대도시 홍수를 위한 AI 기반 디지털 트윈을 향하여: 천수 방정식 (Shallow Water Equations)의 조건부 잠재 역학 네트워크

AI 기반 홍수 디지털 트윈 (Digital Twins)은 앙상블 예보 (Ensemble Forecasting) 및 관측 동화 (Observation Assimilation)를 위해 빠른 수리 역학 대리 모델 (Hydrodynamic Surrogates)을 필요로 합니다. 그러나 GPU 가속을 지원하는 2차원 천수 방정식 (Shallow Water Equation, SWE) 솔버조차도 약 420만 개의 활성 셀을 가진 대도시 유역(30m 해상도의 Des Plaines River 유역)에서 96시간 실행 시 약 55분이 소요되며, 이는 네이티브 해상도에서 이러한 작업 부하를 수행하는 것을 불가능하게 만듭니다. 본 논문에서는 강우에 의해 구동되는 저차원 잠재 신경 상미분 방정식 (Latent Neural ODE)인 Conditional Latent Dynamics Network (CLDNet)를 제시합니다. 이는 정적 지형(고도, 경사, Manning 조도 계수)을 조건으로 하는 좌표 기반 디코더 (Coordinate-based Decoder)와 결합되어 임의의 쿼리 지점에서 수심과 유량을 재구성합니다. 점 단위 디코딩 (Pointwise Decoding)은 메모리를 격자 크기(Grid Size)로부터 분리하고 불규칙한 유역을 네이티브하게 처리하여, 단일 컴퓨팅 노드에서 대도시 규모의 학습을 가능하게 하고 래스터 스냅 (Raster Snapping) 없이 정확한 관측소 좌표에서 직접 쿼리할 수 있게 합니다. 우리는 250,000개 셀 규모의 합성 Texas 벤치마크와 114개의 실제 강우 Stage IV 폭풍을 포함하는 새로운 Des Plaines 사례 연구를 통해 CLDNet을 평가했습니다. 참조 시뮬레이터는 2013년 4월 기록적인 홍수 당시의 United States Geological Survey (USGS) 관측소 데이터와 비교하여 검증되었습니다 (평균 중심화된 수면 고도에 대해 Nash--Sutcliffe 효율성 0.57--0.94 달성). CLDNet은 조건부 없는 베이스라인 (Unconditional Baseline)의 상대적 평균 제곱근 오차 (Relative Root-Mean-Squared Error)를 대략 절반으로 줄였으며, Texas 벤치마크에서 일반 격자 기반 VAE--ConvLSTM 및 FNO 베이스라인(둘 다 데카르트 격자를 전제로 하며 불규칙한 Des Plaines 유역에는 적용할 수 없음)보다 우수한 성능을 보였습니다. 또한 0.5m 침수 임계값에서 약 86%의 임계 성공 지수 (Critical Success Index)를 달성하였으며, 유역 전체에 대한 96시간 전체 예보를 약 29초 만에 생성하여 약 115배의 속도 향상을 기록했습니다.