1. 서 론
2. 연구 방법 및 자료
2.1 연구 지역
2.2 물리기반 도시침수 해석 모형HC-SURF
2.3 Gated-CNN도시침수 모형
2.4 평가 지표
3. 결과 및 분석
3.1 해상도별 최대 침수심 모의 결과 및 성능 평가
3.2 침수심별 모형 성능 분석
3.3 연산 효율
4. 결 론
1. 서 론
도시 지역에서 발생하는 국지성 집중호우로 인한 침수 피해가 증가하면서, 실시간 침수 예측의 중요성이 더욱 부각되고 있다. 특히 수문반응이 상대적으로 빠른 도시 환경에서는 침수 상황이 급속히 변화하기 때문에, 시민 안전 확보와 선제적 재난 대응을 위해서는 신속하고 정확한 침수 예측 정보 제공이 필수적이다.
도시 침수 예측 분야에서는 전통적으로 물리과정 기반의 해석 모형이 활용되고 있다(Lee et al., 2016; Noh et al., 2018; Sim and Kim, 2024b). 물리모형은 높은 정확도의 예측 결과를 제공한다는 장점이 있으나, 고해상도 모의를 위해서는 복잡한 편미분방정식의 해석 과정에서 막대한 계산 비용이 소요되어 실시간 운영에는 한계가 있다. 이러한 계산 효율성 문제를 해결하기 위해 최근에는 딥러닝 기반 대리 모형(surrogate model)이 새로운 대안으로 주목받고 있다. 딥러닝 모형은 물리모형의 결과를 학습하여 유사한 정확도를 유지하면서도 계산 시간을 단축할 수 있어, 실시간 침수 예측에 적합한 특성을 갖는다(Burrichter et al., 2023; Guo et al., 2021; Hofmann and Schüttrumpf, 2021; Hosseiny, 2021; Kabir et al., 2020; Seleem et al., 2023; Xu and Gao, 2024; Zhou et al., 2021). 일례로, Kabir et al. (2020)은 물리모형 결과를 학습한 CNN 기반 대리모형으로 홍수 범람 지도를 신속하게 생성하는 기법을 제안하였으며, Löwe et al. (2021)은 U-NET 구조를 활용하여 지형 정보만을 입력으로 사용하는 U-FLOOD 모형을 개발해 실시간 도시 침수 예측의 가능성을 제시하였다. Li et al. (2025)는 강우 뿐 아니라 지형 및 토지이용 정보를 결합한 고적응형 머신러닝 기반 모형을 제안하여 새로운 지역과 강우 사건에서도 일반화 성능을 확보하였다. 또한, Cao et al. (2025)는 Skip-ConvGRU 구조를 적용한 U-RNN과 새로운 학습 전략을 통해 초고해상도의 시공간 홍수 nowcasting을 가능하게 하였으며, Pianforini et al. (2024)는 Transformer 기반 FloodSformer 모형을 제시하여 홍수 사상의 동적 변화를 실시간으로 모의할 수 있음을 보여주었다.
딥러닝 기반의 홍수 및 침수 예측 기술은 국내 여러 지역에 대해 다양한 주제의 연구가 진행되고 있다. Han et al. (2024)은 섬진강 유역을 대상으로 고해상도 CMORPH 강우 자료와 Long Short-Term Memory (LSTM) 알고리즘을 결합하여 수위 변동성을 예측하였으며, 위성 기반 강우 자료가 지상 관측의 한계를 보완할 수 있음을 확인하였다. 또한 Lim et al. (2025)은 섬진강 유역에서 LSTM 기반 가상 홍수위 센서를 개발하고, 물리 제약조건 및 초매개변수 최적화를 적용하여 미계측 지점에서도 안정적으로 수위를 예측할 수 있음을 보여주었다. Kim et al. (2021) 은 인공지능 기반 홍수위 예측 모형을 개발 및 적용하여, 홍수 예·경보 체계의 실용적 가능성을 입증하였다. Jeong et al. (2025)은 인천광역시를 대상으로 지형·기상 조건과 침수 흔적 자료를 결합한 기계학습 기반 격자 모형을 통해 도시 단위의 홍수 위험도를 산정하여 정책적 활용 가능성을 제시하였다. 그러나 이러한 연구들은 대부분 하천 수위 예측에 집중되어 있어, 2차원 공간상에서 발생하는 도시 침수심의 분포 특성과 이에 대한 딥러닝 모형의 해상도별 성능 분석은 상대적으로 제한적이다.
