1차원 수치해양 모델에서 물위, 바닥 거칠기 및 수심을 동시에 추정하는 이중 Ensemble Kalman Filter

초록

본 연구는 1차원 얕은 물 모델에 이중 Ensemble Kalman Filter(dual EnKF)를 적용하여 수위(상태)와 바닥 거칠기·수심(파라미터)을 동시에 추정한다. 관측 데이터의 양·정밀도와 초기 파라미터 추정값이 필터 성능에 미치는 영향을 Gulf of Mexico 지역의 실험 사례를 통해 분석하였다. 결과는 제한된 관측소와 합리적인 초기값만으로도 파라미터 필드가 크게 개선될 수 있음을 보여주며, 특히 측정 정밀도가 낮을 경우 Mannings n과 수심을 동시에 추정하는 데 민감도가 높아짐을 확인하였다.

상세 분석

본 논문은 비선형 해양·수문 모델에 적용 가능한 데이터 동화 기법으로 Ensemble Kalman Filter(EnKF)를 선택하고, 이를 ‘이중’ 구조로 확장한 dual EnKF를 제안한다. 전통적인 EnKF는 상태 변수만을 업데이트하는 반면, dual EnKF는 별도의 파라미터 앙상블을 유지하여 상태와 파라미터를 교대로 업데이트한다. 이 접근법은 파라미터가 모델 동역학에 비선형적으로 영향을 미치는 경우에도 안정적인 추정을 가능하게 한다.

연구에서는 1‑D Saint‑Venant 방정식을 기반으로 한 얕은 물 모델을 사용한다. 상태 변수는 수위 η이며, 파라미터는 바닥 거칠기 계수(Mannings n)와 수심(배치)이다. 파라미터는 공간적으로 변동 가능하도록 격자마다 독립적인 값으로 설정하고, 각각에 대해 가우시안 초기 분포를 부여한다. 관측은 제한된 수의 수위계(게이지)에서 일정 시간 간격으로 제공되며, 관측 오차는 정규분포를 가정한다.

dual EnKF 알고리즘은 크게 네 단계로 구성된다. (1) 상태 앙상블 예측: 각 멤버에 대해 현재 파라미터 값을 사용해 수위 방정식을 전진 통합한다. (2) 파라미터 앙상블 예측: 파라미터는 랜덤 워크 모델에 따라 변동시키며, 물리적 제약(예: n은 양수)을 적용한다. (3) 관측 업데이트: 관측 연산자를 통해 예측된 수위와 실제 관측값을 비교하고, 상태와 파라미터 각각에 대한 칼만 이득을 계산한다. (4) 교차 공분산을 이용해 파라미터를 보정한다. 이때 상태와 파라미터 사이의 상관관계가 중요한 역할을 하며, 충분한 앙상블 크기와 적절한 관측 빈도가 필요하다.

실험에서는 관측소 수(1~4개)와 관측 오차 표준편차(0.01 m, 0.05 m, 0.1 m)를 변형시켜 민감도 분석을 수행하였다. 초기 파라미터는 실제값의 ±30 % 범위 내에서 무작위로 설정하였다. 결과는 다음과 같다. 첫째, 관측소가 하나만 있어도 파라미터 수렴이 가능했지만, 관측소가 늘어날수록 수렴 속도와 최종 오차가 현저히 감소하였다. 둘째, 관측 오차가 작을수록 파라미터 추정 정확도가 크게 향상되었으며, 특히 Mannings n과 수심을 동시에 추정할 때는 오차가 0.05 m 이하일 때만 안정적인 수렴을 보였다. 셋째, 초기 파라미터가 실제값과 크게 차이날 경우(±50 % 이상) 필터가 발산하거나 비현실적인 값으로 수렴하는 경향이 있었으며, 이는 파라미터와 상태 사이의 비선형 상관관계가 약해지기 때문이다.

이러한 결과는 dual EnKF가 제한된 관측 데이터와 적절한 초기 추정값만으로도 복합 파라미터를 효과적으로 추정할 수 있음을 시사한다. 다만, 관측 정밀도가 낮거나 초기값이 크게 벗어날 경우 필터 설계(예: 파라미터 변동 모델, 인플레이션 기법)의 추가적인 조정이 필요하다.