用于地球物理流非线性数据同化的长短期记忆嵌入式逼近方案
计算物理
2020-08-26 v1
摘要
降秩非线性滤波器在地球物理流的数据同化中应用日益广泛，但通常需要一组集合前向模拟来估计预报协方差。另一方面，当需要避免更复杂的方法时，预测-校正型逼近方法因其实现简单而仍然具有吸引力。然而，逼近增益矩阵的最优估计可能很繁琐。在本文中，我们提出了一种完全非侵入式的循环神经网络方法，该方法基于长短期记忆（LSTM）嵌入架构来估计逼近项，其作用不仅是强制状态轨迹向观测值靠拢，而且还充当稳定器。此外，我们的方法依赖于存档数据的力量，并且由于迁移学习在任何神经网络应用中的强大能力，训练好的模型可以有效地重新训练。为了验证所提方法的可行性，我们使用 Lorenz 96 系统进行了孪生实验。我们的结果表明，在仅有稀疏观测可用的情况下，所提出的 LSTM 逼近方法比扩展卡尔曼滤波（EKF）和集合卡尔曼滤波（EnKF）都能产生更准确的估计。随着新兴的 AI 友好型模块化硬件技术和异构计算平台的出现，我们阐明，我们简化的逼近框架在计算上比 EKF 或 EnKF 方法都更高效。
引用
@article{arxiv.2005.11296,
title = {Long short-term memory embedded nudging schemes for nonlinear data assimilation of geophysical flows},
author = {Suraj Pawar and Shady E. Ahmed and Omer San and Adil Rasheed and Ionel M. Navon},
journal= {arXiv preprint arXiv:2005.11296},
year = {2020}
}