ISSN 1975-8359 [Print] / ISSN 2287-4364 [Online]

The Transactions of the Korean Institute of Electrical Engineers, vol. 71, no. 8, pp. 1157~1163, 2022
https://doi.org/10.5370/KIEE.2022.71.8.1157

DNN Based Geoid Undulation Prediction Accuracy Evaluation Using

EGM08 Gravity Model
EGM08 중력 모델을 이용한 심층신경망 기반 지오이드 기복 예측 정확도 평가

Hyun-Seok Kim ․ Chan-Sik Park

‫׌‬෮জ* ․ ࢮఛਐ†

Abstract
The difference between mean sea level and ellipsoid height is defined as geoid relief, which is essential information when building
barometric altimeter/GPS combined systems or terrain matching systems. Therefore, an accurate calculation of the geoid undulation is
required. In this paper, we propose a deep neural network method for calculating geoid undulations in real time in an embedded
system. Then, using the EGM08 geoid model of order 2160, training data at intervals of 0.001 degrees were generated, and the
prediction model accuracy was evaluated for 4 cases according to the number of hidden layers. As the number of hidden layers
increased, the prediction accuracy increased, and it was confirmed that the calculation time also increased proportionally.

Key Words
Geoid Undulation Prediction, EGM08 Gravity Model, Deep Neural Network, Embedded System

1. 서 론 서는 지오이드와 WGS84 타원체의 차이를 지오이드기복(Geoid

undulation)이라 정의하는데, 이 지오이드기복 만큼 보상해 주
GPS(Global Positioning System)은 수평오차 10m 내외의 정 어야 한다. 서술한 바와 같이 GPS와 기압고도계는 각각의 장
확도로 차량용 내비게이션이나 스마트폰 등에 널리 활용되고 단점이 상호 보완적으로 작동하기 때문에 GPS/기압고도계를
있다. 그러나 수직오차는 수평오차의 1.5배 이상의 오차가 발 결합하여 수직 위치 정확도를 향상시키기 위한 많은 연구들이
생한다고 알려져 있기 때문에 수직위치 정보는 잘 사용되지 않 이루어졌다[1~3]. 하지만 GPS에서 결정되는 고도와 기압고도
고 있다[1]. 최근에는 차량의 자율주행 기능이 주목을 받으면서 계에서 측정되는 고도는 기준점이 서로 다르기 때문에 지오이
빌딩이 많은 도심지역에서의 정밀 측위의 필요성이 더욱 높아 드 기복만큼의 오차가 발생하며, 이를 보상하지 않으면 두 센
졌다. 도심지에서는 빌딩 등 지형적 환경에 의해 가시위성의 서를 결합하여 사용하기 어렵다. 이와 같은 문제를 해결하기
수가 적을 때, 음영지역이 발생하게 되는데 수직위치 정보를 위해서 국토지리정보원에서 제공하는 온라인 지오이드 고도
항법에서 사용하면 더 정확한 결과를 얻을 수 있을 것이다. 도 서비스를 통해 획득한 지오이드 기복을 이용하여 기압고도를
심에서 GPS를 이용하여 항법이 가능하도록 수직 방향으로의 GPS 고도로 환산하는 연구가 수행되었다[3]. 하지만, 이 방법
위치 정확도를 높이기 위해서 기압고도계 결합하여 사용하기 은 이동하는 항체가 항상 인터넷에 연결되어야 한다는 제약이
도 한다. 기압 고도계는 GPS와 달리 지형적 환경에 영향을 덜 있다. 이런 문제점들을 해결하기 위해서는 오프라인으로 실시
받고 소형이어서 전력 소비가 적으며 대기압을 이용하여 고도 간 계산 가능한 지오이드 기복 계산모델이 필요하다. 지오이드
를 계산하므로 주변사물의 영향을 거의 받지 않는다는 장점이 기복은 여러 방법을 사용하여 추정할 수 있다. least-square
있는 반면, 바람이나 온도 등 날씨의 영향을 많이 받는다[1,2]. collocation(LSC), fuzzy logic, artificial neural networks, radial
또한 기압 고도계는 평균해수면을 기준으로 고도가 계산되고, basis functions(RBF) 및 지리 통계 기술 등이 있다. 지리통계학
GPS의 경우 WGS84 타원체를 기준으로 수직 방향의 위치 정 적 접근은 지오이드 예측에서 가장 개선된 기술로 알려져 있다
보가 계산된다. 따라서 두 수직 방향의 결과를 결합하기 위해 [4]. 본 연구에서는 입력 데이터와 출력 데이터 사이의 비선형

