1. 서 론
2. CCTV 통합형 침수 모니터링 시스템
2.1 시스템 구성 개요
2.2 하드웨어 구성
2.3 3단계 알람 시스템
3. BiLSTM 기반 강우예측 모델
3.1 모델 구조
3.2 입력 및 출력 데이터 처리
3.3 손실 함수 및 학습 전략
4. 실험 설계 및 성능 평가 결과
4.1 실험 설계 및 데이터
4.2 전체 성능 평가 결과
4.3 관측소별 예측 결과 분석
4.4 월별 성능 분석
4.5 관측소별 성능 비교
5. 토 의
5.1 지역별 성능 차이 분석
5.2 BiLSTM 적용의 타당성
5.3 모델의 장점 및 한계
5.4 기존 연구와의 비교
5.5 실용적 기여 및 활용 방안
6. 결 론
1. 서 론
최근 기후변화로 인한 집중호우의 빈도와 강도가 증가하면서 침수 취약 지역의 피해가 심각한 사회적 문제로 대두되고 있다(IPCC, 2023). IPCC 제6차 평가보고서(AR6)에 따르면, 전 지구적으로 극한 강수 이벤트의 빈도와 강도가 증가하고 있으며, 이러한 추세는 온실가스 배출 시나리오에 따라 더욱 심화될 것으로 전망된다. 특히 도시화로 인한 불투수층 면적의 증가는 강우 발생 시 빠른 유출을 유발하여 하수도 용량을 초과하는 침수를 발생시킨다(Lee and Brody, 2018). 실제로 2020년 여름 집중호우로 인해 전국적으로 약 1조 원 이상의 재산 피해가 발생하였으며, 전국에 산재해 있는 침수 취약 지역에서 반복적인 침수 피해가 보고되고 있다(MOIS, 2021).
이와 같은 집중호우를 예측하기 위해서 사용되고 있는 기존의 수치기상예측 모델(NWP)은 대기 역학 방정식을 기반으로 강수를 예측하지만, 계산 비용이 높고 국지적 단시간 강수 예측에는 한계가 있다(Hong and Lee, 2009). 이에 반해 딥러닝 기반의 데이터 주도형 예측 모델은 과거 관측 자료로부터 패턴을 학습하여 단시간 예측에서 높은 성능을 보이고 있다. 최근 기상 분야에서는 Google DeepMind의 GraphCast, NVIDIA의 FourCastNet 등 대규모 딥러닝 모델이 전통적인 수치예보 모델과 비교할 만한 성능을 달성하면서 데이터 기반 예측 기법에 대한 관심이 급증하고 있다(Lam et al., 2023; Pathak et al., 2022).
본 연구를 통해 개발된 강수량 예측 모델은 침수 취약 지역에서 관측된 자료만을 활용하여 인공지능에 의한 시계열 예측 기법으로 BiLSTM을 적용하였다. 순환신경망(RNN) 계열의 LSTM과 BiLSTM 모델은 시계열 데이터의 장기 의존성을 효과적으로 학습할 수 있어 강우예측에 널리 활용되고 있다(Shi et al., 2015; Kratzert et al., 2018). BiLSTM은 LSTM의 단방향 정보 흐름의 한계를 극복하기 위해 제안되었으며, 순방향과 역방향 LSTM을 결합하여 과거와 미래 정보를 동시에 활용한다(Graves and Schmidhuber, 2005). LSTM의 게이트 메커니즘은 장기 시계열 데이터에서 발생하는 기울기 소실 문제를 해결하여 24시간 이상의 긴 시퀀스 학습을 가능하게 한다(Hochreiter and Schmidhuber, 1997).