또한 기존 연구들은 딥러닝 모형의 구조 개선이나 성능 향상에 주로 집중해 왔으며, 학습 자료의 특성(공간 해상도와 침수심 분포 등)이 예측 정확도와 오차 특성에 미치는 영향에 대한 분석은 제한적이다. 고해상도 데이터는 세밀한 공간 정보를 제공하지만 데이터 규모 확대와 표본 제한으로 학습 안정성이 저하되고 과적합 위험이 증가할 수 있다. 반대로 저해상도 데이터는 계산 효율성 면에서 유리하나 세밀한 공간 특성 반영이 부족해 예측 성능 저하가 발생할 수 있다. 따라서 공간 해상도와 침수심 분포가 성능과 계산 효율성에 미치는 영향을 정량적으로 평가할 필요가 있다.
본 연구는 HC-SURF 물리모형 시뮬레이션 결과를 학습 자료로 활용하여 Gated-Convolutional Neural Network (Gated-CNN) 기반 딥러닝 도시 침수 예측 모형을 구축하고, 공간 해상도에 따른 성능 특성을 정량 분석한다. 연구 대상지는 서울시 신림 배수분구이며, 5 m와 10 m 해상도의 침수 데이터를 구축하여 2022년 8월 침수 사상에 적용한다. 제안한 모형의 해상도별 침수심 분포 재현성과 계산 효율을 물리모형과 비교·평가하고, 딥러닝 기반 도시 침수 예측에서 해상도 선택과 실시간 적용 가능성을 논의한다.
2. 연구 방법 및 자료
2.1 연구 지역
연구 대상 유역은 서울특별시 관악구 신림동 일대에 위치한 신림 배수구역이다(면적: 5.14 km2, Fig. 1). 이 구역은 도림천 유역의 일부로, 인접 지역보다 표고가 낮아 강우 시 지표수가 집중될 수 있는 지형적 특징을 가진다. 또한, 시가화 지역이 약 70%의 면적을 차지하며 평균 경사율이 16.2%에 달하는 급경사 유역으로, 높은 불투수면적 비율과 짧은 유출 시간으로 인해 집중호우 발생 시 유역 하류부에 침수 위험이 크게 나타나는 전형적인 도심 취약지역이다. 특히, 지형적으로 남측 지역이 산지로 형성된 골짜기 형태를 띠고 있어 고도가 낮은 북측 지역으로 지표수가 집중되며, 이로 인해 2011년, 2012년, 2022년 등 빈번한 침수 피해가 발생하였다(Sim and Kim, 2024a; Tak et al., 2016). 특히 2022년 8월에는 집중호우로 인해 신림동 중앙시장 일대에서 인명 및 재산 피해가 발생하였으며, 본 연구에서는 해당 사상을 분석 대상으로 선정하여 모형 검증과 성능 평가를 수행하였다.
2.2 물리기반 도시침수 해석 모형HC-SURF
2.2.1 HC-SURF 모형 구조
본 연구에서는 물리과정 기반 도시침수 해석 모형인 HC-SURF (Hyper Connected-Solution for Urban Flood) 모형을 활용하여 학습자료를 구축하였다(Sim and Kim, 2024a; 2024b). HC-SURF는 지표수 흐름(2D)과 우수관망 흐름(1D)을 고정 시간 간격(fixed-time step)으로 동기화하여 연계하는 이중배수(dual drainage) 모형으로, 기존의 최소 시간간격 연계 방식 대비 계산 효율성을 높이면서도 실제 홍수 현상을 정밀하게 재현할 수 있도록 개발되었다.
HC-SURF 모형은 1D Solver와 2D Solver를 강결합(tight coupling)한 구조로, 두 해석 모듈이 동일한 시간 간격으로 동기화되어 매시간 단계마다 맨홀-지표면 간 유량을 양방향으로 교환한다. 먼저 1D Solver는 우수관망 해석에 보편적으로 활용되는 EPA-SWMM 5.2 버전의 공개 소스를 기반으로 수정하여 적용하였다. SWMM의 EXTRAN 모듈은 1차원 Saint-Venant 방정식을 통해 부정류를 모의하며, 맨홀에서의 수위는 연속방정식으로, 관로 내 유속은 운동량 방정식으로 계산되며, 해당 식은 아래와 같다(Sim and Kim, 2024a). 본 모형에서는 SWMM 소스코드(C 언어 기반)에 2D Solver와의 연계를 위한 인터페이스가 추가되었다.
위의 식에서 는 유량, 는 단면적, 는 수리학적 수두, 는 마찰 경사, 는 중력가속도, 는 흐름 방향 거리, 는 시간을 의미한다.
