실시간 군중소싱 기반 도시홍수 건물 기능 손실 예측 프레임워크

도시홍수는 기후변화와 급격한 도시화로 빈도와 강도가 증가하고 있으며, 이에 따라 재난 대응은 단순히 강우·수위 같은 위험 변수만을 예측하는 수준을 넘어, 실제 인프라에 미치는 영향을 실시간으로 파악해야 한다. 기존의 물리‑기반 수문·수리 모델은 강우 입력을 기반으로 침수 범위나 수위 등을 예측하지만, 이러한 위험 변수만으로는 건물의 기능 손실, 접근성 차단, 전력·수도 중단 등 실제 복구·대피에 필요한 정보를 충분히 제공하지 못한다. 또한 강우 예측 자체가 편향되고 변동성이 크며, 배수 용량·지표면 거칠기·선행 조건 등 현장 특성은 실시간으로 정확히 파악하기 어렵다. 기존 모니터링 네트워크는 위험 변수에 초점을 맞추어 설계돼 공간·시간 해상도가 낮아, 급변하는 도시 환경에서 발생하는 미세한 영향까지 포착하지 못한다. 이러한 한계를 극복하기 위해 군중소싱 데이터가 주목받고 있다. 소셜미디어, 시민 신고, 온라인 뉴스 등에서 실시간으로 발생하는 비정형 정보는 저비용·고속도로 제공되지만, 데이터가 불균형·노이즈·비구조화돼 전통적인 데이터 동화(Kalman filter 등)나 순수 데이터‑드리븐 회귀 모델에 바로 적용하기 어렵다. 기존 연구들은 주로 군중소싱을 이용해 강우 혹은 수위와 같은 위험 변수를 보정하는 데 머물렀으며, 직접적인 영향 상태(예: 건물 기능 손실)를 업데이트하는 체계는 부재했다. 본 논문은 이러한 문제점을 해결하기 위해 CRAF(Crowdsourcing‑Enhanced Real‑Time Awareness and Forecasting)라는 폐쇄‑루프 프레임워크를 설계했다. CRAF는 세 가지 핵심 모듈로 구성된다. 첫 번째인 군중관측(CIM) 모듈은 텍스트·이미지·영상 등 다양한 형태의 군중소싱 포스트를 자동으로 수집·전처리하고, 자연어 처리·컴퓨터 비전 기술을 활용해 특정 ERZ(긴급 대응 구역)에서의 침수·정전·접근 차단 등의 증거를 추출한다. 추출된 증거는 고신뢰 관측값 O로 변환되며, 관측 노이즈는 엄격한 품질 관리 절차를 통해 최소화한다. 두 번째인 상황인식(SA) 모듈은 그래프 신경망(GNN)을 이용해 관측이 없는 구역의 건물 기능 손실(ZFL)을 공간적으로 보완한다. 여기서 그래프의 노드가 ERZ를, 엣지는 물리‑기반 시뮬레이션을 통해 학습된 구역 간 영향 상관관계를 나타낸다. 오프라인 학습 단계에서는 대규모 물리‑시뮬레이션(강우·배수·지형·건물 특성 변수를 포함)으로부터 생성된 ZFL 시계열을 사용해 GNN 파라미터를 최적화한다. 이렇게 학습된 모델은 온라인 단계에서 관측값 O와 정적 특성(배수 용량·건물 구성 등) W, E를 입력받아 전체 구역에 대한 밀도 높은 ZFL 스냅샷 Y를 출력한다. 세 번째인 시공간예측(STF) 모듈은 Temporal Convolutional Network 혹은 Transformer 기반 시계열 모델을 활용해 보정된 현재 상태 Y를 강우 강제 R와 결합해 미래의 ZFL 궤적을 다중 단계(1‑3시간)로 예측한다. STF 역시 오프라인에서 물리‑시뮬레이션 데이터로 학습되며, 온라인에서는 파라미터가 고정된 채 빠른 추론만 수행한다. CRAF의 핵심 혁신은 (1) 영향 상태를 잠재 변수(latent state)로 보고, 군중소싱 관측을 통해 지속적으로 재추정·보정한다는 점, (2) 물리‑기반 시뮬레이션으로부터 얻은 공간·시간 상관관계를 그래프 형태로 인코딩해 데이터 희소성에 강인한 추정 능력을 확보한다는 점, (3) 온라인 재학습 없이도 10분 이내의 저지연 업데이트가 가능하도록 오프라인‑온라인 구조를 명확히 분리했다는 점이다. 실증 평가에서는 2023년 중국 푸저우에서 발생한 타이푼 하이쿠이 사건을 대상으로 CRAF를 적용하였다. 현장에서는 실시간으로 수집된 군중소싱 포스트(주로 위챗·웨이보)와 기상청 제공 강우 데이터를 입력으로 사용했으며, ERZ당 평균 30개의 건물 특성 변수를 포함한 정적 데이터도 활용하였다. 결과는 기존 고정 강우 기반 모델과 비교했을 때 1‑3시간 선행 예측의 평균 절대 오차(MAE)가 각각 84‑95% 감소했으며, 강우 업데이트를 반영한 최신 모델 대비 73‑80% 감소했다. 또한 전체 파이프라인의 평균 연산 시간은 9.8분으로, 실시간 의사결정에 충분히 적용 가능함을 보였다. 오프라인 검증에서도 다양한 강우 강도·패턴·배수 조건을 포함한 50여 개 시나리오에 대해 모델의 일반화 성능이 안정적으로 유지되는 것을 확인하였다. 결론적으로, CRAF는 “위험 변수 정제”가 아닌 “영향 상태 정렬”에 초점을 맞춘 최초의 실시간 도시홍수 영향 예측 프레임워크이며, 디지털 트윈 기반의 회복탄력성 강화에 필요한 핵심 기술로 자리매김한다. 향후 연구에서는 관측 노이즈를 확률적으로 모델링하는 베이지안 접근, 다중 재해(홍수·산사태·화재) 통합 예측, 그리고 시민 참여를 촉진하는 인터페이스 설계 등을 통해 시스템을 확장할 계획이다.