구글 AI, 하천 홍수 7일·도시 침수 24시간 전 예측

2018년 인도의 작은 실험에서 시작했어요

이 프로젝트는 처음부터 전 세계 단위는 아니었어요. 2018년 인도에서 실시간 하천 데이터를 활용한 홍수 예측 모델을 처음 시범 운영했고, 그 뒤로 데이터를 처리하는 AI 기술이 발전하면서 적용 범위를 키워왔다고 해요. 확장의 규모는 학습에 쓴 관측 지점 수로 드러나요. 초기 모델이 세계유출자료센터(GRDC)에서 받은 5,680개 지점의 유량 기록으로 학습했다면, 갱신판은 공개 데이터셋 캐러밴(Caravan)을 주로 더해 1만 5,980개 지점까지 세 배로 늘렸어요.

이런 확장이 가능했던 배경에는 지역별로 축적된 실측 데이터가 없어도 전 세계 기상·강수량·지표 조건 데이터를 끌어와 예측할 수 있게 만든 모델 구조가 있어요. 전통적인 홍수 모델은 보통 해당 지역의 과거 수위 기록으로 보정해야 했는데, 정작 경보가 가장 필요한 곳은 그런 기록 자체가 없는 경우가 많았다고 코헨 연구원은 설명해요.

모델 안에서 실제로 벌어지는 일

구글이 말하는 '모델'은 하나가 아니라 역할이 갈린 두 개예요. 수문 모델(hydrologic model)은 기상 데이터를 받아 강을 따라 물이 얼마나 흐를지를 예측하고, 침수 모델(inundation model)은 그렇게 나온 유량 값을 받아 실제로 어느 지역이 물에 잠길지를 그려요. 앞의 모델이 "강물이 얼마나 불어나는가"를 답한다면 뒤의 모델은 "그래서 내가 사는 곳이 잠기는가"를 답하는 구조예요.

수문 모델의 뼈대는 시계열을 다루는 LSTM 신경망이에요. 특이한 건 입력을 한 덩어리로 밀어 넣지 않는다는 점이에요. 기상 데이터 제품마다 별도의 임베딩 네트워크를 두고, 그 출력들을 합쳐서 LSTM에 넣어요. NASA IMERG, NOAA CPC, ECMWF ERA5-land에서 온 강수량·기온 시계열이 각각 다른 방식으로 만들어진 자료이기 때문에, 성질이 다른 입력을 각자의 통로로 받아들이겠다는 설계예요. 여기에 하이드로셰즈(HydroSheds)의 지형·토양·기후 지수 같은 유역의 고정된 속성이 더해지고, 구글 딥마인드의 중기 기상 예측 모델도 입력으로 들어가요. 학습에는 1980년부터 2023년까지의 재분석 자료를, 재예보 검증에는 2016~2023년 구간을 썼어요.

출력 형태도 눈여겨볼 만해요. 이 모델은 "내일 유량은 얼마"라는 단일 값이 아니라, 유량의 확률분포 파라미터를 내놓아요. 비대칭 라플라스 분포를 여러 개 섞은 형태(CMAL)로 예측을 표현하는데, 값 하나가 아니라 분포가 나오면 "어느 수위를 넘을 확률이 몇 퍼센트인가"를 계산할 수 있어요. 경보를 언제 울릴지는 그 분포 위에서 임계값을 어디에 두느냐의 문제가 되고요. 성능 평가에는 수문학에서 표준으로 쓰는 내시-서트클리프 효율(NSE)을 사용해요.

"5일 전 예측이 오늘 예측만큼 맞는다"의 의미

리드타임 숫자가 왜 중요한지는 비교 대상을 놓고 봐야 드러나요. 2024년 네이처에 실린 관측소 없는 유역의 극한 홍수 예측 논문에서 구글 팀은 자사 모델을 유럽의 기존 시스템 GloFAS와 맞붙였어요. 2년 재현주기 홍수 기준으로 당일 예보에서 GloFAS보다 나은 성적을 낸 관측 지점이 전체의 70%(N=3,673)였고, 5년 재현주기에서는 60%, 10년 재현주기에서는 49%였어요.

더 실감 나는 수치는 시간 축에 있어요. 논문은 AI 모델의 5일 전 예보가 1년·2년·5년 재현주기 홍수에서 GloFAS의 당일 예보보다 낫거나 통계적으로 차이가 없었다고 보고해요. 1년 재현주기에서는 AI 쪽이 유의하게 나았고, 2년 재현주기 사건에서는 차이가 사실상 0이었어요(N=2,162, P=0.98). 같은 정확도를 닷새 앞당겼다는 뜻이라, 대피와 물자 배치에 쓸 수 있는 시간이 그만큼 생긴다는 이야기예요.