2D 지표 유동 해석을 위한 2D Solver는 2차원 천수방정식(shallow water equations)을 지배방정식으로 사용하며, 이를 유한체적법(finite volume method)으로 이산화하여 계산한다. 수심이 매우 얕아지는 wet-dry 경계면의 안정적인 처리를 위해, 특정 임계값 이하의 수심을 갖는 격자는 마른(dry) 상태로 간주하여 유속을 0으로 설정하는 기법(depth-positivity-preserving)을 적용하였다. 또한, 계산 효율성을 확보하고자 관성항을 고려하지 않는 확산파 근사(diffusive wave approximation)를 천수방정식에 적용하였다.
위의 식에서 는 수심, , 는 각각 , 방향 유속을 의미하며, 바닥경사, , 는 Manning 조도계수를 이용하여 산정되는 마찰항이다. 은 강우강도, 는 관망과의 유량 교환항을 의미한다. 흐름변화를 모의하기 위하여 수치격자 경계에서 단위폭당 유량을 Eqs. (4) and (5)를 이용하여 계산하고, Eq. (3)에 적용하여 수위 변화를 계산하였다.
HC-SURF의 핵심은 고정 시간 유량 동기화 방식이다. 모의 과정에서 사용자가 정의한 시간 간격마다 (1) 1D 우수관망 모형에서 산정된 유입·유출량과 수위 정보를 저장하고, (2) 이를 2D 지표 유동 모형으로 전달하여 선형 보간방식으로 수위 변화를 반영하며, (3) 동기화 시점에서 계산된 결과를 다시 1D우수관망 모형으로 전달하는 순환 구조를 가진다. 이 과정에서 맨홀 수위와 지표 수위를 비교하여 조건에 따라 위어(weir) 공식 또는 오리피스(orifice) 공식을 적용하여 Discharge (지표 → 관망)와 Surcharge (관망 → 지표) 유출입 양을 산정한다. Fig. 2는 HC-SURF 모형의 전체 연계 구조를 도식화한 것으로, 1D 우수관망 모형과 2D 지표 유동 모형 간의 상호작용 과정 및 고정 시간 동기화 절차를 개략적으로 나타낸다.
2.2.2 초기 모형 구축 및 모형 검증
본 연구에서는 2022년 8월 8일 19:00부터 8월 9일 01:00까지 발생한 집중호우 사상(총 6시간) 을 적용하여 HC-SURF 모형의 정확도를 검증하였다. 강우 입력은 기상청 자동기상관측시스템(Automatic Weather System, AWS)의 분 단위 강우자료를 활용하였으며, 신림 배수구역과 인접한 금천 및 기상청 관측소 자료를 대상으로 Thiessen 가중법을 적용하여 유역 평균 강우량을 산정하였다(Table 1).
Table 1.
Accumulated and maximum rainfall with Thiessen coefficients for the 2022 August event (Aug 8, 19:00 ~ Aug 9, 01:00, 6-hour period)
| Station |
Cumulative Rainfall amount (mm) |
Maximum Rainfall intensity (mm/hr) |
Thiessen coefficient |
| Geumcheon | 515 | 141.5 | 0.62 |
|
Meterological Administration | 445 | 94.0 | 0.38 |
HC-SURF 모형에 사용된 주요 매개변수는 Table 2과 같다. 수리·수문 입력자료는 ME (2022)의 도림천·시흥천 유역 치수계획 보고서를 바탕으로 우수관망 초기조건을 구축하였으며, 지형 자료는 불투수면적비, 토지피복, 침투능 등의 수문 인자 산정을 위하여 수치지형도와 토지이용현황 등 GIS 자료를 활용하였다. 강우-유출 해석을 위한 수문 매개변수로는 토지이용현황과 정밀토양도를 결합하여 미국 토양보전국(SCS)의 Curve Number (CN) 방법을 적용하였으며, 토양의 선행 습윤 조건은 가장 일반적인 상태인 AMC-II를 가정하였다. 지표면의 마찰 저항은 토지이용현황에 따라 Manning 조도계수를 0.013에서 0.4까지 차등적으로 적용하였고, 침수 범위의 선단에서 발생하는 수치적 불안정성을 제어하기 위해 0.001 m 이하의 수심을 갖는 격자는 마른(dry) 상태로 간주하는 Depth-positivity-preserving 기법을 적용하였다. 1차원 관망 흐름은 1차원 Saint-Venant 방정식을 지배방정식으로 사용하였고, 관로 내 조도계수는 국내 하수도 설계기준을 참고하여 0.013에서 0.025 범위의 값을 적용하였다. 격자구축에 활용된 토지이용 현황과 우수관망 분포는 Fig. 3과 같다.
Table 2.
