신경망 기반 사후 추정과 상태공간 모델로 빙상 시뮬레이터 효율적 보정

초록

본 연구는 1차원 얕은 선반 근사(SSA) 모델을 상태공간 형태로 재구성하고, 관측된 빙속도와 표면고도 데이터를 이용해 베드 토포그래피와 기저 마찰 계수를 신경망으로 추정한다. 신경망이 생성한 근사 사후분포 샘플을 활용해 앙상블 칼만 필터(EnKF)로 빙두께를 추정함으로써 기존의 상태-증강 EnKF보다 파라미터와 상태 추정 정확도가 크게 향상됨을 시뮬레이션 및 실제 Thwaites 빙하 데이터에 대해 입증한다.

상세 분석

이 논문은 빙상 모델 보정이라는 난제에 두 단계 베이지안 접근법을 제시한다. 첫 단계에서는 관측값(표면 고도 z와 수평 속도 u)을 입력으로 하는 합성곱 신경망(CNN)을 훈련시켜, 베드 고도 b(s)와 기저 마찰 계수 c(s)의 다변량 정규분포(희소 정밀도 행렬을 갖는) 근사 사후분포를 출력한다. 여기서 최소 발산(minimum‑divergence) 목표함수를 사용해 KL‑다이버전스 대신 보다 일반적인 f‑다이버전스를 최소화함으로써, 비가우시안 사후를 가우시안 형태로 효율적으로 근사한다. 파라미터 공간이 고차원(수백 개 노드)임에도 불구하고, 공간적 상관성을 정밀도 행렬에 내재시켜 과적합을 방지하고, 베드와 마찰의 연속성을 물리적으로 보존한다.

두 번째 단계에서는 위에서 얻은 파라미터 샘플을 초기조건으로 하여 비증강형 EnKF를 적용한다. 상태벡터 xₜ는 시간에 따라 변하는 빙두께 hₜ이며, 프로세스 모델은 SSA의 질량 연속 방정식(3)을 시간‑이산화한 형태이다. 관측 모델은 표면 고도와 속도를 비선형 함수 Hₜ(xₜ,θ)로 연결하고, 관측·프로세스 잡음은 각각 가우시안 Rₜ, Vₜ로 가정한다. 이렇게 하면 파라미터 불확실성이 직접 상태 추정에 전파돼, 전통적인 상태‑증강 EnKF가 파라미터를 영구적(영구성)으로 가정해 과소평가하는 문제를 극복한다.

시뮬레이션 실험에서는 합성 데이터에 대해 제안 방법이 파라미터 RMSE와 상태 RMSE 모두에서 기존 방법보다 30 % 이상 개선됨을 보였다. 실제 적용에서는 남극 Thwaites 빙하 흐름선에 대한 관측을 사용해 베드 고도와 마찰 계수의 공간적 변동을 회복하고, 추정된 베드·마찰을 기반으로 빙두께를 실시간으로 업데이트했다. 결과는 기존 연구에서 보고된 베드 토포그래피와 일관되면서도 불확실성 범위가 명시적으로 제공된다.

이 접근법의 강점은 (1) 신경망을 통한 사전‑사후 연산의 amortized inference, (2) 파라미터와 상태를 분리해 각각 최적화함으로써 계산 효율성 및 정확도 향상, (3) 희소 정밀도 행렬을 통한 공간 상관성 모델링, (4) EnKF와의 자연스러운 결합으로 시계열 데이터 활용 가능성이다. 한계로는 1D SSA 모델에 국한된 점, 베드와 마찰을 정적 파라미터로 가정한 점, 그리고 신경망 훈련에 필요한 대규모 합성 시뮬레이션 데이터가 필요하다는 점을 들 수 있다. 향후 2D/3D SSA 혹은 전신 Stokes 모델에 확장하고, 물리‑기반 제약(PINN)과 결합해 파라미터 물리성 보장을 강화하는 연구가 기대된다.