다원 수문기상 자료와 인공지능 융합을 통한
격자형 강수 정보 고도화

지상 관측망은 신뢰도가 높지만, 설치·유지 비용과 공간 밀도의 한계로 도시와 산악 지역에 관측 공백을 남긴다. 반면 도시에는 방범·교통 목적으로 이미 설치되어 24시간 운영되는 CCTV 장비가 다수 존재한다. 본 연구는 도시 내의 영상 인프라를 강수 관측 자원으로 재활용하여, 별도의 대규모 투자 없이 관측 밀도를 높이는 방법론을 개발한다는 관점에서 출발하였다. 본 연구의 핵심 연구질문은 “기존 관측 목적으로 설치된 CCTV 장비로 부터 얻은 영상을 정량적 강수강도 값으로 변환하여 지상 관측망을 보완하는 저비용·고밀도 관측 자원으로 활용할 수 있는가, 특히 상대적으로 연구가 부족했던 강설 현상을 포함하여 강수 현상을 하나의 틀에서 다룰 수 있는가”이다.
영상 속 강수의 시각적 정보는 입자의 크기·낙하 속도·밀도와 같은 미세물리적 특성을 반영하며 이는 강수강도와 직접 연결되므로, 영상은 강수 정량 추정의 프록시(proxy)가 될 수 있다고 판단하였다. 이를 구현하기 위해 원자료 영상에서 정량 강수강도로 이어지는 2단계 파이프라인을 구축하였다. 먼저 kNN 기반 배경 분리 기법으로 복잡한 실외 장면에서 움직이는 강수 입자만을 전경으로 안정적으로 분리하였고(Bouwmans et al., 2010), 모폴로지 연산과 관심영역 선정 등을 통하여 강수 입자의 물리적 특성만을 남길 수 있도록 정제하였다. 이후 합성곱 신경망 기반 회귀 모델을 구축하여 처리된 영상을 강수강도로 변환하도록 하였으며(Byun et al., 2023), 학습의 참값으로는 입자 크기 분포와 낙하 속도로부터 강도를 직접 추정하는 PARSIVEL 광학우적계 관측자료를 영상 프레임과 시간적으로 동기화하여 사용하였다(그림 1 참고).
CNN 기반 모델은 강우와 강설 모두에서 안정적 성능을 보였고, 대부분 사례가 “Good”에서 “Very Good” 등급으로 분류되었으며 MAE의 중앙값은 1 mm h⁻¹ 이하를 유지하였다. 주목할 점은 강설 입자는 강우 입자보다 낙하 속도가 느리고 유효 입경이 크다는 점에서, 강우 입자에 비해 상대적으로 연속된 프레임에 걸쳐 관측이 이루어졌다는 점이다. 이는 CCTV영상에서 입자의 특성을 더욱 명확하게 추출하는 데 기여하였으며, 지상 관측에서 강설의 정량화가 더 어렵다는 통념과 대비되는 결과이다. 본 연구는 CCTV가 공간적으로 조밀하고 비용 효율적인 보완적 관측 플랫폼으로 기능할 수 있음을 정량적으로 입증함으로써, 이미 설치된 영상 인프라를 강수 관측에 재활용하는 기회적 관측(opportunistic sensing)의 실현 가능성과 고해상도 강수 모니터링으로의 확장 가능성을 제시하였다.

레이더 외삽 예측은 강수 에코의 이동을 투영해 높은 공간 해상도의 초단기 예측을 제공하지만 선행시간이 길어질수록 성능이 급격히 저하되고, 수치예보모델(NWP)은 대기 동역학을 반영해 더 긴 예측 시간을 제공하지만 공간 해상도와 국지 규모 정확도가 낮다. 따라서 두 자료는 상보적 관계에 있으며, 본 연구는 두 자료의 상보적 특성을 데이터 기반으로 결합하기 위해 원격탐사·의료 영상 분야에서 발전해 온 영상 융합(image fusion) 기법(Castanedo, 2013)을 강수 예측에 도입하는 방법론을 개발하였다. 본 연구의 핵심 연구질문은 “딥러닝 기반 영상 융합으로 레이더 외삽 예측과 NWP 자료를 통합하여, 어느 한 자료원만으로는 재현할 수 없는 미세 공간구조를 보존하면서 구조적으로 일관된 고해상도 강수 예측 자료를 생성할 수 있는가”이다.
