Professional Documents
Culture Documents
EGM08 중력 모델을 이용한 심층신경망 기반 지오이드 기복 예측 정확도 평가
EGM08 중력 모델을 이용한 심층신경망 기반 지오이드 기복 예측 정확도 평가
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
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
†
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
2. Geoid Undulation
실제로, 지오이드는 대륙 아래에서 물리적 의미를 갖지 않지
만 측지학자들은 이 가상이지만 물리적으로 정의된 표면 위의
2.1 Geoid
대륙 점의 높이를 수준측량을 통해 도출할 수 있다. 등전위 표
지오이드는 바람과 조수와 같은 다른 영향이 없는 경우 중력
면인 지오이드는 정의상 중력이 모든 곳에서 수직인 표면이다.
인력 및 지구의 자전을 포함하여 지구의 중력의 영향을 받는
이것이 의미하는 바는 배로 여행할 때 지오이드의 기복을 알아
해수면의 모양이다. 이 표면은 매우 좁은 가상의 운하와 같은
차리지 못한다는 것이다. 로컬 수직선(연직선)은 항상 지오이
것을 통해 대륙으로 확장된다. 지오이드의 개념을 처음 기술한
드에 수직이고 로컬 지평선은 지오이드에 접하게 된다.
Gauss에 따르면, 지오이드는 "지구의 수학적 도형"이며, 매끄럽
지구의 중력장은 균일하지 않다. 이상적인 지구는 일반적으
지만 불규칙한 표면으로, 그 모양은 지구 내부와 표면의 고르
로 편원 타원체를 사용하지만 지구가 구형이고 회전하지 않더
지 않은 질량 분포로 인해 발생한다. 이는 광범위한 중력 측정
라도 밀도가 행성 전체에 걸쳐 다르기 때문에 중력의 강도는
과 계산을 통해서만 알 수 있다. 측지학 및 지구물리학의 역사
모든 곳에서 동일하지 않다. 이것은 마그마 분포, 지각, 산맥,
에서 거의 200년 동안 중요한 개념이었음에도 불구하고 20세
심해 해구, 빙하로 인한 지각 압축 등의 다양한 지질 조성의 밀
기 후반 위성 측지학의 발전 이후에야 고정밀도로 정의되었다.
도와 무게 때 문이다. 지구를 가정한 구체가 물로 덮여 있다면
지오이드 표면의 모든 점은 중력 위치 에너지와 원심 위치
물의 높이는 모든 곳에서 동일하지 않을 것이다. 대신 수위는
에너지의 합인 동일한 지구 전위를 갖는다. 중력의 힘은 지오 지구의 중심에서 해당 위치까지의 중력 강도의 적분에 따라 지
이드에 수직인 모든 곳에서 작용한다. 즉, 중력과 회전 가속만 구의 중심에 대해 더 높거나 낮을 수 있으며, 지오이드 레벨은
작용하는 경우 연직선은 수직을 가리키고 해수면은 지오이드 물의 위치와 일치한다.
와 평행하다. 지오이드의 표면은 질량 초과를 의미하는 양의
중력 이상이 있는 경우 기준 타원체보다 높고, 질량부족을 뜻 2.2 Geoid Undulation
하는 음의 중력 이상이 있는 경우 기준 타원체보다 낮다. 지오 지오이드의 기복은 기준 타원체에 대한 지오이드의 높이이
이드 표면은 물리적 지구를 타원체로 수학적으로 이상적으로 다. 국가마다 다른 평균 해수면을 기준으로 사용하기 때문에
표현한 기준 타원체와 달리 불규칙하지만 지구의 물리적 표면 기복은 표준화되지 않았지만 가장 일반적으로 EGM08 지오이
보다 상당히 완만하다. 물리적인 지구는 +8,848m(에베레스트 드를 나타낸다. 지도 및 일반적인 사용에서 평균 해수면 위의
산)과 –10,984(마리아나 해구)의 편차를 갖지만 타원체에서 지 높이(orthometric height; H)는 고도의 높이를 나타내는 데 사용
오이드의 편차 범위는 +85m(아이슬란드)에서 -106m(인도 남 되는 반면 타원체 높이는 GPS 시스템의 결과이다. 평균 해수
부)로 총 200m 미만이다. 면 고도 는 타원체 높이 사이의 편차 (지오이드 기복)을
바다가 등압(일정한 밀도)이고 조수, 해류 또는 날씨의 방해 알면 다음과 같이 계산할 수 있다.
를 받지 않는다면 그 표면은 지오이드와 비슷할 것이다. 지오
이드와 평균 해수면 사이의 영구적인 편차를 해수면 지형이라 (1)
고 하며 육상 대륙이 일련의 터널이나 운하에 의해 십자형으로
교차한다면, 그 운하의 수면도 지오이드와 거의 일치할 것이다. 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.
,*&&
1160 5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM OP QQ _ "VHVTU
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
가정하였고, 각 case별 은닉층 개수 및 는 표2에 정리하였다.
이에 따른 임베디드 보드에서 측정한 실시간 계산 시간은 그림
(11)
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.
,*&&
1162 5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM OP QQ _ "VHVTU
,*&&
5IF 5SBOTBDUJPOT PG UIF ,PSFBO *OTUJUVUF PG &MFDUSJDBM &OHJOFFST WPM OP QQ _ "VHVTU 1163
,*&&