한편, 실시간 침수 모니터링을 위해서는 현장에서 즉시 강수량을 예측하고 경보를 발령할 수 있는 시스템이 필요하다. 기존의 침수 모니터링 시스템은 대부분 중앙 서버에서 데이터를 수집하고 분석하는 방식으로 운영되어 네트워크 지연이나 서버 장애 시 실시간 대응에 한계가 있다. 이러한 문제를 해결하기 위해 엣지 컴퓨팅 기반의 현장 예측 시스템이 주목받고 있으며(Shi et al., 2016), 본 논문에서 제시할 CCTV 인프라를 활용한 통합형 모니터링 시스템은 이와 같은 현장 예측 시스템의 추세를 반영하고 있다.
본 연구의 목적은 CCTV 통합형 침수 모니터링 시스템에 탑재하여 현장에서 실시간으로 강우를 예측하고 경보를 발령하는 통합 시스템을 구축하기 위한 BiLSTM 신경망 기반의 단시간 강우예측 모델을 개발하는 것이다. 개발된 모델은 전국 18개 ASOS 관측소의 2024년 5–10월 평가 기간 데이터로 성능을 평가하였으며, 용인시, 제주시, 광주시 등 침수 취약 지역에 실제 설치하여 운영할 예정이다.
2. CCTV 통합형 침수 모니터링 시스템
2.1 시스템 구성 개요
CCTV 통합형 침수 모니터링 시스템은 현장 하드웨어와 소프트웨어가 통합된 엣지 컴퓨팅 기반 구조로 설계되었다. Fig. 1은 시스템의 전체 구성을 보여준다. 하드웨어는 CCTV 카메라, 통합 기상 센서(WS-500), 강우량계(RGB), 감시제어장치(PLC), 네트워크 비디오 레코더(NVR)로 구성되며, 소프트웨어는 AI 강수량 예측 프로그램과 통합 모니터링 시스템(HMI)으로 구성된다.
현장 설비는 CCTV 폴대를 중심으로 통합 구성된다. CCTV 폴대 상단에는 통합 기상 센서(WS-500)가 설치되어 기온, 습도, 기압, 풍향, 풍속의 다섯 가지 기상 요소를 동시에 측정한다. 강우량계(RGB)는 폴대 중간에 설치되어 강수량을 직접 측정한다. 측정된 데이터는 PLC를 거쳐 NVR로 전송되며, NVR은 현장에서 AI 모델을 실행하여 다음 1시간의 강수량을 예측한다.
2.2 하드웨어 구성
통합 기상 센서(WS-500)는 CCTV 폴대 상단에 설치되어 1초 간격으로 기상 요소를 측정한다. 기온 센서는 서미스터 방식으로 -50–60°C 범위를 ±0.3°C 정확도로 측정하며, 습도 센서는 정전용량식 방식으로 0–100%RH 범위를 ±2%RH 정확도로 측정한다. 강우량계(RGB)는 전도형 방식으로 0.5 mm 단위로 강수량을 측정한다. NVR은 Intel Core i7-11700 프로세서, 16GB RAM, NVIDIA GeForce GTX 1650 GPU를 탑재하여 PyTorch 1.13 기반으로 구현된 BiLSTM 모델의 추론을 수행한다.
2.3 3단계 알람 시스템
시스템은 예측 강수량에 따라 3단계 알람 체계를 운영한다. 1단계 주의보(Advisory)는 예측 강수량이 시간당 30 mm 이상일 때 발령되며, 관제요원이 해당 지역의 CCTV 영상을 집중 모니터링하고 배수 펌프 가동 준비를 한다. 2단계 경보(Warning)는 시간당 50 mm 이상일 때 발령되며, 배수 펌프를 즉시 가동하고 침수 위험 지역의 차량 및 인원 대피를 유도한다. 3단계 위험(Danger)은 시간당 70 mm 이상일 때 발령되며, 도로 통제, 주민 대피, 소방 및 경찰 출동 등 긴급 대응 조치가 실시된다.
