1. 서 론

전 세계적으로 기후변화로 인한 불확실성이 증가하고 국지성 집중호우의 발생 빈도와 강도가 지속적으로 증가하고 있다(Dankers and Feyen, 2008; Motta et al., 2021). 또한, 시·공간적 강우 패턴은 점차 예측하기 어려운 형태로 변화하여 사회·경제 전반에 막대한 홍수 피해를 야기시키고 있다(Munawar et al., 2022). 우리나라도 매년 여름철 집중호우가 빈번해짐에 따라 도시침수가 반복되고, 산악지형이 많은 지역적 특성에 의해 강우가 빠르게 하천으로 유입되고 하천 수위의 급격한 상승으로 하천범람이 발생하고 있다(Kwon et al., 2025; Kim et al., 2022; Yoo et al., 2019).

이러한 홍수피해를 최소화하기 위해 강우-유출 분석시 기존에는 물리 및 통계 기반 예측 모형이 주로 활용되어왔다(Oyebode et al., 2014; Mount et al., 2016; Byaruhanga et al., 2024; Oh and Bartos, 2025). 그러나 물리 기반 모형은 복잡한 유역의 강우-유출과정을 일련의 이론식으로 계산해야 하기에 실제 유역의 비선형성과 지역적 특성을 충분히 반영하지 못하는 구조적 불확실성이 존재한다(Beven, 1989; Gude et al., 2020). 또한, 단시간 집중호우와 같이 급변하는 조건에서는 고해상도 지형자료와 복잡한 물리이론기반의 모형을 적용하더라도 예측 정확도를 확보하기 어려워 물리 모형 기반 접근만으로는 실제 유역의 복잡성을 충분히 반영하기 어렵다는 한계가 존재한다(Mosavi et al., 2018; Jung et al., 2021). 통계 기반 모형 역시 과거 관측자료와의 상관관계를 전제로 유출을 분석하기 때문에 빠른 분석은 가능하지만 복잡한 유역의 실제 특성을 반영하기 어려워 새로운 기후·수문 조건에 대한 예측성능을 보장하기 어렵다(Gharbia et al., 2022). 이러한 물리 및 통계 기반 예측 모형의 한계는 국제 수문학계에서도 동일하게 인식하고 있으며, 수자원분야의 풀리지 않은 23가지 문제 중 6번째 문제로써 수문학의 물리방정식과 이에 맞는 적정 유역규모의 설정에 대한 어려움을 제시하고 있다(Blöschl et al., 2019).

최근에는 이러한 유역규모와 강우-유출관계의 불확실성을 극복하기 위해 관측자료를 기반으로 무수히 많은 파라미터를 최적화할 수 있는 인공지능(AI, Artificial Intelligence) 기반의 강우-유출 예측 모형에 대한 연구가 활발히 이루어지고 있다. Nevo et al. (2022)는 인도 및 방글라데시 지역의 하천을 대상으로 LSTM (Long Short-Term Memory) 기반 홍수 예측 모델과 Manifold 모델을 포함한 머신러닝(Machine Learning) 기법들이 하천 홍수 경보를 실시간으로 제공하며 높은 성능과 확장성을 보인다는 것을 입증하였다. 또한, Lee and Jun (2024)는 한강 유역 팔당댐 하류 지역을 대상으로 동수역학적 수리모형을 적용하였고 모형의 계산값과 실측값 사이 오차에 대한 보정 작업을 LSTM 모형을 이용하여 성능이 개선되었음을 확인하였다. Fang et al. (2021)은 중국 상우현을 대상으로 LSS-LSTM (Local Spatial Sequential LSTM)을 적용하여 홍수 취약성을 예측하였으며, LSS-LSTM이 다른 딥러닝 모델보다 성능이 우수함을 증명하였다. 선행연구에서 확인할 수 있듯 LSTM은 시계열 데이터의 장기 의존성과 비선형 특성을 효과적으로 학습할 수 있는 장점을 가지고 있으며, 이러한 특성으로 인해 유역의 특성과 상태에 따라 강우-유출의 변화 메커니즘을 설명하기 유리하여 수문학 분야의 다양한 예측연구에서 폭넓게 활용되고 있다(Sabzipour et al., 2023; Lees et al., 2021).

