将循环神经网络与数据同化集成用于可扩展的数据驱动状态估计
机器学习
2022-04-06 v1 人工智能
动力系统
最优化与控制
地球物理
摘要
将数据同化（DA）与机器学习相集成，以执行完全数据驱动的在线状态估计。为此，将循环神经网络（RNNs）作为替代模型，以替换数值天气预报（NWP）中 DA 循环的关键组件，包括常规数值预报模式、预报误差协方差矩阵以及切线性与伴随模式。我们展示了如何使用 DA 方法初始化这些 RNN，从而利用目标系统的观测直接更新隐含层/储备层状态。结果表明，即便没有传统数值预报模式，这些技术也可用于估计系统状态以重复初始化短期预报。进一步，我们展示了这些集成的 RNN-DA 方法如何通过应用域局地化和并行化扩展到更高维度，为 NWP 中的实际应用提供了一条路径。
引用
@article{arxiv.2109.12269,
title = {Integrating Recurrent Neural Networks with Data Assimilation for Scalable Data-Driven State Estimation},
author = {Stephen G. Penny and Timothy A. Smith and Tse-Chun Chen and Jason A. Platt and Hsin-Yi Lin and Michael Goodliff and Henry D. I. Abarbanel},
journal= {arXiv preprint arXiv:2109.12269},
year = {2022}
}
备注
22 pages, 16 figures