조건부 흐름 매칭을 활용한 지역화된 확률적 산불 전파 예측 모델

** 본 논문은 산불 예측 분야에서 고성능 물리 기반 모델(WRF‑SFIRE)의 계산 비용을 크게 낮추면서도, 불확실성을 정량화할 수 있는 확률적 서브시뮬레이터를 제안한다. 연구 배경으로는 산불이 기후 변화와 인간 활동에 의해 빈도와 규모가 확대되고 있으며, 기존 모델은 1~2일 예보에서조차 큰 오차를 보이는 점을 지적한다. 특히, 데이터 동화에 필요한 다수의 시뮬레이션을 수행하려면 경량 모델이 필수적이다. **문제 정의**에서는 3.2 km × 3.2 km 영역을 25 m 격자로 discretize하고, 현재 연소 영역(이진 맵)과 4개의 기상 변수(동·서·남·북 풍속, 온도, 상대 습도), 고도, 13종 연료 카테고리(원‑핫) 등 총 20채널을 입력 텐서 x로 만든다. 목표 변수 y는 각 격자점의 화재 도착 시간을 나타내는 실수 맵이며, 이를 조건부 확률분포 P(Y|X)로 모델링한다. **데이터 생성**은 WRF‑SFIRE와 NAM을 이용해 140개의 실제 화재 시뮬레이션을 수행하고, 48 h 동안 3시간 간격으로 화재 도착 시간 맵을 추출한다. 각 시뮬레이션은 30 km × 30 km 대기 격자(1 km 해상도)와 25 m 화재 격자를 40:1 비율로 결합해 고해상도 연소 전파를 구현한다. 연료는 2019년 LANDFIRE FBFM13, 고도는 USGS NED를 사용하였다. 데이터는 무작위 회전·시간 선택·패치 추출을 통해 증강하였다. **조건부 흐름 매칭(Conditional Flow Matching)**은 연속적인 확률 흐름을 정의하고, 이를 신경망이 학습하도록 하는 방법이다. 구체적으로, 입력 x와 목표 y를 연결하는 선형 경로를 설정하고, 해당 경로상의 확률 밀도 변화를 최소화하는 벡터 필드를 신경망이 예측한다. 학습은 최대우도 대신 흐름 매칭 손실을 최소화함으로써, 복잡한 다변량 분포를 효율적으로 근사한다. 학습이 완료된 모델은 임의의 x에 대해 ODE를 역통합해 y 샘플을 직접 생성한다. **실험 및 평가**는 두 단계로 나뉜다. 첫 번째는 단일 3시간 예보에서, 모델이 생성한 100개의 샘플 중 메디오이드를 실제 WRF‑SFIRE 결과와 비교했다. 평균 절대 오차는 0.45 h(≈27 min)로, 물리 모델 대비 12 % 개선되었다. 두 번째는 24시간까지 재귀적으로 예보를 수행해 누적 오차를 측정했으며, 8번째 단계(24 h)에서도 MAE가 1.2 h 이하로 유지돼 장기 예보에서도 안정성을 보였다. 또한, 픽셀별 표준편차를 통해 불확실성을 시각화했으며, 불확실성이 큰 지역은 복잡한 지형·연료 변화를 보이는 구역으로 해석했다. 연산 속도는 GPU에서 1패치당 0.018 s, CPU에서도 0.12 s로, 전통적인 WRF‑SFIRE(수시간~수십시간)와 비교해 4~5자리 빠른 성능을 기록했다. **한계 및 향후 연구**에서는 (1) 대기 상층 풍향·연료 습도 등 누락된 변수의 영향, (2) 패치 경계에서 발생할 수 있는 인접 효과, (3) 실제 관측 데이터(위성·드론)와의 통합 문제를 언급한다. 향후에는 다중 스케일 패치 결합, 변수 선택 자동화, 실시간 데이터 동화와의 연계, 그리고 다양한 지형·기후 조건에 대한 일반화 테스트를 진행할 계획이다. **결론**적으로, 조건부 흐름 매칭 기반 서브시뮬레이터는 고해상도(25 m)·단기(3 h)·중기(24 h) 예보에서 물리 기반 모델과 동등하거나 더 나은 정확도를 제공하면서, 연산 비용을 크게 절감한다. 이는 실시간 화재 관리, 데이터 동화, 그리고 운영 예보 시스템에 바로 적용 가능한 실용적 솔루션으로 평가된다. **