地球物理流的方程无关代理建模：机器学习与数据同化的交叉
流体动力学
2022-12-07 v1
摘要
人们日益关注开发数据驱动的降阶模型，用于大气和海洋流动，这些模型在由高分辨率模拟或卫星观测获得的数据上训练。数据驱动模型本质上为非侵入式，与大规模数值模型相比显著节省计算量。这些低维模型可用于减轻生成预报和估计模型不确定性的计算负担，同时不丢失数据同化产生准确状态估计所需的关键信息。本文旨在探索地球系统建模中机器学习与数据同化交叉处的方程无关代理建模方法。为此，我们引入了一个端到端非侵入式降阶建模（NIROM）框架，在模态分解、时间序列预测、最优传感器布置和顺序数据同化方面做出贡献。具体而言，我们使用本征正交分解（POD）识别流动的主导结构，并使用长短期记忆网络对 POD 模态的动力学建模。NIROM 被集成到确定性集合 Kalman 滤波器（DEnKF）中，以融入通过 QR 选主元获得的最优传感器位置的稀疏含噪观测。所提框架的可行性与益处通过 NOAA 最优插值海表温度（SST）V2 数据集得以展示。我们的结果表明，NIROM 对长期预报稳定，并能以合理精度对 SST 动力学建模。此外，DEnKF 算法将 NIROM 的预测精度提高了一个数量级。本工作为过渡这些方法以融合地球系统模型与观测信息从而实现准确预报提供了前进道路。
引用
@article{arxiv.2205.13410,
title = {Equation-free surrogate modeling of geophysical flows at the intersection of machine learning and data assimilation},
author = {Suraj Pawar and Omer San},
journal= {arXiv preprint arXiv:2205.13410},
year = {2022}
}