通过结合离线批优化与在线数据同化高效估计动态模型的时变参数
地球物理
2022-07-13 v2 机器学习
摘要
通过整合观测与数值模拟来估计地球系统模型中的未知参数至关重要。对于地球系统科学的许多应用，需要一种允许参数随时间变化的优化方法。本文提出了一种高效且实用的方法来估计相对较低维模型的时变参数。在新提出的方法中，称为带粒子滤波的混合离线在线参数估计（HOOPE-PF），通过使用通过比较模拟与观测气候态获得的时不变参数的非参数后验概率分布，改进了采样-重要性-重采样粒子滤波中维持集合成员散布的膨胀方法。HOOPE-PF 在玩具模型的合成实验和概念性水文模型的真实数据实验中均优于原始采样-重要性-重采样粒子滤波，尤其在集合规模较小时。HOOPE-PF 的优势在于其性能不会因需添加到集合成员以维持其散布的扰动大小而受到很大影响，而在原始粒子滤波中，获得最优性能对此至关重要。由于 HOOPE-PF 是现有粒子滤波的扩展，该滤波已广泛应用于陆地、生态系统、水文学和古气候重建等许多地球系统模型，因此 HOOPE-PF 可通过考虑时变模型参数来改进这些地球系统模型的模拟。
引用
@article{arxiv.2110.12522,
title = {An efficient estimation of time-varying parameters of dynamic models by combining offline batch optimization and online data assimilation},
author = {Yohei Sawada},
journal= {arXiv preprint arXiv:2110.12522},
year = {2022}
}