Key parameters of the HC-SURF model
모형 검증은 침수심이 0.1 m 이상인 최대 침수면적을 기준으로 수행하였다. 이 기준은 국내 도로 연석의 최소 높이를 고려할 때 침수가 차도를 넘어 보도로 확산되는 물리적 경계점으로 볼 수 있다. 침수흔적도는 건물 영역까지 포함하고 있어 실제 지표 유동과 차이가 발생할 수 있으므로, (1) 침수흔적도를 기준으로 일치율을 산정하는 방법과 (2) 수치해석 결과를 기준으로 건물 인접 격자의 침수를 적중으로 인정하는 방법의 두 가지 기준을 적용하였다. 분석 결과(Fig. 4), 침수흔적도 기준에서 모형의 일치율은 약 82.8%, 수치해석 격자 기준에서는 81.0%로 나타났다. Fig.4에 별도 표기된 영역은 건물 밀집지역으로 대부분의 예측 오차가 해당 지역에서 발생하였다(침수흔적도의 약 16%). 이는 실제 피해가 도림천 월류 현상에 기인하였으나, 본 모형에서는 하천 월류를 고려하지 않아 발생한 차이로 판단된다.
2.3 Gated-CNN도시침수 모형
2.3.1 Gated-CNN딥러닝 모형 구조
본 연구에서는 도시 침수 예측을 위해 Gated 출력(gated output) 구조를 적용한 1차원 합성곱 신경망(1D-CNN) 모형을 개발하였다. 기존 연구(Woo et al., 2024; Woo, 2025)에서는 게이티드 출력이 없는 기본 CNN 구조를 활용하였으나, 본 연구에서는 예측 결과의 중요도를 동적으로 조절할 수 있는 Gated 출력 계층을 추가하여 기존 모형의 한계를 보완하고자 하였다. Fig. 5는 Gated-CNN 모형의 전체 구조를 나타낸 것이다. 입력 시계열 데이터는 먼저 인코더(encoder)를 통과하며 특징이 추출된다. 인코더는 두 개의 연속된 합성곱 층(convolutional layer)으로 구성되며, 각 층은 특징 맵(feature map)을 생성한다. 이후 배치 정규화(batch normalization)와 ReLU 활성화 함수를 적용하여 학습 안정성과 비선형성을 확보하였다. 평탄화 층(Flatten layer)을 통해 벡터 형태로 변환된 데이터는 은닉층(hidden layer)으로 전달된다. 은닉층은 인코더로부터 추출된 특징 벡터를 기반으로 고차원 패턴을 학습하며, 과적합 방지를 위해 드롭아웃(dropout) 기법을 적용하였다. 게이트 출력 계층(gated output layer)은 은닉층의 출력을 받아 최종 예측을 수행한다. 이 계층은 일반적인 선형 예측을 담당하는 출력부(output unit)과 게이트 값을 생성하는 게이트부(gate unit)으로 나뉜다. 게이트 부은 시그모이드(sigmoid) 함수를 사용하여 0과 1 사이의 게이트 값을 산출하고, 이를 최종 예측값에 곱함으로써 출력의 가중을 조절하고 불필요한 예측을 제한한다.
모형 최적화를 위해 합성곱층의 필터 수와 커널 크기를 실험적으로 조정하여 입력 강우 시계열의 패턴을 충분히 반영하도록 하였다. 또한 은닉층의 뉴런 수와 드롭아웃 비율은 과적합 억제와 학습 안정성을 고려해 설정하였다. 실험 결과, ReLU 활성화 함수와 AdamW 최적화 기법이 가장 우수한 성능을 보여 이를 최종 모형에 적용하였다. Table 3은 본 연구에서 사용된 Gated-CNN 모형의 하이퍼파라미터 요약이다.
Table 3.
Key hyperparameters of the Gated-CNN model
| Parameter | Optimizer | Activation | Drop out | Loss | Learning Rate | Epoch |
| Value | AdamW | ReLU | 0.4 | MSE | 0.005 | 200 |
2.3.2 실험 설계
CNN 모형의 학습을 위해 다양한 규모와 형태의 강우사상을 포함하는 가상 강우 데이터를 구성하였다. 총 강우량은 50~300 mm 범위로 설정하여 소규모 강우부터 극한 강우까지 포괄하였으며, 강우 집중 시점에 따라 초기·중기·후기 집중형의 정규분포를 따르는 세 가지 유형으로 구분하였다. 각 유형별로 5개씩 총 15세트의 강우 시계열을 생성하여 다양한 강우 조건에 대한 학습 데이터를 구축하였다.
생성된 강우사상은 HC-SURF 모형에 입력되어 격자별 침수심 분포를 도출하였다. HC-SURF는 강우 입력을 기반으로 관망 및 지표 유동을 연계하여 격자 단위의 침수심 분포를 산출한다. 본 연구에서는 10분 간격의 강우 시계열을 입력으로 하고 HC-SURF의 침수심 분포를 출력 목표값으로 하여 딥러닝 학습을 수행하였다.