그러나 기존의 AI 기반 강우-유출 예측연구는 대부분 강우 등의 기상관련 입력데이터를 활용하여 각 수위관측소에 대해 독립적으로 하천수위를 예측하고 있으며, 상류 수위관측소에서 예측된 하천수위가 하류 수위관측소의 입력자료로 연계되는 형태의 분석은 이루어지지 않고 있다. 하지만, 실제 분석에서는 상류 수위관측소와 하류 수위관측소의 수위 패턴은 높은 상관관계를 가지고 있어 상류 수위관측소의 수위 데이터를 입력자료로 활용할 경우 수위 예측에 효과적이라는 결과도 제시되고 있다(Wollheim et al., 2018; Kim and Tachikawa, 2018; Yeo et al., 2010). 따라서, AI를 활용하여 하천의 다중지점에 대한 데이터 중심의 수위 예측을 위해서는 상류 수위관측소에서 예측된 수위가 하류 수위관측소의 입력자료로 활용될 수 있는 체계가 필요하며, 이를 위해 하천을 중심으로 “상류에서 하류”, “지류에서 본류”로 순차적으로 분석할 수 있는 구조화된 체계가 요구된다(Nearing et al., 2021).

본 연구에서는 이를 위해 먼저 (1) 금강유역 용담댐부터 대청댐 구간의 본류와 지류를 대상으로 강우, 수위, 댐 방류량을 포함한 시계열 입력자료를 수집하고, 결측 및 이상치 제거 등 전처리 과정을 통해 용담댐하류 하천의 21개 다중지점 수위예측을 위한 입력자료를 정리하였다. (2) 다음으로 LSTM 모델을 하천수위 예측모델로 설정하고, 하이퍼파라미터 세팅과 관측소별 입력자료 구성을 위한 Configuration 파일 생성을 통해 다중지점 하천수위 예측모델의 학습체계를 구축하고 Training, Validation, Testing 세트를 구성하여 성능을 평가하였다. 마지막으로 (3) 용담댐 21개 관측소에 대해 학습된 LSTM모델을 적용하여 예측시나리오 기반 예측 체계를 구성하고 예측성능을 검증하여 실제 하천수위 예측시 이용가능한 체계를 개발하고 검증하였다.

2. 연구 방법

2.1. 적용 유역 및 입력자료 구성

먼저 금강유역 용담댐~대청댐 구간의 본류와 지류를 대상으로 하천의 수위를 예측하기 위한 AI 홍수 모델의 입력자료를 구성하였다(Fig. 1). 우선 금강유역 전체 168개 강우관측소, 81개 수위관측소 데이터 및 용담댐 방류량의 자료를 수집하였다. 데이터 관측 기간과 결측치를 고려하여 관측 기간이 10년 미만이거나 결측치가 3,000개 이상인 관측소를 전부 제외하여 선정된 관측소의 결측치를 보간하였다. 또한, 데이터를 1년 단위로 잘라 그래프를 직접 확인하며, 기존 값에 비해 너무 크거나 작은 값을 이상치라고 판단하고 판단된 데이터를 삭제하는 방법으로 전처리를 수행하였다. 이와 같은 전처리 과정을 거쳐 33개 강우관측소, 21개 수위관측소 데이터 및 용담댐 방류량으로 최종 입력자료를 정리하였다. 정리된 입력데이터는 유역단위 다중지점 하천수위 예측을 위하여 용담댐하류 하천의 상류에서 하류, 지류에서 본류를 우선 순위로 두고 각 수위관측소 예측에 입력데이터로는 이용가능한 강우, 수위 및 용담댐 방류량 데이터를 고려하여 수위관측소별 AI 모델의 입력데이터를 재정리하였다(Fig. 2). 하류 관측소의 수위 예측을 위해 상류 수위관측소의 수위 자료를 입력자료로 활용하였으며, 추가적으로 본류에 위치한 7개 수위관측소에는 용담댐 방류량과 강우관측소 자료를 함께 적용하였다. 강우관측소 자료는 여러 수위관측소에 공통으로 활용되는 경우가 있어, 하류로 갈수록 입력자료로 사용되는 강우관측소의 수가 점차 증가하는 구조를 보였다. 한편, 나머지 14개 관측소는 무주남대천, 봉황천, 초강, 석천, 보청천, 삼가천, 소옥천 등 총 7개 지류에 위치한 관측소로 구성되었으며, 상류 수위관측소 자료에 더해 강우관측소 자료를 입력자료로 사용하였다. 이들 지류 관측소의 경우, 수위관측소 1개당 평균 4개의 강우관측소 자료가 입력자료로 구성되었다.

