Optimizing Sensor Placement in Urban Storm Sewers: A Data-Driven Sparse Sensing Approach

📝 Abstract

**
도시 표면수 홍수는 강우 강도가 배수 시스템을 초과하면서 빈번히 발생하고 있다. 고해상도 시공간 예측이 필요하지만, 시간·예산·기술적 제약으로 전면 구현이 어렵다. 본 연구는 EPA‑SWMM과 결합한 데이터‑구동 희소 감지(Data‑Driven Sparse Sensing, DSS) 프레임워크를 제시한다. 미네소타 주 듈루스의 Woodland Avenue 유역을 사례로, SWMM 시뮬레이션으로 생성한 피크 유량 프로파일을 학습 데이터로 활용한다. DSS는 특잇값 분해(SVD)로 차원 축소하고, QR‑분해(열 피벗)로 최적 센서 위치를 선정한다. 77개 노드 중 3개의 최적 센서만으로도 피크 유량을 재구성했을 때 Nash‑Sutcliffe 효율(NSE)이 0.92‑0.95(25‑75% 분위) 수준을 기록하였다. 또한 측정 오차와 센서 고장에 대한 강인성도 검증했으며, 센서 수가 늘어날수록 위치 의존적 복원력이 향상됨을 확인했다. 이 프레임워크는 계산 효율성과 물리적 해석 가능성을 동시에 제공하며, 제한된 센서 자원 하에서도 고정밀 흐름 재구성을 가능하게 한다. 향후 예측 모델과 연계하면 실시간 홍수 조기경보와 제어에도 적용할 수 있다.

---

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• 도시 홍수 위험 증가 : 급격한 도시화와 기후 변화로 강우 강도가 상승, 기존 배수망의 포화 위험이 커짐.
• 관측·예측 제약 : 고정밀 센서는 비용이 높고, 기존 관측소는 공간적 한계가 있으며, 위성·원격탐사는 구름·식생 등에 취약.
• 센서 배치 최적화의 중요성 : 제한된 예산 하에서 가장 정보량이 큰 위치에 센서를 설치하면 전체 시스템 가시성을 크게 향상시킬 수 있다.

2. 방법론 요약

단계	내용	핵심 기술
데이터 생성	EPA‑SWMM 모델을 이용해 250가지 강우·토양·불투수율 시나리오 시뮬레이션 → 피크 유량 행렬 X (노드 × 시나리오)	물리 기반 1D 수리 모델
차원 축소	SVD → X = Ψ Σ Vᵀ, 상위 r개의 좌측 특이벡터(Ψᵣ) 를 “맞춤형 희소 기저”로 선택	특잇값 분해, 데이터‑주도 기저 설계
센서 위치 선정	QR‑분해(열 피벗) 적용 → Ψᵣ의 열 중 정보량이 가장 큰 r개를 선택 → 최적 센서 노드	QR‑분해, 열 피벗 기반 최적 샘플링
재구성	제한된 센서 측정 y = Cx (C: 선택된 센서 행렬) → 최소제곱으로 계수 â 추정 → x̂ = Ψᵣ â 로 전체 유량 재구성	최소제곱 추정, 압축 센싱 원리
성능 검증	재구성된 피크 유량과 SWMM 원본 비교 → NSE, RMSE 등 지표 사용	통계적 검증, 강인성 테스트(노이즈·센서 고장)

3. 주요 결과

• 센서 효율성 : 77개 노드 중 3개(≈4%)만으로도 NSE 0.92‑0.95 달성, 이는 기존 전면 관측 대비 20배 이상 비용 절감 효과.
• 강인성 : 측정 노이즈(σ≈5% 유량)와 일부 센서 고장(최대 2개) 상황에서도 재구성 정확도는 크게 저하되지 않음. 센서 수가 늘어날수록 고장에 대한 복원력도 향상.
• 계산 효율성 : SVD와 QR‑분해는 한 번만 수행하면 되며, 실시간 재구성 단계는 선형 연산만 필요해 현장 적용이 용이.

