도시 침수는 기후변화의 영향과 강한 강우의 발생 빈도 증가로 인해 점차 심각해지고 있다. 도시가 더 조밀해지고 인프라가 더 취약해짐에 따라 도시 침수의 위험은 지속적으로 상승하고 있다. 폐쇄회로 텔레비전(CCTV), 적외선(IR) 센서, 심도 카메라와 같은 전통적 모니터링 시스템은 침수가 시작되는 시점인 임계 강우를 추정하기 위해 흔히 사용된다. 그러나 이러한 시스템은 특히 빠르게 전개되는 홍수 사건 동안 실시간 홍수 수심을 정확하게 검증하는 데에는 종종 한계가 있다. 이 문제를 해결하기 위해 본 연구는 CCTV 비디오와 소셜 미디어 비디오를 모두 활용하여 침수 수준을 탐지하고 검증하도록 설계된 딥러닝 기반 모델을 제안한다. 소셜 미디어(SNS) 비디오는 실시간의 접근 가능하고 사용자 중심의 풍부한 콘텐츠를 제공하므로, 수동 입력이나 직접적인 인간 개입 없이도 보다 역동적인 침수 모니터링이 가능하다. 제안된 모델은 실시간 객체 탐지를 위한 YOLO 모델과 의미론적 분할을 위한 U-Net 모델을 통합하여 홍수 수심, 유속, 유동 방향 및 전반적 심각도를 추정한다. 또한 모델은 비디오 내 표지판을 탐지하여 시간 및 위치와 같은 핵심 정보를 자동으로 추출할 수 있게 한다. 모델을 훈련하고 평가하기 위해 Kaggle과 다양한 공개 소셜 미디어 플랫폼에서 데이터셋을 수집하였다. 모델 성능은 수신자 조작 특성(receiver operating characteristic, ROC) 곡선과 평균제곱오차(mean squared error, MSE) 지표를 사용하여 평가하였다. 제안된 시스템은 사전에 식별된 임계 강우 값에 대해 침수 수심을 검증하는 데 적용되었으며, 정확성과 신뢰성을 모두 보여주었다. 이 접근법은 조기 경보 시스템에 유용한 데이터를 제공하고 선제적 재난 위험 관리를 지원한다. 본 모델은 AI와 사용자 생성 콘텐츠를 결합함으로써 실시간 도시 침수 모니터링 및 대응을 위한 확장 가능하고 비용 효율적인 해결책을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.