Fig. 1.

Research site

Fig. 2.

Water level and rainfall stations connectivity and input data structure

2.2. AI 모델 개발

AI 모델은 구글에서 개발한 PyTorch 기반의 오픈소스 라이브러리인 NeuralHydrology를 활용하여 모델을 개발하였다(Kratzert et al., 2022). NeuralHydrology는 수문학 분야의 시계열예측을 위한 딥러닝 프레임워크로 DatasetZoo, ModelZoo, Training, Evaluation, Utils의 다섯 가지 모듈로 구성되어 있다. DatasetZoo는 다양한 국가와 관측망의 수문 자료를 NeuralHydrology 입력 형식으로 변환하기 위한 모듈로, 시계열 데이터를 구조화하여 모델 학습에 직접 적용할 수 있도록 지원한다(Kratzert et al., 2023). ModelZoo는 LSTM기반의 다양한 딥러닝 모델을 포함하고 있다. LSTM은 순환신경망 (Recurrent Neural Network, RNN)의 장기 의존성 문제를 해결하기 위해서 개발된 알고리즘으로 입력·망각·출력 게이트를 통해서 시계열 데이터의 정보 흐름을 조절하여 시간적으로 먼 과거의 정보가 손실되지 않도록 설계되었다(Hochreiter and Schmidhuber., 1997)(Fig. 3). 이는 시간에 따라 누적되는 강우-유출 관계나 하천 수위 변동과 같은 비선형적 수문학적 특성을 효과적으로 학습할 수 있는 구조를 가지며, 복잡한 시계열 패턴을 안정적으로 재현하는 데 적합한 예측 기법이다(Bui et al., 2018; Kratzert et al., 2018). 현재 ModelZoo에서는 CUDA-LSTM, MC-LSTM (Mass Conservation LSTM) (Frame et al., 2022), MTS-LSTM (Multiple Timescales LSTM) (Gauch et al., 2021) 등 수자원 분야에 특화된 다양한 딥러닝 모델을 포함하고 있으며, 모듈화된 구조를 통해서 사용자가 새로운 모델을 손쉽게 추가하거나 기존 모델을 확장할 수 있다. Training 모듈은 학습 절차와 모델의 최적화 과정을 관리하고, Evaluation 모듈은 성능평가를 자동으로 수행한다. Utils는 실험 실행 및 하이퍼파라미터 관리를 위한 설정(configuration)을 관리하는 기능을 제공한다. NeuralHydrology의 설정 파일은 모델명, 학습 및 검증 구간, 손실 함수 등의 핵심 요소를 사용자 정의로 변경할 수 있게 설계되어 있으며, 이를 통해 별도의 코드 수정 없이 다양한 딥러닝 방법을 적용하고 하이퍼파라미터 튜닝을 수행할 수 있다. NeuralHydrology 구조적 특징은 AI에 대한 비전문가도 복잡한 딥러닝 코드를 직접 작성하지 않고도 실험을 반복 수행할 수 있게 하여, 실제로 NeuralHydrology 라이브러리를 사용하는 환경에서의 접근성과 활용성을 크게 높여준다(Choi and Kim, 2025; Kratzert et al., 2022). 본 연구는 NeuralHydrology에서 제공하는 LSTM 모델 중 GPU 환경에서 학습을 수행할 수 있는 CUDA-LSTM을 활용하여 모델을 개발하였다.

Fig. 3.

