하천 홍수예측기술 현황 및
고도화 방안

홍수는 발생 후 대응보다는 ‘사전 예측과 골든타임 확보’가 피해 규모를 경감시키는 핵심 요소로 알려져 있다. 홍수예보가 갖추어야 할 핵심 조건은 정확성, 적시성 및 신뢰성이며, 이러한 조건을 만족시키기 위해 지속적으로 홍수예측기술을 개발하고 발전시켜 오고 있다.

강우량과 하천 유출량의 관계를 유역의 저류량 함수로 가정한 비선형 수문학적 추적 기법인 저류함수 모형이 적용되어 왔다. 국내 대하천 유역의 유출량 산정에 가장 널리 활용되었다. 저류함수 모형은 물리적 개념이 명확하고 계산 부담이 상대적으로 적어 오랜 기간 현업에서 사용되고 있으나, 매번 새로운 호우 사상이 발생할 때마다 전문가의 경험에 의존하여 유출 매개변수(유효강우량, 저류상수 등)를 보정 및 조정해야 하므로 실시간 돌발 상황에 대한 대응에 한계가 있는 것으로 알려져 있다.

LSTM은 순환신경망(RNN)의 단점인 기울기 소실(Vanishing Gradient) 문제를 극복하고, 시계열 데이터의 장기 의존성(Long-term dependency)을 반영할 수 있도록 고안된 딥러닝 구조이다. 특정 하천 지점의 과거 강우-수위 이력 패턴을 메모리 셀에 기억해 두고, 실시간 유입 강우량과 상류 댐 방류량 데이터를 입력치로 받아 최대 6시간 후의 예측수위를 제공한다.

기존 저류함수법에 의한 유역유출 모형은 매개변수(저류상수 K, P, Tl)의 보정을통해 일정 수준의 유출 예측 정확도를 확보해 왔으나, 신속한 계산을 위해서 유출 발생 및 전달 과정의 물리적 거동을 단순화함에 따라 복잡한 물리적 특성을 가진 유역에서 물리적 현상을 반영하는데 한계가 있었다. 또한, 홍수특보지점이 기존 75개소에서 223개소로 확대됨에 따라 저류상수를 조정하여 정확도를 확보하는 방식은 많은 시간이 소요되어 적시에 홍수특보 발령을 위한 의사결정에 어려움이 있다. 특히 국지성·단시간 집중 강우로 인해 급격한 유출이 발생하는 경우 예측 오차가 증가하고 예보선행시간을 확보하기 어려운 실정이다.
유역유출 계산의 정확도 향상을 위하여 동역학파 기반 분포형 지표 유출해석 모형의 도입하고, 동역학파 모형의 계산시간을 획기적으로 줄이기 위해 동역학파 모형 기반 AI 유역유출모형을 개발함으로써 실시간 홍수예측에 활용할 수 있도록 하는 것이 필요하다.
모형 기반 AI 유역유출모형을 개발함으로써 실시간 홍수예측에 활용할 수 있도록 하는 것이 필요하다.

최근 강우의 시공간 변동성 심화에 따른 지점 강우자료로는 단시간 동안 국지적으로 높은 강우강도의 집중호우 빈도가 증가하고 있다. 유역 내 강우의 시공간 분포는 홍수량에 유의미한 영향을 미치므로 시공간적 불균질성을 고려하지 않는 경우 첨두유량이 과소평가될 수 있으며, 유사한 강우 조건에서도 선행 토양수분 상태, 지표수 침투 능력, 토지이용 특성 등 유역의 동적 수문 조건에 따라 홍수 반응의 변동성이 확대될 수 있다.
따라서, 분포형 강우자료를 이용한 AI 홍수예측 기술 개발 필요하며, 이를 위하여 시･공간 고해상도 강수자료(지점/격자/예측)를 활용한 분포형 강우자료 기반 멀티모달 딥러닝 홍수예측모형 및 유역 내 강우의 시공간 분포를 고려한 그래프 기반 AI 홍수예측모형 개발을 통해 강우의 시공간적 불균질성에 의한 홍수예측의 불확실성을 줄일 수가 있다.

기존 물리모형(저류함수법 등 수문학적 모형)은 홍수의 유역유출 계산을 위해 오랫동안 사용되어 왔으며, 현재도 홍수유출예측을 위해 활용되고 있다. 그러나, 홍수특보지점의 증가로 인한 예보업무 효율화 및 의사결정 시간 확보를 위하여 물리적 현상을 반영하면서 신속하게 계산할 수 있는 AI 및 물리 기반 모형을 연계한 하이브리드 홍수예측기술을 필요로 하고 있다.
머신러닝 기반 AI 모델은 단기예측에서 신속하고 정확한 예측이 가능하나, 홍수의 물리과정을 반영하지 못하는 black-box 특성으로 인해 학습 데이터 범위를 벗어난 극한 상황에서 예측 신뢰도가 저하될 수 있으며, 예측 선행시간이 증가할수록 성능이 저하되는 상황이 발생할 수 있다. 이에 반해 분포형 물리 기반 유역유출 모형은 물리적 일관성은 확보할 수 있으나 높은 계산 비용과 긴 계산 시간으로 인해 전국 단위 홍수예보 현업 적용에 한계가 있었다. 즉, AI 단독모형 기반 유출 예측 모형은 계산 효율성 측면에서 장점이 있으나 학습 데이터 의존성이 높고 극한 조건(미발생 초과홍수)에 대한 외삽에 취약점이 있다는 특징을 보완하기 위하여 동역학파 모델 결과를 활용한 멀티모달 융합 딥러닝 홍수예측 기술, 대형홍수시나리오 증강 모델 및 PINN(Physics-informed Neural Network) 모델의 개발을 통한 AI-물리 하이브리드 홍수예측 기술의 개발이 요구된다.

앞서 언급한 바와 같이 홍수특보지점이 75개소에서 223개소로 확대되고 집중호우시 상류 및 지류 하천에서 동시다발적으로 홍수특보 상황이 발생하면서 의사결정 시간을 확보하기 어려워지고 있다. 홍수발생시 10분마다 물리모형 및 AI 모형 기반 예측 정보가 생산되고, 동시에 여러 특보지점에서 기준수위를 초과하는 경우가 발생함에 따라 다중 예측 정보 통합 분석 및 의사결정 자동화의 필요성이 커지고 있다.
홍수특보 발령 시 물리모형, AI모형, 기상청 예보, 댐 방류 계획 등 다양한 예측정보를 개별 확인 후 경험을 기반으로 종합적으로 판단해야 하는 예보 업무의 특성을 반영하여 예측정보를 정량적으로 분석하고, 다중 예측정보간 비교 분석을 통하여 최적의 예측결과에 대한 정보를 신속하게 제공할 수 있는 체계가 갖추어져야 한다.
이를 위하여 AI 기반 수위 예측, 물리 기반 유출 모의, 현장 상황 등 다양한 정보가 동시에 수집되더라도 이를 정량적으로 결합하는 체계와 홍수특보 발령 및 댐 방류 의사결정에 대한 지원 체계를 개발하고, 홍수예보 업무의 효율성을 높이기 위해 대규모 언어 모델(LLM) 기반 홍수특보 발령 의사결정 지원 체계의 구축이 필요하다.