본 연구에서는 딥러닝 모델인 Long Short-Term Memory (LSTM)를 통해 해안 지역의 대류권 습윤 지연을 추정하고 분석한다. 연구에서 사용된 LSTM은 다양한 머신러닝 모델 중에서도 시계열 데이터에 효과적인 모델로 알려져 있다. 추정 대상인 대류권 습윤 지연은 Global Navigation Satellite System (GNSS)을 통해 위치를 결정할 때 발생하는 오차 중 하나인 대류권 지연에서 경험적 모델로 추정 가능한 건조 지연을 뺀 값이다. 습윤 지연은 대류권 지연의 약 10%를 차지하지만 건조 지연과 달리 시간에 따른 변화가 큰 수증기의 영향으로 인해 추정 시 많은 오차가 포함된다. 해안 지역의 경우 내륙 지역보 다 대류권 지연이 큰 편이며, 날씨와 습윤 요소에 영향을 많이 받는다. 이러한 해안 지역의 데이터를 이용한 딥러닝 모델을 활용하여 대류권 습윤 지연 추정이 어느 정도 수준으로 산출 가능한지 확인하 고 추후 해상에서 습득한 데이터의 활용에 대한 가능성을 제시한다. 모델 학습에 사용한 데이터는 동해안에 위치한 강릉(KANR), 동해(DONH), 울진(WULJ) 상시관측소 데이터를 후처리하여 산출한 대류 권 지연 데이터와 상시관측소 인근에 위치한 기상 관측소에서 측정한 온도, 수증기압 데이터이다. 추정 정확도는 학습에 사용되지 않은 기상 데이터를 모델에 입력하여 원 데이터와의 차이를 Root Mean Squared Error (RMSE)로 나타냈다.

Estimation of Zenith Wet Delay in Coastal Areas Using LSTM

Soo-Hyeon Lim, Tae-Suk Bae*

We estimate and analyze the zenith wet delay (ZWD) in the coastal areas using Long Short-Term Memory (LSTM). The LSTM is known to be an effective model for time series data among various machine learning models. Tropospheric delay is one of the errors that occurs when determining coordinates through the Global Navigation Satellite System (GNSS). The Tropospheric delay consists of the hydrostatic delay and the wet delay. The ZWD is the value obtained by subtracting the zenith hydrostatic delay (ZHD) that can be estimated by the empirical model from zenith total delay (ZTD). The ZWD accounts for about 10% of the ZTD, but the estimation contains a large amount of error due to the influence of water vapor, which changes with time. In the case of coastal regions, the ZTD is larger than in inland regions, and it is highly influenced by weather and wetness factors. Using a deep learning model that trained data from coastal regions, we check how much ZWD can be calculated, and suggest the possibility of using data acquired from marine vessels in the future. The data used for model training include ZWD data calculated by post-processing data from three Continuously Operation Reference Station (CORS) located on the east coast of Korea, and temperature and water vapor pressure (WVP) data measured at the climate stations located near the CORS. As a measure of estimation accuracy, the difference from the original data was expressed as Root Mean Squared Error (RMSE) by inputting climate data not used for learning into the model.

Keywords: LSTM, deep learning, zenith wet delay, coastal areas

Speaker 임수현 세종대학교