모형의 검증은 2022년 8월 서울 집중호우 사례(2022.08. 08 19:00~2025.08.09 01:00)에 대해 적용하였으며, 훈련 및 검증에 활용한 강우 사상은 Fig. 6 과 같다. 이 강우사상은 신림 배수구역에서 실제 인명 및 재산 피해가 발생한 사례로, 2.3절에서 Thiessen 가중법으로 산정한 유역 평균 강우량을 HC-SURF에 적용하여 시뮬레이션을 수행하였다. 모의된 침수 결과는 실제 침수흔적도와 비교하여 물리모형의 재현성을 확인하였으며, 딥러닝 모형의 성능 평가 기준으로도 사용하였다.
딥러닝 모형에 사용된 주요 매개변수는 Table 2과 같다. 손실 함수로는 평균제곱오차(Mean Squared Error, MSE)를, 최적화 기법으로는 AdamW를 적용하였으며, 과적합 방지를 위해 검증 손실이 15 에포크 동안 개선되지 않을 경우 학습을 조기 종료하는 조기 종료(Early Stopping) 기법을 도입하였다.
2.4 평가 지표
딥러닝 모형의 성능을 침수 영역의 재현성과 침수심 예측 정확도 두 가지 측면에서 평가하였다. 침수 영역의 일치도를 검증하기 위해 Critical Success Index (CSI), Probability of Detection (POD), False Alarm Ratio (FAR)를 사용하였으며, 침수심의 정확도를 평가하기 위해 RMSE, R2를 적용하였다. 또한 모형의 과대·과소추정 경향을 확인하기 위하여 Bias를 추가적으로 산정하였다. 이러한 지표 조합을 통해 제안한 모형의 공간적·통계적 신뢰성을 종합적으로 검증하였다. 각 지표의 정의와 계산식은 Table 4와 같다.
Table 4.
Accuracy assessment metrics
3. 결과 및 분석
3.1 해상도별 최대 침수심 모의 결과 및 성능 평가
신림 배수분구에서 발생한 2022년 강우사상에 대해 딥러닝 기반 CNN 모형과 물리과정 기반 HC-SURF 모형의 최대 침수심 모의 결과를 비교·분석하였다. 최대 침수심은 전체 모의 기간 동안 각 격자에서 계산된 침수심의 시간별 최대값을 취하여 산정하였으며, 지형 특성을 고려하기 위해 1 m 해상도의 DSM에 침수 결과를 중첩하여 시각화 하였다. Fig. 7은 두 공간 해상도(5 m, 10 m)에서 HC-SURF 모형과 CNN 모형의 최대 침수심 비교 결과이며, 붉은색 점선 박스는 침수 패턴의 세부적인 차이를 확인하기 위해 확대한 주요 침수 구역을 나타낸다. Fig. 8은 이진 침수 분류 결과로, Hit(초록색)은 실제 침수를 정확히 예측한 영역, Miss (파란색)은 실제 침수가 발생했으나 예측하지 못한 영역, False Alarm (빨간색)은 실제로는 침수가 없었으나 침수로 잘못 예측한 영역을 의미한다. Table 5는 CNN 모형의 정량적 성능 평가 결과를 요약한 것이다.
Table 5.
Performance evaluation metrics of CNN model against HC-SURF results at 5 m and 10 m spatial resolutions
| Resolution | 5 m | 10 m |
| CSI | 0.78 | 0.82 |
| POD | 0.79 | 0.85 |
| FAR | 0.02 | 0.04 |
| RMSE | 0.04 m | 0.04 m |
| R² | 0.89 | 0.90 |
5 m 해상도에서의 침수심 분포(Fig. 7(a))를 살펴보면, CNN 모형은 주요 교차로 및 도로의 침수 분포를 HC-SURF 모형과 유사하게 재현하였다. Fig. 7(a)의 확대 영역을 보면, 상단 교차로 지역에서 HC-SURF 모형은 교차로 중심부와 주변 건물 사이의 복잡한 침수 분포와 국지적 침수심 변화를 나타냈다. CNN 모형은 교차로의 전반적인 침수 범위는 포착하였으나, 건물 모서리 부근의 미세한 침수심 변화는 다소 평활화된 양상으로 재현하였다. 하단의 수직 도로 구간에서도 HC-SURF 모형은 도로를 따라 형성되는 선형의 침수 패턴과 도로 가장자리의 미세한 침수심 변화를 보여주는 반면, CNN 모형은 도로 중심부의 침수는 잘 재현하였으나 도로 경계부의 세밀한 변동성은 상대적으로 완만하게 표현되었다. 이는 물리 기반 모형이 격자별 수리학적 계산을 통해 미세한 흐름 변화를 직접 모의하는 반면, 데이터 기반 CNN 모형은 훈련 데이터의 전반적인 패턴을 학습하여 공간적으로 평활화된 결과를 생성하는 특성에 기인한 것으로 판단된다. Fig. 8(a)의 이진 분류 결과에서는 Hit 영역이 지배적이며, False Alarm은 거의 나타나지 않았다. Miss 영역은 일부 존재하였으나 대부분 침수심이 얕은 지역으로, 피해가 집중되는 핵심 침수 지역에서는 높은 탐지 성능을 유지하여 모형의 전반적인 침수 구역 재현 성능에는 큰 영향을 주지 않았다. 정량적 성능 지표 역시 CSI 0.78, POD 0.79, FAR 0.02로 나타났으며, RMSE 0.04 m, R2 0.89로 HC-SURF 모형과 높은 일치도를 보였다.