4. 강점

1. 물리‑데이터 융합 : 물리 기반 SWMM 시뮬레이션을 학습 데이터로 활용해 실제 시스템 특성을 반영한 맞춤형 기저를 생성.
2. 해석 가능성 : 센서 위치 선정 과정이 수학적으로 명확(QR‑분해)하고, 재구성 과정이 선형 회귀 형태라 물리적 직관을 유지.
3. 범용성 : DSS는 다른 도시·유역, 혹은 다른 물리량(수위·오염물 농도)에도 그대로 적용 가능.

5. 한계 및 개선점

구분	내용	제언
학습 데이터 의존성	DSS 성능은 SWMM 시뮬레이션 품질에 크게 좌우됨. 모델 파라미터 오류가 있으면 기저가 왜곡될 위험.	실제 관측 데이터(가능한 경우)와 혼합 학습(Hybrid) 도입, 파라미터 불확실성 정량화.
시나리오 범위	250가지 시나리오는 충분히 다양하지만, 극한 기후·극단 이벤트(예: 200년 폭우) 미포함 가능성.	극단값 시나리오 추가 및 “최악‑사례” 강건성 테스트.
센서 설치 현실성	최적 노드가 물리적으로 접근하기 어려운 위치(예: 교통량 많은 도로 중앙)일 수 있음.	현장 제약을 반영한 제약식 최적화(예: 설치 비용, 접근성)와 결합.
동적 변화	도시 인프라(신규 파이프, 토지 이용 변화) 발생 시 기저 재학습 필요.	온라인 업데이트 메커니즘(증분 SVD) 도입.
다중 목표	현재는 피크 유량 재구성에 초점; 실제 운영에서는 수위·침수 깊이·시간 연속성 등 다중 목표가 필요.	다목표 최적화(예: 정보 엔트로피 + 비용)와 다변량 DSS 확장.

6. 향후 연구 방향

1. 실시간 운영 연계 : DSS 기반 재구성 결과를 실시간 제어(예: 가변식 배수구)와 결합해 홍수 완화 전략을 자동화.
2. 하이브리드 모델 : SWMM‑기반 시뮬레이션 + 현장 관측 데이터(가능한 경우)로 기저를 지속적으로 보정하는 하이브리드 학습 프레임워크 구축.
3. 다중 물리량 확장 : 유량 외에 수위, 침수 면적, 오염물 농도 등 복합 지표를 동시에 재구성하도록 다변량 DSS 개발.
4. 경제성 분석 : 센서 설치·운영 비용, 재구성 정확도, 홍수 피해 감소 효과를 정량화한 비용‑편익 분석 수행.
5. 다지역 적용 검증 : 다른 기후·지형 조건(예: 열대·사막 도시)에서의 적용 가능성을 테스트하고, 지역별 최적 r값·센서 수 규칙을 도출.

7. 종합 평가

본 논문은 데이터‑구동 희소 감지(DSS) 를 도시 하수관 시스템에 최초로 적용함으로써, 극소수 센서만으로도 고정밀 흐름 재구성이 가능함을 실증하였다. 물리 기반 시뮬레이션과 선형 대수학적 최적화 기법을 결합한 접근은 계산 효율성, 해석 가능성, 적용 범용성이라는 세 축을 모두 만족한다. 다만, 시뮬레이션 의존성과 현장 제약을 보완하기 위한 추가 연구가 필요하다. 향후 실시간 제어와 하이브리드 학습을 결합한다면, 제한된 관측 인프라 하에서도 도시 홍수 조기경보·완화에 크게 기여할 것으로 기대된다.