그 뒤로도 리드타임은 늘었어요. 2024년 11월 갱신판은 "7일 전 예측 정확도가 이전 모델의 5일 전 정확도와 같다"고 밝혔고, 2026년 6월 오픈소스로 공개된 v2는 이전 버전 대비 신뢰할 수 있는 예측 구간을 관측소가 있는 유역에서 6일, 없는 유역에서 1일 더 늘렸다고 해요.

강이 넘치는 것과 도시가 잠기는 것은 다른 문제였어요

구글이 처음 Flood Hub를 만들었을 때는 하천이 언제 범람하는지만 예측할 수 있었어요. 하천 홍수는 전 세계에 쌓인 데이터가 방대한 반면, 도시에서 갑자기 발생하는 돌발홍수는 참고할 만한 기록이 거의 없었다고 코헨 연구원은 말해요. 그래서 도시 돌발홍수를 Flood Hub에 통합하기까지 시간이 더 걸렸다고 하고요.

도시 모델도 LSTM을 쓴다는 점은 하천 모델과 같지만, 보는 것이 달라요. 유역의 지형 대신 도시화 밀도와 토양 흡수율 같은 속성을 정적 입력으로 받고, 실시간 예보는 ECMWF의 통합예보시스템(HRES)과 구글 딥마인드 기상 모델에서 가져와요. 공간 해상도는 20×20킬로미터로, 전 세계 어디서나 구할 수 있는 데이터에 맞춰 정해진 값이에요. 적용 대상은 인구밀도가 1제곱킬로미터당 100명을 넘는 도시 지역이고요.

뉴스 기사를 데이터로 바꾸는 절차

이 공백을 메우기 위해 만든 것이 Groundsource예요. 2026년 3월 공개된 이 방식은 공개된 재해 관련 데이터, 특히 과거 뉴스 보도 같은 자료를 분석해 고품질 데이터 아카이브로 바꾸는 AI 방법론이라고 해요. 코헨 연구원의 설명으로는 제미나이가 20년치 홍수 관련 뉴스 보도 500만 건 이상을 읽어 260만 건의 과거 홍수 사건 데이터셋을 만들었어요.

구글 리서치가 공개한 방법론 설명을 보면 절차는 네 단계로 나뉘어요. 먼저 홍수가 주된 소재인 뉴스 보도를 골라내고, 구글의 'Read Aloud' 사용자 에이전트로 80개 언어의 본문에서 기사 본체만 분리해요. 그다음 클라우드 번역 API로 영어로 표준화하고, 제미나이가 세 가지 판단을 내려요.

• 분류: 실제로 일어났거나 진행 중인 홍수를 다룬 기사인지, 아니면 앞으로의 경보·정책 회의·위험 모델링을 논한 기사인지 구분해요.
• 시간 추론: "지난 화요일" 같은 상대적 표현을 기사 발행일에 걸어 사건 발생 시점을 특정해요.
• 공간 특정: 기사에 적힌 지명을 잡아내 표준 폴리곤에 매핑하는데, 이 단계에서 구글 맵스 플랫폼을 써요.

결과물은 2000년부터 현재까지, 150개국 이상, 260만 건의 사건 기록이에요. 품질 검증 수치도 같이 공개했는데 위치와 시점이 둘 다 정확한 사건이 60%, 실무 분석에 쓸 수 있을 만큼은 정확한 사건이 82%였어요. 2020년부터 2026년 사이 국제재난경보조정시스템(GDACS)에 기록된 심각한 홍수 사건 가운데 85~100%를 포착했다고도 밝혔어요.

구분	하천 홍수 예측	도시 돌발홍수 예측(Groundsource)
예측 시점	최대 7일 전	최대 24시간 전
모델 구조	기상 제품별 임베딩 + LSTM, 확률분포 출력	정적 도시 속성 + LSTM
주요 데이터	기상·강수량·지표 조건, 관측 지점 1만 5,980개	과거 뉴스 보도 등 공개 재해 기록 260만 건
공간 단위	예보 지점 약 25만 개(2024년 11월 기준)	20×20km 격자
공개 시점	2018년 인도 시범 이후 확장	2026년 3월

이 방식이 아직 못 하는 것

구글이 같이 밝힌 한계도 분명해요. 도시 예측의 20×20킬로미터 해상도는 "우리 동네 저지대"를 짚어 주는 크기가 아니라 도시 단위 경보에 가까워요. 정확도 수치에도 단서가 붙어요. 구글은 보도되지 않은 실제 홍수가 존재하기 때문에 맞은 경보가 오탐으로 분류될 수 있고, 그래서 공개한 정밀도 수치는 실제보다 낮게 잡힌 값일 가능성이 높다고 설명해요. 반대로 말하면 검증의 기준선 자체가 뉴스 보도라는 뜻이기도 해요.