한반도 수도권을 대상으로, 기상청이 운영하는 레이더 외삽 예측(MAPLE, 1 km)과 수치예보모델(KLFS, 5 km)을 입력으로, 레이더 합성자료(HSR, 0.5 km)를 목표 자료로 설정하고 모델을 학습시켰다. 강수 예측을 서로 다른 두 정보원의 융합 문제로 정의하고, 모델의 기본 구조를 인코더–디코더 형태로 구축하였다(Byun et al., 2025a). 이 과정에서 세 가지 대표 구조인 Convolutional Autoencoder, U-Net, ResNet을 선정하여 비교하였으며, 나아가 상대적으로 우수한 성능을 보인 ResNet의 잔차 블록 수를 1개에서 10개까지 총 6단계로 변화시켜 모델 깊이가 융합 성능에 미치는 영향을 확인하였다. 이처럼 모델 구조(topology)와 크기(size)의 영향을 두 단계로 분리하여 분석함으로써, 각 요소가 영상 융합 성능에 미치는 영향을 체계적으로 평가하였다.

모델 구조 분석에서는, 세 구조 가운데 ResNet이 모든 평가지표에서 일관되게 우수하고 과적합에 대한 상대적으로 높은 강건성을 보였다(그림 2 참고). 이러한 성능 차이는 skip-connection의 구조적 특성과 관련된 것으로 해석된다. ResNet의 identity 기반 연결은 블록의 입력을 출력에 그대로 더해 학습을 residual mapping으로 진행하여, 기울기 전파의 안정성을 확보하고 저수준 특징의 재사용성을 높일 수 있다. 반면 U-Net의 대칭적 skip connection은 인코더와 디코더의 특징을 concatenation 방식으로 결합하므로, 서로 다른 기상 입력자료로부터 추출된 이질적 특징의 통합 과정에서 정보 불일치가 발생했을 가능성이 있다. 모델 크기 분석에서는, 잔차 블록 8개 구성이 상대적으로 가장 좋은 성능을 보였다. 잔차 블록이 10개인 경우, 강수 구조가 파편화되는 등 오히려 모델이 과적합되는 양상을 보였다. 이는 딥러닝 기반 영상 융합 성능이 알고리즘의 종류가 아니라 정보를 결합하는 방식과 적정 용량에 의해 결정되어야 함을 보여준다. 본 연구는 수문·기상 분야에서 영상 융합 기법을 강수 예측에 최초로 적용하여 특징 수준의 자료 융합이 자료원별 고유 구조를 보존하면서 자료 간 불일치를 완화할 수 있음을 입증하였다.

인공지능을 기반으로 한 강수 예측은 높은 예측 성능에도 불구하고 예측 근거를 명시적으로 제공할 수 없다는 블랙박스 문제를 가지고 있다. 운영 예보·재해 평가·정책 결정 등의 실무적 관점에서 활용성을 확보하기 위해서는, 예측 정확도만이 아니라 물리적 타당성이 함께 요구된다. 본 연구는 강수를 지배하는 수문기상 인자를 규명하고, 이를 바탕으로 인자 조합 실험을 수행하여 인자 선택이 강수 예측 성능에 미치는 영향을 정량적으로 평가하는 것을 목표로 하였다. 본 연구의 핵심 연구질문은 “주요 수문기상 인자의 기여도를 정량화하고 서로 다른 수문기후 지역에서의 지배적 인자들을 규명하며, 예측 정확도를 유지하면서 모델의 복잡도를 줄이고 물리적 해석가능성을 확보할 수 있는가”이다.