†
Corresponding Author : Dept. of Intelligent Systems & Robotics, Research Institute for Copyright ⓒ The Korean Institute of Electrical Engineers
Computer and Information Communication, Chungbuk National University, Korea This is an Open-Access article distributed under the terms of the Creative Commons Attribution
E-mail:chansp@cbnu.ac.kr Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits un-
https://orcid.org/0000-0003-2650-4947 restricted non-commercial use, distribution, and reproduction in any medium, provided the
*
Agency for Defense Development, Korea
original work is properly cited.
https://orcid.org/0000-0002-9648-2096
Received: Dec. 28, 2021 Revised: Jun. 28, 2022 Accepted: Jul. 11, 2022

,*&&
1158 5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 

적인 복잡한 관계를 다루는 인공지능 알고리즘을 사용하여 각

위치에 대한 지오이드 기복을 학습시켜 임베디드 시스템에서
도 실시간으로 지오이드 기복을 계산할 수 있는 인공 신경망의
크기를 결정하고, 인공신경망 크기에 따른 계산시간을 측정하
고 그 정확도를 분석하였다.
본 논문의 구성은 다음과 같다. 2장에서는 지오이드의 정의
및 이론적인 산출 방법을 소개하고 인공신경망의 학습데이터
를 생성하는 방식에 대해 설명하고, 3장에서는 지오이드 기복
을 예측하기 위한 인공지능 기술을 소개하고, 실시간 계산을
위한 인공신경망의 크기 결정 및 실제 계산시간을 측정하였다.
4장에서는 제안된 기법이 적용된 실험과 성능평가에 대한 결
과를 제시하고, 마지막으로 5장에서는 본 논문의 결론에 대해
서 설명한다.
그림 1 지오이드(빨강)와 기준타원체(검정) 비교
Fig. 1 Geoid(red) vs reference ellipsoid(black)

2. Geoid Undulation
2.1 Geoid
지오이드는 바람과 조수와 같은 다른 영향이 없는 경우 중력
인력 및 지구의 자전을 포함하여 지구의 중력의 영향을 받는
해수면의 모양이다. 이 표면은 매우 좁은 가상의 운하와 같은
것을 통해 대륙으로 확장된다. 지오이드의 개념을 처음 기술한
Gauss에 따르면, 지오이드는 "지구의 수학적 도형"이며, 매끄럽
지만 불규칙한 표면으로, 그 모양은 지구 내부와 표면의 고르
지 않은 질량 분포로 인해 발생한다. 이는 광범위한 중력 측정
과 계산을 통해서만 알 수 있다. 측지학 및 지구물리학의 역사
에서 거의 200년 동안 중요한 개념이었음에도 불구하고 20세
기 후반 위성 측지학의 발전 이후에야 고정밀도로 정의되었다.
지오이드 표면의 모든 점은 중력 위치 에너지와 원심 위치
에너지의 합인 동일한 지구 전위를 갖는다. 중력의 힘은 지오
이드에 수직인 모든 곳에서 작용한다. 즉, 중력과 회전 가속만
작용하는 경우 연직선은 수직을 가리키고 해수면은 지오이드
와 평행하다. 지오이드의 표면은 질량 초과를 의미하는 양의
중력 이상이 있는 경우 기준 타원체보다 높고, 질량부족을 뜻
하는 음의 중력 이상이 있는 경우 기준 타원체보다 낮다. 지오
이드 표면은 물리적 지구를 타원체로 수학적으로 이상적으로
표현한 기준 타원체와 달리 불규칙하지만 지구의 물리적 표면
보다 상당히 완만하다. 물리적인 지구는 +8,848m(에베레스트
산)과 –10,984(마리아나 해구)의 편차를 갖지만 타원체에서 지
오이드의 편차 범위는 +85m(아이슬란드)에서 -106m(인도 남
부)로 총 200m 미만이다.
바다가 등압(일정한 밀도)이고 조수, 해류 또는 날씨의 방해
를 받지 않는다면 그 표면은 지오이드와 비슷할 것이다. 지오
이드와 평균 해수면 사이의 영구적인 편차를 해수면 지형이라
고 하며 육상 대륙이 일련의 터널이나 운하에 의해 십자형으로
교차한다면, 그 운하의 수면도 지오이드와 거의 일치할 것이다.
실제로, 지오이드는 대륙 아래에서 물리적 의미를 갖지 않지
만 측지학자들은 이 가상이지만 물리적으로 정의된 표면 위의
대륙 점의 높이를 수준측량을 통해 도출할 수 있다. 등전위 표
면인 지오이드는 정의상 중력이 모든 곳에서 수직인 표면이다.
이것이 의미하는 바는 배로 여행할 때 지오이드의 기복을 알아
차리지 못한다는 것이다. 로컬 수직선(연직선)은 항상 지오이
드에 수직이고 로컬 지평선은 지오이드에 접하게 된다.
지구의 중력장은 균일하지 않다. 이상적인 지구는 일반적으
로 편원 타원체를 사용하지만 지구가 구형이고 회전하지 않더
라도 밀도가 행성 전체에 걸쳐 다르기 때문에 중력의 강도는
모든 곳에서 동일하지 않다. 이것은 마그마 분포, 지각, 산맥,
심해 해구, 빙하로 인한 지각 압축 등의 다양한 지질 조성의 밀
도와 무게 때 문이다. 지구를 가정한 구체가 물로 덮여 있다면
물의 높이는 모든 곳에서 동일하지 않을 것이다. 대신 수위는
지구의 중심에서 해당 위치까지의 중력 강도의 적분에 따라 지
구의 중심에 대해 더 높거나 낮을 수 있으며, 지오이드 레벨은
물의 위치와 일치한다.
2.2 Geoid Undulation
지오이드의 기복은 기준 타원체에 대한 지오이드의 높이이
다. 국가마다 다른 평균 해수면을 기준으로 사용하기 때문에
기복은 표준화되지 않았지만 가장 일반적으로 EGM08 지오이
드를 나타낸다. 지도 및 일반적인 사용에서 평균 해수면 위의
높이(orthometric height; H)는 고도의 높이를 나타내는 데 사용
되는 반면 타원체 높이는 GPS 시스템의 결과이다. 평균 해수
면 고도  는 타원체 높이  사이의 편차  (지오이드 기복)을
알면 다음과 같이 계산할 수 있다.
   (1)
식 (1)에서 지오이드 기복  을 계산할 수 있으면 평균 해수

