用于离线和在线模型误差校正的数据同化与机器学习方法结合的比较
机器学习
2021-09-09 v2 机器学习
摘要
最近的研究表明，将机器学习方法与数据同化相结合，仅使用该系统稀疏且含噪的观测即可重构一个动力系统。同样的方法可用于校正基于知识的模型的误差。由此产生的代理模型是混合的，由统计部分补充物理部分。在实践中，该校正可以作为积分项（即在模型预解式中）添加，或直接添加在物理模型的趋势中。预解式校正易于实现。趋势校正更具技术性，特别是它需要物理模型的伴随，但也更灵活。我们使用双尺度 Lorenz 模型来比较这两种方法。在长期预报实验中，使用预解式校正和趋势校正的代理模型的精度有些相似。相比之下，在数据同化实验中，使用趋势校正的代理模型显著优于使用预解式校正的代理模型。最后，我们表明趋势校正开辟了进行在线模型误差校正的可能性，即随着新观测的获得逐步改进模型。由此产生的算法可以看作是弱约束 4D-Var 的新表述。我们使用双尺度 Lorenz 系统在同一框架下比较了在线学习和离线学习，并表明通过在线学习，可以从稀疏且含噪的观测中提取所有信息。
引用
@article{arxiv.2107.11114,
title = {A comparison of combined data assimilation and machine learning methods for offline and online model error correction},
author = {Alban Farchi and Marc Bocquet and Patrick Laloyaux and Massimo Bonavita and Quentin Malartic},
journal= {arXiv preprint arXiv:2107.11114},
year = {2021}
}