基于谱偏差缩减神经网络从稀疏同化增量中发现可解释结构模型误差:准地转湍流测试用例
计算物理
2024-02-19 v2 大气与海洋物理
数据分析、统计与概率
统计计算
摘要
地球系统模型在表征非线性、多尺度过程时存在各种结构和参数误差,导致其长期预估的不确定性。许多此类误差(尤其由快物理引起的)的影响可在短期模拟中量化,例如作为预测状态与观测状态之间的差异(分析增量)。随着高质量观测和模拟的可用性增加,从这些增量中学习 nudging 以修正模型误差已成为活跃的研究领域。然而,多数研究聚焦于使用神经网络,其虽然强大,但难以解释、数据需求大且分布外泛化能力差。在此,我们展示了模型误差发现与可解释性及数据同化(MEDIDA)的能力,这是一个通用的、数据高效的框架,使用促进稀疏性的方程发现技术从分析增量中学习模型误差。以两层准地转湍流为测试用例,表明在具备完整观测时MEDIDA能成功发现各种线性和非线性结构/参数误差。从空间稀疏观测中发现误差需要高度精确的插值方案。虽然近期研究已显示NN作为插值器取得成功,但此处发现其因无法准确表示小尺度(称为谱偏差的现象)而不适用。我们展示了一个通用补救方法,即向NN添加随机傅里叶特征层,解决了该问题,使MEDIDA能成功从稀疏观测发现模型误差。这些有前景的结果表明,经进一步开发,MEDIDA可扩展至地球系统模型和真实观测。
引用
@article{arxiv.2309.13211,
title = {Interpretable structural model error discovery from sparse assimilation increments using spectral bias-reduced neural networks: A quasi-geostrophic turbulence test case},
author = {Rambod Mojgani and Ashesh Chattopadhyay and Pedram Hassanzadeh},
journal= {arXiv preprint arXiv:2309.13211},
year = {2024}
}
备注
26 pages, 5+1 figures