AI와 물 관리

AI와 물의 미래
AI는 영상 편집이나 자율주행만의 기술이 아니다. 물 관리 또한 AI가 활약할 영역이다. 이 책은 기후 위기로 심화되는 물 문제에 대응하기 위해, AI가 수자원 관측, 예측, 관리, 복원에 어떻게 활용되고 있는지 탐색한다. 찻잔 속 소용돌이에서부터 해양, 빙하, 강수량까지, AI는 복잡한 유체 흐름을 정밀하게 분석하고 미래를 예측한다. 글로벌 빅테크 기업들이 AI로 물 문제에 접근하는 전략과, 지역 맞춤형 대응을 위한 기술·정책적 조건들도 소개된다. 특히 딥러닝, 드론, IoT, 위성 데이터를 활용한 구체 사례를 통해, AI가 어떻게 효율적이고 지속 가능한 물 순환 체계를 구축할 수 있는지를 제시한다. 물의 흐름처럼 유동적인 위기에 맞서기 위한 AI의 가능성을 알고 싶은 독자에게 유익한 지식을 담았다.

AI는 기후 위기와 물 문제 해결에 중요한 역할을 한다. 수자원 관측, 예측, 관리에 AI가 어떻게 활용되는지를 다양한 사례와 함께 설명하며, 지속 가능한 물 관리의 미래를 제시한다.

김성훈
KAIST에서 건설환경공학을 공부하고 동 대학원에서 수자원 관리와 환경공학 분야 슈퍼컴퓨팅 기반 물 관리 시뮬레이션 분야를 전공했다. KAIST 건설및환경공학과 및 충남대학교 토목공학과 겸임교수를 역임했으며, GS건설 기술연구소에서 물 관리 과제를 수행했다. 애리조나주립대학교 방문 연구원으로서 지역의 물 부족 문제를 해결하기 위한 연구를 수행한 바 있다. 행정안전부의 민관합동 기후재난대응전문가협의체 위원 활동 및 환경부의 물 관리디지털트윈구축기획 자문위원 등으로 활동했다. 2021년 이후 한국수자원공사 연구원에서 AI연구센터장으로 재임하며 물 재난, 수질 관리 및 물 관리 인프라의 안전 문제 등에 AI를 접목하는 연구 활동을 활발히 수행 중이다.

AI 기술 진화와 지속 가능한 물 관리의 교차점

01 글로벌 물 문제와 AI, 그리고 기업들
02 AI와 물 재난의 예측과 대응
03 물 관리 AI와 다양한 데이터의 융합
04 AI와 먹는 물, 그리고 수원 관리
05 AI와 도시의 물
06 AI와 물 서비스
07 AI와 물 관련 사회간접자본
08 물 관리 AI의 법제화와 안전성
09 AI의 불확실성과 데이터의 해석
10 AI와 물 관리의 미래상

네덜란드의 델타레스(Deltares)는 AI를 활용하여 물 관리를 위한 국가나 지역단위의 영역을 식별하고 분류하며, 실시간으로 글로벌 물 정보를 생성한다. Global Water Watch라는 플랫폼을 통해 저수지 저장량, 관개용수 적절성, 상류 국가의 수자원 관리 등의 정보를 제공하며, 기존의 수학적 시뮬레이션 모델과 AI를 융합, 해안 수역의 변화나 제방과 하구 둑 같은 구조물의 반응을 예측한다. 또한, 물 재난 예측 조기경보 플랫폼(Delft­FEWS)을 구현하여 도시계획에서부터 가뭄 해결까지 다양한 물 관리 도구를 제공한다. 특히 AI 시스템을 활용해 다국어 필기 데이터를 처리하고 체계화하는 기술을 접목한 다양한 데이터 수집의 효율성을 높였다.
－01_“글로벌 물 문제와 AI, 그리고 기업들” 중에서

유럽 우주국(ESA)의 Sentinel 위성, SMOS 위성, Meteosat 위성 등도 가뭄 감시에 중요한 데이터를 제공하며, 이러한 데이터는 지하수 분석과 연계되어 더욱 효과적인 가뭄 분석을 가능하게 한다. ESA의 Sentinel-1 위성은 레이더를 사용하여 날씨에 관계없이 지표면을 관측할 수 있으며, AI 기반 영상 분석 기법을 통해 토양 습도 변화를 정밀하게 추출할 수 있다. 토양 습도는 지하수와 밀접한 관련이 있으므로, Sentinel-1 데이터를 통해 지하수 함양(지하로 물이 스며드는 현상) 및 고갈 과정을 추정할 수 있다. 특히, 영상 속 픽셀들의 특징을 분석하는 데 효과적인 컨볼루션 신경망(CNN)과 같은 딥 러닝 모델을 활용하여 토양 습도를 더욱 정확하게 측정할 수 있다.
－03_“물 관리 AI와 다양한 데이터의 융합” 중에서

리빙랩은 사용자, 지자체, 기업, 연구기관 등 다양한 이해관계자들이 참여하여 공동의 목표를 설정하고 문제 해결을 위해 협력하는 플랫폼이다. 각 이해관계자는 리빙랩에서 자신의 의견을 개진하고, 다른 이해관계자들과 상호작용하며 문제 해결을 위한 최적의 방안을 모색한다. 리빙랩에서 수집된 데이터와 이해관계자들의 의견은 과학적이고 효율적인 의사 결정을 지원하는 데 활용된다. 리빙랩은 실제 환경에서 다양한 실험과 검증을 수행함으로써 정책 입안자들에게 정확하고 신뢰할 수 있는 정보를 제공한다. 또한, 시민들의 의견을 직접 수렴하고 반영함으로써 정책의 수용성을 높이고 효과적인 정책 실행을 가능하게 한다.
－06_“AI와 물 서비스” 중에서

AI 모델 개발 과정에서 사용되는 학습이란 결국 실제값과 참값의 예측을 줄여가는 과정으로서, 오류 지표를 적절하게 선택해야 한다. 예를 들어, 평균 절대 오차(MAE)는 평균 제곱근 오차(RMSE)에 비해 이상치에 덜 민감하게 반응한다는 장점이 있다. MAE는 오차의 절대값을 평균 낸 값으로, 오차의 크기를 직관적으로 이해할 수 있도록 한다. 반면 RMSE는 오차의 제곱을 평균 낸 값에 루트를 씌운 것으로, 큰 오차에 더 큰 가중치를 부여한다. 홍수 수위의 예측의 경우, 최대의 수위가 제방을 넘느냐 넘지 않느냐가 가장 중요한 가치이므로 큰 오차가 발생하는 것을 지양해야 한다. 한편, 낮은 수위에서 발생하는 상대적으로 작은 오차는 덜 중요하다. 따라서 이런 경우에는 평균 절대 오차 지표보다는 평균 제곱근 오차 지표를 쓰는 것이 바람직하다. 많은 재난관련 AI 분석이나, 민감한 수질 예측의 경우에는 많은 경우 제곱근 오차를 쓰게 된다.
－09_“AI의 불확실성과 데이터의 해석” 중에서