인공지능을 적용한 홍수예측모형
개발 및 개선방향

지구는 지속적으로 뜨거워지고 있다. 탄소배출로 공기 중 온실가스는 지구온난화를 가속화하고 있다. 지구온난화는 지구환경의 다양한 변화로 표출된다. 그 중 가장 눈에 띄는 변화가 기온과 강수량의 극한 현상의 심화이다. 이러한 극한현상은 지구 대기의 습도를 강화시키고 대기를 불안정하게 만들어 극한 강우를 더 강하고 길게 만들 수 있다. 이에 따라 예상치 못한 폭염과 폭우가 빈번해 질 것으로 예상된다. 다시 말하면 홍수의 위험이 갑자기 내 앞에 현실로 다가올 수 있다는 말이다. UN산하 IPCC 제6차 평가보고서(Sixth Assessment Report, AR6)에 따르면, 지구온난화 에서 제시한 고배출 시나리오(SSP5-8.5)에서 지구 온난화가 1℃ 상승할 때마다 일일 극한 강수량이 약 7% 증가하는 것으로 제시된다(IPCC, 2022). 이는 미래의 시나리오에 의한 예측뿐만 아니라 과거로부터의 변화를 살펴봐도 확인이 가능하다. 1900년부터 2023년까지 자연재해를 종류별로 분류하면 홍수가 1위, 그 뒤를 이어 극한 기상, 지진, 산사태, 가뭄 순이며, 홍수와 극한기상에 의한 자연재해는 현재까지도 지속적으로 증가하는 추세이다(EM-DAT, CRED/UCLouvain, 2024)(그림 1 참조). 이는 더 빠르고, 촘촘하며, 믿을 수 있는 홍수예보의 필요성을 강조한다.
본 고에서는 우리나라를 중심으로 홍수예측 기술의 현재 현황을 살펴보고, 나아가 홍수예보선행시간 확보, 정확도 향상 및 의사결정 지원체계의 자동화 등을 위한 미래 기술 발전 방향에 대해 제안하고자 한다.
이러한 전세계적인 추세는 우리가 살고 있는 한반도 역시 예외가 아니다. 오히려 다른 지역보다 더 지구온난화에 의한 영향을 받고 있다고 해도 과언이 아니다. 지난 109년간 우리나라의 연평균 기온은 약 1.9℃ 상승했는데, 이는 전 세계 평균의 약 1.5배에 해당하며 매 10년마다 약 0.2도 가량 상승하는 추세이다(국립기상과학원, 2020)(그림 2 참조). 강수량 또한 계절별 및 연간 10% 이상 증가할 것으로 전망되며 이로 인한 예상 홍수피해액은 평균 93억원에서 최대 392억원으로 증가될 것으로 예측된다(국립환경과학원, 2025).

앞에서 확인한 기후변화로 인한 홍수위험 및 피해의 증가 경향을 극복하기 위해서 기존의 물리모형기반의 대하천위주의 홍수예보에 대한 보완 필요성이 대두되었고, 환경부(현. 기후에너지환경부)는 2022년부터 본격적인 AI 홍수예보 플랫폼 구축을 위한 사업을 착수하여 2024년까지 수행하였다. 사업의 주요 목표는 예측 속도와 정확도 향상, 전국적인 예측 범위 확대, 홍수예측의 다양화 및 첨단 AI 기술을 적용하여 예보관의 홍수특보발령 의사결정을 지원하고 최적화, 자동화하는 것이다. AI 홍수예보 플랫폼 구축을 통해 기존의 물리모형 기반으로 인력에 의한 해석을 수행을 AI를 활용한 자동분석으로, 대하천 본류 위주로 배치되어 있던 홍수특보지점을 75개에서 223개 지점으로 확장하였다. 기존 75개 지점은 국가 하천 63개, 지방 하천 12개로 지방하천 비율이 16.0%로 낮은 편이었다. 사업을 통해 확장된 223개 지점에는 국가하천 93개, 지방 하천 130개로 지방하천 비율이 58.3%로 기존대비 약 3.6배 증가하였다(한국건설기술연구원, 2024). 따라서, 지류 및 지방하천까지 홍수예보의 대상지역이 확대되어 많은 국민들이 홍수예보의 수혜대상으로 편입되는 효과가 발생하였다(표 1, 그림 4 참조).

AI 모델 학습의 첫 번째 단계로 학습데이터셋의 학습변수를 설정한다. 이를 위해 예측의 대상이 되는 목표관측소를 설정하고 수문학적 연관성을 고려하여 주변의 참조관측소를 설정한다. 목표관측소의 상류 수위 관측소나 상류 유출에 영향을 미치는 강우 관측소, 주변 유역의 평균강우량, 방류량을 조절하는 댐 또는 저수지, 하구의 영향을 받는 구간의 조위 관측소 등이 이에 해당한다. 관련데이터를 추출하고 무강우사상 제외, 결측데이터 제외 등을 통해 모든 변수의 데이터가 존재하는 이벤트만을 추출하여 학습에 활용한다(그림 6 참조).

전체 데이터셋은 학습, 검증 및 테스트 데이터셋으로 구분된다(그림 7 참조). 학습데이터셋과 검증 데이터셋은 학습과정에서 활용되며 학습된 모형의 예측성능을 검증데이터셋으로 검증하고 신경망내 파라메터의 학습 방향이 검증데이터셋 loss 값이 최소가 되도록 학습이 진행된다. 테스트 데이터셋은 학습, 검증데이터셋과 완전히 분리되어야하며, 테스트 과정을 통해 실시간 예측 성능의 확인이 가능하다.

학습이 완료된 모델은 AI 홍수예보시스템에 탑재되어 실시간으로 예측이 수행된다. 홍수통제소에서 운영되고 있는 시스템은 UI에서 종합상황에 대한 수문자료, 기상, 홍수특보발령 및 해제 상황, 홍수위험정보를 제공한다. 또한, AI모형의 입력자료로 활용되는 참조 지점의 관측자료와 관측소 간 공간정보를 시각적으로 표출하여 예보관이 직관적으로 모델의 입출력 자료 간 관계를 파악할 수 있도록 구성되어 있다. AI홍수예보시스템 활용을 통해 실시간 예측 및 관측자료에 대한 종합적인 평가를 통해 예보관이 홍수특보를 발령할 수 있도록 의사결정을 지원한다.