---

**

📄 Full Content

인구 증가와 도시화, 기후 변화가 초래하는 홍수 위험 및 센서 최적배치(DSS) 연구에 관한 한국어 번역 (2000자 이상)

인구 증가는 도시화를 촉진하고, 불투수면적을 광범위하게 확대한다(Dadashpoor et al., 2019; Wong & Kerkez, 2018). 동시에 기후 변화는 전 세계 기상 패턴에 큰 불확실성을 도입하여, 여러 지역에서 강우 강도와 빈도가 증가할 가능성을 높인다(Donat et al., 2016; Katherine et al., 2023; Martel et al., 2021; Xu et al., 2024). 기후 변화와 급속한 도시화가 겹치면서 발생하는 도시 표면수 홍수는 인프라 회복력과 공공 안전에 중대한 위협으로 부상하고 있다. 통계에 따르면 전 세계적으로 수만 명의 사망자와 수십억 유로에 달하는 경제적 손실이 발생했으며, 이는 유럽·호주뿐 아니라 미국에서도 매년 70~90억 달러 규모의 홍수 손실이 2100년까지 190억 달러로 증가할 것으로 전망된다(Ntelekos et al., 2010; USGCRP, 2014; National Academies, 2019). 이러한 영향의 규모는 보다 효과적인 홍수 모니터링·예보가 절실히 필요함을 강조한다.

하지만 홍수 모니터링은 여러 제약에 직면한다. 최신 센서 기술이 발전했음에도 고정밀 장비는 넓은 지역에 배치하기엔 여전히 비용이 높다(De Groeve et al., 2015; Tao et al., 2024). 전통적인 유량계는 국지적인 데이터만 제공해 홍수 관리에 한계를 만든다(Rahman & Di, 2017). 위성 기반 원격탐사는 넓은 공간 커버리지를 제공하지만 구름, 식생, 복잡한 영상 분석 등으로 인해 정확도가 떨어진다(Hashemi‑Beni et al., 2024). 이러한 한계는 도시 배수 시스템이 복잡하고, 감시망이 부족하며, 과거 기록이 불완전하고, 홍수 시 센서 접근이 어려운 개발도상국에서 더욱 두드러진다(Al‑Suhili et al., 2019; Mehmood & Rasmy, 2020).

이러한 문제를 해결하기 위한 한 가지 접근법은 최적 센서 배치(Optimized Sensor Placement, OSP) 를 통해 가장 대표적인 위치에 센서를 배치하고, 제한된 예산·자원 하에서 시스템 가시성을 극대화하는 것이다. OSP가 모니터링 정확도와 운영 효율성을 향상시키는 효과는 홍수 예보, 구조 동역학, 농업 수문학 등 다양한 분야에서 입증되었다(Fattoruso et al., 2015; Sahoo et al., 2019; K. Wang et al., 2020). 현재 OSP 연구는 크게 다음 네 가지 방법론으로 구분된다.

1. 결정론적 모델 기반 최적화 – 관측가능성·식별가능성의 대수적 지표를 최대화하는 센서 집합을 정확히 선택한다(Krause et al., 2008).
2. 확률론적 정보이론·베이지안 전략 – 사후 엔트로피를 최소화하거나 상호 정보를 최대화·사후 분산을 최소화한다(Ercan et al., 2023; Y. Yang et al., 2022).
3. 휴리스틱·진화적 최적화 – 다목적 조합 최적화 문제로 정의하고, 유전 알고리즘·입자 군집 최적화 등으로 파레토 전선을 탐색한다(Hassani & Dackermann, 2023; Lin et al., 2020; C. Yang, 2021).
4. 데이터‑구동·학습 기반 방법 – 지도학습·강화학습을 통해 물리 모델 없이 센서 배치를 직접 학습한다(Liu & Yin, 2024; Z. Wang et al., 2020).