The architecture of LSTM cell

NeuralHydrology 기반으로 구현한 LSTM 모델은 데이터 Configuration 파일과 모델의 하이퍼파라미터 Configuration 파일을 이용하여 21개 수위관측소를 순차적으로 한번의 실행으로 예측하는 다중지점 분석 체계를 구현하였다(Fig. 4). 두 파일은 YAML (YAML Ain’t Markup Language) 형식으로 관리되며, 사람이 읽기 쉬운 형태로 데이터를 표현할 수 있어 복잡한 구조를 명확하게 기술할 수 있다는 장점을 가진 형식이다(Kaur et al., 2020). 데이터 Configuration 파일은 관측소별로 다르게 설정하는 입력 및 출력변수와 Train/Validation/ Test 기간 등의 정보를 정의한 파일이며, 하이퍼파라미터 Configuration 파일은 batch_size, epochs, 최적화 방식 등 공통적으로 설정하는 기본 모델 구조를 정의한 파일이다. 관측소별로 모델을 학습하면서 데이터 Configuration 파일에서 설정된 정보가 하이퍼파라미터 Configuration 파일에 덮어쓰는 형식으로 활용되기에 관측소별로 동일한 모델 구성을 유지하며, 입력자료의 구성과 데이터 분할 비율이 다르게 반영된 개별 모형이 생성되는 구조를 구축하였다. 전체 21개 관측소 중 11개 관측소는 같은 데이터 분할 비율을 적용하였으며, 그 외 관측소에서는 관측소별 관측 기간을 고려하여 데이터 품질을 확인하고 데이터 기간 조정을 통해서 서로 다른 분할 비율을 적용하였다(Table 1). 이와 같은 구성 방식은 모델 설정을 일관된 형식으로 관리할 수 있도록 하여 유역단위 다중지점 분석이 가능하게 하였다.

Fig. 4.

Configuration file structure

모델의 개발과정에서는 수자원 분야에서 표준적으로 활용되는 NSE (Nash-Sutcliffe Efficiency)를 성능평가 지표로 적용하였다(Moriasi et al., 2007). NSE는 모델의 예측값과 관측값의 차이를 관측자료의 분산과 비교하여 설명력을 평가하는 지표로, 값이 1에 가까울수록 모델이 관측값의 변동성을 잘 재현했음을 의미한다. 다만 평균 변동폭이 작은 지점의 경우 오차에 민감하게 반응하여 음수 값이 나타날 수 있어 해석에 주의가 필요하다. 반면, 모델의 성능 검증과정에서는 NSE와 함께 예측 오차의 절대적 크기를 직접적으로 나타내는 RMSE (Root Mean Square Error)를 활용하여 평가하였다(Bennett et al., 2013). RMSE는 예측값과 관측값의 오차 제곱 평균의 제곱근으로 정의되며, 단위가 수위 단위와 동일하기 때문에 단기 예측에서 평균오차의 크기를 직관적으로 파악할 수 있다. NSE가 패턴 적합도의 상대적 평가를 제공하는 반면, RMSE는 절대적 오차 크기를 제시하므로 두 지표는 상호보완적으로 활용될 수 있다. 이와 같은 정량적 지표를 통해 학습된 모델의 성능에 대한 신뢰성을 객관적으로 평가하였다(Thapa et al., 2024)(Eqs. (1) and (2)).

수식에서 Qt는 시점 t의 관측 수위, Qt'는 예측 수위, Q`¯와 Q¯'는 각각 관측값과 예측값의 평균을 의미한다.

2.3 실무 적용을 위한 예측 프로세스 구성

AI모델의 개발 이후 개발된 모델을 실제 하천 홍수예측에 활용하기 위하여 개발보다는 좀 더 복잡한 프로세스의 구성이 필요하다. 현재 국내 하천의 홍수예측 프로세스는 기상청의 약 72시간 동네예보 데이터를 활용해 같은 기간의 하천 수위를 예측하고, 이를 댐 방류 등 홍수 대응 의사결정에 활용하고 있다. 따라서, AI모델을 이용한 하천의 수위예측 프로세스도 이전 홍수예측 프로세스와 동일하게 동네예보 데이터를 이용해 약 72시간의 수위를 예측할 수 있도록 구성하였다. 또한, LSTM의 경우, “과거 관측데이터인 시퀀스 데이터”와 “관측데이터와 연계하여 미래의 하천수위를 예측하는데 이용되는 강우예측 데이터와 댐방류계획 데이터”를 이용하여 해당 수위관측소의 수위를 예측하게 된다. 이를 위해, LSTM 모델에서 시퀀스 데이터는 AI모델의 학습 및 예측시간에 부하가 크지 않은 수준의 시퀀스의 길이와 홍수예측시 강우-유출의 지연 특성을 반영할 수 있는 길이를 고려하여 720시간(30일)을 설정하였고, 예측데이터는 강우예측 기간과 동일하게 예측할 수 있도록 코드를 개발하였다.

