건축/환경에너지

Nikkei Construction_2020.5.25 특집 (p42-43)

AI를 구사해 경험칙으로 홍수를 예측
기존 정밀도를 뛰어넘는 새로운 방법에 주목

하천 상류 수위 및 유역 강우량 등의 데이터를 바탕으로 한 ‘경험칙’를 통해 하류 수위를 예측하는 새로운 방법이 등장했다. 과거의 측정 데이터를 이용해 양자의 관계성을 AI가 학습, 그 관계식을 도출해내는 방법이다. AI 기술의 진화로 기존의 물리적 모델을 이용한 예측을 뛰어넘는 정밀도를 선보인 사례도 나오고 있다.

“수위 및 강우량의 데이터만 있다면 높은 정밀도의 모델을 간단히 만들어낼 수 있다”. AI를 이용한 홍수 예측을 연구하는 일본공영(日本工営)첨단연구센터의 히토코토(一言) 연구원은 AI의 장점에 대해 이와 같이 설명한다.

통상적으로 홍수 예측은 지형 등의 데이터를 바탕으로 빗물의 침투 및 유출을 ‘물리적 모델’로 시뮬레이션 하여 하천의 수위를 알아낸다. 이러한 방법은 지형을 반영하는 정밀한 모델 구축이 필요하며 발생한 예측 오차의 요인을 분석해 파라미터 등도 조정하지 않으면 안 된다.

반면, AI를 이용하는 방법의 경우, 과거 데이터를 바탕으로 ‘통계적 모델’을 작성해 예측한다. 물리적인 모델보다 간단히 구축할 수 있다고 한다.

AI는 일반적으로 입력층, 중간층, 출력층으로 이뤄져 있으며, 각 층은 복수의 노드로 구성되어 있다. 입력층에 들어간 정보는 각 노드 간 가중치를 부여하면서 전달되어 출력층에 도달한다. 과거의 정보를 AI가 학습해 가중치 등을 조정하고 입력 데이터와 출력 데이터의 관계성을 도출한다. 최근 주목 받고 있는 ‘심층학습’은 중간층이 2개 층 이상인 것을 가리킨다.

히토코토 연구원은 미야자키(宮崎) 현의 오요도가와(大淀川) 유역에서 과거의 홍수 데이터를 이용해 검증했다. 입력 데이터는 우량 측정소 14곳과 수위 관측소 5곳의 우량 및 수위로, 히와타리(樋渡)수위관측소의 수위를 출력 데이터로 했다.

1982~2014년에 발생한 24번의 홍수 데이터를 AI가 학습. 상위 4번의 홍수를 대상으로 물리적 모델을 포함한 5가지 방법을 이용해 홍수의 피크 전후로 1~6시간 후의 수위를 예측했다.

검증 결과, 예측과 실제 수위 간의 오차는 심층학습이 가장 적었다. 예를 들어 6시간 후의 예측에서 오차 평균(RMSE)은 물리적 모델을 이용한 ‘분포형(입자 필터)’이 약 80cm인 것에 반해, 심층학습은 약 60cm였다.

-- 예측 과정은 블랙박스 --
AI를 이용한 통계적 모델은 말하자면 ‘경험칙’이다. 왜 그러한 예측 결과가 나왔는지에 대해 알 수 없기 때문에 ‘블랙박스’라고 불리는 경우가 많다. 물의 흐름을 일일이 추적하는 물리적 모델과의 큰 차이다.

수방법(水防法)으로 지정된 ‘홍수 예측 하천’ 등을 대상으로 정부는 물리적 모델을 이용한 시스템으로 수위를 예측하고 있다. AI를 이용한 방법은 국토교통성의 규슈(九州)기술사무소 등에서 연구되고 있지만 아직 실용화되지 않고 있다.

“예측 과정이 블랙박스인 점이 도입을 가로막고 있는 하나의 요인으로 생각된다”라고 히토코토 연구원은 말한다.

예측 정밀도를 한 층 더 높이기 위해 통계적 모델에 물리적 모델을 더한 ‘하이브리드 모델’ 연구도 추진되고 있다. 이 모델에서는 강우량보다 하천 유역의 물 저유량(貯留量)이 하천의 수위와 더욱 밀접한 관계가 있다고 파악된다. 지반이 건조한 상태에서는 비가 내린다고 해도 바로 하천으로 흘러 들어가지 않기 때문이다. 저유량의 변화는 강우량과 유량의 차이로 구할 수 있다.

지금까지의 AI를 이용한 방법은 실제 수위 및 강우량과 예측 강우량을 입력해 향후 수위를 예측했다. 하이브리드 모델에서는 물리적 모델로 계산한 예측 유량을 입력 데이터에 추가. 예측 강우량과 계측 유량의 차이를 저유량의 변화로 판단했다. 오요도카와의 데이터로 검증한 결과, 기존 방법보다 예측 정밀도가 향상되었다고 한다.

 -- 끝 --

Copyright © 2020 [Nikkei Construction] / Nikkei Business Publications, Inc. All rights reserved.