센서 배치 외에도, 고해상도 홍수 지도와 예측을 위해 물리 기반 모델과 데이터 기반 모델을 모두 활용하는 것이 중요하다. 물리 기반 모델(예: 1차원 수리 모델 EPA SWMM, MIKE Urban)은 2차원 수치 모델과 일방향 결합(SWMM + PCSWMM) 혹은 완전 동적 1‑2차원 결합(MIKE FLOOD, Infoworks ICM) 형태로 흐름량·홍수 깊이를 예측한다(Cheng et al., 2017; Kadam & Sen, 2012; Sidek et al., 2021; Tansar et al., 2020). 그러나 고해상도 입력 데이터와 연산 자원이 필요해 실시간 예보, 특히 급성 홍수 상황에서는 적용이 어렵다(Berkhahn et al., 2019; Bisht et al., 2016).

이에 반해 머신러닝·딥러닝 모델(인공신경망, LSTM, 랜덤 포레스트 등)은 과거 데이터를 학습해 홍수 깊이·지속시간·범위를 최소 연산량으로 예측한다. 대규모 도시 폭풍 하수 시스템에 특히 유리하며, 예를 들어 Guo et al. (2021)은 딥 컨볼루션 신경망이 물리 기반 모델 대비 99.5 % 연산 시간을 절감한다는 결과를 제시했다. 다만 데이터 부족(극단 사건), 과적합 위험, 물리적 해석 가능성 결여 등 한계가 있다.

하이브리드 접근법은 물리 기반 모델과 학습 기반 모델의 장점을 결합한다. Li et al. (2024)와 Zahura et al. (2020)는 물리 모델을 이용해 학습용 데이터를 생성하고, 이를 ML 모델에 학습시켜 빠른 예측을 구현했다. Bruen & Yang (2006)은 ANN을 이용해 물리 모델의 잔차를 보정했으며, Motta et al. (2021)은 랜덤 포레스트와 GIS 통계를 결합해 위험 분석을 수행했다. Li & Willems (2020)는 집합 수문 모델과 로지스틱 회귀를 결합해 86 % 정확도의 빠른 확률적 도시 홍수 예측을 달성했다. 이러한 사례는 물리적 현실감과 ML의 효율성을 동시에 제공한다는 점에서 큰 잠재력을 보여준다.

데이터‑구동 희소 센싱(DSS)

Manohar et al. (2018)이 제안한 데이터‑구동 희소 센싱(Data‑Driven Sparse Sensing, DSS) 은 센서 배치 최적화와 축소된 측정값을 이용한 홍수 지도 재구성을 위한 프레임워크이다.

1. 압축 센싱 이론 – 흐름량·홍수 깊이와 같은 자연 신호는 주파수 영역에서 “희소(sparse)”하거나 적은 상태(파라미터)로 표현될 수 있다(Donoho, 2006). 따라서 적은 측정값으로도 신호를 효과적으로 복원할 수 있다.
2. 특이값 분해(SVD) – 차원 축소 기법으로 신호가 희소하게 나타나는 공간을 식별한다.
3. QR 분해(열 피벗팅 포함) – 가장 많은 정보를 담고 있는 열(센서 위치)을 선택한다.

이 두 기술을 결합하면, DSS는 가장 대표적인 센서 위치를 찾아 해당 지점에서 측정한 값만으로 전체 신호(예: 하수관망의 흐름량)를 재구성한다. 실제 사례로는 Ohmer et al. (2022)가 지하수 감시망을 최적화해 94 % 데이터 감소에도 0.1 m 오차만을 기록했으며, Zhang et al. (2023)과 Bin Mamoon et al. (2025)는 각각 미국 전역의 하천 흐름·영양염류 농도를 몇 개의 샘플만으로 정확히 추정했다. 그러나 아직 DSS는 폭풍 하수 시스템에 적용된 사례가 없다.

연구 목적

본 연구는 미국 미네소타 주 Duluth 시의 폭풍 하수 시스템을 대상으로 DSS가 센서 배치를 최적화하고 흐름량을 재구성하는 성능과 강인성을 평가한다.

