GIDPC.그린인프라방재센터
프로젝트
R&D · 최적화공간 최적화 · LID

서초구 투수포장 AI 공간 최적화 (XGBoost + NSGA-II + SHAP)

10년 빈도 설계호우 기준, 투수포장 18개 소유역 100% 적용은 유출을 24.8% 저감하지만 첫 30%에서 그 효과의 73%가 달성됨을 확인했습니다.

Year
2026
Client
R&D 자체과제
Status
심사 중 (Climate Risk Management)
Stack
pySWMM · XGBoost · NSGA-II · SHAP · OSM · Copernicus DEM

배경

도시화는 불투수면을 확대해 도심 우수재해를 가속화합니다. 투수포장은 효과가 입증된 LID 시설이지만 — 어디에, 얼마나 깔아야 비용-효과적인가는 별개의 문제입니다.

접근 방법

  • OSM + Copernicus DEM 자동 처리로 서초구 18개 소유역의 EPA SWMM 모형 구축
  • 0–100% coverage 시나리오 별 10년 빈도 설계호우 시뮬레이션
  • 계산비용을 줄이기 위해 XGBoost 서로게이트 (R² = 0.79) 학습
  • NSGA-II 다목적 최적화 로 유출 저감 vs 설치 면적 Pareto front 도출
  • SHAP 으로 소유역별 영향력 정량화

핵심 결과

| 지표 | 값 | |---|---| | 기준 유출량 (baseline) | 614,298 m³ | | 100% coverage 시 유출 저감 | 24.8% | | 첫 30% coverage가 전체 효과 중 차지하는 비중 | 73% | | 비용-효과 최적 구간 | 30–50% | | Pareto front 유출 저감 범위 | 14.7–22.7% | | Pareto front 설치 면적 범위 | 3.8–63.5% | | SHAP 최대 영향 소유역 | 내곡동 (집수면적) |

시사점

  • 투수포장 효과는 강한 수확체감 패턴을 보입니다 — "더 깔수록 더 좋다"가 아닌 "30–50% 구간이 최적"이라는 명확한 계획 메시지.
  • 단순 면적 비례가 아닌 소유역별 영향 차등 이 존재하며, SHAP으로 우선 투자 지점을 식별할 수 있습니다.
  • 본 워크플로는 재현 가능·확장 가능·해석 가능한 LID 공간 최적화 방법론입니다.

관련 솔루션

  • 그린인프라 공간 배치 최적화 — 본 프로젝트의 핵심 워크플로
  • 우수 재해 분석 (SWMM · Neural ODE) — 입력 시뮬레이션의 토대