Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

세계 곳곳에서 도시들은 그 아래의 토지가 감당할 수 있는 속도보다 더 빠르게 성장하고 있습니다. 콘크리트와 아스팔트로 뒤덮인 지형에 폭우가 내리면, 물은 예전처럼 땅속으로 스며들지 못합니다. 대신, 물은 표면을 따라 흐르며 속도와 부피를 키워 결국 거리와 지하실을 범람하게 만듭니다. 이것이 바로 도시 홍수의 본질이며, 기후 변화로 인해 더 강렬한 폭풍이 몰아치고 급격한 건설이 자연 배수를 차단함에 따라 더욱 빈번해지고 있는 위기입니다. 사람과 재산을 보호하기 위해 도시 계획가들은 물이 정확히 어디에 고일지, 그리고 얼마나 깊어질지를 알아야 합니다. 수십 년 동안 전문가들은 이러한 위험을 추측하기 위해 지도와 과거 기록에 의존해 왔지만, 새로운 접근 방식이 판도를 바꾸고 있습니다. 구름을 뚫고 볼 수 있는 위성의 눈과 패턴을 학습하는 강력한 컴퓨터 프로그램을 결합함으로써, 과학자들은 이제 이전에는 불가능했던 수준의 정밀도로 홍수 위험을 예측할 수 있게 되었습니다. 이러한 변화는 공동체가 재난에 대응하는 단계에서 예방하는 단계로 나아갈 수 있게 해줍니다.

사우디아라비아 리야드 서부에서 한 연구자는 이 현대적인 도구 세트를 특정 과제인 와디 하니파(Wadi Hanifa) 분지에 적용했습니다. 이 계곡은 리야드의 서부와 중부 지역을 가로지르며, 인근 산에서 흘러내려 오는 물의 자연스러운 통로 역할을 합니다. 역사적으로 이 지역은 농업과 정착을 지원해 왔으나, 리야드의 급격한 확장은 이 계곡의 상당 부분을 밀집된 도시 지역으로 바꾸어 놓았습니다. 도시의 성장은 드물지만 강렬하게 발생하는 폭우가 순식간에 위험한 돌발 홍수로 변할 수 있는 상황을 만들었습니다. 연구자는 정확히 어떤 동네가 침수될 가능성이 높은지를 보여주는 상세한 지도를 만들기 위해 노력했습니다. 그는 단순한 경험칙이나 추측에 의존하지 않았습니다. 대신, 우주와 지상에서 수집한 방대한 정보를 입력하여 분지 전체의 디지털 모델을 구축했습니다.

연구자는 완전한 지형의 모습을 구축하기 위해 다섯 가지 서로 다른 출처에서 데이터를 수집했습니다. 먼저 위성 영상을 사용하여 지표면을 덮고 있는 유형을 확인하여 녹지, 맨흙, 그리고 건물과 도로 같은 딱딱하고 불투과성인 표면을 구분했습니다. 또한 구름 낀 하늘에서도 물을 탐지할 수 있는 레이더 영상을 활용하여 실제 과거 홍수의 범위를 확인할 수 있도록 했습니다. 아울러 지형의 경사와 모양을 이해하기 위한 상세한 3D 지형도와, 가장 거센 폭풍이 어디를 쳤는지 확인하기 위한 수십 년간의 강수 기록을 통합했습니다. 마지막으로, 물의 장벽이나 통로 역할을 할 수 있는 도로망을 매핑했습니다. 이 모든 정보가 모이자, 연구자는 사례를 통해 학습하는 컴퓨터 프로그램의 일종인 머신러닝 알고리-즘을 사용했습니다. 컴퓨터에 과거에 침수되었던 지역의 수천 가지 사례와 침수되지 않았던 지역의 수천 가지 사례를 보여주었습니다. 컴퓨터는 이 사례들을 분석하여 지형과 물을 연결하는 숨겨진 패턴을 찾아냈습니다.

