用于重建 Gray--Scott 动力学的离散数据同化算法

Gray--Scott 模型通过反应扩散方程组描述两种化学物质的相互作用。尽管其形式简单，却产生了包括斑点、条纹、波纹和螺旋纹样在内的极为丰富的图案。这使其成为研究涌现行为、自组织以及不稳定性驱动的图案形成的理想对象。该模型也因对初始条件不良观测的敏感性而著名。仅凭这些不良初始条件就会很快导致模拟结果偏离真实动力学。本文通过一种基于 nudging 的数据同化算法来应对这一挑战：将粗糙、单元平均测量通过反馈（nudging）项注入模型中，该反馈项以有限体积插值函数实现。我们证明了两个主要结果。（i）对于连续问题，nudged 解会与真实动力学同步，$L^2$-误差在将观测分辨率、nudging 参数与扩散条件联系起来的条件下，会指数衰减。（ii）对于完全离散的半隐式有限体积格式，同样可以保证同步，仅受时间步长限制的轻微制约。数值实验基于螺旋纹样图案，支持了理论结果。它们显示了如何从稀疏数据中恢复细节结构，并阐明了观测分辨率、nudging 参数以及更新频率如何影响衰减率。