# 앙상블 칼만 필터의 역사 (History of the Ensemble Kalman Filter)

#### 초기 칼만 필터의 발전

앙상블 칼만 필터(Ensemble Kalman Filter, EnKF)의 개발은 칼만 필터(Kalman Filter) 자체의 역사와 깊이 연결되어 있다. 칼만 필터는 1960년대에 루돌프 E. 칼만(Rudolf E. Kalman)에 의해 소개되었으며, 선형 역학 시스템의 상태 추정 문제를 해결하기 위해 설계되었다. 칼만 필터는 특히 우주 항법 시스템과 같은 제어 및 추적 시스템에서 그 잠재력을 입증했으며, 이후 다양한 분야로 확장되었다.

* **칼만 필터의 특징:** 칼만 필터는 선형 가우시안 시스템에서 최적의 상태 추정을 제공하며, 예측 및 갱신 단계를 반복적으로 수행함으로써 시스템 상태를 지속적으로 업데이트한다. 이는 공분산 행렬을 이용해 상태 불확실성을 표현하고, 관측값을 통합하여 상태를 갱신한다.

#### 비선형 문제에 대한 도전과 확장된 칼만 필터

칼만 필터는 선형 시스템에서 강력한 성능을 발휘했지만, 실제 세계의 많은 시스템은 비선형성을 가지기 때문에 적용에 한계가 있었다. 이에 따라 1980년대에는 확장된 칼만 필터(Extended Kalman Filter, EKF)가 등장하게 되었다.

* **확장된 칼만 필터:** EKF는 비선형 시스템을 선형화하여 칼만 필터의 개념을 확장한 것으로, 선형화 과정에서 시스템 모델을 1차 테일러 급수로 근사화한다. 그러나, EKF는 모델의 비선형성에 따른 오류 누적과 안정성 문제를 여전히 가지고 있었다.

#### 앙상블 접근법의 도입

1990년대 초반, 기후 및 대기 모델링에서 비선형 문제를 다루기 위해 앙상블 방법론이 주목받기 시작했다. Geir Evensen이 1994년에 처음으로 앙상블 칼만 필터(EnKF)를 제안하였는데, 이는 기존의 칼만 필터를 개선하여 비선형 시스템에서도 더 효과적인 상태 추정을 가능하게 하려는 목적이었다.

* **Evensen의 공헌:** Evensen은 EnKF를 통해 기존 칼만 필터의 공분산 계산 문제를 해결하고자 했으며, 앙상블의 개념을 도입하여 공분산 행렬을 명시적으로 계산하는 대신, 다수의 상태 변수 집합(앙상블)을 활용해 상태 분포를 추정했다. 이 방법은 특히 비선형 시스템에 대해 강건한 성능을 보였다.

#### 앙상블 칼만 필터의 발전과 성숙

EnKF는 1990년대 후반부터 2000년대 초반까지 여러 연구자들에 의해 개선되고 확장되었다. 이 시기의 연구들은 EnKF의 안정성과 정확성을 향상시키는 방법에 중점을 두었다.

* **앙상블 크기 문제:** 초기 EnKF에서 중요한 문제 중 하나는 앙상블 크기였다. 충분한 앙상블 크기를 사용하지 않으면 시스템의 상태를 제대로 표현할 수 없다는 점이 문제로 지적되었다. 이에 따라, 앙상블 크기를 최적화하고 계산 복잡성을 줄이기 위한 다양한 연구가 이루어졌다.
* **인플레이션 및 로컬라이제이션 기법:** 앙상블의 불안정성을 해결하기 위해 인플레이션(inflation)과 로컬라이제이션(localization) 기법이 도입되었다. 이들 기법은 앙상블의 분산을 인위적으로 조정하거나, 공간적으로 먼 상관관계를 줄여 앙상블 필터의 성능을 개선하려는 시도였다.

#### 최신 연구 동향과 변형들

2000년대 중반 이후, EnKF는 다양한 형태로 변형되었으며, 특히 EnKF의 계산 효율성을 높이고 다양한 시스템에 적용할 수 있도록 다양한 파생 모델들이 개발되었다. 대표적인 변형으로는 Ensemble Square Root Filter (EnSRF), Ensemble Transform Kalman Filter (ETKF) 등이 있다.

* **EnSRF와 ETKF:** 이러한 변형들은 앙상블 칼만 필터의 계산 효율성을 높이고, 공분산 갱신 단계를 개선하여 필터의 정확성을 증가시키기 위한 노력의 일환으로 개발되었다. 이들은 EnKF의 핵심 원리를 유지하면서도 특정 응용 분야에 더욱 적합하도록 조정된 버전들이다.
* **현대적 응용과 연구:** 최근의 연구들은 EnKF의 이론적 기반을 더욱 견고히 하고, 높은 차원의 비선형 시스템에서도 필터의 성능을 유지할 수 있도록 하는 데 집중하고 있다. 이러한 노력들은 주로 기상 예측, 해양 모델링, 금융 모델링 등에서의 성과로 이어지고 있다.

***

관련 자료:

1. Evensen, G. (1994). Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics. Journal of Geophysical Research: Oceans, 99(C5), 10143-10162.
2. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45.
3. Houtekamer, P. L., & Mitchell, H. L. (1998). Data assimilation using an ensemble Kalman filter technique. Monthly Weather Review, 126(3), 796-811.