실시간에 가까운 오버랜드 흐름 모델링을 위한 자기조직화 지도 활용

초록

본 연구는 고해상도 도시 지형에서 파이프 파열 등 점원천 유입에 의한 홍수를 빠르게 예측하기 위해 셀룰러 오토마타 기반 물리 모델의 결과를 학습한 자기조직화 지도(SOM)를 개발하였다. 22개의 학습 시뮬레이션으로 SOM을 훈련한 뒤 7개의 검증 지점에 적용했으며, 평균 수심 오차는 0.003 m(≈10 % 상대오차)로 물리 모델과 거의 일치하면서 연산 시간은 5배 이상 단축되었다. 결과는 SOM이 실시간 홍수 예보와 긴급 대응에 활용될 가능성을 보여준다.

상세 분석

이 논문은 도시 환경에서 과밀한 DEM(디지털 고도 모델)과 다수의 점원천(예: 파이프 파열)으로 인한 급격한 오버랜드 플로우를 실시간에 근접한 속도로 예측할 수 있는 데이터‑드리븐 모델링 접근법을 제시한다. 기존의 물리 기반 모델은 고해상도 격자와 복잡한 경사·거친 지형을 고려해야 하므로 연산 비용이 급증하고, 실시간 의사결정에 적용하기 어렵다. 이를 극복하기 위해 저자들은 두 단계의 전략을 채택하였다. 첫째, Guidolin 등(2016)의 가중 셀룰러 오토마타 2D 침수 모델을 사용해 다수의 시뮬레이션 데이터를 생성한다. 이 모델은 물리 법칙을 간소화하면서도 지형의 미세 구조를 반영할 수 있어 학습용 데이터셋 구축에 적합하다. 둘째, 이러한 시뮬레이션 결과를 입력으로 삼아 자기조직화 지도(SOM)를 설계한다. SOM은 고차원 입력(점원천 위치와 해당 위치 주변 3D 지형 특성)을 저차원(보통 2‑3차원) 토포로지로 비선형 매핑하면서 원본 데이터의 위상 구조를 보존한다. 특히 저자들은 수심이 0 m인 셀과 양수인 셀을 구분해 두 개의 별도 SOM을 학습시켰다. 이는 대부분의 격자 셀이 건조 상태인 데이터 불균형 문제를 완화하고, 양수 셀에 대한 예측 정확도를 높이는 전략이다.

훈련 후에는 두 SOM의 가중벡터를 K‑Nearest Neighbor(KNN) 알고리즘과 결합해 새로운 점원천 위치에 대한 수심을 추정한다. 이 과정은 추가적인 물리 시뮬레이션 없이도 빠르게 수행된다. 실험에서는 Néelz와 Pender(2013)의 Test 2 벤치마크 지형을 사용해 29개의 무작위 점원천 위치를 생성했으며, 그 중 22개를 학습, 7개를 검증에 활용하였다. 검증 결과, 최대 수심 차이는 0.072 m에 불과했고 평균 절대 오차는 0.003 m(≈10 % 상대오차)였다. 연산 시간은 물리 모델이 약 11 초 소요된 반면 SOM은 약 2 초만에 결과를 도출, 80 % 이상의 시간 절감 효과를 보였다.

이러한 성과는 두 가지 중요한 시사점을 제공한다. 첫째, SOM이 고해상도 지형과 복잡한 점원천 입력을 효과적으로 압축·일반화함으로써 실시간 혹은 준실시간 홍수 예보에 필요한 계산량을 크게 낮출 수 있음을 입증한다. 둘째, 학습 데이터가 제한적이더라도 지형 특성에 기반한 비선형 매핑 능력 덕분에 충분히 정확한 수심·범람 범위 예측이 가능하다. 다만, 현재 실험은 합성 지형과 정적인 유입 하이드로그라프에 한정되어 있어, 실제 도시의 복합적인 파이프 네트워크, 시간변화 유입, 그리고 토양·침투 효과 등을 포함한 확장 연구가 필요하다.