레이더 기반 시공간 강우 모델로 물위치 예측 및 홍수 예보 혁신

초록

본 연구는 독일 고슬라와 괴팅겐 지역의 급격한 홍수 사건을 대상으로, DWD 레이더에서 제공되는 고해상도 강우 영상과 현장 수위 센서 데이터를 결합한 새로운 딥러닝 모델인 STRPMr(Spatiotemporal Radar‑based Precipitation Model with residuals)을 제안한다. (2+1)D CNN‑LSTM 구조와 잔차 기반 비선형 보정 방식을 도입해 상류 데이터 없이도 강우‑수위 비선형 관계를 효과적으로 학습한다. 실험 결과, 기존 잔차‑LSTM 기반 벤치마크 대비 예측 정확도가 향상되고, 극한 강우 상황에서도 조기 경보 시간을 20분 이상 확보할 수 있음을 보여준다.

상세 분석

이 논문은 기존 수문학 모델이 상류 유량 데이터에 크게 의존하는 한계를 극복하고자, 레이더 기반 강우 영상 자체만으로 하천 수위 변동을 예측하는 데이터‑드리븐 접근법을 제시한다. 주요 기여는 세 가지로 요약된다. 첫째, RADOLAN 레이더 강우 데이터를 5분 간격, 1 km × 1 km 해상도로 활용해 지역별 시공간 강우 패턴을 정밀히 추출하였다. 이를 위해 고슬라와 괴팅겐 주변을 중심으로 이미지 크롭 및 15분 단위 수위와 시간 정렬을 수행했으며, 강우량을 3프레임(15분) 합산해 입력 시계열을 구성하였다. 둘째, 비선형 관계를 보정하기 위한 잔차 기반 모델링을 도입했다. 원본 강우‑수위 상관계수는 0.075에 불과했지만, 이동 평균 스무딩 후 0.0835로 미세하게 개선되었으며, 이 잔차를 학습 목표에 포함시킴으로써 모델이 미세한 변동까지 포착하도록 설계하였다. 셋째, (2+1)D 컨볼루션과 LSTM을 결합한 하이브리드 아키텍처를 구현했다. (2+1)D CNN은 공간적 특징을 2D 커널로, 시간적 특징을 1D 커널로 분리 추출해 연산 효율성을 높였으며, 이후 LSTM 레이어가 시계열 의존성을 학습한다. 모델은 두 단계로 훈련된다. 첫 단계에서는 강우 영상만을 입력해 중간 특징 맵을 생성하고, 두 번째 단계에서는 해당 특징 맵과 이전 수위 데이터를 함께 입력해 최종 수위와 잔차를 동시에 예측한다.

성능 평가는 고슬라 벤치마크 데이터(2003‑2018)와 별도 검증용 괴팅겐 데이터(2017년 급류 사건)를 사용했다. 평가 지표는 RMSE, NSE, 그리고 조기 경보 성공률이다. STRPMr은 기존 잔차‑LSTM 모델 대비 RMSE를 약 12 % 감소시켰으며, NSE는 0.71에서 0.78로 상승했다. 특히 20분 이하의 짧은 경보 시간에서도 강우 급증을 사전에 감지해 실제 홍수 발생 15분 전부터 상승 추세를 포착, 조기 경보 가능성을 크게 높였다. 모델의 장점은 상류 유량 데이터가 전혀 없다는 점으로, 데이터가 부족한 지역에서도 적용 가능하다는 점이다. 다만, 레이더 강우의 교정 오차와 센서 결측이 모델 성능에 영향을 미칠 수 있으며, 극한 강우 시 강우‑수위 비선형성이 급격히 변할 경우 잔차 보정만으로는 한계가 있다. 향후 연구에서는 물리‑기반 수문학 모델과의 하이브리드, 멀티스케일 레이더 데이터 활용, 그리고 트랜스포머 기반 시계열 모듈 도입을 통해 예측 정확도와 일반화를 더욱 강화할 여지가 있다.