격자기반 홍수모의의 순차적 시공간 보정을 위한 2-Phase PIML 개발

Development of a Two-phase Physics-informed Machine Learning Model for Sequential Spatiotemporal Correction of Grid-based Flood Simulations

기후변화로 인한 극한 강우 증가는 돌발 홍수 위험을 높여 정확한 모의 기술이 필수적이다. 전통적 격자기반 물리 모형은 매개변수 추정, 구조적 단순화로 시공간적 불확실성을 가진다. 본 연구는 이를 극복하고자 물리 모형과 머신러닝을 순차 결합하는 2-Phase PIML (Physics-Informed Machine Learning) 하이브리드 홍수 모형을 개발했다. 방법론은 Phase 1 시간적 보정과 Phase 2 공간적 보정으로 구성된다. Phase 1은 집중형 물리 모형 유출 모의와 강우 시차 등을 입력으로, 관측 유량을 정답으로 PIML 모형을 학습해 ‘시간 보정 비율’을 산정한다. Phase 2는 빈도별 홍수위험지도를 정답으로, 분포형 물리 모형의 침수심과 지형 특징(DEM 등)을 입력으로 AI 모형을 학습한다. 하이브리드 모의 시, 분포형 물리 모형의 격자별 유량에 1단계 시간보정 비율을 적용해 유량을 1차 보정한다. 이 보정 유량 기반 침수심은 2단계 공간 AI 모형에 입력되어 순차 보정된 최종 침수심을 도출한다. 경안천 상류 유역 적용 결과, 1단계 시간 보정은 물리 모형 대비 수문 곡선 정확도를 크게 향상시켰다. 2단계 공간 보정을 포함한 빈도별 시나리오 분석에서는 물리 모형의 침수 범위 과소⋅과대 추정 경향이 보정되어 공간정확도가 개선되었고, 모의 결과가 빈도별 홍수위험지도와 유사함을 확인했다. 제안된 2-Phase PIML은 물리 모형의 해석력과 AI의 비선형 패턴 학습력을 결합하여, 격자기반 홍수 모의의 실효성을 높이는 대안을 제시한다.

Accurate flood simulation is essential because climate change increases the risk of flash floods resulting from extreme rainfall. Traditional grid-based physical models exhibit spatiotemporal uncertainties due to parameter estimation difficulties and structural simplifications. This study developed a two-phase Physics-Informed Machine Learning (PIML) hybrid grid-based flood model by sequentially combining a physical model with machine learning to overcome these limitations. The methodology consisted of temporal (Phase 1) and spatial (Phase 2) corrections. In Phase 1, a PIML model, trained on flow observations (target) using discharges and lagged rainfall from a lumped model (inputs), estimated a temporal correction ratio to correct temporal errors. In Phase 2, a spatial machine learning (ML) model was trained on flood risk maps (target) using flood depth and topographical features (e.g., digital elevation model and slope data) of a distributed model as inputs. In the hybrid simulation, the temporal correction ratio (Phase 1) was applied to the grid cell flow of the distributed model. The resulting flood depth was then fed into the spatial ML model (Phase 2) to produce the final, sequentially corrected flood depth, thus reducing spatiotemporal uncertainty. When applied to the Gyeongan stream basin, Phase 1 significantly enhanced hydrograph accuracy compared with the physical model. The full hybrid model, including Phase 2, corrected the inundation estimation errors of the physical model in scenario analysis, improving spatial accuracy and aligning results with official frequency-based Flood Risk Maps. The proposed two-phase PIML integrates the interpretive strengths of physical models with the nonlinear pattern recognition of ML, thereby offering an alternative for enhancing the practical utility of grid-based flood simulations.