Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

홍수는 지형을 재편하고 무서운 속도로 공동체를 위협하며 지구상에서 가장 파괴적인 힘 중 하나로 작-용합니다. 사람과 재산을 보호하기 위해 과학자들은 물이 지표면을 가로지르고, 강을 통해 흐르며, 범람원으로 유입되는 방식을 시뮬레이션하는 컴퓨터 모델에 의존합니다. 이러한 디지털 시뮬레이션인 수리 모델은 강우량, 지형의 형태, 그리고 강의 흐름을 고려하여 물이 얼마나 높게 차오를지를 예측합니다. 그러나 이 모델들은 완벽하지 않습니다. 이 모델들은 복잡한 물리학과 불완전한 데이터를 기반으로 구축되었기 때문에, 예측값이 실제와 어긋나 때로는 실제 수위와 몇 피트씩 차이가 나기도 합니다. 모델이 오류를 범할 때, 예측된 수위와 실제 수위 사이의 차이는 안전한 경고와 재앙적인 기습 사이의 차이를 의미할 수 있습니다. 과학자들의 과제는 단순히 이러한 시뮬레이션을 실행하는 것이 아니라, 이미 생성된 정보를 사용하여 실제로 어떤 일이 일어났는지에 대해 더 나은 추측을 함으로써 사후에 어떻게 오류를 수정할 것인가를 알아내는 것입니다.

루이지애나 남동부에서 한 연구팀은 구체적인 아이디어를 테스트하기 위해 연구를 시작했습니다. 즉, 지금 현재의 컴퓨터 모델이 예측한 수위와 그 수위가 도달하기까지 거쳐온 경로가 모델의 오류를 수정하는 데 도움이 될 수 있는가 하는 점입니다. 그들은 지형을 격자 형태의 셀로 나누고 시간 경과에 따른 수심과 고도를 계산하는 데 널리 사용되는 도구인 HEC-RAS(Hydrologic Engineering Center's River Analysis System)에 집중했습니다. 연구진은 열대성 폭풍부터 폭우 이벤트에 이르기까지 해당 지역에서 이미 발생했던 8개의 주요 홍수 데이터를 수집했습니다. 그들은 컴퓨터가 예측한 수위와 강과 하천을 따라 설치된 계측기에서 측정된 실제 측정값을 비교했습니다. 목표는 머신러닝 시스템(데이터로부터 패턴을 학습하는 유형의 컴퓨터 프로그램)이 정확한 오류의 원인을 알지 못하더라도, 모델 자체의 출력값을 사용하여 어떻게 오류를 수정하는지 학습할 수 있는지 확인하는 것이었습니다.

연구진은 서로 다른 정보의 출처를 분리하기 위해 정교한 실험을 설계했습니다. 첫째, 비와 위치, 시간에 대해서는 알고 있지만 컴퓨터 모델의 현재 수위는 볼 수 없도록 제한된 보정 모델을 구축했습니다. 이는 모델이 날씨와 지형만으로 얼마나 많은 것을 학습할 수 있는지 확인하기 위한 기준점 역할을 했습니다. 그다음, 시스템이 관측하는 바로 그 순간의 컴퓨터 모델의 현재 수위를 볼 수 있도록 허용했습니다. 마지막으로, 시스템에 현재 시점까지의 수위 이력을 제공하여 물이 몇 시간 동안 어떻게 상승하거나 하강했는지를 보여주었습니다. 이 다양한 버전들을 컴퓨터가 본 적 없는 홍수에 대해 테스트함으로써, 그들은 각 정보 조각이 얼마나 많은 가치를 더하는지를 정확히 측정할 수 있었습니다.

결과는 컴퓨터 모델의 현재 수위가 오류를 수정하는 데 가장 강력한 도구라는 것을 보여주었습니다. 연구진이 보정 시스템에 현재 수위를 추가했을 때, 수위 예측의 평균 오차는 약 1.63미터에서 0.67미터로 크게 감소했습니다. 이러한 개선은 테스트된 8개의 홍수 모두에서 일관되게 나타났습니다. 시스템은 모델의 현재 상태가 그 시점까지 일어난 모든 일들—내린 비, 토양에 저장된 물, 그리고 물의 흐와 방식—을 담고 있는 숨겨진 요약본이라는 것을 학습했습니다. 비록 모델의 가공되지 않은 예측값은 틀렸을지라도, 그 틀린 방식 특유의 형태가 머신러닝 시스템이 조정할 수 있는 단서를 제공한 것입니다. 이는 모델의 내부 상태가 비록 결함이 있을지라도, 단순한 기상 데이터가 제공할 수 없는 홍수의 거동에 관한 유용한 정보를 담고 있음을 시사합니다.