,*&&
5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 
1159

면 고도를 타원체 고도로 변환할 수 있다. 지오이드 기복은 아 의 중력 값, 는 극지역의 중력 값을 각각 의미한다. 구면 조
래와 같은 과정을 거쳐 계산할 수 있다[5]. 화 함수를 이용해 지오이드 기복을 계산하는 경우, 구면 조화
계수 세트가 필요하며, 본 논문에서는 2008년에 출시 된 EGM08
      
 (2) 을 사용하였다. EGM08은 2159차의 degree 및 order 완전한 구

  max
  형 구조파 계수를 포함하며, degree 2190, order 2159 까지 확장
   

       
sin× (3)
되는 확장 계수를 포함한다.
 
cos  
sin  
3. 인공지능 학습
위 식이 의미하는 바는 다음과 같다. 지구 중력 전위( )와
기준 타원체 중력 전위(  )의 차이를 교란 전위  라 정의한다. 3.1 Machine Learning
지구 원심 전위(centrifugal potential)와 타원체 원심 전위가 동 기계학습(Machine Learning)은 컴퓨터 과학 분야로 알고리즘
일하기 때문에 교란 전위는 지구 만유인력 전위(gravitational 을 이용해 데이터를 분석하고 예측하는 연습을 통해 컴퓨터가
potential,  )와 기준 타원체 만유인력 전위( 
 )의 차이로 정의 학습하도록 한다. 즉, 예제 데이터 집합이나 경험을 사용하여
할 수 있다. 여기서  는 각각 지구 중심(구형) 위도와 경도 주어진 성능 기준을 최적화하는 것이다[6]. 기계학습의 과정은
이고, r은 구심반경을 의미한다.   은 degree가 n, order가 m
 데이터 입력, 추상화, 일반화의 세 단계로 나눌 수 있으며 학습
인 완전히 정규화 된 르장드르 연관 다항식이다. 방법으로는 대표적으로 지도학습(Supervised Learning)과 비지
도 학습(Unsupervised Learning)으로 나눌 수 있다. 데이터 입력


  
  
 
  
 (4) 과정은 미리 관측하거나 저장된 데이터의 입력이고, 추상화 과
정에서 데이터를 더 넓은 표현과 개념으로 변환하여 의미를 부
여한다. 일반화 과정은 추상화된 데이터로부터 지식과 추론을
여기서 
 
