基于状态-观测映射的数据同化中自适应协方差调谐的图聚类定位方法
统计理论
2020-02-03 v1 统计计算
统计理论
摘要
在集合-变分数据同化框架内，提出了一种用于误差协方差高效定位的原创图聚类方法。这里的定位项非常通用，指的是将全局同化分解为子问题的思想。这种基于线性化状态-观测度量的无监督定位技术具有通用性，不依赖于任何先验信息，如相关空间尺度、经验截断半径或均匀性假设。它自动将状态和观测变量分隔为最优数量的簇（也称为子空间或社区），更利于可扩展的数据同化。该方法的运用不要求先验协方差矩阵具有潜在的块对角结构。为处理簇间连通性，提出了两种可选的数据适配方案。一旦定位完成，便在每个簇内执行自适应协方差诊断与调谐。数值试验表明，该方法比全局协方差调谐成本更低、更灵活，且多数情况下能得到更精确的背景和观测误差协方差。
引用
@article{arxiv.2001.11860,
title = {A graph clustering approach to localization for adaptive covariance tuning in data assimilation based on state-observation mapping},
author = {Sibo Cheng and Jean-Philippe Argaud and Bertrand Iooss and Angélique Ponçot and Didier Lucor},
journal= {arXiv preprint arXiv:2001.11860},
year = {2020}
}