기후 변화로 인한 홍수 예측을 위해 그래프 신경망(GNN)을 활용하는 연구가 진행되고 있으나, 강 네트워크의 나무 구조적 특성으로 인해 노드 간 저항 거리가 커지면서 정보 손실이 발생하는 문제가 존재한다. 본 연구는 이러한 한계를 해결하기 위해 도달 가능성 기반 그래프 변환을 통해 강 네트워크의 위상적 연결성을 강화하여 저항 거리를 줄이는 방법을 제시한다. 실험 결과, 변환된 GNN은 극한 홍수 예측에서 EA-LSTM보다 우수한 성능을 보였으며, 24시간 수위 예측 정확도가 EA-LSTM의 14시간 예측 정확도와 동일하여 장기 예측 범위가 71% 향상되었다. 이는 강의 계층적 가지 구조를 따라 흐름 역학을 유지하면서, GNN이 드문 홍수 사건에 중요한 원거리 노드 간 상호 작용을 포착할 수 있게 해준다. 본 연구의 위상적 혁신은 강 네트워크 구조와 GNN 모델링 간의 간극을 해소하여 조기 경보 시스템을 위한 확장 가능한 프레임워크를 제공한다.