한편, 위와 같은 시간적 구조뿐만 아니라 유역 내 수위관측소의 위치에 따른 공간적 구조도 중요한 요소이다. LSTM모델의 개발시에는 기존의 관측자료를 Training, Validation, Testing 데이터세트로 단순히 분리만 하여 입력자료를 구성하면 된다. 하지만, 예측 프로세스에서는 상류 수위관측소에서 예측된 수위 결과가 하류의 수위관측소 수위예측을 위한 입력데이터로 활용되어야 하기 때문에 이를 위해 자동적으로 연계될 수 있는 코드의 개발이 필요하였다. 먼저 상류 관측소 하천수위를 예측하고, 분석된 예측값을 포함한 상류 관측소 데이터가 하류 관측소 모델의 입력자료에 순차적으로 전달될 수 있도록 Fig. 5와 같이 코드를 개발하였다. 이를 통해 데이터 Configuration 파일에 정의된 관측소 순서와 입력데이터 구성에 따라 예측을 수행하며, 순서와 입력데이터가 일치하지 않을 경우, 에러가 발생하도록 설계하였다.

Fig. 5.

Structure of upstream-downstream forecasting

3. 결과 및 분석

본 장에서는 먼저 금강유역 용담댐~대청댐 구간 하천의 홍수분석모델에 사용된 LSTM모델의 하이퍼파라미터 설정값에 대해 설명하였다. 그리고 이러한 하이퍼파라미터 설정값을 통해서 개발된 LSTM 모델의 성능평가 결과를 제시하였다. 마지막으로 개발된 LSTM모델을 통해 실제 하천수위예측프로세스에 적용한 사례를 통한 예측성능도 제시하였다.

3.1 용담댐~대청댐 구간 LSTM모델의 하이퍼파라미터 설정

LSTM 모델은 21개 수위관측소에 CUDA 기반 LSTM (CUDA-LSTM) 모델을 적용하여 개발되었으며, NeuralHydrology가 사용된 다양한 연구를 참고(Gauch et al., 2021)하여 LSTM모델의 강우-유출분석에 일반적으로 사용되는 하이퍼파라미터 Configuration 파일을 선정하여 모든 관측소에 동일하게 적용하였다(Table 2). Hidden size, Batch size, Drop out의 값은 NeuralHydrology 라이브러리에 포함된 MTS-LSTM 모델에서 사용된 값을 적용하였고, Epoch 수는 Kratzert et al. (2018)에서 수행된 사전 실험 결과(최대 200 epochs까지 학습하면서 각 epoch의 성능을 검사)를 참고하여 평균 NSE가 가장 높게 나타난 값을 사용하였다. Learning rate는 learning rate가 너무 낮을 경우, 과도한 학습 시간이 소요된다는 점을 고려하여 학습 초기에 비교적 큰 값으로 시작하여 epoch가 증가함에 따라 점차 감소하도록 설정하였다. Loss function은 수위 급등과 같은 오차가 큰 구간을 효과적으로 반영할 수 있도록 큰 오차에 더 큰 가중치를 부여하는 MSE (Mean Squared Error)를 선택하였다. 마지막으로 평가 지표와 최적화 기법은 일반적으로 많이 사용되고 있는 NSE를 Metrics로, Adam을 Optimizer로 적용하여 하이퍼파라미터 Configuration 파일을 완성하였다.

3.2 용담댐~대청댐 구간 21개 수위관측소별 LSTM 모델개발시 성능평가

LSTM모델의 개발을 위해 데이터 Configuration 파일(Fig. 4(a))과 하이퍼파라미터 Configuration 파일(Fig. 4(b))을 이용해 21개 수위관측소에 대해 LSTM모델을 학습하고, Training-Validation-Testing으로 나눠서 NSE를 이용해 성능을 평가하였다. 평가 결과 성능이 낮은 지점에 대한 원인을 찾을 수 있었으며, 대표적으로 ① 수위의 영점표고 변화로 인한 수위의 갑작스러운 변화(영점표고 변화), ② 일시적인 인근지역 공사로 인한 장기간 수위의 상승 및 하강(인위적 오차), ③ 센서 자체의 오차(계측 오차) 등으로 나타났다. 하지만, 하천수위자료의 ① 영점표고 변화, ② 인위적 오차 또는 ③ 계측 오차에 대한 데이터 전처리는 연구의 범위를 벗어나는 어려운 절차이므로 이상치 및 결측치 보간 등의 간단한 전처리를 적용 후 원본데이터를 이용하였다. 따라서 향후 개발한 모델의 지속적인 활용과 이용에 대한 가능성을 고려하여 최종 성능평가는 Validation 또는 Testing 중 높은 NSE값을 기준으로 우수(Excellent, NSE≥0.8), 보통(Normal, 0.8>NSE≥0.6), 보류(Hold, 0.6>NSE)로 나누어 평가하였다, 평가결과 우수 14개(67%), 보통 4개(19%), 보류 3개(14%) 관측소로 나타났다(Table 3).

