도시 침수 깊이 예측을 위한 2단계 CNN-ConvLSTM

중국 선전과 같은 고밀도 도시 지역은 불투수면이 넓어 강우 시 빠른 유출과 빈번한 침수 발생에 취약하다. 본 연구는 심각한 제로-인플레이션으로 인한 도시 침수 깊이 과소평가 문제를 해결하고자 2단계 캐스케이드 다중 스케일 CNN-ConvLSTM 네트워크(CMC-Net)를 제안한다. 제안된 CMC-Net은 먼저 Random Forest 분류기를 활용하여 0.15m 임계값을 기준으로 위험 침수 샘플을 식별한다. 이후 듀얼-브랜치 CNN-ConvLSTM이 정적 지리적 특징으로 표현되는 국지적 공간 맥락과 다중 스케일 누적 강우의 시공간적 진화를 통합하여 수심을 추정한다. 다중 스케일 컨볼루션, 채널 어텐션, 순환 공간 상호작용의 기여도를 구조적 어블레이션 분석을 통해 평가했다. 시간적으로 분리된 양성 샘플에 대한 평가 결과, 조건부 CNN-ConvLSTM은 NSE 0.6150, RMSE 0.2778m를 달성하며 다른 벤치마크 회귀 모델보다 우수했다. 특히, 실제 전체 샘플 시나리오(양성 및 음성 샘플 포함)에서는 캐스케이드 프레임워크가 NSE 0.4969, Pearson’s r 0.7996, RMSE 0.3176m, MAE 0.2523m를 기록하며 세 가지 직접 회귀 대안 모델을 능가했다. 귀인 및 어블레이션 분석 결과, 다중 스케일 강우 특징이 침수 깊이 추정에 유용한 정보를 제공하며, 정적 공간 맥락과 동적 강우 진화를 결합할 때 추정 성능이 향상됨을 확인했다. 궁극적으로 캐스케이드 전략은 심각한 클래스 불균형과 관련된 침수 깊이 과소평가 문제를 효과적으로 줄인다.