函数数据及其对印度洋海啸警报的应用的历史匹配

传统历史匹配（HM）通过将计算机模型的标量输出与观测值进行比较来识别输入参数空间中不合理的区域。它比贝叶斯校准在计算效率上更高，适用于高维问题。然而，在现实物理系统中，输出往往是函数形式的，如时间序列或空间场，传统 HM 无法充分利用此类信息。我们提出了一种新方法，称为函数历史匹配（FHM），将 HM 扩展到处理函数数据。FHM 采用外积模拟器，这是一种为时间序列设计的高斯过程模拟器，以提高计算效率。FHM 还利用随机投影从无限维数据中提取动态特征，包括导数。FHM 支持对决策至关重要的不确定性量化，并自然适应模型偏差。为Demonstrate其实际有效性，我们将 FHM 应用于印度洋的合成海啸预测情景，假设情景发生在马克兰俯冲区。来自离岸浮动标志的波浪 elevation 时间序列用于预测印度海岸的波浪 elevation。我们的结果表明，FHM 在准确性上显著优于基于标量的 HM。FHM 在可行的计算约束内，从函数数据中实现可靠的预测，为早期警报系统及其他应用提供了稳健框架。