A data-driven framework to inform extreme flood warning: Evaluating dual-tier weighting in contrasting catchments

기술 요약: 극한 홍수 경보를 위한 데이터 기반 프레임워크

문제 제기
저수량 유역(low-yield catchments)에서 희귀한 극한 홍수를 탐지하는 것은 데이터 기반 수문 모델링에 있어 중대한 과제이다. 표준 그래디언트 부스팅 아키텍처는 연속적인 유출량을 시뮬레이션하는 데는 효과적이지만, 극단적인 피크 유량(peak discharges)을 과소 예측하는 경향이 있다. 이는 기존의 손실 함수가 전역 오차(global error)를 최소화하도록 설계되어, 최적화 과정이 풍부한 중간 유량 관측치에 편향됨으로써 소수의 고유량 이벤트를 체계적으로 소외시키기 때문이다. 증발산, 전도 손실 및 인위적 조절로 인해 유출 계수가 낮고 강우-유출 신호가 감쇄되는 저수량 유역에서는 이러한 편향이 홍수 이벤트를 놓치는 결과로 이어진다. 또한, 기존 문헌들은 희귀 이벤트 탐지와 기저 안정성 사이의 트레이드오프를 동시에 다루고, 대조적인 수문학적 체계 전반에서 전략을 평가하며, 확률적 실현(stochastic realizations)을 통해 알고리즘의 안정성을 엄격하게 정량화하는 통합된 프레임워크가 부족한 경우가 많다.

방법론
본 연구는 두 가지 대조적인 이란 유역인 반응형 하라즈(Haraz) 유역(유출 계수, RC = 0.57)과 감쇄형 저수량 타잔(Tajan) 유역(RC = 0.082)을 대상으로 평가된 이중 계층 가중치 프레임워크를 제안한다. 방법론은 3단계 워크플로우를 채택한다:

1. 데이터 준비 및 특징 공학: 지역 네트워크로부터 일일 유량 및 강수 데이터를 수집하였다. 예측 변수 공간에는 시차를 둔 강수량, 유역 규모의 선행 수분 상태(3, 10, 30, 90일 이동 창), 그리고 자기회귀 변수가 포함되었다. 데이터 누수를 방방지하기 위해 엄격한 연대순 분할(훈련 80%, 테스트 20%)을 적용하여 실제 24시간 운영 리드 타임을 확보하였다.
2. 2단계 최적화:
   • 1단계 (탐색 공간 축소): Optuna의 트리 구조 파젠 추정기(TPE)를 이용한 베이지안 최적화 기법을 사용하여 하이퍼파라미터를 필터링하였다. 이 단계는 각 유역-학습기 조합에 대해 가장 영향력 있는 파라미터(예: 학습률, 트리 깊이)를 식별하여, 후속 단계의 탐색 공간 차원을 축소하였다.
   • 2단계 (메타휴리스틱 튜닝): 축소된 하이퍼파라미터 세트와 가중치 파라미터를 튜닝하기 위해 두 가지 군집 지능 알고리즘인 입자 군집 최적화(PSO)와 너트크래커 최적화 알고리즘(NOA)을 사용하였다.
3. 가중치 시나리오: 세 가지 시나리오를 테스트하였다:
   • S1 (베이스라인): 가중치가 적용되지 않은 훈련.
   • S2 (단일 계층): 극단적 관측치(Q ≥ Q99)가 훈련 중 증폭된 가중치를 받지만, 적합도 함수(fitness function)는 가중치가 적용되지 않는 데이터 수준의 가중치 부여.
   • S3 (이중 계층): 트리 하이퍼파라미터와 국지적 데이터 패널티 가중치를 동시에 최적화하며, 적합도 함수 자체에 가중치를 적용(가중 RMSE 또는 가중 KGE 사용).
4. 평가 및 안정성: 성능은 연속 지표(NSE, KGE, RMSE)와 범주형 탐지 지수(POD, FAR, CSI)를 98 및 99 백분위수에서 평가하였다. 결정적으로, 보고된 이득이 무작위 초기화의 산물이 아님을 보장하기 위해 하라즈 유역에 대해 20회, 타잔 유역에 대해 15회의 독립적인 확률적 실행을 통해 알고리즘 안정성을 정량화하였다.