3. BiLSTM 기반 강우예측 모델
3.1 모델 구조
본 연구에서 개발한 강우예측 모델은 양방향 LSTM(BiLSTM) 신경망 구조를 기반으로 한다. BiLSTM은 순방향 LSTM과 역방향 LSTM을 결합하여 과거와 미래 정보를 동시에 활용함으로써 시계열 데이터의 복잡한 패턴을 효과적으로 학습할 수 있다(Graves and Schmidhuber, 2005). 모델은 3층의 BiLSTM 레이어로 구성되며, 각 레이어의 hidden size는 128이다. 입력층은 시퀀스 길이 24(시간)과 특징 수 11개(기온, 강수, 풍속, 습도, 기압, 각각의 변화량, 월)를 받는다.
3.2 입력 및 출력 데이터 처리
모델의 입력은 24시간 시계열 기상 데이터이며, 11개의 변수로 구성된다. 입력 변수는 기온(T), 강수량(R), 풍속(WS), 상대습도(RH), 기압(P)의 절대값 5개와 각각의 1시간 변화량 5개, 그리고 월(Month)을 포함한다. 강수량은 제곱근 변환을 적용하여 극값의 영향을 완화하였으며, 입력 데이터는 Min-Max 정규화를 적용하여 0–1 범위로 스케일링하였다.
3.3 손실 함수 및 학습 전략
학습은 가중 MSE 손실 함수를 사용하였다. 강수 발생 시(R > 0) 가중치를 10배로 부여하여 무강수 시간대에 비해 강수 발생을 더 중요하게 학습하도록 하였다. 이러한 가중치 부여는 강수량 데이터의 불균형 특성을 해결하여 강수 발생 시점의 예측 정확도를 향상시킨다. 최적화 알고리즘은 Adam을 사용하였으며, 학습률은 0.0005, 배치 크기는 64, 에폭은 50으로 설정하였다.
4. 실험 설계 및 성능 평가 결과
4.1 실험 설계 및 데이터
모델 성능 평가를 위해 기상청 종관기상관측(ASOS) 자료를 활용하였다. 본 연구에서는 Kim et al.(2024)의 고해상도 기후변화 시나리오 기반 남한 기후 지역 분류를 참고하여 전국 18개 관측소를 선정하였다. Kim et al.(2024)은 수평해상도 1 km의 고해상도 관측 격자 자료와 K-평균 군집분석을 사용하여 남한을 6개 기후 지역(산지-중부-높은고도, 산지-중부-낮은고도, 평지-중부, 평지-남부, 산지-남부-높은고도, 산지-남부-낮은고도)으로 분류하였다. 본 연구는 각 기후 지역의 대표성을 확보하기 위해 해당 분류 체계를 따랐으며, 이는 개발된 모델이 한반도 전역의 다양한 기후 조건에서 적용 가능한지를 평가하기 위함이다.
선정된 18개 관측소(ASOS 95, 100, 101, 108, 119, 133, 143, 146, 156, 162, 184, 189, 211, 216, 247, 264, 273, 284)는 내륙 지역(서울, 춘천, 청주 등), 서해안 지역(인천, 강화, 군산 등), 남해안 지역(부산, 여수 등), 동해안 지역(강릉, 울진 등), 제주도를 포함하여 한반도 전역의 기후 특성을 대표할 수 있도록 하였다. 학습 데이터는 2020년 1월–2024년 4월을 사용하였으며, 2024년 5–10월은 평가 전용으로 사용하였다. 선정된 18개 관측소의 위치를 표시한 지도를 Fig. 2에 제시하였다.
4.2 전체 성능 평가 결과
개발된 BiLSTM 모델을 18개 ASOS 관측소에 적용한 결과, 전체 평균 MAE는 0.394 mm, RMSE는 1.628 mm, 상관계수는 0.576을 기록하였다. Table 1은 관측소별 성능 지표를 보여준다. MAE 기준으로 가장 우수한 성능을 보인 관측소는 ASOS 284(춘천)로 0.254 mm를 기록하였으며, 상관계수 기준으로는 ASOS 247(강릉)이 0.771로 가장 높았다.