은 지구에서 정의된 완전 정규화 된 구형

생성하여 새로운 상황에서 실행한다.
고조파 함수의 계수이고, 
 은 고체 회전 타원체 상에서 정
지도학습은 문제에 대한 정답이 주어진 학습 방법으로 입력
의된 완전 정규화 된 타원체 전위의 구형 고조파 계수이다. 지
데이터와 그것에 대한 결과값(Label)이 한 쌍으로 이루어진 데
오이드 기복  은 Bruns formula를 이용하여 교란전위  를 통
이터를 학습시킨다. 지도학습의 종류에는 회귀분석(Regression)
해 다음과 같이 구할 수 있다.
과 분류(Classification)가 있다. 회귀분석은 레이블 y가 실수인
경우를 말하며 어떤 데이터들의 특징을 기준으로 하여 연속된
값, 즉 그래프를 예측하는 문제로 어떤 패턴이나 트렌드를 예
측할 때 사용한다. 분류는 레이블이 있는 학습 데이터를 학습
한 후에 새로 입력된 데이터가 어떤 그룹에 속하는지 찾아내는
문제이다. 입력에 대응하는 출력을 분석하여 이산적인 값을 찾
는 것이다.

3.2 Deep Neural Network(DNN)

심층신경망(DNN)은 입력층(input layer)과 출력층(output layer)
사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망
(Artificial Neural Network, ANN)이다. 심층 신경망은 복잡한
비선형 관계들을 모델링 할 수 있다. 예를 들어, 물체 식별 모
그림 2 한반도 주변 지오이드 기복 분포
Fig. 2 Geoid undulation around the korean peninsula 델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적
요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들
 은 점진적으로 모여진 하위 계층들의 특징들을 규합시킬 수 있
  (5)

다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경
cos  sin  망에 비해 더 적은 수의 node들 만으로도 복잡한 데이터를 모
    (6)

cos  sin 
  델링할 수 있게 해준다. 심층 신경망은 표준 오차역전파 알고
리즘으로 학습될 수 있다. 이때, 가중치들은 아래의 등식을 이
여기서, a는 타원체 장반경, b는 타원체 단반경,  는 적도상 용한 경사 하강법을 통하여 갱신될 수 있다[7].

