20멤버·3시간 갱신)를 중규모 수문모델(mHM, 1.1㎞)에 입력해 유역(746㎢)의 확률적 수위를 예측한 뒤, 고해상도(10m) 2차원 수리동역학 모델(RIM2D)로 침수심·유속을 모의한다. 실제 호우 사례(2021년 7월 독일 아르(Ahr)강 대홍수)에 적용한 결과, 첨두 17시간 전부터 100년 빈도(2021년 7월) 초과확률이 50%를 넘고, 11시간 전 90%까지 상승하는 것을 예측하여 대응 선행시간을 확보할 수 있었다(Najafi et al.,
그림 4. A holistic end-to-end impact-based flood forecasting modelling chain (Najafi et al., 2024)
04 국내 레이더 강우 정보를 활용한 AI 홍수예보시스템 운영 현황
현재 기후에너지환경부에서는 AI를 이용해 2024년부터 223개 지류, 지천을 포함한 특보지점에 대한 AI 홍수예보시스템 운영을 시작하였다. 해당 시스템은 기본적으로 지상관측강우자료를 강우입력자료의 기본자료로 활용하고 운영하였으나, 그림 5와 같이 2025년 홍수기부터 기존 지상관측강우 기반의 AI 홍수예측 모델을 주모델로, 레이더 관측강우 기반의 모델을 부모델로 하여 현업운영 중에 있다. 그 이유는 운영 중인 223개 홍수특보지점 중에 하천 유역 상류에 위치하여 있어 유역내 강우 관측소 부재로 인해 해당 유역 내 발생한 정확한 강우량을 산정하기 어려운 지점이 있어 강우의 공간분포 측정 및 관측영역에 장점이 있는 레이더 강우 정보로 보완하기 위한 목적이다.
사용된 AI 모델은 기존 LSTM 기반의 딥러닝 네트워크를 이용하였고, 다양한 입력자료 중 유역평균강우량 자료를 기후에너지환경부의 레이더 관측강우로 대체하여 학습하고 실시간 추론이 가능하도록 하였다. 그림 6은 기존 싱글모달 LSTM 형식에 맞춰 레이더 격자 강우분포장을 시계열 유역평균강우자료로 변환한 결과이다.
그림 5. 기후에너지환경부 AI 홍수예보시스템 운영 현황(안동시(목계교))
그림 6. AI 홍수예보모델의 입력자료 활용을 위한 레이더 유역평균강우 변환(예)
그림 7은 테스트 데이터 셋 중 최대 수위 발생 사례를 포함한 임의 예측시점에서 지상관측강우자료를 활용한 AI 홍수예보 모델을 이용한 홍수예측 결과(왼쪽)와 레이더 관측강우자료를 활용한 예측결과(오른쪽)를 나타낸 것이다. 예측 수행지점은 상주시(화계교) 홍수특보지점으로 상류지역에 위치한 지점으로 레이더 강우 활용에 유용성이 높은 지점이다. 해당 지점의 경우 2023년 7월 7일과 2024년 7월 20일 사례에 대해서는 지상관측강우와 레이더 관측강우 활용 시 모두 관심 수준을 초과하는 홍수위 수준을 정확하게 예측하였으나, 2020년 9월 3일 사례에 대해서는 레이더 관측강우 활용 시에만 주의 수준의 홍수위험 단계를 예측하였다. 해당 지점의 경우는 상류지역에 있어 유역 밖의 지상관측소로 추정되는 강우정보를 사용하는 지점으로써 레이더로 실제 자기 유역내에 발생한 강우의 정확한 추정이 효과적이었던 것으로 판단된다.
그림 7. 지상강우 및 레이더 관측강우 AI 홍수예측모형 비교 평가(상주시(화계교))
05 맺음말
본 고에서는 레이더와 수치예보 모델 기반 예측강우를 수문·수리 모델과 결합해 예측 선행시간을 확장하는 연속 예보의 개념을 정리하고, 그 대표적 국외 사례와 국내 AI 홍수예보의 레이더 활용 현황을 살펴보았다. 하천홍수 예측은 결국 ‘유역에 내리는 비를 얼마나 정확히, 얼마나 미리 파악하는가’의 문제로 귀결되며, 넓은 영역의 강우 분포를 면으로 관측·예측하는 레이더는 그 출발점에서 중요한 역할을 한다. 특히 도달·집중시간이 짧은 우리나라 중소하천에서는 관측에서 초단기 강수예측, 수치예보, 유역 유출·수위 예측, 경보 발령으로 이어지는 전 과정을 끊김없이 연계하는 일이 무엇보다 중요하다. 국외에서는 독일 기상청의 SINFONY가 레이더 앙상블과 수치예보 앙상블을 0~12시간 범위에서 결합하고, 이를 유역 단위로 집계해 홍수예보센터의 하천홍수 예측·경보로 연계하는 공동설계 체계를 운영하고 있다. 나아가 Najafi 등(2024)의 영향 기반 조기경보 사슬은 ‘강우→하천 유량’을 넘어 ‘침수·영향’까지 예측을 연장하여, ㎞ 단위의 기상·수문 예보를 m 단위의 침수·영향 정보로 잇는 해상도의 연속까지 보여 준다. 이러한 독일의 사례들이 공통적으로 강조하는 것은 정교한 모델 그 자체보다 관측–예보–경보를 잇는 연계와 기상·수문 분야의 협업이다.
