AI 기반 모형을 이용한 홍수위 예측 및 홍수피해 예⋅경보 기법 개발

Development of the Method for Flood Water Level Forecasting and Flood Damage Warning Using an AI-based Model 김동현*⋅

본 연구에서는 도달시간이 짧은 소하천의 홍수위 예측 및 홍수피해 예⋅경보 기법을 개발하고자 AI 기반 모형의 적용성을검토하였다. 대상유역으로는 홍수특보가 가장 많이 발생한 남양주시(진관교) 유역을 대상으로 선정하였다. 유역에 대해 2008년부터 2020년까지의 강우 및 수위 자료를 수집하였고, 홍수기에 해당하는 6월부터 9월까지의 수위가 1 m 이상일 때를 확인하여40개의 강우사상으로 분류하였다. 그리고 심층신경망(deep neural network, DNN) 및 장단기 메모리(long short term memory, LSTM)과 같은 AI 기반 모형과 저류함수 모형을 이용하여 홍수위 예측을 실시하였다. 예측력 평가 결과, DNN 모형의 평균제곱근 편차(normalied root mean square error, NRMSE)가 0.06으로 가장 예측력이 좋았다. 기존 홍수특보 및 호우특보 기준은전국적으로 일관된 기준을 적용하는 문제점이 있다. 이러한 문제를 해결하기 위해, 수위, 강우 자료 및 피해액 자료를 연계하여홍수피해 예⋅경보 기준을 설정하였다. 설정된 기준을 바탕으로 최적의 홍수피해 분류 예측 모형을 개발하고자, XGBoost, 랜덤포레스트 모형을 적용하였다. 모형의 적용성 평가 결과 XGBoost의 F1-score는 0.92로 우수한 예측력을 나타냈다. 본연구에서 제시한 AI 기반 모형을 토대로 홍수위 예측 및 홍수피해에 대한 위험 정보를 제공할 수 있는 홍수피해 예⋅경보기법은 재난 담당자들의 의사결정을 위한 기초 자료로 활용될 수 있을 것으로 판단된다.

This study reviewed the applicability of AI-based models to predict flood water level and evaluate flood damage in small rivers with short arrival times. The Namyangju-si (Jingwan Bridge) watershed, where the most flood warnings have occurred, was selected as the target of study. Rainfall and water level data from 2008 to 2020 were collected for the watershed. A total of 40 rainfall events were identified when the water level was 1m or higher from June to September, corresponding to the flood season. Additionally, flood water level forecasting was performed using AI-based models such as deep neural network (DNN), long short term memory (LSTM), and storage function models. Predictive power evaluation revealed the DNN model displayed the lowest normalized root mean square error (NRMSE) with a value of 0.06. This study concludes that there are issues with the existing flood warning and heavy rain warning standards due to rainfall variability, correlation with the occurrence of damage caused by heavy rain, and the application of consistent standards nationwide. To solve this issue, the cause of flood damage was classified and the risk assessment criteria established by linking the water level and rainfall data. To develop an optimal flood damage classification prediction model based on the established criteria, two models were applied: XGBoost and random forest model. Evaluation of model predictive power revealed the F1-score for XGBoost was 0.92, indicating excellent predictive power. Based on the models presented herein, the flood damage assessment technique using the results of flood prediction can be used as basic data for disaster managers’ decision-making.