수문 모델의 적대적 강인성 분석

초록

본 연구는 독일 1,347개 유역에 걸쳐 물리‑개념 모델(HBV)과 딥러닝 기반 LSTM을 비교하고, 기상 강제 입력에 대한 빠른 기울기 부호 방법(FGSM)으로 만든 적대적 교란이 배출량 예측에 미치는 영향을 평가한다. 교란 크기가 증가할수록 KGE는 감소하고 MSE는 상승했지만, 치명적인 실패는 드물었다. 흥미롭게도 LSTM이 HBV보다 전반적으로 더 높은 강인성을 보였으며, 출력 변화는 교란 크기에 대해 거의 선형적으로 나타났다. 이러한 결과는 LSTM의 운영 적용 가능성을 뒷받침하고, 모델 구조 개선 및 훈련 설계에 대한 향후 연구 방향을 제시한다.

상세 분석

이 논문은 수문학 분야에서 아직 충분히 탐구되지 않은 ‘적대적 강인성(adversarial robustness)’이라는 개념을 도입하여, 기존의 성능 평가 방식만으로는 드러나지 않는 모델의 취약성을 체계적으로 진단한다. 저자들은 두 종류의 모델, 즉 물리‑개념 모델인 HBV와 딥러닝 기반 LSTM을 동일한 기상 강제 입력(강수, 기온, 잠재 증발산)으로 학습·시뮬레이션하고, FGSM(Fast Gradient Sign Method)으로 만든 미세 교란을 입력에 가한다. 교란 크기는 ε=0.01~0.1 정도의 범위로 설정했으며, 이는 실제 관측 오차나 센서 노이즈 수준과 비슷한 규모이다. 교란이 적용된 후 모델의 출력인 일일 유량을 KGE(Kling‑Gupta Efficiency)와 MSE(Mean Squared Error)로 정량화하였다. 결과는 두 모델 모두 교란이 커질수록 성능이 저하되지만, LSTM이 상대적으로 완만한 성능 감소를 보였음을 보여준다. 특히, LSTM 내부 상태(셀 상태와 은닉 상태)의 변화 역시 입력 교란에 대해 거의 선형적으로 반응했으며, 이는 모델이 입력 변동을 점진적으로 흡수한다는 의미다. 반면 HBV는 비선형 파라미터(예: 눈 녹음, 토양 수분 제한)와 임계값에 민감하게 반응해 특정 ε 구간에서 급격한 오차 상승을 보였다. 저자들은 또한 무작위 교란(random noise) 실험을 수행했는데, 이 경우에도 출력 변화가 교란 크기에 비례하는 경향을 보여, 적대적 교란이 특별히 악의적이라기보다 작은 입력 변동 자체가 모델 출력에 선형적인 영향을 미친다는 일반적인 현상을 확인했다. 이러한 분석은 LSTM이 복잡한 비선형 관계를 학습하면서도 입력 변동에 대한 완충 메커니즘을 내재하고 있음을 시사한다. 더불어, 모델 내부 상태를 추적함으로써 ‘왜’ 특정 교란에 대해 민감하거나 강인한지를 해석할 수 있는 새로운 방법론을 제시한다는 점에서 학술적 의의가 크다.