주요 기여

• 체계 조건부 프레임워크: 본 연구는 최적의 가중치 전략이 유역의 감쇄 능력에 따라 달라짐을 입증한다. 반응형 유역(Haraz)에서는 단일 계층 가중치로 충분하지만, 감쇄형 유역(Tajan)은 탐지율을 높이기 위해 이중 계층 가중치가 필요하다.
• 목적 함수 민감도: 연구는 저수량 유역에서 목적 함수의 선택이 매우 중요함을 밝혀냈다. 분산 기반 목적 함수(가중 KGE)를 사용한 이중 계층 가중치는 탐지율을 개선했으나 연속 정확도를 심각하게 저하시켰다(NSE가 약 0.27로 하락). 반면, 잔차 기반 목적 함수(가중 RMSE)는 허용 가능한 연속 정확도(NSE 약 0.55)를 유지하면서도 극한 이벤트의 탐지율을 두 배로 높였다.
• 알고리즘 견고성: 실행 간 변동성을 정량화함으로써, 본 연구는 제안된 이득이 무작위 시드에 의존하지 않고 재현 가능하다는 것을 확인하여 수문학적 머신러닝의 일관성 보고에 대한 공백을 메웠다.

결과

• 하라즈 유역 (반응형): 가중치가 없는 베이스라인 모델이 이미 높은 성능(NSE = 0.98)을 달성했다. 이중 계층 가중치는 연속 정확도에 큰 이득 없이 탐지율(Q99에서의 POD)을 약간 향상(약 0.77에서 0.85로)시켰으며, 이는 반응형 유역에는 복잡한 가중치가 불필요함을 시사한다.
• 타잔 유역 (감쇄형): 가중치가 없는 모델은 대부분의 극한 이벤트를 탐지하는 데 실패했다(Q99에서의 POD = 0.20–0.29). RMSE 목적 함수를 적용한 이중 계층 프레임워크는 사용 가능한 연속 시뮬레이션(NSE = 0.55)을 유지하면서 탐지율을 성공적으로 두 배로 높였다(POD = 0.40). 그러나 이는 증가된 허위 경보 비율(FAR ≈ 0.57)을 동반했다.
• 최적화 알고리즘 성능: 탐색 공간이 축소된 후에는 PSO와 NOA 사이의 성능 차이가 미미했다(KGE 및 POD에서 차이 < 0.03), 이는 가중치 전략과 목적 함수가 지배적인 요인임을 나타낸다.
• 안정성: 선택된 구성(Haraz의 경우 XGBoost-NOA, Tajan의 경우 LightGBM-NOA)은 독립적인 실행에 걸쳐 제한된 지표 확산을 보여주었으며, 이를 통해 프레임워크의 견고함을 확인하였다.

의의 및 주장
본 논문은 제안된 프레임워크가 수자원 기관이 유역의 유출 계수와 인위적 감쇄 정도에 따라 적절한 가중치 시나리오를 선택할 수 있는 의사결정 지원 프로토콜을 제공한다고 주장한다. 연구진은 저수량 및 조절된 유역에서 탐지와 허위 경보 사이의 트레이드오프는 운영상 방어 가능하다고 주장한다. 즉, 홍수를 놓치는 것이 허위 경보를 발령하는 것보다 사회 경제적 결과가 더 크다는 것이다. 본 연구는 이러한 환경에서 비대칭 가중치를 적용할 때, 전역 분산 보존(KGE 목적 함수)보다 표적 잔차 패널티(RMSE 목적 함수)가 더 우수하다고 결론짓는다. 이 프레임워크는 순수하게 시차를 둔 기상 관측값만을 사용하여 외부 수치 예보 제품에 의존하지 않고 24시간 리드 타임을 제공하므로, 데이터가 부족한 지역에 적합하다. 저자들은 본 프레임워크가 탐지율을 개선하지만 저수량 시스템의 근본적인 물리적 한계를 제거하는 것은 아니며, 허위 경보를 더욱 줄이기 위해 향후 물리 기반 제약 조건을 탐구해야 한다고 강조한다.