분석 대상 지역은 대류성 호우가 잦은 대륙성 기후(미국 대평원), 상시 대류성 강우의 열대 습윤 기후(아마존 분지), 장마·태풍이 지배하는 온대 계절풍 기후(한반도 중심 동북아), 그리고 강수가 희소한 극건조 기후(호주 중부)로, 뚜렷이 구분되는 네 기후대이다. ERA5 재분석 자료로부터 대기 불안정도와 관련된 열역학 지표(Colby, 1984; Chen et al., 2020), 연직 운동·수렴을 나타내는 운동학 지표, 연직 적분 수분 지표 등을 활용하여 입력자료로 선정하였다. 예측 대상 변수로는 총 강수량을 설정하였으며, 트리 기반 앙상블 모델 XGBoost를 기반으로 SHAP (SHapley Additive exPlanations) 방식을 활용하여 각 인자의 기여도를 정량화하였다(Chen & Guestrin, 2016; Lundberg & Lee, 2017; Aryal, 2025). 나아가 SHAP 중요도 순위에 따라 인자 조합을 재구성한 9개 실험 사례(Case 1~9)를 설계하여, 상위·하위 인자의 선택이 모델의 예측 효율과 정확도 사이의 상충관계(trade-off)에 미치는 영향을 분석하였다.
SHAP 분석은 대상 지역에 따라서 서로 다른 인자 중요도 순서를 보였다(그림 3 참고). 대륙성 기후의 미국 대평원에서는 열역학 불안정 지표인 kx (K-index, 1위)·CIN (convective inhibition, 3위)·CAPE (convective available potential energy, 5위)가 상위를 점해 깊은 습윤 대류가 강수를 주도함을 보였고, 850 hPa 풍속 ws_850(11위)은 멕시코만 수분을 내륙으로 수송하는 대평원 하층 제트(GPLLJ, Great Plains low-level jet)의 대리 지표로서 연직 적분 수분 발산(VIMD, vertically integrated moisture divergence, 2위)를 강화한다. 열대 습윤 기후의 아마존 분지에서는 VIMD(1위)·CAPE(3위)와 500 hPa 비습 q_500(4위)이 상위에 올라, 상시 습하고 불안정한 대기에서는 불안정도의 유무보다 심층 수분의 지속적 수렴과 연직 상승 w_500(9위)이 강수를 좌우함을 나타냈다. 온대 계절풍 기후의 한반도 중심 동북아에서는 700·850 hPa 상대습도 r_700(1위)·r_850(2위)가 지배적이라는 점에서 하층–중층 대기의 포화에 강수가 의존하는 장마 전선형 강수의 특징을 드러냈고(Choi et al., 2020), 수증기 플럭스 크기 viwv_mag(8위)는 동아시아 여름 몬순의 수분 수송을 반영한다. 극건조 기후의 호주 중부에서는 kx(1위)·CAPE(3위) 등 불안정 지표가 높은 순위를 보였음에도 실제 강수는 수분 가용성(r_850·viwv_mag 등)의 영향을 크게 받는 것으로 나타났다. 특히 다른 세 지역에서 최상위권을 차지한 CIN이 이곳에서는 중요도가 최하위(33위)에 가까운 순위를 보였는데, 이는 강한 지표 가열로 경계층이 깊게 혼합되어 대류 억제층의 효과가 상대적으로 약화되었을 가능성을 시사한다. 즉 해당 지역에서의 강수는 건조·불안정한 대기로의 드문 수분 유입으로 결정되며, 이처럼 지배 인자의 위계가 각 지역의 기후 특성과 정합적으로 재편된다는 사실은 본 연구에서 제시한 모델이 지역별 강수 과정을 정합적으로 학습했음을 시사한다.
인자 조합 실험에서는 상위 인자 각각 5개와 10개만으로 입력자료를 구성한 사례(Case 4·5)가 전체 변수를 사용한 기준 사례와 비슷한 예측 성능을 보인 반면, 하위 인자 각각 5개와 10개로 입력자료를 구성한 사례(Case 8·9)에서는 영상 품질· 회귀 오차·범주형 탐지 지표 전반에서 성능이 저하됨을 확인하였다(그림 4 참고). 즉 본 연구에서 구축한 모델을 통해 선정된 소수의 물리적 핵심 인자만으로도 높은 강수 예측 성능을 확보할 수 있었으며, 이는 attribution 결과가 모델 성능과 밀접하게 연계될 수 있음을 보여준다. 이로써 본 연구는 예측 정확도를 유지하면서 모델 복잡도를 낮추는 간결한(parsimonious) 인자 선택 전략을 제시하는 동시에, SHAP 기반 해석을 통하여 모델의 예측 값과 물리적으로 의미 있는 대기 과정을 연결함으로써 인공지능 기반 강수 예측에 과학적 해석 가능성을 높이는 방식을 제시하였다.

