서울시, AI 기반 수방통합시스템 통해
실시간 모니터링 기반 침수대응 확대해야
기후위기 대응 가능한 새로운 패러다임의 침수대응 방안 마련 시급
기후변화의 가속화로 인해 자연재해의 발생 빈도와 강도가 점차 증가하는 기후위기에 직면하고 있다. 자연재해 중 홍수, 태풍에 의한 홍수 재해가 심각한 수준이 이르렀지만 기후위기에 대응하기 위한 방재시스템 성능은 기후변화의 속도를 따라가지 못하고 있다. 심각한 침수 피해는 대부분 기존의 방재시스템 성능(방재성능목표)을 크게 초과하는 극한 홍수에서 발생하고 있어 방재성능목표를 확보하더라도 침수 재해로부터 안전을 담보할 수 없는 상황이다. 하지만 여전히 방재성능목표을 초과하는 극한 홍수에 안전하게 대응 및 관리할 수 있는 대책 마련은 미흡한 실정이다. 앞으로 방재성능목표를 초과하는 극한 홍수의 발생 빈도가 더욱 증가할 것으로 예상되고 있어 기후위기에 대응 가능한 새로운 패러다임의 침수대응 방안 마련이 시급하다.
이에 서울시는 신속한 침수대응과 대피 골든타임 확보를 목표로, 사물인터넷(IoT) 감지 기술과 인공지능 기술을 이용해 침수 상황을 감지 및 예측하고 위험상황을 문자메시지 등으로 실시간 전파할 수 있는 ‘AI 기반 수방통합시스템’을 2030년까지 구축하는 계획을 발표하였다. 이 시스템은 재난 발생 시 시민들에게 실시간 정보를 제공하여, 신속한 대피를 가능하게 하는 중요한 역할을 할 수 있다.
서울연구원, 딥러닝 영상처리 기술 활용 실시간 침수심 분석 기술 개발
최근 서울연구원(2023)은 기존의 센서 기반의 모니터링 방식이 아닌 AI 딥러닝 기반 영상처리 기술을 활용해 침수 발생 여부뿐만 아니라, 침수 정도(침수 깊이)를 평가할 수 있는 기술을 개발하였다. 개발된 기술은 AI 딥러닝 모델을 이용해 도로침수 영상 혹은 이미지 정보에서 자동차(승용차, 버스 등)를 탐지하고 해당 자동차의 침수 정도를 자동차의 타이어 규격 정보를 이용해 자동차 주행 여부와 도로통제 여부, 침수위험도에 따라 설정된 5단계 레벨(▴노면이 젖어 있는 수준 혹은 비강우 상태인 레벨-0, ▴바닥면에서 타이어 림 하단부까지의 높이로 노면수 유출이 시작된 단계인 레벨-1, ▴노면수에 의해 침수가 시작되어 타이어 림 하단부에서 림 중앙까지 잠기는 깊이인 레벨-2, ▴타이어 림 중앙에서 림 상단부 높이까지 잠기는 깊이로 노면이 침수된 상태인 레벨-3, ▴타이어 림 상단부를 초과하여 노면이 완전히 침수된 깊이인 레벨-4)로 구분하여 분석한다. 개발된 침수심 분석 딥러닝 모델은 약 96%의 정확도로 CCTV 영상 및 이미지에서 도로의 침수 상태를 거의 실시간으로 분석할 수 있는 것으로 나타났다.
그러나 개발된 기술은 AI 기반 수방통합시스템에 활용할 수 있는 요소 기술의 개발과 그 적용 가능성에 대해서만 검토된 단계에 그치고 있어, 수천 개의 CCTV 영상으로부터 침수 상태를 분석해 침수 정도를 실시간으로 감지하여 침수 발생 시 시민이 대피할 수 있는 골든타임 확보를 위한 실시간 침수 모니터링 시스템으로 활용되기 위해서는 침수심 분석 딥러닝 알고리즘의 처리 속도를 개선하고, 실제 운영 중인 CCTV 관제 시스템과 연계한 적용성과 성능 검증이 필수이다.
딥러닝 기반 실시간 침수심 모니터링 기술 고도화･실증 실시
본 연구에서는 현재 서울시가 추진하고 있는 AI 기반 수방통합시스템으로 활용가능한 수준의 침수 모니터링 기술로 개발하기 위해 2023년 개발된 딥러닝 기반 침수심 분석 기술을 고도화하고 현장 실증을 실시하였다.
우선, 딥러닝 침수심 분석 모델의 일반화 정확도 향상을 위해 다양한 방식을 통해 학습 이미지를 추가적으로 확보하여 데이터베이스를 구축하고, 데이터 전처리 과정을 개선하여 학습 이미지의 다양성을 증대시켰다. 현재 서울시 자치구에서 운영하는 CCTV 관제 시스템 영상은 저장 기간이 짧고, 침수 발생 등 재난 상황 영상을 별도로 저장하고 있지 않아 다양한 침수 상황에 대한 학습 자료 확보에 어려움이 있다. 이를 위해 CCTV 설치를 통한 학습 자료 수집, 생성형 모델을 통한 학습 자료 생성, 웹 크롤링을 통한 이미지 수집 등 다양한 방법을 통해 학습 이미지를 추가적으로 확보하였다. 그리고 데이터 증강 기법을 활용하여 회전, 크기 조정, 색상 변화 등의 방법으로 샘플의 다양성을 확보하였으며, 학습 자료를 분리하여 훈련 및 검증 자료를 재구축하였다. 또한 침수심 분석 알고리즘의 성능을 개선하기 위해 최신 버전의 딥러닝 모델인 YOLOv10 프레임워크를 적용하였다. 2024년 5월에 공개된 YOLOv10 프레임워크는 YOLO 모델의 계산적 효율성과 탐지 성능을 유지하면서 추론 속도를 크게 향상한 버전으로 평가 받고 있다. 기존 침수심 분석 모델에 적용한 YOLOv8 프레임워크에 비해 분석 시 지체시간(Latency)이 1/2 가량 줄어들어 실시간 CCTV 영상 분석 적용 시 영상이 끊기는 현상이 크게 감소하였다.
고도화된 침수심 분석 기술을 모니터링 실무에 활용 가능하도록 침수심 모니터링 플랫폼을 구축하였다. 침수심 모니터링 실무에 필요한 기능 중심으로 사용자 인터페이스(UI)를 구현하였고, ROI(Region of Interest) 설정 기능을 통해 특정 영역에 대한 분석을 용이하게 하였다. 또한 다중 지점의 CCTV 영상과 침수심 분석 모듈이 동시에 연계되어 구동되도록 설계하여 실시간으로 다중 지점 침수 상황을 모니터링하고 기록할 수 있도록 하였다. 강남구청과 협의를 통해 2022년 집중호우로 인해 비교적 큰 침수 피해 발생 지역인 대치역 사거리, 선정릉 입구 등 2개 지점을 선정하여 실시간 침수심 모니터링 플랫폼을 시범 운영하였다. 현재 강남구청 CCTV 관제센터에서 운영 중인 CCTV 영상과 침수심 모니터링 플랫폼을 연계하여, 강남구청 재난안전상황실(치수과) 내에 모니터링 전용 장비를 통해 실시간 침수심 정보를 담당자에게 제공하였다. 시범 운영은 수방 기간 중 강우량이 많을 것으로 예측된 7월 9일부터 8월 9일까지 한 달간 매일 24시간 모니터링을 실시하여 침수심 분석 모델의 정확도를 검증하고 모니터링 플랫폼 구동 시 발생한 오류를 개선하였다.