Table 1.
Performance metrics by station for BiLSTM rainfall prediction model
Fig. 3은 18개 관측소 전체의 실측 강수량과 예측 강수량의 산점도를 보여준다. 결정계수(R2)는 0.363으로, 모델이 전체 강수량 변동의 약 36%를 설명할 수 있음을 나타낸다. 산점도에서 약한 강수(10 mm 이하)에서는 1:1 선에 비교적 가깝게 분포하나, 강수량이 증가할수록 예측값이 실측값보다 낮게 나타나는 과소 예측 경향이 관찰된다.
MAE와 RMSE는 예측 오차의 절대적 크기를 측정하는 지표인 반면, 상관계수(R)는 실측값과 예측값 간의 선형적 관계 강도를 측정하는 지표이다. MAE가 낮으면서 상관계수가 상대적으로 낮은 경우(예: ASOS 284)는 모델이 전반적으로 작은 오차로 예측하지만 강수 패턴의 변동을 완벽히 추적하지는 못함을 의미한다. 반면 상관계수가 높으면서 RMSE가 큰 경우(예: ASOS 247)는 모델이 강수 발생 패턴은 잘 포착하지만 극한 강수량의 절대적 크기 예측에서 오차가 발생함을 나타낸다.
4.3 관측소별 예측 결과 분석
Figs. 4, 5, 6, 7은 대표적인 관측소의 예측 결과를 시계열 그래프로 보여준다. Fig. 4는 ASOS 284(춘천)의 결과로, MAE 0.254 mm로 가장 높은 정확도를 보인 사례이다. 춘천은 내륙 분지 지형으로 강수 패턴이 상대적으로 안정적이다. 다만, 2024년 7월 중순에 약 40 mm에 달하는 집중호우가 발생하였는데, 이 시기에 실측값과 예측값 사이에 큰 차이가 관찰된다. 이는 해당 기간에 정체전선의 영향으로 돌발적인 집중호우가 발생하였기 때문이며, 학습 데이터에서 이와 유사한 극한 이벤트의 빈도가 낮아 모델이 해당 패턴을 충분히 학습하지 못한 결과로 분석된다.
Fig. 5는 ASOS 247(강릉)의 결과로, 상관계수 0.771로 가장 높은 상관성을 보인 사례이다. 강릉은 동해안에 위치하여 태풍과 북동기류의 영향을 자주 받으며, 지형성 강수로 인해 강수량이 매우 크게 나타난다. 모델은 이러한 극한 강수도 비교적 정확하게 예측하였으며, 특히 강수 발생 시점과 지속 시간을 잘 포착하였다. 다만, 일부 첨두 강수량에서 과소 예측이 나타나는데, 이는 급격한 강수량 증가를 완전히 모사하기 어려운 모델의 구조적 한계에 기인한다.
Fig. 4와 Fig. 5에서 확인되는 첨두(peak) 강수량의 과소 예측 현상은 본 모델의 주요 한계점 중 하나이다. 이러한 현상이 발생하는 원인은 다음과 같다. 첫째, 강수량 데이터의 분포 특성상 시간당 30 mm 이상의 강한 강수는 전체 데이터의 1% 미만에 불과하여 모델이 약한 강수나 무강수 패턴에 최적화되는 경향이 있다. 둘째, 제곱근 변환으로 극값의 영향을 완화하였으나, 강한 강수량의 변별력이 다소 감소한다. 셋째, MSE 기반 손실 함수는 드물게 발생하는 극한 이벤트보다 자주 발생하는 일반적인 패턴에 더 큰 가중치를 부여한다.