• EPA‑SWMM 모델을 이용해 시뮬레이션 데이터를 생성하고, 이를 DSS에 입력해 가장 정보량이 큰 센서 위치를 도출한다.
• 환경 잡음·센서 일부 고장 등 현실적인 조건 하에서 프레임워크의 신뢰성을 체계적으로 검증한다.

DSS 프레임워크 핵심 원리

• SVD는 훈련 데이터 행렬 X = [ x₁, x₂, … ]에 대해 X = Ψ Σ Vᵀ 로 분해한다. 여기서 Ψ는 직교 시간 기반, Σ는 특이값, Vᵀ는 오른쪽 특이벡터이다.
• 앞 r개의 Ψ 열(Ψᵣ = [ψ₁, ψ₂, … ψᵣ])은 데이터에 대한 최적 r 차원 시간 기반을 제공한다.
• 측정값 y는 y = C x 로 표현되며, C는 측정 위치를 나타내는 샘플링 연산자이다.
• 최소제곱 해법을 통해 a = (Ψᵣᵀ Cᵀ C Ψᵣ)⁻¹ Ψᵣᵀ Cᵀ y 로 계수를 추정하고, x̂ = Ψᵣ a 로 전체 시계열을 복원한다.
• QR 분해(열 피벗팅)를 이용해 C를 최적화하면, Ψᵣ의 r 차원 모드들을 가장 잘 샘플링하는 센서 위치를 얻는다(Manohar et al., 2018).

요약하면, DSS는 EPA‑SWMM 시뮬레이션으로 만든 훈련 데이터에서 맞춤형 좌표계(Ψᵣ) 를 도출하고, QR 로 가장 정보량이 큰 측정 지점(C)을 선정한다. 소수의 측정값만으로도 다른 시나리오에서 얻은 시뮬레이션 기반 기반을 활용해 전체 유량 지도를 재구성할 수 있다.

연구 지역 및 데이터

Duluth는 슈피리어 호수 서쪽 끝에 위치한 도시로, 급경사와 풍부한 수계가 특징이다. 최근 기후 변화와 맞물려 극단 강우 사건이 빈번해지면서 홍수 위험이 크게 증가하고 있다(City of Duluth, 2023). 본 연구는 Woodland Avenue 유역을 대상으로 한다(그림 2).

• 시뮬레이션 시나리오: 강우 특성, 토지 피복 불투수성, 토양 침투 파라미터를 변형해 250가지 시나리오를 생성.
• 모델 구조: Bolton & Menk Inc.가 제공한 SWMM 모델을 사용. 유역은 48개의 하위 유역으로 구분되고, 하수관망은 130개의 파이프와 77개의 노드로 구성(그림 S1).
• 파라미터: 불투수면 Manning 거칠기 0.01, 투수면 0.1; 침수 저장 깊이 각각 0.08 in, 0.2 in; 전역 유출 폭 500 ft.
• 강우 입력: 지역 IDF 곡선 기반 5·10·25·50·100년 설계 폭우 5종과 2024년 실측 강우 10종을 사용해 변동성을 반영.
• 불투수 비율: 5 %, 15 %, 25 %, 35 %, 45 % 다섯 단계.
• Horton 침투 최소율: 0.5, 1.0, 1.5, 2.0, 2.5 in/h 다섯 단계.

실험 설계

1. 센서 배치 효율성 검증

   • 센서 수를 1 ~ 10개로 늘리면서 두 가지 배치 방식을 비교: (①) DSS 기반 최적 배치, (②) 무작위 배치.
   • 무작위 배치는 각 센서 수마다 100,000번 반복해 통계적 편향을 최소화.

2. 강우 사건별 재구성 성능

   • 최적 배치에 한정해 실제 강우와 설계 강우(합성) 각각에 대해 재구성 정확도를 평가.