지역별 편차도 남아 있어요. 아프리카의 상당수 국가는 Groundsource 외에 대조할 지상 검증 자료가 부족해 모델 정확도를 추정하는 것 자체가 어렵고, 지상 검증 사건이 10건 미만인 나라는 성능 보고에서 아예 빠졌어요. 구글은 비교 기준선으로 미국 국립기상청(NWS)의 돌발홍수 경보를 같은 20×20킬로미터·24시간 기준에 맞춰 다시 계산해 재현율 22%·정밀도 44%라는 수치를 제시했는데, 이 값 역시 같은 이유로 과소평가된 수치라고 함께 적어 뒀어요.

지금 확인할 수 있는 경로

이 예측 결과는 몇 가지 창구로 공개돼 있어요. 우선 Flood Hub 페이지에서 전 세계 기상 데이터를 바탕으로 만든 예측 경보를 지도 형태로 볼 수 있고, 같은 예측이 구글 검색에서 지역 홍수를 검색할 때도 함께 나타난다고 해요. 개인 사용자뿐 아니라 구호·재난 대응 조직을 위한 창구도 따로 있는데, Floods API를 통해 예측 데이터를 받아 심각한 홍수가 닥치기 전에 미리 경보하고 지원을 준비할 수 있게 했다고 해요. 코헨 연구원은 이 API를 쓴 사례로 기부 단체 기브다이렉틀리를 들었어요. 지난해 나이지리아 코기주에서 물이 실제로 불어나기 전에 현금을 전달했는데, 기브다이렉틀리가 확인한 결과 수령 가구의 소득이 두 배 넘게 늘고 식량 불안정은 90% 줄었으며 93%가 다음 홍수에 더 대비됐다고 답했다고 해요.

직접 모델을 뜯어보고 싶다면 코드가 공개돼 있어요. 구글은 2026년 6월 수문 모델링 프레임워크를 오픈소스로 공개했는데, 아파치 2.0 라이선스로 깃허브에 올라간 파이토치 패키지예요. 2024년 벤치마킹 논문에 쓴 원본 모델과 현재 Flood Hub가 돌리는 v2 두 버전, 과거 하천 데이터로 학습시키는 파이프라인, 튜토리얼 노트북이 함께 들어 있고, 학습 데이터는 공개 데이터셋 캐러밴을 써요. 각국 기상·수문 기관이 자기 데이터를 밖으로 내보내지 않고도 AI 홍수 예보를 기존 업무 흐름에 붙일 수 있게 하려는 목적이라고 밝혔어요.

에디터의 시선

이 발표를 기능 하나로만 보면 놓치는 지점이 있어요. 구글이 정작 자랑하는 건 예측 정확도 숫자가 아니라 "데이터가 없는 곳에서도 예측한다"는 부분이에요. 홍수 경보가 가장 절실한 지역은 대개 관측소도, 과거 수위 기록도 부족한 저소득 국가나 농촌 지역이거든요. 전통적인 수문 모델이 지역별 실측 데이터로 보정해야 했던 반면, 이번 접근은 전 세계 데이터를 학습한 모델이 데이터가 빈 지역까지 채워 넣는 방식이라 애초에 설계 철학이 달라요.

Groundsource가 뉴스 보도 같은 비정형 공개 기록을 데이터 소스로 삼았다는 점도 눈여겨볼 만해요. 기상 관측 인프라를 새로 까는 대신 이미 존재하는 텍스트 기록을 재활용해 데이터 공백을 메우는 접근인데, 이런 방식은 홍수뿐 아니라 산사태나 폭염처럼 지역별 계측 인프라가 부실한 다른 재난 예측으로도 확장할 여지가 있어 보여요. 다만 뉴스가 데이터의 원천이라는 건 언론이 잘 다루지 않는 지역과 사건은 데이터에서도 옅어진다는 뜻이라, 보도량의 편차가 그대로 모델의 편차로 넘어올 수 있다는 점은 같이 봐야 해요.

국내 관점에서 보면 이 도구 자체보다 접근 방식이 참고할 지점이에요. 재난 대응 기관이나 지자체가 자체 센서망을 다 갖추지 못한 지역에서도, 공개된 기상·뉴스 데이터를 재료 삼아 예측 모델을 세울 수 있다는 사례이기 때문이에요. 특히 오픈소스로 공개된 수문 모델링 프레임워크는 국내 연구팀이 직접 뜯어보고 국지적 조건에 맞게 손볼 수 있는 출발점이 될 수 있어요. 아파치 2.0이라 상업적 활용에도 제약이 적고, 캐러밴처럼 자기 데이터를 얹을 수 있는 구조라는 점도 실무적으로는 크게 작용해요.

앞으로 몇 달 안에는 이 팀이 언급한 대로 폭염이나 산사태 같은 다른 자연재해로 예측 범위를 넓히는 후속 발표가 나올 가능성이 높아요. 데이터가 부족한 지역에서 시작해 예측 모델을 세우는 방식 자체가 검증됐다면, 다음 재해 유형에 적용하는 건 방법론 재사용에 가깝기 때문이에요.