먼저 Training의 경우, LSTM 모델은 데이터의 품질이 낮더라도 수많은 파라미터를 이용하여 데이터에 맞게 모델을 최적화할 수 있기에 모든 NSE값이 0.9이상으로 높게 나타났다. 다음으로 실제 모델의 성능을 평가할 수 있는 Validation과 Testing 데이터를 적용한 모델의 성능을 검토하였다. 우선 본류 구간 7개 수위관측소(Ⓐ 진안군(감동교), Ⓑ 무주군(대티교), Ⓕ 금산군(적벽교), Ⓖ 금산군(제원대교), Ⓙ 영동군(호탄리), Ⓚ 영동군(양강교), Ⓝ 옥천군(이원대교))는 Validation 구간에서 성능이 저하된 Ⓐ 진안군(감동교) 관측소를 제외하고 모든 관측소가 Validation과 Testing 구간에서 보통 이상(NSE≥0.6)의 성능으로 확인되었다. 다만 Ⓐ 진안군(감동교) 관측소의 경우, Validation 구간에서는 음수의 성능을 보였으나 Testing 구간에서는 NSE 0.819로 양호한 성능을 나타냈다. 이는 Validation 기간의 수위가 ② 인위적 오차 또는 ③ 계측 오차로 인해 Training기간에 비해 평균적으로 10~20cm 정도 수위가 높게 관측되어 성능저하가 유발된 것으로 판단된다.

본류 이외의 지류에 속한 14개 수위관측소 중 7개 관측소(Ⓓ 무주군(여의교), Ⓔ 무주군(취수장), Ⓛ 영동군(백화교), Ⓢ 보은군(기대교), Ⓣ 옥천군(산계교), Ⓤ 옥천군(옥각교))는 Validation과 Testing 구간에서 보통 이상(NSE≥0.6)의 성능으로 확인되었다. 그 외 Ⓒ 무주군(신촌농2교)는 Testing 일부구간이 수위가 ② 인위적 오차 또는 ③ 계측 오차로 인해 평균적으로 수위가 10~20cm 정도 수위가 낮게 관측되어 Testing기간의 NSE가 보통의 기준인 0.6보다 조금 낮은 0.592로 나타났다. Ⓗ 금산군(음대교)는 전체적인 데이터의 관리가 잘 되지 않아 Training된 모델의 성능이 NSE=0.950으로 나왔지만, 실제 모델의 학습에 일반화가 잘 되었다고 보기 어렵고, Validation과 Testing기간의 데이터도 ② 인위적 오차 또는 ③ 계측 오차로 추정되는 데이터가 많아 성능이 매우 낮게 나왔다. Ⓜ 영동군(심천교)는 Validation 기간은 NSE=0.775로 양호한 성능을 보였지만 Testing기간은 NSE=0.528로 보통에 못미치는 수준을 보였다. 이는 Testing기간 중 2022년 하반기부터 데이터가 ② 인위적 오차 또는 ③ 계측 오차로 이전 데이터에 비해 평균 20~30cm 정도 수위가 상승하여 성능이 저하된 것으로 판단된다. Ⓟ 보은군(이평교)와 Ⓠ 보은군(대양교)도 Validation 기간은 각각 NSE=0.812, 0.871로 높은 성능을 보였지만, Testing기간은 NSE=-0.332, 0.425로 낮은 성능을 보였으며, 이 또한 데이터의 ② 인위적 오차 또는 ③ 계측 오차가 일부 구간의 성능에 영향을 미쳐 성능이 저하된 것으로 판단된다. 마지막으로 Ⓗ 금산군(음대교), Ⓞ 보은군(산성교), Ⓡ 보은군(탄부교)는 전체적인 데이터의 관리가 잘 되지 않아 Validation과 Testing기간 모두 낮은 성능을 보였다.

