Integrating Time Series, Remote Sensing and Computational Intelligence for Flood Prediction in a Data-Scarce Tropical Floodplain of the Lower Magdalena River Basin, Colombia

홍수는 열대 지역에서 특히 빈번하고 종종 파괴적인 자연의 힘이 되는데, 이곳에서는 무거운 계절적 강우와 변화하는 기후 패턴이 강을 압도적인 급류로 바꿀 수 있기 때문이다. 세계 여러 곳에서 물이 언제 어디서 차오를지 예측하는 것은 어려운데, 이는 강수량과 하천 수위를 추적하는 기상 관측소 네트워크가 종종 희박하여 데이터에 큰 공백이 남기 때문이다. 이러한 공백을 메우기 위해 과학자들은 점차 지형을 위에서 내려다볼 수 있는 위성 이미지와, 지저분한 정보 속에서 복잡한 패턴을 찾아낼 수 있는 고급 컴퓨터 프로그램의 결합에 의존하고 있다. 목표는 흩어진 데이터 지점들을 완전하고 연속적인 지형의 모습으로 변환하여, 물이 도착하기 전에 공동체가 위험을 예측할 수 있도록 하는 것이다. 이러한 과제는 콜롬비아의 로우 마그달레나 강 유역처럼, 계절의 리듬이 삶의 흐름을 결정하지만 신뢰할 수 있는 실시간 정보를 얻기가 어려운 곳에서 특히 절실하다.

이 특정 지역에 초점을 맞춘 최근 연구에서, 연구진은 지상 관측소의 장기 기록, 위성 관측, 그리고 지능형 컴퓨터 모델을 엮어 홍수 조건을 예측하는 새로운 방법을 개발했다. 하이메 알베르토 파라-플라사스(Jaime Alberto Parra-Plazas)와 동료들이 이끄는 팀은 저지대 지형과 뚜렷한 우기와 건기를 특징으로 하는 산타 크루즈 데 모포스(Santa Cruz de Mompós) 시에서 연구를 진행했다. 그들은 약 68개의 서로 다른 관측소에 의해 기록된 월간 총 강수량과 하천 수위를 포함하여 1980년부터 2022년까지의 수십 년간의 역사적 데이터를 수집했다. 이러한 기록에는 누락된 날짜와 간혹 발생하는 오류가 포함되어 있었기 때문에, 연구진은 먼저 데이터를 정제하고 정리하여 빈칸을 채움으로써 작업의 신뢰할 수 있는 토대를 마련해야 했다. 그런 다음 그들은 두 가지 서로 다른 수학적 방법을 사용하여 흩어진 관측소의 판독값을 전체 범람원의 매끄럽고 연속적인 지도로 변환했다. 역거리 가중치(inverse distance weighting)라고 알려진 한 가지 방법은 알려진 관측소와 얼마나 가까운지에 따라 값을 추정하는 방식이며, 다른 하나인 크리깅(ordinary kriging)은 데이터 지점들 사이의 통계적 관계를 사용하여 더 지리적으로 연결된 표면을 만들어낸다.

이 지도들이 생성된 후, 연구진은 새로운 과제에 직면했다. 바로 엄청난 양의 정보였다. 지도들은 매달 수천 개의 데이터 지점을 포함하고 있어, 컴퓨터 모델이 효율적으로 학습하기 어렵게 만들었다. 이를 해결하기 위해 그들은 데이터의 가장 중요한 패턴은 유지하면서 소음과 중복성을 버리는 필터 역할을 하는 주성분 분석(principal component analysis)이라는 기법을 사용했다. 이를 통해 강수량과 수위 패턴의 본질적인 형태를 잃지 않으면서 문제의 복잡성을 줄일 수 있었다. 데이터가 단순화된 후, 그들은 미래의 지도가 어떤 모습일지 예측하기 위해 두 종류의 인공지능 모델을 훈련시켰다. 첫 번째 모델인 인공 신경망(artificial neural network)은 인간의 뇌가 사례로부터 학습하는 방식을 모방하도록 설계되어, 복잡하고 비선형적인 관계를 포착하는 데 능숙하다. 두 번째인 서포트 벡터 회귀(support vector regression)는 데이터 지점에 가장 잘 맞는 선이나 곡선을 찾는 데 탁월한 또 다른 종류의 학습 도구이다. 연구팀은 2000년부터 2021년까지의 데이터로 이 모델들을 훈련시켰으며, 그다음 훈련 과정에서 보여주지 않았던 해인 2022년의 조건을 예측하도록 하여 테스트를 수행했다.

결과는 모든 유형의 홍수 조건을 예측하는 데 단 하나의 "최선의" 방법은 없다는 것을 보여주었다. 대신, 적절한 접근 방식은 전적으로 무엇을 측정하느냐에 달려 있다. 목표가 강수량을 예측하는 것이었을 때, 가장 효과적이었던 방법은 역거리 가중치 지도와 인공 신경망 모델을 결합한 것이었다. 이 조합은 강수량의 들쭉날쭉하고 불규칙한 특성을 포착하는 데 특히 뛰어났으며, 한 지점은 젖어 있는 반면 다른 지점은 건조할 수 있는 국지적인 차이를 보존했다. 그러나 목표가 하천 수위를 예측하는 것으로 바뀌자 이야기는 달라졌다. 강물은 넓은 지역에 걸쳐 흐르고 연결되므로, 비보다 더 매끄럽고 연속적인 패턴을 만든다. 이를 위해 오디너리 크리깅 방식과 인공 신경망을 결합한 모델이 가장 정확하고 물리적으로 타당한 결과를 냈다. 이 접근 방식은 물의 광범적이고 지역적인 흐름을 보존하여, 예측된 지도가 고립된 점들의 집합이 아니라 실제 강 시스템처럼 보이도록 했다. 흥ral히도, 서포트 벡터 회귀 모델은 특정 테스트에서 때때로 약간 더 낮은 수치적 오차를 보이기도 했지만, 세부 사항을 너무 매끄럽게 만들어 실제 범람지의 역동적인 행동을 덜 나타내게 만드는 경향이 있었다.

연구는 가장 효과적인 전략은 하나의 도구에 모든 것을 강요하는 것이 아니라, 문제의 물리적 성격에 맞춰 방법을 매칭하는 것이라는 결론을 내렸다. 혼란스럽고 패치워크 같은 성격의 강수량에 대해서는 국지적 변동을 존중하는 시스템이 필수적이다. 연결되고 흐르는 성격의 하천 수위에 대해서는 지역적 연속성을 우선시하는 시스템이 우수하다. 연구진은 원시 데이터를 지도로 바꾸는 방법과 사용할 컴퓨터 모델을 신중하게 선택함으로써, 기상 관측소가 매우 적은 지역에서도 신뢰할 수 있고 재현 가능한 홍수 예측 시스템을 만들 수 있다는 것을 발견했다. 이 프레임워크는 데이터가 부족한 열대 지역의 공동체에 실질적인 길을 제시하며, 조기 경보 시스템을 지원하고 범람원에서 삶을 규정하는 상승하는 물에 대비할 수 있도록 돕는 상세하고 공간적으로 명시적인 예보를 생성하는 방법을 제공한다. 이 연구는 홍수 예측의 미래가 단 하나의 마법 같은 알고리즘이 아니라, 지형에 대한 특정한 진실을 드러내는 능력을 기준으로 각기 다른 도구들을 사려 깊게 통합하는 데 있음을 시사한다.