3. 환경 잡음 강인성 테스트

   • 측정값에 ±5 %, ±10 %, ±15 % 잡음을 인위적으로 추가하고, 센서 수별 재구성 정확도를 비교.

모든 경우의 재구성 정확도는 Nash‑Sutcliffe Efficiency (NSE) 로 평가한다.

[ \text{NSE}=1-\frac{\sum_{i=1}^{N}(Q_{i}^{\text{SWMM}}-Q_{i}^{\text{DSS}})^{2}}{\sum_{i=1}^{N}(Q_{i}^{\text{SWMM}}-\overline{Q^{\text{SWMM}}})^{2}} ]

여기서 (Q^{\text{SWMM}})는 SWMM 시뮬레이션 유량, (Q^{\text{DSS}})는 DSS 재구성 유량이며, NSE가 1에 가까울수록 재구성 정확도가 높다.

주요 결과

• 최적 배치에서는 NSE가 0.94 ~ 0.99(25‑75 % 분위) 범위에 밀집해 모든 실험에서 일관된 고정밀 재구성이 가능했다(그림 4).
• 무작위 배치는 NSE가 -1.17 ~ 0.86까지 크게 변동했으며, 일부 우연히 최적에 근접한 경우를 제외하면 대부분 재구성 실패를 보였다(그림 4).
• 센서 수가 증가할수록 NSE가 지속적으로 향상되었다. 실제 강우에서는 1개 센서 시 0.87 ~ 0.93 → 3개 센서 시 0.92 ~ 0.95 → 10개 센서 시 0.99 ~ 1.00(그림 5). 설계 강우(200년)에서는 1개 센서 시 0.39 ~ 0.95 → 3개 센서 시 0.93 ~ 0.94 → 10개 센서 시 0.99 ~ 1.00(그림 5).
• 2~3개의 전략적 센서만으로도 충분히 정확한 재구성이 가능했다. 실제 강우에서는 1개 센서만으로도 0.87 ~ 0.93 수준을 달성했으며, 설계 강우에서는 2개 센서만으로도 NSE 0.93 ~ 0.94에 도달했다. 추가 센서는 marginal improvement만을 제공한다.
• 잡음 내성: 잡음 수준이 높아질수록 NSE가 감소했지만, 5 %~15 % 잡음에서도 여전히 0.83 ~ 0.92(1개 센서) 및 0.90 ~ 0.96(3개 센서) 수준을 유지해 강인성을 입증했다.

결론 및 시사점

1. DSS는 전략적으로 배치된 소수의 센서만으로도 폭풍 하수망의 피크 유량을 높은 정확도로 재구성할 수 있다. 최적 배치 시 NSE가 0.94 ~ 0.99에 달해 실무 적용 가능성을 보여준다.
2. 무작위 배치는 신뢰성이 낮으며, 센서 배치 설계 단계에서 최적화가 필수임을 확인했다.
3. 센서 수 2~3개가 대부분의 실제·설계 강우 상황에서 충분히 정확한 재구성을 제공하므로, 비용 효율적인 감시망 구축이 가능하다.
4. 환경 잡음에 대한 강인성이 입증돼 현장 적용 시 센서 오차·노이즈가 존재해도 실용적인 결과를 기대할 수 있다.
5. DSS와 물리 기반 시뮬레이션의 결합은 데이터가 부족한 상황에서도 신뢰성 있는 홍수 예보·위험 평가를 지원한다. 향후 연구에서는 실시간 데이터 스트리밍, 다중 변수(수위·오염물) 동시 재구성, 그리고 다른 도시 하수망에 대한 일반화 검증을 진행할 예정이다.

본 연구는 Duluth, MN 사례를 통해 데이터‑구동 희소 센싱이 도시 홍수 모니터링에 제공할 수 있는 효율성·정확성·강인성을 실증했으며, 제한된 예산·인프라 환경에서도 효과적인 홍수 대응 전략을 설계하는 데 중요한 과학적·실무적 근거를 제공한다.