3.3 용담댐~대청댐 구간 21개 수위관측소별 LSTM 모델 예측시 성능평가

일반적으로 LSTM모델의 개발시 성능을 Validation과 Testing기간을 통해서 1년~3년의 데이터(1년의 경우: 24시간×365일 = 8,760개)를 이용해 NSE 성능지표로 검증을 하지만 실제 LSTM모델의 운영을 통한 예측시는 72시간의 수위를 예측하여 72개 데이터를 이용해 성능을 검증해야 한다. 따라서, 데이터수의 감소로 인한 성능평가의 적정성 및 이를 보완하기 위한 RMSE를 추가 적용함으로써 예측성능평가의 적정성을 평가하고자 하였다. 본 연구에서는 2024년 8월 21일부터 9월 20일(720시간)까지의 데이터를 입력 시퀀스 데이터, 2024년 9월 20일부터 9월 23일(72시간)까지를 예측데이터로 설정하여 성능평가를 하였다(Table 4)(Fig. 6).

Fig. 6.

Comparison of observation and forecast water levels

예측성능의 평가 결과, LSTM 모델의 개발 시 보통 이상(NSE≥0.6)의 성능을 보였던 18개의 관측소 중 14개의 관측소는 예측성능도 보통 이상의 성능으로 나타났다. 다만, Ⓕ 금산군(적벽교), Ⓖ 금산군(제원대교), Ⓟ 보은군(이평교), Ⓠ 보은군(대양교)는 개발 단계의 성능에 비하여 예측 단계의 성능이 저하되었는데 이 중 Ⓕ 금산군(적벽교)과 Ⓖ 금산군(제원대교)는 예측이 시작되는 초기 시점에서 관측값과 예측값 간의 차이가 상대적으로 작아(5 cm 이하) 다른 두 관측소에 비해 상대적으로 높은 성능을 보인 것으로 나타났다. 반면, Ⓠ 보은군(대양교)에서는 같은 구간에서 약 10~20 cm 수준의 오차가 발생하였고, Ⓟ 보은군(이평교)는 20 cm 이상의 오차가 나타나 오차 규모에 따라 성능 차이가 발생하는 것으로 확인되었다. 이러한 결과는 개발 단계에서는 1년 단위(1년에 8,760개 데이터)로 성능 검증을 수행하던 것에 비해 예측 단계에서는 72시간 예측 구간을 대상으로 성능을 평가하기에 데이터 수가 상대적으로 작아 모델 개발의 결과를 충분히 반영하지 못한 것으로 판단된다. 따라서, 추가 사례를 통한 모델 결과에 대한 검증이 필요할 것으로 보인다. Ⓗ 금산군(음대교), Ⓞ 보은군(산성교), Ⓡ 보은군(탄부교)에서는 모델 개발 시에도 성능이 보류(0.6>NSE)의 성능을 보였던 관측소들로 인위적 오차나 계측 오차에 의한 데이터 관리 문제가 예측성능을 저하시킨 원인으로 판단된다.

또한, 예측성능을 평가하기 위해 사용된 NSE와 RMSE의 특성상 NSE가 낮으면 RMSE는 높은 성능을 보이는 것이 일반적이다. 다만, 일부 관측소에서 두 지표 간 상반된 경향이 확인되었다. Ⓟ 보은군(이평교)의 경우 NSE 기준으로는 보류(0.6>NSE) 수준의 성능을 보였지만, RMSE는 상대적으로 낮아 양호한 성능을 나타냈다. 이는 예측성능 평가에 사용된 데이터 수가 적어서 NSE 값이 낮게 나올 수 있으므로 추가 케이스에 대한 연구를 통해서 정밀한 성능 검증이 필요함을 의미한다. 반대로 Ⓝ 옥천군(이원대교)의 경우 NSE는 우수 이상(NSE≥0.8)의 성능을 보인 반면, RMSE는 상대적으로 크게 산정되어 낮은 성능으로 평가되었다. 이는 예측 기간 중 관측소의 최대 4m 이상의 수위가 관측되어 72시간 중 일부 시간대에서 발생한 큰 오차가 반영된 결과로 해석된다. 이러한 상반된 평가는 예측성능을 해석할 때 단일 지표에만 의존하지 않고, 여러 지표를 종합적으로 고려해야 평가의 적정성과 신뢰성을 확보할 수 있음을 시사한다.