10 m 해상도에서의 침수심 분포(Fig. 7(b))는 5 m 결과와 전반적으로 유사하였으며, 주요 도로와 교차로의 침수 양상을 적절히 재현하였다. 격자 크기 증가로 인한 단순화로 인해 침수 구역의 공간적 변동성이 감소하여 보다 평활화된 침수 패턴을 나타냈다. Fig. 8(b)의 이진 분류 결과에서도 Hit 영역이 대부분을 차지하였으며, False Alarm은 5 m 해상도 대비 소폭 증가하였다. 성능 지표의 경우 CSI 0.82, POD 0.85를 나타냈으며, FAR은 0.04로 낮은 수준을 유지하였다. 침수심 평가 지표에서도 RMSE 0.04 m, R2 0.90을 보여 HC-SURF 모형과 높은 일치도를 보였다.
해상도별 성능을 종합적으로 비교한 결과, CNN 모형은 두 해상도 모두에서 HC-SURF 모형과 높은 일치도를 보였다. 5 m 해상도에서는 건물 경계 및 미세 흐름 경로 등 국지적 침수 변화를 상세히 재현할 수 있었으며(CSI 0.78, R2 0.89), 10 m 해상도에서는 격자 단순화로 인해 미세 규모의 공간 변동성은 평활화되었으나 주요 침수 구역 탐지 관점에서는 오히려 향상된 성능(CSI 0.82, R2 0.90)을 나타냈다. 이는 10 m 해상도에서 노이즈성 국지 변동이 억제되어 광역 침수 패턴 예측의 안정성이 증가한 것으로 해석되며, 예측 목적에 따라 공간적 상세성과 예측 안정성 간의 상충관계를 고려하여 최적 해상도를 선택해야 함을 시사한다.
Fig. 9은 각 해상도에 대해 주요 침수 지역인 교차로에서의 단면 결과를 나타낸 그림이다. 상단은 HC-SURF와 CNN 모형의 최대 침수심 분포이며, 하단의 그래프는 지도에 표시된 빨간 선을 따라 산정된 수심 단면 분포를 비교한 것이다. 하단 그래프에서 검정색 선은 HC-SURF 결과이고 파란색 선은 CNN 결과이다.
Fig. 9(a)의 5 m 해상도 결과를 살펴보면, CNN 모형은 교차로 부근의 수심 분포를 전반적으로 HC-SURF 모형의 결과와 유사하게 재현하였다. 특히 침수심이 가장 높은 구간(128°54' 50"E 부근)에서 HC-SURF모형은 약 1.75 m, CNN은 약 1.6 m의 침수심을 나타내어 약 0.1-0.2 m 정도의 과소 추정이 일부 나타났지만, 전반적인 침수심의 분포 형태와 첨두의 위치는 유사하였다. Fig. 9(b)의 10 m 해상도 결과에서는 격자 단순화로 인해 5 m 해상도와는 다른 수심 분포 양상을 나타냈다. HC-SURF 모형과의 비교 결과, CNN 모형은 10 m 해상도에서도 최대 침수심의 발생 위치와 전반적인 분포 양상을 HC-SURF와 유사하게 재현하였다. 침수심이 깊은 구간(128°54'50"E 부근)에서 HC-SURF는 약 1.6-1.7 m, CNN은 약 1.5-1.55 m를 나타내어 약 0.1-0.15 m의 차이를 보였으며, 5 m 해상도에서의 오차와 유사한 수준이었다. 이는 두 해상도 모두에서 CNN이 교차로 단면의 침수 분포를 적절히 재현함을 보여주지만, 건물 경계 및 미세한 지형 변화에 따른 세밀한 수심 차이를 정밀하게 재현하기 위해서는 고해상도 자료가 더 유리할 수 있음을 시사한다.
