머신러닝 기반의 연안 침수리스크 평가와
그린-그레이 하이브리드 방재 전략

과거의 연안 방재는 주로 제방, 방파제, 옹벽 등 콘크리트 구조물 중심의 ‘그레이인프라(Gray Infrastructure)’에 의존해 왔다. 그러나 이러한 방식은 막대한 건설 비용뿐만 아니라 해안 생태계 단절, 경관 훼손, 그리고 설계 용량을 초과하는 외력 발생 시 붕괴 위험이라는 한계를 지니고 있다. 이에 따라 최근 국제사회에서는 자연의 기능을 복원하여 방재 성능을 확보하는 ‘그린인프라(Green Infrastructure)’ 또는 ‘자연기반해법(NbS, Nature-based Solutions)’이 대안으로 급부상하고 있다.
본 원고에서는 그린-그레이인프라를 활용한 침수 저감 효과를 정량적으로 평가할 수 있는 체계를 제안하고자 한다. 특히 머신러닝 기법을 활용하여 부산광역시를 대상으로 침수 리스크 평가 체계를 구축하고, 그린인프라 도입 시의 리스크 감소율을 분석한 사례를 상세히 소개하고자 한다.

기후위기로 인해 심화되는 연안 침수 리스크에 효과적으로 대응하기 위해서는 전통적인 물리적 방어 시설과 자연의 완충 기능을 결합하여 방재 성능과 생태적 지속가능성을 동시에 확보하는 통합적 인프라 구축이 필수적이다.
먼저 그레이인프라(Grey Infrastructure)는 콘크리트 제방, 방파제, 배수관 등 인공적인 구조물과 공학 기술을 기반으로 구축되어 고파랑과 해일을 즉각적으로 차단하는 전통적인 물리적 인프라이다. 이는 설계 빈도 내에서 예측 가능하고 신뢰할 수 있는 방어 성능을 보장하여 극한 재해 시 지역 안전을 강화하는 핵심적인 역할을 수행하지만, 고정적이고 경직된 구조적 특성으로 인해 급변하는 기후 변화에 적응하는 유연성이 부족하다. 또한, 분석 결과 침수 리스크에 가장 큰 영향을 미치는 요인이 불투수면이 많은 ‘도시지역 비율’로 나타난 점을 고려할 때, 그레이인프라 위주의 획일적 개발은 장기적으로 침수 취약성을 높일 우려가 있다.

그린인프라는 자연적 요소를 네트워크 형태로 연결하여 다양한 혜택을 제공하는 시스템이다. <그림 4>에서 설명하는 바와 같이, 그린인프라는 단순히 침수를 막는 방재 시설을 넘어 수질 정화, 열섬 현상 완화, 생물 서식처 제공, 나아가 지역 사회의 건강 증진과 부동산 가치 상승이라는 경제적 효과까지 창출한다. 특히 연안에서는 사구, 습지, 해안숲 등이 파랑 에너지를 감쇄하고 토양을 안정화함으로써 강력한 완충 지대 역할을 담당하고 있다.

연안 그린인프라는 유형별로 독특한 방어 메커니즘을 갖고 있다 연안 보호 기능(그림 5)을 살펴보면, 산호초나 굴망태는 강력한 파랑 에너지 소산을 담당하고, 염습지와 맹그로브는 침식 억제와 퇴적물 축적에 기여함을 알 수 있다. 특히 염습지나 맹그로브 복원은 구조물 건설 대비 훨씬 저렴한 비용으로도 상당한 방재 효과를 거둘 수 있어, 기후 위기 대응의 지속 가능하고 경제적인 대안으로 평가받고 있다.

• 산호초(115.62$/㎡)와 굴초(135.63$/㎡) 복원은 고비용 구조적 방어 효과를 제공하는 반면, 염습지(1.11$/㎡)와 맹그로브(0.1$/㎡)는 저비용으로도 높은 연안보호 효과를 발휘하여 기후위기 대응에 비용효율적임

기존의 수치해석은 물리적 법칙에 충실하지만 대규모 계산 시스템과 시간이 소요되어 실시간 대응에 한계가 지적되고 있다. 특히 해수면 상승과 지반 침하, 도시 확장 등 복잡한 비선형적 관계를 반영하는 데 어려움이 있다. 이에 비해 AI와 머신러닝은 위성 데이터, IoT 센서 자료 등 대용량 다차원 데이터를 빠르게 학습하여 패턴을 인식하는 데 탁월하다.
연안도시 재해 리스크 평가에 활용되는 대표적 방법론인 VESTAP, MOTIVE, IPCC AR6(IPCC, 2022), 해양수산부의 연안재해 취약성평가(연안재해 취약성 평가체계)를 각 방법의 특징, 평가 방법론, 장·단점 및 개선방안 등을 조사하였고, 선행 연구 사례들의 특성을 살펴보면 머신러닝이 어떻게 침수 취약성을 정교화하고 실시간 예측의 정확도를 높일 수 있는지를 여실히 보여준다.

