위성항법 신호 보정을 위한 태양활동지수 및 대류층 지연의 머신러닝 예측 = Machine Learning Prediction of Solar Radio Flux and Tropospheric Delay for GNSS Signal Correction

국문 초록 (Abstract)

전지구적위성항법시스템 (GNSS, Global Navigation Satellite System)에서는 위치, 속도 및 시간 정보를 제공한다. 단일 주파수 를 사용하는 수신가는 위성의 궤도, 시계오차 및 대기에 의한 신호 지연 등의 요인으로 높은 수준의 위치추정 정확도를 확보하는 데 한계를 가진다. 대기에서 발생하는 신호 지연 중, 특히 전리층에 의 한 지연은 가장 큰 오차요인에 해당하며 수십 미터 단위까지 측위 오차가 발생한다. 대류층에 의한 지연은 수 미터 단위의 측위 오차 를 발생시킨다. 이는 고정밀 위치 추정을 요구하는 환경에서 GNSS 단일주파수 사용의 한계점으로 작용한다. 본 논문에서는 전리층과 대류층에 의한 신호 지연을 보정하기 위하여 각각 F10.7 태양활동 지수와 대류층 습윤 지연을 예측하는 연구를 수행하였다. 전리층 지연은 태양활동에 의하여 크게 좌우되므로 F10.7 태양 활동지수의 정확한 예측이 필수적이며, 본 연구에서는 1일부터 7일 까지 단기 예측을 수행하였다. 이를 위하여 46년간 장기간의 태양 활동 데이터를 활용하였으며, LSTM을 비롯한 CNN-LSTM, VMD-LSTM 및 TCN의 다양한 머신러닝 모델을 구현하여 성능을 비교하였다. 예측 결과 1일 예측에서 모든 모델의 상대오차가 1% 이내로 좋은 결과를 보이며, 7일 예측 결과를 보면 VMD-LSTM 모델에서 최소 3.6%, LSTM 모델에서 최대 7%의 예측 성능을 보 인다. 또한, 대류층에서 발생하는 습윤 지연은 기상 조건에 따라 민감하 게 변화하기 때문에 안정적인 GNSS 기반 위치 추정을 위해서는 대 류층 습윤 지연의 정밀한 예측이 필요하다. 본 연구에서는 한국천문 연구원의 기상 관측자료와 시간 요소를 입력으로 대류층 습윤 지연 예측 모델을 개발하였다. 이를 위하여 LSTM을 비롯한 CNN-LSTM, TCN 및 FFNN 등 다양한 머신러닝 모델을 사용하 여 예측 모델의 성능을 평가하였다. 전체적으로 0.03 m 정도의 오 차 수준을 보이며, 예측 성능에 큰 차이는 없으나, mm 단위로 CNN-LSTM 모델과 TCN 모델에서 좋은 성능을 보인다. 본 연구에서 수행한 전리층 지연 및 대류층 지연 관련 변수인 F10.7 태양활동지수와 대류층 습윤 지연값 예측의 정확도가 개선됨 에 따라 전리층 모델과 대류층 모델의 신뢰도가 높아지고 위성항법 시스템의 전체적인 오차 감소에 기여할 수 있다.

다국어 초록 (Multilingual Abstract)

GNSS provides position, velocity, and time information. Receivers using a single frequency have limitations in securing a high level of positioning accuracy due to factors such as satellite orbit, clock error, and signal delay due to atmosphere. Among the signal delays occurring in the atmosphere, especially those caused by the ionosphere account for the largest proportion of the error factors, and positioning errors occur up to tens of meters. Delays caused by the troposphere cause positioning errors in units of meters. This acts as a limitation of the use of GNSS single frequency in environments that require high-precision position estimation. In this paper, a study was conducted to predict the F10.7 solar activity index and the zenith wet delay (ZWD). Since the delay in the ionosphere is greatly influenced by the solar activity, an accurate prediction of the F10.7 is essential, and in this study, short-term prediction was performed from the 1st to the 7th day. For this, long-term solar activity data were used, and various machine learning models of CNN-LSTM, VMD-LSTM, and TCN, including LSTM. The prediction results show that the relative error of all models is within 1% in the one-day prediction, and the prediction results on the 7th show the prediction performance of at least 3.6% in the VMD-LSTM model and up to 7% in the LSTM model. Also, since the ZWD occurring in the troposphere changes sensitively according to weather, precise prediction of the ZWD is required for stable GNSS-based position estimation. In this study, a prediction model was developed for predicting the ZWD by inputting weather observation data and time factors from the KASI. For this, the performance of the prediction model was evaluated by using various machine learning models such as LSTM, CNN-LSTM, TCN, and FFNN. In result, it shows an error level of about 0.03 m, and there is no significant difference in prediction performance, but it shows good performance in the CNN-LSTM model and the TCN model on a mm basis. As the accuracy of the prediction of the F10.7 solar activity index and ZWD value, which are variables related to ionospheric delay and tropospheric delay, the reliability of the ionosphere model and troposphere model can increase and contribute to the overall reduction of errors in GNSS.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 동향 3
• 1.2.1 F10.7 태양활동지수 예측 연구 동향 3
• 1.2.2 대류층 지연 예측 연구 동향 4
• 1.3 연구 내용 및 방법 5
• 1.4 연구 결과의 기여도 6
• 제2장 태양활동지수(F10.7)와 대류층 지연 8
• 2.1 F10.7 태양활동지수 8
• 2.1.1 F10.7 개요 8
• 2.1.2 F10.7과 전리층 9
• 2.2 대류층 지연 10
• 2.2.1 대류층 총 지연 11
• 2.2.2 대류층 건조 지연 12
• 2.2.3 대류층 습윤 지연 13
• 2.2.4 대류층 지연 모델 13
• 2.2.4.1 UNB3m 개요 13
• 2.2.4.2 UNB3m 알고리듬 14
• 제3장 머신러닝 모델 및 최적화 기법 18
• 3.1 FFNN 18
• 3.2 LSTM 22
• 3.2.1 RNN 22
• 3.2.2 LSTM 23
• 3.3 CNN-LSTM 29
• 3.3.1 CNN 29
• 3.3.2 CNN-LSTM 34
• 3.4 VMD-LSTM 35
• 3.4.1 VMD 35
• 3.4.2 VMD-LSTM 38
• 3.5 TCN 40
• 3.6 ARMA 42
• 3.7 Bayesian 최적화 기법 43
• 제4장 F10.7 태양활동지수 예측 45
• 4.1 데이터 처리 방법 45
• 4.2 모델의 최적화 48
• 4.3 예측 결과 53
• 제5장 대류층 습윤 지연 예측 63
• 5.1 데이터 처리 방법 63
• 5.1.1 데이터 처리 개요 63
• 5.1.2 Precise Point Positioning 64
• 5.1.3 예측 데이터 준비 67
• 5.2 모델의 최적화 73
• 5.3 예측 결과 76
• 제6장 결 론 85
• 참 고 문 헌 87
• ABSTRACT 92