머신러닝 기반 유량-유속 데이터 예측을 통한 하천 수난자 수색 범위 의사결정 지원 모델

Machine Learning-Based Decision Support Model for Estimating Search Ranges of Riverine Drowning Accidents Using Flow Rate-Velocity Prediction

본 연구는 금강 본류를 사례로 머신러닝 기법을 활용한 유량-유속 데이터 예측을 통해, 하천 수난사고 발생 시 실종자의 수색 범위 설정을 위한 의사결정 지원 모델을 제안한다. 기존 구조대원의 경험과 직관에 의존한 한계를 극복하기 위해 수리모형, 데이터 학습 기반 예측, 확률적 보정 계수를 결합하여 새로운 접근을 시도하였다. 이를 통해 기존 경험적 추정 방식보다 합리적이고 정량화된 수색 범위를 제공하여, 제한된 인력과 장비의 효율적 투입, 구조대원의 안전 확보에 기여할 수 있을 것으로 기대한다. 본 연구는 하천 실종자 수색에 있어 데이터 학습 기반 의사결정 모델을 제시한다는 점에서 의의가 있다. 향후 연구에서는 한강, 낙동강 등 다른 국가하천으로 확장하여 검증과 실증을 통해 모델을 진화 시킨다면 수난자 구조 현장에 긍정적으로 활용될 것이다.

This study proposes a machine learning-based decision support model leveraging flow rate-velocity prediction for estimating applicable search ranges in the case of riverine drowning accidents in the primary stream of the Geum River in Korea. This constitutes a new approach that combines a mathematical model, data-driven prediction, and probabilistic factors to overcome the limitations of rescue personnel experience and opinion. As this proposed method yields a more quantified and reasonable search sector than a method dependent on experience, efficient allocation of equipment, manpower, and rescue personnel safety can be expected. Overall, these findings contribute to the decision-making model based on data obtained when searching for missing individuals in the river. Future work should expand model validation to other major rivers in Korea, such as the Han-gang and Nark-dong-gang Rivers. This will enable positive applications of such methods at river rescue sites.