,*&&
1160 5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 

 에서 개발한 EGM08이다. 통합기준점 1,182점의 EGM08모델을

∆     ∆    (7)
∆ 사용해 계산한 지오이드 기복과 GPS/Leveling 지오이드고와의
차이가 RMSE 0.216m로 EGM08의 정확도는 KNGeoid와 유사
하다고 알려져 있다[8]. 또한 지역 모델은 해당 지역을 벗어나
여기서, 는 학습률을 의미하며, 는 비용함수를 의미한다.
는 경우 사용이 불가능하기 때문에 본 논문에서는 EGM08 지
비용함수의 선택은 학습의 형태와 활성화함수 같은 요인들에
오이드 모델을 이용하여 위도 33°~39° 및 경도 124~132° 사이
의해서 결정된다. 예를 들면, 다종 분류 문제에 지도 학습을 수
의 지역에 대해서 0.001° 간격으로 지오이드를 생성하였다. 이
행할 경우에는, 일반적으로 활성화함수와 비용함수는 각각
렇게 생성한 48,006,000 개의 격자점의 위치인 (위도, 경도) 쌍
softmax 함수와 교차 엔트로피 함수를 사용할 수 있다. 기존의
이 입력 데이터로 제공되고, 해당 지점의 지오이드 기복이 결
인공신경망과 같이, 심층 신경망 또한 나이브한 방식으로 학습
과 값으로 이루어진 데이터를 학습에 이용하였다.
될 경우 많은 문제들이 발생할 수 있다. 그 중에선 과적합과 높
은 시간복잡도가 가장 흔히 발생하는 문제들이다. 과적합을 극
4. 지오이드 예측 정확도 평가
복하기 위해서 weight decay (  -regularization) 또는 sparsity( 
-regularization)와 같은 정칙화 방법들이 사용될 수 있다. 그리
본 장에서는 앞서 기술된 딥러닝을 이용하여 지오이드 기복
고 최근에 들어서는 심층 신경망에 적용되고 있는 정칙화 방법
을 예측하는 심층 신경망 모델을 생성하여 주어진 데이터를 이
중 하나로 dropout 정칙화가 등장했다. dropout 정칙화에서는
용하여 학습시키고 예측 정확도를 평가하였다.
학습 도중 은닉 계층들의 몇몇 유닛들이 임의로 생략된다. 오
차역전파법과 경사 하강법은 구현의 용이함과 국지적 최적화
4.1 심층신경망 모델 시간 복잡도
에 잘 도달한다는 특성으로 인해 다른 방법들에 비해 선호되어
본 논문의 목적은 주어진 위/경도에서 지오이드 기복을 예측
온 방법들이다. 그러나 이 방법들은 심층 신경망을 학습 시킬
때 시간 복잡도가 매우 높다. 심층 신경망을 학습시킬 때에는
표 1 임베디드 컴퓨터 보드 사양
크기, 학습률, 초기 가중치 등 많은 매개변수들이 고려되어야 Table 1 The specification of embedded computer board
한다. 하지만 최적의 매개변수들을 찾기 위해서 매개변수 공간
CPU P2020, dual core 1Ghz, 512k L2 cache
전부를 확인하는 것은 계산에 필요한 시간과 자원의 제약으로
Flash Rom Nor Flash 16M
인해 불가능하다. 시간 복잡도 및 과적합 문제를 해결하기 위
RAM DDR2 400MHz/256M
해 mini-batch, dropout과 같은 다양한 기법들을 등장하였으며,
이를 통해 관련문제들을 일정부분 해결할 수 있다. 또한, 행렬
표 2 은닉층 개수 및 계산량
및 벡터 계산에 특화된 GPU는 많은 처리량을 바탕으로 두드러
Table 2 Calculation amount and number of hidden layer
지는 학습 속도 향상을 보여주었다.
Case1 Case2 Case3 Case4
본 연구에서는 2개 이상의 완전 연결 계층으로 구성된 은닉
은닉층 수 2 3 4 5
층을 사용하는 심층신경망을 구성할 것이다. 은닉층의 개수를
 5300 7950 10600 13250
달리 하면서 은닉층 개수에 따른 예측오차를 계산하여 정확도
를 분석한다.

3.3 Data 생성
DNN의 학습 및 정확도 평가를 위해서는 위도 및 경도 좌표
점에 대응하는 지오이드 기복에 대한 데이터베이스가 필요하
다. 원하는 지점의 지오이드 기복을 계산하기 위해서는 정밀한
지오이드 모델이 필요하며, 높은 차수의 다항식을 실시간으로
계산해야하기 때문에 많은 시간을 필요로 한다. 국내에서는
2018년 한반도 지역의 육상과 해상을 아우르는 KNGeoid18 모
델이 국토지리정보원 주관으로 개발되었다. 한반도 주변의 지
오이드 기복을 KNGeoid18을 이용해서 계산한 결과를 그림 2
그림 3 시뮬레이션에 사용된 임베디드 컴퓨터 보드
에서 확인할 수 있으며, 한반도 지역의 지오이드 기복은 약 Fig. 3 The embedded computer board used simulation
17m~30m 정도임을 확인할 수 있다. 지구전역을 대상으로 하는
지오이드 모델 중 가장 대표적인 것은 미국의 국가지리정보국 하는 것이다. 따라서 신경망 모델의 입력은 (위도,경도)의 2차

