레이블은 심층 학습(deep learning) 분할 모델의 학습과 평가 모두에서 핵심적인 역할을 하지만, 클래스 경계에서 불일치하거나 노이즈가 많거나 모호한 경우가 빈번하다. 약한 레이블로 모델을 학습시키는 다양한 접근법이 개발되어 왔으나, 신뢰할 수 없는 레이블에서 모델을 평가하는 방법은 현재까지 거의 존재하지 않는다. 이에 본 논문은 "적응형 해상도 레이블 집계(Adaptive Resolution Label Aggregation)", 즉 "ARLA"라는 방법을 소개한다. ARLA는 평가 지표를 계산하기 전에 추론(inference) 시점에서 레이블과 모델 예측의 해상도를 동적으로 조정한다. 본 논문에서는 실제 홍수 예측 모델에 ARLA를 적용한 실용적 사례를 통해 모델 동작을 더 잘 분석하는 방법을 제시하며, ARLA가 산림 지역의 레이블 불일치 문제와 짙은 구름이 낀 지역 내 레이블 오류를 극복할 수 있음을 보인다. 본 연구는 집계된 해상도를 레이블의 정밀도(precision) 또는 레이블 노이즈 수준에 맞게 조정할 수 있는 매개변수를 갖춘 분할 모델 평가의 새로운 접근법을 제시한다. 근본적으로 ARLA는 레이블이 내포한 정보를 활용하면서 레이블 오류를 최소화함으로써, 노이즈로부터 모델의 실제 성능에 대한 더 명확한 신호를 추출한다.
정확하고 확장 가능한 홍수 매핑은 제한된 지상 관측, 이질적인 지형 조건, 그리고 데이터 기반 모델 내에서 유체역학적 일관성을 강제하기 어렵다는 점으로 인해 여전히 어려운 과제이다. 본 연구는 다중 모달 원격 탐사(Sentinel-1 SAR, Sentinel-2 광학 영상, DEM 기반 지형 특징)를 깊이 평균 천해수 방정식(SWE)의 제약과 통합하는 물리 유도 심층 학습 프레임워크를 제안한다. 제안된 하이브리드 아키텍처는 세밀한 공간적 세부를 포착하기 위한 UNet과 유역 규모 수리학적 상호작용을 모델링하기 위한 Fourier Neural Operator(FNO)를 결합하며, 물리 정보 잔차 손실이 질량 및 모멘텀 일관성을 보장한다. 다양한 범람원 환경에서 평가한 결과, 하이브리드 모델은 침수 범위 예측에서 Intersection over Union(IoU) 0.82와 F1 점수 0.90을 달성하여 UNet 단독 및 FNO 단독 기준선을 능가했다. 유체역학 시뮬레이션을 참조 데이터로 사용할 때, 모델은 수심에 대해 RMSE 0.21 m, 유속에 대해 0.15 m/s의 RMSE를 달성했다. 물리적 일관성은 유지되며, 잔차가 낮고 질량 불균형은 2.1% 미만이다. 절제 연구(ablation study)는 물리 기반 정규화를 제거하면 성능이 크게 저하됨을 확인하여, 안정성과 일반화를 위한 물리적 제약의 가치를 강조한다. 이러한 결과는 유체역학 원리를 심층 학습에 내재화하면 더 정확하고 신뢰할 수 있으며 물리적으로 일관된 홍수 예측을 얻을 수 있음을 보여 주며, 운영 모니터링 및 대규모 배포에 큰 잠재력을 제공한다.