用于空间分布明渠稳态流不确定性量化与相关性估计的多项式混沌与高斯过程代理模型比较
应用统计
2017-10-18 v3 数据分析、统计与概率
流体动力学
摘要
数据同化被广泛用于提升洪水预报能力，特别是通过参数推断，这需要关于不确定输入参数（上游流量、摩擦系数）以及水位变异性及其对输入敏感性的统计信息。对于粒子滤波器或集合卡尔曼滤波器，从蒙特卡洛随机采样中随机估计概率密度函数和协方差矩阵需要大量模型评估，限制了其在实时应用中的使用。为解决此问题，基于多项式混沌和高斯过程的快速代理模型可用于表示空间分布的水位，以替代求解浅水方程。本研究从基于集合的数据同化角度，考察了这些代理模型以更低计算成本且不损失精度来估计概率密度函数和协方差矩阵的使用。本研究聚焦于使用 MASCARET 在加龙河（法国西南部）上模拟的一维稳态流。结果表明，两种代理模型均表现出与蒙特卡洛随机采样相似的性能，但计算代价小得多；少量 MASCARET 模拟（数量级为 10-100）足以沿河准确恢复协方差矩阵和概率密度函数，即使在因异质河床地形而流动动力学更复杂的地段。这为设计适用于数据同化中表示非恒定明渠流的代理策略铺平了道路。
引用
@article{arxiv.1705.01440,
title = {Comparison of Polynomial Chaos and Gaussian Process surrogates for uncertainty quantification and correlation estimation of spatially distributed open-channel steady flows},
author = {Pamphile Tupui Roy and Nabil El Moçayd and Sophie Ricci and Jean-Christophe Jouhaud and Nicole Goutal and Matthias De Lozzo and Mélanie C. Rochoux},
journal= {arXiv preprint arXiv:1705.01440},
year = {2017}
}