,*&&
5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 
1161

원 데이터이고, 출력은 지오이드 기복이므로 1차원이다. 입력 여기서,  는 크기가 조정된 데이터, 는 조정할 데이터,
과 출력 데이터의 크기는 주어진 문제에 따라 쉽게 결정할 수 min은 데이터 세트의 가장 작은 값, max 는 데이터 세트의 가
있지만, 은닉층의 크기는 신경망 모델이 실행되는 환경에 따라 장 큰 값이다.
달라진다. 시뮬레이션에 사용된 임베디드 컴퓨터 보드의 사양 학습은 MATLAB R2021a 버전에서 수행되었으며, 각각의
은 표 1과 같고, 그림 3은 본 연구에 사용된 실제 임베디드 컴 case별 심층신경망 모델의 네트워크 크기는 표 2와 같고 학습
퓨터 보드의 사진이다. 을 위한 조건은 표 3과 같다. 매트랩 함수 사용시 사용가능한
임베디드 시스템은 주기적으로 실행되는 실시간 task가 존재 최적화 함수는 ‘sgdm’, ‘rmsprop’, ‘adam’이 있으며 본 논문에서
하기 때문에 지오이드 기복 예측 모델에 많은 시간을 할애할 는 회귀분석에 사용가능한 ‘adam’을 사용하였다. 학습률은 고
수 없다. 또한, VxWorks 6.8기반으로 200Hz 주기로 메인 task 정값이 아니라 초기 학습률을 ‘0.1’로 설정하고 매 5번째 epoch
를 계산하도록 설계되어 있기 때문에 지오이드 기복 예측 모델 마다 0.4배씩 감소하도록 설정하였다. 위와같이 학습률을 동적
은 최대 1ms 이내로 모든 연산을 끝내야 한다. 실행시간을 예 으로 설정할 경우 초기에 학습초기에 검증오차의 편차가 커지
측하기 위해서 DNN 예측모델에서의 계산 복잡도를 구하였다. 는 단점이 있지만 학습 속도가 향상되는 장점이 있으며, epoch
각 계층의 입력 차원이 N, 출력 차원이 M일 때 계산 복잡도 이 증가할수록 학습률이 감소하기 때문에 검증오차의 편차 또
는 식 (7)과 같다. 한 점차 줄어들게 된다.
학습결과를 평가하기 위해서 평균제곱오차(Mean Squared
    ×    ×        tanh (8) Error)로 손실을 계산하고, 예측 성능에 대한 오차를 검증하기
위하여 평균제곱근오차(Root Mean Squared Error)를 사용하였다.
각 은닉층 당 노드의 개수 및 은닉층의 개수가 정해지면 전
체 연산량을 계산할 수 있으며 시뮬레이션에서는 DNN 예측  

정확도를 평가하기 위해 은닉층의 개수에 따라 4가지 case를

  
    
  (10)


가정하였고, 각 case별 은닉층 개수 및  는 표2에 정리하였다.
이에 따른 임베디드 보드에서 측정한 실시간 계산 시간은 그림
        
  (11)

4와 같다.  2650개당 대략 200us의 계산 시간이 소요됨을 확

표 3 심층신경망 모델 학습 조건
인할 수 있다. Table 3 Learning option of DNN

Optimizer adam
4.2 심층신경망 모델 학습 및 정확도 평가 Minibatch size 80,010
지오이드 기복을 예측하기 위한 신경망을 구성하기 위하여 Activation function hyperbolic tangent(tanh)
3.3에서 생성한 지오이드 기복 데이터를 사용하였다. 입력 변 Initial learn rate 0.1
수인 위도와 경도는 그 크기와 값의 범위가 서로 달라서 learn rate drop factor 0.4
min-max 정규화를 사용하였다. Min-max 정규화는 식 (9)와 learn rate drop period 5
같다.

여기서, 은 검증 데이터의 개수, 

 와 는 각각 i번째 지
오이드의 추정값과 실제값을 의미한다.
심층신경망 학습시에는 오버피팅을 방지하고 가중치 초깃값
의존성을 완화하기 위해 완전연결계층과 활성화 함수 사이에
배치정규화 계층을 배치하였다. 각각의 case에 대해서 epoch를
100으로 설정하여 총 72000회의 반복 학습을 수행하였으며,
case4에 대한 결과를 그림 5에 도시하였다. 학습된 신경망을 이
용하여 500만개의 랜덤 위치에서 지오이드 기복을 예측한 결
과와 참값을 비교하였다. 그림 5를 통해 학습된 신경망의 예측
치와 참값의 차이가 눈으로는 확인하기 힘들 만큼 매우 작은
그림 4 Case별 실행시간 측정결과[us]
것을 알 수 있다. 신경망을 통해 계산된 지오이드 기복의 정확
Fig. 4 Excution time for each case[us]
도를 평가하위 위해서 500만개의 시험 데이터에 대한 오차 분
  min 석을 수행하였으며, 그 결과는 그림 6~7 및 표 4를 통해 확인
   (9)
max  min 할 수 있다. 회귀 신경망 학습에서 성능지표로 사용하는 RMSE