컴퓨터는 이 지역의 홍수 위험이 몇 가지 핵심 요인에 의해 결정된다는 것을 학습했습니다. 가장 중요한 요인은 배수 네트워크의 밀도였습니다. 하천과 수로가 집중된 지역은 특히 폭우 시 물이 집중되기 때문에 홍수가 발생할 가능성이 더 높았습니다. 두 번째로 중요한 요인은 토지 피복의 유형이었습니다. 물이 스며들 수 없는 건물과 포장된 도로가 많은 동네는 흙이나 식생이 많은 지역보다 훨씬 높은 위험에 처해 있었습니다. 강수 강도는 세 번째 주요 동인이었으며, 이는 짧은 시간 동안 쏟아지는 엄청난 양의 물이 문제의 주요 원인임을 확인시켜 주었습니다. 컴퓨터는 또한 지형의 거칠기가 중요하다는 것을 배웠는데, 매끄럽고 평탄한 지역은 물이 넓게 퍼지고 고이게 만드는 반면, 거친 지형은 물의 흐름을 늦출 수 있습니다. 지형의 경사 방향이나 정확한 고도와 같은 다른 요인들도 역할을 했지만, 배수 및 토지 이용 패턴만큼 결정적이지는 않았습니다.

컴퓨터는 이러한 패턴을 학습한 후, 이를 와디 하니파 분지 전체에 적용하여 지도상의 모든 지점에 대한 홍수 위험을 예측했습니다. 결과는 놀라울 정도로 정확했습니다. 연구자가 이 모델을 실제 데이터와 대조하여 테스트했을 때, 모델은 90%의 확률로 침수 지역을 정확히 식ر별해 냈습니다. 모델은 침수될 곳과 그렇지 않을 곳을 성공적으로 구분해 냄으로써, 위성 데이터와 머신러닝의 결집이 도시 홍수의 복잡한 현실을 포착할 수 있음을 입증했습니다. 결과물인 지도는 분지를 매우 낮음에서 매우 높음까지 다섯 가지 위험 범주로 나눕니다. 분석 결과, 분지의 약 6.1%가 매우 높은 위험에 처해 있으며, 또 다른 14.2%가 높은 위험에 직면해 있는 것으로 나타났습니다. 이 위험 지대들은 무작위로 흩어져 있는 것이 아니라, 특정 인구 밀집 지역에 모여 있었습니다.

지도는 즉각적인 주의가 필요한 여러 공동체를 식별했습니다. 센터 우라이자(Center Uraija), 우라이자(Uraija), 데랍(Derab), 우카즈(Ukaz), 마르와(Marwwah), 우라이드(Uraid), 트와이크-에티가(Twaeeq-Etaigah), 헤즈라트 와디 레반(Hejrat Wadi Leban)과 같은 지역들이 도시 홍수에 매우 취약한 것으로 분류되었습니다. 이 동네들은 물이 자연스럽게 모이는 저지대에 위치하며, 물이 빠져나가는 것을 막는 광범위한 도로와 건물망에 둘러싸여 있습니다. 이 연구는 이것이 단지 이론적인 위험이 아님을 강조합니다. 모델의 예측은 실제로 홍수가 발생했던 위치와 일치합니다. 예를 들어, 2026년 4월에 발생한 주요 홍수 사건 당시, 관측된 홍수 지점의 대다수는 모델이 고위험 또는 매우 높은 위험 지역으로 표시했던 구역 안에 정확히 떨어졌습니다. 이러한 검증은 시 당국에 강력한 의사결정 도구를 제공합니다. 이제 그들은 배수 시스템을 보강해야 할 곳, 새로운 건설을 제한해야 할 곳, 그리고 비상 대응 계획을 우선시해야 할 곳을 정확히 알 수 있습니다.

이 연구는 첨단 기술과 지역 지식을 통합하는 것이 홍수 관리의 미래라는 점을 보여줍니다. 머신러닝을 사용하여 비, 지형, 인간 개발 사이의 복잡한 상호작용을 분석함으로써, 과학자들은 성장하는 도시를 보호하기 위한 명확하고 실행 가능한 통찰력을 제공할 수 있습니다. 이 연구는 홍수 문제를 영원히 해결했다고 주장하는 것이 아니라, 가장 취약한 지점을 식별하는 신뢰할 수 있는 방법을 제공한 것입니다. 리야드와 다른 급격히 도시화되는 도시의 주민들에게 이는 최선을 바라며 희망하는 것에서 벗어나, 확신을 가지고 최악의 상황에 대비하는 것으로의 전환을 의미합니다. 이 지도는 물이 어디로 갈지를 보여줌으로써 사람들이 더 잘 짓고, 더 스마트하게 계획하며, 안전을 지킬 수 있도록 안내하는 길잡이 역할을 합니다.