본 연구는 연안 침수 사상을 유발하는 복합적인 요인들 간의 비선형적 상호작용을 정량적으로 평가하기 위해 머신러닝 기반의 통합 분석 모델을 구축하였으며, 데이터의 일관성을 확보하기 위한 정교한 표준화 과정을 수행하였다.
먼저 데이터 표준화 단계에서는 정부 부처별로 산재한 서로 다른 형태의 방재 데이터를 통합하는 작업을 시작으로, 조위(국립해양조사원), 강우량( 기상청), 고도·경사 및 토지피복(기후부) 등 각기 다른 해상도와 데이터 형식(벡터, 래스터 등)을 가진 이질적 변수들을 분석이 가능한 형태로 가공하였고, 이를 위해 모든 데이터를 동일한 공간해상도인 100×100m 격자로 재투영 및 리샘플링하여 시공간적 정합성을 확보한 단일 통합 데이터셋을 구축하였다.
모델 구축 과정에서는 공간 분석 및 환경 공학 분야에서 예측 성능과 변수 중요도 평가의 우수성이 입증된 랜덤 포레스트(Random Forest) 알고리즘을 핵심 기술로 채택하였고, 모델의 신뢰도와 객관성을 높이기 위해 다음과 같은 세부 사항을 적용하였다.

• 데이터 불균형 해결: 실제 침수 흔적 데이터와미발생 지역 데이터 간의 불균형 문제를 해결하기 위해 언더샘플링(undersampling) 기법을 적용하여 학습의 편향성 방지
• 학습 및 검증 분할: 모델의 일반화 성능을 확보하기 위해 전체 데이터셋의 70%를 훈련 데이터로, 나머지 30%를 테스트 데이터로 엄격히 분리하여 검증 수행
• 반복 학습을 통한 신뢰성 강화: 단일 결과의 불확실성을 최소화하고 안정적인 결과값을 얻기위해 약 1,000회의 반복 학습(iteration) 실시

이러한 과정을 통해 도출된 최종 모델은 연안 침수 리스크 발생 확률을 0~1 사이의 범위로 정규화하여 산출하며, 1에 가까울수록 침수 위험이 매우 높음을 의미하는 확률적 위험도 지표로 나타내었다.

본 연구에서는 자연기반해법(NbS)의 일환인 그린인프라, 특히 녹지공간의 침수 완충 기능을 정량적으로 평가하였다. 확률분포 분석 결과, 그린인프라 적용 시 연안 침수 위험 확률이 평균 6% 감소하는 것으로 나타났다.
다만 이러한 저감 효과는 지역별 위험도 수준에 따라 공간적 차이를 보였다. 침수 발생 확률이 1에 근접한 고위험 지역에서는 그린인프라의 저감 효과가 상대적으로 제한적이었다. 반면, 부산 기장군 일대와 같은 중위험 지역에서는 저감 효과가 상대적으로 유의미하고 공간적으로도 뚜렷한 패턴을 나타냈다. 이는 그린인프라가 중위험 지역에서 효과적인 방재 수단이 될 수 있음을 시사한다.

제도적으로는 연안 정비 사업 시 그린인프라와 그레이인프라를 결합한 하이브리드형 설계를 의무화하는 로드맵이 필요하다. 특히 본 연구에서 입증된 바와 같이, 침수 저감 효과가 가시적으로 나타나는 중간 위험도 지역을 ‘NbS 중점 관리구역’으로 지정하여 그린인프라 보급을 집중해야 할 것이다. 또한, 도시계획 단계에서 그린인프라 최소 비율 규정 및 투수성 포장재 사용에 대한 인센티브를 제공하고, 그린인프라가 제공하는 평균 6%의 위험 확률 저감 효과와 다중 편익(탄소 흡수, 생태계 복원 등)을 비용-편익 분석(B/C)에 정량적으로 반영하여 투자 우선순위 재설정이 필요하다.

본 원고는 2025년도 한국환경연구원(KEI)에서 수행된 ｢연안 그린-그레이 인프라 침수리스크 감소 평가체계 구축｣의 연구결과로 작성되었습니다.