,*&&
1162 5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 

를 통해 예측 정확도를 비교하면 은닉신경망 개수가 늘어날수

록 오차가 줄어드는 것을 확인할 수 있다. 최대, 최소 및 평균
오차는 4가지 case가 유사한 결과를 보여준다.
2개의 은닉층을 사용한 case1의 경우 실행시간은 0.4ms가 소
요되고, RMSE는 0.09m임에 반해서 5개의 은닉층을 사용하는
case4는 실행시간이 1ms이고 RMSE는 대략 0.04m임을 표 4를
통해 확인할 수 있다. 은닉층이 1개 추가될 때마다 실행시간은
0.2ms씩 선형적으로 증가하지만, RMSE오차는 0.1m씩 감소하
는 경향을 보이는데, 한정된 자원인 실행시간 증가폭에 비해
RMSE오차 감소폭이 크지 않음을 알 수 있다. RMSE 및 MSE
외에도 각각의 case에 대한 오차의 최소, 최대 및 평균을 계산
하였으며 그 결과는 표 4를 통해 확인할 수 있다.
표 4에서 검증 데이터에 대한 예측오차의 평균값은 모든
case에서 0.01m 이하의 크기를 가지며 이를 통해 예측오차가
편향되지 않고 고르게 분포되어 있음을 알 수 있다. 예측오차 그림 6 Case1 및 case2의 지오이드 예측 오차
Fig. 6 Geoid prediction error for DNN case 1, 2
의 최소값과 최대값을 통해서 참값에 비해 작게 예측된 오차가
최대 0.6m를 초과하지 않고, 참값에 비해 크게 예측된 오차는
최대 0.4m를 넘지 않음을 알 수 있다.

그림 7 Case3 및 case4의 지오이드 예측 오차

그림 5 DNN case4 지오이드 기복 예측 결과
Fig. 7 Geoid prediction error for DNN case 3, 4
Fig. 5 Prediction result of DNN case 4

표 4 각 케이스별 심층신경망 예측오차 5. Conclusion

Table 4 Prediction errors of DNN for each case

Case1 Case2 Case3 Case4 수직위치의 측정 정확도를 개선하기 위해서 사용하는 센서

는 대표적으로 GPS와 기압고도계가 있는데, 두 센서를 각각
MSE[m] 0.0089 0.0077 0.0050 0.0016
사용하기 보다는 융합하여 사용하는 것이 성능이나 운용성 측
면에서 장점이 많다. 하지만, 두 센서를 융합해서 사용하기 위
RMSE[m] 0.0946 0.0877 0.0707 0.0396
해서는 지오이드 기복을 보상해 주어야 하는데, 전 지구 범위
Min[m] -0.5428 -0.5612 -0.3721 -0.2924 에서 지오이드 기복을 모델링한 EGM2008은 2160차의 구면조
화함수로 구성되어 있어 임베디드 시스템에서 실시간으로 보
Max[m] 0.3558 0.3365 0.3039 0.3705 상이 불가능하다.
본 논문에서는 이와 같은 문제점을 해결하기 위해 심층신경
Mean[m] 0.0015 -0.0029 0.0092 -0.0067
망을 구성하고 이를 학습시키기 위해서 한반도 지역을 0.001°
단위로 세분화하여 각 위치에서의 지오이드 기복을 EGM2008
Std[m] 0.0946 0.0877 0.0701 0.0390
을 이용하여 학습, 검증 및 시험 데이터를 생성하였다. 학습된

,*&&
5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM  OP  QQ _ "VHVTU 
1163

신경망의 성능을 검증하기 위해서 은닉층 1개당 50개의 노드 217-226, 9. 2021.

를 갖는 회귀 신경망을 구성하고 은닉층 개수를 2, 3, 4, 5개로 [8] K. B. Kim, H. S. Yun, “Accuracy Evaluation of Geoidal
1개씩 추가하여 4가지 case로 구분하여 각각의 성능을 비교하 Height in Unified Control Points Using Earth’s Gravity
Field Models,” KSCE 2017 CONVENTION, pp. 738-739,
였다. 각각의 신경망은 실시간 임베디드 시스템에서 실행이 가
10. 2017.
능하도록 실행시간을 측정하였으며, 은닉층 개수가 2개인
case1이 0.4ms를 기록하였으며, 은닉층 개수가 1개 늘어날 때 저자소개
마다 0.2ms가 증가하였다. 반면 지오이이드 기복에 대한 예측
김현석 (Hyun-Seok Kim)
정확도는 은닉층의 개수가 가장 많은 case4가 RMSE 0.0396m
)ZVOTFPL
,JN
SFDFJWFE
#4
EFHSFFT
JO

