지하 유동 (subsurface flow)에서의 데이터 동화 (Data assimilation, DA)는 지질학적 실재성을 유지하면서, 일반적으로 우물 (wells)에서 관측된 데이터와 일치하도록 모델 파라미터를 보정하는 과정을 수반합니다. 잠재 확산 모델 (Latent diffusion models, LDMs)은 고차원의 지질 모델 공간에서 저차원의 잠재 변수 (latent variable)로의 효율적인 매핑을 제공하여, 사후 지질 모델 (posterior geomodels)의 타당성을 유지하면서 역문제 (inverse problem)의 차원을 축소합니다. 그러나 LDM 매핑의 높은 비선형성 (nonlinearity)은 칼만 이득 (Kalman-gain) 기반의 앙상블 업데이트 성능을 저하시킬 수 있습니다. 본 연구에서는 계층적 지질 불확실성 (hierarchical geological uncertainty)을 가진 대규모 3D 채널형 지질 모델 (channelized geomodels)에 적용된 DA 알고리즘을 체계적으로 비교합니다. 우리는 다중 데이터 동화 앙상블 스무더 (ensemble smoother with multiple data assimilation, ESMDA)를 사용하여 모델 공간 (model-space) 및 잠재 공간 (latent-space) DA를 비교하며, 핵심적인 트레이드오프 (trade-off)를 입증합니다: 모델 공간 업데이트는 상당한 불확실성 감소를 달성하지만 지질학적으로 비현실적인 사후 모델을 생성하는 반면, 잠재 공간 업데이트는 실재성을 유지하지만 불확실성 감소 효과는 제한적입니다. 이에 착안하여, 우리는 3D-LDM 잠재 공간에서 엄밀한 마르코프 체인 몬테카를로 (Markov chain Monte Carlo, MCMC) 및 순차적 몬테카를로 (Sequential Monte Carlo, SMC) 알고리즘을 탐구합니다. 높은 계산 요구 사항을 수용하기 위해, 우리는 우물 유량 반응 (well-rate responses)을 근사하는 빠른 대리 유동 모델 (fast surrogate flow model)을 개발합니다. MCMC와 SMC는 LDM 잠재 공간에서 DA를 수행하며 세 가지 합성 테스트 케이스에 대해 ESMDA와 비교 평가됩니다. 모든 모델은 LDM 파라미터화 덕분에 지질학적 실재성을 유지합니다. MCMC와 SMC는 서로 일관성을 보이며, 잠재 공간 ESMDA보다 더 낮은 데이터 불일치 (data mismatch)와 더 높은 불확실성 감소를 달성합니다. 우리의 종합적인 결과는 앙상블 칼만 방법이 매우 비선형적인 파라미터화 환경에서 사후 불확실성을 과대평가할 수 있는 반면, 빠른 대리 모델을 통해 가능해진 엄밀한 몬테카를로 샘플링 (Monte Carlo sampling)이 더 신뢰할 수 있는 대안을 제공할 수 있음을 보여줍니다.