Global Navigation Satellite System (GNSS) 정밀측위 시 대류층에 의한 신호지연은 주요 오차 요인으로, 정확도가 높은 예측값을 사용하면 위치해 필터링 성능을 높일 수 있다. Long Short-Term Memory (LSTM) 머신러닝 모델로 대류층 습윤지연을 예측하는 기법을 개발하였는데, GNSS 지상국의 온도, 압력 등 기상관측값을 입력데이터로 사용하여 대류층 습윤지연값을 예측하는 방법이다. 한국천문연구원의 상 시관측 소에서 수집한 장기간 기상데이터를 이용하여 LSTM 모델을 학습시킨 뒤, 예측한 대류층 습윤지연값과 Precise Point Positioning (PPP)를 이용하여 추정한 습윤지연값을 비교하였다.

Prediction of GNSS Tropospheric Delay by a LSTM Model

Soyoon Yoon, Yongrae Kim, Heeseob Kim, Jeongrae Kim*

In global navigation satellite system (GNSS) precise positioning, signal delay caused by the troposphere is a major source of error, and using highly accurate predicted tropospheric values can improve positioning filtering performance. A method was developed to predict tropospheric wet delay using the artificial intelligence model Long Short-Term Memory (LSTM). This method predicts tropospheric wet delay values by using meteorological observation data, such as temperature and pressure, from GNSS ground stations as input data. The LSTM model was trained using long-term meteorological data downloaded from Korea Astronomy and Space Science Institute (KASI), and the predicted tropospheric wet delay values were compared with those estimated using Precise Point Positioning (PPP).

Keywords: GNSS, GPS, tropospheric delay prediction, LSTM, deep learning

Speaker 윤소윤 한국항공대학교