结合集合卡尔曼滤波与储层计算从不完全观测与模型中预测时空混沌系统
机器学习
2020-06-26 v1 计算物理
机器学习
摘要
时空混沌系统的预测在数值天气预报（NWP）等多个领域十分重要。虽然数据同化方法已应用于 NWP，但机器学习技术如储层计算（RC）近来被认可为预测时空混沌系统有前景的工具。然而，基于机器学习的预测技巧对观测不完美性的敏感度尚不清楚。本研究评估了 RC 在含噪声且稀疏分布观测下的技巧。我们通过将 RC 与局部集合变换卡尔曼滤波（LETKF）应用于 Lorenz 96 系统的预测，对其性能进行密集比较。尽管在系统被完美观测时 RC 能成功预测 Lorenz 96 系统，我们发现相较于 LETKF，RC 易受观测稀疏性影响。为克服 RC 的这一局限，我们提出结合 LETKF 与 RC。在我们提出的方法中，系统由学习了 LETKF 估计的分析时间序列的 RC 预测。我们提出的方法能利用含噪声且稀疏分布的观测成功预测 Lorenz 96 系统。最重要的是，当基于过程的模型不完美时，我们的方法比 LETKF 预测得更好。
引用
@article{arxiv.2006.14276,
title = {Combining Ensemble Kalman Filter and Reservoir Computing to predict spatio-temporal chaotic systems from imperfect observations and models},
author = {Futo Tomizawa and Yohei Sawada},
journal= {arXiv preprint arXiv:2006.14276},
year = {2020}
}
备注
18 pages, 10 figures, submitted to Geophysical Model Development