수위의 이력(홍수의 최근 과거)을 추가하는 것은 더 작지만 여전히 긍정적인 효과를 주었습니다. 이는 오차를 0.67미터에서 0.62미터로 더 줄였으며, 8개 중 7개의 홍수에서 예측력을 향상시켰습니다. 그러나 이 추가 정보는 현재 수위에 비해 일관성이 떨어졌습니다. 어떤 경우에는 최근의 과거를 아는 것이 도움이 되었지만, 어떤 경우에는 거의 차이가 없었습니다. 연구진은 현재의 수위가 이미 홍수의 진화 과정에 필요한 대부분의 정보를 포함하고 있기 때문에, 과거의 이력이 다소 중복된다는 것을 발견했습니다. 시스템은 과거 몇 시간 동안의 상세한 타임라인을 필요로 하지 않았으며, 현재의 수위 스냅샷만으로도 충분히 교정을 유도할 수 있었습니다.

연구진은 또한 특정 계측 위치가 훈련 데이터에 포함되지 않았을 때 이 보정법이 실제 환경에서 얼마나 잘 작동할지를 테스트했습니다. 연구진이 특정 계측기의 데이터를 훈련 세트에서 모두 제거하여 시스템이 다른 위치로부터 학습하도록 강제했을 때, 날씨와 지형에만 의존하는 보정법은 거의 완전히 실패했습니다. 그 방법은 도움 없이는 새로운 위치의 수위를 예측할 수 없었습니다. 그러나 시스템이 컴퓨터 모델의 현재 수위를 사용할 수 있게 하자, 본 적 없는 계측기에 대해서도 오차를 크게 줄이며 여전히 우수한 성능을 보였습니다. 이는 매우 중요한 발견인데, 이 보정 방법이 단순히 특정 강들의 행동을 암기하는 것이 아니라, 모델의 오류가 수위 자체와 어떻게 연관되는지에 대한 일반적인 규칙을 학습한다는 것을 의미하기 때문입니다. 이러한 어려운 사례에서 가장 큰 개선이 나타난 곳은 컴퓨터 모델의 지형도가 실제 하천 채널과 상당히 달랐던 구역이었으며, 이는 시스템이 수위를 통해 매핑 오류를 보상하는 법을 배웠음을 시사합니다.

이러한 성공에도 불구하고, 연구진은 이 방법이 할 수 없는 부분에 대해서도 주의 깊게 언급했습니다. 보정 작업이 전체적인 수위와 최고 수위를 개선하기는 했지만, 홍수의 정점(peak)이 나타나는 시기나 물이 3시간마다 오르내리는 정확한 속도까지 완벽하게 해결하지는 못했습니다. 시스템은 물이 얼마나 높이 차오를지는 알려줄 수 있었지만, 물이 정확히 언제 최고점에 도달할지를 신뢰성 있게 예측할 수는 없었습니다. 또한, 이 연구는 이미 발생한 홍수들에 국한되었습니다. 연구진은 완료된 사건들을 사용하여 시스템을 훈련시키고 테스트했으므로, 결과는 이 방법이 과거의 데이터에 대해 어떻게 작동하는지를 보여주는 것이지, 반드시 미래에 발생할 미지의 홍수에 어떻게 수행될지를 보장하는 것은 아닙니다. 사용된 컴퓨터 모델 역시 일부 하천 유입량을 누락하거나 지면 고도가 측정된 기록이 불완전한 것과 같은 알려진 한계점을 가지고 있었으며, 이는 보정 작업이 결함이 있는 토대 위에서 이루어지고 있음을 의미합니다.

결론적으로, 이 연구는 머신러닝이 모델 자체의 수위 데이터를 활용함으로써 홍수 예측을 크게 개선할 수 있지만, 모든 문제를 해결하는 마법의 해결책은 아니라고 밝히고 있습니다. 현재의 수위가 가장 크고 신뢰할 수 있는 이득을 주었으며, 수위의 이력은 작고 일관성이 낮은 혜택을 주었습니다. 이 방법은 모델의 수위가 지형에 의해 뒷받침될 때, 즉 컴퓨터가 물이 실제로 있는 곳에 물이 있다고 판단할 때 가장 잘 작동합니다. 모델이 실제로 물이 있는 곳에 물이 없다고 표시하거나, 강이 컴퓨터 격자에 매핑된 방식이 부실한 구역에서는 보정이 덜 신뢰할 수 있게 됩니다. 연구진은 이러한 종류의 사후 처리가 실시간 경보에 사용되기 전, 기초가 되는 컴퓨터 모델이 더 나은 지면 형상 데이터, 더 정확한 하천 유입량, 그리고 수위가 측정되는 방식에 대한 더 명확한 이해를 갖추어야 한다고 제안합니다. 그때까지 이 방법은 불완전한 컴퓨터 모델이라 할지라도 그 안에 담긴 가치 있는 단서들을 올바르게 읽어낸다면 홍리의 진실에 더 가까이 다가갈 수 있다는 강력한 증거로 남을 것입니다.