3.2 침수심별 모형 성능 분석
제안한 CNN 모형의 성능을 침수심 구간별로 세분화하여 평가하였다(Fig. 10). 침수심 구간은 침수 깊이가 인체에 미치는 물리적 영향을 기준으로 분류하였다(Choi et al., 2023). 구체적으로, 재난 상황에서 보행 및 대피 가능 여부를 판단하는 직관적 기준이 되는 발목(<0.15 m), 무릎(0.15-0.45 m), 허리(0.45-1.0 m), 그리고 그 이상(≥1.0m) 깊이의 네 구간으로 나누어, 각 구간에서 RMSE와 Bias를 5 m 및 10 m 공간 해상도에 대해 분석하였다.
RMSE 분석 결과, 낮은 침수심 구간(<0.15 m)에서는 두 해상도 모두 0.02 m 미만의 낮은 RMSE를 보였으며 0.15-0.45 m 구간에서도 약 0.11-0.12 m 수준의 성능을 유지하였다. 0.45-1.0 m 구간에서는 5 m 해상도가 약 0.20 m, 10 m 해상도가 약 0.14 m의 오차를 나타냈으며, 깊은 침수심 구간(≥1.0 m)에서는 각각 0.53 m와 0.34 m의 오차를 기록하였다. 침수심이 증가함에 따라 절대 오차가 증가하는 경향이 나타났는데, 이는 해당 구간의 높은 수심 값(평균 약 1.5 m 이상)과 고해상도 모형의 특성이 결합된 결과로 판단된다. 즉, 침수심의 절대값이 큰 상황에서, 5m 해상도 모델이 지형의 국지적 변동성에 민감하게 반응함에 따라 예측 결과의 안정성이 저하된 것으로 볼 수 있다.
Bias 분석에서는 침수심 구간별로 서로 다른 편향 특성이 나타났다. 낮은 침수심 구간(<0.15 m)에서는 편향이 미미하였고, 0.15-0.45 m 구간에서는 두 해상도 모두 약 0.02-0.03 m의 양(+)의 편향을 보였다. 반면 0.45-1.0 m 구간에서는 약 -0.02 m의 음(-)의 편향이 관찰되었으나, 이는 예측 성능에 실질적으로 큰 영향을 미치지 않는 수준이다. 깊은 침수심 구간(≥1.0 m)에서는 5 m 해상도가 -0.17 m, 10 m 해상도가 -0.01 m의 편향을 보였으며, 특히 5 m 해상도에서 극한 침수 상황에서 일부 과소추정된 것이 관찰되었다.
해상도별 비교 결과, 10 m 해상도가 대부분의 침수심 구간에서 5 m 해상도보다 우수한 성능을 보였다. 특히 깊은 침수심 구간에서 차이가 두드러졌는데, 이는 10 m 해상도의 경우 격자 크기 증가에 따른 공간적 평균화 효과로 국지적 변동성이 감소하여 모형이 보다 안정적인 패턴을 학습할 수 있었기 때문으로 해석된다. 반면 5 m 해상도는 세밀한 공간 정보를 제공하지만, 학습 데이터의 노이즈나 국지적 변동성에 과도하게 반응하여 극한 침수 상황(≥1.0 m)에서의 예측 안정성이 저하되는 한계를 보였다. 고해상도 모형의 예측 정확도를 높이는 것은 향후 연구에서 개선되어야 할 부분이다.
3.3 연산 효율
물리모형 HC-SURF와 CNN 모형의 연산 속도를 비교하였다. HC-SURF 모형은 AMD Ryzen 7 7700X CPU (4.5 GHz, 8코어)와 32 GB RAM을 탑재한 PC 환경에서 OpenMP 기반 병렬 계산으로 수행하였으며, CNN 모형은 Google Colab Pro+ 환경에서 NVIDIA A100 GPU와 12 vCPU (2.20 GHz), 83 GB RAM을 활용하여 수행하였다. 본 비교는 서로 다른 하드웨어 환경에서 진행되었으나, 각 모형이 최적화된 환경에서의 실질적인 연산 시간 단축 효과를 분석하는 데 목적이 있다. 딥러닝 기반 대리모형 연구에서는 이처럼 각기 다른 하드웨어에서의 연산 속도를 하는 것이 일반적이다(Guo et al., 2021; Kabir et al., 2020; Xu and Gao, 2024; Zhou et al., 2021).
