인공지능(AI) 알고리즘으로 오대호의 수위를 예측하고 변동 원인과 시차까지 분석한 연구 결과가 공개됐다. 더컨버세이션은 10월 7일 1982~2022년 자료를 활용한 연구를 소개했다.
40년 자료로 수위 변동 분석
연구진은 슈피리어호(Lake Superior), 미시간호(Lake Michigan), 이리호(Lake Erie), 온타리오호(Lake Ontario)의 월별 수위와 기온, 유입량 등 9개 변수를 바탕으로 8개 알고리즘을 학습시켰다. 각 변수는 해당 월뿐 아니라 최대 6개월 전의 값까지 포함했다. 성능이 가장 좋았던 알고리즘 4개의 오차는 약 12㎝로, 단순 모델의 오차인 14~21㎝보다 작았다.
기존 수문학에서는 강수·유입량을 더하고 증발·유출량을 빼 수위를 계산하는 물수지 접근법을 주로 썼다. 엄밀한 계산이 가능하지만, 많은 보정 작업이 필요하고 이례적인 기후 변화를 정확히 반영하기 어렵다는 한계가 있다. 머신러닝은 장기간의 자료에서 패턴을 찾아 예측 정확도를 높일 수 있지만, 결과가 나온 이유를 설명하기 어렵다. 댐 운영이나 침수 위험 지역 설정에 활용하려면 예측뿐 아니라 원인 파악도 필요하다.
계절을 앞서 반영하는 호수 수위
연구진은 변수별 기여도를 나누는 샤플리 가산 설명(SHAP)과 입력값을 바꿨을 때 영향이 시간에 따라 어떻게 달라지는지 보는 VARS 분석을 함께 사용했다. 분석 결과 호수 수위는 직전 날씨보다 앞선 계절의 기상 조건에 크게 좌우됐다. 변수의 영향은 시간이 지나며 줄어들 것이라는 예상과 달리, 3~4개월 뒤 더 커지는 양상도 나타났다. 이에 따라 여름철 수위 예측에는 그해 겨울에 내린 눈이 중요한 정보가 될 수 있다고 연구진은 설명했다.
호수별로 수위를 좌우하는 요인도 달랐다. 슈피리어호와 미시간호는 눈 녹은 물의 유출과 호수 밖으로 나가는 물의 양에 영향을 받았고, 얕은 이리호는 디트로이트강을 통한 상류 유입량의 영향이 컸다. 온타리오호에서는 증발의 영향이 두드러졌다. 같은 변수와 분석법을 적용해도 호수마다 다른 결과가 나온 셈이다.
온타리오호의 예측 오차는 예상보다 50% 넘게 컸다. 연구진은 모지스-손더스 발전댐(Moses-Saunders Power Dam)의 방류량이 일별 운영 결정에 따라 달라지지만, 모델에는 월평균값으로 입력돼 결정 과정이 사라지는 점을 원인으로 들었다. 기후 조건만으로 설명되지 않는 인위적 방류가 발생하면 모델은 수위 하락의 원인을 변수에서 찾지 못해 예측을 틀릴 수 있다는 것이다. 연구진은 댐 운영 규칙도 강수나 적설량처럼 모델에 제공해야 한다고 제안했다. 기사에서는 이 접근법이 오대호와 지표수 이외에도 적용될 가능성을 언급했으나, 구체적인 적용 일정이나 계획은 제시하지 않았다.