4. 결 론

본 연구는 금강 유역의 용담댐부터 대청댐에 이르는 본류 및 지류 관측소를 대상으로 입력자료를 구성하고 NeuralHydrology의 CUDA-LSTM 모델을 적용하여 다중지점 수위 예측 모델을 구축하였다. Configuration 파일을 통해 한 번의 실행으로 전체 관측소를 분석할 수 있는 분석 체계와 상류 관측소의 수위 예측값이 하류 관측소의 입력자료로 순차적 반영되는 예측 구조를 구현하였다. 구축한 모델에 대한 성능을 평가하기 위해 NSE 기준 성능을 세 단계(우수(Excellent, NSE≥0.8), 보통(Normal, 0.8>NSE≥0.6), 보류(Hold, 0.6>NSE))로 나누어 평가하였다. 개발 단계에서는 Training-Validation-Testing 기간 중 모델이 직접 학습한 구간인 Training기간의 성능을 제외한 Validation과 Testing기간의 성능 중 더 높은 구간의 NSE를 기반으로 평가하였다. 예측 단계에서는 실무 홍수 예측 프로세스와 동일한 환경에서 모델의 성능을 평가하기 위해 약 72시간의 수위를 예측하도록 하였으며, AI 모델의 학습 및 예측 시간에 부하가 크지 않으면서 강우-유출의 지연 특성을 고려하여 720시간의 수위를 시퀀스 데이터로 설정하였다. 다만, 데이터수의 감소로 인한 성능평가의 적정성을 보완하기 위해 RMSE를 추가 적용하여 성능을 평가하였다.

모델 개발 단계의 성능평가 결과, 전체 21개 관측소 중 18개 관측소에서 보통 이상의 성능을 확인하였다. 본류 대부분의 관측소에서 보통 이상의 성능을 보였으나, Ⓐ 진안군(감동교)의 Validation 기간의 성능에서만 인위적 오차 또는 계측 오차에 의해 Validation기간의 수위가 평균적으로 높게 관측되어 음수의 값을 보인 것으로 판단된다. 지류의 경우 Validation기간이나 Testing기간 중 한 기간에서만 성능저하를 보인 관측소는 4개 관측소이며, 두 기간 모두 성능저하를 보인 관측소는 3개 관측소이다. 한 기간에서만 성능저하를 보인 관측소는 인위적 오차가 계측 오차에 의한 수위 변화가 원인으로 확인되었으며, 두 기간 모두 성능저하를 보인 관측소는 전체적인 데이터 관리의 문제로 판단된다. 모델 예측 단계의 성능평가 결과 모델 개발 시 보통 이상의 성능을 보였던 18개 관측소 중 14개 관측소에서 동일하게 보통 이상의 성능을 확인하였다. 그 외 4개의 관측소는 일반적으로 1년 단위의 성능평가보다 작은 데이터수에 의해 모델 개발 결과를 충분히 반영하지 못한 것으로 보이며, 나머지 3개 관측소는 모델 개발 결과에서도 보류 등급으로 분류했던 관측소들로 데이터 관리 문제에 의한 성능저하로 판단되었다. 또한, NSE와 RMSE에서 일부 관측소에서 상반된 평가 양상이 나타난 것은 두 지표의 평가 방식 차이에서 비롯된 것으로 여러 지표를 종합적으로 고려할 때, 예측성능을 더 정확하게 해석할 수 있음을 시사한다.

본 연구는 상류 수위관측소의 예측 결과가 하류 수위관측소 예측의 입력값으로 사용되는 구조의 예측 모델을 구축하고 실제 홍수예측 프로세스와 동일한 조건에서 예측을 수행하여 다중지점 수위 예측 모델의 실무적 적용가능성을 검토하였다. 전체 21개 관측소 절반 이상의 관측소에서 안정적인 성능을 보인 것은 단일 지점 대상으로 적용되면 수위 예측 모델이 유역단위 다중지점으로 적용 범위를 확대할 수 있음을 시사한다. 향후 연구에서는 체계적인 데이터 관리를 통한 품질개선 및 다양한 유역으로의 확대 적용을 통해 유역단위 다중지점 수위 예측 모델의 활용가능성을 더 정교하게 검증할 필요가 있다. 또한, AI 모델의 내부구조를 표현할 수 있는 Explainable AI와의 연계를 통해서 상류-하류 간 물리적 현상을 설명하여 다중지점 수위 예측 모델의 신뢰성을 향상시킬 수 있을 것으로 사료된다.