세 연구축을 관통하는 핵심 시사점은, 수문기상 분야에서 인공지능의 효용이 특정 알고리즘의 선택보다 과학적 목적·자료 특성·모델 구조의 정합성에 달려 있다는 점이다. 보편적으로 우수한 성능을 보이는 모델 구조를 찾는 행위를 넘어서, 주어진 문제에 가장 적합한 학습 패러다임을 식별하는 문제가 중요하다는 것이다. 본 연구에서는 이러한 원리를 세 가지 유형으로 제시하였다. 강수 추정(2장)은 영상에서 공간 특징을 학습하는 시각 패턴 인식 문제였고, 이는 CNN·U-Net·비전 트랜스포머(ViT) 등 계층적 공간 표현에 특화된 구조에 자연스럽게 부합한다. 예측 융합(3장)은 이질적 정보원의 통합 문제였으며, 본 연구에서는 인코더–디코더 및 잔차 학습 구조의 적용 가능성을 확인하였다. 향후에는 어텐션 기반 구조와 diffusion 기반 생성모델을 활용하여 초해상화 및 불확실성 정량화로 확장할 수 있다. 인자 해석(4장)은 예측 성능과 함께 결과에 대한 해석가능성이 요구되는 문제였으며, 트리 기반 모델과 설명가능 인공지능(XAI)의 결합을 통해 높은 예측 성능을 유지하면서 주요 인자의 영향과 기여도를 체계적으로 해석할 수 있었다.
이러한 내용을 바탕으로 수문·기상 분야의 연구를 진행함에 있어서 인공지능 모델 선택의 네 가지 기준을 다음과 같이 제시하고자 한다. ① 가용 자료의 구조(영상·격자·시계열·그래프), ② 대상 과정의 지배적 시·공간 특성(공간 패턴 대 시간 해상도), ③ 분석의 과학적 목적(추정·예측·통합·해석), ④ 요구되는 해석 수준(예측 정확도 대 물리적 근거). 이 기준에 따라, 시계열 예측(하천 유량· 가뭄·홍수 예보)에는 LSTM·GRU·ConvLSTM·트랜스포머를 하천망·유역과 같은 공간 연결성이 중요한 문제에는 그래프 신경망을 고려할 수 있다. 나아가 극한·비정상(non-stationary) 조건에 대한 강건성을 확보하기 위해서는 지배 방정식과 보존 법칙을 학습에 통합하는 물리 정보 신경망(PINN, Physics-Informed Neural Networks)과 같은 접근을 고려할 수 있으며, 나아가 멀티모달 학습과 파운데이션 모델은 위성, 레이더, NWP, 현장 관측 및 IoT 센서를 포괄하는 차세대 인공지능 기반 수문기상 시스템의 개발을 위한 유망한 연구 방향일 것으로 사료된다.

본 학위논문에서는 다양한 강수 현상을 대상으로 강수 정보를 고도화하기 위한 인공지능 기반 프레임워크를 제시하였다. 이를 위해 기회적 관측 기반 정량화(추정), 딥러닝 기반 영상 융합(예측), 설명가능 인공지능 기반 영향 인자 분석(해석)의 세 연구 축을 연계하여 다원 수문기상 자료의 통합적 활용 가능성을 제시하였다. CCTV영상을 정량 강수값으로 전환하고, 서로 다른 예측 자료를 구조적으로 일관된 강수장으로 융합하며, 강수 예측을 물리적으로 해석하는 데 인공지능이 효과적으로 활용될 수 있음을 제시하였다. 이러한 결과는 디지털 트윈을 활용한 수자원 시스템 구축, 통합홍수예보시스템 개발, 의사결정 지원 체계 구축 등에 기여할 수 있을 것으로 기대된다. 나아가 강수 정보의 정확성을 넘어 해석가능성과 운영 활용성을 함께 고려하였다는 점에서, 본 논문은 강수 정보의 생산·이해·활용을 아우르는 통합적 수문정보학의 방향을 제시하였다. 향후 극한 강수 사상에 대한 학습 표본의 보강, 물리 법칙과 제약조건의 도입, 그리고 멀티모달 학습으로의 확장 등을 통해 본 연구에서 제시한 프레임워크의 강건성과 적용성을 한층 향상시킬 수 있을 것으로 기대된다.