基于图像填充的集成得分滤波器用于部分观测情境下表面准大气动力学动力学的数据同化
大气与海洋物理
2025-01-23 v1 机器学习
数据分析、统计与概率
流体动力学
机器学习
摘要
数据同化在地球科学和气象预报中发挥着关键作用，用于解决三个根本性挑战：高维度、非线性和部分观测。近期基于机器学习的数据同化方法取得了令人鼓舞的成果。本文开发了一种集成得分滤波器（Ensemble Score Filter, EnSF），其集成了图像填充技术，以解决部分观测下的数据同化问题。EnSF 方法利用专为设计的无训练扩散模型来解决高维非线性数据同化问题。其性能已在完全观测情境下成功证明，即所有状态变量均直接或间接被观测。然而，由于 EnSF 不使用协方差矩阵来捕捉观察状态变量与未观测状态变量之间的依赖关系，因此将原始 EnSF 方法扩展到部分观测情境并非事半功倍。本文将 various 图像填充技术融入 EnSF，以在数据同化过程中预测未观测状态变量。在每个滤波步骤中，我们首先使用扩散模型通过将似然信息整合到得分函数中来估计观测状态。随后，我们使用图像填充方法预测未观测状态变量。我们通过在多种情境下跟踪表面准大气动力学（Surface Quasi-Geostrophic, SQG）模型动力学，展示了集成图像填充的 EnSF 的性能。成功的概念验证为更深入地探索如何利用现代图像填充技术来推进面向实际地球科学和气象预报问题的数据同化方法学，铺平了道路。
关键词
引用
@article{arxiv.2501.12419,
title = {Ensemble score filter with image inpainting for data assimilation in tracking surface quasi-geostrophic dynamics with partial observations},
author = {Siming Liang and Hoang Tran and Feng Bao and Hristo G. Chipilski and Peter Jan van Leeuwen and Guannan Zhang},
journal= {arXiv preprint arXiv:2501.12419},
year = {2025}
}