HC-SURF 모형의 연산 과정에서 16개 스레드 중 12개를 2D Solver에, 4개를 1D Solver에 할당하였으며, 6시간 동안의 10분 간격 강우 사상 모의에 평균 약 1,041초(약 17분)가 소요되었다. 반면, CNN 모형은 학습 단계에서는 10 m 해상도 데이터 기준 약 1,440초, 5 m 해상도 데이터 기준 약 2,130초가 소요되었으나, 훈련 완료 후에는 6시간 강우 사상에 대한 침수 예측을 해상도에 관계없이 평균 16초 이내에 완료하였다. 이는 HC-SURF 모형 대비 약 65배 빠른 속도이다(Table 6). 딥러닝 모형은 초기 학습 시간이 소요되지만 실제 운영 단계에서는 실시간에 가까운 예측이 가능하며, 실시간에 가까운 예측 속도를 제공하여 실제 강우 발생 시 수 분 이내에 침수 예측 결과를 제공할 수 있음을 의미한다.
4. 결 론
본 연구는 물리 기반 모형의 높은 계산 비용 한계를 극복하고 실시간 도시 침수 예측의 실용성을 높이고자 Gated-CNN 기반 딥러닝 대리 모형을 개발하고, 학습 데이터의 공간 해상도가 예측 성능에 미치는 영향을 정량적으로 분석하였다. 서울시 신림 배수분구를 대상으로 5 m와 10 m 두 가지 공간 해상도에 대해 HC-SURF 물리모형 모의 데이터를 구축하여 CNN 모형을 훈련하였으며, 2022년 8월 실제 침수 사상에 대해 성능을 검증하였다.
(1) 제안된 CNN 모형은 두 해상도 모두에서 물리모형의 최대 침수심 결과를 유사하게 재현하였으나, 공간 해상도에 따라 서로 다른 특성을 나타냈다. 5 m 해상도 모형(CSI 0.78, R2 0.89)은 국지적 침수 변화를 상세히 재현하였다. 반면 10 m 해상도 모형(CSI 0.82, R2 0.90)은 격자 단순화로 인해 미세 공간 변동성은 평활화되었으나 주요 침수 구역 탐지 관점에서는 향상된 성능을 보였다. 이는 10 m 해상도에서 국지 변동이 상대적으로 완화되어 광역 침수 패턴 예측의 안정성이 증가한 것으로 해석되며, 예측 목적에 따라 공간적 상세성과 예측 안정성 간의 상충관계를 고려한 최적 해상도 선택이 필요할 것으로 판단된다.
(2) 침수심 구간별 성능 특성을 분석한 결과, 얕은 침수심 구간(<0.45 m)에서는 두 해상도 모형 모두 RMSE 0.02-0.12 m 수준을 기록하였다. 깊은 침수심 구간(≥1.0 m)에서는 10 m 모형이 5 m 모형 대비 향상된 성능을 보였으며, 특히 Bias 분석에서 10 m 모형은 -0.01 m로 체계적 편향이 거의 없는 반면 5 m 모형은 -0.17 m의 과소추정 경향을 나타냈다. 5 m 고해상도 모형은 세밀한 공간 정보를 제공하지만, 극한 침수 상황에서 지형의 국지적 변동성에 과도하게 반응하여 예측 안정성이 저하되는 한계를 나타냈다. 반면 10 m 모형은 공간적 평균화 효과로 보다 안정적인 패턴을 학습하여 극한 상황에서도 일관된 성능을 유지하였다.
(3) 제안된 CNN 모형은 HC-SURF 물리모형 대비 연산시간을 단축하여 연산 효율성을 크게 향상시켰다. 6시간 강우 사상 모의에 대해 CNN 모형은 평균 16초가 소요되어 물리모형(1,041초) 대비 약 65배 빠른 연산 속도를 달성하였다. 이는 딥러닝 모형이 실제 강우 발생 시 수 분 이내에 침수 예측 결과를 제공할 수 있음을 의미한다.
본 연구는 딥러닝 기반 침수 예측 시스템 개발에서 공간 해상도가 모형 성능에 미치는 영향을 정량적으로 분석하고, 실용적인 예측 시스템 구축을 위한 최적 해상도 선택을 위한 기초 자료를 제공하였다는 점에서 의의가 있다. 특히 향상된 연산 속도는 실제 강우 발생 시 수 분 이내에 침수 예측 결과를 제공할 수 있음을 보여주며, 이는 도시 침수 재난 예경보 시스템의 실시간 운영 및 신속한 의사결정 지원 체계 구축에 기여할 수 있다. 다만, 본 연구는 단일 유역과 특정 호우 사상을 대상으로 수행되었으므로 일반화 성능에는 한계가 있다. 향후 연구에서는 다양한 도시 지역과 강우 사상에 대한 추가 검증을 통해 모형의 적용 범위를 확장하고, 고해상도 모형의 극한 상황 예측 안정성 개선을 위한 학습 전략 최적화 연구가 필요하다.
