# 앙상블 칼만 필터 (Ensemble Kalman Filter) 소개

#### 개요

앙상블 칼만 필터(Ensemble Kalman Filter, EnKF)는 복잡하고 비선형적인 시스템에서 상태를 추정하는 데 매우 유용한 도구이다. 이 방법은 다수의 시뮬레이션을 활용하여, 시스템이 현재 어떤 상태에 있는지를 예측하고, 실제 관측 데이터와 비교해 예측을 수정한다. 이는 전통적인 칼만 필터의 확장으로, 비선형성 및 모델의 불확실성에 더 잘 대응할 수 있도록 설계되었다.

#### 앙상블의 역할

EnKF의 핵심 개념 중 하나는 "앙상블"이다. 여기서 앙상블은 시스템의 가능한 상태들을 여러 개로 복제한 집합을 의미한다. 각 복제된 상태는 현실에서 발생할 수 있는 다양한 상황을 반영하며, EnKF는 이 복제된 상태들을 동시에 추적한다.

* **복수의 시뮬레이션:** 시스템의 상태를 단일 값이 아닌 여러 개의 가능한 값(앙상블)으로 나타내므로, 다양한 가능한 시나리오를 동시에 고려할 수 있다. 이러한 접근법은 불확실성을 더 잘 반영하고, 비선형 시스템에서도 유연하게 적용된다.
* **다양한 시나리오 고려:** 각 앙상블 멤버는 서로 다른 초기 조건이나 경로를 따르며, 그 결과 시스템의 상태가 다양하게 진화할 수 있다. 이는 단일한 예측보다 더 풍부한 정보를 제공하며, 전체적으로 더 정확한 상태 추정을 가능하게 한다.

#### 예측과 갱신 과정

앙상블 칼만 필터는 두 가지 주요 단계로 나뉜다: 예측과 갱신.

* **예측 단계:** 각 앙상블 멤버는 주어진 모델을 통해 앞으로의 상태를 예측한다. 이 단계에서는 시스템이 어떻게 변화할지에 대한 예상 경로를 추정한다.
* **갱신 단계:** 실제 관측 데이터가 도착하면, 이 데이터를 사용해 각 앙상블 멤버의 예측을 수정한다. 이 과정에서 관측된 데이터를 바탕으로 예측을 조정함으로써, 앙상블 멤버들이 더 현실에 가까운 상태로 수렴하게 된다.

이러한 예측-갱신 과정을 반복하면, 시스템의 상태에 대한 추정이 점점 더 정확해진다.

#### 불확실성과 시스템 복잡성 처리

EnKF의 또 다른 중요한 특징은 불확실성과 복잡성을 처리하는 능력이다. 이 필터는 시스템의 불확실성을 명시적으로 다루기 위해 설계되었으며, 이는 특히 비선형 시스템에서 중요하다.

* **불확실성 고려:** EnKF는 불확실성을 앙상블 멤버들의 분산으로 표현한다. 각 앙상블 멤버가 서로 다른 경로를 따르기 때문에, 이들의 집합은 전체 시스템이 가질 수 있는 다양한 가능성을 반영한다.
* **비선형성 대응:** 비선형적인 시스템에서는 작은 변화가 예기치 못한 큰 변화를 초래할 수 있다. EnKF는 이러한 비선형성을 잘 반영할 수 있도록 설계되었으며, 이는 복잡한 모델에서도 효과적으로 작동하게 만든다.

#### 계산 효율성과 앙상블 크기

앙상블 칼만 필터의 성능은 앙상블의 크기와 계산 효율성에 크게 의존한다. 앙상블의 크기는 필터가 불확실성을 얼마나 잘 반영할 수 있는지를 결정하며, 이 크기가 클수록 더 정확한 추정을 기대할 수 있다.

* **계산 효율성:** 앙상블 크기가 커질수록 시스템의 상태를 더 잘 포착할 수 있지만, 그만큼 계산 비용도 증가한다. 따라서 적절한 앙상블 크기를 선택하는 것은 EnKF의 성능을 극대화하는 데 매우 중요하다.
* **샘플링 잡음:** 앙상블 크기가 너무 작으면, 시스템의 실제 불확실성을 충분히 반영하지 못해 예측이 불안정해질 수 있다. 이를 해결하기 위해 다양한 보정 방법들이 개발되어 왔다.

#### 앙상블 칼만 필터의 확장 가능성

EnKF는 다양한 변형 및 확장을 통해 다양한 문제에 적용될 수 있다. 이러한 확장은 시스템의 특정 요구 사항에 맞추어 앙상블을 더 효과적으로 사용할 수 있도록 한다.

* **로컬라이제이션:** 큰 시스템에서는 앙상블 멤버 간의 상호작용을 제한하여 계산 효율성을 높이는 로컬라이제이션 기법이 자주 사용된다.
* **인플레이션 기법:** 앙상블 멤버 간의 분산을 인위적으로 조정하여 시스템의 불안정성을 개선하는 방법도 있다.

***

관련 자료:

1. Evensen, G. (2009). Data Assimilation: The Ensemble Kalman Filter. Springer.
2. Burgers, G., van Leeuwen, P. J., & Evensen, G. (1998). Analysis scheme in the ensemble Kalman filter. Monthly Weather Review, 126(6), 1719-1724.
3. Houtekamer, P. L., & Mitchell, H. L. (1998). Data assimilation using an ensemble Kalman filter technique. Monthly Weather Review, 126(3), 796-811.