향후에는 끊김없는 강우예측-홍수예보를 위해 레이더 정량강우추정(QPE)의 정확도와 유역평균강우 산정 품질을 높이고, 초단기 강수예측과 수치예보를 부드럽게 결합하는 seamless 예측강우를 도입해 중소하천의 예측 선행시간을 확장할 필요가 있다. 또한 현재의 유역평균강우량 형태의 자료보다는 강우의 공간 분포를 반영할 수 있는 멀티모달 개념의 딥러닝 하천수위 예측 기법의 적용도 필요하다. 끝으로 이러한 기술적 진전이 실제 대피와 대응으로 이어지도록, 우리나라처럼 기상·수문 담당 부처가 분리된 경우에는 기관 간 협업을 통해 유기적인 강우예측-하천홍수 예보 체계가 확립되도록 하는 것이 중요하다.
감사의 글
본 결과물은 기후에너지환경부의 재원으로 한국환경산업기술원의 기후변화 적응 수재해관리기술개발사업(R&D)의 지원을 받아 연구되었습니다(RS-2026-255040523)
참고문헌
-
- Blahak, U. and the Team SINFONY & Friends: Status and perspectives of SINFONY – the seamless combination of Nowcasting and NWP at DWD, EMS Annual Meeting 2025, Ljubljana, Slovenia, 7–12 Sep 2025, EMS2025-357, https://doi.org/10.5194/ems2025-357, 2025.
- Keller, J. H., Berndt, C., Blahak, U., Bondy, J., Fundel, V., and Schmidt, M.: Tailoring SINFONY forecasts and other DWD products to flood forecasting applications following a co-design approach, 11th European Conference on Severe Storms, Bucharest, Romania, 8–12 May 2023, ECSS2023-141, https://doi.org/10.5194/ecss2023-141, 2023.
- Najafi, H., Shrestha, P. K., Rakovec, O. et al.: High-resolution impact-based early warning system for riverine flooding, Nature Communications, 15, 3726, https://doi.org/10.1038/ s41467-024-48065-y, 2024.
- Shi, X., Chen, Z., Wang, H., Yeung, D.-Y., Wong, W.-K., and Woo, W.-C.: Convolutional LSTM network: A machine learning approach for precipitation nowcasting, Advances in Neural Information Processing Systems, 28, 802–810, 2015.
- Chen, L., Cao, Y., Ma, L., and Zhang, J.: A deep learning-based methodology for precipitation nowcasting with radar, Earth and Space Science, 7(2), e2019EA000812, https://doi. org/10.1029/2019EA000812, 2020.
- Shi, X., Gao, Z., Lausen, L., Wang, H., Yeung, D.-Y., Wong, W.-K., and Woo, W.-C.: Deep learning for precipitation nowcasting: A benchmark and a new model, Advances in Neural Information Processing Systems, 30, 5617–5627, 2017.
- Franch, G., Maggio, V., Coviello, L., Pendesini, M., Jurman, G., and Furlanello, C.: TAASRAD19, a high-resolution weather radar reflectivity dataset for precipitation nowcasting, Scientific Data, 7, 234, https://doi.org/10.1038/s41597-020-00574-8, 2020.
- Ayzel, G., Scheffer, T., and Heistermann, M.: RainNet v1.0: a convolutional neural network for radar-based precipitation nowcasting, Geoscientific Model Development, 13(6), 2631– 2644, https://doi.org/10.5194/gmd-13-2631-2020, 2020.
- Ravuri, S., Lenc, K., Willson, M., Kangin, D., Lam, R., Mirowski, P., Fitzsimons, M., Athanassiadou, M., Kashem, S., Madge, S., Prudden, R., Mandhane, A., Clark, A., Brock, A., Simonyan, K., Hadsell, R., Robinson, N., Clancy, E., Arribas, A., and Mohamed, S.: Skilful precipitation nowcasting using deep generative models of radar, Nature, 597(7878), 672– 677, https://doi.org/10.1038/s41586-021-03854-z, 2021.
- Zhang, Y., Long, M., Chen, K., Xing, L., Jin, R., Jordan, M. I., and Wang, J.: Skilful nowcasting of extreme precipitation with NowcastNet, Nature, 619(7970), 526–532, https://doi. org/10.1038/s41586-023-06184-4, 2023.
- Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T., Eaton-Rosen, Z., Hu, W., Merose, A., Hoyer, S., Holland, G., Vinyals, O., Stott, J., Pritzel, A., Mohamed, S., and Battaglia, P.: Learning skillful medium-range global weather forecasting, Science, 382(6677), 1416–1421, https://doi.org/10.1126/science.adi2336, 2023.