로 가장 작은 오차를 갖는 것을 알 수 있었다. 이 결과들을 통 &MFDUSPOJDT
BOE
&MFDUSJDBM
&OHJOFFSJOH
GSPN

해 은닉층의 수가 적을수록 실행시간은 줄어들지만 예측 정확 )BOZBOH
6OJWFSTJUZ
BOE
.4
EFHSFFTT
JO

도도 같이 낮아지는 것을 알 수 있다. 하지만, 실행시간은 은닉 &MFDUSJDBM
BOE
$PNQVUFS
&OHJOFFSJOH
GSPN

4FPVPM
/BUJPOBM
6OJWFSTJUZ
4FPVM
,PSFB
JO

층 당 0.2m씩 증가하는 것에 반해 예측 오차는 대략 0.1m씩 감

BOE

SFTQFDUJWFMZ
)F
JT
DVSSFOUMZ
B

소하였다. 하지만 은닉층의 개수가 가장 적은 case1의 경우에 1SJODJQBM
3FTFBSDIFS
BU
"HFODZ
GPS
EFGFOTF

도 예측오차가 0.1를 초과하지 않기 때문에 충분히 실제 시스 EFWFMPQNFOU
,PSFB
TJODF

)JT
SFTFBSDI

JOUFSFTUT
JODMVEF
*/4
*/4(/44
JOUFHSBUFE

템에서도 충분히 사용이 가능할 것이다. 결론적으로 임베디드
OBWJHBUJPO
.BDIJOF
MFBSOJOH
BOE
(SBWJUZ
NPEFM
시스템의 계산능력 및 요구되는 정확도에 따라서 각각의 학습
된 신경망을 취사선택 하여 사용할 경우 4가지 신경망 모두 실 박찬식 (Chan-Sik Park)
제 시스템에 적용하여 사용할 수 있을 만큼 충분한 정확도를 $IBOTJL
1BSL
SFDFJWFE
#4
.4
BOE
1I%

보임을 확인할 수 있었다. EFHSFFT
JO
&MFDUSJDBM
&OHJOFFSJOH
GSPN
4FPVM

/BUJPOBM
6OJWFSTJUZ
JO


BOE


SFTQFDUJWFMZ
)F
IBT
CFFO
B
1SPGFTTPS
XJUI
UIF

References 4DIPPM
PG
&MFDUSPOJDT
&OHJOFFSJOH
$IVOHCVL

/BUJPOBM
6OJWFSTJUZ
$IFPOHKV
,PSFB
TJODF


)JT
SFTFBSDI
JOUFSFTUT
JODMVEF
(/44

[1] D. H. Kim, B. R. Yun, S. H. Lee and W. J. Lee,
1/4
4%3
JOUFHFS
BNCJHVJUZ
SFTPMVUJPO

“Improvement of Altitude Measurement Algorithm Based
BMHPSJUIN
BOE
&SSPS
"OBMZTJT
on Accelerometer for Holding Drone’s Altitude,” KIPS
Transactions on Software and Data Engineering, vol. 6, no.
10, pp. 473-478, Oct. 2017.
[2] M. S. Han, “Improvement of Filtering Method of Digital
Pressure Sensor for Drone Altitude Measurement,” The
Journal of Korean Institute of Intelligent Systems, vol. 27,
no. 6, pp. 537-542, 12. 2017.
[3] L. W. Kim, K. H. Choi, J. H. Lim, W. J. Yoo and H. K.
Lee, “Improving GPS Vertical Error Using Barometric
Altimeter,” Journal of Advanced Navigation Technology,
vol. 20, no. 1, pp. 29-36, Feb. 2016.
[4] Hofmann-Wellenhof B, Moritz H, Physical Geodesy, 2nd,
corrected Edition, New York: Springer, 2006.
[5] H. S. Kim, C. H. Park, “A Study on Real-time Calculation
of Geoid applicable to Embedded Systems,” Journal of
Advanced Navigation Technology, vol. 24, no. 5, pp.
374-381, 10. 2020.
[6] E. J. Kim, T. K. Lee, K. H. Kim, “A Study on Prediction
of Wind Power Based on Deep-Learning Using Weather
Data,” The Transaction of the Korean Institute of
Electrical Engineers, vol. 70, no. 5, pp. 735-741, 04. 2021.
[7] K. T. Lee, M. S. Kim, H. J. Kim, J. H. Kim, “A Model
to Predict Occupational Safety and Health Management
Expenses in Construction Applying Multi-variate Regression
Analysis and Deep Neural Network,” Journal of the
Architectural Institute of Korea, vol. 37, no. 9, pp.

,*&&