연구정보

딥러닝을 활용한 강우 및 홍수예측 기술 현황
  • 게시일2022-03-15
  • 조회수596

딥러닝을 활용한 강우 및 홍수예측 기술 현황

 

 

▲ 윤성심 수자원하천연구본부 수석연구원

 

딥러닝을 활용한 강우 및 홍수예측 기술 현황

 


기후변화로 인해 돌발적이고 국지적인 강우의 발생횟수와 강도가 증가하고 있다. 이러한 기상현상은 수재해 피해를 가중시키고 있으므로 수재해 발생을 사전에 예측하여 대응할 수 있는 기술이 더 중요해지고 있다. 수재해 사전 대응에는 언제, 어디에, 얼마나 많은 비가 내릴지 예상하는 강우예측 정보와 다양한 수재해 양상(하천홍수, 도시침수, 해안 및 산지 돌발홍수)을 수문 및 수리학적 모형으로 예측한 홍수량 및 홍수위 정보가 필수적으로 사용된다. 최근 이와 같은 주요 예측정보 생산에 딥러닝 기술을 적용하는 연구가 활발하게 진행되고 있다.

 

그림 1 인공지능-실제 간 예측 비교(Agrawal et al., 2019)

 

일반적으로 기상분야에서는 기상수치모델, 레이더 기반 예측기법을 적용하여 강우량과 강우발생 지역을 예측하고 있다. 그 중 레이더 자료를 이용한 강우예측 기법은 기상레이더에서 관측되는 강우장이 동일한 호우에 대해서는 동일한 기상특성을 갖는 것으로 판단하고, 외삽 기반의 예측기법을 사용한다. 역학·물리적 원리에 기반한 기상 예측 외에도 1990년대부터 인공신경망기법을 이용한 강우예측 연구가 수행되어 왔으며, 최근에는 이미지 검색 및 분류와 같은 컴퓨터 비전 분야에서 강점을 갖는 딥러닝 기법과 기상레이더 자료와 같은 2차원 데이터들을 이용하여 강우를 예측하는 연구 추세가 증가하고 있다(Kuligowski et al., 1998; Lee et al., 1998; Hall et al., 1999;Seo et al., 2012, Argawal et al., 2019).


딥러닝 기술을 선도하고 있는 Google은 인공위성 및 수치예보와 결합한 레이더 자료(Multi-radar multi-sensor, MRMS)와 U-Net CNN을 이용해 1km 고해상도로 매 2분마다 최대 6시간 예측강우를 산정하며, 미국 NOAA의 선행 1시간 예측강우와 비교한 결과 높은 정확도를 보였다. 여기서 U-Net CNN은 객체구별에 강점이 있는 CNN에 U자형 네트워크를 통해 객체구별과 지 역화를 강점으로 빠른 연산이 가능한 심층학습 기법이다(Agrawal set al., 2019년).

 

그림 2 U-NET CNN을 이용한 Google의 레이더 예측강우(Courtesy of Carla Bromberg

 

국내에서도 딥러닝을 이용한 강우예측들이 수행되고 있는데 한국건설기술연구원에서는 한국수력원자력(주)과의 수탁연구를 통해 기상청에서 2010년부터 20017년까지 관측된 레이더 이미지를 구축하고, 기존의 U-Net 뿐만 아니라 데이터 연속성을 고려할 수 있는 ConvLSTM2D U-Net 신경망 구조를 갖는 모델로 학습하여 기존 외삽 기반의 예측기법보다 정확도가 높은 강우예측 모델을 개발한 바 있다(Yoon et al., 2020; Shin et al., 2021). 본 기법은 U-Net구조와 ConvLSTM2D의 구조로 학습을 각각 진행하고 최종적으로 이를 합쳐서 Convolution층을 배치하여 예측하는 모델을 구성하여 사용하였다. 여기서, U-Net은 이미지의 전반적인 특징 정보를 얻기 위한 수축형태(Contracting Path)의 네트워크와 정확한 지역화를 위한 팽창형태(Expanding Path)의 네트워크가 U자형의 대칭 형태를 갖으며, ConvLSTM2D는 시공간적 상관관계를 포착할 수 있는 네트워트 구조로 입력에서 상태로의 전환과 상태에서 상태로의 전환 모두에서 컨볼루션 구조를 갖는다. 해당 모델의 구조는 그림 3과같다. 특히 기존의 U-net과 차별되는 점은 Upsampling층 대신 Conv2DTranspose를 사용하는데 Upsampling층은 낮은 해상도를 강제로 고해상도로 올리는 반면 Conv2DTranspose는 학습된 필터를 사용한 convolution 연산으로 해상도를 높인다. 또한, RainNet에 있던 과적합을 막기 위해 사용하는 Dropout 위치에는 2차원 전체 특징맵을 제외할 수 있는 SpatialDropout2D을 사용하였다. 학습된 신경망 강우예측 모델은 현재를 기준으로 과거 30분 전까지의 연속된 4개의 자료를 이용하여 10분 선행 예측자료를 생성하는 데 최적화되었다. 최적화된 딥러닝 강우예측 모델을 이용하여 강우예측을 수행한 결과, ConvLSTM2D U-Net을 사용하였을 때 예측 오차의 크기가 가장 작고, 강우 이동 위치를 상대적으로 정확히 구현하였다.

 

그림 3 시간연속성을 고려하기 위한 ConvLSTM2D U-Net 구조(Shin et al., 2021)

 

그림 4 10분 선행 강우예측 결과

 

앞서 서술한 강우예측 분야와 마찬가지로 딥러닝을 이용하여 홍수를 예측하는 연구가 진행되고 있으며 AI 기반의 홍수예보기술 개발을 Google도 진행하고 있다. Google에서는 홍수예측 서비스를 위해 HydroNets를 개발하였다. HydroNets은 수문학적 특성을 갖는 각각 소유역의 사전 정보와 상하류로 연계되어 있는 소유역간의 가중치를 공유하면서 홍수량을 산정한다. HydroNets의 구성은 일반 수문물리학적 모의를 하는 공유모델과 유역특징 모델이 모듈형으로 구성되어 적용과 개선이 편리하다(Moshe et al., 2020). 특히,Google은 2018년부터 2억 명 이상이 거주하는 인도와 방글라데시 지역을 대상으로 HydroNets, 수위관측 정보를 이용한 Long Short-Term Memory (LSTM), 형태학적 침수모형 등과 같이 딥러닝 알고리즘을 바탕으로 실시간 홍수예측 정보를 제공하는 시스템을 개발하고 있다(Nevo et al., 2021).

 

그림 5 HydroNets 모형 구조. 그림 6 실시간 수위 측정 자료와 딥러닝 알고리즘을 이용한 침수모의. 그림 7 Google 홍수예측정보 제공 시스템(Google Flood Hub

 

이러한 딥러닝 기술의 강우 및 홍수예측 정보 생산 적용이 활발해짐에 따라 우리나라 환경부에서도 2020년 장마기간에 발생한 집중호우와 이에 따른 피해를 근본적으로 줄이기 위한 대책의 일환으로 첨단기술을 활용한 ‘과학적 홍수관리’를 본격 추진하여 기후변화에 따른 집중호우에 대응하기 위해 2025년까지 인공지능(AI)을 활용한 홍수예보 시스템을 도입하고자 한다(환경부, 2020). 기술 진보를 바탕으로 한 수재해 대응 기술의 향상은 국민의 안전을 지키는 데 기여할 것으로 예상된다.

 

 

QUICK