Fig. 6은 ASOS 100(대관령)의 결과로, 전체 평균에 가까운 성능을 보인 사례이다. 대관령은 해발 약 840 m의 고지대에 위치하여 산지 기후 특성을 보이며, MAE 0.297 mm, 상관계수 0.659로 양호한 예측 성능을 나타냈다. 그래프에서 대부분의 강수 이벤트가 20 mm 이하의 중소규모로 나타나며, 모델이 이러한 수준의 강수를 비교적 안정적으로 예측하고 있음을 확인할 수 있다.
Fig. 7은 ASOS 162(강화)의 결과로, 상대적으로 도전적인 사례이다. 강화는 서해안에 위치하여 해상 기류의 영향을 받으며, 강수 패턴의 변동성이 크다. 그래프에서 약 20 mm에 달하는 강수를 포함하여 여러 차례의 강수 이벤트가 발생하였다. 모델은 대부분의 강수 이벤트를 포착하였으나, 첨두 강수량의 경우 다소 과소 예측하는 경향을 보인다.
4.4 월별 성능 분석
Fig. 8은 2024년 5–10월의 월별 성능 지표를 보여준다. 7월(장마철)에 MAE와 RMSE가 가장 높게 나타났으며, MAE는 약 0.78 mm, RMSE는 약 2.5 mm를 기록하였다. 이는 7월에 장마전선의 영향으로 집중호우가 빈번하게 발생하여 예측 난이도가 높았기 때문이다. 8월에는 MAE 약 0.43 mm, RMSE 약 2.1 mm로 7월보다 낮아졌으나 여전히 평균보다 높은 수준을 유지하였다. 본 연구에서 7월이 아닌 8월을 주요 분석 대상으로 삼은 이유는 7월의 높은 오차가 장마전선이라는 특수한 기상 조건에 기인한 반면, 8월은 태풍, 대류성 강수 등 다양한 강수 유형이 복합적으로 나타나 모델 성능의 일반적인 특성을 평가하기에 더 적합하기 때문이다.
반면 5월과 10월은 MAE 약 0.20 mm, RMSE 약 0.7–0.8 mm로 상대적으로 낮은 오차를 보였다. 이는 봄과 가을철에 강수 빈도가 낮고 강수 강도가 약하기 때문이다. 6월은 장마 초기로 MAE 약 0.31 mm, RMSE 약 1.4 mm로 중간 수준의 성능을 보였다. 9월은 태풍의 영향으로 일부 극한 강수가 발생하였으나, MAE 약 0.41 mm로 양호한 성능을 유지하였다.
4.5 관측소별 성능 비교
Fig. 9는 18개 관측소의 MAE를 막대그래프로 비교한 것이다. ASOS 284, 100, 184, 211, 216이 평균보다 낮은 MAE를 보였으며, 이들은 대부분 내륙 또는 고지대에 위치한 관측소이다. 반면 ASOS 95, 162, 189는 평균보다 높은 MAE를 보였으며, 이들은 해안 지역에 위치하여 기상 변동성이 큰 지역이다.
Fig. 10은 18개 관측소의 상관계수를 막대그래프로 비교한 것이다. 평균 상관계수 0.576을 기준선으로 표시하였다. ASOS 247, 273, 100, 143, 146, 101이 평균보다 높은 상관계수를 보였으며, 이들은 강수 패턴의 시간적 연속성이 높은 지역이다. ASOS 247(강릉)은 0.771로 가장 높은 상관성을 보였는데, 이는 동해안 지형성 강수의 예측 가능성이 높기 때문으로 분석된다.
5. 토 의
5.1 지역별 성능 차이 분석
관측소별 성능 차이는 지역의 기후 특성 및 지형과 밀접한 관련이 있다. Kim et al.(2024)의 기후 지역 분류에 따르면, 남한은 산지-중부, 평지, 산지-남부 등으로 구분되며, 각 지역은 고유한 강수 특성을 가진다. 내륙 지역(ASOS 100, 184, 211, 284)은 평균 MAE 0.289 mm로 전체 평균보다 낮은 오차를 보였다. 반면 해안 지역(ASOS 95, 143, 162, 247)은 평균 MAE 0.447 mm로 상대적으로 높은 오차를 보였다.
5.2 BiLSTM 적용의 타당성
본 연구에서 BiLSTM을 선택한 이유는 다음과 같다. 첫째, 강수 예측은 시계열 문제로, 과거의 기상 상태가 미래의 강수에 영향을 미친다. LSTM의 게이트 메커니즘은 장기 의존성을 효과적으로 학습할 수 있다. 둘째, BiLSTM은 순방향과 역방향 정보를 모두 활용하여 시간적 맥락을 양방향으로 이해할 수 있다. 셋째, 기존 연구에서 BiLSTM은 다양한 시계열 예측 문제에서 우수한 성능을 보였다.
5.3 모델의 장점 및 한계
본 모델의 주요 장점은 엣지 컴퓨팅 기반으로 현장에서 실시간 예측이 가능하며, 가중 손실 함수를 통해 강수 발생 시 예측 정확도를 향상시켰다는 점이다. 그러나 극한 강수량(시간당 50 mm 이상)에 대해서는 과소 예측하는 경향이 있으며, 1시간 선행 예측에 한정되어 있다는 한계점이 있다.
5.4 기존 연구와의 비교
기존 딥러닝 기반 강수 예측 연구들과 비교할 때, 본 연구의 성능은 경쟁력이 있다. Xiang et al.(2020)은 LSTM 기반 시퀀스 학습을 이용하여 우수한 강우-유출 예측 결과를 보고하였으며, 본 연구는 이러한 접근법을 발전시켜 실시간 예측에 적용하였다. Shi et al.(2017)은 딥러닝 기반 강수 나우캐스팅의 벤치마크를 제시하였는데, 본 연구의 MAE 0.394 mm는 기존 연구들과 비교하여 우수한 성능을 보인다.
5.5 실용적 기여 및 활용 방안
본 시스템의 실용적 기여는 CCTV 인프라를 활용하여 추가 설치 비용을 최소화하였으며, 영상 모니터링과 기상 데이터를 통합하여 종합적인 상황 인식이 가능하다는 점이다. 3단계 알람 시스템을 통해 단계별 대응이 가능하며, 지자체와 협력하여 실제 침수 취약 지역에 설치함으로써 즉각적인 효과를 기대할 수 있다.
6. 결 론
본 연구는 BiLSTM 신경망 기반의 단기 강우예측 모델을 개발하고, 이를 CCTV 통합형 침수 모니터링 시스템에 적용하여 도시 침수 방재 효율을 향상시키고자 하였다. 개발된 모델은 24시간 시계열 기상 데이터를 입력받아 1시간 후 강수량을 예측하며, 3층 BiLSTM 구조와 가중 MSE 손실 함수를 사용하여 강수 발생 시 예측 정확도를 높였다.
Kim et al.(2024)의 기후 지역 분류를 기반으로 선정한 전국 18개 ASOS 관측소의 2024년 5–10월 평가 기간 데이터로 성능을 평가한 결과, 평균 MAE 0.394 mm, RMSE 1.628 mm, 상관계수 0.576을 달성하여 우수한 예측 성능을 입증하였다. MAE와 상관계수 간의 차이는 각 관측소의 강수 특성에 기인하며, 극한 강수량의 첨두값 예측에서는 과소 예측 경향이 있어 향후 추가 연구가 필요하다.
개발된 시스템은 CCTV 폴대에 통합 기상 센서, 강우량계, NVR을 설치하여 현장에서 실시간으로 강수를 예측하고 경보를 발령한다. 본 시스템은 용인시, 제주시, 광주시 등 침수 취약 지역에 설치되어 실시간 모니터링 및 조기 경보 체계를 구축할 예정이다. 향후 연구 방향으로는 레이더 자료 활용, 더 긴 선행 시간 예측, 침수 심도 예측 통합 모델 개발 등을 제안한다.
